Son bölümde ise değişkenlerin bağımlılığı ve örneklem büyüklüğü ile ki-kare değerinin arttığını gördük. Aşağıdaki Şekil 4.5, mükemmel bir ilişkiye sahip iki beklenmedik durum tablosunu göstermektedir: ki-kare değeri, n 1⁄4 22 gözlemli tabloda n 1⁄4 22 ve n 1⁄4 44 gözlemli tabloda n 1⁄4 44’tür.

Bu değerlerin gösterdiği gibi, ki-kare, örneklem büyüklüğünden bağımsız olarak ilişkiyi ölçme hedefimize ulaşmaz. Bir ilişki ölçüsünün bağımsız olması için, örneklem büyüklükleri farklı olan iki tablonun ilişkilerinin karşılaştırılabilir olması gerekir. İki sıralı (2 k) veya iki sütunlu (m 2) tablolar için phi katsayısını kullanmak en iyisidir. Phi katsayısı, ki-kare değerinin gözlem sayısına bölünmesi ve karekökünün alınmasıyla elde edilir.

Bu formülü kullanarak,1 phi katsayısı sıfırdan bire kadar bir değer alır. Katsayının değeri sıfır ise değişkenler arasında ilişki yoktur. Bir değeri varsa, çağrışım mükemmeldir.

Acil durum tablosu ikiden fazla satır ve iki sütundan oluşuyorsa, phi katsayısı birden büyük değerler üretecektir. Üç satırlı ve üç sütunlu bir tablo ve beş satırlı ve dört sütunlu bir tablo düşünün. Burada da mükemmel ilişkiler vardır, çünkü her satır yalnızca bir sütun içinde değerlere sahiptir ve her satır belirli bir sütuna atanabilir.

Bu tabloların gösterdiği gibi, satır ve sütun sayısı phi katsayısının maksimum değerini belirler. Bunun nedeni, satır ve sütun sayısı arttıkça ki-kare için elde edilebilecek en yüksek değerin artmasıdır. Phi’nin maksimum değeri, bir beklenmedik durum tablosundaki minimum satır ve sütun sayısının karekökü eksi birdir.

Acil Durum Katsayısı

Bu nedenle bazı istatistikçiler bunun yerine beklenmedik durum katsayısını kullanmayı önermektedir.

Phi katsayısı gibi, beklenmedik durum katsayısı da değişkenler arasında ilişki olmadığında sıfır değerini alır. Bununla birlikte, phi katsayısından farklı olarak, beklenmedik durum katsayısı hiçbir zaman birden büyük bir değer almaz. Olumsallık katsayısının dezavantajı, C’nin hiçbir zaman mükemmel ilişki altında birin değerini üstlenmemesidir. Şekil 4.7’deki beklenmedik durum tablolarına bakalım. Her iki tablo da mükemmel bir ilişki gösterse de, olasılık katsayısı C 1⁄4 1 değerine sahip değildir.

Bir tablonun satırları ve sütunları ne kadar fazlaysa, mükemmel ilişki durumunda olasılık katsayısı bire o kadar yakın olur. Ancak, katsayı mükemmel bir ilişki altında bile, bire yakın herhangi bir yere gelmeden önce bir tablonun birçok satırı ve sütunu olması gerekirdi. Maksimum ulaşılabilir değer aşağıdaki gibi hesaplanabilir.

PHI değeri
Cramer V katsayısı
Korelasyon katsayısı
Phi number
Phi symbol
Phi ne Demek
Dörtlü korelasyon katsayısı
Çoklu Serili Korelasyon Katsayısı

Cramer’s V

Acil durum tablosunun boyutundan bağımsız olan bir ölçü Cramer’s V’dir. Her zaman sıfır (ilişki yok) ile bir (mükemmel ilişki) arasında bir değer alır ve bu nedenle pratikte iki arasındaki en yararlı ilişki ölçütlerinden biridir. nominal veya sıralı değişkenler. Hesaplaması, phi katsayısının bir uzantısıdır.

n değeri gözlem sayısına, k sütun sayısına ve m satır sayısına eşittir. Tablolardaki değerler aşağıdaki hesaplamayı üretir.

