Sunulan ilk analizde yaptığımız gibi burada değişkenlerden ikisini kullanıyoruz. Fiziksel_aktif değişkeni için, istemciler aktif olmayanlar (veri dosyasında 0 olarak kodlanmıştır) ve aktif olanlar (veri dosyasında 1 olarak kodlanmıştır) olarak ikiye ayrılmıştır. Obezite değişkeni için, danışanlar obez olmayanlar (hayır, veri dosyasında 0 olarak kodlanmıştır) ve olanlar (evet, veri dosyasında 1 olarak kodlanmıştır) olarak ikiye ayrılmıştır. Veri dosyası yaşam tarzı tıbbi çalışması olarak adlandırılır.

ANALİZ KURULUMU

Yaşam tarzı tıbbi araştırmasını açıyoruz ve ana menüden Analiz Et ➔ Tanımlayıcı İstatistikler ➔ Çapraz Tablolar’ı seçin. Bu, gösterilen ana Çapraz Tablolar iletişim penceresini oluşturur. Bu analizi tam olarak yaptığımız gibi yapılandırıyoruz, ancak bir istisna dışında: İstatistik penceresinde, Ki-kare ve Phi ve Cramer’s V’yi seçmenin yanı sıra Risk’i seçiyoruz.

ANALİZ ÇIKIŞI

Analizin genel sonuçları,  gösterilenlerle aynıdır ve bu nedenle sadece gözlemlenen ve beklenen sıklık tablosunu gösteriyoruz. Bu analizdeki yenilikler, gösterilen Risk Tahmini tablosudur.

İki risk oranı, tablonun ikinci ve üçüncü satırlarında verilmiştir. Bu değerlerin nasıl hesaplandığını ve nasıl yorumlandığını daha önce anlatmıştık.

• Obezite grubu için = 0 hayır etiketli satır, obezitenin yokluğuna odaklanır. “Daha yüksek risk” (aktif değil) koşulu için riskin, “düşük risk” (aktif) koşulu için riske bölünmesi, .697/.832 veya yaklaşık olarak bir risk oranı verir.
•Therowlabeledforkohortobezite=1evet,obezite oluşumuna odaklanıyor. “Daha yüksek risk” (aktif değil) koşulu için riskin, “düşük risk” (aktif) koşulu için riske bölünmesi, .303/.168 veya yaklaşık 1.802 risk oranı verir.

Çıktı ayrıca, araştırmacıların risk oranını bildirirken bunları sağlamaları uygun olduğundan, her bir oran için %95 güven aralığı için alt ve üst değerleri sağlar.

Odds Ratio’nun fiziksel_aktif (0 aktif değil / 1 aktif) satır etiketi ile sadece bir oran hesaplanır. Etiket göz önüne alındığında, bu hesaplamanın, obezite oluşumundan ziyade obezite eksikliğine (0 kodu) odaklanarak paydaki aktif olmayan grup için oranları kullandığı açık olabilir. Bu olasılık oranını iki şekilde hesaplayabiliriz.

• Aktif olmayan grubun obez olmama ihtimali 370/161 yani yaklaşık 2.298, aktif grupta obez olmama ihtimali 430/87 yani yaklaşık 4.943 diyebiliriz. 2.298’i 4.943’e bölmek, yaklaşık olarak .465’lik bir oran oranı verir.
• Aktif olmayan grubun obez olma olasılığının 161/370 veya yaklaşık .435, aktif grubun obez olma olasılığının 87/430 veya yaklaşık .202 olduğunu söyleyebiliriz. .202’yi .435’e bölmek, yaklaşık olarak .465’lik bir oran oranı verir.

Hangi açıdan bakarsak bakalım, fiziksel olarak aktif olanların obezite geliştirme olasılığı, fiziksel olarak aktif olmayanların obezite geliştirme olasılığının yarısından biraz daha azdır. Yine tabloda %95 güven aralığı için alt ve üst değerler verilmektedir, çünkü araştırmacıların bahis oranlarını bildirirken bunları sağlamaları uygun olacaktır.

ki-kare testi tablosu
fisher kesin ki-kare testi
Çok gözlü ki-kare testi
Ki-kare bölünmesi
ki-kare testi yorumlama
Photoshop birleştirilen katmanları ayırma
Ki-kare sembolü
ki-kare tablosu oluşturma

Ki-Kare Katmanları

İki yönlü bir ki-kare tasarımında elde ettiğimiz bilgileri zenginleştirmenin bir yolu, IBM SPSS®’de katman olarak adlandırılan üçüncü bir kategorik değişkenin varlığını üst üste getirmektir. Bu üçüncü değişken, katmanlaştırıcı bir değişken olarak hizmet eder; yani, katman değişkeninin her kategorisi için olağan iki yönlü olasılık tablomuzu inceleriz. Örneğin, obezite ve fiziksel aktivite çalışmamızda kişinin sigara içip içmediğini gösteren bir değişken kullanabiliriz. Böyle bir durumda, sigara içenler, içmeyenler ve birleşik örnek için ayrı ki-kare analizleri (obezite ile fiziksel aktivite) elde ederiz.

