Şimdi analiz sonuçlarına bir göz atalım ve sonuçları yorumlayalım.

1. Scree Plot’a gidin.

Çok boyutlu bir ölçekleme modelinin hatası veya uyumsuzluğu, model uzayındaki noktalar arasındaki tahmini mesafeler ile dönüştürülmüş yakınlıklar karşılaştırılarak değerlendirilir. Genel stres etiketi altında, farklı işlevleri ve normalleştirmeleri içeren çeşitli varyasyonlar mevcuttur. Mükemmel bir uyumun 0 stres değerine sahip olacağı ve üst sınırın 1’i geçemeyeceği şekilde ölçeklendirilirler. Daha küçük değerler daha iyi olsa da, altında model uyumunun iyi olarak kabul edildiği, üzerinde anlaşmaya varılmış bir kesme değeri yoktur.

Gerilme değerleri, nesne uzayının artan boyutluluğu ile tipik olarak azaldığı için, analistler, stres değerlerini boyutların sayısının bir fonksiyonu olarak çizebilir ve ötesinde, boyutsallığın arttığı bir noktayı temsil eden bir “dirsek” veya “bükülme” arayabilirler. çözüm, uyumun çok az iyileşmesiyle sonuçlanır. Bu “scree” grafiği, bir korelasyon matrisine uyması için gereken faktör sayısını araştırmak için faktör analizinde de kullanılır.

Gösterildiği gibi, kayşat grafiğinin dikey ekseni normalleştirilmiş stres değerlerini içerir (0’a yakın değerler daha iyi uyumu gösterir), çözümün boyutluluğu ise yatay eksende görünür. Tüm gerilme değerleri küçük olsa da, bir boyutlu çözümden iki boyutlu çözüme geçerken gözle görülür bir azalma vardır, bundan sonra çizim nispeten düzdür, bükülme veya dirsek 2. boyutta gerçekleşir. Bu, iki boyutlu bir çözümün olduğunu düşündürür. en umut verici başlangıç ​​noktasıdır.

2. Stres ve Uyum Ölçüleri pivot tablosuna gidin.

Model uygunluğunun çeşitli ölçülerinin Gerilim ve Uyum Ölçüleri pivot tablosunu görüntüler. Katman etiketi, bu sonuçların tek boyutlu çözüm için olduğunu gösterir. Bunun nedeni, çözüm boyutunun pivot tablonun katman boyutunda görünmesidir.

Diğer çözümler için stres ve uyum ölçümlerini incelemek için, görüntülenen katmanı değiştirebilir veya katmanı pivot tablonun sütun boyutuna taşıyabiliriz. Her ikisi de Özet Tablo düzenleyicisinde kolayca yapılabilir; ikinci yolu seçeceğiz.

3. Özet tabloyu düzenlemek için, Gerilim ve Sığdır Ölçüleri özet tablosuna çift tıklayın (Özet Tablo düzenleyicisini çağırmak için). Pivot tepsilerin penceresi görüntülenmiyorsa, Pivot Tepsiler penceresinde Pivot ➪ Pivoting Trays’i tıklayın.

4.Boyutluluk simgesiniSütunun altındaki İstatistikler katmanından sürükleyip bırakın.

5. Özet Tablo düzenleyicisini kapatın. Her üç çözümün de Gerilim ve Uyum Ölçüleri pivot tablosunu gösterir. Şaşırtıcı olmayan bir şekilde, çok boyutlu ölçekleme çözümünün boyutluluğu arttıkça modellere daha fazla parametre sığdırıldığından, stres ölçüleri azalma eğilimi gösterir ve uyum ölçüleri artar.

SPSS yorumlama örnekleri
SPSS analiz Ücretleri
SPSS anket analizi
SPSS veri Analizi Yorumlama
Anket analizi örnekleri
Faktör analizi yorumlama
Korelasyon Analizi yorumlama
SPSS analiz programı

En büyük değişiklikler, dağlama grafiğinde de gördüğümüz bir-boyutlu çözümden iki-boyutlu çözüme geçerken meydana gelir. Model katsayılarını tahmin ederken, PROXSCAL normalleştirilmiş ham gerilim ölçüsünü en aza indirmeye çalışır. Her biri farklı bir modeli temsil eden herhangi bir sütunda, farklı gerilim ölçümleri için önemli ölçüde farklılıklar vardır. Bunun nedeni, teknik açılardan farklılık göstermeleridir (normlama faktörü olarak kullanılan; mesafelerdeki veya kullanılan mesafelerin karesindeki farklılıklardır; vb.).

