YÜZDELERDE STANDART HATA – SPSS Ödevi Yaptırma – SPSS Analizi Yaptırma Fiyatları – SPSS Örnekleri – Ücretli SPSS Analizi Yaptırma – SPSS Analizi Yaptırma Ücretleri
YÜZDELERDE STANDART HATA
Cinsiyet gibi değişkenler için ilgilenilen istatistik genellikle kategori başına yüzdedir. Standart hatayı tahmin etme prosedürü, bir ortalama veya bir standart sapma üzerindeki standart hatanın tahmin edilmesi için kullanılan prosedürle aynıdır, yani değişkenin kategorisi başına, 81 yüzde hesaplanmalıdır.
Kutu 6.4, cinsiyet değişkeninin her kategorisi için yüzdeleri ve bunların ilgili standart hatalarını hesaplayacak makroyu çalıştırmak için SPSS® sözdizimini sunar. Çıktı veri dosyasının yapısı Tablo 6.6’da sunulmaktadır.
Aynı işlem erkek çocukların yüzdesi için de kullanılabilir. Unutulmamalıdır ki erkekler için standart hata kızlar için olana eşittir. Gerçekten de, üzerindeki standart hatanın 1- üzerindeki standart hataya eşit olduğu matematiksel olarak gösterilebilir. Bununla birlikte, veri dosyasında cinsiyete ilişkin eksik veriler tutuluyorsa, erkeklerin yüzdesindeki standart hata, kızların yüzdesindeki standart hatadan biraz farklı olabilir.
Tıpkı sayısal değişkenler için makroda olduğu gibi, birden fazla döküm değişkeni kullanılabilir. PISA 2003’te öğrenci anketindeki (ST01Q01) ilk soru öğrencilerin notunu vermektedir. 15 yaşındaki Almanlar 7. sınıftan 11. sınıfa kadar dağıtılır. Kutu 6.5, SPSS® sözdizimini sunar ve Tablo 6.8, öğrencilerin sınıf bazında cinsiyete göre dağılımını sunar.
‘İLE’ grup değişkenindeki yüzdelerin toplamı yüzde 100’e kadar çıkıyor. Bu örnekte, cinsiyet ve ülke içindeki 7 ila 11. sınıflardaki öğrencilerin yüzdelerinin toplamı yüzde 100’dür. ‘WITHIN=CNT’ ve ‘GRP=ST03Q01 ST01Q01’ ise, ülke içindeki tüm on grubun yüzdelerinin toplamı yüzde 100 olacaktır.
REGRESYON KATSAYILARINDA STANDART HATA
İstenen herhangi bir istatistik için, tahminin hesaplanması ve standart hatası, HISEI ortalaması ve kızların yüzdesi için açıklananlarla tamamen aynı prosedürü izleyecektir. Bu bölümün geri kalanı, PISA verilerini analiz etmek için geliştirilmiş diğer iki SPSS® makrosunun kullanımını açıklayacaktır.
İlk makro basit doğrusal regresyon analizleri içindir. Bu kılavuzda açıklanan tüm SPSS® makroları için ortak argümanların yanı sıra (i) NREP=, (ii) GRP=, (iii) W_FSTUWT=, (iv) W_FSTR=, (v) CONS= ve (vi) INFILE =, iki bağımsız değişkenin belirtilmesi gerekir: bağımlı değişken ve bağımsız değişkenler. Yalnızca bir bağımlı değişken belirtilebilirken, birkaç bağımsız değişken belirtilebilir.
Kutu 6.6, basit doğrusal regresyon makrosunu çalıştırmak için sözdizimi sağlar. Bu örnekte, bağımlı değişken 30 yaşında beklenen öğrenci işidir (BSMJ), bağımsız değişkenler ise aile sosyo-ekonomik indeksi (HISEI) ve öğrencilerin kodlama sonrası cinsiyetidir (CİNSİYET). Cinsiyet değişkeninin ikili bir 0-1 değişkenine yeniden kodlanmasından sonra, makro “include” ifadesi ile tanımlanır.
Standart hata örnek
Standart hata hesaplayıcı
Standart hata hesaplama
Ortalamanın standart hatası
Standart hata sembolü
Standart hata nedir istatistik
Standart hata ve standart sapma arasındaki fark
Standart hata yorumlama
Burada b0 kesişim ve HISEI ve CİNSİYET karşılık gelen değişkenlerin eğimleridir. Verileri, her ülkenin (grubun) veri dosyasında bir kaydı olacak şekilde yeniden yapılandırmak için Box 6.7’deki komutlar uygulanabilir (bu komut, SPSS® 11’den daha eski SPSS® sürümlerinde mevcut değildir). Veri çıktı dosyasının yapısı Tablo 6.10’da gösterilmektedir.
