Varyans Analizi – Tez Hazırlatma – Tez Yaptırma – Tez Yaptırma Fiyatları – Tez Örnekleri – Ücretli Tez Yazdırma – Tez Yaptırma Ücreti

Varyans Analizi (ANOVA)

Genellikle bir çok amaçlı t-testi olarak nitelendirilen bir ANOVA, aynı zamanda bir ortalama karşılaştırma testidir. Aslında, bir t-testi ile bir ANOVA arasındaki tek farklardan biri, ANOVA’nın ikiden fazla grup veya koşul arasında ortalamaları karşılaştırabilmesidir. Bu nedenle, bir t-testi sadece ANOVA’nın özel bir durumudur. ANOVA ile iki grubun ortalamalarını analiz ederseniz, bunu bir t-testi ile yapmakla aynı sonuçları alırsınız.

Bir araştırmacı, ikiden fazla grup arasındaki farkları incelemek için bir dizi t-testi kullanabilse de, bu sadece daha az verimli olmakla kalmayacak, aynı zamanda deney bazında hatalar da ekleyecek, böylece sahte sonuçların şansını artıracak ve istatistiki uyumdan ödün verecekti. 

İlginç bir şekilde, ismine rağmen ANOVA, grup varyansları arasındaki farklardan ziyade grup ortalamaları arasındaki farkları karşılaştırarak çalışır. “Varyans analizi” adı, prosedürün, araçların farklı olup olmadığına karar vermek için varyansları kullanma biçiminden gelir.

Çalışma hipotezine ve araştırma tasarımına bağlı olarak, ANOVA prosedürünün seçilebilecek çok sayıda farklı varyasyonu vardır. Örneğin, tek bir bağımsız değişkenin iki veya daha fazla düzeyinin ortalamalarını karşılaştırmak için tek yönlü bir ANOVA kullanılır. Bu nedenle, üç tip tedavinin depresyon düzeyi üzerindeki farklı etkilerini incelemek için bir ANOVA kullanabiliriz.

Alternatif olarak, bir çalışma iki veya daha fazla bağımsız değişken içerdiğinde çok faktörlü ANOVA’lar kullanılabilir. Örneğin, bir araştırmacı, depresyon semptomlarını azaltmada farklı tedavilerin ve yüksek veya düşük fiziksel egzersiz düzeylerinin etkinliğini incelemek için 2 × 3 faktöriyel tasarım kullanabilir.

Çalışma iki faktör (veya bağımsız değişkenler) içerdiğinden, araştırmacı iki yönlü bir ANOVA yürütecektir. Benzer şekilde, çalışmanın üç faktörü olsaydı, üç yönlü bir ANOVA kullanılırdı ve bu böyle devam ederdi.

Çok faktörlü bir ANOVA, bir araştırmacının yalnızca her bağımsız değişkenin (farklı tedaviler ve yüksek veya düşük egzersiz seviyeleri) depresyon üzerindeki ana etkilerini değil, aynı zamanda iki bağımsız değişkenin kombinasyon halindeki potansiyel etkileşimini incelemesine izin verir.

ANOVA’nın yine bir başka çeşidi, çoklu varyans analizi veya MANOVA’dır. MANOVA, genellikle bir şekilde ilişkili olan iki veya daha fazla bağımlı değişken olduğunda kullanılır.

Önceki örneği kullanarak, egzersizli veya egzersizsiz farklı tedavilerin birkaç farklı yolla ölçülen depresyon üzerindeki etkisini ölçtüğümüzü varsayalım. Bu sonuçların her biri için ayrı ANOVA’lar yürütebilsek de, MANOVA, verileri analiz etmenin daha verimli ve daha bilgilendirici bir yolunu sağlar.

Çoklu Karşılaştırmalar ve Deneysel Hata

Çoğu araştırma çalışması, hipotezlerinin birçok testini gerçekleştirir. Örneğin, yeni bir eğitim tekniğini test eden bir araştırmacı, öğrencilerin test puanlarını, memnuniyet derecelerini, sınıf notlarını ve SAT puanlarını ölçerek tekniğin etkililiğini incelemeyi seçebilir.

Bir sonuç ölçümünde anlamlı bir sonuç bulma şansı %5 (p-değeri .05 olan) varsa, dört sonuç kullanıldığında anlamlı bir sonuç bulma şansı %20 (.05 × 4) vardır. Önemli bir sonuç elde etmenin bu şişirilmiş olasılığı, deney bazında hata olarak adlandırılır.

Bu, ya bu hatayı hesaba katan bir istatistiksel test kullanılarak ya da gerçekleştirilen karşılaştırmaların sayısını hesaba katmak için p-değeri düşürülerek düzeltilebilir.

Deneysel hatayı kontrol etmenin en basit ve en muhafazakar yöntemi Bonferroni düzeltmesidir. Bu düzeltmeyi kullanarak, araştırmacı basitçe set p-değerini yapılan istatistiksel karşılaştırmaların sayısına böler (örn., .05/4 = .0125). O zaman elde edilen p-değeri, istatistiksel sonuca ulaşmak için elde edilmesi gereken yeni kriterdir. 

