...........................................................................................................................................................................................................................................................................................................................................................................
خوش آمدید این سایت دارای مجوز می باشد برای مشاهده مجوز ها پایین صفحه را مشاهده فرمائید.
بر اساس نوع متغیر، آزمونها به سه دسته اصلی تقسیم میشوند: آزمونهای پارامتریک، آزمونهای نیمه پارامتریک و آزمونهای غیرپارامتریک. در زیر، هر دسته را به طور کامل توضیح میدهم:
آزمونهای پارامتریک:
آزمون t-Student: برای مقایسه میانگین دو گروه. آزمون تیمفر: برای مقایسه میانه دو گروه. آزمون ANOVA: برای مقایسه میانگین بیش از دو گروه. آزمون رگرسیون خطی: برای بررسی رابطه بین متغیرها و پیشبینی مقدار یک متغیر بر اساس متغیرهای دیگر. آزمون تحلیل واریانس چند متغیره: برای مقایسه میانگینهای چند گروه با تأکید بر تأثیر همزمان چند متغیر مستقل. آزمون همبستگی پیرسون: برای بررسی رابطه خطی بین دو متغیر پیوسته. آزمونهای نیمه پارامتریک:
آزمون رنک ویلکاکسون: برای مقایسه توزیع دو گروه مستقل با دادههای پیوسته یا گسسته. آزمون رنک من-ویتنی: برای مقایسه توزیع دو گروه مستقل با دادههای پیوسته. آزمون همبستگی سپیرمن: برای بررسی رابطه ترتیبی بین دو متغیر. آزمونهای غیرپارامتریک:
آزمون chi-square: برای مقایسه فراوانی دو گروه. آزمون کوکس-من: برای مقایسه میانه دو گروه. آزمون کراسکال-والیس: برای مقایسه میانه بیش از دو گروه. آزمون فریدمن: برای مقایسه میانههای بیش از دو گروه در طرحهای مکرر شده. آزمون ویلکاکسون: برای مقایسه توزیع دو گروه مستقل با دادههای پیوسته یا گسسته. این لیست شامل برخی از آزمونهای معروف و رایج در هر دسته است. لازم به ذکر است که هر آزمون ممکن است شرایط خاص خود را داشته باشد و برای استفاده در موارد خاص و معینی مناسب باشد. همچنین، لازم است توتوجه داشت که این فهرست ممکن است با پیشرفت تحقیقات و روشهای آماری جدید تغییر کند، و برای دسترسی به آزمونهای مشخص و دقیق تر، به مراجعه به منابع آماری معتبر و متخصصان آماری توصیه میشود.
توجه: همه ی پرسشنامه هااز منابع معتبر تهیه شده، استاندارد ، دارای روایی و پایایی و منابع داخل و پایان متن می باشند . همه ی پرسشنامه ها قابل ویرایش در قالب نرم افزار ورد Word می باشد.
معیارهای انتخاب آزمون آماری به منظور تعیین کدام آزمون آماری برای تحلیل دادههای خاص استفاده شود عبارتند از:
نوع متغیر: باید ابتدا مشخص شود که متغیرها پیوسته یا گسسته هستند. این تفاوت بین دو نوع متغیر میتواند تأثیر مستقیم بر انتخاب آزمون آماری داشته باشد.
نوع توزیع: بررسی توزیع دادهها نیز از اهمیت بالایی برخوردار است. آیا دادهها از توزیع نرمال پیروی میکنند یا نه؟ برخی از آزمونهای آماری، نیازمند فرضیه توزیع نرمال هستند و در صورتی که این فرضیه برقرار نباشد، آزمونهای غیرپارامتریک معمولاً مناسبتر هستند.
نوع طرح تحقیق: انتخاب آزمون آماری همچنین بستگی به نوع طرح تحقیق دارد. آیا دارید دادههای تک گروهی، دو گروهی یا چند گروهی را مقایسه میکنید؟
هدف تحقیق: باید مشخص شود که هدف تحقیق شما چیست. آیا قصد مقایسه میانگین، بررسی رابطه بین متغیرها، تفاوت در توزیع فراوانی و یا رتبهبندی دادهها را دارید؟
نمونهبرداری: از معیارهای دیگری که باید در نظر گرفته شود، اندازه نمونه است. برخی از آزمونهای آماری به نمونههای بزرگتر نیاز دارند و برخی دیگر به نمونههای کوچکتر.
فرضیه آماری: بر اساس فرضیه آماری که میخواهید بررسی کنید، ممکن است بتوانید آزمون آماری مناسب را انتخاب کنید. برخی از آزمونها برای مقایسه میانگین، برخی برای مقایسه فراوانی و برخی برای بررسی رابطه بین متغیرها طراحی شدهاند.
با توجه به این معیارها، میتوانید آزمون آماری مناسبی را برای تحلیل دادههای خود انتخاب کنید. همچنین، مشاوره از یک استاد راهنما یا متخصص آمار میتواند مفید باشمعیارهای انتخاب آزمون آماری عبارتند از:
نوع دادهها: بررسی نوع دادهها اولین قدم در انتخاب آزمون آماری است. آیا دادهها پیوسته هستند (مانند اندازه، وزن، زمان) یا گسسته (مانند تعداد، دستهبندی)؟ این تفاوت تأثیر زیادی در انتخاب آزمون دارد.
تعداد گروهها: بسته به تعداد گروهها که میخواهید مقایسه کنید، آزمون مناسب را انتخاب کنید. آیا دارید دادههای یک گروه را با یک مقدار مشخص مقایسه میکنید؟ آیا دو گروه را با یکدیگر مقایسه میکنید؟ یا آیا بیش از دو گروه دارید که میخواهید مقایسه کنید؟
فرضیه آماری: فرضیه آماری که میخواهید درباره دادهها بررسی کنید نقش مهمی در انتخاب آزمون آماری دارد. آیا قصد دارید میانگین دو گروه متفاوت هستند؟ آیا فراوانی دو گروه تفاوت دارد؟ یا آیا میخواهید رابطه بین دو متغیر را بررسی کنید؟
توزیع دادهها: بررسی توزیع دادهها نیز اهمیت دارد. آیا دادهها از توزیع نرمال پیروی میکنند؟ برخی از آزمونهای آماری، نیازمند فرضیه توزیع نرمال هستند و در صورتی که این فرضیه برقرار نباشد، آزمونهای غیرپارامتریک معمولاً مناسبتر هستند.
