Değişkenler arasındaki ilişkinin gücüne ilişkin tahminler, tabloda aynı ana bölümlerle gösterilmektedir. Genel (Toplam) analiz için phi katsayısı yine sunduğumuzla aynıdır, ancak sigara içmeyen ve içenler için ayrı phi katsayıları da elde ederiz. Sigara içmeyenler için ki-kare değerinin istatistiksel olarak anlamlı olduğunu biliyoruz ve bu sonuçlarla ilerleyebilirsiniz.

.188 değerinin karesini almak (ve negatif değerliliği yok saymak) yaklaşık .035’lik bir fi kare değeri verir. Dolayısıyla, sigara içmeyenlerde fiziksel aktivitenin obezite varyansının yaklaşık %3,5’ini oluşturduğu sonucuna varabiliriz. Sigara içenler için ki-kare değerinin istatistiksel olarak anlamlı olmadığını öğrendik ve bu nedenle phi katsayısının (−.057 olarak hesaplandı) istatistiksel olarak sıfırdan farklı olmadığını biliyoruz (değişkenler arasında ilişki yok).

Satır yüzdeleri ve ayarlanmış kalıntı değerlerle birlikte gözlenen ve beklenen frekanslar, yine Toplam analiz (gördüklerimizi tekrarlayarak) ve sigara içen seviyeleri ile yapılandırılmıştır. Beklenen tüm frekanslar, ortak bir referans çerçevesini temsil ettikleri için Toplam yüzdelere dayanmaktadır.

Sigara içmeyen frekanslar istatistiksel olarak anlamlı bir ki-kare ile ilişkilendirildi ve bu hücrelerde iki değişkenin bu grup için ne şekilde ilişkili olduğunu görebiliriz. Aktif olmayanların yaklaşık üçte ikisi obez değil, üçte biri obez, ancak fiziksel olarak aktif olanların yaklaşık %85’i obez değilken, sadece yaklaşık %15’i obezdir.

Sigara içenler için anlamlı olmayan bir ki-kare elde ettik, bu olgularda fiziksel aktivitenin obezite ile ilişkili olmadığını gösterdi. Hücre frekansları bize vakaların fiziksel olarak aktif olup olmadığına bakılmaksızın vakaların yaklaşık dörtte üçünün obez olmadığını ve vakaların yaklaşık dörtte birinin obez olduğunu göstermektedir.

Bölümlerin her biri hala 2×2 acil durum tablosuna dayandığından, sonuçları sunulan bir risk analizi yapabiliyoruz. Yine, Toplam numunenin sonucu tam olarak daha önce elde ettiğimiz sonuçtur. Ancak bu katman analizinde, her sigara içici düzeyi için risk tahminleri de elde ederiz.

Ki-kare analizi, sigara içenler için değişkenler arasında bir ilişki olmadığını göstermiştir. Dolayısıyla obezite ile ilgili olarak olguların fiziksel olarak aktif olup olmamasının bir önemi yoktu. Bundan sonra, hem risk oranı hem de olasılık oranı etkin bir şekilde 1.00 olmalıdır.

Risk Tahmini tablosundan da anlaşılacağı üzere bu değerler tam olarak 1.00 değildir ve bu indeksler için istatistiksel anlamlılık testi yapılmamaktadır. Ancak IBM SPSS, bize %95 güven aralığının alt ve üst sınırları gibi çok değerli bir bilgi sağladı. Sigara içen risk tahminlerinin üçü için de güven aralığının 1.00 değerini içerdiğine ve dolayısıyla dolaylı olarak elde edilen oranların makul bir şekilde 1.00 olabileceğini iddia edebileceğimize dikkat edin.

Sigara içmeyenler için sonuçlar istatistiksel olarak anlamlıydı ve bu nedenle risk oranları ve olasılık oranı uygulanabilir (etkili olarak 1.00 değiller). Tabloda gösterilen değerler Toplam örneklemi temsil eden değerlerden belirgin bir şekilde farklı değildir ve fiziksel olarak aktif olmayanların obez olma riskinin fiziksel olarak aktif olanlara göre iki kat daha fazla olduğunu düşündürmektedir.

