REGRESYON

9.Sunum

Yrd. Doç. Dr. Sedat ŞEN 1

 Önceki Sunumda
• Basit regresyon analizini SPSSte nasıl yapacağımızı
• Çoklu regresyon analizini SPSSte nasıl
yapacağımızı
• Regresyon verisini olası problemli değerler için
nasıl kontrol edeceğimizi
• Regresyon analizinin varsayımlarının neler
olduğunu ve bunları SPSSte nasıl kontrol
edeceğimizi

göstermiştik.

Yrd. Doç. Dr. Sedat ŞEN 2

 Bu Sunumda
• Regresyona Kategorik değişkenin nasıl
ekleneceğini
• Stepwise ve Hiyerarşik regresyon yöntemlerini
• ANOVA ve ANCOVA’nın regresyon modeli
olarak nasıl gösterilebileceğini ve
• Lojistik Regresyon yönteminin SPSSte nasıl
yapılacağını
göstereceğiz.
Yrd. Doç. Dr. Sedat ŞEN 3
 Veri
• Bir önceki regresyon analizinde kullanmış olduğumuz
sınav verisini bu sunumdaki analizlerde de kullanacağız.
Önceki veriye ek olarak 3 farklı sınıfı temsil eden 1, 2 ve
3 rakamlarını içeren bir SINIF değişkenini bu veriye
ekledik.

Yrd. Doç. Dr. Sedat ŞEN 4

 Veri
• Kategorik değişkenle regresyon analizlerini
gösterirken aşağıdaki SINAVREGRESYON2 adlı
verimizi kullandık.

Yrd. Doç. Dr. Sedat ŞEN 5

 Dummy (yapay) Kodlama
• 2 kategorisi olan bir değişkeni 1 ve 0 şeklinde kodladığımızda aslında tek
kategoriye indirmiş oluyoruz. Burada erkek=0 kadın=1 olarak
kodlandığında değişkeni erkek olmak ya da olmamak şeklinde
yorumlayarak regresyon analizi yapıyoruz. Burada yaptığımız bir grubu
referans grubu alıp sadece diğer grubun verileri ile analiz yapıp daha sonra
elde edilen regresyon katsayısını da analize giren grup üzerinden
yorumlamaktır.
• Peki 3 kategorisi olan değişkenlerde bunu nasıl başaracağız? Burada
yapmamız gereken uygulama aynı değişken için 1. kategoride olup 2. ve 3.
kategoride olmayanları, 2. kategoride olup 1. ve 3. kategoride olmayanları,
3. kategoride olup 1. ve 2. kategoride olmayanları belirtmek olacaktır. 2
kategorili durumda olduğu gibi tek değişkenle bunu başarmamız mümkün
değildir. Öncelikle üç kategoriden bir tanesini referans grup olarak
belirlememiz gerekmektedir. Daha sonra 2 tane yapay değişken üretmemiz
gerekmektedir (k-1 sayıdayapay değişken). Bu iki yapay değişkenlerde
referans grubuna ve hesaba katılmayan gruba sıfır hesaba katılan gruba da
1 rakamını gireceğiz.

Yrd. Doç. Dr. Sedat ŞEN 6

 Dummy (yapay) Kodlama
Cinsiyet Yapay_Cinsiyet Referans grubu: Kadınlar
K 0
K 0 Cinsiyet değişkeninde 2 kategori
olduğu için 2-1 = 1 tane yapay
K 0 değişken yapıp referans grubuna 0
K 0 diğer gruba 1 yazarak oluşturulan
K 0 bu yapay değişken regresyon
analizinde kullanılır.
E 1
E 1
E 1
E 1