اندازه نمونه: اندازه نمونه نیز برای انتخاب آزمون آماری مهم است. برخی از آزمونها به نمونههای بزرگتر نیاز دارند و برخی دیگر به نمونههای کوچکتر.
سطح معناداری: سطح معناداری که میخواهید استفاده کنید نیز در انتخاب آزمون آماری تأثیر دارد. سطح معناداری معمولاً در ارزیابی تفاوتها و قبول یا رد فرضیه آماری استفاده میشود.
با توجه به این معیارها، میتوانید آزمون آماری مناسبی را برای
تحلیل دادههای خود انتخاب کنید. برای هر معیار، ممکن است چندین آزمون آماری مناسب وجود داشته باشد. در ادامه، به برخی از معیارهای انتخاب آزمون آماری و مثالهایی از آزمونهای متناسب با آنها اشاره میکنم:
معیارهای نوع دادهها:
متغیرهای پیوسته: برای مقایسه میانگین دو گروه، آزمون t-Student یا آزمون Mann-Whitney را میتوان استفاده کرد. متغیرهای گسسته: برای مقایسه فراوانی دو گروه، آزمون chi-square یا آزمون Fisher’s exact را میتوان استفاده کرد. معیارهای تعداد گروهها:
مقایسه دو گروه: آزمون t-Student (برای متغیرهای پیوسته) و آزمون Mann-Whitney (برای متغیرهای گسسته) مناسب هستند. مقایسه بیش از دو گروه: آزمون ANOVA (برای متغیرهای پیوسته) و آزمون Kruskal-Wallis (برای متغیرهای گسسته) را میتوان استفاده کرد. معیارهای فرضیه آماری:
مقایسه میانگین دو گروه: آزمون t-Student (برای متغیرهای پیوسته) و آزمون Mann-Whitney (برای متغیرهای گسسته) را میتوان استفاده کرد. مقایسه فراوانی دو گروه: آزمون chi-square (برای متغیرهای گسسته) و آزمون Fisher’s exact (برای متغیرهای گسسته) را میتوان استفاده کرد. بررسی رابطه بین متغیرها: آزمون همبستگی پیرسون (برای متغیرهای پیوسته) و آزمون همبستگی رنک سریال کندال (برای متغیرهای گسسته) را میتوان استفاده کرد. معیارهای توزیع دادهها:
دادههای نرمال: آزمون t-Student (برای مقایسه میانگین) و آزمون ANOVA (برای مقایسه بیش از دو گروه) مناسب هستند. دادههای غیرنرمال: آزمون Mann-Whitney (برای مقایسه میانگین) و آزمون Kruskal-Wallis (برای مقایسه بیش از دو گروه) را میتوان استفاده کرد. معیارهای اندازه نمونه:
نمونههای بزرگتر: آزمون t-Student (برای مقایسه میانگینادامه: میتوانید در ادامه تحلیل دادههای خود از آزمونهای آماری دیگری نیز استفاده کنید، طبق نیاز و شرایط خاص مطالعهتان. در زیر، چند آزمون آماری دیگر را معرفی میکنم:
آزمون تیمفر: این آزمون برای مقایسه میانه دو گروه مستقل از دادههای پیوسته به کار میرود. این آزمون از توزیع تیمفر استفاده میکند و مناسب استفاده در مواردی است که توزیع دادهها نرمال نباشد یا تعداد مشاهدات نامتوازن باشد.
آزمون کوکس: این آزمون برای مقایسه میانه دو گروه مستقل از دادههای پیوسته با توزیع نرمال استفاده میشود. این آزمون از توزیع کوکس استفاده میکند و مناسب استفاده در مواردی است که فرضیه ما بر این است که نسبت میانگینها یا میانهها برابر است.
آزمون ویلکاکسون: این آزمون برای مقایسه توزیع دو گروه مستقل از دادههای پیوسته استفاده میشود. این آزمون برای مواردی مناسب است که توزیع دادهها نرمال نباشد یا تعداد مشاهدات نامتوازن باشد.
آزمون ویلکاکسون-مان-ویتنی: این آزمون برای مقایسه توزیع دو گروه مستقل از دادههای پیوسته استفاده میشود. این آزمون از توزیع ویلکاکسون-مان-ویتنی استفاده میکند و به خوبی در مواردی کارایی دارد که توزیع دادهها نرمال نباشد یا تعداد مشاهدات نامتوازن باشد.
در هر صورت، قبل از استفاده از هر آزمون آماری، مطمئن شوید که شرایط استفاده از آن را درک کرده و فرضیات آزمون را به درستی بررسی کنید. همچنین، در صورت امکان، مشورت با یک متخصص آماری یا استاد مربوطه را پیشنهاد میکنم.
توجه: همه ی پرسشنامه هااز منابع معتبر تهیه شده، استاندارد ، دارای روایی و پایایی و منابع داخل و پایان متن می باشند . همه ی پرسشنامه ها قابل ویرایش در قالب نرم افزار ورد Word می باشد.
تحلیل عاملی اکتشافی (EFA) یک روش آماری است که برای کشف ساختار زیربنایی مجموعهای از متغیرها و کاهش ابعاد دادهها استفاده میشود. این روش به دنبال خلاصه کردن اطلاعات موجود در تعداد زیادی از متغیرها، در قالب تعداد کمتری از متغیرهای نهان (عامل) است.
در EFA، هیچ فرضیهای درباره ساختار دادهها وجود ندارد و هدف، شناسایی ساختار واقعی دادهها است. برای این منظور، از ماتریس همبستگی بین متغیرها استفاده میشود.
مراحل انجام EFA
انتخاب متغیرها: متغیرهایی که برای تحلیل عاملی انتخاب میشوند، باید همبستگی قابل قبولی با یکدیگر داشته باشند.
محاسبه ماتریس همبستگی: ماتریس همبستگی نشان میدهد که هر متغیر با چه میزان با سایر متغیرها همبستگی دارد.
استخراج عاملها: از روشهای مختلفی برای استخراج عاملها استفاده میشود، مانند روش مولفههای اصلی و روش حداکثر واریانس مشترک.
