Pek çok testi, bir test durumundan elde edilen sonucun bir sonrakine girdi olacak şekilde bir araya getirin. Bu, bir dizi kısa test durumu tarafından üstlenilecek çok sayıda kapsamlı teste olanak tanır.

Sorun Açıktır ki, bir test senaryosu doğru çıktıyı üretemezse, onu takip eden tüm test senaryoları doğru bir şekilde başlamayacaktır (bazen ‘domino etkisi’ olarak anılır). Bu, açıklanan ‘uzun test durumlarının’ özel bir biçimidir.

Çözüm Kısa test senaryolarını bir araya getirmek güçlü ve kullanışlı bir tekniktir ve doğrudan ‘yasaklanması’ durumunda büyük ölçüde gözden kaçacaktır.

Ancak, işler ters gitmeye başladığında potansiyel olarak feci sonuçlar doğurabileceğinden, ihtiyatla kullanılmalıdır. Başlamak için temkinli bir yaklaşım öneriyoruz. İlk önce ne kadar iyi çalıştıklarını görmek için birkaç kısa test senaryosu dizisini deneyin, ardından ihtiyaçlarınız ve bunların etkililiği ve verimliliği gerektirdikçe sayıyı ve uzunluğu genişletin.

Bazı durumlarda, bir test senaryosu başarısız olduktan sonra bir test senaryosu zincirini yeniden başlatmak için ‘anlık görüntüleri’ kullanmak mümkün olabilir; örneğin gerçek sonuç yerine bir test senaryosunun beklenen sonucunu kullanmak. Ancak, uygulamada bunu organize etmek çok zor olabilir ve hak ettiğinden daha fazla çaba gerektirebilir.

Adlandırma Kuralları

İyi bir fikir? Otomatikleştiricileri yavaşlatacağı ve hatta yaratıcılığı engelleyebileceği için bir adlandırma kuralıyla uğraşmayın. Herkesin komut dosyalarına, dosyalara vb. isim vermesine izin verin.

Sorun Yalnızca birkaç test durumunuz varken ve yalnızca bir veya iki kişi yanlarına yaklaştığında, komut dosyalarının ve dosyaların adlandırılmasında herkes için ücretsiz olması uygundur. Ancak, test vakalarının sayısı arttıkça ve/veya farklı kişiler devreye girdikçe, durum kısa sürede kaotik bir hal alacaktır.

Farklı kişiler tarafından uygulanan test senaryoları arasında tutarlılık olmayacak, bu da onların kullanmak istedikleri komut dizilerini ve dosyaları bulmalarını zorlaştıracak ve böylece daha az yeniden kullanım ve daha fazla çoğaltmayı teşvik edecektir.
Çözüm Daha başlangıçta bazı adlandırma kurallarını benimseyin (gerçek bir sorun haline gelene kadar beklemeyin).

İnsanlar kuralları ne kadar çabuk öğrenirse, betikleri ve dosyaları bulmak ve yenilerini adlandırmak o kadar kolay olacaktır. Bu aynı zamanda daha az hata yapılmasına da yol açacaktır. Çözümün diğer bir kısmı, açıklandığı gibi bir hiyerarşi kullanarak test öğelerini organize etmektir.

Nonparametrik testler
Nonparametrik test nedir
Parametrik testler
Parametrik test nedir
Parametrik ve nonparametrik testler
Parametrik test örnekleri
Parametrik ve Nonparametrik testler arasındaki farklar
non-parametrik testler nelerdir

Test Karmaşıklığı

Artık manuel olarak gerçekleştirilemeyecek kadar karmaşık olan test senaryolarını uygulayabileceğimiz bir aracımız var. Araçlar daha karmaşık şeyleri test etmemizi sağladığından, büyük ve karmaşık test senaryoları oluşturarak her bir yönü tam olarak belirleyebiliriz.

Sorun Herhangi bir şey ne kadar karmaşıksa, anlaşılması o kadar zor olur ve neler olup bittiğini anlamak için o kadar fazla zamana ihtiyaç duyulur. Test senaryoları sadece bir kez yazılmaz ve bir daha asla okunmaz. Test senaryosu sürdürüldüğünde, küçük değişiklikler için bile birisinin onu çok iyi anlaması gerekir, böylece değişikliklerinin olumsuz bir etkisi olmayacağından emin olabilirler.

Buradaki bir başka sorun da teknik insanların teknolojiye kapılma eğilimleridir. Yazılım sistemlerinin bazı yönlerinin otomatikleştirilmesi zor olabilir ve akıllı ve karmaşık bir çözüm gerektirebilir. Çok karmaşık test senaryolarının, test senaryolarının kendileri herhangi bir gerçek fayda sağladığı için değil, sadece yapılabilir oldukları için uygulandığı örnekler gördük.

Çözüm Test edilen yazılımın doğası gereği karmaşık olması gereken bazı test senaryoları olabilir. Ancak bunlar minimumda tutulmalıdır. Bakım maliyeti, sundukları tasarrufları kısa sürede yok edebileceğinden, çok sayıda karmaşık test senaryosuna büyük ölçüde güvenmek tehlikeli olabilir.

Otomatikleştirmek için test senaryolarını seçerken, her zaman bu test senaryolarını otomatikleştirmek ve sürdürmek için ne kadar çaba gerektiğini makul bir süre içinde (bir veya iki yıl) tasarruf edilmesi muhtemel çaba ile karşılaştırın. Bir test senaryosunun yalnızca birkaç kez yürütülmesi muhtemelse ancak otomatikleştirilmesi çok maliyetliyse, onu otomatikleştirmeye değmeyebilir.

Test Belgeleri

Test senaryoları için belge gerekmez; ne de olsa, onları okuyacak olan yalnızca araçtır. Her durumda, test betiklerimiz ‘kendi kendini belgeliyor.

