ki-karesedatsen.files.wordpress.com/2017/02/10-sunum.pdfÖnceki sunumlarda yaù, ders çalıùma...
TRANSCRIPT
![Page 1: Ki-Karesedatsen.files.wordpress.com/2017/02/10-sunum.pdfÖnceki sunumlarda yaù, ders çalıùma saati, sınav puanı gibi sürekli değiùkenlerin bağımlı değiùken olduğu durumlarda](https://reader033.vdocuments.site/reader033/viewer/2022050116/5f4cff4e8b971609371c251f/html5/thumbnails/1.jpg)
10.Sunum
Yrd. Doç. Dr. Sedat ŞEN 1
![Page 2: Ki-Karesedatsen.files.wordpress.com/2017/02/10-sunum.pdfÖnceki sunumlarda yaù, ders çalıùma saati, sınav puanı gibi sürekli değiùkenlerin bağımlı değiùken olduğu durumlarda](https://reader033.vdocuments.site/reader033/viewer/2022050116/5f4cff4e8b971609371c251f/html5/thumbnails/2.jpg)
Yrd. Doç. Dr. Sedat ŞEN 2
Bağımlı Değ. Bağımsız Değ. Analiz
Sürekli İki kategorili t-testi, Wilcoxon testi
Sürekli Kategorik ANOVA, linear regresyon
Sürekli Sürekli Korelasyon, doğrusal regresyon
İki kategorili Sürekli Lojistic regresyon
İki kategorili İki kategorili Ki-Kare testi, lojistic regresyon
![Page 3: Ki-Karesedatsen.files.wordpress.com/2017/02/10-sunum.pdfÖnceki sunumlarda yaù, ders çalıùma saati, sınav puanı gibi sürekli değiùkenlerin bağımlı değiùken olduğu durumlarda](https://reader033.vdocuments.site/reader033/viewer/2022050116/5f4cff4e8b971609371c251f/html5/thumbnails/3.jpg)
Önceki sunumlarda yaş, ders çalışma saati, sınav puanı gibi sürekli değişkenlerin bağımlı değişken olduğu durumlarda yapılacak analizlere bakmıştık. O analizlerde bağımsız değişkenler bazen sürekli bazen süreksiz (kategorik: cinsiyet ve medeni durum gibi) olabiliyordu.
Bu sunumda daha çok bağımlı değişkenin kategorik ya da iki kategorili olduğu durumlarda yapılabilecek analizleri anlatmaya çalışacağız. Genel olarak:
Ki-kare testi Lojistik regresyon yöntemlerinden
bahsedilecektir.
Yrd. Doç. Dr. Sedat ŞEN 3
![Page 4: Ki-Karesedatsen.files.wordpress.com/2017/02/10-sunum.pdfÖnceki sunumlarda yaù, ders çalıùma saati, sınav puanı gibi sürekli değiùkenlerin bağımlı değiùken olduğu durumlarda](https://reader033.vdocuments.site/reader033/viewer/2022050116/5f4cff4e8b971609371c251f/html5/thumbnails/4.jpg)
Eğer verimizde kategorik değişken varsa daha önceki analizlerde olduğu gibi aritmetik ortalamaları kullanamayız. Eğer kategorik bir değişkenin aritmetik ortalamasını hesaplamaya çalışırsanız mantıksız bir şey yapmış olursunuz. Kategorik değişkenlerin analizleri genelde frekanslar üzerinden yapılır. Hatırlatma: Frekans bir değişkendeki kategorilerin (elemanların) gözlem sayısıdır.
Yrd. Doç. Dr. Sedat ŞEN 4
![Page 5: Ki-Karesedatsen.files.wordpress.com/2017/02/10-sunum.pdfÖnceki sunumlarda yaù, ders çalıùma saati, sınav puanı gibi sürekli değiùkenlerin bağımlı değiùken olduğu durumlarda](https://reader033.vdocuments.site/reader033/viewer/2022050116/5f4cff4e8b971609371c251f/html5/thumbnails/5.jpg)
Diyelim ki bir sınavdan alınan puanların listesi:
40,40,40,50,50,60,60,60,70,90,90,90,90,90
Bu puanları alan öğrencilerin cinsiyet bilgisi listesi: K,E,E,K,K,E,K,K,E,K,K,E,K,K olsun.
şeklinde olsun. Bu durumda puan ve cinsiyet değişkenleri için frekans tablosu oluşturmak istersek yandaki tabloları elde ederiz.
Yrd. Doç. Dr. Sedat ŞEN 5
Puan Frekans
40 3
50 2
60 3
70 1
90 5
Cinsiyet
Frekans
K 9
E 5
![Page 6: Ki-Karesedatsen.files.wordpress.com/2017/02/10-sunum.pdfÖnceki sunumlarda yaù, ders çalıùma saati, sınav puanı gibi sürekli değiùkenlerin bağımlı değiùken olduğu durumlarda](https://reader033.vdocuments.site/reader033/viewer/2022050116/5f4cff4e8b971609371c251f/html5/thumbnails/6.jpg)
Eğer iki tane kategorik değişkenimiz varsa 1.Sunumda gösterdiğimiz gibi çaprazlık tabloları (2x2, 3x3 vb.) oluşturarak analizleri yapabiliriz. Örneğin A ve B partisine oy veren kişilerin Cinsiyetlerine göre dağılımını merak ettiğimiz bir araştırma sorusunda 4 farklı durum ortaya çıkabilir (A-Kadın, A-Erkek, B-Kadın, ve B-Erkek ). Bu durumların hepsini aşağıdaki çaprazlık tablosu ile gösterebiliriz:
Yrd. Doç. Dr. Sedat ŞEN 6
A Partisi B Partisi Toplam
Kadın 28 48 76
Erkek 10 114 124
Toplam 38 162 200
![Page 7: Ki-Karesedatsen.files.wordpress.com/2017/02/10-sunum.pdfÖnceki sunumlarda yaù, ders çalıùma saati, sınav puanı gibi sürekli değiùkenlerin bağımlı değiùken olduğu durumlarda](https://reader033.vdocuments.site/reader033/viewer/2022050116/5f4cff4e8b971609371c251f/html5/thumbnails/7.jpg)
Eğer iki kategorik değişken arasında ilişki olup olmadığını merak ediyorsak kullanacağımız istatistik yöntemi Pearson Ki-Kare testi olacaktır. Örneğin:
Seçmenlerin cinsiyetleri ile siyasi parti tercihleri arasında bir ilişki var mıdır?
İnsanların medeni durumları (evli-bekar) ile araba sahibi olup olmamaları (var-yok) arasında bir ilişki var mıdır?
gibi soruları cevaplamak için Ki-Kare testi kullanabiliriz.
Yrd. Doç. Dr. Sedat ŞEN 7
![Page 8: Ki-Karesedatsen.files.wordpress.com/2017/02/10-sunum.pdfÖnceki sunumlarda yaù, ders çalıùma saati, sınav puanı gibi sürekli değiùkenlerin bağımlı değiùken olduğu durumlarda](https://reader033.vdocuments.site/reader033/viewer/2022050116/5f4cff4e8b971609371c251f/html5/thumbnails/8.jpg)
Ki-Kare testi her bir kategori çiftine düşen frekans sayısı ile bu durumlara şansla düşebilecek frekans sayılarının karşılaştırılmasına dayanır. Gözlenen frekans ile beklenen frekans karşılaştırması diyebiliriz.
Yrd. Doç. Dr. Sedat ŞEN 8
![Page 9: Ki-Karesedatsen.files.wordpress.com/2017/02/10-sunum.pdfÖnceki sunumlarda yaù, ders çalıùma saati, sınav puanı gibi sürekli değiùkenlerin bağımlı değiùken olduğu durumlarda](https://reader033.vdocuments.site/reader033/viewer/2022050116/5f4cff4e8b971609371c251f/html5/thumbnails/9.jpg)
Bu tablodaki frekans değerlerini ve ki-kare formülünü kullanarak ki-kare değerinin hesaplamasını gösterelim daha sonra SPSS kullanarak bulabiliriz.
