Katsayılar tablosunun solundaki sütunlar, regresyon katsayılarıyla ilgili bilgileri sunar. Benlik saygısı için ham puan (standartlaştırılmamış) regresyon katsayısının .034 olduğu ve egzersize bağlılığın tek yordayıcısı olarak istatistiksel olarak anlamlı olduğu hatırlanabilir. Ancak diğer dört yordayıcının birlikteliğinde, benlik saygısının kısmi regresyon katsayısı .008’dir, bu ağırlık sıfırdan önemli ölçüde farklı değildir.

Bu, regresyon katsayılarının değerlerinin göreli doğasının iyi bir örneğidir. Modeldeki yordayıcıların ağırlıkları, diğer yordayıcılarla birlikte birleştirildiğinde bağımlı değişkeni maksimum düzeyde yordayacak şekilde belirlenir; bu ağırlıklar genellikle her bir değişkenin tek başına tahmin yeteneğini yansıtmaz.

Bu modelde yordayıcı değişkenlerden sadece ikisi istatistiksel olarak anlamlıdır, diyet_yoğunluğu ve beden saygısı, tesadüfen, egzersiz bağlılığı ile en yüksek korelasyona sahip olan ikisi; bu, bu değişkenlerle ilişkili standartlaştırılmamış ve standardize edilmiş (beta) katsayıların nispeten daha yüksek değerlerinde de görülebilir.

Böylece şunları söyleyebiliriz:

• Modeldeki diğer öngörücüler için kontrol edildiğinde, bir birim diyet yoğunluğundaki artışın, egzersiz bağlılığında .495 birimlik bir kazançla ilişkilendirilmesi beklenir.
• Modeldeki diğer yordayıcıları kontrol ederken, vücut saygısında bir birimlik artışın egzersiz bağlılığında .015 birimlik bir kazançla ilişkilendirilmesi beklenir.
Ayrıca, iki yönü aşağıdaki gibi olan bu değişkenlerle ilişkili ağırlıkların altında yatan dinamikler hakkında bir fikir edinebiliriz:
• Benlik saygısı ve beden saygısının göreceli olarak yüksek düzeyde ilişkili olduğunu, ancak beden saygısının modelde anlamlı bir yordayıcı olduğunu ve benlik saygısının olmadığını kaydettik. Benlik saygısı tarafından yapılan tahmin çalışmasının çoğunun, beden saygısı tarafından yapılan tahmin çalışmasıyla gereksiz olması muhtemeldir ve yalnızca ikincisine bu çalışma için kredi verildi.
• Yarı kısmi korelasyonlar, diyet_yoğunluğu ve vücut saygısının diğer değişkenlerden çok daha fazla benzersiz açıklayıcı güce katkıda bulunabildiğini göstermektedir. Kare değerlerine dayalı olarak, diyet_yoğunluğu ve vücut saygısı, egzersize bağlılığın varyansının sırasıyla yaklaşık %17’sini (.4112 = .1689) ve %8’ini (.2862 = .0818) benzersiz bir şekilde açıkladı.

IBM SPSS çıktısında sağlanmayan bir istatistik, her bir tahminci için yapı katsayısıdır. Bu istatistik, bireysel öngörücü ile öngörücü değişken (öngörücülerin ağırlıklı lineer bileşimi) arasındaki korelasyondur ve öngörücü değişkenler seti gerektirdiğinde, öngörücü model tarafından temsil edilen temeldeki gizli yapının yorumlanmasına yardımcı olmak için kullanılabilir (örn. kişilik değişkenlerinin ağırlıklı doğrusal bir bileşiminin bazı anlamlı temel boyutları temsil etmesi muhtemeldir).

Thompson, bu istatistiğin regresyondaki önemini özellikle vurgulamıştır, ancak yaygın olarak, örneğin temel bileşenler/faktör analizi ve diskriminant fonksiyon analizi gibi diğer gizli yapıları yorumlamak için kullanılır.

Regresyondaki yapı katsayıları, her bir öngörücü için Pearson r değerlerinin, örneğimizde .591 olan çoklu korelasyona (R) bölünmesiyle hesaplanabilir. Böylece, diyet_yoğunluk, sosyal_ilişki_ihtiyaçları, kendini kabul, benlik saygısı ve beden saygısı için yapı katsayıları sırasıyla .785, .299, .305, .443 ve .692’dir.

