Sıralı Lojistik Regresyon

Sıralı lojistik regresyon, kategorileri arasında doğal bir sıra bulunan ama aralıkları eşit sayılmayan sonuçlar için kurulur: hiç memnun değilim, az memnunum, orta, memnunum, çok memnunum gibi bir beşli derece ya da düşük, orta, yüksek biçiminde üç basamaklı bir sınıflama. Böyle bir değişkeni ortalama alınabilen bir puan gibi işlemek basamaklar arasındaki mesafeyi eşit saymak anlamına gelir; kategorileri ikiye indirmek ise sıralama bilgisini harcar. Model bu ikisinin arasından geçer: sonucu her eşikte ikiye böler ve belirli bir kategorinin üstünde kalma bahsini yordayıcıların işlevi olarak yazar. Tek bir katsayı kümesi bütün eşikler için geçerli kabul edilir, eşikler ise kategori sınırlarının ölçek üzerindeki yerini verir. YouReply Nicel Analiz modeli statsmodels kütüphanesinin OrderedModel sınıfıyla kestirir; bağlantı işlevi olarak logit varsayılan gelir ve probit seçeneği de sunulur. Sonuç değişkeninin üç ile yirmi arasında kategori taşıması beklenir; yalnız iki kategori bulunduğunda motor analizi yürütmek yerine lojistik regresyona yönlendirir. Çıktıda yordayıcı başına katsayı, standart hata, z değeri, p değeri, bahis oranı ve anlamlılık bayrağı ile eşik kestirimleri, log olabilirlik, sözde R kare ve bilgi ölçütleri yer alır.

• Hizmet memnuniyeti derecesi, bekleme süresi ve çalışanla geçirilen süre arttıkça hangi yönde kayıyor?
• Gelir düzeyi ve yaş, bir ürünü satın alma niyetinin beşli derecesini yorduyor mu?
• Marka bilinirliği puanı yükseldikçe tavsiye etme derecesinin bir üst basamağa çıkma bahsi kaç kat değişiyor?
• Eğitim süresi, sınav başarısının düşük, orta ve yüksek basamakları arasındaki geçişi açıklıyor mu?

• Sonuç değişkeni sıralı kategorilerden oluştuğunda ve basamaklar arasındaki uzaklığın eşit olduğu savunulamadığında.
• Likert türü tek bir maddenin yordanması istendiğinde; birden çok madde toplanıp sürekli bir puana dönüştürülmüşse doğrusal model daha yerindedir.
• Sıralı sonucu ikiye indirmek araştırma sorusuna bilgi kaybı yaşatacaksa.
• Her kategoride, özellikle en uçtaki basamaklarda, kestirimi taşıyacak kadar gözlem bulunduğunda.

• Bağımlı değişken: sıralı kodlanmış sütun. Kategori sayısı üçten az olmamalı ve yirmiyi aşmamalıdır; kodların sayısal büyüklüğü değil sıralaması önemlidir.
• Yordayıcılar: sayısal sütunlar; parametre formunda birkaçı birlikte işaretlenebilir.
• Sıralı sonucun kodları Değişken sekmesinde değer etiketleriyle adlandırılabilir; ölçüm düzeyini sıralı olarak işaretlemek yöntem seçicide uygunluk gerekçesini doğru yazdırır.
• Kategorik bir yordayıcı kullanılacaksa önce kukla sütunlara çevrilmelidir.

Sonucun gerçekten sıralı olması

Kategoriler tek yönlü bir düzen içinde sıralanabilmelidir. Sırasız bir sonuç bu modelde zorlandığında eşikler anlamsız bir düzene oturur ve katsayılar yorumlanamaz.

Orantılı bahis (paralel doğrular)

Modelin temel koşulu, bir yordayıcının etkisinin bütün eşiklerde aynı olmasıdır: ikinci basamaktan üçüncüye geçişte geçerli olan katsayı, dördüncüden beşinciye geçişte de geçerli sayılır. Koşul bozulduğunda tek bir bahis oranı farklı eşiklerdeki farklı etkilerin ortalamasına dönüşür ve yanıltıcı olur.

