Belirli bir analiz için veri dosyanızdan vakaların bir alt kümesini seçmeniz gereken durumlar olabilir. Örneğin, 200 kişinin boy ve kilosunu içeren bir veri dosyanız olabilir, ancak 120 poundun üzerindeki bireylerin ortalama boyunu bilmeniz gerekir. Ya da çok büyük bir veri dosyasından rastgele bir vaka örneği seçmek isteyebilirsiniz.

Vakaların alt kümesini seçmek için:

1. Ana menüden Veri’ye tıklayın.
2. Açılır menüden Vakaları Seç’e tıklayın. Bu, Vakaları Seç iletişim kutusunu açar.

Daha büyük bir veri dosyasından bir alt küme seçmenin birkaç yolu vardır. If Condition ve Random Sample yöntemlerini tartışacağız.

Koşul

Yukarıda verilen boy ve kilo örneğinde şunları yapmanız gerekir:

1. Koşul sağlanıyorsa seçeneğini seçin ve Durumları Seçin: Eğer iletişim kutusunu açmak için ise öğesine tıklayın.
2. Değişken liste kutusundan ağırlık değişkenini seçin ve sağ ok tuşu ile hesap makinesi pedinin üzerindeki kutuya taşıyın.
3. Hesap makinesi pedini kullanarak > öğesine tıklayın. Bu işaret üst kutuda görünecektir.
4. Sayı tuşlarını kullanarak, ifadeyi oluşturmak için 1’i, ardından 2’yi ve ardından 0’ı tıklayın.
Sağ üstteki kutuda “ağırlık > 120”.
5. Select Cases: If iletişim kutusunu kapatmak için Devam’a tıklayın.

Rastgele Örneklem

Alt kasaları seçmenin başka bir yöntemi de veri dosyanızdan rastgele bir örnek seçmektir:

1. Vakaları Seç iletişim kutusundan (yukarıdaki Şekil 1.5’e bakın) Rastgele vaka örneği seçeneğini seçin ve Vakaları Seç: Rastgele Numune iletişim kutusunu açmak için Numune’ye tıklayın.
2. Uygun kutuya vakaların yüzdesini veya kesin sayısını yazın.
3. Select Cases: Random Sample iletişim kutusunu kapatmak için Devam’a tıklayın. Şimdi Select Cases iletişim kutusuna dönmelisiniz.

Şimdi Select Cases iletişim kutusuna dönmelisiniz. Bu iletişim kutusunu kapatmak için Tamam’a tıklayın. SPSS talimatlarınızı işlerken “Running Execute” mesajı görünecektir. SPSS, seçilen tüm durumlar için 1 ve seçilmeyen tüm durumlar için 0 değeriyle yeni bir “filtre” değişkeni oluşturur.

Ayrıca uygulama penceresinin altında, sonraki analizlerinizin yalnızca belirlenen veri alt kümesinde gerçekleştirileceğini hatırlatmak için bir “Filter On” mesajı da bulunmaktadır. Ayrıca, seçili olmayan tüm durumlar için Veri Editörü penceresinin satır satır numaraları boyunca çapraz çizgiler vardır.

Basit rastgele örneklem
Basit tesadüfi örnekleme hesaplama
Küme Örnekleme örneği
Evren ve örneklem örnekleri
Tesadüfi Örnekleme
Tabakalı rastgele Örnekleme
Örnekleme Yöntemleri
Makalede örneklem Nedir

SPSS, sonraki analizlere hangi vakaların dahil edileceğini belirlemek için filtre değişkenini kullanır. Seçilmeyen durumlar veri dosyasında kalır ancak sonraki analizlere dahil edilmez. Seçilmeyen durumları filtreyi kapatarak kullanabilirsiniz. Filtreyi kapatmak için, Select Cases diyalog kutusuna geri dönün ve Select kutusunda All Cases’e tıklayın ve ardından OK’e tıklayın.

KAYIP DEĞERLER

Çoğu durumda, veri dosyaları tüm değişkenlere ilişkin tam verilere sahip değildir, yani eksik değerler vardır. Tüm hesaplamaların doğru yapılabilmesi için eksik değerlere sahip olduğunuzda SPSS’ye bilgi vermeniz gerekmektedir. SPSS ile iki tür eksik değer vardır: sistem eksik ve kullanıcı tanımlı eksik.

