Diskriminant fonksiyon analizi, denekler arasında tek yönlü bir MANOVA kavramsallaştırmanın alternatif (ve uyumsuz olmayan) bir yoludur. Tartıştığımız gibi, MANOVA analizindeki nicel bağımlı değişkenler, her bir durum için çözüldüğünde değeri bir diskriminant skoru olan değişken veya ağırlıklı doğrusal bir bileşik oluşturmak üzere birlikte sentezlenir.

Bu değişkenler diskriminant fonksiyonlarıdır. Diskriminant fonksiyon analizinde, bizim ilgimiz grup farklılıklarının kendi başına daha az ve grup farklılıklarını karakterize eden diskriminant fonksiyonlarının yorumlanması üzerindedir. Bir diskriminant fonksiyonunu yorumlamak, onun altında yatan gizli yapıyı veya boyutu tanımlama meselesidir.

Diskriminant fonksiyon analizinde değişkenlerin gizli boyutlarını yorumlamaya yönelik yönelim, istatistiksel analizde değişkenlerin nominal rollerini değiştirir (ancak veri toplama prosedüründe değil).

MANOVA’da bağımlı değişkenler olan nicel değişkenler, diskriminant fonksiyon analizinde (çoklu regresyon analizine benzer şekilde) öngörücüler veya bağımsız değişkenler olarak ele alınır; grup üyeliği MANOVA’da bağımsız değişken iken, diskriminant fonksiyon analizinde bağımlı değişkendir.

Bu nedenle, diskriminant fonksiyon analizinde grup üyeliğini tahmin etmek için nicel değişkenleri kullanırız. Bununla birlikte, bu tür rol farklılıklarından bağımsız olarak, nicel değişkenler ve bir gruplama değişkeni açısından düşünürsek, hem MANOVA’nın hem de diskriminant fonksiyon analizinin altında aynı dinamikler yatmaktadır.

Nicel değişkenleri temsil eden gizli boyutlara odaklanma, diskriminant fonksiyon veri analizinin iki yönü ile ortaya çıkar: açıklama veya açıklama ve tahmin veya sınıflandırma. Gruplar arasındaki farklılıklar nispeten karmaşık olabilir ve çeşitli boyutlara (örneğin, üniversite profesörleri, şirket yöneticileri ve politikacılar birçok yönden farklılık gösterir) düşebilir. Diskriminant fonksiyon analizinde, grup farklılıklarını tanımlayabileceğimiz (ve birlikte diskriminant fonksiyon modelini oluşturan) boyutların (ayırt edici fonksiyonlar) sayısı, aşağıdaki iki miktardan küçüğüdür:

• analizdeki nicel tahmin değişkenlerinin sayısı;
• grup sayısı-1 (grup değişkeninin serbestlik derecesi)—bu miktar hemen hemen her zaman nicel değişkenlerin sayısından daha küçüktür ve bu nedenle hemen hemen her zaman veri setinden çıkarılabilecek diskriminant fonksiyonlarının sayısını belirler.

Her bir diskriminant işlevi, grupların farklılık gösterdiği bir gizli boyutu temsil eder. Her fonksiyondaki değişkenlerin kendi tahmin ağırlıkları vardır (çoklu regresyondakine benzer standartlaştırılmamış ve standartlaştırılmış diskriminant katsayıları), ancak aynı zamanda ilişkili yapı katsayılarına da sahiptirler.

Bu yapı katsayıları, çoklu regresyon ve faktör analizinde gördüğümüzle aynıdır; değişken ve ağırlıklı lineer bileşik arasındaki korelasyonu temsil ederler ve değişken tarafından temsil edilen gizli boyutu yorumlamak için kullanılırlar. Örneğin analizde üç grup varsa, o zaman iki diskriminant işlevi vardır; her ikisi de istatistiksel olarak anlamlıysa, grupların her iki gizli boyut boyunca da farklılık gösterdiği söylenebilir.

Diskriminant analizi örnekleri
Diskriminant Analizi makale
Diskriminant Analizi SPSS
Diskriminant analizi lojistik regresyon
Diskriminant Analizi veri seti
Doğrusal diskriminant analizi
Lojistik regresyon analizi
Diskriminant nedir

Bununla birlikte, temel bileşenler analizinde gördüğümüz gibi, diskriminant fonksiyonları sıralı olarak çıkarıldığından ve birbirine dik olduğundan, ilk fonksiyon tipik olarak açıklanan varyansın büyük kısmını açıklar ve bu nedenle uygun vurgu yapılmalıdır.