Gözlemlerin birbirinden bağımsızlığı

Her satır ayrı bir yanıtlayıcıya ait olmalıdır. Aynı kişiden farklı zamanlarda alınmış dereceler ya da aynı sınıftan toplanmış kümelenmiş yanıtlar standart hataları olduğundan küçük gösterir.

Yordayıcıların birbirini yinelememesi

Neredeyse aynı bilgiyi taşıyan iki yordayıcı katsayıları kararsızlaştırır; bahis oranları şişer ve işaretleri beklenmedik yönde dönebilir.

Kategori başına yeterli gözlem

Eşikler, komşu kategorilerin sınırından kestirilir. Bir basamak yalnız birkaç kez işaretlenmişse o basamağın eşiği çok geniş bir belirsizlikle gelir ve modelin bütünü kararsızlaşır.

• Sonucun gerçekten sıralı olması: Motor sonuç sütununda üç ile yirmi arası kategori arar ve bu aralığın dışında analizi durdurur; iki kategori bulduğunda lojistik regresyona yönlendiren bir ileti verir. Kategorilerin sıralamasının kuramsal olarak doğru olup olmadığı denetlenmez, yalnız kodların büyüklük sırası kullanılır.
• Orantılı bahis (paralel doğrular): Bu varsayım için hiçbir sınama yapılmaz: Brant sınaması ya da eşik başına ayrı katsayı kestiren bir karşılaştırma modeli döndürülmez ve paralellik bozulduğunda uyarı çıkmaz. Kuşkuyu gidermenin panel içindeki yolu, sonucu farklı eşiklerden ikiye bölüp her bölme için lojistik regresyon çalıştırmak ve katsayıların birbirine yakın kalıp kalmadığını kendiniz karşılaştırmaktır.
• Gözlemlerin birbirinden bağımsızlığı: Panel bu varsayımı otomatik denetlemez; değerlendirme araştırmacıya aittir.
• Yordayıcıların birbirini yinelememesi: Panel bu yöntemde hiçbir tanı hesabı yapmaz: çoklu bağlantı için VIF ya da tolerans üretilmez, artıklar incelenmez ve etkili gözlem ölçütleri döndürülmez. Yordayıcılar arasındaki örtüşmeyi korelasyon yöntemleriyle önceden incelemek araştırmacıya kalır.
• Kategori başına yeterli gözlem: Kategori sıklıkları bir yeterlilik ölçütüne vurulmaz ve seyrek basamaklar için uyarı üretilmez. Sonuç değişkeninin dağılımını Veri sekmesinde görüp çok seyrek basamakları komşusuyla birleştirme kararını kendiniz vermeniz gerekir.

1. 1Veri dosyanızı panele sürükleyip bırakın; CSV ve XLSX kabul edilir.
2. 2Değişken sekmesinde sıralı sonucu işaretleyin: ölçüm düzeyini sıralı seçin, kodlara değer etiketi verin ve basamakların sıralamasının kodların büyüklük sırasıyla örtüştüğünü doğrulayın.
3. 3Sonuç sütununda 'fikrim yok' gibi sıraya girmeyen bir kod varsa bunu eksik değer olarak tanımlayın; yoksa kategori sayısını şişirir ve sıralamayı bozar.
4. 4Analiz sekmesinde yöntemi seçin. 'Yalnız verime uyanlar' anahtarı açıkken üç ile yirmi arası kategorili bir sütunu bulunmayan veri kümelerinde yöntem soluk görünür ve gerekçesi okunur.
5. 5Parametre formunda sonuç değişkeni ile yordayıcıları işaretleyin; bağlantı işlevini logit olarak bırakabilir ya da probit seçebilirsiniz.
6. 6Analizi çalıştırın. Sonuç katlanabilir bölümler hâlinde açılır: yordayıcı tablosu, eşikler ve uyum ölçüleri. Bu yöntemde grafik üretilmez; tabloları Excel olarak indirebilir, koşuyu Geçmiş sekmesinden yeniden açabilirsiniz.