ANOVA analizi
ANOVA testi örnekleri
ANOVA testi
Anova analizi Nedir
ANOVA tablosu
ANOVA tablosu yorumlama
Varyans analizi örnek
Etkileşimli varyans analizi

Ki-Kare (χ2)

Şimdiye kadar tartıştığımız çıkarımsal istatistikler (yani, t-testleri, ANOVA) yalnızca ölçülen bağımlı değişkenler sürekli (aralık veya oran) olduğunda uygundur. Buna karşılık, ki-kare istatistiği, nominal veya sıralı verileri kullanarak hipotezleri test etmemize izin verir. Bunu, bir orantı setinin şans eseri beklediğinizden daha yüksek veya daha düşük olup olmadığını test ederek yapar.

Ki-kare, gözlemlenen ve beklenen frekanslar arasındaki farkı özetler. Gözlemlenen ve beklenen puanlar arasındaki genel farklılık ne kadar küçükse, ki-kare değeri o kadar küçük olacaktır. Tersine, gözlemlenen ve beklenen puanlar arasındaki fark ne kadar büyükse, ki-kare değeri o kadar büyük olacaktır.

Örneğin, istihdam becerileriyle ilgili bir çalışmada, bir araştırmacı rıza gösteren bireyleri deneysel veya standart bir beceri eğitimi müdahalesine rastgele atayabilir. Araştırmacı, deneysel müdahaleye katılan katılımcıların daha yüksek bir yüzdesinin 1 yıllık takipte istihdam edileceğini varsayabilir.

Ölçülen sonuç iki yönlü olduğundan (çalışıyor veya çalışmıyor), araştırmacı 1 yıllık takipte istihdamın beceri eğitimi ile ilgili olmadığı sıfır hipotezini test etmek için bir ki-kare kullanabilir.

Benzer şekilde, ki-kare analizi genellikle cinsiyet, medeni durum veya sınıf düzeyi gibi kategorik değişkenler üzerindeki gruplararası farklılıkları incelemek için kullanılır. Hatırlanması gereken en önemli şey, verilerin nominal veya sıralı olması gerektiğidir çünkü ki-kare bir orantı testidir. Ayrıca, iki veya daha fazla grup arasındaki kategorik yanıtların çetelelerini karşılaştırdığı için, ki kare istatistiği, önceden hesaplanmış yüzdeler veya oranlar üzerinde değil, yalnızca gerçek sayılar üzerinde yürütülebilir.

Regresyon

Doğrusal regresyon, bir veya daha fazla bağımsız değişkenin değerleri verilen bazı bağımlı değişkenler üzerindeki bir değeri tahmin etme veya tahmin etme yöntemidir. Korelasyonlar gibi, istatistiksel regresyon da değişkenler arasındaki ilişkiyi veya ilişkiyi inceler. Bununla birlikte, korelasyonlardan farklı olarak, regresyonun birincil amacı tahmindir.

Örneğin, sigorta düzenleyicileri, bir kişinin yaşam süresini şu anki yaşı, vücut ağırlığı, tıbbi geçmişi, tütün kullanımı geçmişi, medeni durumu ve mevcut davranış kalıplarından yola çıkarak tahmin edebilir veya tahmin etmeye yaklaşabilir.

İki temel regresyon analizi türü vardır: basit regresyon ve çoklu regresyon. Basit regresyonda, bağımlı değişkeni tek bir bağımsız değişkenle tahmin etmeye çalışırız. Çoklu regresyonda, sigorta ayarlayıcısında olduğu gibi, bağımlı değişkeni tahmin etmek için herhangi bir sayıda bağımsız değişken kullanabiliriz.

Lojistik regresyon, lineer muadili aksine, belirli bir bağımsız veya öngörücü değişkenler kümesine dayalı olarak belirli bir sonucun varlığı veya yokluğu gibi ikili değişkenleri tahmin etme yeteneği bakımından benzersizdir.

Korelasyon gibi, lojistik regresyon da değişkenler arasındaki ilişkinin gücü ve yönü hakkında bilgi sağlar. Ayrıca, modeldeki bağımsız değişkenlerin her biri için olasılık oranlarını tahmin etmek için lojistik regresyon katsayıları kullanılabilir. Bu olasılık oranları bize, belirli bir bağımsız değişkenler kümesi verildiğinde, ikili bir sonucun ne kadar muhtemel olduğunu söyleyebilir.

Lojistik regresyonun yaygın bir uygulaması, bir dizi varsayımsal risk faktörünün belirli bir durumun başlangıcını tahmin edip edemeyeceğini ve ne dereceye kadar tahmin edebileceğini belirlemektir. Örneğin, bir uyuşturucu bağımlılığı araştırmacısı, belirli yaşam tarzı ve davranış kalıplarının eski uyuşturucu bağımlılarını nüksetme riski altında bırakıp bırakmadığını belirlemek isteyebilir.

akademi222 takımı

Biyografinin Tamamını Gör