library(dplyr)
## 
## Attaching package: 'dplyr'
## The following objects are masked from 'package:stats':
## 
##     filter, lag
## The following objects are masked from 'package:base':
## 
##     intersect, setdiff, setequal, union
library(ggpubr)
## Loading required package: ggplot2
library(sjlabelled)
## 
## Attaching package: 'sjlabelled'
## The following object is masked from 'package:ggplot2':
## 
##     as_label
## The following object is masked from 'package:dplyr':
## 
##     as_label
library(haven)
## 
## Attaching package: 'haven'
## The following objects are masked from 'package:sjlabelled':
## 
##     as_factor, read_sas, read_spss, read_stata, write_sas, zap_labels
library(tidyr)
library(ggplot2)
library(openintro)
## Loading required package: airports
## Loading required package: cherryblossom
## Loading required package: usdata

Ogrenme Gunlugum

Proje On Hazırlığı (Literatür ve Veri Keşfi)

Makalenin Kunyesi: Liu, Y., & Wang, J. (2022). The mediating–moderating model of inquiry-based learning and science self-efficacy: evidence from PISA 2015. International Journal of Science Education, 44(7), 1096–1119. https://doi.org/10.1080/09500693.2022.2067364

mediating: aracı moderating: düzenleyici

Hipotez: “Ogretmen desteği,sorgulama temelli öğrenmenin fen öz yeterliliği üzerindeki doğrudan ve dolaylı etkisini olumlu yönde etkiler.”

Odaklanılan Noktalar: Yazarlar hangi değişkenleri (Inquiry-based learning, Self-efficacy, vb.) kullanmıs? Degiskenler: fen ozyeterliligi (SCIEEFF): Bagımlı degisken (Y) sorgulama temelli bilim öğretimi ve öğrenme uygulamaları(IBTEACH):Bagımsız degisken(X) Fen ilgisi (INTBRSCI): aracı degisken (Z) Fen derslerinde öğretmen desteği (TEACHSUP): moderator(duzenleyici) degisken(D)

Demografik değiskenler; cinsiyet (erkekler 1, kadınlar 2 ) ve fen derslerindeki disiplin ortamı (DISCLISCI) da kontrol degiskeni olarak kullanılmıstır.

__ Araştırma soruları:__

1-Sorgulama temelli öğrenme ve fen öz yeterliliği arasındaki ilişki ile fene ilgi arasında nasıl bir ilişki vardır?(aracı d.) 2-Bu ilişkide öğretmen desteğinin duzenleyici rolu nedir?(moderator d.)

“Teorik Mediating-Moderating Model”

“Teorik Aracı Model”

Bilimsel ilginin aracı rol oynadığı sorgulamaya dayalı öğrenmenin bilimsel öz yeterlilik üzerindeki toplam etkisi, hem Denklem 2’deki doğrudan etkiyi (Yol C) hem de bilimsel ilgi yoluyla dolaylı etkiyi (Yol A→B) içermektedir.

Denklem 3’te bilimsel ilginin aracı rolüyle sorgulamaya dayalı öğrenmenin bilimsel öz yeterlilik üzerindeki toplam etkisi istatistiksel olarak anlamlıdır (B = 0,194, p < 0,001), Denklem 2’deki doğrudan etki de anlamlıdır (B = 0,155, p < 0,001). Dolaylı etkiyi oluşturan Yol A (B = 0,153, p < 0,001) ve Yol B (B = 0,255, p < 0,001) de katsayıları anlamlı olduğu için var oldukları kanıtlanmıştır.

Sorgulamaya dayalı öğrenmenin bilimsel oz yeterlilik üzerindeki üç etki türünün her biri %95 güven aralığında sıfırın üzerindedir ve kısmi aracılığın varlığının gostergesidir. Korelasyon etki büyüklükleri için ölçütlere göre, 0,10 ile 0,25 arasındaki değerleri orta etki büyüklükleri olarak etiketleyen (Bosco vd., 2015), doğrudan etki orta(0,155), dolaylı etki kucuk (0,039) ve toplam etki orta (0,194) etkidedir. Dogrudan etki toplam etkinin %80’ini ve dolaylı etki toplam etkinin %20,1’ini oluşturmaktadır.

Arastırma Sonucları:

  1. Sorgulamaya dayalı ogrenme arttıkca Fen ozyeterliligi artmaktadır. Aralarında pozitif bir korelasyon vardır.

  2. Fen ilgisi, sorgulamaya dayalı öğrenme ilefen oz yeterliliği arasındaki ilişkiye kısmen aracılık etmekte ve dolaylı etkinin toplam etkinin %20,1’ini oluşturmaktadır.

