Bu kurgusal örnek, 142 farklı hastaneden 4500 hastanın sonuçlarını sağlar ve veri dosyasının hasta iyimserliği adlı bir bölümünün ekran görüntüsü gösterilir. Sonuç (bağımlı) değişken, bu hastalar için 0 ile 100 arasında değişebilen bir envanter olan Hasta Tarafından Raporlanan Sonuç Ölçütlerinde (PROM’lar) puandır ve daha yüksek puanlar daha fazla algılanan sağlık ve yaşam kalitesini gösterir; değişken, bağımlı değişken olduğunu açıklığa kavuşturmak için prom_dv olarak adlandırılır.

142 hastane, verilerin hiyerarşik yapısını temsil etmektedir; bu tanımlama kodları hastanenin kategorik değişkeninde yer almaktadır. Ayrıca bu hastaneleri değişken türü altında ya eğitim vermeyen (veri dosyasında 0 olarak kodlanmış) ya da eğitim veren (veri dosyasında 1 olarak kodlanmış) hastaneler olarak ikiye ayırdık.

Veri dosyasındaki tek nicel tahmin değişkeni iyimserliktir ve daha yüksek puanlar daha fazla iyimserliği gösterir. Bu değişken, L1_optimism_C değişken adı altında Düzey 1’de genel ortalama merkezlidir. Bu değişken üzerindeki puanlar, bireysel hasta iyimserlik puanı ile toplam örneklem (genel) iyimserlik ortalaması (L1_optimism_C = iyimserlik – genel ortalama) arasındaki farkı yansıtır. L1_optimism_C’nin ortalaması, yani büyük ortalama merkezli değişken için örneğin ortalaması sıfırdır.

ANALİZ STRATEJİSİ

Düzey 2 merkezli iyimserlik değişkeninin nasıl oluşturulacağını göstererek başlıyoruz.

Bu, aşağıdaki üç adımı gerektirir:

• Her hastaya, grubun ortalama iyimserlik puanına eşit Düzey 2 değişkeninde bir puan vermemiz gerekiyor. Bu, Toplama işlevi kullanılarak gerçekleştirilir.
• Daha sonra genel ortalamayı hesaplıyoruz (bu, Düzey 1 merkezleme için yapılmalıydı).
ancak okuyuculara göstermek için tekrar üretiyoruz).
• İlk adımda oluşturulan her hasta için toplam puanlardan genel ortalamayı çıkarırız.

Daha sonra çok seviyeli modelleme analizleri setini gerçekleştiririz. Daha basit bir modelle başlayıp genellikle daha karmaşık modellere doğru inşa ederek bir dizi modeli incelemek için çok düzeyli bir modelleme analizi yapmak yaygın bir uygulamadır.

Aşağıdaki beş model setini yapılandırıyoruz:

• Koşulsuz Model. Herhangi bir çok düzeyli modelleme analizindeki ilk adım, Düzey 2 değişken(ler)iyle ilişkili bağımlı değişkenin varyans miktarını değerlendirmektir. Örneğimizde, ICC, çalışmadaki 142 hastane arasındaki farklılıklarla açıklanan prom_dv puanı varyansının miktarını açıklamaktadır. Bu koşulsuz model, sonraki modelleri değerlendirmek için kullandığımız bir temel olarak hizmet eder.
• Karışık Düzey 1 Modeli. İlk tahmine dayalı model, prom_dv puanlarını tahmin eden (bireysel) Düzey 1 merkezli iyimserliğin Sabit ve Rastgele Etkilerini içerir.
• Karışık Düzey 2 Modeli. Bu model, prom_dv puanlarını tahmin etmek için (bireysel) Düzey 1 iyimserliğiyle birlikte hastane türünün Sabit ve Rastgele Etkilerini birleştirir.
• Hiyerarşik Bir Model. Bu model, karma Düzey 2 modeline hastanenin iyimserlik düzeyini (2. Düzey merkezli değişken) ekler.
• Bir Etkileşim Modeli. Bu model, hiyerarşik modele hastanenin Düzey 2 iyimserlik düzeyi ile hastane türünün etkileşim etkisini ekler.

Süreksiz değişken örnekleri
Sürekli değişken örnekleri
Değişken türleri
Ara değişken örnekleri
Sürekli süreksiz değişken
Bağımlı değişken nedir
Kesikli ve sürekli değişken istatistik
Nitel değişkenler

İYİMİZM DEĞİŞKENİNİN TOPLANMASI

Belirli bir hastane için ortalama değeri o hastaneyle ilişkili tüm hastalara atamanın en doğrudan yolu, iyimserlik değişkenini hastaneye göre toplamaktır. Bir değişkeni toplamak, bir grubun her bir üyesine, belirlenmiş bir işlev (örneğin, bir ortalama) tarafından hesaplanan belirli bir değeri atamak demektir.

Hasta iyimserliğini açıyoruz ve ana menüden Analiz ➔ Veri ➔ Toplama seçimini yaparak görülen Toplama penceresini açıyoruz. Hastaneyi Break Değişken(ler) paneline taşıyoruz. Fren Değişkeni, grupları tanımlamanın temelidir; burada her hastane bir grup olacaktır.

İyimserliği Değişken(ler)in Özetleri paneline taşıyoruz. Bu, değerlerini toplamak istediğimiz değişkendir. Değişkeni panele taşıdığımızda IBM SPSS otomatik olarak iki şey yapar:

• Varsayılan fonksiyon olarak ortalamayı belirtir. Bu, eşittir işaretinin ardından MEAN(iyimserlik) ifadesi ile temsil edilir. Parantez içindeki değişken, toplanacak değişkendir (ve panele taşıdığımız değişkendir).
• Toplanacak değişkene genel bir ad atar. İşte, bu isim optimizm_mean.

Function butonunu seçiyoruz. Bu eylem, Toplama İşlevi penceresini açar; bunu sadece okuyuculara neye benzediğini göstermek için sunuyoruz (varsayılan işlev – ortalama – hesaplamak istediğimiz şeydir).

Fren Değişkenimizin her seviyesindeki puanların medyanı, toplamı ve standart sapmasını hesaplamak da dahil olmak üzere, değişkenimizi toplamanın birkaç yolu vardır. Burada her hastane için ortalama iyimserlik değerini hesaplamak istiyoruz ve bu nedenle varsayılan işlevi kabul ediyoruz ve Devam’ı seçiyoruz.

Ad ve Etiket düğmesinin seçilmesi, gösterilen Ad ve Etiket penceresini açar. Düzey 2 değişken olduğu fikrini yansıtmak için optimism_groupmean adını oluşturuyoruz ve Devam’ı tıklıyoruz. Tamam’ı tıkladığımız yerde yapılandırılmış Toplama penceremiz gösterilir.