Bağımlı ve bağımsız değişken arasındaki ilişkiye ne denir
Bir etki ya da ilişki göstermek için kullanılan değişken
İki yada daha çok değişken arasındaki ilişkiye ne ad verilir
Korelasyon Nedir
İki değişken arasındaki ilişkinin yönü ve şiddetini belirleyen araştırma
İki değişken arasındaki ilişkinin değişkenlik ölçüsüne ne denir
İki değişken arasında doğrusal ilişki bulunmaması durumunda
Nedensel ilişki örnekleri

Hiyerarşik Loglineer Analiz

Loglinear analiz, üç (veya daha fazla) kategorik değişkeni (örneğin Değişken A, B ve C) birlikte çaprazladığımız iki yönlü Çapraz Tablolar analizinin bir uzantısıdır, ancak odak noktası hala gözlemlenen ve beklenen frekanslar arasındaki farklar üzerindedir. . İki yönlü Çapraz Tablolar analizinde, istatistiksel olarak anlamlı bir ki-kare değeri, iki değişkenin birbirinden bağımsız olmadığını gösterir; yani, farklı frekanslarla (öngörülen) ilişkili olan, seviyelerinin belirli kombinasyonları olduğu anlamında ilişkilidirler.

Bu, iki değişken arasında istatistiksel olarak anlamlı bir etkileşim olduğunu söylemekle eşdeğerdir. İlişkiyi bu şekilde söze dökmeme eğilimindeyiz çünkü analizde sadece iki değişken var ve genellikle bunların ilişkili olduğunu söylemek yeterli.
Bununla birlikte, üç veya daha fazla değişkenle, gözlemlenen ve beklenen frekanslar arasındaki farklarla ilişkilendirilebilecek değişkenlerin birçok kombinasyonu (arasındaki ilişkiler) vardır ve bu nedenle ANOVA terminolojisini kullanmak ve bu kombinasyonlardan etkileşimler olarak bahsetmek uygun hale gelir.

Çalışmamızdaki üç değişkenle, bu nedenle, üç yönlü bir etkileşimden veya iki yönlü etkileşimlerden bahsedebiliriz. Değişkenler arasındaki bu ilişkileri değerlendirmek için loglinear analiz kullanıyoruz. Loglineer analiz bu nedenle faktöriyel ANOVA’ya benzerlik gösterir; (belirli koşullar altında) bir lojistik regresyon tasarımına da dönüştürülebilir. Bu diğer tasarımlarla olan bağları kısaca şöyledir:

• Loglineer analiz, değişkenlerin çeşitli kombinasyonlarının (örneğin AB, ABC) etkileşimler olarak düşünülmesi bakımından faktöriyel ANOVA tasarımlarına benzer. Örneğin, üç yönlü bir loglineer tasarımda, bir adet üç yönlü etkileşime, üç adet iki yönlü etkileşime ve üç ana etkiye sahip olabiliriz.

Loglineer bir tasarımda, istatistiksel olarak anlamlı bir etkileşim, gözlemlenen frekansların, ilgili değişkenlerin seviyelerinin belirli kombinasyonlarından kaynaklandığını gösterir. Ancak ANOVA’dan farklı olarak, (ANOVA anlamında) tek başına bağımlı değişken yoktur, çünkü analizin hedefi değişken seviyelerinin çeşitli kombinasyonlarının ortaya çıkma sıklığıdır.

• Değişkenlerden biri gerçekten bağımlı değişken rolünü daha iyi üstleniyor gibi görünüyorsa, lojistik regresyon başlatılabilir. Herhangi bir regresyon analizi için doğru olacağı gibi, bağımlı değişkenin oluşumunu tahmin etmek için diğer değişkenlerin ana etkilerinin ve etkileşimlerinin etkinliğini değerlendirebiliriz (örneğin, yok için 0 ve gözlenen için 1 olarak kodlanmıştır).

