Ek bir tahmin değişkeni x’in dahil edilmesi, modelimizi geliştirdi, çünkü belirleme katsayısı yalnızca görüntü boyutu dikkate alınarak bir regresyon için R2 1~4 0.90’dan R2 1~4 0.94’e yükseltilebildi. Benzer bir elbisenin önceki yılki satışlarının yerine, elbisenin terzisinin vücut ağırlığı gibi tamamen çılgın bir değişkeni koysaydık, belirleme katsayısı hangi değeri alırdı?

Tanım olarak, katalog görüntü boyutu her koşulda açıklayıcı gücünü koruduğu için belirleme katsayısı R2 1~4 0.90’da sabit kalır. En kötü durumda bile, regresyonun karelerinin toplamı sabit kalır ve bu genellikle başka bir değişken eklendiğinde doğrudur.

Regresyon analizinin deneyimsiz kullanıcıları, belirleme katsayısını yükseltmek için mümkün olduğu kadar çok açıklayıcı değişkeni modele entegre etmeye çalışabilir. Ancak bu, bir fenomeni mümkün olduğunca az etkileyen değişkenle açıklamak olan bir modelin temel amacı ile çelişir. Ayrıca, ek değişkenlerin rastgele dahil edilmesi, bazılarının açıklayıcı gücünün çok az olması veya hiç olmaması tehlikesini artırır. Buna aşırı parametrelendirme denir.

Uygulamada, istatistikçiler sıklıkla aşırı parametrelendirmeyi cezalandıran düzeltilmiş R2 olarak adlandırılan şeyi hesaplar. Her ek değişkenle birlikte ceza artar. Ayarlanmış belirleme katsayısı aşağıdaki denklemle hesaplanabilir, burada n gözlem sayısı ve k modeldeki değişkenlerin sayısıdır (sabitler dahil).

Katkıda bulunduğu açıklayıcı güç, düzeltilmiş belirleme katsayısına verilen cezadan daha büyükse, modele ek bir değişken koymaya değer. Modeller oluşturulurken, ayarlanan belirleme katsayısı artık artırılamadığında yeni değişkenlerin eklenmesi durdurulmalıdır. Ayarlanmış belirleme katsayısı, farklı sayıda regresör ve gözlemle regresyon modellerini karşılaştırmak için uygundur.

Cezalandırma, R2’nin orijinal yorumunu geçersiz kılar – x varyansının payıyla açıklanabilen y varyansının payı. Olumsuz koşullarda, düzeltilmiş belirleme katsayısı negatif değerler bile alabilir.

Bağımsız Kukla Değişkenli Regresyon

Daha önceki regresyon tartışmalarımızda hem (bağımlı) y değişkenleri hem de (bağımsız) x değişkenleri bir metrik ölçeğe sahipti. En küçük kareler regresyonu ile bile, diğer ölçeklerin kullanımı sorunludur. Aslında, sıralı ve nominal değişkenler, küçük bir istisna dışında, en küçük kareler regresyonunda kabul edilemez. Şimdi bu istisnayı ele alacağız.

Korelasyonun hesaplanmasıyla ilgili bölümde, sıfır ve yalnızca bir değerlerine sahip olan sözde kukla değişkenlerin nominal değişkenlerin belirli koşullar altında yarı metrik olarak anlaşılabileceğini öğrendik.

Bunların regresyon hesaplaması üzerindeki etkileri de aynı şekilde yorumlanabilir. Posta siparişi iş örneğimizi düşünün. Kırmızı elbiselerin diğer elbise renklerinden daha iyi sattığını tahmin ediyorsunuz, bu nedenle bağımsız değişkenler katalog görüntü boyutu (cm² olarak) ve elbise rengi olarak kırmızı (1: evet; 0: hayır) ile bir gerilemeye karar veriyorsunuz. İkinci değişken, iki değerli kukla değişkeni temsil eder: ya kırmızı elbise ya da kırmızı elbise. Regresyon sonuçlarını gösterir.

Ekonometri kukla değişkenler örnekleri
Kukla değişken nedir
Kukla değişken örnekleri
Kukla değişken örnek soruları
Kukla değişken tuzağı nedir
Eviews kukla değişken ekleme
Kukla değişken tuzağına düşürülmesi sonucunda aşağıdakilerden hangisi meydana gelir
Kukla değişken nasıl oluşturulur

Ortalama olarak, katalog görsel boyutundaki her ek santimetre kare için satışlar 1,95 elbise artar (β1 1⁄4 1,95). Kırmızı elbise satışları diğer elbise renklerine göre ortalama altı birim daha fazla (β2 1⁄4 6.1). Sonuçta, bir (kırmızı elbise) ile kodlanan gözlemler için kukla değişken regresyon katsayısı (β2 1⁄4 6.1) ile regresyon doğrusuna paralel olarak kayar.

