1) Regresyon Analizinin Temel Mantığı: Bağımlı ve Bağımsız Değişkenler

Regresyon, bağımlı değişkeni (Y) bir veya birden çok bağımsız değişken (X’ler) üzerinden açıklamayı amaçlar. Basit doğrusal regresyonda amaç, Y ile X arasındaki en iyi doğrusal ilişkiyi (Y=β0+β1X+ε) belirlemektir. Bu çerçevede β1, X’teki bir birim değişimin Y’deki beklenen değişimi ifade eder; ε, modelin açıklayamadığı hata terimidir. Hedef, ε’leri küçük tutacak bir β parametre seti bulmaktır.

Uygulamalı örnek:
Bir eğitim danışmanlığı projesinde öğrencilerin okuduğunu anlama puanı (Y), kelime bilgisi (X1) ve günlük çalışma süresi (X2) ile modellenir. İlk kaba beklenti: kelime bilgisi ve disiplinli çalışma süresi arttıkça Y yükselir.

2) Basit Doğrusal Regresyon: İlk Adım ve Yorum

Basit doğrusal regresyon, tek bir X ile Y ilişkisini inceler. Modelin R² değeri, X’in Y’deki varyansın ne kadarını açıkladığını gösterir. Katsayıların anlamlılığı (t-testi), ilişkinin tesadüf eseri olup olmadığını test eder. Güven aralıkları ve etki büyüklüğü ölçütleriyle birlikte raporlanması gerekir.

Örnek rapor kalıbı:
“Okuduğunu anlama puanı (Y) ile kelime bilgisi (X) arasındaki doğrusal model anlamlıdır (F(1, 118)=15.9, p<0.001). X’in katsayısı β1=0.42 (SE=0.10; 95% GA: 0.22–0.62). Model R²=0.12’dir. Bu, kelime bilgisindeki her bir birim artışın Y’de ortalama 0.42 puanlık bir artışla ilişkili olduğunu düşündürmektedir.”

3) Çoklu Doğrusal Regresyon: Birden Fazla Yordayıcıyı Birlikte Değerlendirmek

Çoklu regresyonda (Y=β0+β1X1+β2X2+…+ε), her bir X’in diğerlerini sabit tutma koşuluyla Y üzerindeki kısmi etkisi test edilir. Bu, özellikle eğitim veya sağlık çalışmalarında birden çok faktörün eşzamanlı etkisini ayrıştırmak için gereklidir. Model uyum istatistikleri (R², Düzeltilmiş R²) ve katsayıların anlamlılığı ile varsayım kontrolleri birlikte değerlendirilmelidir.

Örnek olay:
Y=okuduğunu anlama; X1=kelime bilgisi, X2=günlük çalışma süresi, X3=sınıf düzeyi (dummy kodlama). Sonuçta X1 ve X3 anlamlı; X2 marjinal. Politika: kelime dağarcığı programı ve sınıf içi müdahaleler önceliklendirilmeli.

4) Model Seçimi: Teori, Veri ve Amaç Üçgeni

Regresyon modeli sadece istatistiksel değil, teorik ve pratik temellere dayanarak seçilmelidir. Bir değişkeni ekleme/çıkarma kararında p-değerine “kör” bağlanmak yerine, önce teori, sonra veri keşfi, en sonda istatistiksel kanıt dizilimi benimsenmelidir. Model karmaşıklığı (parametre sayısı) ve açıklayıcılık (uyum) arasında denge aranır.

Uygulamalı ipucu:
AIC/BIC gibi bilgi ölçütlerini, çapraz doğrulama (k-kat) sonuçlarıyla birlikte izleyin; yalnızca tek bir uyum ölçütüne yaslanmayın.

5) Varsayımlar: Doğrusallık, Bağımsızlık, Normallik, Varyans Homojenliği

Doğrusal regresyonda temel varsayımlar:

• Doğrusallık: X ile Y arasındaki ilişki doğrusal.

• Bağımsızlık: Hatalar bağımsız.

• Normallik: Hata terimleri yaklaşık normal.

• Varyans Homojenliği (Homoskedastisite): Hata varyansı sabit.

Tanılama adımları: Artık–uyarlanmış değer grafikleri, Q–Q grafiği, Breusch–Pagan/White testleri, Durbin–Watson (ototokorelasyon). İhlal varsa; dönüşümler, sağlam standart hatalar, genelleştirilmiş modeller veya heteroskedastik-robust yaklaşımlar devreye alınır.

6) Çoklu Doğrusal Bağlantı (Multicollinearity) Yönetimi

Bağımsız değişkenler arasında yüksek korelasyon, katsayıların kararsızlığına ve standart hataların şişmesine yol açar. VIF (Variance Inflation Factor) ve tolerans göstergeleri izlenir. Çoklu bağlantı varsa; değişken seçimi, bileşen indirgeme (PCA), ridge/lasso gibi düzenlileştirilmiş regresyonlar veya teorik yeniden yapılandırma tercih edilebilir.

Örnek uygulama:
X1=kelime seti A puanı, X2=kelime seti B puanı, X3=toplam kelime puanı arasında yüksek korelasyon. Çözüm: Toplam puan yerine faktör skorları veya ridge kullanımı.

7) Etkileşim Terimleri ve Koşullu Etkiler

Bazı etkiler diğer değişken düzeylerine bağımlı olabilir (ör. çalışma süresi etkisi sınıf düzeyine göre değişir). Bu durumda etkileşim terimleri (X1×X2) kullanılır ve katsayılar koşullu etki olarak yorumlanır. Etkileşimlerin görselleştirilmesi, karar vericilere sezgisel bir çerçeve sunar.

Örnek olay:
Y=okuma puanı; X1=çalışma süresi, X2=sınıf düzeyi. X1×X2 anlamlı → üst sınıflarda çalışma süresinin getirisi daha yüksek; müdahale üst sınıflara ağırlık vermeli.

8) Doğrusal Olmayan İlişkiler: Polinom ve Dönüşümler

İlişkiler her zaman doğrusal değildir. Polinom terimler (X², X³) veya log/Box–Cox dönüşümleri ile eğrisellik yakalanabilir. Aşırı polinom dereceleri aşırı uyum (overfitting) riski taşır; çapraz doğrulama ile denge sağlanır.

Uygulamalı örnek:
Çalışma süresi çok düşükken verim artar, orta düzeyde plato, çok yükseklerde düşüş görülebilir (ters U). Model: Y~X+X².

9) Lojistik Regresyon: İkili Sonuçlar için Doğru Araç

Bağımlı değişken ikili (başarılı/başarısız) ise lojistik regresyon kullanılır. Katsayılar log-olasılık oranı (log-odds) cinsindendir; genellikle olasılık oranı (OR) olarak raporlanır. Model uyumu için ROC eğrisi, AUC, Hosmer–Lemeshow gibi ölçütler ve sınıflandırma tabloları değerlendirilir.

Örnek olay:
“Dersi geçme (1) / kalma (0)” modeli: X1=devam, X2=kelime bilgisi, X3=deneme sayısı. X2 ve X3 anlamlı; OR>1. Politika: düzenli denemeler ve kelime programları.

10) Sayım Verileri: Poisson ve Negatif Binom Regresyon

Bağımlı değişken olay sayısı ise (ör. haftalık okuma etkinliği sayısı), Poisson regresyon uygundur; aşırı saçılım (variance>mean) varsa Negatif Binom tercih edilir. Olasılık dağılımı varsayımı, standart hatalar ve model uyumu dikkatle incelenmelidir.

Uygulamalı örnek:
Haftalık okuma etkinliği sayısı (Y) ~ motivasyon ölçeği + ebeveyn desteği. Aşırı saçılım saptandığında Negatif Binom model ile daha güvenilir güven aralıkları elde edilir.

11) Zaman Serisi Regresyonu: Bağlanımlı Gözlemler ve Eğilim

Zaman bağımlı verilerde hatalar bağımsız değildir. ARIMA/ARIMAX, durağanlaştırma, trend ve mevsimsellik modelleme adımları gereklidir. Eğitimde dönemsel sınav puanları veya klinikte aylık başvuru sayıları gibi örneklerde, otokorelasyon ve mevsimsel bileşenler modele eklenmelidir.

