Vaka Çalışması – SPSS Ödevi Yaptırma – SPSS Analizi Yaptırma Fiyatları – SPSS Örnekleri – Ücretli SPSS Analizi Yaptırma – SPSS Analizi Yaptırma Ücretleri
MBTI Kabarcık Grafiği Vaka Çalışması
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.
coca-cola vaka çalışması örnekleri Eczacıbaşı vaka çalışması Vaka Analizi Nedir Vaka Analizi örnekleri ve çözümleri pdf Vaka Analizi pdf Vaka Analizi Sunum Örnekleri Vaka çalışması Nedir Vaka çalışması örneği