Bu bölüm, 2013 yılında Washington, D.C.’de 500 metreye 500 metrelik ızgara hücrelerinde bildirilen suç ile 311 hizmet çağrısı arasındaki jeo-uzamsal birliktelik kurallarının bir örneğini sağlar. İncelenecek suç türleri otomobil hırsızlığı, hırsızlık, soygun ve ağır silahla saldırıdır. 311 hizmet çağrısı, şehir kurumlarına yönelik acil olmayan şikayetlerdir.

Amerika Birleşik Devletleri’ndeki her yerde bir 311 yardım hattı mevcut değildir (911’in aksine), ancak birçok büyük şehirde bir 311 sistemi vardır. 311 şikayet oldukça fazla sayıda kategoriyi kapsıyor, ancak DC’deki bazı örnekler sokaktaki çöpler, bozuk bir parkmetre veya onarılması gereken bir kaldırım. Orijinal veriler herkese açıktır ve bu kitap, analizi yeniden oluşturmak için bir dizi dosya sağlar.

Suç ve 311 çağrıları arasındaki ilişkinin teorisi, suçun kırılan camlar teorisidir. Teori, bir kırık pencerenin olduğu yerde, daha fazlasının takip etme olasılığının yüksek olduğunu belirtir. Bu ilişkinin arkasındaki mantık şudur: Bir kişi kırık bir cam gördüğünde, kimsenin umursamadığını gösterir ve eğer o kişi başka bir pencereyi kırarsa, herhangi bir yansıma olması muhtemel değildir. Kırık cam benzetmesi, sokağa çöp atmak, sprey boya grafitisi veya tavayı ellemek gibi diğer görünür düzensizlik belirtilerine kadar genişletilebilir.

Polis departmanları tarafından topluluklardaki düzensizlik sorunlarıyla mücadele etmek için yürütülen popüler bir tekniğe sorun odaklı polislik denir. Bu, bir topluluğun karşılaştığı belirli sorunlara bakmayı ve doğrudan suçla ilgili olmasalar bile, topluluğun bunları çözmesine yardımcı olmaya çalışmayı gerektirir. Suç oranının yüksek olduğu bölgelerde bile insanlar, daha ciddi suçlardan çok, boş arsalar ve tavaların elleçlenmesi gibi görünür düzensizlik belirtilerinden şikayet ederler. Problem odaklı polislik stratejileri sıklıkla bu tür bozuklukların azaltılmasını içerir.

Jeo-uzaysal Birliktelik Kuralları, suç analistlerinin yüksek düzeyde belirli 311 çağrı ve farklı suç türlerine sahip alanları belirlemelerine yardımcı olabilir. Bu, sorun odaklı polisliğe yardımcı olabilir ve 311 numarasının başlangıçta ABD’de saklı tutulmasının bir nedeni de polise düzensizlik sorunlarını ölçmede yardımcı olmaktı. Kırık pencere suç teorisine inanılırsa, bu tür fiziksel düzensizlik sorunlarının azaltılması, suç oranlarında azalma ile sonuçlanacaktır.

Suçu azaltmanın bir başka potansiyel yolu da, polis belirli bir alanda daha fazla zaman harcarsa, ne yaparsa yapsın, muhtemelen daha fazla suçu caydıracaktır. Bu nedenle, toplum polis memurlarının odaklanması için hem yüksek düzensizlik sorunları hem de belirli suç sorunları olan alanları belirlemek, tek taş tipi suç ve düzensizlik hedefleme stratejisiyle iki kuşu kolaylaştırabilir.

Örneği başlatmak için, coğrafi koordinatlarla suç verilerini içeren SPSS veri dosyasını DC_Crime_2013.sav ve DC’deki ızgara hücrelerinde toplanan 311 şikayet kümesini içeren Agg311_Data.sav’ı açın ve ardından şu adımları izleyin:

1. Örneği başlatmak için DC_Crime_2013.sav ve Agg311_Data.sav SPSS veri dosyalarını açın. DC_Crime_2013.sav veri dosyası, coğrafi koordinatlara sahip suç verilerini içerir ve Agg311_Data.sav veri dosyası, DC’deki ızgara hücrelerinde toplanan bir dizi 311 şikayet içerir.

2. Analiz menüsünden GeospatialModelingWizard’ı açın ve Spatial and Temporal Modeling ➪ Spatial Modeling’i seçin. Sihirbazı başlatırken hangi veri kümesinin etkin olduğu önemli değildir. Çoğu SPSS iletişim kutusunun aksine, Jeo-Uzamsal Modelleme Sihirbazı, tüm açık veri kümelerine erişime sahip olacaktır.

