Gösterilen iletişim kutusunda bu örnek için yapılandırmayı ayarlayın. Büyütme Yöntemini CRT olarak değiştireceğiz, ancak başka bir değişiklik yapmayacağız. Tüm olası girdiler kullanılacaktır (ikinci CHAID denememizde de durum böyleydi). Gösterilen değişkenler Pclass, Sex, Parch, Age, SibSp, Fare ve Embarked_Code’dur.

CHAID’de belirttiğimiz gibi, Ölçüm Düzeyi beyanının sonuca etkisi olduğunu unutmayın. Doğrulama aynı kalır; Train_Test değişkenini kullanın. Kriterler için, ikinci CHAID girişimi için seçtiğimiz ayarları kullanın – derinlik 5, ebeveyn için minimum 30 ve minimum çocuk için gösterilen sonuç çok daha büyük bir ağaçtır.

CRT, çok daha karmaşık bir ağaç üretti. Performansı, ikinci CHAID girişimi ile hemen hemen aynıdır. Aynı zamanda oldukça kararlıdır. Erkekler için en önemli ikinci değişken olarak Yaşı kullandığına dikkat edin. Ayrıca, Ücret, kesme noktaları arasında ince ve küçük küçük farklarla birden çok kez kullanılır.

CRT Algoritmasının Neden Farklı Bir Ağaç Ürettiğini Anlama

CRT algoritması ilk olarak 1984 yılında Leo Breiman, Jerome Friedman, Charles J. Stone ve R.A. Olshen, Sınıflandırma ve Regresyon Ağaçları (Chapman ve Hall/CRC) adlı kitabında yer alır. Bununla birlikte, yaklaşımın önemli bir bileşeni, 75 yıl daha eski olan Gini Katsayısı’nı kullanmaktır.

Sosyolog Corrado Gini’nin Gini Katsayısı, ülkelerdeki gelir eşitsizliğini tanımlamak için kullanılır. Sıfır Gini Katsayısı, herkesin aynı gelire sahip olduğu bir ülkeyi tanımlar ve 1 Gini katsayısı, bir kişinin tüm gelire sahip olduğu anlamına gelir. CRT algoritması bunu akıllı bir şekilde yeniden kullanır.

Nihai olarak bir karar ağacının amacı, hedef değişkende “farklılığın” olmadığı yaprak düğümleri belirlemektir. Alternatif kelime dağarcığı, bir karar ağacı bağlamında bize daha iyi hizmet eder. “Saf” bir yaprak düğümde, hedef değişkenin tüm değerleri aynı olacaktır. Bu nedenle, CRT kullanırken veya ayarları değiştirirken genellikle “saflık” ve “katışıklık” kelimelerini kullanırız.

Dolayısıyla, CRT’nin ilk değişken olarak Sex’i seçtiği gerçeği hakkında yapılacak iki önemli gözlem var. İlk olarak, CRT her zaman bir ikili bölme üretir. CHAID, gördüğümüz gibi, her zaman böyle yapmaz. Bu nedenle, biri CHAID ve diğeri CRT olan iki ağaç, oldukça farklı görünme eğiliminde olacaktır, ancak tahminlerinde benzer veya hatta aynı olabilir. İkincisi, safsızlığı azaltmak bir hedef olduğundan, Seks safsızlıkta önemli bir azalma üretmiş olmalıdır.

Kayıp veri Nedir
Eksik veri tamamlama yöntemleri
Kayıp veri analizi
Kayıp değerleri düzeltilme yöntemleri
R da eksik veri
Spss de kayıp veriler nasıl bulunur
SPSS kayıp veri
Kayıp veri grafiği

Genel hayatta kalma oranı yaklaşık %40’tır ve bu, safsızlığı maksimize edecek orandan çok da uzak değildir. Her kategoride %50’lik bir ikili hedef bunu başarabilir. Buna karşılık, Cinsiyette bölünmeden sonra, dişiler için hayatta kalma oranı, Düğüm 1’de %50’den uzaklaşarak tırmanır ve Erkekler için tam tersi gerçekleşir.

CHAID’in en düşük p değerini araştırması aynı etkiyi yaratma eğilimindedir, ancak CRT ile daha çok doğrudan saf yaprak düğümleri hedefine hareket ederiz. Bu yaklaşım üzerinde dikkatlice düşünürseniz, endişe duymalısınız. Yalnızca bir durumu olan bir yaprak düğüm her zaman saf olacaktır.

Bu endişe vericidir, ancak CRT algoritması bunu “dengeyi” kirlilikteki azalmayla eşit olarak tartarak ele alır. Düğüm 1 ve 2 boyut olarak eşit olmasa da, 212 ve 396 boyutları çok dengesiz değildir. Cinsiyet değişkeni hem saflığı hem de dengeyi tartarken en güçlü seçenekti ve bu nedenle CRT önce Cinsiyete bölündü.

Ölçek değişkenleri CRT’de zarif bir şekilde işlenir. Bunları bir ilk adım olarak dönüştürmesi gerekmez. Gördüğümüz gibi, CHAID, ölçek değişkenlerini ondalıklara dönüştürür ve daha sonraki adımlarda bunları sıralı değişkenler olarak ele alır. CRT’nin algoritması, olası her kesim noktasını dikkate alır.

Doğal olarak, ilk ve son kesme noktaları çok dengesiz bir bölünme yaratacaktır, ancak hepsini hesaplar. Bu veri kümesi örneğinde, genç erkeklerin, erkek ergenler ve yetişkinlerden çok daha yüksek bir hayatta kalma oranına sahip olduğunu görüyoruz. Yaş için olası tüm kesme noktaları arasında 13 yaş saflık ve denge için en uygun olanıydı. Ve Erkekleri alt bölümlere ayıracak tüm olası değişkenler arasında Yaş en iyisiydi.

Kayıp Veri

Suretler, eksik veri sorununa büyüleyici bir çözümdür. CHAID’in aksine, CRT eksik verileri ayrı bir kategori olarak ele almaz. Örneğin, Titanik verilerinde önemli sayıda yolcunun yaş değeri eksik. CHAID’in bu konudaki davranışı, eksik değeri olan vakaların ağaçta nerede olduğunu kolayca görebileceğiniz için, eksik verilerin işlenmesini oldukça şeffaf hale getirir.

Bunun yerine, CRT eksik bir değerle karşılaştığında, bu vakanın sol dala mı yoksa sağ dala mı katılması gerektiğini belirlemeye çalışır. Taşıyıcı anneler kullanmanın çözümünün harika yanı, çok kesin bir yaş tahmini gerektirmemesidir. İyi bilinen bir teknik olan impütasyon, yolcunun yaşını tahmin etmeye çalışmayı, 5 yaşında veya 48 yaşında gibi bir tahmin üretmeyi içerir.

Taşıyıcı anneler söz konusu olduğunda, sadece, az önce tartıştığımız eşik olduğundan, yolcunun 13 yaşından küçük mü yoksa daha büyük mü olduğunu belirlememiz gerekiyor. CRT, bu belirlemeyi yapmamızı sağlayan ağaç için belirtilen değişkenler arasından beş değişken tanımlar.

Örneğin, eşleri veya kendi çocukları ile seyahat ediyorlarsa, 13 yaşından küçük olmaları kesinlikle olası değildir. Her düğümde en fazla beş vekil bulunur ve açıkçası, eksik olana bağlı olarak bunlar farklı olacaktır. Beş değişken, eksiksiz verilerin, eksik bilgilerle en çok ilişkili olduğunu ortaya koyduğu beş değişken olacaktır.