Yrd. Doç. Dr. Sedat ŞEN 9
A Partisi B Partisi Toplam
Kadın 28 48 76
Erkek 10 114 124
Toplam 38 162 200
![Page 10: Ki-Karesedatsen.files.wordpress.com/2017/02/10-sunum.pdfÖnceki sunumlarda yaù, ders çalıùma saati, sınav puanı gibi sürekli değiùkenlerin bağımlı değiùken olduğu durumlarda](https://reader033.vdocuments.site/reader033/viewer/2022050116/5f4cff4e8b971609371c251f/html5/thumbnails/10.jpg)
Önce her bir
kategori çifti için beklenen model
değerlerini
hesaplarız (yan üstte). Daha sonra
gözlenen frekansları bu
beklenen
değerlerden çıkarıp karelerini
alarak beklenen değerlere böleriz
(yan altta). En
sonunda elde ettiğimiz değerleri
topladığımızda ki-kare değerini
(25.35) buluruz.
Yrd. Doç. Dr. Sedat ŞEN 10
A Partisi B Partisi Toplam
Kadın 28 48 76
Erkek 10 114 124
Toplam 38 162 200
![Page 11: Ki-Karesedatsen.files.wordpress.com/2017/02/10-sunum.pdfÖnceki sunumlarda yaù, ders çalıùma saati, sınav puanı gibi sürekli değiùkenlerin bağımlı değiùken olduğu durumlarda](https://reader033.vdocuments.site/reader033/viewer/2022050116/5f4cff4e8b971609371c251f/html5/thumbnails/11.jpg)
Yukarıdaki tablo için bulduğumuz 25.35 değeri ki-kare değeridir. Bu değerin anlamlı bir fark doğurup doğurmadığını test edebilmemiz için serbestlik değerine ihtiyacımız vardır.
Ki-kare yönteminde serbestlik derecesi kategorik değişkenlerin kategori sayılarından 1 çıkarıp bu sayıları birbirleriyle çarptığımızda elde edilen değerdir. Burada her iki değişkende (cinsiyet ve parti) iki kategori (kadın-erkek ve A-B partileri) olduğu için serbestlik derecesi = (2-1) x (2-1) hesaplamasından 1 elde edilir.
Daha sonra bu sd ve ki-kare değerlerini alarak istatistik tablolarından bulabileceğimiz kritik değer ile karşılaştırdığımızda ki-kare sonucunun anlamlı bulunup bulunmadığını test edebiliriz.
Eğer bulduğumuz (25.35) değeri 3.84 (istatistik kitaplarındaki tablodan elde edilen) kritik değerinden büyük ise testimizin p değeri 0.05’ten küçüktür yani iki değişken arasında anlamlı bir ilişki vardır diyebiliriz. Bunu SPSS bizim için yapıyor.
Yrd. Doç. Dr. Sedat ŞEN 11
A Partisi B Partisi Toplam
Kadın 28 48 76
Erkek 10 114 124
Toplam 38 162 200
![Page 12: Ki-Karesedatsen.files.wordpress.com/2017/02/10-sunum.pdfÖnceki sunumlarda yaù, ders çalıùma saati, sınav puanı gibi sürekli değiùkenlerin bağımlı değiùken olduğu durumlarda](https://reader033.vdocuments.site/reader033/viewer/2022050116/5f4cff4e8b971609371c251f/html5/thumbnails/12.jpg)
Önceki slaytta elde edilen 25.35 ki-kare değeri ve 1 olan sd değerini internette bir çok web sitesinde bulunan “chi-square calculator” uygulamasını kullanarak p-değerini elde edebiliriz.
http://www.socscistatistics.com/pvalues/chidistribution.aspx
Yrd. Doç. Dr. Sedat ŞEN 12
Eğer p-değeri 0.05’ten küçük bulunursa cinsiyet ile parti tercihi arasında bir ilişki vardır şeklinde belirtebiliriz.
![Page 13: Ki-Karesedatsen.files.wordpress.com/2017/02/10-sunum.pdfÖnceki sunumlarda yaù, ders çalıùma saati, sınav puanı gibi sürekli değiùkenlerin bağımlı değiùken olduğu durumlarda](https://reader033.vdocuments.site/reader033/viewer/2022050116/5f4cff4e8b971609371c251f/html5/thumbnails/13.jpg)
Önceki slaytta tanıttığımız ki-kare testi ki-kare dağılımının yaklaşımına dayalı olduğu için büyük örneklemlerde çok iyi yaklaşıma sahipken bu yaklaşım düzeyi küçük örneklemlerde daha uzak olabilmekte ve anlamlı bulunan sonuçların yanlış çıkmasına neden olmaktadır.
Özellikle ki-kare testi yapabilmek için çaprazlık tablosundaki her hücrede 5’ten küçük frekans değerleri bulunmamalıdır. Bu da ki-karenin küçük örneklemlerde tercih edilmemesine neden olmuştur.
Alternatif olarak küçük örneklemler için ki-kareye göre daha doğru sonuçlar sunan Fisher Kesin Olasılık Testi geliştirilmiştir. Bu istatistik özellikle küçük örneklemlerden elde edilen 2x2 tabloları için kullanılsa da büyük örneklemlerden elde edilen diğer büyük boyuttaki tablolar için de kullanılabilir (analizler daha fazla zaman alabilir).
Yrd. Doç. Dr. Sedat ŞEN 13
![Page 14: Ki-Karesedatsen.files.wordpress.com/2017/02/10-sunum.pdfÖnceki sunumlarda yaù, ders çalıùma saati, sınav puanı gibi sürekli değiùkenlerin bağımlı değiùken olduğu durumlarda](https://reader033.vdocuments.site/reader033/viewer/2022050116/5f4cff4e8b971609371c251f/html5/thumbnails/14.jpg)
Ki-kare testinin bir başka alternatifi de maksimum olabilirlik yöntemine dayanan en çok olabilirlik oranı istatistiğidir.
Yrd. Doç. Dr. Sedat ŞEN 14
![Page 15: Ki-Karesedatsen.files.wordpress.com/2017/02/10-sunum.pdfÖnceki sunumlarda yaù, ders çalıùma saati, sınav puanı gibi sürekli değiùkenlerin bağımlı değiùken olduğu durumlarda](https://reader033.vdocuments.site/reader033/viewer/2022050116/5f4cff4e8b971609371c251f/html5/thumbnails/15.jpg)
Yukarıdaki tablo için LR değeri aşağıdaki gibi hesaplanabilir:
Yrd. Doç. Dr. Sedat ŞEN 15
A Partisi B Partisi Toplam
Kadın 28 48 76
Erkek 10 114 124
Toplam 38 162 200
• Ki-kare gibi LR değeri de aynı sd değerine sahip ve ki-kare dağılımı göstermektedir. Buradaki LR değeri de 3.84 (p = .05) kritik değerinden büyük olduğu için aynı yorumu yapabiliriz. LR istatistiği küçük örneklemlerde tercih edilir.
![Page 16: Ki-Karesedatsen.files.wordpress.com/2017/02/10-sunum.pdfÖnceki sunumlarda yaù, ders çalıùma saati, sınav puanı gibi sürekli değiùkenlerin bağımlı değiùken olduğu durumlarda](https://reader033.vdocuments.site/reader033/viewer/2022050116/5f4cff4e8b971609371c251f/html5/thumbnails/16.jpg)
2x2 çaprazlık tablolarında Pearson ki-kare değeri küçük p değerleri sunarak anlamlı değerler üretmeye eğilimlidir. Bu da I.Tür hata yapılma şansını artırır. Bu sorunu çözmek için Yates bir düzeltme önermiştir. Aşağıdaki formülün Pearson ki-kareden tek farkı pay kısmındaki gözlenen ile model farklarından 0.5 çıkarılmasıdır.
Yrd. Doç. Dr. Sedat ŞEN 16
![Page 17: Ki-Karesedatsen.files.wordpress.com/2017/02/10-sunum.pdfÖnceki sunumlarda yaù, ders çalıùma saati, sınav puanı gibi sürekli değiùkenlerin bağımlı değiùken olduğu durumlarda](https://reader033.vdocuments.site/reader033/viewer/2022050116/5f4cff4e8b971609371c251f/html5/thumbnails/17.jpg)
Yukarıdaki tabloya göre Yates düzeltmesi aşağıdaki gibi hesaplanabilir:
Yrd. Doç. Dr. Sedat ŞEN 17
A Partisi B Partisi Toplam
Kadın 28 48 76
Erkek 10 114 124
Toplam 38 162 200
• Buradaki bulunan değer de Pearson ki-kare değeri gibi yorumlanabilir (p<0.05).