Sorun Bu, yazılım için herhangi bir belgeye ihtiyacımız olmadığını çünkü onu çalıştıracak olanın yalnızca bilgisayar olduğunu söylemek gibidir. Durumun böyle olmadığını ve belgelenmemiş veya yetersiz belgelenmiş sistemlerle uğraşma sorununun sektörümüzde aşırı miktarda zaman ve para kaybına yol açtığını şimdiye kadar bilmeliyiz.

Çözüm Test senaryoları için belgeler doğru düzeyde ve kullanışlı olmalıdır. Komut dosyasının ne yaptığını söylemek için her komut dosyasında ek açıklamaların yanı sıra test öğelerine genel bir bakış sağlayan genel belgeler bulunmalıdır. Önemli olan belgelerin niceliği değil niteliğidir.

Birçoğu belirli ortamlara, sistemlere ve test türlerine özgü olsa da, test bakımını etkileyebilecek birçok başka özellik vardır. Bu öz niteliklerin farklı alt kümeleri, ortamlarına, çalışma biçimlerine ve test otomasyonu yaklaşımlarına bağlı olarak farklı kuruluşlara uygulanacaktır.

Bize öyle geliyor ki iş başında bir komplo var. Aşağıdaki noktalar dikkate alındığında, bu kadar çok kuruluşun neden büyük bir bakım yükü altında kaldığını anlamak kolaydır.

Araçlar doğru şeyi yapmanıza yardımcı olur. Çoğu araç, insanların otomatikleştirilmiş test senaryolarını hızlı ve minimum çabayla uygulamalarına yardımcı olur. Ne yazık ki bu ‘minimum çaba’ yaklaşımı, bakım sorunları hakkında fazla düşünmeyi teşvik etmez ve bu nedenle bunlar çok geç olana kadar bırakılır.

Bazı araç satıcıları, belgelerine kaçınılması gereken şeyler ve yapılacak iyi şeyler hakkında yararlı bilgiler koyarlar, ancak bunu kim okur? Çoğu zaman belgeler yalnızca son çare olarak okunur ve o zaman bile, onu yapmanın en iyi yolunu araştırmak zorunda değil, belirli bir görevin nasıl yapılacağını bulmaya çalışır.

The post Testler Arasındaki Bağımlılıklar first appeared on Akademi Delisi (Tez Yaptırma).

İşaret testi kullanılarak bir değişkenin medyanı hakkında bir hipotez yürütülebilir. Bu, özellikle sıralı değişkenler veya yüksek oranda çarpık dağılımlara sahip değişkenler için kullanışlıdır.

SPSS’nin menü çubuğunda bu işaret testini kolayca gerçekleştiren bir seçeneği yoktur, ancak belirli bir değerin (MO>) altındaki gözlem sayısını bulmak için kullanabilirsiniz. Bu, veri seti çok büyükse etkilidir.

“noise.sav” veri dosyasını kullanarak, bir karayolunun bazı bölümlerinde arabaların medyan hızının 35 mph’ye eşit olduğu hipotezini test etmeyi gösteriyoruz; hipotezler·Ho: M = 35 mph ve HI: M *- 35 mph.
Numunedeki 35 milden daha az seyahat eden otomobil sayısını hesaplamak için, bu vakaları Count prosedürünü kullanarak etiketlememiz ve ardından etiketlenen vakaların sayısını belirlememiz gerekir.

Bunu yapmak için:

(1) Menü çubuğundan Dönüştür’e tıklayın.
(2) Açılır menüden Olayları Say’a tıklayın. Bu, Vakalar İçinde Değerlerin Cooot Oluşumları iletişim kutusunu açar.
(3) Hedef Değişken kutusuna yeni bir değişkenin adını yazın, örneğin “less35”. Bu değişken, etiketlemek istediğiniz tüm durumlar için 1 ve diğer tüm durumlar için 0 içerecektir. Arzu ederseniz, Hedef Etiket kutusuna bir değişken etiketi de ekleyebilirsiniz.
(4) “hız” değişkenine tıklayın ve sağ ok düğmesini kullanarak Sayısal Değişkenler kutusuna taşıyın. Bu, davaları saymak istediğiniz değişkeni belirtir.
(5) Vakalarda Sayılacak Değerler: Sayılacak Değerler iletişim kutusunu açmak için Derme Değerleri düğmesine tıklayın. Hız değişkeninin hangi değerlerinin etiketleneceğini bu iletişim kutusunda belirleyebilirsiniz.
(6) Değeri 35’ten küçük olan tüm durumları saymak istiyoruz, bu nedenle Değer kutusunda Aralık: En düşük _ _ öğesine tıklayın.
(7) Boşluğa 34.9 değerini yazın. (35 yazarsanız, SPSS tam olarak 35’lik değerleri sayar).
(8) Ekle düğmesine tıklayın. Sayılacak Değerler kutusunda “en düşükten 34.9’a kadar” satırı görünmelidir.
(9) İletişim kutusunu kapatmak için Devam’a tıklayın.
(10) Prosedürü çalıştırmak için Tamam’a tıklayın.

Veri pencerenizde l’leri ve O’ları içeren yeni bir değişken olacaktır. Mo’dan küçük değerleri olan toplam vaka sayısını belirlemek için şimdi toplam I sayısını saymanız gerekir. Bunu, Frekanslar prosedüründen Iless35″ değişkeninin toplamını talep ederek yapabilirsiniz. Toplam 11’i elde etmelisiniz.

Artık test istatistiğini z = [(11130) – .5]/[.5 x (1Iy’30)] = -1.461 olarak hesaplayabilirsiniz. Standart normal dağılımdan %5 düzeyinde iki kuyruklu bir test için önem noktaları -1.96 ve 1.96’dır. Verilerin ortalama 35 mil/saat hız ile tutarlı olduğu sonucuna varıyoruz.

