İstatistik Sözlüğü → Ağırlıklı Frekans
Ağırlıklı Frekansanaliz
Karmaşık örnekleme tasarımıyla toplanmış anket verisinde kategorik bir değişkenin evrendeki oranlarını ve sayılarını tasarıma uygun güven aralıklarıyla kestiren, iki kategorik değişkenin ilişkisini de tasarımı hesaba katarak sınayan analiz.
Kavram
'Öğrencilerin yüzde kaçı kahvaltı yapmadan okula geliyor?' gibi sorular anketlerin en sık yanıtladığı sorulardır. Örneklem karmaşık bir tasarımla çekildiyse, örneklemdeki ham yüzde evrendeki yüzdeyi yanlı yansıtabilir, çünkü bazı kesimler bilerek fazla ya da az temsil edilmiştir. Ağırlıklı frekans, her katılımcıyı temsil ettiği kişi sayısıyla sayar ve evrendeki oranı ile evrendeki kişi sayısını kestirir.
Oran, ağırlıklar toplamı içinde ilgili kategoriye düşenlerin payıdır: p̂ = Σ wᵢ·[kategoride] / Σ wᵢ. Standart hata tabaka ve küme yapısından hesaplanır; aynı okuldaki öğrencilerin benzer alışkanlıkları paylaşması, oranın kesinliğini basit rastgele örneklemdekinden düşük kılabilir. İki kategorik değişkenin bağımsızlığı sınanırken sıradan Pearson ki-kare testi bağımsız gözlem varsaydığı için karmaşık tasarımda fazla sık 'anlamlı' sonuç verir; Rao-Scott düzeltmesi ki-kareyi tasarım etkisine göre ayarlayarak bu sorunu giderir.
Oranlar 0'a ya da 1'e yakın olduğunda simetrik (Wald) güven aralığı 0-1 sınırının dışına taşabilir; logit dönüşümlü ya da Korn-Graubard aralıkları bu durumda daha uygundur. Alt grup oranları veriyi filtreleyerek değil, tasarım korunarak hesaplanmalıdır. Sonuç raporlanırken oranın yanında güven aralığı ve tasarım etkisi de verilmelidir.
Ne zaman kullanılır?
- Ağırlık, tabaka ve küme bilgisi içeren anket verisinde kategorik bir değişkenin evren oranlarını ya da iki kategorik değişken arasındaki ilişkiyi incelerken.
- Basit rastgele örneklemle toplanmış ağırlıksız veride sıradan frekans tabloları ve Pearson ki-kare testi yeterlidir.
- Sürekli bir değişkenin ortalaması için ağırlıklı ortalama, bir olayın olasılığını birden fazla yordayıcıyla ilişkilendirmek için ağırlıklı lojistik regresyon kullanılır.
Gündelik bir örnek
İl genelindeki ortaokul anketi, kentsel ve kırsal tabakalardan seçilmiş okullardaki 2000 öğrenciye 'Bu sabah kahvaltı yaptın mı?' diye soruyor. Ham veride öğrencilerin %22'si 'hayır' demiş olabilir; ama ağırlıklar uygulandığında ildeki tüm ortaokul öğrencileri için oran %25 çıkabilir, çünkü kahvaltı atlamanın daha yaygın olduğu kalabalık kentsel okulların payı evrende daha büyüktür. Analiz bu oranı tasarıma uygun bir güven aralığıyla verir ve kahvaltı atlamanın kızlarla erkekler arasında farklı olup olmadığını Rao-Scott testiyle sınar.
MerQur'da parametreler
Ağırlık (zorunlu)
Kavram: Örnekleme ağırlığı, bir katılımcının evrende kaç kişiyi temsil ettiğini gösterir ve seçilme olasılığının tersidir. Oran hesaplanırken her katılımcı tek kişi olarak değil, ağırlığı kadar kişi olarak sayılır.
