Bu yazı dizisinde ele aldığımız istatistiksel prosedürlerin çoğu, değişkenler arasındaki ilişkinin tamamen doğrusal bir fonksiyonla tanımlanabileceğini varsaymaktadır; yani, düz bir çizgi (örneğin, Y = a + bX), iki (veya daha fazla) değişken arasındaki ilişkiyi temsil etmek için en uygun modeldir. Ancak, değişkenler arasındaki ilişkinin biraz daha karmaşık olabileceği durumlar vardır; Bu bölümde değişkenlerin polinomsal bir şekilde ilişkili olduğu bir durumu ele alıyoruz.

Polinom ifadeleri, bazı pozitif tam sayı gücüne yükseltilmiş değişkenleri içerir. Sıradan ham puan ölçülerimiz, 1’in (teknik olarak, birinci dereceden bir polinom) gücüne yükseltilmiş değişkenleri temsil eder; birinci güce yükseltilmiş herhangi bir sayı, o sayıya eşit bir değere sahiptir (örneğin, 91 = 9) ve bu nedenle sayıları yazarken geleneksel olarak üssü atlarız.

Bir değişkeni 2’nin (X2) kuvvetine yükseltirsek, karesi alınan değer ikinci dereceden bir ifadeyi (ikinci dereceden bir polinom) temsil eder ve bir değişkeni 3’ün (X3) kuvvetine yükseltirsek, o zaman konuşuyor oluruz bir kübik fonksiyon hakkında (üçüncü dereceden bir polinom); davranışsal, tıbbi ve biyolojik araştırma alanlarında dördüncü dereceden (kuartik fonksiyonlar), beşinci dereceden (beşinci dereceden fonksiyonlar) veya daha yüksek dereceli polinomlarla uğraşmak oldukça sıra dışıdır.

Polinom değişkenleri bir regresyon denklemine girilebilir. Örneğin, X’in karesinin bir fonksiyonu olduğu tahmin edilen bir Y değişkenini tasavvur edebiliriz (örneğin, Y = a + bX + bX2). Böyle bir model özünde lineer bir modeldir (Meyers ve diğerleri, 2013), çünkü lineer bir fonksiyonda gerektiği gibi terimleri bir araya toplarız ancak ilave olarak eklediğimiz terimlerden biri (veya daha fazlası) lineer değildir (örn. ikinci derecedendir). Böyle bir fonksiyonu çizecek olsaydık, sonuç düz bir çizgi olmazdı.

Örneğin, ikinci dereceden işlevlerin bir “bükümü” veya eğriliği vardır ve içlerinde bir bükülme veya dönüş noktası olasılığı vardır; ikinci dereceden bir fonksiyonun idealleştirilmiş bir tasviri, U-şekilli veya ters U-şekilli bir çizim olacaktır. Bir kübik fonksiyonun ek bir eğriliği ve iki bükülme noktasına sahip olma olasılığı vardır; bir kübik fonksiyonun idealleştirilmiş bir tasviri, N-şekilli veya ters N-şekilli bir çizim olacaktır.

Polinom fonksiyonları bazen çok çarpıcı biçimde insan yaşamına uygulanır. Günlük hayata uygulanan polinom fonksiyonunun iyi bilinen bir örneği, performansın kalitesi ile bir görevi yerine getirirken deneyimlediğimiz stres, kaygı veya genel uyarılma düzeyi arasındaki ilişkidir. Genel ilke, bir noktaya kadar artan uyarılmanın görev performansını kolaylaştırdığı, ancak bu noktanın ötesinde performansı engellediğidir (yani performans, uyarılmanın ters U şeklinde bir işlevidir).

Bu genellikle Yerkes-Dodson yasası olarak bilinir, çünkü Yerkes ve Dodson (1908) bunu ilk kez bir asırdan fazla bir süre önce iki araştırmacı farelere elektrik çarpması cezasıyla daha hafif odayı seçmeyi ve daha karanlık olandan kaçınmayı öğretmeye çalıştıklarında tanıtmıştır. . Piyasaya sürülmesinden bu yana geçen yüz yıldan fazla bir süredir, performansın ve uyarılmanın veya stresin bu ters U şeklindeki işlevi, ortak bilgimizin bir parçası haline geldi.

Polinom regresyon analizi, polinom tahmin edicilerinin dayandığı lineer değişkene ek olarak ikinci dereceden ve (potansiyel olarak) kübik veya daha yüksek polinomları tahmin ediciler olarak kullanır. Normal olarak, birinci blokta girilen doğrusal terim, ikinci blokta modele eklenen ikinci dereceden terim, üçüncü blokta modele eklenen kübik terim vb. ile hiyerarşik bir analiz olarak gerçekleştirilir.

