L1_optimism_C’nin rastgele etkilerinin kaldırılması dışında, çok seviyeli modelimizin karmaşıklık seviyesini daha da yükseltmeye hazırız. Bunu şimdi örneklemdeki hastane türünün etkilerini dikkate alarak yapıyoruz (hem eğitim hem de öğretim hastanelerinin temsil edildiğini hatırlayın). Hasta iyimserliği veri dosyası açıkken Ana menüden Analiz ➔ Karma Modeller ➔ Doğrusal seçim yapıyoruz.

Bu eylem, hastaneyi kümeleme değişkenimiz olarak tanımladığımız ilk Konuları Belirt ve Tekrarlanan penceresini görüntüler. Ana Doğrusal Karışık Modeller penceresine ulaşmak için Devam düğmesini seçin. Ana Lineer Karışık Modeller penceresi gösterilmiştir. prom_dv’yi Dependent Variable paneline ve L1_optimism_C’ye yerleştiriyoruz ve Covariate(s) paneline yazıyoruz.

Sabit butonunun seçilmesi, Sabit Efektler penceresini açar. L1_optimism_C’yi taşıyıp Factors and Covariates panelinden Model paneline yazıyoruz ve Include intercept kutusunun işaretli olduğundan emin oluyoruz.

Gösterilen Rastgele Etkiler ekranının üst kısmında, Kovaryans Tipimiz olarak Yapılandırılmamış’ı seçiyoruz ve tipi Model paneline taşıyoruz. Ekranın alt kısmında hastaneyi Konular panelinden Kombinasyonlar paneline taşıdık. Ana pencereye dönmek için Devam’ı tıklayın.

İstatistik penceresini açıklandığı gibi yapılandırırız (Model İstatistikleri altında Parametre tahminleri ve kovaryans parametreleri için Testler talep ederek). Analizi gerçekleştirmek için Tamam’a tıklayın.

Model Boyutu tablosu gösterilir. Bu karma Düzey 2 modelinde 7 parametre vardı. Tabloda ayrıca, Yapılandırılmamış Kovaryans Yapısı kullanımımız da belgelenmiştir.

Hem AIC hem de BIC dahil olmak üzere Bilgi Kriterlerini sunar. Bu değerler karma Düzey 1 modelindeki değerlerden daha küçüktür ve daha iyi bir model uyumu olduğunu düşündürür.

Ki-kare fark testi de yapabiliriz. Karma Düzey 1 modeli ve karma Düzey 2 modelimiz için -2 Kısıtlı Günlük Olabilirlik değerleri 76.537 farkla sırasıyla 40418.621 ve 40342.084’tür. Bu iki model için serbestlik dereceleri 1 farkla sırasıyla 6 ve 7’dir. Bu nedenle ki-kare farkını bir serbestlik derecesiyle değerlendiririz. A.1’e göre 76.537’lik fark istatistiksel olarak anlamlıdır (p < .001). Bu nedenle, karma Düzey 2 modelinin, karma Düzey 1 modeline göre tahmini geliştirdiği sonucunu çıkarabiliriz.

Sabit Etkilerin Tahminleri tablosunu sunar. Kesişme, şimdi hem L1_optimism_C hem de türü içeren modele dayalı olarak prom_dv’nin bağımlı değişkeni için tahmini popülasyon genel ortalama parametresini temsil eder. Karışık Düzey 1 modelinin tahmininden yaklaşık 52.91’e yükseldiğini not ediyoruz.

Kovaryans yorumlama
Kovaryans örnekleri
Kovaryans hesaplayıcı
Kovaryans hesaplama
Kovaryans olasılık
Kovaryans analizi örnek
Kovaryans değer aralığı
Kovaryans Nedir

L1_optimism_C için parametre eğim tahmini yaklaşık olarak .57’dir ve L1_optimism_C skorundaki bir ölçek değerindeki her artışın, tip kontrol edilirken prom_dv skorunu yaklaşık .57 arttırdığını gösterir. Sig’de görüldüğü gibi. sütun, eğim istatistiksel olarak anlamlıdır (p < .001).