![Page 18: Ki-Karesedatsen.files.wordpress.com/2017/02/10-sunum.pdfÖnceki sunumlarda yaù, ders çalıùma saati, sınav puanı gibi sürekli değiùkenlerin bağımlı değiùken olduğu durumlarda](https://reader033.vdocuments.site/reader033/viewer/2022050116/5f4cff4e8b971609371c251f/html5/thumbnails/18.jpg)
Verilerin bağımsızlığı: Verilerin toplandığı kişiler çaprazlık tablosunun sadece bir hücresine girilebilir. Örneğin bir kişi hem A hem de B partisine oy veren kısımlarda yer almamalıdır.
Çaprazlık tablosundaki her hücresi değer 5’ten büyük frekansa sahip olmalı. Büyük çaprazlık tablolarında 5’ten küçük hücreler çok problem oluşturmasa da çok büyük tablolarda bu değerin 1’den küçük olmaması istenir. Genel görüş tablodaki her hücrede 1’den küçük hiç değer olmaması ve 5’ten küçük frekansa sahip hücrelerin verinin %20’sini geçmemesi. Eğer 5’ten küçük frekansa sahip hücreleriniz varsa Fisher Kesin Olasılık Testi kullanılabilir.
Yrd. Doç. Dr. Sedat ŞEN 18
![Page 19: Ki-Karesedatsen.files.wordpress.com/2017/02/10-sunum.pdfÖnceki sunumlarda yaù, ders çalıùma saati, sınav puanı gibi sürekli değiùkenlerin bağımlı değiùken olduğu durumlarda](https://reader033.vdocuments.site/reader033/viewer/2022050116/5f4cff4e8b971609371c251f/html5/thumbnails/19.jpg)
Önceki slaytlarda verilen Pearson Ki-kare, Fisher Kesin Olasılık Testi , en çok olabilirlik oranı ve Yates düzeltmesi değerleri SPSS’te verimizi açtıktan sonra Analyze>Descriptive Stat>Crosstabs kısmına tıklayarak elde edilebilir.
Yrd. Doç. Dr. Sedat ŞEN 19
![Page 20: Ki-Karesedatsen.files.wordpress.com/2017/02/10-sunum.pdfÖnceki sunumlarda yaù, ders çalıùma saati, sınav puanı gibi sürekli değiùkenlerin bağımlı değiùken olduğu durumlarda](https://reader033.vdocuments.site/reader033/viewer/2022050116/5f4cff4e8b971609371c251f/html5/thumbnails/20.jpg)
SPSS’te kategorik veri ile analiz yaparken 2 türlü veri girişi yapabiliriz. Aşağıda iki veri türü de gösterilmiştir. Soldaki tüm katılımcılara ait bilgilerin olduğu dosyayı sağdaki ise bu kişilerin bilgilerinden oluşan frekanslarla üretilen 2x2 çaprazlık tablosudur. Bu derste soldaki veriyle ki-kare ve diğer değerleri nasıl elde edeceğimizi göstereceğiz.
Yrd. Doç. Dr. Sedat ŞEN 20
![Page 21: Ki-Karesedatsen.files.wordpress.com/2017/02/10-sunum.pdfÖnceki sunumlarda yaù, ders çalıùma saati, sınav puanı gibi sürekli değiùkenlerin bağımlı değiùken olduğu durumlarda](https://reader033.vdocuments.site/reader033/viewer/2022050116/5f4cff4e8b971609371c251f/html5/thumbnails/21.jpg)
Bu veri ile ki-kare ve diğer değerleri elde etmek istiyorsak SPSS’te Analyze>Descriptive Stat>Crosstabs kısmına tıkladığımızda açılan aşağıdaki ekranda öncelikle değişkenleri tablonun satır ve sütun kısımlarına eklememiz gerekmektedir.
Yrd. Doç. Dr. Sedat ŞEN 21
![Page 22: Ki-Karesedatsen.files.wordpress.com/2017/02/10-sunum.pdfÖnceki sunumlarda yaù, ders çalıùma saati, sınav puanı gibi sürekli değiùkenlerin bağımlı değiùken olduğu durumlarda](https://reader033.vdocuments.site/reader033/viewer/2022050116/5f4cff4e8b971609371c251f/html5/thumbnails/22.jpg)
Statistics ekranında elde etmek istediğimiz istatistikleri seçebiliriz. Şimdilik sadece chi-square (ki-kare vd.) elde etmek için Chi-square seçeneğini işaretliyoruz.
Yrd. Doç. Dr. Sedat ŞEN 22
![Page 23: Ki-Karesedatsen.files.wordpress.com/2017/02/10-sunum.pdfÖnceki sunumlarda yaù, ders çalıùma saati, sınav puanı gibi sürekli değiùkenlerin bağımlı değiùken olduğu durumlarda](https://reader033.vdocuments.site/reader033/viewer/2022050116/5f4cff4e8b971609371c251f/html5/thumbnails/23.jpg)
2x2 çaprazlık tablosuna
sahip verimizin ki-kare analizi sonucunda
karşımıza yandaki 3
tablo çıkmaktadır. Birinci tabloda etkileşim
değişkenine (AxB) ait betimleyici bilgiler
sunulmaktadır. İkinci
tablo değişkenleri her bir kombinasyonu için
sahip olduğu frekanslarını gösteren
bir çaprazlık
tablosudur. En önemli tablo en sonda verilen
ki-kare ve diğer istatistik değerlerimizin
yer aldığı tablodur.
Yrd. Doç. Dr. Sedat ŞEN 23
![Page 24: Ki-Karesedatsen.files.wordpress.com/2017/02/10-sunum.pdfÖnceki sunumlarda yaù, ders çalıùma saati, sınav puanı gibi sürekli değiùkenlerin bağımlı değiùken olduğu durumlarda](https://reader033.vdocuments.site/reader033/viewer/2022050116/5f4cff4e8b971609371c251f/html5/thumbnails/24.jpg)
Aşağıdaki tabloda sırasıyla Pearson ki-kare, Yates düzeltmesi, en çok olabilirlik oranı ve Fisher Kesin Olasılık Testi değerleri ve anlamlılık durumları verilmektedir. Bu sayılar daha önce hesaplayarak bulduğumuz değerlere eştir. Aynı yorumu burada dayapabiliriz:
p-değeri 0.05’ten küçük bulunduğu için cinsiyet ile parti tercihi arasında bir anlamlı bir ilişki vardır diyebiliriz ( = 25.36, p<0.05 ).
Yrd. Doç. Dr. Sedat ŞEN 24
![Page 25: Ki-Karesedatsen.files.wordpress.com/2017/02/10-sunum.pdfÖnceki sunumlarda yaù, ders çalıùma saati, sınav puanı gibi sürekli değiùkenlerin bağımlı değiùken olduğu durumlarda](https://reader033.vdocuments.site/reader033/viewer/2022050116/5f4cff4e8b971609371c251f/html5/thumbnails/25.jpg)
Cramer’s V ve risk oranı (odds ratio) ki-kare istatistiği için kullanılan etki büyüklüğü değerleridir.
Risk oranı değeri 2x2 tabloları için çok kullanışlıdır.
Risk oranı iki oranın birbirine bölümüyle elde edilir. Bizim örneğimizde A partisi için kadın ve erkeğin birbirine oranın B partisindeki kadın ver erkeğin birbirine oranının bölünmesiyle elde edilir.
Yrd. Doç. Dr. Sedat ŞEN 25
![Page 26: Ki-Karesedatsen.files.wordpress.com/2017/02/10-sunum.pdfÖnceki sunumlarda yaù, ders çalıùma saati, sınav puanı gibi sürekli değiùkenlerin bağımlı değiùken olduğu durumlarda](https://reader033.vdocuments.site/reader033/viewer/2022050116/5f4cff4e8b971609371c251f/html5/thumbnails/26.jpg)
A=28/10=2.8
B=48/114=0.421
A/B=2.8/0.421=6.65
Buradaki etki büyüklüğü yorumu daha önceki etki büyüklüklerininkinden farklıdır. Burada çıkan 6.65 değerini şöyle yorumlayabiliriz: Kadın olmanın A partisini seçme oranı B partisini seçme oranından 6.65 kat daha fazladır.
