Puanlama Sihirbazını göstermek için, modelimizi gösterildiği gibi bir XML dosyası olarak kaydedeceğiz. Sadece bir puanlama yöntemi gösterecek olsak da aslında çok sayıda seçenek var. Örneğin, TREES prosedürü (karar ağaçları oluşturmak için SPSS Sözdizimi komutu), diğer puanlama bağlamlarında faydalı olabilecek kuralları kaydetmek için bir dizi başka format sunar.

TREE prosedürünün RULES alt komutu, SQL ifadeleri oluşturmanıza izin verir. SPSS Sözdiziminde yeniyseniz, SPSS Sözdizimine girişten başlayarak bu kitabın IV. Kısmındaki bölümleri okumak isteyeceksiniz. SPSS Sözdiziminde bulunan ancak menülerde bulunmayan SQL kuralları seçeneği gibi özellikleri bulmak nadir değildir.

Rakamlarla tutarlı olmak için, en iyi seçeneğimiz olduğuna karar verdiğimiz ikinci CRT modelinin ayarlarını kullandığınızdan emin olun. Şimdi farklı bir veri dosyası yükleyin. Titanic_Test.sav dosyasını kullanacağız. Bu dosya, Survived değişkeninden yoksun olması dışında aynı değişkenleri içerir.

Burada inançsızlığın gönüllü olarak askıya alınması gerekiyor. Titanik’in yüz yıl önce battığını hepimiz biliyoruz, bu yüzden doğal olarak tüm yolcuların sonucunu biliyoruz, ancak Test verilerinin sonucunu bilmiyormuş gibi davranacağız. Train veri setimizin modelini kullanacağız, ancak bunu Test veri setini puanlamak için kullanacağız. Bu, SPSS Modeler’da benzersiz bölümleme düğümü vb. ile gördüğümüz gibi biraz farklıdır, ancak SPSS İstatistikleri bir örnek doğrulamayı da gerçekleştirme konusunda oldukça yeteneklidir ve bunu bizim gibi oldukça zarif bir şekilde yapar. prova yapmak. Lütfen Titanic_Test.sav dosyasının sadece açık değil, aynı zamanda aktif dosya olduğundan emin olun.

Puanlama Sihirbazı, Yardımcı Programlar menüsünde bulunur. Kullanılabilecek tüm .xml dosyalarını listeler. Ayrıca makinenizde bulunabilecek .zip dosyalarını da görüntüleyebileceğini unutmayın. Sadece yeni yaptığımız dosyayla ilgileniyoruz.

SPSS, modelde atıfta bulunulan değişkenlerin Test veri setinde de bulunduğunu doğrulamak ister. Gerçekten de hizalanmalılar, bu da devam etmemize izin veriyor.

Son olarak, Puanlama Sihirbazı tarafından hangi yeni puanlanan değişkenlerin oluşturulacağına karar vermeliyiz. Bunlar model türüne göre farklılık gösterir ve .xml dosyasını oluşturduğumuzda talep ettiğimizden etkilenir. Son üç seçeneği talep edeceğiz: Gösterildiği gibi Düğüm Numarası, Öngörülen Değer ve Güven.

Test yolcuları için tahminler artık veri penceresinde görünmelidir. (Tahminleri görmeyi kolaylaştırmak için Ad değişkeni taşındı.) Puanlama Sihirbazını her ekranı göstererek biraz ayrıntılı olarak ele aldık, ancak gördüğünüz gibi gerçekten oldukça basittir.

Bu, yararlanabilecek olanlardan daha az kişinin bildiği birçok SPSS İstatistik özelliğinden biridir. Örneğin, birçok SPSS İstatistik kullanıcısı doğrusal regresyon kullanır, ancak çok azı aynı menüyü kullanarak regresyon modelleriyle yeni rekorlar elde edebileceğini bilir.