2. DÜZEYİ MERKEZLEME

Düzey 2 optimizm_grouportalama değişkenini ortalamak için, her puandan genel iyimserlik ortalamasını çıkarmalıyız. Bu nedenle, büyük ortalamanın değerini belirlememiz gerekiyor ve bunu, Betimleyiciler prosedüründe orijinal iyimserlik değişkenini ve iyimserlik_grup ortalamasını analiz ederek yapıyoruz.

Hem iyimserlik_grup ortalaması hem de iyimserlik değişkenleri için  gösterilen sonuçlar, 56.7567 iyimserlik_grup ortalaması için büyük bir ortalama ve 56.76 iyimserlik için büyük bir ortalama vermiştir. Minimum, Maksimum ve Std’deki farklılıklar. İyimserlik_ grup ortalaması ve iyimserlik arasındaki sapma, ilk değişken grup ortalamalarını temsil ettiğinden ve ikinci değişken bireysel puanları temsil ettiğinden elde edilir.

Daha sonra,  gösterildiği gibi optimizm_grouportalama değişkeninden genel ortalamayı (56.7567) çıkararak ortalanmış Düzey 2 değişkenimizi (L2_optimism_C olarak adlandırılacak) hesaplıyoruz (optimism_grouportalama değişkeni yalnızca bir ara adımı temsil ettiğinden, bu değişkeni görsel gösterimi basitleştirmek için çok seviyeli modelleme analizleri için değişken listesi).

ANALİZ KURULUMU: KOŞULSUZ MODEL

Artık ilki koşulsuz model olan çok düzeyli modellerimizi değerlendirmeye başlamaya hazırız. Hasta iyimserliği veri dosyası açıkken Ana menüden Analiz ➔ Karma Modeller ➔ Doğrusal seçim yapıyoruz. Bu eylem, gösterilen ilk Konuları Belirt ve Tekrarlanan penceresini görüntüler. Bu pencerede kümeleme değişkenini tanımlıyoruz.

Hastalarımızın farklı hastanelerle ilişkilendirilerek organize (kümelenmiş/iç içe) olduğunu belirtmek için hastaneyi Konular paneline taşıyoruz. Bu, hastaneler arasındaki herhangi bir farklılığın çok düzeyli analizde istatistiksel olarak kontrol edileceğini belirtir (yani, bir ortak değişken olarak hizmet edecektir). Boylamsal bir değişkenimiz olmadığı için Repeated panelini boş bırakıyoruz. Ana Doğrusal Karışık Modeller penceresine ulaşmak için Devam düğmesini seçin.

Ana Doğrusal Karışık Modeller penceresi gösterilir. prom_dv’yi Bağımlı Değişken paneline yerleştiririz ancak herhangi bir tahmin edici belirtmeyiz (bunlar Faktör(ler) veya Ortak Değişken(ler) paneline yerleştirilirler). Modeldeki tek etki, hastanenin Denekler değişkeni olacaktır.

Veri setimizdeki hastanelerin ülkedeki tüm hastanelerden rastgele seçildiğini varsayıyoruz; Bu varsayım göz önüne alındığında, hastaneyi rastgele bir etkiyi temsil eden olarak tanımlayacağız. Açılır menüden varsayılan Kovaryans Türü Varyans Bileşenlerini koruyoruz; modele öngörücüler eklemeye başladığımızda, farklı bir Kovaryans Türü çağırmayı seçebiliriz.

Hastaneyi rastgele bir efekt olarak belirlemek için Random butonunu seçiyoruz; bu seçim gösterilen ekranı açar. Pencerenin üst kısmına doğru Rastgele Efektler alanında Include Intercept’i işaretliyoruz. Pencerenin alt kısmındaki Konu Gruplamaları alanında, hastaneyi Kombinasyonlar paneline taşıyoruz. Ana pencereye dönmek için Devam’a tıklayın ve İstatistikler butonunu seçin.

İstatistikler penceresi gösterilir. Model İstatistikleri altında Parametre tahminlerini ve kovaryans parametreleri için Testleri kontrol edin. Çıktı oldukça uzun olduğu için, amaçlarımız için, Tanımlayıcı İstatistikleri (her hastane için hasta sayısını ve bağımlı değişkenin ortalamasını ve standart sapmasını sağlayan) veya Vaka İşleme Özetini (bu sayıyı sağlayan) talep etmiyoruz.  Ana pencereye dönmek için Devam’a tıklayın ve analizi gerçekleştirmek için Tamam’a tıklayın.

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

Üç Evet-Hayır Değişkeni İçin Veri Organizasyonu

Şimdi üç kategorik değişken arasındaki ilişkileri inceleyeceğiz. Bu örneğe ilişkin veriler, Chicago’daki 75 topluluk alanındaki kalabalıklaşma ve antisosyal davranış araştırmasından alınmıştır (ders kitabının Tablo 6.45’ine bakınız). Sosyoekonomik statü (“SES”), nüfus yoğunluğu (“pop dens”) ve suçluluk oranı (“delinq”) arasındaki ilişkileri incelemek için toplulukların üç özelliği çapraz sınıflandırılır. Her değişken ikilidir ve 1=düşük ve 2=yüksek olarak kodlanmıştır. Bu nedenle, bu 2 x 2 x 2 bir tablodur (yani, her biri 2 seviyeli üç değişken). Bu veri dosyasının adı “delinq.sav.”

2 x 2 x 2 frekans tablosu Tablo 6.1’de yeniden verilmiştir. Bu, biri yüksek SES toplulukları için diğeri düşük SES toplulukları için olmak üzere 2 x 2 tablodan oluşan bir çift olarak görüntülenen üç yönlü bir tablodur.
Değişkenler arasındaki ilişkileri anlamak için göstereceğimiz yaklaşım, değişken çiftleri arasındaki “marjinal” ilişkiyi incelemektir.

Marjinal ilişkilendirme, üç değişken çifti için 2 x 2 sıklık tablosunun incelenmesini içerir: SES x pop_dens, SES x delinq ve pop_dens x delinq. Üç tablo Şekil 6.5’te görülmektedir. SPSS for Windows’un bu üç tabloyu üretmesi için Bölüm 6.1’deki adımları kullanarak üç ayrı 2 x 2 tablo oluşturmanız gerekir.

Üstteki tablo, suçluluk ve nüfus yoğunluğu arasındaki ilişkiyi göstermektedir. İkinci ve üçüncü tablolar, sırasıyla, sosyoekonomik durumun nüfus yoğunluğu ve suçluluk ile ilişkisini göstermektedir. Örneklemek gerekirse, orta tablodaki veriler şunları göstermektedir: örneklemdeki 75 topluluktan 34’ü (%45,3) düşük nüfus yoğunluğuna sahiptir. Bu 34 düşük nüfuslu topluluktan sadece 5’i (%14,7) daha düşük sosyoekonomik statü koşullarına sahiptir.

