Ortalama olarak kızlarda iş beklentisi 53.05, erkeklerde ise 50.58’dir. Alman okulları genellikle karma eğitim verdiğinden ve cinsiyet açık bir tabakalaşma değişkeni olarak kullanılmadığından, kovaryansın beklenen değeri 0’dan farklı olabilir.

Cinsiyet başına standart hatayı hesaplamak için, 80 tekrarlı ağırlığın her biri için ortalama tahmini hesaplamak gerekir. Tablo 10.2, ağırlık ve cinsiyet başına ortalama tahmini sunar. Nihai fark tahmini, iki nihai tahmin arasındaki fark olacaktır, yani 53.05 – 50.58 = 2.47.

Nihai standart hatayı tahmin etme prosedürü oldukça basittir. Bölüm 6’da açıklanan prosedüre tamamen benzer, ancak artık bir ortalama veya regresyon katsayısı değil, bir farktır.

Farklı adımlar şunlardır:

• Kız ve erkek ortalamaları arasındaki fark, tekrar başına hesaplanır;
• 80 fark tahmininin her biri, nihai fark tahminiyle karşılaştırılır, ardından karesi alınır;
• karenin toplamı hesaplanır ve ardından fark üzerindeki örnekleme varyansını elde etmek için 20’ye bölünür; ve
• Standart hata, örnekleme varyansının kare köküdür.

Somut olarak:

• İlk tekrar için, kızların ortalama tahmini ile erkeklerin ortalama tahmini arasındaki fark (53.29-50.69)=2.60’a eşittir. İkinci tekrar için, fark tahmini, 80 tekrar için (53.16-50.53)=2.63’e eşit olacaktır ve bu böyle devam edecektir. Tüm bu fark tahminleri Tablo 10.3’te sunulmuştur.
• 80 tekrarlı fark tahmininin her biri, nihai fark tahmini ile karşılaştırılır ve bu farkın karesi alınır. İlk tekrar için (2.60-2.47)2=0.0164 olacaktır. İkinci tekrarlar için (2.63-2.47)2=0.0258 olacaktır. Bu kare farklar da Tablo 10.3’te sunulmuştur.
• Bu kare farkları toplanır. Bu toplam şuna eşittir:
(0.0164+0.0258+…..+0.0641) = 9.7360. Bu nedenle, fark üzerindeki örnekleme varyansı eşittir.
• Standart hata 0.4868’in kareköküne eşittir, yani 0.6977.

Bu özel durumda, standart hatanın yansız tahmini (yani 0,698) ile standart hatanın yanlı tahmini (yani 0,895) arasındaki fark oldukça küçüktür. Bu bölümün ilerleyen kısımlarında gösterileceği gibi, standart hatanın yanlı ve yansız tahminleri arasındaki fark önemli olabilir.

Tüm SPSS® makrolarında ortak olan argümanların yanı sıra, dört argüman daha belirtilmelidir:

• DEP argümanı, kategorik bir değişkenin değeri başına ortalama veya standart sapmanın hesaplanacağı sayısal değişkenin makrosunu bilgilendirir. Örnekte DEP, BSMJ’ye eşittir.
• KARŞILAŞTIR bağımsız değişkeni, karşıtlıkların temel alınacağı kategorik değişkenleri belirtir.
• CATEG bağımsız değişkeni, karşıtlıkların gerekli olduğu kategorik değişkenlerin değerlerini belirtir. Cinsiyetin yalnızca 1 ve 2 olarak gösterilen iki kategorisi olduğundan, CATEG ifadesi “12/” olarak belirlenmiştir. CATEG argümanındaki kategoriler arasında boşluk veya başka karakterler bulunmamalı ve son kategoriden hemen sonra ‘/’ gelmelidir. Bir kategorik değişkenin dört kategorisi varsa ve bu dört kategori CATEGORY ifadesinde belirtilmişse (CATEG = 1234/ gibi), o zaman makro aşağıdakiler arasındaki farkta standart hatayı hesaplayacaktır:

– Kategori 1 ve kategori 2;
– Kategori 1 ve kategori 3;
– Kategori 1 ve kategori 4;
− Kategori 2 ve kategori 3;
− Kategori 2 ve kategori 4; ve –
Kategori 3 ve kategori 4.

Bu makronun birkaç sınırlaması vardır:

− Karşılaştırma değişkeni için maksimum 9 kategori belirtilebilir;
− Kategorik karşılaştırma değişkeni sayısal olarak tanımlanmalıdır, bu nedenle dizi değişkenleri sayısal değişkenlere dönüştürülmelidir; ve
− Kategorilerin değerleri sadece bir haneli olmalıdır. Önce çift haneli değerler yeniden kodlanmalıdır.