Bu durumda, istatistiksel olarak anlamlı iki öngörücünün de nispeten önemli yapı katsayıları vardı (ve dolayısıyla yorumu yönlendiriyor). Bu nedenle, modelin altında yatan gizli yapı, ince ve çekici bir vücuda değer veriyor gibi görünüyor, egzersiz yapma kararlılığını harekete geçiren bir arzudur.

Regresyon analizi yorumlama
SPSS kümeleme analizi
SPSS regresyon analizi yorumlama
Spss regresyon analizi nasıl yapılır
SPSS çoklu regresyon analizi
Çoklu regresyon analizi örnekleri
Çoklu regresyon analizi Nedir
Kümeleme analizi

ANALİZ KURULUMU: ADIMLI YÖNTEM

Adım adım yöntemin kurulumunu ve çıktısını kısaca sunacağız, yalnızca bununla standart yöntem arasındaki farkları vurgulayacağız. Gösterilen ana Lineer Regresyon penceresinde, egzersiz_bağlılığını Bağımlı panele ve diğer tüm değişkenleri Bağımsız(lar) paneline taşırız ve Yöntem açılır menüsünden Adım Adım’ı seçeriz.

İstatistikler ekranını standart regresyon analizi için yaptığımız gibi yapılandırıyoruz ancak sadece Stepping Method Criteria’yı göstermek için Options ekranını açıyoruz. Sırasıyla .05 ve .10 olan varsayılan Giriş ve Kaldırma kriterlerini koruyoruz (aralarında bu tür bir fark olması, analizin sonsuz bir giriş ve kaldırma döngüsüne yakalanmasını engeller). Ana iletişim penceresine dönmek için Devam’a tıklayın ve analizi gerçekleştirmek için Tamam’a tıklayın.

ANALİZ ÇIKTI: ADIMLI YÖNTEM

Model Özeti tablosu gösterilir. İkincisi birincisi üzerine inşa edilmiş iki model var. Her modelde bulunan değişkenler, Model Özeti tablosunun dipnotlarında gösterilir. İlk model, egzersiz taahhüdünün en iyi yordayıcısı olarak yalnızca diyet_yoğunluğunu içeriyordu; ikinci model vücut saygısını ekledi. Ek model olmadığı için, bu iki öngörücüye dayalı olarak hiçbir ek öngörücünün R2’yi önemli ölçüde iyileştiremeyeceğini öğreniyoruz.

İlk model varyansın yaklaşık %22’sini açıklamıştır (R2 = .216). İkinci model, R2’yi .132 artırdı (R Kare Değişimi), nihai R2’yi .347 ve düzeltilmiş R2’yi .344’e verdi, böylece varyansın yaklaşık %34’ünü sadece iki öngörücü ile açıkladı. Bunun, tam model tarafından açıklanan varyans yüzdesiyle yaklaşık olarak aynı olduğunu unutmayın (çünkü üç önemsiz tahmin edici içerdiğinden) ve aşamalı yöntemin neden böyle bir çekiciliğe sahip olduğuna dair bir fikir verebilir.

Bununla birlikte, değişkenlerin tamamı mevcut teorilere ve araştırma literatürüne dayalı olarak özenle seçilmiş olsaydı, o zaman, değişkenleri regresyon modellerinden kesin olarak yazılım tarafından verilen istatistiksel kararlara dayalı olarak çıkarmak (girmeyen) sadece çok dikkatli bir şekilde düşünülmesi için yapılmalıdır (örneğin, mümkün olduğunca az değişkenle sınırlı bir kaynak bağlamında tahmin etme ihtiyacı).

ANOVA sonuçları alt tabloda gösterilmektedir. Regresyon için serbestlik dereceleri, modeldeki tahmin edicilerin bir sayısıdır; bu nedenle, ilk model bir serbestlik derecesine sahiptir çünkü içinde sadece bir tahmin değişkeni vardır ve ikinci model iki serbestlik derecesine sahiptir çünkü iki tahmin değişkeni vardır. Her iki model de istatistiksel olarak anlamlıdır, bunun adım adım yöntem olduğu (ve modele yalnızca istatistiksel olarak anlamlı tahminciler eklendiği) göz önüne alındığında yine şaşırtıcı değildir.

Regresyon modelinde değişkenlerin katsayılarını sunar. Benlik saygısı ve beden saygısı için kısmi regresyon katsayıları, standart regresyon çıktısında gördüğümüz değere çok yakındır ve her biri benzersiz bir şekilde, egzersiz_bağlılığının makul bir yüzdesini açıklar. Analiz dışı bırakılan değişkenler alt tabloda gösterilmiştir.