چرخش عاملها: چرخش عاملها به منظور تفسیر آسانتر عاملها انجام میشود.
تفسیر عاملها: در این مرحله، باید بر اساس بارهای عاملی، هر عامل را به یک مفهوم نظری تفسیر کرد.
کاربردهای EFA
کاهش ابعاد دادهها: زمانی که با تعداد زیادی از متغیرها روبرو هستیم، EFA میتواند به ما کمک کند تا دادهها را به ابعاد کمتری خلاصه کنیم و از این طریق، تحلیل دادهها را سادهتر کنیم.
شناسایی ساختار زیربنایی دادهها: EFA میتواند به ما کمک کند تا ساختار زیربنایی دادهها را شناسایی کنیم و به این ترتیب، درک عمیقتری از پدیده مورد مطالعه به دست آوریم.
تشکیل مقیاسهای جدید: EFA میتواند برای تشکیل مقیاسهای جدید از متغیرهای مرتبط با یکدیگر استفاده شود.
توجه: همه ی پرسشنامه هااز منابع معتبر تهیه شده، استاندارد ، دارای روایی و پایایی و منابع داخل و پایان متن می باشند . همه ی پرسشنامه ها قابل ویرایش در قالب نرم افزار ورد Word می باشد.
تحلیل عاملی روشی آماری برای کاهش پیچیدگی دادهها و شناسایی ساختار زیربنایی مجموعهای از متغیرها است. این روش به دنبال خلاصه کردن اطلاعات موجود در تعداد زیادی از متغیرها، در قالب تعداد کمتری از متغیرهای نهان (عامل) است.
به عبارت دیگر، تحلیل عاملی به ما کمک میکند تا بفهمیم که چه تعداد عامل، واریانس موجود در دادهها را تبیین میکنند و هر متغیر با کدام عامل ارتباط دارد.
کاربردهای تحلیل عاملی
کاهش ابعاد دادهها: زمانی که با تعداد زیادی از متغیرها روبرو هستیم، تحلیل عاملی میتواند به ما کمک کند تا دادهها را به ابعاد کمتری خلاصه کنیم و از این طریق، تحلیل دادهها را سادهتر کنیم.
شناسایی ساختار زیربنایی دادهها: تحلیل عاملی میتواند به ما کمک کند تا ساختار زیربنایی دادهها را شناسایی کنیم و به این ترتیب، درک عمیقتری از پدیده مورد مطالعه به دست آوریم.
تشکیل مقیاسهای جدید: تحلیل عاملی میتواند برای تشکیل مقیاسهای جدید از متغیرهای مرتبط با یکدیگر استفاده شود.
انواع تحلیل عاملی
دو نوع اصلی تحلیل عاملی وجود دارد:
تحلیل عاملی اکتشافی (EFA): زمانی که اطلاعات کافی درباره ساختار دادهها نداریم، از تحلیل عاملی اکتشافی استفاده میشود.
تحلیل عاملی تأییدی (CFA): زمانی که اطلاعات کافی درباره ساختار دادهها داریم، از تحلیل عاملی تأییدی استفاده میشود.
توجه: همه ی پرسشنامه هااز منابع معتبر تهیه شده، استاندارد ، دارای روایی و پایایی و منابع داخل و پایان متن می باشند . همه ی پرسشنامه ها قابل ویرایش در قالب نرم افزار ورد Word می باشد.
در تحلیل عاملی، معمولاً از ضرایب و آزمونهای مختلف برای بررسی سازوکارها و تأیید مدل استفاده میشود. در زیر، برخی از ضرایب و آزمونهای مهم در تحلیل عاملی تأییدی (CFA) و تحلیل عاملی اکتشافی (EFA) ذکر شده است:
تحلیل عاملی تأییدی (CFA):
ضرایب بارگذاری (Factor Loading): این ضرایب نشان میدهند که هر متغیر مشاهده شده چقدر به عاملها مرتبط است. ضرایب بارگذاری باید معنادار و بزرگتر از 0.3 یا 0.4 باشند.
رابطه عاملها (Factor Correlations): این ضرایب نشان میدهند که چقدر عاملها با یکدیگر مرتبط هستند. ارتباط بین عاملها باید معنادار و معقول باشد.
معیارهای اندازهگیری (Measurement Fit Indices): این آزمونها نشان میدهند که مدل عاملی چقدر با دادهها سازگار است. معیارهای مهم شامل RMSEA (Root Mean Square Error of Approximation)، CFI (Comparative Fit Index) و TLI (Tucker-Lewis Index) است.
تحلیل عاملی اکتشافی (EFA):
ضرایب بارگذاری (Factor Loading): مانند تحلیل عاملی تأییدی، در تحلیل عاملی اکتشافی نیز ضرایب بارگذاری نشان میدهند که هر متغیر مشاهده شده چقدر به عاملها مرتبط است.
ضریب کرومباخ آلفا (Cronbach’s Alpha): این ضریب میزان همبستگی داخلی متغیرها در هر عامل را نشان میدهد. این ضریب باید بین 0 و 1 باشد و مقدار نزدیک به 1 نشان دهنده همبستگی بالای متغیرها در عامل است.
آزمون کایزر-مایر-اولکین (Kaiser-Meyer-Olkin, KMO): این آزمون نشان میدهد که آیا دادهها مناسب برای انجام تحلیل عاملی هستند یا خیر. مقدار KMO باید بین 0 و 1 باشد و مقدار نزدیک به 1 نشان دهنده مطلوب بودن دادهها برای تحلیل عاملی است.
این فهرست تنها مجموعهای از ضرایب و آزمونهای معمول در تحلیل عاملی است و ممکن است در هر نرمافزار آماری و با توجه به مدل و شرایط خاص، ضرایب و آزمونهای دیگری نیز استموجود باشد. همچنین، توصیه میشود که با مطالعه منابع آماری و روشهای تحلیل عاملی، با ضرایب و آزمونهای مربوطه بیشتر آشنا شوید تا بهتر بتوانید نتایج تحلیل عاملی را تفسیر کنید.