Ki-kare testi
Mann Whitney U testi
Mood testi
Parametrik OLMAYAN TESTLER
Parametrik testler
Wilcoxon testi
Friedman testi örnek
Parametrik test örnekleri

Eşleştirilmiş Ölçümler

Farklılıkların Ortalaması Hakkında Hipotezlerin Test Edilmesi

SPSS, bir fark popülasyonunun ortalamasının O’ya eşit olup olmadığını test edecektir. Ders kitabının Tablo 10.2’sindeki verilere dayanarak “reading.sav” veri dosyasıyla örneklendiriyoruz. Bu dosya, ikinci sınıftan önce ve sonra uygulanan aynı tC!st’de elde edilen 30 öğrencinin okuma puanlarını içerir. İkinci sınıf boyunca okuma becerisinin ortalama olarak artıp artmadığını belirlemek istiyoruz. Veri dosyasını açtıktan sonra:

(1) Menü çubuğundan İstatistikler’e tıklayın.
(2) Açılır menüden Ortalamaları Karşılaştır’a tıklayın.
(3) Açılır menüden Eşleştirilmiş Örnekler T Testi’ne tıklayın. Bu, Eşleştirilmiş Örnekler T Testi iletişim kutusunu açar.
(4) “after” değişkenine tıklayın. Mevcut Seçimler kutusunda Değişken 1 olarak görünecektir. (5) “önce” değişkenine tıklayın. Mevcut Seçimler kutusunda Değişken 2 olarak görünecektir.
(6)Sağ ok düğmesini tıklatarak bir değişken adını Eşleştirilmiş Değişkenler kutusuna taşıyın.
(7) Prosedürü çalıştırmak için Tamam’a tıklayın.

Bu prosedürün çıktısını gösterir. Üst kısım, ikinci sınıftan önce ve sonra okuma puanlarının ortalamalarını, standart sapmalarını ve standart hatalarını listeler. Puanlar ortalama 1,52’den 2,03’e yükseldi. Bu kısım ayrıca ön test ve son test arasındaki örnek korelasyon katsayısını (.573) ve korelasyonun anlamlılık testini (P = .001) içerir.

Alt kısım, ortalama farkın O’ya eşit olduğu hipotezinin testiyle ilgili bilgileri içerir. Ortalama fark, .5100, 2.0333 – 1.5233’e eşittir. Tablo ayrıca, farkın standart sapmasını ve standart hatasını da gösterir.

t istatistiği t = (.5100 – 0)/.4921{30 = 5.68’dir ve bu da yazdırılır. 29 serbestlik dereceli t-dağılımı referans alınarak veya SPSS tarafından gösterilen P değeri kullanılarak Ho hakkında bir karar verilebilir. 2 kuyruklu Sig, P değeridir « .0005).

Ancak bu P değeri, iki kuyruklu bir testle ilgilidir. Okuma puanlarının artacağını tahmin ederek başlasaydık, Hi: /Ld > O alternatif hipoteziyle tek uçlu bir test yapardık. Bu nedenle, P değerini 2/X ile karşılaştırmalı ve örneğin son- test ortalaması, numune ön test ortalamasından daha yüksektir. Bunu yaparak, Ho’yu en makul /X seviyelerinde reddederiz.

Oranların Eşitliği Hipotezinin Test Edilmesi

Ayrıca, tek bir örnekten elde edilen iki oranın eşitliğini test ederek, ikili değişkenler için zaman içindeki değişiklikleri inceleyebilirsiniz. Bir “ciro tablosu” için bir test olarak iki oranın eşit olup olmadığının testine atıfta bulunur ve SPSS bunu, bağıntılı oranlar için McNemar testi olarak etiketler. SPSS kullanılarak, prosedür bir ki-kare testi istatistiği üretir, ancak sonuçlar ders kitabında tartışılan z-testinden elde edilenlere eşdeğerdir.

Bunu “war.sav” dosyası kullanarak göstereceğiz. Bu dosya, ders kitabının 11.25 alıştırmasında tartışılan çalışmanın verilerini içerir. Bu çalışma, savaş olasılığına ilişkin tutumlardaki değişiklikleri inceledi. 1948 yılının Haziran ve Ekim aylarında, deneklerden önümüzdeki on yıl içinde bir savaş bekleyip beklemediklerini belirtmeleri istendi. “war.sav” veri dosyası, 2’nin “Savaş Beklediğini” ve 1’in “Savaş Beklemediğini” temsil edecek şekilde kodlanmıştır.

Eşit oranlar hipotezini test etmek için veri dosyasını açın ve:

(1) Menü çubuğundan İstatistikler’e tıklayın.
(2) Açılır menüden Parametrik Olmayan Testler’e tıklayın.
(3) Açılır menüden 2 İlgili Örnek’e tıklayın. Bu, İki İlişkili Örnek Testleri iletişim kutusunu açar.
(4) “June” değişken adına tıklayın. Mevcut Seçimler kutusunda Değişken 1 olarak görünecektir.
(5) “Ekim” değişken adına tıklayın. Mevcut Seçimler kutusunda Değişken 2 olarak görünecektir.
(6) Sağ ok düğmesine tıklayarak eşleştirilmiş değişkenleri Test Çifti/Çiftleri Listesi kutusuna taşıyın.
(7) Test Tipi kutusunda, Wilcoxon kutusuna tıklayın ve McNemar kutusuna tıklayın.
(8) Tamam’a tıklayın.

Çıktı, verileri ders kitabının Tablo 11.19’dakiyle aynı olan iki yönlü sıklık tablosunda görüntüler. Buradan, Haziran ayında sorgulandığında savaş olmayacağını düşünen 45 kişinin Ekim seçimleri için fikrini değiştirdiğini görüyoruz. Liste ayrıca ki-kare test istatistiğini (53.1302) ve karşılık gelen P değerini (P < .00005) bildirir. Bu nedenle, herhangi bir makul ex düzeyinde eşit oranların sıfır hipotezini reddederiz.

McNemar testinin iki kuyruklu bir test olduğunu unutmayın. Tek kuyruklu bir test gerçekleştirmek için, P/2 ile ex’i karşılaştırın ve örnek oranlarının alternatif hipotez tarafından belirtilen yönde olup olmadığını kontrol edin.

