Bu kurgusal örnek, 142 farklı hastaneden 4500 hastanın sonuçlarını sağlar ve veri dosyasının hasta iyimserliği adlı bir bölümünün ekran görüntüsü gösterilir. Sonuç (bağımlı) değişken, bu hastalar için 0 ile 100 arasında değişebilen bir envanter olan Hasta Tarafından Raporlanan Sonuç Ölçütlerinde (PROM’lar) puandır ve daha yüksek puanlar daha fazla algılanan sağlık ve yaşam kalitesini gösterir; değişken, bağımlı değişken olduğunu açıklığa kavuşturmak için prom_dv olarak adlandırılır.

142 hastane, verilerin hiyerarşik yapısını temsil etmektedir; bu tanımlama kodları hastanenin kategorik değişkeninde yer almaktadır. Ayrıca bu hastaneleri değişken türü altında ya eğitim vermeyen (veri dosyasında 0 olarak kodlanmış) ya da eğitim veren (veri dosyasında 1 olarak kodlanmış) hastaneler olarak ikiye ayırdık.

Veri dosyasındaki tek nicel tahmin değişkeni iyimserliktir ve daha yüksek puanlar daha fazla iyimserliği gösterir. Bu değişken, L1_optimism_C değişken adı altında Düzey 1’de genel ortalama merkezlidir. Bu değişken üzerindeki puanlar, bireysel hasta iyimserlik puanı ile toplam örneklem (genel) iyimserlik ortalaması (L1_optimism_C = iyimserlik – genel ortalama) arasındaki farkı yansıtır. L1_optimism_C’nin ortalaması, yani büyük ortalama merkezli değişken için örneğin ortalaması sıfırdır.

ANALİZ STRATEJİSİ

Düzey 2 merkezli iyimserlik değişkeninin nasıl oluşturulacağını göstererek başlıyoruz.

Bu, aşağıdaki üç adımı gerektirir:

• Her hastaya, grubun ortalama iyimserlik puanına eşit Düzey 2 değişkeninde bir puan vermemiz gerekiyor. Bu, Toplama işlevi kullanılarak gerçekleştirilir.
• Daha sonra genel ortalamayı hesaplıyoruz (bu, Düzey 1 merkezleme için yapılmalıydı).
ancak okuyuculara göstermek için tekrar üretiyoruz).
• İlk adımda oluşturulan her hasta için toplam puanlardan genel ortalamayı çıkarırız.

Daha sonra çok seviyeli modelleme analizleri setini gerçekleştiririz. Daha basit bir modelle başlayıp genellikle daha karmaşık modellere doğru inşa ederek bir dizi modeli incelemek için çok düzeyli bir modelleme analizi yapmak yaygın bir uygulamadır.

Aşağıdaki beş model setini yapılandırıyoruz:

• Koşulsuz Model. Herhangi bir çok düzeyli modelleme analizindeki ilk adım, Düzey 2 değişken(ler)iyle ilişkili bağımlı değişkenin varyans miktarını değerlendirmektir. Örneğimizde, ICC, çalışmadaki 142 hastane arasındaki farklılıklarla açıklanan prom_dv puanı varyansının miktarını açıklamaktadır. Bu koşulsuz model, sonraki modelleri değerlendirmek için kullandığımız bir temel olarak hizmet eder.
• Karışık Düzey 1 Modeli. İlk tahmine dayalı model, prom_dv puanlarını tahmin eden (bireysel) Düzey 1 merkezli iyimserliğin Sabit ve Rastgele Etkilerini içerir.
• Karışık Düzey 2 Modeli. Bu model, prom_dv puanlarını tahmin etmek için (bireysel) Düzey 1 iyimserliğiyle birlikte hastane türünün Sabit ve Rastgele Etkilerini birleştirir.
• Hiyerarşik Bir Model. Bu model, karma Düzey 2 modeline hastanenin iyimserlik düzeyini (2. Düzey merkezli değişken) ekler.
• Bir Etkileşim Modeli. Bu model, hiyerarşik modele hastanenin Düzey 2 iyimserlik düzeyi ile hastane türünün etkileşim etkisini ekler.