Sistemde eksik değerler, SPSS’nin otomatik olarak eksik olarak değerlendirdiği değerlerdir (kullanıcının SPSS’yi açıkça bilgilendirmesine gerek kalmadan). Bu tür bir değerin en yaygın biçimi, veri dosyasında “boşluk” bulunmasıdır. Örneğin, bilgi sağlanmadıysa bir kişinin veri değeri eksiktir.

Veri dosyası hücresinde değeri olmayan bir nokta görüntülenir. SPSS bu değişkeni okuduğunda, bir boşluk okuyacak ve bu nedenle değeri eksikmiş gibi değerlendirecektir. Bu değişkeni içeren diğer hesaplamalar, eksik bilgi olmadan devam edecektir.

Örneğin 20 yetişkinlik bir örneklem için günlük ortalama su tüketim miktarını hesaplamak istediğinizi, ancak elinizde sadece 19 kişi için girilen veri olduğunu varsayalım. SPSS, 19 yetişkin için “geçerli” değerleri okuyacak, eksik değeri yok sayacak ve 19 kişiye göre ortalamayı hesaplayacaktır.

Kullanıcı tanımlı eksik değerler, kullanıcının özel olarak eksik olarak ele alması için SPSS’yi bilgilendirdiği değerlerdir. Veri dosyasında bir boşluk bırakmak yerine, genellikle eksik verileri temsil etmesi amaçlanan sayılar girilir. Örneğin, 1 ile 85 arasında değişen bir yaş değişkeniniz olduğunu varsayalım.

99 sayısını, yaş bilgisi eksik olan kişileri temsil etmek için kullanabilirsiniz. (1’den 85’e kadar herhangi bir sayı kullanamazsınız çünkü bunların hepsi geçerli değerlerdir.)

Bu örnekte, SPSS’ye 99 değerinin eksik bir değer olarak ele alınacağını bildirmeniz gerekir, aksi takdirde geçerli olarak kabul edilecektir. Bu, Bölüm 1.2’de açıklanmıştır, ancak kısaca şunları yapmanız gerekir: veri düzenleyicide Değişken görünümüne geçin ve Eksik sütununda “…” düğmesini tıklayın. Discrete Missing Values ​​kutularından birine 99 girin ve Tamam’a tıklayın.

SPSS bu değişkeni okuduğunda, 99’u eksik bir değer olarak değerlendirecek ve “yaş” değişkenini içeren hiçbir hesaplamaya dahil etmeyecektir. Kullanıcı tarafından eksik değerler, veri düzenleyicide geçerli değerler gibi görünecektir, ancak dahili olarak SPSS veri dosyalarında “eksik” olarak işaretlenir ve bazı prosedürler için çıktıda eksik olarak etiketlenir.

Çoğu SPSS hesaplaması, çıktıda geçerli vaka sayısını görüntüler. Bu, sistemde eksik ve/veya kullanıcı tanımlı eksik olmayan durumların sayısıdır; bu durumlar hesaplamalarda kullanılmıştır. Eksik durumların sayısı da (hesaplamalarda kullanılmaz) tipik olarak görüntülenir.

Eksik Verilerle Analizler

Eksik verileriniz olduğunda, bunlar birkaç şekilde ele alınabilir. Eksik veriler karmaşık bir konudur ve sorunlu olabilir. Bazı analizlerde eksik verilerin nasıl ele alınacağını belirtmezseniz, analizde adı geçen değişkenlerden herhangi biri için eksik değerleri olan durumlar ikili veya liste halinde silme kullanılarak analizden çıkarılır. Örneğin, üç başarı puanı seti arasındaki korelasyonları hesaplamak istediğinizi varsayalım: matematik, fen ve okuma. Üç bağıntı hesaplanacaktır: matematik ile fen, matematik ile okuma ve fen ile okuma.

İkili silme kullanılarak, her iki ölçüm için (örneğin matematik ve fen) geçerli puanları olmayan durumlar hesaplamanın dışında tutulacaktır. Liste bazında silme kullanılarak, tüm ölçümlerde (yani matematik, fen ve okuma) geçerli puanları olmayan durumlar hesaplamaların dışında tutulacaktır. Örneğin, 1000 vaka içeren bir veri dosyanız olduğunu ve tüm vakaların geçerli bir matematik puanına, 700 vakanın geçerli bir bilim puanına ve 400 vakanın geçerli bir okuma puanına sahip olduğunu varsayalım.