Yrd. Doç. Dr. Sedat ŞEN 26
![Page 27: Ki-Karesedatsen.files.wordpress.com/2017/02/10-sunum.pdfÖnceki sunumlarda yaù, ders çalıùma saati, sınav puanı gibi sürekli değiùkenlerin bağımlı değiùken olduğu durumlarda](https://reader033.vdocuments.site/reader033/viewer/2022050116/5f4cff4e8b971609371c251f/html5/thumbnails/27.jpg)
Eğer Etki Büyüklüğü olarak Cramer’s V değerini elde etmek istiyorsak ki-kare değerini seçtiğimiz yerde Cramer’s V seçeneğini de işaretleyek Cramer’s V elde edebiliriz.
Yrd. Doç. Dr. Sedat ŞEN 27
![Page 28: Ki-Karesedatsen.files.wordpress.com/2017/02/10-sunum.pdfÖnceki sunumlarda yaù, ders çalıùma saati, sınav puanı gibi sürekli değiùkenlerin bağımlı değiùken olduğu durumlarda](https://reader033.vdocuments.site/reader033/viewer/2022050116/5f4cff4e8b971609371c251f/html5/thumbnails/28.jpg)
Cramer’s V değeri ANOVA ve regresyondaki etki büyüklüğü değerleri gibi 0 ile 1 arasında değişmektedir. Aşağıdaki tabloya göre bizim verimize ait etki büyüklüğü değeri 0.356 çıkmıştır.
Yrd. Doç. Dr. Sedat ŞEN 28
![Page 29: Ki-Karesedatsen.files.wordpress.com/2017/02/10-sunum.pdfÖnceki sunumlarda yaù, ders çalıùma saati, sınav puanı gibi sürekli değiùkenlerin bağımlı değiùken olduğu durumlarda](https://reader033.vdocuments.site/reader033/viewer/2022050116/5f4cff4e8b971609371c251f/html5/thumbnails/29.jpg)
Eğer verinizde 5’ten küçük frekansa sahip %20’den fazla durum var ya da 1’den küçük frekans olma durumu varsa aşağıdaki çözümleri deneyebilirsiniz:
(1) Verideki değişkenlerden birini çıkarın
(2) Sorunlu olan değişkenin kategorisini çıkarın
(3) Daha fazla veri toplayın
(4) Güç kaybını kabul edin
Yrd. Doç. Dr. Sedat ŞEN 29
![Page 30: Ki-Karesedatsen.files.wordpress.com/2017/02/10-sunum.pdfÖnceki sunumlarda yaù, ders çalıùma saati, sınav puanı gibi sürekli değiùkenlerin bağımlı değiùken olduğu durumlarda](https://reader033.vdocuments.site/reader033/viewer/2022050116/5f4cff4e8b971609371c251f/html5/thumbnails/30.jpg)
Buraya kadar bahsedilen kategorik veri analizi istatistikleri 2 kategorik değişken içeren durumlar için kullanılmaktadır. Bu 2 değişkenin kategori sayısına göre tablolarımız 2x2, 2x3, 3x3 vb… şeklinde adlandırılmaktadır. İki kategorik değişkenin olsuğu durumlarda önceki slaytlarda gösterilen menülerden ki-kare ve diğer istatistikler hesaplanabilir.
Eğer verimizde ikiden fazla kategorik değişken varsa loglinear (log-doğrusal) modeller kullanılabilir. Log-doğrusal modeller iki kategorik değişkenin olduğu veriler için de kullanılabilir.
Yrd. Doç. Dr. Sedat ŞEN 30
![Page 31: Ki-Karesedatsen.files.wordpress.com/2017/02/10-sunum.pdfÖnceki sunumlarda yaù, ders çalıùma saati, sınav puanı gibi sürekli değiùkenlerin bağımlı değiùken olduğu durumlarda](https://reader033.vdocuments.site/reader033/viewer/2022050116/5f4cff4e8b971609371c251f/html5/thumbnails/31.jpg)
Eğer bağımlı değişkenimiz kategorik bir değişken (örneğin iki kategorili (1-0)) bir değişken ise çoklu doğrusal regresyon yerine lojistik regresyon kullanmamız gerekir.
Çoklu regresyon sürekli olan bağımlı değişken için tercih edilir.
Lojistik regresyonda da 1’den fazla bağımsız değişkeni modele aynı anda girebiliriz.
Daha çok alınan kararların (evet/hayır, geçti/kaldı) veya ikiden fazla kategoriye sahip olan bağımlı değişkenlerin hangi değişkenler tarafından etkilendiğini öğrenmek istediğimiz durumlarda lojistik regresyonu tercih edebiliriz.
Kısaca verilen bağımsız değişkenlere göre bir kişinin iki kategoriden hangisine girme olasılığı olduğunu yordamaya çalışırız.
Yrd. Doç. Dr. Sedat ŞEN 31
![Page 32: Ki-Karesedatsen.files.wordpress.com/2017/02/10-sunum.pdfÖnceki sunumlarda yaù, ders çalıùma saati, sınav puanı gibi sürekli değiùkenlerin bağımlı değiùken olduğu durumlarda](https://reader033.vdocuments.site/reader033/viewer/2022050116/5f4cff4e8b971609371c251f/html5/thumbnails/32.jpg)
Katılımcıların iki kategoriden birine girip girmediğini yordamaya çalışıyorsak iki sonuçlu (binary) lojistik regresyon,
Eğer katılımcıların ikiden fazla kategoriden birine girip girmediğini yordamaya çalışıyorsak çok sonuçlu (multinomial) lojistik regresyon kullanırız.
Yrd. Doç. Dr. Sedat ŞEN 32
![Page 33: Ki-Karesedatsen.files.wordpress.com/2017/02/10-sunum.pdfÖnceki sunumlarda yaù, ders çalıùma saati, sınav puanı gibi sürekli değiùkenlerin bağımlı değiùken olduğu durumlarda](https://reader033.vdocuments.site/reader033/viewer/2022050116/5f4cff4e8b971609371c251f/html5/thumbnails/33.jpg)
Yrd. Doç. Dr. Sedat ŞEN 33
Basit regresyonda eşitliği yan tarafta yazdığımızı hatırlayalım. Birden fazla bağımsız değişkenin olduğu çoklu regreyonda yandaki ikinci eşitliği yazabiliyor ve bu iki durumda da bağımsız değişkenlerden bağımlı değişkenin alabileceği değerleri yordayabiliyorduk. Bir bağımsız değişkenin olduğu durumda lojistik regresyonu üçüncü eşitlikteki gibi yazıyor ve birden fazla bağımsız değişken değişkenin olduğu lojistik regresyon eşitliğini de son eşitlikteki gibi yazabiliyoruz. Lojistik regresyonun normal regresyondan farkı burada bağımlı değişkenin yerine bağımlı değişkenin kategorilerinde olma olasılığını yorduyor olmamızdır.
![Page 34: Ki-Karesedatsen.files.wordpress.com/2017/02/10-sunum.pdfÖnceki sunumlarda yaù, ders çalıùma saati, sınav puanı gibi sürekli değiùkenlerin bağımlı değiùken olduğu durumlarda](https://reader033.vdocuments.site/reader033/viewer/2022050116/5f4cff4e8b971609371c251f/html5/thumbnails/34.jpg)
Kategorik bağımlı değişkenlerde lojistik regresyon uygulayamamızın sebebi normal regresyon yönteminin bağımlı değişken ile bağımsız değişken arasındaki doğrusallık varsayımının ihlal edilmesidir. Bağımlı değişken kategorik olduğu zaman bağımlı değişken ile bağımsız değişken arasındaki ilişki doğrusal olmamaktadır. Bu sorunu aşmak için bağımlı değişkenin logaritmik dönüşümünün yapılması gerekir. Normal regresyonun logaritmik bir formu olduğu için bu regresyon türüne logistic (lojistic) regresyon demekteyiz.
