Akademik çalışmaların çoğunda araştırmacılar, cinsiyet ile tutum, eğitim seviyesi ile tercih, gelir düzeyi ile tüketim alışkanlıkları gibi kategorik değişkenler arasındaki ilişkileri incelemek ister. Bu noktada Ki-Kare testi devreye girer. Ancak Ki-Kare testinin yalnızca bir p değeri üretmekle sınırlı olmadığını; aynı zamanda frekans dağılımlarının karşılaştırılması, beklenen değerlerle gözlenen değerlerin kıyaslanması ve etki büyüklüğünün hesaplanması gibi birçok boyutu olduğunu bilmek gerekir.

Bu yazıda, Ki-Kare testinin temel mantığı, varsayımları, farklı türleri, SPSS gibi yazılımlarda uygulama biçimleri, örnek vaka analizleri ve akademik raporlarda nasıl sunulacağı ayrıntılı şekilde ele alınacaktır.

1. Ki-Kare Testinin Tanımı

Ki-Kare testi, gözlenen frekanslar ile beklenen frekanslar arasındaki farkın istatistiksel olarak anlamlı olup olmadığını test eden bir yöntemdir. Kategorik verilerle çalışıldığı için nominal ve ordinal ölçeklerde sıkça kullanılır.

2. Ki-Kare Testinin Temel Mantığı

Burada O gözlenen değerleri, E ise beklenen değerleri ifade eder. Sonuç, bir dağılım tablosunda karşılaştırılır ve anlamlılık değerlendirilir.

3. Ki-Kare Testinin Varsayımları

• Veriler bağımsız olmalıdır.

• Kategoriler birbirini dışlamalıdır.

• Beklenen frekansların en az %80’i 5’in üzerinde olmalıdır.

• Veri sayısı çok düşükse Fisher’s Exact Test gibi alternatifler tercih edilmelidir.

4. Ki-Kare Testi Türleri

• Pearson Ki-Kare Testi: En yaygın kullanılanıdır.

• Likelihood Ratio Testi: Daha küçük örneklemler için uygundur.

• Fisher’s Exact Test: Beklenen frekansların düşük olduğu tablolarda kullanılır.

• Yates Düzeltmesi: 2×2 tablolarda hata payını azaltmak için uygulanır.

5. SPSS’te Ki-Kare Testi Uygulaması

• Analyze → Descriptive Statistics → Crosstabs adımları izlenir.

• Çapraz tabloda bağımsız ve bağımlı değişkenler seçilir.

• “Statistics” bölümünden “Chi-Square” işaretlenir.

• Sonuç tablosunda Ki-Kare değeri, serbestlik derecesi (df) ve p değeri raporlanır.

6. Örnek 1: Cinsiyet ile Sigara Kullanımı İlişkisi

Araştırmada cinsiyet ile sigara kullanımı incelenmiştir. Sonuç: χ²(1, N=200)=5.67, p=0.018.
Yorum: Cinsiyet ile sigara kullanımı arasında istatistiksel olarak anlamlı bir ilişki vardır.

7. Örnek 2: Eğitim Seviyesi ile Teknoloji Kullanımı

Eğitim seviyesi (ilkokul, lise, üniversite) ile akıllı telefon kullanım düzeyi karşılaştırıldığında, p<0.05 çıkarsa, eğitim seviyesi arttıkça teknoloji kullanımında anlamlı bir farklılık olduğu sonucuna varılır.

8. Beklenen Frekans Sorunu

Eğer tabloda bazı hücrelerde beklenen frekans 5’in altındaysa, testin güvenilirliği azalır. Bu durumda veriler birleştirilebilir veya alternatif testlere başvurulabilir.

9. Etki Büyüklüğü (Effect Size)

Sadece p değerine bakmak yeterli değildir. Cramer’s V veya Phi katsayısı ile ilişkinin gücü ölçülmelidir. Örneğin, V=0.25 orta düzeyde bir ilişkiye işaret eder.

10. Ki-Kare Testinde Yorumlama Hataları

• p değerini yanlış anlamak (p<0.05 ilişki var, p>0.05 ilişki yoktur).

