Ders Detayı

Eğitmenin Cevabı (MUSTAFA AGAH TEKİNDAL)

Merhabalar, Exact test yaparken yöntem beklenen değerlere göre sonuç verir. Sonuç tablomuızda beklenen değerlere göre analiz edilen monte carlo sonucu kullanacağımız test istatistiği değeri kullanılmalıdır. Sonuç tablosunda (2 cells (50,0%) have expected count less than 5. The minimum expected count is ,29.) şeklinde belirtilmektedir. İyi çalışmalar

Eğitmenin Cevabı (MUSTAFA AGAH TEKİNDAL)

Merhabalar, Öncelikle ilginiz için teşekkürler. Hosmer Lemeshow test için Ho: Test uyum şartlarını sağlamaktadır. H1: Test uyum şartlarını sağlamamaktadır. şeklinde hipotezi kurabiliriz. p>0,0 olduğunda test uyum şartlarını sağlıyor şeklinde değerlendirebiliriz.

Eğitmenin Cevabı (MUSTAFA AGAH TEKİNDAL)

Merhabalar, 1-)Continuity Correction, Fisher Chi Square vb gibi kategorik veri analizi sonucunda oluşan SPSS outputlarda APA stiline uygun "https://www.socscistatistics.com/tutorials/chisquare/default.aspx" aşağıdaki gibi gösterim yapılabilir. X² (degress of freedom, N = sample size) = chi-square statistic value, p = p value. X² (1, N = 54) = 6.7, p < .01. 2-)Exact test kullanıldıysa hipotezinize göre "Exact Sig. (2-sided)" ya da "Exact Sig. (1-sided)" kolonlarındaki p değerleri kullanılmalıdır. 3-) 2x2 tabloda temel motivasyonunuza göre -Uyum iyiliği mi? -Homojenlik Testi mi? -Bağımsızlık Testi mi? belirlenmelidir. Yukarıda belirtilen tüm durumlar aradaki ilişkiye bakar asla fark vardır ya da yoktur diyemeyiz. "İlişki vardır" ya da "ilişki yoktur" şeklinde homojenlik, uyum iyiliği ya da bağımsızlık durumu test edilmelidir. Sizin hipotezinizde ""CİNSİYET İLE EĞİTİME KATILMA DURUMU ARASINDA İSTATİSTİKSEL OLARAK ÖNEMLİ BİR İLİŞKİ VARDIR" diyebiliriz p<0,05 ise. İyi çalışmalar

Eğitmenin Cevabı (MUSTAFA AGAH TEKİNDAL)

Merhabalar, Bu durumda da benzer şekilde üç tercihimiz olabilir; Bir tanesi Pillai's Trace, Wilks' Lambda, Hotelling's Trace, Roy's Largest Root testlerinden uygun olanı kullanmak. (Farklı durumlarda genelde en iyi sonuç veren Wilk's Lambda oluyor, "Ateş, C., Kaymaz, Ö., Kale, H. E., & Tekindal, M. A. (2019). Comparison of Test Statistics of Nonnormal and Unbalanced Samples for Multivariate Analysis of Variance in terms of Type-I Error Rates. Computational and Mathematical Methods in Medicine, 2019.") Bir diğeri ise ham veriyi trasformasyona sokmaktır. Transformasyon için Logaritmik dönüşüm, Karekökü, 1/y, Kare,Logit ve Box-Cox veri trasnformasyonu yapmaktır. Burada da en verimli sonucu genelde Box-Cox veri transformasyonu sağlamaktadır. Sonuncusu ise parametrik olmayan çok değişkenli yöntemleri kullanmaktır. Parametrik olmayan MANOVA (PERMANOVA, Permutational Multivariate Analysis of Variance) olarak adlandırılmaktadır. (https://rdrr.io/github/leffj/mctoolsr/man/calc_pairwise_permanovas.html) açık erişimli PAST programında NPMANOVA'yı kullanabilirsiniz. http://priede.bf.lu.lv/ftp/pub/TIS/datu_analiize/PAST/2.17c/download.html Bu linkten erişebilirsiniz. İyi çalışmalar Selamlar İyi çalışmalar

Eğitmenin Cevabı (MUSTAFA AGAH TEKİNDAL)