The post ADIMLI YÖNTEM – 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:

• Çoklu regresyon analizi kullanarak bir regresyon modelini geliştirin
• Çoklu regresyon katsayılarını yorumlayın
• Nitel verileri bir regresyon modeline dahil edin
• Çoklu doğrusallığı teşhis edin ve ele alın

Tek Bir Açıklayıcı Değişkenin Ötesine Geçmek

Basit regresyon kullanarak önceki oturumlarımızda, birkaç iki değişkenli ilişkiyi inceledik. Bazı örneklerde, iki değişken arasında istatistiksel olarak anlamlı bir ilişki bulduk, ancak aynı zamanda varyasyonun çoğunun tek bir bağımsız değişken tarafından açıklanmadığını ve tahmin(ler)in standart hatasının genellikle standart ile karşılaştırıldığında oldukça yüksek olduğunu kaydettik. 

Bir değişkenin birkaç başka değişkene bağlı olduğunu varsayabileceğimiz pek çok örnek vardır; yani, birden çok nedene sahip tek bir sonuca sahibiz. Çoklu regresyonun istatistiksel aracı, bağımlı bir değişkenle aynı anda ilişkili değişkenleri tanımlamamızı ve her bir değişkenin bağımlı değişken üzerindeki ayrı ve farklı etkisini tahmin etmemizi sağlar.

Örneğin, üniversite öğrenim ücretlerindeki değişimi açıklamak için bir model geliştirmek istediğimizi varsayalım. Basit bir iki değişkenli modelde, bir okul tarafından alınan öğrenim ücretinin kurumun maruz kaldığı maliyetlere bağlı olduğunu varsayabiliriz. Colleges veri setimizde bu maliyetleri ölçen bir değişkenimiz var.

Öğrenci başına öğretim harcaması [instpers] olarak adlandırılır ve okul için eğitimle (ikamet, atletizm veya diğer öğrenci hizmetlerinin aksine) doğrudan ilgili kişi başına harcamaları temsil eder. Bu veri kümesinin birkaç yıl önce toplandığını da hatırlayın, bu nedenle dolar miktarları size düşük görünecektir. Model oluşturma kavramlarına bir giriş olarak, veri kümesi faydalı olmaya devam etmektedir. Öğrenim ve öğretim harcamalarının basit bir doğrusal regresyonu ile başlayalım.

Bağımlı değişken olarak Eyalet Dışı eğitim [tuit_out] ve bağımsız değişken olarak öğrenci başına Öğretim harcaması [instpers] ile basit bir dağılım grafiği oluşturun.

Dikkate değer özelliklerden bahsederek dağılım grafiği hakkında yorum yapın. Doğrusal bir regresyon analizi ile ilerlemek mantıklı görünüyor mu?

Regresyon Doğrusalını Analiz Et… Bağımlı değişken olarak tuit_out’u ve bağımsız olarak instpers’ı kullanın. Daha önceki oturumlarda olduğu gibi, normal bir olasılık grafiği ve standartlaştırılmış tahmini değerlere karşı standartlaştırılmış artıkların bir grafiğiyle birlikte, boyutta ikiden fazla standart hatadan fazla artıklar için Tanımlayıcılar ve Duruma Dayalı tanılama isteyin.

Çoklu regresyon analizi örnekleri
Standart çoklu regresyon
SPSS çoklu regresyon analizi
Regresyon analizi Örnekleri
Regresyon analizi
Basamaklı çoklu regresyon nedir
Çoklu regresyon analizi nasıl yapılır
Çoklu regresyon analizi Excel

Karışık olan regresyon sonuçlarına bakın. Tahmin edilen değerlere karşı tuhaf şekilli artık grafiğiyle normal artıklar buluyoruz; F ve t test sonuçları bu nedenle şüphelidir, ancak rapor edilen P- değeri (Sig. = .000) muhtemelen anlamlı bir ilişkiye işaret eder. Öte yandan, düzeltilmiş r2, .44’te düşüktür ve tahminin standart hatası olan 3.126$, y’nin standart sapmasına göre oldukça büyüktür. Sonuç olarak, bu model verilere çok iyi uymuyor.