Diskriminant fonksiyon analizinin bir diğer önemli yönü, tahmin veya sınıflandırma ile ilgilidir. IBM SPSS®, analiz tarafından üretilen diskriminant ağırlıklarına ve yapı katsayılarına ek olarak, bir dizi sınıflandırma katsayıları veya ağırlıkları da üretir.

Bu sınıflandırma ağırlıkları, grup üyeliğini tahmin etmek için nicel değişkenlere uygulanır; yani, vakaları nicel değişken puanlarına göre büyük olasılıkla ait oldukları gruba sınıflandırmak için kullanılırlar. Her grup, benzersiz bir sınıflandırma ağırlıkları seti ile ilişkilendirilir.

Bu ağırlıklar belirli bir vakaya uygulandığında vaka, toplam sınıflandırma puanının en yüksek olduğu gruba sınıflandırılır. Tahmin normalde mükemmel olmayacaktır ve modelin etkinliğini ölçmek için doğru tahminlerin yüzdesi kullanılabilir. IBM SPSS çıktısında, Press’ Q istatistiği gibi durumların şanstan önemli ölçüde daha iyi sınıflandırılıp sınıflandırılmadığına dair hiçbir test sağlanmasa da, okuyucular bu tür işlemleri gerçekleştirmek için diğer kaynaklara (örneğin, Meyers ve diğerleri, 2013) başvurabilir. kendi kendine testler.

IBM SPSS, sınıflandırma analizini gerçekleştirmek için iki farklı yordam sağlar. Varsayılan analiz, diskriminant modelini türetmek için tüm durumları kullanır ve ardından modeli her bir duruma uygular. Bu prosedür, veri setindeki vakaların başarılı sınıflandırma oranını maksimize eder, ancak yeni bir vaka setine uygulandığında o kadar başarılı da olmaz.

IBM SPSS ayrıca bize bir kez dışarıda bırakma yöntemi adı verilen bir jackknife sınıflandırma prosedürü sağlar. Bu yöntemde, bir durum analizden çıkarılır ve bu durumu sınıflandırmak için diskriminant fonksiyon modeli oluşturulur ve uygulanır. Vaka daha sonra numuneye yeniden emilir, analizin dışında bırakılmak üzere başka bir vaka seçilir ve tüm vakalar bu şekilde ele alınana kadar böyle devam eder. Bu çapraz doğrulama girişimi, sınıflandırma etkinliğinin daha gerçekçi bir resmini sağlar ve varsayılan yöntemden çok daha fazla dış geçerliliğe de sahiptir.

SAYISAL ÖRNEK

Kullanılanla aynı iş ortamı veri dosyasını kullanıyoruz ve iflas seviyeleri (veri dosyasında 1 olarak kodlanmıştır), sabit durum (veri dosyasında 2 olarak kodlanmıştır), grup değişkenimiz olarak iş_döngüsü’nü de kullanacağız. ve hızlı genişleme (veri dosyasında 3 olarak kodlanmıştır).

Bu analiz için, grup üyeliğinin yordayıcıları olarak şu nicel değişkenleri kullanıyoruz: beckdep (depresyon), saygı (öz-saygı), kendine güven (öz kontrol), neoneuro (nevrotiklik), neoextra (dışadönüklük), neoopen (açıklık), neoagree (ulaşılabilirlik), neoconsc (vicdanlılık), posafect (olumlu duygulanım), negafect (olumsuz duygulanım), sanx (durumluk kaygı), tanx (sürekli kaygı) ve kabullenici (kendini kabul).

ANALİZ KURULUMU

İş ortamı veri dosyasını açıyoruz ve ana menüden Analiz Et ➔ Sınıflandır ➔ Diskriminant’ı seçiyoruz. Bu, gösterilen ana Diskriminant Analizi penceresini açar. beckdep, Regard, selfcon, neoneuro, neoextra, neoopen, neoagree, neoconsc, posafect, negafect, sanx, tanx ve kabulc değişkenlerini Bağımsızlar paneline de taşıyoruz.

The post Diskriminant Fonksiyon 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).