برای انجام تحلیل عاملی تأییدی (CFA) و تحلیل عاملی اکتشافی (EFA)، میتوانید از نرمافزارهای آماری مختلف استفاده کنید. در زیر، نرمافزارهای محبوب برای هریک از این تحلیلها ذکر شده است:
تحلیل عاملی تأییدی (CFA):
AMOS: AMOS یک نرمافزار معروف برای انجام تحلیل عاملی تأییدی است. این نرمافزار توسط شرکت IBM توسعه داده شده است و به صورت یک پلاگین برای نرمافزار SPSS عرضه میشود.
LISREL: LISREL یک نرمافزار قدرتمند و پرکاربرد است که برای تحلیل عاملی تأییدی و سازوکارهای معادلات ساختاری استفاده میشود. این نرمافزار قابلیت اجرای تحلیلهای پیچیده و بررسی مدلهای پیشفرض را دارد.
Mplus: Mplus یک نرمافزار قدرتمند و پرکاربرد برای تحلیل عاملی تأییدی است. این نرمافزار میزان پیچیدگی تحلیل را مدیریت میکند و امکانات گستردهای برای بررسی سازوکارهای معادلات ساختاری و تحلیل دادههای پنهان را فراهم میکند.
تحلیل عاملی اکتشافی (EFA):
SPSS: SPSS (Statistical Package for the Social Sciences) یکی از نرمافزارهای آماری قدرتمند برای انجام تحلیل عاملی اکتشافی است. این نرمافزار به راحتی قابل استفاده است و قابلیتهای متنوعی برای تحلیل دادهها و شناسایی عوامل پنهان را فراهم میکند.
SAS: SAS (Statistical Analysis System) یک نرمافزار آماری قدرتمند است که قابلیت انجام تحلیل عاملی اکتشافی را نیز دارد. این نرمافزار امکانات گستردهای برای تحلیل دادهها، ایجاد نمودارها و تفسیر نتایج را فراهم میکند.
R: R یک زبان برنامهنویسی و نرمافزار آماری متنباز است که بسیار قدرتمند و گسترده است. با استفاده از پکیجهای آماری مختلف در R مانند “psych” و “lavaan”، میتوانید تحلیل عاملی اکتشافی را انجام دهید و نتایج را تفسیر کنید.
توجه داشته باشید که هر یک ازنرمافزارهای ذکر شده، قابلیتها و ویژگیهای متفاوتی دارند و بر اساس نیازها و تجربه شخصی، ممکن است ترجیح دهید از یکی از آنها استفاده کنید. همچنین، لازم به ذکر است که فهمیدن و تسلط بر نحوه استفاده از هر نرمافزار آماری ممکن است زمان و تمرین بیشتری نیاز داشته باشد.
خدمات تخصصی پژوهش و تحلیل داده های آماری با مناسبترین قیمت و کیفیت برتر!
در تحلیل عاملی تأییدی، مدل پیشفرضی از ساختار عاملی تعریف میشود و سپس میزان مطابقت بین دادههای مشاهده شده و مدل پیشفرض مورد بررسی قرار میگیرد. معمولاً در این روش، فرضیهها و روابط میان متغیرها از قبل تعیین شده و تحلیل بر اساس این فرضیهها انجام میشود. هدف اصلی تحلیل عاملی تأییدی، تأیید یا رد کردن یک مدل پیشفرض است و بررسی مطابقت دادهها با ساختار پیشفرض را در نظر دارد. در این روش، از معیارهای آماری مختلفی مانند بارهای عاملی، ضرایب مسیر، و شاخصهای مطابقت استفاده میشود. تحلیل عاملی اکتشافی (Exploratory Factor Analysis – EFA):
در تحلیل عاملی اکتشافی، هدف اولیه تشکیل و تعریف ساختار عاملی از متغیرها است، بدون داشتن فرضیههای خاص در مورد روابط بین متغیرها. در این روش، سعی میشود الگوهای پنهان و ساختار پنهان را در دادههای مشاهده شده شناسایی کنیم. تحلیل عاملی اکتشافی معمولاً با هدف کاهش ابعاد دادهها و یافتن عوامل یا مفاهیم پنهان در پس از متغیرها انجام میشود. با استفاده از تحلیل عاملی اکتشافی، میتوانیم متغیرها را در عواملی یا مفاهیم بزرگتر تجزیه و تحلیل کنیم و ساختار پنهان را بررسی کنیم. تفاوت اصلی بین تحلیل عاملی تأییدی و اکتشافی در هدف و رویکرد آنها است. تحلیل عاملی تأییدی بر روی یک مدل پیشفرض کار میکند و به تأیید یا رد کردن این مدل و مطابقت دادهها با آن میپردازد. اما تحلیل عاملی اکتشافی بدون فرضیه خاصی از قبل، سعی در شناسایی الگوها و ساختار پنهان در دادهها دارد و به ما کمک میکند تا عوامل یا مفاهیم پنهان در دادهها را شناسایی کنیم و ساختار پنهان را بررسی کنیم.
متغیر تعدیلکننده (Moderator Variable) متغیری است که به صورت مستقیم بر جهت یا میزان رابطه متغیرهای مستقل و وابسته میتواند تأثیر بگذارید .
اثرات این متغیر قابل مشاهده و اندازهگیری است.
به متغیر تعدیل کننده گاهی متغیر مستقل فرعیگفته می شود.
متغیر تعدیلگر یک متغیر کمی یا کیفی است که جهت و قدرت رابطه متغیر مستقل و وابسته را تحت تاثیر قرار میدهد.
برای نمونه متغیر عزت نفس در بررسی رابطه فرسودگی شغلی و مدیریت زمان یک متغیر تعدیل کننده است.
حال در نظر بگیرید که اثر تعدیل گری عزت نفس منفی و معنی دار باشد باید به صورت زیر آن را تفسیر کنیم.
عزت نفس بر شدت تأثیر متغیرفرسودگی شغلی بر مدیریت زمان اثر منفی و معکوس دارد . لذا در افرادی که عزت نفس آن ها بالا هست، فرسودگی شغلی کمتر می تواند بر مدیریت زمان تأثیر بگذارد ولی در افرادی که عزت نفس آن ها پایین هست، فرسودگی شغلی بیشتر می تواند بر مدیریت زمان تأثیر بگذارد.
بنابراین عزت نفس ، رابطه فرسودگی شغلی و مدیریت زمان را تعدیل میکند.
