Gördüğümüz gibi, doğrusal iki değişkenli regresyonlar tam da şudur: bir dizi veri noktasına en iyi uyan düz çizgiler. Ancak düz çizgiler gerçek hayattaki çağrışımları gerçekten yakalayabilir mi? Bu haklı bir soru. Doğrusallığın anlamını daha yakından ele alalım.

Doğrusal ilişkilendirmeler iki tipte gelir:

• Birinci tip lineer veya lineer olmayan regresyon katsayılarını (α, β1, β2,. . ., βk) içerir. Eğer x değerleri için regresyon katsayıları sabit kalırsa, parametrelerinde lineer olan bir regresyondan söz edilir. Bu durumda, tek bir en küçük kareler regresyonu ile elde edebiliriz. Regresyon katsayıları x değerlerine bağlı olarak değişiyorsa, parametrelerde lineer olmayan bir regresyondan söz edilir. Burada, x ekseninin farklı bölümleri için ayrı en küçük kareler regresyonları hesaplanabilir. Şekil 5.7’deki örnekte, hem sabitler (α 1⁄4 62.22) hem de regresyon katsayıları (β1 1⁄4 1.95 ve β2 1⁄4 0.33) boyunca aynı kaldığından, parametrelerde doğrusal bir regresyona sahibiz. tüm x ekseninin
• İkinci tip, bağımlı y değişkeni üzerinde doğrusal veya doğrusal olmayan bir etki uygulayan bağımsız x değişkenlerini içerirken, regresyon katsayılarının değeri (α, β1, β2,…, βk) sabit kalır. Örneğin, logaritmik bir ilişki görüyoruz. Bu regresyon, lineer olmayan regresyon olarak da bilinen değişkenlerde lineer değildir. Şekil 5.11’de regresyon katsayıları sabit kalırsa, regresyon lineer olmasa da en küçük kareler regresyonu gerçekleştirilebilir.

En küçük kareler regresyonunu kullanarak lineer olmayan ilişkileri de temsil edebiliriz: bir regresyonun düz bir çizgiyle sınırlandırılması gerekmez. Doğrusal olmayan bir ilişkiye sahip değişkenlerle regresyonlara nasıl yaklaşılacağını anlamak için bir örneğe bakalım. Şekil 5.12, aylık satış rakamlarını [10.000 € olarak] ve 27 mağaza lokasyonundaki danışman sayısını göstermektedir. Bu verilerden hesaplanan doğrusal bir regresyon, aşağıdaki regresyon çizgisini üretir.

140 veya daha fazla danışmanın olduğu bir bölgede, regresyon çizgileri satışları olduğundan fazla tahmin ederken, satışları genel olarak olduğundan az tahmin ediyor. Nedeni: x ve y değerleri arasında doğrusal olmayan bir ilişki vardır ve bu da doğrusal olmayan bir regresyon doğrusuna yol açar.

x değişkenini logaritmik bir fonksiyona dönüştürürsek, dağılım grafiğinin formu logaritmik bir regresyon önerir, Şekil 5.13’teki üst dağılım grafiğini elde ederiz. Burada x ekseni danışman sayısını değil, danışman sayısının logaritmik fonksiyonunu izler. Artık regresyon çizgisi, pozitif ve negatif sapmalar regresyon boyunca dönüşümlü olarak değiştiğinden hiçbir sistematik hata içermiyor. Ayrıca, hesaplanan belirleme katsayısı R2 1⁄4 0.97’ye yükselir.

Elbette, x ekseni ölçeğini logaritmik bir fonksiyona dönüştürmemeyi de seçebiliriz (alt dağılım grafiğine bakın) ve yine de dağılım grafiğine logaritmik regresyon girmeyi seçebiliriz. Bu, değişkenler arasındaki doğrusal olmayan ilişkiyi belirgin hale getirir. Regresyon fonksiyonunun cebirsel formu aynı kalır, çünkü fonksiyonel ilişkiyi değil, sadece fonksiyonel ilişkiyi temsil etme şeklimizi değiştirdik (yb 1⁄4 1:7436 lnðxÞ þ 51:61).

Kanserde regresyon nedir
Regresyon analizi PDF
Regresyon analizi yorumlama
Regresyon denklemi
Regresyon Nedir
Regresyon analizi soru ve cevapları
Çoklu regresyon analizi örnekleri
Parametrik olmayan regresyon analizi

Regresyon Teşhisine Yaklaşımlar

Önceki bölümde, bir regresyon fonksiyonu kullanarak birden çok bağımsız değişken ile tek bir bağımlı değişken arasındaki ilişkinin nasıl belirleneceğini öğrendik. Örneğin, belirli bir elbisenin satışlarının yb 1⁄4 62:22 × 1:95 katalog resmi boyutu ± 0:33 önceki satışlar ðt 1Þ denklemiyle tahmin edilebileceğini keşfettik.

Ek olarak, regresyon çizgisinin uyum iyiliği hakkında daha fazla bilgi edinmek için düzeltilmiş determinasyon katsayısını kullandık ve böylece regresyonun kalitesi hakkında bir şeyler söyleyebildik. Bu yolda ilerleyerek, örneğin, iki potansiyel regresyonun kalitesini karşılaştırabiliriz.

Fakat bir regresyondaki sistematik hataları nasıl tespit edebiliriz? Bunu yapmak için, bir iki değişkenli regresyon kullanarak bireysel veri noktalarını bir kez daha ele almalıyız. Her gerçek y değeri, regresyon (yb ) ile tahmin edilen değerin ve beraberindeki hata teriminin (u ) bir kombinasyonu olarak ifade edilebilir.

• y 1⁄4 yb þ u 1⁄4 α þ β x þ u (5.36) iii ii

Bir regresyonda sistematik hatalardan kaçınmak ve kalitesini tahmin etmek için u hata terimi için belirli koşulları tanımlamamız gerekir:

1. Pozitif ve negatif değerler birbirini iptal etmelidir. Koşul, regresyon hesaplamasında otomatik olarak yerine getirilir.

2. Regresyonun bağımsız değişkenleri (x değişkenleri), hata terimi (u) ile ilişkili olmamalıdır. Şekil 5.8’de açıklanan durum – x ekseni sapmalarının yalnızca belirli bir yönde (örn. çizginin üstünde) göründüğü – oluşmamalıdır. Bu, y değerlerinin sistematik olarak fazla veya hafife alındığı anlamına gelir. Aşağıda bu soruna bir çözüm önerilmiştir.

3. Hata terimlerinin korelasyon göstermemesi talebi de benzer bir kriterdir.

Buna otokorelasyon eksikliği durumu denir. Hata terimleri arasında sistematik bir ilişki olmaması gerektiğini söylüyor. Posta siparişi işimizde, 40 santimetre kare veya daha küçük resim boyutlarında ve 60 santimetre kare veya daha büyük resim boyutlarında çoğunlukla pozitif sapmalar ve 40 ila 60 santimetre kare arasındaki resim boyutlarında çoğunlukla olumsuz sapmalar elde edildiğinde bir otokorelasyon meydana gelir.

Otomatik korelasyonlu hata terimleriyle üç olası korelasyonu görüntüler. Açık nedenlerden dolayı, sistematik hatalar hem yöntemler hem de sonuçlar açısından istenmez. Genel olarak, otokorelasyon, model spesifikasyonundaki bir hataya kadar izlenebilir ve bu nedenle, model seçimimizi yeniden gözden geçirmemizi gerektirir. Bunu, doğrusal olmayan fonksiyonel regresyonları dönüştürerek (orantılı olmayan artışlarda olduğu gibi) veya eksik bir değişken ekleyerek (yani, ihmal edilmiş bir etkiyi dikkate alarak) yapabiliriz.

4. Her kullanıcı arabirimi için varyans sabit olmalıdır: Var(ui)1⁄4 σ2. Bu koşul, varyans homojenliği veya homoskedastisite (homo aynı anlamına gelir; scedasticity, varyans anlamına gelir) olarak adlandırılır. Bu koşul yerine getirilmezse, varyans heterojenliğinden veya değişen varyanslılıktan söz edilir.

