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).

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).