Merhabalar, Binary Lojistik Regresyon uygularken bazı değişkenlerin variable in equations tablosunda görünmüyorsa 1-) Eleme yöntemlerinden birini kullanmış olabilirsiniz 2-) Değişkeninizin kategorileri muhtemelen aynıdır. (örneğin cinsiyet değişkeninin tamamı erkek olabilir) bu durumda değişken variable in equations tablosunda görünmeyecektir. İyi çalışmalar

Eğitmenin Cevabı (MUSTAFA AGAH TEKİNDAL)

Merhabalar, Birçok özelliğin birbirini etkilediği sağlık çalışmalarında, bir etkenin birden fazla sonucu ortaya çıkabilir. Mesela yüksek tansiyon çok sayıda sağlık problemini beraberinde getirebilir veya vitamin B12 eksikliği ferritin ve hafıza ile ilgili birçok durumu etkileyebilir. Bilindiği üzere tek değişkenli analizlerde bir sonucun bir veya daha fazla nedeni üzerinde durulurken, çok değişkenli analizlerde birden çok sonucun bir veya daha fazla etken tarafından nasıl etkilendiği araştırılır. Çok değişkenli analizlerde sonuç olarak dikkate alınan özelliklerin birbirleriyle de ilişkileri vardır. Bu ilişkiler göz ardı edilerek her bir sonucun tek değişkenli analizlerle değerlendirilmesi 1. Tip hata yapma olasılığını artırır. Dolayısıyla bu tip araştırmalarda yani etkenlerin birden fazla ilişkili sonuçlarının olduğu çalışmalarda güvenilir sonuçlar üreten çok değişkenli varyans analizi yönteminin (Multivariate Analysis of Variance, MANOVA) kullanılması gerekmektedir. Parametrik MANOVA, ANOVA modellerinin genelleştirilmiş halidir. "http://80.251.40.59/science.ankara.edu.tr/ozturk/Dersler/ist306/MANOVA.pdf" bu linkten vektörlere dair açıklama bulabilirsiniz. İyi çalışmalar

Eğitmenin Cevabı (MUSTAFA AGAH TEKİNDAL)

Merhabalar, Vektör olrak eşanlı karşılaştırmak istediğimizde yapısal eşitlik modeli ya da mediator, moderatör değişken analizleri ile sonuç elde edebiliriz. Ancak bu durumda kısmende olsa bilgi kaybı yaşamamız mümkün. Eğer vektörler arasında bir ilişki ararsak kanonik korelasyon kullanabiliriz. Açıklama güçlerini yorumlayabiliriz. Manova gibi grup ortalamalarını karşılaştıran analizlerde, çoklu karşılaştırmaları bağımlı değişken birleşimleri ile değilde ayrı ayrı bakarak sonuç elde edebiliyoruz. Ancak bağımlı değişkenleri vektör olarak sabitleyip bağımsız değişkenleri hangi kategori düzeyleri arasında farklılık olup olmadığı belirlemek için kanonik korelasyon, SEM(Yapısal eşitlik modelleri), genelleştirilmiş doğrusal modeller kullanılabilir.

Eğitmenin Cevabı (MUSTAFA AGAH TEKİNDAL)

Merhabalar, Roc eğirisi kullanırken bir sınır değer belirlemek için iki kategorili bir bağımsız durum olması gereklidir. Standart bir test olması her zman mümkün olmuyor. Örneğin sadece evre 3 ve evre4 arasındaki bir notrofil-lenfosit değişkeni sınır değeri hesaplayabiliriz. Selamlar İyi çalışmalar

Eğitmenin Cevabı (MUSTAFA AGAH TEKİNDAL)

Merhabalar, Eğer kikare tablosunda 5'ten küçük göze varsa ya monte carlo iteratif yöntemini kullanabiliriz ya da kategori birleştirerek gözelerdeki frenası artırabiliriz. İyi çalışmalar

Eğitmenin Cevabı (MUSTAFA AGAH TEKİNDAL)

Merhabalar, Eğer kikare tablosunda 5'ten küçük göze varsa ya monte carlo iteratif yöntemini kullanabiliriz ya da kategori birleştirerek gözelerdeki frenası artırabiliriz. İyi çalışmalar

Eğitmenin Cevabı (MUSTAFA AGAH TEKİNDAL)