CRT Ayarlarını Değiştirme

Daha büyük veya daha küçük bir ağaç oluşturmak için CRT ile bir dizi ayarı değiştirebiliriz. Maksimum derinliği veya ebeveyn/alt ayarlarını değiştirebiliriz. Bu ayarın artırılması veya azaltılmasının etkisine ilişkin bir koçluk çizgisine sahip olan CRT sekmesinde bulunan “kirlilikteki minimum değişiklik”i de değiştirebiliriz: “Büyük değerler daha büyük ağaçlar üretme eğilimindedir.” Daha fazla veya daha az ondalık basamağa sahip olmak için önce bir sıfır (veya iki) eklemeyi veya bırakmayı deneyin.

The post Kayıp Veri – SPSS Ödevi Yaptırma – SPSS Analizi Yaptırma Fiyatları – SPSS Örnekleri – Ücretli SPSS Analizi Yaptırma – SPSS Analizi Yaptırma Ücretleri first appeared on Akademi Delisi.

Eksik Değerler iletişim kutusu, eksik kullanıcı ve sistemde eksik değerlerin nasıl ele alınacağını kontrol etmek için kullanılır.

■ Eksik değerleri analizden hariç tut seçeneği, eksik değerleri olan durumları analizden hariç tutar.
■ Eksik değerleri analize dahil et seçeneği, sürekli değişkenlerin eksik değerlerini ortalamalarla değiştirir ve kategorik değişkenlerin eksik değerlerini, geçerli bir kategori olarak ele alınmaları için birlikte gruplandırır. İsteğe bağlı olarak, her durumda eksik değişkenlerin oranını temsil eden ek bir değişken oluşturulmasını talep edebilir ve bu değişkeni analizde kullanabilirsiniz.

Tekli veya çoklu atama kayıp değer analizi ayrı prosedürlerde mevcuttur. Veri kümemizde eksik veri yok, bu nedenle bizim durumumuzda her iki seçenek de aynı sonucu verecektir.

Seçenekler sekmesini tıklayın.

Olağandışı Durumları Tanımla: Seçenekler iletişim kutusu, olağandışı durumları belirleme kriterlerini belirlemenize ve kaç tane eş grup (küme) oluşturulacağını belirlemenize olanak tanır.

■Olağandışı Vakaları Tanımlama Kriterleri seçeneği, anormallik listesine kaç vakanın dahil edildiğini belirler. Bu, en yüksek anormallik indeks değerlerine sahip vakaların yüzdesi veya en yüksek anormallik indeks değerlerine sahip Sabit vaka sayısı olarak belirtilebilir.
■Yalnızca anormallik indeks değeri minimum değeri karşılayan veya aşan durumları tanımla seçeneği, anormallik indeks değeri belirtilen kesme noktasından büyük veya ona eşitse bir vakayı anormal olarak tanımlar. Bu seçenek, Vaka yüzdesi ve Sabit vaka sayısı seçenekleriyle birlikte kullanılır.
■ Eş Grup Sayısı seçeneği, belirtilen minimum ve maksimum değerler arasında en iyi eş grup sayısını arar.

Not: Küme çözümünün sonuçları, vakaların sırasına bağlı olabilir. Sıra etkilerini en aza indirmek için vakaları rastgele sıralayın. Belirli bir çözümün kararlılığını doğrulamak için, farklı rastgele sıralarda sıralanmış durumlarla birkaç farklı çözüm elde etmek isteyebilirsiniz.

■ Maksimum Neden Sayısı seçeneği, Kaydet sekmesindeki muhakeme değişkenlerinin sayısını kontrol eder. Bir dizi muhakeme değişkeni, değişken etki ölçüsü, bu nedene ilişkin değişken adı, değişken üzerindeki durumun değeri ve karşılık gelen akran grubunun değerinden oluşur. Gösterildiği gibi sadece varsayılan seçeneklerle gideceğiz.

Tamam’ı tıklayın.

Olağandışı Durumları Tanımlayın Çıktı

Vaka İşleme Özeti tablosu, her bir akran grubu (küme) için sayıları ve yüzdeleri görüntüler. Verilerimizde üç küme bulundu ve en büyük küme, toplam 1.659 vaka veya örneğin neredeyse %50’si ile Eş Kimliği 1 idi.

Anormallik Vaka İndeksi Listesi tablosu, olağandışı olarak tanımlanan vakaları ve bunlara karşılık gelen anormallik indeks değerlerini görüntüler. Bu tablo, olağandışı vakaların kim olduğunu bilmemizi sağlar, böylece şimdi daha fazla araştırma yapabiliriz. Veri vakalarımızda 714 ve 1835 en büyük anomali indeks değerlerine (3.925) sahipti. Bu, bu vakaların ortalamanın neredeyse dört katı bir sapmaya sahip olduğu anlamına gelir.

Not: Tüm tablolar, azalan düzende anomali indeks değerlerine göre sıralanmıştır. Ayrıca, Vaka tanımlayıcı değişkeni Değişkenler sekmesinde belirtilirse vakaların kimliklerinin görüntülendiğini unutmayın.

Anomali Vakası Eş Kimliği Listesi tablosu, olağandışı durumları ve bunlara karşılık gelen eş gruplarıyla ilgili bilgileri görüntüler. Örneğin, Case ID 714’ün Peer ID grup 1’de olduğunu ve bu akran grubunun veri dosyasının yaklaşık %50’sini oluşturan 1659 vakaya sahip olduğunu görebiliriz.

Eksik veri tamamlama yöntemleri
R da eksik veri
Eksik veri tamamlama yöntemleri SPSS
Eksik veri tamamlama yöntemleri Python
Kayıp veri Nedir
Kayıp veri grafiği
Eksik değer analizi
Eksik veri Python

Anomali Vaka Nedeni Listesi tablosu vaka numarasını, sebep değişkenini, değişken etki değerini (o değişkene bağlı anormallik puanının yüzdesi), değişken üzerindeki vakanın değerini ve değişkenin normunu (tipik değer) gösterir. her neden. Örnek olarak, Case ID 714, gördüğümüz gibi, 3.925 gibi yüksek bir anomali indeks puanına sahiptir.

Bu durum, Hoparlörler değişkeninde en sıra dışıydı. Bu değişkenin Case ID 714’ün anomali indeks puanına katkısı .678’dir. Case ID 714, Speakers değişkeninde 411 puana sahipken, bu değişkende akran grubu 1 için ortalama puan sadece 54.64’tü. Değişken etki değerinin düşük olması durumunda, birden fazla değişken üzerindeki olağandışı değerler nedeniyle vakanın aykırı değer olarak sınıflandırıldığını düşündürür. Yani artık sadece hangi vakaların olağandışı olduğunu bilmekle kalmıyoruz, aynı zamanda bu vakaların hangi değişkenler hakkında en sıra dışı olduğunu da biliyoruz.

Not: Yalnızca bir neden göstermeyi seçtik, ancak birden fazla neden seçebilirdik ve bu bize daha fazla bilgi vermiş olabilir. Ek olarak, tüm bu aykırı değerlerin ana nedeninin değişken Hoparlörler olduğuna dikkat edin. Bu noktada, burada neler olabileceğini daha iyi anlamaya çalışmak için bu değişkeni daha fazla araştırmak isteyebilirsiniz.

Sorun vakalarda değil, değişkende olabilir. Örneğin, değişken yanlış kodlanmış olabilir veya bu bir anket sorusuysa soru yanlış anlaşılmış olabilir. Bu durumda, bu tür değişkenler için Verileri Doğrulama prosedürü, neden değişkenleri üzerinde kullanmak için yararlı bir araç olabilir.

Ölçek Değişkeni eş grubu Normları tablosu, her eş grubu için her sürekli değişkenin ortalamasını ve standart sapmasını görüntüler. Sürekli bir değişkenin ortalaması, bireysel değerlerle karşılaştırmak için norm değeri olarak kullanılır.