• Küçük örneklemde sonuçlara aşırı güvenmek.

• Etki büyüklüğünü raporlamamak.

11. Sağlık Araştırmalarında Ki-Kare Kullanımı

Örneğin, “Hastaların cinsiyetine göre belirli bir hastalığa yakalanma durumu” incelenebilir. p<0.05 çıkarsa, cinsiyetin hastalıkla ilişkili olduğu yorumu yapılır.

12. Eğitim Alanında Kullanım

Öğrencilerin ders başarıları ile ders çalışma yöntemleri arasındaki ilişki incelenebilir. Beklenen frekanslara göre dağılımlar farklı ise anlamlı sonuç elde edilir.

13. Sosyal Bilimlerde Kullanım

Bir kamuoyu araştırmasında “siyasi tercih” ile “medya kullanımı” arasındaki ilişki test edilebilir. Ki-Kare bu tür ilişki analizlerinde sıklıkla kullanılır.

14. İşletme Araştırmalarında Kullanım

Müşterilerin yaş grupları ile alışveriş tercihleri arasında ilişki olup olmadığı analiz edilebilir. Örneğin, gençlerin online alışverişe daha fazla yöneldiği bulunabilir.

15. Veri Görselleştirme ile Ki-Kare Sonuçları

Çapraz tablolar bar grafiklerle desteklenebilir. Bu sayede hangi gruplarda farklılıklar yoğunlaşıyor görsel olarak anlaşılır.

16. Ki-Kare ile Hipotez Testi

• H0: Değişkenler arasında ilişki yoktur.

• H1: Değişkenler arasında ilişki vardır.
  p<0.05 olduğunda H0 reddedilir.

17. Ki-Kare ile Regresyon Arasındaki Fark

Ki-Kare kategorik değişkenler arasındaki ilişkiyi ölçerken, regresyon bağımlı ve bağımsız değişkenler arasındaki yönlü etkiyi ölçer.

18. Ki-Kare Testinde Yazılım Karşılaştırması

• SPSS: Kullanıcı dostudur.

• R: Daha esnek ve gelişmiş testler yapılabilir.

• Python: scipy.stats.chi2_contingency() fonksiyonu kullanılır.

19. Akademik Tezlerde Raporlama

Örnek bir raporlama:
“Cinsiyet ile medya tercihi arasında anlamlı bir ilişki bulunmuştur, χ²(2, N=300)=12.45, p<0.01, Cramer’s V=0.20.”

20. Etik Boyut

Araştırmacılar, Ki-Kare testinde anlamlı sonuç çıkmasa bile bunu dürüstçe raporlamalıdır. Sadece anlamlı çıkan ilişkilerin yayınlanması etik ihlaldir.

Sonuç

Ki-Kare testi, akademik araştırmalarda kategorik veriler arasındaki ilişkilerin incelenmesinde en temel istatistiksel yöntemlerden biridir. Basit ama güçlü yapısı sayesinde sosyal bilimlerden sağlığa, eğitimden işletmeye kadar birçok alanda kullanılır. Ancak doğru sonuçlar elde edebilmek için testin varsayımlarına dikkat edilmeli, p değeri yanında etki büyüklüğü de raporlanmalı ve elde edilen bulgular araştırmanın teorik çerçevesiyle ilişkilendirilmelidir.

Doğru yorumlandığında, Ki-Kare testi araştırmalara güvenilirlik ve geçerlilik kazandırır. Yanlış yorumlandığında ise hem istatistiksel hem de bilimsel hatalara neden olabilir. Bu nedenle araştırmacıların, Ki-Kare testini sadece teknik bir analiz değil, aynı zamanda metodolojik bir araç olarak görmeleri gerekir.

Akademi Delisi, eğitim ve akademik destek alanında kapsamlı hizmetler sunan öncü bir platformdur. Öğrencilerin akademik başarılarına yön verirken, onları bilgiyle buluşturmayı ve potansiyellerini en üst düzeye çıkarmayı amaç edinmiş bir ekibiz. Sitemiz bünyesinde ödevlerden projelere, tezlerden makalelere kadar geniş bir yelpazede destek sağlıyoruz. Alanında uzman yazarlarımız, öğrencilere özgün içerikler sunarken, aynı zamanda onlara araştırma, analiz ve yazım konularında rehberlik ederek kendilerini geliştirmelerine yardımcı oluyor.

