MANCOVA

Bu yöntem iki fikri birleştirir: sonuçların tek tek değil bir küme olarak sınanması ve kümeyi ayrıca açıkladığı bilinen sürekli değişkenlerin modelde tutulması. Kovaryant, grup ayrımıyla karışan bir etkiyi üstlenir; kıdem, yaş, önceki dönem ölçümü ya da ön test puanı tipik örneklerdir. Kovaryantın payı çıkarıldığında iki şey değişir: hata terimi küçüldüğü için sınama duyarlılaşır ve grup ortalamaları, kovaryantın örneklem ortalamasında tutulduğu varsayımıyla yeniden kestirilir. YouReply Nicel Analiz hem grup etkisi için hem de her kovaryant için ayrı çok değişkenli istatistik raporlar, böylece kovaryantın sonuç kümesiyle gerçekten ilişkili olup olmadığı görülebilir; ardından her sonuç için düzeltilmiş ortalamaları da içeren bir izleme çözümlemesi açar.

• Kıdem kontrol edildiğinde ofis, hibrit ve uzaktan çalışan ekipler bağlılık ve kalma niyeti kümesinde ayrışıyor mu?
• Hanenin aylık geliri modele alındığında üç yaşam tarzı segmenti harcama ve tasarruf eğiliminde birbirinden farklı mı?
• Ön ölçüm puanları sabit tutulduğunda üç müdahale kolunun bilgi, tutum ve davranış niyeti profili ayrışıyor mu?
• Mağaza büyüklüğü dikkate alındığında üç düzen biçimi müşteri memnuniyeti ile sepet memnuniyetinde aynı sonucu mu veriyor?

• Sonuç kümesini etkilediği bilinen sürekli bir değişken ölçülmüşse ve grup karşılaştırması bu etkiden arındırılmak isteniyorsa.
• Gruplar kovaryant bakımından başlangıçta ayrışıyorsa; kovaryantsız bir karşılaştırma bu ayrımı grup etkisi gibi gösterir.
• Kovaryant kuramsal gerekçeyle seçilmişse ve gruplamadan sonra değişmeyecek bir anda ölçülmüşse.
• Sonuçlar birbirine kuramsal olarak bağlıysa; bağlı değillerse her sonuç için kovaryantlı tek bir çözümleme daha okunur rapor verir.

• Bağımlı değişkenler: iki ya da daha çok sürekli sayısal sütun; liste olarak seçilir.
• Grup sütunu: kategorik değer taşıyan tek sütun.
• Kovaryantlar: bir ya da birkaç sürekli sayısal sütun; her biri için ayrı bir çok değişkenli satır ve izleme bloklarında ayrı bir düzeltme payı döner.
• Bir satırın çözümlemeye girmesi için hem bütün sonuç sütunlarında hem de kovaryant sütunlarında değer taşıması gerekir.

Kovaryantın gruplamadan bağımsızlığı

Kovaryantın değeri grup atamasının sonucu olmamalıdır. Uygulamadan sonra ölçülen bir değişkeni kovaryant yapmak, sınamak istediğiniz etkinin bir bölümünü modelden çıkarır ve grup ayrımını yapay biçimde siler.

Kovaryant ile sonuçlar arasındaki doğrusal ilişki

Düzeltme, kovaryantın her sonuçla doğrusal ilişkide olduğu varsayımıyla yapılır. İlişki eğriyse düzeltilmiş ortalamalar yanlı çıkar ve eksik düzeltme grup farkına karışır.

Regresyon eğimlerinin homojenliği

Kovaryant ile her sonuç arasındaki eğimin bütün gruplarda benzer olması gerekir. Eğim gruplar arasında ayrışıyorsa grup farkı kovaryantın düzeyine göre değişiyordur ve tek bir düzeltilmiş ortalama karşılaştırması bu değişkenliği gizler.

Kovaryans matrislerinin eşitliği

Grupların sonuç değişkenleri arasındaki varyans ve kovaryans örüntüsünün benzer olması beklenir.

Her sonuç için varyansların benzerliği

İzleme çözümlemelerinin dayandığı koşul, her sonuçta grup yayılımlarının birbirine yakın olmasıdır.