3. Bu analiz için, “Olay ve jeo-uzamsal verilere dayalı ilişkilendirmeleri bul (Geospatial Association Rules)” seçeneğini seçin.

4. İleri’ye tıklayın. Açılan diyalog daha sonra harita verilerini ayarlayacaktır.

5. Add Map File (Harita Dosyası Ekle) düğmesini tıklatın ve ardından normal ızgarayı içe aktarmak için DC_Fishnet.shp şekil dosyasına gidin.

Vaka Analizi örnekleri ve çözümleri pdf
Vaka Analizi örneği ve çözümü
Vaka çalışması örneği
Vaka çalışması Nedir
Eczacıbaşı vaka çalışması
Vaka Analizi pdf
Online Vaka çalışması
Vaka çalışması yöntemi

Hem Jeo-Uzamsal Birliktelik Kuralları hem de Uzamsal-Zamansal Tahmin için bir harita dosyasını ilişkilendirmeniz gerekir ve bunlar, tahminlerin oluşturulduğu alanları tanımlar. Beklenen çıktıyı gösterir. Bu örnek için, bir dizi çokgen verisine sahibiz ve bu nedenle her suç (varsayılan olarak) içine düştüğü çokgenle ilişkilendirilecektir.

Jeo Uzamsal İlişkilendirme Kuralları için noktalar gibi diğer uzamsal veri türlerini kullanabilir ve bu noktalarla ilişkili bireysel olaylara sahip olabilirsiniz. Bir örnek, mağazaların nokta konumlarına sahip olmanız ve ev konumlarını en yakın mağazayla ilişkilendirmek istemeniz olabilir. Bu tür ilişkilendirmeleri İlişki düğmesi aracılığıyla ayarlayabilirsiniz.

Haritaya arka plan katmanları olarak ek bilgiler de ekleyebilirsiniz. Örneğin, referans verileri için su birikintileri veya bir yol ağı alanlarına ekleyebilirsiniz. Ayrı katmanlar, haritadaki konumlara referanslar sağlamaya yardımcı olabilir.

6. Harita kurulumundan sonra, gösterildiği gibi,Sonrakidüğmesine tıklayın ve bir iletişim kutusu tarafından verileri bağlam ve olay verilerinin (tahmin edilecek veriler) gösterilmesi için ayarlamanız istenecektir.

Burada, bağlam verilerine veya olay verilerine farklı veri kaynakları atarsınız. Seçenekler, halihazırda açık olan veri kümelerinden, haritalardan birinden veya harici bir SPSS istatistik veri dosyasından gelen verileri kullanmaktır.

7. Bağlam Verileri kutusundaki Ekle düğmesini tıklayın ve gösterilen iletişim kutusu ile karşılaşacaksınız.

8. Agg311_Data.sav’i seçin ve Devam’a tıklayın.
Ardından, SPSS verilerini şekil dosyasındaki coğrafi birimlerle ilişkilendiren iletişim kutusu görüntülenecektir. Burada FishId değişkeni, Agg311_Data içindeki kayıtları DC_Fishnet şekil dosyasındaki ilişkili çokgenleriyle eşleştiren anahtardır.

9. Hem Veri Kümesi alanları hem de harita anahtarları için FishID değişkenini seçin ve bunu Veri anahtarları ve Harita anahtarı kutularına sağa yerleştirin. Anahtarlarınızın iki farklı veri kaynağı arasında doğru bir şekilde eşleşip eşleşmediğini ve eşleşmeyen alanların bir özetini görmek için Doğrula’yı tıklatabilirsiniz.

10. Devam’a tıklayın ve geri döneceksiniz. Olay Verileri alanındaki Ekle düğmesini tıklayın ve DC_Crime_2013.sav veri kümesini seçin.

11. Devam’a tıklayın.
Olay veri kümesi için bu istemleri takip ederken, tahmin verilerini harita poligonlarıyla eşleştirmek için bir alan belirlemek yerine verilerin X ve Y koordinatlarını ilişkilendirmeniz gerekecektir.

12. Tahminler için DC_Crime_2013 verilerini kullanarak, BLOCKXCOORD ve BLOCKYCOORD alanlarını sırasıyla X (boylam) ve Y (enlem) alanlarına atayın.

13. Devam’a tıklayın. Ardından ekranda koordinatların projeksiyonunu tanımlamanızı isteyen bir iletişim kutusu belirecektir. Coğrafi veriler, küresel boylam ve enlem koordinatları şeklinde gelebilir veya başka bir koordinat sistemine yansıtılabilir. Küçük bir alanı inceleyen haritaların çoğu (çoğu polis departmanında olduğu gibi) bir tür yerel projeksiyon kullanır.