Öngörücüler kümesi verilen verilere en iyi uyan polinom fonksiyonu (model), en küçük kareler algoritmasına dayanmaktadır. Her modelin uygulanabilirliğini belirlemek ve en iyi tutumluluk ve fayda kombinasyonuna sahip modeli seçmek için her ek polinom öğesiyle ilişkili R2 değişikliği miktarını (ve istatistiksel önemini) değerlendiririz.

Lojistik regresyon
Python polinom
Doğrusal OLMAYAN REGRESYON örnek
Python polinom hesaplama
Doğrusal regresyon modelini eğitmek için hangi fonksiyon kullanılır
Doğrusal olmayan regresyon nedir
Polynomial fonksiyon
Pekiştirmeli öğrenme algoritmaları

SAYISAL ÖRNEK

Yerkes-Dodson yasasına ilişkin kurgusal çalışmamızın verileri performans ve stres adlı dosyada mevcuttur. Üniversite öğrencilerine çözülmesi gereken 20 bulmaca verildi. Doğru çözülen bulmaca sayısı performans değişkeni altında verilmektedir. Teste girme koşulları öyleydi ki, öğrenciler farklı stres seviyeleri yaşadılar; yaşadıkları stres miktarı, stres_seviyesi değişkeni altında kaydedilir.

ANALİZ STRATEJİSİ

Amacımız, stres düzeyinden performansı tahmin etmektir ve Yerkes-Dodson yasası hakkında bildiklerimiz göz önüne alındığında, bu iki değişkeni ilişkilendirmek için ters U-şekilli bir işlevi beklerdik (katılımcılar tarafından deneyimlenen stres düzeyinin yeterince geniş bir aralığı varsayarak). ve bulmacaların orta zorluk seviyesinde olduğunu). Bu nedenle, regresyon modelimize en azından ikinci dereceden bir bileşen ekleme ihtiyacını tahmin ediyoruz.

Analiz stratejimiz şu sırayı takip eder:

• Tersine çevrilmiş U-şekilli bir dizi görmeyi umarak, iki değişken arasındaki ilişkiyi görsel olarak değerlendirmek için bir dağılım grafiği elde ederiz.
• Dağılım grafiğini görsel incelememize dayanarak gerekli olduğuna karar verilen herhangi bir polinom öngörücü değişkenini (örneğin, kare gerilim_seviyesi, kübik stres_seviyesi) hesaplarız.
•Bir dizi modelde doğrusal değişkeni (orijinal stres_seviyesi) ve polinom değişkenlerini kullanarak Doğrusal Regresyon prosedürünüperformansal regresyonanalizini kullanırız.

SCATTERPLOT’UN ELDE EDİLMESİ

Performans ve stres isimli veri dosyasını açıyoruz ve ana menüden Graphs ➔ Legacy Dialogs ➔ Scatter/Dot’u seçiyoruz. Bölüm 22’de açıklandığı gibi, bu, gösterilen Dağılım/Nokta penceresini açar. Basit Dağılım’ı seçin ve gösterilen Basit Dağılım iletişim ekranını açmak için Tanımla’ya tıklayın. Performansı Y Ekseni paneline ve stress_level’i X Ekseni paneline yerleştiriyoruz. Tamam’ı tıklatmak dağılım grafiğini üretir.

Performans ve stress_level dağılım grafiği sunulur. Görsel inceleme, iki değişkenin çoğunlukla ikinci dereceden bir şekilde ilişkili olduğunu gösterir. Veri noktalarına (koordinatlara) uygun bir düz çizginin (doğrusal bir işlev) X eksenine kabaca paralel olacaktır; bu nedenle, ilişki için geçerli bir doğrusal bileşen yok gibi görünüyor.

Dağılım grafiği tam olarak simetrik olmadığı için (biraz sağa doğru “çıkıyor”), veri dizisinin o bölümünde biraz farklı bir eğrilik oranı önerdiğinden, ilişkide zayıf bir kübik bileşen olma olasılığı vardır. . Bu nedenle hiyerarşik analizimizde üç öngörücü kullanacağız: stres_seviyesinin doğrusal değişkeni, karesi alınmış bir stres_seviyesi değişkeni ve bir kübik stres_seviyesi değişkeni. Bunları Lineer Regresyon prosedüründe kullanmak için, bu son iki değişkeni hesaplamamız gerekecektir.

The post Polinom 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).

