1

ok Deikenli Analiz Yntemleri

Do.Dr. Ayla ZHAN DEDEOLU Ege niversitesi BF

Simpson Paradoksu
Erkek adaylarn %44 kabul edilirken, kadnlarn sadece 33% kabul edilmitir. Bu ayrmclk anlamna gelir mi?
Kabul Stun yzdesi Satr yzdesi Red Stun yzdesi Satr yzdesi Toplam Erkek 35 44% 64% 45 56% 53% 80 Kadn 20 33% 36% 40 67% 47% 60 Toplam 55 100% 85 100% 140
2

Kaynak; Balemi, Andrew, Statistics in Market Research

Simpson Paradoksu
Cinsiyet ve programa kabul arasnda iliki yoktur. Neden? Kadnlar dil blmlerine daha fazla bavurmaktadr ama programa kabul zordur Erkekler mhendislik blmlerine daha fazla bavurmaktadr ve bu blmlerin kabul oran daha yksektir.
Mhendislik Kabul Stun yzdesi Satr yzdesi Red Stun yzdesi Satr yzdesi Toplam Filoloji Kabul Stun yzdesi Satr yzdesi Red Stun yzdesi Satr yzdesi Toplam Erkek 30 50% 75% 30 50% 75% 60 Erkek 5 25% 33% 15 75% 33% 20 Kadn Toplam 10 40 50% 25% 100% 10 40 50% 25% 100% 20 80 Kadn Toplam 10 15 25% 67% 100% 30 45 75% 67% 100% 40 60

Kaynak; Balemi, Andrew, Statistics in Market Research

3

Simpson Paradoksu
ki deikenli (bivariate) analiz (apraz tablo ya da korelasyon) yanl ynlendirebilmektedir. Yeni bir deiken eklendiinde verileri daha iyi anlamak mmkn
lk yorumlar tersine bile dnebilir.

Aratrmalarda genelde ok sayda ilikili deikenler sz konusu

Genelde aratrmaclar frekans analizleri ve apraz tablo ile yetinmektedirler. Ancak bu analizler yanl ynlendirebilir.

Numbers dont lie, you can lie with numbers

5

ok Deikenli Analizler ve Varsaymlar

ok sayda bamsz ve baml deiken arasnda e anl analizi yaplr.
Varsaymlar
Veriler ok deikenli normal dalma uyar. Tm gruplar iin kovaryans matrisleri eittir. Bamsz deikenler arasnda anlaml dorusal iliki yoktur. Baml ve bamsz deikenler arasndaki iliki dorusaldr. Deiken birim deerleri birbirinden bamszdr
6

lekler
1. simsel (Nominal) lek: Kategorik. rn. cinsiyet
2. Sral (Ordinal) lek : Sralama (en kk=1 en
0=kadn, 1=erkek byk=10) Drt dzey
l e i n g c

3. Aralkl (Interval) lek : Srekli. rn. scaklk

4. Oransal (Ratio) lek : 0 noktas olur. (ykseklik,
ya) derecesi, ya gruplar

Not: 1 & 2= Metrik olmayan veri 3 & 4 = Metrik veri

7

lekler ve Analizler Arasndaki liki

lekler, verilerin istatistiksel olarak ilenmesine temel oluturur. Temel deikenin leine gre test seilir.
Metrik veriler iin parametrik testler Metrik olmayanlar iin nonparametrik testler

NOT: Nominal ve ordinal deikenler iin ortalama ve std.sapma hesaplanmaz Parametrik testler yaplamaz.
8

Tek deikenli Analizler (Metrik lekler)

Tek rneklem
T test

ki ya da daha fazla rneklem

Bamsz
ki gruplu t-testi One-way ANOVA

likili
likili rneklem t testi
9

Tek deikenli Analizler (Metrik olmayan lekler)

