MCA menülerinde birkaç hareketli parça daha var, bu yüzden algısal haritamız için ihtiyaç duyduğumuz veri setini üretmek biraz özen gösterecek. Yazışma Analizinin aksine, MCA varsayılan olarak koordinatları çıktı penceresine göndermez. Gösterildiği gibi Çıktı alt menüsünü kullanarak bunları talep etmemiz gerekecektir.

Ayrıca, Çıktı penceresinde göründüklerinde, birçoğu vardır (tümü gösterilmemiştir), çünkü her bir değişken için üretilmiş küçük bir tablo vardır. Kullanmayacağınızı bildiğiniz çıktıları bastırmanın her zaman iyi bir fikir olduğunu unutmayın. Özellikle MCA, aradığınızı bulmanızı zorlaştırabilecek korkutucu miktarda çıktı üretebilir.

Açıkçası, çıktı penceresini değil OMS’yi kullanacağımız için tek bir tabloda veya birden çok tabloda biçimlendirmenin planımıza hiçbir etkisi olmayacaktır.

OMS’de aşağıdakileri seçmek istiyoruz:

■ Çıktı Tipi Tabloları
■ Komut Tanımlayıcıları için Çoklu Yazışma Analizi
■ Seçili Komutlar için Tablo Alt Tipleri için Nicelikler
■ “Puanlar” adlı Yeni Veriler, Ardından Ekle’yi tıklayın.

Ortaya çıkan veri seti, ihtiyacımız olmayan bir dizi veri noktası içerdiğinden özellikle karmaşık görünüyor (Şekil 9-31). Bu veri kümesinin ayrıntıları önemli değil çünkü bu bilgilerin çoğunu atacağız.

Sadece ihtiyacımız olanı elde etmek için temizlemek basit bir meseledir. Bu, ne yaptığımızı görmenize yardımcı olur, ancak bunu tamamen otomatikleştirirken OMS’nin ürettiği isimleri kullanmalısınız ve değişkenleri düşürmeye gerek yoktur. Tek ihtiyacımız olan Koordinatlar ve Etiket_ ve Var1 etiketleme için faydalı olacaktır. Değişkenleri yeniden adlandırmak da cazip gelebilir, ancak biz sadece bilgileri GPL’ye aktarıyoruz, bu nedenle her şeyi OMS tarafından üretildiği gibi tutmak en iyisidir.

Kullanacağımız GPL gerçekten CORRESPONDENCE ANALYSIS örneğine çok benziyor. Oluşturmak için önce menülerden yapıştırdık ve ardından önceki örneğe neredeyse tam olarak uyan değişiklikler yaptık.

Ortaya çıkan harita gösterilir. Çok daha okunabilir ve bazı desenler göze çarpıyor. Daha önce bahsedilenlere ek olarak, evde tüketmek için (restoran veya çay salonu değil) süpermarkette daha ucuz markalar satın almanın şaşırtıcı olmayan bir modeli var gibi görünüyor. Bu kalıpla ilişkili meslekler, 20’li yaşların ortalarından 30’ların ortalarına kadar olan “çalışanlar” ve el işçileridir.

MCA’da bulunan çok sayıda değişken ve karmaşık ayarlar kümesiyle, kesinlikle alternatif haritalar keşfedebilirdik, ancak harita, bir tablonun (vurgulanmış bir tablonun bile) yapamayacağı şekilde başarılı olur. Ayrıca, incelediğimiz hesaplamaları, OMS ve GPL’yi bir arada kullanmanın temel becerileri bir dizi alana uygulanabilir.

Kısa bir koda olarak, bu bölümde çok daha önce ürettiğimiz algısal haritayı tekrar gözden geçirelim. Artık MCA menülerini kullandığımıza göre, age_gender oluşturmak için üç değişkenli algısal haritayı yeniden kodlama yapmadan gösterebiliriz. Ne algısal harita ne de yaklaşım mutlaka üstün değildir, ancak alternatifi görmek ilginçtir.

