İşaretlerin ilk bölünmüş değişken olduğunu unutmayın. Pclass yerine seçildi. Nedenini keşfetmek için, gösterilen Çapraz Tablo menüleri kullanılarak oluşturulan Çapraz Tablo sonuçlarına bakalım. Hem Cinsiyet hem de Psınıfı çok küçük ve .05’in oldukça altında Asimptotik Önem sonuçlarına (p değerleri) sahip olsa da, Cinsiyet için sonuç daha küçüktür. Bu yüzden cinsiyet ağacın en üst dalıdır.

Az önce CHAID’de en üst dalın en düşük p değerine verildiğini gördük, ancak gerçekte, Çapraz Tablo gösterimimiz bir adımı gizliyor. İlk olarak, sıra değişkenimizin herhangi bir kategoriyi daraltıp daraltmayacağına karar vermeliyiz. Ağaç diyagramlarına referans, çöküşün gerçekten meydana geldiğini gösterecektir. Ancak, sol dal ve sağ dal farklıdır.

Bu neden oluyor? Yanıtlamak için daha açıklayıcı bir Çapraz Tablo sonucuna ihtiyacımız var. Gösterildiği gibi, sadece kadınları incelerken Pclass çapraz tablosunun sadece erkekleri incelediğimizde farklı olduğunu göstermek için cinsiyete ayırmamız gerekiyor. Birinci sınıf ve İkinci sınıf dişiler için hayatta kalma oranının aslında çok benzer olduğunu fark ettik (%96.8 ve %92.1), bu nedenle CHAID algoritması önce onları daraltır ve yeni bir Ki-Sq p değeri için Psınıfının iki kategorili sürümünü kullanır (değil gösterilir).

Erkekler için, İkinci sınıf ve Üçüncü sınıf çok benzerdir (%15,7 ve %13,5), dolayısıyla CHAID algoritması bu iki kategoriyi daraltır. Ölçek değişkenleri ilginç bir sorun teşkil eder çünkü Ki-Sq ölçek değişkenlerini araştırmak için tasarlanmamıştır. CHAID kovaları, değişkenleri ondalık olarak ölçeklendirir (değiştirilebilen varsayılan bir ayar) ve ardından bunları sıralı değişkenler olarak ele alır.

Sonuçlar oldukça iyi çalışsa da, ondalık sayılar arasındaki sınırların esasen keyfi olduğunu kabul edin. İşlemdeki bu farklılıklar, bağımsız değişkenlerin ölçüm düzeylerinin daha ilk adımda doğru bir şekilde beyan edilmesi gerektiğinin önemli bir hatırlatıcısı olarak hizmet eder. Daha sonra, CRT’nin çok farklı bir yaklaşım kullanarak sınırları daha ayrıntılı bir hassasiyetle bulduğunu göreceğiz.

p DEĞERLERİ İLE İLGİLİ SORUN

İstatistik 101’de bize daha düşük p değerlerinin daha fazla “önem” anlamına gelmediği öğretildi, ancak birçok araştırmacının bulguları hakkında yazdıkları düzyazıda kendilerine yardım edemediğini de biliyoruz. Daha düşük bir p değeri, sıfırı reddetmek için daha güçlü kanıtlar sağlasa da, bir ilişkinin gücü gibi konulara ulaşmak için başka testler kullanma konusunda koçluk yapıyoruz.

Veya p değerinin yalnızca karşılanan veya karşılanmayan bir eşiği yansıttığı konusunda uyarılırız. Yine de, bulgulara %99,9 güvenilirlikte üçlü yıldız işareti ve bazı akademik makalelerde %95 güvenilirlik için yalnızca bir yıldız işareti veriyoruz. Olimpiyatlarda farklı yükseklikteki podyumlar akla geliyor. Bu biraz modası geçmiş ve çok tartışmalı hale gelmiş olsa da etkisi hala hissediliyor. Aslında CHAID’deki değişken sıralamanın temelidir.

Chaid analizi nedir
CHAID algoritması
CART algoritması
ROC analizi yorumlama
Rastgele Orman algoritması
Yapay sinir Ağları
Zeki Optimizasyon algoritmaları
Spss ROC analizi

CHAID zamana direnmiş ve hala popüler olsa da, bu p değeri sıralamasının bu kadar çok ondalık basamaktan sonra yapılması bizi duraklatmalı. CHAID’in “önem testi” kullanması, CRT’nin kullanmaması elbette bize özel bir rahatlık vermemelidir. Tahmine dayalı analitikte bazı yeniler, aslında başlangıçta p değerlerini kullanmayan modelleme tekniklerini kullanmayı reddediyor.