• Kovaryantın gruplamadan bağımsızlığı: Panel bu varsayımı otomatik denetlemez; değerlendirme araştırmacıya aittir.
• Kovaryant ile sonuçlar arasındaki doğrusal ilişki: İlişkinin biçimi bu yöntem içinde sınanmaz, ancak her kovaryant için dönen Wilks lambda ve p değeri kovaryantın sonuç kümesiyle ilişkili olup olmadığını gösterir. İlişkinin şeklini görmek için korelasyon ya da regresyon yöntemlerini ayrıca çalıştırmanız gerekir.
• Regresyon eğimlerinin homojenliği: Bu varsayım sınanmaz. Kurulan modelde grup ile kovaryant arasında etkileşim terimi bulunmadığı için eğim farkı ölçülemez; varsayımı tasarımınızla gerekçelendirmeniz ya da ilişkiyi gruplara ayırarak incelemeniz gerekir.
• Kovaryans matrislerinin eşitliği: Box M testi çalışır ve yorumu 0,001 düzeyinde verilir; yanında grup büyüklükleri durur. ⚠️ Test YALNIZ bağımlı değişkenler üzerinde hesaplanır, kovaryant sütunları bu sınamaya girmez. Sonuç modeli değiştirmez.
• Her sonuç için varyansların benzerliği: Her bağımlı değişken için Levene sonucu ve bir homojenlik bayrağı raporlanır. Bayrak bilgi amaçlıdır; homojenlik sağlanmadığında başka bir tahmin yoluna geçilmez.

1. 1Veri dosyanızı panele sürükleyin; CSV ve Excel okunur.
2. 2Veri sekmesindeki düzenlenebilir ızgarada sonuç ve kovaryant sütunlarının sayıya çözüldüğünü doğrulayın; ondalık ayırıcı yüzünden metne dönen hücreleri burada düzeltebilirsiniz.
3. 3Değişken sekmesinde sonuçları ve kovaryantları ölçek, grup sütununu nominal düzeyde işaretleyin; eksik değer kodlarını bu sekmede tanımlayın, yoksa kod bir ölçüm gibi modele girer.
4. 4Analiz sekmesinde MANCOVA'yı seçin. Veri gereksinimleri kutusu hangi sütunların sonuç, grup ve kovaryant koşuluna uyduğunu gösterir; uymayan yöntemler listede soluk kalır ve gerekçesi yazılır.
5. 5Parametre formunda sonuç listesini, grup sütununu ve kovaryantları belirleyip çalıştırın; üçü de doldurulmadan analiz başlamaz.
6. 6Çıktıda sırasıyla grup etkisinin çok değişkenli ölçütleri, kovaryant başına çok değişkenli satır, Box M bloğu, sonuç başına izleme çözümlemesi ve ham betimleyiciler açılır.
7. 7Düzeltilmiş ortalamaları betimleyici tabloda değil, ilgili sonucun izleme bloğunda arayın; iki tablo aynı grupları farklı değerlerle gösterir.
8. 8Yönteme özgü grafik üretilmez; tabloları Excel olarak indirebilirsiniz. Hesaplama künyesi kartı kullanılan kütüphane çağrısını ve sürümünü yazar, koşu geçmiş sekmesine düşer.

Grup etkisi için dört çok değişkenli ölçüt

Wilks lambda, Pillai izi, Hotelling-Lawley izi ve Roy en büyük kökü; her biri değer, F karşılığı, p değeri ve iki serbestlik derecesiyle raporlanır. Bu değerler kovaryantların payı modelde tutulurken hesaplanır.

Kovaryant başına çok değişkenli satır

Seçilen her kovaryant için ayrı bir Wilks lambda ve p değeri. Kovaryantın sonuç kümesiyle ilişkili olup olmadığı buradan anlaşılır; p değeri büyükse kovaryant modele katkı sağlamıyor olabilir.

Box M bloğu

Kovaryans matrislerinin eşitliği sınaması, 0,001 düzeyinde verilen yorumu ve grup büyüklükleri. Hesap yalnız bağımlı değişkenler üzerinden yapılır.

