SPSS İstatistiklerinde, SPSS Modeler’daki Partition Node gibi özel bir işlemimiz yok. Bunun yerine, gerekli özellikler birkaç farklı yerde dağıtılır. Daha da önemlisi, gerekli tüm özelliklerin hesaba katılması:

■ Tutarlılık ihtiyacı
■ Bir bölüm değişkeni oluşturma yeteneği
■ Bölüm değişkeninin tüm modellere atanması

Bunu sadece bu bölümde açıklıyoruz, ancak Karar Ağacı ve KNN bölümleri için de geçerlidir. Rastgele seçilen iki bölüme ayrılmış bir değişken oluşturmanın en kolay yolu aşağıdaki sözdizimi komutudur. İşlev, menüler aracılığıyla da kullanılabilir; tek ihtiyacınız olan eşittir işaretinin sağındaki kısımdır. Bir parametre olarak 0,5 seçimi, rastgele atanan kabaca %50 1’ler ve %50 0’lar oluşturacak ve yeni değişken veri penceresinde görünecektir:

• Hesaplama Treni _ Testi = rv.bernoulli(0.5)

Komutu her çalıştırdığınızda farklı görevler alacaksınız, bu nedenle veri paylaşıyorsanız iş arkadaşlarınızla tutarlı olmak isteyeceksiniz. Bunu başarmak için ya veri setini kaydedin ve değişkeni paylaşın ya da rasgele sayı üreteci ile bir “tohum” değişkeni paylaşın.

Train_Test değişkeni, ANN_Bank_Results.sav veri kümesinde mevcuttur. SPSS Help, bir tohum atama ve paylaşma hakkında daha fazla bilgi sağlayabilir. Bu fenomene daha sonra tekrar değineceğiz, ancak doğru vurgu için sinir ağlarının her seferinde farklı bir sonuç üreteceğinden şimdi söz edilmelidir, bu nedenle ANN_Bank_Results.sav veri kümesi ayrıca sinir ağı tahmin değerlerine sahiptir.

Adımları orijinal verilerle takip edecek olsaydınız, iki farklı yolla değişkenlik üretebilirsiniz: farklı bir bölüme sahip olmak veya sadece farklı bir sinir ağı üretmek. Adımlar basittir, ancak aynı verileri kullanırken bile aynı sonuçları vermezler.

Bölüm değişkenini kullanmanın son adımı, modeli çalıştırma zamanı geldiğinde onu atamaktır. “Seçim Değişkeni” değişken seçim kutusu, gösterildiği gibi Doğrusal Regresyon dahil bir dizi menüde mevcuttur.

Rule alt menüsünde “1” ilan edildiğinde, 1’ler Train bölümüne, 0’lar ise Test bölümüne atanacaktır. Bu ayarın çıktı üzerindeki etkisi bir sonraki bölümdeki örnekte tartışılacaktır.

SPSS Kullanma Kılavuzu SPSS ile Adım Adım Veri Analizi
SPSS kitabı PDF
Cronbach alfa katsayısı kaç olmalı
Cronbach Alpha yorumlama
Cronbach alpha katsayısı nedir
SPSS Kullanma Kılavuzu Julie Pallant PDF
Cronbach alfa iç tutarlılık katsayısı
Cronbach alfa katsayısı nasıl hesaplanır

Regresyonun Sinir Ağı ile Banka Maaş Vaka Çalışması ile Karşılaştırılması

Bu bölümde, iki ana etkiye sahip, ancak etkileşim terimi olmayan bir regresyonla başlayan bir dizi model ve modelleme yaklaşımına başlayacağız. Başlangıç ​​maaşı bağımlı değişkendir ve Eğitim ve Cinsiyet bağımsız değişkenlerdir, ancak Eğitim dönüştürülmüştür.

“Merkezlenmiştir”, yani dönüştürülmüş değişkende sıfır, sıfır eğitimi değil, ortalama eğitimi temsil eder. Bu dönüşüm henüz gerekli değil, ancak regresyon kullanarak etkileşimleri keşfettiğimizde gerekli olacak, bu nedenle şimdi tutarlılık için tanıtılıyor. Bu veri seti kitabın web sitesinde mevcuttur.

Çıktı, modeli oluşturmak için yalnızca 1’lerin kullanıldığını açıkça ortaya koyuyor. Ancak, 0’ların oynayacak bir rolü vardır. Bu veriler, regresyonun diğer verilere iyi bir şekilde genelleştiğini göstermek için kullanılır. Tren verileri (.664) için çoklu R’nin, Test verileri (.695) için çoklu R’ye çok yakın olduğuna dikkat edin. Her iki bağımsız değişken de anlamlıdır. 1804 dolarlık cinsiyet farkı, çoğu çalışan için toplam yıllık maaşın on binlerce değil, binlerce olduğu bir çağda önemsizdir. Ed_cen, her eğitim yılının yıllık maaşa yaklaşık 532 dolar eklediğini ortaya koyuyor.