Merhabalar Parametrik olmayan bir yöntem kullandıysanız. Ort.± SS [Medyan (Min.-Maks.)] ve Kritik Değer (p) şeklinde raporlamak doğru olacaktır. Ayrıca çoklu karşılşatıorma sonucunda harflendirme yaparken fark olmayan grupları aynı harfle, fark olan grupları ise farklı harflerle simgelemek daha doğru olacaktır. İyi çalışmalar

Eğitmenin Cevabı (MUSTAFA AGAH TEKİNDAL)

Multiple logistik regresyonun binominalden farkı nedir videoda göremedim. Bağımlı Değişken Kategori Sayısı:2 olduğunda, Bağımsız Değişken Sayısı: 1 ya da daha fazla olduğunda binary lojistik regresyon kullanabiliriz. Bağımlı Değişken Kategori Sayısı:2+sırasız olduğunda, Bağımsız Değişken Sayısı: 1 ya da daha fazla olduğunda Multinominal lojistik regresyon kullanabiliriz. Bağımlı Değişken Kategori Sayısı:2+sıralı olduğunda, Bağımsız Değişken Sayısı: 1 ya da daha fazla olduğunda Ordinal lojistik regresyon kullanabiliriz. Lojistik regresyon modelinde değişken seçimi için çok farklı yöntemler mevcuttur. Bunlar tek değişkenli ve çok değişkenli analiz olmak üzere iki temel ayırıma göre yapılır. Çok değişkenli analiz iki yöntemi içermektedir. Bunlar adımsal (stepwise) yöntem ve en iyi alt setler yöntemidir. En iyi alt setler yöntemi lojistik regresyon analizinde pek kullanılmamaktadır (Costanza vd., 1992:775). Adımsal yöntem ise ileri yönlü seçim (forward selection) ve geriye doğru eleme (backward elimination) olmak üzere ikiye ayrılmaktadır (Lee ve Koval, 1997:566). Hata teriminin normal dağılım göstermesinden dolayı yeni değişkenin modele katkısının önemi için Doğrusal regresyon analizinde F testinden yararlanılmasına karşılık, lojistik regresyon modelinde hata terimleri binom dağılımı göstereceğinden daha önce sözü edilen G istatistiği ile karar verilir. G=-2ln [değişken(ler)siz olabilirlik / değişken(ler)li olabilirlik] Modelin anlamlılığının kontrol edilmesinde hipotez takımları; H0 : beta1 =beta2 = ..... = Betap= 0 H1 : En az biri 0' dan farklı şeklindedir. G istatistiği (?2- ?1) serbestlik dereceli ki-kare dağılımı göstermektedir. Model kurma kısmında ikili testte anlamız çıktığında ne zaman modele almalı ve almamalıyız ve ayrıca anlamsız çıksa da modele dahil etmek için p değeri cut-off'umuz illa ki 0.05 mi. Anlamsız çıktığında eğer Karıştırıcı faktör/değişken moderatör-mediatör olarak düşünmüyorsanız denkelem almamak dha doğrudur. p değeri cut-off'umuz genelde kabul gören 0.05’dir ancak tip 1 hatanızı yükseltmek araştırmacının elindedir. Modeli yorumlarken etkileşim etkisi pozitif çıkarsa analize kattığımız değişkenin sonucunu exp (B) üzerinden nasıl yorumlarız ve bundan sonra bu değişkenler ile ilgili bir müdahale etmemiz gerekir mi ? Etkileşim terimlerine karar vermeden önce, hem sürekli değişkenlerin logitle doğrusal bir ilişki içinde olup olmadıklarını, hem de bu değişkenlerin modele doğru ölçekle girip girmediklerini kontrol etmek gerekmektedir. Belki bu videonun altında değil bunun cevabı fakat elimizdeki faktörlerin birbirlerini etkileyip etkilemediğini anlayabileceğimiz bir test metodu var mıdır (parametrik-non parametrik). Örnek vermem gerekirse , boğulma, dondurma yeme ve mevsimin yaz ayı olması. Yaz aylarında insanlar daha çok denize girerler ve dondurma da yerler. Oysa boğulma dondurma yenildiğinden değil ya aylarında denize girildiğinden daha çok olmakta, kısaca değişkenlerin birbirlerine ve hedef değişkenimize bağımsız olarak etki edip etmediğini nasıl anlayabiliriz ? (verdiğim örnekte yaz ayı boğulmayı etkiliyor çünkü denize girmeyi etkiliyor ayrıca dondurma yemeyi de etkiliyor fakat dondurma esasen boğulmayı etkilemiyor sadece yaz ayı olduğu için boğulma sıklığını ile korelasyon gösteriyor.) Teşekkür ederim Karıştırıcı faktör/değişken moderatör ve mediatör değişkenden farklıdır dolayısıyla ılımlaştıcı ya da ara değişken kavramlarından ayırmak gerekir. ılımlaştırıcı ya da ara değişken araştırma modelinde bağımlı değişken üzerinde farklılaşmaya ya da dolaylı etkiye sahip değişken olarak ifade edilebilir. Karıştırıcılığın en güzel ve klasik örneği, dondurma tüketimi ile denizde boğulma arasındaki ilişkinin ortaya çıkarılmasına görülür. Hipotez analizinde dondurma tüketimi ile denizde boğulma arasında kuvvetli bir korelasyon ortaya çıkacaktır ama bu durum determinizm açısından ciddi bir sorun içerir. Zira arada karıştırıcı faktör olarak mevsim vardır. Mevsime bağlı olarak hem dondurma tüketimi artmış hem de denizde boğulmalar artmıştır. Dolayısıyla mevsim burada karıştırıcı faktördür.