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

Popülasyonun standart sapması bilinmediğinde, test istatistiğini hesaplamak için a’yı tahmin etmeniz gerekecektir. SPSS programı, uygun test istatistiğinin (t) yanı sıra numune standart sapmasını (s) hesaplar. SPSS kullanma prosedürü, ister tek uçlu ister çift uçlu test yapıyor olmanızdan bağımsız olarak aynıdır.

56 Stanford futbolcusunun boy ve kilolarını içeren “football.sav” veri dosyasını kullanarak örnekleyeceğiz. Bu yılki takımı bir futbolcu popülasyonundan bir örnek olarak ele alarak, futbolcuların ortalama boyunun 6 fit (72 * 72) olduğu hipotezini test edeceğiz.

Artık bu örnek için test istatistiğini belirlemek için SPSS kullanabiliriz. Veri dosyası inç olduğunda). Boş ve alternatif hipotezler Ho: /1- = 72 ve HI: /1- open’dir (veri dosyalarının açılmasıyla ilgili ayrıntılar için aşağıya bakınız):

(1) Menü çubuğundan İstatistikler’e tıklayın.
(2) Açılır menüden Ortalamaları Karşılaştır’a tıklayın.
(3) Tek Örnek T Testi İletişim kutusunu açmak için açılır menüden Tek Örnek T Testi’ne tıklayın.
(4) “Yükseklik” değişkenini vurgulayın ve sağ ok düğmesine tıklayarak Test Değişken(ler)i kutusuna taşıyın.
(5) Diyalog kutusunun sağ alt tarafındaki Test Değeri kutusuna 72 sayısını girin. (Bu değer ders kitabında /Lo olarak gösterilir.)
(6) Prosedürü çalıştırmak için Tamam’a tıklayın.

Bu listeden 56 futbolcunun ortalama boyunun 73.77 inç ve standart sapmanın 2.22 inç olduğunu görüyoruz. Test için t istatistiği t = (73.77 – 72) ..;- 2.22//56 = 5.95, program tarafından da yazdırılır.

Test istatistiği, n – 1 = 55 serbestlik derecesi ile t dağılımının yüzde puanları ile karşılaştırılır. Ders kitabındaki tablodan, iki uçlu bir testin %5 düzeyindeki anlamlılık puanları yaklaşık olarak -2.01 ve 2.01’dir. Boş hipotez reddedilir; ortalama yüksekliğin 6 fiti aştığı sonucuna varıyoruz. (%5 düzeyinde tek uçlu bir test yapıyor olsaydık, anlamlılık noktasının mutlak değeri 1.671 ile 1.684 arasında olurdu.) Alternatif olarak SPSS tarafından basılan P değerini kullanabiliriz. Bu, Bölüm 11.4’te açıklanmıştır.

İki Kuyruklu Testlerin Güven Aralıklarıyla İlişkisi

İki kuyruklu testler ve güven aralıkları arasındaki ilişki basittir. Bir değişken için(1-a) güven aralığı içindeki ILolies, o zaman bir anlamlılık düzeyinde geçersiz hipotez reddedilmeyecektir. Tersine, /Lo aralık içinde değilse, o zaman boş hipotez reddedilir.

Futbolcuların boylarının analizinden çıktıya dönün. Örnek ortalaması ile 1-‘0 (72 inç) arasındaki fark için %95 güven aralığı sol alt köşede görüntülenir. (Not: %95 varsayılandır; Tek Örnek T Testi iletişim kutusunun Seçenekler düğmesine tıklayarak bu değeri değiştirebilirsiniz.) Aralık içinde 0 varsa, Ho kabul edilir. Bu örnekte, aralık 1,17 inç ile 2,36 inç arasında değişmektedir; 0 bu aralıkta olmadığı için Ho %5 düzeyinde reddedilir.

Parametrik ve nonparametrik testler örnekleri
Hipotez testleri örnekleri pdf
Önemlilik testi nedir
Parametrik test örnekleri
Parametrik testler
Parametrik testler özellikleri
Nonparametrik testler nedir
parametrik ve nonparametrik testler – pdf

P Değerleri: Önem Testlerini Rapor Etmenin Başka Bir Yolu

P değeri, sıfır hipotezinin doğru olduğu göz önüne alındığında, verilen bir test istatistiğinden daha uç bir değer elde etme olasılığıdır. SPSS gibi bir bilgisayar programı uygun bir P değeri yazdırdığında, artık normal veya t tablosundaki anlamlılık nokta(lar)ını aramaya gerek yoktur. Bu kılavuzda, SPSS tarafından doğru bir şekilde üretildiğinde P değerlerini yorumlayacağız. SPSS belirli bir prosedür için bir P değeri üretmediğinde, karşılık gelen olasılık dağılımından anlamlılık noktasının/noktalarının ve P değerinin/değerlerinin nasıl elde edileceğini gösteriyoruz.

Popülasyon Standart Sapması Bilindiğinde Ortalama Testi

SPSS, popülasyon standart sapması bilindiğinde uygun bir anlamlılık testi hesaplamadığından, rapor edilen P değeri de uygun değildir. 

Popülasyon Standart Sapması Bilinmediğinde Ortalama Testi

SPSS, popülasyon standart sapması bilinmediğinde bir ortalama için t-testini gerçekleştirir. Ayrıca, bu testle ilişkili iki kuyruklu bir P değeri bildirir. Futbolcuların boy testi çıktısını gösterir. “2-Tail Sig” etiketli sütun bu test için P değeridir. P değerinin .000 olarak listelendiğini fark edeceksiniz.

P değerinin tam olarak O’ya eşit olması mümkün değildir. Bunun yerine, bu değerin .0005’ten küçük olduğunu gösterir ve üç anlamlı basamağa yuvarlandığı için 0 olarak görünür. (Gerçek değer .0005’ten büyük ve .0015’ten küçük olsaydı, yuvarlanır ve çıktıda .001 olarak görünürdü.)