Hangi değerlerin zayıf, orta veya güçlü çağrışımları temsil ettiğini henüz belirlemedik. Bazı yazarlar aşağıdaki aralıkları tanımlar:

Cramer’s V ∈ [0.00; 0.10[ ! dernek yok
Cramer’s V ∈ [0.10; 0.30[ ! zayıf ilişkilendirme
Cramer’s V ∈ [0.30; 0.60[ ! ılımlı ilişki
Cramer’s V ∈ [0.60; 1.00] ! güçlü ilişki

SPSS ile Nominal İlişkilendirmeler

Titanik hikayesini herkes bilir. Bu bir teknolojik kibir, insan hatası ve sosyal hiyerarşi hikayesi. 10 Nisan 1912’de Titanik, Southampton, İngiltere’den New York’a ilk yolculuğuna başladı. O zamanki mühendisler, son teknoloji ve saf boyutu nedeniyle dev buharlı gemiyi batmaz olarak görüyorlardı. Ancak 14 Nisan’da gemi bir buzdağına çarptı ve ertesi gün saat 02:15 civarında battı. 2.201 yolcudan sadece 710’u hayatta kaldı.

Diyelim ki hayatta kalanların çoğunun birinci sınıftan olduğu ve kurbanların çoğunun üçüncü sınıftan olduğu yönündeki sık sık iddiayı incelemek istiyoruz. Başlamak için, her yolcu için cinsiyet (çocuk, erkek, kadın), sınıf (birinci, ikinci, üçüncü ve mürettebat) ve hayatta kalma (evet, hayır) değişkenleri dahil olmak üzere Titanik veri kümesindeki bilgilere ihtiyacımız var.

Bir çapraz tablo oluşturmak ve nominal ilişki ölçülerini hesaplamak üzere SPSS’yi kullanmak için çapraz tablo penceresini açarak başlayın. Analiz Et’i seçin! Tanımlayıcı istatistikler ! Çapraz tablolar. Şimdi ilişkisini analiz etmek istediğiniz satır ve sütun değişkenlerini seçin. Örneğimiz için satır değişkeni olarak hayatta kalma ve sütun değişkeni olarak sınıfı seçmeliyiz. Sonra bir hücre penceresi açmak için hücrelere tıklayın. Burada, istediğiniz beklenmedik durum tablosu hesaplamalarını seçebilirsiniz. (Bkz. Şekil 4.8: Hücre ekranı). İlişkilendirme ölçüsü istatistikler altında seçilebilir. . . . Şekiller’deki tabloları oluşturmak için Tamam’a tıklayın. 4.9 ve 4.10.

Hayatta kalanları sınıflarına göre kategorize eden aşağıdaki Şekil 4.9’daki beklenmedik durum tablosunu düşünün. Tüm yolcuların hayatta kalma şansı aynı mıydı?

Birinci sınıftaki (123) yolculardan daha fazla üçüncü sınıf (528) yolcunun hayatını kaybettiğini görüyoruz. Ancak üçüncü sınıfta daha fazla yolcu olduğundan (325’e karşı 706), herkesin hayatta kalma şansı aynı olsa bile bu şaşırtıcı değil. Ancak göreceli frekansları göz önüne aldığımızda, yolcuların %32,3’ünün felaketten sağ çıktığını, %62,2’sinin birinci sınıftan ve yalnızca %25,3’ünün üçüncü sınıftan sağ çıktığını görüyoruz. Bu rakamlar, %32,3’lük hayatta kalma oranının asimetrik olarak dağıldığını göstermektedir: asimetri ne kadar büyükse, sınıf ve hayatta kalma arasındaki ilişki o kadar güçlüdür.

Birinci sınıf yolcular ortalama oranda hayatta kalsaydı, sadece %32,3 %325 %105 başarabilirdi. Bu, istatistiksel bağımsızlık altında beklenen sayıdır. Üçüncü sınıf yolcular ortalama oranda hayatta kalsaydı, 528 değil sadece %66.7 % 706 % 478 ölecekti.

Önceki bölümlerde gördüğümüz gibi, beklenen sayılar ile gerçek mutlak frekans arasındaki farklar, değişkenler arasındaki ilişki hakkında bize genel bir fikir verir. Ancak daha yakın analiz için, farklar, beklenen sayıların (std. kalıntı) köküne bölünerek standartlaştırılmalıdır. Standart değerlerin karesi, her hücre için ki-kareyi verir.