SAYISAL ÖRNEK

Burada sunulan analizde kullandığımızla aynı iki değişkeni kullanıyoruz Physical_active değişkeni için, istemciler aktif olmayanlar (veri dosyasında 0 olarak kodlandı) ve aktif olanlar (veri dosyasında 1 olarak kodlandı) olarak ikiye ayrıldı. ). Değişken obezite için, danışanlar obez olmayanlar (hayır, veri dosyasında 0 olarak kodlanmıştır) ve olanlar (evet, veri dosyasında 1 olarak kodlanmıştır) olarak ikiye ayrılmıştır. Bu analiz için, şimdi hayır için 0 ve evet için 1 olarak kodlanan sigara içen ikili kodlu değişkeni ekliyoruz. Veri dosyası yaşam tarzı tıbbi çalışması olarak da adlandırılır.

ANALİZ KURULUMU

Yaşam tarzı tıbbi araştırmasını açıyoruz ve ana menüden Analiz Et ➔ Tanımlayıcı İstatistikler ➔ Çapraz Tablolar’ı seçin. Bu, gösterilen ana Çapraz Tablolar iletişim penceresini oluşturur. Daha önceki analizlerde yaptığımız gibi fiziksel_aktifliği Satır(lar) paneline ve obeziteyi Sütun(lar) paneline taşıyoruz. Ancak, sigara içen kişiyi de gösterildiği gibi Katman paneline de taşıyoruz.

Kalan kurulum, tanımladığımızla aynıdır. Kısaca, Exact butonunu (varsa) seçin ve Exact’i seçin. Gösterilen İstatistikler iletişim penceresinde, Nominal alanda Ki-kare ve Phi ve Cramer’s V’yi ve Risk’i seçiyoruz. Gösterilen Hücre Görünümü iletişim penceresinde, Gözlemlenen, Beklenen, Satır Yüzdeleri ve Düzeltilmiş standardize’yi seçiyoruz. Analizi gerçekleştirmek için Tamam’a tıklayın.

ANALİZ ÇIKIŞI

Katman analizi için ki-kare değerlerini sunar. Ki-Kare Testleri tablosunun alt ana satırı, tam örnek bir sonuçtur (Toplam olarak etiketlenir) ve Bölüm 63’te açıklanan sonuçlarla aynıdır; Pearson Ki-Kare 26.398’dir ve istatistiksel olarak anlamlıdır (p<.001). Ancak katman analizinde, bu genel analiz iki sigara içen düzeyine bölünür ve bu sonuçlar tablonun ilk iki ana satırında da gösterilir.

İlk ana satır, sigara içmediklerini belirten (veri dosyasında 0 olarak kodlanmış) vakaların (N = 826) sonuçlarını sağlar. Bu grup için, Pearson Ki-Kare 29.051 idi ve bir serbestlik derecesiyle (bu hala 2×2 bir olasılık tablosudur) ya tam bir iki kuyruklu anlamlılık testine ya da asimptotik bir test. Dolayısıyla sigara içmeyenlerde fiziksel_aktif ve obezite değişkenleri arasında bir ilişki de vardır.

İkinci ana satır, sigara içtiğini belirten (veri dosyasında 1 olarak kodlanmış) vakaların (N = 222) sonuçlarını sağlar. Bu grup için Pearson Ki-Kare 0,718’di ve bir serbestlik derecesiyle, tam iki kuyruklu anlamlılık testi (p = .444) veya asimptotik test (p = .397) temelinde istatistiksel olarak anlamlı değildi. Bu nedenle, fiziksel olarak aktif ve obezite değişkenleri, sigara içmeyenlerde birbirinden bağımsız da görünmektedir.

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

Analizi, ilk iki kategoriyi karşılaştırmak için tam olarak daha önce açıklandığı gibi kurduk, ancak Ki-Kare Seçenekleri penceresinde, Kategori sütununda her biri hala 50’lik bir Göreli Frekansta 1 ve 3’ü belirtmemiz dışındadır.