Hastane tipi, yaklaşık 7,02’lik bir parametre tahmini ile ilişkilidir. Bu, eğitim vermeyen hastaneler için 0 ve eğitim hastaneleri için 1 değerleriyle ikili olarak kodlanmış bir değişkendir. Parametre pozitif olduğu ve 1 değeri 0 değerinden büyük olduğu için, eğimi, eğitim hastanelerindeki hastaların yaklaşık 7,02 (ortalama olarak) prom_dv puanları rapor ettiğini ve bu da, eğitim hastanelerindeki hastaların L1_optimism_C puanlarından daha yüksek olduğunu gösterecek şekilde yorumluyoruz. eğitim vermeyen hastaneler

Kovaryans Parametrelerinin Tahminleri tablosu sunulmaktadır. Bunlar, hastanenin modeldeki rastgele etkilerine dayanan varyans tahminleridir. Hastaların bireysel iyimserlik puanlarının bu modele dahil edilmesi, Rezidüel’i karma Düzey 1 modelinde yaklaşık 442.44’ten yaklaşık 437.91’e (yaklaşık %1 küçüldü) çok az düşürdü; bu, hem L1_optimism_C hem de tip içeren modelin yalnızca bir karma Düzey 1 modelinde yapabileceğimizden biraz daha fazla hastane içi varyanstır.

Yapılandırılmamış kovaryans bileşenleri aşağıdakileri gösterir:

• UN (1,1) prom_dv kesişimlerinin varyans tahminini (yaklaşık 39,53 değerinde) L1_optimism_C ve modelde tür ile temsil eder. prom_dv kesişimleri hastaneler arasında önemli ölçüde farklılık göstermektedir (p < .001).
•UN(2,2), L1_optimism_C ile prom_dv eğimlerinin varyans tahminini (yaklaşık olarak88.54 değeri ile) temsil eder ve modelde tür. Bu parametre istatistiksel olarak anlamlıydı (p = .015), bu da eğimlerin hastaneler arasında önemli ölçüde değiştiğini gösteriyor.

ANALİZ KURULUMU: HİYERAŞİK MODEL

Şimdi, hastanenin bir özelliği olan bu Düzey 2 değişkeninin prom_dv tahminimizi geliştirme olasılığına dayanarak hastanenin ortalama iyimserlik düzeyini değerlendirmek için modele L2_optimism_C’yi ekliyoruz.

Hasta iyimserlik veri dosyasını açıyoruz ve Ana menüden Analiz ➔ Karma Modeller ➔ Doğrusal seçim yapıyoruz. İlk Specify Subjects and Repeated penceresinde hastaneyi kümeleme değişkenimiz olarak tanımlıyoruz ve Continue butonunu seçerek Linear Mixed Models ana penceresine ulaşıyoruz.

Ana Doğrusal Karışık Modeller penceresi gösterilir. prom_dv’yi Bağımlı Değişken paneline ve L1_optimism_C, type ve L2_optimism_C’yi Ortak Değişken(ler) paneline yerleştiririz.

Sabit butonunun seçilmesi, gösterilen Sabit Efektler penceresini açar. Factors and Covariates panelinden L1_optimism_C, type ve L2_optimism_C’yi Model paneline taşıyoruz ve Include intercept kutusunun işaretli olduğundan emin oluyoruz. Karışık Düzey 2 model analizinde kullandığımızla Rastgele Etkiler ve İstatistikler için aynı özellikleri kullanıyoruz.

Model Boyutu tablosu gösterilir. Bu karma Düzey 2 modelinde 8 parametre vardı. Hem AIC hem de BIC dahil olmak üzere Bilgi Kriterlerini sunar. Bu değerler, karma Düzey 2 modelinden daha küçüktür ve daha iyi bir model uyumu önerir.

Ki-kare fark testi de yapabiliriz. Karma Düzey 2 modeli ve bu hiyerarşik model için -2 Kısıtlı Günlük Olabilirlik değerleri, 33.868 farkla sırasıyla 40342.084 ve 40308.216’dır. Bu iki model için serbestlik dereceleri 1 farkla sırasıyla 7 ve 8’dir.

Bu nedenle ki-kare farkını bir serbestlik derecesiyle değerlendiririz. Tablo A.1’e göre 33.868’lik fark istatistiksel olarak anlamlıdır (p < .001). Bu nedenle, hiyerarşik modelin karma Düzey 2 modeline göre tahmini geliştirdiği sonucunu çıkarabiliriz.

Sabit Etki Tahminleri tablosunu sunar. Kesişme, şimdi L1_optimism_C, type ve L2_optimism_C içeren modele dayalı olarak prom_dv’nin bağımlı değişkeni için tahmini popülasyon genel ortalama parametresini temsil eder. Değeri şu anda yaklaşık 54.12’dir.

L2_optimism_C için parametre eğim tahmini yaklaşık olarak .72’dir ve istatistiksel olarak anlamlıdır (p < .001). L2_optimism_C puanındaki bir ölçek değerindeki her artışın, tip ve L1_optimism_C kontrol edildiğinde prom_dv puanını yaklaşık .72 artırdığını gösterir.