Tablo 6.1, 2 x 2 marjinal çapraz tabloların herhangi birinden daha fazla ayrıntı verir. Örneğin, yüksek SES toplulukları arasında 30’u (27 + 3) düşük düzeyde suçluluğa sahiptir ve bunların 27’si (%90) düşük nüfus yoğunluklu bölgelerdedir. SPSS doğrudan üç yollu bir tablo üretmeyecektir, ancak bunu üçüncü değişkenin her bir değeri için ayrı 2 x 2 tablolar üreterek yapar (örneğin, yüksek ve düşük SES toplulukları, ayrı ayrı). Sıklık tablolarının incelenmesine yönelik bu “koşullu” yaklaşım, Bölüm 6.3.2 ve 6.4’te tartışılmaktadır.

Daha Büyük Üç Yönlü Frekans Tabloları

Şekil 6.6, restoran özelliklerine ilişkin varsayımsal verileri içeren 3 x 3 x 2 bir tablodur. Restoranlar, servis ettikleri yemek türüne (makarna, Fransız, deniz ürünleri), yemek maliyetine (ucuz, orta, pahalı) ve restoranın bir zincirin parçası olup olmadığına (evet, hayır) göre sınıflandırıldı. Veriler “meal.sav” dosyasında bulunur.

Karşılıklı ilişkiler, biri zincir ve diğeri zincir olmayan restoranlar için olmak üzere iki adet 3 x 3 sıklık tablosunda görüntülenir. Bu tablolar, aşağıdaki prosedürler kullanılarak Windows için SPSS ile üretilmiştir. Veri dosyasını açtıktan sonra:

(1) Menü çubuğundan İstatistikler’e tıklayın.
(2) Açılır menüden Özetle’ye tıklayın.
(3) Çapraz Tablolar iletişim kutusunu açmak için Çapraz Tablolar’a tıklayın.
(4) “Yemek” değişkenini üzerine tıklayarak vurgulayın ve ardından sağ üstteki ok düğmesine tıklayarak onu Satır(lar) kutusuna taşıyın.
(5) Üzerine tıklayarak “maliyet” değişkenini vurgulayın ve ardından orta sağ ok düğmesine tıklayarak Sütun(lar) kutusuna taşıyın.
(6) “Zincir” değişkenini üzerine tıklayarak vurgulayın ve ardından sağ alt ok düğmesi ile ekranın alt kısmına yakın boş kutuya taşıyın.
(7) Tamam’a tıklayın.

Kategorik değişken nedir
Kategorik değişken örnekleri
Süreksiz değişken
Düzenleyici değişken nedir
Ara değişken nedir
Süreksiz değişken örnekleri
Bağımlı değişken nedir
Sürekli değişken nedir

Her tablo, bir restoran türü için yemek türü ve maliyeti arasındaki ilişkiyi gösterir. (Birinci tablonun zincir restoranlara, ikinci tablonun zincir olmayan restoranlara ait olduğuna dikkat edin.) Marjinal sayı ve yüzdeler, zincir restoranların yaklaşık olarak aynı sayıda makarna, fransız ve deniz ürünleri restoranına sahip olduğunu göstermektedir.

En yaygın maliyet kategorileri ucuz ve pahalıydı. Zincir olmayan restoranlar arasında, makarna veya deniz ürünlerinden daha fazla Fransız restoranı ve ucuz (%25) veya orta (%29,2) restoranlara göre daha pahalı restoranlar (%45,8) bulunmaktadır.

Üçüncü Değişkenin Etkileri

İki değişken arasındaki ilişki, üçüncü bir değişkenin belirli değerlerinde, yani iki değişken arasındaki “koşullu” ilişkide incelenebilir. Üçüncü bir değişken dikkate alındığında iki değişken arasındaki ilişki korunabilir, artırılabilir, azaltılabilir ve hatta tersine çevrilebilir.

Örnek olarak çocuk suçluluğu oranlarına ve nüfus yoğunluğuna ilişkin verilere tekrar bakalım; Tablo 6.2’deki frekanslar, düşük SES ve yüksek SES sayılarının toplanmasıyla elde edilir.

Düşük suçlu topluluklarının çoğunun düşük yoğunluklu alanlarda yer aldığını, yüksek suçlu toplulukların çoğunun ise yüksek yoğunluklu alanlarda bulunduğunu görüyoruz. Ayrıca, yüksek ve düşük suçluluk türlerinin sayılarının (35 ve 40), yüksek ve düşük nüfus sayılarının (34 ve 41) oldukça benzer olduğuna dikkat edin.

Şimdi üçüncü değişken dikkate alındığında suçluluk ile nüfus arasındaki ilişkiyi inceleyelim; bu değişken sosyoekonomik durumdur (SES). Windows için SPSS kullanılarak, aşağıdaki adımlar kullanılarak düşük SES ve yüksek SES toplulukları için ayrı tablolar elde edilir.

(1) Menü çubuğundan İstatistikler’e tıklayın.
(2) Açılır menüden Özetle’ye tıklayın.
(3) Çapraz Tablolar iletişim kutusunu açmak için Çapraz Tablolar’a tıklayın.
(4) “delinq” değişkenini üzerine tıklayarak vurgulayın ve ardından sağ üst ok düğmesine tıklayarak th{: Row(s) kutusuna taşıyın.
(5) “pop_dens” değişkenini üzerine tıklayarak vurgulayın ve ardından orta sağ ok düğmesine tıklayarak onu Sütun(lar) kutusuna taşıyın.
(6) “SES” değişkenini üzerine tıklayarak vurgulayın ve ardından sağ alt ok tuşu ile ekranın alt kısmına yakın boş kutuya taşıyın.
(7) Tamam’a tıklayın.

Sonuçlar gösterilmektedir. Bu tabloların, sırasıyla  sol ve sağ bölümlerinde verilenlerle aynı sonuçlara sahip olduğuna dikkat edin.

Desenler farklıdır. İlk olarak, SES düşünüldüğünde satır ve sütun sayılarının önemli ölçüde değiştiğine dikkat edin. Düşük SES alanları arasında, düşük suçlu topluluklardan çok daha fazlası vardır ve bunların çoğu (%94,3) yüksek yoğunluklu alanlardadır. Yüksek SES toplulukları arasında, yüksek suçluluğa kıyasla düşük suçluluk yüzdesi (%85,7) daha fazladır ve bunların çoğu düşük yoğunluklu bölgelerdedir. Bir anlamda SES, nüfus yoğunluğu ile çocuk suçluluğu oranları arasındaki ilişkiyi “açıklar”.

The post Üç Kategorik Değişken – 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 korelasyon katsayısının hesaplanmasında yalnızca her iki değişken için değerleri olan durumlar kullanılabilir. SPSS’nin eksik değerlere sahip durumları ortadan kaldırmasını sağlamanın iki yolu vardır: “liste bazında silme” ve “çift silme”. Örnek olarak, veri dosyamızdaki üçüncü vakanın yazılı testte bir puanın eksik olduğunu varsayalım.