Uygulama:
Aylık deneme sınav ortalamaları tahmini; mevsimsel artış/azalış dönemleri saptanır, takvim planlaması veriyle uyumlu hale getirilir.

12) Panel Veri ve Sabit/Rasgele Etkiler

Aynı birimlerin (öğrenciler, okullar, hastaneler) zaman içinde izlendiği veri yapılarında panel regresyon yaklaşımı kullanılır. Sabit etkiler (her birimin sabit, gözlenmeyen özelliklerini kontrol eder) ve rasgele etkiler (birim düzeyinde rastgele farklılıklar) modelleri; Hausman testi ve bağlam gözetilerek seçilir.

Örnek olay:
Okullar arası farklılık büyükse sabit etkiler; genellenebilirlik ve az parametre isteniyorsa rasgele etkiler mantıklı olabilir.

13) Düzenlileştirilmiş Regresyonlar: Ridge, Lasso ve Elastic Net

Çok sayıda yordayıcı, çoklu doğrusal bağlantı veya aşırı uyum riski varsa ridge (L2), lasso (L1) ve elastic net (L1+L2) yararlıdır. Lasso, gereksiz değişkenlerin katsayılarını sıfıra çekerek seçim yapar; ridge kollinear yapıları cezalandırarak kararlı kestirimler üretir. Lambda cezası çapraz doğrulama ile ayarlanır.

Uygulama:
Öğrenci başarı tahmini için 60’dan fazla öznitelik → Elastic Net ile daha dengeli, genellenebilir bir model.

14) Dayanıklı (Robust) Regresyon ve Aykırı Değerler

Aykırı değerler klasik OLS’yi saptırabilir. Huber/Tukey ağırlıkları, M-estimator tabanlı robust regresyonlar veya quantile regresyon (medyan odaklı) gibi yaklaşımlar, etkilenmeyi azaltır. Duyarlılık analizleriyle (aykırı gözlemi çıkarınca sonuç değişiyor mu?) bulguların sağlamlığı sınanmalıdır.

Örnek:
Az sayıdaki aşırı hızlı/çok yavaş okuyan öğrenci, eğimi bozuyorsa robust yaklaşım veya quantile regresyonla medyan eğilim hedeflenebilir.

15) Eksik Veri Stratejileri: Listwise Çıkarma mı Çoklu Atama mı?

Eksik veri tesadüfi (MCAR) değilse listwise çıkarma yanlı sonuç verebilir. Çoklu atama (multiple imputation) ile birden fazla eksik veri tamamlanmış set oluşturulur, analizler birleştirilir. Regresyon katsayılarının ve güven aralıklarının tutarlılığı artar.

Uygulama:
Sosyodemografik maddelerde %8 eksik → çoklu atama sonrası β katsayıları ve p-değerleri daha kararlı.

16) Model Doğrulama ve Geçerlik: Çapraz Doğrulama, Bootstrapping

Eğitim kümesine fazla uyum, test kümesinde başarısızlık doğurur. K-kat çapraz doğrulama ve bootstrap ile kestirim belirsizliği ve genellenebilirlik ölçülür. Özellikle küçük örneklemlerde bootstrap güven aralıkları yararlı olabilir.

Örnek:
10-kat çapraz doğrulama ile R² dağılımı izlenir; medyan ve IQR raporlanır.

17) Ölçekleme, Dönüşüm ve Kategorik Değişken Kodlama

Standartlaştırma (z-skoru) katsayı karşılaştırılabilirliğini artırır. Kategorik değişkenler için dummy veya etki (effects) kodlama kullanılır. Çok kategorili değişkenlerde referans kategori seçimi yorumu etkiler; teorik olarak anlamlı referans seçilmelidir.

Uygulamalı örnek:
Sınıf düzeyi (5,6,7,8) → 8. sınıf referans; diğer sınıfların fark katsayıları 8’e göre yorumlanır.

18) Model Uyumunun Değerlendirilmesi ve Karar Destek

Doğrusal modellerde R²/Düzeltilmiş R², AIC/BIC; lojistikte AUC, Brier skoru; sayım modellerinde bilgi ölçütleri ve saçılım parametresi izlenir. Yalnızca tek bir metrik değil, çoklu gösterge seti birlikte değerlendirilmelidir. Sonuçların pratik etkisi (etki büyüklüğü, marjinal etkiler) karar diline çevrilmelidir.

19) Marjinal Etkiler, Kısmi Bağımlılık ve Politikaya Çeviri

Özellikle doğrusal olmayan ve lojistik modellerde marjinal etkiler (ME) ve kısmi bağımlılık grafikleri ilişkileri karar vericilerin anlayacağı dile indirger. “Çalışma süresi 30→60 dakikaya çıkarılırsa geçme olasılığı %12 artıyor” gibi ifadeler politika metinlerinde güçlüdür.

20) Replikasyon, Ön Kayıt ve Raporlama Standartları

Regresyon sonuçları replike edilebilir olmalı: kod/veri paylaşımı (mümkünse), ön kayıt (hipotez, değişken setleri, analitik karar kuralları), şeffaf raporlama. APA ve alan içi dergi kılavuzlarına uygun tablo ve figür düzenleri benimsenmelidir.

Raporlama kalıbı (kısaltılmış):
“Çoklu regresyonda varsayımlar artık diyagnostikleriyle incelendi; heteroskedastisite için HC3 robust SH raporlandı. Model: R²=0.34 (Düzeltilmiş R²=0.31), F(5, 214)=22.6, p<0.001. X1 ve X3 anlamlı (p<0.01), VIF<3.”

21) Uçtan Uca Uygulama Senaryosu: Eğitimde Başarı Tahmini

Bağlam: 8. sınıf öğrencilerinde yıl sonu İngilizce başarı puanı (Y) tahminleniyor.
Aşamalar:

1. Değişkenler: Kelime bilgisi (X1), paragraf çözme hızı (X2), günlük çalışma süresi (X3), devamsızlık (X4), sınıf düzeyi (X5—dummy).

2. Ön analiz: Eksik veri %5 → çoklu atama; aykırı değerler winsorize.

3. Varsayımlar: Artık–uyarlanmış grafikte hafif heteroskedastisite → HC3 robust SH.

4. Multicollinearity: VIF<2.

5. Model: Çoklu doğrusal + etkileşim X3×X5.

6. Sonuç: R²=0.38; X1 (β=0.35, p<0.001), X2 (β=0.22, p=0.004) ve etkileşim (β=0.11, p=0.028) anlamlı.

7. Yorum: Kelime ve hız güçlü belirleyiciler; çalışma süresi üst sınıflarda daha verimli.

8. Politika: Üst sınıflar için yoğunlaştırılmış çalışma blokları + kelime programı.

22) Sağlık Bilimlerinde Uygulama: Başvuru Olasılığı (Lojistik)

Bağlam: Klinik danışmanlık hizmetine başvuru (1/0) tahmini; X: yaş, semptom şiddeti, bilgilendirme müdahalesi (0/1).
Sonuç: Müdahale OR=1.8 (95% GA: 1.3–2.6), AUC=0.74.
Yorum: Müdahale başvuru olasılığını anlamlı ve pratik açıdan önemli ölçüde artırıyor; bilgilendirmenin kapsamı genişletilmeli.

23) Sosyal Bilimlerde Panel: Okullar Arası Etki

Bağlam: 4 yıl boyunca 30 okulun sınav ortalamaları.
Model: Sabit etkiler (okul sabitleri), yıl kuklaları; robust SH.
Sonuç: Yıl-3 reformu sonrası ortalamalar +4.5 puan (p<0.01).
Yorum: Reform etkisi okul sabitlerini kontrol ettikten sonra bile kalıcı; izleyen yıllarda sürdürülebilirlik izlenmeli.

24) Zaman Serisinde Müdahale Analizi

Bağlam: 36 ay boyunca uygulanan okuma kampanyası.
Model: ARIMAX (müdahale kuklası + mevsimsellik).
Sonuç: Kampanya döneminde ortalama +1.2 sd artış (p<0.05).
Yorum: Etki mevsimsel dalgalanmalardan arındırılmış; devam kararı maliyet–fayda analizine bağlanmalı.