Hiyerarşik bir loglineer analizin genel yaklaşımı, gözlemlenen frekansları tahmin etmek için etkilerin tümünü veya bir kısmını (etkileşimler ve ana etkiler) içeren modellerin uyumunu değerlendirmektir. Model farklılıklarını değerlendirmek, gözlemlenen frekanslar ile beklenen frekanslar arasındaki sapmalara (farklara) odaklanır. İki yönlü sınıflandırma tasarımında artan ilişki sayısıyla ilgili hesaplamaların karmaşıklığı nedeniyle, loglineer analiz hücrelerdeki frekans değerini (sayım verileri) doğal loguna dönüştürür.

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

Çeyrekler arası aralık, birinci ve üçüncü çeyrekler arasındaki fark, aralıktan daha uç puanlardan daha az etkilenir. Çünkü SPSS her zaman çeyrekleri hesaplamaz. doğru bir şekilde, çeyrekler arası aralığı hesaplamak için ona güvenmemelisiniz. Birinci ve üçüncü çeyrekleri belirlemek için frekans dağılımını kullanarak ve ardından çeyrekler arası aralığı elde etmek için çıkararak bunu elle hesaplamanız gerekir.

Ortalama Sapma

Ortalama sapma, puanların ortalamadan sapmalarının ortalama mutlak değeridir. Windows için SPSS, ortalama sapmayı doğrudan hesaplamaz, ancak bu, alternatif prosedürler kullanılarak gerçekleştirilebilir.

Örnek olarak, metindeki bebek ağırlığı verilerini kullanarak ortalama sapmayı hesaplıyoruz. “Weigh” değişkenini adlandırarak, beş ağırlıkla yeni bir veri dosyası oluşturun. İlk adım, ortalama ağırlığı hesaplamaktır. Bunu, Bölüm 4.1’deki 1-4 adımlarında özetlendiği gibi Tanımlayıcılar prosedürüyle yapın. Varsayılan olarak, Tanımlayıcılar size bu örnekte 7 pound’a eşit olan ağırlık değişkeninin ortalamasını verecektir. Ortalamayı öğrendikten sonra, Hesaplama prosedürünü kullanarak sapmaların mutlak değerini hesaplayabilirsiniz.

(1) Menü çubuğunda Dönüştür’e tıklayın ve ardından açılır menüden Hesapla’ya tıklayın.
(2) Hesaplamak istediğiniz yeni değişkenin adını yazın (buna “dev” adını verin). (3) İfadenin mutlak değerini hesaplamak için ABS(numexpr) üzerine tıklayın.
(4) “Ağırlık” değişkenine ve ardından sağ ok düğmesine tıklayın.
(5) Hesap makinesi panelindeki eksi işaretine tıklayın ve ardından 7’ye (ortalama) tıklayın.
(6) Tamam’a tıklayın.

Bu, veri dosyanızda farkın mutlak değeri olarak elde edilen “dev” adında yeni bir değişken yaratacaktır, “ağırlık” eksi ortalama.
Ortalama sapmayı hesaplamak için şimdi “dev” değişkeninin ortalamasını hesaplamanız gerekir. Bu, yine Tanımlayıcılar prosedürü ile gerçekleştirilir. “Dev” değişkenine tıklayın ve ortalama çıktıda otomatik olarak görünecektir. Ortalama 1,2, yani mutlak sapma 1, 1, 0, 2, 2’nin ortalaması olmalıdır.

Standart Sapma

Standart sapma, Tanımlayıcılar prosedürü kullanılarak SPSS tarafından kolayca hesaplanır.

(1) Menü çubuğunda İstatistikler’e tıklayın.
(2) Açılır menüden Özetle’ye tıklayın.
(3) Tanımlayıcılar iletişim kutusunu açmak için Tanımlayıcılar’a tıklayın.
(4) İncelemek istediğiniz değişken adına tıklayın.

Varsayılan olarak çıktı, ortalama, standart sapma, minimum ve maksimum değerleri içerecektir. Örneğin, “gastax” değişkeni için varsayılan özet istatistikleri içerir.