Regresyon katsayıları için SE’leri hesaplamak için bunun gibi daha karmaşık makrolar bazen her zaman görünmeyen hatalara neden olur. Bu hatalar, özellikle aynı makro aynı SPSS® oturumu içinde birden fazla kez çalıştırıldığında ortaya çıkar.
Tam öğrenci ağırlığını kullanarak analizi makronun dışında çalıştırarak makrodan elde edilen sonuçları her zaman test etmek ve regresyon katsayılarının (veya başka herhangi bir istatistiğin) doğru olup olmadığını kontrol etmek faydalı olacaktır. Aynı değilse, en iyi adım SPSS®’yi kapatmak ve hatta çoğu zaman oturumu kapatıp tekrar açmaktır. ‘C:\Temp\’ içindeki tüm dosyaların silinmesi de bazen sorunu çözecektir.
Regresyon katsayılarının 0’dan önemli ölçüde farklı olup olmadığını belirlemenin iki yolu vardır. İlk yöntem, tahmin edilen regresyon katsayısı etrafında bir güven aralığı oluşturmaktan oluşur. BSMJ üzerindeki CİNSİYET regresyon katsayısı için güven aralığı 0,05’e eşit bir değer için şu şekilde hesaplanabilir:
- [2.07 – (1.96*0.62);2.07 + (1.96*0.62)] = [0.85;3.29]
0 değeri bu güven aralığına dahil edilmediğinden, regresyon katsayısı 0’dan önemli ölçüde farklıdır. Erkeklere 0 değeri ve kızlara 1 değeri atandığından, ortalama olarak kızların önemli ölçüde daha yüksek iş beklentileri olduğu anlamına gelir. .
Regresyon katsayısının sıfır hipotezini test etmenin başka bir yolu, regresyon katsayısını standart hatasına bölmekten ibarettir. Bu prosedür, regresyon katsayısını standartlaştıracaktır. Bu aynı zamanda, sıfır hipotezi altında, standartlaştırılmış regresyon katsayısının örnekleme dağılımının, 0 beklenen bir ortalamaya ve 1 standart sapmaya sahip olduğu anlamına gelir.
KORELASYON KATSAYILARINDA STANDART HATA
Tablo 6.12 ve Kutu 6.9 sırasıyla SPSS® sözdizimini ve iki değişken arasındaki bir korelasyonun hesaplanmasına ayrılmış makro için çıktı veri dosyasının yapısını sunar. Değişkenlerden herhangi biri için eksik değerleri olan durumların, eksik değerlerin liste bazında silinmesini uygulamak için veri dosyasından makro tarafından silindiğini unutmayın.
SONUÇLAR
80 kopya kullanılarak standart hatanın hesaplanmasını açıkladı. Herhangi bir istatistik için prosedür aynıdır.
Ayrıca, örnekler kullanılarak, standart hataların hesaplanmasını kolaylaştırmak için geliştirilen SPSS® makrolarını çalıştırmak için SPSS® sözdizimi sağlanmıştır.
Ancak, analizlere makul değerler dahil edilirse, bu bölümde açıklanan makroların hiçbiri kullanılamaz. Bölüm 7, bu tür değişkenlerle nasıl devam edileceğini açıklayacaktır.
Makul Değerlerle Analizler
Matematik okuryazarlığı PISA 2003’te ana alan iken okuma, fen ve problem çözme ikincil alanlardır. Her küçük alan için bir ölçek oluşturulurken, matematik değerlendirmesi için beş ölçek oluşturulmuştur: bir matematik ölçeği ve dört alt ölçek (uzay ve şekil, değişim ve ilişkiler, nicelik ve belirsizlik).
Beşinci Bölümde, bu bilişsel veriler Rasch modeli ile ölçeklendirilmiş ve öğrencilerin performansı makul değerlerle ifade edilmiştir. Her bir ölçek ve alt ölçek için, uluslararası veri tabanlarına öğrenci başına beş makul değer dahil edilmiştir. Bu bölüm, makul değerlerle (PV’ler) analizlerin nasıl gerçekleştirileceğini açıklar.
PV’ler çoğunlukla bilişsel testte öğrenci performansını raporlamak için kullanıldığından, bu bölüm yalnızca başarı verileri ve bunların öğrenci veya okul özellikleriyle ilişkileri üzerinde analizler yapılırken yararlıdır.
Ortalamanın standart hatası Standart hata hesaplama Standart hata hesaplayıcı Standart hata nedir istatistik Standart hata örnek Standart hata sembolü Standart hata ve standart sapma arasındaki fark Standart hata yorumlama