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

Örnekleme kılavuzlarının yazarları genellikle iki tür iki aşamalı örneklemeyi ayırt eder:

• Eşit büyüklükteki birinci aşama birimleriyle iki aşamalı örnekleme; ve
• Eşit olmayan boyutlarda birinci aşama birimleriyle iki aşamalı örnekleme.
Bu ayrımın ötesinde, örnekleme varyansını etkilediğinden, örnekleme varyansının hesaplanmasında popülasyonun ve örnekleme tasarımının farklı özelliklerinin dikkate alınması gerekir. Göz önünde bulundurulması gereken faktörlerden bazıları şunlardır:
• Popülasyon sonlu mu yoksa sonsuz mu?
• Birinci aşama birimlerinin seçiminde büyüklük belirleyici bir kriter miydi?
• Birinci aşama veya ikinci aşama birimlerini seçmek için sistematik bir prosedür kullanıldı mı?
• Örnekleme tasarımı, tabakalaşma değişkenlerini içeriyor mu?

En basit iki aşamalı örnek tasarımı, birinci aşama ve ikinci aşama birimlerinin sonsuz popülasyonları ile gerçekleşir. Her iki aşama birimi de sonsuz popülasyon olduğundan, PSU’ların eşit boyutlarda olduğu kabul edilir. PSU’ların basit bir rastgele örneği seçilirse ve seçilen her bir PSU içinde ikinci aşama basit bir rastgele örnek seçilirse, ortalamanın örnekleme varyansı eşit olacaktır.

Bu sonuçlara dayanarak, aşağıdaki gözlemleri yapabiliriz:

• Ortalamanın standart hatası, iki aşamalı örnekleme için basit rastgele örneklemeye göre daha büyüktür. Örneğin, Almanya örneğinde, basit rastgele örnekleme ve iki aşamalı örnekleme için standart hatalar sırasıyla 1.51 ve 5.45’tir. İki aşamalı bir numuneyi basit bir rastgele numune olarak kabul etmek, bu nedenle standart hataları büyük ölçüde düşük tahmin edecek ve sonuç olarak güven aralıkları çok dar olacaktır.

Matematiksel ölçek ortalamasındaki güven aralığı, yani 503, basit bir rastgele örnek durumunda [503 – (1.96*1.51));503 + (1.96*1.51)] = [500.05;505.96]’ya eşit olacaktır, ancak iki aşamalı numune durumunda [484 – (1.96*5.45);484 + (1.96*5.45)] = [492.32;513.68]’e eşittir. Bu, 492.32 ile 500.05 arasındaki ve 505.96 ile 513.68 arasındaki herhangi bir tahmini ortalama değerin, kullanılan standart hataya bağlı olarak, Alman ortalamasından istatistiksel olarak farklı olarak kabul edilebileceğini veya edilmeyebileceğini gösterir.

• İki aşamalı örnekler için ortalamanın örnekleme varyansı, esas olarak okullar arası varyansa ve katılan okulların sayısına bağlıdır. Aslında, okullar arası varyans, Danimarka’daki toplam örnekleme varyansının yüzde 76’sını oluşturur, yani 5.39/7.13 = 0.76. Almanya için, okullar arası varyans, toplam örnekleme varyansının yüzde 97’sini oluşturmaktadır (28.74/29.71 = 0.97). Bu nedenle, örneğin Almanya ve Avusturya gibi okullar arası varyansın daha büyük olduğu ülkelerde daha büyük örnekleme varyansı beklenmelidir.

Evren ve örneklem örnekleri
Makalede örneklem Nedir
Medula Sistemi Giriş
Evreni bilinen örneklem hesaplama
Evren ve örneklem nedir PDF
Evren ve örneklem Nedir
Nicel araştırmalarda örneklem seçimi
Araştırmada örneklem Nedir

Ancak, PISA popülasyonu, sonsuz sayıda öğrenciye sahip sonsuz bir okul popülasyonu olarak düşünülemez. Daha öte,

• Okulların büyüklükleri eşit değildir;
• PISA örneği, değiştirilemeyen bir örneklemdir, yani bir okul iki kez seçilemez;
• Okullar büyüklüklerine göre ve sistematik bir prosedüre göre seçilir; ve
• Numune tasarımına tabakalaşma değişkenleri dahil edilmiştir.

Örnekleme tasarımının bu özellikleri örnekleme varyansını etkileyecektir, bu nedenle yukarıda kullanılan formül de uygun değildir. Gerçekten de, Yarının Dünyasını Öğrenmek – PISA 2003’ten (OECD, 2004a) İlk Sonuçlar, Danimarka ve Almanya için matematik ölçeğindeki standart hataların sırasıyla 2.7 ve 3.3 olduğunu göstermektedir.