Anket analizi örnekleri
SPSS analiz programı
SPSS aritmetik ortalama ve standart sapma hesaplama
Anket sonuçları hesaplama programı
Anket analizi nasıl yapılır
SPSS analiz yöntemleri
Spss ölçek toplam puan hesaplama
SPSS çoklu cevap veri girişi

K En Yakın Komşular ile kalıpları bulun ve tahminler yapın

K En Yakın Komşular (KNN), çalışmanın bu bölümünde gördüğümüz diğer iki algoritma olan sinir ağları ve karar ağaçları ile ilginç bir karşıtlık sağlar. Ayrıca geleneksel tekniklerle en keskin kontrastı sunar. Temel konsept basittir: Algoritmaya yeni bir vaka sunulduğunda, yeni vakaya en çok benzeyen az sayıda eğitim vakası bulur ve yeni vakayı aynı kategoriye gireceği varsayımıyla sınıflandırır. 

Bir çalışanın maaşını tahmin etmeye çalışıyorsanız ve k = 5 ise, tahmin edilen maaş, yeni duruma en çok benzeyen eğitim veri setindeki 5 çalışanın ortalaması olacaktır. Dolayısıyla, Titanic veri seti ile hayatta kalmayı tahmin ederek başlayacak olsak da, bu tekniği nöral net bölümünde (13) kullanılan Bank veri seti ile maaş tahmin etmek için de kullanabilirsiniz.

“Komşular” bulmayı ve bir sınıflandırıcı olarak KNN’yi kullanmayı tartıştıktan sonra, Bölüm III’te gördüğümüz üç sınıflandırıcının performansının bir karşılaştırmasıyla bölümü bitireceğiz. Eğitim setinden yapılan bir model şeklinde bir genelleme yapılmamaktadır. Katsayılar yok. R2 gibi anlamlılık testi ve uyum iyiliği yoktur.

Makine öğreniminde uzmanlaşan bilgisayar bilimcilerinin bunu tanımlamak için sıklıkla kullandıkları ifade, KNN’nin “tembel öğrenen” olduğu, yani geleneksel anlamda bir model oluşturmadığıdır. “Model” aslında eğitim verilerinin konumlarının tamamıdır ve bu nedenle genellikle “bellek tabanlı” veya “örnek tabanlı” bir teknik olarak tanımlanır. Bu özelliklerle ilgili olarak, tüm eğitim veri setini “ezberlediğinden” oldukça yavaş olabilir.

Gördüğümüz gibi, veri madencileri, bir tekniğin karmaşıklığından etkilendikleri (ya da etkilenmedikleri) için bir algoritma hakkında yargıda bulunmazlar. Burada neredeyse hiçbir teori yok. Herhangi bir dağıtım varsayımı yoktur. Konsept basittir, bu nedenle algoritmanın etkinliğinin pratik kullanımıyla kanıtlanması gerekecektir.

Yeni veriler üzerinde iyi tahmin yapıyor mu? KNN, Titanic veri setini kullanan üç algoritmamızın sonuncusu olduğundan, her birinin aynı tren ve test bölümünü kullanarak yeni verilerdeki değerleri tahmin etme yeteneğinin yan yana karşılaştırmasını yapacağız. Önceki paragrafın sonunda belirtildiği gibi, bunları, sözde bir topluluk olarak, birbirleriyle bağlantılı olarak kullanmanın nasıl bir şey olduğunu da kısaca keşfedeceğiz.

 KNN’yi Kullanma

KNN’nin sadece sınıflandırmak için kullanılmasına gerek yoktur (bir sonraki bölümde tartışılacaktır). Bazen yalnızca mesafeleri bulmak için kullanılır – genellikle hangi veri noktalarının en yakın olduğunu bulmak amacıyla. Girdi değişkenlerinde diğer yolculara benzer yolcuları bulmak için tekniği hedef değişken olmadan basitçe çalıştırabiliriz. Tekniğin bu yönü, eHarmony flört sitesi hizmeti gibi bir durumda da geçerli olabilir. eHarmony gibi bir arkadaşlık sitesi söz konusu olduğunda, geleneksel anlamda tahminde bulunmaz.