Makul değer Nedir
Gerçeğe uygun değer Nedir
Makul değer diğer adı
Sinerji değeri nedir
Makul değer gerçeğe uygun değer nedir
Makul değer hesaplamalarının denetim görüşüne etkisi
Piyasa değeri Nedir
İlişkili taraf işlemlerinin denetim görüşüne etkisi

Fark tahmini ve ilgili standart hatası, regresyon katsayısı tahmini ve bunun standart hatasına eşittir. Çok terimli kategorik değişkenler için, regresyon makrosunun kullanımı, kategorik değişkenlerin h-1 ikili değişkenler halinde yeniden kodlanmasını gerektirir, h kategori sayısına eşittir. Ayrıca, regresyon makrosu her kategoriyi referans kategorisiyle karşılaştıracak (yukarıdaki tabloda referans grubu erkeklerdir), makro DIFNOPV ise tüm karşıtlıkları sağlayacaktır.

MAKUL DEĞERLERLE BİR FARKIN STANDART HATASI

Makul değerler içeren bir fark üzerindeki standart hatayı hesaplama prosedürü aşağıdakilerden oluşur:

• Her makul değer ve nihai ve 80 tekrarlı ağırlıklar için, istenen istatistik, örneğin bir ortalama, kategorik değişkenin değeri başına hesaplanmalıdır;
• Karşıtlık, makul değer ve kopya ağırlığı başına iki kategori arasındaki farkın hesaplanması. 405 fark tahmini olacaktır: Tablo 10.6, bu 405 farkın yapısını göstermektedir;
• Beş fark tahmininin ortalamasına eşit bir nihai fark tahmini;
• Son fark tahminini karşılaştırarak her makul değer için örnekleme varyansını hesaplama
80 tekrarlı tahminle;
• Beş örnekleme varyansının ortalamasına eşit bir nihai örnekleme varyansı;
• Ölçüm hatası varyansı olarak da ifade edilen, atama varyansının hesaplanması;
• Nihai hata varyansını elde etmek için örnekleme varyansını ve emsal varyansını birleştirmek; ve
• Hata varyansının kareköküne eşit bir standart hata.

Makul değerler içeren farklılıklar üzerindeki standart hataları hesaplamak için bir SPSS® makrosu geliştirilmiştir. Kutu 10.4, SPSS® sözdizimini sağlar. Bu örnekte, birleşik okuma okuryazarlığı ölçeğinde erkek ve kızların performansları arasındaki farkın standart hatası hesaplanmıştır.

Fark tahmini ile ilgili standart hatası arasındaki oran 1,96’dan büyük olduğu için boş hipotez reddedilir. Almanya’da kızlar erkeklerden ortalama olarak daha düşük performans gösteriyor. Ayrıca, bu sonuçların makul değerler için regresyon makrosu aracılığıyla da elde edilebileceğini belirtmekte fayda var.

Tablo 10.8, tüm PISA 2003 ülkeleri için matematik ölçeğindeki cinsiyet farkı tahminlerinin yanı sıra yansız standart hataları ve yanlı standart hataları sağlar.

Neredeyse tüm ülkelerde, yansız standart hata, yanlı standart hatadan daha küçüktür ve iki örnekleme dağılımı arasındaki pozitif kovaryansı yansıtır. Birkaç ülkede, iki standart hata arasındaki fark küçüktür, ancak Brezilya, Yunanistan, Endonezya ve Türkiye gibi diğer bazı ülkeler için önemlidir.

ÇOKLU KARŞILAŞTIRMALAR

Bölüm 3’te, her istatistiksel çıkarımın genellikle tip I hata olarak adlandırılan şeyle ilişkili olduğu belirtilmişti. Bu hata, doğru olan bir boş hipotezi reddetme riskini temsil eder.

Diyelim ki nüfus düzeyinde kız ve erkek çocuklar arasında okuma performansı açısından bir fark yok. Bir örnek çizilir ve okuma performansındaki cinsiyet farkı hesaplanır. Bu fark bir örneğe dayalı olduğundan, fark üzerinde standart bir hata hesaplanmalıdır.

Standartlaştırılmış fark, yani cinsiyet farkının standart hatasına bölümü -1,96’dan küçük veya 1,96’dan büyükse, bu fark anlamlı olarak rapor edilecektir. Aslında, -1.96’dan daha düşük veya 1.96’dan daha yüksek bir standartlaştırılmış farkı gözlemlemek için 100 üzerinden 5 şans vardır ve yine de sıfır hipotezi doğrudur. Başka bir deyişle, popülasyonda gerçek bir cinsiyet farkı olmadığında sıfır hipotezini reddetmek için 100 üzerinden 5 şans vardır.