  3. Oğretmen desteği, doğrudan etkiyi olumlu yönde, dolaylı etkiyi ise olumsuz yönde etkilemektedir.

Teorik pekistirme ve Porje On Hazırlıgı

ODEV V dosyası iceriginde yer alan IMS_Tutorials- 03 Model kaynagı uzerinde yapılan calısmalar dikkatli olarak incelenmistir. Bu bolume ait notlarımı tekrar guncelleyecegim.

Veri analizi degiskenler arasındaki iliskiyi anlamak, veriyi kesfetmek, karsılastırmalar yapabilmek acısından onemlidir. Bu kaynakta iki numerik degisken arasındaki iliskiyi nasıl tarif edebilecegimiz konusu ele alınmıstır. Degiskenler arasındaki iliskiler basit dogrusal regresyon modeli ile ozet istatistiklerle, grafiksel olarak incelenmistir. Uyum, gorsellestirme ve modeller arası yorumlar gibi cıktılar elde edilebilmektedir. Gorsellestirme, olcum, iki degiskenli iliskileri karakterize etmek, basit dogrusal regresyon modellerinde Uyum, yorumlama ve degerlendirme ** olcum ve model-fit uyumu ** bir regresyon modelinde aykırı degerlerin etkilerini belrileme ve cozum uretme ** R’da dogrusal regresyon hesabı ** model tahminlerini gorsellestirme **

#1- İki degiskenli gorsellestirme iki degiskenl iliskileri grafiksel olarak kesfetme iki degiskenli iliskileri karakterize etme sacılım grafgi olusturma ve yorumlama donusumleri yorumlama *uc degerleri belirleme

#2- Korelasyon lineer iliskinin gucunu olcme Pearson moment korelasyonu hesaplama sahte korelasyonları belirleme

#3- Basit lineer regresyon en iyi uyum gosteren dogru olarak basit lineer model gorsellestrme basit lineer regresyon kavramsallastırma basit lineer regresyonda uyum ve tanımlama

İki degiskenli analiz

X ve Y olarak belirtilen iki degiskenin aralarındaki ampirik iliskiyi belirlemek amaclı, istatistiksel analizin en basit formullerinden birisidir. İki degiskenli analiz, basit iliski hipotezlerini test etmede faydalıdır. Bagımsız degiskenin degerini bildigimizde bagımlı degiskenin degerini tahmin etmeyi kolaylastırmaktadır. İki degiskenli analiz, yalnızca tek bir degiskenin analiz edildigi tek degiskenli analizle karsılastırılabilir.

İki degiskenli regresyon

regresyon, bir yada daha fazla degiskendeki varyasyonun ne kadarının diger degiskenle tahmin edilebildigini ya da acıklanabildigini kesfetmeye yardımcı istatistiksel bir yontemdir. İki degiskenli regresyon bir data setindeki iki degisken arasındaki ilskiyi tanımlayan en uygun dogruyu temsil eden denklemi belirlemeyi amaclar. Regresyonla elde edilen bu denklem ile bagımlı degiskenin degerleri tahmin edilebilir. regresyon ile denklem turetilebilir ve korelasyon katsayısı elde edilebilir.

Basit dogrusal regresyon

bagımlı bir degisken ile bagımsız bir degisken arasındaki dogrusal iliskide kullanılan istatistiksel bir metodtur. Varsayımları; degiskenler arasında dogrusal bir iliski vardır ve uc degerlere duyarlıdır. regresyon denkleminden elde edilen degerler ile bagımlı degiskenin gercek gozlemlenen degeri arasındaki farkı en aza indirmek icin genellikle duz bir cizgi olarak gosterilen denklem en iyi eslesen denklemdir.

Basit dogrusal Regresyon denklemi \(y=mx + b\)

x=bagımsız degisken (yordayıcı) y= bagımlı degisken(yordanan) m= dogrunun egimi b=y-kesisim noktası

En Kucuk Kareler Regresyon dogrusu(LSRL)

Bagımsız degisken yeni degerler aldıgında bagımlı degiskenin degerini tahmin etmekte bir arac olan en kucuk kareler regresyon dogrusu iki degisken arasındaki iliskiyi modellemek icin basit dogrusal regresyonda kullanılan bir yontemdir. Bagımlı degiskenin Gozlemlenen her bir degerine karsılık gelen tahmin edilen y degeri arasındaki kare dikey mesafelerin toplamını en aza indirmek amactır.

