Personality isimli veri dosyasını açıyoruz ve ana menüden Analyze Descriptive Statistics Explore’ı seçiyoruz. Okuyucuların Keşfetmeyi Tanımlayıcılar ve Frekanslar ile karşılaştırmasını sağlamak için kullanılan aynı değişkenler üzerinde tanımlayıcı istatistikler oluşturacağız. Böylece neoopen ve neoneuro’yu gösterildiği gibi ana iletişim penceresinin Dependent List paneline taşıyoruz.

Örneklememiz için Faktör Listesini boş bırakıyoruz, ancak bu, nominal bir değişkenin her kategorisi için ayrı tanımlayıcı istatistikler elde etmenin bir yoludur. Örneğin, Bağımlı Liste panelinde neoopen ve neoneuro ile o panele cinsiyeti yerleştirirsek, bu iki değişken üzerinde erkekler ve kadınlar için ayrı analizler elde ederiz; bu, cinsiyete göre Bölünmüş Dosya yürütmek ve neoopen ve neoneuro’da Keşfet prosedürünü çalıştırmakla aynı sonucu verir.

İstatistikler düğmesinin seçilmesi, gösterilen İstatistikler ekranını açar. Tanımlayıcıları seçiyoruz (bu, bir dizi varsayılan tanımlayıcı istatistik görüntüler) ve 95’i Ortalama için Güven Aralığı panelinde tutuyoruz (bu, ortalamanın alt ve üst %95 güven sınırlarını hesaplar). Çeyreklere ek olarak çeşitli yüzdelik değerleri elde etmek için Yüzdelikleri de seçiyoruz. Ne M tahmin edicilerini (bunlar, bu kitapta ele almadığımız vakaları tartmak için bir dizi alternatif yol) ne de Aykırı Değerleri seçiyoruz.

Ana diyalog penceresine dönmek için Devam’ı seçiyoruz ve gösterilen ekrana ulaşmak için Plots butonunu seçiyoruz. Boxplots alanında Faktör seviyelerini birlikte seçiyoruz. Ana iletişim penceresinde herhangi bir faktör belirtmediğimiz için bu bir tartışma konusudur; bir faktörümüz olsaydı, kutu grafiklerini ya faktörlere ya da bağımlı değişkenlere göre gruplandırabilirdik. Bu grafiği Frekanslar prosedürü tarafından üretilenle karşılaştırabilmemiz için Tanımlayıcı alanında Histogramı da seçiyoruz.

Ana diyalog penceresine dönmek için Devam’ı seçiyoruz ve gösterilen ekrana ulaşmak için Seçenekler butonunu seçiyoruz. Vakaları çift olarak Hariç Tut’u seçiyoruz. Bu seçim, her bir değişken için tanımlayıcı istatistiklerin farklı vaka sayılarına dayalı olarak hesaplanmasına izin verecektir, yani geçerli değerlerin sayısı değişkenden değişkene farklılık gösterebilir.

Çok değişkenli analizlerde (birden çok değişkenin aynı anda analiz edildiği), tüm durumların analize dahil edilen tüm değişkenler üzerinde geçerli değerlere sahip olması gerekir ve bu nedenle bu analizlerde listesel seçim geçerlidir (değişkenlerin herhangi birinde eksik değer bulunan herhangi bir durum). analiz, analizden çıkarılır). Vakaları liste şeklinde Hariç Tut’u seçerek çok değişkenli analizde olduğu gibi aynı vaka setini kullanabiliriz. Ana diyalog penceresine dönmek için Devam’ı seçiyoruz ve analizi gerçekleştirmek için Tamam’ı tıklıyoruz.

ANALİZ ÇIKIŞI

Tanımlayıcı istatistikler gösterilmiştir. İstatistikler, Frekanslar ve Tanımlayıcı prosedürlerden elde ettiğimiz değerleri çoğaltır, ancak aşağıdakileri içeren ek istatistikler elde ederiz.

• Ortalama Alt ve Üst Sınırlar için %95 Güven Aralığı. Bu değerler, ortalamanın (çıktının parçası olmayan) standart hatasının 1,96 ile çarpılması ve sırasıyla üst ve alt sınırları elde etmek için ilgili değerlerin çıkarılması ve eklenmesiyle hesaplanır. Bu değerler (yuvarlama hatası dahilinde) Bölüm 10’da hesapladığımız değerlerle eşleşir.
• %5 Kırpılmış Ortalama. Bu, puanların üst ve alt %5’i hesaplamadan çıkarıldığında değişkenin ortalamasıdır. Kesilmiş ortalama, dağılımın her iki ucundan nispeten aşırı puanları kaldırır. Aşağıdaki akıl yürütmeye dayalı olarak dağılımın uçlarından birinde aykırı değerler olup olmadığını belirlemenin çok kaba bir yoludur:
– Nispeten uç puanlar, dağılımın hem alt hem de üst uçlarında simetrik olarak mevcutsa, kırpılan ortalamanın değeri tam ortalamaya çok benzer olmalıdır.
– Dağılımın alt veya üst ucunda nispeten aşırı puanlar orantısızsa, bu kırpılmış ortalama fark edilebilir olmak için tam ortalamadan yeterince farklı olmalıdır.
• Çeyrekler Arası Aralık (IQR). Birinci ve üçüncü çeyreklere (25. ve 75. yüzdelik dilimler) karşılık gelen puanlar arasındaki mutlak fark.