Scree grafiğine ve Stress and Fit Measures tablosuna dayanarak, kalan özetler ve grafiklerde iki boyutlu çözüme odaklanacağız. Bu, pivot tabloların yalnızca iki boyutlu çözüm katmanının ve üç grafikten birinin incelenmesini içerecektir.

Buraya kadar teknik uygunluk ölçütlerini tartıştık. Çok boyutlu ölçeklemenin amacı nesnelerin (ürünler, markalar, şirketler vb.) katılımcılar tarafından nasıl görüldüğünü daha iyi anlamak olduğundan, bir çözümün ne kadar yorumlanabilir olduğu dikkate alınmalıdır. Örneğin, üçüncü boyut anlamlı bir şekilde yorumlanamıyorsa, iki boyutlu bir çözümden üç boyutlu bir çözüme geçiş doğrulanmayabilir. Bu düşünce faktör analizinde de mevcuttur.

6. Gösterilen Normalleştirilmiş Ham Stresin Ayrışımı pivot tablosuna gidin. Şekil 10-16, nesnelerin (burada psikoloji alt disiplinlerinin) satırlarda listelendiğini ve farklı veri kaynaklarının (gruplar veya bireyler; burada tek bir kaynak var) sütunları oluşturduğunu göstermektedir. Nesneler arasındaki ortalama değer, Gerilim ve Uyum Özeti tablosunda rapor edilen normalleştirilmiş ham gerilim değeridir (.0011).

Farklı alt disiplinler için stres değerlerini incelediğimizde, Gelişimsel ve Sosyal psikolojinin diğer alt disiplinlerden çok daha küçük değerlere sahip olduğunu görüyoruz. Diğer alt disiplinleri içeren yakınlıklar da modellenmemiştir ve normalleştirilmiş ham strese orantısız bir şekilde katkıda bulunurlar. Pratikte, hangi nesnelerin veya grupların iyi modellenmediğini bilmek, soruna bir miktar fikir verebilir (bu durumda stres değerleri tüm nesnelerde çok düşük olmasına rağmen).

Not: Çok sayıda nesne varsa, satırları sıralamak bu tabloyu sindirmeyi kolaylaştırır. Sıralama, İstatistik’in son sürümlerinde pivot tablo düzenleyicide, sütunu seçip sağ tıklatarak ve Satırları Sırala’yı seçerek kullanılabilir.

7. Ortak Alan bölümündeki Son Koordinatlar pivot tablosuna ilerleyin.
8. Son Koordinatlar pivot tablosuna çift tıklayın.
9. Boyutsallık açılır listesinden2’yi seçin (Katman alanında, pivot tablonun hemen üstünde).
10. Özet Tablo düzenleyicisini kapatın.
Nihai Koordinatlar tablosu, nesnelerin (psikoloji alt disiplinlerinin) iki boyutlu çözüm uzayındaki konumlarını temsil eder.

Boyut Yorumlamaya Öznel Yaklaşım

Boyut yorumlamaya yönelik öznel yaklaşım, nesneler hakkında bilinenlere dayanan temel kalıpları keşfetmek için nesnelerin grafiksel temsilini inceler. Yani temel olarak kendimize (nesneler hakkında bildiklerimize dayanarak) bu nesnelerin her boyutta nasıl farklılaştığını sormalıyız?

Bu iki boyutlu çözümde, yatay eksen, sağda nicel alt disiplinler ve solda nitel alt disiplinler bulunan bir tür veri boyutu gibi görünmektedir. Dikey boyutla ilgili olarak, bu farklı alt disiplinlerde psikologlar tarafından tipik olarak karşılaşılan hastalık şiddetini veya alternatif olarak, bu alt disiplinlerdeki araştırmalarla ilgili sonuçların genelliğini veya özgüllüğünü temsil edebilir. Hastalık şiddeti yorumunu kullanarak, sosyal psikolojinin alt disiplini ağır olmayan hastalıklarla uğraşıyor olarak görülürken, nöropsikolojinin alt disiplini ağır hasta popülasyonlarla uğraşıyor olarak da düşünülebilir.

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

Tamamlanan yol modeli gösterilir. Yaş ve SES arasındaki korelasyonun yanı sıra standartlaştırılmış yol katsayıları kendi yollarına yerleştirilir ve sonuç değişkeni yaşam kalitesi ve içsel değişken iyimserlik için ayarlanmış R2 değerleri, sağ üst köşelerine yakın yuvarlak kenarlı dikdörtgenlerde gösterilir.