Bunların varlığı, geleneksel şekilde kullanılmadıkları için tekniğe herhangi bir özel statü kazandırmamalıdır. Modellerimizin değeri, algoritmalarına birkaç geleneksel bileşenin dahil edilmesiyle değil, Test veri kümesi biçimindeki yeni verilere genelleme yeteneklerinde gösterilecektir.

CHAID Ayarlarını Ayarlama

Ağacın daha agresif büyümesine izin vermek için,  gösterildiği gibi 5 ve daha küçük Ebeveyn/Çocuk boyutlarında bir derinliğe izin vereceğiz. Sonucu daha esnek, hatta istatistikte kullanıldığı şekliyle daha “liberal” olarak da tanımlayabiliriz. Kısacası, ağaç daha fazla dal ve yaprak düğümü olan daha büyük bir ağaç haline gelecektir.

Ayrıca mevcut tüm bağımsız değişkenlerin kullanılmasına izin vereceğiz (gösterilmemiştir). Bu ayarlamalar hakkında sihirli bir şey yok. Örnek boyutumuz göz önüne alındığında, 100 ve 50 varsayılan ayarları biraz yüksektir. Maksimum ağaç derinliği 5 çok agresif mi?

3’ten daha agresif, ancak ilk denemede oldukça cimri bir ağaç elde ettiğimiz gerçeğine basitçe cevap veriyoruz, bu yüzden daha fazla dallı “çalı benzeri” bir ağaç elde etmeye çalışıyoruz. Daha agresif ayarlar kararsız bir ağaç üretiyorsa, başarısız bir deneyimiz var demektir. Daha doğruysa (çalı benzeri ağaçlar eğitim örneğinde her zaman daha doğrudur), ancak aynı zamanda kararlıysa (hem eğitim hem de test örneklerinde doğru), o zaman başarılı bir deneyimiz var demektir.

Ağaç çok genişledi. Ağacın üst yarısı (Tren Örneği) aynıdır. Sex and Pclass’a üç yeni değişken eklendi: Embarked Code, Age ve Ücret. Embarked Code, yolcunun Titanik’e bindiği yeri gösterir. Kuzey Atlantik’e girmeden önce Avrupa’da üç durak yaptı.

Yeni değişkenler daha ayrıntılı bir ağaç oluşturur ve şimdi daha önce Eğitim Örneği ağacımızda gördüğümüzden daha düşük hayatta kalma oranına sahip bir segmentimiz var. Düğüm 12’nin hayatta kalma oranı %9.5’tir. Yaşın bölündüğünü (veya daha doğrusu ondalıklarının iki kategoriye indirildiğini) unutmayın.

Yaşı eksik olanlar, 14 yaşından büyük yolcular gibi bir hayatta kalma oranına sahipler, bu yüzden CHAID onları bu grupla birleştirdi. CRT’nin çok farklı bir yaklaşımı olduğunu göreceğiz. Ücret de ondalıklarla başlayacak olsa da iki gruba indirildi.

Gösterilen sonuçları kullanarak bu örneğin doğruluğunu ve kararlılığını inceleyelim. Her zaman böyle olmayacak ama ikinci denemede çok daha iyi sonuçlar elde ettik. Bazen muhafazakar ve agresif ayarlar arasında bir uzlaşmaya ihtiyacınız olabilir. CHAID sekmesinde (gösterilmemiştir) gösterilen ayarları değiştirmeyi de seçebilirsiniz.

Bu ayarlar, %95 güven düzeylerinden %90 veya %99 gibi daha fazla veya daha az agresif bir değere geçmeyi içerir. %90’a düşürmek daha da büyük bir ağaca izin verir. %99’a yükseltmek, onu daha muhafazakar hale getirecek ve potansiyel olarak daha küçük bir ağaç ile sonuçlanacaktır.

Yalnızca CHAID algoritması için yarım düzine, hatta bir düzine farklı ayar sürümü olağandışı olmazdı. Daha doğru ve oldukça kararlı olduğu için (Testte daha iyi performans her zaman iyidir) bu model şimdi ilk sırada ve başka bir algoritma deneyeceğiz. Testte performansın hafif bir şekilde düşmesinin daha yaygın olduğunu belirtmekte fayda var. Testte daha iyi performansa sahip olmak daha az yaygındır. Bununla birlikte, daha önemli olan gerçek, sayıların oldukça benzer olması ve istikrarı göstermesidir.

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

Ana menüden, Ana ROC Eğrisi iletişim penceresini gösterildiği gibi açmak için Analiz ➔ ROC Eğrisi’ni seçiyoruz. PRE_1’i Test Değişkeni paneline taşırız, bunlar hedef grup üyeliği olasılıklarıdır) ve Durum Değişkeni paneline derecelendirilir (bu, sonuç değişkenidir). Durum Değişkeninin Değeri panelinde 1 girerek hedef grup için kodu belirtiyoruz.

