آزمون میانه (Median Test) یک آزمون آماری است که برای مقایسه میانه‌های دو یا چند گروه مستقل استفاده می‌شود. این آزمون به ویژه زمانی مفید است که داده‌ها به طور نرمال توزیع نشده‌اند و یا وقتی که می‌خواهیم از تأثیرات مقادیر پرت (outliers) جلوگیری کنیم.

شرایط استفاده از آزمون میانه:

1. داده‌های مستقل: گروه‌ها باید مستقل از یکدیگر باشند.
2. داده‌های عددی: داده‌ها باید به صورت عددی باشند و می‌توانند از توزیع‌های مختلفی پیروی کنند.
3. تعداد نمونه‌ها: این آزمون معمولاً برای گروه‌های کوچک مناسب است.

مراحل انجام آزمون میانه:

1. جمع‌آوری داده‌ها: داده‌های خود را از گروه‌های مختلف جمع‌آوری کنید.
2. محاسبه میانه: میانه هر گروه را محاسبه کنید. میانه به عنوان نقطه‌ای است که ۵۰٪ از داده‌ها در زیر و ۵۰٪ در بالای آن قرار دارند.
3. تعیین گروه‌ها: برای هر داده، تعیین کنید که آیا بالاتر از میانه کل است یا پایین‌تر. این کار منجر به تشکیل یک جدول ۲x۲ می‌شود که شامل تعداد داده‌ها در بالای میانه و پایین میانه برای هر گروه است.
4. محاسبه آماره آزمون: با استفاده از جدول ۲x۲، می‌توانید از آزمون خی‌دو (Chi-squared test) برای تعیین معناداری استفاده کنید. فرمول محاسبه آماره آزمون به صورت زیر است:𝜒2=(𝑂−𝐸)2𝐸که در آن 𝑂 تعداد مشاهدات واقعی و 𝐸 تعداد مشاهدات مورد انتظار است.
5. تعیین سطح معناداری: با استفاده از توزیع خی‌دو و درجه آزادی (در این حالت معمولاً ۱) می‌توانید p-value را محاسبه کنید.
6. تفسیر نتایج: اگر p-value کمتر از سطح معناداری انتخابی (معمولاً ۰.۰۵) باشد، می‌توانید نتیجه بگیرید که میانه‌های گروه‌ها به طور معناداری متفاوت هستند.

مثال:

فرض کنید شما دو گروه از بیماران دارید که درمان‌های متفاوتی دریافت کرده‌اند و داده‌های زیر را دارید:

• گروه A: 3، 5، 7، 8، 10
• گروه B: 2، 4، 6، 9، 12

1. محاسبه میانه:
   • میانه گروه A: 7
   • میانه گروه B: 6
2. تعیین گروه‌ها:
   • برای گروه A: 3 (زیر میانه)، 2 (بالای میانه)
   • برای گروه B: 3 (زیر میانه)، 2 (بالای میانه)
3. جدول ۲x۲:بالای میانهپایین میانهگروه A23گروه B23
4. محاسبه آماره آزمون و p-value: با استفاده از فرمول‌های مربوطه، آماره آزمون را محاسبه کرده و p-value را تعیین کنید.

آزمون مک نمار (McNemar’s Test) یک آزمون آماری است که برای مقایسه دو نسبت در داده‌های دوتایی (باینری) استفاده می‌شود. این آزمون معمولاً در مطالعاتی به کار می‌رود که در آن‌ها دو متغیر دوتایی (مثلاً قبل و بعد از یک درمان یا مداخله) در یک گروه از افراد بررسی می‌شوند.

شرایط استفاده از آزمون مک نمار:

1. داده‌های دوتایی: داده‌ها باید به صورت دوتایی (مثلاً بله/خیر، موفق/ناموفق) باشند.
2. طراحی زوجی: داده‌ها باید از یک گروه از افراد در دو زمان مختلف یا تحت دو شرایط مختلف جمع‌آوری شوند.
3. استقلال: مشاهدات باید مستقل از یکدیگر باشند.

