Genç suçluların uyuşturucu kullanımına yönelik tutumlarının üç zaman noktasındaki farklılıkları değerlendirmek için  tekrarlanan bir ANOVA ölçümü uygulandı. Analiz, verilerin normal dağılmasını gerektiren, denek içi değişkenin seviyeleri arasında homojen varyansa sahip olan ve bağımsız gözlemleri temsil eden Genel Doğrusal Model içinde gerçekleştirilmiştir. Ancak, aynı vakaların birden çok veri noktasına katkıda bulunması nedeniyle, tekrarlanan ölçüm analizlerinde bağımsızlık varsayımı otomatik olarak ihlal edilir; bu nedenle, herhangi bir bireysel farklılık olduğu ölçüde, herhangi bir vaka içindeki puanlar, vakalar arasındaki puanlardan daha fazla ilişkili (ilişkili) olacaktır.

IBM SPSS®’nin Doğrusal Karma Modeller modülünde, her bir bireysel duruma bağlı puanlar arasındaki korelasyonların dikkate alınabilmesi için bağımsız gözlemler varsayımının yapılması gerekli değildir. Ayrıca Lineer Karışık Modeller daha uyumludur.

Örneğin, tekrarlanan ölçümler için Genel Doğrusal Model prosedürü, katılımcıların sabit zaman noktalarında (örneğin, her hafta), tüm vakalar hakkında eksiksiz verilere sahip olduğumuzu ve tüm vakaların aynı zaman noktalarında (örneğin, program her ay belirli bir zamanda ölçüm yapılmasını gerektiriyorsa, bazı katılımcılar için 6 haftalık aralıklarla gözlem yapılamaz); Doğrusal Karışık Modeller bu kısıtlamalara karşı dayanıklıdır.

Genel Doğrusal Modelde, tüm katılımcıların aynı kesişme noktasına (başlangıç ​​puanı) ve eğime (zaman içinde puanlardaki değişiklikler) sahip olması anlamında bireysel farklılıkların sabit etkiler olduğu varsayılır. Doğrusal Karma Modellerde, bireysel farklılıklar, kesişimleri ve eğimlerinde farklılık gösterebilecekleri durumlarda rastgele bir etki olarak ele alınır; değişkenin bu şekilde ele alınması, verilerin daha iyi bir modelini sağlama eğilimindedir.

Doğrusal Karışık Modeller yaklaşımı, alternatif varyans/kovaryans yapılarına izin verirken, Genel Doğrusal Model prosedürü yalnızca bir Bileşik Simetri yapısı kullanır; alternatif varyans/kovaryans yapıları, Doğrusal Karışık Modeller yaklaşımının Genel Doğrusal Model prosedüründen istatistiksel olarak daha güçlü olmasına yol açabilir.

Doğrusal regresyon modeli
Basit doğrusal regresyon
Çoklu doğrusal regresyon modeli
Doğrusal regresyon formülü
Basit doğrusal regresyon örnek
Regresyon modelleri
Basit doğrusal regresyon varsayımları
Klasik doğrusal regresyon modeli Varsayımları

Varyans/kovaryans yapısı, R matrisi olarak bilinen yapıda bulunur. Seçenekler iletişim penceresinde Artık SSCP matrisini talep ederek açıklanan analiz için böyle bir matris oluşturduk. Artık SSCP matrisinin mevcut tartışmamızla ilgili kısmı, gösterilen tablonun ana Kovaryans satırında (orta satır) sunulmaktadır. Böyle bir matris, ölçülerin varyanslarını köşegen üzerine yerleştirir. En büyük varyans ön testteydi (9.618). Bunu takiben, sontest2’de hafif bir artışla birlikte, sontest1’de (4.364) bir azalma oldu.

Köşegen dışındaki girdiler (üst ve alt elemanlar gereksizdir) kovaryanslardır. Kovaryanslar korelasyonlara benzer ancak hesaplamada orijinal ölçüm birimlerini kullanır; yani ±1.00 arasında değerler üretecek şekilde standartlaştırılmamıştır.

Gösterilen kovaryanslar incelendiğinde, en büyük kovaryansın ön test ve son test1 (3.845) arasında gerçekleştiği, bunu son test1 ve son test2 (2.982) ve en küçük kovaryansın ön test ve son test2 (2.073) arasında gerçekleştiği görülmektedir. Ön testten sonra kovaryansların küçüldüğü görülmektedir; zaman noktaları arasındaki aralıklar arttıkça kovaryansların azaldığı görülmektedir.