Yrd. Doç. Dr. Sedat ŞEN 7

 Dummy (yapay) Kodlama
Sınıf Yapay1 Yapay2 Referans grubu: A grubu
A 0 0
A 0 0 Sınıf değişkeninde 3 kategori
olduğu için 3-1 = 2 tane yapay
A 0 0 değişken oluşturup referans
B 1 0 grubuna 0 kalan gruplardan
B 1 0 diğerleri ile karşılaştırmak
istediğimiz gruba 1 ve diğerlerine 0
B 1 0 yazarak oluşturulan bu yapay
C 0 1 değişkenler regresyon analizinde
kullanılır.
C 0 1
Yapay Yapay
C 0 1
1 2
B vs. A ve C C vs. A ve B
A 0 0
B 1 0
Yrd. Doç. Dr. Sedat ŞEN C 0 1 8
 Dummy (yapay) Kodlama
Referans grubu: A grubu
Grup Yapay1 Yapay2 Yapay3
A 0 0 0 Grup değişkeninde 4 kategori
A 0 0 0 olduğu için 4-1 = 3 tane yapay
değişken oluşturup referans
A 0 0 0
grubuna 0 kalan gruplardan
B 1 0 0 diğerleri ile karşılaştırmak
B 1 0 0 istediğimiz gruba 1 ve diğerlerine 0
yazarak oluşturulan bu yapay
B 1 0 0 değişkenler regresyon analizinde
C 0 1 0 kullanılır.
C 0 1 0
Yapay Yapay Yapay
C 0 1 0
1 2 3
D 0 0 1 A 0 0 0
D 0 0 1 B 1 0 0
D 0 0 1 C 0 1 0
B’ye ait C’ye ait D’ye
Yrd. Doç. ait ŞEN
Dr. Sedat
D 0 0 1
9
İki Kategorili (Kız-Erkek) Değişken
Ekleme

• Yan taraftaki açılan

`linear regression`
ekranında sürekli
olan DERSSAATİ
değişkeni ile
beraber kategorik
olan CİNSİYET
değişkenini analiz
edeceğimiz için bu
değişkeni ekranda
bağımsız değişken
kısmına eklememiz
yeterlidir.
Yrd. Doç. Dr. Sedat ŞEN 10
 Kategorik Değişkeni Regresyona
Eklemek
• Cinsiyet değişkenimiz E ve K şeklinde kodlanmış ise regresyon analizime eklememiz
mümkün değildir. Bu sebepten dolayı bu tarz kategorik değişkenleri sayısal olarak
kodlamamızdır. Sayısal olarak kodlarken `dummy kodlama` kurallarını takip ederek 2
kategori olan durumda 1 yapay değişken oluşturarak referans gruba 0 diğer gruba 1
olacak şekilde kodlama yapmalıyız.

Yrd. Doç. Dr. Sedat ŞEN 11

Kategorik Değişkeni Regresyona
Eklemek

• SPSS’te yapay
kodlama işlemi
elle yapılabileceği
gibi Transfrom-
Recode into
Different Variable
menüsünden de
daha hızlı ve
doğru bir şekilde
yapabiliriz. Yan
tarafta başlatılan
adımları takip
ederek yapılabilir.
Yrd. Doç. Dr. Sedat ŞEN 12
Kategorik Değişkeni Regresyona
Eklemek

• E için 1 K için
0 rakamını
girerek bir
yapay
değişken
oluşturabiliriz.

Yrd. Doç. Dr. Sedat ŞEN 13

Kategorik Değişkeni Regresyona
Eklemek

• SPSS’te variable view

ekranında C1 adında
bir yapay değişkeni
eklendiğini
görebilirsiniz.

Yrd. Doç. Dr. Sedat ŞEN 14

 Kategorik Değişkeni Regresyona
Eklemek
• İki kategoriye sahip olan CINSIYET değişkenini
FINAL bağımlı değişkenini yordayıp yordamadığını
incelemek için bağımsız değişken kısmına
ekleyerek basit doğrusal regresyon analizi
yapacağız. Burada analize ekleyeceğimiz değişken
önceki slaytlarda ürettiğimiz C1 yapay değişkeni
olacaktır.
• Hatırlatma: C1 yapay değişkeninde Erkek=1,
Kadın=0 olarak kodlanmıştı. O zaman C1
değişkenine ait değerler Erkek bireyler hakkında
bilgi verecektir.

Yrd. Doç. Dr. Sedat ŞEN 15

Kategorik Değişkeni Regresyona
Eklemek

Yrd. Doç. Dr. Sedat ŞEN 16

Kategorik Değişkeni Regresyona
Eklemek
Yandaki tablodaki R-
kare değeri 0.053
çıkmıştır. CINSIYET
değişkenine ait yapay
değişkeni modele
girdiğimizde bağımlı
değişkenimizin %5’ini
açıklayabilmekteyiz.
Modelimiz yandaki
ikinci tabloya göre
anlamlı
bulunmamıştır.