Üçüncü durum, tüm değişkenler hakkında tam bilgiye sahip olmadığı için, liste bazında silme, üçüncü durumu tüm korelasyon katsayılarının hesaplanmasından çıkarır. Tüm korelasyonlar kalan 27 vakadan hesaplanır. İkili silme, yalnızca yazılı testi içeren korelasyonları hesaplarken üçüncü durumu ortadan kaldırır; bu nedenle bazı katsayılar 27 gözleme, diğerleri ise 28’in tümüne dayalı olacaktır.

SPSS’deki varsayılan seçenek, her katsayı için maksimum vaka sayısını kullanan ikili silmedir. İki Değişkenli Korelasyonlar iletişim kutusunun Seçenekler düğmesine tıklayarak liste bazında silme talebinde bulunabilirsiniz.

ÇOK DEĞİŞKENLİ VERİLERİN ÖZETİ:

KATEGORİK DEĞİŞKENLER ARASINDAKİ İLİŞKİ

Bu bölümde, iki veya ikiden fazla kategorik değişken arasındaki ilişkilerin nasıl inceleneceğini göstereceğiz. Bu yöntemler, sayıları ve ilişki modellerini temsil eden sıklık tablolarına dayanır.

İkiye İki Frekans Tabloları

Bilgiler aynı anda iki sınıflandırma kullanılarak kategorize edildiğinden, bir sıklık tablosundaki verilerin özetlenmesine çapraz tablolama denir. Örneğin, içinde belirli sayıda kadın ve erkek bulunan bir örneğimiz olabilir. Numunede çok sayıda beyaz ve azınlık da olabilir. Bölüm 2’den, Frekanslar prosedürünü kullanarak bir değişkenin frekanslarını bulabileceğimizi hatırlayın.

Ancak, veri dosyasında kaç tane beyaz kadın veya azınlık erkek olduğu hemen belli olmayabilir. Bu, tüm değerlerin eşzamanlı oluşum sayılarını inceleyen Çapraz Tablolama prosedürü kullanılarak gerçekleştirilir. Örneğin, itfaiyeci adayları hakkında performans bilgilerinin bulunduğu itfaiyeci ~ata dosyasındaki (“fire.sav”) verileri açın.

Cinsiyete göre iki yönlü bir ırk sıklık tablosu oluşturmak için şu adımları izleyin:

(1) Menü çubuğundan İstatistikler’e tıklayın.
(2) Açılır menüden Özetle’ye tıklayın.
(3) Gösterilen Çapraz Tablolar iletişim kutusunu açmak için Çapraz Tablolar’a tıklayın.
(4) Üzerine tıklayarak “cinsiyet” değişkenini vurgulayın ve ardından sağ ok düğmesine tıklayarak onu Satır(lar) kutusuna taşıyın.
(5) Üzerine tıklayarak “ırk” değişkenini vurgulayın ve ardından sağ ok düğmesine tıklayarak Sütun(lar) kutusuna taşıyın.
(6) Tamam’a tıklayın.

Varsayılan olarak, bu, satırın (“sex”) sütun (“ırk”) değişkenlerine göre bir çapraz tablosunu üretecektir. Sütun değişkenlerine göre satırın her değer kombinasyonu için durum sayısı görüntülenir.

Sıklık tablosunu inceleyerek cinsiyetin iki değeri (erkek ve kadın) ve ırkın iki değeri (beyaz ve azınlık) olduğunu görüyoruz. Irk, sütun değişkenidir ve cinsiyet, satır değişkenidir. Bu ikiye iki tablonun dört “hücresi” var.

Bağımlı değişken nedir
Kategorik değişkenler nelerdir
Kategorik değişken örnekleri
Sürekli değişken
Nominal değişken nedir
Süreksiz değişken örnekleri
Kesikli değişken
İstatistikte değişken nedir

Hücrelerin her birinde görünen sayıya Sayım (veya sıklık) adı verilir; bu, o hücredeki vaka sayısıdır. Bu örnekte 8 beyaz kadın ve 5 azınlık erkek var. Tablonun sağındaki ve altındaki sayılar marjinal toplamlardır ve satırlar ve sütunlar için ayrı ayrı sayıları temsil eder.

Örneğin, satır kenar boşluklarında üstteki 14, 14 erkek olduğunu ve alttaki 14, 14 dişi olduğunu gösterir. Aynı şekilde, 17 ve 11 sütun toplamları sırasıyla beyazların ve azınlıkların sayısını gösterir. Sağ alt köşedeki 28, numunedeki toplam vaka sayısını gösterir. Bu marjinal frekanslar, gösterildiği gibi Frekanslar prosedürü kullanılarak da elde edilebilir.

Yüzdelerin Hesaplanması

Her hücrenin sayımına ek olarak, SPSS ayrıca satır, sütun ve toplam yüzdeleri hesaplayacaktır. Satır yüzdesi, belirli bir hücreye düşen bir satırdaki durumların yüzdesidir. Sütun yüzdesi, bir sütundaki belirli bir hücreye giren durumların yüzdesidir. Toplam yüzde, tablodaki toplam vaka sayısının yüzdesi olarak ifade edilen bir hücredeki vaka sayısıdır.

Satır, sütun ve toplam yüzdeleri hesaplamak için önceki bölümdeki 1-5 arasındaki adımları izleyin ve ardından:

(1) Çapraz Tablolar: Hücre Görünümü iletişim kutusunu açmak için Hücreler’e tıklayın.
(2) Satır, Sütun ve Toplam yüzdelerini hesaplamak istediğinizi belirtmek için Yüzdeler kutusundaki her kutuya tıklayın.
(3) Devam’a tıklayın.
(4) Tamam’a tıklayın.

Bu yüzdeleri göstermek için ders kitabının Tablo 6.1’inde yer alan 25 öğrenciye ait verileri yeni bir veri dosyasına girin. Kategorik verileri şu şekilde kodlayın: cinsiyet (1=kadın; 2 = erkek), bölüm (1=mezun; 2=lisans). Çapraz tablolar prosedürünü satır değişkeni olarak “sex” ve sütun değişkeni olarak “division” ile çalıştırın. Satır, sütun ve toplam yüzdeleri hesapladıktan sonra çıktınız Şekil 6.3’teki gibi görünmelidir.

Hücre sayıları 8 kadın lisansüstü öğrencisi, 4 kadın lisans öğrencisi, 3 erkek lisansüstü öğrencisi ve 10 erkek lisans öğrencisi olduğunu göstermektedir. Marjinal sayılar, 12 kadın ve 13 erkek olduğunu ve 11 yüksek lisans öğrencisi ve 14 lisans öğrencisi olduğunu göstermektedir. Tablonun sağ alt köşesinde yer alan tablodaki toplam vaka sayısı 25’tir.

Marjinal yüzdeler, satır veya sütunda bulunan toplamın yüzdesini temsil eder. Örneğin 25 öğrenciden oluşan tüm örneklemin 12’si (%48) kızdır. Ayrıca, tüm öğrencilerin %56’sı lisans mezunudur.