Süreksiz değişken örnekleri
Sürekli değişken örnekleri
Değişken türleri
Ara değişken örnekleri
Sürekli süreksiz değişken
Bağımlı değişken nedir
Kesikli ve sürekli değişken istatistik
Nitel değişkenler

İYİMİZM DEĞİŞKENİNİN TOPLANMASI

Belirli bir hastane için ortalama değeri o hastaneyle ilişkili tüm hastalara atamanın en doğrudan yolu, iyimserlik değişkenini hastaneye göre toplamaktır. Bir değişkeni toplamak, bir grubun her bir üyesine, belirlenmiş bir işlev (örneğin, bir ortalama) tarafından hesaplanan belirli bir değeri atamak demektir.

Hasta iyimserliğini açıyoruz ve ana menüden Analiz ➔ Veri ➔ Toplama seçimini yaparak görülen Toplama penceresini açıyoruz. Hastaneyi Break Değişken(ler) paneline taşıyoruz. Fren Değişkeni, grupları tanımlamanın temelidir; burada her hastane bir grup olacaktır.

İyimserliği Değişken(ler)in Özetleri paneline taşıyoruz. Bu, değerlerini toplamak istediğimiz değişkendir. Değişkeni panele taşıdığımızda IBM SPSS otomatik olarak iki şey yapar:

• Varsayılan fonksiyon olarak ortalamayı belirtir. Bu, eşittir işaretinin ardından MEAN(iyimserlik) ifadesi ile temsil edilir. Parantez içindeki değişken, toplanacak değişkendir (ve panele taşıdığımız değişkendir).
• Toplanacak değişkene genel bir ad atar. İşte, bu isim optimizm_mean.

Function butonunu seçiyoruz. Bu eylem, Toplama İşlevi penceresini açar; bunu sadece okuyuculara neye benzediğini göstermek için sunuyoruz (varsayılan işlev – ortalama – hesaplamak istediğimiz şeydir).

Fren Değişkenimizin her seviyesindeki puanların medyanı, toplamı ve standart sapmasını hesaplamak da dahil olmak üzere, değişkenimizi toplamanın birkaç yolu vardır. Burada her hastane için ortalama iyimserlik değerini hesaplamak istiyoruz ve bu nedenle varsayılan işlevi kabul ediyoruz ve Devam’ı seçiyoruz.

Ad ve Etiket düğmesinin seçilmesi, gösterilen Ad ve Etiket penceresini açar. Düzey 2 değişken olduğu fikrini yansıtmak için optimism_groupmean adını oluşturuyoruz ve Devam’ı tıklıyoruz. Tamam’ı tıkladığımız yerde yapılandırılmış Toplama penceremiz gösterilir.

2. DÜZEYİ MERKEZLEME

Düzey 2 optimizm_grouportalama değişkenini ortalamak için, her puandan genel iyimserlik ortalamasını çıkarmalıyız. Bu nedenle, büyük ortalamanın değerini belirlememiz gerekiyor ve bunu, Betimleyiciler prosedüründe orijinal iyimserlik değişkenini ve iyimserlik_grup ortalamasını analiz ederek yapıyoruz.

Hem iyimserlik_grup ortalaması hem de iyimserlik değişkenleri için  gösterilen sonuçlar, 56.7567 iyimserlik_grup ortalaması için büyük bir ortalama ve 56.76 iyimserlik için büyük bir ortalama vermiştir. Minimum, Maksimum ve Std’deki farklılıklar. İyimserlik_ grup ortalaması ve iyimserlik arasındaki sapma, ilk değişken grup ortalamalarını temsil ettiğinden ve ikinci değişken bireysel puanları temsil ettiğinden elde edilir.