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

MAKUL DEĞERLER ÜZERİNE TEK DEĞİŞKENLİ İSTATİSTİKLER

Bir istatistiğin makul değerler üzerinde hesaplanması, gerekli istatistiğe bakılmaksızın her zaman altı adımdan oluşacaktır.

1. Gerekli istatistik ve ilgili standart hata, her makul değer için hesaplanmalıdır. Bölüm 6’da, nihai tahmini ve standart hatasını elde etmek için 81 tahminin gerekli olduğundan bahsedilmiştir. Bu nedenle, beş makul değer içeren herhangi bir analiz 405 tahmin gerektirecektir. Bir ortalamanın tahmin edilmesi gerekiyorsa, 405 ortalama hesaplanacaktır. Nihai ağırlıkla tahmin edilen ortalamalar ve ile gösterilir. Beş makul değerin her birine uygulanan 80 tekrardan, sırasıyla beş örnekleme varyansı tahmin edilir ve bu beş ortalama tahmin ve bunların ilgili örnekleme varyansı Tablo 7.1’de verilir.

2. Nihai ortalama tahmin, beş ortalama tahminin ortalamasına eşittir.

3. Nihai örnekleme varyansı, beş örnekleme varyansının ortalamasına eşittir.

4. Aynı zamanda ölçüm hatası varyansı olarak da ifade edilen değerleme varyansı, olarak hesaplanır.

Bu formül, bu özel durumda, gözlemlerin popülasyon ortalaması ile karşılaştırılmaması, ancak her bir PV ortalamasının nihai ortalama tahmini ile karşılaştırılması dışında, bir popülasyon varyansının tahmini için kullanılana benzerdir.

5. Örnekleme varyansı ve emputasyon varyansı, son hata varyansını elde etmek için birleştirilir.

6. Standart hata, hata varyansının kareköküne eşittir.

Matematik ölçeğinin ortalama tahmini ve PISA 2003 Alman verileri için ilgili standart hatası hesaplanabilir. Bölüm 6’da açıklanan ve MCR_SE_UNIV.SPS etiketli makro beş kez sırayla kullanılabilir ve sonuçlar bir Microsoft® Excel® elektronik tablosunda birleştirilebilir. Tablo 7.2, farklı PV ortalamalarını ve bunların ilgili örnekleme varyanslarını ve ayrıca ilk ve son tekrarlardaki ortalama tahminleri sunar.

UNIVAR makrosunu beş kez sırayla çalıştırmak ve sonuçları birleştirmek önlenebilir: PV’lerle uğraşmak için bir SPSS®macro geliştirilmiştir.

Bu makro ayrıca şunları da hesaplar:

• Beş ortalama tahmin (STAT1 ila STAT5).
• Nihai tahmin (STAT).
• Beş örnekleme varyansı (VAR1 – VAR5).
• Beş örnekleme varyansının (PV_VAR) ortalaması.
• Hesaplama varyansı (PVMERR).
• Nihai örnekleme varyansını ve emsal varyansını (SE) birleştirerek nihai standart hata.

Karşılaştırmalı analiz
Kredi analizi Nedir
Yönetim analizi
Finansal analiz açısından dönen varlıklar toplamına ne denir
Dış analiz Nedir
Makul değer Nedir
Kapsamına göre Finansal Analiz Türleri
Oran analizi Nedir

Argümanlar, Bölüm 6’da açıklanan PV’ler olmadan tek değişkenli istatistikler için makrodaki argümanlarla aynıdır. Fark, ‘DEP’ argümanının açıklamasıdır. Yalnızca değişkenin kökü gereklidir (boyut), makro kökü “pv1” ile “pv5” arasında birleştirir. Yani, “DEP=READ” olduğunda makro, pv1read ile pv5read arasındaki değişkenleri okuyacaktır. “DEP=MATH1” olduğunda, makro pv1math1’den pv5math1’e kadar okuyacak ve bu nedenle matematiğin ilk alt ölçeği için istatistikleri hesaplayacaktır.

Önceki bölümde açıklanan SPSS®makrolarına benzer şekilde, birden fazla arıza değişkeni kullanılabilir. Örneğin, matematik performansının dağılımının kızlar için erkeklerden daha büyük olup olmadığını belirlemek isterse, makro PV aşağıdaki gibi kullanılabilir.

