Ana menüden Dönüştür ➔ Değişkeni Hesapla’yı seçin. Bu, gösterilen Hesaplama Değişkeni iletişim penceresini açar. İlk önce stres_seviyesinin kare değerini hesaplayacağız. Target Variable panelinde, stres_kare değişkenini adlandırıyoruz.

Şimdi stres_düzeyi Sayısal İfade paneline taşıyoruz, bir üs veya güç işlevi hesapladığımızı belirtmek için çift yıldız tuşuna (Sayısal İfade panelinin altındaki tuş panelinde son satırdaki ilk tuş) tıklayın ve yazın (veya seçin) tuş panelinden) 2 numara (bu, kareleme işlemini gerçekleştirecektir).

Hesaplamayı gerçekleştirmek ve veri dosyasının sonunda yeni stres_kare değişkenini elde etmek için Tamam’a tıklıyoruz. Daha sonra stres_cube adını verdiğimiz kübik değişkenimizi hesaplamak için işlemi tekrarlıyoruz (çift yıldızdan sonra 3 yazdığınızdan emin olun). Bu hesaplamaların sonuçları, veri dosyasının bir bölümünün ekran görüntüsünde gösterilmektedir.

ANALİZ KURULUMU: LİNEER REGRESYON

Ana menüden Analiz ➔ Regresyon ➔ Doğrusal seçerek ana Linear Regresyon penceresini açıyoruz. Açıklandığı gibi hiyerarşik bir regresyon analizi yapacağız. Kısaca, performansı Bağımlı panele ve stress_level’i Bağımsız(lar) paneline Blok 1 / 1 olarak da taşıyoruz.

İleri’ye tıklayın ve stres_karesini ikinci blok için Bağımsız(lar) paneline taşıyın. İleri’ye tıklayın ve stress_cube’u üçüncü blok için Bağımsız(lar) paneline taşıyın. Üçüncü blok için kurulum gösterilir. İstatistikler penceresinde, Regresyon Katsayıları Tahminleri, Model uyumu, R kare değişimi, Tanımlayıcılar ve Kısmi ve kısmi korelasyonları soruyoruz. Ana iletişim penceresine dönmek için Devam’a tıklayın ve analizi gerçekleştirmek için Tamam’a tıklayın.

ANALİZ ÇIKTI: LİNEER REGRESYON

Hiyerarşik regresyon analizinin Model Özeti çıktısı sunulur. Analizimizde, her bloğa değişkenler eklediğimiz için modeller kümülatif olmasına rağmen, her bloğun ayrı bir model olarak ele alındığı üç model vardır. İlk model yalnızca lineer stres_seviyesi değişkenini içerir ve istatistiksel olarak anlamlı değildir (p = .625); Bu, dağılım grafiği göz önüne alındığında beklentilerimizle tutarlıdır. .002’nin R2’si canlı bir hikaye de anlatıyor.

Modele ikinci dereceden terim (stres_kare) eklendiğinde, R2 .506 değiştirilerek .508 değerine ulaştı. R2’deki bu değişiklik istatistiksel olarak anlamlıydı (p < .001). Üçüncü model, modele kübik terimi (stres_cube) ekledi ve R2’yi .512’ye yükseltmek için .005’lik R2 değişikliği istatistiksel olarak anlamlı değildi (p = .260). Bu nedenle, performans ve stres arasındaki ilişkinin en iyi ikinci dereceden bir fonksiyonla tanımlandığı da görülmektedir.

Her model için ANOVA özet tablosunu sunar. Kübik terim açıklanan varyans miktarına önemli bir artış eklememiş olsa da, kübik terimli modelin hala istatistiksel olarak anlamlı olduğuna dikkat edin bu istatistiksel olarak anlamlıdır, çünkü tüm tahmin çalışmasını yapan ikinci dereceden değişkendir. üçüncü modelde de yer almaktadır.