25) İleri Raporlama: Belirsizlik ve Etkiyi Görselleştirme

Katsayılar orman grafikleri ile GA’larıyla; etkileşimler marjinal etki grafikleri ile; model uyumu artık diyagnostik grafikleri ile sunulmalıdır. Metin içinde kısa, tabloda tam; ek dosyada kod ve veri erişimi prensibi benimsenmelidir.

Sonuç

Regresyon analizi, akademik dünyada ilişkileri nicelleştirmek, tahmin yapmak ve kararları desteklemek için vazgeçilmezdir. Başarılı bir uygulama; teorik temellendirme, uygun model seçimi, varsayım ve tanılama disiplinine sadakat ve genellenebilirlik odaklı doğrulama stratejileri gerektirir. Basit doğrusal modeller, kavrayış için güçlü bir başlangıç sunarken; lojistik, sayım, zaman serisi, panel, robust ve düzenlileştirilmiş yaklaşımlar, veri yapısı ve araştırma sorusuna uyumlu olarak analiz ufkunu genişletir. Çoklu doğrusal bağlantının yönetimi, etkileşimlerin yorumlanması, doğrusal olmayan ilişkilerin yakalanması ve eksik/aykırı verinin bilimsel biçimde ele alınması; hem istatistiksel geçerlik hem de uygulama değeri açısından kritik adımlardır. Sonuçların; etki büyüklükleri, güven aralıkları, marjinal etkiler ve görselleştirmeler ile açık ve tekrarlanabilir biçimde raporlanması, regresyon analizini p-değerlerinin ötesine taşır.

Son kertede, iyi bir regresyon analizi sadece “hangi değişken anlamlı?” sorusunu yanıtlamaz; hangi koşullarda, hangi büyüklükte, hangi belirsizlikle ve hangi pratik sonuçla etkili olduğunu ortaya koyar. Bu yaklaşım, gerek eğitimde öğrenme çıktılarının, gerek sağlıkta müdahale etkilerinin, gerekse sosyal politika programlarının daha sağlam kanıtlarla tasarlanmasına ve değerlendirilmesine zemin hazırlar. Akademik çalışmalarda regresyon analizi; doğru kurulduğunda, titizlikle sınandığında ve şeffaf biçimde raporlandığında, araştırmanın bilimsel katkısını ve sahadaki faydasını en üst düzeye çıkarır.

Akademi Delisi, eğitim ve akademik destek alanında kapsamlı hizmetler sunan öncü bir platformdur. Öğrencilerin akademik başarılarına yön verirken, onları bilgiyle buluşturmayı ve potansiyellerini en üst düzeye çıkarmayı amaç edinmiş bir ekibiz. Sitemiz bünyesinde ödevlerden projelere, tezlerden makalelere kadar geniş bir yelpazede destek sağlıyoruz. Alanında uzman yazarlarımız, öğrencilere özgün içerikler sunarken, aynı zamanda onlara araştırma, analiz ve yazım konularında rehberlik ederek kendilerini geliştirmelerine yardımcı oluyor.
Akademik hayatın zorluklarıyla başa çıkmak artık daha kolay. Akademi Delisi olarak, öğrencilere sadece ödevlerinde değil, aynı zamanda araştırma projelerinde, tez çalışmalarında ve diğer akademik gereksinimlerinde de destek sağlıyoruz. Sunduğumuz kaliteli hizmetler sayesinde öğrenciler zamanlarını daha verimli bir şekilde kullanabilirler. Uzman ekibimiz, her bir öğrencinin ihtiyaçlarına özel çözümler üreterek, onların akademik hedeflerine ulaşmalarına katkı sağlar.
Gelişmiş kaynaklara erişimden akademik yazım kurallarına, araştırma yöntemlerinden kaynakça oluşturmaya kadar her aşamada öğrencilere destek sunan Akademi Delisi, eğitimde yeni bir perspektif sunuyor. Amacımız, öğrencilere sadece geçici çözümler değil, aynı zamanda uzun vadeli öğrenme ve başarıya giden yolda rehberlik etmektir.

The post Akademik Çalışmalarda Regresyon Analizi Yöntemleri first appeared on Akademi Delisi (Tez Yaptırma).

Genç suçluların uyuşturucu kullanımına yönelik tutumlarının üç zaman noktasındaki farklılıkları değerlendirmek için  tekrarlanan bir ANOVA ölçümü uygulandı. Analiz, verilerin normal dağılmasını gerektiren, denek içi değişkenin seviyeleri arasında homojen varyansa sahip olan ve bağımsız gözlemleri temsil eden Genel Doğrusal Model içinde gerçekleştirilmiştir. Ancak, aynı vakaların birden çok veri noktasına katkıda bulunması nedeniyle, tekrarlanan ölçüm analizlerinde bağımsızlık varsayımı otomatik olarak ihlal edilir; bu nedenle, herhangi bir bireysel farklılık olduğu ölçüde, herhangi bir vaka içindeki puanlar, vakalar arasındaki puanlardan daha fazla ilişkili (ilişkili) olacaktır.

IBM SPSS®’nin Doğrusal Karma Modeller modülünde, her bir bireysel duruma bağlı puanlar arasındaki korelasyonların dikkate alınabilmesi için bağımsız gözlemler varsayımının yapılması gerekli değildir. Ayrıca Lineer Karışık Modeller daha uyumludur.

Örneğin, tekrarlanan ölçümler için Genel Doğrusal Model prosedürü, katılımcıların sabit zaman noktalarında (örneğin, her hafta), tüm vakalar hakkında eksiksiz verilere sahip olduğumuzu ve tüm vakaların aynı zaman noktalarında (örneğin, program her ay belirli bir zamanda ölçüm yapılmasını gerektiriyorsa, bazı katılımcılar için 6 haftalık aralıklarla gözlem yapılamaz); Doğrusal Karışık Modeller bu kısıtlamalara karşı dayanıklıdır.

Genel Doğrusal Modelde, tüm katılımcıların aynı kesişme noktasına (başlangıç ​​puanı) ve eğime (zaman içinde puanlardaki değişiklikler) sahip olması anlamında bireysel farklılıkların sabit etkiler olduğu varsayılır. Doğrusal Karma Modellerde, bireysel farklılıklar, kesişimleri ve eğimlerinde farklılık gösterebilecekleri durumlarda rastgele bir etki olarak ele alınır; değişkenin bu şekilde ele alınması, verilerin daha iyi bir modelini sağlama eğilimindedir.

Doğrusal Karışık Modeller yaklaşımı, alternatif varyans/kovaryans yapılarına izin verirken, Genel Doğrusal Model prosedürü yalnızca bir Bileşik Simetri yapısı kullanır; alternatif varyans/kovaryans yapıları, Doğrusal Karışık Modeller yaklaşımının Genel Doğrusal Model prosedüründen istatistiksel olarak daha güçlü olmasına yol açabilir.

Doğrusal regresyon modeli
Basit doğrusal regresyon
Çoklu doğrusal regresyon modeli
Doğrusal regresyon formülü
Basit doğrusal regresyon örnek
Regresyon modelleri
Basit doğrusal regresyon varsayımları
Klasik doğrusal regresyon modeli Varsayımları

Varyans/kovaryans yapısı, R matrisi olarak bilinen yapıda bulunur. Seçenekler iletişim penceresinde Artık SSCP matrisini talep ederek açıklanan analiz için böyle bir matris oluşturduk. Artık SSCP matrisinin mevcut tartışmamızla ilgili kısmı, gösterilen tablonun ana Kovaryans satırında (orta satır) sunulmaktadır. Böyle bir matris, ölçülerin varyanslarını köşegen üzerine yerleştirir. En büyük varyans ön testteydi (9.618). Bunu takiben, sontest2’de hafif bir artışla birlikte, sontest1’de (4.364) bir azalma oldu.

Köşegen dışındaki girdiler (üst ve alt elemanlar gereksizdir) kovaryanslardır. Kovaryanslar korelasyonlara benzer ancak hesaplamada orijinal ölçüm birimlerini kullanır; yani ±1.00 arasında değerler üretecek şekilde standartlaştırılmamıştır.