Öğrenci başına eğitim maliyetleri, eyalet dışı eğitim ücretlerindeki değişimin yaklaşık %44’ü ile ilişkilidir. Varyasyonun bir diğer %56’sı açıklanamıyor. Belki de “daha iyi” okullar, diğer şeyler eşit olmak kaydıyla, aynı öğretim maliyetleriyle karşı karşıya kalan akran kurumlarından daha fazla ücret alır. Akademik kalite standartlarının bir ölçüsü olarak, gelen öğrencilerin ortalama birleşik SAT puanlarını kullanalım. Artık üç değişken arasındaki ilişkiyle ilgilendiğimiz için, bir matris grafiği kullanmak için iyi bir araçtır.

Grafikler Grafik Oluşturucu … Bu sefer Dağılım/Nokta seçenekleri altında Dağılım Grafiği Matrisi’ni seçin ve matris değişkenleri olarak Eyalet Dışı eğitim, Öğrenci başına öğretim harcamaları ve Ortalama birleşik SAT puanı değişkenlerini seçin.

Ortaya çıkan grafikte (bir sonraki sayfada gösterilen), bu üç değişkenin her bir eşleşmesini ilişkilendiren dağılım grafikleri görüyoruz. İlk satırda, her iki grafiğin de y ekseninde öğrenimi vardır; ilk sütunda, öğrenim x eksenini oluşturur. Eğitim harcamalarına karşı eğitim planını tanımalısınız. SAT puanlarına karşı eğitim planında ne görüyorsunuz?

Matris grafiği, aynı anda birkaç iki değişkenli ilişkiye bakmamızı sağlar. Ancak bu örnekte, çok değişkenli bir ilişki olduğunu varsayıyoruz: eğitim, öğretim harcamalarına ve SAT puanlarına birlikte bağlıdır. İki boyutlu bir grafikte bir gerileme çizgisi düşünmek yerine, üç boyutlu uzayda bir gerileme düzlemi düşünmeliyiz. Cebirsel olarak, şuna benzeyen bir model varsayıyoruz:

• Öğrenim = β0 + β1Harcamalari + β2 SATi + εi

Bu ilişkinin nasıl görünebileceğini görselleştirmeye yardımcı olmak için, dağılım grafiğimize bir boyut eklemek için. SPSS bunu aşağıdaki gibi yapmamıza izin verir:

Graphs Chart Builder… Matris grafiğimizi üç boyutlu dağılım grafiği ile değiştireceğiz. Önce Basit 3-D Dağılım simgesini galeriden önizleme penceresine sürükleyin. Ardından Eyalet Dışı eğitimi y eksenine, Ortalama birleşik SAT puanını çapraz z eksenine ve Öğrenci başına Öğretim harcamasını yatay x eksenine sürükleyin.

Ortaya çıkan grafikte, üç boyutlu bir uzayda öğrenim değerlerine bakıyoruz. Grafiğimiz bir sonraki sayfada yer almakta ve bir okul için eyalet dışı öğrenim ücretinin hem eğitim maliyetlerinin hem de SAT puanlarıyla ölçülen gelen öğrencilerin kalibresinin bir fonksiyonu olabileceği fikrini göstermektedir. Uzayda asılı duran bir nokta bulutu görüyoruz; buluta başka bir noktadan bakabilirsek, altta yatan bir modeli daha iyi görselleştirebiliriz.

Grafikte herhangi bir yere çift tıklayın. Grafik Düzenleyici açılacaktır.

3-D Döndürmeyi Düzenle Bu, aşağıdakileri belirten küçük bir iletişim kutusu açar:
dikey ve yatay koordinatlar. Başlangıçta, nokta bulutunu 325 derecede (hem dikey hem de yatay koordinatlar 0 ile 360 ​​derece arasında değişir) inceleyerek ufkun 10 derece üzerinde “dururuz”.

3-D Döndürme penceresinde, imleci noktaların üzerine getirin ve sol tıklayın. İmlecin şekli kapalı bir yumruğa dönüşür. Şimdi nokta bulutunu döndürerek fareyi yavaşça soldan sağa kaydırın. Farklı perspektifleri deneyerek, doğru perspektiften bakıldığında bulutun genellikle düz ve hafif eğimli olduğunu görebilmeniz gerekir.

Artık modelimizi tahmin etmeye hazırız. Bunu daha önce olduğu gibi yeni bir bağımsız değişken ekleyerek yapıyoruz. Regresyon Doğrusalını Analiz Et… Bağımsız değişkenler listesine ikinci bir değişken, Ortalama birleşik SAT puanı [combsat]— eklemek istiyoruz. Ayrıca, İstatistikler arasında açıklayıcılar talep ettiğinizden emin olun.

The post Çoklu 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).