Bu, veri noktaları x ekseni üzerinde farklı konsantrasyonlarda dağıtıldığında meydana gelir. Sıklıkla, veri noktalarının bu “patlamaları” modeldeki eksik bir değişkenden kaynaklanır. Şekil 5.15, istenmeyen etkinin örneklerini sağlar. Burada da model hata belirtimi açısından kontrol edilmelidir (eksik değişkenler veya hatalı bir işlevsel dağılım seçimi).

Hata terimi u için kalite koşullarını grafiksel bir analiz ile inceleyebiliriz. Ancak bu yaklaşım her zaman yeterli değildir. Uygulamada, istatistikçiler tümevarımsal istatistiklerden test yöntemleri kullanır, ancak bu yöntemlerin tartışılması bu bölümün kapsamı dışındadır.

5. Birden fazla bağımsız x değişkeni olan regresyonlarda, bağımsız x değişkenlerinin ilişkisi olmamalıdır. Bir veya daha fazla x değişkeni arasındaki ilişki çok büyükse, regresyon sonucunu tahrif eden çoklu bağlantı oluşur.

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

A z puanı, ortalanmış bir puanın ayrıntılı bir biçimidir; ortalama üzerinde ortalanır ve herhangi bir z puanı, bir puan ile dağılımın ortalaması arasındaki mesafeyi temsil eder. Basit bir sapma puanından daha ayrıntılıdır çünkü puanın ortalamadan uzaklığı standart sapmaya bölünerek her bir veri noktası ile ortalama arasındaki mesafe standart sapma birimlerinde ifade edilir.
Merkezleme, regresyondaki etkileşim etkileriyle uğraşırken ve çok düzeyli modellemeyi içeren bir analiz gerçekleştirirken yaygın olarak uygulanan bir stratejidir.

Basit doğrusal regresyon bağlamında, merkezleme için iki basit seçenek vardır:

• Ortalama merkezleme (çok seviyeli modelleme bağlamında daha kesin olarak genel ortalama merkezleme olarak adlandırılır), bir değişkenin ham puanlarını, o değişkenin genel ortalamasından sapmalara (mesafelere) dönüştürür. Böyle bir merkezlemede ortalama,

•Dönüştürülmüş dağılımın merkezi ve yeni sıfır değeri olur. Bu bölümde gösterdiğimiz strateji budur. Referans puanı merkezleme, araştırmacılar için muhtemelen özel bir anlamı olan belirli bir puanı referans değeri olarak seçmemizi gerektirir.

Buna örnek olarak, elektrikçi ehliyeti almak için başvuranların yazılı sınavda aldıkları puan; böyle bir sınav puanının, test puanı dağılımının ortalaması olması pek olası değildir, ancak lisanslama sınavı performansına dayalı iş başında performansı öngören bir regresyon çalışmasında referans puan olarak bir eyalet ruhsatlandırma kurumu için aslında daha fazla kullanılabilir. Böyle bir merkezleme, ham puanları bu referans değerinden sapmalara (mesafelere) dönüştürür. Böyle bir merkezlemede, referans puanı dönüştürülmüş dağılımın merkezidir ve yeni sıfır değeri olur.

SAYISAL ÖRNEK

Tıbbi bir çalışmadan elde edilen kurgusal verileri içeren BMI ve nabız hızı adlı veri dosyasını kullanıyoruz. Vücut kitle indeksi, birinin fazla kilolu olup olmadığına karar vermek için kullanılabilir. Adolphe Quetelet bu indeksi ilk olarak 1832’de Quetelet İndeksi olarak geliştirdi ve 1972’de Ancel Keys tarafından vücut kitle indeksi olarak adlandırıldı. Quetelet, ortalama bir insanı tanımlama arayışında, normal eğrinin insan özelliklerine uygulanıp uygulanamayacağını belirlemek istedi.

Vücut kitle indeksi, kilogram cinsinden ağırlığın, metre cinsinden boyun karesine veya eşdeğer olarak, pound cinsinden ağırlığın 703 ile inç cinsinden boyun karesine oranıdır.

Vücut kitle indeksi kategorileri; zayıf olanlar 18,5’ten az, normal olanlar 18,5 ile 24,9 arası, fazla kilolu olanlar 25 ile 29,9 arası, obez olanlar 30 ile 39,9 arası ve morbid obezler 40 ve üzeridir.

Daha yüksek vücut kitle indeksi seviyeleri potansiyel olarak daha büyük bir sağlık riski oluşturur. Sağlık durumunun standart bir göstergesi kalp hızıdır ve vücut kitle indeksi bu sağlık faktörüyle ilişkili olabilir (yani tahmin edebilir). Veri dosyasında, nabız hızı değişkeni altında kalp atış hızını ve 40 medikal hasta için BMI değişkeni altında vücut kitle indeksini kaydettik.

Regresyon hesaplayıcı
Regresyon analizi yorumlama
Basit doğrusal regresyon Analizi
Regresyon denklemi
Regresyon Analizi ders notları
Regresyon analizi makale
Regresyon analizi Varsayımları
Regresyon örnekleri

ANALİZ STRATEJİSİ

Analiz stratejimiz aşağıdaki gibidir:

• Merkezleme işlemini yapabilmemiz için BMI ortalamasını belirlemek için tanımlayıcı bir istatistik prosedürü uyguluyoruz.
• Veri dosyasına yeni bir ortalanmış değişken oluşturmak (ve kaydetmek) için bir Hesaplama prosedürü kullanarak BMI puanlarını ortalarız (her vaka için BMI ortalamasını BMI puanından çıkararak).
• Basit bir lineer regresyon analizinde nabız hızını tahmin etmek için orijinal BMI değişkenini kullanırız, böylece bu sonuçları merkezli analizin sonuçlarıyla karşılaştırabiliriz.
• Basit bir doğrusal regresyonda nabız hızını tahmin etmek için merkezlenmiş BMI değişkenini kullanırız.
merkezli bir prosedürde farkın ne olduğunu göstermek için sion analizi.

ÖNGÖRÜCİ DEĞİŞKEN ÜZERİNE AÇIKLAYICI İSTATİSTİKLER ELDE ETMEK

BMI ve nabız hızı adlı veri dosyasını açıyoruz ve ana menüden Analiz ➔ Tanımlayıcı İstatistikler ➔ Tanımlayıcılar’ı seçiyoruz. BMI’yi gösterildiği gibi Değişken(ler) paneline taşıyoruz. Üretilen varsayılan istatistikler ortalamayı içerdiğinden, analizi gerçekleştirmek için Tamam’a tıklıyoruz.

Analiz sonuçları gösterilir. Buradaki ilgimiz ortalama, yani 25.31. Merkezleme hesaplamamızda, bu değeri her BMI skorundan çıkaracağız.

MERKEZLİ ÖNGÖRÜ DEĞİŞKENİNİN HESAPLANMASI

Bölüm 16’da açıklandığı gibi, ana menüden Transform ➔ Compute Variable’ı seçin. Bu, gösterilen Hesaplama Değişkeni iletişim penceresini açar. Yeni değişkeni Hedef Değişken panelinde BMI_centered olarak adlandırdık. Ardından BMI değişkenini Sayısal İfade paneline taşıdık, eksi işaretine (ikinci sıra, en soldaki tuş) tıkladık ve ardından Sayısal İfade panelinde 25.31 yazdık. Bu ifade, her BMI skorundan 25.31 değerini çıkaracaktır. Prosedürü gerçekleştirmek için Tamam’a tıklayın.

Yeni hesaplanan BMI_merkezli değişkenin yerinde olduğu veri dosyasının bir bölümünün ekran görüntüsü Şekil 25.4’te gösterilmektedir. Örneğin 3 numaralı hasta, -6,31’lik bir BMI_centered değerine sahiptir. Bu değer, hasta 3’ün 19.00 (19,00−25,31 = -6,31) VKİ skorundan 25,31 VKİ ortalaması çıkarılarak elde edildi. Negatif değer skorun ortalamanın altında olduğunu, 6.31 değeri ise skorun ortalamadan 6.31 vücut kitle birimi olduğunu bildirir.