Gösterilen kovaryanslar incelendiğinde, en büyük kovaryansın ön test ve son test1 (3.845) arasında gerçekleştiği, bunu son test1 ve son test2 (2.982) ve en küçük kovaryansın ön test ve son test2 (2.073) arasında gerçekleştiği görülmektedir. Ön testten sonra kovaryansların küçüldüğü görülmektedir; zaman noktaları arasındaki aralıklar arttıkça kovaryansların azaldığı görülmektedir.

R matrisinin yapısı, tekrarlanan ölçüm analizi için esastır. Doğrusal Karışık Modeller prosedürünün amacı, gözlemlenen R matrisine en iyi uyan bir R matrisi uygulamaktır (yani, iki matris arasındaki farklar en aza indirilir). Genel Lineer Model yaklaşımında, R matrisi verilere empoze edilirken Lineer Karışık Modeller alternatif R matrislerinin çağrılmasına izin verir. Doğru bir R matrisi elde etmek, denek içi faktör seviyeleri arasındaki geçerli karşıtlıkları hesaplamak için esastır.

Genel Lineer Model Tekrarlanan Ölçümler ANOVA’da, gözlemlenen R matrisi Bileşik Simetri R matrisi ile karşılaştırılır; Küresellik varsayımı (yani, her seviye arasındaki varyanslar ve korelasyonlar eşdeğerdir) Genel Lineer Model ANOVA prosedüründe bu şekilde test edilir. Bileşik Simetri, üç varyansın her birinin eşit olmasını ve üç kovaryansın (korelasyonların) aynı şekilde eşit olmasını zorunlu kılar.

R matrisinde altı parametre (üç varyans ve üç kovaryans) olmasına rağmen, Bileşik Simetri kovaryans yapısının sadece ikisini (varyans ve kovaryans) tahmin etmesi gerekir, çünkü her üç sette (varyanslar ve kovaryanslar) önerildiği gibi. ), değerler eşittir ve bu ona nispeten daha fazla istatistiksel güç sağlar. Bununla birlikte, Bileşik Simetri R matrisi, genellikle çok gerçekçi değildir ve Genel Lineer Model ANOVA’daki küresellik varsayımı, onunla ilişkili istatistiksel güç nedeniyle sıklıkla ihlal edilir.

Genel Doğrusal Model yaklaşımındaki ANOVA prosedürüne bir alternatif, otomatik olarak raporlanan çok değişkenli tekniktir. Bu yaklaşım, elemanların varyansları ve kovaryansları ile ilgili herhangi bir varsayımın olmadığı, Yapılandırılmamış R matrisini kullanır.

Bununla birlikte, Yapılandırılmamış matris son derece karmaşıktır çünkü varyansların ve kovaryansların her zaman noktasında tahmin edilmesi gerekir (bu örnekte, Bileşik Simetri matrisindeki yalnızca iki parametrenin aksine toplam altı parametre için üç varyans ve üç kovaryans ). Bu ek parametrelerin dahil edilmesi istatistiksel gücü azaltır. Araştırmacılar R matrisini belirleyemiyorsa, yapılandırılmamış matris uygulanabilir.

Hem Bileşik Simetriye hem de Yapılandırılmamış matrislere bir alternatif – ikisi arasında uygulanabilir ve makul bir orta yol – varyansların homojen (yani eşdeğer) veya heterojen (yani farklı) olduğunu varsaymak, ancak ilk zaman noktasına göre her ardışık ölçüm, her ardışık zaman noktasında zayıflayacaktır.

Zaman içindeki bu zayıflama (komşu çiftler arasındaki kovaryanslar—korelasyonlar—zaman noktaları boyunca azalır), birinci dereceden otoregresif kovaryans yapısı tarafından değerlendirilir. Burada, varyansların homojenliğini varsayan otoregresif kovaryans yapısının varyantını kullanıyoruz. Bileşik Simetri kovaryans yapısından daha az istatistiksel güce sahiptir, ancak gösterilenler de dahil olmak üzere bu tür veri yapılarının çoğunluğu arasında belki de en açıklayıcı yaklaşımdır.

SAYISAL ÖRNEK

Kullandığımız uyuşturucu rehabilitasyon adlı dosyada yer alan verileri kullanıyoruz. Toplam 11 genç suçlu, program başlamadan önce (ön test), 2 haftalık programı tamamladıktan sonra (son test1) ve programın tamamlanmasından 1 ay sonra (son test 2) uyuşturucu kullanımına karşı tutumları açısından değerlendirildi. Tutum ölçeğindeki puanlar 5 ile 20 arasında değişebilir ve yüksek puanlar uyuşturucu kullanımına karşı daha olumlu tutumları temsil eder.

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

Basit regresyon analizi için gereken tüm istatistikler tek bir prosedürde elde edilir. Ölüm oranları ile radyoaktif maddelere maruz kalma arasındaki ilişkiyi incelemek için “cancer.sav” veri setini kullanarak bu prosedürü göstereceğiz.

“cancer.sav” veri dosyasını açtıktan sonra, bir regresyon analizi için adımlar şunlardır:

(1) Menü çubuğunda İstatistikler’e tıklayın.
(2) Açılır menüden Regresyon’a tıklayın.
(3) Regresyon iletişim kutusunu açmak için Doğrusal’a tıklayın.
(4) Bağımlı değişkeniniz (“mortalit”) olan değişkene tıklayın ve ardından değişken adını bağımlı değişken kutusuna taşımak için sağ ok düğmesine tıklayın.
(5) Bağımsız değişkeniniz (“expose”) olan değişkene tıklayın ve ardından değişken adını bağımsız(lar) değişken kutusuna taşımak için sağ ok düğmesine tıklayın.
(6) Tamam’a tıklayın.

İsteğe bağlı bir sonuç da yararlıdır, yani regresyon çizgisinin eğimi için bir güven aralığı. %95’lik bir aralık elde etmek için yukarıdaki 1-5 arasındaki adımları izleyin ve ardından:

(1) Regresyon: İstatistikler iletişim kutusunu açmak için İstatistikler’e tıklayın.
(2) Regresyon Katsayıları kutusunda Güven Aralıkları’na tıklayın.
(3) Devam’a tıklayın.
(4) Tamam’a tıklayın.

Regresyon Denklemini Tahmin Etme

Regresyon çizgisinin kesişme ve eğiminin en küçük kareler tahminleri, çıktının orta kısmında “Denklemdeki Değişkenler” başlığı altında görüntülenir. “B” başlıklı sütunda iki değer listelenmiştir; bunlar, birkaç ondalık basamakla hesaplanan, sırasıyla, regresyon ağırlığı (9.23) ve kesişme noktasıdır (114.72). En küçük kareler doğrusu denklemi böylece y = 114.72 + 9.23x olur. (SPSS’nin saçılım grafiğine regresyon çizgisini eklemesi için talimatlar daha sonraki bir bölümde verilmiştir.)

SPSS ayrıca çıktıda Beta etiketli “standartlaştırılmış regresyon ağırlığı” olarak adlandırılan bir (3 formu yazdırır. Ders kitabında tartışılmamasına rağmen, standartlaştırılmış ağırlık, y’deki bir standart sapma değişikliğiyle ilişkili standart sapmaların sayısıdır. 

Bu nedenle, bu örnekte, maruziyetteki bir standart sapma artışı, kanser ölüm oranındaki 0.93 standart sapma artışıyla ilişkilidir – büyük bir etki. x ve y birimleri tanıdık olduğunda – örneğin, gelir, bekleme süresi, vücut ağırlığı – standartlaştırılmamış (“ham”) katsayı kolayca yorumlanır. Ölçekler daha az bilinen birimlerde olduğunda – örneğin, psikolojik test puanları – standartlaştırılmış ağırlık, x ile y arasındaki ilişkiyi ifade etmenin uygun bir yoludur.