Çoklu regresyon sonuçlarına dayanarak, teorik olarak makul olması durumunda, araştırmacılar yaştan yaşam kalitesine giden anlamlı olmayan yolu kaldırarak bu modeli düzeltme eğiliminde olabilirler. Böyle bir eylem, yol analizinin kullanımını doğrulayıcıdan keşifsel sınırlara kadar uzatır, ancak bazı araştırmacılar bu eylemi cimrilik ilkesine dayanarak yapacaktır.

DOLAYLI ETKİLERİN İSTATİSTİKSEL ÖNEMİNİN DEĞERLENDİRİLMESİ

Yol katsayılarını görsel olarak incelememiz, hem yaşın hem de SES’in aracı değişken olarak iyimserlik yoluyla yaşam kalitesi üzerinde dolaylı bir etki yaptığını göstermektedir. Dolaylı etkilerin istatistiksel önemi, Aroian (1947) testi ile şu şekilde değerlendirilebilir:

• İyimserliğe giden yaş (b = −.634, SE = .112) ve iyimserlikten yaşam kalitesine (b = .190, SE = .021) giden yollar ile ilişkili ham kısmi regresyon katsayılarını ve SE’leri kullanarak, elde ederiz (Kristopher’e dayalı olarak J. Preacher’ın web sitesi http://quantpsy.org/sobel/sobel.htm) yaklaşık -4.78’lik bir Aroian z değeri, p < .001.
• SES’den iyimserliğe (b = 3.187, SE = .399) ve iyimserlikten yaşam kalitesine (b = .190, SE = .021) giden yollarla ilişkili ham kısmi regresyon katsayılarını ve SE’leri kullanarak, elde ederiz (Kristopher J. Preacher’ın web sitesi http://quantpsy.org/sobel/sobel.htm) Aroian z değeri yaklaşık 5.97, p < .001.

Bu nedenle, yaşam kalitesini açıklamada iyimserlik yoluyla yaş ve SES’in dolaylı etkilerinin istatistiksel olarak anlamlı olduğu sonucuna varabiliriz.

HER DOLAYLI ETKİNİN GÜCÜNÜN DEĞERLENDİRİLMESİ

Her yolun her bir parçasıyla ilişkili standartlaştırılmış (beta) katsayıları çarparak her dolaylı etkinin gücünü değerlendirebiliriz. Dolayısıyla, yaşın iyimserlik yoluyla yaşam kalitesi üzerindeki dolaylı etkisinin mutlak değeri −.31 * .53 = .16 ve iyimserlik yoluyla yaşın yaşam kalitesi üzerindeki dolaylı etkisinin değeri .43 * .53 = .23’tür. Bu değerlerin her ikisi de dolaylı etkiler için oldukça önemlidir ve pratik değer olarak ele alınmalıdır. Bu analizden elde ettiğimiz genel sonuç, yaş ve SES’in iyimserliğin aracılı etkisi aracılığıyla yaşam kalitesini dolaylı olarak etkilediğidir.

ARABULUCULUK OLASILIĞININ DEĞERLENDİRİLMESİ

Yaştan yaşam kalitesine giden yol modelde istatistiksel bir anlam ifade etmemiş olsa da, yaşın tek başına yaşam kalitesini tahmin edip edemeyeceği gibi ilginç bir soruyu gündeme getiriyor. Eğer durum buysa, iyimserliğin modele dahil edilmesiyle tam aracılık gözlemlemiş olabiliriz.

Bu olasılığı test etmek için, yaşam kalitesini tahmin etmek için yaşı tek başına kullanarak ek bir regresyon analizi gerçekleştirdik. Gösterilen sonuçlar, yaşın kendi başına yaşam kalitesini öngördüğünü göstermektedir (p<.001); standartlaştırılmamış regresyon katsayısı −.248’dir (SE=.045 ile) ve standartlaştırılmış regresyon katsayısı −.332’dir.

Korelasyon Analizi yorumlama
ANOVA testi örnekleri
Anova testi hangi varsayım altında yapılır
Spss korelasyon Analizi nasıl yapılır
SPSS Korelasyon Analizi yorumlama
Pearson korelasyon Tablosu yorumlama
Korelasyon Analizi Nasıl yapılır
Spss ANOVA testi nedir

DOĞRUDAN YOLLAR ARASINDAKİ ARALIKSIZ VE ARACILI MODELLER ARASINDAKİ FARKIN İSTATİSTİKSEL ANLAMINI TEST ETME

Sonucun ne olacağı açık olsa da, aracısız ve aracılı modellerde yaştan yaşam kalitesine kadar olan yolların göreli güçlerini karşılaştırmak için açıklandığı gibi Freedman-Schatzkin testini gerçekleştirmek öğreticidir. Freedman-Schatzkin denklemini çözdüğümüzde 8.699 t değeri elde ederiz.