Bir değişkenin dağılımı üzerinde bir merkezleme işleminin etkilerini göstermek için, Tanımlayıcılar prosedüründe (varsayılan istatistiklerden daha fazlasını talep ettiğimiz) hem BMI hem de BMI_centered’ı analiz ettik. Bu analizin sonuçları Şekil 25.5’te gösterilmektedir. Ortalama, BMI için 25.31’den BMI_merkezli için .0000’e kaymıştır ve beraberindeki minimum ve maksimum değerler de değişmiştir (BMI_merkezli değerleri artık ortalamadan sapmalar olduğundan).

Daha da önemlisi, dağılımın temel değişkenlik nitelikleri (standart sapma, çarpıklık ve basıklık), bu merkezleme dönüşümünün bir sonucu olarak orijinal değişkenden değişmez; bu nedenle, ortalanmış dağılım, orijinal ortalamanın etrafındaki orijinal konumundan sıfır merkezli yeni bir konuma sağlam bir şekilde yatay olarak kaydırılır, ancak bunun dışında aynıdır.

ANALİZ KURULUMU: ÖNGÖRÜCÜ OLARAK BMI KULLANILAN BASİT DOĞRUSAL REGRESYON

Ana menüden Analiz ➔ Regresyon ➔ Doğrusal’ı seçiyoruz. Bu, gösterildiği gibi ana Lineer Regresyon penceresini açar. pulse_rate’i Bağımlı panele ve BMI’yi Bağımsız(lar) paneline taşıyoruz.

İstatistikler penceresinde Tahminler, Model uyumu, R kare değişimi, Tanımlayıcılar ve Kısmi ve kısmi korelasyonları kontrol ederiz. Ana iletişim penceresine dönmek için Devam’a tıklayın ve analizi gerçekleştirmek için Tamam’a tıklayın.

ANALİZ KURULUMU: ÖNGÖRÜCÜ OLARAK BMI_CENTERED KULLANARAK BASİT DOĞRUSAL REGRESYON

Analizi tam olarak daha önce açıklandığı gibi kurduk, ancak bir istisna dışında. Bu analizde bağımsız değişken olarak BMI_centered kullanıyoruz.

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

Denekler arası tek yönlü ANOVA kullanılarak regresyon modelinin istatistiksel önemine ilişkin bir test sağlar. ANOVA’da değerlendirilen etki, regresyon modelidir (özet tablosunda Regresyon olarak etiketlenmiştir) ve bir serbestlik derecesine sahiptir, çünkü modelde bu kadar tahmin edici vardır.

Toplam serbestlik derecesi N − 1 veya 414’e eşittir ve hata terimi için 413 serbestlik derecesi bırakılır. Model, önemli miktarda bağımlı değişken varyansını hesaba katar, F(1, 413) = 30.42, p < .001. Regresyon etkisi istatistiksel olarak anlamlı olmasaydı, şanstan daha iyi tahmin edemeyeceğimiz sonucuna varırdık ve bu nedenle bu noktada analiz sonuçlarını incelemeyi bırakırdık.

Bu ANOVA’daki eta kare değeri (ANOVA tasarım ailesinde sıklıkla kullanılan bir etki gücü indeksi), Regresyon etkisi ile ilişkili karelerin toplamına (bu, regresyon modelidir) bölünen karelerin toplamına eşittir. 21.593/314.732 veya .069 veren Toplam varyans; bu, R2 ile aynı değerdir çünkü ANOVA ve doğrusal regresyon, genel doğrusal modelin yalnızca farklı ifadeleridir.

Regresyon modelindeki değişkenin Katsayılarının yanı sıra bazı diğer bilgileri sunar. Tabloda Korelasyonlar başlığı altında verilen üç katsayı vardır.

Bunlar kısaca şu şekilde belirtilmiştir:

• Sıfır Sıra Korelasyon. Bu, tahmin edici ile bağımlı değişken arasındaki Pearson’dır. Hiçbir ortak değişkenin dikkate alınmadığı gerçeğini temsil etmek için sıfır derece olarak etiketlenmiştir. Bir çoklu regresyon analizinde, modeldeki tahmin değişkenleri seti, herhangi bir tahmin edicinin etkisinin değerlendirilmesinde ortak değişkenler olarak hizmet eder.
• Kısmi Korelasyon. Bu, tahmin edici ile modeldeki diğer tahmin ediciler tarafından açıklanmayan varyans arasındaki korelasyondur (artık varyans). Bu modelde başka hiçbir öngörücü olmadan kısmi korelasyon Pearson r’ye eşittir.
• Parça Korelasyonu. Bu, yarı kısmi korelasyonun kısa adıdır. Bu değerin karesi alınmış yarı-kısmi korelasyonu elde etmek için karelenmesi, modelde (genellikle) başka öngörücüler olduğu göz önüne alındığında, bağımlı değişkenin varyansının ne kadarının yalnızca tahmin edici tarafından açıklandığını bize bildirir; yani, karesi alınmış yarı-kısmi korelasyonun, verilen tahmin edici tarafından benzersiz bir şekilde açıklanan bağımlı değişken varyansının miktarını değerlendirdiği söylenir (modeldeki diğer tahmin edicileri hesaba katarak). Yine, bu modelde başka hiçbir tahmin edici olmadan, yarı-kısmi korelasyon Pearson r’ye eşittir.

Y kesişimi (tabloda sabit olarak etiketlenir) ve benlik saygısı için standartlaştırılmamış regresyon katsayısı, her tahmin için standart hata ile birlikte Standart Olmayan Katsayılar altında gösterilir. Benlik saygısı için standartlaştırılmamış (ham puan) regresyon katsayısı .034’tür (bu standartlaştırılmamış modelin eğimidir) ve bir t testi ile değerlendirildiğinde istatistiksel olarak anlamlıdır (p < .001).

Olumlu olduğu için, benlik saygısı ölçüsündeki bir birimlik artışın, egzersiz_bağlılığında 0.034 birimlik bir artışla ilişkili olması beklendiğini söyleyebiliriz. Bu, benlik saygısı puanlarının ortalama 39 ve egzersiz taahhüt puanlarının ortalama 3.4 olduğunu hatırlayana kadar egzersiz bağlılığında çok küçük bir artış gibi görünebilir.

Benlik saygısı için beta (standartlaştırılmış) regresyon katsayısı .262’dir (standartlaştırılmış modelin eğimi); bu aynı zamanda benlik saygısı ile egzersiz_bağlılığı arasındaki Pearson r’nin değeridir. Bu katsayının değerine dayanarak, benlik saygısı ölçüsünde 1,00 z puanlık (bir standart sapma birimi) artışın, egzersiz_bağlılığında ,262 z puan (standart sapma) birimlik bir artışla ilişkilendirilmesinin beklendiğini söyleyebiliriz. .

Standartlaştırılmamış ve standartlaştırılmış katsayılar, regresyon fonksiyonunun eğimini ifade etmenin alternatif ancak karşılaştırılabilir yollarını temsil eder. Sabit, standartlaştırılmamış regresyon denkleminin Y kesişimidir ve bir X puanı sıfır için Y’nin tahmin edilen değerini temsil eder. Burada, sıfır benlik saygısı puanı (böyle bir puan mümkün olsaydı), 2.043’lük bir egzersiz bağlılık puanı ile ilişkilendirilebilirdi.

Regresyon denklemi
Regresyon analizi yorumlama
Regresyon örnekleri
SPSS regresyon analizi yorumlama
Regresyon Analizi ders notları
Regresyon analizi SPSS
Basit regresyon Analizi yorumlama
Regresyon analizi pdf

Y KESİNTİSİ SORUNU

Benlik saygısı değişkeni 20-50 arasında olası bir aralıkla, sıfır benlik saygısı puanının aralık dışı bir değer olduğunu belirtmekte fayda var. Bu nedenle, bu modeldeki Y kesişimini herhangi bir ampirik (anlamlı) şekilde yorumlamayacağız. Diğer araştırma çalışmalarında, yordayıcı değişkende sıfır puanın geçerli bir değer olması mümkündür ve bu nedenle Y kesişiminin ampirik veya anlamlı bir yorumu o zaman mümkün olabilir.