Bu, basitçe, diğer kayıtlardan (asgari uzaklığı anket sorularında benzer yanıtları ima eden kadınlar) yakın olan (kelimenin tam anlamıyla Öklid mesafesi veya başka bir mesafe ölçüsü açısından) olan kayıtları (örneğin erkekler) belirlemektir. Bir flört sitesi durumundaki yaklaşımın arkasındaki teori, bir kişiyle “bağlantı”nın, çok sayıda sorudaki benzer yanıtlarla ölçülen “uyumluluk” yoluyla daha olası hale getirilmesidir.

Bir flört web sitesi fikri, bunun gibi bir modelin nasıl yerleştirileceğini hayal etmemize de yardımcı olur. Algoritma, erkeklerin konumlarını “ezberleyecek” ve ardından tek bir kadına uygulanabilecekti.

The post Puanlama Sihirbazı – SPSS Ödevi Yaptırma – SPSS Analizi Yaptırma Fiyatları – SPSS Örnekleri – Ücretli SPSS Analizi Yaptırma – SPSS Analizi Yaptırma Ücretleri first appeared on Akademi Delisi (Tez Yaptırma).

Şimdi analiz sonuçlarına bir göz atalım ve sonuçları yorumlayalım.

1. Scree Plot’a gidin.

Çok boyutlu bir ölçekleme modelinin hatası veya uyumsuzluğu, model uzayındaki noktalar arasındaki tahmini mesafeler ile dönüştürülmüş yakınlıklar karşılaştırılarak değerlendirilir. Genel stres etiketi altında, farklı işlevleri ve normalleştirmeleri içeren çeşitli varyasyonlar mevcuttur. Mükemmel bir uyumun 0 stres değerine sahip olacağı ve üst sınırın 1’i geçemeyeceği şekilde ölçeklendirilirler. Daha küçük değerler daha iyi olsa da, altında model uyumunun iyi olarak kabul edildiği, üzerinde anlaşmaya varılmış bir kesme değeri yoktur.

Gerilme değerleri, nesne uzayının artan boyutluluğu ile tipik olarak azaldığı için, analistler, stres değerlerini boyutların sayısının bir fonksiyonu olarak çizebilir ve ötesinde, boyutsallığın arttığı bir noktayı temsil eden bir “dirsek” veya “bükülme” arayabilirler. çözüm, uyumun çok az iyileşmesiyle sonuçlanır. Bu “scree” grafiği, bir korelasyon matrisine uyması için gereken faktör sayısını araştırmak için faktör analizinde de kullanılır.

Gösterildiği gibi, kayşat grafiğinin dikey ekseni normalleştirilmiş stres değerlerini içerir (0’a yakın değerler daha iyi uyumu gösterir), çözümün boyutluluğu ise yatay eksende görünür. Tüm gerilme değerleri küçük olsa da, bir boyutlu çözümden iki boyutlu çözüme geçerken gözle görülür bir azalma vardır, bundan sonra çizim nispeten düzdür, bükülme veya dirsek 2. boyutta gerçekleşir. Bu, iki boyutlu bir çözümün olduğunu düşündürür. en umut verici başlangıç ​​noktasıdır.

2. Stres ve Uyum Ölçüleri pivot tablosuna gidin.

Model uygunluğunun çeşitli ölçülerinin Gerilim ve Uyum Ölçüleri pivot tablosunu görüntüler. Katman etiketi, bu sonuçların tek boyutlu çözüm için olduğunu gösterir. Bunun nedeni, çözüm boyutunun pivot tablonun katman boyutunda görünmesidir.

Diğer çözümler için stres ve uyum ölçümlerini incelemek için, görüntülenen katmanı değiştirebilir veya katmanı pivot tablonun sütun boyutuna taşıyabiliriz. Her ikisi de Özet Tablo düzenleyicisinde kolayca yapılabilir; ikinci yolu seçeceğiz.