Standartlaştırılmış artıklar için pozitif değerler, beklenen sıklığa göre ortalamanın üzerinde (deneysel) bir frekansı ifade eder; negatif değerler, beklenen sıklığa göre ortalamanın altında (ampirik) bir frekansı ifade eder. Birinci sınıf yolcuların hayatta kalma değeri 9,5, üçüncü sınıf yolcuların hayatta kalma değeri 3,3 – sırasıyla ortalamanın üstünde ve ortalamanın altında. Tüm standartlaştırılmış artıklar sıfırdan çok uzakta olduğu için, bir tür ilişkilendirme olduğunu varsayabiliriz.

İlişki, nispeten yüksek ki-kare değeri ve nispeten yüksek birlik ölçüsü ile doğrulanır. Burada phi katsayısının uygulanmasına izin verilir – bir 4 2 tablosu – 2 k veya m 2 tabloları her zaman Cramer’s V ve phi için aynı değerleri verir. Cramer’s V (0.292) sadece orta derecede utangaç bir birlikteliği gösterir, ancak Cramer’s V’de her zaman olduğu gibi, ilişkilendirmenin varsayılan olup olmadığı – örneğimizde birinci sınıf yolcular arasında üçüncü sınıf yolculara göre daha yüksek bir hayatta kalma oranı yolcular – gerçek ve beklenen frekanslar arasında standartlaştırılmış artıklar karşılaştırılarak doğrulanmalıdır.

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

Amaçlarımız için, ihtiyaç duyduğumuz tek test istatistiği, Ki-Kare başlığı altında Pearson etiketli olandır. Bu veriler için test istatistiği, 4 serbestlik dereceli X2 = 70.67’dir. P değeri (Önem altında listelenmiştir) .{)()()()()5 değerinden küçüktür, bu da bizi rol tasvirinin cinsiyetten bağımsız olmadığı sonucuna götürür. Erkeklerin büyük bir kısmı satıcı, yönetici, bilgisayar uzmanı ve diğer kişiler olarak tasvir edilirken, kadınların daha büyük bir kısmı büro rollerinde tasvir edilmiştir.

Beklenen en düşük frekans (15.716) varsayılan olarak verilmiştir. Bir seçenek olarak, SPSS her hücre için beklenen değerleri yazdıracaktır. Beklenen frekansları elde etmek için, bir ki-kare testi için kullanılan yukarıdaki 1-12 arasındaki adımları izleyin ve ardından:

(1) Hücreler düğmesine tıklayın.
(2) Sayılar kutusunda Beklenen’e tıklayın.
(3) Devam’a tıklayın.
(4) Tamam’a tıklayın.

Hücrelerin çoğu (örneğin %20 veya daha fazlası) 5’in altında beklenen değerlere sahipse, veri analisti bazı yanıt kategorilerini birleştirmeyi düşünmelidir. Bu, ki-kare testi yapılmadan önce Yeniden Kodlama prosedürü kullanılarak gerçekleştirilir.

Dernek Tedbirleri

Phi Katsayısı

Phi katsayısı (<p), iki ikili değişken arasındaki ilişkinin derecesini gösterir. Bu ilişki ölçüsü Bölüm 6’da tanıtılmıştır ve burada iki sıralı değişkenle gösterilecektir. “delinq.sav” dosyasındaki veriler, Amerika Birleşik Devletleri’ndeki 75 topluluğun sosyoekonomik durumu (“SES”) ve nüfus yoğunluğu (“pop_dens”) hakkında bilgi sağlar. SES ve nüfus yoğunluğu arasındaki ilişkinin gücünü tahmin etmek için “delinq.sav” veri dosyasını açın ve aşağıdaki prosedürleri kullanın:

(1) Menü çubuğundan İstatistikler’e tıklayın.
(2) Açılır menüden Özetle’ye tıklayın.
(3) Çapraz Tablolar iletişim kutusunu açmak için Çapraz Tablolar’a tıklayın.
(4) Satır değişkenine (“SES”) ve sağ ok düğmesine tıklayın.
(5) Sütun değişkenine (“pop_dens”) ve sağ ok düğmesine tıklayın.
(6) Çapraz Tablolar: İstatistikler iletişim kutusunu açmak için İstatistikler düğmesine tıklayın. (7) Nominal Veri kutusunda Phi ve Cramer’s V’ye tıklayın.
(8) Devam’a tıklayın.
(9) Tamam’a tıklayın.