14. Burada projeksiyonun iyi bilinen kimliği (WKID) 26985’tir, bu yüzden o seçeneği seçin ve değeri girin.

The post Vaka Çalışması – 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 görünüşte basit bir grafiktir, ancak GPL’nin ne kadar güçlü olduğunun harika bir örneğidir. Bunu Excel’de yapabileceğinizi düşünebilirsiniz, ancak bunu yapmanın kolay bir yolunu (veya herhangi bir yolunu) bulabileceğinizden şüpheliyim. İlk olarak, grafiğin veriler hakkında ne söylediğini tartışalım. Baloncuklar (boyut grup büyüklüğünü gösterir) ve noktaların yerleri grup ortalamalarıdır. Bununla birlikte, regresyon trend çizgisi, tüm veri setini temel alır. Bu çok önemlidir, ancak yapılması çok zordur.

Çalışma hakkında biraz tartışalım, çünkü bu gerçek veriler. Büyük bir lise öğrencisi grubuna Myers Briggs Tip Gösterge Ölçeği (MBTI) uygulandı. Gösterilenler sadece SAT’ı almış olan yaşlılardır. Onlara grup geri bildirim oturumları verildi ve sonuçlarını bireysel olarak gözden geçirme fırsatı verildi, ancak burada gösterilen veriler onların kağıt ve kalem sonuçlarına dayanıyordu. Kendi kendine rapor edilmedi.

Sınıf sıralamaları ve SAT puanları, araştırmanın bir parçası olarak okul bölgesi tarafından araştırma ekibine sağlandı, dolayısıyla bu da kendi kendine rapor edilmedi. Başlıca bulgulardan biri, Js’nin (Yargılama) regresyon çizgisinin üzerinde olma eğiliminde olduğu ve Ps’nin (Algılama) altında olma eğiliminde olmasıdır. ESTJ (Dışa Dönme, Algılama, Düşünme, Yargılama) bir istisnadır ve çizginin biraz altındadır.

ISFP (İçe Dönme, Algılama, Hissetme, Algılama) çizginin biraz üzerinde ve ESFP (Dışa Dönme, Algılama, Hissetme, Algılama) biraz yukarıda, neredeyse çizgide duruyor. P’lerin, daha güçlü notlar anlamına gelebilecek puanlarla “başarısız” olma eğiliminde olduğu ve J’lerin, kişinin daha yüksek puanlar beklemesine neden olabilecek notlarla “fazla başarılı” olma eğiliminde olduğu sonucuna varabiliriz. Çok başarılı ve başarısız terimleri klişelerdir, ancak bulgunun tutarlılığı ilgi çekicidir. Grafik, bu bulguyu neredeyse bir bakışta netleştiriyor ve bulgu oldukça çarpıcıdır.

Peki bu grafikle ilgili büyük anlaşma nedir? Çoğu yazılımla yapmak kolay değildir. İki seçenek var ve hiçbiri ideal değil. Bir seçenek, tüm verileri, tüm 850 noktayı çizebilmemizdir. İkinci bir seçenek, toplu veriler üzerinde bir grafik oluşturabilmemizdir. Tüm 850 puanlık bir tabloyu ele alalım.

1. sat_mbti_gpl_start.sav veri kümesini açın.
2. Grafiği oluşturmak için Grafikler menüsüne gidin ve Grafik Oluşturucu’yu seçin.
3. Dağılım/Nokta’ya tıklayın ve Gruplandırılmış Dağılım’ı seçin.
4. Gruplandırılmış Dağılım Simgesini Kanvasın üzerine sürükleyin.
5. Classran değişkenini y eksenine yerleştirin.
6. Değişken satcombo’yu x eksenine yerleştirin.
7. jpcat değişkenini set color kutusuna yerleştirin.
8. Gruplar/Nokta Kimliği sekmesine tıklayın.
9. Nokta Kimliği Etiketini Kontrol Edin.
10. mbti değişkenini Nokta Kimliği kutusuna yerleştirin.
11. Tamam’a tıklayın.