Güven Aralığı seçeneği, çıktıda biri eğim ve diğeri kesişim için olmak üzere iki %95 aralık üretti. Eğim aralığı, maruziyetteki bir birimlik artışın ölüm oranındaki artışla 100.000 kişi yılı başına en az 5.88 ölüm ve belki de 12.59 kadar ek ölümle ilişkili olduğundan %95 emin olduğumuzu gösterir. Bu değerler, önceden seçilmiş güven aralığını vermek için gereken standart hatanın bir katını 9.23’e ekleyip çıkararak elde edildi. Bu örnekte, standart hataI 1.42’dir ve 7 serbestlik dereceli t dağılımından çarpan 2.37’dir.

Basit doğrusal regresyon
Çoklu regresyon analizi örnekleri
Regresyon analizi Örnekleri
Basit regresyon analizi örnek
Regresyon analizi
Basit doğrusal Regresyon hesaplama
Regresyon denklemi
SPSS regresyon analizi

Önem Testi

Ho: (3 = 0 ve HI: (3 ;J!! 0) hipotezlerinin bir testi regresyon çıktısının alt kısmında verilmiştir (Şekil 15.3).t-istatistiği t = 9.23/1.418 = 6.507’dir. çıktıda Sig T altında listelenen değer .0003’tür. Bu, herhangi bir makul değerden (örneğin, .05 veya .01 veya hatta .001) küçük olduğundan, Ho reddedilir, sıfırdan farklı (pozitif) bir ilişki vardır Bu örnekle temsil edilen ilçelerin popülasyonunda maruz kalma ve kanser ölüm oranı arasındaki ilişki.

Bu çalışmanın başlangıcında, araştırmacıların pozitif bir ilişkinin bulunabileceğine inanmak için nedenleri vardı. Bu nedenle, Ho: (3 :S 0 ve HI: (3 > O) ile tek kuyruklu bir test uygun olurdu. SPSS tarafından yazdırılan P değeri iki kuyruklu bir test içindir. taraflı alternatif, P/2 a’dan küçük olmalı ve regresyon ağırlığının işareti HI ile tutarlı olmalıdır.Bu örnekte her iki koşul da karşılanır ve Ho reddedilir.

ofx ve y ilişkisinin gücü

Korelasyon katsayısı, bağımsız ve bağımlı değişken arasındaki ilişkinin gücünün sayısal bir indeksini sağlar.2 SPSS’deki regresyon prosedürü, korelasyonu doğrudan hesaplamaz ve bu nedenle korelasyon çıktısına atıfta bulunulması tavsiye edilir (Şekil 15.1). Bu örnek için, 0,926 değeri, maksimum 1 değerine göre hem pozitif hem de büyüktür.

Korelasyonun karesi (0.9262 = 0.858), y’deki x’e atfedilebilen varyasyon oranıdır; yani kanser mortalitesindeki varyasyonun %85,8’i radyasyona maruz kalmaya atfedilebilir. Açıkçası bu çok güçlü bir birliktelik.

Bu istatistikler, bir tahmin değişkeni ile regresyon analizindeki fazlalık nedeniyle, regresyon çıktısında dolaylı olarak mevcuttur. İlk olarak, çıktının üst kısmı R Karesini listeler. Bu, “çoklu korelasyon” olarak adlandırılan istatistiğin karesi olmasına rağmen, basit regresyonda korelasyon katsayısının karesine eşittir, yani r2 = 0.858.

Çıktıda Multiple R olarak etiketlenen sonuç, çoklu korelasyonun kendisidir. Mutlak değeri r ile aynıdır, ancak ders kitabında tartışılan bağıntılardan farklı olarak, çoklu bağıntı her zaman pozitiftir. Veri analisti, çoklu korelasyonun ilişki yönünü göstermediğini hatırlamalıdır! İkincisi, çıktıyı ayrıntılı olarak incelediyseniz, standartlaştırılmış regresyon ağırlığının (Beta = 0.926) da korelasyona eşit olduğunu fark etmiş olabilirsiniz.

Bu iki istatistik, bir bağımsız değişken (x) ile regresyon analizinde cebirsel olarak aynıdır; analizde birden fazla x değişkeni olduğunda bunlar eşdeğer değildir.

Çıktı ayrıca, çoklu korelasyon hakkındaki bilgilerin altında bulunan Varyans Analizi etiketli bir tablo içerir. Regresyon (8309.56) olarak adlandırılan karelerin toplamı, Denklem 15.7 ders kitabının payına karşılık gelir. Artık (1373.95) olarak etiketlenen karelerin toplamı, tahmin edilen değerler ile y’nin gerçek değerleri arasındaki kare farklarının toplamı, yani regresyon çizgisi etrafındaki verilerin kare sapmalarının toplamıdır.

Bunlar, Varyasyon oranı istatistiğini, r2’yi vermek için Denklem 15.7’ye göre birleştirilir. Serbestlik derecesi (7) sayısına bölünen kalan kareler toplamı, Ortalama Kareler etiketli sütunda 196,28 olan artıkların varyansıdır. Bu değerin karekökü 14.01, Sy.x tahmininin standart hatasıdır.

Korelasyon için Önem Testi

Korelasyon çıktısı ayrıca Ho: P = 0 ve HI: P -# O hipotezleri ile korelasyon katsayısının bir testini içerir. t-istatistiği (yazdırılmamış) ‘dir. Bunun yerine, bu istatistiği 7 serbestlik dereceli t dağılımına atıfta bulunarak elde edilen bir P değeri verilir. P çok küçük olduğundan, Ho herhangi bir makul anlamlılık düzeyinde (a) reddedilir. Tek kuyruklu bir test gerekliyse, Ho’nun reddedilebilmesi için P/2’nin a’dan küçük olması ve örnek korelasyonunun HI tarafından belirtilen yönde olması gerekir.

Dikkatli okuyucu, bu t-değerinin ve P’nin, regresyon ağırlığının önemini test etmek için kullanılanlarla aynı olduğunu fark edebilir. Bir çalışmada yalnızca bir sayısal bağımsız değişken ve bir sayısal bağımlı değişken varsa, regresyon katsayısı ve korelasyon katsayısı aynı işarete (+ veya -) sahiptir ve anlamlılık testleri aynıdır.

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

Bu oturumda aşağıdakileri yapmayı öğreneceksiniz:

• Basit, iki değişkenli bir doğrusal regresyon analizi gerçekleştirin
• Doğrusal bir regresyon modelinin uyum iyiliğini değerlendirin
• İki kişi arasındaki ilişkiyle ilgili hipotezleri test edin.
nicel değişkenler

Doğrusal İlişkiler

İstatistiksel analizin en ilginç sorularından bazıları, iki değişken arasındaki ilişkiler etrafında döner. Otoyolları daha fazla araba paylaştıkça bir eyalette daha kaç trafik ölümü meydana gelecek? Nüfus 1000 kişi artarsa ​​bölgesel su tüketimi ne kadar artar?

Bu örneklerin her birinde iki ortak unsur vardır: bir çift nicel değişken (örneğin, su tüketimi ve nüfus) ve iki değişkenin ilişkili olduğunu beklemek için teorik bir nedendir. Doğrusal regresyon analizi, birkaç önemli uygulamaya sahip bir araçtır.

Birincisi, iki sayısal değişken arasındaki ilişkiyle ilgili hipotezleri test etmenin bir yoludur. İkincisi, böyle bir ilişkinin özel doğasını tahmin etmenin bir yoludur. “Su tüketimi ve nüfus ilişkili mi?” diye sormanın ötesinde. regresyon, bunların nasıl ilişkili olduğunu sormamızı sağlar. Üçüncüsü, diğer değişkeni biliyorsak veya tahmin edebiliyorsak, bir değişkenin değerlerini tahmin etmemizi sağlar.

İlk örnek olarak, tüketim ve gelir arasındaki klasik ekonomik ilişkiyi ele alalım. Her ek dolar gelir, bir kişinin daha fazla harcamasını (tüketmesini) sağlar. Gelir arttıkça tüketimin de artmasını bekliyoruz. Amerika Birleşik Devletleri’ndeki tüm bireylerin uzun bir süre boyunca toplam gelir ve tüketimine bakarak başlayalım.

ABD veri dosyasını açın. Bu dosya 1965–2006 yılları için farklı ekonomik ve demografik değişkenleri içermektedir. Birleşik Devletler’deki herkes için sırasıyla toplam harcamayı ve toplam geliri temsil eden Toplam kişisel tüketimi [persin] ve Toplam kişisel geliri [persinc] inceleyeceğiz.