Yrd. Doç. Dr. Sedat ŞEN 17

 Kategorik Değişkeni Regresyona
Eklemek
Aşağıdaki tabloda regresyon modelimize ait katsayıların tahmini değerleri yer
almaktadır. Görüldüğü üzere sabit değerimiz 85.41 iken yapay C1 değişkenine
ait eğim değeri de -6.85 çıkmıştır. Buradaki 85.41 değeri C1’in sıfır olduğu
durum yani Kadın olma durumunda alınacak FINAL puanını göstermektedir.
Buradaki -6.85 çıkan eğim değeri Kadın ve Erkek arasındaki FINAL puanı farkını
göstermektedir. Bu değerin negatif çıkması Erkeklerin (1 kodlandığı için)
Kadınlardan 6.85 puan daha az ortalamaya sahip olduğunu göstermektedir.
Bu değer anlamlı çıkmadığı için yorumlamamıza gerek yoktur. Burada eğitsel
amaçlı olarak anlamlı bulunmasaydı nasıl yorumlayacaktı onu belirttik.

Yrd. Doç. Dr. Sedat ŞEN 18

 Regresyon=t-testi durumu

REGRESYON

• Aslında burada 2 kategorili değişken ile yapılan

regresyon analizi t-testine eşdeğerdir (2 tablodaki
sonuçları karşılaştırınız).

T-TESTİ

Yrd. Doç. Dr. Sedat ŞEN 19

Kategorik Değişkeni Başka Bir Sürekli
Değişkenle Beraber Regresyona
Eklemek

• C1 değişkenini
oluşturduktan sonra
Regresyon menüsünden
regresyon analizi
yapabilmek için
DERSSAATİ değişkenini
ve yeni oluşturduğumuz
C1 değişkenini
Independent(s) kısmına
ekliyoruz. Dependent
kısmına da bağımlı
değişkenimiz olan FINAL
değişkenini ekliyoruz.

Yrd. Doç. Dr. Sedat ŞEN 20

Kategorik+Sürekli Değişken İçeren
Regresyon Çıktısı

• Daha önceki
regresyon
analizlerinde
olduğu gibi
temel olarak
yandaki 3
tabloyu elde
ediyoruz.
Yrd. Doç. Dr. Sedat ŞEN 21
Kategorik+Sürekli Değişken İçeren
Regresyon Çıktısı

• Birinci tabloda R,
R-kare ve
düzeltilmiş R-kare
bilgileri sunulur.
• İkinci tabloda da
regresyon
modelimiz genel
olarak anlamlı
olup olmadığını
gösteren ANOVA
Yrd. Doç. Dr. Sedat ŞEN
sonuçları sunulur.22
Kategorik+Sürekli Değişken İçeren
Regresyon Çıktısı

• Birinci tabloya göre iki

bağımsız değişken
bağımlı değişken
içerisindeki çeşitliliğin
%65.7’sini açıkladığını
göstermektedir.
• İkinci tabloda da
regresyon modelimiz
genel olarak anlamlı
bulunduğunu
söyleyebiliriz
(p<0.001).
Yrd. Doç. Dr. Sedat ŞEN 23
 Kategorik+Sürekli Değişken İçeren
Regresyon Çıktısı
• Aşağıdaki tabloda sabit değer 51.17 çıkmıştır. DERSSAATINE ait eğim
değeri 4.043 iken C1 yapay değişkenine ait eğim değeri -6.301 çıkmıştır.
51.17 değeri her şeyin 0 olduğu duruma işaret eder: hiç ders çalışmayan
(DERSSAATİ=0) kız öğrencilerinin (C1=0) alacağı ortalama FINAL puanını
gösterir. Hiç ders çalışmayan (DERSSAATİ=0) erkek öğrencilerinin (C1=1)
alacağı ortalama FINAL puanı ise 51.17-6.301=44.868’dir. C1’e ait eğim
değeri kız ve erkek öğrenciler arası farkı gösterirken bu farkın bu
modelde anlamlı bulunduğunu söyleyebiliriz (p=0.014). DERSSAATI
değişkenine ait eğim değeri de her bir ders çalışma saatinin FINAL
puanını kaç puan değiştirdiğini göstermektedir. Buna göre her bir ders
çalışma saatinin FINAL puanını 4 puan artırdığını söyleyebiliriz.