Y kesişimiyle ilişkili deneysel anlamın olmaması, araştırmacılar için çoğu zaman önemli değildir çünkü odakları R2 ve düzeltilmiş R2 değerlerinin yanı sıra onları regresyon fonksiyonunun eğimi hakkında bilgilendiren regresyon katsayılarıdır. Ancak bu ampirik anlam eksikliğinin, tam olarak sorunlu olmasa bile, regresyon modelinde potansiyel olarak yer alan tüm bilgilerin kesinlikle verimli bir şekilde kullanılmadığı durumlar vardır. Bu sorunla başa çıkmanın çok yararlı bir yolu, tahmin ediciyi merkeze almaktır.

Basit Doğrusal Regresyonda Tahmin Değişkenini Merkezleme

24. Bölüm’de belirttiğimiz gibi, standartlaştırılmamış regresyon modelindeki Y kesişimi (sabit), bağımsız (yordayıcı) değişken üzerindeki puan sıfır olduğunda bağımlı (ölçüt) değişkenin tahmin edilen değeridir. Ancak, sıfırın tahmin değişkeninde aralık dışı bir değer olması olağandışı değildir.

Örnekler, özetleyici yanıt ölçeklerinde değerlendirilen öngörücü değişkenleri (örn. 1’den 5’e kadar yanıt değerlerini kullanan 5 puanlık ölçekler), standart ölçeklerde ölçülen test puanlarını (örn. zeka, başarı testleri) ve çeşitli biyolojik tıbbi/sağlık ölçümlerini (örn. kalp hızı, vücut kitle indeksi) yapar.

Bağımsız (yordayıcı) değişkende sıfır puan geçerli bir değer olsa bile, ölçüm ölçeği veya öngörücü değişkenin dağılımı göz önüne alındığında, genellikle olağandışı veya olası olmayan bir puan olması durumudur. Tahmin edicideki sıfır değeri geçerli olmadığında veya olağandışı bir puan olduğunda, Y kesişim değerinin deneysel faydası yoktur veya çok azdır.

Basit bir regresyon analizinin sonuçlarını değiştirmeden Y kesişimine anlam veya fayda sağlamaya yönelik bir yaklaşım, tahmin değişkenini ortalamaktır. Bir değişkeni ortalamak, değişkenin orijinal değerlerinden, ortalaması sıfır olan yeni bir değişken yaratmaktır. Bunu, dağılımın ortalaması gibi bir referans puanı her durum için kaydedilen puandan çıkarmak için Hesaplama prosedürünü kullanarak ham puanı bir sapma puanına dönüştürerek gerçekleştiririz (yani Sapma Puanı = Elde Edilen Puan – Ortalama). Bu nedenle, puanı ortalamaya eşit olan herhangi bir durumun sapma puanı sıfırdır.

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

Basit regresyon analizi için gereken tüm istatistikler tek bir prosedürde elde edilir. Ölüm oranları ile radyoaktif maddelere maruz kalma arasındaki ilişkiyi incelemek için “cancer.sav” veri setini kullanarak bu prosedürü göstereceğiz.

“cancer.sav” veri dosyasını açtıktan sonra, bir regresyon analizi için adımlar şunlardır:

(1) Menü çubuğunda İstatistikler’e tıklayın.
(2) Açılır menüden Regresyon’a tıklayın.
(3) Regresyon iletişim kutusunu açmak için Doğrusal’a tıklayın.
(4) Bağımlı değişkeniniz (“mortalit”) olan değişkene tıklayın ve ardından değişken adını bağımlı değişken kutusuna taşımak için sağ ok düğmesine tıklayın.
(5) Bağımsız değişkeniniz (“expose”) olan değişkene tıklayın ve ardından değişken adını bağımsız(lar) değişken kutusuna taşımak için sağ ok düğmesine tıklayın.
(6) Tamam’a tıklayın.

İsteğe bağlı bir sonuç da yararlıdır, yani regresyon çizgisinin eğimi için bir güven aralığı. %95’lik bir aralık elde etmek için yukarıdaki 1-5 arasındaki adımları izleyin ve ardından:

(1) Regresyon: İstatistikler iletişim kutusunu açmak için İstatistikler’e tıklayın.
(2) Regresyon Katsayıları kutusunda Güven Aralıkları’na tıklayın.
(3) Devam’a tıklayın.
(4) Tamam’a tıklayın.

Regresyon Denklemini Tahmin Etme

Regresyon çizgisinin kesişme ve eğiminin en küçük kareler tahminleri, çıktının orta kısmında “Denklemdeki Değişkenler” başlığı altında görüntülenir. “B” başlıklı sütunda iki değer listelenmiştir; bunlar, birkaç ondalık basamakla hesaplanan, sırasıyla, regresyon ağırlığı (9.23) ve kesişme noktasıdır (114.72). En küçük kareler doğrusu denklemi böylece y = 114.72 + 9.23x olur. (SPSS’nin saçılım grafiğine regresyon çizgisini eklemesi için talimatlar daha sonraki bir bölümde verilmiştir.)

SPSS ayrıca çıktıda Beta etiketli “standartlaştırılmış regresyon ağırlığı” olarak adlandırılan bir (3 formu yazdırır. Ders kitabında tartışılmamasına rağmen, standartlaştırılmış ağırlık, y’deki bir standart sapma değişikliğiyle ilişkili standart sapmaların sayısıdır. 

Bu nedenle, bu örnekte, maruziyetteki bir standart sapma artışı, kanser ölüm oranındaki 0.93 standart sapma artışıyla ilişkilidir – büyük bir etki. x ve y birimleri tanıdık olduğunda – örneğin, gelir, bekleme süresi, vücut ağırlığı – standartlaştırılmamış (“ham”) katsayı kolayca yorumlanır. Ölçekler daha az bilinen birimlerde olduğunda – örneğin, psikolojik test puanları – standartlaştırılmış ağırlık, x ile 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 bir katını 9.23’e ekleyip çıkararak elde edildi. Bu örnekte, standart hataI 1.42’dir ve 7 serbestlik dereceli t dağılımından çarpan 2.37’dir.

Basit doğrusal regresyon
Çoklu regresyon analizi örnekleri
Regresyon analizi Örnekleri
Basit regresyon analizi örnek
Regresyon analizi
Basit doğrusal Regresyon hesaplama
Regresyon denklemi
SPSS regresyon analizi

Önem Testi

Ho: (3 = 0 ve HI: (3 ;J!! 0) hipotezlerinin bir testi regresyon çıktısının alt kısmında verilmiştir (Şekil 15.3).t-istatistiği t = 9.23/1.418 = 6.507’dir. çıktıda Sig T altında listelenen değer .0003’tür. Bu, herhangi bir makul değerden (örneğin, .05 veya .01 veya hatta .001) küçük olduğundan, Ho reddedilir, sıfırdan farklı (pozitif) bir ilişki vardır Bu örnekle temsil edilen ilçelerin popülasyonunda maruz kalma ve kanser ölüm oranı arasındaki ilişki.

Bu çalışmanın başlangıcında, araştırmacıların pozitif bir ilişkinin bulunabileceğine inanmak için nedenleri vardı. Bu nedenle, Ho: (3 :S 0 ve HI: (3 > O) ile tek kuyruklu bir test uygun olurdu. SPSS tarafından yazdırılan P değeri iki kuyruklu bir test içindir. taraflı alternatif, P/2 a’dan küçük olmalı ve regresyon ağırlığının işareti HI ile tutarlı olmalıdır.Bu örnekte her iki koşul da karşılanır ve Ho reddedilir.

ofx ve y ilişkisinin gücü

Korelasyon katsayısı, bağımsız ve bağımlı değişken arasındaki ilişkinin gücünün sayısal bir indeksini sağlar.2 SPSS’deki regresyon prosedürü, korelasyonu doğrudan hesaplamaz ve bu nedenle korelasyon çıktısına atıfta bulunulması tavsiye edilir (Şekil 15.1). Bu örnek için, 0,926 değeri, maksimum 1 değerine göre hem pozitif hem de büyüktür.

