Örneklemimizin popülasyona tam olarak benzememesinin her türlü nedeni var. Örneklerimizin istatistiksel tablolarda listelenenler gibi dağılımlara benzememesinin kesinlikle sayısız nedeni vardır.

Ama ya çok sayıda örneğimiz olsaydı? Birden fazla örnekle, bir dağıtım oluşturabiliriz ve vekil yoluyla dağıtımı taklit etmek için çan eğrisine veya diğer dağıtımlara ihtiyacımız olmaz. (Bazıları, bilinen dağılımlarla yaptığımız şeyi, kenar çubuğunda kısaca tartışıldığı gibi “hayali tekrarlar” yoluyla örnekleme dağılımları oluşturmak olarak tanımladı.)

50 yıllık sel gibi aykırı değerler bazı yeniden örneklerde bulunabilir, ancak diğer örnekler tarafından sağlanan bağlam (50 yıllık sel içermeyen yeniden örnekler) aykırı değerin etkisini azaltır. Analistler olarak, bizi bir aykırı değere karşı uyarmak için her zaman kişisel deneyimin (sel sırasında yerel bir sakin olmak gibi) avantajına sahip değiliz. Bunun yerine, sık sık onu tutma ya da düşürme kararıyla mücadele ederiz.

Önyüklemenin arkasındaki temel teknik olan yeniden örnekleme, aykırı değerleri daha uygun bir bağlama yerleştirir, normallik varsayımlarını karşılama ihtiyacını ortadan kaldırır ve daha sağlam istatistikler üretir. Bu her derde deva değil önyargılar ve aykırı değerler bizi etkilemeye devam edecek ve diğer varsayımlar gerekli olmaya devam edecek, ancak standart seçenekler sorunlu olduğunda harika bir seçenektir ve ön yükleme seçeneğini analizimizin hedef kitlesine açıklamak kavramsal olarak kolaydır. Nihayetinde, neyin tipik, neyin atipik olduğunu ve güven aralığımızın ne kadar geniş olması gerektiğini belirlemenin başka bir yoludur.

Önyükleme, kitabın bu ana bölümünün tüm temasını açmanın da ilginç bir yoludur. Neden olağan İstatistik 101 yaklaşımı olmayan bir yaklaşımı benimsemeyi düşünelim? Ana motivasyonlardan biri “kuralları çiğnemekten” kaçınmak gibi görünüyor, ancak normallik varsayımlarının çoğu zaman karşılanmadığını hepimiz biliyoruz. Neden varsayımlardan tamamen kaçınmıyorsunuz?

Önyükleme durumunda, uç bir çözüm düşünebiliriz. Neden her zaman önyüklemeyi kullanmıyorsunuz ve bir daha asla dağıtım varsayımları hakkında endişelenmenize gerek yok? Geçmiş yıllardaki isteksizlik, kesinlikle hesaplama yoğunluğu sorununu da içeriyordu. Şu anda kariyerinin ortasında olan birçok analist, ilk ev bilgisayarları arasında yer alan ev bilgisayarlarında büyüdü.

Çağdaş akıllı telefonlarımız ve daha az bir dereceye kadar mikrodalga fırınlarımız ve termostatlarımız bile en eskileri için ciddi bir rekabet olurdu. 90’ların sonlarında bir seminer sırasında SPSS’de bu tür bir yaklaşımı denediğimi hatırlıyorum. Basit bir Çapraz Tablo hesaplaması birkaç saat çalıştı ve sonunda çöktü. Aynı hesaplama şimdi mevcut dizüstü bilgisayarımda birkaç saniye içinde kolayca çalıştırılabilir. Birinin bunu 80’lerin sonlarında mı yoksa 70’lerin sonlarında mı yapmaya çalıştığını hayal edin.

Aykırı değer hesaplama
R aykırı değer
Python aykırı değer
Aykırı değer tespiti python
SPSS aykırı değer
box plot, aykırı veriyi tespit etme yöntemlerinden biridir.
Uç değer analizi
Boxplot aykırı değerler

Tabii ki, tek endişe bu değil. Hiç kimse analiz yazılarının anlatısını karmaşık hale getirmek istemez. Ancak, önyükleme durumunda, yaklaşım oldukça basittir. Aslında her zaman, önyüklemeyi anlamanın ve kavramı meslektaşlarımıza öğretmenin, dağıtım varsayımlarını karşıladığımızda yapmaya çalıştığımız şeyin altını çizdiğini düşünmüşümdür.