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

Veriler MAR ise ve dağılımların normal, karışık normal veya belirli serbestlik dereceleriyle t olduğu varsayımı karşılanırsa, EM yöntemleri ortalamalar, standart sapmalar, kovaryanslar ve korelasyonların maksimum olabilirlik tahminlerini verir. Aykırı değerler için verileri kontrol ettiğinizden ve simetrik dönüşümlerin gerekli olup olmadığını belirlediğinizden emin olun.

Değerlerin tamamen rastgele olup olmadığını test etmek için Roderick J. A. Little’ın ki-kare istatistiği, EM matrisleriyle yazdırılır. Örnek 2’de tanıtılan ayrı varyanslar iki örnekli t testleri, rastgelelikten sapmaları belirlemek için de yararlıdır. Bununla birlikte, hatırı sayılır bir t istatistiği rastgelelikten bir sapmayı gösterirken, küçük bir t, değerlerin rastgele eksik olduğuna dair bir onay olmayabilir. Ne yazık ki, MAR için sihirli bir test yoktur.

Bu örnekte, Örnek 2’de kullanılan verilerini kullanmaya devam ediyoruz ve şimdi istatistik tahminleri talep ediyoruz. Değerlerin rastgele olmayan bir şekilde eksik olduğunu belirlememize rağmen, daha sonra ikili, EM ve regresyon yöntemleriyle elde edilen tahminlerle karşılaştırılabilmeleri için liste halinde (tam vakalar) tahminler talep ediyoruz. Her değişken için mevcut tüm veriler kullanılarak elde edilen ortalama tahminleri ve standart sapmalar otomatik olarak görüntülenir.

İkili Ortalamalar Ve Standart Sapmalar

Bir değişkende eksik veri varsa, eksik durumlar örneklemden çıkarıldığında diğer değişkenlerin ortalamaları ve standart sapmaları ne kadar değişir? Aşağıdaki paneller, ortalamalar ve standart sapmaların tahminlerini gösterir ve ayrıca bir değişkenin eksik değerlerinin modelinin diğer değişkenlerinkiyle nasıl ilişkili olduğu hakkında ek bilgi sağlar.

İkili Ortalamalar ekranında, satır değişkeninin mevcut olduğu durumlar için her bir sütun değişkeninin ortalaması rapor edilir (lifeexpm ve lit_male gösterilmez). Düzen menüsünde Seçenekler’i, ardından Komut Dosyaları’nı ve analizi çalıştırmadan önce MVA_Table_MOUT_MEAN_Create’ı seçerseniz, tüm kullanılabilir değerlerin kullanıldığı araçlar vurgulanır. Ortalamalar yalnızca nicel değişkenler için hesaplanırken, satır değişkenleri nicel veya kategorik olabilir.

Bölge2’nin kodlarının eksik olduğu tek ülke Kanada ve Amerika Birleşik Devletleri’dir. Böylece, tablonun REGION2 satırında, bu iki ülke örneklemden çıkarıldığında, kentsel ortalama yüzde 56,5’ten yüzde 56,2’ye, ortalama kadın yaşam beklentisi (yaşam süresi) 70,2 yıldan 70 yıla, ortalama okuryazarlık oran %78,3’ten %78’e düşer, vb.

Tüm bebek ölüm değerlerinin (babymort) ortalaması 42,3’tür. Kalorilerin de mevcut olduğu yalnızca babymort değerleri kullanıldığında, ortalama 47’ye yükselir. Hem kadın okuryazarlığı hem de bebek ölüm oranı bildiren ülkeler alt örneği için, ortalama bebek ölüm oranı daha da yüksektir.

Kovaryans ve korelasyon farkı
Kovaryans örnekleri
Kovaryans matrisi hesaplama
Kovaryans Nedir
Varyans-kovaryans matrisi
Kovaryans Matrisi Excel
Kovaryans hesaplama
Kovaryans hesaplayıcı

İkili Standart Sapmalar tablosu, İkili Ortalamalar tablosu ile aynı yapıya sahiptir. Mevcut tüm değerleri kullanarak, kentsel için standart sapma 24.2’dir; örneklemi yalnızca kalori değerlerine de sahip olan ülkelerle sınırlayarak, standart sapma 25.1’e yükselir.

