Bırakma olayı yaşayan vakaların sayısını (N = 13), sansürlenen (halen devam eden) vakaların sayısını (N = 35) ve eksik değerleri olan vakaların sayısını (N =) sağlayan Vaka İşleme Özeti tablosunu sağlar. 

Tüm kategorik değişkenler için IBM SPSS tarafından kullanılan yapay kodlama şemasını gösteren Kategorik Değişken Kodlamaları tablosunu sağlar. Kısaca (daha eksiksiz bir açıklama için bkz. Meyers ve diğerleri (2013)), kukla kodlama, kod kümelerinin sayısı, kategori sayısından bir eksik olacak şekilde, bir değişkenin kategorilerine 1’ler ve 0’lar atamayı içerir. Sahte kodlama, 0 koduna atanmış bir referans kategorisi gerektirir; Son kategorinin varsayılanını kabul ettik. Referans kategorisi olarak belirlenen kategoriler, regresyon analizinde kendisiyle karşılaştırılan diğer grupların her birine sahiptir.

Öğrencinin cinsiyeti (Kategorik Değişken Kodlamalar tablosunda 1 ve 2’nin kodlaması görülebilen) için kadın en yüksek kod değerine (2 ile) sahiptir ve böylece ilk için (1) etiketli sütunda gösterildiği gibi referans kategorisi olur. (ve sadece) sahte kodlar seti. Bu nedenle, regresyon analizinde erkekler kadınlarla karşılaştırılacaktır.

Eğitmen_seviye değişkenimiz, Kategorik Değişken Kodlamaları tablosunda da gösterilen üç kategoriye sahiptir. Kod 3 ile büyük usta referans kategorisi haline gelir; bu, her iki kodlama setinde de 0 atanmasına neden oldu, blackbelt ve master’ın her birine iki sahte kod setinden birinde bir sahte kod 1 atandı. Büyük usta referans kategorisi olduğundan, kara kuşak ve ustanın her biri analizde onunla karşılaştırılacaktır.

İlk Blok 0: Başlangıç ​​Blok analizini sunar. Bu, 73.398’lik -2 Log Olabilirlik istatistiği ile gerçekleştirilen Model Katsayılarının Çok Yönlü Testlerini sunar. -2 Günlük Olabilirliği, tüm değişkenlerin henüz analize girilmediği Blok 0’ı değerlendirir; bu nedenle, varyans analizinde toplam kareler toplamı ile benzer bir rol oynar. Modele girilen gelecekteki tüm ortak değişken blokları, bu istatistiğin azaltılması temelinde değerlendirilir.

Blok 1 için çıktı sağlar: Yöntem = Gir. Yöntem = Gir başlığı, ortak değişkenlerimizi (mevcut durumda dört) aynı anda girmeyi seçtiğimizi hatırlatır. Model Katsayılarının Çok Yönlü Testleri tablosu, -2 Günlük Olabilirlik değeri 63.018 ile başlar.

Bu olabilirlik oranı istatistiği, önceki (Blok 0) değeriyle karşılaştırılır ve indirgenmesi, dört serbestlik dereceli (dört ortak değişken nedeniyle) ki-kare istatistiği ile değerlendirilir. Tablonun Önceki Adımdan Değişim olarak etiketlenen kısmında Ki-kare değeri 10.38’dir. Blok 0’dan Blok 1’e -2 Günlük Olabilirliği farkı olarak hesaplanır (73.398−63.018 = 10.38). İstatistiksel olarak anlamlı olan ki-kare değeri (p = .034), dört ortak değişkenimizin tekvando sınıfından çıkma olasılığını (tehlike oranı) önemli ölçüde etkilediğini göstermektedir.

Denklem tablosundaki Değişkenleri sağlar. Bu tablo, her bir ortak değişken için bilgileri ayrı satırlarda sunar. B etiketli sütun, standartlaştırılmamış regresyon katsayılarını bildirir. Çoklu regresyona benzer şekilde, ortak değişkenlerin göreceli katkılarını karşılaştırabilmemiz için standartlaştırılmamış katsayıların standartlaştırılması gerekir; bu standardizasyon, hayatta kalma analizinde Exp(B) sütununda gösterilen bir log dönüşümü olarak gerçekleştirilir.

Regresyon analizi yorumlama
Regresyon analizi soru ve cevaplari
Regresyonda R kare yorumlama
Regresyon analizi örnek
Cox regresyon analizi nedir
Regresyon Varsayımları
Yaşam analizi
Regresyon katsayısı

Sonraki dört sütun, B’nin standart hatasını (SE olarak gösterilir), Wald istatistiksel anlamlılık testinin sonucunu, serbestlik derecelerini (df) ve katsayının anlamlılık değerini (Sig.) gösterir. Her bir ortak değişkenin istatistiksel önemini değerlendirmek için kullanılan test, Wald istatistiğidir; ki-kare dağılımı olarak dağıtılır ve (B/SE) olarak hesaplanır.