Hlm nedir
Hiyerarşik lineer modelleme nedir
Lineer modelleme
AYEUM Giriş
Hiyerarşik regresyon nedir
Aşamalı doğrusal model
AYEUM üye Ol
Hiyerarşik model nedir

Katsayılar çıktısı gösterilir. Burada iki noktayı belirtmekte fayda var:

•İki değişken arasında doğrusal bir ilişki olmamasına rağmen, ikinci modelde çizgiselartermisistatistiksel olarak anlamlı olan regresyon katsayısı. Bunun nedeni, en uygun eğrinin, değerleri sıfırdan önemli ölçüde farklı olan katsayılarla hem doğrusal hem de ikinci dereceden terimleri ağırlıklandıran bir eğri olmasıdır, böylece ikinci dereceden işlev verilere en uygun şekilde uyabilir.
• İkinci ve üçüncü modellerdeki beta katsayıları 1.00’in oldukça üzerindedir. Bunun nedeni, lineer, kuadratik ve kübik değişkenlerin, şaşırtıcı olmayan bir şekilde, birbirleriyle çok yüksek korelasyona sahip olmalarıdır (örneğin, gerilme_seviyesi ve gerilme_karesi, .983 ile ilişkilidir); standartlaştırılmış regresyon katsayıları, öngörücüler nispeten güçlü bir şekilde ilişkili olduğunda kolayca 1.00’ı aşabilir.

Bu çoklu bağlantı, muhtemelen araştırmacıların sıradan değişkenler içeren analizleri terk etmelerine neden olmalıdır (bir veya daha fazla tahmin ediciyi analizden çıkarırlar ve sonra analizi tekrar yaparlar), ancak biz bu (kafa karıştırıcı) özelliği bir polinom analizinde regresyonu yorumlamayarak kabul ediyoruz. katsayıları genellikle yaptığımız gibi ancak bunun yerine ilişkinin genel doğasına (örneğin, burada elde edilen ilişki ikinci dereceden bir ilişkiydi) ve R2 bilgisine de odaklanıyoruz.

Çok Düzeyli Modelleme

Nicel bir bağımlı değişkenin değerini tahmin etmek için bir çoklu regresyon prosedürü kullandığımızda, verilerin işlenmesinin altında yatan varsayımlardan biri, bağımlı değişken üzerindeki vakaların puanlarının birbirinden bağımsız olduğudur (teknik olarak, hataları bağımsızdır). ); bu, genel lineer modelin varsayımlarından biridir. Ancak, bu bağımsızlık varsayımının ihlal edildiği birçok durum da vardır.

Örneğin, bu bölüm için kullandığımız örnekte olduğu gibi, farklı hastanelerdeki hastaların yaşam kalitelerini kendilerinin değerlendirmesine odaklanabiliriz. Bu bağlamda, bir hastanedeki hastaların kendi bildirimleri, örneklemden rastgele seçilen hastalardan gelen bildirimlerden daha fazla ilişkili de olabilir.

Bununla ilgili diğer çizimler aşağıdaki gibidir:

• Bir okuldaki okul çocuklarının bazı başarı testlerindeki performansları, farklı okullara kayıtlı çocukların performanslarından daha fazla ilişkili olabilir.
• Bir mahalledeki sakinlerin politik tutumları daha fazla ilişkili olabilir
farklı mahallelerde oturanlardan daha fazla.
• Belirli bir ofiste çalışan çalışanların üretkenliği, farklı ofislerde çalışanlardan daha fazla ilişkili de olabilir.

Bu örneklerde, hastalar, okul çocukları, mahalle sakinleri ve çalışanlar, örneklemdeki her grubun sırasıyla bir hastane, okul, mahalle veya ofis olduğu gruplar içinde hiyerarşik olarak da yapılandırılmıştır (iç içe veya kümelenmiş olarak da adlandırılır).

Buradaki önemli nokta, vakalar tarafından sağlanan verilerin (örneğin, yaşam kalitelerinin kişisel değerlendirmesi) kısmen ilişkili oldukları belirli grubun (hastanenin) bir işlevi olabileceğidir. Bunun doğru olduğu ölçüde, bağımlı değişkene ilişkin durumların puanları bağımsız değildir; yani aynı hastanedeki hastaların puanları, farklı hastanelerdeki hastalardan seçilen puanlardan daha fazla ilişkili de olabilir.

Bunu yuvalama veya kümeleme etkisi olarak etiketliyoruz ve bu etkinin gözlemlendiği ölçüde, bir çalışmanın sonuçlarını geçerli bir şekilde değerlendirmek için araştırma tasarımının bunu yürürlüğe koyması da gerekiyor. Bu kümeleme etkisini istatistiksel analizde hesaba katmanın bir yolu, çok seviyeli bir modelleme prosedürü de kullanmaktır.

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