R matrisinin yapısı, tekrarlanan ölçüm analizi için esastır. Doğrusal Karışık Modeller prosedürünün amacı, gözlemlenen R matrisine en iyi uyan bir R matrisi uygulamaktır (yani, iki matris arasındaki farklar en aza indirilir). Genel Lineer Model yaklaşımında, R matrisi verilere empoze edilirken Lineer Karışık Modeller alternatif R matrislerinin çağrılmasına izin verir. Doğru bir R matrisi elde etmek, denek içi faktör seviyeleri arasındaki geçerli karşıtlıkları hesaplamak için esastır.

Genel Lineer Model Tekrarlanan Ölçümler ANOVA’da, gözlemlenen R matrisi Bileşik Simetri R matrisi ile karşılaştırılır; Küresellik varsayımı (yani, her seviye arasındaki varyanslar ve korelasyonlar eşdeğerdir) Genel Lineer Model ANOVA prosedüründe bu şekilde test edilir. Bileşik Simetri, üç varyansın her birinin eşit olmasını ve üç kovaryansın (korelasyonların) aynı şekilde eşit olmasını zorunlu kılar.

R matrisinde altı parametre (üç varyans ve üç kovaryans) olmasına rağmen, Bileşik Simetri kovaryans yapısının sadece ikisini (varyans ve kovaryans) tahmin etmesi gerekir, çünkü her üç sette (varyanslar ve kovaryanslar) önerildiği gibi. ), değerler eşittir ve bu ona nispeten daha fazla istatistiksel güç sağlar. Bununla birlikte, Bileşik Simetri R matrisi, genellikle çok gerçekçi değildir ve Genel Lineer Model ANOVA’daki küresellik varsayımı, onunla ilişkili istatistiksel güç nedeniyle sıklıkla ihlal edilir.

Genel Doğrusal Model yaklaşımındaki ANOVA prosedürüne bir alternatif, otomatik olarak raporlanan çok değişkenli tekniktir. Bu yaklaşım, elemanların varyansları ve kovaryansları ile ilgili herhangi bir varsayımın olmadığı, Yapılandırılmamış R matrisini kullanır.

Bununla birlikte, Yapılandırılmamış matris son derece karmaşıktır çünkü varyansların ve kovaryansların her zaman noktasında tahmin edilmesi gerekir (bu örnekte, Bileşik Simetri matrisindeki yalnızca iki parametrenin aksine toplam altı parametre için üç varyans ve üç kovaryans ). Bu ek parametrelerin dahil edilmesi istatistiksel gücü azaltır. Araştırmacılar R matrisini belirleyemiyorsa, yapılandırılmamış matris uygulanabilir.

Hem Bileşik Simetriye hem de Yapılandırılmamış matrislere bir alternatif – ikisi arasında uygulanabilir ve makul bir orta yol – varyansların homojen (yani eşdeğer) veya heterojen (yani farklı) olduğunu varsaymak, ancak ilk zaman noktasına göre her ardışık ölçüm, her ardışık zaman noktasında zayıflayacaktır.

Zaman içindeki bu zayıflama (komşu çiftler arasındaki kovaryanslar—korelasyonlar—zaman noktaları boyunca azalır), birinci dereceden otoregresif kovaryans yapısı tarafından değerlendirilir. Burada, varyansların homojenliğini varsayan otoregresif kovaryans yapısının varyantını kullanıyoruz. Bileşik Simetri kovaryans yapısından daha az istatistiksel güce sahiptir, ancak gösterilenler de dahil olmak üzere bu tür veri yapılarının çoğunluğu arasında belki de en açıklayıcı yaklaşımdır.

SAYISAL ÖRNEK

Kullandığımız uyuşturucu rehabilitasyon adlı dosyada yer alan verileri kullanıyoruz. Toplam 11 genç suçlu, program başlamadan önce (ön test), 2 haftalık programı tamamladıktan sonra (son test1) ve programın tamamlanmasından 1 ay sonra (son test 2) uyuşturucu kullanımına karşı tutumları açısından değerlendirildi. Tutum ölçeğindeki puanlar 5 ile 20 arasında değişebilir ve yüksek puanlar uyuşturucu kullanımına karşı daha olumlu tutumları temsil eder.