Bu, PISA örneklem tasarımının örnekleme varyansını azaltmada oldukça etkili olduğunu göstermektedir. Bununla birlikte, tasarım o kadar karmaşık hale gelir ki, örnekleme varyansını veya hatta ortalamalar gibi tahmin edicileri hesaplamak için kolay bir formül yoktur.

IEA 1990 okuma okuryazarlığı çalışmasından bu yana, uluslararası eğitim anketleri için örnekleme varyansının tahminlerini hesaplamak için tekrarlama veya yeniden örnekleme yöntemleri kullanılmıştır. Bu yöntemler 50’li yılların sonundan beri bilinmesine rağmen, çok sayıda hesaplama gerektirdiğinden sıklıkla kullanılmamıştır. 1990’larda güçlü kişisel bilgisayarların mevcudiyeti ve uluslararası veritabanlarının matematikçi olmayanlar tarafından artan kullanımıyla birlikte, uluslararası koordinasyon merkezleri, karmaşık örnek tasarımlarından örnekleme varyanslarını tahmin etmek için yeniden örnekleme yöntemlerini kullanmaya teşvik edildi.

Rust ve Rao’ya (1996) göre:

Bu yöntemlerin sahip olduğu ortak ilke, eldeki soruna analitik bir çözüm kullanmadaki zorlukların ve sakıncaların üstesinden gelmek için hesaplama yoğunluğunu kullanmaktır. Kısaca, çoğaltma yaklaşımı, ilgilenilen parametreyi hesaplamak için çok sayıda biraz farklı alt örnek (veya biraz farklı örnekleme ağırlıkları) kullanarak ilgili popülasyon parametresinin varyansını tahmin etmekten oluşur. Ortaya çıkan tahminler arasındaki değişkenlik, ilk veya tam örnek tahmininin gerçek örnekleme hatasını tahmin etmek için kullanılır.

Bu yöntemler ilk olarak basit rastgele örnekler ve iki aşamalı örnekler için açıklanacaktır. PISA çoğaltma yöntemi daha sonra sunulacaktır.

BASİT RASTGELE ÖRNEKLER İÇİN ÇOĞALTMA YÖNTEMLERİ

Basit rastgele örnekler için iki ana çoğaltma yöntemi türü vardır. Bunlar Jackknife ve Bootstrap olarak bilinir. Jackknife ve Bootstrap arasındaki en önemli farklardan biri, tekrarlanan alt örneklerin veya kopya örneklerinin üretilmesi için kullanılan prosedürle ilgilidir.

Jackknife, n birimlik bir numuneden sistematik bir şekilde n-1 birimlik n kopya numune üretir. Bootstrap, her birimin birden fazla seçim şansına sahip olduğu, değiştirme ile seçilen n birimin çok sayıda tekrarını rastgele oluşturur.

PISA, çok aşamalı örnek tasarımlara uyarlanmış bir Bootstrap çoğaltma yöntemi kullanmadığından, bu bölümde yalnızca Jackknife yöntemi sunulacaktır.

Basit rastgele örnekleme ile on öğrenciden oluşan bir örneklem seçildiğini varsayalım. Jackknife yöntemi daha sonra aşağıdaki gibi dokuz öğrencinin her biri için on alt örnek veya kopya örnekleri üretecektir.

Tablo 3.7’de gösterildiği gibi, Jackknife dokuz öğrencinin on tekrarlı örneğini oluşturur. On öğrencinin tamamına dayalı örnek ortalaması 14.5’e eşittir. İlk tekrar örneklem için, öğrenci 1 ortalamanın hesaplanmasına dahil edilmez ve tekrar örnek 1’e dahil edilen dokuz öğrencinin ortalaması 15.00’dir. İkinci tekrarlı örnek için, ikinci öğrenci dahil edilmez ve diğer 9 öğrencinin ortalaması 14.88’e eşittir, vb.

Jackknife yöntemi, regresyon katsayıları gibi diğer istatistikler için örnekleme varyansını hesaplamak için de uygulanabilir. Bu özel örnekte, prosedür 11 regresyon katsayısının hesaplanmasından oluşacaktır: biri tüm örneğe dayalı ve diğer on tanesi her biri bir kopya örneğe dayalıdır. Tüm örnek regresyon katsayısı ile on tekrarlanan regresyon katsayısının her biri arasındaki karşılaştırma, o istatistiğin örnekleme varyansının bir tahminini sağlayacaktır.

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