ANALİZ ÇIKTI: 1. VE 3. KATEGORİLERİN KARŞILAŞTIRILMASI

Kategori 1 ve 3’ü karşılaştıran ki-kare testinin özetini sunar. Sonuçlar, dahil edilen kategorilerin sıklık açısından önemli ölçüde farklı olduğunu gösterir (p = .005).

Özet tablosuna çift tıklamak çıktıyı Şekil 62.13’te gösterildiği gibi genişletir. İstatistiksel tablonun üzerindeki çubuk grafik, analizdeki kategorileri bilişsel düşüş ve fiziksel değişiklikler olarak tanımlar. Ki-kare değeri tabloda 8.000 olarak gösterilmiştir.

1 serbestlik dereceli ki-kare dağılımına göre değerlendirildiğinde (çünkü analizde iki kategori vardır), bu değeri veya daha büyük bir değeri elde etme şansı .005’tir. Bu analize dayanarak, bu nedenle, fiziksel sıkıntı sinyalleri sunanlara göre bilişsel sıkıntı sinyalleri sunan danışanların önemli ölçüde daha fazla olduğu sonucuna varıyoruz.

ANALİZ KURULUMU: 2. VE 3. KATEGORİLERİN KARŞILAŞTIRILMASI

Analizi, ilk iki kategoriyi karşılaştırmak için tam olarak daha önce açıklandığı gibi kurduk, ancak Ki-Kare Seçenekleri penceresinde Kategori sütununda 2 ve 3’ü belirledik.

ANALİZ ÇIKTI: 2. VE 3. KATEGORİLERİN KARŞILAŞTIRILMASI

Kategori 2 ve 3’ü karşılaştıran ki-kare testinin özetini sunar. Sonuçlar, dahil edilen kategorilerin sıklık açısından önemli ölçüde farklı olmadığını gösterir (p = .075).

Özet tablosuna çift tıklamak çıktıyı gösterildiği gibi genişletir. İstatistiksel tablonun üzerindeki çubuk grafik, analizdeki kategorileri duygusal bozulma ve fiziksel değişiklikler olarak tanımlar. Ki-kare değeri tabloda 3.161 olarak gösterilmiştir. 1 serbestlik dereceli ki-kare dağılımına karşı değerlendirildiğinde, bu değeri veya daha büyük bir değeri elde etme şansı .075’tir. Bu analize dayanarak, duygusal sıkıntı sinyalleri veren danışanların fiziksel sıkıntı sinyalleri sunanlardan önemli ölçüde daha fazla olmadığı sonucuna vardık.

Sonuç olarak, post hoc analizler, fiziksel değişiklik semptomları veya duygusal bozulma semptomlarından çok daha fazla bilişsel gerileme semptomları gösteren danışan olduğunu göstermiştir.

ki-kare bağımsızlık testi örnek sorular
ki-kare bağımsızlık testi hesaplama
ki-kare testi hesaplama
ki-kare testi yorumlama
ki-kare testi tablosu
ki-kare testi ne için kullanılır
Ki-kare testi ne zaman kullanılır
Pearson ki-kare testi

İki Yönlü Ki-Kare Bağımsızlık Testi

İki yönlü ki-kare tasarımı, ele alınan tek yönlü tasarımın bir uzantısıdır; önemli olan fark, analize ikinci bir kategorik değişkeni dahil etmemizdir. İki yönlü bir tasarımdaki frekanslar, bir değişkenin satırlarla (örneğin, kadınlar ve erkekler) ve diğerinin sütunlarla (örneğin, kullanıcının bir cafe ́ latte veya bir cafe ́ mocha sipariş edip etmediği) ile temsil edildiği bir tabloya yerleştirilir. yerel bir kahvehane). Bu tür bir konfigürasyona, frekansların iki kategorik değişkenin (örneğin, bir kafe ́ latte sipariş eden kadınlar) seviyelerine bağlı olması anlamında iki yönlü bir olasılık tablosu denir.

Araştırma çalışmasında iki değişken arasında ayrım yapmak için, bazı araştırmacılar ilgi gruplarını temsil eden değişkeni satırlara yerleştirir ve diğer değişkeni (çalışmanın bir çıktısına veya odağına benzer) sütunlarla temsil eder, ancak böyle bir yerleştirme keyfidir. ve diğer araştırmacılar ters düzenlemeyi önermektedir.