Kategorik Değişken Normları tablosu, her bir eş grubu için her kategorik değişkenin modunu, sıklığını ve frekans yüzdesini görüntüler. Kategorik bir değişkenin modu, bireysel değerlerle karşılaştırmak için norm değeri olarak kullanılır.

Anomali İndeksi Özeti tablosu, en sıra dışı olarak tanımlanan vakaların anomali indeksi için tanımlayıcı istatistiklerin genel bir özetini gösterir. Verilerimiz için 19 vakanın olağandışı olarak tanımlandığını ve minimum, maksimum ve ortalama değerleri görebilirsiniz.

Analiz Değişkenine Göre Neden Oluşum tablosu, bir neden olarak her bir değişkenin oluşma sıklığını ve yüzdesini görüntüler. Tablo ayrıca her bir değişkenin etkisinin genel tanımlayıcı istatistiklerini de bildirir. Daha önce de belirtildiği gibi, tüm bu aykırı değerlerin ana nedeni olarak yalnızca bir değişken ortaya çıktı ve minimum, maksimum ve ortalama değerleri görebilirsiniz.

The post Eksik Değerler – SPSS Ödevi Yaptırma – SPSS Analizi Yaptırma Fiyatları – SPSS Örnekleri – Ücretli SPSS Analizi Yaptırma – SPSS Analizi Yaptırma Ücretleri first appeared on Akademi Delisi.

empoze edilen değerlerin karşılaştırılması

Kadın okuryazarlığı için, EM yöntemiyle yüklenen değerler, rastgele artıklarla regresyon yöntemiyle yüklenen değerlerle karşılaştırılır. Veri menüsündeki Dosyaları Birleştir altındaki Değişken Ekle iletişim kutusu, empoze edilmiş değerlere sahip iki dosyayı yan yana birleştirmek için kullanıldı.

İdeal olarak, çizim noktaları aynı yüzde için ızgara çizgilerinin kesişimini birleştiren bir çizgi boyunca düşmelidir (örneğin, EM için %80 ve regresyon için %80). Hem kalori hem de kadın okuryazarlığı tahmin edildiğinde (X grafiği Umman, Bosna, Güney Afrika ve İzlanda’yı işaret ediyor), regresyon tahminleri EM tahminlerinden daha yüksek olma eğilimindedir. Tahmini okuryazarlık değerlerine sahip noktalar (küçük koyu kareler) birlikte kümelenir ve bu onları tanımlamayı zorlaştırır.

Şekil 2.14’ün sağ tarafında, yöntemler arasındaki en büyük tutarsızlıkların İzlanda ve Hollanda için olduğunu bularak grafiğin bu alanını yakınlaştırıyoruz. İzlanda’nın x-y arsa koordinatları (%91, %114) ve Hollanda’dır (%103, %89).

Şekil 2.15’te, kaloriler için atfedilen değerleri karşılaştırıyoruz. İsrail için regresyon doldurulmuş değer, EM değerinden neredeyse 700 kalori daha büyüktür (3908 kaloriye karşılık 3223). Genel olarak, bir fark olduğunda, regresyon tahminleri, düşük olduklarından daha sık olarak daha yüksek olma eğilimindedir.

Görüntüleri tasarlamak için konuyu kullanma. Örnek 1 ve Örnek 2’de, eksik veri modelinin coğrafi bölgeye göre değiştiği kaydedilmiştir. Her iki atama yöntemi de bu alt popülasyon farklılıkları için bir ayarlama yapmaz. Şekil 2.16’daki sol çerçeve, coğrafi bölge koduna karşı gözlemlenen kadın okuryazarlık değerlerinin (boş daireler) ve EM’ye atfedilen değerlerin (dolu kareler) bir dağılım grafiğidir.

Kadın okuryazarlığı yerine, sağdaki çerçevede gözlemlenen ve atfedilen kalori değerleri gösterilmektedir. Hong Kong için tahmin, Pasifik/Asya grubunda gözlemlenen değerlerden (kod 3) çok daha yüksektir. Görsel olarak Hong Kong, Avrupa bölgesinin bir üyesi gibi görünüyor (kod 1). Bu ilk bakışta göründüğü kadar mantıksız değil, çünkü Hong Kong’un bebek ölüm hızı, kadın yaşam beklentisi, kişi başına düşen GSYİH ve şehirlerde yaşayan insanların yüksek oranı Avrupa ülkelerininkine benziyor.

Diğer bir dahili çapraz kontrol, kadın okuryazarlığının gözlenen ve empoze edilen değerlerini genel okuryazarlık oranıyla karşılaştırmaktır (sadece iki değer eksiktir). Her iki değerin de empoze edilmediği Şekil 2.17’deki Botsvana’ya bakın. Orijinal veri taraması yeterince kapsamlı değildi.

Birkaç kaynak, Afrika’daki ülkeler arasında bu daha eski ve daha müreffeh ülke için okuryazarlık oranının %72 veya %74 olduğunu bildirmektedir. Kadın okuryazarlığı için %16 değeri nereden geldi? Kayıt hatası mı? Oranı hesaplarken kadın sayısı yerine toplam nüfus büyüklüğünü kullanan var mı? Ayrıca, bu aykırı değerin varlığı diğer tahminleri bozar mı?

Çoklu İmputasyon

Çoklu atama, her bir eksik veya eksik değeri uygun bir dağılımdan simüle edilen iki veya daha fazla değerle değiştiren bir tekniktir. Rastgeleliği içeren regresyon yöntemine sahip seçenekler, çoklu atamanın bir varyasyonunu gerçekleştirmenize izin verir. Eksik Değer prosedüründe, empoze edilen veri değerleri, rastgele bir normal (0, RMS) sapma, RMS’nin karekökü ile ölçeklenen rastgele bir t (5 veya kullanıcı tarafından belirlenen bir serbestlik derecesi ile) veya bir başka bir vakadan rastgele seçilen kalıntıdır.

Eksik veri tamamlama yöntemleri
Multiple imputation
Eksik veri Nedir
Eksik veri tamamlama yöntemleri SPSS
Stata missing value imputation
Missing data Stata
While imputing data may be used for the missing values
Kayıp veriler için yapılması gereken yöntemler

Çoklu atama, regresyon yöntemiyle (her dosya için rastgele sayı üreteci değişiklikleri için tohum) m, örneğin 7, veri dosyaları üretilerek ve tamamlanan her veriyle istenen istatistiksel analiz (örneğin, regresyon) gerçekleştirilerek gerçekleştirilir. ayarlamak. Her parametrenin nihai tahmini, bireysel çalışmalardan ilgili tahminlerin ortalamasıdır ve kovaryans matrisinin çoklu atama tahmini, bileşenler içinde havuzlananların toplamı artı nihai parametre tahmini ile son parametre tahmini arasındaki sapmalardan elde edilen bir bileşen arasıdır.

CROSSTAB Alt komutu

CROSSTAB, her kategorik değişken için, mevcut (eksik olmayan) değerlerin sıklığını ve yüzdesini ve diğer değişkenlerle ilgili olarak her kategori için eksik değerlerin yüzdesini gösteren bir tablo üretir.

• Kategorik değişkenler yoksa tablo üretilmez.
• Her kategorik değişken, kategorik olduğu varsayılan bir dize değişkeni veya KATEGORİK alt komutunda bildirilen sayısal bir değişken olsun, bir tablo verir.
• Kategorik değişkenin kategorileri, tablonun sütunlarını tanımlar.
• Kalan değişkenlerin her biri birkaç satır tanımlar—mevcut değerlerin sayısı, mevcut değerlerin yüzdesi ve sistemde eksik değerlerin yüzdesi için birer satır; ve her bir ayrı kullanıcı eksik türü (tanımlanmışlarsa) olarak tanımlanan değerlerin yüzdesi için birer tane.