Tek rneklem
Frekans Ki-kare K-S Runs Binomial

ki ya da daha fazla rneklem

Bamsz
Ki-kare Mann-Whitney Median K-S Sign Wilcoxon McNemar Ki-kare
10

likili

ok Deikenli Analizler
2 genel tip
Bamllk analizi

Bir ya da daha fazla deikenin baml deiken olduu ve dier deikenlerce akland ve tahmin edildii durumlarda
rnek. oklu regresyon

Bamszlk analizi

Hi bir deien baml deildir. Deikenler ya da vakalar arasndaki ilikiye baklr.

rnek. Kmeleme analizi, faktr analizi
11

Bamllk Analizleri
oklu Regresyon Ayrma Analizi (Discriminant Analysis) Logit/Lojistik Regresyon Multivariate Analysis of Variance (MANOVA) ve Kovaryans Conjoint Analizi Kanonik Korelasyon Yapsal Eitlik Modeli (Structural Equations Modeling (SEM))
12

Bamszlk Analizleri
Asal Bileenler (Principal Components) ve Factor Analizi Kmeleme Analizi (Cluster Analysis) ok Boyutlu lekleme (Multidimensional Scaling) Correspondence Analizi

13

ok Deikeli Analiz Teknii Seme

1. Aratrlan ilikinin tipi nedir? Bamllk bamszlk? 2. Bamllk likisi: Ka deiken tahmin edilecek? 3. Bamszlk likisi: Deikenler, katlmclar ya da nesneler arasndaki ilikiyi mi inceliyoruz?
Baml deikenin lei nedir? Tahmin edici deiken(ler)in lei nedir?

14

Teknikler
oklu regresyon; tek bir srekli deiken (baml deiken), 2 ve daha ok srekli ya da nominal deiken (bamsz ya da tahmin edici deikenler) tahmin edilmeye allr.

yi a b1 x1i b 2 x2i b 3 x3i ui

Metrik metrik , metrik olmayan

x
x y

Y : Baml deiken X1 , X2 , X3 , .... : Bamsz deikenler a, b: Katsaylar ui : Hata terimi

x
15

Regresyon
Aamal regresyon analizinde ama, bamsz deiken saysn azaltarak en nemli tahminleyicileri belirlemek

yi a b1 x1i ui

yi a b1x1i b2 x2i ui
yi a b1 x1i b 2 x2i b3 x3i ui
16

17

Model Summar y Model 1 R ,295a R Square ,087 Adjusted R Square ,082 Std. Error of the Est imat e 1,119

a. Predictors: (Constant), Genellikle Balkan kimligimi hatirlatan v ey a on plana cikaran urunleri v e markalari kullaniy orum , Gocm en oldugum icin ay rimciliga m aruz kaldigimi dusunuy orum
b A NOVA

Model 1

Regression Residual Total

Sum of Squares 45,301 474,218 519,518

df 2 379 381

Mean Square 22,650 1,251

F 18,102

Sig. ,000a

a. Predictors: (Const ant), Genellikle Balkan kimligimi hatirlatan v ey a on plana cikaran urunleri v e markalari kullaniy orum, Gocmen oldugum icin ay rimciliga maruz kaldigimi dusunuy orum b. Dependent Variable: Goc oncesi geleneklerimizi buy uk olcude korudugumu dusunuy orum

18

a Coeffi ci ents

Unstandardized Coef f icients Model 1 (Constant) Gocmen oldugum icin ay rimciliga maruz kaldigimi dusunuy orum Genellikle Balkan kimligimi hatirlatan v ey a on plana cikaran urunleri v e markalari kullaniy orum B 3,092 -,165 St d. Error ,175 ,048

St andardized Coef f icients Beta t 17,636 -3,478 Sig. ,000 ,001

-,179

,305

,053

,294

5,722

,000

a. Dependent Variable: Goc oncesi geleneklerimizi buy uk olcude korudugumu dusunuy orum

y 3,092 0,165x1 0,305x2 u

19

Lojistik Regresyon
Baml deiken 0 ve 1 gibi ikili (binary) ya da ikiden ok kategori ieren kesikli kategorik deiken olduunda normallik varsaym bozulmakta ve dorusal regresyon analizi uygulanamamaktadr. Tahmin edici deikenler kalitatif ve kategorik (rn. cinsiyet) ya da kantitatif (rn. test deerleri) olmal Baml deiken kategorik olmal
Baml deiken srekli ise, oklu regresyon kullanlmaldr.