Gelir ve tüketim arasında bir ilişki olduğunu varsayacak olsaydık, bu olumlu olurdu: Bir ulus olarak ne kadar çok kazanırsak, o kadar çok harcayabiliriz. Resmi olarak, ilişkinin teorik modeli şöyle görünebilir.

Eğer x ve y gerçekten pozitif bir doğrusal ilişkiye sahipse, β1 pozitif bir sayıdır. Aralarında negatif bir ilişki varsa, β1 negatif bir sayıdır. Aralarında hiçbir ilişki yoksa, β1 sıfırdır.

Doğrusal regresyon formülü
Çoklu doğrusal regresyon Nedir
Basit doğrusal regresyon örnek
Basit doğrusal regresyon
Lineer Regresyon formülü
Doğrusal regresyon modelini eğitmek için hangi fonksiyon kullanılır
Doğrusal REGRESYON MODELİNE MATRİS YAKLAŞIMI
Lojistik regresyon

İlk önce, iki değişkenin bir dağılım grafiğini oluşturalım. Teorimiz, tüketimin gelire bağlı olduğunu söylüyor. Regresyon analizi dilinde, tüketim bağımlı değişken, gelir ise bağımsız değişkendir. Bağımlı değişkeni y eksenine ve bağımsız değişkeni x eksenine çizmek gelenekseldir.

Grafikler Grafik Oluşturucu… y ekseni değişkeninin Toplam kişisel tüketim [persin] ve x ekseni değişkeninin Toplam kişisel gelir [persinc] olduğu bir dağılım grafiği oluşturun. Tamam’ı tıklayın.

Ortaya çıkan çizime (ön sayfaya) baktığınızda, noktaların neredeyse mükemmel bir düz çizgiye düştüğünü görebilirsiniz. Bu, belirgin pozitif veya doğrudan ilişkinin bir örneğidir ve doğrusal bir ilişkinin nasıl göründüğüne dair iyi bir örnektir.

Doğrunun pozitif veya yukarı doğru eğimi olduğu için buna pozitif ilişki denir. “Doğrusal ilişki” ifadesinin bir yorumu, basitçe x ve y’nin grafiği çizildiğinde bir çizgi oluşturduğudur. Ama bu gerçek dünya terimleriyle ne anlama geliyor? Bu, x’in her bir birim arttığında y’nin sabit bir miktarda değiştiği anlamına gelir.

Bu grafikte, noktalar neredeyse mükemmel bir çizgi oluşturur. Regresyon prosedürü, noktalardan oluşan modeli tanımlamaya en yakın olan doğrunun denklemini tahmin edecektir.

Regresyonu Analiz Edin Doğrusal… Bağımlı değişken tüketim, Bağımsız değişken ise gelirdir.

Görüntüleyici pencerenize bakın. Regresyon çıktısı dört bölümden oluşur: regresyon denklemindeki değişkenler tablosu, model özeti, ANOVA tablosu ve katsayılar tablosu. Metniniz bu kısımların bazılarını veya tamamını ayrıntılı olarak ele alabilir; Bu tartışmada, çıktının bölümlerine odaklanarak bunları birer birer ele alacağız. Zamanı gelince, tüm sonuçları açıklayacağız.

Bir bağımlı değişkendeki değişimi açıklayan veya tahmin eden bir model olarak bir regresyon denklemi düşüneceğiz. Girilen/Kaldırılan Değişkenler tablosu, modeldeki bağımsız değişkeni listeler. Daha sonra göreceğimiz gibi, birkaç bağımsız değişkene sahip olmak mümkündür ve bu değişkenlerin farklı kombinasyonlarını içeren regresyon modellerini incelemek isteyebiliriz.

Bu nedenle SPSS, bir modele “girilmiş” veya modelden “çıkarılmış” değişkenlere atıfta bulunur ve tek bir analiz içinde birkaç model olma olasılığını tahmin eder. Bu örnekte yalnızca bir değişken vardır: toplam kişisel tüketim.

En küçük kareler tahmini yöntemiyle2 regresyon prosedürünün bize noktalara diğerlerinden daha iyi uyan doğruyu verdiğini biliyoruz. Bu uyumun ne kadar “iyi” olduğunu sorabiliriz. “En uygun” çizginin özellikle noktalara hiç yakın olmadığı durum olabilir.

Regresyon çıktısının ikinci standart kısmı olan Model Özeti, “uyum iyiliğini” ölçen bir istatistiği rapor eder. İstatistik, r2 sembolü ile temsil edilen belirleme katsayısı olarak adlandırılır. Burada da bildirilen, korelasyon katsayısı olan r’nin karesidir. Ekranınızda R Square’i bulun. Şimdilik, Düzeltilmiş R Karesini görmezden gelin; çoklu regresyonda kullanılır ve Oturum 17’de tartışılır.

r2, 0.000 ile 1.000 arasında değişebilir ve doğrunun noktalara ne ölçüde uyduğunu gösterir; 1.000, her nokta doğru üzerinde olacak şekilde mükemmel bir uyumdur. r2 değeri ne kadar yüksekse o kadar iyidir. Bu örnekte, gelirdeki değişikliklerin tüketimdeki değişimin %99,8’ini oluşturduğunu görebiliriz.

Çıktıdaki bir sonraki öğe bir ANOVA tablosudur. Bunu daha önceki oturumlardan anlamanız ve ANOVA sonuçlarını yorumlamadan önce belirli varsayımların yerine getirilmesi gerektiğini hatırlamanız gerekir. Regresyon analiziyle ilgili varsayımlar 16. Oturumda tam olarak ele alınmaktadır. Tartışmanın bu noktasında, varsayımlar karşılandığında tablonun nasıl kullanıldığına odaklanacağız.
x ve y ilişkisiz olsaydı, varsayımsal regresyon doğrusunun eğiminin 0 olacağını hatırlayın.

Örnek verilerle bir regresyon analizi yaptığımızda, tahmini bir eğim hesaplarız. Tipik olarak, bu eğim sıfır değildir. Tahmini eğimin, eldeki belirli örneğin bir sonucu olduğunu bilmek çok önemlidir. Bu nedenle, tahmini eğimimiz örnekleme hatasına tabidir ve hipotez testi için bir konudur.

Bu durumda, test edilen boş hipotez, gerçek eğim β1’in 0’a eşit olmasıdır. Burada, 20.000’i aşan bir F istatistiği ve 0’lık bir anlamlılık düzeyi ile, boş değeri reddederiz.

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

ÖRNEĞİMİZİN KISA AÇIKLAMASI

Varsayımsal sayısal örneğimizde, araştırmacılar, okul yılı boyunca üç farklı matematik eğitim programından birine maruz kalan belirli bir sınıftaki otuz altı okul çocuğuna matematik kelime problemleri testi uyguladılar. Grup 1’deki (Geleneksel) çocuklar, okul bölgesinde onlarca yıldır geleneksel müfredat kapsamında matematiği öğrendi.

Grup 2’deki (Serbest Biçim) çocukların matematik seansları sırasında materyalle istedikleri şekilde etkileşime girmelerine izin verildi; öğretmen her zaman bir kaynak olarak mevcuttu. Grup 3’teki (Yazılım) çocuklar, yerel üniversiteden öğretim üyeleri ve öğrencilerden oluşan bir ekip tarafından geliştirilen matematik eğitim yazılımı aracılığıyla matematiği öğrendi; yine, öğretmen bir kaynak olarak mevcuttu.

Bağımlı değişken, test için ayrılan saatte doğru cevaplanan matematik kelime problemlerinin sayısıydı. Sözel yeteneğin bu çalışmada ortak değişken olarak kullanılması gerektiğini varsayan araştırmacılar, matematik testinden birkaç gün önce çocuklara sözel yeterlilik testi uyguladılar.

Bu çalışma için SPSS veri dosyası Şekil 16.2’de gösterilmiştir. Subid isimli değişken bizim katılımcı tanımlama kodumuzdur. Grup değişkeni, çocukların maruz kaldığı eğitim programının türünü temsil eder; 1, 2 ve 3 kodları sırasıyla Geleneksel, Serbest Biçim ve Yazılım anlamına gelir.