MISMATCH Alt komutu

MISMATCH, bir değişkenin eksik değere sahip olduğu ve diğer değişkenin eksik olmayan bir değere (uyumsuzluk) sahip olduğu bir değişken çifti için durumların yüzdelerini gösteren bir matris üretir. Köşegen öğeler, tek bir değişken için eksik değerlerin yüzdeleridir, çapraz olmayan öğeler ise gösterge değişkenlerinin uyumsuzluğunun yüzdesidir. Satırlar ve sütunlar eksik desenlere göre sıralanır.

MPATTERN Alt komutu

MPATTERN alt komutu, eksik değerlere sahip durumlar için eksik değerlerin modellerini sembolik olarak görüntüler. Değişkenler sütunları oluşturur. Belirtilen değişkenlerde eksik değerleri olan her durum bir satır oluşturur. Satırlar, eksik değer modellerine göre sıralanır.

• Sıralar, ardışık vakaların eksik kalıpları arasındaki farkları en aza indirecek şekilde sıralanır.
• Sütunlar, değişkenlerin eksik kalıplarına göre de sıralanır.

DESEN Alt komutu

TPATTERN alt komutu, her bir eksik değer modelinin sıklığını listeleyen tablolu bir desen tablosu görüntüler. Değişkenler listesindeki değişkenler sütunları oluşturur. Her eksik değer kalıbı bir satır oluşturur ve kalıbın sıklığı görüntülenir.

• Eksik bir değeri belirtmek için bir X kullanılır.
• Sıralar, ardışık örüntülerin eksik kalıpları arasındaki farkları en aza indirecek şekilde sıralanır.
• Sütunlar, değişkenlerin eksik kalıplarına göre sıralanır.

The post Çoklu İmputasyon – SPSS Ödevi Yaptırma – SPSS Analizi Yaptırma Fiyatları – SPSS Örnekleri – Ücretli SPSS Analizi Yaptırma – SPSS Analizi Yaptırma Ücretleri first appeared on Akademi Delisi.

Bu veri dosyasında eksik vaka yoktur. Ancak, 10128, 10129, 10180, 10343, 10350, 10370, 10434, 10435, 10500 ve 10501 kimlik numaralı ailelerin baba mesleğine ilişkin bilgilerinin eksik olduğunu varsayalım. Bu değiştirilmiş veri seti için frekans dağılımı Şekil 2.4’teki gibi görünecektir. Bu dağıtım tablosunda, baba mesleğinin kodlanmadığı 10 vaka olduğunu gösteren ek bir satır – Eksik satır olduğuna dikkat edin.

Ayrıca, Yüzde ve Geçerli Yüzde sütunlarının, rakamları hesaplamak için kullanılan paydadaki fark nedeniyle artık farklı rakamları gösterdiğine dikkat edin. Örneğin işçiler için Yüzde 473/1156 100 ve Geçerli Yüzde 473/1146 100 olarak hesaplanır.

Çubuk grafikler

Bir çubuk grafik, kategorik verileri incelemek için de yararlıdır. Bir çubuk grafikte, her bir çubuğun yüksekliği, değişkenin her kategorisi için ortaya çıkma sıklığını temsil eder. Frekanslar prosedürü içinde bir seçenek kullanarak meslek verileri için bir çubuk grafik oluşturalım.

Frekanslar iletişim kutusundan:

1. Frekanslar: Grafikler iletişim kutusunu açmak için Grafikler’e tıklayın.
2. Grafik Türü kutusundaki Çubuk grafiklere tıklayın.
3. Grafik Değerleri kutusunda grafiğini oluşturmak istediğiniz değer türlerini seçin – frekanslar veya yüzdeler. Bu örnek için frekansları seçtik.
4. Devam’a tıklayın.
5. Grafik prosedürünü çalıştırmak için Tamam’a tıklayın.

SPSS Viewer’ınızda bir çubuk grafik görünmelidir. Bu çizelgede görüntülenen bilgiler, frekans dağılımında gösterilenlerin grafik versiyonudur. En fazla sayıda insanın bulunduğu meslek grubu emekçidir; en az olan meslek grubu yöneticidir. 204 zanaatkar var; bu, dikey (frekans) eksenine bakılarak belirlenir.

SAYISAL VERİ ÖZETİ

İki tür sayısal değişken vardır – ayrık ve kategorik. Kesikli değişkenler için değerler sayma sayılarıdır. Örneğin, bir Amerikan futbolu maçı, arada bir miktar değil, bir, iki veya üç puanla kazanılır. Sürekli değişkenler ise böyle bölünemez birimlere sahip değildir. Örneğin vücut ısısı en yakın derece, yarım derece, çeyrek derece vb. ölçülebilir. SPSS’de pratik amaçlar için, bu iki tür sayısal verinin özetlenmesinde bir fark yoktur.

Sayısal verilerin grafik özetlerini göstermek için “football.sav”1 veri dosyasındaki verileri kullanacağız. Bu dosya, yakın bir sezondaki 250 Ulusal Futbol Ligi (NFL) maçıyla ilgili verileri içerir. Bu dosyadaki değişkenlerden biri, kazanan takımın kazandığı puan sayısını temsil eden “winby”dir.

Eksik veri tamamlama yöntemleri
R da eksik veri
Gruplandırılmış seri örnekleri
Birikimli frekans hesaplama
SPSS frekans tablosu oluşturma
Frekans serisi nedir
Eksik veri tamamlama yöntemleri SPSS
Frekans serisi Nasıl bulunur

Bölüm 2.1’de özetlenen aynı prosedürleri kullanarak winby değişkeninin bir frekans dağılımını oluşturabiliriz. Frekans dağılımı Şekil 2.7’dedir. 32 maçın 3 puanla kazanıldığını görüyoruz. Bu 250 oyunun %12.8’i. Kümülatif yüzde sütunu sayısal verilerle anlamlıdır ve oyunların %35.2’sinin 6 veya daha az puanla (veya “bir touchdown’dan daha az”) kazanıldığını görüyoruz.

Sayısal verileri grafik olarak görüntülemek için çubuk grafikler yerine histogramları kullanıyoruz. SPSS’de histogram elde etmenin birkaç yolu vardır. Böyle bir prosedür, Frekanslar: Grafikler iletişim kutusundaki histogram seçeneğine tıklamanız dışında Bölüm 2.1’de kullanılanla aynıdır.

Alternatif bir yöntem, aşağıda gösterildiği gibi Keşfet prosedürünü kullanmaktır:

1. Menü çubuğunda Analiz et’e tıklayın.
2. Açılır menüden Tanımlayıcı İstatistikler’e tıklayın.
3. Açılır menüden Keşfet’e tıklayın. Bu, Şekil 2.8’de gösterildiği gibi Keşfet iletişim kutusunu açar.
4. Değişkenin adına tıklayın (“winby”) ve onu Bağımlı Liste kutusuna taşımak için sağ üst ok düğmesine tıklayın. (Bu örnekte bağımsız veya Faktör değişkeni yoktur.)
5. Görüntüle kutusundaki Grafikler’e tıklayın. Bu, çıktıdaki tüm istatistikleri bastıracaktır. (SPSS’nin ayrıca özet istatistikler sağlamasını istiyorsanız, Her İkisine de tıklayın.)
6. Explore: Plots iletişim kutusunu açmak için Plots düğmesine tıklayın.
7. Tanımlayıcı kutusunda Histogram’a tıklayın. (Bu örnekte, biz sadece histogramla ilgileniyoruz, bu nedenle kutu grafikleri altında Faktör seviyeleri yerine Yok’a birlikte tıklıyoruz ve Tanımlayıcı altındaki Kök ve yaprak seçeneğine tıklıyoruz.)
8. Devam’a tıklayın.
9. Prosedürü çalıştırmak için Tamam’a tıklayın.

