Nominal ve metrik değişkenler için yaygın olarak uygulanan bir korelasyon ölçüsü yoktur. Aşağıdaki alternatifler önerilir:

• Pratikte istatistikçiler genellikle istatistiksel testler uygular (t-testi veya varyans analizi)
metrik değişkenler açısından nominal gruplar arasındaki farklılıkları değerlendirmek. Bu testler tümevarımsal istatistiklere aittir ve bu çalışmanın kapsamı dışında kalan olasılık teorisi bilgisini gerektirir.
• Sınıflandırma yoluyla metrik değişkenleri sıralı değişkenlere dönüştürmek ve ardından Cramer’s V gibi uygun bir yöntem kullanmak da mümkündür. Ancak bu yöntem pratikte oldukça nadirdir.
• Nadiren kullanılan bir başka yaklaşım da nokta-çift seri korelasyonudur (rpb). İkili bir değişken (yalnızca iki değere sahip nominal ölçeğin özel bir durumu) ile bir metrik değişken arasındaki ilişkiyi ölçer.

Şarap şişesi anketimizi kullanarak son durumu daha ayrıntılı olarak tartışalım. Anketin, yanıtlayanlardan cinsiyetlerini ve toplam Euro olarak ne kadar ödeyeceklerini belirtmelerini istediğini düşünün. Ödeme istekliliği artık bir metrik değişkendir (fiyat_m) ve cinsiyet ikili bir değişkendir (cinsiyet) – erkek için 0 ve kadın için 1.

Ortalama değerleri cinsiyete göre sıraladığımızda, ortalama olarak erkek katılımcıların 17,17 € ödemeye ve kadın katılımcıların 9,38 € oynamaya istekli olduklarını keşfettik. Bu nedenle, ödeme istekliliği erkeklerde kadınlara göre ortalama olarak daha yüksektir. Bu sonuçlardan cinsiyet ve ödeme istekliliği arasında bir ilişki çıkarsayabilir miyiz?

Bu gibi durumlarda ilişkinin gücünü belirlemek için nokta-çift serili korelasyon kullanılabilir. Bu yaklaşım, Pearson korelasyonunun ikili bir değişken ile bir metrik değişken arasındaki ilişkiyi ölçmek için kullanılabileceğini varsayar.

Bu şaşırtıcı varsayım mümkündür çünkü 0 veya 1 olarak kodlanan değişkenler metrik olarak kabul edilebilir. Olgumuza uygulanan: Cinsiyet değişkeninin değeri 1 ise, cevaplayıcı kadın sayısı o kadar fazladır. Cinsiyet değişkeninin değeri 0 ise, cevaplayıcı erkek o kadar fazladır. Her iki değişken için Pearson korelasyonunu kullanarak rpb 1⁄4 (1) ve rpb 1⁄4 (+1) arasında bir korelasyon katsayısı elde ederiz.

Alt sınır rpb 1⁄4 (1), 0 (erkek) olarak kodlanan tüm yanıtlayıcıların, metrik değişkenle (ödeme istekliliği) 1 (kadın) olarak kodlanan yanıtlayıcılardan daha yüksek değerlere sahip olduğu anlamına gelir. Buna karşılık, rpb 1⁄4 (+1) nokta-çift seri korelasyonu, 0 (erkek) olarak kodlanan tüm yanıtlayıcıların, 1 (kadın) olarak kodlanan yanıtlayıcılardan metrik değişkenlerle (ödeme istekliliği) daha düşük değerlere sahip olduğu anlamına gelir. 

Bağımlı Bağımsız değişken örnekleri
Sürekli değişken nedir
Aracı değişken örnekleri
Kontrol değişkeni
Bağımlı ve bağımsız değişken arasındaki ilişkiye ne denir
Araştırmada bağımlı ve Bağımsız değişkenler nelerdir
Araştırmanın sonucu olarak açıklanan değişken
1 bağımlı 2 bağımsız değişken örnekleri

Metrik değişkende (ödeme istekliliği) daha yüksek ve daha düşük değerler ne kadar sık ​​karışık görünürse, metrik değişkenin değerini cinsiyetten o kadar az çıkarabiliriz ve bunun tersi de nokta-çift serili korelasyon değere ne kadar yakındır.

• n0: ikili özelliğin x 1⁄4 0 değerine sahip gözlem sayısı
• n1: ikili özelliğin x 1⁄4 1 değerine sahip gözlem sayısı
• n: toplam örnek boyutu n0 + n1
• y0: x 1⁄4 0 durumları için metrik değişkenlerin (y) ortalaması
• y1: x 1⁄4 1 durumları için metrik değişkenlerin (y) ortalaması
• Sy: metrik değişkenin (y) standart sapması

Negatif nokta-çift serili korelasyon, ikili değişken değeri 1 (kadın) olan katılımcıların, ikili değişken değeri 0 (erkek) olan katılımcılara göre daha düşük bir ödeme istekliliği gösterdiğini göstermektedir.