مراحل انجام آزمون مک نمار:

1. جمع‌آوری داده‌ها: داده‌های خود را در یک جدول ۲x۲ قرار دهید. این جدول شامل چهار خانه خواهد بود:
   • A: تعداد افرادی که در هر دو زمان (قبل و بعد) مثبت هستند.
   • B: تعداد افرادی که در زمان اول مثبت و در زمان دوم منفی هستند.
   • C: تعداد افرادی که در زمان اول منفی و در زمان دوم مثبت هستند.
   • D: تعداد افرادی که در هر دو زمان منفی هستند.
   جدول به صورت زیر خواهد بود:مثبت (قبل)منفی (قبل)مثبت (بعد)ABمنفی (بعد)CD
2. محاسبه آماره آزمون: برای محاسبه آماره آزمون از فرمول زیر استفاده می‌شود:𝜒2=(𝐵−𝐶)2𝐵+𝐶
3. تعیین سطح معناداری: با استفاده از توزیع خی‌دو (Chi-squared distribution) و درجه آزادی ۱، می‌توانید سطح معناداری (p-value) را محاسبه کنید.
4. تفسیر نتایج: اگر p-value کمتر از سطح معناداری انتخابی (معمولاً ۰.۰۵) باشد، می‌توانید نتیجه بگیرید که تغییر معناداری در نسبت‌ها وجود دارد.

مثال:

فرض کنید شما یک مطالعه بر روی ۱۰۰ بیمار انجام داده‌اید و داده‌های زیر را دارید:

• ۳۰ بیمار قبل از درمان مثبت و بعد از درمان نیز مثبت بودند (A).
• ۱۰ بیمار قبل از درمان مثبت و بعد از درمان منفی بودند (B).
• ۵ بیمار قبل از درمان منفی و بعد از درمان مثبت بودند ©.
• ۵۵ بیمار قبل و بعد از درمان منفی بودند (D).

با استفاده از فرمول، می‌توانید آماره آزمون را محاسبه کنید و سپس p-value را تعیین کنید.

نتیجه‌گیری:

آزمون مک نمار ابزاری مفید برای بررسی تغییرات در داده‌های دوتایی است و می‌تواند به شما کمک کند تا تأثیر مداخلات یا درمان‌ها را ارزیابی کنید.

تحلیل داده]

نوشته

آزمون تک متغیری مجذور کا یا chi-square one variable test چیست؟

نوشته

رگرسیون خطی ساده چیست و نتایج آن چگونه تفسیر می شود؟

نوشته

ترجمه رایگان با هوش مصنوعی،  ترجمه pdf (مقاله، پایان نامه و … ) در سه سوت!

ضریب مسیر (ضریب بتا) در تحلیل رگرسیون

آزمون مجذور کای استقلال (Chi-Square Test of Independence) یک آزمون آماری است که برای بررسی وجود رابطه یا وابستگی بین دو متغیر کیفی (غیر عددی) استفاده می‌شود. این آزمون به ما کمک می‌کند تا بفهمیم آیا توزیع یک متغیر تحت تأثیر متغیر دیگر قرار دارد یا خیر.

مراحل انجام آزمون مجذور کای استقلال:

1. تعریف فرضیات:
   • فرض صفر (𝐻0): دو متغیر مستقل هستند (هیچ وابستگی وجود ندارد).
   • فرض جایگزین (𝐻1): دو متغیر وابسته هستند (بین دو متغیر رابطه وجود دارد).
2. جمع‌آوری داده‌ها:
   • داده‌های مربوط به دو متغیر کیفی را جمع‌آوری کنید و آن‌ها را در یک جدول فراوانی (جدول متقاطع) قرار دهید.
3. محاسبه فراوانی مورد انتظار:
   • برای هر خانه در جدول، فراوانی مورد انتظار (𝐸) را محاسبه کنید. این کار با استفاده از فرمول زیر انجام می‌شود:𝐸=(مجموعردیف)×(مجموعستون)مجموعکل
4. محاسبه آماره مجذور کای (𝜒2):
   • آماره مجذور کای را با استفاده از فرمول زیر محاسبه کنید:𝜒2=∑(𝑂−𝐸)2𝐸که در آن 𝑂 فراوانی مشاهده شده و 𝐸 فراوانی مورد انتظار است. این محاسبه برای هر خانه در جدول انجام می‌شود و سپس نتایج جمع می‌شوند.
5. تعیین درجه آزادی:
   • درجه آزادی (𝑑𝑓) را با استفاده از فرمول زیر محاسبه کنید:𝑑𝑓=(𝑟−1)×(𝑐−1)که در آن 𝑟 تعداد ردیف‌ها و 𝑐 تعداد ستون‌ها در جدول است.
6. محاسبه مقدار p:
   • با استفاده از جدول توزیع مجذور کای یا نرم‌افزارهای آماری، مقدار p را بر اساس آماره 𝜒2 و درجه آزادی محاسبه کنید.
7. نتیجه‌گیری:
   • اگر مقدار p کمتر از سطح معناداری (𝛼، معمولاً 0.05) باشد، فرض صفر را رد کرده و نتیجه می‌گیریم که بین دو متغیر رابطه وجود دارد.