Tablo 7.4’e göre, standart sapma (‘STAT’) erkekler için kızlara göre daha büyüktür. Ne yazık ki, Bölüm 10’da açıklanacağı gibi, bu iki standart hata (‘SE’), iki standart sapma katsayısının eşitliğini test etmek için kullanılamaz, çünkü erkekler ve kızlar için standart sapma tahminleri korelasyonlu olabilir.

MAKUL DEĞERLERLE YÜZDELERDE STANDART HATA

İlk olarak Bölüm 6’da sunulan ikinci makro, yüzdelerin ve bunların ilgili standart hatalarının hesaplanması için geliştirilmiştir. 8. Bölüm, bu makronun makul değerlere uygulanmasıyla ilgilenecektir: içerdiği sorunlar nedeniyle, bu tür analizlere bir bölümün tamamının ayrılması gerekir.

MAKUL DEĞERLERLE REGRESYON KATSAYILARINDA STANDART HATA

Cinsiyetin ve öğrencinin sosyo-ekonomik geçmişinin matematik performansı üzerindeki istatistiksel etkisinin tahmin edilmesi gerektiğini varsayalım. Tıpkı bir ortalama tahmininde olduğu gibi, bu soru Bölüm 6’da açıklanan REGNOPV makrosunun beş katı sırayla uygulanarak çözülebilir. Kutu 7.4, böyle bir yaklaşım için bir SPSS® sözdizimi sunar.

MAKUL DEĞERLERLE KORELASYON KATSAYILARI ÜZERİNDEKİ STANDART HATA

Bir dizi makul değer ile başka bir değişken arasındaki korelasyonu hesaplamak için bir SPSS®makro da geliştirilmiştir. Bu makroyu çalıştırmak için SPSS® sözdizimi Kutu 7.6’da ve çıktı veri dosyasının yapısı Tablo 7.8’de sunulmuştur.

İKİ MAKUL DEĞER TAKIMI ARASINDAKİ KORELASYON

Bazı araştırmacılar, farklı alanlar ve alt alanlar arasındaki korelasyonla ilgilenebilir. Örneğin, bazıları okuma alt alanları arasındaki veya matematik alt alanları arasındaki veya okuma ile matematik arasındaki korelasyonu PISA 2000 ve PISA 2003 veritabanlarını kullanarak hesaplamak isteyebilir.

PISA 2003 Teknik raporunda (OECD, yakında yayınlanacak) açıklandığı gibi, PISA değerlendirmesinde eksik değerlendirme tasarımları kullanılmıştır, yani öğrencilerin madde bataryasının bir alt kümesini yanıtlaması gerekir. Ayrıca, tüm öğrenciler ana alanda değerlendirilirken, yan alanlarda yalnızca bir öğrenci alt kümesi değerlendirildi.

PISA 2000, yalnızca o yan alan için soruları yanıtlayan öğrenciler için PV’leri içeriyordu. Bu nedenle, örneğin PISA 2000 veritabanını kullanarak okuma ve matematik arasındaki korelasyonu hesaplamak, bir öğrenci alt kümesi üzerinde çalışmayı gerektirecektir.

İkincil analizleri kolaylaştırmak için PISA 2003, gerçekten değerlendirilip değerlendirilmediklerine bakılmaksızın tüm alanlar ve tüm öğrenciler için PV’ler verdi. PISA’daki bilişsel veriler çok boyutlu modellere göre ölçeklendiği için değerlendirme durumunu göz ardı etmek mümkündür.

Bunun grafiksel olarak gösterilmesi daha kolay olduğu için, yalnızca iki alanın, daha spesifik olarak matematik/uzay ve şekil ve matematik/nicelik olarak değerlendirildiğini varsayalım. Matematik/uzay ve şekil ve matematik/nicelik malzemeleri bağımsız olarak ölçeklenirse, iki alt alan arasındaki korelasyon büyük ölçüde hafife alınacaktı.

Bu sorunu önlemek için her iki malzeme birlikte ölçeklenir. Model, Bölüm 5’te açıklandığı gibi iki tek boyutlu sonsal dağılım yerine iki boyutlu bir sonsal dağılım oluşturacaktır. Şekil 7.1, iki boyutlu bir normal dağılımı grafiksel olarak göstermektedir.

Bu tür dağılımları doğru bir şekilde tanımlamak için iki ortalama, iki varyans ve bir korelasyon gereklidir. Korelasyon 0’a eşitse, iki eksen ortogonal olacaktır. Korelasyonun mutlak değeri artmaya başladığında, iki eksenin oluşturduğu açı 90 dereceden daha az olur.2 Mükemmel örtüşen iki eksen, 1.0 (veya -1.0) korelasyonunu temsil eder. Bu farklı durumlar Şekil 7.2’de gösterilmektedir.

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