Bu noktada, bu çalışmanın odak noktası, bağımsız değişken(ler)in tek bir bağımlı değişken üzerindeki etkilerini değerlendirmek olmuştur. ANOVA bağlamında buna tek değişkenli ANOVA denir. Bazen araştırma soruları, iki veya daha fazla bağımlı değişkenin aynı anda değerlendirilmesini içerecek şekilde çerçevelenebilir. Böyle bir yaklaşım, çok değişkenli ANOVA (MANOVA) olarak tanımlanır.

Bir MANOVA tasarımında, bağımlı değişkenler, ağırlıklı bir doğrusal bileşik veya değişken halinde birleştirilir. Ağırlıklar, bağımsız değişken(ler)in grupları veya seviyeleri arasında maksimum düzeyde ayrım yapmak için oluşturulur.

ANOVA’da olduğu gibi, MANOVA tasarımlarını kullanan araştırmacılar, tek bir bağımsız değişkenin (yani tek yönlü bir MANOVA) veya iki veya daha fazla bağımsız değişkenin (yani iki yönlü veya k yönlü MANOVA) etkilerini inceleyebilir. Tek değişkenli ve çok değişkenli yaklaşımlar arasındaki fark, MANOVA kullanan araştırmacıların, bağımsız değişken(ler)in birleşik bağımlı değişken üzerindeki etkilerini – çok değişkenli bir etkiyi – değerlendirmekle ilgilenmesidir.

MANOVA tasarımlarını kullanmanın başka bir çok faydasını veya avantajını belirledik. Bunlardan bazılarını burada kısaca not edebiliriz.

• Çoklu bağımlı ölçüler, tasarıma faydalı fazlalık ve daha fazla kavramsal netlik sağlar.
• MANOVA, operasyonel alfa seviyesini şişirebilecek ayrı tek değişkenli F testlerinden kaçınarakTür Hatasını (yanlış hipotezi boş hipotezi reddederek) azaltır.
• MANOVA, varyans-kovaryans matrislerinin incelenmesiyle bağımlı ölçümlerin karşılıklı korelasyonunu dikkate alır.
• MANOVA, bazen tek değişkenli analiz düzeyinde maskelenen grup farklılıklarını saptayabilir.

MANOVA konusu kesinlikle bu kitabın kapsamı dışında olsa da, ilgilenen okuyucuyu aşağıdaki yayınları keşfetmeye teşvik ediyoruz.

SPSS’de Primerler

TARİHİ GENEL BAKIŞ

SPSS Web sitesi, şirketin ve ürettikleri yazılımların kapsamlı bir geçmişini sunar. İşte o bilgilerin bir özeti. Statistical Package for the Social Sciences’ın kısaltması olan SPSS, büyük bir uygulamada bir arada bulunan bir dizi istatistiksel analiz prosedürüdür. Yazılım, 1968’de Stanford’daki iki doktora öğrencisi ve yeni bir Stanford mezunu (Hadlai Hull) tarafından geliştirildi. Nie ve Hull, yazılımı Chicago Üniversitesi’ne getirdiler ve ilk kılavuzu 1970’te yayınladılar. 1975’te şirketi Illinois’de kurdular.

SPSS, üniversiteler gibi birçok kuruluşta bulunan tek bilgisayar türü olan ana bilgisayarlarda kullanılmaya başlandı. Bir kullanıcı bir bilgisayar terminalinde oturur ve bir kart okuyucu makinesi aracılığıyla bilgisayar kartlarına ve 1980’lerin başında boş bir ekrana SPSS sözdizimini (programlama dili) yazardı. Sözdizimi, sözcük dizileri gibi görünecek, ancak yazılımın, sözdizimi tarafından belirtilen istatistiksel analizi gerçekleştirmesini sağlayan kurallara uyacaktır.

Regresyon analizi yorumlama
SPSS regresyon analizi yorumlama
Regresyon Analizi nasıl yapılır
Regresyon analizi Nedir
SPSS çoklu regresyon analizi
Çoklu regresyon analizi örnekleri
Çoklu regresyon analizi yorumlama
Regresyon analizi pdf

SPSS ilk olarak 1984’te kişisel bilgisayarlar için pazarlandı. Bu pazardaki devrim niteliğindeki fark, diyalogdan seçimler yapmak için grafiksel bir kullanıcı arabiriminin (kısaltılmış GUI, ancak bugün çoğu insan tarafından fareyi işaret etmek ve tıklamak için kullanıldığı düşünülüyor) kullanılmasıydı. ekranlar. Bu seçimler “perde arkasında” SPSS sözdizimine çevrildi, ancak sözdizimi ekranda doğrudan insan kullanıcıya sunulmadı.