Bu P değeri, sıfır hipotezi doğruysa (futbolcular ortalama olarak 6 fit boyundaydı), o zaman mutlak değeri 5,95 veya daha büyük olan bir test istatistiği elde etme olasılığının ,0005’ten az olduğunu gösterir. Bu, .0005’ten büyük herhangi bir düzey için boş hipotezi reddedeceğimiz anlamına gelir. Bu nedenle, test istatistiğini hesaplamak ve hipotez testini gerçekleştirmek için SPSS’yi kullandığımızda, P değerini önceden belirlenmiş bir seviyemizle karşılaştırırdık. P < a ise, boş hipotez reddedilir.

SPSS, iki kuyruklu testler için yalnızca P değerlerini bildirir. Tek kuyruklu bir test yapıyorsak, yalnızca t dağılımının üst (veya alt) kuyruğuyla ilgileniriz. Bu durumda, elde edilen doğru anlamlılık düzeyini elde etmek için, P değeri 2’ye bölünmelidir. Tek kuyruklu bir test yapılırken sıfır hipotezini reddetmek için, elde edilen bu anlamlılık düzeyi (P12) a’dan küçük olmalıdır ve örnek ortalaması, alternatif hipotez (HI) tarafından belirtilen yönde olmalıdır. Yükseklik örneğine tekrar bakın.

Ho: /J- S; sıfır hipotezini test etmek istediğimizi varsayalım. HI: /J- > 72 alternatifine karşı 72, a = .05 kullanılarak. SPSS tarafından rapor edilen P değeri P < .0005’tir. P’yi 2’ye böleriz ve elde edilen anlamlılık seviyesinin .00025’ten az olduğunu buluruz. Bu, (.05) değerinden küçüktür ve örnek ortalaması (73.77) 72 inçten büyüktür. Böylece, Ho’yu reddediyoruz ve futbolcuların ortalama olarak 6 fitten daha uzun olduğu sonucuna varıyoruz.

Bir Orantı Hakkında Hipotezlerin Test Edilmesi

SPSS’deki Binom prosedürünü kullanarak bir orantı hakkındaki hipotezleri test edebiliriz. “fire.sav” veri dosyasını kullanarak, beyaz başvuranların oranının, yaklaşık %74 olan ulusal nüfus oranından daha az olduğu hipotezini test edelim. Hipotezler Ho: p ~ şeklindedir. 74 ve HI: p < .74. Veri dosyasını açtıktan sonra:

(1) Menü çubuğundan İstatistikler’e tıklayın.
(2) Açılır menüden Parametrik Olmayan Testler’e tıklayın.
(3) Binom Testi iletişim kutusunu açmak için açılır menüden Binom’a tıklayın.
(4) Sağ ok düğmesini kullanarak “yarış” değişkenini Test Değişken Listesi kutusuna tıklayın ve taşıyın.
(5) Tip. 74 Test Oranı: kutusunda. Bu Po’yu temsil eder.
(6) Prosedürü çalıştırmak için Tamam’a tıklayın.

Çıktı listesi  gösterilmektedir. Test Oranı, 5. adımda girdiğiniz Po’dur. Prop., veri dosyasındaki (17/28) 1 değerine sahip vakaların oranını temsil eder. (SPSS’nin her zaman daha fazla vaka sayısına sahip değişkenin değerini kullanarak oranı hesapladığını unutmayın. Bu nedenle, uygun test oranını girmeye dikkat etmelisiniz. )

Çıktı ayrıca binom dağılımına normal yaklaşımı kullanan tek uçlu P değerini de içerir. Süreklilik düzeltmesi, z istatistiğini hesaplamak için kullanılır. Burada, P = .0827. .05’lik eski bir seviye kullanıyor olsaydık, beyaz başvuranların oranının .74’e eşit veya daha büyük olduğu hipotezini kabul ederdik. (Ho’yu kabul etmeye veya reddetmeye karar vermeden önce gözlemlenen oranın Po’nun üstünde mi yoksa altında mı olduğunu kontrol etmeyi unutmayın.)

The post Önem Testlerini Rapor Etme – SPSS Ödevi Yaptırma – SPSS Analizi Yaptırma Fiyatları – SPSS Örnekleri – Ücretli SPSS Analizi Yaptırma – SPSS Analizi Yaptırma Ücretleri first appeared on Akademi Delisi (Tez Yaptırma).

Önceki örneklerde, iki bağımsız örnekten çıkarılan farklılıklara odaklandık. Ancak bazen, zaman içinde iki noktada gözlemlenen tek bir değişkendeki değişiklikle ilgileniyoruz. Örneğin, elli danışanlı bir kilo verme kliniğinin etkinliğini değerlendirmek için, yalnızca tüm grubun toplu kazancını veya kaybını değil, her bireyin yaşadığı değişimi değerlendirmemiz gerekir. Elli müşterinin tümünü programdan önce ve sonra tartarsak, toplamda elli çift ağırlığımız olur.

Böyle bir durumu iki farklı örneği içeren bir örnek olarak değerlendirebiliriz. Bunlara bazen eşleştirilmiş örnekler, tekrarlanan ölçümler veya eşleştirilmiş gözlemler denir. Örneklerdeki denekler aynı olduğundan, numunedeki her bir denek için gözlemleri eşleştiririz ve iki ardışık gözlem veya ölçüm arasındaki farka odaklanırız. Bu test için gerekli olan tek varsayım, farklılıkların normal dağıldığıdır.

Swimmer2 adlı dosyayı açın.

Bu dosya, bir lise yüzme takımı için yüzme karşılaşma sonuçlarını içerir. Her yüzücü bir veya daha fazla farklı etkinlikte yarıştı ve her bir etkinlik için dosya, yüzücünün ilk ve son “tur” veya o yarışmadaki deneme süresini içerir. Antrenör, 100 metre serbest stil müsabakasındaki yüzücülerin ilk ve son yarışları arasında gelişip gelişmediğini bilmek ister. Başka bir deyişle, ikinci seferlerinin ilk seferlerinden daha hızlı (düşük) olup olmadığını görmek istiyor.

