Ki-Karesedatsen.files.wordpress.com/2017/02/10-sunum.pdfÖnceki sunumlarda yaù, ders çalıùma saati, sınav puanı gibi sürekli değiùkenlerin bağımlı değiùken olduğu durumlarda

10.Sunum

Yrd. Doç. Dr. Sedat ŞEN 1


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

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.


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.


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.


Puan Frekans

40 3

50 2

60 3

70 1

90 5

Cinsiyet

Frekans

K 9

E 5

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:


A Partisi B Partisi Toplam

Kadın 28 48 76

Erkek 10 114 124

Toplam 38 162 200

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.


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.


Bu tablodaki frekans değerlerini ve ki-kare formülünü kullanarak ki-kare değerinin hesaplamasını gösterelim daha sonra SPSS kullanarak bulabiliriz.



Kadın 28 48 76

Erkek 10 114 124

Toplam 38 162 200

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.



Kadın 28 48 76

Erkek 10 114 124

Toplam 38 162 200

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.



Kadın 28 48 76

Erkek 10 114 124

Toplam 38 162 200

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


Eğer p-değeri 0.05’ten küçük bulunursa cinsiyet ile parti tercihi arasında bir ilişki vardır şeklinde belirtebiliriz.










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).


Ki-kare testinin bir başka alternatifi de maksimum olabilirlik yöntemine dayanan en çok olabilirlik oranı istatistiğidir.


Yukarıdaki tablo için LR değeri aşağıdaki gibi hesaplanabilir:



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.

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.


Yukarıdaki tabloya göre Yates düzeltmesi aşağıdaki gibi hesaplanabilir:



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).

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.


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.


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.


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.


Statistics ekranında elde etmek istediğimiz istatistikleri seçebiliriz. Şimdilik sadece chi-square (ki-kare vd.) elde etmek için Chi-square seçeneğini işaretliyoruz.


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.


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 ).


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.


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.


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.


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.


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


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.


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.


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.



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.

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.


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.


Normal regresyonda olduğu gibi forced entry (zorla giriş) yaparak ya da adımsal (stepwise) metodunu kullanarak lojistik regresyon modelimize karar verebiliriz.


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.


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.


Bağımlı değişken: İyileşme

Bağımsız değişkenler: tedavi ve süre

Tedavi değişkeni ve iyileşme değişkenleri kategorik olduğu için aşağıdaki gibi SPSS’e kategorik olarak girmemiz gerekmektedir.



SPSS’te yandaki menüleri takip ederek iki sonuçlu lojistik regresyon analizini yapabilirsiniz.


Bir önceki slayttaki menüleri seçtiğimizde karşımıza yandaki ekran çıkacaktır.


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.


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.


Save menüsüne tıkladığımızda aynen normal regresyonda olduğu gibi regresyon tanılayıcıları ve artık değerleri elde etmemiz mümkündür.


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.

‘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:)



Yan taraftaki ekranda veriye ve bağımlı değişken kategorilerine ait betimleyici bilgiler sunulmaktadır.


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).


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.


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.


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.


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.


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.


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.

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.


İlk olarak X1 değerini 1 olarak alacağız ve eşitlikte bulunan katsayıları yerine koyacağız.


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.


Risk oranı değerini elle hesaplamak yerine SPSS’te Analyze>Descriptive Statistics>Crosstabs kısmından yandaki ekranı açarak Statistics kısmına tıklayarak elde edebiliriz.


Statistics ekranında Risk kutucuğunu işaretleyerek Risk oranı değerini elde edebiliriz.


Yan tarafta SPSS’ten elde edilen değer ile daha önce hesapladığımız değerin aynı çıktığı görülmektedir.


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.



Bağımlı değişkeni Dependent kısmına bağımsız değişkenleri de Coavariates kısmına ekledikten sonra OK tuşuna basmanız yeterlidir.


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.


Sadece sabit değer ekli modele göre yapılan sınfılama tahmini ve doğru tahmin yüzdesi (68.2) aşağıda verilmektedir.


Ki-kare değeri 41.459 çıkmış ve anlamlı bulunmuştur.


Bağımsız değişkenler Nagelkerke R-Kare bağımlı değişkenin %13.8’ini açıklamaktadır.


H-L Testi anlamlı bulunmadığı (p>0.05) için bu modelin veriye uygun olduğunu/iyi uyum sağladığını söyleyebiliriz.


Doğru tahmin yüzdemiz 71 olarak bulunmuştur.


log(p/1-p)= -5.541 + 1.551*x1 + .876*x2 + .211*x3 + .002*x4 + .804*x5.


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.


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.


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.


Documents

Ki-Karesedatsen.files.wordpress.com/2017/02/10-sunum.pdfÖnceki sunumlarda yaù, ders çalıùma saati, sınav puanı gibi sürekli değiùkenlerin bağımlı değiùken olduğu durumlarda