Çıktı Görüntüleyici’de, ilk olarak, bir değişken eklemenin, analiz için mevcut durumların sayısını ilk regresyonda n = 1244’ten bu regresyonda n = 747’ye düşürdüğünü unutmayın – verilerin yaklaşık %40’ı kadar bir kayıp! Bu genellikle bazı eksik veriler olduğunda olur. Bu durumda, birçok okul SAT puanlarını bildirmedi. Bu nedenle, bu okullar için üç değişkenden ikisine sahip olmamıza rağmen, bunlar regresyondan çıkarılmıştır. Yalnızca eksiksiz bir veri setine sahip olduğumuz durumları kullanabiliriz. Bu, çoklu regresyon modelinin seçiminde göz önünde bulundurulması gereken bir husustur.

Tanımlayıcı İstatistiklerin altında, üç değişkenin her bir eşleşmesi arasındaki korelasyonu rapor eden korelasyon matrisini (yukarıda gösterilen) bulacaksınız. Tablonun Pearson Korelasyonu etiketli üst kısmı tüm korelasyonları bildirir; bir çift değişken için korelasyon katsayısı, karşılık gelen satır ve sütunun kesiştiği yerde görünür.

Örneğin, öğrenim ücreti ve harcamalar 0,637’lik bir korelasyona sahipken, öğrenim ve SAT’nin yalnızca 0,610’luk bir korelasyonu vardır. Her iki korelasyon da pozitiftir, (örneğin) eğitim ve SAT puanlarının kusurlu da olsa birlikte yükselip düştüğünü düşündürür. Korelasyonların anlamlılık düzeyleri ve örneklem büyüklükleri de tabloda belirtilmiştir.

Bu korelasyonların, diğer değişkenlerin etkilerine bakılmaksızın yalnızca söz konusu değişken çiftine atıfta bulunduğunu bilmek önemlidir. Yukarıda, yine de, öğrenim ücretinin harcamalar ve SAT puanları ile aynı anda değiştiğini teorileştirdik. Başka bir deyişle, SAT puanlarının belirli bir harcama düzeyi bağlamında öğrenimi etkilediğinden şüpheleniyoruz. Bu nedenle, harcamaları hesaba katmadan sadece SAT puanları ve öğrenim ücreti ilişkisine bakamayız. Çoklu regresyon tam da bunu yapmamızı sağlar. Çıktının geri kalanını nasıl yorumlayacağımızı görelim.

Korelasyonu takiben, çıktının çoğu, yalnızca küçük farklılıklarla oldukça tanıdık görünmelidir. Girilen/Kaldırılan Değişkenler tablosunda iki bağımsız değişken görüyoruz. Model özeti, düzeltilmiş r2’de hafif bir iyileşme (yaklaşık 0,44’ten 0,48’e) ve tahminin standart hatasında bir azalmayı (3,126 $’dan 2,901 $’a düştüğünü) göstermektedir. Katsayı tablosunun artık eskisinden daha uzun olduğunu unutmayın.

Şimdi, iki açıklayıcı değişkenin her biri için bir tane olmak üzere bir kesişim (Sabit) ve iki eğimimiz var. Kesişme, tüm x değişkenleri sıfıra eşit olduğunda y’nin değerini temsil eder. Diğer x değişkeni değişmeden kalırsa, her eğim, karşılık gelen x değişkenindeki bir birimlik değişiklikle ilişkili y’deki marjinal değişikliği temsil eder. Örneğin, harcama bir dolar artacaksa ve ortalama SAT puanları sabit kalacaksa, o zaman öğrenim ücreti ortalama olarak .332 dolar (yani 33 sent) artacaktır. Ort. Kombine SAT katsayısına bakın. Bu sana ne söylüyor?

Katsayı tablosu ayrıca her değişken için standartlaştırılmış katsayıları veya betaları bildirir. Bu betalar (veya beta ağırlıkları), her bir bağımsız değişkenin göreli önemini karşılaştırmamızı sağlar. Bu durumda, öğretim harcamaları (beta = .420), SAT puanlarından (beta = .349) daha büyük bir etkiye sahiptir. Standartlaştırılmış bir beta ağırlığı, karşılık gelen x değişkenleri bir standart sapma ile değişirse y’nin değiştirdiği standart sapmaların sayısını temsil eder.