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

Bu oturumda aşağıdakileri yapmayı öğreneceksiniz:

• Orijinal verileri dönüştürerek bir regresyon modelini iyileştirin
• Dönüştürülen verileri kullanarak katsayıları ve tahminleri yorumlama

İlişkiler Doğrusal Olmadığında

Şimdiye kadarki regresyon modellerimizde doğrusallık varsaydık; yani, bir x bir birim değiştiğinde y sabit bir miktarda değişir, diğer şeyler eşit olur. Doğrusal model, birçok durumda iyi bir yaklaşımdır. Bununla birlikte, bazı ilişkilerin muhtemelen doğrusal olmadığını da biliyoruz. Kilo kaybı ile gösterildiği gibi “azalan verim yasasını” düşünün. İlk başta, kalorilerinizi azalttıkça kilolar hızla düşebilir. Kilonuz azaldıkça, kiloların düşme hızı azalabilir.

Böyle bir durumda, x ve y (kalori ve kilo kaybı) gerçekten ilişkilidir, ancak doğrusal bir şekilde değildir. Bu oturum, bir eğriyi bir dizi noktaya sığdırmak için kullanabileceğimiz bazı teknikler sağlar. Her teknikte temel stratejimiz aynı olacaktır. Karakteristik şekli noktaların eğrisine yaklaşan bir fonksiyon bulmaya çalışacağız.

Ardından, genel olarak doğrusal bir ilişkiye sahip iki değişken elde edene kadar bu işlevi çalışma sayfamızdaki bir veya daha fazla değişkene uygulayacağız. Son olarak, dönüştürülmüş verileri kullanarak doğrusal bir regresyon gerçekleştireceğiz. Yapay bir örnek kullanarak başlayacağız. SPSS’de Xsquare adlı veri dosyasını açın.

Basit Bir Örnek

İki değişken arasında, y’nin x’in karesi ile değiştiği, bilinen bir doğrusal olmayan ilişkiyle başlayalım. Resmi model (ikinci dereceden model olarak bilinir) şöyle görünebilir:

• y = 3×2 + 7

Aslında, Xsquare dosyası, tam olarak bu ilişkiyi yansıtan yapay bir veri kümesidir. y’ye karşı x’i ve ardından y’ye karşı xsquare’i çizersek, grafikler şöyle görünür:

Soldaki grafikte, ikinci dereceden bir fonksiyonun belirgin parabolik şeklini görüyoruz. y, x’in her arttığında artar, ancak bunu artan bir miktarda yapar. Açıkça, x ve y ilişkilidir, ancak aynı derecede açık bir şekilde, ilişki eğriseldir. İkinci grafikte, basit doğrusal regresyon için mükemmel bir aday olan tamamen düz bir çizgimiz var. xsquare üzerinde bir y regresyonu çalıştıracak olsaydınız, eğim ve kesişim ne olurdu? (Yap ve kendini kontrol et.)

Doğrusal OLMAYAN REGRESYON örnek
Doğrusal olmayan ne demek
Üstel regresyon modeli
Doğrusal olmayan en küçük kareler yöntemi
Regresyon modelleri
Doğrusal olmayan regresyon Excel
Doğrusal olmayan regresyon nedir
Doğrusal olmayan ekonometrik modeller

Bu, yukarıda belirttiğimiz stratejiyi göstermektedir: Eğri bir ilişkimiz olduğunda, doğrusal görünen bir grafiğimiz olana kadar bir veya daha fazla değişkenimizi dönüştürmenin bir yolunu bulmaya çalışacağız. Ardından, tanıdık ve güçlü doğrusal regresyon aracımızı dönüştürülmüş değişkenlere uygulayabiliriz. Bir veya daha fazla değişkeni dönüştürebildiğimiz ve y’nin temel işlevsel biçimini katsayı çarpı değişkenlerin toplamı olarak koruyabildiğimiz sürece, bir eğriye sığdırmak için doğrusal regresyon kullanabiliriz. Sonraki birkaç örneğin altında yatan temel fikir budur. SPSS, bu tür örneklere yaklaşmak için çeşitli yollar sunar; ikisini inceleyeceğiz.

Bazı Ortak Dönüşümler

İlk yapay örneğimizde, tek bir açıklayıcı değişkenin karesini aldık. Cebir ve kalkülüs derslerinizden hatırlayabileceğiniz gibi, kübik, logaritma ve üstel gibi birçok yaygın eğrisel fonksiyon vardır. Bu oturumda, gerçek dünya ilişkisinin matematiksel bir modelini nasıl oluşturabileceğine dair bir fikir edinmek için birçok olası dönüşümden birkaçını kullanacağız.