N−2 serbestlik dereceli bir Student t dağılımına karşı değerlendirildiğinde (burada 244−2 veya 242 serbestlik derecesine sahibiz), sonucumuz katsayıların önemli ölçüde farklı olduğunu göstermektedir (p < .001). Bu nedenle, tam bir aracılık etkisi elde ettiğimiz sonucuna varabiliriz (aracılı modeldeki yolun istatistiksel olarak anlamlı olmadığı göz önüne alındığında).

Yapısal Eşitlik Modelleme Kullanarak Yol Analizi

Doğrulayıcı faktör analizi yapmak için kullandığımız IBM SPSS® Amos modülü, yol analizi yapmak için de kullanılabilir. Yol analizine yönelik çoklu regresyon yaklaşımında olduğu gibi, bir SEM analizinde yol (regresyon) katsayılarını ve endojen değişkenler için R2’yi elde ederiz.

Ancak, SEM kullandığı için IBM SPSS Amos, önerilen modelin verilere ne kadar iyi uyduğunu bize bildiren uyum dizinleri de sağlar. Bu uyum indeksleri, hangi teorik yaklaşımın daha fazla ampirik desteğe sahip olduğunu belirlemeye yardımcı olmak için farklı makul modelleri karşılaştırmamıza izin verir.

Yol analizine yönelik çoklu regresyon ve SEM yaklaşımları arasındaki farklardan bazıları şunlardır:

• SEM analizi kısımlar halinde değil bir bütün olarak tamamlanır. Bu nedenle, yol katsayıları, çoklu regresyon yaklaşımında yapıldığı gibi yalnızca analizin ayrı bölümlerinde yer alanlara dayanmaktansa, değişkenler arasındaki varsayımsal ilişkilerin tümüne dayalı olarak eş zamanlı olarak tahmin edilir.
• Analizi bir bütün olarak SEM kullanarak gerçekleştirerek, varsayımsal modelin verilere ne kadar iyi uyduğunu bize bildiren uyum indeksleri elde ederiz; çoklu regresyon bu uyum indekslerini sağlamaz.
• Çoklu regresyon yaklaşımı, değişken olarak tahmin edicilerin ve bağımlı değişken olarak Y’nin tahmin edilen değerinin ağırlıklı doğrusal bir bileşimini içerir. SEM’de, modelin öngörücü tarafı, gizli değişken olarak bir hata terimi içerir (bir SEM model diyagramında, her içsel değişken, açıklayıcı bir değişken olarak ilişkili bir hata terimine sahip olacaktır); bu fark, yapısal bir modeldeki bağımlı değişkenin, tahmin edilen Y değerinden ziyade gerçek Y değeri olduğu anlamına gelir.

Çoklu regresyon analizi ile değerlendirilen aynı yol modelini analiz ediyoruz. Belirtildiği gibi, bir SEM analizinde kullanılan veriler hiçbir eksik değer içermemelidir ve verilerimiz bu kriteri karşılamalıdır.

SEM’E GÖRE YOL ANALİZİ: MODEL ÇİZİMİ

Quality of life veri dosyasını açıyoruz ve ana menüden Analyze ➔ IBM SPSS Amos’u seçiyoruz. İlk IBM SPSS Amos penceresi, sağdaki büyük bölmede modelin çizileceği yerde gösterilir ve sık kullanılan komutlar soldaki simge araç çubuğunda bulunur. Okuyucular, simge araç çubuğunda yaygın olarak kullanılan bazı araçlar hakkında ek ayrıntılar vardır.

Yaptığımız gibi, varsayılan dikey (uzun) yönlendirmeden yatay (geniş) yönlendirmeye geçmeyi seçtik. Yönü değiştirmek için ana menüden Görünüm ➔ Arayüz özellikleri’ni seçin. Bu işlem görüldüğü gibi Arayüz Özellikleri penceresini açar. Kağıt Boyutu altında Yatay-Yasal’ı seçin, Uygula’yı seçin ve pencereyi kapatın.

The post DOLAYLI ETKİLER – 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).