Uyum iyiliği testi örnekleri
ki-kare uyum iyiliği testi
Uyum iyiliği Nedir psikoloji
Ki-kare uyum iyiliği testi SPSS
Uyum Testi
Ki-kare uyum iyiliği testinde serbestlik derecesi
Poisson dağılımına UYGUNLUK TESTİ
Kolmogorov-Smirnov tablosu

Önem Testi ve Uyum İyiliği

Doğrusal regresyonda, t veya F oranlarına bakarak anlamlı bir ilişki olup olmadığını test ettik. Çoklu regresyonda, iki oran iki farklı hipotezi test eder. Daha önce olduğu gibi, bir eğimin sıfıra eşit olup olmadığını belirlemek için t testi kullanılır. Dolayısıyla, bu durumda, gerçekleştirmemiz gereken iki testimiz var.

Katsayılar tablosunun her satırındaki t oranı ve anlamlılık düzeyi bize boş hipotezlerin her birinin reddedilip reddedilmeyeceğini söyler. Bu durumda, .05 anlamlılık düzeyinde, çok düşük P değerleri nedeniyle her iki durumda da reddediyoruz. Yani, her iki bağımsız değişkenin de öğrenim ile istatistiksel olarak anlamlı ilişkileri vardır. Çoklu regresyondaki F oranı, tüm eğimlerin sıfıra eşit olduğu sıfır hipotezini test etmek için kullanılır:

• H0:β1 =β2 =0vs.HA:H0doğru değil.

Alternatif hipotezin tüm eğimlerin sıfırdan farklı olduğunu söylemekten farklı olduğuna dikkat edin. Eğimlerden biri sıfır, diğeri sıfır olsaydı, F testinde boş değeri reddederdik. İki t testinde, birinde boş değeri reddeder, diğerinde reddedemezdik.

Son olarak, çoklu belirleme katsayısı olan r2’ye dönelim. Önceki oturumlarda, çıktının hem r2 hem de “düzeltilmiş” r2 rapor ettiğini belirtmiştik. Bir regresyon modeline herhangi bir x değişkeni eklemenin r2’yi şişirme eğiliminde olacağı ortaya çıktı. Bu enflasyonu telafi etmek için, hem modeldeki x değişkenlerin sayısını hem de örneklem büyüklüğünü hesaba katmak için r2’yi ayarlıyoruz.1 Çoklu regresyon analizi ile çalışırken, genellikle düzeltilmiş rakama başvurmak istiyoruz. Bu durumda, başka bir değişkenin eklenmesi, y’deki değişimi açıklamaya gerçekten yardımcı olur.

Bu regresyonda, düzeltilmiş r2 .479’a veya %47.9’a eşittir; Basit regresyon modelinde, tahmin değişkeni olarak sadece harcamanın kullanıldığı, düzeltilmiş r2 sadece %44 idi. SAT Puanlarını denkleme dahil ederek, eyalet dışı öğrenim ücretlerindeki toplam varyasyonun ek olarak %3,9’unu (%47,9 – %44) oluşturduğumuzu söyleyebiliriz.

Kalıntı Analizi

Basit regresyonda olduğu gibi, modellerimizi rastgele bozulma terimleriyle ilgili varsayımlara uygunluk derecesine göre değerlendirmek istiyoruz. Bu yüzden regresyon komutunda artık grafikleri istedik.

Artık grafikleri aynen daha önce yaptığımız gibi yorumluyoruz. Bu özel grafiklerde, normal olasılık grafiğinin, normallik varsayımının karşılandığını gösteren 45o çizgisine çok yakın olduğuna dikkat etmelisiniz. Artıklar ve tahmin edilen değerler grafiği, varyansın homojenliği (homoskedastisite) konusunda daha az açıktır.

Düz bir yatay nokta bandından ziyade, yumurta şeklinde bir artıklar kümesi görüyoruz. Ancak, önceki kalıntı grafiğinin aksine, bu bir gelişmedir. Basit bir regresyon modelinden daha fazla varyasyonu açıklamanın yanı sıra, çoklu regresyon modeli bazen regresyon varsayımlarından birinin ihlalini çözebilir. Bunun nedeni, basit modelin, başka bir değişkene atfedilmesi gerektiğinde, açıklanamayan varyasyonun çok fazlasını ε’ye atamasıdır.

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