Yrd. Doç. Dr. Sedat ŞEN 24

 Üç Kategorili (1-2-3 şeklinde
kodlanmış) Değişkeni Regresyona
Ekleme
• Üç kategoriye sahip süreksiz değişkeni
regresyona eklemek de önceki slaytlarda
anlatılan iki kategorili modelin eklenmesi
gibidir. Öncelikle yapmamız gereken 3
kategoriye sahip olan değişken için 2 (3-1)
adet yapay değişken üretip bu değişkenleri
regresyon analizinde bağımsız değişken olarak
eklemek olacaktır.

Yrd. Doç. Dr. Sedat ŞEN 25

 3 Kategorili Değişken İçin Yapay
Kodlama
• Aynı CİNSİYET değişkeninde olduğu gibi aşağıdaki
ekranı kullanarak yapay kodlama yaparak yapay
değişkenler üretmeliyiz. Hatırlatma: 3 kategori olduğu
için 2 adet yapay değişken üretmeliyiz (S1 ve S2).

Yrd. Doç. Dr. Sedat ŞEN 26

3 Kategorili Değişken İçin Yapay
Kodlama

• S1 yapay değişkenini
üretirken referans
olarak belirlediğimiz
1 numaralı sınıfı 0
olarak kodlayacağız.
S1 değişkeni 2
numaralı sınıfa ait
olduğu için 2
numaralı sınıf için 1
rakamını 3 numaralı
sınıf için de 0
rakamını girerek
kodlama yapmalıyız.
Burada üretilen S1
apay değişkeni 2
Yrd. Doç. Dr. Sedat ŞEN numaralı sınıf içindir.27
3 Kategorili Değişken İçin Yapay
Kodlama

• Aynı 2 numaralı
sınıf için
ürettiğimiz S1
yapay değişkeni
gibi 3 numaralı
sınıf için de bir
yapay değişken
üretmeliyiz. Bu
değişkene de S2
adını verebiliriz.
Burada S1 kime
ait S2 kime ait
bilgisini
Yrd. Doç. Dr. Sedat ŞEN
unutmamalıyız. 28
3 Kategorili Değişken İçin Yapay
Kodlama

• S2 yapay değişkenini
üretirken referans
olarak belirlediğimiz
1 numaralı sınıfı 0
olarak kodlayacağız.
S2 değişkeni 3
numaralı sınıfa ait
olduğu için 3
numaralı sınıf için 1
rakamını 2 numaralı
sınıf için de 0
rakamını girerek
kodlama yapmalıyız.
Burada üretilen S2
apay değişkeni 3
numaralı sınıf içindir.
Yrd. Doç. Dr. Sedat ŞEN 29
3 Kategorili Değişken İçin Yapay
Kodlama
• İşlemleri tamamladıktan
sonra yandaki sekilde olduğu
gibi Variable View kısmına 2
tane yeni değişken
eklendiğini görebilirsiniz.
Bunlar az önce
oluşturduğumuz yapay
değişkenlerdir. Bu
değişkenleri regresyon
modeline bağımsız
değişkenler olarak
ekleyebiliriz.
Yrd. Doç. Dr. Sedat ŞEN 30
Üç Kategorili (1-2-3) Değişkeni
Regresyona Ekleme

Yrd. Doç. Dr. Sedat ŞEN 31

Üç Kategorili (1-2-3) Değişkeni
Regresyona Ekleme

Yrd. Doç. Dr. Sedat ŞEN 32

 Üç Kategorili (1-2-3) Değişkeni
Regresyona Ekleme
Aşağıdaki tabloda regresyon modelimize ait katsayıların tahmini değerleri yer
almaktadır. Görüldüğü üzere sabit değerimiz 81.778 bulunmuştur. Yapay S1
değişkenine ait eğim değeri -3.333 iken yapay S2 değişkenine ait eğim değeri 0.340
çıkmıştır. Buradaki 81.778 değeri S1 ve S2’nin sıfır olduğu durum yani referans grup
olan 1.sınıfta olan öğrencilerin ortalama FINAL puanını göstermektedir. Buradaki -3.333
çıkan eğim değeri ikinci sınıf öğrencileri ile birinci sınıf öğrencileri (referans grup)
arasındaki FINAL puanı farkını göstermektedir. Bu değerin negatif çıkması ikinci sınıf
öğrencilerinin (1 kodlandığı için) referans grubu öğrencilerinden 3.333 puan daha az
ortalamaya sahip olduğunu göstermektedir. Bu değer anlamlı çıkmamıştır. S2’ye ait
0.340 değeri de referans grup ile üçüncü sınıf arasındaki farkı göstermektedir. Üçüncü
sınıf öğrencileri birinci sınıf öğrencilerinden 0.340 puan daha fazla ortalamaya sahiptir.