EL İLE BİLGİLENDİRİLMESİ

Basit Efektler

Bu bölüm belirttiğimiz gibi, istatistiksel olarak anlamlı bir etkileşim etkisini tipik olarak basit etkilerin bir analizi izler. Böyle bir analizin, bağımsız değişkenlerden biri sabit tutularak tek yönlü bir ANOVA yürütmek gibi olduğunu hatırlayın. Kareler toplamlarımızı oluşturmak için kullandığımız toplamlar, Tablo 11.2’deki AB toplamlar matrisinden gelir. Bu nedenle, mevcut örnekte, belirli bir Faktör B (alkol miktarı) seviyesinde Faktör A’nın (araç tipi) basit etkileri, örneğin, b3 (3 içecek), kareler toplamları için aşağıdaki formüllere sahip olacaktır, serbestlik derecesi, ortalama kare ve F vardır.

Ana Karşılaştırmalar

Etkileşim etkisi istatistiksel olarak anlamlı değilse, ancak bir veya daha fazla ana etki istatistiksel olarak anlamlıysa ve etki üç veya daha fazla düzeyden oluşuyorsa, o zaman ana karşılaştırmaların analizi gerekir. Marjinal araçların ikili karşılaştırmasını yalıtarak başlayacağız; mevcut örnekte, Tablo 11.2’deki AB ortalamalar matrisindeki Faktör B (1.17, 4.25, 6.25) için marjinal ortalamalara odaklanacağız. Fark değerimizi oluşturmak için bir ortalamayı diğerinden çıkardığımızı hatırlayın.

Faktöriyel denek içi basit etki analizleri, basit karşılaştırmalar ve ana karşılaştırmalarda yer alan bazı hesaplama ayrıntılarını bilerek atladık. Bununla birlikte, ilgili hesaplama ayrıntılarının çoğu Bölüm 7 ve 8’de (denekler arası tasarımlar) ele alınmıştır ve mevcut (denekler arası) formüllerle kolaylıkla uygulanabilir.

OMNIBUS ANALİZİNİN SPSS’DE YAPILMASI ve VERİ DOSYASININ YAPILANDIRILMASI

İki yönlü denek içi tasarım için veri dosyası, tek yönlü tasarımdan daha karmaşık bir şekilde yapılandırılmıştır. 2 × 3 denek içi tasarım örneğimiz için veri dosyasını gösteriyoruz. İlk sütun, her zaman olduğu gibi, katılımcı kimlik numaramız için kullanılır; bu değişkeni subid olarak adlandırdık. Sonraki altı sütun, iki yönlü tasarımımızı temsil eden hücrelere ayrılmıştır.

Veri dosyasındaki değişkenler (sütunlar), bağımsız değişkenlerimizle eşleşecek şekilde sistematik bir şekilde sıralanmıştır. Şekil 11.1’den iki sıranın öğrencilerin kullandığı araçları temsil ettiğini ve üç sütunun öğrencilerin sürüşten önce tükettikleri içecek sayısını temsil ettiğini hatırlayın.

Bu 2 × 3 matristeki ilk hücre, car0 değişken adındaki veri dosyasındaki 2. sütunla çakışmaktadır. Alkolsüz (birinci seviye içecekler) spor araba kullanan (birinci seviye araç) öğrencileri ifade eder. Şekil 11.1’deki tasarım matrisimizde, sol üst hücredir. Sonraki iki sütun araba1 ve araba3 olarak adlandırılır.

Bu hücreler aynı zamanda ilk araç seviyesine (spor araba) atıfta bulunur, ancak bizi kalan içecek seviyelerine yönlendirir. Böylece, araba1 öğrencilerin bir içki içtiği spor arabalar için sürüş hatalarını gösterirken, araba3 öğrencilerin üç içki içtiği spor arabalar için hataları ifade etmektedir.

Spss ile meta-analiz Nasıl yapılır
SPSS veri Analizi Yorumlama
SPSS analiz yöntemleri
Veri analiz yöntemleri
Korelasyon Analizi yorumlama
SPSS hazır veri seti
Spss ile veri Analizi Nedir
Meta-analiz etki büyüklüğü

Veri dosyasındaki sonraki üç sütun, bizi Araç’ın ikinci seviyesinde gösterir: suv0, suv1 ve suv3, sıfır, bir veya üç içkiden sonra SUV kullanan öğrenciler için hücreleri temsil eder. Burada, Araç’ın spor araba seviyesi için yaptığımız yapıyla aynı yapıyı kullandığımızı unutmayın.

