Sayısal yetenekler

Çok Değişkenli Analiz

Basit İstatistiksel Analiz, Hipotez Geliştirme ve Test Etme ve Önem ve Güven Aralıkları sayfalarımız, istatistiksel analiz için kullanılan daha basit tekniklerden bazılarını açıklamaktadır. Bu sayfada, yalnızca bir veya ikisini değil, birkaç değişkeni içeren daha gelişmiş bazı teknikler anlatılmaktadır.

Gerçek hayatta, laboratuvar araştırmasının aksine, verilerinizin test etmek istediğiniz değişken dışında birçok şeyden etkilendiğini fark etmeniz olasıdır. Hiç düşünmediğiniz öğeler arasında bağlantılar vardır ve dünya karmaşıktır.

Gelişmiş istatistiksel analizin amacı, gördüklerinizin daha etkili bir modelini oluştururken bazı ilişkileri basitleştirmektir.

1. Tasarım

Araştırmanızı nedensel faktörler birbirinden bağımsız olacak şekilde tasarlayabilirsiniz. Örneğin, yaş ve maaş arasında bir bağlantı olabileceğini düşünüyorsanız, rastgele bir çalışan örneği her ikisinin de etkilerini bir araya getirme riskini alacaktır. Bununla birlikte, nüfusu yaşa göre gruplara bölerseniz ve ardından her gruptan rastgele eşit sayıları örnek alırsanız, yaş ve maaşı bağımsız hale getirmiş olursunuz.

2. Alt Örneklerin Kullanılması

Burada, numunenizi potansiyel olarak karıştırıcı faktörlere eşit olacak şekilde seçersiniz. Örneğin, iş türü ücreti etkileyebilir, bu nedenle başka bir faktörün ücret üzerindeki etkilerini incelemek istiyorsanız, yalnızca aynı işi yapan kişileri seçebilirsiniz.

3. İstatistiksel Kontrolleri Kullanma

Üç değişkenin bağlantılı olabileceğinden şüpheleniyorsanız, diğer ikisi arasındaki korelasyonları test etmek için birini kontrol edebilirsiniz. Etkili bir şekilde, kontrolün istatistiksel değerini sabit olacak şekilde ayarlarsınız ve diğer iki değişken arasında hala bir ilişki olup olmadığını test edersiniz. Gözlemlenen ilişkinin yüksek kaldığını (gerçek olduğunu) veya önemli ölçüde azaldığını (muhtemelen gerçek bir ilişki olmadığını) görebilirsiniz. Üçüncü bir durum daha var: üçüncü değişkeni kontrol edene kadar hiçbir ilişkinin olmadığı, bu da kontrol değişkeninin diğer ikisi arasındaki ilişkiyi maskelediği anlamına gelir.

4. Çok Değişkenli Analiz

Çok Değişkenli Analiz, birden çok değişkeni dahil etmenize ve her birinin katkısını incelemenize izin vermek için tasarlanmış birçok istatistiksel yöntemi içerir.

Çok değişkenli analizinize dahil ettiğiniz faktörler yine de çalışmak istediğiniz şeye bağlı olacaktır. Bazı araştırmalar, belirli faktörlerin katkısına bakmak isteyecek ve diğer çalışmalar bu faktörleri (aşağı yukarı) bir sıkıntı olarak kontrol etmek isteyecektir.

İki tür değişken

Çok değişkenli analizde, karar verilecek ilk şey değişkenlerin rolüdür.

İki olasılık vardır:

  • Değişken bir etkiye neden olur: yordayıcı değişken
  • Değişken etkilenir: bağımlı değişken

Bu, değişkenlerin kendisinin değil, modelinizin bir işlevidir ve aynı değişken farklı çalışmalarda olabilir.

Değişkenler arasındaki ilişkiler genellikle okların bulunduğu bir resimle temsil edilir:

Ayrıca değişkenleri doğrudan gözlemleyebilir veya olanlardan onları çıkarabilirsiniz. Bunlar gizli değişkenler olarak bilinir.

Örnek: Okulda Başarı

‘Okuldaki başarıyı’ ölçmek zordur: gizli bir değişkendir.

‘Okuldaki başarının’ akademik başarı ile birlikte bir miktar sosyal başarı (belki ortalama arkadaşlık süresi veya ‘arkadaşlık grubunun’ boyutu) artı harcanan çabanın birinden (bunun algıları olarak ölçebileceğiniz) olduğuna karar verebilirsiniz. öğrenciler veya öğretmenler). Bunlar sizin gözlemlediğiniz değişkenlerdir.

Ölçüm modeli, gözlemlenen ve gizil değişkenler arasındaki ilişkiyi inceler.

Bu tür modellerin arkasındaki fikir, gözlemlenen ve gizil değişkenler arasında korelasyonların olmasıdır (daha fazla anlamak için, Korelasyonlar sayfamızı okumak isteyebilirsiniz).