انواع متغیر تعدیلکننده و روش محاسبه آن
بارون و کنی (۱۹۸۶) در مقاله خود چهار حالت گوناگون از وضعیت متغیر مستقل و تعدیلگر را به شرح زیر بررسی کردند:
حالت اول: متغیر مستقل و تعدیلگر هر دو از نوع طبقهای (اسمی-رتبهای) باشند.
حالت دوم: متغیر تعدیلگر از نوع طبقهای و متغیر مستقل پیوسته باشد.
حالت سوم: متغیر تعدیلگر پیوسته و متغیر مستقل از نوع طبقهای باشد.
حالت چهارم: هر دو متغیر تعدیلگر و مستقل پیوسته باشند.
در حالت اول برای مثال بخواهید نقش جنسیت را در تاثیر سمت سازمانی بر رضایت شغلی ارزیابی کنید در این حالت میتوانید از تحلیل واریانس دوراهه استفاده کنید.
حالت دوم بیشترین کاربرد را مطالعات مدیریت دارد. برای مثال بخواهید نقش جنسیت را در رابطه اعتماد و رضایت شغلی بسنجید. جنسیت یک متغیر طبقهای است و اعتماد و رضایت متغیرهای پیوسته میباشند. در این حالت میتوانید از روش محاسبه اثر تعدیلگر با رگرسیون خطی استفاده کنید.
برای محاسبه حالت سوم پیشنهادی ندارم زیرا رویه مرسومی نیست ولی برای حالت چهارم میتوانید از محاسبه متغیر تعدیلگر با روش رگرسیون هایس استفاده کنید.
متغیر تعدیلکننده و رگرسیون سلسلهمراتبی
رگرسیون سلسلهمراتبی یا ترتیبی این امکان را فراهم میآورد که تاثیر چند متغیر مستقل بر یک متغیر وابسته طی چند مرحله مشخص شود. از رگرسیون سلسلهمراتبی برای بررسی نقش متغیرهای تعدیلگر براساس رویه پیشنهادی بارون و کنی استفاده کرد.
اگر پرسشنامهای با طیف لیکرت استفاده میکنید تمامی سازههایی که توسط چندین گویه مورد سنجش قرار میگیرند باید به یک شاخص قابل مشاهده تبدیل میشوند. برای این کار میانگین گویههای سنجش آنها را محاسبه کنید.
با توسعه فناوری و افزایش دانش، ابزارهای نوینی برای جمعآوری، توصیف، تحلیل، انتقال و ارائه اطلاعات توسط دانشپژوهان تولید شدهاند.
به عبارت دیگر، روشهای تحقیق نیز در حال تکامل و توسعه هستند. بنابراین، آگاهی یافتن از روشهای تحقیق و انجام تحلیلهای آماری ضروری است برای محققان، استادان و دانشجویان.
پژوهشگر برای پاسخگویی به مسئله تدوین شده و یا تصمیمگیری در مورد رد یا تایید فرضیه یا فرضیاتی که برای تحقیق در نظر گرفته است، از روشهای مختلف تجزیه و تحلیل استفاده میکند. همانطور که میدانید، هر مسئله نیازمند شیوه مطالعه و تحقیق خود را دارد.
بخش عمدهای از فعالیتهای علمی دانشجویان در دورههای تحصیلات تکمیلی، کارشناسی ارشد و دکتری، به انجام تحقیقات علمی و ارائه آنها به صورت گزارش، سمینار، پایاننامه و مقاله مربوط میشود. در این مطلب به طور خلاصه به بررسی و شرح بخشی از فرآیند تحقیق در زمینه تحلیل دادهها و روشهای آماری میپردازیم. همچنین با روشهای انجام تجزیه و تحلیل آماری آشنا خواهید شد. از آنجا که بیشتر پژوهشهای انجام شده در دانشگاهها جنبه کمی دارند، بنابراین یادگیری روشهای آماری، به ویژه آمار استنباطی، توصیه میشود. بدیهی است که برای این کار لازم است که دانشجویان و علاقمندان به یادگیری، نحوه استفاده از نرمافزارهای آماری و به ویژه انجام تحلیل آماری با SPSS اقدام کنند. برای یادگیری کار با این نرمافزار، لطفاً مقاله آموزش تحلیل آماری با SPSS را مطالعه فرمایید. در پایان این نوشتار، به معرفی آزمونهای آماری، آزمونهای پارامتریک و آزمونهای ناپارامتریک خواهیم پرداخت.
آمار توصیفی: آمار توصیفی به توضیح و تحلیل دادهها پرداخته و میتواند به ترتیب ارقامی بدون معنی که از آمار استفاده میشود، اطلاعات را معنادار کند تا اهداف پژوهشی و تحقیقات برآورده شوند. این به معنای اساسی هر مطالعه و پژوهش است که تمامی فعالیتهای تحقیقی را تا رسیدن به یک نتیجه، کنترل و هدایت میکند. نحوههای مختلف تجزیه و تحلیل برای دستیابی به پاسخگویی به مسئله تدوین شده و یا تصمیمگیری در مورد رد یا تایید فرضیه یا فرضیاتی که برای تحقیق در نظر گرفته شده است، استفاده میشود. به عبارت دیگر، هر مسئله نیازمند شیوه مطالعه و تحقیق خود است.
عناصر اساسی در تجزیه و تحلیل دادهها:
دادههای جمعآوری شده باید با دقت جمعآوری و ثبت شوند.
دادههای نقدی که توسط آمار معنادار میشوند، باید تجزیه و تحلیل شوند. (بازبینی دادههای جمعآوری شده)
باید اطمینان حاصل شود که دادههای جمعآوری شده به صحت و کیفیت مطلوب رسیدهاند.
دادههای جمعآوری شده را در قالب و فرمت یکنواخت ذخیره کنید.
در صورت وجود سوالات بدون پاسخ، باید آنها تکمیل شوند.
اگر پاسخهای سوالات با یکدیگر سازگار نیستند، علت این موضوع باید بررسی شود و پرسشنامه اصلاح شود.
پس از در دست داشتن دادههای صحیح و با کیفیت، اقدام به استفاده از آمار و انجام تجزیه و تحلیل خواهیم نمود.