Bu yapıda, veri dosyasındaki değişkenleri soldan sağa doğru görüntülediğimizde, içecekler için bilgiler araç bilgilerinden daha hızlı “değişiyor” veya artıyor. Araçların içeceklerden daha hızlı değiştiği alternatif yapıyı (car0, suv0, araba1, suv1, araba3, suv3) seçmemiz de aynı derecede uygun olurdu. Bu değişkenleri sistematik olmayan başka bir düzende girmek yanlış olmasa da, bu tür kaotik davranışlara karşı şiddetle tavsiye ediyoruz.

İlk SPSS diyalog pencerelerinde denek içi değişkenlerimizi belirlediğimizde, kullandığımız sistematik yapı bu değişkenleri analize dahil etmeyi kolaylaştırabilir (ki bu çok sistematik bir şekilde yapılmalıdır).

VERİ ANALİZİNİN YAPILANDIRILMASI

Ana SPSS menüsünden, Analiz Et ➜ Genel Doğrusal Model ➜ Tekrarlanan Ölçümler’i seçin. Bu, Şekil 11.4’te gösterilen diyalog penceresini açacaktır. Bölüm 10’dan hatırlayacağınız gibi, bu çalışmadaki denek içi değişken(ler)i adlandırmanız ve sahip olduğu seviye sayısını belirtmeniz için SPSS tarafından kullanılan ilk penceredir.

İki denek içi bağımsız değişkene sahip olmak, her birinin ayrı ayrı tanımlanmasını gerektirir. Veri dosyasını nasıl yapılandırdığımızı hatırlayın. Araç adlı değişken, içecekler değişkeninden daha yavaş değişti veya arttı. Bu veri yapısı göz önüne alındığında, adlandırmamız gereken ilk değişken araç; sonra içeceklere isim verebiliriz.

Varsayılan ad faktörü1’i vurgulayın ve araç yazın. Ardından, bu durumda 2 olan, denek içi değişken için düzey sayısını yazın. Son olarak Ekle’ye tıklayın. Şekil 11.5’te gösterildiği gibi Ekle butonunun sağındaki panelde araç adının göründüğünü görüyoruz. Yanında parantez içindeki 2 değeri, belirttiğimiz seviye sayısını gösterir.

Pencere artık adlandırılacak bir sonraki tekrarlanan ölçü için hazırdır. İçkileri Konu İçi Faktör Adı kutusuna yazdık ve Seviye Sayısına göre 3 belirledik. Bütün bunlar Şekil 11.5’te de gösterilmektedir. Ardından Ekle’ye tıklıyoruz. Bu tiplemenin sonucu gösterilmektedir.

SPSS, hem aracı iki seviyeli hem de içecekleri üç seviyeli olarak tescillemiştir. Ana GLM Tekrarlanan Ölçümler penceresine ulaşmak için Tanımla’ya tıklayın. GLM Tekrarlanan Ölçümler için ana iletişim penceresi Şekil 11.7’de gösterilmektedir. Soru işaretli satırların yanında parantez içindeki sayı çiftlerini not edin. Bunlar, değişkenleri adlandırdığımız sırayla; bu sıralama (araç, içecekler) Konu İçi Değişkenler ifadesinin altında pencerenin en üstünde gösterilir.

Her parantez içindeki ilk değer, bu durumda ilk bağımsız değişken olan araç düzeyine atıfta bulunur; her parantez içindeki ikinci değer, bu durumda ikinci bağımsız değişken olan içeceklerin seviyesini ifade eder. SPSS, analizi gerçekleştirmenize izin vermeden önce değişkenlerinizi tanımlamanızı gerektirir (dikkat edin OK (Tamam) düğmesi henüz mevcut değildir).

Şimdi değişkenleri tanımlamaya başlayabiliriz. İçini tanımlamak için konu bağımsız değişkenler, her birinin seviyelerinin belirtilen değerlerine karşılık gelen değişkeni (veri dosyasındaki adlandırılmış sütun) sağlamamız gerekir. Örneğin, hücre kombinasyonu veya koordinatı (1,1) aracın (araba) birinci seviyesini ve içeceklerin ilk seviyesini (0) gösterir; (1,2) koordinatı, aracın (araba) birinci seviyesini ve ikinci içecek seviyesini (1) gösterir; ve (1,3) koordinatı aracın (araba) birinci seviyesini ve içeceklerin üçüncü seviyesini (1) gösterir. Son üçü, ikinci seviye araç (SUV) kullanılarak benzerdir.

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