20

Lojistik Regresyon
Baml ve bamsz deiken aras iliki dorusal deilse

L ln( P / 1 P) a b1 x1 b 2 x2 u
Metrik olmayan metrik + metrik olmayan

ki gruplu ise (binary logistic) kiden fazla gruplu ise (multinomial logistic)
21

Tek kategorik bamsz deikenli lojistik regresyon rnei L ln( P / 1 P) a b1 x1i

Finansal durum 0:iflas etmi 1: flas etmemi Byklk 0: Kk 1: Byk

Albayrak vd. 2005, SPSS Uygulamal ok Deikenli statistik Teknikleri, Asil Yayn: Ankara.
22

ML (maximum likelihood) istatistii logistic regresyonda -2logL

Baml deikendeki aklanmayan varyansn anlamlln gsterir Anlaml olmamas istenir. Modelin verileri tam temsil etmesi durumunda deeri 0 olur. lk -2logL sadece sabit terimli denklem iin hesaplanr. kincisi yeni bir deiken eklenerek hesaplanr. Aradaki fark yeni deikenin modele katksn gsterir.
23

1.

2. 3.

lk iterasyonda 24,953, ikincide byklk deikeni eklenerek 21,215 ki -2logL arasndaki fark anlaml deil. p>0,05 Model verileri temsil etmiyor
a,b,c Iteration History

Iteration Step 0 1

-2 Log likelihood 24,953

Coeff icients Constant ,000

a,b,c,d Iteration History

a. Constant is included in the model. b. Initial -2 Log Likelihood: 24,953 c. Estimation terminated at iteration number 1 because parameter estimates changed by less than ,001.

Omnibus Tests of Model Coefficients Step 1 Step Block Model Chi-square 3,739 3,739 3,739 df 1 1 1 Sig. ,053 ,053 ,053

Iteration Step 1 1 2 3 4 a. Method: Enter

-2 Log likelihood 21,234 21,215 21,215 21,215

Coeff icients Constant by klk -,800 1,800 -,847 1,943 -,847 1,946 -,847 1,946

b. Constant is included in the model. c. Initial -2 Log Likelihood: 24,953 d. Estimation terminated at iteration number 4 because parameter estimates changed by less than ,001.

24

Variables in the Equation Step a 1 by klk Constant B 1,946 -,847 S.E. 1,069 ,690 Wald 3,313 1,508 df 1 1 Sig. ,069 ,220 Exp(B) 7,000 ,429

a. Variable(s) entered on step 1: by klk.

L ln( P / 1 P) 0,847 1,946 x1i P 1 /(1 e ( 0,8471,946x1 ) ) 1 /(1 e 0,847e1,946xi ) x1 1 P 0,75 x1 0 P 0,30

Firma byk ise iflas etmeme olasl %75 Kk ise %30

25

Kanonik Korelasyon
Baml deikenler seti ile tahmin edici deikenler seti arasnda iliki
Y1+ Y2 + ... + Yn metrik, nonmetrik =

metrik, nonmetrik

X1 + X2 + ...+ Xn

oklu regresyon analizinin uzantsdr.

26

Ayrma Analizi (Discriminant Analysis)

Tek bir baml ve kategorize deiken varsa kullanlr. rneklem metrik olmayan deikenler temelinde alt gruplara ayrlabiliyorsa kullanlr. Temel amac,(1) grup farkllklarn aklamak ve (2) birok metrik bamsz deikene dayal olarak bir varln (kii ya da nesne) belli bir snf ya da gruba ait olup olmadn tahmin etmek.

Y a b1 x1 b 2 x2 b3 x3 ... b n xn
Metrik olmayan metrik
27

Kullanm amac
Diskriminant fonksiyonlar aracl ile gruplar aras ayrma en fazla etki eden ayrc deikenleri belirlemede Hangi gruptan geldii bilinmeyen bir birimin hangi gruba dahil edileceini belirlemede kullanlr.