Regresyon çizgisinin eğimi, metrik değişkene (katalog görüntü boyutu) göre her elbise rengi için (kırmızı veya değil) değişmeden kalır. Değişen tek yön, regresyon çizgisinin konumudur. Bir ile kodlanan kukla değişkenler için çizgi, pozitif regresyon katsayıları için paralel olarak yukarı ve negatif regresyon katsayıları için aşağı doğru kayar.

Sıfır ile kodlanan kukla değişkenler kıyaslama grubuna hizmet eder. Birden fazla kukla değişken olduğu da düşünülebilir. Örneğin, üç değişkenimiz olabilir: kırmızı (“elbise rengi kırmızı” [1: evet; 0: hayır]), yeşil (“elbise rengi yeşil” [1: evet; 0: hayır]) ve (“elbise rengi” mavi” [1: evet; 0: hayır]). Katsayıların her biri, kalan elbise renklerine (ne kırmızı, ne yeşil ne de mavi) göre 3 rengin her biri için sapmayı verir. 

Kırmızı elbise sayısı (6 adet), kırmızı, yeşil veya mavi olmayan diğer elbise renklerinden daha fazladır. Yeşil elbise sayısı (5 adet) ve mavi elbise sayısı (4 adet) de kıyaslamanın üzerindedir.

Veri Noktalarının Etkilerinden Yararlanma

Şekil 5.10’da gösterilen posta siparişi işi için veri noktalarına bakalım. Grafiğin 27,1 santimetre kare katalog alanıyla reklamı yapılan ve 200 defa satılan bir elbiseyi temsil eden ilk veri noktasını düşünün. Katalog görüntü boyutunu aynı tuttuğumuzu, ancak satılan miktarı 200’den 50’ye 150 birim azalttığımızı varsayalım. Yeni veri noktası sol okla gösterilmiştir.

Değişiklik, noktalı çizgiyle temsil edilen yeni bir gerilemeyle sonuçlanır (gerileme 2). Yeni eğim 2.4’tür (2.1’e karşı) ve sabitin değeri 118’dir (135’e karşı). Dağılım grafiğinin sol tarafındaki satışlardaki azalma, regresyon çizgisinin sol tarafında buna karşılık gelen bir aşağı kayma yaratır. Bu olguyu daha önce kullanılan ışın dengesi metaforu ile tanımlayabiliriz.

Ölçeğin ortasındaki işaretçi – dağılım grafiğinin iki değişkenli ağırlık merkezi – sabit kalırken, “ışın” bir ağırlığın baskısı altında olduğu gibi sola doğru uçar. Şimdi aynı değişikliği (150 daha az birim) dağılım grafiğinin merkezindeki bir veri noktasına uyguladığımızda ne olacağını görelim. Bu sonuç çizgisi – regresyon 3 ile temsil edilir – orijinal regresyonla aynı eğime sahipken, sabitlerin değeri 135’ten 133’e hafifçe düşmüştür. Burada indirgemenin x değişkenlerinin marjinal etkileri üzerinde hiçbir etkisi yoktur ( eğim katsayısı). Kendini sadece regresyon çizgisinde paralel bir aşağı kaymada ifade eder.

Bu grafik, dağılım grafiğinin dış kenarlarındaki veri noktalarının, merkezdeki veri noktalarından daha fazla regresyon çizgisinin eğimi üzerinde daha fazla etkiye sahip olduğunu açıkça göstermektedir. Bu fenomene kaldıraç denir. Ancak istenmeyen uç değerler dış kenarları işgal ettiğinden, regresyon oluşturulurken bunlara özel dikkat gösterilmelidir.

Aykırı değerleri olan ve olmayan regresyonu hesaplamak ve aralarındaki farktan aykırı değerlerin eğim üzerindeki etkisini belirlemek iyi bir fikirdir. Etki önemliyse, aykırı değerler kaldırılmalı veya doğrusal olmayan bir fonksiyonun kullanılması düşünülmelidir.

The post Bağımsız Kukla Değişkenli Regresyon – SPSS Ödevi Yaptırma – SPSS Analizi Yaptırma Fiyatları – SPSS Örnekleri – Ücretli SPSS Analizi Yaptırma – SPSS Analizi Yaptırma Ücretleri first appeared on Akademi Delisi (Tez Yaptırma).

Regresyon sayısal değişkenler gerektirse de, bağımsız değişkenler olarak kategorik değişkenleri, özellikle ikili değişkenleri kullanmak mümkündür. Bu, “sahte kodlama” adı verilen bir süreçle gerçekleştirilir. İkili değişkenler için kukla kodlama, değişkenlerin 0 ve 1 değerlerine yeniden kodlanmasını içerir. Örneğin, cinsiyet değişken olsaydı, kadınlar 0 ve erkekler 1 olarak kodlanabilirdi (veya tam tersi).