SPSS Viewer, prosedürün sonuçlarıyla birlikte açılacaktır. 

Aralıkları Değiştirme

“Winby” değişkeni 42 nokta (1-43) aralığına sahiptir ve 22 aralıklı (SPSS tarafından seçilen) histogram, verilerin doğasını yeterince iletir. Bununla birlikte, görüntülenen aralıkların sayısını (veya aralık genişliğini) değiştirmek için histogramı düzenlemek mümkündür. Örneğin, yukarıdaki histogramda x ekseni üzerindeki aralık sayısını 10 olarak değiştirmek için aşağıdaki adımları izleyin:

1. SPSS Viewer’da, SPSS Chart Editor’ı açmak için histograma çift tıklayın.
2. Menü çubuğundan Düzenle’ye tıklayın.
3. Özellikler iletişim kutusunu açmak için açılır menüden X Eksenini Seç’e tıklayın.
4. Histogram Seçenekleri sekmesine tıklayın.
5. Kutu Boyutları bölümünde Özel’i seçin.
6. Aralık sayısını 10 olarak değiştirin.
7. Grafiği yeniden çizmek için Uygula’ya tıklayın.
8. İptal düğmesi, kapat düğmesine dönüşür. Kapatmak için Kapat’a tıklayın
Özellikler iletişim kutusu.
9. Kapatmak için Grafik Düzenleyici penceresinin sağ köşesindeki X’e tıklayın.

Histogramın artık 10 aralığa sahip olduğunu, ancak şeklinin hala pozitif olarak çarpık olduğunu unutmayın.

Gövde ve Yaprak Grafiği

Sayısal verileri göstermenin başka bir yolu da bir sap-yaprak grafiğidir. Bu ekran, verileri aralıklara böler. Her gözlemin değeri, gövde ve yaprak olmak üzere iki kısma ayrılır. Kök, aralığı temsil eder ve yaprak, gerçek veri noktalarının son rakam(lar)ını temsil eder.

SPSS’yi bir “winby” sap-yaprak grafiği oluşturmaya yönlendirmek için verilen 1-6 arasındaki adımları ve ayrıca:

1. Keşfet: Grafikler iletişim kutusunun Tanımlayıcı kutusunda Kök ve yaprak üzerine tıklayın.
2. Devam’a tıklayın.
3. Prosedürü çalıştırmak için Tamam’a tıklayın.

Gövde ve yaprak grafiği, Şekil 2.12’de gösterildiği gibi SPSS Viewer’da da görünecektir.

Gövde-yaprak grafiği bir histograma benzer. Bu durumda, gövde 10’un basamağını temsil eder ve yaprak 1’in basamağını temsil eder. Grafikte görüntülenen noktalar 1 [(0 10) + 1] ile 32 [(3 10) + 2] nokta arasında değişir. Frekans sütunu, her aralıktaki gözlem sayısını verir. Her biri 0, 1 ve 2 değerlerine sahip beş kök bölümü olduğuna dikkat edin. Sıklık sütunu, 9 oyunun 1 puanla, 40 oyunun 2 veya 3 puanla kazanıldığını vb. gösterir. Altı oyun 34 veya daha fazla puanla kazanıldı ve “aşırı” olarak kabul edildi.

The post Eksik Verili Frekanslar – SPSS Ödevi Yaptırma – SPSS Analizi Yaptırma Fiyatları – SPSS Örnekleri – Ücretli SPSS Analizi Yaptırma – SPSS Analizi Yaptırma Ücretleri first appeared on Akademi Delisi.

SPSS kullanmaya yeni başlıyorsanız, veri dosyanızda yalnızca sayısal verilerle ilgilenmenizi öneririz. Bu nedenle, kategorik değişkenlere rastgele sayı kodları atanması gerekir. Örneğin, cinsiyet değişkenimiz aşağıdaki bilgilere karşılık gelen 1, 2 ve 9 kodlarına sahip olacaktır:

• r 1 = Kadın katılımcı
• r 2 = Erkek katılımcı
• r 9 = Eksik bilgi

Bu kodlara atanan ifadeler, aşağıdaki gibi sadece birkaç adımda gerçekleştirilir:

• Küçük bir “iletişim kutusu simgesi” oluşturmak için cinsiyet için Değerler hücresine tıklayın. Bu, Şekil A6.1’de gösterilmektedir.
• Küçük kutu simgesine tıklamak, Şekil A6.2’de gösterildiği gibi bir iletişim kutusu üretir. Değer paneline sayısal değeri yazın, uygun Değer etiketini yazın ve değeri SPSS’ye kaydetmek için Ekle’ye tıklayın. Şekil A6.3’te kadın bilgilerini girdik ve Ekle’ye tıkladık.
• Kalan kodlar için bilgileri yazın. Son Ekle’ye tıkladıktan sonra, pencere Şekil A6.4’e benzemelidir. Veri dosyasının
• Değişken Görünümüne dönmek için Tamam’a tıklayın.
• Veri dosyanızı kaydedin.

Bu tür keyfi kodları içeren değişkenler için kullanılan tüm rastgele kodlar için değer etiketleri sağlamayı tamamladığınızda, belirli kategorileri nasıl kodladığınıza ilişkin belleğinizi yenilemek için istediğiniz zaman bunlara başvurabileceksiniz. Örneğin, veriler girildikten bir süre sonra, başka birkaç durum için verileri girmeniz gerekebilir. Veri dosyasında bir cinsiyet değişkeni görüyorsunuz ancak kadınların 1 veya 2 olarak kodlanıp kodlanmadığını hatırlamayabilirsiniz; Değer Etiketlerinize başvurmak, her durum için uygun kodu seçmenize olanak tanır. Bu etiketleri ana menüdeki Yardımcı Programlar’dan da görüntüleyebilirsiniz.

Bu Değer Etiketleri, veri dosyanızdaki sayılar için yalnızca etiketlerdir. SPSS, etiketlere anlam atfetmeden bunları “harfler” veya “harf dizileri” olarak kullanır. Örneğin, m-i-s-s-i-n-g harflerinin cinsiyet değişkenlerindeki 9 değeri ile ilişkilendirileceğini belirtmişsiniz.

Bu sizin için harika bir hatırlatma, ancak SPSS, etiketi basitçe herhangi bir şey olabilecek bir harf dizisi olarak ele alıyor; bu nedenle, 9 değerini eksik olarak etiketlemiş olmanız, SPSS’ye hiçbir şekilde 9 değerini eksik bir değer olarak ele alması talimatını vermez – bu nedenle Eksik Değerlerin değişken bir özelliği vardır.

GEÇERLİ VE EKSİK DEĞERLER

Veri dosyasına girilen veriler, SPSS tarafından iki durumdan birinde olarak tanımlanır: veriler eksik veya geçerli olabilir. Eksik değerler, özelliğin bir ölçüsü olmadığı için SPSS tarafından normalde bir hesaplamada yer almayan değerler olarak değerlendirilir. Örneğin, eksik değerler, bir ortalama veya standart sapmanın hesaplanmasına dahil edilmez.

SPSS’nin vakaların tüm değişkenler üzerinde geçerli değerlere sahip olmasını gerektirdiği bazı analizler için (örneğin, korelasyon vakaların ilişkilendirilen iki değişkenin her birinde geçerli bir değere sahip olmasını gerektirir), bu koşul karşılanmazsa vakalar analizden hariç tutulur. 