مراحل کنگره دادهها: الف) مراحل کردن و تنظیم دادهها ب) کدگذاری دادهها ج) سازماندهی دادهها مراحل کردن و تنظیم دادهها: برای تحلیل دادهها، دادههای جمعآوری شده را میبایست انجام کدینگ و تنظیم دهیم، به شکلی که دادههای نقدی را مشخص و مرتب کنیم. روشهای تحلیل آماری در برابر دادههای نقدی انجام میشود. روشهای تحلیل آماری را میتوان به دو شاخه توصیفی و استنباطی تقسیم کرد.
آمار توصیفی: آمار توصیفی به توضیح و تحلیل دادهها پرداخته و میتواند به ترتیب ارقامی بدون معنی که از آمار استفاده میشود، اطلاعات را معنادار کند تا اهداف پژوهشی و تحقیقات برآورده شوند. این به معنای اساسی هر مطالعه و پژوهش است که تمامی فعالیتهای تحقیقی را تا رسیدن به یک نتیجه، کنترل و هدایت میکند. نحوههای مختلف تجزیه و تحلیل برای دستیابی به پاسخگویی به مسئله تدوین شده و یا تصمیمگیری در مورد رد یا تایید فرضیه یا فرضیاتی که برای تحقیق در نظر گرفته شده است، استفاده میشود. به عبارت دیگر، هر مسئله نیازمند شیوه مطالعه و تحقیق خود است.
شاخصهای تمایل مرکزی: • میانگین: متوسط حسابی یک مجموعه دادهها میباشد. • نما: مقداری است که بیشترین تکرار را در مجموعه دادهها دارد. • میانه: عددی است که در وسط دادهها قرار دارد. • چارکها: چارک و صدکها مهم هستند، اما به طور کلی صدکها در مورد مجموعههای بزرگ به کار میروند.
شاخصهای پراکندگی: شاخصهای پراکندگی نشاندهنده میزان پراکندگی یا تغییراتی که در بین دادههای یک توزیع (نتایج تحقیق) وجود دارد، هستند. این شاخصها مهم هستند زیرا نشان میدهند که آیا دادهها دارای تنوع زیادی هستند یا خیر.
مثالهایی از شاخصهای پراکندگی: • واریانس: میزان انحراف اعداد از میانگین را نشان میدهد. واریانس بزرگتر به معنای تنوع بیشتر در دادهها است. • انحراف معیار: از این شاخص برای اندازهگیری انحراف اعداد از میانگین استفاده میشود. • دامنه: اختلاف بین حداکثر و حداقل دادهها را نشان میدهد. دامنه بزرگتر به معنای تنوع بیشتر است.
شاخصهای چولگی و کشیدگی: • چولگی: میزان شیب و تنگی توزیع دادهها را نشان میدهد. چولگی مثبت نشاندهنده دارا بودن دادههای بیشتر در یک طرف توزیع است و چولگی منفی نشاندهنده توزیع دادهها در طرف دیگر است. • کشیدگی (Kurtosis): اندازهگیری شکل و تیزی یا تخمین از فراوانی دادهها در دمایهای توزیع است. کشیدگی بزرگتر نشاندهنده دارا بودن دادههای زیاد در مرکز توزیع و کشیدگی کمتر نشاندهنده توزیع دادهها در دمایهای بیرونی توزیع است.
آمار استنباطی: آمار استنباطی به تفسیر، تحلیل و برداشت نتایج بر اساس نمونهگیری از یک جمعیت بزرگتر میپردازد. این نمونهگیری به این دلیل انجام میشود که ممکن است تحلیل کل جمعیت زمانبر و گرانقیمت باشد. از طریق نمونهگیری، اطلاعات زیادی از جمعیت به دست میآید و بر اساس آن نتایج برآورده میشود. در آمار استنباطی، از مفاهیمی مانند اطمیناناندازهگیری، تست فرضیهها، اندازهگیری خطا و اعتبارسنجی استفاده میشود.
مثالهایی از آمار استنباطی: • اندازهگیری اطمینان: میزان قطعیت و اعتماد ما به نتایج به دست آمده از نمونهگیری. • تست فرضیهها: بررسی فرضیههایی که در مطالعه ارائه شده و تصمیمگیری در مورد رد یا تایید آنها. • اندازهگیری خطا: تخمین خطاهای ممکن در نتایج به دست آمده از نمونهگیری. • اعتبارسنجی: بررسی اعتبار و صحت نتایج و مطالعات با استفاده از روشهای مختلف.
خواص شاخص های پراکندگی -شاخصهای پراکندگی مخصوص داده های کمی می باشد . – در شاخصهای پراکندگی همیشه عددی مثبت محاسبه می شود . -حداقل شاخصهای پراکندگی صفر می باشد و آن هنگامی است که همه داده ها برابر می باشند. برخی از مهمترین شاخص های پراکندگی عبارتند از: • دامنه تغییرات • واریانس • انحراف معیار • ضریب تغییر یا تعیین شاخص های چولگی شاخصی است که از نظر گرافیکی تقارن و یا عدم تقارن در مجموعه دیتا ها را نمایش می دهد و تقارن همیشه نسبت به میانگین است. شاخص های کشیدگی(Kurtosis) این شاخص مانند واریانس و انحراف معیار راجع به جمع شدن شکل یا پهن بودن شکل است. آمار استنباطی چیست؟ در بیشتر فعالیت های آماری جمع آوری، تنظیم و ارائه ی یافته ها و یا تعیین آماره ها کفایت نمی کند ، بلکه لازم است بر اساس این اطلاعات جمع آوری و تنظیم شده ، تجزیه و تحلیل و استنباط هایی برای تبیین و تصمیم گیری صورت گیرد .این بخش از آمار که به تحلیل ، تفسیر و تعمیم نتایج حاصل از تنظیم و محاسبه ی مقدماتی اماری تکیه دارد ، آمار استنباطی خوانده می شود .