Section author: Rebecca Vederhus, Sebastian Jentschke
எச்.பி.எச்.எச் முதல் சாமோவி வரை: அதிர்வெண்களின் பகுப்பாய்வு
இந்த ஒப்பீடு SPSS மற்றும் சாமோவியில் ஒரு உள்நுழைவு பகுப்பாய்வு எவ்வாறு நடத்தப்படுகிறது என்பதைக் காட்டுகிறது. SPSS சோதனை `புலம் (2017) <https://edge.sagepub.com/field5e> __, குறிப்பாக படம் 19.7 மற்றும் வெளியீடு 19.7 - 19.10 இல் அத்தியாயம் 19.9.2 இல் உள்ள விளக்கத்தைப் பின்பற்றுகிறது. இது தரவுத் தொகுப்பைப் பயன்படுத்துகிறது ** பூனைகள் மற்றும் நாய்கள். சாவ் ** <https://edge.sagepub.com/field5e/student-resources/datasets> ____.
SPSS |
jamovi |
|---|---|
SPSS இல், நீங்கள் ஒரு உள்நுழைவு பகுப்பாய்வைப் பயன்படுத்தி இயக்கலாம்: `` பகுப்பாய்வு`` `` லோக்லினியர்`` மாதிரி தேர்வு`. |
சாமோவியில், இதைப் பயன்படுத்தி இதைச் செய்யலாம்: `` அனலீச்` `` அதிர்வெண்கள்`` பதிவு நேரியல் பின்னடைவு`. |
|
|
SPSS இல், `` விலங்கு``, `` பயிற்சி`` மற்றும் நடனம்`` காரணி (கள்) `` பெட்டியில் நகர்த்தவும். பின்னர், மூன்று மாறிகளையும் குறிக்கவும், `` வரம்பை வரையறுக்கவும்` என்பதைக் சொடுக்கு செய்க. இந்த சாளரத்தில், `` குறைந்தபட்சம்`` 0 ஆகவும், `` அதிகபட்சம்`` 1 ஆகவும் அமைக்கவும். `` தொடரவும்` என்பதைக் சொடுக்கு செய்க. `` மாதிரி பில்டிங்`` எனப்படும் பெட்டியில், `` ஒற்றை படிநிலையில் உள்ளிடவும் என்பதைக் சொடுக்கு செய்க. |
சாமோவியில், `` விலங்கு``, `` பயிற்சி`` மற்றும் டான்ச்`` காரணிகள்`` க்கு நகர்த்தவும். `` மாதிரி பில்டர்`` சாளரத்தைத் திறந்து, |
|
|
|
|
மற்றொரு தொகுதி சேர்க்கவும். மூன்று மாறிகளையும் குறிக்கவும், கீழ்தோன்றும் மெனுவிலிருந்து `` அனைத்து 2 வழிகளையும்` என்பதைத் தேர்வுசெய்க. பின்னர், மூன்றாவது தொகுதியைச் சேர்த்து மூன்று மாறிகள் குறிக்கவும். கீழ்தோன்றும் மெனுவைத் திறந்து `` அனைத்து 3 வழிகளும்` என்பதைக் சொடுக்கு செய்க. |
|
|
|
`` மாதிரி ஃபிட்`` திறந்து, `` ஒட்டுமொத்த மாதிரி சோதனை`` க்காக பெட்டியைத் தேர்வுசெய்க. கடைசியாக, `` மாதிரி குணகங்கள்`` சாளரத்தில் `` நிகழ்தகவு விகித சோதனைகள்`. |
|
|
|
வெளியீட்டு அட்டவணைகள் `` கே-வழி மற்றும் உயர்-வரிசை விளைவுகள்`` மற்றும் `` பகுதி சங்கங்கள்`` ஆகியவற்றின் முடிவுகள் மட்டுமே சாமோவி பகுப்பாய்வில் பிரதிபலிக்கப்படுகின்றன. |
|
|
|
|
|
