Ayrımsama sorunu için önerilen çok değişkenli istatistiksel yöntemler, kişilerin kan bağışı hakkında bilgi, tutum ve davranışları ile ilgili, değişkenlerin lojistik regresyon yöntemi ile değerlendirilmesi
Citation
Akkuş, Z. (2001). Ayrımsama sorunu için önerilen çok değişkenli istatistiksel yöntemler, kişilerin kan bağışı hakkında bilgi, tutum ve davranışları ile ilgili, değişkenlerin lojistik regresyon yöntemi ile değerlendirilmesi. Doktora tezi, Dicle Üniversitesi, Diyarbakır.Abstract
Ayrımsama Sorunu İçin Önerilen Çok Değişkenli İstatistiksel Yöntemler, Kişilerin Kan Bağışı Hakkında Bilgi, Tutum Ve Davranıştan İle İlgili, Değişkenlerin Lojistik Regresyon Yöntemi İle Değerlendirilmesi Bu çalışmanın amacı günümüzde sağlık alanında araştırıcıların sıkça karşılaştıkları ayrımsama sorununa önerilen çok değişkenli istatistik yöntemleri incelemek ve son yıllarda önerilen lojistik regresyon yöntemi ile ilgili bir uygulama yapmaktır. Bu nedenle, çalışmamızda ayrımsama sorunu için önerilen çok değişkenli istatistik yöntemler arasında fark ve benzerlikler gösterilmiştir. Sağlık alanı araştırıcılarının ilgili yöntemleri kendi verilerinde doğru bir şekilde uygulanabilmesi için gerekli bilgiler verilmiştir. Lojistik Regresyon Yöntemi, bağımlı değişkenin ikili (binary) ya da ikiden çok düzey içeren (polychotomous) kesikli değişken olması durumunda normallik varsayımının bozulması nedeniyle doğrusal regresyon çözümlemesine alternatif olmakla beraber, sınıflandırma çözümlemesinde başarılı sonuçlar vermektedir. Araştırmamızda kişilerin kan bağışı hakkında bilgi, tutum ve davranışları ile ilgili değişkenler çok değişkenli lojistik regresyon yöntemi ile değerlendirildi. Lojistik regresyon çözümlemesi, iki aşamada gerçekleştirildi. Birincisi, tüm değişkenlerin modele alındığı durum, ikincisi ise geriye doğru seçim çözümlemesidir. Birinci çözümlemede, denklemde yedi değişken tutulmuş ve doğru sınıflandırma oranı %89.00 olarak bulunmuştur. Geriye doğru seçim çözümlemesinde ise, üç değişken denklemde yer almış, buna ilişkin doğru sınıflandırma oranı %86.6 olarak belirlenmiştir. Sonuç olarak ; lojistik regresyon, klinik uygulamalarda elde edilen değişkenlerin her zaman süreklilik göstermemesi ve yöntemin bu değişkenlerle çözümleme yapabilmesi nedeniyle son yıllarda önemini arttırmaktadır. Multivariate Statistical Methods Recommended For The Discrimination Problem, Evaluation Of Variables Such As Knowledge, Attitude Behaviour Of individuals Over The Blood Donation With Logistic Regression Method The aim of this study is to investigate multi-variate statistical methods recommended for the discrimination problem that the researchers in the field of health frequently encounter nowadays, and to carry out an application of logistic regression method that has been suggested in recent years. To that end, We first tried to to show differences and similarities between multivariate statistical methods suggested for the discrimination problem. Later the necessary information was presented so that the researchers in the field of health could apply the related methods accurately in their data. Logistic regression method produces successful results in the classification analysis although it is considered an alternative to linear regression analysis due to distortion of normality hypothesis in the event that dependent variable is a discontinuous one that involves binary or polychotomous plairs. In the study, the variables such as knowledge, attitude and behaviour of individuals over the blood donation were evaluated by muli-variate regression method. Logistic regression analysis was performed in two stages; first, the situation when all variables were taken into the model; second, backward elimination analysis. In the first analysis, seven variables were retained in the equation, and the accurate classification rate was found to be 89.00 %. In the backward elimination analysis, however, three variables were retained in the equation, and the accurate classification rate involved was determined to be 86.6 %. In conlusion, the importance of logistic regression method has been growing in recent years due to the fact that the variables obtained in clinical applications do not exhibit continuity and that this method can perform analyses with those variables.