3. Özet tabloyu düzenlemek için, Gerilim ve Sığdır Ölçüleri özet tablosuna çift tıklayın (Özet Tablo düzenleyicisini çağırmak için). Pivot tepsilerin penceresi görüntülenmiyorsa, Pivot Tepsiler penceresinde Pivot ➪ Pivoting Trays’i tıklayın.

4.Boyutluluk simgesiniSütunun altındaki İstatistikler katmanından sürükleyip bırakın.

5. Özet Tablo düzenleyicisini kapatın. Her üç çözümün de Gerilim ve Uyum Ölçüleri pivot tablosunu gösterir. Şaşırtıcı olmayan bir şekilde, çok boyutlu ölçekleme çözümünün boyutluluğu arttıkça modellere daha fazla parametre sığdırıldığından, stres ölçüleri azalma eğilimi gösterir ve uyum ölçüleri artar.

SPSS yorumlama örnekleri
SPSS analiz Ücretleri
SPSS anket analizi
SPSS veri Analizi Yorumlama
Anket analizi örnekleri
Faktör analizi yorumlama
Korelasyon Analizi yorumlama
SPSS analiz programı

En büyük değişiklikler, dağlama grafiğinde de gördüğümüz bir-boyutlu çözümden iki-boyutlu çözüme geçerken meydana gelir. Model katsayılarını tahmin ederken, PROXSCAL normalleştirilmiş ham gerilim ölçüsünü en aza indirmeye çalışır. Her biri farklı bir modeli temsil eden herhangi bir sütunda, farklı gerilim ölçümleri için önemli ölçüde farklılıklar vardır. Bunun nedeni, teknik açılardan farklılık göstermeleridir (normlama faktörü olarak kullanılan; mesafelerdeki veya kullanılan mesafelerin karesindeki farklılıklardır; vb.).

Scree grafiğine ve Stress and Fit Measures tablosuna dayanarak, kalan özetler ve grafiklerde iki boyutlu çözüme odaklanacağız. Bu, pivot tabloların yalnızca iki boyutlu çözüm katmanının ve üç grafikten birinin incelenmesini içerecektir.

Buraya kadar teknik uygunluk ölçütlerini tartıştık. Çok boyutlu ölçeklemenin amacı nesnelerin (ürünler, markalar, şirketler vb.) katılımcılar tarafından nasıl görüldüğünü daha iyi anlamak olduğundan, bir çözümün ne kadar yorumlanabilir olduğu dikkate alınmalıdır. Örneğin, üçüncü boyut anlamlı bir şekilde yorumlanamıyorsa, iki boyutlu bir çözümden üç boyutlu bir çözüme geçiş doğrulanmayabilir. Bu düşünce faktör analizinde de mevcuttur.

6. Gösterilen Normalleştirilmiş Ham Stresin Ayrışımı pivot tablosuna gidin. Şekil 10-16, nesnelerin (burada psikoloji alt disiplinlerinin) satırlarda listelendiğini ve farklı veri kaynaklarının (gruplar veya bireyler; burada tek bir kaynak var) sütunları oluşturduğunu göstermektedir. Nesneler arasındaki ortalama değer, Gerilim ve Uyum Özeti tablosunda rapor edilen normalleştirilmiş ham gerilim değeridir (.0011).

Farklı alt disiplinler için stres değerlerini incelediğimizde, Gelişimsel ve Sosyal psikolojinin diğer alt disiplinlerden çok daha küçük değerlere sahip olduğunu görüyoruz. Diğer alt disiplinleri içeren yakınlıklar da modellenmemiştir ve normalleştirilmiş ham strese orantısız bir şekilde katkıda bulunurlar. Pratikte, hangi nesnelerin veya grupların iyi modellenmediğini bilmek, soruna bir miktar fikir verebilir (bu durumda stres değerleri tüm nesnelerde çok düşük olmasına rağmen).