İki değişken arasındaki ilişkinin yönü ve şiddetini belirleyen araştırma
Korelasyon nedir
Korelasyon analizi yorumlama
Bağımlı ve bağımsız değişken arasındaki ilişkiye ne denir
Korelasyon türlerine örnekler
Korelasyon Tablosu
Nokta Çift Serili Korelasyon
Araştırmanın sonucunu etkileyen değişken

Varyansı, standart sapmanın karesini elde etmek için, standart sapma için yukarıdaki 1-4 arasındaki adımları izleyin ve ardından:

(1) Seçenekler’e tıklayın.
(2) Dağılım kutusunda Varyans’a tıklayın.
(3) Devam’a ve ardından Tamam’a tıklayın.

Çıktınızda varyansın standart sapmanın karesi olduğuna dikkat edin.Veriler, varyans 4.592 = 21.07’dir.

Konum ve Dağılım Ölçülerinin Birlikte Bazı Kullanımları

Standart Puanlar

Standart puanlar (z-puanları), numunedeki herhangi bir gözlemin göreli konumunu, yani ortalamanın üstünde veya altında standart sapma sayısını gösterir. Ortalamanın üzerindeki değerler için z-skoru pozitif olacaktır; ortalamanın altındaki değerler negatif z puanlarına sahiptir; ve ortalamaya eşit bir değer, o’nun bir z-skoru ile sonuçlanır. Z-puanları, Tanımlayıcı prosedürü kullanılarak hesaplanır.

10 ailedeki çocuk sayısına ilişkin verileri kullanarak örneklendireceğiz. “kids.sav” veri dosyasını açarak başlayın. O zamanlar:

(1) Menü çubuğunda İstatistikler’e tıklayın.
(2) Tanımlayıcılar iletişim kutusunu açmak için Özetle ve ardından Tanımlayıcılar’a tıklayın.
(3) Standartlaştırmak istediğiniz değişken adına (“nurn_chld”) tıklayın ve ardından sağ ok düğmesine tıklayın.
(4) Standartlaştırılmış değerleri değişkenler olarak kaydet kutusuna tıklayın.

Bu, SPSS’nin yeni bir z-skoru değişkeni oluşturmasına neden olur. Varsayılan olarak, yeni değişken, orijinal değişkenin ilk yedi harfinin önüne z harfi getirilerek adlandırılır. Örneğin, “num-chId”, “znurn-chI” olur. Veri dosyasında z-skorlarını inceleyebilirsiniz.

Sırasıyla ortalamanın üstünde ve altında olan puanları gösteren bazı değerlerin pozitif ve bazılarının negatif olduğuna dikkat edin. Ayrıca çoğu z puanının -2.0 ile +2.0 arasında olduğuna dikkat edin. Standart puanların ortalamasını ve standart sapmasını hesaplarsanız (Descriptives prosedürünü kullanarak), ortalamanın 0 ve standart sapmanın 1 olduğunu göreceksiniz.

Kutu Grafikleri

Kutu ve bıyık grafikleri, bir dağılımın medyanı, çeyrekler arası aralığı ve uç noktalarını gösterir. Windows için SPSS, Keşfet prosedürünü kullanarak bu grafikleri oluşturur. Bu prosedürü örneklemek için, önce ders kitabında Bölüm 3.2’de listelenen 8 yaşlının yaşlarını (bunlar 60.5, 61, 62, 64, 65, 66, 67 ve 69) girerek yeni bir veri dosyası oluşturun. O zamanlar:

(1) Menü çubuğunda İstatistikler’e tıklayın.
(2) Açılır menüden Özetle’ye tıklayın.
(3) Keşfet iletişim kutusunu açmak için Keşfet’e tıklayın.
(4) Çizmek istediğiniz değişkene tıklayın ve ardından en üstteki sağ ok düğmesine tıklayın.
(5) Keşfet: Çizimler iletişim kutusunu açmak için Çizimler’e tıklayın.
(6) Kutu grafikleri kutusundaki Faktör seviyelerine birlikte tıklayın (bu varsayılandır).
(7) Devam’a tıklayın.
(8) Tamam’a tıklayın.