Yrd. Doç. Dr. Sedat ŞEN 34
![Page 35: Ki-Karesedatsen.files.wordpress.com/2017/02/10-sunum.pdfÖnceki sunumlarda yaù, ders çalıùma saati, sınav puanı gibi sürekli değiùkenlerin bağımlı değiùken olduğu durumlarda](https://reader033.vdocuments.site/reader033/viewer/2022050116/5f4cff4e8b971609371c251f/html5/thumbnails/35.jpg)
Risk oranı lojistik regresyonu yorumlarken çok önemlidir. Bağımsız değişkendeki bir birimlik değişimden
kaynaklanan olasılık değişimini gösterir. Normal regresyondaki eğim (b) katsayısına benzer. Bir olayın risk oranı değeri o olayın gerçekleşme
olasılığının gerçekleşmeme olasılığına bölünmesiyle elde edilir. Örneğin sigara kullanıp kullanmamanın (0-1) hasta olup olmamaya (0-1) etkisine baktığımızda risk oranını kullanarak yorum yapabiliriz. Bu durumda önce sigara kullananların hasta olma olasılığını sonra da sigara kullanmayanların hasta olma olasılığını bulup bulunan değerler arasındaki oransal farka bakabiliriz. Örneğin sigara kullananların hasta olma olasılığı 0.8 kullanmayanların ki 0.2 ise 0.8/0.2=4. Yani sigara kullananların hasta olma olasılığı kullanmayanlara göre 4 kat daha fazladır diyebiliriz.
Yrd. Doç. Dr. Sedat ŞEN 35
![Page 36: Ki-Karesedatsen.files.wordpress.com/2017/02/10-sunum.pdfÖnceki sunumlarda yaù, ders çalıùma saati, sınav puanı gibi sürekli değiùkenlerin bağımlı değiùken olduğu durumlarda](https://reader033.vdocuments.site/reader033/viewer/2022050116/5f4cff4e8b971609371c251f/html5/thumbnails/36.jpg)
Normal regresyonda olduğu gibi forced entry (zorla giriş) yaparak ya da adımsal (stepwise) metodunu kullanarak lojistik regresyon modelimize karar verebiliriz.
Yrd. Doç. Dr. Sedat ŞEN 36
![Page 37: Ki-Karesedatsen.files.wordpress.com/2017/02/10-sunum.pdfÖnceki sunumlarda yaù, ders çalıùma saati, sınav puanı gibi sürekli değiùkenlerin bağımlı değiùken olduğu durumlarda](https://reader033.vdocuments.site/reader033/viewer/2022050116/5f4cff4e8b971609371c251f/html5/thumbnails/37.jpg)
Doğrusallık: Normal regresyonda bağımsız ve bağımlı değişken arası doğrusal bir ilişki varsayılıyordu. Lojistik regresyonda da bağımsız değişken ile bağımlı değişkenin logaritmik değeri arasında doğrusal bir ilişki olduğu varsayılmaktadır.
Hataların bağımsızlığı: Aynı normal regresyonda olduğu gibi veri değerlerinin birbirinden bağımsız olmaları dolayısıyla hata değerlerinin bağımsız olması varsayılır.
Bağımsız değişkenin kategorik olması.
Çoklu bağlantı: Varsayımdan çok problem şeklinde bahsedebiliriz. Eğer bağımsız değişkenler birbirleriyle çok yüksek korelasyona sahipse lojistik regresyon sonuçlarını olumsuz yönde etkiler.
Yrd. Doç. Dr. Sedat ŞEN 37
![Page 38: Ki-Karesedatsen.files.wordpress.com/2017/02/10-sunum.pdfÖnceki sunumlarda yaù, ders çalıùma saati, sınav puanı gibi sürekli değiùkenlerin bağımlı değiùken olduğu durumlarda](https://reader033.vdocuments.site/reader033/viewer/2022050116/5f4cff4e8b971609371c251f/html5/thumbnails/38.jpg)
Lojistik regresyon analizimizde yandaki veriyi kullanacağız. Bu veride katılımcıların tedavi sürecinde kemoterapi alıp (1) almadıkları (0) ve kaç gün tedavi sürecinde bulunduklarının iyileşip iyileşmeye olan etkisini inceleyeceğiz.
Yrd. Doç. Dr. Sedat ŞEN 38
![Page 39: Ki-Karesedatsen.files.wordpress.com/2017/02/10-sunum.pdfÖnceki sunumlarda yaù, ders çalıùma saati, sınav puanı gibi sürekli değiùkenlerin bağımlı değiùken olduğu durumlarda](https://reader033.vdocuments.site/reader033/viewer/2022050116/5f4cff4e8b971609371c251f/html5/thumbnails/39.jpg)
Bağımlı değişken: İyileşme
Bağımsız değişkenler: tedavi ve süre
Tedavi değişkeni ve iyileşme değişkenleri kategorik olduğu için aşağıdaki gibi SPSS’e kategorik olarak girmemiz gerekmektedir.
Yrd. Doç. Dr. Sedat ŞEN 39
![Page 40: Ki-Karesedatsen.files.wordpress.com/2017/02/10-sunum.pdfÖnceki sunumlarda yaù, ders çalıùma saati, sınav puanı gibi sürekli değiùkenlerin bağımlı değiùken olduğu durumlarda](https://reader033.vdocuments.site/reader033/viewer/2022050116/5f4cff4e8b971609371c251f/html5/thumbnails/40.jpg)
Yrd. Doç. Dr. Sedat ŞEN 40
SPSS’te yandaki menüleri takip ederek iki sonuçlu lojistik regresyon analizini yapabilirsiniz.
![Page 41: Ki-Karesedatsen.files.wordpress.com/2017/02/10-sunum.pdfÖnceki sunumlarda yaù, ders çalıùma saati, sınav puanı gibi sürekli değiùkenlerin bağımlı değiùken olduğu durumlarda](https://reader033.vdocuments.site/reader033/viewer/2022050116/5f4cff4e8b971609371c251f/html5/thumbnails/41.jpg)
Yrd. Doç. Dr. Sedat ŞEN 41
Bir önceki slayttaki menüleri seçtiğimizde karşımıza yandaki ekran çıkacaktır.
![Page 42: Ki-Karesedatsen.files.wordpress.com/2017/02/10-sunum.pdfÖnceki sunumlarda yaù, ders çalıùma saati, sınav puanı gibi sürekli değiùkenlerin bağımlı değiùken olduğu durumlarda](https://reader033.vdocuments.site/reader033/viewer/2022050116/5f4cff4e8b971609371c251f/html5/thumbnails/42.jpg)
Yrd. Doç. Dr. Sedat ŞEN 42
Bu ekranda bağımlı ve
bağımsız değişkenleri eklememiz
gerekmektedir. Ayrıca
bağımsız değişkenlerin etkileşimini de
(tercihen) eklemeliyiz. Burada tüm elemanları
(ana etki ve etkileşim)
eklememizin sebebi SPSS’in bizim için en iyi
modeli seçmesini sağlamaktır. Alternatif
olarak biz de
istediğimiz elemanları modele entry (giriş)
yapabiliriz.
![Page 43: Ki-Karesedatsen.files.wordpress.com/2017/02/10-sunum.pdfÖnceki sunumlarda yaù, ders çalıùma saati, sınav puanı gibi sürekli değiùkenlerin bağımlı değiùken olduğu durumlarda](https://reader033.vdocuments.site/reader033/viewer/2022050116/5f4cff4e8b971609371c251f/html5/thumbnails/43.jpg)
Yrd. Doç. Dr. Sedat ŞEN 43
Normal regresyonda kategorik
bağımsız değişkenleri yapay kodlama yaparak analize
ekliyorduk. Lojistik
regresyonda eğer kategorik bağımsız değişkenimiz varsa
bu değişkeni SPSS otomatik olarak yapay kodlayacaktır.
Bunu yapabilmek için önceki
slayttaki ekranın sağ üst köşesindeki categorical
seçeneğini tıklayıp yandaki ekranı elde etmemiz
gerekmektedir. Burada
kategorik olan değişkeni sağ tarafa atıp alt taraftan
indicator seçeneğini seçmeliyiz. Referans kategoriyi
de last (1) yerine first (0)
seçiyoruz.