Bir değer eksik olarak ele alınmazsa, geçerli bir değer olduğu varsayılır (yazma hataları dahil) ve tüm hesaplamalara dahil edilir. Bu nedenle, veri analizinden önce verilerinizi “temizlemek” veya “doğrulamak” önemlidir. Bir hücreyi boş bırakmak, SPSS tarafından eksik bir veri noktası olarak yorumlansa da, belirli bir değişken için belirli bir durumla ilgili bilgilerin eksik olduğunu belirtmek için belirli bir değer veya değerler kullanmak da mümkündür (ve bazen arzu edilir). Veri dosyasında görünen geçerli değerler aralığında olmayan eksik belirten bir değer seçin.

Eksik veri tamamlama yöntemleri
Eksik veri Nedir
R da eksik veri
Missing values nedir
Kayıp veri analizi Nedir
Eksik değer analizi
Kayıp veriler için yapılması gereken yöntemler
Multiple imputation nedir

9, 99 vb. değerler, geçerli değerler olmamaları koşuluyla, kayıp olarak belirtmek için popüler seçeneklerdir. Örneğin, yanıtlar beş puanlık bir ölçekte (1–5) sağlanırsa, 9 geçerli değerler için aralık dışında olduğundan eksik değer için 9 kullanılması işe yarar. Yanıtlar on puanlık bir ölçekte (1–10) verilirse, eksik değer için 9 kullanılması uygun değildir, çünkü 9 geçerli değerler aralığındadır (bu durumda eksik değer için 0 kullanabilirsiniz).

Şekil A7.1, cinsiyet değişkeni için eksik değerleri belirleme sürecini başlatmamızı göstermektedir. Hücreye tıklamak, tıklandığında Şekil A7.2’de gösterilen iletişim penceresini sunan bir iletişim kutusu simgesi üretir. Ayrık eksik değerler’i seçin ve Şekil A7.3’te gösterildiği gibi ilk panele “9” yazın. Ardından, veri dosyasının Değişken Görünümüne dönmek için Tamam’a tıklayın. Şekil A8’de cinsiyeti 9 değeri eksik olarak gösterdiğine dikkat edin. Veri dosyasını içinde bu yeni bilgilerle kaydedin.

VERİ DOSYASININ VERİ GÖRÜNÜMÜ

Veri dosyasının Veri Görünümünü görüntülemek için, veri dosyası penceresinin sol alt kısmında bu seçeneği tıklayın (bkz. Şekil A4). Şimdi size bir elektronik tablo sunuluyor. Satırlar vakalar veya katılımcılardır ve sütunlar (şimdi isimleriyle birlikte) değişkenlerdir. Artık verilerinizi hücrelere yazmaya hazırsınız. İmlecin konumunu değiştirmek için ok tuşlarını veya Sekme tuşunu kullanın. Bitirdiğinizde, veri dosyasını kaydedin.

BİR EXCEL ÇALIŞMA KAĞITINDAN VERİ OKUMA

Örnek data.xls adlı bir Microsoft Excel dosyasındaki bir meslektaşımızdan bazı veriler aldığımızı varsayalım. Bu veri setini SPSS’ye getirmek istediğimizi varsayalım. Excel dosyasının içeriği Şekil A9’da gösterilmiştir. Bu çok küçük dosya, örnekleme amacıyla dört vaka ve dört değişken içerir; değişken adları, Excel Çalışma Sayfasının ilk satırında bulunur.

Ana SPSS menüsünden Microsoft Excel’den (veya diğer elektronik tablolardan) bir dosyayı içe aktarmak için Dosya ➜ Aç ➜ Veri’yi seçin. Bu, verileri içeren dosyayı seçmenize izin vermek için bir gezinme penceresi açacaktır. Okunacak Excel (∗.xls) dosyaları için açılır menüden dosya biçimini seçin (bkz. Şekil A10), dosyanıza gidin ve Aç’a tıklayın.

Yolunuzu doğrulayın ve uygunsa, Şekil A11’de gösterildiği gibi Excel dosyasının ilk satırında değişken adlarının olduğunu gösteren kutuyu işaretleyin (eğer varsa, değişken adlarını en üst satırdan alabilmek çok uygun bir özelliktir). Excel elektronik tablosunda bulunurlar). Tamam’a tıklayın ve veriler şimdi SPSS veri dosyanızda görünecektir.

BİR METİN DOSYASINDAN VERİ OKUMA

Çok miktarda veri topluyorsanız ve bunları elle girmeniz gerekiyorsa, bunları doğrudan bir SPSS veri dosyasına (veya bu konuda bir Excel dosyasına) yazmak, verileri kaydetmenin en verimli yöntemi olmayabilir. SPSS veya Excel’de farklı hücrelere veri girmek için fazladan bir tuş vuruşu gerekir (Sekme veya ok tuşu); bu nedenle, veri alanları olarak iki kat daha fazla tuş vuruşu yaparsınız. Binlerce veri parçası ile daha verimli bir veri girişi stratejisini tercih edebilirsiniz.

The post GEÇERLİ VE EKSİK DEĞERLER – SPSS Ödevi Yaptırma – SPSS Analizi Yaptırma Fiyatları – SPSS Örnekleri – Ücretli SPSS Analizi Yaptırma – SPSS Analizi Yaptırma Ücretleri first appeared on Akademi Delisi.

Normallik ve varyans homojenliği konularını dikkate almadan önce, araştırmacılar öncelikle eksik değerler ve aykırı değerlerle ilgili konuları ele almalıdır. Katılımsız bırakılırsa, bu sorunlardan herhangi biri dağıtımın şeklini bozabilir.

Mevcut örnek veri seti, değişkenler için hiçbir eksik değer içermiyordu. Değişkenlerden herhangi biri için bir veya daha fazla eksik değer olsaydı, iki stratejiden birini uygulayabilirdik:

(a) Programın, belirli bir değişkende eksik değerlere sahip durumları atlayarak istatistikleri (örneğin, araçlar) hesapladığı SPSS veya SAS liste bazında silme varsayılanını kullanın;
(b) kayıp değeri istatistiksel bir ikame değeri ile tahmin etmeye veya hesaplamaya çalışmak.

SPSS, SPSS sistemine özel bir eklenti olarak Eksik Değerler Analizi (MVA) modülünü sunar. SPSS ayrıca Dönüştürme özelliği aracılığıyla bir ortalama ikame atama prosedürü de sunar. Benzer şekilde, SAS, eksik değerlerin empoze edilmesi için MI (Multiple Imputation) programını sunmaktadır. Eksik değerleri analiz etmenin tam bir tartışması, bu çalışma gibi ANOVA üzerine bir metnin kapsamı dışındadır.

SPSS OUTLIERS ANALİZİ

Aykırı değerlerin, incelenen popülasyonu temsil etmeyen belirli bir değişken üzerinde uç değerlere sahip durumları ifade ettiğini hatırlayın. Kategorik bağımsız değişkenimizin (terapi) seviyeleri boyunca sürekli bağımlı değişkenimiz (GAF skoru) üzerindeki aykırı değerleri değerlendirmek için, Keşfet iletişim penceresini açan Analiz Et ➜ Tanımlayıcı İstatistikler ➜ Keşfet’e tıklayarak başlıyoruz.

İletişim penceresinin sol paneli, analizdeki tüm değişkenlerin bir listesini içerir. Sürekli bağımlı değişkeni (GAFscore) Dependent List penceresine tıklıyoruz. Faktör Listesi penceresi, bağımsız değişkenin her bir grubu veya düzeyi tarafından tek değişkenli aykırı değerleri “kıracak” veya bölecek kategorik bağımsız değişkenler üzerine tıklamanıza izin verir.