Eğitmenin Cevabı (MUSTAFA AGAH TEKİNDAL)

Merhabalar, Evet "TEKRARLI ÖLÇÜMLERDE VARYANS ANALİZİ"nde varsayımlar sağlanmadığında Frieman testi kullanılabilir.

Eğitmenin Cevabı (MUSTAFA AGAH TEKİNDAL)

Merhabalar, Orantılı yaşam sürdürme ya da orantılı tehlike gibi bir varsayım veya motivasyonunuz yoksa 0,20 anlamlı kabul etmek çok doğru bir tercih olmayabilir. COX'da tercihen K-M sonucu anlamlı çıkanları kullanmak elinizi güçlendirir anck böyle bir önşart yokur. Teşekkürler İyi çalışmalar

Eğitmenin Cevabı (MUSTAFA AGAH TEKİNDAL)

Merhabalar, Ana etkilerin anlamlılığı incelenmelidir.

Eğitmenin Cevabı (MUSTAFA AGAH TEKİNDAL)

Merhabalar, 1.Boy değişkeni model kurma aşamasında gösterilmesi için eklenmiştir. 2. Eğer doğrusal bir ilişki olduğu araştırmacı tarafından düşünülüyorsa Box-Tidwell varsayımı kontrol edilmelidir. Örneğin Box-Tidwell yaklaşı-mı kullanılarak, sürekli dağılıma sahip BOY değişkenini kapsayan modele BOY[ln(BOY)] değişkeninin eklenmesi sonucunda, BOY[ln(BOY)] değişkeninin is-tatistiksel olarak önemli bir eğime sahip olması BOY değişkeninin logitle doğrusal olmadığı varsayımını desteklemektedir. Bu nedenden dolayıdır ki, BOY değişkeni modele dizayn değişkeni kullanarak, kesikli bir değişken olarak girecektir. 3.Lojistik regresyon modelinde değişkenlerin anlamlı olup olmadıklarını sınayan ve yaygın olarak kullanılan üç test mevcuttur. Bunlar aşağıda sırasıyla kısaca açıklaması yapılan olabilirlikoran testi (likelihood ratio test), Wald testi (Wald test) ve skor testi (score test) dir. LR ile Wald arasında metodolojik olarak bir farklılık bulunmamaktadır. Wald testi, eğim parametresi ß1’ in en çok olabilirlik tahmini ile bu tahminin standart hatasını karşılaştırmaya dayanmaktadır. Çeşitli simülasyon çalışmalarında farklı durumlarda birbirlerine göre üstünlükleri mevcuttur.

Eğitmenin Cevabı (MUSTAFA AGAH TEKİNDAL)

Merhabalar, 0,00 olduğunda varyanslar homojen değildir. Düzenliyorum. Teşekkürler

Eğitmenin Cevabı (MUSTAFA AGAH TEKİNDAL)

Merhabalar, Teşekkür ederim.