با استفاده از روش های امار استنباطی می توان مشخصات جامعه ی اماری را از روی نمونه ها استنباط کرد. ویژگی آمار تحلیلی یا استنباطیAnalytic Statistics • آمار تحلیلی به معنای تعمیم نتایج نمونه به جامعه است. • در آمار تحلیلی مفهوم ضریب اطمینان حائز اهمیت است. • ضریب اطمینان رایج در تحقیقات علوم پزشکی ۹۵% است. • بطور استثناء در موارد کم اهمیت تر از ضریب اطمینان ۹۰% و در مواردی که اهمیت زیادی دارد از ضریب اطمینان ۹۹% استفاده می شود. آمار استنباطی و آزمون فرضیه ها: بعد از توصیف متغیرها وپاسخهای بدست آمده از جامعه آماری در این بخش به بررسی فرضیه های مطرح شده و آزمون آماری مورد استفاده در پژوهش پرداخته شده است به بیان دیگر به تحلیل یافته های بدست آمده پرداخته میشود تا از نظر آماری نیز بتوان صحت و سقم فرضیات را مورد بررسی قرار داد. برای اینکه آزمون آماری مناسب، مورد استفاده در پژوهش را به درستی انتخاب کنید لطفا مقالات انتخاب صحیح آزمون های آماری را مطالعه فرمایید. آزمونهای آمار استنباطی به دو گروه تقسیم میشوند. 1. پارامتری: به تجزیه و تحلیل اطلاعات در سطح مقیاس فاصلهای و نسبی میپردازند که حداقل شاخص آماری آنها میانگین (Mean) و واریانس (Variance) است. 2. آزمونهای ناپارامتری : به تجزیه و تحلیل اطلاعات در سطح مقیاس اسمی و رتبهای میپردازند که شاخص آماری آنها میانه (Median) و نما (Mode) است. آزمونهای پارامتریک • آزمون t تک نمونه • آزمون t وابسته • آزمون t دو نمونه مستقل • آزمون t ولچ • آزمون t هتلینگ • تحلیل واریانس (ANOVA) • تحلیل واریانس چندعاملی (MANOVA) • تحلیل کوواریانس چندعاملی (MANCOVA) آزمونهای ناپارامتریک • آزمون علامت تک نمونه • آزمون علامت زوجی • ویلکاکسون • من-ویتنی • کروسکال-والیس • فریدمن • کولموگروف-اسمیرنف • آزمون تقارن توزیع • آزمون میانه • مک نمار • آزمون Q کوکران • ضریب همبستگی اسپیرمن تحلیلهای انجام گرفته در موسسه همیار پروژه دارای ویژگیهای زیر می باشد: • انجام تمام تحلیل های موجود • توضیح و تفسیر کامل برون دادها • ارائه مشاوره در حین تحلیل • استفاده از نرم افزارهای متنوع • بررسی نهایی تحلیل آماری • انجام انواع مختلف پروژه های آماری و تحلیل پایان نامه ها • انجام سفارشات تجزیه و تحلیل آماری داده های آماری بدست آمده از پرسشنامه • اطلاعات حاصل از آزمایشات و تحقیقات علمی و آنالیز آماری آنها • اجرای انواع آزمونها و روشهای آماری (اعم از آزمونهای پارامتری و ناپارامتریک) • و…
شاخصهای پراکندگی مخصوص دادههای کمی هستند و همیشه اعداد مثبت محاسبه میشوند. حداقل شاخصهای پراکندگی صفر است که در صورتی اتفاق میافتد که همه دادهها برابر باشند. این شاخصها از اهمیت زیادی برخوردارند و در تحلیل دادهها و اندازهگیری تغییرات مفید هستند. در ادامه به بررسی ویژگیهای آمار استنباطی و آزمونهای آماری پرداخته و تحلیلهایی که در موسسه همیار پروژه انجام میدهند، معرفی میشوند.
آمار استنباطی: آمار استنباطی به تفسیر، تحلیل و برداشت نتایج بر اساس نمونهگیری از یک جمعیت بزرگتر میپردازد. این نمونهگیری به این دلیل انجام میشود که ممکن است تحلیل کل جمعیت زمانبر و گرانقیمت باشد. از طریق نمونهگیری، اطلاعات زیادی از جمعیت به دست میآید و بر اساس آن نتایج برآورده میشود. در آمار استنباطی، از مفاهیمی مانند اطمیناناندازهگیری، تست فرضیهها، اندازهگیری خطا و اعتبارسنجی استفاده میشود.
آزمونهای آماری: آزمونهای آماری به دو گروه تقسیم میشوند: پارامتریک و ناپارامتریک.
آزمونهای پارامتریک از تجزیه و تحلیل اطلاعات در سطح مقیاس فاصلهای و نسبی میپردازند که حداقل شاخص آماری آنها میانگین و واریانس است. برخی از آزمونهای پارامتریک عبارتند از:
آزمون t تک نمونه
آزمون t وابسته
آزمون t دو نمونه مستقل
آزمون t ولچ
تحلیل واریانس (ANOVA)
تحلیل واریانس چندعاملی (MANOVA)
تحلیل کوواریانس چندعاملی (MANCOVA)
آزمونهای ناپارامتریک به تجزیه و تحلیل اطلاعات در سطح مقیاس اسمی و رتبهای میپردازند که شاخص آماری آنها میانه و نما است. برخی از آزمونهای ناپارامتریک عبارتند از:
تجزیه و تحلیل آماری ابزاری قدرتمند است که کسب و کارها و سازمانها، مراکز تحقیقاتی از آن برای استخراج معنا از دادهها و هدایت تصمیمگیری استفاده میکنند. انواع مختلفی از تکنیکهای تجزیه و تحلیل آماری وجود دارد که میتواند برای طیف گستردهای از دادهها، صنایع و برنامهها استفاده شود. تجزیه و تحلیل آماری شامل جمعآوری، سازماندهی و تجزیه و تحلیل دادهها بر اساس اصول ثابت شده برای شناسایی الگوها و روندها است. این یک رشته گسترده با برنامههای کاربردی در دانشگاه، کسب و کار، علوم اجتماعی، ژنتیک، مطالعات جمعیت، پزشکی، مهندسی و چندین زمینه دیگر میباشد.
به عبارتی تحلیل آماری عبارتست از گزارشی شامل جداول و نمودارهای آماری و تحلیل و تفسیر آنها، به گونه ای که تصویری روشن و توصیفی از داده ها و هم چنین استنباط های حاصل از استخراج نکات کلیدی و مدیریتی از داده ها ارائه می دهد.