Spesifik olarak, koç her öğrenci için birinci ve ikinci kez arasındaki farkla ilgilenir. Sürelerin azaldığını gösteren kanıt olup olmadığını görmek için bir test yapıyoruz; Bu, bizi testi yapmaya iten şüphedir. Bu nedenle, bu testte, sıfır hipotezimiz tam tersidir, yani hiçbir değişiklik olmamıştır.

μD, birinci ve ikinci zamanlar arasındaki ortalama farka eşit olsun.
H0: μD ≤ 0 [kez azalmadı] HA: μD > 0 [kez azalmadı]

Her yüzücüyü defalarca gözlemlemiş olmamız, örneklerin bağımsız olmadığı anlamına gelir. Muhtemelen, bir öğrencinin ikinci seferi, ilk seferi ile ilgilidir. Bu eşleştirilmiş gözlemleri bağımsız örneklerle yaptığımızdan farklı şekilde ele alıyoruz.

Analiz Et Karşılaştır Eşleştirilmiş-Örnek T Testi Ortalamaları… 100 Serbest Stil 1 ve ardından 100 Serbest Stil 2 değişkenini seçin. İletişim kutusu aşağıdaki gibi görünmelidir ve sonuçlar aşağıda gösterilmiştir.

Her olayın ortalamasını, iki değişken arasındaki korelasyonu ve ırklar arasındaki ortalama fark için test sonuçlarını buluyoruz. Ortalama olarak, yüzücüler sürelerini 5,9931 saniye iyileştirdi; test istatistiği (t) +4.785’tir ve P-değeri yaklaşık olarak 0’dır. Test istatistiğini ve P-değerini tıpkı tek örnek durumunda yaptığımız gibi yorumlarız.

Ne sonuca varıyorsun? Gözlenen fark istatistiksel olarak anlamlı mıydı? Nasıl karar verirsin?

Bağımlı örneklem nedir
Bağımlı bağımsız örneklem nedir
Tek ve çift yönlü hipotez örnekleri
Hipotez testleri örnekleri pdf
H0 hipotezi örnekleri
Parametrik test örnekleri
Bağımlı örneklem t testi örnekleri
H0 ve H1 hipotezi örnekleri

Daha önce belirtildiği gibi, bunu eşleştirilmiş örnek t testi olarak doğru bir şekilde ele alıyoruz. Fakat verileri (yanlışlıkla) iki bağımsız örnek olarak ele alırsak ne olur? Bunu yapmak, veri dosyasını önemli ölçüde yeniden düzenlemeyi gerektirir, bu yüzden bunu bağımsız bir numune testi olarak ayarlamanın sonuçlarına bakacağız. Sonuçlar burada:

Bu sonuç öncekiyle nasıl karşılaştırılır? Bu testin doğru versiyonunda, büyük ve anlamlı bir artış gördük – t istatistiği neredeyse 5’ti. Bu sonuç neden bu kadar farklı?

Biraz farklı koşullar altında, iki test sonucu arasındaki fark çok büyük olabilir. Bu örnek, belirli bir durumda hangi testin uygulanacağını bilmenin önemini göstermektedir. Herhangi bir yazılım paketi, hesaplamaları her iki şekilde de gerçekleştirebilir, ancak hangi yöntemin uygun olduğunu bilmek analistin sorumluluğundadır. Gördüğünüz gibi, “doğru” yapmak bir fark yaratır – uygun olmayan bir testin merceğinden bakıldığında büyük bir etki neredeyse “kaybolur”.

Aşağıdaki araştırma sorularını yanıtlamak için bu laboratuvarda sunulan teknikleri kullanın. Uygun test istatistiklerine ve P-değerlerine atıfta bulunarak sonuçlarınızı gerekçelendirin. Test prosedürü seçiminizi açıklayın. Aksi belirtilmedikçe, α = .05 kullanın.

Öğrenci

Bu testleri gerçekleştirmeden önce, testi yaptığınızda ne görmeyi umduğunuza dair kısa bir tahmin yazın. Her sorun için neden önemli farklılıklar bulmayı bekleyebileceğinizi veya bekleyemeyeceğinizi açıklayın.

1. Taşıt ve konut sakinleri önemli ölçüde farklı ortalama notlar alıyorlar mı?
2. Araç sahipleri, araç sahibi olmayanlara göre ortalama olarak önemli ölçüde daha az kaza mı yaşıyor?
3. Köpek sahiplerinin, sahip olmayanlara göre daha az kardeşi var mı?
4. Birçok öğrencinin okuldayken yarı zamanlı işleri vardır. Bu tür işlerde çalışan kadın ve erkeklerin ortalama çalışma saatleri arasında anlamlı bir fark var mıdır? (Çalışma saatleri dışında olan öğrencileri hariç tutun.)

Kolejler2007

5. Aşağıda listelenen değişkenlerin her biri için, devlet ve özel kolejler için ortalamalar arasında neden önemli farklılıklar bulmayı bekleyebileceğinizi açıklayın. Ardından, devlet ve özel kolejler arasında önemli bir fark olup olmadığını test edin. Varyans varsayımının homojenliğini değerlendirdiğinizden emin olun.

• Akranlar tarafından verilen ortalama puan
• İlk %10’luk dilimde yer alan birinci sınıf öğrencilerinin yüzdesi
lise sınıfı
• Öğrenci:Fakülte oranı
• Kabul oranı
• Dört yıl içinde mezun olan öğrencilerin yüzdesi
• Bağış yapan mezunların yüzdesi

6. Bireysel yüzücüler, 50 metre serbest stilde birinci ve ikinci kaydedilen zamanlar arasındaki performanslarını önemli ölçüde iyileştiriyor mu?
7. 50 metre serbestte yarışan yüzücüler ikinci yarışlarında 50 metre sırtüstüne göre daha hızlı yüzüyorlar mı?
Suçlu
8. Burada, su kaynakları alt bölgelerinin 1985 ve 1990 yılları arasında sulama iletim kayıplarını (yani sızıntıları) azaltabildiğine dair istatistiksel olarak anlamlı bir kanıt var mı?