Katsayılar ve standart hataları

Logit ölçeğindeki ham katsayılar ile kestirimin kesinliğini veren standart hatalar. Olumlu işaretli bir katsayı, yordayıcı büyüdükçe sonucun daha üst basamaklara kaydığını gösterir.

z değeri ve p değeri

Her yordayıcı için katsayının standart hatasına oranı ve buna karşılık gelen anlamlılık değeri. Bahis oranının birden ayrıştığı savı bu p değeriyle sınanır.

Bahis oranı

Katsayının üstel hâli. Yordayıcıda bir birimlik artışın, sonucun herhangi bir eşiğin üzerinde kalma bahsini kaç katına çıkardığını verir ve bu kat bütün eşikler için aynı kabul edilir.

Anlamlılık bayrağı

Her yordayıcı için 0,05 düzeyine göre konulan işaret. Eşik sabit olduğundan daha sıkı bir düzeyle çalışmak istiyorsanız p değerini doğrudan okumanız gerekir.

Eşik kestirimleri

Komşu kategorileri birbirinden ayıran kesme noktaları. Sıralarının bozulmamış olması modelin tutarlı kestirildiğinin göstergesidir; iki eşiğin birbirine çok yakın çıkması o iki basamağın yanıtlayıcılar tarafından ayırt edilmediğine işaret eder.

Sözde R kare

Log olabilirlikteki iyileşmeye dayanan McFadden türünden uyum göstergesi. Doğrusal regresyonun R karesiyle aynı ölçekte okunmaz ve yanıt dereceleri arasındaki gürültü nedeniyle anket verisinde düşük değerler olağandır.

Log olabilirlik, AIC ve BIC

Kestirimin ulaştığı olabilirlik ile aynı veri üzerinde kurulmuş yordayıcı kümelerini karşılaştırmaya yarayan iki bilgi ölçütü. Küçük olan model daha ekonomik sayılır.

Gözlem sayısı

Modele giren satır sayısı. Eksik yanıt taşıyan satırlar dışarıda kaldığı için bu sayı dosyanızdaki satır sayısından küçük olabilir.

Bahis oranı

Bu modelde bahis oranı, sonucun bir eşiğin üzerinde kalma bahsinin kaçla çarpıldığını söyler. 1,40 bahsin yüzde 40 büyüdüğü, 0,70 yaklaşık üçte bir küçüldüğü anlamına gelir. Değerin bütün eşiklerde geçerli sayıldığını unutmamak gerekir: orantılı bahis koşulu bozuksa bu tek sayı farklı eşiklerdeki ayrışan etkilerin örtüsü hâline gelir.

Sözde R kare

Modelin olabilirliği boş modele göre ne kadar iyileştirdiğini özetler. Sıralı sonuçlarda 0,10 dolayındaki değerler bile kullanılabilir bir model ile uyumludur; bu sayıyı açıklanan varyans yüzdesi gibi aktarmak yaygın bir yanlıştır.

Bu yöntemde katsayılar, bahis oranları ve eşikler için güven aralığı döndürülmez; tabloda nokta tahminler, standart hatalar, z ve p değerleri bulunur. Sözde R kare de aralıksız verilir. Yüzde 95 aralık yayın için gerekiyorsa katsayı ile standart hatadan yararlanarak panel dışında hesaplanması gerekir; bahis oranının aralığı da katsayı ölçeğinde kurulup sonra üstel hâle getirilir. Aralık yokluğunun pratik sonucu, birbirine yakın iki bahis oranının gerçekten ayrışıp ayrışmadığının çıktıdan okunamamasıdır.

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

Araştırma sorusu

Temsili bir müşteri deneyimi araştırmasında, bekleme süresi ve çalışanla geçirilen süre hizmet memnuniyetinin beşli derecesini nasıl etkiliyor?