Gündelik örnek: Kahvaltı yapmadığını söyleyen kentsel bir öğrencinin ağırlığı 200 ise bu yanıt, ildeki benzer 200 öğrencinin de kahvaltı yapmadığı biçiminde hesaba girer. Ağırlıkların hepsi iki katına çıkarılsa oran değişmez, yalnız tahmini öğrenci sayıları iki katına çıkar.
Ne işe yarar: Örnekleme ağırlığı (seçilme olasılığının tersi; varsa yanıtsızlık veya kalibrasyon düzeltmeli son ağırlık). Oranlar ağırlıklı, SE Taylor doğrusallaştırmasıyla hesaplanır.
Sonuca etkisi: Oranlar ve SE; ağırlık ölçeği oranı değiştirmez, ağırlıklı frekansı değiştirir.
Doğrulama verisinde: IceCream Group oranı: ağırlıksız (SRS) 0.575, tabakalı ağırlıkla 0.544555.
Tabaka
Kavram: Tabakalama, evrenin örtüşmeyen gruplara bölünüp her gruptan ayrı örneklem çekilmesidir. Tabakalar arası farklar örnekleme belirsizliğine katılmadığından, tabakalar kategorinin görülme sıklığı bakımından farklıysa oranın standart hatası küçülür.
Gündelik örnek: Kahvaltı atlama kentte kırsala göre belirgin biçimde daha yaygınsa, kent ve kırı ayrı tabaka yapmak her iki kesimin doğru oranda temsil edilmesini sağlar ve il geneli oranı daha kesin kestirir.
Ne işe yarar: Varyansı tabaka içi PSU toplamlarının sapmalarından hesaplar; tasarım serbestlik derecesi = PSU - tabaka.
Sonuca etkisi: SE, güven aralığı ve serbestlik derecesi; nokta tahmin değişmez.
Doğrulama verisinde: apistrat awards = Yes oranı: tabakasız SE 0.0360031, okul türüne göre tabakalı SE 0.0348975.
Küme / PSU
Kavram: Küme (PSU), kişilerin topluca seçildiği birimdir. Aynı kümedekiler benzer yanıtlar verme eğiliminde olduğundan etkin örneklem büyüklüğü azalır ve oranın standart hatası genellikle büyür.
Gündelik örnek: Bir okulda kahvaltı yapmama oranı, okulun giriş saati çok erken olduğu için %50'ye çıkıyorsa, bu okuldaki 40 öğrencinin yanıtları birbirinden bağımsız değildir. Küme bilgisi verilince standart hata bu benzerliği hesaba katar.
Ne işe yarar: Birincil örnekleme birimini belirler; varyans PSU toplamları üzerinden hesaplanır.
Sonuca etkisi: Küme içi benzerlik nedeniyle SE genellikle büyür; serbestlik derecesi = PSU - tabaka.
Doğrulama verisinde: apistrat stype = E oranı (kümesiz) SE 0.029125; apiclus1 (dnum kümeli) SE 0.0468026.
FPC (popülasyon)
Kavram: Sonlu evren düzeltmesi, evrenin önemli bir kısmı örnekleme alındığında varyansı (1 − n/N) ile çarparak küçültür. Örnekleme oranı küçükse etkisi ihmal edilebilir.
Gündelik örnek: Kırsal tabakadaki 30 okulun 15'i seçildiyse, o tabakadaki okulların yarısı zaten gözlenmiştir; bu tabakanın oranın varyansına katkısı buna göre azaltılır.
Ne işe yarar: Sonlu evren düzeltmesi; varyans (1 - n_h/N_h) ile çarpılır.
Sonuca etkisi: SE ve güven aralığı küçülür.
Doğrulama verisinde: apistrat awards: FPC yok SE 0.0348975, FPC ile 0.0344059; apiclus1 küme: FPC yok 0.0468026, FPC ile 0.0463366.
Tek PSU'lu tabaka (Katkısız (certainty, varsayılan), Ortalamaya göre (adjust))
Kavram: Bir tabakada yalnız bir küme varsa, tabaka içindeki kümeler arası fark hesaplanamaz ve o tabakanın varyansa katkısı belirsiz kalır. Seçenek, bu tabakanın katkısının sıfır sayılmasını ya da tüm kümelerin ortalamasına göre daha temkinli bir katkı hesaplanmasını belirler.