9. 1985 ile 1990 yılları arasında kişi başına ortalama su kullanımı önemli ölçüde değişti mi?

10. Bu dosyadaki değişkenlerden ikisi (rgdpch ve rgdp88) 1990 ve 1988’de kişi başına reel Gayri Safi Yurtiçi Hasıla’yı (GSYİH) ölçmektedir. 1988 ve 1990 yılları arasında kişi başına düşen GSYİH’nın arttığına dair istatistiksel olarak anlamlı bir kanıt var mı?
11. Ortalama olarak, bu 42 ülke GSYİH’lerinin hükümet harcamalarına ayırdıklarından daha fazlasını mı yatırma eğilimindeler?

GSS2004

12. Kadın ve erkeklerin TV izleyerek geçirdikleri süre arasında istatistiksel olarak anlamlı bir fark var mı?
13. Evli ve bekar kişilerin televizyon izleme süreleri arasında istatistiksel olarak anlamlı bir fark var mıdır? (Buradaki iki grubu temsil etmek için yeni bir değişken oluşturmanız gerekecek.)

BP

14. Ebeveynlerinde hipertansiyon öyküsü olan denekler, ebeveyn öyküsü olmayan deneklerden önemli ölçüde daha yüksek istirahat sistolik kan basıncına sahip midir?
15. Ebeveynlerinde hipertansiyon öyküsü olan denekler, ebeveyn öyküsü olmayan deneklerden önemli ölçüde daha yüksek istirahat diyastolik kan basıncına sahip midir?

The post Eşli ve Bağımsız Örnekler – SPSS Ödevi Yaptırma – SPSS Analizi Yaptırma Fiyatları – SPSS Örnekleri – Ücretli SPSS Analizi Yaptırma – SPSS Analizi Yaptırma Ücretleri first appeared on Akademi Delisi (Tez Yaptırma).

Çıktı ayrıca, çoklu korelasyon hakkındaki bilgilerin altında bulunan ANOVA (Varyans Analizi) etiketli bir tablo içerir. Bu, modelin (bağımlı değişkeni tahmin etmede bağımsız değişkenler kümesinin) öneminin bir testidir. Boş hipotez, tüm bağımsız değişkenler kümesinin bağımlı değişkenle önemli ölçüde ilişkili olmadığını belirtir. Sig. sütun, modelin anlamlılık testi için P değerini temsil eder. Bu durumda, P < .0005, dolayısıyla bağımsız değişkenin bağımlı değişkenle önemli ölçüde ilişkili olduğu sonucuna varırız.

Diğer sütunlar, ayrıntıyı ve P değerinin belirlendiği yapı taşlarını sağlar. Regresyon karelerinin toplamının (8309.56) serbestlik derecesi sayısına (1) bölümü, F oranının payı olan Regresyon için Ortalama Kare (8309.56)’dır.

Artık (1373.95) olarak etiketlenen karelerin toplamı, tahmin edilen değerler ile y’nin gerçek değerleri arasındaki kare farklarının toplamı, yani regresyon çizgisi etrafındaki verilerin kare sapmalarının toplamıdır. Bunlar, varyasyon oranı istatistiğini, r2’yi vermek üzere birleştirilir.

Kalan karelerin serbestlik derecesi sayısına bölünmesi (7) artıkların varyansı, Ortalama Kare etiketli sütunda 196,28’dir. Bu değerin karekökü olan 14.01, sy.x tahmininin standart hatasıdır. F oranı, bu iki ortalama karenin oranıdır.

H0: = 0 ve H1: 0 hipotezlerinin bir testi için Önem Testi Regresyon çıktısının Katsayılar tablosunda verilmiştir. t istatistiği t 9.23 6.507’dir. Sig altında listelenen P değeri, 1.418. çıktıda, .000’dir. Bu, çoğu potansiyel değerden (örneğin, .05 veya .01 veya hatta .001) daha küçük olduğundan, H0 reddedilir.

Bu örneklem tarafından temsil edilen ilçe popülasyonunda maruz kalma ile kanser ölümleri arasında sıfır olmayan (pozitif) bir ilişki olduğu sonucuna varıyoruz.

Bu çalışmanın başlangıcında, araştırmacıların pozitif bir ilişkinin bulunabileceğine inanmak için nedenleri vardı. Bu nedenle, H0: 0 ve H1: > 0 ile tek kuyruklu bir test uygun olurdu. SPSS tarafından yazdırılan P değeri iki kuyruklu bir test içindir. H0’ı tek taraflı bir alternatif lehine reddetmek için, P/2’den küçük olmalı ve regresyon ağırlığının işareti H1 ile tutarlı olmalıdır. Bu örnekte her iki koşul da karşılanmaktadır ve tek kuyruklu bir testte de H0 reddedilmektedir.

Dikkatli okuyucu, bu t değeri ve P’nin, korelasyon katsayısı testi için olduğu gibi anlamlılık testinde de aynı olduğunu fark edebilir. Bir çalışmada yalnızca bir sayısal bağımsız değişken ve bir sayısal bağımlı değişken olduğunda, regresyon katsayısı ve korelasyon katsayısı aynı işarete (+ veya -) sahiptir ve anlamlılık testleri aynıdır.