İstatistiksel olarak anlamlı olan tek etki, üç seviyeli kategorik bir değişken olan eğitmen_seviyesi ortak değişkenidir. Eğitmen_seviyesi satırı, önemli bir genel etki olduğunu (p = .031) gösterir, bu da eğitmen_seviyesi kukla kodlanmış değişkenlerden en az birinin istatistiksel olarak anlamlı olduğunu gösterir (en az biri ilgilenilen olayı önemli ölçüde tahmin eder).

İki yapay eğitmen_seviyesi değişkenini incelemek ayrıca bize yalnızca eğitmen_seviyesinin(1) istatistiksel olarak anlamlı olduğunu (p = .010) bildirir. Bu kukla kodlanmış değişkenin grandmaster’a kıyasla blackbelt ile temsil edildiğini Kategorik Değişken Kodlamaları tablosunda görebiliriz.

Exp(B) etiketli sütun, regresyon katsayılarının log dönüşümlerinin sonuçlarını sunar. Tehlike oranı olarak bilinir. 1.00 veya yakın değerler, tahmin değişkenindeki değişikliklerle birlikte, ilgilenilen olayı gözlemleme şansında önemli bir değişiklik olmadığını gösterir.

Örnek olarak nicel bir ortak değişken için, yaş için regresyon katsayısı .014’tür. Doğal logaritma dönüşümü temelinde, Exp(B)’yi 2.72.014 = 1.014 olarak hesaplıyoruz. Exp(B), modeldeki diğer tüm ortak değişkenleri kontrol ederken, ortak değişkendeki her metrik artış için tehlike oranındaki tahmini değişikliktir. Yaş için Exp(B) 1.014 olduğu için, yıllar içinde her artış için tehlike oranının 1.014 arttığını söyleyebiliriz; bu nedenle, örneğin, 5 yıllık bir artış, diğer tüm değişkenler için kontrol edildiğinde 5.07’lik bir tehlike oranına eşittir.

eğitmen_seviyesi(1) ile ilişkili Exp(B) değeri 23.274’tür. Bu, referans grup büyükustasıyla kara kuşağı karşılaştıran kukla kodlanmış bir değişkenin bir parçasıydı.

Bu etkiyi şu şekilde yorumluyoruz: kara kuşak eğitmenleri tarafından öğretilen öğrencilerin, büyükustalar tarafından öğretilenlere göre 23.274 (%95 güven aralığı: 2.12–255.10) kat daha fazla okulu bırakma olasılığı vardı.

Eğitmen_seviyesi(2) (usta ve büyükusta kukla değişkeni) için okulu bırakma oranında önemli bir fark yoktu; bu nedenle, bu iki tür eğitmenle ilişkili okulu bırakma oranları karşılaştırılabilirdi. Eğitmen_düzey(2) regresyon katsayısı için %95 güven aralığını hesaplarsak, bunun 1,00 değerini alacağını, dolayısıyla usta ve büyükusta eğitmenlerinin okulu bırakma oranları açısından karşılaştırılabilir olduğunu düşündüreceğini unutmayın.

Ortak Değişken Ortalamalar ve Model Değerleri tablosunu sağlar. Bu tablo, her bir ortak değişken veya tahmin değişkeninin ortalama değerini görüntüler. eğitmen_seviyesi(1), eğitmen_seviyesi için ilk kukla değişkeni temsil eder ve ortalaması .354’tür. Bu değişken siyah kuşak eğitmeni için 1, diğer tüm eğitmenler için 0 olarak kodlanmıştır.

İkinci kukla değişken olan eğitmen_düzey(2), usta öğreticiler için 1, diğer tüm eğitmenler için 0 olarak kodlanmıştır ve ortalaması .271’dir. Ortalama yaş 20.896 ve öğrencinin cinsiyeti ortalaması .583’tü. Model 1, 2, 3 etiketli sütunlar, öğrencinin yaşı ve cinsiyeti için ortalamaları dikkate alır ve kukla değişkenler (1,0), (0,1) (0,0) için kodlama şemasını sağlar. Bunlar grafiği oluşturmak için kullanılır.

Birlikte tüm değişkenler için tek bir hayatta kalma grafiği sağlar. Fonksiyon, tüm ortak değişkenlerin ortalaması temelinde hesaplanır.

D Her eğitmen_seviyesi için hayatta kalma işlevleri. Master-seviyesi veya büyük-master-seviyesi öğretime kıyasla, kara kuşak seviyesindeki öğretimle ilişkili daha yüksek okulu bırakma oranlarına dikkat edin; bu nedenle bu değişken regresyon analizinde istatistiksel olarak anlamlı bir yordayıcı olmuştur.