روند تجزیه و تحلیل اطلاعات
در تجزیه و تحلیل آماری چندین مرحله وجود دارد اما در این قسمت به پنج مرحله مهم اشاره خواهیم کرد:
1- انتخاب جامعه هدف
جامعه آماری عبارتست از مجموعه تمام افراد، گروهها، اشیاء و یا رویدادهایی که دارای یک یا چند ویژگی مشترک باشند. تعداد اعضای جامعه را حجم یا اندازه جامعه مینامند و با حرف بزرگ N نشان میدهند.
2- انتخاب حجم نمونه
نمونه آماری گروه کوچکتری از جامعه است که طبق ضابطهای معین برای مشاهده و تجزیه و تحلیل انتخاب میشود و باید معرف جامعه باشد. نتایج نمونه ای را که معرف جامعه نباشد نمیتوان به جامعه تعمیم داد. تعداد اعضای نمونه را با حرف کوچک n نشان می دهند.
3- تمیز سازی داده( data cleaning)
پاکسازی داده ها (Data cleaning)، شامل شناسایی و رفع خطاهای احتمالی دادهها برای بهبود کیفیت آنهاست. در این فرآیند، شما دادههای «کثیف» را شناسایی، بررسی، تجزیه و تحلیل، اصلاح یا حذف میکنید تا مجموعه دادههای خود را پاکسازی کنید. دادههای کثیف به معنی ناهماهنگیها و خطاها هستند که میتوانند از هر بخش فرآیند تحقیق، مانند طراحی ضعیف، اندازه گیری غلط، ورود دادههای ناقص و… به دست آیند.
4- تجزیه و تحلیل داده ها
از آنجا که دادهها هر لحظه برجستهتر میشوند، سازمانها نیز عملکردهایی مبتنی بر داده محوری را پیش میگیرند. این میان، تجزیه و تحلیل داده، به معنای اتخاذ روشهایی برای جمعآوری اطلاعات بیشتر است. سپس این دادهها مرتب شده، ذخیره میشوند و مورد تجزیه و تحلیل قرار میگیرند تا اطلاعات منطقی و ارزشمندی بدست آید. تجزیه و تحلیل دادهها فرایند پیشرفت کار را ممکن و البته تسهیل میکند.
تجزیه و تحلیل دادهها شامل آنالیز مجموعه دادهها برای شناسایی الگوها، روندها و روابط با استفاده از تکنیکهای آماری، مانند تجزیه و تحلیل آماری استنباطی و توصیفی است. شما میتوانید از نرمافزارهای رایانهای مانند صفحات گسترده برای خودکار کردن این فرآیند و کاهش احتمال خطای انسانی در روند تجزیه و تحلیل آماری استفاده کنید. این امر میتواند به شما امکان تجزیه و تحلیل موثر دادهها را بدهد.
5- تفسیر نتایج
آخرین مرحله تفسیر دادهها است، که نتایج قطعی در مورد هدف تجزیه و تحلیل ارائه میدهد. پس از تجزیه و تحلیل، میتوانید نتیجه را به صورت نمودار، گزارش، کارت امتیاز و داشبورد ارائه دهید تا در اختیار افراد غیر حرفهای قرار گیرد. به عنوان مثال، تفسیر تجزیه و تحلیل تأثیر کارخانهای دارای ۶۰۰۰ کارگر بر میزان جرم و جنایت در یک شهر کوچک با ۱۳۰۰۰ نفر جمعیت، میتواند میزان نزولی فعالیتهای جنایی را نشان دهد. برای نمایش این کاهش میتوانید از نمودار خطی استفاده کنید.
انواع تحلیل آماری
به صورت کلی دو نوع تجزیه و تحلیل داده اصلی وجود دارد: توصیفی و استنباطی(تحلیلی). هر یک از این انواع اهداف و نقشهای خاص خود را در روند تجزیه و تحلیل دادهها دارند. در ادامه هر کدام از آنها را به صورت جداگانه بررسی خواهیم کرد:
آمار توصیفی
در این نوع تجزیه و تحلیل، اگر تجزیه و تحلیل به صورت کمّی باشد، پژوهشگر دادههای جمعآوری شده را با استفاده از شاخصهای آماری توصیفی، خلاصه و طبقهبندی میکند. بهعبارت دیگر، در تجزیه و تحلیل توصیفی پژوهشگر ابتدا دادههای جمعآوری شده را با تهیه و تنظیم جدول توزیع فراوانی خلاصه میکند و سپس به کمک نمودار آنها را نمایش میدهد و سرانجام، با استفاده از سایر شاخصهای آمار توصیفی آنها را خلاصه میکند. مهم ترین شاخصهای آمار توصیفی که کاربرد زیادی دارند عبارتاند از: میانگین، میانه و انحراف استاندارد.ولی اگر تجزیه و تحلیل کیفی باشد، در تحلیل توصیفی چگونگی صفات هر یک از متغیرهای موجود، در تحلیل تشریح میشود.
آمار تحلیلی
آمار تحلیلی یا استنباطی برای مطالعه رابطه میان متغیرها در دادهها استفاده میشود. از این آمارها برای پیشبینی، نتیجهگیری یا تعمیم نتایج به کل جامعه آماری استفاده میشود. در تحلیل استنباطی نمونه کوچکی از دادهها گرفته میشود و نتایج آن برای جامعه هدفی بزرگتر استفاده میشود.
ابزارهای لازم برای انجام تحلیل آماری
یکی از ابزارهای اصلی مورد نیاز برای انجام و نگارش تحلیل آماری، نرم افزار آماری است. و تصور “تحلیل آماری” بدون استفاده از نرم افزارهای آماری غیر ممکن است. زیرا برای تجزیه و تحلیل داده ها نیاز به عملیات های آماری خاصی است که محاسبات آن به صورت دستی غیر ممکن یا بسیار سخت و زمان بر می باشد.
ما در این سایت پرسشنامه های استاندارد (دارای روایی، پایایی، روش دقیق نمره گذاری ، منبع داخل و پایان متن ) ارائه می کنیم و همچنین تحلیل آماری کمی و کیفی رابا قیمت بسیار مناسب و کیفیت عالی و تجربه بیش از 17 سال انجام می دهیم. برای تماس به ما به شماره 09143444846 در شبکه های اجتماعی پیام بفرستید. ایمیلabazizi1392@gmail.com
تمامی حقوق مادی و معنوی این سایت متعلق به لنسرسرا و محفوظ است.
این سایت دارای مجوز می باشد