Eğitmenin Cevabı (MUSTAFA AGAH TEKİNDAL)

Merhabalar, Eğer 2*2'lik bir tablonuz varsa Fisher's exact test yöntemini kullanabilirsiniz. Ancak daha büyük tablolarınızda (Örneğin 2*3; 5*9 vs. ) ki kare testinin yeterlilikleri sağlanmadığında ki kare satırındaki exact p değerine bakmak daha doğru olacaktır.

Eğitmenin Cevabı (MUSTAFA AGAH TEKİNDAL)

Merhabalar, Roc analizi yaparken eğer kontrole göre iki grubu da ayrı ayrı değerlendirip sınır değer belirlemek isterseniz, belirttiğiniz gibi (KONTROL+ DENEME1 VE KONTROL+ DENEME 2) şeklinde analiz etmek gerekir. Tekrarlanan ölçümlerde ROC analizi için SAS veya R programlarında makro yazmak gerekli. "Honghu Liu, Gang Li, William G. Cumberland, Tongtong Wu, Testing Statistical Significance of the Area under a Receiving Operating Characteristics Curve for Repeated Measures Design with Bootstrapping, J. data sci. 3(2021), no. 3, 257-278, DOI 10.6339/JDS.2005.03(3).206" bu kaynak yardımcı olacaktır. İyi çalışmalar dilerim

Eğitmenin Cevabı (MUSTAFA AGAH TEKİNDAL)

Merhabalar, Hocam, iki ROC eğrisini karşılaştırmak için SPSS'in 26. sürümünde Analyze > Classify > ROC Analysis menüsü ile groping variable kısmına grupları tanıtıp state variable kısmına benzer şekilde ilgili değeri girip roc eğrilerini karşılaştırabilirsiniz. İyi çalışmalar

Eğitmenin Cevabı (MUSTAFA AGAH TEKİNDAL)

Merhabalar "chrome-extension://efaidnbmnnnibpcajpcglclefindmkaj/viewer.html?pdfurl=http%3A%2F%2Fwww.bwgriffin.com%2Fgsu%2Fcourses%2Fedur8132%2Fnotes%2FNotes9d_ANCOVA.pdf&clen=977305&chunk=true" 35. sayfası size yardımcı olacaktır. İyi çalışmalar

Eğitmenin Cevabı (MUSTAFA AGAH TEKİNDAL)

Merhabalar, Parametrik olmayan yöntem (Kruskal Wallis) kullanabilirsiniz sonrasında Games Howell post hoc testi kullanmanız daha doğru olacaktır. İyi çalışmalar

Eğitmenin Cevabı (MUSTAFA AGAH TEKİNDAL)

Merhabalar Hocam, Kovaryans analizi yapabilirsiniz. Bu durumda Covariate(s) bloğunda ön test puanlarınızı değerlendirebilirsiniz. Ders 3: Genel Doğrusal Modeller-2(Tek Yönlü Kovaryans Analizi analizi dersindeki video yardımcı olacaktır. İyi çalışmalar

Eğitmenin Cevabı (MUSTAFA AGAH TEKİNDAL)

Merhabalar, Eğer bağımlı değişkeniniz 2 grup olacaksa lojistik regresyon önerebilirim. Eğer bağımlı değişkenini 3 ve daha fazla grup olacaksa kategorik değişkenler için Log Lineer analiz, sürekli değişkenler için ise çoklu nominal regresyon ya da GLM modellerinin kullanabilirsiniz. Güç analizi sonucu elde edilen testin gücü ve hesaplama yaparken temele aldığınız kriterler ile birlikte yazarsanız daha iyi karşılık bulacaktır. İyi çalışmalar

Eğitmenin Cevabı (MUSTAFA AGAH TEKİNDAL)

Merhabalar, değerler aynı bireyden ve zamana göre alındığı için lineer regresyon uygulamak doğru değildir. Çoklu bağlantı sorunu yaşanacaktır. Aynı değer göstermeyecektir.

Eğitmenin Cevabı (MUSTAFA AGAH TEKİNDAL)

Merhabalar, İki değişken arasındaki ilişkinin durumuna göre parametrik ve parametrik olmayan yöntemler mevcuttur. Önşart kontrollerine göre belirlenen yöntem uygulanabilir. Cut-Off değer için klinik önem, çevresel faktör vs ve youden index kullanılabilir. İyi çalışmalar dilerim.