Akademik hayatın zorluklarıyla başa çıkmak artık daha kolay. Akademi Delisi olarak, öğrencilere sadece ödevlerinde değil, aynı zamanda araştırma projelerinde, tez çalışmalarında ve diğer akademik gereksinimlerinde de destek sağlıyoruz. Sunduğumuz kaliteli hizmetler sayesinde öğrenciler zamanlarını daha verimli bir şekilde kullanabilirler. Uzman ekibimiz, her bir öğrencinin ihtiyaçlarına özel çözümler üreterek, onların akademik hedeflerine ulaşmalarına katkı sağlar.

Gelişmiş kaynaklara erişimden akademik yazım kurallarına, araştırma yöntemlerinden kaynakça oluşturmaya kadar her aşamada öğrencilere destek sunan Akademi Delisi, eğitimde yeni bir perspektif sunuyor. Amacımız, öğrencilere sadece geçici çözümler değil, aynı zamanda uzun vadeli öğrenme ve başarıya giden yolda rehberlik etmektir.

The post Akademi Araştırmalarında Ki-Kare Testi Örnekleri first appeared on Akademi Delisi (Tez Yaptırma).

Bu oturumda aşağıdakileri yapmayı öğreneceksiniz:

• Ki-kare uyum iyiliği testi yapın ve yorumlayın
• Ki-kare bağımsızlık testi yapın ve yorumlayın

Niteliksel ve Niceliksel Veriler

Şimdiye kadar incelediğimiz tüm testler, yalnızca nicel değişkenler için uygun olmuştur. Bu oturumda sunulan testler, nitel (örneğin, nominal değişkenler) veya ayrı nicel değişkenleri ve bu tür iki değişken arasındaki ilişkiyi analiz etmek için uygundur. Testler iki kategoriye ayrılır: uygunluk testleri ve bağımsızlık testleri.

Ki-Kare Uyum İyiliği Testi

Ki-kare uyum iyiliği testi, popülasyon oranlarıyla ilgili hipotezleri test etmek için bir örneklemden alınan frekans verilerini kullanır. Yani, bu testlerde, örnek verilerin sıfır hipotezi tarafından belirtilen popülasyon oranlarına ne kadar iyi uyduğunu değerlendiriyoruz.

Kendimizi ünlü genetikçi Gregor Mendel’in 1860’larda kendini bulduğu konuma koyalım. Bezelye üzerinde bir dizi deney yürütüyordu ve belirli bir özelliğin kalıtımı ile ilgileniyordu – bezelye tohumunun dokusu. Bezelye tohumlarının her zaman ya pürüzsüz ya da buruşuk olduğunu gözlemledi.

Mendel, pürüzsüzlüğün baskın bir özellik olduğunu belirledi. Her nesilde, tek bir bezelye bitkisi, iki ana bitkiden genetik materyal alır. Ana bitkilerden herhangi biri bir pürüzsüzlük geni aktardıysa, elde edilen bezelye tohumu pürüzsüz olacaktır. Sadece her iki ana bitki de buruşuk genler aktarırsa, bezelye bezelyesi kırışacaktır (çekinik özellik olarak adlandırılır).

Ana bezelyelerin her biri bir düz ve bir kırışık gene (SW) sahipse, o zaman bir yavru dört olası kombinasyondan birine sahip olabilir: SS, SW, WS veya WW. Pürüzsüzlük hakim olduğu için sadece WW bezelye tohumu buruşuk bir görünüme sahip olacaktır. Dolayısıyla, bu senaryoda buruşmuş yavru olasılığı sadece 25’tir.

Mendel, bir dizi deney boyunca, ana bitkilerinin her ikisi de SW olan 7.324 ikinci nesil hibrit bezelye bitkisi hakkında veri topladı. Mendel, bu yavru bitkilerin 5.474’ünün pürüzsüz ve geri kalanının (1850) buruşuk olduğunu buldu.