Değişkenler

Bağımlı değişken: hizmet memnuniyeti (1 = hiç memnun değilim, 5 = çok memnunum) · Yordayıcı 1: sırada beklenen süre (dakika) · Yordayıcı 2: çalışanla geçirilen süre (dakika)

Örnek sonuç

n = 612 yanıtlayıcıyla kurulan logit modelinde bekleme süresi için katsayı -0,09 (standart hata 0,02, z = -4,50, p < 0,001, bahis oranı 0,91) ve çalışanla geçirilen süre için 0,14 (standart hata 0,04, z = 3,50, p < 0,001, bahis oranı 1,15). Eşikler -2,31, -0,84, 0,62 ve 2,07 olarak kestirildi. Sözde R kare 0,11, log olabilirlik -812,4, AIC 1636,8, BIC 1663,3.

Yorum

Sırada beklenen her ek dakika, memnuniyetin daha üst bir basamakta olma bahsini 0,91 katına indiriyor; çalışanla geçirilen her ek dakika ise bu bahsi 1,15 katına çıkarıyor. İki etkinin yönü beklendiği gibi karşıt ve ikisi de 0,001 düzeyinde anlamlı. Eşiklerin sırası bozulmamış ve aralarındaki açıklıklar benzer, yani beş basamak yanıtlayıcılar tarafından ayırt edilmiş görünüyor. Sözde R kare 0,11 ile düşük: iki süre değişkeni memnuniyetin yalnız bir parçasını açıklıyor. Bu çıktı orantılı bahis koşulunun sağlandığını göstermez, çünkü panel o koşulu sınamaz; aynı zamanda aralık verilmediği için 0,91 ile 1,15 değerlerinin kesinliği hakkında standart hatalar dışında bilgi yoktur.

Araştırma sorusu: Beşli memnuniyet düzeyinde bir üst kademeye çıkma olasılığını hizmet ve fiyat puanı yorduyor mu?

Bağımlı değişken

memnuniyet_duzeyi

Bağımsız değişkenler

hizmet_puani,fiyat_puani

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

Sıralı lojistik regresyonda memnuniyet derecesini bekleme süresi (OR = 0,91, p < 0,001) ve çalışanla geçirilen süre (OR = 1,15, p < 0,001) yordadı; sözde R kare = 0,11 (n = 612).

APA düzenine yakın örnek cümle; sayılar temsilidir.

• Orantılı bahis koşulu için hiçbir sınama döndürülmediğinden, tek bir bahis oranı bildirmenin doğru olup olmadığı panelden öğrenilemez.
• Katsayılar, bahis oranları ve eşikler aralıksız raporlanır; yayınların beklediği yüzde 95 aralık başka bir araçta kurulmak zorundadır.
• Regresyon tanıları hesaplanmaz: çoklu bağlantı ölçüsü, artık incelemesi ve etkili gözlem ölçütleri bulunmaz.
• Sonuç değişkeni iki kategoriye indiğinde model çalıştırılamaz; yirmiden çok kategori taşıyan sütunlar da kabul edilmez.
• Seyrek işaretlenen basamaklar eşik kestirimlerini kararsızlaştırır ve panel böyle bir dağılımda uyarı vermez.
• Kategorik yordayıcılar kendiliğinden kukla sütunlara çevrilmez; çevirim yapılmadan seçilen sütunlar yanlış yorumlanmış sayısal etkiler üretir.

• Lojistik RegresyonNeden: Sonuç yalnız iki basamağa indirilebiliyorsa ya da orantılı bahis koşulu eşikler arasında açıkça bozuluyorsa; her eşiği ayrı ayrı modelleme olanağı verir.
• Çok Sınıflı Lojistik RegresyonNeden: Kategoriler arasındaki sıra kuşkuluysa; sıralama bilgisinden vazgeçip her kategoriyi ölçüte göre ayrı karşılaştırır.
• Doğrusal Regresyon (OLS)Neden: Birden çok sıralı madde toplanarak sürekli bir ölçek puanına dönüştürüldüyse; katsayılar puanın kendi biriminde okunur.
• Spearman Sıra KorelasyonuNeden: Soru yordama değil yalnız sıralı iki değişken arasındaki birlikte değişimin gücüyse; tek bir katsayıyla daha sade yanıt verir.