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

ANALİZ STRATEJİSİ

Önceki Yaşam Tabloları analizinde, bir grup tekvando öğrencisi için kümülatif bir hayatta kalma fonksiyonunun nasıl tahmin edileceğini gösterdik. Bu bölümde, tekvando öğrencilerinden oluşan birkaç grup (erkek ve kadın) için hayatta kalma fonksiyonlarının nasıl karşılaştırılacağını göstereceğiz. Ek bir analiz seti, öğrencinin eğitmen tipine (siyah kuşak, usta ve büyük usta) göre iç içe veya katmanlara ayrılmış öğrenci cinsiyetine göre hayatta kalma işlevlerini inceleyecektir.

ANALİZ KURULUMU: ERKEK VE KADINLARIN KARŞILAŞTIRILMASI

Tekvando eğitimi K-M veri dosyasını açın ve ana menüden Analiz Et ➔ Hayatta Kalma ➔ Kaplan-Meier’i seçin; bu, gösterilen Kaplan-Meier ana iletişim penceresini oluşturur.

Month_in_course’u Zaman paneline ve survival_status’u Durum paneline taşıdık. Durum paneline bir değişken girildiğinde, Olay Tanımla düğmesi etkinleştirilir. Olay Tanımla’yı tıklatmak, Durum Değişkeni için Olay Tanımla penceresini açar. Bırakmanın ilgilenilen olay olduğunu belirtmek için Tek değer paneline 0 giriyoruz.

Devam’ı tıklatmak bizi IBM SPSS®’nin Durum panelindeki survival_status değişkeninden sonra bir (0) yerleştirdiğini bulduğumuz ana iletişim penceresine döndürür. İki veya daha fazla grubun hayatta kalma fonksiyonlarını karşılaştırmak istersek, bu değişkeni Faktör olarak belirtiriz; her zaman olmasa da sıklıkla bazı nedensel tedavi etkilerini temsil eder. Bu örnek için, kategorik cinsiyet_öğrenci değişkenini Faktör paneline taşıdık; bu eylem, gösterildiği gibi iletişim penceresinin sağ üst kısmındaki Karşılaştırma Faktörü düğmesini etkinleştirdi.

Bu butona tıklamak, gösterilen Faktör Düzeylerini Karşılaştır ekranını üretir. Test İstatistikleri panelinde Log rank, Breslow ve Tarone–Ware seçeneklerini etkinleştirdik ve ayrıca alt panelde Pooled over strata seçeneğini seçtik. Devam’ı tıklatmak bizi ana iletişim penceresine döndürür.

Ana iletişim penceresinden Seçenekler düğmesine tıklandığında, Şekil 34.5’te gösterildiği gibi Seçenekler iletişim penceresi açılır. İstatistik panelindeki varsayılanları koruduk: Hayatta kalma tabloları ve Ortalama ve medyan hayatta kalma ve Grafikler panelinde Hayatta Kalmayı etkinleştirdik. Ana iletişim penceresine dönmek için Devam’a tıklayın ve analizi gerçekleştirmek için Tamam’a tıklayın.

ANALİZ ÇIKTI: ERKEK VE KADINLARIN KARŞILAŞTIRILMASI

Gözlemlenen olay sayısına (Olay Sayısı) ve sansürlenen sayıya göre ayrılmış her bir öğrenci cinsiyeti grubu için toplam vaka sayısını gösteren Vaka İşleme Özeti tablosunu sağlar. İlgilenilen olay okuldan atılmak olup, erkeklerde ve kadınlarda sırasıyla altı ve yedi adettir; sansürlü etkinlik hâlâ devam ediyordu ve 24 erkek ve 13 kadın vardı. Son sütun, erkeklerin %80’inin ve kadınların %65’inin kursta kaldığını gösteren Sansürlü gözlemlerin Yüzdesini ve her grup için olay (veya bırakma) sayısını sağlar.

%35’teki kız öğrencilerin, %20’deki erkeklere göre sansürlenme (hala kayıtlı) olasılığı daha yüksekti. Kaplan–Meier Hayatta Kalma Tablosu çıktısını sunar. Bu tablonun yedi sütunlu özet hesaplamaları, karşılaştığımız 13 sütunlu Ömür Tablosundan çok daha kısadır.

Öğrenci Cinsiyeti etiketli ilk sütun, erkek ve kadın vakaları bireysel hayatta kalma sürelerine göre artan düzende böler. Her durum tabloda kendi satırını kaplar. Zaman etiketli ikinci sütun, her bir vakanın ay olarak hayatta kalma süresini sağlar. Status adlı üçüncü sütun, bir vakanın sansürlü (hala sınıfa devam ediyor) veya sansürsüz (sınıftan ayrılma olayını yaşamış) olup olmadığını gösterir.