28

Gruplarn kovaryans matrisleri eit olmal, deilse logistic regresyon kullanlabilir. H0: Gruplarn kovaryans matrisleri eittir. H1: Gruplarn kovaryans matrisleri eit deildir. Boxs M=8,797 F=2,669 p>0,05 Gzlem says fazla ise homojenlikten kk sapmalar nedeniyle p<0,05 kabilir.
Korelasyon matrisinde bamsz deikenler aras korelasyonlar 0,70den bykse deikenlerden biri analizden karlabilir ya da deikenler birletirilebilir.
29

Discriminant fonksiyonun ne kadar nemli olduunu grmek iin kanonik korelasyon, eigenvalue (zdeer) ve Wilks Lambda Kanonik korelasyon = 0,437 Kanonik korelasyonun karesi, modelin baml deikendeki deiimi aklama yzdesini aklar %19

31

Eigenvalue ne kadar bykse baml deikendeki

varyansn daha byk ksm model tarafndan aklandn gsterir. 0,40tan byk olmal eder.

Wilks Lambda, eigenvalue istatistiinin anlamlln test

Denklem canonical discriminant function coefficients tablosundan yazlr Ayrma analizinin baars doru snflandrma yzdesidir.
32

Deikenlerin sras

Denklem Katsaylar

34

Multivariate Analysis of Variance (MANOVA)

Bir ya da daha fazla kategorik bamsz deiken varsa ve 2 ve daha fazla srekli baml deiken varsa kullanlr.
Y1 + Y2 + ...+ Yn metrik = X1 + X2 + ...+ Xn metrik olmayan, sabit faktr metrik- covariate
35

Aratrmacnn grup cevabnn varyansn dikkate alarak hipotezi test etmek iin deneysel durumu tasarlamasnda iki ya da daha fazla bamsz deikenin, birden fazla baml deiken zerindeki etkisi incelemede kullanlr.

36

MANOVA
Tek ynl MANOVA: Birden fazla baml deiken, 1 bamsz deiken ift ynl MANOVA: Birden fazla baml deiken, 2 bamsz deiken
y1 x1 y2 x2

y3

Tek ynl MANOVA

Birden fazla baml deiken, 1 bamsz deiken

38

a Box's Test of Equality of Covariance Matrices

Kovaryans eitlii art vardr.

Box's M 7,657 F 1,898 df 1 6 df 2 84861,731 Sig. ,058

Tests the null hy pothesis that the observ ed cov ariance matrices of the dependent v ariables are equal across g a. Design: Intercept+S5

p>0,05 ise varyans eitlii art salanmtr.

a Levene's Test of Equality of Error Variances

Karsilikli baglilik Pay lasilan birikim

F 5,847 2,940

df 1 2 2

df 2 354 354

Sig. ,053 ,054

Tests the null hy pothesis that the error v ariance of the dependent v ariable is equal across groups. a. Design: Intercept+S5
39

Wilks lambda kldke bamsz deikenin baml deiken zerindeki etkisi artar. Dier istatistikler bydke bamsz deikenin baml deiken zerindeki etkisi artar.
c Multi variate Tests

Ef f ect Intercept

S5

Pillai's Trace Wilks' Lambda Hotelling's Trace Roy 's Largest Root Pillai's Trace Wilks' Lambda Hotelling's Trace Roy 's Largest Root

Value ,120 ,880 ,137 ,137 ,309 ,691 ,448 ,447

F 24,117a 24,117a 24,117a 24,117a 32,374 35,858a 39,382 79,184b

Hy pothesis df 2,000 2,000 2,000 2,000 4,000 4,000 4,000 2,000

Error df 353,000 353,000 353,000 353,000 708,000 706,000 704,000 354,000

Sig. ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000

Part ial Eta Squared ,120 ,120 ,120 ,120 ,155 ,169 ,183 ,309

a. Exact st atist ic b. The statistic is an upper bound on F that y ields a lower bound on the signif icance lev el. c. Design: Intercept+S5

Partial Eta squared etki dzeyini gsterir. 1e yaklatka etki dzeyi artar.
40

yeliin nitelii deikeni karlkl ballk ve paylalan deer deikenini aklamaktadr.