İki degiskenli korelasyon

İki degiskenin dogrusal olarak birlikte degisip degismedigini olcer. Kovaryansın, kullanılan olcege ya da olcum duzeyine baglı olması nedeniyle yorumlanması zor olabilir. Bu nedenle kovaryans iki degiskenin standart sapmalarının carpımına bolunerek standartlastırılır ve Pearson korelasyon katsayısı elde edilir. pearson korelasyon katsayısı her iki degiskenin de aralık ya da oran olceginde oldugu olcumlerde kullanılır. degiskenler aralık ya da oran olceginde degilse ya da normal dagılmıyorsa spearman/Kendall’s tau, nokta çift serili korelasyon, ki- kare gibi Diger korelasyon katsayıları kullanılmaktadır. Pearson korelasyon katsayısı; 0-1 aralıgında ise; pozitif korelasyonu gostermekte ve bir degisken degistiginde diger degiskenin de aynı yonde degistigi seklinde yorumlanır. Kosu zamanı arttıkca yakılan kalorinin artması gibi orneklendirilebilir. 0 ise; degiskenler arasında korelasyon yoktur. Cay icme oranı ile kivi fiyatı gibi 0-(-1) ise; degiskenler arasında negatif korelasyon bulunmaktadır. Yakılan kalori arttıkca kilonun azalması gibi orneklendirilebilir.

*** Korelasyonda uc onemli durum; Uc degerler korelasyonu etkiler. Orneklemin buyuk olması istatistiksel olarak anlamlı ancak pratikte az/onemsiz korelasyonlara sebep olabilir. Yalnızca korelasyon analizi ile neden sonuc iliskisi kurulamaz.

Bagımlı degisken;;

kategorik( tercih edilen gevrek markası), logit regresyonu kullanılabilir. Her iki degisken de sıralı ise sıralama korelasyon katsayısı; sadece bagımlı degisken sıralama olceginde ise sıralı probit yada sıralı logit; bagımlı degisken surekli ise (sıcaklık-gelir) basit regresyon, her iki degisken de zaman serisi ise nedensellik test edilebilir ve degiskenler arasındaki zamansal baglantıları incelemek icin vektör otoregresyonu kullanılabilir.

Bagımlı degisken yoksa;;

degiskenlerin bagımlı olmadıgı durumlarda regresyon uygun degildir, korelasyon analizi uygun olabilir.

İki degiskenli analiz icin uygun grafikler:

degiskenin turune gore; İki surrekli degisken icin; sacılım grafigi biri kategorik ve biri surekli ise boxplot her iki degsken de kategorikse mozaik grafigi

#scatterplot sacılım grafigi/sacılım diyagramı gibi farklı isimlerle de anılan bu grafik, koordinatlarla, bir veri setndeki iki degiskenin degerlerini gostermek icin kullanılan bir grafik cesididir. Grafikteki noktaların boyutu, golgelendirmesi, rengi kodlanarak bir eklemeli degisken gosterilebilir. Veriler, degiskenlerden biri yatay ve digeri dikey eksende yer alacak sekilde noktalar kumesi seklinde goruntulenir. #scatterplot tarihcesi: sacılım grafiklerinin cizgi grafiginden belirgin sekilde ayırt edici ozelligi,Michael Friendly ve Daniel Denis tarafından, bir degiskenin x ekseninde diger degiskenin y ekseninde yerlestirilerek iki degiskenli verilerin belirli gozlemlerinin temsil edilmesidir. Bir hedefe/cografyaya/gokyuzune isabet eden mermilerin dagılımı gibi fiziksel bir temsilden ozetlenir. Edmund Halley sıcaklık ve basıncın iki degiskenli grafigini 1686da olusturdugunda, iliskiyi gostermek icin kullanılan belirli veri noktalarını ihmal etti. Friendly ve Denis, Halleyin gorsellestirmesinin gercek sacılım grafiginden farklı oldugunu iddia eder. Friendly ve Denis ilk sacılım grafigini Herschel’e atfederler. 1833’te, Herschel, Virgo takımyıldızındaki merkezi yıldız ile Gama Virgins takımyıldızındaki merkezi yıldız arasındaki acıyı zaman icinde nasıl degistirdigini bulmak icin matematiksel olarak degil serbest el cizimi ve insan degerlendirmesi ile grafik uzerinde inceledi.Sir Francis Galton, bilimsel bir temele oturması amacıyla dagılım grafigini ve diger bircok istatistiksel aracı genisletti ve yaygınlastırdı. 1886’da, Galton anne baba ve cocukların boylarının korelasyon elipsini ve dagılım grafigini yayımladı. Herschel’in veri noktalarını basitce cizme yontemini bitisik hucreleri gruplandırıp ortalamalarını alarak daha duzgun bir gorsellestirme olacak sekilde genisletti. Pearson, Fischer ve diger istatistikciler Galton’un calısmalarını temel alarak korelasyon formulleri ve anlamlılık testleri gelistirildi.