`` கே-வழி மற்றும் உயர்-வரிசை விளைவுகள்` அட்டவணையில், K = 1, 2 மற்றும் 3 போது *df *-மதிப்புகள், நிகழ்தகவு விகித புள்ளிவிவரங்கள் மற்றும் முக்கியத்துவ மதிப்புகள் ஆகியவற்றைக் காணலாம். SPSS முடிவுகளில் பியர்சன் சி-சதுர புள்ளிவிவரங்களும் உள்ளன . ஏதேனும் உயர்-வரிசை விளைவுகள் அல்லது ஒரு வழி விளைவுகள் மாதிரி பொருத்தத்தை கணிசமாக பாதிக்கின்றன என்றால் வெவ்வேறு வரிசைகள் காட்டுகின்றன. `` பகுதி சங்கங்கள்`` அட்டவணை மாதிரியை குறிப்பிட்ட பகுதிகளாக உடைத்து, மாதிரியின் பொருத்தத்தை கணிசமாக பாதிக்கும் இரு வழி இடைவினைகள் நமக்குக் கூறுகின்றன. வெவ்வேறு தொடர்புகளுக்கான முக்கியத்துவ மதிப்புகளைப் பார்த்து அவற்றை ஒப்பிடுவதன் மூலம் இதைச் சொல்லலாம். |
சாமோவியில், SPSS இல் `` கே-வழி மற்றும் உயர்-வரிசை விளைவுகள்` அட்டவணையில் காணப்படும் மதிப்புகளை `` மாதிரி பொருத்தம் நடவடிக்கைகள்` மற்றும் `` மாதிரி ஒப்பீடுகள்` அட்டவணையில் காணலாம். இருப்பினும், சாமோவி பியர்சன் சி-சதுர புள்ளிவிவரங்களையும் மறு செய்கைகளின் எண்ணிக்கையையும் வழங்கவில்லை. சாமோவியில் உள்ள பகுதி சங்கங்களின் அட்டவணை `` ஆம்னிபச் நிகழ்தகவு விகித சோதனைகள்`` என்று அழைக்கப்படுகிறது, மேலும் அவை மூன்று தனித்தனி அட்டவணைகளில் வழங்கப்படுகின்றன (ஒவ்வொரு மாதிரிக்கும் ஒன்று). |
SPSS பகுப்பாய்விலிருந்து வெளியீட்டில் சாமோவி பகுப்பாய்வில் சேர்க்கப்படாத நிறைய அட்டவணைகள் உள்ளன. கூடுதலாக, அளவுரு மதிப்பீடுகளின் அட்டவணையின் முடிவுகள் ஒருவருக்கொருவர் வேறுபடுகின்றன, எனவே அவை இங்கு சேர்க்கப்படவில்லை. புள்ளிவிவரங்களுக்கான எண் மதிப்புகள் ஒன்றே: * x² * = 127.90, * ப * <.001; * X²* = 200.16,* ப* <.001; * X²* = 51.96,* ப* <.001:* x²* = 20.30,* ப* <.001; * x²* = 65.27,* ப* <.001; * X²* = 61.15,* ப* <.001; * X²* = 1.48; * X²* = 13.76,* ப* <.001; * X²* = 13.75,* ப* <.001; * X²* = 8.61,* ப* <.01. |
|
தொடரியல் பயன்படுத்தி அந்த பகுப்பாய்வுகளை நீங்கள் பிரதிபலிக்க விரும்பினால், நீங்கள் கீழே உள்ள கட்டளைகளைப் பயன்படுத்தலாம் (சாமோவியில், கீழே உள்ள குறியீட்டிற்கு நகலெடுக்கவும் Rj). மாற்றாக, நீங்கள் SPSS வெளியீட்டு கோப்புகள் மற்றும் சாமோவி கோப்புகளை தொடரியல் கீழே இருந்து பகுப்பாய்வுகளுடன் பதிவிறக்கம் செய்யலாம். |
|
HILOGLINEAR Animal(0 1) Training(0 1) Dance(0 1)
/CRITERIA ITERATION(20) DELTA(.0)
/PRINT=FREQ RESID ASSOCIATION ESTIM
/DESIGN.
|
jmv::logLinear(
data = data,
factors = vars(Animal, Training, Dance),
blocks = list(
list("Animal", "Training", "Dance"),
list(c("Animal", "Training"), c("Animal", "Dance"),
c("Training", "Dance")),
list(c("Animal", "Training", "Dance"))),
refLevels = list(
list(var = "Animal", ref = "Cat"),
list(var = "Training", ref = "Food as Reward"),
list(var = "Dance", ref = "No")),
modelTest = TRUE,
dev = FALSE,
aic = FALSE,
pseudoR2 = NULL,
omni = TRUE)
|