ÇOK BOYUTLU ÖLÇEKLEME ANALİZİ SPSS
Çok BOYUTLU ÖLÇEKLEME ANALİZİ nedir
Çok Boyutlu ölçek nedir
Multidimensional scaling
Çok boyutlu ÖLÇEKLEME türleri nelerdir
Çok Boyutlu Öfke Testi

Çok Boyutlu Ölçekleme ile Karmaşık ilişkileri Görüntüle

Çok boyutlu ölçekleme (MDS), insanların algılarında hangi özelliklerin en önemli olduğunu belirlemek için nesnelerin (ürünler, hizmetler vb.) nesne ilişkisi. Çok boyutlu ölçekleme, nesneler arasında algılanan ilişkiyi matematiksel olarak, benzerlik yargılarının yapısını veya boyutlarını tespit etmede hangi özelliklerin en önemli olduğunu belirlemeye yardımcı olan görsel bir mesafe görüntüsüne dönüştürür. Boyutlar daha sonra hem öznel hem de istatistiksel teknikler kullanılarak yorumlanır.

Örnek olarak, pazar araştırması alanında, marka konumlarını ve müşterilerin markaları gördüğü boyutları belirlemek için çok boyutlu ölçeklendirme kullanılabilir. En temel biçiminde, katılımcılar farklı nesne çiftlerinin (genellikle markaların) ne kadar benzer veya farklı olduğunu belirtirler.

Örnek olarak dondurmayı kullanarak, yanıtlayanlara vanilya ve çikolatanın ne kadar benzer olduğunu sorabiliriz. Çikolata ve çilek? Vanilya ve çilek? Limon ve ahududu? Çok boyutlu ölçekleme daha sonra nesneleri düşük boyutlu bir uzaya yerleştirerek bu yakınlık ölçülerine uymaya çalışır, böylece uzaydaki nesneler arasındaki mesafeler gözlemlenen yakınlıkları yeniden üretir.

Şekil 10-1, dondurma aromaları arasındaki ilişkilerin iki boyutlu bir görüntüsünü göstermektedir. Birinci boyutun, spektrumun bir ucuna su bazlı aromaları ve diğer ucuna süt bazlı aromaları yerleştirdiğine dikkat edin. İkinci boyutun anlamını bulmak için biraz daha çalışmamız gerekecekti.

Çok boyutlu ölçekleme çeşitli şekillerde kullanılabilir ve kullanılmıştır. Örneğin, MDS ürünleri, siyasi adayları, organizasyonları veya hizmetleri bir alanda benzerlik derecelerine göre konumlandırmak için kullanılabilir. Örnek olarak, kitabın yazarlarından biri, ayakta tedavi gören hastaların kullanım modellerini anlamak için farklı tıbbi hizmetleri (örneğin diş hekimleri, kiropraktörler, optometristler vb.) nasıl kullandığını incelemek için MDS’yi kullandı.

Bu araştırmalardaki katılımcılardan, benzer nesnelerin belirli nitelikler boyunca nasıl olduklarını belirtmelerinin istenmediğine dikkat etmek önemlidir. Bunun yerine, beklenti, yanıtlayanların nesneleri görüntüledikleri boyutların, nesnelerin düşük boyutlu uzayda nasıl konumlandırıldığına bakılarak anlaşılmasıdır.

Bu şekilde, analist, katılımcıların açık öznitelik derecelendirmeleri elde etmeden nesneleri farklılaştırdığı ana boyutları anlamaya çalışır. Bununla birlikte, çok boyutlu ölçeklemeyi içeren bazı pazarlama araştırmalarında, katılımcılar ürünleri bir dizi nitelik üzerinden derecelendirir ve ölçeklendirme, nitelik derecelendirmelerinden türetilen ürün benzerliklerine (veya farklılıklarına) dayanır.

Diğer faktörlerin yanı sıra, ölçüm ölçeği, izin verilen dönüşümler, bireysel farklılıkları barındırma araçları, tahmin yöntemi ve uygunluk ölçüsü hakkında yapılan varsayımlarda değişiklik gösteren birçok çok boyutlu ölçeklendirme biçimi mevcuttur.