Önyüklemeyi anlamak ve gerçekleştirmek ve sihirli sayı 1,96’yı ve basit bir ortalama etrafında %95 güven aralığının genişliğini belirlemedeki rolünü düşünmemek imkansızdır. Normal dağılımları ve bunları varsayan testleri daha somut ve daha az soyut hale getirir.

Bazı lisans ders kitapları, özellikle Laura M. Chihara ve Tim C. Hesterberg tarafından yazılan Yeniden Örnekleme ile Matematiksel İstatistik ve R ile bu yaklaşımı benimsemiştir ve test, metindeki klasik yaklaşımdan önce yeniden örnekleme yöntemini sunmaktadır. İşyerindeki meslektaşlarınıza, özellikle de zaten standart yaklaşımda yeterince temellendirilmemişlerse, önyüklemeyi klasik Fisher hipotez testinden daha kolay açıklamak gerçekten daha kolay olabilir.

NOT: Önyükleme, çok küçük bir örnek için sihirli bir çözüm değildir. Bu tür örneklerde o kadar da doğru olmayacaktır çünkü çok sayıda önyükleme çoğaltması olsa bile mevcut istatistiğin dağılımı hakkında fazla bilgi olmayacaktır. Bunun nedeni, olası boostrap örneklerinin sayısının çok sınırlı olmasıdır. Sonucun kesinliği, yeniden örneklerin sayısından bağımsız olarak örnek boyutu ile sınırlıdır. Ayrıca, boostrap sonuçları klasik yöntemlerle elde edilen sonuçlardan çok farklıysa, verilere dikkatli bir şekilde bakmak faydalı olabilir.

Oranlar

Yedi iş kategorisine sahip bir bankada, bu yedi rolün dağılımına bakmakla ilgileniyoruz. Bir Frekanslar tablosu işi kesinlikle yapabilir, ancak güven aralıkları sunmaz. İşlerin cinsiyet veya azınlık statüsü gibi diğer değişkenlerle ilgili olup olmadığını bilmek istiyorsak, Çapraz Tablolar prosedüründe bir Ki-Kare bağımsızlık testi de talep edebilirdik, ancak yine güven aralıkları konuya ilginç bir ışık tutacaktır. 

Ki-Kare, iki değişkenin (örneğin iş rolü ve cinsiyet) bağımsız olup olmadığını ortaya çıkaracaktır, ancak bazı rollere ilişkin kadın ve erkeklerin güven aralıklarını karşılaştırmak isteyebiliriz. Önyükleme, aksi takdirde SPSS Base’de olmayacak düzinelerce testin etrafına bir güven aralığı eklememize olanak tanır. Sürüm 24 için CTABLES’ın, önceki sürümlerde CTABLES’ta bulunmayan bazı yeni güven aralığı seçeneklerini desteklediğini unutmayın.

Önce, bu bölümün indirmelerinde bulunan Bank.sav veri setindeki iş rollerinin basit dağılımını ele alalım. (Burada atıfta bulunulan veri kümesinin, bazı Yardım örneklerinde kullanılan bir veri kümesine benzediğini, ancak bu veri kümesiyle aynı olmadığını unutmayın.) İstihdam Kategorisi değişkeninin (iş kedisi) basit bir Frekansları, varsayılan ayarlarla gösterilen verileri ortaya çıkarır.

Güven aralıklarını talep etmek için Frekanslar menüsünden Bootstrap alt menüsüne erişmemiz yeterlidir. Bootstrap modülünü içeren bir lisans olmadan alt menünün görünmeyeceğini unutmayın. Alt menü içerisinde seçenekler mevcuttur ancak en önemlisi ön yüklemenin yapılmasını isteyen onay kutusudur.

Ortaya çıkan çıktı oldukça basittir. Frekans bilgilerimiz var, ancak buna güven aralıkları eklenmiş. Aslında, tümü güven aralığıyla ilgili dört yeni sütun eklenmiştir. Önyargı, standart hesaplama ile önyükleme sürümü arasındaki farkın büyüklüğünü gösterir. Gösterildiği gibi, Önyargı her durumda sıfıra yakındır.