Bu korelasyonların ortak faktörlerden kaynaklandığı varsayılmaktadır. Ortak faktörlerin etkisi (faktör yükü) ne kadar büyükse, gizli ve gözlenen değişkenler arasındaki korelasyonlar o kadar yüksek olur. Bu nedenle, birkaç şekilde yapabileceğiniz güvenilirliği değerlendirmek için bu korelasyonları ölçmeniz gerekir. En yaygın olanlardan biri, Cronbach’s alpha (çoğu istatistiksel yazılım paketinin sizin için hesaplayacağı) adlı bir yapı kullanmaktır. Bu, gözlemlediğiniz değişkenin gerçekten ilgilenilen gizli değişkeni ölçüp ölçmediğini, yani gözlenen değişkenin gizli değişken için güvenilir bir test olup olmadığını değerlendirir. 0,70 veya daha fazla bir değer, modele iyi bir güvenilirlik seviyesi verir.

Değişkenler arasındaki korelasyonları ölçmek için Cronbach alfa kullanılır. 0,70 veya daha fazla bir değer, modele iyi bir güvenilirlik seviyesi verir.

Çok Değişkenli Analizde Ölçüm Modellerinin Analizi

Bunun gibi ölçüm modelleri için çeşitli analiz yöntemleri vardır. Doğrulayıcı Faktör Analizi ve Açımlayıcı Faktör Analizini içerir ve genellikle bilgisayar tarafından yürütülür.

Her birinin nasıl gerçekleştirileceğinin ayrıntıları bu sayfanın kapsamı dışındadır, ancak temel fikir, genel yapıda görülen varyasyonun ne kadarının her bir faktörden kaynaklandığını ölçmeleridir.

Nedensel Modeller

Nedensel modeller, değişkenlerin birbiriyle olan ilişkisine bakar. Şüphesiz nedenselliği kanıtlamak mümkün olmasa da, nedensel modeller önerilen ilişkinin verilere uyup uymadığını ve ne kadar iyi olduğunu söylemenizi sağlar.

Herhangi bir nedensel modelin gücü veya zayıflığı, değişkenlerin seçimidir. Önemli bir nedensel faktörü atlarsanız, sonuçlarınız ya sınırlı ya da yanlış olacaktır. Bu nedenle, modelinizi olabildiğince dikkatli bir şekilde tanımlamak için zaman ayırmaya değer.

Daha iyi bir uyum elde etmek için basitlik ile daha fazla değişken eklemek arasında bir denge vardır. Açıkçası, büyük bir nedensel değişkeni gözden kaçırmak istemezsiniz ve daha fazla değişken dahil etmek her zaman daha iyi bir uyum sağlayacaktır. Ancak, modelin kalitesindeki kazanç için ek karmaşıklığın buna değip değmeyeceğini düşünmeniz gerekir.

Nedensel modeller için uygun analiz yöntemleri, lojistik regresyon analizi, çoklu regresyon analizi, çok değişkenli kovaryans analizi (MANCOVA) ve çok değişkenli varyans analizini (MANOVA) içeren genelleştirilmiş doğrusal modeller olarak adlandırılan yöntemler olma eğilimindedir.

Tüm bu yöntemler, bağımlı değişkenlerdeki varyasyonun ne kadarının yordayıcılardan kaynaklandığına ve dolayısıyla modelinizin iyi olup olmadığına dair bir ölçü verir.

Yine, bu analizleri sizin için yapabilen bilgisayar paketleri var, ancak ne yaptığınızı anladığınızdan ve sonuçları doğru yorumladığınızdan emin olun.

Yapısal Eşitlik Modellemesi, ölçüm modellerini ve nedensel modelleri bir araya getirir. Modele yapısal bir denkleme uyan bir bilgisayar modelleme tekniğidir. Bu teknik karmaşıktır, ancak özünde olası modelleri karşılaştırır ve verilere en uygun olanı belirler.

Karmaşık Bir Alan

Dünya karmaşık bir yerdir ve bazen neler olup bittiğini anlamanın tek yolu modelleme için gelişmiş istatistiksel teknikler kullanmaktır.

Ancak, bunlar da karmaşıktır ve temelleri anlamadan bunlara girişmemelisiniz. Eğer yapmazsanız, o zaman bir istatistikçiye danışmak iyi bir fikirdir. Tekniği daha önce kullanmış olsanız bile, bir istatistikçiye ne yapmayı planladığınıza bakması ve daha sonra göze batan bir hata olması durumunda sonuçlarınızı kontrol etmesi yine de iyi bir fikirdir.

Kötü analiz, iyi araştırmayı çok hızlı bir şekilde baltalayacaktır.

İlgili Makaleler

Bir cevap yazın

E-posta hesabınız yayımlanmayacak. Gerekli alanlar * ile işaretlenmişlerdir

Başa dön tuşu