Korelasyonun karesi (0.9262 = 0.858), y’deki x’e atfedilebilen varyasyon oranıdır; yani kanser mortalitesindeki varyasyonun %85,8’i radyasyona maruz kalmaya atfedilebilir. Açıkçası bu çok güçlü bir birliktelik.

Bu istatistikler, bir tahmin değişkeni ile regresyon analizindeki fazlalık nedeniyle, regresyon çıktısında dolaylı olarak mevcuttur. İlk olarak, çıktının üst kısmı R Karesini listeler. Bu, “çoklu korelasyon” olarak adlandırılan istatistiğin karesi olmasına rağmen, basit regresyonda korelasyon katsayısının karesine eşittir, yani r2 = 0.858.

Çıktıda Multiple R olarak etiketlenen sonuç, çoklu korelasyonun kendisidir. Mutlak değeri r ile aynıdır, ancak ders kitabında tartışılan bağıntılardan farklı olarak, çoklu bağıntı her zaman pozitiftir. Veri analisti, çoklu korelasyonun ilişki yönünü göstermediğini hatırlamalıdır! İkincisi, çıktıyı ayrıntılı olarak incelediyseniz, standartlaştırılmış regresyon ağırlığının (Beta = 0.926) da korelasyona eşit olduğunu fark etmiş olabilirsiniz.

Bu iki istatistik, bir bağımsız değişken (x) ile regresyon analizinde cebirsel olarak aynıdır; analizde birden fazla x değişkeni olduğunda bunlar eşdeğer değildir.

Çıktı ayrıca, çoklu korelasyon hakkındaki bilgilerin altında bulunan Varyans Analizi etiketli bir tablo içerir. Regresyon (8309.56) olarak adlandırılan karelerin toplamı, Denklem 15.7 ders kitabının payına karşılık gelir. 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 için Denklem 15.7’ye göre birleştirilir. Serbestlik derecesi (7) sayısına bölünen kalan kareler toplamı, Ortalama Kareler etiketli sütunda 196,28 olan artıkların varyansıdır. Bu değerin karekökü 14.01, Sy.x tahmininin standart hatasıdır.

Korelasyon için Önem Testi

Korelasyon çıktısı ayrıca Ho: P = 0 ve HI: P -# O hipotezleri ile korelasyon katsayısının bir testini içerir. t-istatistiği (yazdırılmamış) ‘dir. Bunun yerine, bu istatistiği 7 serbestlik dereceli t dağılımına atıfta bulunarak elde edilen bir P değeri verilir. P çok küçük olduğundan, Ho herhangi bir makul anlamlılık düzeyinde (a) reddedilir. Tek kuyruklu bir test gerekliyse, Ho’nun reddedilebilmesi için P/2’nin a’dan küçük olması ve örnek korelasyonunun HI tarafından belirtilen yönde olması gerekir.

Dikkatli okuyucu, bu t-değerinin ve P’nin, regresyon ağırlığının önemini test etmek için kullanılanlarla aynı olduğunu fark edebilir. Bir çalışmada yalnızca bir sayısal bağımsız değişken ve bir sayısal bağımlı değişken varsa, regresyon katsayısı ve korelasyon katsayısı aynı işarete (+ veya -) sahiptir ve anlamlılık testleri aynıdır.

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

Okullar arası artık varyans, Şekil 13.6’da kırmızı kesikli çizgi ile gösterildiği gibi, Y eksenindeki regresyon çizgisinin uzatılmasıyla elde edilebilir. Görüldüğü gibi, siyah kesişimlerin aralığı, kırmızı kesişimlerin aralığından daha büyüktür.
Genel olarak konuşursak, öğrenci düzeyindeki bir değişkenin aşağıdaki durumlarda okullar arası varyans üzerinde etkisi olacaktır:

• Okullar, bu değişkene göre öğrencilerin ortalaması ve aralığı bakımından farklılık gösterir (bkz. ülkeler 2, 3 ve 4) Şekil 13.4’te; ve
• Bu değişkenin okul içi regresyon katsayısı 0’dan farklıdır. Şekil 13.4’teki ülke 4 örneği, modelde öğrenci düzeyinde HISEI değişkeninin kullanılmasının okullar arası varyansı azaltmayacağı bir durumu göstermektedir. Öte yandan, okul sosyo-ekonomik alımının, yani okulun HISEI ortalamasının tanıtılması, 4. ülkede okullar arası varyans üzerinde önemli bir etkiye sahip olacaktır.

Örnek 3

Örnek 3, HISEI’nin artık rastgele bir etki olarak kabul edilmesi dışında Örnek 2’ye benzer. SPSS® sözdizimi Kutu 13.8’de sunulmaktadır.

Sabit parametre dosyası, 􏰁00 genel kesişimini ve HI10 HISEI genel regresyon katsayısını içerir. Genel bir kesişme ve bir okuldan ayrılma olmak üzere iki kısma ayrılan okul kesişimleri gibi, okul içi regresyon katsayısı da iki kısma ayrılır: genel bir regresyon katsayısı (sabit kısım, 􏰁10 ile gösterilir) ve bir okul regresyon katsayısı sapma (rastgele kısım, U1j ile gösterilir).

Genel kesişme ve regresyon katsayısı Tablo 13.5’te sunulmuştur. Genel kesişim 449,59’a eşittir ve genel HISEI regresyon katsayısı 0,89’a eşittir. t istatistiği ve ilişkili olasılığı ile gösterildiği gibi, her iki parametre de 0’dan önemli ölçüde farklıdır.

Rastgele parametre dosyası okul çıkışlarını listeler:

• 􏰁00 kesişiminden U0j, yani 449.59 ; ve

• HISEI regresyon katsayısı 􏰁10’dan U1j, yani 0.89.

HISEI artık rastgele bir etki olarak kabul edildiğinden, genel kesişimden okul ayrılmasını yorumlamak anlamsızdır. Tablo 13.6, ilk 13 okul için okulların genel HISEI regresyon katsayısından ayrılmasını göstermektedir.

Okul 00001 için HISEI regresyon katsayısı 0.89+0.22=1.11’e eşittir, ancak genel kesişimden önemli ölçüde farklı olarak kabul edilemez. Tablo 13.6’da sunulan 13 okuldan yalnızca 00013 okulu, olasılığın t istatistikleriyle gösterildiği gibi, genel katsayıdan önemli ölçüde farklı olan bir regresyon katsayısı sunar.

HISEI regresyon katsayısı 0.89+0.82=1.71’e eşittir ve t istatistiği veya olasılık ile gösterildiği gibi, bu okul içi regresyon katsayısı genel regresyon katsayısından önemli ölçüde farklıdır.

SPSS artık üç varyans tahmini sağlıyor:

• Okullar arası artık varyans , yani 2 147.64;
• Okul içi kalan varyans 2, yani 5 509.34; ve
• HISEI regresyon katsayılarının varyansı, yani 0.1275. Bu aynı zamanda regresyon katsayısı sapmasının değişkenliğidir.

Örnek 2 ile karşılaştırıldığında, okullar arası artık varyans biraz arttı ve okul içi artık varyans biraz azaldı. Rastgele etki sadece verilere daha iyi uyabileceğinden, okul içi varyansın azaltılması şaşırtıcı değildir.

Şekil 13.7, okullar arası artık varyansın artışını anlamaya yardımcı olur. Okul 00001 (Sc1) için regresyon katsayısı biraz daha diktir, bu nedenle regresyon çizgisinin uzantısı Y ekseninde öncekinden daha yüksek olacaktır. Ayrıca, regresyon katsayısı okul 00004 (Sc4) için biraz daha diktir, bu nedenle regresyon çizgisinin uzantısı Y ekseninde biraz daha düşük olacaktır.