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

Verilerin toplandığı kategorik bir değişkenin seviyelerine göre tek değişkenli aykırı değerleri incelemek genellikle yararlıdır. Bunu cinsiyet değişkenini kullanarak gösteriyoruz. Ana menüden, gösterilen IBM SPSS Keşfet ana iletişim penceresini oluşturan Analiz Et ➔ Tanımlayıcı İstatistikler ➔ Keşfet’i seçin.

Analizi tam olarak açıklandığı gibi yapılandırıyoruz, ancak şu istisna dışında: değişken listesinden GAF değişkenini Bağımlı Liste paneline taşıdık ve cinsiyet değişkenini Faktör Listesi paneline taşıdık. Analizimize bir Faktör ekleyerek, çıktının her bir kısmı, Faktörün her seviyesi için ayrı ayrı sağlanacaktır (örneğimizde kadınlar ve erkekler için ayrı ayrı).

ANALİZ ÇIKTIĞI: CİNSİYETİN KATEGORİ DEĞİŞKENLERİNİN DİKKATE ALINMASI

Şekil 18.8’deki en üstteki tablo, Vaka İşleme Özetini kadınlar ve erkekler için ayrı ayrı sunmaktadır. Eksik değerleri olmayan 11 kadın ve 14 erkek olduğunu not ediyoruz. Alt tablo, her bir değere karşılık gelen durum numarasıyla birlikte, GAF değişkeninde kadınlar ve erkekler için ayrı ayrı en yüksek beş ve en düşük beş değeri sağlayan Uç Değerler çıktısını sunar. Çıktıdan, bir bütün olarak örnek için çıktıdaki en yüksek (GAF puanı 70) ve en düşük (20 GAF puanı) değerlerin kadınlarla ilişkili olduğunu görüyoruz. IBM SPSS ayrıca tablodaki beşinci sıradaki değerlerden bazılarının dağılımda 1’den büyük bir sıklığa sahip olduğunu dipnot yoluyla bize bildirir.

Yanıtlayan cinsiyete göre ayrı ayrı GAF için kutu grafiklerini sunar. Bu kutu grafiklerinden, Uç Değerler çıktısını inceleyerek öğrendiklerimizin görsel tasvirini görüyoruz, yani daha önce tanımlanan her iki tek değişkenli aykırı değer bulundu. Kadın cevaplayıcılar arasında Şimdi bir daire Vaka Numarası 4 için GAF puanını temsil etmektedir. Bunun nedeni, 20’lik GAF puanı için referans çerçevesi olan IQR’nin yalnızca kadın danışanlara dayalı olması ve böyle bir puanın 3,0 IQR aralığının içine girmesidir. 

Bu çıktı önemli bir konuyu gündeme getiriyor. Araştırmacılar, en azından kısmen kutu grafiği sonuçlarına dayanarak, aykırı değerlere sahip durumları sonraki analizlerden çıkarmaya karar verebilir. Eğer öyleyse, bir bütün olarak numunenin sonuçları üzerinde bunu yapmalarını öneririz. Araştırmacıların, kategorik değişkenin ayrı düzeylerini incelemeye dayalı sonuçları, katma değerli bilgi olarak değerlendirdiği kanaatindeyiz. Skorların sadece bir kısmına dayanan değişkenlik ölçüleri daha az kararlıdır ve vakaların kaldırılmasıyla ilgili kararların verilerin yalnızca bir alt kümesini dikkate alarak alınması tavsiye edilmez.

Çok Değişkenli Aykırı Değerleri Tespit Etme

Çok değişkenli aykırı değerler, iki veya daha fazla değişken üzerinde aşırı bir değer kombinasyonuna sahip durumlardır. Bu tür aykırı değerlerin saptanması, bir anlamda, tek değişkenli aykırı değerlerin saptanmasından daha “inceliklidir” çünkü çok değişkenli aykırı değeri oluşturan değişkenlerin kombinasyonu, veri setinde, tek bir aykırı değerin değerlerinin listelenmesinde tek değişkenli bir aykırı değeri tanımak kadar kolayca belirgin değildir. değişken. Çok değişkenli aykırı değerleri tanımlamanın daha az belirgin olan doğasına ek olarak, bir vakanın çok değişkenli aykırı değere bağlı değişkenlerin hiçbirinde tek değişkenli aykırı değer olamayabilmesidir.