Yrd. Doç. Dr. Sedat ŞEN 33

 Regresyon=ANOVA
Regresyon

• Önceki slaytta regresyon modelinde FINAL bağımlı değişkenini yordamak

için 3 kategorili değişken eklerken yaptığımız şey 3 grubun FINAL
puanlarını karşılaştırmak için yaptığımız ANOVA ile aynı şeydir. (İki
tablodan elde edilen sonuçları karşılaştırınız).

ANOVA

Yrd. Doç. Dr. Sedat ŞEN 34

 Üç Kategorili Değişken ve Sürekli
Değişkeni Regresyona Ekleme
• 3 kategorili SINIF değişkenini DERSSAATİ adlı
sürekli değişkenle beraber analiz etmek
istersek yine aynı şekilde SINIF değişkeni
yerine üretmiş olduğumuz yapay değişkenleri
eklemeliyiz. Takip eden slaytlarda bunun nasıl
yapılacağı anlatılmaktadır.

Yrd. Doç. Dr. Sedat ŞEN 35

Kategorik+ Sürekli Değişken:Yanlış
Uygulama
• Burada sınıf
değişkenind
eki 1, 2 ve 3
değerlerini
SPSS sürekli
değişken
gibi
algılarsa
SINIF
değişkeni
grup
değişkeni
olmaktan
çıkar.

Yrd. Doç. Dr. Sedat ŞEN 36

Kategorik+ Sürekli Değişken: Doğru
Uygulama

• S1 ve S2 yapay
değişkenleri
oluşturduktan sonra
Regresyon menüsünden
regresyon analizi
yapabilmek için
DERSSAATİ değişkenini
ve yeni oluşturduğumuz
S1 ve S2 değişkenlerini
Independent(s) kısmına
ekliyoruz. Dependent
kısmına da bağımlı
değişkenimiz olan FINAL
değişkenini ekliyoruz.

Yrd. Doç. Dr. Sedat ŞEN 37

Kategorik+ Sürekli Değişken İle
Regresyon Analizi
• Daha önceki
regresyon
analizlerinde
olduğu gibi
temel olarak
yandaki 3
tabloyu elde
ediyoruz.

Yrd. Doç. Dr. Sedat ŞEN 38

Kategorik+ Sürekli Değişken İle
Regresyon Analizi

• Birinci tabloda R,
R-kare ve
düzeltilmiş R-kare
bilgileri sunulur.
• İkinci tabloda da
regresyon
modelimiz genel
olarak anlamlı
olup olmadığını
gösteren ANOVA
sonuçları sunulur.
Yrd. Doç. Dr. Sedat ŞEN 39
Kategorik+ Sürekli Değişken İle
Regresyon Analizi
• Birinci tabloya göre iki
bağımsız değişken
bağımlı değişken
içerisindeki çeşitliliğin
%61.3’ünü açıkladığını
göstermektedir.
• İkinci tabloda da
regresyon modelimiz
genel olarak anlamlı
bulunduğunu
söyleyebiliriz
(p<0.001).