Bu oturumda aşağıdakileri yapmayı öğreneceksiniz:

• Orijinal verileri dönüştürerek bir regresyon modelini iyileştirin
• Dönüştürülen verileri kullanarak katsayıları ve tahminleri yorumlama

İlişkiler Doğrusal Olmadığında

Şimdiye kadarki regresyon modellerimizde doğrusallık varsaydık; yani, bir x bir birim değiştiğinde y sabit bir miktarda değişir, diğer şeyler eşit olur. Doğrusal model, birçok durumda iyi bir yaklaşımdır. Bununla birlikte, bazı ilişkilerin muhtemelen doğrusal olmadığını da biliyoruz. Kilo kaybı ile gösterildiği gibi “azalan verim yasasını” düşünün. İlk başta, kalorilerinizi azalttıkça kilolar hızla düşebilir. Kilonuz azaldıkça, kiloların düşme hızı azalabilir.

Böyle bir durumda, x ve y (kalori ve kilo kaybı) gerçekten ilişkilidir, ancak doğrusal bir şekilde değildir. Bu oturum, bir eğriyi bir dizi noktaya sığdırmak için kullanabileceğimiz bazı teknikler sağlar. Her teknikte temel stratejimiz aynı olacaktır. Karakteristik şekli noktaların eğrisine yaklaşan bir fonksiyon bulmaya çalışacağız.

Ardından, genel olarak doğrusal bir ilişkiye sahip iki değişken elde edene kadar bu işlevi çalışma sayfamızdaki bir veya daha fazla değişkene uygulayacağız. Son olarak, dönüştürülmüş verileri kullanarak doğrusal bir regresyon gerçekleştireceğiz. Yapay bir örnek kullanarak başlayacağız. SPSS’de Xsquare adlı veri dosyasını açın.

Basit Bir Örnek

İki değişken arasında, y’nin x’in karesi ile değiştiği, bilinen bir doğrusal olmayan ilişkiyle başlayalım. Resmi model (ikinci dereceden model olarak bilinir) şöyle görünebilir:

• y = 3×2 + 7

Aslında, Xsquare dosyası, tam olarak bu ilişkiyi yansıtan yapay bir veri kümesidir. y’ye karşı x’i ve ardından y’ye karşı xsquare’i çizersek, grafikler şöyle görünür:

Soldaki grafikte, ikinci dereceden bir fonksiyonun belirgin parabolik şeklini görüyoruz. y, x’in her arttığında artar, ancak bunu artan bir miktarda yapar. Açıkça, x ve y ilişkilidir, ancak aynı derecede açık bir şekilde, ilişki eğriseldir. İkinci grafikte, basit doğrusal regresyon için mükemmel bir aday olan tamamen düz bir çizgimiz var. xsquare üzerinde bir y regresyonu çalıştıracak olsaydınız, eğim ve kesişim ne olurdu? (Yap ve kendini kontrol et.)

Doğrusal OLMAYAN REGRESYON örnek
Doğrusal olmayan ne demek
Üstel regresyon modeli
Doğrusal olmayan en küçük kareler yöntemi
Regresyon modelleri
Doğrusal olmayan regresyon Excel
Doğrusal olmayan regresyon nedir
Doğrusal olmayan ekonometrik modeller

Bu, yukarıda belirttiğimiz stratejiyi göstermektedir: Eğri bir ilişkimiz olduğunda, doğrusal görünen bir grafiğimiz olana kadar bir veya daha fazla değişkenimizi dönüştürmenin bir yolunu bulmaya çalışacağız. Ardından, tanıdık ve güçlü doğrusal regresyon aracımızı dönüştürülmüş değişkenlere uygulayabiliriz. Bir veya daha fazla değişkeni dönüştürebildiğimiz ve y’nin temel işlevsel biçimini katsayı çarpı değişkenlerin toplamı olarak koruyabildiğimiz sürece, bir eğriye sığdırmak için doğrusal regresyon kullanabiliriz. Sonraki birkaç örneğin altında yatan temel fikir budur. SPSS, bu tür örneklere yaklaşmak için çeşitli yollar sunar; ikisini inceleyeceğiz.

Bazı Ortak Dönüşümler

İlk yapay örneğimizde, tek bir açıklayıcı değişkenin karesini aldık. Cebir ve kalkülüs derslerinizden hatırlayabileceğiniz gibi, kübik, logaritma ve üstel gibi birçok yaygın eğrisel fonksiyon vardır. Bu oturumda, gerçek dünya ilişkisinin matematiksel bir modelini nasıl oluşturabileceğine dair bir fikir edinmek için birçok olası dönüşümden birkaçını kullanacağız.