Mendel’in gözlemlenen verilerinin yukarıda açıklanan kalıtım modelinden beklenebilecek olana uyup uymadığını belirlemek için bir ki-kare uyum iyiliği testi kullanabiliriz (yani, ana bitkilerin her ikisi de SW’dir).

Ki-kare testi özellikleri
ki-kare testi tablosu
Ki-kare testi formülü
Çok gözlü ki-kare testi
Ki-kare testi ne için kullanılır
Ki-kare testi Örnek
Ki-kare testi nasıl yapılır
Ki-kare testi SPSS

Mendel’in verilerini yeni bir Veri Düzenleyici dosyasına girerek başlıyoruz. İki değişken tanımlamak için Değişken Görünüm sekmesine tıklayın. İlk değişkeni Doku olarak adlandırın. Basitlik adına, varsayılan değişken niteliklerinin çoğunu kullanalım ve değer etiketleri oluşturalım. Ölçü türünün (sağdaki son sütun) Nominal olduğunu belirtin.

Değerler sütununun altında, üç noktalı gri kutuya tıklayın ve burada gösterildiği gibi Değer Etiketleri iletişim kutusunu tamamlayın.

İkinci değişkeni Frekans olarak adlandırın. Ardından Veri Görünümüne dönün ve verileri burada gösterildiği gibi yazın.

Ki-kare uyum iyiliği testimizi çalıştırmadan önce, ikinci sütundaki sayıların bir örnekten alınan puanlar değil, frekans sayıları olduğunu SPSS’ye bildirmemiz gerekir. Bunu aşağıdaki gibi yapıyoruz:

Veri Ağırlık Durumları… İletişim kutunuzun şöyle görünmesi için Frekans Değişkeni olarak Ağırlık durumları ve frekansını seçin:

Şimdi Mendel’in örnek verilerinin yukarıda açıklanan kalıtım modelini takip edip etmediğini öğrenelim.

Parametrik Olmayan Testleri Analiz Et Eski İletişim Kutuları Ki-Kare… (Sonraki sayfaya bakın.) Test Değişkeni olarak dokuyu seçin. Beklenen Değerler altında, önce .75 yazın ve ardından Ekle’ye tıklayın. Ardından, .25 yazın ve ardından Ekle’ye tıklayın. İletişim kutunuz şimdi bir sonraki sayfada gösterilene benzemelidir.

Boş hipotez (bu iletişim kutusundaki Beklenen Değerler) tarafından tahmin edilen değerleri yazdığınız sıra çok önemlidir. Listenin ilk değeri, test değişkeninin en düşük değerine karşılık gelmelidir. Analizimizde, listenin ilk değeri (.75), doku gruplama değişkeni için en düşük değer olan “1” kodlu, düzgün için tahmin edilen orana karşılık gelmektedir. Benzer şekilde, listenin son değeri, test değişkeninin en yüksek grup değerine karşılık gelmelidir (örneğin, buruşuk için .25, doku gruplama değişkeni için “2” olarak kodlanmıştır).

Çıktınız birkaç bölümden oluşacaktır. Çıktınızın en üstündeki frekans verileriyle başlayalım.

Observed N etiketli sütun, Mendel’in örneğinde gözlemlediği sıklık sayımlarıdır. Beklenen N olarak etiketlenen sütuna dikkat edin. Bunlar, boş hipotez tarafından tahmin edilecek olan beklenen frekanslardır. Örneğin, Mendel’in verilerinde sıfır hipotezi doğru olsaydı, toplam 7.324 yavru bitkinin %25’inin buruşmasını beklerdik (.25 x 7.324 = 1.831). Pürüzsüz bezelye için beklenen sıklığı kendiniz onaylayın.

Ki-kare istatistiği, bu gözlemlenen frekanslar (fo) ve beklenen frekanslar (fe) karşılaştırılarak hesaplanır. Spesifik olarak, formül aşağıdaki gibidir:

• foi, i kategorisinin gözlemlenen frekansıdır ve
• fei, i kategorisinin beklenen frekansıdır ve
• k kategori sayısıdır.