Gündelik örnek: Bir ada ilçesi ayrı bir tabaka ve oradan tek bir okul seçildiyse, bu ilçenin okulları arasında kahvaltı alışkanlığının ne kadar değiştiği bilinemez. Temkinli seçenek, bu bilinmezliği standart hataya yansıtır.
Ne işe yarar: Tek PSU'lu tabakanın varyans katkısını belirler; katkısız (certainty, varsayılan) ya da ortalamaya göre (adjust).
Sonuca etkisi: Yalnız tek PSU'lu tabaka varken SE ve güven aralığı.
Doğrulama verisinde: apiclus1 (tabaka dnum, tek PSU'lu tabaka içerir): katkısız SE 0.0298242; ortalamaya göre SE 0.0298469.
Hedef Sütun
Kavram: Hedef sütun, oranları kestirilecek kategorik değişkendir. Her kategori için ayrı bir oran, standart hata, güven aralığı ve tasarım etkisi hesaplanır; oranların toplamı 1'dir.
Gündelik örnek: Soru 'Bu sabah kahvaltı yaptın mı?' yerine 'Haftada kaç gün kahvaltı yaparsın? (hiç / 1-3 gün / 4-6 gün / her gün)' biçimindeyse dört kategorinin her biri için ayrı bir il oranı elde edilir.
Ne işe yarar: Oranı hesaplanacak kategorik değişkeni seçer (ikiden çok değerli sayısal kodlu kategorik değişkenler dahil).
Sonuca etkisi: Kategori başına oran, SE, güven aralığı ve DEFF.
Doğrulama verisinde: apistrat stype = E oranı 0.713755; awards = Yes oranı 0.638936.
Alt grup (by)
Kavram: Alan (alt grup) kestirimi, kategorinin oranını evrenin bir alt kesiminde, tüm tasarım bilgisi korunarak hesaplar. Veriyi filtreleyerek yapılan alt grup analizi standart hatayı yanlış verir.
Gündelik örnek: Kahvaltı atlama oranı 5., 6., 7. ve 8. sınıflar için ayrı ayrı istenirse sınıf düzeyi alt grup olarak verilir; her sınıf düzeyinin oranı tasarıma uygun güven aralığıyla gelir.
Ne işe yarar: Alt grup içinde oranları (alan kestirimi) hesaplar.
Sonuca etkisi: Alan başına satırlar.
Doğrulama verisinde: apiclus1, sch_wide = Yes oranı: E alanı 0.916667, H alanı 0.785714.
Çapraz tablo sütunu
Kavram: Çapraz tablo, iki kategorik değişkenin birlikte dağılımını gösterir ve aralarında ilişki olup olmadığını sınar. Karmaşık tasarımda sıradan Pearson ki-karesi bağımsız gözlem varsaydığı için fazla iyimserdir; Rao-Scott ve Wald testleri tasarım etkisini hesaba katarak doğru p değeri verir.
Gündelik örnek: Kahvaltı atlamanın kızlarda %28, erkeklerde %22 olduğu görülürse, bu farkın evrende de var olup olmadığı sorulur. Rao-Scott testi, aynı okuldaki öğrencilerin benzerliğini hesaba katarak bu sorunun yanıtını verir.
Ne işe yarar: İkinci kategorik değişkenle çapraz tablo ve tasarım altında bağımsızlık testlerini (Rao-Scott birinci ve ikinci derece, Wald, ayarlı Wald) verir (Rao ve Scott, 1984).
Sonuca etkisi: Hücre oranları, satır yüzdeleri, Pearson ki-karesi, RS1, RS2 F, Wald F ve ayarlı Wald F.
Doğrulama verisinde: SIS_Survey Department x Response: Wald F 2.86135, ayarlı Wald F 2.83776. SchoolType x Response: RS2 F 2.25073, RS1 ki-kare 9.00292.