Yrd. Doç. Dr. Sedat ŞEN 40

 Kategorik+ Sürekli Değişken İle
Regresyon Analizi
• Aşağıdaki tabloda görüldüğü üzere sabit değerimiz 46.840 bulunmuştur. Bu
değer referans grubundaki bireylerin hiç ders çalışmadığı zaman
(DERSSAATİ=0) alacakları ortalama FINAL puanıdır. Yapay S1 değişkenine ait
eğim değeri -0.403 iken yapay S2 değişkenine ait eğim değeri 0.194 çıkmıştır.
Buradaki -0.403 çıkan eğim değeri ikinci sınıf öğrencileri ile birinci sınıf
öğrencileri (referans grup) arasındaki FINAL puanı farkını göstermektedir. Bu
değerin negatif çıkması ikinci sınıf öğrencilerinin (1 kodlandığı için) referans
grubu öğrencilerinden 0.403 puan daha az ortalamaya sahip olduğunu
göstermektedir. Bu değer anlamlı çıkmamıştır. S2’ye ait 0.194 değeri de
referans grup ile üçüncü sınıf arasındaki farkı göstermektedir. Üçüncü sınıf
öğrencileri birinci sınıf öğrencilerinden 0.194 puan daha fazla ortalamaya
sahiptir. Her bir ders çalışma saati artışı her grup için FINAL puanında yaklaşık
4 puan artışa yol açacaktır.

Yrd. Doç. Dr. Sedat ŞEN 41

YANLIŞ EKLEME SONUCU ELDE
EDİLECEK TABLO
• Eğer yapay
kodlama
yapmadan
kategorik
değişkeni
modelimize direk
olarak eklersek
yandaki sonuçları
elde ederiz.
Yrd. Doç. Dr. Sedat ŞEN 42
 YANLIŞ ve DOĞRU SONUÇLARIN
KARŞILAŞTIRILMASI
• DOĞRU SONUÇ YANLIŞ SONUÇ

Yrd. Doç. Dr. Sedat ŞEN 43

 Çoklu Regresyon Metotları
• Araştırmacı birçok bağımsız değişkene sahip ise
ve kompleks bir model kuracaksa hangi
değişkenleri modele ekleyeceğine üç metot
vasıtasıyla karar verebilir. Bu üç yöntem:
• Hiyerarşik, Forced entry ve Stepwise (adımsal)
regresyon metotlarıdır.
• Genelde hangi değişkenlerin modele eklenmesi
gerektiği literatüre ya da araştırmacının önceki
araştırmalarına göre belirlenmelidir. Bazen
istatsitiksel yöntemler de bu konuda yardımcı
olabilmektedir.

Yrd. Doç. Dr. Sedat ŞEN 44

SPSS’te Regresyon Metotları

Yrd. Doç. Dr. Sedat ŞEN 45

Regresyon Metotları: Forced Entry
• Forced entry: Eldeki tüm değişkenlerin zorla
modele eklendiği regresyon analizidir. Bunu
yapmada da dayanak noktamız iyi bir alanyazın
bilgisi olmalıdır.
• Buraya kadar olan analizlerde eldeki tüm
değişkenleri regresyon modeline eklediğimiz için
forced entry (SPSS’te Enter şeklinde geçiyor)
metodu kullanılmıştı. Takip eden slaytlarda önce
adımsal (stepwise) regresyon daha sonra da
hiyerarşik regresyon metodunun nasıl yapıldığı
gösterilecektir.
Yrd. Doç. Dr. Sedat ŞEN 46
 Regresyon Metotları: Adımsal
• Adımsal (Stepwise) regresyon: Hangi değişkenlerin
hangi sırayla modele gireceğine matematiksel bir
kritere bakarak karar verilir. Ya bir değişken eklenip
sonra 2. ve 3. eklenerek ileri (forward) doğru yapılır ya
da önce tüm değişkenler modele atılır ve birer birer
eksiltilerek geriye doğru (backward) yapılır. Eklenen ya
da çıkarılan bağımsız değişkenlerin bağımlı değişken
üzerinde anlamlılığına göre son modele karar verilir.
Backward yöntemi forward yöntemine göre daha çok
önerilen bir yöntemdir. Stepwise regresyon modeli aynı
zamanda multicollinearity problemini çözmemize de
yardım eder. Bunu yaparken 2 tane birbirleriyle çok
bağlantılı 2 değişkenden birini modelde tutar.

Yrd. Doç. Dr. Sedat ŞEN 47

Adımsal (Stepwise) Regresyon

Yrd. Doç. Dr. Sedat ŞEN 48

Adımsal (Stepwise) Regresyon

Yrd. Doç. Dr. Sedat ŞEN 49

 Adımsal (Stepwise) Regresyon

• Stepwise regresyon sonucunda 5 adet tablo

elde ediyoruz. Bu tablolar takip eden
slaytlarda açıklanmaktadır.