Daha sonra,  gösterildiği gibi optimizm_grouportalama değişkeninden genel ortalamayı (56.7567) çıkararak ortalanmış Düzey 2 değişkenimizi (L2_optimism_C olarak adlandırılacak) hesaplıyoruz (optimism_grouportalama değişkeni yalnızca bir ara adımı temsil ettiğinden, bu değişkeni görsel gösterimi basitleştirmek için çok seviyeli modelleme analizleri için değişken listesi).

ANALİZ KURULUMU: KOŞULSUZ MODEL

Artık ilki koşulsuz model olan çok düzeyli modellerimizi değerlendirmeye başlamaya hazırız. Hasta iyimserliği veri dosyası açıkken Ana menüden Analiz ➔ Karma Modeller ➔ Doğrusal seçim yapıyoruz. Bu eylem, gösterilen ilk Konuları Belirt ve Tekrarlanan penceresini görüntüler. Bu pencerede kümeleme değişkenini tanımlıyoruz.

Hastalarımızın farklı hastanelerle ilişkilendirilerek organize (kümelenmiş/iç içe) olduğunu belirtmek için hastaneyi Konular paneline taşıyoruz. Bu, hastaneler arasındaki herhangi bir farklılığın çok düzeyli analizde istatistiksel olarak kontrol edileceğini belirtir (yani, bir ortak değişken olarak hizmet edecektir). Boylamsal bir değişkenimiz olmadığı için Repeated panelini boş bırakıyoruz. Ana Doğrusal Karışık Modeller penceresine ulaşmak için Devam düğmesini seçin.

Ana Doğrusal Karışık Modeller penceresi gösterilir. prom_dv’yi Bağımlı Değişken paneline yerleştiririz ancak herhangi bir tahmin edici belirtmeyiz (bunlar Faktör(ler) veya Ortak Değişken(ler) paneline yerleştirilirler). Modeldeki tek etki, hastanenin Denekler değişkeni olacaktır.

Veri setimizdeki hastanelerin ülkedeki tüm hastanelerden rastgele seçildiğini varsayıyoruz; Bu varsayım göz önüne alındığında, hastaneyi rastgele bir etkiyi temsil eden olarak tanımlayacağız. Açılır menüden varsayılan Kovaryans Türü Varyans Bileşenlerini koruyoruz; modele öngörücüler eklemeye başladığımızda, farklı bir Kovaryans Türü çağırmayı seçebiliriz.

Hastaneyi rastgele bir efekt olarak belirlemek için Random butonunu seçiyoruz; bu seçim gösterilen ekranı açar. Pencerenin üst kısmına doğru Rastgele Efektler alanında Include Intercept’i işaretliyoruz. Pencerenin alt kısmındaki Konu Gruplamaları alanında, hastaneyi Kombinasyonlar paneline taşıyoruz. Ana pencereye dönmek için Devam’a tıklayın ve İstatistikler butonunu seçin.

İstatistikler penceresi gösterilir. Model İstatistikleri altında Parametre tahminlerini ve kovaryans parametreleri için Testleri kontrol edin. Çıktı oldukça uzun olduğu için, amaçlarımız için, Tanımlayıcı İstatistikleri (her hastane için hasta sayısını ve bağımlı değişkenin ortalamasını ve standart sapmasını sağlayan) veya Vaka İşleme Özetini (bu sayıyı sağlayan) talep etmiyoruz.  Ana pencereye dönmek için Devam’a tıklayın ve analizi gerçekleştirmek için Tamam’a tıklayın.

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

Bu model basit regresyonu geliştirdi. Bakalım bunu başka bir değişken ekleyerek daha da geliştirebilecek miyiz. Bir okulun öğrenim yapısının diğer gelir kaynaklarından da etkilendiğini varsaydığımızı varsayalım. Veri dosyamızdaki diğer bir değişken de $ [alumcont] katkısında bulunan mezunların yüzdesidir. Bu değişkeni de modelimize ekleyelim.

