Automatic Data Preparation (Otomatik Veri Hazırlama) SPSS Automatic Linear Models İçinde Nasıl Çalışır?

Automatic Data Preparation (ADP) özelliği, SPSS Automatic Linear Models içinde model kurulmadan hemen önce gerçekleştirilen otomatik bir veri düzenleme sürecidir. Bu adım, veri setini modelleme için en uygun forma getirir; değişkenleri dönüştürür, uç değerleri sınırlar, eksik gözlemleri tamamlar ve kategorileri istatistiksel olarak anlamlı gruplara indirger.

ADP, özellikle büyük veri setlerinde veya çok sayıda değişken içeren analizlerde model doğruluğunu doğrudan etkileyen kritik bir aşamadır.

1. ADP Çıktısı Neyi Gösterir?

Automatic Data Preparation görünümü, veri setindeki her bir değişken için aşağıdaki bilgileri sunar:

• Değişken adı

• Analizdeki rolü (hedef, bağımsız, her ikisi)

• ADP tarafından yapılan işlem türü

Tablo, değişkenleri alfabetik sıraya göre gösterir ve her bir değişken hangi işlemden geçtiyse bu açıkça belirtilir.

2. ADP’nin Uyguladığı Dönüşüm Türleri

● Tarih Değerlerinden Süre Üretme (Duration – Months)

Bir tarih değişkeni varsa, SPSS bu değerden bugüne kadar geçen süreyi ay cinsinden hesaplar. Bu işlem, tarih değişkenini ölçek (continuous) bir süre değişkenine dönüştürür.

● Saat Değerlerinden Süre Üretme (Duration – Hours)

Zaman değişkenleri, güncel zamana göre saat cinsinden süreye çevrilir.

Bu iki adım, tarih ve zamanın doğrudan modele girmesini engelleyerek daha doğru bir tahmin yapısını güçlendirir.

Tez/Proje Danışmanlığı

Akademik Tez Yazım Danışmanlığı

Hizmeti İncele

3. Ölçme Düzeyi Yeniden Atama

ADP, değişkenlerin ölçme düzeyini verinin yapısına göre otomatik olarak yeniden belirler:

● Sürekli → Sıralı (Ordinal)

Sürekli bir değişkenin benzersiz değer sayısı 5’ten azsa, SPSS bunu otomatik olarak sıralı (ordinal) kabul eder. Bu, ölçek düzeyinin gereksiz yere kullanılmasını engeller.

● Sıralı (Ordinal) → Sürekli (Continuous)

Bir ordinal değişkenin kategori sayısı 10’dan fazlaysa, SPSS onu sürekli değişken olarak ele alır.Bu durum, özellikle geniş aralıklı puan sistemlerinde sık görülür.

4. Uç Değer (Outlier) İşlemleri

ADP, sürekli değişkenlerdeki uç değerleri otomatik olarak düzeltir:

• Değeri ortalama ± 3 standart sapma aralığının dışına çıkan gözlemler→ sınır değerine çekilir (trim).

Bu adım, modelin uç değerlerden olumsuz etkilenmesini engeller.

5. Eksik Değer Tamamlama

Eksik değerler değişken türüne göre doldurulur:

• Nominal: mod

• Ordinal: medyan

• Sürekli: ortalama

Bu işlemler eğitim veri bölümüne göre yapılır; model, yeni veriye skor verirken aynı dönüşümü otomatik olarak uygular.

6. Kategorilerin Birleştirilmesi

Kategori sayısı fazla olan nominal değişkenlerde, ADP şu mantığı kullanır:

• Kategoriler hedef değişkenle ilişkilerine göre test edilir.

• Anlamlı fark göstermeyen kategoriler (p > 0.05) birleştirilir.

• Tüm kategoriler tek bir sınıfta birleşmişse değişken modelden çıkarılır.

Bu yöntem, kategori fazlalığının neden olabileceği model karmaşasını önemli ölçüde azaltır.

7. Tek Değerli Değişkenlerin Çıkarılması

ADP, aşağıdaki koşulları sağlayan değişkenleri otomatik olarak dışlar:

• Tüm gözlemlerde aynı değere sahip olan değişkenler

• Uç değer düzeltmesi sonrası tek değere dönüşen değişkenler

• Kategori birleştirme sonrası anlamını yitiren değişkenler

Bu adım, modelde gereksiz yük oluşturan değişkenleri tamamen temizler.

Automatic Data Preparation Modelin Tahmin Gücünü Nasıl Yükseltir?

Automatic Data Preparation, modelin oluşturulmasından önce veriyi temizleyerek:

• Gereksiz kategori yükünü azaltır,

• Uç değerlerin model üzerindeki etkisini sınırlar,

• Eksik verileri tahmin kalitesini bozmayacak şekilde tamamlar,

• Ölçme düzeyini optimize eder,

• Değeri olmayan değişkenleri çıkararak modeli yalınlaştırır.

Bu nedenle Automatic Linear Models’ın başarısında ADP, çoğu zaman model seçimi kadar kritik bir adımdır.