Bu bölümde, kullanılabilen farklı MDS türleri hakkında bilgi edineceksiniz. MDS ile ilişkili diyaloglarda bulunan seçeneklerin yanı sıra teknik hakkında bir fikir edinebilmeniz için bir uygulama veri seti kullanıyoruz. Son olarak, sonuçların nasıl yorumlanacağını ele alıyoruz.

Metrik ve Metrik Olmayan Çok Boyutlu Ölçekleme

Temel çok boyutlu ölçekleme modeli, nesne çiftleri için benzerlik veya farklılık ölçülerini içeren verilerle başlar. Model, her nesnenin bir uzayda bir nokta tarafından temsil edildiğini varsayar. Nesneler, bu boşlukta, nesneler arasındaki mesafeler orijinal yakınlıklara çok yakın olacak şekilde konumlandırılır. Farklı sayıda boyuta sahip çözümler uygulanabilir ve çeşitli uyum ölçüleri mevcuttur. İki boyutlu çizimleri yorumlamak kolay olduğu için iki boyutlu çözümler popülerdir.

Metrik çok boyutlu ölçekleme, parametrik bir modelin yakınlıkları nesne mesafeleriyle ilişkilendirdiğini varsayar; yani, nesneler arasındaki mesafelerin doğada oran veya aralık düzeyinde olduğu varsayılır. Metrik olmayan çok boyutlu ölçekleme, bu ilişki hakkında daha zayıf varsayımlar yapar, böylece yalnızca nesneler arasındaki mesafelerin sıra sırasına veya sıra düzeyindeki verilere dayandığını varsayar.

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

Çok Boyutlu Ölçekleme: Klasik Metrik

Çok boyutlu ölçeklemeyi (MDS), bir dizi nesnenin veya uyaranın altında yatan boyutsal yapıyı tanımlamak için kullanılan istatistiksel bir tekniktir.

MDS’nin birincil odak noktası, nesnelerin veya uyaranların birbirine benzememe biçimlerini değerlendirmektir. Farklılık, nesnelerin birbirine göreli uzaklığı (yakınlığı) açısından düşünülebilir. Birbirinden daha uzak olan nesneler daha farklıdır. MDS’de nesneler, farklılıklarının bir fonksiyonu olarak çok boyutlu uzayda düzenlenir.

Bu uzay, araştırmacılar tarafından içerdiği varsayılan boyutların sayısıyla tanımlanır (genellikle iki veya üç). MDS prosedürü tipik olarak (çok kabaca) çiftler halinde değerlendirilen yaklaşık bir düzine kadar nesne veya uyaran üzerinde gerçekleştirilir. Her çift için nesneler arasındaki mesafe belirlenir.

Bazı bağlamlarda, mesafe bazı objektif ölçülere göre değerlendirilebilir (örneğin, şehirler arasındaki kilometre). Diğer bağlamlarda ve bu bölümde örneklediğimiz bağlamlarda, uyaran çiftleri arasında algılanan farklılığın derecesini gösteren özetleyici bir yanıt ölçeğinde derecelendirmeler yapılır. Örneğin, katılımcılardan bir grup otomobil markasının benzerliğini veya farklılığını derecelendirmeleri istenebilir.

Pratikte, MDS çok boyutlu bir uzay konfigürasyonunda birbirine daha yakın olan benzer uyaranları yerleştirir. MDS, her nesneyi iki (veya üç) çok boyutlu uzayda bir nokta olarak eşler. Bu boyutsallık verileri tipik olarak bir yakınlık veya benzerliksizlik matrisi biçiminde sıralanır.

Nesneler arasındaki bu mesafeler belirlendikten sonra, IBM SPSS®, Takane, Young ve de Leeuw (1977) tarafından geliştirilen ALSCAL (Alternating Least Squares Scaling) adlı özel bir MDS algoritması kullanır. Bu prosedür, her nesne için koordinatları belirler ve bunları çok boyutlu uzayda, noktalar arasındaki mesafe yanıtlayanların orijinal farklılık yargılarına benzeyecek şekilde tasvir eder.