Math_dv adlı değişken, doğru şekilde çözülen matematik kelime problemlerinin sayısını gösterir; Bunun bağımlı değişken olduğunu hatırlamanıza yardımcı olması için adın sonundaki dv harflerini kullandık. fiil_cov adlı değişken, sözel yeterlilik testindeki puanı belirtir (yüksek puanlar daha fazla sözel yeterliliği gösterir); Bu değişkenin ortak değişken olarak kullanıldığını hatırlamanıza yardımcı olması için adın sonundaki cov harflerini kullandık.

VERİ ANALİZ STRATEJİMİZ

Bu sayısal örnek için veri analizini önce SPSS, sonra SAS kullanarak, yer kazanmak adına el hesaplamalarını yaparak gerçekleştireceğiz. Analiz şu şekilde ilerleyecektir:

• İlk olarak, bağımsız değişken olarak group ve bağımlı değişken olarak math_dv’yi kullanarak basitleştirilmiş ANOVA tasarımını çalıştıracağız. Bu, kovaryans analizi için, analizdeki ortak değişken olmadan ne elde edeceğimizi bize gösterecek bir bağlam oluşturacaktır.
• İkinci olarak, kovaryans analizine hazırlık olarak, doğrusallık ve regresyonun homojenliği varsayımlarının karşılandığından emin olmak için verileri değerlendireceğiz.
• Üçüncü olarak, bağımsız değişken olarak grubu, bağımlı değişken olarak matematik_dv’yi ve ortak değişken olarak fiil_cov’u kullanarak ANCOVA’yı gerçekleştireceğiz.

Regresyon tablosu
Regresyon analizi
Regresyon analizi pdf
Regresyon analizi makale
Regresyon analizi yorumlama
Regresyon Analizi ders notları
Basit doğrusal regresyon
Regresyon Analizi soru ve CEVAPLARI

ANOVA’NIN SPSS’DE YAPILMASI

Ana SPSS menüsünden Analiz Et ➜ Genel Doğrusal Model ➜ Tek Değişken’i seçin. Bu yolu seçmek Şekil 16.3’te gösterilen diyalog penceresini açacaktır. Sabit faktör olarak grup ve bağımlı değişken olarak matematik_dv ile yapılandırdık. Bu analizde ilgilenilen tek bilgi grubun ana etkisi olduğundan, temel ANOVA’yı çalıştırmak için Tamam’a tıklıyoruz.

ANOVA’nın özet tablosu Şekil 16.4’te gösterilmektedir. Çıktıdan da anlaşılacağı gibi, grupla ilişkili F oranı istatistiksel olarak anlamlı değildir. Sadece bu bilgilere dayanarak, eğitimsel eğitim programlarının matematik kelime problem çözmeyi öğretmedeki etkinlikleri açısından genellikle farklılık göstermediği sonucuna varılacaktır; yani, üç grubun ortalamaları arasında anlamlı bir fark yoktur.

SPSS’DE ANCOVA VARSAYIMLARININ DEĞERLENDİRİLMESİ

REGRESYON DOĞRUSALLIĞI

Değerlendireceğimiz ilk varsayım, regresyonun doğrusallığıdır. Buradaki amaç, ortak değişkenin (sözlü yeterlilik) ve bağımlı değişkenin (doğru çözülen matematik problemlerinin sayısı) dağılım grafiğini görüntülemektir. Bu iki değişken arasındaki ilişkinin doğrusal olduğunu belirlersek, regresyonun doğrusallığı varsayımı karşılanmış olacaktır.

Ana SPSS menüsünden Graphs ➜ Legacy Dialogs ➜ Interactive ➜ Scatterplot öğesini seçin. Bu yolu seçmek Şekil 16.5’te gösterilen diyalog penceresini açacaktır. Pencere, Değişkenleri Ata sekmesinde açılır. Math_dv’yi dikey ok üzerinde bulunan y Ekseni paneline sürükleyin (bağımlı değişkeni her zaman y eksenine yerleştirin). Ardından verb_cov’u dikey ok üzerinde bulunan x Eksen paneline sürükleyin. Sığdır sekmesini seçin. Yöntem açılır menüsü altında varsayılan olarak Yok gösterilir. Şekil 16.7’de gösterildiği gibi Regresyon’u seçin.

Sabiti denkleme dahil et onay kutusunun işaretli olduğundan emin olun. Ayrıca, doğrusallık varsayımı bir bütün olarak örnek üzerinde test edildiğinden, pencerenin altına doğru için Sığdır satırları altında Toplam’ı kontrol etmemiz gerekir (bu varsayılandır). Analizi gerçekleştirmek için Tamam’a tıklayın.

Ortaya çıkan dağılım grafiği Şekil 16.8’de gösterilmektedir. Şekilde görüldüğü gibi, doğru çözülen matematik problem sayısı bağımlı değişkeni ile sözel yeteneğin ortak değişkeni arasındaki ilişki doğrusal görünmektedir. Dolayısıyla, regresyonun doğrusallığı varsayımı karşılanmış görünmektedir.

REGRESYONUN HOMOJENLİĞİ

Regresyonun homojenliği varsayımı, ortak değişkenden bağımlı değişkeni öngören regresyon çizgilerinin gruplar arasında karşılaştırılabilir eğimlere sahip olduğunu ileri sürer. Bu, anlamlı olmayan bir Gruplar × Ortak Değişken etkileşim etkisi elde edilerek test edilir.

Ana SPSS menüsünden Analiz Et ➜ Genel Doğrusal Model ➜ Tek Değişken’i seçin. Bu yolu seçmek Şekil 16.9’da gösterilen diyalog penceresini açacaktır. Sabit faktör olarak grup, bağımlı değişken olarak matematik_dv ve ortak değişken olarak fiil_cov ile yapılandırdık.

A’da gösterilen diyalog ekranına ulaşmak için Model butonunu seçin. Model Belirt alanında Özel’e tıklayın ve Yapı Terimleri altındaki açılır menüden Ana efektler’i seçin. Şimdi Faktörler ve Değişkenler panelinde group ve verb_cov’u seçin ve Model paneline tıklayın. Bu, Şekil 16.10B’de gösterilmektedir.

Şimdi aşağı açılır menüden Etkileşim’i seçin (Ana efektler seçiminin yerine). Kontrol düğmesini basılı tutarken birer birer tıklatarak hem group hem de verb_cov’a tıklayın. Bu setin Model paneline tıklanması, Şekil 16.11B’de gösterildiği gibi  etkileşimini belirtir. Ana GLM penceresine dönmek için Devam’a tıklayın ve analizi çalıştırmak için Tamam’a tıklayın.

İlgilendiğimiz tek çıktı, Şekil 16.12’deki özet tabloda gösterilen group∗verb_cov etkileşiminin anlam testidir. Özet tablosundan da görülebileceği gibi, etki istatistiksel olarak anlamlı değildir. Böylece regresyonun homojenliği varsayımının ihlal edilmediğini varsayabiliriz ve ANCOVA ile de devam edebiliriz.

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

GENEL DOĞRUSAL MODELE KISA GENEL BAKIŞ

Sunulan SPSS’deki Tek Yönlü ANOVA prosedürünün çıktısı, el hesaplamalarımızla eşleşecek şekilde yapılandırılmıştır. Ancak SAS ve SPSS tarafından ANOVA prosedürlerinden bazılarında üretilen özet tablolar, henüz ele almadığımız bazı girdileri içermektedir.

Birazdan göreceğiniz gibi, analizimizi oluşturmak için az önce kullandığımız SAS Doğrusal Modeller prosedürünün özet tablosu, tanıtmamız gereken ek ifadelere sahiptir.

SAS, Doğrusal Modeller prosedüründe, tam veya düzeltilmemiş modelin aksine azaltılmış, kısıtlanmış veya düzeltilmiş model olarak adlandırılan şeyi hesaplar; SPSS, bazı prosedürlerinde aynısını yapacaktır, ancak tam modelin sonuçlarını sunacağı zamanlar vardır. Burada tam ve düzeltilmiş model arasındaki farkları çok yüzeysel olarak kısaca açıklayacağız.