Regresyonu Analiz Edin Doğrusal… Tahminciler listesine $ [alumcont] katkıda bulunan mezunların yüzdesini ekleyin.

Bu regresyon çıktısını önceki sonuçlarla karşılaştırın. Bu yeni değişkeni modele eklemenin etkisi neydi? Açıkçası, ek bir katsayımız ve t oranımız var. Bu t oranı, harcamaları ve SAT puanlarını kontrol ettiğimizde, katkıda bulunan mezunların yüzdesinin öğrenim ücretiyle önemli bir ilişkisi olduğunu gösteriyor mu? Katsayının işareti size anlamlı geliyor mu? Açıklamak.

Başka ne değişti? Özellikle düzeltilmiş r2’ye, ANOVA sonuçlarına ve önceden tahmin edilen katsayıların değerlerine bakın. Gördüğünüz farklılıkları açıklayabilir misiniz?

Yeni bir değişkenin eklenmesi de artıklar üzerinde bir etkiye sahip olabilir. Genel olarak, her yeni modelin yeni bir artık grafiği olacaktır. Kalan grafikleri inceleyin ve ne düşündüğünüzü görün. En küçük kareler varsayımları karşılanıyor gibi görünüyor mu?

Başka bir örnek

Devam Ediyor… sorularında, eğitim analizimize geri döneceğiz. Aynı veri dosyasını kullanarak, bu sefer nitel bir değişkeni analize dahil ederek başka bir örnek görelim. Bu sorundaki endişemiz, kabul memurlarının “Kabul Getirisi” dediği şeydir. Lise son sınıftayken, kolejiniz birçok öğrenciye kabul mektupları gönderdi. Bu sayıdan bazıları farklı bir okula gitmeyi seçti.

“Verim”, kabul edilen sayıya kıyasla gerçekten kayıt olan öğrencilerin oranını ifade eder. Bu regresyon modelinde, bir kolejin kabul ettiği son sınıf öğrencilerinin sayısı ile sonunda kaydolanların sayısı arasındaki ilişkiye odaklanacağız. Bu ilişkiye grafiksel olarak bakalım.

Y ekseninde kayıtlı yeni öğrenci sayısı [newenrol] ve x ekseninde kabul edilen Başvuru Sayısı [appsacc] ile basit bir dağılım grafiği oluşturun.

Bu örneklemde yaklaşık 1.300 okul olduğu için grafik çok yoğun. Noktaların grafiğin sol alt kısmında sıkı bir şekilde kümelendiğine, ancak sağ üst tarafa doğru hareket ettikçe genişlediğine de dikkat edin. Bu dağılım grafiğinde bile, varyansın heterojenliğinin veya heteroskedastisitenin kanıtlarını görebilirsiniz. Sizce neden olabilir? Yani, heteroskedastisiteye ne sebep olur?

Değişken türleri
Sürekli değişken örnekleri
Süreksiz değişken örnekleri
Değişken örnekleri
Kategorik değişken örnekleri
Cinsiyet Nitel mi Nicel mi
Nitel değişken örnekleri
Nitel değişkenler

Şimdi regresyonu çalıştıralım ve modeli değerlendirelim. Bağımlı olarak yeni kayıtları ve tek bağımsız değişken olarak kabulleri kullanarak bir regresyon çalıştırın. Daha önce olduğu gibi, artık analizleri isteyin.

Kalan grafiklere bakın. Bu durumda en küçük kareler varsayımlarının geçerliliği hakkında ne öneriyorlar? Bu artıklar, normal dağılım varsayımını ihlal eder ve artıklara karşı tahmin edilen değerler grafiğinde soldan sağa doğru yayılıyor gibi görünmektedir.