Bunu “bodytemp.sav” veri dosyası ile gösteriyoruz. Bu dosya 130 yetişkin için vücut ısısı, nabız hızı ve cinsiyet (0 = kadın, 1 = erkek) hakkında bilgiler içerir. Nabız hızı ve cinsiyetin vücut sıcaklığıyla ilişkili olup olmadığını belirlemek için Bölüm 13.4’teki adımları izleyerek çoklu regresyon analizi yaparız. Önce sekse, sonra nabız hızına giriyoruz.

Basit korelasyonlar, cinsiyetin vücut sıcaklığı ile negatif olarak ilişkili olduğunu gösterir (r = –.198). Cinsiyet 0 = kadın ve 1 = erkek olarak kodlandığından, negatif korelasyon kadınların erkeklerden daha yüksek vücut ısısına sahip olduğunu gösterir (korelasyon, P < .012 ile .05 düzeyinde istatistiksel olarak anlamlıdır). Korelasyon matrisi ayrıca nabız hızının vücut sıcaklığı ile pozitif olarak ilişkili olduğunu gösterir (r = .254, P < .002).

ANOVA tablosunun Model 2’si, birlikte, değişkenlerin vücut sıcaklığı ile önemli ölçüde ilişkili olduğunu gösterir (P < .001). Değişim istatistikleri (Model Özeti tablosunda), cinsiyetin sıcaklıkla ilişkili olduğunu (P < .024) ve sıcaklıktaki değişimin %3.9’unu açıkladığını göstermektedir. Nabız hızı, cinsiyet farklılıkları kontrol edildikten sonra vücut ısısıyla da ilişkilidir (P < .005). Nabız hızı, vücut sıcaklığındaki, cinsiyetle açıklanana kıyasla %5,9’luk ek bir varyasyonu hesaba katar.

ANOVA: Birkaç Popülasyonun Karşılaştırılması

Bölüm 11’de, iki popülasyonun (erkekler ve kadınlar gibi) ortalamalarını karşılaştırmak için t-testlerinin kullanımını gösteriyoruz. Varyans analizi (ANOVA), daha fazla sayıda popülasyonun (yani, üç veya daha fazla) ortalamalarını karşılaştırmamızı sağlar. Varyans analizi yoluyla, grup ortalamaları arasındaki değişkenlik, gruplar içindeki değişkenlikle karşılaştırılır. Gruplar arası değişkenlik grup içi değişkenlikten önemli ölçüde büyükse, ortalamaların önemli ölçüde farklı olduğu beyan edilir. ANOVA, aşağıdaki gibi soruları yanıtlamanıza olanak tanır:

• Siyasi bağlantı (Demokrat, Cumhuriyetçi, Bağımsız), insanların oy verdiği seçimlerin sayısıyla ilişkili mi?
• Üç farklı kelime ezberleme tekniğinin, hatırlanan ortalama kelime sayısı üzerinde farklı etkileri var mı?
• Film satışlarından elde edilen yıllık film geliri, film türüyle (ör. komedi, drama, korku, aksiyon, aile) ilişkili mi?
• Bir adım antrenmanından sonra kalp atış hızı, adımın yüksekliğinden (düşük veya yüksek) ve adım sıklığından (yavaş, orta, hızlı) etkilenir mi?

Bu bölümde SPSS’de Tek Yönlü ANOVA prosedürünü kullanacağız. Ayrıca hangi grup ortalamalarının diğerlerinden farklı olduğunu belirlemek için takip testleri elde etme tekniklerini ve belirli gruplar arasındaki farkların büyüklüğünü belirlemek için etki büyüklüklerini tartışacağız. Ayrıca, ANOVA gerçekleştirmek için gerekli varsayımlar ihlal edildiğinde uygun olan Derecelerin Varyansı Analizi’ni de keşfedeceğiz. Son olarak, birden fazla bağımsız değişken olduğunda ANOVA yapmak için Genel Doğrusal Model (Tek Değişkenli) prosedürünü kullanacağız.

Ekonometri kukla değişkenler örnekleri
Dummy değişken SPSS
Kukla değişken örnekleri
Gölge değişken Nedir
Dummy kod nedir
Kukla değişken kullanımı
Dummy değişken nedir
Kukla değişken nedir

TEK YÖNLÜ VARYANS ANALİZİ

ANOVA prosedürünü, bilgiyi organize etmenin üç yolu ile çocukların kelimeleri ezberleme yeteneği arasındaki ilişkiyi karşılaştırarak bir bağımsız değişken için gösteriyoruz. Veriler “words.sav” dosyasında bulunur. Bu dosyadaki iki değişkenden biri çocuğa sağlanan organizasyon yöntemini (1 = bilgi yok, 2 = üç kategoriye ayrılmış kelimeler, 3 = altı kategoriye bölünmüş kelimeler), diğer değişken ise çocuğun ezberlediği kelime sayısını ifade ediyor. çocuk. Üç grup tarafından ezberlenen ortalama kelime sayısının eşit olduğu sıfır hipotezini test etmek için SPSS kullanacağız, yani H0: μ1 = μ2 = μ3. Bu örnekte, üç koşuldaki gözlem sayısı eşittir (6).