Bu modellerin daha kapsamlı bir açıklaması bu kitabın kapsamı dışındadır, ancak daha eksiksiz açıklamalar Kirk (1995), Maxwell ve Delaney (2000) ve Myers ve Well (1991)’de bulunabilir. Ancak SPSS ve SAS çıktısını daha tam olarak yorumlayabilmeniz için bu modelleri bir dereceye kadar tanımlamamız gerekiyor.

ANOVA, birçok istatistiksel prosedürden biridir – çoklu doğrusal regresyon, diskriminat analizi ve kanonik korelasyon, bu prosedürler dizisinin diğer bazı üyeleridir – yüzeyde oldukça farklı görünebilir, ancak tümü genel doğrusal modelin tezahürleridir.

Genel doğrusal model istatistiksel prosedürü, her bir vaka için deneyimlenen bağımsız değişkenin seviyesi veya seviyelerine ilişkin bir bilgiden bağımlı değişkenin değerlerini tahmin etmek üzere bir model formüle etmek üzere tasarlanmıştır. Model doğrusaldır, çünkü düz bir çizgi fonksiyonunu temsil eder. Diğer tahmin edicilerle birlikte bağımlı değişkeni tahmin etme doğruluğunu en üst düzeye çıkarmak için modelde her tahminciye bir ağırlık atanır. Modelin genel formu şu şekildedir:

• bağımlı değişken
  =a+b1X1 +b2X2 +···+bnXn +hata,

1. X1, X2 vb. tahmin edicilerdir. Tek yönlü desende, bu tür yalnızca bir yordayıcı vardır ve çalışmadaki bağımsız değişkendir. Daha karmaşık tasarımlarda, sonraki bölümlerde göreceğimiz gibi, yordayıcılar ek bağımsız değişkenler ve bunların etkileşim etkileri olabilir.
2.  b1, b2 ve benzeri, modeldeki ilgili tahmin edicileriyle ilişkili ağırlıklar veya katsayılardır.
3. model tarafından temsil edilen düz çizgi fonksiyonunun y eksenini kestiği değer olan Y kesme noktasını temsil eden model sabittir.
4. hatası, varyans için açıklanmayan ölçüm hatasıdır. Örneğin, denekler arası tek yönlü bir tasarımda, aynı gruptaki katılımcılar (“tedavi” ile ilgili olarak aynı şekilde tedavi edilenler) bağımlı değişken üzerinde yine de farklı puanlar verebilir.

Basit doğrusal regresyon
Doğrusal regresyon modeli
Doğrusal regresyon Nedir
Lineer Regresyon Nedir
Doğrusal regresyon analizi
Doğrusal regresyon modelini eğitmek için hangi fonksiyon kullanılır
Basit doğrusal regresyon örnek sorular
Çoklu doğrusal regresyon modeli

Yukarıda gösterilen tam genel doğrusal model, ağırlık değerlerinin yanı sıra bir Y kesme değerine sahiptir. SPSS veya SAS, tam modelin sonuçlarını görüntülediğinde, çıktımız bazen Y kesişimi ve tam (düzeltilmemiş) modelle ilişkili karelerin toplamını görüntüler. Tam model için toplam kareler toplamı, yalnızca gruplar arası ve grup içi varyans kaynakları için değerleri değil, aynı zamanda kesişme (ANOVA prosedürü tarafından bölünmüş ek bir varyans kaynağı) için de değerleri içerir.

Düzeltilmiş veya kısıtlanmış (azaltılmış) model, Y kesmesine atfedilebilen varyansın dahil edilmediği kısmi bir model olarak düşünülebilir. Bu kitapta ANOVA’yı elle hesaplamak için kullandığımız prosedürler indirgenmiş modele uygundur. Burada sunduğumuz ANOVA tasarımlarının ayrıntılarını öğrenen birçok davranış ve sosyal bilimler öğrencisinin amaçları doğrultusunda, düzeltilmiş modelde yer alan sonuçlar muhtemelen ihtiyaçlarını karşılamaya yeterlidir.

TANIMLAYICI İSTATİSTİKLER

Doğrusal Modeller tarafından üretilen tanımlayıcı istatistikler Şekil 6.17’de gösterilmektedir. Her grupta sadece ortalamayı, standart sapmayı ve gözlem sayısını istedik ve şekilde gösterilen budur.

HOMOJENLİK TESTİ

Şekil 6.18, Levene’nin varyans homojenliği testinin sonucunu gösterir. İstatistik (eğer bildiriyorsanız W ile sembolize edilir) 1.459 değerine sahiptir ve sıfır hipotezi doğruysa 4 ve 30 df ile gerçekleşme olasılığına sahiptir, p = .239. Bu, SPSS’den elde ettiğimiz sayısal sonucu yansıtır.

.05’lik bir alfa düzeyine karşı bu olasılık istatistiksel olarak anlamlı değildir. Bu nedenle, beş koşulun varyanslarının karşılaştırılabilir olduğu sıfır hipotezini reddetmiyoruz; kısacası, varyansın homojenliği varsayımının ihlal edilmediği görülmektedir.

ÖZET TABLOSU

Omnibus analizi için özet tablo, Şekil 6.19’un üst kısmında sunulmaktadır. SAS’ın Düzeltilmiş Toplam kareler toplamını sağladığını ve indirgenmiş modelin sonuçlarını görüntülediğimizi bildirdiğini unutmayın. Modelle ilişkili karelerin toplamı (bkz. Şekil 6.19’daki üst tablo), grup etkimizle ilişkili karelerin toplamıyla aynıdır (Şekil 6.19’daki alt tabloya bakın), çünkü tahmin modelindeki tek değişken grup etkisidir, yani grup etkisi modeldir.

Hangisini incelerseniz inceleyin, SPSS çıktısını sayısal olarak eşleştiren istatistiksel olarak anlamlı bir etki görüyoruz. Birden fazla bağımsız değişkene sahip denekler arası tasarımlarımızın olduğu sonraki bölümlerde, Model etkisi, analizdeki tüm etkilerin kümülasyonu olacak ve odak noktamız modeli oluşturan bireysel etkiler olacaktır.

Şekil 6.19’un orta kısmı, SAS’ın R-Square dediği şeyi sunar; bu bizim eta kare (η2) olarak etiketlediğimiz şeydir ve elle hesapladığımız değere eşittir. Model kareler toplamına anahtarlanmıştır ve model tarafından hesaplanan toplam kareler toplamının oranıdır. Birden fazla bağımsız değişkene sahip tasarımlarda, istatistiksel olarak anlamlı etkilerin her biri ile ilişkili ayrı eta kare değerlerini hesaplamak isteyeceğiz.

SAS, R Karesine ek olarak, bu orta tablodaki diğer üç bilgi parçasını sağlar. Katsayı Var, varyasyon katsayısıdır; bir bütün olarak örneğin standart sapmasının bir bütün olarak örneğin ortalamasına oranıdır ve farklı dağılımların değişkenliğini karşılaştırmada faydalı olabilir. Hatanın ortalama karesi olan Kök MSE, hata varyansı ile ilişkili ortalama karenin kareköküdür (yani 1325.7143’ün karekökü 36.41036’dır). Satscore Ortalaması, bir bütün olarak örneğin genel veya genel ortalamasıdır.

SONUÇLARIN İLETİŞİMİ

Çok amaçlı ANOVA’ya dayanarak, bağımsız değişkenin istatistiksel olarak anlamlı ve önemli bir etki büyüklüğü ile ilişkili olduğunu biliyoruz. Sonuçların bu kısmı basit bir cümleyle iletilebilir:

Öğrencilerin katıldığı SAT’ye hazırlık miktarının, testteki performanslarını önemli ölçüde etkilediği ortaya çıktı, F (4, 30) = 43.47, p < .05, η2 = .853.

Hangi araçların hangi araçlardan farklı olduğu konusunu omnibus analizinden elde edilen bilgilerle ele alamayacağımızı unutmayın. Bölüm 7’de, ortalama farkları değerlendirmenin çeşitli yollarını ele alacağız.

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