Her hücredeki en üstteki sayı sayıdır. İkinci sayı, hücrede bulunan satırın yüzdesini temsil eden satır yüzdesidir (Satır Pct). Örneğin, tüm erkeklerin %23,1’i yüksek lisans öğrencisidir (100 x 3/13) ve tüm kadınların %33.3’ü lisans öğrencisidir (100 x 4/12).

Her hücredeki üçüncü sayı, hücredeki sütun toplamının yüzdesi olan sütun yüzdesidir (Col Pct). Örneğin, lisansüstü öğrencilerinin %72.7’si kızdır (100 x 8/11). Ayrıca, lisans öğrencilerinin %71.4’ü erkektir (100 x 10/14). Her hücrenin dördüncü satırı toplam yüzdeyi (Toplam Pct) içerir. Örneğin, 3 erkek lisansüstü öğrenci, tablodaki 25 öğrencinin %12’sini temsil etmektedir. Bu, 25’i 3’e bölerek hesaplandı.

Phi Katsayısı

Phi katsayısı, ikiye iki tablo için bir ilişki indeksidir. phi katsayısı,  1-5 arasındaki adımları izleyin ve ardından:

(1) Çapraz Tablolar: İstatistikler iletişim kutusunu açmak için İstatistikler’e tıklayın.
(2) Nominal Veri kutusunda Phi ve Cramer’s V’ye tıklayın.
(3) Devam’a tıklayın.
(4) Tamam’a tıklayın.

Örneğin, veriler için phi-katsayının değeri .439’dur.

Daha Büyük İki Yönlü Frekans Tabloları

Birçok çalışmada kategorik değişkenler ikiden fazla değere sahiptir. Kategori sayısı iki ile sınırlı değildir ve hemen hemen her boyutta satır-x-sütun tablosu mümkündür. Örneğin, “din” üç kategoride kaydedilebilir: Katolik, Yahudi ve Protestan; “meslek”, 15 farklı iş unvanını temsil eden 15 kategoriye sahip olabilir.

Sayıları ve yüzdeleri hesaplama prosedürü ve ayrıca frekansların yorumlanması, de açıklananla aynıdır.

Örnek olarak, “spit.sav” veri dosyasını açın. Bu, büyük lig beyzbol oyuncularının tükürük tütünü kullanmayı bırakmalarına yardımcı olmak için iki müdahalenin etkinliği üzerine bir çalışmadır. Bu örnek için sıklık tablosu 3×2’lik bir tablodur; üç düzeyli “sonuç” ve iki düzeyli “müdahale” olmak üzere iki değişken vardır.

The post KATEGORİK DEĞİŞKENLER – 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 model basit regresyonu geliştirdi. Bakalım bunu başka bir değişken ekleyerek daha da geliştirebilecek miyiz. Bir okulun öğrenim yapısının diğer gelir kaynaklarından da etkilendiğini varsaydığımızı varsayalım. Veri dosyamızdaki diğer bir değişken de $ [alumcont] katkısında bulunan mezunların yüzdesidir. Bu değişkeni de modelimize ekleyelim.

Regresyonu Analiz Edin Doğrusal… Tahminciler listesine $ [alumcont] katkıda bulunan mezunların yüzdesini ekleyin.

Bu regresyon çıktısını önceki sonuçlarla karşılaştırın. Bu yeni değişkeni modele eklemenin etkisi neydi? Açıkçası, ek bir katsayımız ve t oranımız var. Bu t oranı, harcamaları ve SAT puanlarını kontrol ettiğimizde, katkıda bulunan mezunların yüzdesinin öğrenim ücretiyle önemli bir ilişkisi olduğunu gösteriyor mu? Katsayının işareti size anlamlı geliyor mu? Açıklamak.

Başka ne değişti? Özellikle düzeltilmiş r2’ye, ANOVA sonuçlarına ve önceden tahmin edilen katsayıların değerlerine bakın. Gördüğünüz farklılıkları açıklayabilir misiniz?

Yeni bir değişkenin eklenmesi de artıklar üzerinde bir etkiye sahip olabilir. Genel olarak, her yeni modelin yeni bir artık grafiği olacaktır. Kalan grafikleri inceleyin ve ne düşündüğünüzü görün. En küçük kareler varsayımları karşılanıyor gibi görünüyor mu?

Başka bir örnek

Devam Ediyor… sorularında, eğitim analizimize geri döneceğiz. Aynı veri dosyasını kullanarak, bu sefer nitel bir değişkeni analize dahil ederek başka bir örnek görelim. Bu sorundaki endişemiz, kabul memurlarının “Kabul Getirisi” dediği şeydir. Lise son sınıftayken, kolejiniz birçok öğrenciye kabul mektupları gönderdi. Bu sayıdan bazıları farklı bir okula gitmeyi seçti.

“Verim”, kabul edilen sayıya kıyasla gerçekten kayıt olan öğrencilerin oranını ifade eder. Bu regresyon modelinde, bir kolejin kabul ettiği son sınıf öğrencilerinin sayısı ile sonunda kaydolanların sayısı arasındaki ilişkiye odaklanacağız. Bu ilişkiye grafiksel olarak bakalım.

Y ekseninde kayıtlı yeni öğrenci sayısı [newenrol] ve x ekseninde kabul edilen Başvuru Sayısı [appsacc] ile basit bir dağılım grafiği oluşturun.

Bu örneklemde yaklaşık 1.300 okul olduğu için grafik çok yoğun. Noktaların grafiğin sol alt kısmında sıkı bir şekilde kümelendiğine, ancak sağ üst tarafa doğru hareket ettikçe genişlediğine de dikkat edin. Bu dağılım grafiğinde bile, varyansın heterojenliğinin veya heteroskedastisitenin kanıtlarını görebilirsiniz. Sizce neden olabilir? Yani, heteroskedastisiteye ne sebep olur?

Değişken türleri
Sürekli değişken örnekleri
Süreksiz değişken örnekleri
Değişken örnekleri
Kategorik değişken örnekleri
Cinsiyet Nitel mi Nicel mi
Nitel değişken örnekleri
Nitel değişkenler

Şimdi regresyonu çalıştıralım ve modeli değerlendirelim. Bağımlı olarak yeni kayıtları ve tek bağımsız değişken olarak kabulleri kullanarak bir regresyon çalıştırın. Daha önce olduğu gibi, artık analizleri isteyin.

Kalan grafiklere bakın. Bu durumda en küçük kareler varsayımlarının geçerliliği hakkında ne öneriyorlar? Bu artıklar, normal dağılım varsayımını ihlal eder ve artıklara karşı tahmin edilen değerler grafiğinde soldan sağa doğru yayılıyor gibi görünmektedir.

Çoğu regresyon gibi, bunun da güçlü ve kusurları var. Artık grafikler de dahil olmak üzere regresyon çıktısını inceleyin ve aşağıdaki soruları dikkate alarak modeli değerlendirin:

• Kabul katsayısı beklenen işarete sahip mi?
• İlişki istatistiksel olarak anlamlı mı?
• Uyum ne kadar iyi?
• Çok sayıda olağandışı gözlem var mı?