Gözlenen ve beklenen frekanslar arasında büyük bir tutarsızlık olduğunda, boş hipotezi reddederiz. Alternatif olarak, gözlemlenen ve beklenen frekanslar arasında küçük bir tutarsızlık olduğunda, sıfır hipotezini reddedemeyiz. Bu frekanslar size tutarsız görünüyor mu?

Bu çıktıda çok küçük bir ki-kare değeri (.263) ve bununla ilişkili çok küçük bir anlamlılık (.608) görüyoruz. Bunun gözlemlenen ve beklenen frekanslar açısından anlamı, birbirlerine çok yakın olmaları ve bu nedenle sıfır hipotezini reddetmemizdir. Böylece, Mendel’in verilerinde gözlemlediği şeyin, test ettiği kalıtım modeliyle çok yakından eşleştiği (uyduğu) sonucuna varıyoruz.

Ki-Kare Bağımsızlık Testi

Ki-kare istatistiği, iki nitel veya ayrık değişken arasında istatistiksel bir ilişki olup olmadığını test etmek için de yararlıdır. Bu testin mantığı, uyum iyiliği testindekiyle hemen hemen aynıdır. Bir dizi frekansı öngören boş bir hipotezle başlıyoruz. Daha sonra verilerde gözlemlenen frekansları boş hipotez tarafından tahmin edilen frekanslarla karşılaştırırız. Gözlenen ve beklenen frekanslar arasında büyük bir farklılık varsa, boş hipotezi reddederiz.

Örneğin, Öğrenci veri setinde (şimdi açın), öğrencinin bir arabasına (kendi arabasına) sahip olup olmadığını temsil eden bir ikili değişkenimiz var ve bir diğeri, öğrencinin kampüste yaşayan bir mukim mi yoksa bir banliyö (res) mi olduğunu temsil eden bir ikili değişkenimiz var. Bu iki değişkenin, taşıtların bir otomobile daha fazla ihtiyaç duymasıyla ilişkili olabileceğini düşünmek mantıklıdır. Verilerin değişkenler arasındaki bu öngörüyü destekleyip desteklemediğini veya çürüttüğünü belirlemek için ki-kare bağımsızlık testini kullanabiliriz.

The post Ki-Kare Testleri – SPSS Ödevi Yaptırma – SPSS Analizi Yaptırma Fiyatları – SPSS Örnekleri – Ücretli SPSS Analizi Yaptırma – SPSS Analizi Yaptırma Ücretleri first appeared on Akademi Delisi (Tez Yaptırma).

Hastaların cinsiyetinin danışmanlar arasında eşit olarak dağılmadığını gördük. Ama bunun bir şans sonucu olup olmadığını sorabiliriz. Servise tekrar başlasak ve hastalar rastgele danışmanlara atansaydı, benzer bir sonuç bulabilir miydik? Belki de tam tersi – çoğu erkek hasta kadın danışmanı görüyor.

Elbette şans eseri cinsiyetler arasında oldukça eşit bir şekilde dağılmalarını beklerdik. Soru şudur: Erkek hastaların bir erkek danışmana gitme konusunda önemli bir önyargı olduğu ve bunun tersi olduğu sonucuna varmamız için cinsiyetler arasında ne kadar eşit olmayan bir dağılım olması gerekir?

Ya da başka bir deyişle: Bunun tesadüfen meydana gelme olasılığını reddetmemiz için cinsiyetler arasında ne kadar eşitsiz bir dağılım olması gerekir? İstatistiksel bir testin kullanışlı olduğu yer burasıdır.

Ki-kare (χ2 ile temsil edilir) tabloların her hücresinde gerçek gözlenen frekansları beklenen frekanslarla karşılaştırarak çapraz tablolama için istatistiksel bir test uygular. Beklenen frekanslar, verilerin “rastgele dağıtılmış” olması durumunda bekleyeceğimiz frekanslardır.

Bu noktada çapraz tablodaki dört hücreyi kovalar olarak düşünmek yardımcı olabilir. Şimdi, her bir kovaya bir tane giden dört boru aracılığıyla kovaların her birine top pompalamak için tasarlanmış bir piyango makinesi hayal edin.