نکات مهم:

• آزمون مجذور کای استقلال تنها برای متغیرهای کیفی قابل استفاده است و برای داده‌های کمّی مناسب نیست.
• لازم است که تعداد مشاهدات در هر خانه از جدول حداقل 5 باشد تا نتایج معتبر باشند.
• این آزمون نمی‌تواند نوع یا شدت رابطه را مشخص کند، بلکه فقط وجود یا عدم وجود رابطه را بررسی می‌کند.

خواهشمند است، نظر خودتان را در پایان نوشته در سایت https://rava20.ir مرقوم نمایید. همین نظرات و پیشنهاد های شما باعث پیشرفت سایت می گردد. با تشکر 

پیشنهاد می شود مطالب زیر را هم در سایت روا 20 مطالعه نمایید:

۲۰ خصوصیت بدترین و ناموفق‌ترین مدیران دنیا

والدگری موفق : کمک به موفقیت فرزندان

این صفحه تست

مراحل تحلیل مضمون آتراید-استرلینگ (Attride-Stirling’s approach)

۹ نکته برای برنامه‌‌‌ریزی کاری بهتر در سال جدید

آزمون لوین (Levene’s Test) یکی از آزمون‌های آماری است که برای بررسی فرض همگنی واریانس‌ها در داده‌ها به کار می‌رود. این آزمون به ویژه در تحلیل واریانس (ANOVA) و سایر تحلیل‌های آماری که فرض همگنی واریانس‌ها را دارند، بسیار مهم است. در ادامه، به توضیح جزئیات این آزمون می‌پردازیم:

1. هدف آزمون:

• هدف اصلی آزمون لوین بررسی این است که آیا واریانس‌های گروه‌های مختلف برابرند یا خیر. این فرض به عنوان فرض همگنی واریانس‌ها شناخته می‌شود.

2. فرضیات آزمون:

• فرض صفر (H0): واریانس‌های گروه‌ها برابرند (همگنی واریانس‌ها).
• فرض مقابل (H1): حداقل یکی از واریانس‌ها متفاوت است (عدم همگنی واریانس‌ها).

3. روش انجام آزمون:

• برای انجام آزمون لوین، مراحل زیر دنبال می‌شود:
  1. محاسبه میانگین یا میانه هر گروه.
  2. محاسبه انحرافات از میانگین یا میانه برای هر گروه.
  3. استفاده از این انحرافات برای محاسبه واریانس‌ها.
  4. مقایسه واریانس‌ها با استفاده از یک آزمون F.

4. تفسیر نتایج:

• اگر مقدار p-value (مقدار p) کمتر از سطح معناداری (معمولاً 0.05) باشد، فرض صفر رد می‌شود و نتیجه می‌گیرد که واریانس‌ها برابر نیستند.
• اگر مقدار p-value بیشتر از 0.05 باشد، فرض صفر پذیرفته می‌شود و می‌توان فرض همگنی واریانس‌ها را تأیید کرد.

5. نکات مهم:

• آزمون لوین نسبت به نرمال بودن داده‌ها حساس است، اما به طور کلی نسبت به آزمون‌های مشابه، مانند آزمون بارلت (Bartlett’s Test)، به نرمال بودن داده‌ها حساسیت کمتری دارد.
• در صورت رد فرض همگنی واریانس‌ها، ممکن است نیاز به استفاده از روش‌های آماری جایگزین (مانند ANOVA با واریانس‌های نامساوی) یا روش‌های تصحیح شده (مانند آزمون Games-Howell) باشد.
• همچنین پیشنهاد می شود مقالات زیر را هم در سایت مطالعه نمایید:
• قالب فصل سوم پایان نامه باید به چه صورت باشد؟
• نوشته
• معرفی نرم افزار تحلیل کیفی Dedoose
• نوشته
• تحلیل
• نوشته
• انواع نرم افزار های تحلیل داده های کمی و نقاط قوت و ضعف آن ها