Çoğu regresyon gibi, bunun da güçlü ve kusurları var. Artık grafikler de dahil olmak üzere regresyon çıktısını inceleyin ve aşağıdaki soruları dikkate alarak modeli değerlendirin:

• Kabul katsayısı beklenen işarete sahip mi?
• İlişki istatistiksel olarak anlamlı mı?
• Uyum ne kadar iyi?
• Çok sayıda olağandışı gözlem var mı?

Nitel Değişkenlerle Çalışmak

Bu regresyonda, kayıtlardaki varyasyonun büyük bir yüzdesini kabullerin oluşturduğunu görüyoruz. Farklılıkları açıklamada potansiyel olarak önemli bir diğer faktör, bir okulun kamu tarafından finanse edilip edilmediğidir.

Bir okulun devlet mi yoksa özel mi olduğu elbette kategorik bir değişkendir. Şimdiye kadar regresyon analizinde kullandığımız tüm değişkenler niceldir. Kategorik bir değişkeni sayısal olarak temsil etmenin bir yolunu bulursak, bir regresyon analizine nitel bir öngörücü değişkeni dahil etmek de mümkündür.

Bunu kukla değişken olarak bilinen basit bir teknikle yapıyoruz. Kukla değişken, iki farklı kategoriyi temsil etmek için rastgele seçilmiş değerleri alan yapay bir ikili değişkendir.2 Normalde, bir kategori için 0’a ve diğeri için 1’e eşit olan yeni bir değişken kurarız. Bu veri setinde, Devlet/Özel Okul [pubpvt] adında, devlet kolejleri için 1’e ve özel kolejler için 2’ye eşit olan bir değişkenimiz var. Bu durumda bu değişkeni de kullanabiliriz.

Bağımsız değişkenlere PubPvt ekleyerek regresyonu yeniden çalıştıralım. Çıktının bir kısmı burada gösterilir.

Katsayı tablosuna bakın. Tahmini regresyon denklemini şöyle yazabiliriz:

• Yeni kayıt = 777.221 + .316 Appsacc – 359.687 PubPvt

Genel/özel değişkeninin katsayısının anlamını düşünün. Bir devlet koleji veya üniversitesi için, PubPvt = 1 olur ve bu denklem olur.

Bir dakikanızı ayırın ve iki denkleme bakın. Tam olarak aynı eğime sahipler, ancak farklı kesişme noktalarına sahipler. Başka bir deyişle, kesişme noktaları yaklaşık 360 öğrenci tarafından farklılık gösteren iki paralel doğruya bakıyoruz. Denkleme bu şekilde dahil edilen kukla değişkenin etkisi, iki farklı kategori için kesişimi de değiştirmektir.

Artık tahmini denklemin ne olduğunu bildiğimize göre, daha önce yaptığımız gibi bu belirli modeli değerlendirmeye devam edelim.

• Tahmin edilen katsayılar beklenen işaretlere sahip mi?
• İlişkiler istatistiksel olarak anlamlı mı?
• Uyum ne kadar iyi?
• Çok sayıda olağandışı gözlem var mı?
• Artıklar normal dağılmış mı?
• Artıklar homoskedastik mi?

Yeni Bir Endişe

Bu modeli daha da geliştirmeye çalışmak istediğimizi varsayalım ve diğer şeylerin eşit olması durumunda öğrenim ücretlerinin kabul verimini etkileyebileceğini varsaydığımızı varsayalım. Bu son derece makul görünüyor: Eşit derecede rekabetçi iki özel okul arasında seçim yapan lise son sınıf öğrencileri daha ucuz olanı seçebilir. Gerçekten de, devlet içi eğitimi içeren bir regresyon çalıştırırsak, yeni değişken için önemli bir negatif katsayı gösteren aşağıdaki katsayılar tablosunu görürüz. Bu, diğer şeylerin eşit olması koşuluyla, daha yüksek öğrenim ücretlerinin daha düşük verimlere yol açtığı anlamına da gelir.

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