Topların piyango makinesi tarafından dağılımı gerçekten rastgele ise, her kovada benzer sayıda top bekleriz. Bu nedenle, piyango makinesi 200 top dağıtacak şekilde ayarlansaydı, dört kovanın her birinde kabaca 50 top beklerdik.

Dolayısıyla Tablo 4.4’teki varsayımsal verileri kullanarak kadın/erkek hasta ve danışman arasında bir fark olmadığını görebiliriz. Gerçek gözlemlenen sayımlar, beklenen sayımlarla eşleşiyor.

Bunun tam tersi bir senaryo var: tüm erkekler John’u görürken, tüm dişiler Jane’i gördü. Beklenen frekansların her hücrede aynı 50 olarak kaldığına dikkat edin. Beklenen frekanslardan sapma, hastanın cinsiyeti ile gördükleri danışman arasında bir ilişki olduğunu kuvvetle düşündürür: John’u görmeyi beklediğimizden 50 erkek hastamız daha var (ve Jane’i görmemiz beklenenden 50 daha az); ve Jane’i görmeyi beklediğinden 50 kadın hasta daha (ve John’u görmeyi beklediğinden 50 daha az).

Ki-kare istatistiğinin yaptığı, bu dağılımın şans eseri olma olasılığını hesaplamaktır. Danışmanlık verilerimiz üzerinde ki-kare çalıştıralım ve ne olduğunu görelim.

SPSS’de ki-kare çalıştırma

1 Ekranın üst kısmındaki menüden: Analiz et, ardından Tanımlayıcı İstatistikler ve sonra Çapraz Tablolar’a tıklayın.
2 Cinsiyet değişkenini satır kutusuna ve danışmanı sütun kutusuna taşıyın.
3 Hücreler düğmesini tıklayın. Gözlemlenen ve beklenen sayıların işaretlendiğinden ve satır yüzdelerinin (her danışmanı gören kadın ve erkek yüzdelerini bilmek istediğimizden) emin olun.
4 Bu kutuyu kapatmak için Devam’ı tıklayın.
5 İstatistikler sekmesine tıklayın ve ki-kare kutusunu işaretleyin.
6 Devam’ı ve ardından analizi çalıştırmak için Tamam’ı tıklayın.

SPSS çıktı görüntüleyici, çapraz tablolama tablosunu ve ki-kare ve ilgili testleri listeleyen bir tablo oluşturmalıdır.

Not: SPSS, analizinizle ilgili olabilecek veya olmayabilecek, belirsiz ve karmaşık adlarla her türlü istatistiği listeleyen bazı korkutucu çıktı tabloları üretebilir. Ki-kare test tablosu hafif bir örnektir. İşin püf noktası, gösterildiği gibi, ne aradığınızı bilmektir.

ki-kare testi örnek sorular
Ki-kare testi yorumlama
Ki-kare testi formülü
ki-kare testi tablosu
Ki-kare Analizi
Ki-kare testi SPSS
Ki-kare testi nasıl yapılır
Ki-kare Tablosu

Unutulmaması gereken ilk şey, bize “0 hücrenin 5’ten daha az sayılmasını beklediğini” söyleyen dipnot (b) dir. Bu, ki-karenin önemli bir varsayımıdır. Verileri çapraz tablo haline getirmeyi ve ki-kare istatistiğini kullanmayı planlıyorsanız, hücrelerde yeterli değerleri korumak için her zaman yeterince büyük bir örnek boyutuna sahip olduğunuzdan emin olmaya çalışmalısınız.

İlgilendiğimiz değerler üst Pearson ki-kare satırı boyuncadır. Pearson ki-kare değeri 6.467’dir ve anlamlılık veya olasılık (p) değeri .011’dir. Bu, ki-kare hesaplamasına göre, bu değer dağılımının şans eseri meydana gelme olasılığının .01’den küçük olduğu veya 100’de 1 olduğu anlamına gelir, yani olasılık (p) = .01.