Sonuç başına izleme çözümlemesi

Her bağımlı değişken için kovaryantlı tek değişkenli çözümleme: F değeri, p değeri, kısmi eta kare, Levene sonucu ve kovaryanta göre düzeltilmiş grup ortalamaları. Buradaki p değerleri sınanan sonuç sayısına göre düzeltilmemiştir.

Düzeltilmiş grup ortalamaları

Kovaryantların örneklem ortalamasında tutulduğu varsayılarak kestirilen değerler. Her sonucun izleme bloğunun içinde yer alırlar, ayrı bir üst tabloda toplanmazlar.

Ham betimleyiciler

Grup ve sonuç başına ortalama, ortanca, mod ve standart sapma. Bu değerler DÜZELTİLMEMİŞTİR: verinin gözlenen halini anlatır ve düzeltilmiş ortalamalarla aynı sayılar olması beklenmez.

Kısmi eta kare (izleme çözümlemeleri)

Her sonuç için ayrıca verilir ve kovaryantların payı ayrıldıktan sonra kalan değişkenliğin grup ayrımına düşen oranını anlatır. Yaygın eşikler 0,01 küçük, 0,06 orta, 0,14 büyüktür. Değer kovaryantlı modele özgüdür: kovaryant paydayı küçülttüğü için aynı veride kovaryantsız bir çözümlemenin değerinden yüksek çıkabilir ve iki model arasında doğrudan karşılaştırılmamalıdır.

Kovaryant ilişkisinin gücü

Kovaryantın kendi Wilks lambda değeri, sonuç kümesiyle olan bağının gücü hakkında fikir verir; lambda bire yaklaştıkça kovaryantın açıkladığı pay küçülür. Bu değer bir etki büyüklüğü ölçütü olarak standartlaştırılmış değildir, bu yüzden yalnız kovaryantın modele değip değmediğini tartışmak için kullanılmalıdır.

Çok değişkenli etki büyüklüğü

Hesaplanmaz. Ne grup etkisi ne de kovaryant etkisi için sonuç kümesinin bütününe ait bir etki büyüklüğü döner. Raporunuz böyle bir değer istiyorsa dönen lambda değerinden yararlanıp panel dışında türetmeniz gerekir.

Güven aralığı hiçbir bölümde yer almaz. Düzeltilmiş grup ortalamaları standart hata ya da aralık olmadan, yalnız nokta kestirimi olarak gelir; çok değişkenli ölçütlerin, kovaryant satırlarının ve kısmi eta kare değerlerinin yanında da aralık bulunmaz. Düzeltilmiş ortalamaların belirsizliğini aktarmanız gerekiyorsa bu hesabı kendiniz yapmalısınız.

Aşağıdaki sayılar temsili bir örnektir; gerçek bir araştırmanın ya da gerçek bir kullanıcının verisi değildir.

Araştırma sorusu

Temsili örnek: Bir kurumda ofiste, hibrit ve uzaktan çalışan ekiplerin iki sonucu ölçüldü. Kıdem gruplar arasında dengesiz dağıldığı ve her iki sonuçla da ilişkili olduğu bilindiği için kovaryant olarak modele alındı. Üç çalışma biçiminde 81, 112 ve 76 eksiksiz yanıt, toplam 269 satır kullanıldı.

Değişkenler

Bağımlı değişkenler: bağlılık puanı (1-5, sürekli) ve kalma niyeti puanı (1-5, sürekli) · Grup sütunu: çalışma biçimi (ofis / hibrit / uzaktan) · Kovaryant: kurumdaki kıdem (yıl, sürekli)

Örnek sonuç

Grup etkisi Wilks lambda = 0,912, F(4, 528) = 6,21, p < 0,001; Pillai izi = 0,089, F(4, 530) = 6,17, p < 0,001. Kıdem kovaryantı için Wilks lambda = 0,871, p < 0,001. Box M yorumu 0,001 düzeyinde varsayımı karşılanmış sayıyor (p = 0,058). İzleme çözümlemelerinde bağlılık F(2, 265) = 9,84, p < 0,001, kısmi eta kare = 0,07, Levene p = 0,511; kalma niyeti F(2, 265) = 2,41, p = 0,092, kısmi eta kare = 0,02, Levene p = 0,338. Ham bağlılık ortalamaları 3,74, 4,02 ve 3,58; aynı sıradaki düzeltilmiş ortalamalar 3,81, 3,97 ve 3,64. Kıdem ortalamaları sırasıyla 6,2, 4,8 ve 4,1 yıl.