• خواص درمانی و روش مصرف آرتیشو یا کنگر فرنگی Cynara scolymus
• شعری برای بهار 1404
• خواص درمانی جالب و شگفت انگیز گل شقایق با نام علمی Papaver rhoeas
• دانلود رایگان تقویم 1404
• جديد ترين آهنگ و فيلم براي نوروز 1404
• تقویم 1404 (دانلود رایگان)
• تحلیل تماتیک (Thematic Analysis) چیست ؟
• تحلیل محتوایی (Content Analysis) چیست ؟ 
• روش آسان کسب درآمد واقعی و آنلاین:  با حل کپچا (دریافت درآمد از ایران)
• آموزش ادغام فیلم و صوت با کامتازیا (ساخت فیلم با هوش مصنوعی جلسه 3 )
• آموزش ساخت فایل صوتی از متن با هوش مصنوعی رایگان و بدون فیلتر (جلسه 2 )
• آموزش ساخت فیلم با هوش مصنوعی رایگان و بدون فیلتر (جلسه 1)
• بیماری‌های روانی: آشنایی با انواع اختلالات روانی و درمان‌های نوین
• توزیع دو جمله‌ای (Binomial Distribution)
• راهنمای جامع سفر به شهر مهاباد، استان آذربایجان غربی
• توزیع تی (T-Distribution)
• توزیع پواسون (Poisson Distribution)
• کسب درآمد اینترنتی: بدون سرمایه و روزانه فقط با یک کلیک ب Bee Network
• توزیع برنولی (Bernoulli Distribution)

آزمون لامبدای ویلکز (Wilks’ Lambda Test) یکی از آزمون‌های آماری است که در تحلیل واریانس چندمتغیری (MANOVA) به کار می‌رود. این آزمون به منظور بررسی تفاوت‌های میانگین‌های چندین متغیر وابسته در گروه‌های مختلف استفاده می‌شود. در اینجا به توضیح اجزای اصلی آزمون لامبدای ویلکز و چگونگی استفاده از آن می‌پردازیم:

1. مفاهیم پایه:

• متغیر وابسته: متغیرهایی که تحت تأثیر متغیر مستقل قرار می‌گیرند.
• متغیر مستقل: متغیرهایی که گروه‌ها را تعریف می‌کنند (مثلاً جنسیت، سن، درمان‌ها و غیره).

2. هدف آزمون:

• هدف اصلی آزمون لامبدای ویلکز بررسی این است که آیا میانگین‌های چندین متغیر وابسته در گروه‌های مختلف (بر اساس متغیر مستقل) تفاوت معناداری دارند یا خیر.

3. محاسبه لامبدای ویلکز:

• لامبدای ویلکز به صورت نسبت واریانس‌ها محاسبه می‌شود. این نسبت به صورت زیر تعریف می‌شود:Λ=∣خطای واریانس∣∣کل واریانس∣
• هر چه مقدار لامبدای ویلکز به صفر نزدیک‌تر باشد، نشان‌دهنده تفاوت‌های معنادار بیشتری بین گروه‌ها است.

4. آزمون فرضیات:

• فرض صفر: میانگین‌های متغیرهای وابسته در گروه‌های مختلف برابرند.
• فرض مقابل: حداقل یکی از میانگین‌ها متفاوت است.

5. تفسیر نتایج:

• اگر مقدار p-value (مقدار p) کمتر از سطح معناداری (معمولاً 0.05) باشد، فرض صفر رد می‌شود و نتیجه می‌گیرد که حداقل یکی از میانگین‌ها متفاوت است.

6. نکات مهم:

• قبل از استفاده از آزمون لامبدای ویلکز، باید بررسی‌های لازم درباره نرمال بودن داده‌ها و همگنی واریانس‌ها انجام شود.
• در صورت رد فرض صفر، معمولاً از آزمون‌های پس‌ازآن (Post Hoc Tests) برای شناسایی گروه‌های متفاوت استفاده می‌شود.
• آزمون کروسکال-والیس (Kruskal-Wallis H Test)
• نوشته
• آزمون شفه (Scheffé’s test)
• نوشته
• آزمون آماری پیلای یا ( pillai’s test) چیست؟
• نوشته
• آزمون کولموگرو اسمیرنف چیست؟
• نوشته
• منطق فوق العاده مورچه ها برای کار و زندگی

q5-14-3- پرسشنامه وفاداری مشتری بانک امین و همکاران(2011)