Nitel Değişkenlerle Çalışmak

Bu regresyonda, kayıtlardaki varyasyonun büyük bir yüzdesini kabullerin oluşturduğunu görüyoruz. Farklılıkları açıklamada potansiyel olarak önemli bir diğer faktör, bir okulun kamu tarafından finanse edilip edilmediğidir.

Bir okulun devlet mi yoksa özel mi olduğu elbette kategorik bir değişkendir. Şimdiye kadar regresyon analizinde kullandığımız tüm değişkenler niceldir. Kategorik bir değişkeni sayısal olarak temsil etmenin bir yolunu bulursak, bir regresyon analizine nitel bir öngörücü değişkeni dahil etmek de mümkündür.

Bunu kukla değişken olarak bilinen basit bir teknikle yapıyoruz. Kukla değişken, iki farklı kategoriyi temsil etmek için rastgele seçilmiş değerleri alan yapay bir ikili değişkendir.2 Normalde, bir kategori için 0’a ve diğeri için 1’e eşit olan yeni bir değişken kurarız. Bu veri setinde, Devlet/Özel Okul [pubpvt] adında, devlet kolejleri için 1’e ve özel kolejler için 2’ye eşit olan bir değişkenimiz var. Bu durumda bu değişkeni de kullanabiliriz.

Bağımsız değişkenlere PubPvt ekleyerek regresyonu yeniden çalıştıralım. Çıktının bir kısmı burada gösterilir.

Katsayı tablosuna bakın. Tahmini regresyon denklemini şöyle yazabiliriz:

• Yeni kayıt = 777.221 + .316 Appsacc – 359.687 PubPvt

Genel/özel değişkeninin katsayısının anlamını düşünün. Bir devlet koleji veya üniversitesi için, PubPvt = 1 olur ve bu denklem olur.

Bir dakikanızı ayırın ve iki denkleme bakın. Tam olarak aynı eğime sahipler, ancak farklı kesişme noktalarına sahipler. Başka bir deyişle, kesişme noktaları yaklaşık 360 öğrenci tarafından farklılık gösteren iki paralel doğruya bakıyoruz. Denkleme bu şekilde dahil edilen kukla değişkenin etkisi, iki farklı kategori için kesişimi de değiştirmektir.

Artık tahmini denklemin ne olduğunu bildiğimize göre, daha önce yaptığımız gibi bu belirli modeli değerlendirmeye devam edelim.

• Tahmin edilen katsayılar beklenen işaretlere sahip mi?
• İlişkiler istatistiksel olarak anlamlı mı?
• Uyum ne kadar iyi?
• Çok sayıda olağandışı gözlem var mı?
• Artıklar normal dağılmış mı?
• Artıklar homoskedastik mi?

Yeni Bir Endişe

Bu modeli daha da geliştirmeye çalışmak istediğimizi varsayalım ve diğer şeylerin eşit olması durumunda öğrenim ücretlerinin kabul verimini etkileyebileceğini varsaydığımızı varsayalım. Bu son derece makul görünüyor: Eşit derecede rekabetçi iki özel okul arasında seçim yapan lise son sınıf öğrencileri daha ucuz olanı seçebilir. Gerçekten de, devlet içi eğitimi içeren bir regresyon çalıştırırsak, yeni değişken için önemli bir negatif katsayı gösteren aşağıdaki katsayılar tablosunu görürüz. Bu, diğer şeylerin eşit olması koşuluyla, daha yüksek öğrenim ücretlerinin daha düşük verimlere yol açtığı anlamına da gelir.

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

PISA’da hedef kitle 15 yaşındaki öğrencilerdir. Bu popülasyon seçilmiştir çünkü çoğu OECD ülkesinde bu yaştaki öğrenciler zorunlu eğitimlerinin sonuna yaklaşıyorlar ve bu nedenle PISA’nın öğrenci için eğitimin yıllar içindeki kümülatif etkisinin bir göstergesini verebilmesi gerekiyor. PISA’da kullanılan iki aşamalı bir örnekleme prosedürü vardır.

Popülasyon tanımlandıktan sonra, okul örneklemleri büyüklükle orantılı bir olasılıkla seçilir. Daha sonra her okuldan rastgele 35 öğrenci seçilmektedir. Hedef kitle yaşa dayalı olduğundan, öğrencilerin çeşitli sınıflardan gelmesi olasıdır. Tablo 9.1, PISA 2003’te 15 yaşındakilerin ülke ve sınıf bazında dağılımını sunmaktadır.

Bazı ülkelerde, özellikle, 15 yaşındaki nüfusun çoğu modal düzeyde olma eğilimindeyken, diğerlerinde 15 yaşındaki nüfus birkaç sınıfa yayılmıştır.

PISA hedef popülasyonu, farklı nedenlerle birkaç dereceye yayılabilir:

• Öğrenci, belirli bir not sınavını geçemezse, not tekrarı yapmak zorundadır. Örneğin, bazı ülkelerde, en az bir sınıfı tekrar etmiş olan öğrencilerin yaklaşık yüzde 35’i olabilir.
• Sınıf tekrarı kullanılmasa bile, 15 yaşındaki nüfus test sırasında iki sınıfa ayrılabilir. Lojistik nedenlerle, PISA testi tek bir takvim yılında gerçekleştirilir. Önerilen test aralığı Nisan ayı civarında olduğu için (kuzey yarım kürede), PISA hedef popülasyonu, test döneminin başında 15 ila 3 aylık ve 16 yaşında ve 2 aylık olan tüm öğrenciler olarak tanımlanır. Zorunlu eğitime giriş kuralları tam takvim yılı olarak tanımlanırsa, PISA hedef kitlesi sadece bir sınıfa devam edecektir.

Çoğu OECD ülkesinde 15 yaşındaki nüfus farklı sınıflara gittiğinden, okul içi örneklemler yalnızca rastgele bir öğrenci örneğinden oluşabilir. Sonuç olarak, PISA’ya katılan öğrenciler, okul büyüklüğüne bağlı olarak birkaç sınıfa ve belirli bir sınıfa devam etmektedir. Büyük ölçüde PISA örneği sınıf temelli olmadığından, PISA 2000 ve PISA 2003 öğretmen düzeyinde veri toplamamıştır. Ancak, PISA okul düzeyinde veri toplar. Bu bölüm, okul düzeyindeki verilerin nasıl ve neden analiz edilmesi gerektiğini açıklar.

Çoğu ülkede PISA hedef kitlesi birkaç sınıfa gittiğinden, ülkeler arasındaki performans farklılıklarının okul yılı etkisine çevrilebilmesi için iki bitişik sınıf arasındaki ortalama performans artışını hesaplamak ilginç olacaktır.