Partial eta squared incelendiinde karlkl ballk deikeninin etkisinin daha fazla olduu grlr
Tests of Between-Subjects Effects Source Corrected Model Intercept S5 Error Total Corrected Total Dependent Variable Karsilikli baglilik Pay lasilan birikim Karsilikli baglilik Pay lasilan birikim Karsilikli baglilik Pay lasilan birikim Karsilikli baglilik Pay lasilan birikim Karsilikli baglilik Pay lasilan birikim Karsilikli baglilik Pay lasilan birikim Ty pe I II Sum of Squares 105,848a 60,298b 32,502 17,948 105,848 60,298 250,152 295,702 356,000 356,000 356,000 356,000 df 2 2 1 1 2 2 354 354 357 357 356 356 Mean Square 52,924 30,149 32,502 17,948 52,924 30,149 ,707 ,835 F 74,895 36,093 45,995 21,486 74,895 36,093 Sig. ,000 ,000 ,000 ,000 ,000 ,000 Part ial Eta Squared ,297 ,169 ,115 ,057 ,297 ,169

a. R Squared = , 297 (Adjusted R Squared = ,293) b. R Squared = , 169 (Adjusted R Squared = ,165)

41

Faktr analizi ve Temel bileenler analizi

ok sayda deiken arasndaki karlkl ilikilerin analizinde kullanlr. Altta yatan ortak boyutlar (faktrler) temelinde, ok sayda deikenin daha az sayda deikenler setine (faktrler) en az veri kaybyla indirgenmesine allr. Veri tipi: Metrik deikenler
42

Faktr analizi Temel bileen analizi

FA verilerdeki belirleyici boyutlar ortaya karr ve dolaysyla ortak varyansla ilgilidir. TBA ise zgn verileri bir dizi dorusal deiken olarak kabul edip her deikenin temel bileene katksn ortaya karmaya alr
43

Faktr analizi Temel bileen analizi

FA TBA

e1 x1

e2 x2

e3 x3

e4

x1
x4

x2

x3

x4

y1
y1 y2

y2

44

Faktr analizi Temel bileen analizi

FA

x1i a11 y1i x 2i a21 y1i x3i x 4i

a22 y 2i a32 y 2i a42 y 2i

e1i e2i e3i e4i

TBA

y1i y 2i

a11x1i a21x2i a22 x2i a32 x3i a42 x4i

45

FA --- dorulayc faktr analizi ve yapsal eitlik modelleme (SEM). Model temellidir. Deikenler aras ilikileri anlama amac. TBA - Veri azaltma

46

Geometric picture of principal components (PCs)

Rotasyon

Non-orthogonal; faktrler ilikili Orthogonal; faktrler ilikisiz

47

Faktr 1 (alkolizm)

Faktr 1 (alkolizm)

Faktr 2 (baar) lgisiz (orthogonal) rotasyon

Faktr 2 (baar
Eik (oblique) rotasyon
48

Rotasyon Tipleri
Orthogonal; faktrler ilikisiz
Varimax (faktr yorumunu kolaylatrr) Quartimax (deiken yorumunu kolaylatrr)
Faktrlere yklenen deiken saysn minimize eder.

Equamax (ikisini birletirir)

Her deiken iin gerek duyulan faktr saysn minimize eder.