Google Analytics Nedir
Analytics ne demek
Google Analytics ne işe yarar
Google Analytics kurulumu
Analytics raporu Nedir
Kitle raporu nedir
Hastane bilgi sistemi kurulum Süreci aşamaları
örneklenmiş bir google analytics raporundaki veri

Yüzdelikler çıktısı gösterilmektedir. İlk ana satır, her değişken için 5., 10., 25., 50., 75., 90. ve 95. yüzdelik dilimler için sonuçlar verir. İkinci ana satır, çeyrekleri tanımlar. Bunlara, kutu grafiklerini tanıtan ünlü istatistikçi John Tukey’den sonra Tukey’nin Menteşeleri denir; sözde menteşeler, kutu grafiğinde gösterilen birinci ve üçüncü çeyreklerdir.

Tukey menteşeleri, sunulan kutu grafiklerinde görülebilir. IBM SPSS® grafiğindeki dikey eksen, yüzdelik dilimleri gösterir. Yüzdelikler, verilen puanın üzerindeki puanların oranını gösterdiğinden, daha yüksek puanlar ve dolayısıyla daha yüksek yüzdelikler en tepeye doğrudur (çok yüksek bir puan, 99. yüzdelik dilimde ve grafiğin en üstünde olacaktır).

Her kutu grafiğinin yaklaşık merkezindeki dikdörtgen, dağılımın orta kısmını temsil eder. Medyan (50. yüzdelik dilim) yoğun yatay çizgi ile işaretlenmiştir ve dikdörtgenin alt ve üst sınırları yaklaşık olarak birinci ve üçüncü çeyreklerdir (sırasıyla 25. ve 75. yüzdelikler, ancak Tukey bunları medyan ve dağıtımın her bir ucu); bu üç yüzdelik dilim, IBM SPSS tarafından Tukey’nin menteşeleri olarak hesaplanır.

Dikdörtgenden veya “kutudan” uzanan dikey çizgiler bıyıklardır (dolayısıyla kutu adı ve bıyık grafiği bazen ekrana verilir) ve bunların uçları sırasıyla alt ve üst iç çitlerdir. Bu çitler, ortalamadan yaklaşık ±1.6 standart sapma birimi olan ±1.5 IQR mesafesinde çizilir.

±1.5 IQR’yi aşan ancak ±3.0 IQR’yi geçen veri noktaları, IBM SPSS çıktısında dairelerle belirtilir; ±3.0 IQR’yi aşan veri noktaları E harfi ile gösterilir. Şekil 12.7’de, Vaka 120 için nevrotiklik veri noktası üst iç çitin ötesinde yer alır ve bir daire olarak çizilir; Bu nedenle, Case 120’nin bu ölçümde oldukça yüksek puan aldığını ve aykırı değer olarak nitelendirilebileceğini biliyoruz.

Bir değişkenin değerlerini z puanlarına dönüştürmek için Tanımlayıcılar prosedürünün kullanılabileceğini belirttik. A z puanı, temel standartlaştırılmış puandır ve belirli bir ham puanın dağılımın ortalamasından (standart sapma birimleri cinsinden ortalamadan uzaklık) kaç standart sapma birimi olduğunun doğrudan bir göstergesidir. Ortalamayı ham puandan çıkararak ve bu farkı standart sapmaya bölerek elle hesaplanabilir: z = (X − M)/SD.

Pozitif z puanları, puanın ortalamadan büyük olduğunu; Negatif z puanları, puanın ortalamadan düşük olduğunu gösterir. Böylece, 1.25’lik az puanı, ham puanın ortalamadan bir buçuk standart sapma ile daha büyük olduğunu ve -0.75’lik az puanı, ham puanın ortalamadan bir standart sapmanın dörtte üçü kadar daha az olduğunu bildirir. 

Örnekteki bu iki durumu, değişken üzerinde nasıl performans gösterdikleri açısından karşılaştırabiliriz: daha yüksek değerlerin ölçülen yapının daha fazlasını temsil ettiğini varsayarsak, z skoru 1.25 olan durumun yapı üzerinde olduğundan çok daha yüksek olduğunu söyleyebiliriz. z puanı -0.75 olan durum. Ayrıca, tek bir örnek içindeki ölçümler arasındaki performansı karşılaştırmak için z puanlarını kullanabiliriz. Örneğin, belirli bir durumun iki değişken arasında ne kadar tutarlı olduğunu hemen belirlemek için iki değişkeni z puanı eşdeğerlerine dönüştürebiliriz.

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