Yorum

Kıdemin kendi lambda değeri grup etkisinin lambda değerinden daha küçük, yani kovaryant sonuç kümesini grup ayrımından daha güçlü açıklıyor; kovaryantın modelde tutulması bu veride gerekçeli. Düzeltmenin etkisi ham ve düzeltilmiş ortalamaları yan yana koyunca görülüyor: ofis ekibinin kıdemi en yüksek olduğu için ham ortalaması düzeltmeyle yukarı çekilmiş, uzaktan çalışan ekipte de aynı yönde küçük bir kayma var, sonuçta üç grup arasındaki en geniş açıklık 0,44 puandan 0,33 puana inmiş. İki tablodaki sayılar bu nedenle birbirinin yerine okunamaz; raporda hangisini kullandığınızı belirtmeniz gerekir. Bağlılıkta ayrım sürüyor, kalma niyetinde ise fark anlamlılık eşiğine ulaşmıyor. İki sonuç sınandığı için izleme p değerlerini olduğu gibi değil sıkılaştırılmış bir eşikle değerlendirmeniz gerekir. Hangi iki çalışma biçiminin ayrıştığı bu çıktıda yoktur.

Araştırma sorusu: Yaş sabit tutulduğunda memnuniyet ile bağlılık birlikte cinsiyete göre farklılaşıyor mu?

Bağımlı değişkenler

memnuniyet,baglilik

Grup değişkeni

cinsiyet

Kovaryantlar

yas

Hesaplama künyesi: scipy 1.18.0 · statsmodels 0.14.6 · scikit-learn 1.9.0 · numpy 2.5.1 · pandas 3.0.5 · semopy 2.3.11 · 89fc29a · Veri tohumu: 20260914

Kıdem kovaryant olarak modele alındığında çalışma biçiminin bağlılık ve kalma niyetinden oluşan sonuç kümesi üzerindeki etkisi anlamlıydı, Wilks lambda = 0,912, F(4, 528) = 6,21, p < 0,001; kovaryantın kendisi de sonuç kümesiyle ilişkiliydi, Wilks lambda = 0,871, p < 0,001. İzlemede fark bağlılıkta belirdi, F(2, 265) = 9,84, p < 0,001, kısmi η² = 0,07, düzeltilmiş ortalamalar ofiste 3,81, hibritte 3,97 ve uzaktan 3,64; kalma niyetinde anlamlı fark bulunmadı, F(2, 265) = 2,41, p = 0,092.

APA düzenine yakın örnek cümle; sayılar temsilidir.

• Regresyon eğimlerinin homojenliği sınanmaz; modelde grup ile kovaryant etkileşimi olmadığı için eğimler gerçekten ayrışıyorsa düzeltilmiş ortalamalar yanlı olur.
• Box M yalnız bağımlı değişkenler üzerinden hesaplanır; kovaryantların gruplar arasındaki yayılım farkı bu sınamaya girmez ve çıktıda hiçbir yerde denetlenmez.
• İzleme çözümlemelerinin p değerleri sınanan sonuç sayısına göre düzeltilmez; eşiği sıkılaştırma sorumluluğu araştırmacıda kalır.
• Düzeltilmiş ortalamalar için ikili karşılaştırma yoktur; grup etkisi anlamlı çıktığında hangi grupların ayrıştığı belirlenemez.
• Sonuç kümesinin bütünü için etki büyüklüğü ve hiçbir değer için güven aralığı döndürülmez.
• Kovaryant kontrolü rastgele atamanın yerini almaz; gruplar kendiliğinden oluşmuşsa ölçülmeyen farklar modelin dışında kalır ve düzeltilmiş ortalamalar nedensel bir iddia taşımaz.