Bu profilleri elde etmek için kalan kategorik bağımsız değişkenimizi (terapi) Faktör Listesi penceresine tıklıyoruz. Değişkenler panelinin altında (sol tarafta), her bir değişkeni açıklamak için İstatistik (temel tanımlayıcı istatistikler) veya Plots (pencere çizimleri veya gövde-yaprak grafikleri) arasında geçiş yapmanızı sağlayan Görüntü paneli bulunur.

SPSS varsayılanı her ikisini de görüntülemektir. İletişim penceresinin sağ tarafında üç buton bulunur: İstatistikler, Grafikler ve Seçenekler. Bu üç basmalı düğme, ek tanımlayıcı istatistikler, grafikler ve varsayılan (liste bazında) eksik değerler seçeneğini geçersiz kılmanın yollarını istemenize izin verir.

Spss de kayıp veriler nasıl bulunur
SPSS missing value
Eksik veri tamamlama yöntemleri
Eksik veri Nedir
SPSS missing value 99
Kayıp veri analizi
Kayıp veri grafiği
SPSS veri silme

İstatistikler düğmesine tıklayın ve Keşfet: İstatistikler iletişim penceresi oluşturulur. Bu iletişim penceresi, ikisi burada bizi ilgilendiren dört kontrol penceresinden oluşur, Tanımlayıcılar (varsayılan) temel tanımlayıcı istatistikleri görüntüler ve Aykırı Değerler, her bağımlı değişken için en büyük ve en küçük beş Uç Değere sahip durumları görüntüler. Bu onay kutularının her biri tıklandı. Devam’ı tıklatmak sizi ana iletişim penceresine geri getirir.

Plots düğmesine tıklandığında Keşfet: Plots iletişim penceresi açılır. Kutu Grafikleri paneli, bağımsız değişkenin her grubu veya düzeyi için kutu grafikleri üretir. Bu tür grafikler, araştırmacının bağımsız değişkenin her bir seviyesindeki puanların yayılımını veya değişkenliğini görmesine izin verir.

Grafikler paneli, bağımsız değişkenin seviyelerine veya gruplarına göre bölünmüş sürekli bağımlı değişkenlerin gövde-yaprak ve histogram grafiklerini üretir. Bu grafikler, bağımsız değişkenin düzeyi başına her bir bağımlı değişken puanının hem oluşma sıklığını hem de gerçek değerini sağlar.

Testlerle Normallik çizelgeleri onay kutusu, normallik varsayımını test etmek için Kolmogorov-Smirnov istatistiği ve Shapiro-Wilk istatistiği ile birlikte bu metinde ele almayacağımız normal ve eğilimi azaltılmış olasılık grafikleri üretir. ANOVA ilke ve prosedürlerine odaklandığımız için kutu grafiklerinin, gövde-yaprak grafiklerinin veya normal olasılık grafiklerinin kullanımı üzerinde ayrıntılı olarak durmayacağız. İlgilenen okuyucu Meyers  bu konulara giriş içindir.

Keşfet: Grafikler penceresinde Devam’ı ve Keşfet penceresinde Tamam’ı tıklatmak, SPSS’ye analizi gerçekleştirmesi talimatını verecektir. SPSS Keşfet çıktısı, bağımsız değişkenin seviyelerine göre bölünmüş bağımlı değişken üzerinde Uç Değerlere sahip durumlarla ilgili olduğu için, sürekli bağımlı değişkenimizde Uç Değerlere sahip en büyük iki ve en küçük iki durumu listeleyen Şekil 5.14’te gösterilmektedir. (GAF skoru) bağımsız değişkenin (terapi) seviyelerine göre kırılmıştır.

SPSS temerrütünün normalde en yüksek ve en düşük beş vaka olduğuna ve küçük örnek boyutunun bir sonucu olarak kesildiğine dikkat edin. Çıktı, olası aykırı değerlerin değerlendirilmesini ve tanımlanmasını kolaylaştırmak için hem Uç Değerleri hem de Vaka Numarasını sağlar. Mevcut örnekte, bu değerleri yayınlanmış aralıklar içinde kabul ediyoruz ve bu nedenle onları görmezden gelebiliriz. Tersine, herhangi bir olağandışı aykırı değer keşfetmiş olsaydık, onları silme için olası adaylar olarak görebilirdik.

SPSS NORMALİTE ANALİZİ

Normallik değerlendirmemize, Şekil 5.15’te gösterildiği gibi, bağımsız değişkenin (terapi) üç düzeyine bölünmüş sürekli bağımlı değişkenimizin (GAFscore) çarpıklık ve basıklık değerlerini inceleyerek başlıyoruz. Tanımlayıcı çıktısının incelenmesi, çarpıklık değerlerinin normal +1.0 ila −1.0 aralığında olduğunu gösterir. Bununla birlikte, negatif basıklık kısa ve psikodinamik koşullarla ilişkilidir (sırasıyla -1.869 ve -1.557).

Bu basıklık değerinin, manipülasyonun kendisinden ziyade küçük örneklem boyutunun (n = 5) bir fonksiyonu olduğundan şüpheleniyoruz ve bu nedenle mevcut örnekte bağımlı değişkeni dönüştürmeye çalışmıyoruz. Bu dönüşümlerin SPSS ile nasıl yapılacağına ilişkin tartışmalara bakın.

Önceki şüphemiz, SPSS Normallik Testleri çıktısı ile doğrulanmıştır. Hem Kolmogorov–Smirnov hem de Shapiro– Wilk testleri, bağımsız değişkenin her düzeyi için istatistiksel olarak anlamlı değildi (p > .01). Bu sonuç, terapi seviyeleri arasında GAF puanlarıyla ilişkili hata dağılımının normallikten önemli ölçüde ayrılmadığını gösterir.

VARYANS ANALİZİNİN SPSS HOMOJENLİĞİ

SPSS içinde varyansın homojenliğini (homosedastisite) değerlendirmenin çeşitli yolları vardır. Levene, Welch ve Brown-Forsythe testlerini elde etmek için SPSS Tek Yönlü ANOVA prosedürünü kullanarak bağımlı değişkenin varyansının homojenliğinin (eşit varyans) bağımsız değişkenin seviyeleri arasında nasıl değerlendirileceğini göstereceğiz. Analiz Et ➜ Ortalamaları Karşılaştır ➜ Tek Yönlü ANOVA iletişim penceresini oluşturan Tek Yönlü ANOVA’ya tıklayın. 

The post SPSS EKSİK DEĞER ANALİZİ – SPSS Ödevi Yaptırma – SPSS Analizi Yaptırma Fiyatları – SPSS Örnekleri – Ücretli SPSS Analizi Yaptırma – SPSS Analizi Yaptırma Ücretleri first appeared on Akademi Delisi.

Çoğu zaman, katılımcılar tam veri sağlamazlar. Bazı öğrenciler için ön test puanınız olabilir ancak son test puanınız olmayabilir. Belki bir öğrenci bir ankette bir soruyu boş bırakmıştır veya belki de yaşını belirtmemiştir. Eksik veriler herhangi bir analizi zayıflatabilir. Çoğu zaman, tek bir eksik soru, bir konuyu tüm analizlerden çıkarabilir.

Verilerin Dönüşümü ve Seçimi

Genellikle, bir veri dosyasında belirli bir analize dahil etmek istediğimizden daha fazla veriye sahibiz. Örneğin örnek veri dosyamız, ikisi özel eğitim almış, ikisi almamış dört denekten veri içermektedir. Sadece eğitimi almayan iki deneği kullanarak bir analiz yapmak istersek uygun alt kümeyi belirlememiz gerekir.