![Page 44: Ki-Karesedatsen.files.wordpress.com/2017/02/10-sunum.pdfÖnceki sunumlarda yaù, ders çalıùma saati, sınav puanı gibi sürekli değiùkenlerin bağımlı değiùken olduğu durumlarda](https://reader033.vdocuments.site/reader033/viewer/2022050116/5f4cff4e8b971609371c251f/html5/thumbnails/44.jpg)
Yrd. Doç. Dr. Sedat ŞEN 44
Save menüsüne tıkladığımızda aynen normal regresyonda olduğu gibi regresyon tanılayıcıları ve artık değerleri elde etmemiz mümkündür.
![Page 45: Ki-Karesedatsen.files.wordpress.com/2017/02/10-sunum.pdfÖnceki sunumlarda yaù, ders çalıùma saati, sınav puanı gibi sürekli değiùkenlerin bağımlı değiùken olduğu durumlarda](https://reader033.vdocuments.site/reader033/viewer/2022050116/5f4cff4e8b971609371c251f/html5/thumbnails/45.jpg)
Yrd. Doç. Dr. Sedat ŞEN 45
Options manüsünü tıkladığımızda yanda açılan ekran karşımıza gelecektir. Burada işimize yarayacak çeşitli istatistikler elde etmemiz mümkündür. Hosmer-Lemeshow goodnes of fit dğeri burada önemli değerler arasında yer alır.
![Page 46: Ki-Karesedatsen.files.wordpress.com/2017/02/10-sunum.pdfÖnceki sunumlarda yaù, ders çalıùma saati, sınav puanı gibi sürekli değiùkenlerin bağımlı değiùken olduğu durumlarda](https://reader033.vdocuments.site/reader033/viewer/2022050116/5f4cff4e8b971609371c251f/html5/thumbnails/46.jpg)
‘Forward: Wald’ metodu seçerek yaptığımız analizlerin sonucu ilerleyen slaytlarda sunulacaktır. Yani SPSS ekranına girmiş olduğumuz ana etki ve etkileşim değişkenlerini kullanarak Wald testine (t-testi yerine kullanılır) göre anlamlı bulunan elemanların tutulacağı modele karar vereceğiz. Yani SPSS bizim yerimize karar verecek:)
Yrd. Doç. Dr. Sedat ŞEN 46
![Page 47: Ki-Karesedatsen.files.wordpress.com/2017/02/10-sunum.pdfÖnceki sunumlarda yaù, ders çalıùma saati, sınav puanı gibi sürekli değiùkenlerin bağımlı değiùken olduğu durumlarda](https://reader033.vdocuments.site/reader033/viewer/2022050116/5f4cff4e8b971609371c251f/html5/thumbnails/47.jpg)
Yrd. Doç. Dr. Sedat ŞEN 47
Yan taraftaki ekranda veriye ve bağımlı değişken kategorilerine ait betimleyici bilgiler sunulmaktadır.
![Page 48: Ki-Karesedatsen.files.wordpress.com/2017/02/10-sunum.pdfÖnceki sunumlarda yaù, ders çalıùma saati, sınav puanı gibi sürekli değiùkenlerin bağımlı değiùken olduğu durumlarda](https://reader033.vdocuments.site/reader033/viewer/2022050116/5f4cff4e8b971609371c251f/html5/thumbnails/48.jpg)
Yrd. Doç. Dr. Sedat ŞEN 48
Yandaki tabloda -2LL değerini
ve sınıflama tablosunu görebilirsiniz. Bu tabloda
iyileşen hastaların sayısını ve
SPSS’in yordama/sınıflama (predict) sayılarını görebilirsiniz.
Verimize göre 65 hasta iyileşmiş ve 48 hasta
iyileşememiş gözükmekte iken
SPSS iyileşemeyen hastaları %0 tahmin ederken iyileşen
hastaların %100’ünü tahmin etmiştir. Ortalama doğru tahmin
yüzdesi 57.5 çıkmıştır. Etkileşim
değişkenimiz varken bu tabloyu yorumlamak doğru olmaz. Asıl
analiz sonuçlarına bakacağız (ilerleyen slaytlarda).
![Page 49: Ki-Karesedatsen.files.wordpress.com/2017/02/10-sunum.pdfÖnceki sunumlarda yaù, ders çalıùma saati, sınav puanı gibi sürekli değiùkenlerin bağımlı değiùken olduğu durumlarda](https://reader033.vdocuments.site/reader033/viewer/2022050116/5f4cff4e8b971609371c251f/html5/thumbnails/49.jpg)
Yrd. Doç. Dr. Sedat ŞEN 49
Yandaki tabloda modelde sadece sabit değer olduğundaki sonuçları göstermektedir. Sabit değerimiz (0.303) ve anlamlılığı görülmektedir. Burada t-testi yerine Wald testi kullanılmaktadır. Aşağıdaki tabloda da ki-kare değerimizin 9.827 çıktığı ve anlamlı bulunduğu (p=0.020) gözlenmektedir. Bu değerin anlamlı çıkması modele girilmeyen değişkenlerin bağımlı değişkeni yordama gücünü anlamlı bir şekilde artıracağını söylemektedir.
![Page 50: Ki-Karesedatsen.files.wordpress.com/2017/02/10-sunum.pdfÖnceki sunumlarda yaù, ders çalıùma saati, sınav puanı gibi sürekli değiùkenlerin bağımlı değiùken olduğu durumlarda](https://reader033.vdocuments.site/reader033/viewer/2022050116/5f4cff4e8b971609371c251f/html5/thumbnails/50.jpg)
Yrd. Doç. Dr. Sedat ŞEN 50
Yandaki tabloda sabit değerin yanına
tedavi değişkeninin de eklenerek elde edildiği modele ait ki-kare değeri
(9.926) ve anlamlılığı verilmektedir.
Bu modele ait -2LL, Cox-Snell R-Kare ve Nagelkerke R-Kare değerleri
(pseudo R2) verilmektedir. Buradaki R-Kare değerlerini etki büyüklüğü
değeri olarak kullanabiliriz. Bağımlı
değişkenin içindeki varyasyonun yüzde 11.3’ünün bağımsız değişken
tarafından açıklandığını göstermektedir. Daha önceki
modelde -2LL değeri 154 iken bu
modelde 144’e düşmüştür. Bu değerin küçük olması modelin daha
iyi yordama yaptığı anlamına gelir. Burada tedavi değişkenini eklememiz
modelimiz geliştirmiştir.
![Page 51: Ki-Karesedatsen.files.wordpress.com/2017/02/10-sunum.pdfÖnceki sunumlarda yaù, ders çalıùma saati, sınav puanı gibi sürekli değiùkenlerin bağımlı değiùken olduğu durumlarda](https://reader033.vdocuments.site/reader033/viewer/2022050116/5f4cff4e8b971609371c251f/html5/thumbnails/51.jpg)
Yrd. Doç. Dr. Sedat ŞEN 51
Hosmer and Lemeshow Testi gözlenen frekans değerleri ile modelden tahmin edilen frekans değerlerini karşılaştırarak modelin veriye ne kadar uygun olduğunu göstermek için kullanılır. Örneklem büyüklüklerinden çok faza etkilendiği için anlamlı çıkan modeli anlamsız, anlamsız olması gerek modeli anlamlı çıkarabilmektedir. Bu testin anlamlı bulunmaması (p>0.05) modelin veriye iyi uyum gösterdiği (good fit) anlamına gelir. Burada da mükemmel uyum olduğu için p değeri hesaplanamamıştır.
![Page 52: Ki-Karesedatsen.files.wordpress.com/2017/02/10-sunum.pdfÖnceki sunumlarda yaù, ders çalıùma saati, sınav puanı gibi sürekli değiùkenlerin bağımlı değiùken olduğu durumlarda](https://reader033.vdocuments.site/reader033/viewer/2022050116/5f4cff4e8b971609371c251f/html5/thumbnails/52.jpg)
Yrd. Doç. Dr. Sedat ŞEN 52
Lojistik regresyon bir durumun olma olasılığı modele göre 0.5’ten büyük ise olacağını (1); 0.5’tan küçükse olmayacağını (0 olarak) belirtir şekilde sınıflama yapar. Bu sonuçlar Classification Table’da yer almaktadır. Yukarıdaki tabloda görüldüğü üzere modelimiz iyileşemeyen hastaların 32’sini doğru sınıflandırırken 16’sını yanlış (iyileşti şeklinde) sınıflandırmıştır. İyileşebilen hastaların 41’ini doğru sınıflandırırken 24’ünü yanlış sınıflandırmaktadır. Doğru tahmin etme yüzdesi bu modelde %64.6 çıkmıştır. Önceki modelde %57.5 idi. Tahmin yüzdesinin büyük olması modelin iyi çalıştığı anlamına gelir.