Bununla birlikte, bu kesinlikle performans artışının olduğundan fazla tahmin edilmesine yol açacaktır: Daha düşük sınıflara giden 15 yaşındakiler ya daha düşük ya da daha genç öğrencilerdir ve daha yüksek sınıflara giden 15 yaşındakiler ya yüksek başarılı ya da daha büyük öğrencilerdir. Bu nedenle, farklı dereceli alt popülasyonların karşılaştırmaları güvenle yapılamaz. Öğrenci performansını bir dizi arka plan özelliği ile kontrol ederek bu alt popülasyonları eşitlemeye çalışılabilir, ancak işler gerçekten asla eşit değildir.

Bağımlı bağımsız kontrol değişken örnekleri
Ara değişken nedir
Değişken örnekleri
Nicel değişken örnekleri
Bağımsız değişken örnekleri
Sürekli değişken örnekleri
Kontrol değişkeni
Süreksiz değişken örnekleri

PISA OKULU ÖRNEKLERİNİN SINIRLARI

Daha önce de belirtildiği gibi, aşağıdaki ifade hem PISA hem de IEA çalışmaları için geçerlidir:

Öğrenci örnekleri bir okul örneğinden alınmış olsa da, okul örneği, okulların optimal bir örneğini vermek yerine, elde edilen öğrenci örneklemini optimize etmek için tasarlanmıştır. Bu nedenle, okul düzeyindeki değişkenleri kendi başlarına birer unsur olarak değil, öğrencilerin nitelikleri olarak analiz etmek her zaman tercih edilir.

Hedef nüfus bir sınıf olarak değil, belirli bir yaştaki tüm öğrenciler olarak tanımlandığından, bu tavsiye PISA’da özellikle önemlidir. Bazı ülkelerde, alt orta ve üst orta öğretim aynı okul tarafından sağlanırken, diğerlerinde durum böyle değildir çünkü – yani orta ve üst orta öğretime farklı okullar sağlanmaktadır.

Bu ülkelerde, genellikle, alt ve üst orta öğretim arasındaki geçiş 15 yaş civarında, yani çoğu durumda zorunlu eğitimin sonunda gerçekleşir. PISA 15 yaşındaki nüfusa odaklandığından, hedef nüfusun bir bölümünün ortaöğretim ikinci kademe eğitimine devam ederken diğer bölümünün ortaöğretime devam ettiği anlamına gelir. Sonuç olarak, bazı ülkelerde 15 yaşındakiler farklı eğitim kurumlarında olabiliyor.

Bölüm 2’de tartışıldığı gibi, okullar okul örneklem çerçevesinden BES örnekleme yöntemiyle, yani okula devam eden 15 yaşındakilerin sayısıyla orantılı olarak seçilir. Bu, örneğin, yalnızca PISA yaşı 15’in üzerinde olan öğrencilerin devam ettiği liselerin okul örneklem çerçevesine dahil edilmemesi gerektiği anlamına gelebilir. Benzer şekilde, 15 yaşında çocuğu olmayan ortaokullar da okul örneklem çerçevesine dahil edilmemelidir.

Bu nedenle, ne ortaokul nüfusu ne de lise nüfusu 15 yaşındaki okul nüfusunu temsil etmez. Başka bir deyişle, PISA okul hedef kitlesi, belirli bir ülkedeki okul nüfus(lar)ıyla mutlaka eşleşmeyebilir.

Olağan okul popülasyonu/nüfusları ile PISA okul popülasyonu arasındaki bu mükemmel eşleşmenin olmaması, okul verilerinin analiz edilme şeklini etkiler. Nüfus tahminlerinde önyargılardan kaçınmak için, okul verileri öğrenci veri dosyalarına aktarılmalı ve öğrencinin nihai ağırlığı ile analiz edilmelidir.

Bu, örneğin, devlet okullarının özel okullara göre yüzdesinin tahmin edilmeyeceği, ancak özel okullara ve devlet okullarına devam eden 15 yaşındakilerin yüzdesinin tahmin edileceği anlamına gelir. Pedagojik ve politik bir bakış açısıyla, gerçekten önemli olan, bu tür özellikleri sergileyen okulların yüzdesi değil, bu özelliklerden etkilenen öğrencilerin yüzdesi, yani bu özelliklere sahip bir okula devam eden öğrencilerin yüzdesidir.

OKUL VE ÖĞRENCİ VERİ DOSYALARININ BİRLEŞTİRİLMESİ

Kutu 9.1, öğrenci veri dosyası ile okul veri dosyasını birleştirmek için SPSS® sözdizimini sağlar. Her iki dosyanın da ilk olarak, öğrenci veri dosyasındaki CNT, SCHOOLID ve STIDSTD ve okul veri dosyasındaki CNT ve SCHOOLID gibi tanımlama değişkenlerine göre sıralanması gerekir. Daha sonra, iki sıralanmış veri dosyası, CNT ve SCHOOLID gibi ortak tanımlama değişkenlerine göre birleştirilebilir.

OKUL DEĞİŞKENLERİNİN ANALİZLERİ

Öğrenci veri dosyası ve okul veri dosyası birleştirildikten sonra, okul değişkenleri artık öğrencilerin nitelikleri olarak kabul edildiğinden, okul verileri herhangi bir öğrenci seviyesi değişkeni gibi analiz edilebilir. Ancak bu durumda, örnekleme hatalarını hesaplamak için çoğaltma ağırlıklarını kullanmak daha da kritiktir. Aksi takdirde tamamen yanıltıcı bir çıkarım yapılabilir.

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

Zamanın geçişini işaretleyen bir denek içi değişken, değişkenin ilk düzeyinin zaman içinde bir noktada ölçüldüğü, değişkenin bir sonraki düzeyinin daha sonraki bir noktada ölçüldüğü, değişkenin üçüncü düzeyinin ölçüldüğü bir değişkendir. daha sonraki bir zaman diliminde değerlendirilir, vb. Zamana bağlı denek içi tasarımın en sık alıntılanan örneği, ön test-son test çalışmasıdır.

Gerçek bir deney tasarımı olmasa da, kısmen kontrol koşulu olmadığı için, katılımcılar ön test olarak belirlenen zamanda ve son test olarak belirlenen zamanda en az iki kez ölçülür. Böyle bir çalışmada, tedavi normal olarak iki ölçüm arasında uygulanır ve araştırmacılar normal olarak, ön testten son teste kadar bağımlı değişken tarafından değerlendirilen özellikte bir artış veya azalma olduğunu varsaymışlardır.

Her bir ölçüm (ön test ve son test) aynı metodoloji kullanılarak tamamen aynı şekilde yapılır. Bu nedenle, yalnızca bir bağımlı değişken vardır, ancak bireyler Zaman 1’de ve tekrar Zaman 2’de ölçülür. Bu şekilde, zaman ölçümle tamamen değişir ve araştırmacıların denek içi değişkenden zaman. Örneğin, ön test ve son test terimleri seçilmiştir çünkü ölçümün zamansal ilişkisi terminolojiye uygun bir şekilde yerleştirilmiştir.