ÖNEMLİLİK testi
Parametrik Hipotez testleri
Parametrik testler
Nonparametrik testler nedir
Parametrik test örnekleri
Parametrik testler nedir
Parametrik ve nonparametrik testler
Parametrik ve nonparametrik testler örnekleri

Regresyon Denklemini Tahmin Etme

Regresyon çizgisinin kesişim ve eğiminin en küçük kareler tahminleri, çıktının Katsayılar tablosunda (Şekil 13.4) Standart Olmayan Katsayılar başlığı altında görüntülenir. B başlıklı sütunda iki değer listelenmiştir; bunlar sırasıyla kesme (a, 114.716) ve regresyon ağırlığıdır (b, 9.231). En küçük kareler doğrusu denklemi böylece y = 114.716 + 9.231x olur. (SPSS’nin saçılım grafiğine regresyon çizgisini eklemesi için talimatlar daha sonraki bir bölümde verilmiştir.)

SPSS ayrıca çıktıda Beta olarak etiketlenmiş, Standardize Katsayı adı verilen bir form yazdırır. Standartlaştırılmış ağırlık, x’teki bir standart sapma değişikliği ile ilişkili y’deki standart sapma değişikliğinin sayısıdır. Bu nedenle, bu örnekte, maruziyetteki bir standart sapma artışı, kanser mortalitesinde 0.93 standart sapma artışıyla ilişkilidir – büyük bir etki.

x ve y birimleri tanıdık olduğunda (örneğin, gelir, zaman, vücut ağırlığı) standartlaştırılmamış (“ham”) katsayı kolayca yorumlanır. Ölçekler daha az tanıdık birimlerde olduğunda (örneğin, psikolojik test puanları), standartlaştırılmış ağırlık, x ve y arasındaki ilişkiyi ifade etmenin uygun bir yoludur.

Güven Aralığı seçeneği, çıktıda biri eğim ve diğeri kesişim için olmak üzere iki %95 aralık üretti. Eğim aralığı, maruziyetteki bir birimlik artışın ölüm oranındaki artışla 100.000 kişi yılı başına en az 5.88 ölüm ve belki de 12.59 kadar ek ölümle ilişkili olduğundan %95 emin olduğumuzu gösterir.

Bu değerler, önceden seçilmiş güven aralığını vermek için gereken standart hatanın 9.23’e katları eklenerek ve bundan çıkarılarak elde edildi. Bu örnekte, standart hata 1.42’dir (bkz. Şekil 13.3’teki Std. Error) ve 7 serbestlik dereceli t dağılımından çarpan 2.37’dir.

Regresyon Çizgisini Çizmek

SPSS, bir dağılım grafiği üzerinde en küçük kareler çizgisini (regresyon çizgisi) çizecektir. Bu, arsa oluştururken veya yaptıktan sonra talep edebileceğiniz bir seçenektir. İkinci örnek için şu adımları izleyin:

1. SPSS Chart Editor’ı açmak için dağılım grafiği grafiğine çift tıklayın.
2. Tüm veri noktalarını seçin (tıklayın); vurgulanmış hale gelecekler.
3. Menü çubuğundaki Öğeler’e tıklayın.
4. Açılır menüden Satırı Toplama Sığdır’ı seçin.
5. Linear fit line seçeneği seçili olarak Özellikler iletişim kutusu açılacaktır. Kapat’ı tıklatarak bu varsayılanı kabul edin.
6. Grafik Düzenleme Penceresini kapatmak için sağ üst köşedeki X’e tıklayın.

BAŞKA BİR ÖRNEK: X VE Y’NİN TERS İLİŞKİSİ

Başka bir örnek olarak, bir otomobilin hızlanma gürültüsü ile otoyolun bir bölümü için hız arasındaki ilişki hakkında veri içeren “noise.sav” veri dosyasını açın. Bağımlı değişken (y) olarak hızlanma gürültüsü ve bağımsız değişken (x) olarak hız (mph) ile bir dağılım grafiği (regresyon çizgisi üst üste bindirilmiş olarak) yapın ve (tanımlayıcı istatistikler dahil) basit bir regresyon analizi yapın. Her iki prosedürden elde ettiğiniz çıktı göz önüne alınır.

Hız ve ivme gürültüsü arasında ters bir ilişki olduğuna dikkat edin. Bunu ilk önce negatif korelasyonla (–0.818) görüyoruz, bu da güçlü, negatif bir doğrusal ilişkiye işaret ediyor. Ters ilişki, saçılım grafiğindeki doğrunun negatif eğimi ile de gösterilir. Dağılım grafiği ayrıca belirgin bir aykırı değer olmadığını da gösterir.

Sig etiketi altında verilen P değeri. .000’dir, bu da P < .0005 anlamına gelir; gürültü, otoyoldaki hız ile önemli ölçüde ters orantılıdır. Gürültü ile hız arasında önemli bir negatif ilişkimiz olduğu göz önüne alındığında, ilişkinin gücünü soruyoruz. Hız bilinen birimlerle (mil/saat veya mph) ölçüldüğü için standartlaştırılmamış regresyon ağırlığını (çıktıda B etiketli) yorumlamayı tercih edebiliriz. Bu bize, otoyolun bazı bölümlerinde ortalama hızdaki her 1 mph’lik artışın, hızlanma gürültüsünde .031 birimlik bir azalma ile ilişkili olduğunu söyler.

Hız ve gürültü arasındaki ilişkinin güçlü ve olumsuz olduğunu zaten gördük. Ek olarak, regresyon analizinin ürettiği çıktı, korelasyonun karesinin 0.669 olduğunu göstermektedir. (Birden çok R’nin korelasyonun mutlak değeri olduğunu hatırlayın.) Böylece gürültü seviyesindeki değişkenliğin %66,9’u hız ile açıklanır ve %100’den çıkarıldığında gürültü seviyesindeki değişimin %33.1’i yer alır.

The post Model için Önem Testi – SPSS Ödevi Yaptırma – SPSS Analizi Yaptırma Fiyatları – SPSS Örnekleri – Ücretli SPSS Analizi Yaptırma – SPSS Analizi Yaptırma Ücretleri first appeared on Akademi Delisi (Tez Yaptırma).