Görüntü alanında, eğriyi görüntülemek için ROC Eğrisi’ni, Hem geleneksel hem de kullanışlı olan referans çizgisini dahil etmek için Çapraz referans çizgisi ile, eğrinin altındaki alanı elde etmek için öncelikle Standart hata ve güven aralığını ve ROC’nin Koordinat noktalarını seçiyoruz. Olası karar kriterlerimizi elde etmek için eğri. Analizi gerçekleştirmek için Tamam’a tıklayın.

ROC ANALİZİ: ÇIKTI

ROC Eğrisi sunulur. Duyarlılık (gerçek pozitif oran) Y ekseninde temsil edilir ve 1−Özgüllük (yanlış pozitif oran) X ekseninde temsil edilir. Eğri, lojistik fonksiyonun sonuç gruplarını ayırt edebileceğini gösteren yay şeklindedir; diyagonal referans çizgisi, lojistik modelin ayırt etme yeteneğinin olmadığı durumu görsel olarak gösterir. Eğri, kendisini oluşturan tek tek koordinatları göstermez (ancak bu değerler çıktıda sağlanan bir tablodadır).

Eğrinin altındaki tablo, eğrinin altındaki alanın değerini verir. Daha büyük alanlar, lojistik model tarafından daha iyi farklılaşmayı gösterir. Meyers ve ark. (2013) eğrinin altındaki alanlara ilişkin yorumlama kılavuzları sağlar (.5’ler ayrım olmadığını gösterir; .6’lar, zayıf ayrımcılığı gösterir; .7’ler, kabul edilebilir/iyi ayrımcılığı; .8’ler, çok iyi ayrımcılığı ve .9’lar, mükemmel ayrımcılığı gösterir); bu yönergeleri kullanarak, .813–.889 güven aralığına sahip .851’lik bir alanın çok iyi bir ayrımcılığı temsil ettiği kabul edilecektir.

ROC eğrisinin koordinatları gösterilir. Bu bilgi, Sınıflandırma Tablosu ile aşağıdaki şekilde arayüz oluşturur. Hedef gruptaki vakaların %87,1’inin doğru sınıflandırıldığını Sınıflandırma Tablosundan biliyoruz. Sınıflandırma Tablosundaki bu hücre gerçek pozitifleri temsil eder ve ROC analizinde Hassasiyet olarak adlandırılır. Tabloda bu değeri içeren satırı işaretledik (Hassasiyet = .871) ve bu, gerçek karar kriteri olan .4912438 tahmini bir olasılık değerine karşılık gelir (.5’lik nominal kesme değeri, bir sınıflandırma işlemindeki tam sayı).

.871 değeri koordinatlardan biridir (Hassasiyet katkısı). Diğer koordinat .341’dir ve 1-Özgüllüğün (yanlış pozitif oran) katkısını temsil eder. Bu aynı zamanda Sınıflandırma Tablosundan da çıkarılabilir. Yanlış pozitifler, hedef grup (mezun) üyeleri olarak yanlış sınıflandırılan referans (mezun olmayan) gruptaki vakalardır. Şekil 31.1’den, 138 referans vakanın 47’sinin (47 + 91 = 138) yanlış pozitif olduğunu ve 47/138’in .341 olduğunu ve 1 − Özgüllük koordinatı olarak görünen değer olduğunu not ediyoruz.

Koordinatlar tablosu ayrıca alternatif Sınıflandırma eşiklerini değerlendirmemize de olanak tanır. Tabloda görülebileceği gibi, .2 ve daha düşük karar kriterleri, çok yüksek bir gerçek pozitif (Hassasiyet) oranı ile sonuçlanacaktır, ancak yanlış pozitif oranı (1 – Özgüllük) de son derece yüksek olacaktır; .94 veya daha yüksek karar kriterleri ile ters örüntü görülebilir.

Araştırmacıların karar kriterini nereye yerleştirdikleri gerçekten çeşitli sonuçlara verdikleri değere bağlıdır. Örneğin, gerçek pozitifleri belirlemek bir ölüm kalım meselesi olduğunda (belki de bazı tıbbi araştırma çalışmalarında) ve yüksek oranda yanlış pozitifler tolere edilebiliyorsa, çok düşük bir karar kriteri belirlemek uygun olabilir.