![Page 53: Ki-Karesedatsen.files.wordpress.com/2017/02/10-sunum.pdfÖnceki sunumlarda yaù, ders çalıùma saati, sınav puanı gibi sürekli değiùkenlerin bağımlı değiùken olduğu durumlarda](https://reader033.vdocuments.site/reader033/viewer/2022050116/5f4cff4e8b971609371c251f/html5/thumbnails/53.jpg)
Yrd. Doç. Dr. Sedat ŞEN 53
SPSS outputtaki en önemli tablomuz lojistik regresyonumuzun sonuçlarının verildiği aşağıdaki tablodur. Bu tablodaki katsayılar normal regresyondaki gibi yorumlanabilmektedir. Bu tabloda bağımsız değişkenlerin bağımlı değişkeni yordamada ne kadar etkili olduğu çıkarımı yapılabilir. Görüldüğü üzere sabit değişkenimizin değeri -2.88 çıkmış ve anlamlı bulunmamıştır. Tedavi değişkenimizin katsayısı 1.229 çıkmış ve anlamlı bulunmuştur. Lojistik regresyonda bağımlı değişkenin logaritmik formu kullanıldığından aşağıdaki katsayıları yorumlayabilmek için risk oranı (Exp(B)) değerlerini kullanmamız gerekmektedir.
![Page 54: Ki-Karesedatsen.files.wordpress.com/2017/02/10-sunum.pdfÖnceki sunumlarda yaù, ders çalıùma saati, sınav puanı gibi sürekli değiùkenlerin bağımlı değiùken olduğu durumlarda](https://reader033.vdocuments.site/reader033/viewer/2022050116/5f4cff4e8b971609371c251f/html5/thumbnails/54.jpg)
Yrd. Doç. Dr. Sedat ŞEN 54
Bu tablodaki değerlere göre lojistik regresyon eşitliğimizi şu şekilde yazabiliriz: log(p/1-p) = -0.288 + 1.229*tedavi Burada tedavi değişkeninin bir birim arttığında iyileşme değişkeninin logaritmik formunun 1.229 arttığı söylenebilir. Lojistik regresyonda bağımlı değişkenin logaritmik formu kullanıldığı için yorumlamak zordur. Aşağıdaki katsayıları daha anlaşılır yorumlayabilmek için risk oranı değerlerini hesaplamamız gerekmektedir. Bu tabloda risk oranını göreceğimiz yer en sağ taraftaki Exp(B) sütununda verilen değerdir. Sonraki slaytta bu değerin nasıl hesaplandığını ve yorumlandığını görebilirsiniz.
![Page 55: Ki-Karesedatsen.files.wordpress.com/2017/02/10-sunum.pdfÖnceki sunumlarda yaù, ders çalıùma saati, sınav puanı gibi sürekli değiùkenlerin bağımlı değiùken olduğu durumlarda](https://reader033.vdocuments.site/reader033/viewer/2022050116/5f4cff4e8b971609371c251f/html5/thumbnails/55.jpg)
Risk oranını hesaplayabilmek için iyileşme değişkeninin olasılığını hem tedavi olanlar hem de tedavi olamyanlar için hesaplamamız gerekmektedir. İlk olarak X1 değerini 0 olarak alacağız ve eşitlikte bulunan katsayıları yerine koyacağız.
Yrd. Doç. Dr. Sedat ŞEN 55
![Page 56: Ki-Karesedatsen.files.wordpress.com/2017/02/10-sunum.pdfÖnceki sunumlarda yaù, ders çalıùma saati, sınav puanı gibi sürekli değiùkenlerin bağımlı değiùken olduğu durumlarda](https://reader033.vdocuments.site/reader033/viewer/2022050116/5f4cff4e8b971609371c251f/html5/thumbnails/56.jpg)
İlk olarak X1 değerini 1 olarak alacağız ve eşitlikte bulunan katsayıları yerine koyacağız.
Yrd. Doç. Dr. Sedat ŞEN 56
![Page 57: Ki-Karesedatsen.files.wordpress.com/2017/02/10-sunum.pdfÖnceki sunumlarda yaù, ders çalıùma saati, sınav puanı gibi sürekli değiùkenlerin bağımlı değiùken olduğu durumlarda](https://reader033.vdocuments.site/reader033/viewer/2022050116/5f4cff4e8b971609371c251f/html5/thumbnails/57.jpg)
Buradaki sonucu şu şekilde yorumlayabiliriz: “tedavi gören hastalar tedavi görmeyen hastalara göre 3.41 kat daha iyileşme olasılığına sahiptir”. Bu değer SPSS output tablosunda Exp sütununda yer almaktadır. Yani elle hesaplamamıza gerek yoktur.
Yrd. Doç. Dr. Sedat ŞEN 57
![Page 58: Ki-Karesedatsen.files.wordpress.com/2017/02/10-sunum.pdfÖnceki sunumlarda yaù, ders çalıùma saati, sınav puanı gibi sürekli değiùkenlerin bağımlı değiùken olduğu durumlarda](https://reader033.vdocuments.site/reader033/viewer/2022050116/5f4cff4e8b971609371c251f/html5/thumbnails/58.jpg)
Risk oranı değerini elle hesaplamak yerine SPSS’te Analyze>Descriptive Statistics>Crosstabs kısmından yandaki ekranı açarak Statistics kısmına tıklayarak elde edebiliriz.
Yrd. Doç. Dr. Sedat ŞEN 58
![Page 59: Ki-Karesedatsen.files.wordpress.com/2017/02/10-sunum.pdfÖnceki sunumlarda yaù, ders çalıùma saati, sınav puanı gibi sürekli değiùkenlerin bağımlı değiùken olduğu durumlarda](https://reader033.vdocuments.site/reader033/viewer/2022050116/5f4cff4e8b971609371c251f/html5/thumbnails/59.jpg)
Statistics ekranında Risk kutucuğunu işaretleyerek Risk oranı değerini elde edebiliriz.
Yrd. Doç. Dr. Sedat ŞEN 59
![Page 60: Ki-Karesedatsen.files.wordpress.com/2017/02/10-sunum.pdfÖnceki sunumlarda yaù, ders çalıùma saati, sınav puanı gibi sürekli değiùkenlerin bağımlı değiùken olduğu durumlarda](https://reader033.vdocuments.site/reader033/viewer/2022050116/5f4cff4e8b971609371c251f/html5/thumbnails/60.jpg)
Yan tarafta SPSS’ten elde edilen değer ile daha önce hesapladığımız değerin aynı çıktığı görülmektedir.
Yrd. Doç. Dr. Sedat ŞEN 60
![Page 61: Ki-Karesedatsen.files.wordpress.com/2017/02/10-sunum.pdfÖnceki sunumlarda yaù, ders çalıùma saati, sınav puanı gibi sürekli değiùkenlerin bağımlı değiùken olduğu durumlarda](https://reader033.vdocuments.site/reader033/viewer/2022050116/5f4cff4e8b971609371c251f/html5/thumbnails/61.jpg)
Yanda resmi gösterilen LOJİSTİK.sav isimli veri dosyasını kullanarak bir öğrencinin üniversiteye kabul edilip (1) kabul edilmemesi (0) üzerinde not ortalamasının (notort), ales puanının (ales) ve üniversite sıralamasının (sıralama) etkisini ölçmek istiyoruz. Gördüğünüz gibi KABUL isimli bağımlı değişkeni 0 ve 1’lerden oluştuğu için lojistik regresyon kullanmamız gerekiyor.