Not: Çok sayıda nesne varsa, satırları sıralamak bu tabloyu sindirmeyi kolaylaştırır. Sıralama, İstatistik’in son sürümlerinde pivot tablo düzenleyicide, sütunu seçip sağ tıklatarak ve Satırları Sırala’yı seçerek kullanılabilir.

7. Ortak Alan bölümündeki Son Koordinatlar pivot tablosuna ilerleyin.
8. Son Koordinatlar pivot tablosuna çift tıklayın.
9. Boyutsallık açılır listesinden2’yi seçin (Katman alanında, pivot tablonun hemen üstünde).
10. Özet Tablo düzenleyicisini kapatın.
Nihai Koordinatlar tablosu, nesnelerin (psikoloji alt disiplinlerinin) iki boyutlu çözüm uzayındaki konumlarını temsil eder.

Boyut Yorumlamaya Öznel Yaklaşım

Boyut yorumlamaya yönelik öznel yaklaşım, nesneler hakkında bilinenlere dayanan temel kalıpları keşfetmek için nesnelerin grafiksel temsilini inceler. Yani temel olarak kendimize (nesneler hakkında bildiklerimize dayanarak) bu nesnelerin her boyutta nasıl farklılaştığını sormalıyız?

Bu iki boyutlu çözümde, yatay eksen, sağda nicel alt disiplinler ve solda nitel alt disiplinler bulunan bir tür veri boyutu gibi görünmektedir. Dikey boyutla ilgili olarak, bu farklı alt disiplinlerde psikologlar tarafından tipik olarak karşılaşılan hastalık şiddetini veya alternatif olarak, bu alt disiplinlerdeki araştırmalarla ilgili sonuçların genelliğini veya özgüllüğünü temsil edebilir. Hastalık şiddeti yorumunu kullanarak, sosyal psikolojinin alt disiplini ağır olmayan hastalıklarla uğraşıyor olarak görülürken, nöropsikolojinin alt disiplini ağır hasta popülasyonlarla uğraşıyor olarak da düşünülebilir.

The post Çıktı Yorumu – SPSS Ödevi Yaptırma – SPSS Analizi Yaptırma Fiyatları – SPSS Örnekleri – Ücretli SPSS Analizi Yaptırma – SPSS Analizi Yaptırma Ücretleri first appeared on Akademi Delisi (Tez Yaptırma).

Kurgusal çalışmamızın verileri, özel bir eğitim erken müdahale programında risk altındaki bir dizi ortaokul çocuğunu temsil etmektedir. Program başarısının yordayıcıları olarak öğrenci cinsiyetini ve öğrencilerin ailelerinden aldıkları teşvik derecesini kullanıyoruz. Mezun değişkeni altında başarı (hedef kategori), liseyi bitirmiş ve liseye başlayan (mezun için 1 kodlu) çocuklar, başarısızlık (referans kategori) ise mezun olamayan çocuklar (0 olarak kodlanmıştır) olarak tanımlanmıştır. 

Bu örnekte, çocuğun cinsiyeti 0 (erkek) ve 1 (kadın) olarak kodlanmıştır ve odak grup olarak kadın (“daha yüksek” veya “son” cinsiyet koduna sahip olan) ve referans grup olarak erkek (genel cinsiyete sahip) olarak belirlenecektir. “alt” veya “birinci” cinsiyet kodu) analiz kurulumunda. Ayrıca 0 ile 45 arasında değişen bir ölçekte ölçülen aile_teşviktir ve daha yüksek değerler daha fazla teşviki temsil eder. Veri dosyasına mezuniyet adı verilir ve veri dosyasının bir bölümünün ekran görüntüsü gösterilmektedir.