Nokta-çift serili korelasyon genellikle yalnızca bir değişken gerçek bir ikilik içerdiğinde uygulanır. Bir değişken, erkek veya kadın gibi yalnızca iki olası değere sahip olduğunda gerçek bir ikilik oluşur. Buna karşılık, örneğin bir metrik değişken ikiye ayrılırsa, örneğin metrik yaş verilerinden iki yaş grubu üretilirse ve değişken normal olarak dağıtılırsa, nokta-çift serili korelasyon, gözlemlenen değişkenler arasındaki gerçek ilişkiyi hafife alır.

Nominal ve Sıra Değişkenler Arasındaki İlişkiyi Ölçme

Cramer’s V, sıra değişkeni için değer sayısının çok büyük olmaması koşuluyla, nominal ve sıralı değişken arasındaki ilişkinin gücünü ölçmek için yaygın bir araçtır. İstatistiksel testler (Mann-Whitney veya Kruskal-Wallis) ampirik uygulamada sıklıkla kullanılır, çünkü genellikle (nominal) gruplar arasındaki ilişkiden ziyade sıra değişkenleri açısından onların ayrımları hakkındadır. Ancak bu prosedürler, bu çalışmanın kapsamı dışında kalan tümevarım istatistiklerine aittir.

Ordinal ve Metrik Değişkenler Arasındaki İlişki

Janson ve Vegelius (1982) tam da böyle bir korelasyon ölçüsü için bazı önerilerde bulundular, ancak bu parametreler araştırmacılar veya uygulayıcılar için hiçbir zaman çok önemli olmadı. Bunun nedeni çoğunlukla Spearman’ın korelasyon katsayısını veya Kendall’ın τ’sını kullanmak için basitleştirilmiş yaklaşımların fazlasıyla yeterli olmasıdır. Bu tür iki yaklaşım vardır:

1. Metrik değişkeni sınıflandırın ve onu bir sıra ölçeğine dönüştürün. Bu, monotonik ilişkisi Spearman korelasyonu veya Kendall’ın τ ile belirlenebilen iki sıralı değişken üretir.
2. Sınıflandırılmamış metrik değişkenden gelen gözlemleri olağan sıralama atamasına tabi tutun. Bu aynı zamanda iki sıralı sıralama emri üretir.

Örneklemek için, tekrar şarap şişesi anketine dönelim, ancak bunu biraz değiştirelim: beş puanlık bir puan (sıralı ölçek) yerine, 25 katılımcı şimdi ödemeye istekli olduklarını Euro (metrik ölçek) olarak belirtiyor. Gösterilen sonuçları elde ederiz.

Burada metrik olarak ölçeklenen ödeme istekliliği değişkeni (fiyat_m) bir sıralama düzenine (fiyat) dönüştürülür. Bu, bir kişinin ödeme istekliliği ile diğer kişininki arasındaki aralık hakkındaki bilgileri ortadan kaldırır, ancak sıralamalarını korur.

Metrik veri kümesinin bir sıralama düzenine dönüştürülmesi, daha yüksek bir ölçeği (metrik) daha düşük bir ölçekle (sıralı) değiştirir. Fiyat nispeten küçüktür, yalnızca sıralı ve metrik değişkenler arasındaki ilişkiyi ölçmek için önerilen diğer katsayıların başarısızlığını açıklayan monotonik ilişki hakkında açıklamalar yapabiliriz.

Bilgisayarla Korelasyonu Hesaplama

ρ ve τ hesaplamak için SPSS veya Stata kullanıldığında, sıra ataması otomatik olarak gerçekleşir, bize fazladan adımdan tasarruf sağlar ve orijinal metrik veya sıralı değişkenler doğrudan girilebilir. Excel ile devam etmeden önce değişken sıralamasını hesaplamamız gerekiyor.

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

Tanımlayıcı İstatistikler olarak etiketlenen tablo, ortalamaları, standart sapmaları ve örnek boyutlarını gösterir (bunlar her koşulda aynı 11 vaka olmasına rağmen). Alttaki tablo Mauchly’nin küresellik testinin sonuçlarını göstermektedir. Mauchly’nin testi, aşağıdaki iki varsayımı aynı anda değerlendirir:

• Denek içi değişkenin seviyeleri eşit varyanslara sahiptir.
• Denek içi değişkenin her bir düzey çifti aynı ölçüde ilişkilidir (yani, ön test ile son test1, ön test son test2 ve son test1 son test2 ile).