Kurgusal veri setimiz için risk altındaki çocuklarla uğraşıyoruz. Gerçek pozitif oranımız .871 olmasına rağmen, yaklaşık olarak .90 isabet oranı elde etmek istediğimizi varsayalım. Koordinatlar tablosundan, .3819184’lük bir tahmin edilen olasılığın .893’lük bir Duyarlılık (gerçek pozitif) oranı ile ve .3527496’lık bir tahmin edilen bir olasılığın .938’lik bir Hassasiyet (gerçek pozitif) oranı ile ilişkili olduğu görülmektedir; karşılık gelen yanlış pozitif oranları (1−Özgüllük) sırasıyla .464 ve .609 olacaktır. Yanlış pozitif oranındaki önemli sıçrama göz önüne alındığında ve .893’ün .9 hedefimize oldukça yakın olduğu göz önüne alındığında, takip eden bir lojistik regresyon analizi için .3819184’lük bir Sınıflandırma kesme değeri seçiyoruz.

ROC analizi yorumlama
Bloom Taksonomisi
bloom’un taksonomisi örnekleri
Roc analizi nasıl yapılır
ROC curve SPSS
SPSS grupları birleştirme
Roc Curve Nedir
Duyarlılık Analizi spss

İKİLİ LOJİSTİK REGRESYON ANALİZİ: REVİZE EDİLMİŞ SINIFLANDIRMA KESİMİ

Ana menüden Analyze ➔ Regresyon ➔ Binary Logistic’i seçerek Logistic Regresyon ana penceresini açıyoruz. Aşağıdaki istisna dışında, analizi tam olarak Bölüm 30’da yapıldığı gibi yapılandırıyoruz. Seçenekler iletişim penceresinde (bkz. Şekil 31.7), şimdi varsayılan .5’i .3819184’lük bir Sınıflandırma kesmesi ile değiştiriyoruz (panelde yalnızca bir kısmı görülebilir). Ana iletişim penceresine dönmek için Devam’a tıklayın ve analizi gerçekleştirmek için Tamam’a tıklayın.

Analizin sonuçları, elde edilenle aynı lojistik modeli üretti ve bu sonuçları göstermeyeceğiz (okuyucular bunu kendileri doğrulayabilir). Sınıflandırma kesmesinin revize edilmesinden etkilenen bir dizi sonuç, analizin sınıflandırma kısmıdır ve bu gösterilmiştir.

Tabloda, öngörülen gerçek pozitif oranımız olan .893’ün sonuçlarımızla tam olarak eşleştiği görülebilir. Ayrıca, .464’lük yanlış pozitif oranı da eşleştirilir: 138’in 64’ü %46.4’tür. İlginç bir şekilde, Genel Doğru sınıflandırma Yüzdesi daha önce %80’den burada %77,3’e sadece biraz düştü. Böylece, bu alternatif karar eşiğini kullanarak, cinsiyeti ve aldıkları aile-teşvik düzeyini içeren tahmin modeline dayalı olarak mezun olacak öğrencilerin neredeyse %90’ını belirleyebileceğiz.

Multinominal Lojistik Regresyon

Multinominal lojistik regresyon,  ele alındığı gibi ikili lojistik regresyonu üç veya daha fazla sonuç kategorisinin olduğu duruma genişletir. Tahmin değişkenleri yine de nicel ve ikili değişkenlerin herhangi bir kombinasyonu olabilir.

Üç veya daha fazla sonuç kategorisinin varlığına rağmen, lojistik regresyon hala grup üyeliğinin ikili bir tahminini gerektirir (bir referans grubuna göre hedef grup üyeliğini tahmin ederiz). Bu bariz çelişki, gruplardan birinin (analiz kurulumunda) referans grubu olarak atanmasıyla çok terimli analiz içinde barındırılır. Diğer grupların her biri bir hedef grup görevi görür ve bu referans grupla karşılaştırılır.

Böylece, üç sonuç kategorisiyle, biri sonuçlardan birini referans kategorisiyle, diğeri ise sonuçların diğerini kategoriyle karşılaştıran iki ayrı (ikili lojistik) parametre tahmini seti (ham puan katsayıları ve olasılık oranları) oluşturulur. 

Ancak, analizin sınıflandırma kısmında, sınıflandırma katsayıları tüm gruplar için oluşturulduğu ve uygulandığı için tüm sonuç kategorileri birlikte değerlendirilir ve her bir vaka için en yüksek puanı alan grup, o vakanın ait olduğu tahmin edilen grubu belirler. 

The post REVİZE EDİLMİŞ SINIFLANDIRMA KESİMİ – SPSS Ödevi Yaptırma – SPSS Analizi Yaptırma Fiyatları – SPSS Örnekleri – Ücretli SPSS Analizi Yaptırma – SPSS Analizi Yaptırma Ücretleri first appeared on Akademi Delisi (Tez Yaptırma).