Bir öntest-sontest tasarımında ikiden fazla seviye olabilir. Örneğin, bazı tedavi koşullarının uygulanmasından önce istikrarlı bir performans temeli oluşturmak için iki veya daha fazla ön teste sahip olmak önemli olabilir. Araştırmacıların, belki tedavi etkisinin zaman içinde ne kadar azalacağını (veya kendini göstereceğini) veya belki de tedavinin etkisini en üst düzeye çıkarması için ne kadar süreceğini belirlemek için iki veya daha fazla son test yaptırmak istemeleri de mümkündür.

ZAMANLA İLGİLİ DEĞİŞKENLER

Bir denek içi değişken, tüm araştırma koşulları altında katılımcıları ölçmek için zamanla ilgili olmak zorunda değildir. Bunu örneklendirmek için, öğrencilerden kısaca sunulan müzik seçimlerini olabildiğince hızlı bir şekilde sınıflandırmalarını istediğimiz basit bir varsayımsal çalışmayı düşünün. İki tür müzik kullanıyoruz: rock ve klasik.

Öğrencilerden müziğin rock olduğunu düşünüyorlarsa bir tuşa, seçimin klasik olduğunu düşünüyorlarsa başka bir tuşa basmaları istenir. Tepki süresini ve öğrencinin her denemede doğru olup olmadığını ölçeriz. Rock ve klasik müzik seçimleri her öğrenciye farklı bir rastgele sırayla sunulacak şekilde, her müzik koşulu için 50 olmak üzere öğrencilere 100 deneme yapıyoruz.

Bu basitleştirilmiş örnekteki bu veri toplama prosedürünün sonunda, öğrencilerin doğru yanıtladığı denemeler için rock ve klasik müzik için tepki sürelerinin ortalamasını alıyoruz; dolayısıyla reaksiyon süresi bizim bağımlı değişkenimizdir. Bu bize her öğrenci için biri rock müzik ve biri klasik müzik için olmak üzere iki tepki süresi puanı verir. Bu ölçümler, iki düzeyi rock müzik ve klasik müzik olan denek içi bağımsız bir değişkeni temsil etmektedir.

Sürekli değişkenlere örnek
Nicel değişken
Süreksiz değişken örnekleri
10 tane bağımlı değişken örnek
Kontrol değişkeni
Bağımsız değişken
Bağımlı değişken örnek
Değişken örnekleri

TAŞIMA ETKİLERİ SORUNU

Aktarma etkisi, önceki bir duruma maruz kalmaktan kaynaklanan sonraki bir önlemdeki değişikliktir. Bu, günlük hayatımızda sık görülen bir durumdur. Paten kaymayı öğrendikten sonra, buz pateni yapmayı daha verimli bir şekilde öğrenebiliriz; İlk istatistik dersimizi aldıktan sonra, bir sonraki istatistik dersine daha iyi hazırlandık. Bir araştırma çalışmasında, belirli bir tedavi koşulunu deneyimlemiş olmak, deneyimlememiş olanlara kıyasla daha sonraki bazı görevlerde performansta farklılıklara neden olabilir. Bunların hepsi devam eden etkilerdir ve genel olarak, beklenen ve arzu edilen etkilerdir.

Araştırma tasarımı bağlamında bazı aktarma etkileri arzu edilmez. Uç bir örnek olarak, bir grup danışan için bilişsel-davranışçı terapiyi psikanalizle karşılaştırmanın etkinliğini değerlendirmek isteseydik, onlara önce yedi yıllık psikanaliz sağlamaz, sonra onlara biraz bilişsel-davranışçı terapi (veya zıt) yapılabilirdi.

Bu koşullar altında bilişsel-davranışçı terapinin “saf” etkilerini açıkça gözlemleyemeyeceğiz – danışanlar kapsamlı psikanaliz deneyimledikten sonra bilişsel-davranışçı terapinin etkilerini göreceğiz. Bir tür terapi almış olmak, muhtemelen bir sonraki araştırma koşuluna geçecektir. Bu geçişin olumsuz sonucu, bilişsel-davranışçı terapi başarısı ölçümlerimizi karıştırarak bu özel tasarımı savunulamaz hale getirmek olacaktır.

Aktarılan etkilerin bu potansiyel sorunu, denekler arası bir çalışmayı düşünen araştırmacıların doğrudan yüzleşmesi gereken bir şeydir. Bağımsız değişkenin bir düzeyini deneyimliyorsa, tekrarlanan ölçüm olumsuz olarak bağımsız değişkenin başka bir düzeyinin deneyimine aktarılacaksa, denekler arası bir çalışma yürütülmemelidir.

Örneğin, sayı dizilerini (rakam aralığı) hatırlamaya çalışırken bir ezberleme stratejisi uygulamanın etkililiğini inceliyor olsaydık, katılımcılara sayıları ikişerli gruplar halinde gruplandırmayı öğretmek, eğer onları test etmek istersek performanslarını değiştirirdi. gruplandırma stratejisini kullanmayın.

Öte yandan, herhangi bir strateji talimatı olmadan önce onları test edersek, bunu, kullanılan gruplama stratejisiyle performanslarını test etmede bir temel olarak kullanabiliriz. O zaman bile, bir kontrol grubuna, bir strateji uygulanmadan ikinci bir deneme seti verilmesini isteriz, çünkü sayı aralığı testi ile biraz “alıştırma” yapmış olmak sonraki performansı etkileyebilir.

Aktarma konusu, zamanla ilgili denek içi değişkenlerle çalıştığımızda genellikle daha az endişelenir, çünkü böyle bir çalışmayı tasarlarken tam olarak ölçmeyi amaçladığımız aktarım etkileridir. Örneğin, basit bir ön test-son test tasarımında, tedavi etkisi ölçümler arasındaki süre boyunca taşınır.

Gerçek ön test ölçümümüz, son testte gördüğümüz bağımlı ölçümün değerlerindeki değişiklikleri üretmediği sürece ve tedavi ile aynı zamanda başka bir olay meydana geldiği veya katılımcılarda herhangi bir doğal değişiklik olduğu sürece zaman periyodu değişikliklere neden olmadı ve bir kontrol koşulunun ölçülemediği varsayılırsa, ön test son test tasarımı, çalışmayı hiç çalıştırmamaktan daha iyi olabilir.

Zamanla ilgisi olmayan denek içi bir değişken, olumsuz bulaşma etkilerine karşı daha hassastır. Bağımsız değişkenin düzeylerinin yaşanması gereken doğal bir zamansal dizilim olmadığı için dizi genellikle araştırmacıların kontrolündedir. Burada, araştırmacıların, bağımsız değişkenin ortalamaları arasındaki farkların potansiyel nedenleri olarak taşıma etkilerini makul bir şekilde ortadan kaldırabilmeleri hayati önem taşımaktadır.

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