Bir Alt Küme Seçme

Verilerimizin bir alt kümesini belirtmek için Select Cases komutunu kullanabiliriz. Vakaları Seç komutu Veri menüsünün altında bulunur. Bu komutu seçtikten sonra aşağıdaki iletişim kutusu görünecektir. Sağ taraftaki seçim kriterlerini kullanarak hangi vakaları (katılımcıları) seçmek istediğinizi belirtebilirsiniz.

Varsayılan olarak 411 Vaka seçilecektir. Bir alt küme seçmenin en yaygın yolu, Eğer fondisyon karşılanırsa’yı ve ardından If etiketli düğmeyi tıklamaktır. Bu, hangi vakaları kullanmak istediğinizi belirtmenize izin verecek yeni bir iletişim kutusu açacaktır.

Alt kümeyi seçmek için kullanılan mantığı üst bölümden girebilirsiniz. .d Mantıksal ifade belirli bir durum için doğruysa, o zaman bu durumda seçilecektir. Mantıksal ifade yanlışsa, bu durum seçilmeyecektir. Örneğin Pzt/Çarş/Cum olarak kodlanmış tüm vakaları formül girerek seçebilirsiniz.

GÜN=1 pencerenin sağ üst kısmında. DA Y 1 ise, ifade doğru olacaktır ve SPSS durumu seçecektir. DAY 1’den başka bir şeyse, ifade yanlış olur ve büyük/küçük harf seçilmez. Mantıksal ifadeyi girdikten sonra, Select Cases iletişim kutusuna dönmek için Devam’a tıklayın. Ardından, veri penceresine dönmek için Tamam’a tıklayın.

Spss de kayıp veriler nasıl bulunur
Kayip veri Nedir
SPSS veriler görünmüyor
Kayıp veri grafiği
Eksik veri tamamlama yöntemleri
İstatistik kayıp veri Nedir
Kayıp veri analizi
Nitel veri

Vakaları seçtikten sonra, veri penceresi biraz değişecektir. Seçilmeyen vakalar, vaka numarası boyunca çapraz bir çizgi ile işaretlenecektir. Örneğin, örnek verilerimizi kullanarak birinci ve üçüncü durumlar seçilmez. Bu alt küme için yalnızca ikinci ve dördüncü durumlar seçilir.

Az önce seçtiğimiz alt kümeyi kullanarak ortalama bir GRADE hesaplarsak, çıktıyı sağdan alırız. Şimdi 4 yerine 2 örneklem büyüklüğü (N) ile ortalama 78.00 olduğuna dikkat edin.

Alt kümeleri seçerken dikkatli olun. Alt küme, siz komutu yeniden çalıştırıp tüm durumları seçene kadar etkin kalır. Bir alt kümenizin seçili olup olmadığını anlayabilirsiniz çünkü veri penceresinin alt kısmı bir Filtrenin açık olduğunu gösterecektir.

Ayrıca çıktınızı incelediğinizde bir alt küme seçilirse N, veri kümenizdeki toplam kayıt sayısından daha az olacaktır. Bazı durumlarda çapraz çizgiler, bir alt küme seçildiğinde de belirgin olacaktır.

Yeni Değişken Hesaplama

SPSS, yeni bir değişken hesaplamak veya mevcut değişkenlerinizi değiştirmek için de kullanılabilir. Bunu göstermek için yeni bir veri dosyası oluşturalım. Bu dosya, dört denek ve üç değişken (Ql, Q2 ve Q3) için veri içerecektir.

Değişkenler, her konunun ~DolU View f..’de aldığı puan sayısını temsil eder. VariatlleView I üç farklı soru. Şimdi yukarıdaki ekranda gösterilen verileri girin. Bittiğinde, bu veri dosyasını “QUESTIONS.SAV” olarak kaydedin. İlerleyen bölümlerde tekrar kullanacağız.

Şimdi her konu için toplam puanı hesaplayacaksınız. Bunu manuel olarak yapabilirdik, ancak veri dosyası büyükse veya çok fazla soru varsa, bu uzun zaman alacaktı. SPSS’nin sizin için toplamları hesaplamasını sağlamak daha verimlidir (ve daha doğrudur). Bunu yapmak için, lransform’a ve ardından Hesapla’ya tıklayın. Hesapla komutuna tıkladıktan sonra aşağıdaki iletişim kutusunu alıyoruz.

Büyük Değişken olarak işaretlenen boş, oluşturmak istediğimiz yeni değişkenin adını girdiğimiz yerdir. Bu örnekte, TOT AL adında bir değişken oluşturuyoruz, bu nedenle TOTAL kelimesini yazın.

En büyük Değişken boşluğu ile Sayısal J;;.xpression boşluğu arasında eşittir işareti olduğuna dikkat edin. Bu .iki boş alan, SPSS’nin hesaplayacağı bir denklemin iki tarafıdır. Örneğin TOPLAM = Ql + Q2 + Q3 burada sunulan örnekte girilen denklemdir.

İletişim kutusunun altındaki sayı ve işlem tuş takımını kullanarak burada herhangi bir denklem oluşturmanın mümkün olduğunu unutmayın. Tamam’a tıkladığımızda SPSS TOTAL adında yeni bir değişken oluşturacak ve bunu üç sorunun toplamına eşitleyecektir. Yeni değişkenin gelecekteki oturumlar için kullanılabilir olması için veri dosyanızı yeniden kaydedin.

Değişken-Farklı Bir Değişkeni Yeniden Kodlama

SPSS, başka bir değişkenden gelen verilere dayalı olarak yeni bir değişken oluşturabilir. Diyelim ki deneklerimizi toplam puanlarına göre bölmek istiyoruz. Toplam puan düşükse (8’den az) 1 veya toplam puan yüksek (9 veya daha büyük) ise 2 kodlu GROUP adında bir değişken oluşturmak istiyoruz. Bunu yapmak için Iransform, ardından Becode, ardından Into Different Variables’a tıklıyoruz.

Bu, aşağıda gösterilen Farklı Değişkenlere Yeniden Kodla iletişim kutusunu getirecektir. TOTAL değişkenini ortadaki boşluğa aktarın. Çıkış değişkeninin adı olarak GROUP yazın. Değiştir’e tıklayın ve ortadaki boşluk TOTAL’ın GROUP olduğunu gösterecektir.

Eski ve Yeni Değerler’e tıklayın. Bu, yeniden kodlama iletişim kutusunu getirecektir. Bu örnekte, Ran~ ile en yükseğe 9 ve Yeni Değer alanına 2 girdik. Ddd’ye tıkladığımızda sağdaki boşluk kayıt formülünü gösteriyor. Şimdi Boşluktan En Düşük Aralıkta soldaki 8’i ve Yeni Değer boşluğunda 1’i girin. ddd’yi ve ardından Devam’ı tıklayın. Tamam’ı tıklayın. Veri penceresine geri döneceksiniz. TOT AL’a göre yeni bir değişken (GROUP) eklenmiş ve 1 veya 2 olarak kodlanmış olacaktır.

“akademdelisi.net” ailesi olarak,  Spss de kayıp veriler nasıl bulunur,Kayip veri Nedir,SPSS veriler görünmüyor,Kayıp veri grafiği,Eksik veri tamamlama yöntemleri,İstatistik kayıp veri Nedir,Kayıp veri analiziNitel veri gibi pek çok alanda sizlere destek vermekteyiz.

Siz de bu aileyle tanışmak istiyorsanız iletişim adreslerimizden bizlere ulaşabilirsiniz.

The post Kayıp Veri – SPSS Ödevi Yaptırma – SPSS Analizi Yaptırma Fiyatları – SPSS Örnekleri – Ücretli SPSS Analizi Yaptırma – SPSS Analizi Yaptırma Ücretleri first appeared on Akademi Delisi.