DEFF paydası (Otomatik (varsayılan; ağırlık toplamına göre), İadesiz (SPSS / R varsayılanı), İadeli (WR; R "replace" / SAS))
Kavram: Tasarım etkisi (DEFF), oranın tasarım altındaki varyansının aynı büyüklükte basit rastgele örneklemdeki varyansa oranıdır. Paydadaki basit rastgele örnekleme varyansı iadeli ya da iadesiz örnekleme varsayımıyla hesaplanabilir; bu seçim yalnız DEFF'i etkiler.
Gündelik örnek: Kahvaltı oranı için DEFF = 1,5 çıkarsa, kümeli tasarımla seçilen 2000 öğrenci, basit rastgele seçilmiş yaklaşık 1330 öğrenci kadar bilgi taşır.
Ne işe yarar: Tasarım etkisinin paydasındaki basit rastgele örnekleme varyansını seçer (ortalama analizindeki kuralla aynı).
Sonuca etkisi: Yalnız DEFF ve DEFT.
Doğrulama verisinde: apistrat iadesiz 1.05519, iadeli 1.02112. SIS_Survey iadesiz 2.26185, iadeli 2.15428.
Güven Düzeyi (%90, %95, %99, Diğer (özel))
Kavram: Oranların güven aralıklarının evrendeki gerçek oranı ne kadar güvenceyle kapsayacağını belirler. Düzey yükseldikçe aralık genişler.
Gündelik örnek: İlde kahvaltı atlayan öğrenci oranı %95 güvenle %22 ile %28 arasında bulunabilir; %99 güven istenirse aralık genişler.
Ne işe yarar: Güven aralıklarının düzeyini belirler.
Sonuca etkisi: Yalnız aralıklar.
Doğrulama verisinde: apistrat awards oranı (logit aralığı) alt sınırı: %95 0.568721, %90 0.580367, %99 0.545582.
Ek çıktılar: Ağırlıklı frekanslar (popülasyon sayıları) + SE, ağırlıksız hücre n
Kavram: Ağırlıklı frekans, bir kategoride evrende tahminen kaç kişi bulunduğunu, ağırlıksız hücre sayısı ise bu tahminin kaç gerçek katılımcıya dayandığını gösterir. Ağırlıksız sayısı çok küçük olan hücrelerin kestirimleri güvenilmezdir.
Gündelik örnek: İlde tahminen 21 000 öğrencinin kahvaltı yapmadığı bulunabilir. Bu tahmin örneklemdeki 480 öğrenciye dayanıyorsa sağlamdır; yalnız 12 öğrenciye dayanan bir alt grup tahmini ise dikkatle okunmalıdır.
Ne işe yarar: Kategori başına ağırlıklı frekans (evren sayısı), Taylor SE ve güven aralığı ile ağırlıksız hücre sayısını verir.
Sonuca etkisi: Yalnız ek tablo.
Doğrulama verisinde: apiclus1 stype = E: 4873.97, SE 1333.32.
Ek çıktılar: Ağırlıksız n ve ağırlık toplamı (N̂)
Kavram: Ağırlıksız n analizde yer alan gerçek katılımcı sayısı, ağırlık toplamı ise bu katılımcıların temsil ettiği tahmini evren büyüklüğüdür.
Gündelik örnek: Kırsal alt grupta 600 öğrenci yanıt vermiş ve ağırlıkları toplamı 18 000 ediyorsa, bu 600 öğrenci ildeki yaklaşık 18 000 kırsal ortaokul öğrencisini temsil eder.
Ne işe yarar: Alan başına geçerli ağırlıksız gözlem sayısını ve ağırlık toplamını verir.
Sonuca etkisi: Yalnız ek tablo.
Doğrulama verisinde: apiclus1 H alanı n = 14, ağırlık toplamı 473.858.