Eğitmenin Cevabı (MUSTAFA AGAH TEKİNDAL)

Hocam Merhabalar, Güç analizi yaparak gruplarınızdaki 10'ar denek olduğunda testin gücünün yüzde kaç olduğu belirlenebilir. Aşağıdaki referanslar kullanılarak güç analizi bir paket programda hesaplanabilir. Örnek sayısının yüksek ya da düşük olması değil de optimal sayıda olması önemli olandır. References Hanley, J. A. and McNeil, B. J. 1983. 'A Method of Comparing the Areas under Receiver Operating Characteristic Curves Derived from the Same Cases.' Radiology, 148, 839-843. September, 1983. Obuchowski, N. and McClish, D. 1997. 'Sample Size Determination for Diagnostic Accuracy Studies Involving Binormal ROC Curve Indices.' Statistics in Medicine, 16, pages 1529-1542.

Eğitmenin Cevabı (MUSTAFA AGAH TEKİNDAL)

Merhabalar, Cihaz validasoyunu için metot karşılaştırma yöntemleri(Bland-Altman, Mountain graph....) kullanabilirsiniz. Ayrıca tutarlılığı belirlemek için sınıf içi korelasyon değerini kullanabilirsiniz.

Eğitmenin Cevabı (MUSTAFA AGAH TEKİNDAL)

Merhabalar, Buradaki durumda ilgili değişken için pozitif değeri hangisi ise onu tanımlamak gerekiyor. İstenen durumun kodunu yazmak doğru olacaktır. Selamlar, iyi çalışmalar

Eğitmenin Cevabı (MUSTAFA AGAH TEKİNDAL)

Ömer Bey Merhabalar, Öncelikle her bir grubu kendi içinde regresyon yapabilirsiniz. Belirlediğiniz sürekli birden fazla nümerik değişkeninizin olması lazım. Değişkenlerden biri bağımlı diğeri ya da diğerleri bağımsız olması gerekiyor. Ayrıca her grup için bir regresyon denklemi oluşur. Selamlar İyi çalışmalar

Eğitmenin Cevabı (MUSTAFA AGAH TEKİNDAL)

Merhabalar, regresyon analizinde herhangi bir grup belirleme ön şartı bulunmamaktadır. Ancak power analiz ile hem değişken hem de örnek sayısına ait bir değerlendirme yapılmalıdır. Artıkların normal dağılım ön şartı bulunmaktadır. Normal dağılım: Bağımlı değişkenin hata terimleri normal dağılımlı olmalıdır. İyi çalışmalar dilerim

Eğitmenin Cevabı (MUSTAFA AGAH TEKİNDAL)

Cohen's d istatistiği de bir diğer yaygın olarak kullanılan etki büyüklüğü ölçüsüdür. Cohen's d, iki grup arasındaki farkın ortalamasının, her iki grubun varyansına göre standartlaştırılması ile hesaplanır. Cohen's d, 0.2 gibi düşük bir değerden başlayarak, 0.8 veya daha yüksek gibi yüksek bir değere kadar değişebilir. Cohen's d değeri 0.5 veya daha yüksek olan bir farkın "güçlü bir etkiye" sahip olduğu kabul edilir. İstatistiksel analiz kısmında atıf olarak göstermek için, Cohen's d veya R² değerleri hakkında yazılmış istatistiksel makaleleri arayabilirsiniz. Örneğin, "The Interpretation of Multiple Regression Analysis" (Pedhazur & Schmelkin, 1991) gibi bir makale, bu konuda iyi bir kaynak olabilir.