15. Oturumdan (ve yaklaşık 400 yıl önce) bir örnekle başlayalım: Galileo’nun yuvarlanan toplarla yaptığı deneyler. İlk veri setinin belirgin bir eğri çizdiğini hatırlayın:

Başlangıç ​​yüksekliği ne kadar büyük olursa, top o kadar fazla yuvarlanır, ancak yükseklik arttıkça artan yatay yuvarlanma azalır. Düz bir çizgi kötü bir uyum değildir (r2 = .93), ancak farklı bir işlevsel formla daha iyisini yapabiliriz. Aslında, Galileo, sonunda yatay mesafenin dünyanın durumuna göre değişebileceğine karar verene kadar, bu sorun üzerinde epey bir süre kafa karıştırdı.

yüksekliğin karekökü.2 y = + x grafiğini görselleştirirseniz, yukarıdaki dağılım grafiğine çok benzer: Soldan sağa hızla yükselir,
yavaş yavaş düzleşiyor.

Galileo adlı dosyayı açın. Hesaplama Değişkenini Dönüştür… Burada gösterildiği gibi, yeni bir değişken (SqrtHt), HtRamp’ın kareköküne eşittir.

Şimdi DistRamp y ekseninde ve SqrtHt x ekseninde olacak şekilde bir dağılım grafiği yapın. Bu grafiği oluşturan regresyon çizgisini ekleyin:

Bu dönüşüm, r2’yi 0,926’dan 0,984’e yükselterek eğri çizgiyi düzeltme eğilimindedir. Dahası, sürtünmenin farklı yüksekliklerden yuvarlanan bir topun yatay hareketini “sönümleme” eğiliminde olacağı teorik olarak mantıklıdır. Diğer işlevsel dönüşümler, noktaları daha eksiksiz bir şekilde hizalayabilir, ancak daha sonra göreceğimiz kadar anlamlı değildir.

Şimdi noktaları düzelttiğimize göre, şimdi bir göz atalım. Grafiğe dahil edilen sonuçtaki tahmini regresyon denklemidir.

Kesişme, 0 punti yükseklikten yuvarlanan bir topun yaklaşık 129 punti yuvarlanacağı ve yüksekliğin karekökü bir punto arttığında mesafenin 14.5 punti artacağı anlamına gelir. Uyum mükemmeldir (r2 = .98) ve anlamlılık testlerini (burada gösterilmemiştir) hesaplamak için regresyon prosedürünü kullanırsak, bunların iki değişken arasında istatistiksel olarak anlamlı doğrusal bir ilişki önerdiklerini kuvvetle buluruz.

Denklemi kullanarak, sadece modele bir yükseklik koyarak seyahat mesafesini tahmin edebiliriz. Örneğin, ilk rampa yüksekliği 900 punti olsaydı, yapardık.

Tahmini y değerini hesaplamak için burada x değerimizi dönüştürmeye özen göstermemiz gerektiğini unutmayın. Sonucumuz, 900 veya 30’un karekökü kullanılarak hesaplanır.

Herhangi bir regresyon analizi gibi, ε ile ilgili varsayımlarımızın geçerliliğini de kontrol etmeliyiz. Sonraki örnek, bu analizin yanı sıra başka bir eğrisel işlevi içerir.

Başka Bir İkinci Dereceden Model

Doğrusal olmayan ilişkiler birçok çalışma alanında ortaya çıkar. Daha önceki bir Harekete Geçiyor… sorusunda görmüş olabileceğiniz, toplam kişisel tasarruflar ile toplam kişisel gelir arasındaki ilişkiyi ele alalım. Tasarrufların gelir arttıkça artmasını bekleyebiliriz, ancak doğrusal bir şekilde olması gerekmez. ABD dosyasını açın.

Bu örnek ayrıca, doğrusal olmayan tahminin işlenmesi için yeni bir SPSS komutunu tanıtacaktır. Basit doğrusal modelle başlayalım.
Dikey eksende toplam brüt kişisel tasarrufları ve yatayda toplam kişisel geliri temsil eden değişkenle bir dağılım grafiği oluşturun. Bir regresyon çizgisi ekleyin.

Ortaya çıkan grafikte görebileceğiniz gibi, noktalar sabitlenmiş doğrunun etrafında yaylanır ve r2 sadece .064’tür. Son yıllarda, kişisel gelir arttıkça ABD’deki bireylerin tasarruflarını azalttığı açıktır. Bu regresyonu, lineer olmayan bir model de belirlememize ve sonuçları karşılaştırmamıza izin veren yeni bir komut kullanarak çalıştıralım.

The post Doğrusal Olmayan 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).