• MANOVANeden: Kontrol edilecek sürekli bir değişken yoksa ya da kovaryantın lambda değeri bire çok yakın çıktıysa; model gereksiz terim taşımadan aynı soruyu yanıtlar.
• ANCOVA (Kovaryans Analizi)Neden: Sonuç tek bir sürekli değişkense; kovaryantlı çözümleme ayrı bir başlık altında daha doğrudan okunur.
• Tek Yönlü ANOVANeden: Tek sonuç var ve kontrol edilecek bir değişken gerekmiyorsa; en yalın grup karşılaştırmasıdır.

• MANOVA
• ANCOVA (Kovaryans Analizi)
• Tek Yönlü ANOVA

Düzeltilmiş ortalamalarla betimleyici tablodaki ortalamalar neden farklı?

Betimleyici tablo verinin gözlenen halini gösterir: her grubun kendi kıdemiyle, kendi yaş dağılımıyla, kısaca olduğu gibi. Düzeltilmiş ortalamalar ise bir varsayımın sonucudur: bütün gruplar kovaryant bakımından örneklem ortalamasında olsaydı sonuç ortalaması ne olurdu sorusuna verilen kestirim. Gruplar kovaryant bakımından ayrıştığında iki değer birbirinden uzaklaşır ve uzaklığın yönü kovaryantın o gruptaki düzeyine bağlıdır: kovaryantı ortalamanın üstünde olan grubun değeri aşağı, altında olanın yukarı doğru çekilir. Panelde bu iki küme ayrı yerlerde durur; ham değerler betimleyici bölümde, düzeltilmiş değerler ilgili sonucun izleme bloğunda. Raporda hangisini verdiğinizi açıkça yazmanız gerekir.

Kovaryantın anlamlı çıkmaması ne anlama gelir?

Her kovaryant için dönen Wilks lambda ve p değeri, o kovaryantın sonuç kümesiyle ilişkili olup olmadığını söyler. p değeri büyükse kovaryant sonuçları açıklamıyor demektir; bu durumda modelde tutmanın bedeli var, kazancı ise yok. Bedel şudur: her kovaryant serbestlik derecesi harcar ve gereksiz terim kestirimleri oynaklaştırır. Böyle bir sonuçla karşılaşırsanız kovaryantı çıkarıp çözümlemeyi kovaryantsız biçimiyle yürütmek genellikle daha savunulabilir olur, ancak kovaryantı seçmenizin kuramsal bir gerekçesi varsa ve tasarım onu gerektiriyorsa kararınızı yalnız p değerine dayandırmamalısınız.

Kovaryantlar Box M testine giriyor mu?

Girmiyor. Sınama yalnız bağımlı değişkenlerin kovaryans matrisleri üzerinde yapılır; kovaryant sütunlarının gruplar arasında benzer yayılım gösterip göstermediği hiçbir yerde denetlenmez. Bu ayrımı bilmek önemli, çünkü kovaryantın varyansı bir grupta belirgin biçimde farklıysa düzeltme o grupta daha zayıf dayanaklı olur ve Box M bloğundaki iyi haber bunu yakalamaz. Kovaryant dağılımını gruplara göre görmek istiyorsanız betimsel istatistikleri grup kırılımıyla ayrıca çalıştırmanız gerekir.

Kaç sonuç ve kaç kovaryant seçmeliyim?

İkisini birlikte düşünmek gerekir, çünkü her ikisi de eksiksiz satır koşulunu sıkılaştırır: bir satırın çözümlemeye girmesi için hem bütün sonuçlarda hem bütün kovaryantlarda değer taşıması gerekir, bu yüzden listeler uzadıkça örneklem hızla erir. Kuramsal olarak birbirine bağlı iki ya da üç sonuç ile gerekçesi açık bir ya da iki kovaryant çoğu anket tasarımı için yeterli olur. Birbiriyle yüksek ilişkili kovaryantları birlikte eklemek kestirimleri oynaklaştırır; sonuç listesine ayrım taşımayan sütunlar eklemek de çok değişkenli sınamanın duyarlılığını düşürür.

• Tabachnick, B. G., & Fidell, L. S. (2019). Using Multivariate Statistics
• Field, A. (2018). Discovering Statistics Using IBM SPSS Statistics
• Hair, J. F., Black, W. C., Babin, B. J., & Anderson, R. E. (2019). Multivariate Data Analysis
• statsmodels.multivariate.manova.MANOVA belgeleri