Regresyon nedir
Regresyon analizi Nedir
Regresyon Analizi nasıl yapılır
Regresyon katsayısı Nedir
Basit doğrusal regresyon Analizi
Çoklu regresyon analizi Nedir
Çoklu regresyon analizi örnekleri
Regresyon denklemi

Okul İçi Regresyon Katsayısının Yorumlanması

Beklenen okul içi cinsiyet farkı, özellikle yüksek düzeyde izlenen bir sistemde, genel cinsiyet farkından büyük ölçüde farklı olabilir. Kızların akademik bir kursa katılma olasılıkları daha yüksekken, erkeklerin mesleki bir kursa katılma olasılıkları daha yüksek görünmektedir. Cinsiyetin öğrenci performansı üzerindeki doğrusal regresyon katsayısı, bu farklı devamı hesaba katmaz.

Örneğin Almanya’da olduğu gibi farklı okullar farklı okullar tarafından organize edilirse, çok seviyeli bir regresyon modeli bu farklı katılımı hesaba katacaktır, böylece cinsiyet çok seviyeli regresyon katsayısı doğrusal regresyon katsayısından önemli ölçüde farklı olacaktır. Aşağıdaki tablo, Alman PISA 2003 verilerine göre cinsiyet için doğrusal ve çok düzeyli regresyon katsayılarını sunmaktadır.

Nüfus düzeyinde, erkekler matematikte kızlardan 8,9 daha iyi performans gösterirken, kızlar okumada erkeklerden 42,1 daha iyi performans gösteriyor. Ancak belirli bir okulda, matematikte ve okumada beklenen farklılıklar sırasıyla 30.7 ve -19.3’e eşittir.

Örnek 5

Örnek 4’teki son denklem Yij = j + 1j (HISEI)ij + 2j (ST03Q01)ij idi. Bu denklem, öğrenci düzeyi tahmin edicilerini tanıtarak temel olarak okullardaki öğrenci performans değişkenliğini modeller. Ancak, ayrıştırma etkisinden dolayı, bu öğrenci seviyesi tahmin edicileri, okullar arası varyansın bir kısmını açıklayabilir.

Bir yordayıcı okul düzeyi değişkeni eklemek de mümkündür. Birinin okul türünün okul ortalama performansı üzerindeki etkisiyle ilgilendiğini varsayalım.

Başka bir deyişle, okul türü değişkeni belirli bir okuldaki tüm öğrenciler için aynı olduğundan, bu değişken yalnızca okul engellemeleri üzerinde bir etkiye sahip olacaktır. Okulların sosyo-ekonomik arka planı ve cinsiyet bileşimi göz önüne alındığında, okul türü neden bazı okulların beklenenden daha iyi performans gösterdiğini ve bazı okulların neden beklenenden daha düşük bir düzeyde performans gösterdiğini açıklıyor mu?

Örnek 6

Model nihayet okulun HISEI ve ST03Q01 regresyon katsayılarının neden değiştiğini anlamaya çalışarak genişletilebilir. Test edilecek iki hipotez şunlardır:

• HISEI regresyon katsayıları devlet okulu ve özel hükümet arasında farklılık gösterir: bağımlı okullar ve
• ST03Q01 regresyon katsayıları, okuldaki kız ve erkek öğrencilerin yüzdesi ile ilgilidir. Denklem olarak yazılabilir.

Kutu 13.13, bu modeli çalıştırmak için SPSS® sözdizimini sunar. HISEI regresyon katsayılarının okul türüne göre farklılık gösterip göstermediğini test etmek, okul türü ile HISEI regresyon katsayıları arasındaki etkileşimi test etmeye benzer. Bu nedenle SPSS’de FIXED deyimine “st03q01*pcgirls” ifadesinin yanı sıra “hisei*schltype” teriminin eklenmesi gerekir. Lütfen prosedür adını izleyen model ifadesinin etkileşim terimleri olmadan “schltype” ve “pcgirls” listelediğini unutmayın.

Bildirilen olasılıkla gösterildiği gibi, her iki boş hipotez de kabul edilmelidir, yani okul türü HISEI eğimleri ile ilişkili değildir ve okul içi cinsiyet farkı okuldaki kızların yüzdesi ile ilişkili değildir.

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

Bir bütün olarak örneğe dayalı olarak, ortak değişken üzerindeki puanların, bağımlı değişkenin puanlarını tahmin etmek için doğrusal bir regresyon prosedüründe kullanıldığını tartışmıştık. Regresyon prosedürünün sonuçlarını doğru bir şekilde yorumlamak için iki değişken arasındaki ilişkinin doğrusal olduğu varsayılır.

Teknik olarak, doğrusal regresyon prosedürü, ortak değişkeni içeren doğrusal bir modele dayalı olarak bağımlı ölçümün öngörülebilirliğini değerlendirir; bağımlı değişken ve ortak değişken doğrusal olarak ilişkili değilse (daha karmaşık bir şekilde güçlü bir şekilde ilişkili olsalar bile), doğrusal regresyon prosedürü “geçerli bir tahmin yok” sonucunu verecektir.

Verilerin bu doğrusallık varsayımını karşılayıp karşılamadığını belirlemenin en yaygın yolu, verileri bir dağılım grafiğinde grafiklendirmektir. Böyle bir grafiğin y ekseni bağımlı değişkeni ve x ekseni ortak değişkeni temsil eder. Her veri noktası, her durum için bu ikisinin koordinatını temsil eder. Örneğin, Tablo 16.1’deki ilk dört sütunda gösterilen basitleştirilmiş veri setini düşünün.

İlk sütununda gösterildiği gibi veri dosyasında temsil edilen iki farklı grup olmasına rağmen, regresyon varsayımının doğrusallığı örneklem üzerinde bir bütün olarak değerlendirilir. Böylece, grup üyeliğine bakılmaksızın, Durum 1 bağımlı değişkende 1 ve ortak değişkende 1 puan aldı, Durum 2 bağımlı değişkende 2 ve ortak değişkende 5 puan aldı ve bu şekilde devam etti.

Bu veriler için dağılım grafiği Şekil 16.1’de gösterilmektedir. Grafikte görülebileceği gibi, bu veri noktaları için en uygun çizginin düz bir çizgi olduğu görülmektedir. Bu, bağımlı değişkenin ve ortak değişkenin Pearson korelasyonunun (Pearson r, değişkenlerin doğrusal olarak ilişkili olma derecesini değerlendirir) 0.904 olduğu not edilerek doğrulanır. Böylece, bu verilerin regresyon varsayımının doğrusallığını karşıladığı sonucuna varırız.

Düzeltilmiş puanların nasıl göründüğüne dair bir fikir vermek için, düzeltilmiş bağımlı değişken değerlerini Tablo 16.1’in son sütununda sunuyoruz. Bunlar SPSS GLM prosedürüyle (ANCOVA analizinde tahmin edilen değerlerin kaydedilmesiyle) oluşturulmuştur ve bu değerlerin istatistiksel olarak üretildiği fikrini pekiştirmek için beş ondalık basamakla gösterilmiştir.

Şekil 16.1’deki (doğrusal model) veri noktalarından geçen düz çizgiye dayanarak, örneğin 8’in ortak değişkeni üzerinde bir değer verildiğinde, 6.18794’ün bağımlı değişkeni üzerinde bir değer tahmin edeceğiz. Bağımlı değişkende gözlenen değer 6’dır ve bu nedenle model, Durum 5’in puanını küçük bir farkla fazla tahmin etmiştir. Tüm puanlar aşırı tahmin edilmedi; model, gözlemlenen değerleri iki kez eksik tahmin etti.

Tablo 16.1’in son satırı, bağımlı değişken, ortak değişken ve düzeltilmiş bağımlı değişken için ortalamaları sunar. Bağımlı değerlerin dağılımının merkezi değişmediği için ayarlanmış toplam ortalamanın gözlemlenen genel ortalama ile aynı olduğuna dikkat edin.