Vaka çalışması örneği
Vaka çalışması Nedir
Vaka Analizi örnekleri ve çözümleri pdf
Vaka Analizi pdf
Vaka Analizi Sunum Örnekleri
Vaka Analizi Nedir
coca-cola vaka çalışması örnekleri
Eczacıbaşı vaka çalışması

Aldığımız sonuç görünmüyor. Biri beni etki için abartmakla suçlayabilir, çünkü sadece grup ortalamalarını kullanmak daha açık bir yol gibi görünüyor. Açıkçası, Excel’de çalışıyor olsaydık, 16 ortalamayı bulur ve ardından regresyon çizgisini hesaplardık. Ama bu yanlış olur. Bu, sonuçlarımızın daha temiz görünmesini sağlar ve süreçte onları çarpıtır. GPL, The Grammar of Graphics’teki kökenleri ile verilerimizle yalan söylemeyi zorlaştırıyor. Potansiyel yalan nerede yatıyor? Trend çizgimiz 850 vakayı temel almalıdır. N=16’ya dayandırırsak, gürültünün bir kısmını temizlediğimiz için korelasyonlar daha yüksek olacaktır.

Bu kolayca kanıtlanabilir. Bu durumda, SAT puanları ile sıralama arasında bir korelasyon çalıştırırsak, –.435’lik bir Pearson korelasyonu ve –.431’lik bir Spearman korelasyonu elde ederiz. Bu mantıklı çünkü rütbe düştükçe SAT puanı yükselir. Ancak bu kritiktir, aynı analizi toplu N=16 veri kümesini (veya yalnızca ortalama değerleri içeren bir çalışma sayfasını) kullanarak çalıştırırsak Pearson için –.573 ve Spearman için –.582 elde ederiz.

Bu, görünür bir fark yaratmak ve regresyon çizgisini hareket ettirmek için fazlasıyla yeterli. Bulgularımız teoriyle daha tutarlı olurdu, ancak izleyicilerimizi yanıltmış olurduk. Bir deney, değişikliğin bu veri kümesi için görsel olarak çok dramatik olmadığını gösterecektir, ancak ESFP, N=16 regresyon çizgisiyle çizginin teorik olarak beklenen tarafına hareket eder. Seyircimiz doğru grafiği hak ediyor.

İşte bunu yapan GPL kodu. Daha önce görmediğimiz özellikleri ayrıntılı olarak tartışacağız, ancak daha önce öğrendiğimiz komutları gözden geçirmeyeceğiz. GGRAPH komutuyla başlayalım. Harika yeni bir bölgeye giriyoruz. İki GRAPHDATASET alt komutumuz var! Tek bir veri kümesiyle başlayacağız, ardından ikinci bir veri kümesi oluşturmak için bir AGGREGATE komutu çalıştıracağız ve ardından GPL kodunda her iki veri kümesine de başvuracağız. Line öğesi 850 satırlık bir veri setini temel alacak ve noktalar 16 satırlık veri setini temel alacaktır.

Önemli bir ayrıntı, orijinal verilere atıfta bulunmak için AllData’nın “pencere adını” seçmek için DATASET NAME komutunun ve yeni 16 satırlık veri setimize atıfta bulunmak için AGGR’nin kullanılmasıdır. FORMATS komutu, grafiğimizi temizlemek için ondalık basamaklardan kurtulur. Grafiği oluşturmadan önce bunu yapmak çok daha kolay.

Örnek olarak, biri bölünmüş dosyalar üzerinde ve diğeri genel veriler için ayrı olan iki veri kümesi kullanan Grafikler ➪ Alt Grupları Karşılaştır tarafından oluşturulan GPL’ye bakabileceğinizi unutmayın.

İşte kodda aranacak bazı şeyler:

■ İki SOURCE ifadesi vardır. Orijinal dosyamız Source s ve toplu dosyamız s2’dir.
■ Bir başlığımız olduğundan, lejantlar null() olarak ilan edildi.
■ Son GUIDE ifadesi, başlığı sağlar.
■ Minimum ve maksimum boyutları belirledik ve reverse() işlevini kullandık.
■ Estetik Minimum ve Estetik Maksimum olarak ilan ettik.
■ Nokta öğesi yalnızca ikinci veri kümesindeki değişkenleri kullanır ve çizgi öğesi yalnızca ilk veri kümesindeki değişkenleri kullanır. Aynı ELEMENT ifadesi içinde karıştırıp eşleştirmemize izin verilmez.

Bu örnek olay incelemesinde gösterilen tüm sözdizimi kodunu kopyalarsanız, AGGREGATE komutu tarafından oluşturulan etkin veri kümesini ve kümelenmiş veri kümesini kullanacaksınız. Son olarak, oluşturmak için yukarıda belirtilen estetikle birlikte her iki veri kümesinden gelen bilgileri kullanacaksınız. Bu vaka çalışması, GPL’nin gücünün çok basit bir örneğidir.

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