Phi katsayısının değeri yaklaşık -0.71 olup, SES ile nüfus yoğunluğu arasındaki ilişkinin oldukça güçlü olduğunu göstermektedir. Hücre sayılarını inceleyerek, düşük SES topluluklarının yüksek nüfus yoğunlukları ile karakterize edildiğini, yüksek SES bölgelerinin ise esas olarak düşük nüfus yoğunluğu olduğunu görüyoruz. Her iki değişken de sıralı olduğundan, katsayının işareti ilişkinin yönünü gösterir (yüksek yoğunluklu düşük SES, düşük yoğunluklu yüksek SES).

Tahmine Dayalı Bir Katsayı

Katsayı lambda (h), bir değişkeni diğerini tahmin etmek için kullanma fikrine dayanan kategorik değişkenler arasındaki ilişkinin bir ölçüsüdür. h katsayısı 0 ile 1 arasında değişir. “exercise.sav” içindeki verileri kullanarak, egzersiz davranışından sağlığı tahmin ederek açıklayacağız. Bu ilişki ölçüsünü hesaplamak üzere SPSS’yi kullanmak için “exercise.sav” veri dosyasını açın ve ardından:

(1) Menü çubuğundan İstatistikler’e tıklayın.
(2) Açılır menüden Özetle’ye tıklayın.
(3) Çapraz Tablolar iletişim kutusunu açmak için Çapraz Tablolar’a tıklayın.
(4) Satır değişkenine (“egzersiz”) ve sağ ok düğmesine tıklayın.
(5) Sütun değişkenine (“sağlık”) ve sağ ok düğmesine tıklayın.
(6) Çapraz Tablolar: İstatistikler iletişim kutusunu açmak için İstatistikler düğmesine tıklayın. (7) Nominal Veri kutusunda Lambda’ya tıklayın.
(8) Devam’a tıklayın.
(9) Tamam’a tıklayın.

Egzersizden (satırlardan) sağlığı (sütunları) tahmin etmek için katsayı değeri “>\;.r = 0,54’tür, bu orta düzeydedir. Varsayılan olarak, SPSS ayrıca sağlıktan egzersizi tahmin etmek için ‘-.c(= 0,59) yazdırır, ve simetrik ölçü h (= 0,57) Bu örnekte, daha sağlıklı bireylerin de şiddetli egzersiz yapmaya daha meyilli olması makul olduğundan, üçünü de incelemek için bazı gerekçeler olabilir. h-katsayıları için anlamlılık testleri açıklamasa da, SPSS P değerlerini gösterir.

Cramer V katsayısı
PHI değeri
Kontenjans katsayısı formülü
Phi ne Demek
Phı
Phi number
Philadelphia 76ers
Pearson korelasyon katsayısı

Sıralamaya Dayalı Katsayı

Katsayı gama (‘Y), iki değişken sıralı kategorilere sahip olduğunda uygundur. Yine, 75 topluluk (“delinq.sav”) arasındaki temerrüt ve SES oranlarına ilişkin verileri, her değişken düşük ve yüksek olduğu için kullanacağız. Katsayı’YisSPSS tarafından verilene benzer bir prosedür kullanılarak hesaplanır. Veri dosyası açıldıktan sonra:

(1) Menü çubuğundan İstatistikler’e tıklayın.
(2) Açılır menüden Özetle’ye tıklayın.
(3) Çapraz Tablolar iletişim kutusunu açmak için Çapraz Tablolar’a tıklayın.
(4) Satır değişkenine (“SES”) ve sağ ok düğmesine tıklayın.
(5) Sütun değişkenine (“delinq”) ve sağ ok düğmesine tıklayın.
(6) Çapraz Tablolar: İstatistikler iletişim kutusunu açmak için İstatistikler düğmesine tıklayın.
(7) Sıralı Veri kutusunda Gama’ya tıklayın.
(8) Devam’a tıklayın.
(9) Tamam’a tıklayın.