Eğitmenin Cevabı (MUSTAFA AGAH TEKİNDAL)

Mood Median Testi: Mood Median Testi, iki bağımsız grup arasındaki medyan değerlerinin istatistiksel olarak farklı olup olmadığını değerlendiren bir non-parametrik testtir. Non-parametrik testler, verinin dağılımının normal dağılıma uymadığı durumlarda kullanılırlar. Bu test, medyanın kullanılmasının sebebi, medyanın aykırı değerlerden etkilenme açısından daha dayanıklı olmasıdır. Mood Median Testi'nin temel adımları şunlardır: İki bağımsız örneklem grubunun medyanlarını hesaplayın. Medyanlar sırasıyla büyükten küçüğe sıralandığında, bu sıralamanın örtüşme (overlap) durumunu gözlemleyin. Eğer örtüşme yoksa (bir medyan tüm diğerlerinden büyük veya küçükse), grup medyanları arasında istatistiksel olarak anlamlı bir fark olduğu sonucuna varılır. Jonckheere Testi: Jonckheere Testi, birden fazla bağımsız grup arasında sıralı bir değişkenin (örneğin, bir tedavi veya doz seviyesi) düzenli bir şekilde artıp artmadığını veya azalıp azalmadığını değerlendirmek için kullanılan bir testtir. Bu test, grupların sıralanmış verileri üzerinden işlem yapar ve grupların sıralama düzenlerini karşılaştırarak istatistiksel olarak anlamlı bir artış veya azalış olup olmadığını belirler. Farklar: Amaç ve Kullanım: Mood Median Testi, iki bağımsız grup arasındaki medyan değerlerinin farklı olup olmadığını değerlendirmek için kullanılır. Jonckheere Testi ise birden fazla grup arasındaki sıralı değişkenin düzenli bir artış veya azalış gösterip göstermediğini incelemek için kullanılır. Veri Yapısı: Mood Median Testi, iki grup arasında medyan farkını incelediğinden iki bağımsız örneklem gerektirir. Jonckheere Testi, üç veya daha fazla grup arasındaki düzeni değerlendirdiğinden en az üç sıralı grup gerektirir. Hesaplama ve Yorum: Mood Median Testi, medyanların büyüklükleri ve örtüşme durumu üzerinden hesaplanır. Jonckheere Testi, grupların sıralama düzenleri üzerinden hesaplanır. Hipotezler: Mood Median Testi, genellikle "Medyanlar arasında istatistiksel olarak anlamlı bir fark var mı?" şeklinde bir hipotez testini ifade eder. Jonckheere Testi, "Sıralı gruplar arasında düzenli bir artış/azalış var mı?" sorusunu ele alır. Her iki test de farklı türden soruları yanıtlamak üzere tasarlanmıştır ve hangi testin kullanılacağı, araştırılan verilerin yapısına ve sorulara bağlı olarak belirlenmelidir.

Eğitmenin Cevabı (MUSTAFA AGAH TEKİNDAL)

Merhabalar, Kikarede sayı sınırı, istatistiksel analizlerde verilerin çoklu boyutlarda kategorik olarak analiz edilmesinde karşılaşılan bir sınırlamadır. Crosstab (çapraz tablo) analizi yaparken, özellikle büyük bir hasta popülasyonunda çalışıyorsanız ve sonuçlar çok fazla kategoriye bölünüyorsa, bu tür bir uyarı alabilirsiniz. Bu durumda, analizinizi yapmak için daha uygun bir yöntem kullanmanız gerekebilir. Önerilerim şunlar olabilir: Veri Özetleme: Verilerinizi özetleyerek, kategorik değişkenlerinizi daha az sayıda kategoriye indirgeyebilirsiniz. Bu, analizinizi daha yönetilebilir hale getirebilir. Örneğin, yaş gruplarını daha geniş kategorilere dönüştürebilirsiniz. İlgili Kategorileri Birleştirme: İlgili veya benzer kategorileri birleştirerek daha az sayıda kategori elde edebilirsiniz. Bu, analizinizi basitleştirebilir. İstatistiksel Analiz Yöntemi Seçimi: Kikare tablosu analizi yerine, daha az kategoriye sahip bir analiz yöntemi kullanmayı düşünebilirsiniz. Alt Grup Analizi: Verileri alt gruplara bölmeyi veya alt grup analizi yapmayı düşünebilirsiniz. Bu, her alt grupta daha küçük crosstab analizleri yapmanıza olanak tanır. Yazılım Değişikliği: Kikaredeki sınırlamayı aşmak için daha büyük veri setleri ile çalışabilen veya daha fazla işlem gücü sağlayabilen başka bir istatistiksel yazılım veya program kullanmayı düşünebilirsiniz.