Örneğin, bir yaş değişkenimiz ve bireylerin yaşamları boyunca yayınladıkları akademik hakemli dergi makalelerinin sayısını temsil eden bir değişkenimiz olabilir. Yaş 13 ila 75 arasında olabilir ve yayın sayısı 0 ila 210 arasında olabilir. Bu bireysel değişkenlerin dağılımı (örneğin, minimum ve maksimum değerleri) özellikle dikkate değer veya olağandışı olmayabilir, ancak 14 yaşında ve 147 yayın büyük olasılıkla çok değişkenli bir aykırı değer olacaktır, çünkü bu durum bir çocuk dahisiydi veya (daha büyük olasılıkla) bu değerlerden biri bir veri girişi (veya veri kaydı) hatasını temsil ediyordu.

Aykırı değer Tespiti
R aykırı değer
Aykırı değer formülü
Aşırı değer
Aykırı veri tipleri
Aykırı Değer python
Uç değerlerin çıkarılması
Standart sapma aykırı değerlerden etkilenir mi

MAHALANOBİS UZAKLIĞI

Çok değişkenli aykırı değerleri belirlemek için kullanılan yaygın bir prosedür, her bir durumla ilişkili Mahalanobis mesafesini hesaplamaktır. Mahalanobis mesafesi iki nokta arasındaki çok değişkenli mesafedir ve en kolay şekilde iki değişkenli bir dağılım grafiği göz önüne alınarak hayal edilebilir. Geleneksel bir dağılım grafiğinde, X ve Y eksenleri 90 derecede kesişir ve durumlar, X ve Y koordinatlarına karşılık gelen veri noktalarıyla gösterilir.

Bu dağılım grafiğinin merkezinin X,Y koordinatını bulmak mümkündür. Bu merkezi konum, bir ağırlık merkezi olarak bilinir ve çok değişkenli bir ortalama veya çok değişkenli koordinat dağılımının ortalaması olarak düşünülebilir. Merkez ile diğer veri noktalarından herhangi biri (örneğin bir cetvel kullanarak) arasındaki mesafeye Öklid mesafesi denir.

Mesafeyi ölçmek için Mahalanobis uzaklık stratejisini uyguladığımızda süreç, değişkenler arasındaki korelasyonu hesaba katar. İki değişkenin basitleştirilmiş durumunda, eğer iki değişken korelasyonlu olsaydı, eksenler 90 derecede kesişmezdi ve bu nedenle dağılım grafiği, geleneksel dağılım grafiğimizden biraz farklı bir şekil alırdı. Merkez ile diğer veri noktalarından herhangi biri arasındaki mesafeye Mahalanobis mesafesi denir. Bir z puanına benzer şekilde ancak çok değişkenli bir şekilde ölçeklenir.

Mahalanobis mesafelerinin çok uygun bir özelliği, kare değerlerinin, çok değişkenli kombinasyonun dayandığı değişkenlerin sayısına eşit serbestlik dereceli bir ki-kare dağılımı ile yaklaşık olarak tanımlanabilmesidir. Doğrusal Regresyon prosedürü, belirli bir dizi değişkene dayalı olarak her bir durum için Mahalanobis mesafesinin karesini hesaplamak için kullanılabilir.

Daha sonra, dahil edilen çok sayıda değerlendirme (her durum için bir tane) nedeniyle, .001’lik katı bir alfa seviyesi kullanarak uygun ki-kare dağılımına karşı bu değerleri istatistiksel anlamlılık açısından değerlendiririz. Mahalanobis mesafesinin karesi kritik ki-kare değerini aşan durumlar, çok değişkenli aykırı değerler olarak kabul edilebilir ve sonraki veri analizlerinden dışlanmak için olası adaylar haline gelebilir.

SAYISAL ÖRNEK

Mevcut örnek, ruh sağlığı müşterilerinin GAF puanlarını, cinsiyetlerini (cinsiyetlerini) ve yaşlarını incelemektedir. Linear Regresyon prosedürünü kullanarak Mahalanobis mesafe değerlerini üretiyoruz. Daha sonra, uzaklık değerlerini görüntüleyerek ve çok değişkenli aykırı değerleri birincil olarak hangi değişken alt kümesinin ürettiğini teşhis etmeye çalışarak, üç değişkenin bu kombinasyonuna dayanan herhangi bir çok değişkenli aykırı değer olup olmadığını belirleriz. Veriler GAF cinsiyet yaşı adlı dosyada bulunabilir.

The post Aykırı 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).