Ek çıktılar: Domainler arası farklar (kontrast)
Kavram: Alt gruplar arasında her kategorinin oran farkını, tasarıma uygun standart hatasıyla verir. Böylece iki alt grubun oranlarının gerçekten farklı olup olmadığı tek bir sınamayla görülür.
Gündelik örnek: Kahvaltı atlama oranı 8. sınıflarda 5. sınıflardan 7 yüzde puanı yüksekse, kontrast bu farkın güven aralığını verir; aralık sıfırı içermiyorsa fark evrende de var kabul edilir.
Ne işe yarar: Alan çiftleri arasında her kategorinin oran farkını verir (yalnız alt grup seçiliyken).
Sonuca etkisi: Yalnız ek tablo.
Doğrulama verisinde: apiclus1 sch_wide = Yes, E - H farkı 0.130952, p = 0.218375.
Oran GA yöntemi (Logit dönüşümlü (varsayılan; SPSS CSTABULATE), Wald (simetrik), Korn-Graubard (beta))
Kavram: Bir oranın güven aralığı farklı yollarla kurulabilir. Wald aralığı simetriktir ve oran 0'a ya da 1'e yakınken sınırların dışına taşabilir; logit dönüşümlü aralık hesabı logit ölçeğinde yapıp geri dönüştürdüğü için 0-1 içinde kalır; Korn-Graubard aralığı beta dağılımına dayanır ve çok küçük ya da çok büyük oranlarda daha temkinlidir.
Gündelik örnek: Öğrencilerin yalnız %2'si hiç kahvaltı yapmıyorsa Wald aralığı '%−0,5 ile %4,5' gibi anlamsız bir alt sınır verebilir. Logit ya da Korn-Graubard aralığı ise '%1,1 ile %3,6' gibi sıfırın üstünde kalan, asimetrik bir aralık verir.
Ne işe yarar: Oran güven aralığının kurulma biçimini seçer: logit (varsayılan, aralık 0-1 dışına taşmaz), Wald (simetrik) ya da Korn-Graubard (beta; Korn ve Graubard, 1998). Uç oranlarda logit veya Korn-Graubard önerilir.
Sonuca etkisi: Yalnız oran aralıkları.
Doğrulama verisinde: apiclus1 küme + FPC, alt sınır farkı: logit 0.0354088; Wald %95 0.0190005, Korn-Graubard 0.0296381; Wald %90 0.0292816; logit %90 0.0407295.
→ Oran için güven aralığı (Wilson, Clopper-Pearson, Agresti-Coull, Jeffreys)
2x2 tabloda odds oranı / risk oranı
Kavram: 2x2 tabloda odds oranı, bir grupta olayın olma/olmama oranının öteki gruptaki aynı orana bölümüdür; risk oranı ise iki grubun olay olasılıklarının doğrudan oranıdır. Her ikisinde de 1 değeri gruplar arasında fark olmadığını gösterir.
Gündelik örnek: Kızların %28'i, erkeklerin %22'si kahvaltı atlıyorsa risk oranı yaklaşık 1,27'dir: kızların kahvaltı atlama olasılığı erkeklerinkinin yaklaşık 1,27 katıdır. Odds oranı ise (0,28/0,72) / (0,22/0,78) ≈ 1,38 olur; olay yaygınlaştıkça iki ölçü birbirinden uzaklaşır.
Ne işe yarar: 2x2 tablolarda odds oranı (OR) ve iki risk oranını (RR1, RR2) hesaplar; güven aralığı log ölçeğinde delta yöntemiyle, exp(log +- t(ν) SE) biçiminde kurulur. Varsayılan olarak kapalıdır.
Sonuca etkisi: Yalnız ek tablo.
Doğrulama verisinde: Taylor varyansıyla apistrat, apiclus1 ve nhanes tablolarında OR, RR1, RR2 ve sınırlar verilir; apistrat sch_wide x comp_imp OR = 31.4192421306. Boş hücrede MerQur OR ile RR2'yi tanımsız bırakır, RR1 = 5.9259 hesaplanır.