پرسشنامه وفاداری مشتری بانک امین و همکاران(2011)

100,000 ریال

q5-17-4 – پرسشنامه تعامل مشتری – آهن و راهو (2014)

پرسشنامه تعامل مشتری – آهن و راهو (2014)

100,000 ریال

q10-6-2-10 – پرسشنامه اعتماد مشتری به برند – جیوانیس و آتاناسوپلو (2018)

پرسشنامه اعتماد مشتری به برند – جیوانیس و آتاناسوپلو (2018)

100,000 ریال

q10-6-2-9- پرسشنامه اعتماد برند – چینومونا (2016) و لاروچ و همکاران (2012)

پرسشنامه اعتماد برند – چینومونا (2016) و لاروچ و همکاران (2012)

100,000 ریال

q54-6-3- پرسشنامه استاندارد بازاریابی رابطه مند بر اساس مدل اِندوبیسی (2013)

پرسشنامه استاندارد بازاریابی رابطه مند بر اساس مدل اِندوبیسی (2013) پرسشنامه بازاریابی رابطه مند توسط اندوییسی(2013) طراحی و اعتباریابی شده است. این پرسشنامه  چهار مولفه(اعتماد، تعهد، ارتباطات، مدیریت تعارض) بازاریابی رابطه­مند را اندازه گیری می کند. این ابزار دارای 18 گویه هست. از روش پنج درجه­ای لیکرت (از کاملاً مخالف تا کاملاً موافق) استفاده شده […]

100,000 ریال

Q58-4-2- پرسشنامه خودکارآمدی معلمان تربیت بدنی مارتین و کولینا (2003)

پرسشنامه خودکارآمدی معلمان تربیت بدنی مارتین و کولینا (2003) پرسشنامه خودکارآمدی معلمان تربیت بدنی مارتین و کولینا (2003) این پرسشنامه میزان خودکارآمدی معلمان تربیت بدنی را می سنجد. و داری 16 سوالی  است که توسط مارتین و کولینا در سال 2003  طراحی شده است. ر 4 بعد دانش آموز، فضا، زمان و سازمان را اندازه […]

100,000 ریال

آزمون گرین هاوس-گیسر (Greenhouse-Geisser Test) یک روش آماری است که برای بررسی اثرات متغیرهای مستقل بر روی یک متغیر وابسته در طراحی‌های آزمایشی با اندازه‌گیری‌های مکرر (Repeated Measures) استفاده می‌شود. این آزمون به ویژه در تحلیل واریانس (ANOVA) کاربرد دارد و به ما کمک می‌کند تا فرضیه‌های مربوط به اثرات متغیرها را بررسی کنیم.

مفهوم و کاربرد آزمون گرین هاوس-گیسر

1. طراحی آزمایشی: این آزمون معمولاً در طراحی‌های مکرر یا مختلط (Mixed Designs) استفاده می‌شود، جایی که یک یا چند متغیر مستقل در طول زمان یا در شرایط مختلف اندازه‌گیری می‌شوند.
2. فرضیه‌های آزمون: آزمون گرین هاوس-گیسر به طور خاص برای بررسی فرضیه‌های مربوط به اثرات متغیر مستقل بر روی متغیر وابسته طراحی شده است. این آزمون به ما کمک می‌کند تا بفهمیم آیا تغییرات در متغیر مستقل (مانند زمان یا شرایط آزمایشی) تأثیری بر متغیر وابسته دارند یا خیر.
3. اصلاحات در ANOVA: یکی از مشکلات اصلی در ANOVA با اندازه‌گیری‌های مکرر، فرض همگنی واریانس (Sphericity) است. در صورتی که این فرض برقرار نباشد، نتایج آزمون می‌تواند نادرست باشد. آزمون گرین هاوس-گیسر به عنوان یک روش اصلاحی برای این مشکل عمل می‌کند و با استفاده از یک ضریب اصلاحی، نتایج آزمون ANOVA را بهبود می‌بخشد.
4. محاسبه: در این آزمون، یک ضریب به نام “ضریب گرین هاوس-گیسر” محاسبه می‌شود که نشان‌دهنده میزان انحراف از فرض همگنی واریانس است. این ضریب به عنوان یک اصلاح برای درجات آزادی در آزمون ANOVA استفاده می‌شود.