Yrd. Doç. Dr. Sedat ŞEN 61
![Page 62: Ki-Karesedatsen.files.wordpress.com/2017/02/10-sunum.pdfÖnceki sunumlarda yaù, ders çalıùma saati, sınav puanı gibi sürekli değiùkenlerin bağımlı değiùken olduğu durumlarda](https://reader033.vdocuments.site/reader033/viewer/2022050116/5f4cff4e8b971609371c251f/html5/thumbnails/62.jpg)
Yrd. Doç. Dr. Sedat ŞEN 62
![Page 63: Ki-Karesedatsen.files.wordpress.com/2017/02/10-sunum.pdfÖnceki sunumlarda yaù, ders çalıùma saati, sınav puanı gibi sürekli değiùkenlerin bağımlı değiùken olduğu durumlarda](https://reader033.vdocuments.site/reader033/viewer/2022050116/5f4cff4e8b971609371c251f/html5/thumbnails/63.jpg)
Bağımlı değişkeni Dependent kısmına bağımsız değişkenleri de Coavariates kısmına ekledikten sonra OK tuşuna basmanız yeterlidir.
Yrd. Doç. Dr. Sedat ŞEN 63
![Page 64: Ki-Karesedatsen.files.wordpress.com/2017/02/10-sunum.pdfÖnceki sunumlarda yaù, ders çalıùma saati, sınav puanı gibi sürekli değiùkenlerin bağımlı değiùken olduğu durumlarda](https://reader033.vdocuments.site/reader033/viewer/2022050116/5f4cff4e8b971609371c251f/html5/thumbnails/64.jpg)
Aşağıdaki tabloda modelde sadece sabit değer olduğundaki sonuçları göstermektedir. Sabit değerimiz (-0.765) ve anlamlılığı görülmektedir. Burada t-testi yerine Wald testi kullanılmaktadır. Aşağıdaki tabloda da ki-kare değerimizib 40.160 çıktığı ve anlamlı bulunduğu (p<0.05) gözlenmektedir. Bu değerin anlamlı çıkması modele girilmeyen değişkenlerin bağımlı değişkeni yordama gücünü anlamlı bir şekilde artıracağını söylemektedir. Yani modele ek bağımsız değişkenler eklememiz gerekiyor.
Yrd. Doç. Dr. Sedat ŞEN 64
![Page 65: Ki-Karesedatsen.files.wordpress.com/2017/02/10-sunum.pdfÖnceki sunumlarda yaù, ders çalıùma saati, sınav puanı gibi sürekli değiùkenlerin bağımlı değiùken olduğu durumlarda](https://reader033.vdocuments.site/reader033/viewer/2022050116/5f4cff4e8b971609371c251f/html5/thumbnails/65.jpg)
Sadece sabit değer ekli modele göre yapılan sınfılama tahmini ve doğru tahmin yüzdesi (68.2) aşağıda verilmektedir.
Yrd. Doç. Dr. Sedat ŞEN 65
![Page 66: Ki-Karesedatsen.files.wordpress.com/2017/02/10-sunum.pdfÖnceki sunumlarda yaù, ders çalıùma saati, sınav puanı gibi sürekli değiùkenlerin bağımlı değiùken olduğu durumlarda](https://reader033.vdocuments.site/reader033/viewer/2022050116/5f4cff4e8b971609371c251f/html5/thumbnails/66.jpg)
Ki-kare değeri 41.459 çıkmış ve anlamlı bulunmuştur.
Yrd. Doç. Dr. Sedat ŞEN 66
![Page 67: Ki-Karesedatsen.files.wordpress.com/2017/02/10-sunum.pdfÖnceki sunumlarda yaù, ders çalıùma saati, sınav puanı gibi sürekli değiùkenlerin bağımlı değiùken olduğu durumlarda](https://reader033.vdocuments.site/reader033/viewer/2022050116/5f4cff4e8b971609371c251f/html5/thumbnails/67.jpg)
Bağımsız değişkenler Nagelkerke R-Kare bağımlı değişkenin %13.8’ini açıklamaktadır.
Yrd. Doç. Dr. Sedat ŞEN 67
![Page 68: Ki-Karesedatsen.files.wordpress.com/2017/02/10-sunum.pdfÖnceki sunumlarda yaù, ders çalıùma saati, sınav puanı gibi sürekli değiùkenlerin bağımlı değiùken olduğu durumlarda](https://reader033.vdocuments.site/reader033/viewer/2022050116/5f4cff4e8b971609371c251f/html5/thumbnails/68.jpg)
H-L Testi anlamlı bulunmadığı (p>0.05) için bu modelin veriye uygun olduğunu/iyi uyum sağladığını söyleyebiliriz.
Yrd. Doç. Dr. Sedat ŞEN 68
![Page 69: Ki-Karesedatsen.files.wordpress.com/2017/02/10-sunum.pdfÖnceki sunumlarda yaù, ders çalıùma saati, sınav puanı gibi sürekli değiùkenlerin bağımlı değiùken olduğu durumlarda](https://reader033.vdocuments.site/reader033/viewer/2022050116/5f4cff4e8b971609371c251f/html5/thumbnails/69.jpg)
Doğru tahmin yüzdemiz 71 olarak bulunmuştur.
Yrd. Doç. Dr. Sedat ŞEN 69
![Page 70: Ki-Karesedatsen.files.wordpress.com/2017/02/10-sunum.pdfÖnceki sunumlarda yaù, ders çalıùma saati, sınav puanı gibi sürekli değiùkenlerin bağımlı değiùken olduğu durumlarda](https://reader033.vdocuments.site/reader033/viewer/2022050116/5f4cff4e8b971609371c251f/html5/thumbnails/70.jpg)
log(p/1-p)= -5.541 + 1.551*x1 + .876*x2 + .211*x3 + .002*x4 + .804*x5.
Yrd. Doç. Dr. Sedat ŞEN 70
![Page 71: Ki-Karesedatsen.files.wordpress.com/2017/02/10-sunum.pdfÖnceki sunumlarda yaù, ders çalıùma saati, sınav puanı gibi sürekli değiùkenlerin bağımlı değiùken olduğu durumlarda](https://reader033.vdocuments.site/reader033/viewer/2022050116/5f4cff4e8b971609371c251f/html5/thumbnails/71.jpg)
ALES değişkenindeki her 1 birim değişiklik log KABUL’u .002 artırır.
NOT ORT değişkenindeki her 1 birim artış üniversiteye kabul edilmenin log odd’u nu 0.804 artırır.
Yrd. Doç. Dr. Sedat ŞEN 71
![Page 72: Ki-Karesedatsen.files.wordpress.com/2017/02/10-sunum.pdfÖnceki sunumlarda yaù, ders çalıùma saati, sınav puanı gibi sürekli değiùkenlerin bağımlı değiùken olduğu durumlarda](https://reader033.vdocuments.site/reader033/viewer/2022050116/5f4cff4e8b971609371c251f/html5/thumbnails/72.jpg)
ALES NOTORT ve SIRALAMA (1) değişkenleri 0.05 seviyesinde anlamlı
bulunmuştur (yani 0.05’ten küçük sig. değerlerine sahiptirler.)
Sıralama değişkeni kategorik bir değişken olduğu için yorumu diğer değişkenlerden farklıdır. Nitel değişkenler analizlere girerken kategorilerden bir tanesi referans olarak seçilir ve diğerleri analize girer. Burada 4. kategori referans seçildiği için ilk 3 kategoriye ait sonuçları görüyoruz. Sonuçları yorumlarken de her bir kategoriyi referans kategori (4) ile karşılaştırıyoruz. Örneğin sıralama değişkeninin 1. kategorisine ait katsayı değeri 4.718 bulunmuştur. Birinci kategoridenin seçilme olasılığı referans olan dördüncü kategoriden 4.72 kat daha fazladır diyebiliriz.
Yrd. Doç. Dr. Sedat ŞEN 72
![Page 73: Ki-Karesedatsen.files.wordpress.com/2017/02/10-sunum.pdfÖnceki sunumlarda yaù, ders çalıùma saati, sınav puanı gibi sürekli değiùkenlerin bağımlı değiùken olduğu durumlarda](https://reader033.vdocuments.site/reader033/viewer/2022050116/5f4cff4e8b971609371c251f/html5/thumbnails/73.jpg)
Burada sıralama(1) değerinin 1,551 olması 4.kategori ile karşılaştırıldığında birinci kategoridekiler daha fazla kabul edilme şansına sahiptirler log(KABUL) değerini 1,551 daha çok artırıyorlar.
Yrd. Doç. Dr. Sedat ŞEN 73