Varyans yöntemi (Taylor (varsayılan), Jackknife (JK1 / JKn), BRR (dengeli yarım örneklem), Fay BRR, Bootstrap (Rao-Wu), Hazır replikasyon ağırlıkları) ve ilgili alanlar (Fay katsayısı (rho), Bootstrap replikasyon sayısı, Rastgele tohum, Replikasyon ağırlık sütunları, Replikasyon türü (JK1, JKn, BRR, Fay, bootstrap, other), Ölçek (scale), Replikasyon ölçekleri (rscales), Sapma merkezi)
Kavram: Standart hata formüle dayalı Taylor doğrusallaştırmasıyla ya da replikasyon yöntemleriyle (jackknife, dengeli yarım örneklem, bootstrap) hesaplanabilir. Replikasyon yöntemleri, tasarıma uygun alt örneklemler oluşturup oranı her birinde yeniden hesaplar ve bu oranların dağınıklığından belirsizliği türetir.
Gündelik örnek: Jackknife'ta okullar sırayla dışarıda bırakılarak kahvaltı atlama oranı yeniden hesaplanır. Bir okul çıkarıldığında oran belirgin biçimde değişiyorsa sonuç o okula duyarlıdır ve bu, daha büyük bir standart hataya yansır.
Ne işe yarar: SE'yi Taylor yerine yeniden örnekleme ile hesaplar: jackknife (JK1, JKn; FPC dahil), BRR ve Fay BRR (tabaka başına 2 PSU), Rao-Wu bootstrap ve hazır replikasyon ağırlıkları. Çapraz tablo testleri hücre oranı kovaryansını replikasyondan alır; sd = rank(W) - 1.
Sonuca etkisi: SE, güven aralığı, test istatistikleri ve serbestlik derecesi; nokta tahmin değişmez.
Doğrulama verisinde: apistrat awards = Yes oranı, JKn (200 replikasyon): p = 0.6389, SE 0.0349, %95 GA [0.5677, 0.7046]; tasarım sd = rank(W) - 1.
→ Taylor doğrusallaştırması ve yineleme (replikasyon) varyans yöntemleri
Gerçek veride örnek
Veri: California API apistrat, R survey paketi
Değişkenler: hedef awards (ödül alma), ağırlık pw, tabaka stype (okul türü)
- Soru: Tabakalı okul örnekleminde (ağırlık pw, tabaka stype) okulların yüzde kaçı ödül programına (awards) hak kazanmıştır?
- Tasarım: n = 200 okul, 3 tabaka, küme yok; tasarım df = 197; SE Taylor, güven aralığı logit dönüşümlü (t, df = 197).
- Sonuç: Ödül alan (Yes) oranı p̂ = .639 (SE = .035), %95 GA [.568, .705]; ödül almayan (No) oranı p̂ = .361 (SE = .035), %95 GA [.295, .432].
- Tasarım etkisi: DEFF = 1.09 (DEFT = 1.04); tabakalı ağırlıklı tasarım oranın varyansını basit rastgele örneklemeye göre yaklaşık %9 artırır.
- Yorum: Popülasyondaki okulların yaklaşık üçte ikisi ödüle hak kazanmıştır; logit aralığı 0-1 sınırına yakın oranlarda simetrik Wald aralığından daha uygundur.
- APA: Yes: p = .639, SE = .035, 95% CI [0.568, 0.705], DEFF = 1.09 (N = 200).
İlgili kavramlar
Birincil örneklem birimi (PSU) ve küme örneklemesiAlan (alt anakütle) tahminiTasarım etkisi (DEFF)Taylor doğrusallaştırması ve yineleme (replikasyon) varyans yöntemleriSonlu anakütle düzeltmesi (FPC)Odds oranı (OR)Örneklem ağırlığı (tasarım ağırlığı)Tabakalı örnekleme (tasarım tabakası)
Örneklerdeki sayılar MerQur'un bağımsız, kamuya açık doğrulama verileri üzerindeki çıktılarıdır; ayrıntılar için MerQur Teknik Not'a bakınız.