Kaplan Meier sağkalım analizi
Kaplan Meier Analizi
Cox regresyon analizi
Sağkalım analizi
Yaşam analizi
Sağkalım analizi PDF
Kaplan-Meier SPSS
Sağkalım Analizi SPSS

Dördüncü ve beşinci sütunlar, O Zamanda Kalan Kümülatif Oranın bir tahminini ve standart hatasını sağlar. Bu değer, aralığın sonunda terminal olayına ulaşmamış olan vakaların oranını sağlar. Örneğin erkeklerin yaklaşık %96’sı (1/30) ikinci aydan sonra kursta kalmıştır.

Kümülatif Olayların N etiketli altıncı sütunu, 1. zamandan belirli bir zamana kadar terminal olayı (bırakma) yaşayan vakaların sayısını bildirir. Kalan Vakaların N etiketli son sütunu, o belirli zamanda terminal olayını yaşamamış (bırakma) vakaların sayısını gösterir.

Erkek ve kadın tekvando öğrencileri için ortalama ve medyan hayatta kalma süresini bildirir. Kadınlar için medyan hayatta kalma süresinin 17 olduğunu not ediyoruz.

Gruplar arasında hayatta kalma sürelerinin eşitliğine ilişkin üç genel (çok amaçlı) test sağlayan Genel Karşılaştırmalar tablosunu sunar. Log Rank (Mantel-Cox), tüm zaman noktalarını eşit olarak ağırlıklandırarak hayatta kalma fonksiyonlarının eşitliğini test eder. Breslow, tüm noktaları zaman içinde her bir noktada risk altındaki vakaların sayısına göre ağırlıklandırarak hayatta kalma fonksiyonlarının eşitliğini test eder. Son olarak, Tarone-Ware, tüm noktaları zaman içinde her bir noktada risk altındaki vaka sayısının kareköküyle ağırlıklandırarak hayatta kalma fonksiyonlarının eşitliğini test eder.

Çoğu durumda daha büyük istatistiksel güçle ilişkili olduğundan, log sıralaması testinin sonuçlarını izlemenizi öneririz, ancak örneğimizde, üç testin de anlamlılık değerlerinin tümü .05’ten büyüktür. Bu nedenle, erkek ve dişi hayatta kalma süresi arasında istatistiksel olarak anlamlı bir fark olmadığı sonucuna varıyoruz.

Bu bulgular, gösterilen Hayatta Kalma İşlevlerinde pekiştirilmiştir. Bu çizim, yaşam tablolarının görsel bir temsilini verir. Yatay eksen, bir taekwondo sınıfına kaydolan ay sayısını veya etkinliğe kadar geçen süreyi temsil eder. Dikey eksen, hayatta kalma veya tekvando eğitiminden çıkmama olasılığını gösterir.

ANALİZ KURULUMU: ERKEKLER VE KADINLARIN STRATİFİKASYON İLE KARŞILAŞTIRILMASI

Bu örnekte, şimdi eğitmen_düzeyi için bir katmanlaştırma değişkeni eklememiz dışında, öncekiyle aynı analizi gerçekleştireceğiz. Bu analiz, iki öğrenci cinsiyeti grubunu katmanlar veya eğitmen düzeyi üç seviyesinin her biri üzerinden karşılaştıracaktır. Tekvando eğitimi K-M veri dosyasını açın ve ana menüden Analiz Et ➔ Hayatta Kalma ➔ Kaplan-Meier’i seçin; bu, gösterilen Kaplan-Meier ana iletişim penceresini oluşturur.

Önceki analizde yaptığımız gibi, Month_in_course’u Zaman paneline, survival_status’u Status paneline (ve Define Event For Status Variable’ı 0’a ayarladık) ve sex_of_of_student’ı Factor paneline taşıdık. Strata kutusunda, her bir eğitmen türündeki iki cinsiyeti incelememizi sağlamak için eğitmen_düzeyini taşıdık.

Gösterildiği gibi, Faktör Düzeylerini Karşılaştır ekranında, Test İstatistikleri panelinde Log rank, Breslow ve Tarone-Ware seçeneklerini etkinleştirdik ve alt panelde Pooled over strata seçeneğini seçtik. Faktör seviyesi seçeneklerinden dördünü (ayrı çalışmalarda) etkinleştireceğiz: Her bir seçenek için çıktıyı göstermek için her bir katman için havuzlanmış katmanlar, Her katman için, Çiftler üzerinden katmanlar ve Çiftler için her katman için, bu ilk çalıştırmadır. Her seçeneğin ayrı IBM SPSS Kaplan–Meier analizlerinde çalıştırılması gerektiğini unutmayın.

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