Grupların gözlenen ve düzeltilen ortalamaları Tablo 16.2’de sunulmuştur. Grup 1 ve 2 için gözlemlenen ortalamalar sırasıyla 2.00 ve 6.33’tür. Ayarlanmış grup ortalamalarının gözlemlenen ortalamalardan farklı olduğuna dikkat edin. Grup 1’in düzeltilmiş ortalaması 2.827, Grup 2’nin düzeltilmiş ortalaması 5.461’dir.

Bu düzeltilmiş grup ortalamalarının, ilgili gruplardaki vakalar için düzeltilmiş puanların basit ortalaması olmadığını belirtmeliyiz; daha ziyade, ortak değişkenin ortalama değerinde (6,33 olan) iki grup için ayarlanmış ortalamalardır. Bir ANCOVA’da, grup etkisi ile ilişkili F oranı tarafından değerlendirilen, gözlemlenen ortalamalar değil, bu düzeltilmiş ortalamalardır.

Regresyon analizi Nedir
Regresyon Nedir
Regresyon katsayısı Nedir
Regresyon analizi formülü
Regresyon denklemi
Regresyon Analizi soru ve CEVAPLARI
Regresyon örnekleri
Regresyon Analizi nasıl yapılır

REGRESYONUN HOMOJENLİĞİ

Az önce, regresyonun doğrusallığı varsayımının, tipik olarak verilerin bir dağılım grafiğini görsel olarak inceleyerek bir bütün olarak örnek üzerinde test edildiğini gördük. Buna karşılık, regresyonun homojenliği varsayımı bireysel gruplara odaklanır ve tipik olarak istatistiksel bir analiz yapılarak değerlendirilir.

Her doğrusal regresyon modeli, doğrunun eğimi için bir değere sahiptir; eğim, fonksiyonun x eksenine göre ne kadar dik yükseldiğini veya düştüğünü gösterir. Regresyonun homojenliği varsayımını test etmedeki ilgi eğimi, Bölüm 16.5.1’de tanımladığımız gibi bağımlı değişkeni öngördüğü için ortak değişken ile ilişkilidir. Burada ilgi çekici olan, bir bütün olarak örneğe dayalı sonuçlar değil; bunun yerine, her grubu ayrı ayrı inceleriz.

Regresyon homojenliği, regresyon doğrusu eğiminin her grup için aynı olduğunu varsayar. Bireysel gruplar için regresyon modellerinin eğimleri önemli ölçüde farklı olduğunda, yani bir grubun eğimi en az bir diğer grubun eğiminden önemli ölçüde farklı olduğunda, regresyonun homojenliği varsayımı ihlal edilmiştir.

Bu varsayımın istatistiksel olarak değerlendirilme şekli, Bölüm 8’de tartıştığımız bir kavramdan yararlanır: etkileşim etkisinin varlığı. Bir bağımsız değişkenin seviyeleri için doğrular paralel olmadığında bir etkileşimin elde edildiğini Bölüm 8-15’te birçok kez gördük. Doğruların paralel olmadığı fikrini ifade etmenin bir başka yolu, doğruların eğimlerinin farklı olduğunu söylemektir.

Dolayısıyla, regresyon varsayımının homojenliğini test etmemizin yolu, bağımsız değişken(ler)in deneysel etkilerinin/etkilerinin ve ortak değişkenin etkileşimini içeren bir analiz kurmaktır. Bu, SPSS ve SAS’ta nispeten kolay bir şekilde yapılabilir. Tablo 16.1’de gösterilen basitleştirilmiş örnek çalışmamızda, tek bağımsız değişkenimiz vardır, sadece bir deneysel etki, yani grubun ana etkisi vardır.

Örneğimize uyarak, Grup × Ortak Değişken etkileşim etkisi istatistiksel olarak anlamlı değilse, o zaman eğimlerin karşılaştırılabilir olduğunu ve regresyonun homojenliği varsayımının karşılandığını varsayıyoruz; Grup × Ortak Değişken etkileşim etkisi istatistiksel olarak anlamlıysa, eğimlerin paralel olmadığını ve regresyonun homojenliği varsayımının ihlal edildiğini varsayıyoruz.

Regresyonun homojenliği varsayımı karşılanmadığında araştırmacıların bazı seçenekleri vardır ve bunlardan üçü burada kısaca bahsedilmiştir. İlk olarak, kullanılabilecek bazı parametrik olmayan ANCOVA prosedürleri vardır; bunların bir örneği Bonate (2000) ve Maxwell, Delaney ve O’Callaghan (1993) tarafından tanımlanmıştır.

İkincisi, regresyonun homojenliği varsayımından orta ila belirgin sapmalarla, araştırmacılar, ortak değişkenin değerinin bir fonksiyonu olarak tedavi etkisini/etkilerini değerlendiren nispeten daha karmaşık bir analize girebilirler; bu yaklaşım Maxwell ve Delaney (2000) tarafından tartışılmaktadır.

Üçüncüsü, zorunlu olarak tercih edilen strateji olmasa da, araştırmacılar, varsayımın hafif ila orta düzeyde ihlalleri ile (a) analizin bu tür ihlallere dayanabileceğini ve (b) ANCOVA ile devam edebilirler. ihlal muhafazakar yönde olacaktır.

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

A.analiz et, sonra Korelasyon, sonra ll.ivariate’e tıklayın. Bu, İki Değişkenli Korelasyonlar için ana iletişim kutusunu getirecektir (tıpkı Pearson korelasyonu gibi). İletişim kutusunun yaklaşık yarısı, hesaplayacağınız korelasyon türünü belirttiğiniz bir bölümdür. İstediğiniz kadar seçebilirsiniz. Örneğimiz için, Pearson kutusundaki işareti kaldırın (üzerine tıklayarak) ve Spearman kutusuna tıklayın. HEIGHT.SAV veri dosyamızdan HEIGHT ve WEIGHT değişkenlerini kullanın. Bu aynı zamanda tek kuyruklu bir test seçmenize izin veren birkaç komuttan biridir.

Çıktıyı Okumak

Her bir değişken çiftinin iki kez belirtilen korelasyon katsayısı vardır. Spearman rho, tıpkı Pearson r gibi -1.0 ile +1.0 arasında değişebilir. Yukarıda listelenen çıktı, YÜKSEKLİK ve AĞIRLIK arasında .883’lük bir korelasyonu gösterir. .000 anlamlılık düzeyine dikkat edin. Bu aslında~ < .00 1 anlamlılık düzeyidir. Gerçek alfa düzeyi .000’e yuvarlanır, ancak sıfır değildir.

Çizim sonuçları

Korelasyon -1.0 ile +1.0 arasında olacaktır. 0.0’a yakın puanlar zayıf bir ilişkiyi temsil eder. 1.0 veya -1.0’a yakın puanlar güçlü bir ilişkiyi temsil eder. Önemli korelasyonlar yıldızlarla işaretlenmiştir. Anlamlı bir korelasyon, güvenilir bir ilişkiyi gösterir, ancak mutlaka güçlü bir korelasyon anlamına gelmez. Yeterli konu ile çok küçük bir korelasyon anlamlı olabilir. Genel olarak, 0,7’den büyük korelasyonlar güçlü olarak kabul edilir. 0,3’ten küçük korelasyonlar zayıf olarak kabul edilir. 0,3 ile 0,7 arasındaki korelasyonlar orta düzeyde kabul edilir.

Önemli Olan İfade Sonuçları

Yukarıdaki örnekte, YÜKSEKLİK ve AĞIRLIK arasında .883’lük bir korelasyon elde ettik. .883’lük bir korelasyon, güçlü bir pozitif korelasyondur ve .0 1 düzeyinde anlamlıdır. Bu nedenle, bir sonuç bölümünde aşağıdakileri belirtebiliriz:

Deneklerin boy ve kiloları arasındaki ilişki için bir Spearman rho korelasyon katsayısı hesaplandı. İki değişken arasında anlamlı bir ilişki olduğunu gösteren güçlü bir pozitif korelasyon bulundu (rho (14) = .883, p < .01). Daha uzun denekler daha ağır olma eğilimindedir.