Eğitmenin Cevabı (MUSTAFA AGAH TEKİNDAL)

Merhabalar, Sarı ile işaretlenmesi kullandığınız SPSS sürümü ile ilgilidir. Eğer SPSS 25 kullanıyorsanız sarı ile işaretli olacaktır. 26 ve üzerindeki sürümler için daha farklı bir gösterim vardır. Kullandığınız menü nonparametric<ındependent menüsü ise sarı ile işasretli output'u elde edebilirsiniz. Nonparamecric

Eğitmenin Cevabı (MUSTAFA AGAH TEKİNDAL)

Anosim (Analysis of Similarities) ve Kruskal-Wallis testi, farklı türde verileri analiz etmek için kullanılan istatistiksel yöntemlerdir ve birbirinden farklı sorulara yanıt bulma yeteneklerine sahiptirler. İki testin farklı kullanım alanları ve amaçları vardır. Kruskal-Wallis Testi: Amaç: Kruskal-Wallis testi, bağımsız gruplar arasında medyanların eşit olup olmadığını değerlendirmek için kullanılır. Non-parametrik bir testtir ve gruplar arasındaki merkezi eğilim farklarını belirlemek için kullanılır. Uygulama: Gruplar arasındaki merkezi eğilim farklarını belirlemek istediğiniz durumlarda kullanılır. Örneğin, farklı tedavi grupları arasında bir değişkenin etkisini değerlendirmek istediğinizde Kruskal-Wallis testi uygulanabilir. Anosim (Analysis of Similarities): Amaç: Anosim, gruplar arasındaki benzerlik veya farklılıkları değerlendirmek için kullanılır. Özellikle çok değişkenli veri setlerinde, gruplar arasındaki benzerlik yapısını anlamak için tercih edilir. Uygulama: Örneğin, çevresel koşullar altında farklı ekosistemler arasındaki biyolojik benzerlikleri değerlendirmek istediğinizde Anosim kullanılabilir. Her iki test de farklı sorulara cevap verir ve kullanıldıkları bağlam önemlidir. Eğer sedir ağacının yükseklikleri için farklı iller arasında benzerlikleri değerlendirmek istiyorsanız, Anosim gibi çok değişkenli veri setlerinde grup benzerliklerini değerlendiren yöntemler daha uygun olabilir. Ancak, kesin yöntemi seçerken çalışmanızın amacına ve veri yapısına dikkat etmek önemlidir.

Eğitmenin Cevabı (MUSTAFA AGAH TEKİNDAL)

Merhabalar, Araştırmanızı ileriye taşımak için bu değerleri hesaplamak oldukça önemlidir. İşte size MCD (Minimally Clinically Detectable) ve MCID (Minimally Clinically Important Difference) değerlerini hesaplamak için genel bir yol: MCD (Minimally Clinically Detectable): Bu değeri belirlemek için genellikle standart sapma kullanılır. MCD, tedavi veya müdahale sonrasında bir grup içindeki bireyler arasındaki değişiklikleri ölçer. Bir grup içindeki bireyler arasındaki standart sapma değeri, değişim ölçümü olarak kullanılabilir. MCD=Standart sapma*Z Değeri Z değeri genellikle 1.96'dır, çünkü genellikle %95 güven aralığını ifade eder. MCID (Minimally Clinically Important Difference): MCID=0,5*ortalama değişiklik MCID, hastaların subjektif olarak hissettiği ve klinik olarak anlamlı bulduğu bir değişikliği ifade eder. MCID değeri, hasta grupları üzerinde yapılan anketler veya önceki çalışmalar sonucunda belirlenebilir. Ayrıca, grubun ortalama değişiklik değerinin yarısı olarak da tahmin edilebilir. Bu değerlerinizi hesapladıktan sonra, bu bilgileri dergiye sunabilir ve makalenizi tamamlamak için kullanabilirsiniz. Ancak, bu değerlerin spesifik olarak çalışmanızın özelliklerine bağlı olarak değişebileceğini unutmayın. Eğer hastalara yönelik anketler veya önceki çalışmalardan elde edilmiş bir MCID değeriniz yoksa, literatürü kontrol etmek ve benzer çalışmaların kullandığı yöntemlere başvurmak yararlı olabilir. Umarım bu bilgiler yardımcı olur Başarılar dilerim.