49

Aklayc (exploratory) ve dorulayc (confirmatory) yaklam fark Exploratory yaklamda aratrmac yklemeleri (loadings) kontrol edemez. Confirmatory yaklamda faktrler tahmin prosedrnde nce tanmlanr ve kavramlatrlr.
Verileri incelemek veya spesifik bir hipotezi etmek

Ama rneklem bulgularn genellemek

50

Aklayc (exploratory) faktr analizi

f1 f2 f3

18

x1

x2

x3

x4

x5

x6

51

Dorulayc (confirmatory) faktr analizi

H0: 3, 4, 5, 6, 7, 8, 12, 13, 14, 15, 16, 17 = 0

f1

13

f2

23

f3

9 10 11

18

x1

x2

x3

x4

x5

x6
52

Aklayc faktr analizi

X01 X02 X03 X04 X05

Dorulayc faktr analizi

F1
Kullanc dostu algs
X01 X02 X06 X09

0,431
-0,542

F1

X06
X07 X08 X09

F2
-0,101

X10
X14

Marka imaj

X03 X05 X08 X11

F2

X10
X11 X12 X13 X14 X15

0,255 -0,172 0,562 0,116

F3
Fiyat algs kincil rn zellikleri

X07 X12 X13 X04 X15

0,003

F3 F4

F4

15 x 4 = 60 free ykleme

6 + 4 + 3 + 2 = 15 nceden belirlenmi ykleme

53

ok Boyutlu lekleme (MDS)

Bir kategorinin yeleri arasndaki benzerliin/farklln altnda yatan boyutlar aratrlmak istendiinde kullanlr.
Sadece tek boyut varsa korelasyon kullanlr.

Kiisel tercihler, tutumlar, eilimler, inanlar ve bekleyiler gibi davransal verilerin analizinde kullanlabilir.

54

Boyut Saysn Azaltmak: MDS

Hem metrik hem de metrik olmayan deikenlere uygulanabilir.
Tam metrik MDS-aralkl ve oransal lek Yar metrik ve metrik olmayan MDSsral lek ve nominal lek

55

Boyut Saysn Azaltmak: MDS

Analizde gz nnde tuttuumuz her deiken bir boyut saylabilir. ki- boyuttan fazlasn uzaysal olarak grntlemek (visualize etmek) kolay deil. Deikenler arasndaki uzaklktan yola klarak bu boyut says azaltlabilir. Deikenler arasndaki uzaklklar metrik olarak llebilir
56

57

Uzaklk Matrisi
Raw (unscaled) Data for Subject 1 1 2 3 4 5

1 2 3 4 5 6 7 8

,000 26,049 30,879 28,433 30,586 31,523 41,247 32,383

,000 21,388 17,888 18,612 29,942 34,377 32,690

,000 14,399 ,000 15,193 10,632 30,669 29,400 29,753 32,187 32,869 33,338

,000 31,007 30,018 33,052

58

2 Boyut iin Stress istatistiinin 0,001den kk olduu deere kadar 4 iterasyon yaplmtr.
Young's S-stress formula 1 is used. Iteration S-stress Improvement Sfra 1 2 3 4 ,22486 ,19200 ,18706 ,18681

yakn stress deerleri uygundur

,03286 ,00495 ,00024

Iterations stopped because S-stress improvement is less than ,001000 Sress values are Kruskal's stress formula 1. For matrix Stress = ,15756

RSQ = ,86996

2 Boyut iin stress deeri, verileri %86,996 aklamaktadr

Stimulus Coordinates Dimension Stimulus Stimulus Number Name 1 2 3 4 5 6 7 8 bdate educ jobcat salary salbegin jobtime prevexp minority 1 2

1,1742 -1,4033 ,9820 ,1855 ,4763 ,8809 ,7488 ,5689 ,5500 ,8421 -,7758 -1,1818 -1,6824 ,9890 -1,4732 -,8814

60

Kmeleme Analizi
Birey ya da nesnelerin anlaml alt gruplarn oluturmak iin kullanlr. Ayrma analizinden farkl olarak gruplar nceden tanmlanmaz.
Deiken deil case saysn azaltma Deikenler temelinde analize alnan caseler birbirlerine bir ya da daha fazla boyutta benzerler Benzerliklerden yola karak kmeler oluturmak mmkn

Pazar blmlendirme ....

61

Kmeleme Analizi
Deikenlerin lekleri farkllk gsterebilir.
Farkllk varsa Z skorlarna gre standardize edilmelidir.