• Lojistik Regresyon
• Çok Sınıflı Lojistik Regresyon
• Doğrusal Regresyon (OLS)

Orantılı bahis koşulundan kuşkuluyum, panelde ne yapabilirim?

Panel bu koşulu sınamadığı için kuşkuyu elle gidermeniz gerekir. Uygulanabilir yol şudur: sıralı sonucu her eşikten ayrı ayrı ikiye bölerek kukla sütunlar üretin, her bölme için lojistik regresyon çalıştırın ve aynı yordayıcının katsayılarını bölmeler arasında karşılaştırın. Katsayılar birbirine yakın ve aynı işaretteyse tek bir bahis oranı bildirmek savunulabilir. Bir eşikte belirgin biçimde ayrışıyorsa iki seçeneğiniz olur: sonucu kuramsal olarak anlamlı bir yerden ikiye indirip lojistik regresyonla yürümek ya da sıralamadan vazgeçip çok sınıflı modele geçmek. Yayında hangi yolu seçtiğinizi ve paralelliği nasıl değerlendirdiğinizi yazmanız beklenir.

Eşikleri nasıl okurum ve neden bu kadar çok var?

Eşik sayısı kategori sayısından bir eksiktir: beş basamaklı bir sonuçta dört eşik kestirilir, çünkü her eşik komşu iki basamağın sınırını işaretler. Bu sayılar logit ölçeğinde gizli bir süreklinin kesme noktaları gibi düşünülür ve tek başına yorumlanmaları alışılmış değildir. Yararlı oldukları iki nokta vardır. Birincisi sıraları: eşikler artan düzende gelmelidir, bu düzen bozulursa kestirim güvenilmez demektir. İkincisi aralarındaki açıklık: iki eşik birbirine çok yakınsa o iki basamak yanıtlayıcılar için pratikte aynı anlama gelmiş olabilir ve ölçeği kısaltmayı düşündürür.

Beşli Likert maddesini sürekli sayıp doğrusal regresyon kurabilir miyim?

Alan yazında bu tartışmalıdır ve yanıt kaç maddeyle çalıştığınıza bağlıdır. Tek bir Likert maddesinde basamaklar arasındaki uzaklığın eşit olduğunu varsaymak güçtür, dağılım genellikle çarpıktır ve doğrusal model ölçek dışına düşen öngörüler üretebilir; bu durumda sıralı model daha uygundur. Buna karşılık aynı yapıyı ölçen altı ya da sekiz madde toplanıp tek bir puana dönüştürüldüğünde elde edilen değişken pratikte sürekli davranır ve doğrusal regresyon hem yorumu hem tanıları bakımından daha elverişli olur. Karar verirken basamak sayısına da bakın: yedi ve üzeri basamakta doğrusal yaklaşımın yanlılığı belirgin biçimde azalır.

Bahis oranı 0,91 çıktı, bunu yüzdeyle nasıl anlatırım?

Birin altındaki bir bahis oranını yüzdeye çevirmek için birden çıkarıp yüzle çarpmak yeterlidir: 0,91 değeri bahiste yaklaşık yüzde 9 azalma demektir. Bu azalmanın bahiste olduğunu, olasılıkta olmadığını vurgulamanız gerekir; ayrıca değer bir birim artış için geçerlidir, bu yüzden dakika gibi küçük birimlerde etkiyi on dakika üzerinden anlatmak daha anlaşılır olur ve bunun için bahis oranının onuncu kuvveti alınır. Sonuç cümlesinde hangi yönde okuduğunuzu açıkça yazın, çünkü model sonucun üst basamaklarda kalma bahsini modellemektedir.

• Agresti, A. (2013). Categorical Data Analysis
• Field, A. (2018). Discovering Statistics Using IBM SPSS Statistics
• Tabachnick, B. G., & Fidell, L. S. (2019). Using Multivariate Statistics
• statsmodels OrderedModel belgeleri