Küresellik testinin etkinleştirilmesi için, bağımsız değişkenin en az üç düzeyi olmalıdır (denek içi değişkenin yalnızca iki düzeyiyle, hiçbir şeyle karşılaştırılamayacak tek bir korelasyon olacaktır).

Mauchly testi, küresellik varsayımının karşılanmadığını gösteren istatistiksel olarak anlamlı bir sonuç verirse, IBM SPSS, Greenhouse–Geisser, Huynh–Feldt veya Lower Bound tarafından otomatik olarak sağlanan düzeltmelerden birini kullanırız. Üç düzeltmenin tümü, denek içi tedavi etkisi ile ilişkili F oranı için df’yi tabloda gösterilen ilgili epsilon değeriyle çarparak ve bu ayarlanmış serbestlik derecelerine karşı F’nin önemini değerlendirerek çalışır.

Mauchly’nin W istatistiği, tedavi etkimizin düzey sayısından bir eksik serbestlik derecesine sahip bir ki-kare dağılımına karşı değerlendirilir. Mevcut durumda, Mauchly’nin .643’lük W’si, 3.972’lik bir ki-kare değerine karşılık gelir. 2 serbestlik derecesiyle, bu ki-kare değeri istatistiksel olarak anlamlı değildir (p = .137) ve dolayısıyla küresellik varsayımını ihlal etmediğimize karar veririz.

ANOVA özet tablolarını görüntüler. Bunlar, bağımlı değişkenin varyansının ana bölümlerine karşılık gelir. Denekler Arası Etki Testleri tablosu, üç test olayı boyunca genel performanstaki bireysel farklılıkları dikkate alır. Bu analizde, IBM SPSS, bu bireysel farklılıkları tablodaki Hata olarak ele alır (123.576 Kareler Toplamı ile) ve bu bağlamda bizi pek ilgilendirmiyor.

Denek İçi Etki Testleri tablosu, tedavi değişkenimiz ilaç eğitimi ve bununla ilişkili denek içi hata terimi için sonuçları sunar. Mauchly testi önemsiz bir sonuç döndürdüğü için Küresellik Varsayımı satırlarına odaklanıyoruz. Etki için F oranı 30.876’dır ve 2 ve 20 serbestlik derecesi ile istatistiksel olarak anlamlıdır (p < .001). Bu nedenle, üç ölçüm arasında uyuşturucu tutumlarında farklılıklar olduğu görülmektedir.

Bir denek içi değişken içeren bir tasarımda, eta kare normalde denek içi etkiler ve (varsa) denekler arası etkiler için ayrı ayrı hesaplanır. Tek tedavi değişkenimiz denek içi bir etkidir ve bu nedenle karelerin referans toplamı denek içi karelerin toplam toplamıdır; örnekte 213.515 + 69.152 veya 282.667’dir. O halde uyuşturucu eğitimi etkisinin 213.515/282.667’yi veya denekler arası varyansın yaklaşık %76’sını açıkladığını söyleyebiliriz.

Bağımsız değişken nedir
Bağımlı Bağımsız değişken nedir
Sürekli değişken örnekleri
Değişken Nedir
Bağımlı değişken örnekleri
Bağımlı bağımsız değişken örnekleri
Ara değişken nedir
Değişken örnekleri

IBM SPSS ayrıca, denek içi değişkenin etkisini değerlendiren başka bir dizi sonuç sağlar ve bunlar gösterilir. Veri dosyasının yapısını açıklarken belirttiğimiz gibi, denek içi faktörünün üç seviyesi ayrı değişkenler olarak yapılandırılmıştır (Faktör(ler)i Tanımla iletişim penceresinde denek içi faktörün şemsiyesi altında toplanır).

Bunlar, IBM SPSS tarafından çok değişkenli bir ANOVA’da ayrı bağımlı değişkenler olarak ele alınır. Bu dili kullanarak, tek yönlü tekrarlanan ölçümlerimiz ANOVA, tekrarlanan faktörü üç farklı zamanda ölçülen tek bir bağımlı değişken olarak tasarladığı için tek değişkenli tasarım olarak adlandırılacaktır.

Genel çok değişkenli yaklaşım hakkında daha fazla tartışacağız. Şimdilik bu çok değişkenli analizin bağımlı değişkenlerin aynı ortalamaya sahip olduğu sıfır hipotezini test ettiğini söylemek yeterlidir; bu nedenle, tek değişkenli ANOVA’da değerlendirilen aynı boş hipotezdir. Bununla birlikte, çok değişkenli testler küresellik varsayımına dayanmaz (çünkü denek içi faktör seviyeleri ayrı bağımlı değişkenler olarak ele alınır).