ANALİZ KURULUMU

Gösterilen ana Logistic Regression penceresini açmak için ana menüden Analyze ➔ Regresyon ➔ Binary Logistic’i seçiyoruz. Dereceli olarak Bağımlı panele ve cinsiyet ve family_encouragement öğelerini, bunları öngörücü değişkenler olarak kaydetmek için Ortak Değişkenler paneline taşırız. Her iki değişkenin birlikte tek bir blokta girildiği standart bir lojistik regresyon analizi gerçekleştirmek için varsayılan Enter Metodunu koruyoruz (Yöntem açılır menüsünde çeşitli adım prosedürleri mevcuttur).

Değişkenler Ortak Değişkenler paneline taşındığında, Kategorik düğmesi kullanılabilir hale gelir. Kategorik butonunun seçilmesi, herhangi bir kategorik tahmin değişkeni için odak ve referans gruplarımızı belirlememize izin veren Kategorik Değişkenleri Tanımla penceresini açar. Bu pencere gösterilir.

Cinsiyeti Kategorik Ortak Değişkenler paneline taşırız ve değişken adından sonra ifade (gösterge) görünür. Gösterge, kullanmak istediğimiz kontrast türüdür; bir kategorinin varlığını onun yokluğuyla karşılaştırır ve bu, analizin cinsiyeti nasıl ele almasını istediğimizi belirlemenin ilk adımıdır.

Analizin cinsiyeti nasıl ele almasını istediğimizi belirlemenin ikinci adımı, odak ve referans kategorilerini belirlemektir. IBM SPSS, Referans Kategorisinin belirtimini gerektirir (dolaylı olarak, bir ikili değişkenin diğer kategorisi odak kategorisi olacaktır). Erkekler ve dişiler rastgele sırasıyla 0 ve 1 olarak kodlanmıştır. Analizimizde odak kategori olarak kadın ve referans kategori olarak erkek olmasını istiyoruz; kodlama şemamızda kadın son kategoridir (en yüksek sayısal kod) ve erkek ilk kategoridir (en düşük sayısal kod).

Spss analiz Nedir
SPSS
SPSS analiz programı
Anket analizi örnekleri
SPSS analiz Yöntemleri
IBM SPSS
Spss Nedir
SPSS anket analizi

Bu nedenle, ilk olarak 0 (erkek) kodunu Referans Kategorisi yapmak için seçiyoruz ve bunu IBM SPSS’ye kaydetmek için Değiştir’i tıklatıyoruz. Değiştir’e tıklandığında, Şekil 30.4’te gösterildiği gibi değişkenin adına özellik eklenir, böylece kategorik değişkenimiz şimdi panelde cinsiyet(Gösterge(ilk)) olarak görünür. Ana iletişim penceresine dönmek için Devam’ı tıklayın.

Seçenekler penceresinde, Hosmer-Lemeshow uyum iyiliği istatistiklerini ve olasılık oranı için %95 güven aralığını (exp(B) için CI) istiyoruz. Sınıflandırma sınırı, bir vakayı hedef gruba ait olarak sınıflandırmak için elde etmemiz gereken olasılıktır. Olasılıklar 0 ile 1 arasında değişebilir ve IBM SPSS’deki varsayılan değer 0,5’tir.

Bu, bir vakanın (nihai lojistik modele göre) hedef grupta olma olasılığı 0,5 veya daha yüksekse, hedef grupta sınıflandırıldığı (tahmin edildiği) anlamına gelir; bir vakanın hedef grupta olma olasılığı 0,5’ten daha düşükse, referans grubunda sınıflandırılır (olacağı tahmin edilir). Bu analiz için, varsayılan Sınıflandırma kesmesini .5’te tutacağız, ancak bu spesifikasyonla açıkça ilgileneceğiz. Ana iletişim penceresine dönmek için Devam’a tıklayın ve analizi gerçekleştirmek için Tamam’a tıklayın.