Burada klasik metrik MDS’ye (CMDS) odaklanıyoruz. Bu yaklaşım, analizi gerçekleştirmek için tek bir metrik farklılıklar matrisi (veya katılımcılar arasındaki ortalamaları yansıtan tek bir matris) kullanır. IBM SPSS, bu tek matrisi kullanarak, araştırmacılar tarafından belirlenen boyut sayısına dayalı olarak çok boyutlu bir alan yaratmak için ALSCAL algoritmasını başlatır.

SAYISAL ÖRNEK

Mevcut veri seti, 10 otomobil markasının benzerliğini/farklılığını 1 (çok benzer) ila 9 (çok farklı) toplam yanıt ölçeğinde karşılaştıran 15 katılımcının ortalama puanlarını temsil etmektedir. Veriler, auto maker proximities adlı dosyada bulunabilir ve görülebilir.

Verilerin önceki bölümlerde gördüklerimizden oldukça farklı bir şekilde yapılandırıldığını unutmayın. MDS, nesne çiftleri arasındaki yakınlık verileri üzerinde çalıştığından, verilerin bu biçimde girilmesi gerekir. Böylece veri dosyasına doğrudan bir yakınlık matrisi giriyoruz.

Çok boyutlu ölçek nedir
Çok BOYUTLU ÖLÇEKLEME ANALİZİ nedir
Multidimensional scaling

Örneğin, Chevrolet-Bentley çifti için ortalama puan 7 idi; bu nedenle, katılımcılar bu otomobil markalarını ortalama olarak nispeten farklı olarak gördüler. Öte yandan Toyota-Honda çifti ortalama 2; bu nedenle, katılımcılar bu otomobil markalarını nispeten benzer olarak gördüler. Veriler simetrik bir matris aracılığıyla gösterildiğinden, matris köşegeninin üzerindeki derecelendirmelerin girilmesine gerek yoktur, çünkü bunlar alt köşegen karşılıklarının ayna görüntüleridir.

ANALİZ KURULUMU

Auto maker proximities adlı dosyayı açın ve ana menüden Analiz Et ➔ Ölçekle ➔ Çok Boyutlu Ölçekleme (ALSCAL) öğesini seçin. Bu, gösterilen Çok Boyutlu Ölçekleme ana iletişim penceresini oluşturur.

Otomobil markalarını Değişkenler paneline taşıdık. Mesafeler panelinde, verilerimiz nesneler arasındaki mesafeler (otomatik markalar) olduğundan ve mesafeler matrisinin şekli kare ve simetrik olduğundan, Şekil için varsayılan ayarı Kare simetrik olarak varsayılan Veri mesafelerdir olarak tuttuk.

Model düğmesinin seçilmesi, gösterilen Model iletişim penceresini üretir. Bu iletişim ekranı dört ayrı panel içerir. Ölçüm Düzeyi paneli (ekranın sol üst kısmı) verilerin ölçüm düzeyini gösterir: Sıra, Aralık veya Oran. Mevcut örnek için, derecelendirmelerimizin bu ölçüm seviyesine yaklaştığını varsayacağımızdan, özet yanıt önlemimiz için Aralık seviyesini etkinleştirdik.

Koşulluluk paneli üç seçenek sunar: Matris (aynı ölçüm ölçeğinde ölçülen veriler için), Satır (verilerin diğer matrislerdeki verilerle karşılaştırılamadığı dikdörtgen veri matrisleri için) ve Koşulsuz (koşulsuz veri matrisleri birbirleriyle karşılaştırılabilir). Mevcut örnekte varsayılan Matrix seçeneği seçilmiştir.

Boyutlar paneli, araştırmacıların elde etmek istedikleri Minimum ve Maksimum boyut (çözüm) sayısını belirlemelerine olanak tanır. IBM SPSS, bir ila altı boyutun belirtilmesine izin verir. Mevcut örnekte, varsayılan Minimum ve Maksimum 2 boyutu istedik.