Bu olasılıkları istatistiksel olarak anlamlı kabul eder ve hastaların cinsiyeti ile gördükleri danışman arasında bir ilişki olduğu sonucuna varırdık: erkek hastaların erkek danışmanı görme olasılığı daha yüksekti ve kadın hastaların kadın danışmanı görme olasılığı daha yüksekti.

Bu nedenle, doktora raporunuzda öncelikle hastaların ve danışmanların cinsiyetleri arasındaki çapraz tablonun daha büyük bir oranın aynı cinsiyet danışmanını görme eğiliminde olduğunu gösterdiğine dikkat çekeceksiniz: erkek hastaların yüzde 71’i John’u gördü; Kadın hastaların yüzde 75’i Jane’i gördü. Ama sonra ki-kare istatistiğinin bunun istatistiksel olarak anlamlı olduğunu gösterdiğini de eklersiniz: χ2 = 6.467, p = .011. Daha sonra, örneğin olası açıklamalar gibi bu sonuç hakkında yorum yapmaya devam edersiniz.

İstatistiksel Önem Seviyeleri

Ki-kare analizinin sonuçlarını tartışırken önemli bir kavram ortaya koyduk. Araştırmada, gerçekten hiçbir fark olmadığı doğru olmalıdır (a yanlış pozitif).

Gerçekte, ki-kare testi, dört hücredeki bu puan dağılımının tesadüfen oluşabilme olasılığının 100’de 1 (.01) olduğunu hesaplamıştır. Başka bir açıdan bakarsak, topları dört hücreye dağıtan rastgele bir piyango makineniz olsaydı, bu sonuç 30 top kullanarak 100 denemede bir kez ortaya çıkabilirdi.

Elbette, kabul edilebilir istatistiksel anlamlılık düzeyimizi bağlama göre ayarlamalıyız. Örneğin, zararlı yan etkileri olan deneysel bir ilacın gerçekten ağrıyı azaltma gücüne sahip olmadığına dair 20’de 1’lik (0.05) bir şansı kabul etmek istemeyebiliriz: ‘Eh, denemelerimize göre, 1/20’lik bir olasılık var. ‘aslında ağrıyı azaltır ve bulduğumuz olumlu sonuçlar tamamen şansa bağlıydı.’ Bu durumda önem seviyemizi 100’de 1’e (0.01) yükseltmek isteyebiliriz.

Sorun şu ki, bir denge kurmamız gerekiyor. Önem için kriterlerinizi ne kadar düşük belirlerseniz, danışmanlık örneğimizde gerçekte olmadığı halde önemli bir fark olduğu sonucuna varma olasılığınız o kadar yüksek olur, hasta tercihlerini karşılamak için bir erkek ve kadın danışmanın olduğunu tartışırsınız. daha büyük bir örneklemle yapılacak daha fazla araştırma, eşcinsel danışman için gerçekten bir tercih olmadığını gösterecektir.

Ancak bunun tersine, eğer anlamlılık eşiğinizi çok yüksek ayarlarsanız, gerçekte varken hiçbir fark yoktur diyerek yanlış bir olumsuzlukla sonuca varmanız daha olasıdır. İstatistik kitaplarında bunlar Tip I (yanlış-pozitif) ve Tip II (yanlış-negatif) hatalar olarak bilinir.

“akademdelisi.net” ailesi olarak, ki-kare testi örnek sorular, Ki-kare testi yorumlama, Ki-kare testi formülü, ki-kare testi tablosu, Ki-kare Analizi, Ki-kare testi SPSS, Ki-kare testi nasıl yapılır, Ki-kare Tablosu gibi pek çok alanda sizlere destek vermekteyiz.

Siz de bu aileyle tanışmak istiyorsanız iletişim adreslerimizden bizlere ulaşabilirsiniz.

The post Ki-kare İstatistiksel Testi – SPSS Ödevi Yaptırma – SPSS Analizi Yaptırma Fiyatları – SPSS Örnekleri – Ücretli SPSS Analizi Yaptırma – SPSS Analizi Yaptırma Ücretleri first appeared on Akademi Delisi (Tez Yaptırma).