ANALİZ ÇIKIŞI

Yönetimsel çıktı olarak adlandırılabilecekleri gösterir. Vaka İşleme Özeti tablosu, analizdeki vaka sayısı hakkında bilgi görüntüler. Bağımlı Değişken Kodlaması, ikili sonuç değişkenimizin “içsel yeniden kodlamasını” gösterir. IBM SPSS, tüm araştırmacılar sonuçlara 0 ve 1 kodlarını atayamayacağı için bu kaydı yapar. Böylece yazılım, alt koda (araştırmacılar tarafından ne kullanılmışsa) 0 değerini ve yüksek koda 1 değerini atar; IBM SPSS, 0 ve 1 olarak kodlama ihtiyacını önceden tahmin ettiğimiz gerçeğini göz ardı etti ve bu yüzden yine de kayıt işlemini gerçekleştirdi.

Kategorik Değişken Kodlamaları tablosunda da kodları ile birlikte kadın ve erkek sayıları elde ederiz. Parametre kodlaması altındaki kodlar, referans grubu spesifikasyonumuzu yansıtmaktadır; .000 (erkek) olarak gösterilen kategori, analizde referans kategorisi olarak kabul edilir.

Denklemdeki yalnızca sabitle, ancak hiçbir tahmin değişkeni olmadan hesaplanan, yalnızca kesmeli model için sonuçları sunar; Denklemde henüz hiçbir öngörücü değişken olmadığından, buna Adım 0 modeli (Blok 0’dan itibaren model) denir. Sınıflandırma Tablosu, her bir ikili sonuçtaki vaka sayısını basitçe sağlar. Satırlarda Gözlenen vakaların ve sütunlarla temsil edilen Öngörülen grup üyeliğinin olduğu bir tahmin tablosudur.

Yalnızca modeldeki kesişim ile, tahminimiz yalnızca bu tablodaki frekanslara dayanmaktadır: 138 vaka mezun olmadı ve 272 vaka mezun oldu. Bu nedenle, ek bilgimiz olmasaydı, en iyi tahminimiz, bir program katılımcısının mezun olacağı (mezun olandan daha fazla mezun olacağı) ve sınıflandırmamızın (tahminlerin) zamanın %66,3’ünde doğru olacağıdır.

Ortadaki tablo Denklemdeki Değişkenleri göstermektedir; Tabii ki, yalnızca kesişme modelinde, hiçbir öngörücü değişkenimiz yoktur, bu nedenle modeldeki tek faktör kesişme noktasıdır (Sabit olarak gösterilir). Exp(B) olarak gösterilen oran oranı 1.971 değerindedir. Bunun nedeni, 272’nin 138’in 1.971 katı (yaklaşık iki katı) olmasıdır (örneklerin üçte ikisi mezun oldu ve üçte biri mezun olmadı). Olasılık oranı, rastgele bir program katılımcısının mezun olmama olasılığının 1.971 katı (neredeyse iki katı) olduğunu bize bildirir. Denklemde Olmayan Değişkenler olarak etiketlenen alt tablo, bu yordayıcı değişkenlerin henüz modele girilmediğini hatırlatır.

Modeli değerlendiren tabloları, öngörücüler dahil edilerek gösterir. Bu Blok 1 veya Adım 1’dir ve tek adımımızdır çünkü her iki tahmincimizi de birlikte girdik. Omnibus Model Katsayıları Testleri, tüm tahmin katsayılarının sıfır olduğu sıfır hipotezinin istatistiksel bir testi olan ki-kare modelini içerir. Doğrusal regresyondaki genel F testine eşdeğerdir. Model ki-kare değeri (son satırda) 157.368’dir ve 2 serbestlik derecesi ile (modelde iki öngörücü vardır), istatistiksel olarak anlamlı miktarda tahminimiz vardır (p < .001).

The post ANALİZ ÇIKIŞI– SPSS Ödevi Yaptırma – SPSS Analizi Yaptırma Fiyatları – SPSS Örnekleri – Ücretli SPSS Analizi Yaptırma – SPSS Analizi Yaptırma Ücretleri first appeared on Akademi Delisi (Tez Yaptırma).