SPSSkutu ve bıyık grafiğiniGrafikCarouselpenceresini yerleştirir. Bu pencereyi açmak ve grafiği incelemek için ekranın sol alt köşesindeki Chart Carousel simgesine çift tıklayın. Kutu ve bıyık grafiği Şekil 4.2’de gösterildiği gibi görünecektir.

Dağılımın medyanı, kutunun ortasındaki yatay çizgi ile gösterilir; burada, 64.5. Ayrıca bıyıkların uçlarıyla gösterilen minimum ve maksimum değerleri de bulabilirsiniz. Örneğin, üstteki yatay çizgi 69’da (en yüksek) biter ve alt çizgi 60,5’te (minimum) biter.

ÇOK DEĞİŞKENLİ VERİLERİN ÖZETİ: SAYISAL DEĞİŞKENLER ARASINDAKİ İLİŞKİ

İki Sayısal Değişkenin İlişkilendirilmesi

Dağılım grafikleri için SPSS kullanımını göstermek için ders kitabının Şekil 5.1’deki grafiği yeniden oluşturalım. Dil ve dil dışı IQ puanlarına ilişkin 23 gözlemin verileri “IQ.sav” dosyasında yer almaktadır.

Bir dağılım grafiği elde etmek için aşağıdakileri yapın:

(1) Menü çubuğundan Grafikler’e tıklayın.
(2) Açılır menüden Dağılım’a tıklayın.
(3) Bu, dört farklı çizim türü sunan dağılım grafiği iletişim kutusunu açar1• Varsayılan olan basit grafiği istiyoruz. Bu nedenle, Tanımla’ya tıklayın. Bu, Şekil 5.1’de gösterilen Basit Dağılım Grafiği iletişim kutusunu açar.
(4) “nonlang” adlı değişkene tıklayın ve en üstteki sağ ok düğmesine tıklayarak Y Ekseni kutusuna taşıyın.
(5) “lang” adlı değişkene tıklayın ve sağ ok düğmesine tıklayarak X Ekseni kutusuna taşıyın.
(6) Bu iletişim kutusunu kapatmak ve dağılım grafiğini oluşturmak için Tamam’a tıklayın.

Çıktı penceresinde başka bir bilgi olmadığından Chart Carousel penceresi otomatik olarak açılır. Grafiğiniz ders kitabının Şekil 5.1’deki ve aşağıdaki Şekil 5.2’dekine benzemelidir. Dil IQ’su ile dil dışı IQ arasında açıkça pozitif bir ilişki vardır; Dil IQ puanları yüksek olan bireylerin dil dışı IQ puanları da yüksek olma eğilimindedir ve bir ölçekte düşük puan alanlar diğerinde düşük puan alma eğilimindedir.

“lunch.sav.” içindeki verileri kullanarak başka bir dağılım grafiği oluşturacağız. Bu, bireyin öğle yemeğinde tükettiği kalori sayısı ve bireyin ziyareti sırasında restoranın ortalama sıcaklığı hakkında bilgi içeren hayali bir veri setidir.

Sıcaklığı x ekseninde, kalorileri y ekseninde olan bir dağılım grafiği oluşturalım. Aşağıdaki 1-6 adımları,gösterilen sonuçları üretecektir. Bu grafikte, bu iki değişken arasında neredeyse hiçbir ilişki yok gibi görünüyor. Restoranın sıcaklığının düşük, orta veya yüksek aralıklarda olmasına bakılmaksızın, insanlar öğle yemeğinde az, orta ve çok sayıda kalori tüketirler.

The post İki Sayısal Değişkenin İlişkilendirilmesi – SPSS Ödevi Yaptırma – SPSS Analizi Yaptırma Fiyatları – SPSS Örnekleri – Ücretli SPSS Analizi Yaptırma – SPSS Analizi Yaptırma Ücretleri first appeared on Akademi Delisi (Tez Yaptırma).