Yrd. Doç. Dr. Sedat ŞEN 50

 Adımsal (Stepwise) Regresyon
Bu tablo stepwise metdounu gösterir. SPSS sıfır değişkenle başlar ve sonra en
güçlü bağımsız değişkeni (DERSSAATİ) modele girer ve regresyon eğimi (b) anlamlı
bulunursa modelde tutar. Sonra en güçlü ikinci bağımsız değişkeni modele ekler
(o da anlamlı b değerine sahipse modelde tutar değilse çıkarır.). Bu yeni eklenen
değişken önceki eklenen değişkenleri anlamlı iken anlamsız hale getirebilir bu
durumda SPSS anlamsız hale gelenleri çıkarı. Bu işlemler hiçbir değişkenin modele
anlamlı bir şekilde katkı edemeyeceği duruma (modele eklenecek anlamlı
değişken kalmayana kadar) kadar devam eder. Aşağıdaki tabloda 3 değişken
modele girmeye hak kazanmış. SPSS bize 3 çeşit model sunacaktır. Takip eden
slaytlarda bu modelleri görebilirsiniz.

Yrd. Doç. Dr. Sedat ŞEN 51

 Adımsal (Stepwise) Regresyon
Aşağıda 3 modele ait ANOVA tablolarını görüyoruz. Birinci modelde sadece
DERSSAATİ değişkeni var. İkinci modelde DERSSAATİ ve DEVAMSIZLIK
değişkenleri. Üçüncü modelde de DERSSAATİ, DEVAMSIZLIK ve VİZE
değişkenleri bulunmaktadır. Bunlar istatistiksel olarak en iyi modellerimizdir.
Üç modelde anlamlı çıkmıştır.

Yrd. Doç. Dr. Sedat ŞEN 52

 Adımsal (Stepwise) Regresyon
Aşağıdaki tabloda 3 modelimize ait R-kare değerlerini görebilirsiniz.

Yrd. Doç. Dr. Sedat ŞEN 53

 Adımsal (Stepwise) Regresyon
Regresyon katsayılarının sunulduğu aşağıdaki tabloda her modeldeki
değişkenlerin anlamlılığını görebilirsiniz. Burada en iyi model olarak 3.
model gözükmektedir. Modele giren tüm değişkenlerimiz anlamlı
bulunmuştur.
Final modelimizi şu şekilde yazabiliriz:
FINAL = 48.262+2.959 DERSSAATI - 3.707 DEVAMSIZLIK + 0.252 VIZE

Yrd. Doç. Dr. Sedat ŞEN 54

Adımsal (Stepwise) Regresyon

Yrd. Doç. Dr. Sedat ŞEN 55

 Adımsal (Stepwise) Regresyon
• Daha önce bahsettiğimiz gibi Stepwise
regresyon ileri (forward) ya da geri (backward)
şeklinde en güçlü modellere karar
vermektedir. Biz SPSS’te Stepwise metodunu
seçtiğimizde otomatik olarak forward yani ileri
doğru olanı uyguladı. Hangi yönü seçeceğinize
SPSS değil de ben karar vermek istiyorum
derseniz SPSSte forward ya da backward
metotlarından birini seçme şansınız var (Bkz.
Sonraki slayt).
Yrd. Doç. Dr. Sedat ŞEN 56
Forward Metodu

Yrd. Doç. Dr. Sedat ŞEN 57

Backward Metodu

Yrd. Doç. Dr. Sedat ŞEN 58

 Backward Metodu
• Daha önce Stepwise seçeneğini seçtiğimizde
SPSS forwarda dayalı (yani ileri doğru) model
seçimini yaptığı için forward yönteminin
sonuçlarını tekrar sunmayacağız.
• Backward seçeneğini seçerek yapılan
analizlerin sonuçları takip eden slaytlarda
verilmektedir.