15. Oturumdan (ve yaklaşık 400 yıl önce) bir örnekle başlayalım: Galileo’nun yuvarlanan toplarla yaptığı deneyler. İlk veri setinin belirgin bir eğri çizdiğini hatırlayın:

Başlangıç ​​yüksekliği ne kadar büyük olursa, top o kadar fazla yuvarlanır, ancak yükseklik arttıkça artan yatay yuvarlanma azalır. Düz bir çizgi kötü bir uyum değildir (r2 = .93), ancak farklı bir işlevsel formla daha iyisini yapabiliriz. Aslında, Galileo, sonunda yatay mesafenin dünyanın durumuna göre değişebileceğine karar verene kadar, bu sorun üzerinde epey bir süre kafa karıştırdı.

yüksekliğin karekökü.2 y = + x grafiğini görselleştirirseniz, yukarıdaki dağılım grafiğine çok benzer: Soldan sağa hızla yükselir,
yavaş yavaş düzleşiyor.

Galileo adlı dosyayı açın. Hesaplama Değişkenini Dönüştür… Burada gösterildiği gibi, yeni bir değişken (SqrtHt), HtRamp’ın kareköküne eşittir.

Şimdi DistRamp y ekseninde ve SqrtHt x ekseninde olacak şekilde bir dağılım grafiği yapın. Bu grafiği oluşturan regresyon çizgisini ekleyin:

Bu dönüşüm, r2’yi 0,926’dan 0,984’e yükselterek eğri çizgiyi düzeltme eğilimindedir. Dahası, sürtünmenin farklı yüksekliklerden yuvarlanan bir topun yatay hareketini “sönümleme” eğiliminde olacağı teorik olarak mantıklıdır. Diğer işlevsel dönüşümler, noktaları daha eksiksiz bir şekilde hizalayabilir, ancak daha sonra göreceğimiz kadar anlamlı değildir.

Şimdi noktaları düzelttiğimize göre, şimdi bir göz atalım. Grafiğe dahil edilen sonuçtaki tahmini regresyon denklemidir.

Kesişme, 0 punti yükseklikten yuvarlanan bir topun yaklaşık 129 punti yuvarlanacağı ve yüksekliğin karekökü bir punto arttığında mesafenin 14.5 punti artacağı anlamına gelir. Uyum mükemmeldir (r2 = .98) ve anlamlılık testlerini (burada gösterilmemiştir) hesaplamak için regresyon prosedürünü kullanırsak, bunların iki değişken arasında istatistiksel olarak anlamlı doğrusal bir ilişki önerdiklerini kuvvetle buluruz.

Denklemi kullanarak, sadece modele bir yükseklik koyarak seyahat mesafesini tahmin edebiliriz. Örneğin, ilk rampa yüksekliği 900 punti olsaydı, yapardık.

Tahmini y değerini hesaplamak için burada x değerimizi dönüştürmeye özen göstermemiz gerektiğini unutmayın. Sonucumuz, 900 veya 30’un karekökü kullanılarak hesaplanır.

Herhangi bir regresyon analizi gibi, ε ile ilgili varsayımlarımızın geçerliliğini de kontrol etmeliyiz. Sonraki örnek, bu analizin yanı sıra başka bir eğrisel işlevi içerir.

Başka Bir İkinci Dereceden Model

Doğrusal olmayan ilişkiler birçok çalışma alanında ortaya çıkar. Daha önceki bir Harekete Geçiyor… sorusunda görmüş olabileceğiniz, toplam kişisel tasarruflar ile toplam kişisel gelir arasındaki ilişkiyi ele alalım. Tasarrufların gelir arttıkça artmasını bekleyebiliriz, ancak doğrusal bir şekilde olması gerekmez. ABD dosyasını açın.

Bu örnek ayrıca, doğrusal olmayan tahminin işlenmesi için yeni bir SPSS komutunu tanıtacaktır. Basit doğrusal modelle başlayalım.
Dikey eksende toplam brüt kişisel tasarrufları ve yatayda toplam kişisel geliri temsil eden değişkenle bir dağılım grafiği oluşturun. Bir regresyon çizgisi ekleyin.

Ortaya çıkan grafikte görebileceğiniz gibi, noktalar sabitlenmiş doğrunun etrafında yaylanır ve r2 sadece .064’tür. Son yıllarda, kişisel gelir arttıkça ABD’deki bireylerin tasarruflarını azalttığı açıktır. Bu regresyonu, lineer olmayan bir model de belirlememize ve sonuçları karşılaştırmamıza izin veren yeni bir komut kullanarak çalıştıralım.

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