Verilerin İncelenmesi

Bir ANOVA testi yapmadan önce verileri görsel olarak incelemek önemlidir. Bunu yapmanın bir yöntemi, verilerin dağılım grafiğini görsel olarak incelemektir. Bir diğeri, bağımlı değişken (burada, ezberlenen kelime sayısı) için bağımsız değişkenin her bir düzeyi için (burada, kullanılan organizasyon yönteminin türü) ayrı ayrı bir kutu ve bıyık grafiği oluşturmaktır. SPSS aracılığıyla kullanılabilen üçüncü bir yöntem, bir hata çubuğu grafiği oluşturmaktır. Dağılım grafikleri Bölüm 5 ve 13’te ve kutu ve bıyık grafikleri açıklanmıştır. Bu nedenle, bu bölümde hata çubuk grafiğini göstereceğiz.

“words.sav” veri dosyasını açtıktan sonra:

1. Menü çubuğundan Grafikler’e tıklayın.
2. Açılır menüden Hata çubuğuna tıklayın.
3. Hata Çubuğu iletişim kutusunda vaka grupları için Basit ve Özetler’e tıklayın.
4. Basit Hata Çubuğu Tanımla: Vaka Grupları için Özetler iletişim kutusunu açmak için Tanımla’ya tıklayın.
5. Üzerine tıklayın ve sağ üst ok düğmesini kullanarak bağımlı değişkeni (“kelimeler”) Değişken kutusuna taşıyın.
6. Sağ alt ok düğmesini kullanarak bağımsız değişkeni (“info_set”) tıklayın ve Kategori Ekseni değişken kutusuna taşıyın.
7. Barlar Temsil kutusundaki çubukların temsilini seçin. Ortalama için belirli bir güven aralığı veya ortalamanın standart hatası için belirli bir çarpan seçme seçeneğiniz vardır. Bu örnekte, ortalama için %95 güven aralığı olan varsayılanı koruyoruz.
8. Tamam’a tıklayın.

Üç bilgi grubu grubunun her birinde çocuklar tarafından ezberlenen ortalama kelime sayısı için %95 güven aralığını göstermektedir. Daire ortalamayı, yatay çizgiler ise güven aralığının uç noktalarını temsil eder. Örneğin bilgisiz gruptaki çocukların ortalama 4 kelime ezberlediklerini görüyoruz. Ayrıca, ortalama için %95 güven aralığı yaklaşık 2,5 ila 5,5 kelimedir.

İncelemeden, 3 kategori grubundaki çocukların kelimeleri ezberlemede en başarılı olduğu görülüyor. Bununla birlikte, grupların önemli ölçüde farklılık gösterip göstermediğini belirlemek için tek yönlü ANOVA anlamlılık testi yapmalıyız.

Tek Yönlü Prosedürü Çalıştırma

SPSS’yi Tek Yön prosedürünü gerçekleştirmeye yönlendirmek için:

1. Menü çubuğundan Analiz Et’e tıklayın.
2. Açılır menüden Ortalamaları Karşılaştır’a tıklayın.
3. Tek Yönlü ANOVA iletişim kutusunu açmak için açılır menüden Tek Yönlü ANOVA’ya tıklayın.
4. Sağ üst ok düğmesini kullanarak “kelimeler” değişkenini Bağımlı Liste kutusuna tıklayın ve taşıyın.
5. Sağ alttaki ok düğmesini kullanarak “info_set” değişkenini Faktör kutusuna tıklayın ve taşıyın.
6. Tek Yönlü ANOVA iletişim kutusunun sağ alt köşesindeki Seçenekler düğmesine tıklayın.
7. İstatistikler kutusunun Tanımlayıcılar seçeneğine tıklayın. (Bu seçenek, her bilgi kategorisi için ayrı ayrı ortalama, standart sapma, güven aralığı, standart hata ve minimum ve maksimum sağlar.) Araçların grafiksel bir görüntüsünü oluşturmak için Araç Grafiği seçeneğine tıklayın.
8. Tek Yönlü ANOVA: Seçenek iletişim kutusunu kapatmak için Devam’a tıklayın.
9. Prosedürü çalıştırmak için Tamam’a tıklayın.

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