Son olarak, Ölçekleme Modeli paneli, bir Öklid mesafesi (CMDS analizleri için uygun) veya Bireysel farklılıklar Öklid mesafesi seçeneği (kopyalanmış MDS ve ağırlıklı MDS analizleri için uygun) sunar. Mevcut analiz için Öklid mesafesi seçeneği etkinleştirilmiştir. Devam’ı tıklatmak bizi ana iletişim penceresine geri getirir.

Seçenekler düğmesinin seçilmesi, gösterilen Seçenekler iletişim penceresini oluşturur. Görüntü panelinde iki seçeneği etkinleştirdik: (a) CMDS algısal haritasını veya Türetilmiş Uyaran Yapılandırmasını ve Doğrusal Uyum Dağılım Grafiği üreten Grup grafikleri ve (b) orijinal veri matrisini yeniden üreten Veri matrisi.

Bireysel konu çizimleri (etkinleştirilmemiş) seçeneği, çoğaltılmış veya ağırlıklı MDS analizi sırasında her katılımcı için algısal haritalar sağlar. Model ve seçenekler özeti (etkinleştirilmemiş), araştırmacılar tarafından talep edilen çeşitli IBM SPSS Veri Seçenekleri, Model Seçenekleri, Çıktı Seçenekleri ve Algoritma Seçeneklerini belgeler.

Ölçütler paneli aşağıdaki üç seçeneğe sahiptir: S-gerilme yakınsaması, Minimum S-stres değeri ve Maksimum yinelemeler. Çoğu durumda bu değerleri mevcut örnekte olduğu gibi varsayılan durumlarında bırakmanızı öneririz. Mesafeleri [doldurulacak bir değer] değerinden küçük olarak değerlendir seçeneği de varsayılan değeri olan 0’da tutuldu. Devam’ı tıklatmak bizi ana pencereye döndürür ve Tamam’ı tıklatarak analizi gerçekleştirir.

ANALİZ ÇIKIŞI

Konu 1 için Ham (ölçeklendirilmemiş) Verileri görüntüler. Bu verilerin, 15 katılımcımız arasında ortalaması alınan orijinal farklılık verileri olduğuna ve dolayısıyla buradaki Konu 1’in (tablonun başlığında) veri dosyasındaki tek yakınlık matrisi olduğuna dikkat edin.

2 boyutlu çözüm için yineleme geçmişini sağlar (mesafelerin karesi olarak). Bu tablo, Young’s S-stres ve Kruskal’s Stress Index olarak bilinen iki model uyumu ölçüsü sağlar. Kruskal (1964) tarafından geliştirilen stres, çok boyutlu haritadaki girdi ham eşitsizlikleri ile çıktı mesafeleri arasındaki farktır ve çözümün verilere uygunluğunun bir indeksidir.

Gerilim, minimum 0 değerinden (boyutsal yapı verilere mükemmel şekilde uyar) maksimum 1 değerine (boyutsal yapı verilere uymuyor) kadar değişir. Kruskal ve Wish (1978) ve Gigue`re’ye (2007) göre, .05’ten küçük olan Gerilme değerleri mükemmel, .05’ten daha az olan, .10’dan daha küçük olan değerler iyi, .10’dan .20’ye kadar olan değerler orta ve daha büyük değerler olarak kabul edilir. 0,20’den daha düşük bir uyum olarak kabul edilir. Şekil 57.6’nın alt kısmında bulunan Stres değeri, orijinal yakınlık verilerine adil bir model uyumunu gösteren Gerilme = .15922’dir.

En üstte S-stresi olarak bilinen ikinci bir uyum indeksi vardır (Takane ve diğerleri (1977) tarafından geliştirilmiştir). S-stres, Gerilim ölçüsünden türetilir ve yalnızca uzaklıkların ve eşitsizliklerin karesi ile tanımlanması bakımından farklılık gösterir. IBM SPSS, her yineleme için (en fazla 30’a kadar) S-stres değerini ve önceki yinelemeye göre gelişimini gösteren bir Yineleme geçmişi sağlar. Buradan, S-stresinin .17068 değerinde başladığını ve 4 yinelemeden sonra .15434 değerine biraz iyileştiğini not ediyoruz, bu da adil veya mütevazı bir model uyumunu gösterir.

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