Örneğin, yerel bir kahvehanede iki cinsiyetin içecek tercihlerini inceliyor olsaydık, satırların farklı cinsiyetleri temsil ettiğini ve her sütunun kahve içeceklerinden birini temsil ettiğini hayal ederdik. Böyle bir konfigürasyon, bu bölümde yaptığımız gibi sadece gözlemlenenleri beklenen sıklıklarla karşılaştırdığımızda daha az alakalıdır, ancak Bölüm 64’te ele aldığımız risk analizinde biraz daha alakalı hale gelir.

İki yönlü tasarımdaki sıfır hipotezi, iki değişkenin bağımsız olmasıdır. Kadınların ve erkeklerin içki ısmarladığı kahvehane çalışmasını düşünün. Eğer iki değişken bağımsızsa, o zaman her içkiyi sipariş eden kadın oranı erkeklerle aşağı yukarı aynı olacaktır.

Örneğin, her bir cinsiyetin %25’i cafe ́ latte sipariş etseydi (ve dolayısıyla her birinin %75’i cafe ́ mocha sipariş etseydi), o zaman anlamlı olmayan bir ki-kare değeri elde ederdik ve iki değişkenin bağımsız olduğu sonucuna varırdık; yani, eğer iki değişken bağımsız ise, her bir cinsiyet için aynı içki siparişi kalıbı geçerli olacaktır ve müşterinin cinsiyetini bilmek, hangi içeceğin sipariş edildiğine dair tahminimizi güçlendirmeyecektir.

İki değişken birbiriyle ilişkiliyse (bağımsız değilse), az önce tanımladığımızın tersi gerçekleşir. Örneğin, kadınların %10’u, erkeklerin ise %75’i bir kafe ́ latte sipariş etseydi, istatistiksel olarak anlamlı bir ki-kare değeri elde ederdik ve iki değişkenin bağımsız olmadığı (yani birbirleriyle ilişkili olduğu) sonucuna varırdık. . Bu durumda, patronun cinsiyeti, içecekler için sipariş tercihleriyle ilişkilidir ve cinsiyet, sipariş verme davranışının bir yordayıcısı haline gelir; yukarıdaki senaryo göz önüne alındığında, erkeklerin bir kafe ́ latte sipariş etme olasılığı kadınlardan daha yüksek olacaktır.

Tek yönlü ve iki yönlü ki-kare tasarımı arasındaki diğer bir fark, beklenen frekansların üretilme şeklidir. Bölüm 62’de gördüğümüz gibi, tek yönlü tasarımda teorik, aktüeryal veya şansa dayalı olarak üretilirler; her durumda, beklenen frekansların değerlerini üretme stratejisine karar vermesi gereken araştırmacılardır. İki yönlü tasarımda, beklenen frekanslar gözlemlenen frekanslara dayalı olarak ampirik olarak üretilir ve bunlar boş hipotezi temsil eder (değişkenler arasında hiçbir ilişki yoktur).

Kahvehane çalışmamızda, satırlar olarak müşteri cinsiyeti ve sütunlar olarak içecek türü ile, ilk olarak sütun toplamlarını, yani toplamda kaç müşterinin bir kafe ́ latte sipariş ettiğini ve toplamda kaç müşterinin sipariş ettiğini belirleyerek beklenen frekansları belirleyebiliriz. bir kafe ́ mocha sipariş ettim. 40 müşterinin cafe ́ latte ve 60 müşterinin cafe ́ mocha sipariş ettiğini varsayalım. Toplam N, bu nedenle 100’dür ve bu 100 müşterinin %40’ı genel olarak bir kafe ́ latte ve toplamda %60’ı bir kafe ́ mocha sipariş etmiştir.

Her bir cinsiyet için beklenen sıklıklar, bu gözlemlenen genel (marjinal) sıklıklara dayanmaktadır; bu nedenle, değişkenler bağımsız ise (yani boş hipotez), kadın müşterilerin %40’ı ve erkek müşterilerin %40’ının bir kafe ́ latte sipariş edeceğini ve kadın müşterilerin %60’ının ve erkeklerin %60’ının bir kafe ́ latte sipariş edeceğini varsayabiliriz. patronlar bir kafe ́ mocha sipariş ederdi. Bu beklenen frekanslar, gözlemlenen frekanslarla karşılaştırılır ve bu iki frekans grubunun karşılaştırılabilir olup olmadığını (anlamlı olmayan ki-kare değeri veren) veya değil (istatistiksel olarak anlamlı ki-kare değeri veren) belirlemek için bir ki-kare testi kullanılır.

The post İki Yönlü Ki-Kare Bağımsızlık 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).

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).