##Scatterplota genel bakıs: Bir sacılım grafigi, kontrol altında tutulan surekli bir degisken ve ona baglı bir bagımlı degisken ya da iki surekli bagımsız degiskenin oldugu durumlarda kullanılabilir. Diger parametreler tarafından sistematik olarak artırılan/azaltılan bir parametre varsa kontrol degiskeni ya da bagımsız degisken olarak adlandırılır ve genellikle yatay eksen boyunca cizilir. Olculen ya da bagımlı degisken ise dikey eksende cizilir. Eger hic bagımlı degisken yoksa her iki degsiken turu de eksenlerden birine yerlestirilebilir ve sacılım grafigi yalnızca iki degisken arasındaki korelasyon derecesini gosterir. Sacılım grafigi belirli guven aralıklarında degiskenler arasında korelasyonun cesitli turlerini gosterebilir. Boy ve kilo y ekseninde ve boy x ekseninde olabilir. Korelasyon pozitif, negatif ya da sıfır olabilir. Eger noktaların cizgisi asagıdan yukarıya ise calısılan degiskenler arasında pozitif korelasyon vardır. Yuksekten dusuge bir grafik cizgisi varsa degsikenler arasında negatif bir korelasyon vardır. Trend cizgisi olarak adlandırılan en iyi uyum cizgisi degiskenler arasında iliskiyi calısmak amacıyla cizilebilir. Degiskenler arasındaki korelasyon esitligi best-fit prosedurleri ile tahmin edilerek belirlenebilir. Dogrusal regreesyon icin best-fit proseduru lineer regresyon olarak bilinir ve sonlu bir surede dogru bir cozum uretmesi garanti edilir. Duzensiz/keyfi korelasyonlar icin dogru cozum uretecegi garanti edilen evrensel bir en uygun yontem bulunmamaktadır. Sacılım grafigi aynı zamanda iki karsılastırılabilir veri setinde degiskenler arasında lineer olmayan iliskileri gostermede nasıl bir uyum sergiledigini gormek icin de cok kullanıslıdır.LOESS gibi duzgun bir cizgi eklenerek bu yetenek gelistiirlebilir. Dahası, basit iliskilerin karma modeli olarak temsil edildiginde, bu ilsikiler ust uste bindirilmis desenler olarak gorsel olarak belirgin olacaktır. Dagılım diyagramı kalite kontrolün yedi temel aracından biridir. Dagılım grafigi baloncuk, marker ya da dogru grafigi seklinde olusturulabilir.

Ornek

Bir kisinin akciger kapasitesi ile nefesini tutma suresi arasındaki iliski incelenmistir. Akciger kapasitesi yatay eksende, nefes tutma suresi dikey eksende gosterilmistir. Akciger kapasitesi 400 cl olan bir kisinin nefesini 21.7 s tutabildigi sonucuna ulasılmıstır.

Dagılım Grafigi Matrisleri

X1,X2,X3 gibi veri degiskenleri seetinde matris formatında birden cok scatterplot tek bir gorunumle verilebilmektedir. Genel scatterplot matrisi, kategorik ve kantitatif degiskenlerin eslestirilmis kombinasyonlarının gosteriminde tercih edilmektedir. Moziak grafigi, akıs diyagramı, ya da bar grafigi iki kategorik degiskeni gostermk icin kullanılabilir. Diger grafikler bir kategorik ve bir kantitatif degisken icin kullanılmaktadır.

Donusumleri tartısma

uc degerleri belirleme

İstatistikte diger gozlemlerden anlamlı olarak farklılasan veri noktaları uc degerdir. Uc deger olcumde bir degisiklik sebepli olabilir, bir deneysel hata olabilir, Uc degerler istatistiksel analizlerde ciddi sorun sebepleri de olabilir.

İkinci bolumde korelasyon konusu anlatılmıstır.

Dogrusal iliskinin gucunu belirleme Pearson korelasyonu hesaplama supheli korelasyonları belirleme

Ucuncu bolumde Basit dogrusal regresyon

En iyi dogu olarak basit lineer regresyon gorsellestrme dogrusal regresyon modelindeki uyum ve model tanımalamaları

BİR REGRESYON MODELİNDE korelasyon katsayısının ortalamasını yorumlama bolum ve olceklerin etkisini anlama R’da lm() fonksiyonu ile dogrusal regresyon regresyon modelinden yordama sacılım grafiginde regresyon modeli

##model fit regresyon modelini degerlendirme R^2 yorumlama ortalama ve etki olcumu uc ddgerleribelirleme

#paralel egriler gorsellestirme, uyum bşir numeric ve bir kategoırik degiskeni paralel matematiksel, grafiksel ve R ile uc farklı yoldan bir model tanımlama,

7- paralel slopes

model uyumu artıklar ve yordama hesabı etkilesim uyum ve yorum simpson paradoksu ## 8- coklu regresyon ≈ ik inumeric degiskenli Coklu regresyon gorslelstrme, uyum ve yorumlama iki numeric bir kategorik degiskenle cokl uregresyon coklu baglantılılık ## Visualizing two variables Exercise 1