Hiyerarik ve hiyerarik olmayan kmeleme yntemleri bir arada kullanlabilir. Hiyerarik olmayan kmeleme ynteminde kme says dardan girilir.

62

a Iteration History

Iterat ion 1 2 3 4

Change in Cluster Centers 1 2 3 7,196 3,293 6,530 ,833 ,206 2,818 ,403 ,126 ,906 ,000 ,000 ,000

a. Conv ergence achiev ed due to no or small change in cluster centers. The maximum absolut e coordinate change f or any cent er is ,000. The current it eration is 4. The minimum distance between initial centers is 22,076.

63

Final Cluster Centers Clust er 2 33 -,17870 -,13944 -,03121

Number of Cases i n each Cluster Clust er

1 Yasiniz Karsilikli baglilik Ortak girisim Paylasilan birikim 22 ,21765 ,15828 ,02954

3 48 -,09529 -,09369 ,05515

Valid Missing

1 2 3

153,000 104,000 48,000 305,000 52,000

ANOVA Clust er Mean Square 13254,303 5,334 3,094 ,165 Error Mean Square 13,775 ,941 ,971 1,034

df 2 2 2 2

df 302 302 302 302

Y asiniz Karsilikli baglilik Ortak girisim Pay lasilan birikim

F 962,233 5,669 3,186 ,160

Sig. ,000 ,004 ,043 ,852

The F t ests should be used only f or descriptiv e purposes because the clusters hav e been chosen to maximize the dif f erences among cases in dif f erent clusters. The observ ed signif icance lev els are not corrected f or this and thus cannot be interpreted as tests of t he hy pothesis that the cluster means are equal.

64

Conjoint Analizi
rn tasarm almalarnda kullanlr. Tketicilerin hangi rn zelliklerine nem verdii ve hangilerini tercih edeceini belirleme.

CONJOINT ; CONsider JOINTly ; karar verirken rn/hizmet zelliklerini bir arada dikkate almak Conjoint zelliklerin e anl olarak deerlendirilmesine dayanr. Trade-off rn. bir zellie daha fazla sahip olmak iin dierinden ne kadar vaz gemek gerek?
65

Daha ok yeni ya da gzden geirilen bir rn ya da hizmetin niteliklerini belirlemek, fiyatlarn oluturulmasna yardmc olmak, sat ya da kullanm dzeyini tahmin etmek ve yeni bir rn nermek amacyla kullanlr.

Conjoint Analizi
ok boyutlu lekleme gibi, conjoint analizi cevaplayclarn subjektif deerlendirmelerine dayanr. MDSde odaklanlan rn ya da markalarken, conjoint zellik kombinasyonuna odaklanr. Y = X1 + X2 + ...+ Xn metrik, metrik olmayan metrik olmayan
66

Conjoint Analizi
rn ya da hizmet zellikleri ile birlikte tanmlanr Katlmclara bu zelliklerin kombinasyonunu ieren rnler, prototip ya da resimler gsterilir ve kendilerinden bu rnleri tercihlerine gre sralamalar istenir. zellik kombinasyonlarn says arttka olas profil says da ssel olarak art gsterir.

67

Conjoint Analizi
Alternatif 1 2 3 4 5 6 7 8 Konfor dar koltuk dar koltuk dar koltuk dar koltuk geni koltuk geni koltuk geni koltuk geni koltuk Fiyat $225 $225 $800 $800 $225 $225 $800 $800 Sre 2 saat 5 saat 2 saat 5 saat 2 saat 5 saat 2 saat 5 saat

En az tercih edilen En ok tercih edilen

68

Correspondence Analysis
Ama:
Verilerin grsel sunumu ki saysal deiken arasndaki ilikiyi tanmlamak ve ayn zamanda her degikenin kategorileri arasndaki ilikileri belirlemek.