Sonuç, korelasyonun yönünü (pozitif), gücünü (güçlü), değerini (.883), serbestlik derecesini (14) ve anlamlılık düzeyini « .01) belirtir. Ek olarak, bir yön beyanı dahildir (daha uzun daha ağırdır). Parantez içinde verilen serbestlik derecelerinin 14 olduğuna dikkat edin. Çıktı, 16’lık bir N’yi gösterir. Bir bağıntı için, serbestlik derecesi N – 2’dir.

Basit doğrusal regresyon örnek
Basit Doğrusal Regresyon hesaplama
Regresyon denklemi
Doğrusal regresyon modeli
Regresyon analizi
Doğrusal regresyon analizi
Çoklu doğrusal regresyon modeli
Basit Doğrusal Regresyon soru çözümü

Önemli Olmayan İfade Sonuçları

Önceki bölümlerdeki SAM- PLE.SAV veri setimizi kullanarak, ID ve GRADE arasında bir Spearman rho korelasyonu hesaplayabiliriz. Eğer öyleyse, çıktıyı solda görürüz. Korelasyon katsayısı .000’e eşittir ve 1.000 anlamlılık düzeyine sahiptir. Bunun yuvarlandığını ve aslında 1.000 olmadığını unutmayın. Bu nedenle, bir sonuç bölümünde aşağıdakileri belirtebiliriz:

Bir deneğin kimlik numarası ile notu arasındaki ilişki için bir Spearman rho korelasyon katsayısı hesaplandı. Anlamlı olmayan son derece zayıf bir korelasyon bulundu (r (2) = .000, p > .05). Kimlik numarası ders notu ile ilgili değildir.

Alıştırma Egzersizi
Ek B’deki Uygulama Veri Kümesi 2’yi kullanın. Spearman rho korelasyonunu hesaplayarak maaş ve iş sınıflandırması arasındaki ilişkinin gücünü belirleyin.

 Basit Doğrusal Regresyon

Açıklama
Basit doğrusal regresyon, bir değişkenin diğerinden tahmin edilmesini sağlar.

Varsayımlar
Basit doğrusal regresyon, her iki değişkenin de aralık veya oran ölçekli olduğunu varsayar. Ek olarak, bağımlı değişken tahmin çizgisi etrafında normal olarak dağıtılmalıdır. Bu, elbette, değişkenlerin birbirleriyle doğrusal olarak ilişkili olduğunu varsayar. Normalde, her iki değişken de normal dağılmalıdır. İkili değişkenler (sadece iki seviyeli değişkenler) de bağımsız değişkenler olarak kabul edilebilir.

SPSS Veri Formatı
SPSS veri dosyasında iki değişken gereklidir. Her konu her iki değere de katkıda bulunmalıdır.

Komutu Çalıştırmak
Analizin ardından Regresyon ve ardından Doğrusal’a tıklayın. Bu, doğrusal regresyon için ana iletişim kutusunu açacaktır. İletişim kutusunun sol tarafında, veri dosyanızdaki değişkenlerin bir listesi bulunur (bu bölümün başından itibaren HEIGHT.SAV veri dosyasını kullanıyoruz). Sağda bağımlı değişken (tahmin etmeye çalıştığınız değişken) ve bağımsız değişken (tahmin ettiğimiz değişken) için bloklar var.

Birinin ağırlığını boyuna göre tahmin etmekle ilgileniyoruz. Bu nedenle, AĞIRLIK değişkenini bağımlı değişken bloğuna ve YÜKSEKLİK değişkenini bağımsız değişken bloğuna yerleştirmeliyiz. Ardından, analizi çalıştırmak için Tamam’a tıklayabiliriz.

Çıktıyı Okumak

Basit doğrusal regresyonlar için çıktının üç bileşeniyle ilgileniyoruz. İlki Model Özeti olarak adlandırılır ve Girilen/Kaldırılan Değişkenler bölümünden sonra gerçekleşir. Örneğimiz için bu çıktıyı görmelisiniz. R Kare (belirleme katsayısı olarak adlandırılır), bağımsız değişkeninizdeki (YÜKSEKLİK) varyasyonla açıklanabilen bağımlı değişkeninizin (AĞIRLIK) varyansının oranını verir. Böylece ağırlıktaki değişimin %64,9’u boy farklılıklarıyla açıklanabilir (daha uzun boylu insanlar daha kilolu).

Standart tahmin hatası, tahmin denkleminiz için size bir dağılım ölçüsü verir. Tahmin denklemini kullanarak, verilerin %68’i, tahmin edilen değerin bir standart tahmin hatasına düşecektir. %95’in biraz fazlası iki standart hataya düşecektir. Bu nedenle, yukarıdaki örnekte, zamanın %95’inde tahmini ağırlığımız doğru olduğunda 32.296 pound (yani 2 x 16.148 = 32.296) içinde olacaktır.

Çıktının ilgilendiğimiz ikinci kısmı ANOVA özet tablosudur. ANOVA özet tablolarının okunması hakkında daha fazla bilgi Bölüm 6’da verilecektir. Şimdilik burada önemli olan sayı, en sağdaki önem düzeyidir. Bu değer .05’ten küçükse, anlamlı bir doğrusal regresyona sahibiz. .05’ten büyükse, yapmayız. Çıktının son bölümü katsayılar tablosudur. Gerçek tahmin denkleminin bulunabileceği yer burasıdır.

Çoğu metinde, Y’ = a + bX’in regresyon denklemi olduğunu öğrenirsiniz. Y’ sizin bağımlı değişkeniniz ve X sizin bağımsız değişkeninizdir. SPSS çıktısında hem a hem de b’nin değerleri B sütununda bulunur. İlk değer, -234.681, a’nın (ve Sabit olarak etiketlenen) değeridir. İkinci değer, 5.434, ofb değeridir (ve bağımsız değişkenin adıyla etiketlenir). Bu nedenle, yukarıdaki örnek için tahmin denklemimiz AĞIRLIK’ = -234.681 + 5.434 (YÜKSEKLİK) şeklindedir.

Başka bir deyişle, başka bir denekten bir inç daha uzun olan ortalama denek, 5.434 pound daha ağırdır. 60 inç boyunda bir kişi -234.681 + 5.434(60) = 91.359 pound ağırlığında olmalıdır. Tahminin standart hatasıyla ilgili daha önceki tartışmamız göz önüne alındığında, 60 inç uzunluğundaki kişilerin %95’i 59.063 (91.359 – 32.296 = 59.063) ile 123.655 (91.359 + 32.296 = 123.655) pound arasında olacaktır.

Çizim sonuçları

Regresyon analizlerinden elde edilen sonuçlar (a) anlamlı bir tahmin denkleminin elde edilip edilmediğini, (b) ilişkinin yönünü ve (c) denklemin kendisini gösterir.

Önemli Olan İfade Sonuçları

46. ​​sayfada başlayan örnekte, .649’luk bir R Karesi ve AĞIRLIK’ = -234.681 + 5.434 (YÜKSEKLİK) şeklinde bir regresyon denklemi elde ettik. ANOV A, 1 ve 14 serbestlik derecesi ile F = 25.926 ile sonuçlandı. F, .001’den daha az düzeyde anlamlıdır. Bu nedenle, bir sonuç bölümünde aşağıdakileri belirtebiliriz:

Deneklerin kilolarını boylarına göre öngören basit bir lineer regresyon hesaplandı. R değeri .649 olan önemli bir regresyon denklemi bulundu (F(1,14) = 2 25.926, p < .001). Deneklerin tahmini ağırlığı, boy inç cinsinden ölçüldüğünde -234,68 + 5,43 (boy) pound’a eşittir. Deneklerin ortalama ağırlığı, her bir inçlik yükseklik için 5,43 pound arttı.

Sonuç, regresyonun yönünü (artışını), gücünü (.649), değerini (25.926), serbestlik derecesini (1,14) ve anlamlılık düzeyini « .001) belirtir. Ek olarak, denklemin kendisinin bir ifadesi dahildir.

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