Şimdi gösterildiği gibi aynı tahmin edicileri kullanan bir YSA ile ilerleyeceğiz. YSA ile bu önlem gereksiz olduğu için eğitim dönüştürülmemiştir. Varsayılan olarak, sinir ağı modülü kendi bölümlemesini yapar, ancak tutarlılık için gösterildiği gibi aynı Train_Test değişkenini kullandık.

Sonuçları inceleyelim. Ağ topoloji diyagramları (Şekil 13-18) görsel olarak oldukça ilgi çekicidir, ancak sonuçta bize model hakkında pek bir şey söylemezler, en azından regresyon çıktımızla aynı şekilde değil. Cinsiyet ve edlevel’in biraz farklı davrandığını görüyoruz. Cinsiyet bir faktör olduğu için iki girdi olarak gösterilir, ancak edlevel bir ortak değişken olduğu için yalnızca bir kez gösterilir. Gizli katmanda dört düğüm vardır. Bunu biz seçmedik ve etkilemedik.

Sinir ağı algoritması, problem için en uygun mimari veya topoloji olduğunu belirledi. Bazı ağırlıklar pozitif, bazıları negatiftir, ancak gizli katmandaki hangi düğümün problemin hangi yönünü temsil ettiğine dair bir açıklama yoktur. Gerçek ağırlıkları talep edebiliriz, ancak bu soruları çözmez ve bir koşudaki pozitif ağırlık bir sonrakinde tersine dönebilir. Kısacası, regresyon çıktısı kadar şeffaf değildir, ancak bazı varyantları her yöntemle karşılaştırdığımızda avantajları netleşecektir.

Her İki Model İçin Ortalama Mutlak Yüzde Hatasının Hesaplanması

Regresyon, istediğimizde bize bir artık (RES_1 adlı) sağlar. ANN_Res durumunda, kendimizin hesabını yapıyoruz. Bu hesaplamalarla donanmış, ikisini karşılaştırmak basit bir meseledir. Sinir ağı sonuçlarının, ANN_APE’nin, regresyon sonuçlarından çok daha iyi olduğunu bulduk. Bunlar hatalar olduğundan daha düşük daha iyidir. .00 sonuçlarının, modellerin görünmeyen veriler üzerinde performans gösterme yeteneğini yansıttıkları için en önemli Test sonuçlarımızı temsil ettiğini hatırlayın.

.00 sonuçlarının dikey olarak 1.00 sonuçlarıyla karşılaştırılması, YSA için %13,1 ve %13,8’de iyi bir tutarlılık gösterir. %23’e karşılık %19.2’lik regresyonun tutarlılığı fena değil, ama iyi de değil. Yalnızca test sonuçlarına bakıldığında, %13.1, %19.2’den çok daha iyi. Bunlar %86,9 ve %80,8 doğruluğu yansıtır (hatayı %100’den çıkararak). ANN neden çok daha iyi? Tabii ki sihir değil. Bu, birinin yakaladığı bir şeyi diğerinin kaçırdığı anlamına gelir. Nasıl? Görünüşe göre aynı bileşenlere sahipler.

Regresyon, insan analistin etkileşim terimlerini manuel olarak oluşturmasını gerektirir ve sinir ağı bunu gerektirmez. Yani bir elma-elma karşılaştırması gibi görünüyor, ancak sinir ağının, gerilemenin yardım almadan üstesinden gelemeyeceği bir avantajı var. Şimdi bu yardımı bir etkileşim terimi ekleyerek sağlayacağız ve daha fazla model ve daha fazla karşılaştırma ile devam edeceğiz.

Performansın çok daha iyi olduğunu görebiliriz. Resmi olarak bir etkileşim terimi oluşturulmuş ve modele eklenmiştir. Ed_sex, diğer iki bağımsız değişkenimizin basit bir çarpımıdır ve başka bir şey değildir. Ancak, bu yüzden değişkeni daha önce ortaladık. Olmasaydık, regresyon çoklu bağlantıdan zarar görecekti. R2 %44.1’den neredeyse %50’ye yükseldi. Ayrıca, etkileşim terimi, ed_sex, yalnızca ana efektler sürümünün sinir ağı ile rekabet etmekte neden zorluk çektiğine dair bir ipucu vererek, açıkça önemlidir.

Bu sonucu APE2 olarak adlandıracağız. Güncellenmiş Ortalamaları Karşılaştır raporu, hem kararlılıkta (%17,9 ile %20,9 arasında) hem de test bölümündeki doğrulukta (son zamana kıyasla %17,9, %19,2) iyileşme olduğunu göstermektedir. Hala sinir ağına yetişmedi.

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