Ortalama ve standart sapma tahminlerinin özet panelleri. Aşağıda, liste bazında, tüm değerler, EM ve regresyon yöntemleri kullanılarak hesaplanan ortalamalar ve standart sapmaların varsayılan özet panelleri bulunmaktadır. (Yalnızca istenen yöntemler için sonuçlar görüntülenir.)

Tahmin edilebileceği gibi, değerler rastgele kaybolmadığından, liste bazında tahminler diğerlerinden farklıdır. Şehir için liste bazında tahmin %49,3 ve diğer yöntemler için tahminler %56’nın üzerindedir; okuryazarlık için, liste bazında tahmin %69,1’dir ve diğer yöntemler için tahminler %78’in üzerindedir; bebek ölümleri için liste bazında tahmin 58.6’dır ve diğer yöntemler için tahminler 43’ün altındadır ve bu böyle devam eder. Değişkenlerin çoğu için tüm değerler, EM ve regresyon tahminleri oldukça iyi uyum sağlar. Bununla birlikte, kalori ve lit_fema için, en fazla değeri eksik olan değişkenler, EM ve regresyon tahminleri, tüm değer tahminlerinden biraz daha büyüktür.

Önceki ortalama tahminler paneli için geçerli olduğu gibi, burada gösterilen liste bazında tahminler diğerlerinden önemli ölçüde farklıdır. Kaloriler ve kadın okuryazarlığı için tüm değerler, EM ve regresyon tahminleri biraz dalgalanır, ancak kesin bir model yoktur (yani, ne EM ne de regresyon tahminleri yayılmayı diğerinden daha fazla azaltıyor gibi görünmektedir). Rastgele büyütme olmaksızın bir regresyon tahmini, istenmeyen bir şekilde varyansı azaltacaktır.

Korelasyon tahminleri. Varsayılan olarak, liste bazında, ikili, EM ve/veya regresyon yöntemlerini talep ettiğinizde, Eksik Değer prosedürü her yöntem için üç pivot tablo yazdırır: bir araç paneli, kovaryans matrisi ve korelasyon matrisi. Bu bölümde, ortalamaları ve kovaryansları atlıyoruz ve istenen dört yöntem için korelasyon matrislerini gösteriyoruz.

Little’ın rastgele tamamen kayıp için ki-kare testi EM sonuçlarıyla yazdırılır. Burada ki-kare 157,3’tür (df = 108 ve p değeri = 0,001), yukarıdaki ekranlarda tanımlanan rasgele olmayan eksik değerler modeliyle uyumludur.

Tahmin için regresyon yöntemi istendiğinde ve tamamlanmış durumların sayısı toplam durum sayısının yarısından az olduğunda, Eksik Değer prosedürü, rastgele seçilen tam bir durumdan artık yerine normal bir sapma ile tahmin edilen her değeri artırır.

Bu veriler için vakaların %53’ü tamamlandı ve daha fazla vaka tamamlanmış olsaydı daha rahat olurduk. Bir sonraki bölümde, rastgele normal sapmalar ve rastgele artıklar kullanılarak regresyon yöntemleriyle tahmin edilen korelasyon matrisleri arasındaki eleman eleman farklılıkları inceleyeceğiz.

Kovaryans ve Korelasyon Matrislerinin Tahminlerini Karşılaştırma

Büyük bir çalışmada, farklılıklar için iki korelasyon matrisini karşılaştırmak (veya hiç farklı olup olmadıklarını belirlemek) zordur. Yukarıda gösterilen dört korelasyon matrisini ve ayrıca rastgele normal sapmalarla zenginleştirilmiş bir regresyon tahminleri matrisini kaydettik. Her bir matris çiftindeki elemanlar arasındaki farkı hesaplamak için SPSS’nin MATRIX prosedürünü kullandık.

Liste bazında ve EM yöntemleriyle tahmin edilen korelasyon matrisleri arasındaki eleman eleman farkların matrisi  gösterilmektedir. (İki sütun sıfır silinir.) Değişkenlerin sırası, önceki korelasyon matrislerindekiyle aynıdır. Örneğin, kalorilerle ilişkili değişkenler için farklılıklar yedinci satır ve yedinci sütundadır. log_den içeren bağıntılar arasındaki farklar son satırda, erkek ve kadın okuryazarlığı ile ilişkili olanlar ise log_den’den önceki iki satırdadır. 

The post Kovaryans ve Korelasyon Matrisleri – SPSS Ödevi Yaptırma – SPSS Analizi Yaptırma Fiyatları – SPSS Örnekleri – Ücretli SPSS Analizi Yaptırma – SPSS Analizi Yaptırma Ücretleri first appeared on Akademi Delisi (Tez Yaptırma).