Dört Çok Değişkenli Testin her biri, gösterilen tabloda bir satırı işgal eder. Biraz farklı şekilde hesaplansalar da (bkz. Meyers ve diğerleri (2013)), burada 36.256’lık özdeş bir F değerine çevrilirler. 2 ve 9 serbestlik derecesine göre, tümü istatistiksel olarak anlamlıdır (p < .001). Bu çok değişkenli testlerden en yaygın olarak kullanılanı Wilks’ lambda’dır. Değeri, açıklanamayan varyansın bir tahminidir ve bu nedenle, bu değeri 1,00’den çıkarmak, tahmin edilen çok değişkenli bir eta kare değeri verir; burada 1.00 − .110 .89’dur ve varyansın %89’unun denek içi faktör tarafından açıklandığını tahmin ediyoruz.

IBM SPSS ayrıca denek içi faktör seviyelerinde polinom kontrastları (bkz. Bölüm 48) gerçekleştirir ve analizin bu bölümünün sonuçları gösterilir.10. Mevcut örneğimizde yalnızca üç düzeyle, yalnızca doğrusal ve ikinci dereceden bileşenler elde edebiliyoruz ve bunların her biri istatistiksel anlamlılık açısından test ediliyor. Tablodaki ana ilgi satırı, uyuşturucu_eğitim olarak etiketlenmiştir. Hem doğrusal (p = .002) hem de ikinci dereceden (p < .001) bileşenler önemlidir.

Bu zıtlıklar, seviyelerin ortalamaları incelenerek anlaşılabilir. Gösterildiği gibi, ön test, son test1 ve son test2’nin ortalamaları sırasıyla 15.27, 9.18 ve 11.09’dur. Doğrusal eğilim, ön test ve son test2 arasında ilaçlara yönelik olumlu tutumlardaki genel düşüşte görülmektedir; ikinci dereceden eğilim görülüyor çünkü uyuşturucu tutumları ön testten ilk son teste (son test1) keskin bir şekilde düştü, ancak ilk son testten ikinci son teste (rehabilitasyon programı açısından) talihsiz bir canlanma gösterdi.

Tahmini marjinal ortalamalar, standart hataları ve %95 güven aralıkları ile birlikte en üstteki tabloda gösterilmektedir. Bu araçlar, gözlemlenen araçlarla aynıdır. Tahmini marjinal ortalamaların Bonferroni tarafından düzeltilmiş ikili karşılaştırmaları alttaki tabloda gösterilmektedir.

Her ana satır, üç koşuldan birine odaklanır ve onu diğer ikisiyle karşılaştırır. İlk ana satır ön teste odaklanır (tabloda basitçe 1 olarak gösterilir, bizi değişken kodlamamızı hatırlamaya zorlar). Bu koşul için tahmin edilen marjinal ortalama ile sontest1 için (tabloda 2 olarak gösterilen) tahmin edilen marjinal ortalama arasındaki fark 6.091’dir (öntest-sontest1).

Fark pozitiftir ve istatistiksel olarak anlamlıdır (p < .001), bu da uyuşturucuya yönelik tutumların son testte1 ön teste göre daha az olumlu olduğunu gösterir. Ön test için tahmini marjinal ortalama (tabloda 1 olarak gösterilmiştir) ve son test2 için tahmini marjinal ortalama (tabloda 3 olarak gösterilmiştir) arasındaki fark 4.182’dir (sontest1 – sontest2) ve ayrıca pozitif ve istatistiksel olarak anlamlıdır (p = .005); bu nedenle, uyuşturucu tutumları son test2’de ön teste göre hala daha az olumluydu. Diğer satırlar incelendiğinde sontest1 ile sontest2 arasındaki farkın da istatistiksel olarak anlamlı olduğu görülmektedir (p = .024); araçları incelemek, uyuşturucuya yönelik tutumların sontest1’den sontest2’ye kadar biraz daha olumlu hale geldiğini bize bildirir.

Üç koşulun araçları ve polinom karşıtlıklarının sonuçları göz önüne alındığında, programın uyuşturucu eğitimi bileşeninin, tamamlandığı zaman yasadışı uyuşturucu kullanımına yönelik olumlu tutumları azaltmada etkili olduğu sonucuna varabiliriz.

Ancak, programın başlangıcından daha az olumlu olmalarına rağmen, programın bitiminden bir ay sonra suçlular uyuşturucu kullanımına karşı olumlu tutumlarını yeniden kazandılar. Uyuşturuculara karşı olumlu tutumun yeniden canlanması, araştırmacıların, bu etkinin azaltılabilmesi veya ortadan kaldırılabilmesi için programı revize etmek için neler yapılabileceğini düşünmelerine neden olmalıdır.

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