Gama değeri -0.95’tir, bu açıkça çok güçlü bir negatif ilişkiyi gösterir. Düşük SES topluluklarında yüksek suç oranlarının meydana geldiği ve yüksek SES topluluklarında daha düşük suç oranlarının meydana geldiği açıktır. Ders kitabı ‘Y için bir anlamlılık testini tartışmasa da, SPSS çıktısı böyle bir test için bir P değeri içerir; örnekte P, .000005’ten küçüktür.

Aynı veri için katsayı phi (çıktı gösterilmemiştir) ¢ = -0.73’tür. 2×2’lik bir tablo için phi katsayısı kategorilerin sıralamasını da yansıtır; ¢ ve ‘Y işaretleri aynı olacaktır. Ancak, ‘Y katsayısı daha büyük tablolarda da kullanılabilirken ¢ kullanılamaz.

BASİT REGRESYON ANALİZİ

Bu bölüm, basit doğrusal regresyon analizi gerçekleştirmek için Windows için SPSS’nin nasıl kullanılacağını açıklar. Bir saçılım grafiği ve korelasyon katsayısı, regresyon sonuçlarının yorumlanmasında vazgeçilmez olduğundan, bunları elde etme prosedürleri de gözden geçirilir. Basit regresyon analizi için SPSS çıktısı, gereksiz birçok sonucu içerir.

Bunun nedeni, aynı regresyon çıktısının, sonuçların bize verilerin farklı yönleri hakkında bilgi verdiği çoklu regresyon analiziyle de ilgili olmasıdır. Çoklu regresyon analizi (iki veya daha fazla bağımsız değişkenli regresyon) ders kitabında ele alınmamıştır ve dolayısıyla bu kılavuzda gösterilmemiştir.

Dağılım Grafiği ve Korelasyon Katsayısı

Regresyon analizinde önemli bir adım, iki değişkenin dağılım grafiğini incelemek ve korelasyon katsayısını hesaplamaktır. Bu prosedürlerin her ikisi de Bölüm 5’te açıklanmasına rağmen, biz burada bunları “cancer.sav” veri dosyasını kullanarak göstereceğiz. Bu örnekte, radyoaktif maddelere maruz kalma miktarı ile kanser ölüm oranı arasındaki ilişkiyi incelemek istiyoruz. Bu değişkenlerin dağılım grafiğini oluşturmak için veri dosyasını açın ve:

(1) Menü çubuğundan Grafikler’e tıklayın.
(2) Dağılım iletişim kutusunu açmak için Dağılım’a tıklayın.
(3) Simp!e Scatterplot iletişim kutusunu açmak için Derme’ye tıklayın.
(4) İncelemek (“açığa çıkarmak”) istediğiniz bağımsız değişkene (x) ve onu X Ekseni kutusuna taşımak için sağ ok düğmesine tıklayın.
(5) İncelemek istediğiniz (“mortalit”) bağımlı değişkene (y) tıklayın ve Y Ekseni kutusuna taşımak için sağ üst ok düğmesine tıklayın.
(6) Tamam’a tıklayın.

Korelasyon katsayısı aşağıdaki komutlar kullanılarak hesaplanabilir:

(1) Menü çubuğundan İstatistikler’e tıklayın.
(2) Açılır menüden İlişkilendir’e tıklayın.
(3) İki Değişkenli Korelasyonlar iletişim kutusunu açmak için İki Değişkenli’ye tıklayın.
(4) İlişkilendirmek istediğiniz değişken(ler)e tıklayın, ardından her birini değişkenler kutusuna taşımak için sağ ok düğmesiyle takip edin.
(5) Gerçek önem düzeyini görüntüle kutusunun işaretli olduğundan emin olun. Tamam’a tıklayın.

Dağılım grafiğindeki nokta sürüsü sol alttan sağ üste doğru gider. Ayrıca belirgin bir aykırılık olmadığını da görüyoruz. Maruz kalma ve ölüm oranı arasındaki korelasyon +0.93 olup, hem pozitif hem de güçlü olduğunu göstermektedir. Bu nedenle, radyoaktif maddelere daha yüksek düzeyde maruz kalma, daha yüksek kanser ölüm oranları ile güçlü bir şekilde ilişkilidir. Doğrudan korelasyonun altında listelenen P değeri, bir anlamlılık testinden elde edilir (korelasyonun sıfır olduğu hipotezinin t testi); bu, “Korelasyon için Önem Testi” bölümünde tartışılmaktadır.

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