Veri tipi: Nonmetrik. zellikle kategorik verilerin analizinde uygundur. Bir tablodaki karlkl etkilerin grafik zetini sunar. Her deiken iin, dzleme yanstlan kategoriler arasndaki mesafe yaknlk ilikisini ifade eder. Benzer bir ok grafik gibi, bu da alg haritas olarak da bilinir. 69

Correspondence Analysis
Correspondence analiz grafikleri, noktalarn orijine gre incelenerek yorumuna dayanr.
Benzer ynlerdeki noktalar pozitif ilikilidir. Ters ynlerdeki noktalar negatif ilikilidir. Orijinden en uzak noktalar en gl ilikiyi gsteren noktalardr.

70

TV8 CNN TURK

Ekonomi prog.

Ak oturum

ATV

NTV
KANAL7

KANAL E /CNBC-E
Haberler Hava durumu

Yerli diziler

Yabanc diziler

SHOW STAR KANAL 6

Magazin prog.

TGRT

Spor prog.

TRT 1 TRT 3 TRT 2

Belgesel

Yarma prog.

KANAL D
Talk show prog.

ocuk prog.

STV (Samanyolu TV)

http://www.bilesim-int.com.tr/docs/2004_medya_raporu.ppt

71

Yapsal Eitlik Modelleme (Structural Equation Modelling)

Her bir baml deiken seti iin ilikileri ayrdetmek iin kullanlr. ki temel bileeni vardr; bamsz deikenleri baml deikenler ile ilikilendiren yapsal model ve tek bir bamsz ya da baml deiken iin aratrmacnn bir ok deikeni kullanmasna olanak salayan yapsal model.
= X11 + X12 + ...+ X1n metrik + metrik olmayan = X21 + X22 + ...+ X2n metrik + metrik olmayan = Xm1 + Xm2 + ...+ Xmn metrik + metrik olmayan

Y1 metrik Y2 metrik Ym metrik

72

Latent Deikenler
SEMin gerek gc gizil (latent) deiken modellemeden gelmektedir. Varsaym; gzlenen ve gzlenemeyen (gizil-latent) deikenler arasndaki nedensel ilikiler test edilirken gizil deikenler gzlenen deikenler araclyla llebilir Bu tip deikenler hi bir zaman dorudan llemeyen deikenlerdir.
Etkileri llr
Tutumlar Zeka (Intelligence) Tatmin Tercih Motivasyon

73

Boyutlar (D), Elemanlar (E) ve Kavramlar (C)

C Baarma Motivasyonu D1 Ynelimlilik E Srekli alma E E Olas aksamalara karn alma D2 Dinlenememe D3 Etkili Olmamaya sabrszlk

D4 Meydan okuma aray

D5 Geribildirim arama

E E
Kk hatalarda bile birilerine yklenme E

E Ortalama meydan okumay daha arna tercih etme

E Etkin olmayan ya da yava insanlarla almay sevmeme

Baka herhangi bir ey zaman ayrmaya isteksizlik

Zorlayan ii, rutin bir ie tercih etme

E Evde bile i dnme

E
in nasl yapld hakknda geribildirim isteme

E
Annda geribildirim iin sabrszlk

Hobileri olmama

74

rnek
Girdiler (Bamsz dsal deikenler)
Baarma Motivasyonu

ktlar (Bamlisel deikenler)

Tatmini

1 ksi

2 eta

le ilikili kendine gven

Performans Szel zeka

3
75

Rota diyagramnn (path model) kurulmas Gizil deikenler ve nedensel ilikiler

Dsal deikenler Exogenous Constructs:
Korelasyon

sel deikenler Endogenous Constructs:

1
21 31
phi

1
gamma

2
2

2
32

Path kaysays (regresyon arl)

2 3

76

Rota katsaylar iin yklerinin hesaplanmas sonucunda her birinin t deerleri 2den daha byk olmal

Gizil yaplar arasndaki korelasyon incelenir. Standart hatalar, parametrelerin deerlerinin doru bir ekilde nasl tahmin edildiini gsterir. Standart hata ne kadar kkse tahminler de o derece uygundur.
77

Anlaml sonular, deikenlerin istatistiki olarak belirlenen yaplar ile ilikili olduunu gsteririr.