Ancak, kod herhangi bir zamanda bir fare tıklamasıyla görüntülenebilir. SPSS, son çeyrek yüzyılda hem yazılımının hem de GUI’sinin sürekli geliştirilmesine büyük çaba harcadı ve çok sık yeni sürümler yayınladı. Uygulama uzun yıllardır hem Windows hem de Mac platformlarında mevcuttur.

FARKLI DOSYA TÜRLERİ VE UZANTILARI

Sözcük işlemci programı veya SPSS olsun, herhangi bir ticari yazılım uygulamasıyla çalışırken, bazıları o yazılıma özel olan farklı dosya türleri ile uğraşma fırsatınız olacaktır. Oluşturduğunuz dosyalar, onlara atadığınız “normal” adlara sahiptir, ancak aynı zamanda “uzantıları” da vardır.

Bu uzantılar nokta-harf-harf-harf şeklini alır. Noktadan sonraki üç harf, dosyanın veya belgenin türünü belirtir. Aşağıda, SPSS kullanarak bir araştırma çalışmasının sonuçlarını işleme bağlamında üzerinde çalışıyor olabileceğiniz bazı farklı dosya türlerinin ve uzantılarının bir listesi bulunmaktadır.

Özellikle SPSS dosyalarına baktığınızda bu uzantıları görebilmeniz çok önemlidir. Bunun nedeni, veri, çıktı ve hatta sözdizimi dosyaları (eğer kullanıyorsanız) için aynı normal adı kullanıyor olabilirsiniz. Örneğin, benlik saygısı çalışmanızdan (örneğin, saygı.sav, saygı.spo ve saygı.sps) dosyaları ayrı anlatma şekliniz, dosya uzantılarını not etmektir.

Bilgisayarınızdaki ayarlara bağlı olarak bu dosya uzantılarını göremeyebilirsiniz. Bu dosya uzantılarının görünür olduğundan emin olmak için aşağıdakileri yapmalısınız. Windows’ta, bu yolu kullanarak dosyalarınızdaki uzantıları gösterecek şekilde tercihlerinizi ayarlayın: Bilgisayarım ➜ Araçlar ➜ Klasör Seçenekleri ➜ Görünüm ➜ Gizli dosya ve klasörler ➜ Bilinen dosyalar için uzantıları gizle.

Uzantıları gizle onay kutusunun işaretli olmadığından emin olun (varsayılan, uzantıların görüntülenmesini engelleyen onay işaretidir). Mac’te, bir dosyayı her kaydettiğinizde (genellikle varsayılandır) Farklı Kaydet iletişim kutusunda Dosya uzantısı ekle’yi işaretlemeniz yeterlidir. Her iki platformda da, artık ne tür bir dosya seçmek istediğinizi navigasyonunuzda belirleyebilirsiniz.

AÇILIŞ SPSS

SPSS, normalde bilgisayarınızın birincil dahili sürücüsündeki bir klasörde depolanır. Windows’ta Program Dosyaları klasöründe bulunmalıdır; Mac’te Uygulamalar klasöründe saklanmalıdır. Simgesine tıklamak uygulamayı açacaktır. SPSS’yi her açmak istediğinizde klasör hiyerarşinizde gezinmekten kaçınmak için masaüstünüze bir kısayol (Windows’ta denir) veya bir takma ad (Mac terminolojisi) yerleştirmek çok uygundur.

SPSS DOSYALARINI KAYDETME

GENEL TAVSİYE

Aşağıdakilerin başınıza geleceğini varsaymalısınız. Bilgisayarınızda birkaç saat çalıştıktan sonra ve bu süre içinde çalışmanızı kaydetmediyseniz, uygulama (örneğin, Word, SPSS) kilitleniyor veya bilgisayarınız çöküyor. Sonuç olarak, yatırım yaptığınız tüm çalışmaları kaybedersiniz. Bu sorunu önlemek için genel tavsiyemiz, çalışmanızı sık sık hem dahili sabit sürücünüze hem de USB flash sürücü gibi harici ortamlara kaydetmenizdir. Tasarruf alışkanlığı edinirseniz, çok daha az bir angarya haline gelecektir.

Kaydettiğinizde, dosyayı sizin için tanımlamaya yetecek kadar hızlı bir şekilde size bilgi verecek bir ad seçin. Örneğin, çalışma verilerinin uzunluğu verilerime veya verilerime1 tercih edilir.

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