مراحل انجام آزمون گرین هاوس-گیسر

1. جمع‌آوری داده‌ها: داده‌های مربوط به متغیر وابسته در شرایط مختلف یا در زمان‌های مختلف جمع‌آوری می‌شوند.
2. بررسی فرض همگنی واریانس: با استفاده از آزمون‌هایی مانند آزمون ماکویا (Mauchly’s Test) بررسی می‌شود که آیا فرض همگنی واریانس برقرار است یا خیر.
3. اجرای آزمون ANOVA: اگر فرض همگنی واریانس برقرار باشد، می‌توان از ANOVA استاندارد استفاده کرد. در غیر این صورت، از آزمون گرین هاوس-گیسر استفاده می‌شود.
4. تحلیل نتایج: نتایج آزمون تحلیل می‌شود و بر اساس آن می‌توان به نتیجه‌گیری‌های لازم دست یافت.
5. آزمون آماری بی توکی یا Tukey’s b چیست؟
6. نوشته
7. تیپ شخصیتی شما کشاورز است یا شکارچی؟
8. نوشته
9. آزمون همبستگی اسپیرمن (Spearman’s Rank Correlation Coefficient)
10. نوشته
11. تغییرات ظاهر بدن با پشت میز نشینی
12. نوشته
13. آزمون علامت تک نمونه (Sign Test)
14. نوشته

آزمون گابریل (Gabriel Test) یک روش آماری است که برای مقایسه میانگین‌ها در گروه‌های مختلف استفاده می‌شود. این آزمون به ویژه در تحلیل واریانس (ANOVA) و در شرایطی که تعداد گروه‌ها بیشتر از دو باشد، کاربرد دارد. آزمون گابریل به طور خاص برای مقایسه میانگین‌ها در گروه‌های با اندازه‌های نامساوی و یا در شرایطی که واریانس‌ها نابرابر هستند، طراحی شده است.

ویژگی‌های آزمون گابریل:

1. مناسبت برای اندازه‌های نامساوی: این آزمون به خوبی می‌تواند با گروه‌هایی که اندازه‌های مختلف دارند، کار کند و نتایج قابل اعتمادی ارائه دهد.
2. مقایسه میانگین‌ها: آزمون گابریل به ما این امکان را می‌دهد که میانگین‌های گروه‌های مختلف را با یکدیگر مقایسه کنیم و ببینیم آیا تفاوت معناداری بین آن‌ها وجود دارد یا خیر.
3. نسبت به آزمون‌های دیگر: این آزمون نسبت به آزمون‌های دیگر مانند آزمون توکی (Tukey’s HSD) و آزمون بونفرونی (Bonferroni) از نظر قدرت تشخیص (Power) بالاتری دارد، به خصوص در مواردی که واریانس‌ها نابرابر هستند.

مراحل انجام آزمون گابریل:

1. جمع‌آوری داده‌ها: داده‌های مربوط به گروه‌های مختلف را جمع‌آوری کنید.
2. محاسبه میانگین و واریانس: برای هر گروه، میانگین و واریانس را محاسبه کنید.
3. محاسبه اختلاف میانگین‌ها: اختلاف میانگین‌های گروه‌ها را محاسبه کنید.
4. استفاده از فرمول آزمون گابریل: با استفاده از فرمول خاص آزمون گابریل، مقادیر آزمون را محاسبه کنید و نتایج را تحلیل کنید.
5. تفسیر نتایج: نتایج آزمون را تفسیر کنید و بررسی کنید که آیا تفاوت معناداری بین میانگین‌های گروه‌ها وجود دارد یا خیر.

آزمون فریدمن (Friedman Test)

نوشته

خلاصه_کتاب هنر شفاف اندیشیدن

نوشته

آزمون همبستگی اسپیرمن (Spearman’s Rank Correlation Coefficient)

نوشته

گروه بندی و توصیف آزمون های پارامتریک و ناپارامتریک برای بررسی رابطه بین متغیرها

آزمون دانت یا Dunnett’s Test

تحلیل های کمی با نرم افزار های : SPSS – Amos – Pls
تحلیل های کیفی با نرم افزار های : Maxqda – NVivo

پایان نامه نویسی مقاله نویسی

spss

جهت عضویت در کانال تلگرام سایت کلیک کنید.