Yrd. Doç. Dr. Sedat ŞEN 59

Backward Metodu

Yrd. Doç. Dr. Sedat ŞEN 60

Backward Metodu

Yrd. Doç. Dr. Sedat ŞEN 61

Backward Metodu

Yrd. Doç. Dr. Sedat ŞEN 62

Backward Metodu

Yrd. Doç. Dr. Sedat ŞEN 63

Backward Metodu

Yrd. Doç. Dr. Sedat ŞEN 64

 Backward Metodu
• Backward yöntemi daha önce bahsettiğimiz gibi
bağımsız değişkenlerin hepsini modele ekleyerek
bağımlı değişkenle en güçsüz ilişkiye sahip
değişkenleri verdiğimiz p değeri kriterine göre
çıkararak geriye doğru gider. Burada amaç en az
(anlamlı) değişkenle bağımlı değişkeni en çok
açıklayan modele karar vermektir. Backward
metodu ile elde ettiğimiz anlamlı 3 tane bağımsız
değişkeni içeren son modelimiz forward metdou
ile elde ettiğimiz bu 3 değişkeni içeren son
modelimizle aynı çıkmıştır:)

Yrd. Doç. Dr. Sedat ŞEN 65

 Regresyon Metotları: Hiyerarşik
• Hiyerarşik regresyon: Hangi değişkenlerin modele hangi
sırayla eklenmesi gerektiğine araştırmacının (literatüre ya
da önceki araştırmalarına göre) belirlediği analiz türüdür.
• Burada ilk olarak eklemek istediğimiz öncelikli
değişkenlerimizin peşine diğer değişkenleri adım adım
ekliyoruz. Bu hiyerarşiden dolayı hiyerarşik regresyon olarak
adlandırılır.
• Her bir değişkenin eklendiğinde R-kare değerini ne kadar
artırdığına bakarak final modele karar veriyoruz.
• Modelin ilk adımında eklediğimiz değişkenler etkisini
kontrol etmek istediğimiz değişkenlerdir (Yaş, sosyo-
ekonomik statü gibi). Daha sonra her eklediğimiz değişken
modeli ne kadar değiştirmiştir görme şansına sahip
oluyoruz.
Yrd. Doç. Dr. Sedat ŞEN 66
 Hiyerarşik Regresyon
• SPSS’te Hiyerarşik Regresyon bloklar halinde
uygulanır.
• Genelde ilk adımda katılımcıların üzerinde
kontrolü olmadığı demografik türden değişkenler
eklenir.
• Her bir blokta bir yada daha fazla değişken
modele eklenerek devam edilir.
• R-kare değerindeki değişim hesaplanır.
• R-kare değişiminin sıfırdan farklı olup olmadığı
test edilir.

Yrd. Doç. Dr. Sedat ŞEN 67

• Model 1: FINAL= Sabit+ YAŞ+ CINSIYET

• Model 2: FINAL= Sabit+ YAŞ+ CINSIYET +

DERSSAATİ

• Model 3: FINAL= Sabit+ YAŞ+ CINSIYET +

DERSSAATİ + DEVAMSIZLIK

Yrd. Doç. Dr. Sedat ŞEN 68

Hiyerarşik Regresyon

Yrd. Doç. Dr. Sedat ŞEN 69

Hiyerarşik Regresyon

Yrd. Doç. Dr. Sedat ŞEN 70

Hiyerarşik Regresyon

Yrd. Doç. Dr. Sedat ŞEN 71

Hiyerarşik Regresyon

Yrd. Doç. Dr. Sedat ŞEN 72

Hiyerarşik Regresyon

Yrd. Doç. Dr. Sedat ŞEN 73

Hiyerarşik Regresyon

Yrd. Doç. Dr. Sedat ŞEN 74

Hiyerarşik Regresyon

Yrd. Doç. Dr. Sedat ŞEN 75

 Hiyerarşik Regresyon
• Model 1: FINAL= Sabit+ YAŞ+ CINSIYET(R2 =
.053)

• Model 2: FINAL= Sabit+ YAŞ+ CINSIYET +

DERSSAATİ (R2 = .660)

• Model 3: FINAL= Sabit+ YAŞ+ CINSIYET +

DERSSAATİ + DEVAMSIZLIK (R2= .703)
Yrd. Doç. Dr. Sedat ŞEN 76
 ANALİZ TÜRLERİ
Outcome Explanatory Analysis

Continuous Dichotomous t-test, Wilcoxon

test
Continuous Categorical ANOVA, linear
regression
Continuous Continuous Correlation, linear
regression
Dichotomous Continuous Logistic regression

Dichotomous Dichotomous Chi-square test,

logistic regression

Yrd. Doç. Dr. Sedat ŞEN 77