بایگانی دسته: روش تحقیق کیفی

انجام پژوهش کیفی - تحلیل آماری - پژوهش - کیفی - کمی - کامپیوتر

آموزش کامل نرم افزار انویو Nvivo فصل 1- قسمت سوم: پنجره های تخصصی

آموزش کامل نرم افزار انویو Nvivo فصل 1- قسمت سوم: پنجره های تخصصی

در این بخش با پنجره های تخصص نرم افزار Nvivo آشنا می شوید. این بخش مواردی مانند : 3-1- آشنایی با پنجره های تخصصی نرم‌افزار –  نمای هدایت گر (Navigation view)  دسترسی سریع (Quick Access) –  دیتا (Data) – کدها (codes) –  روابط (Relationships) –  نمونه‌ها (Cases) – ‌نوتز (Notes)  – جستجو (Search) –  نقشه (Maps) –  خروجی (Outputs) –  نمای فهرست (List view) –  نمای جزئیات (Detail view)  سفارشی کردن و تنظیمات نرم‌افزار)} آموزش می دهد.


برای دسترسی به کاملترین پکیج آموزشی نرم افزار انویوو Nvivo به زبانی فارسی روی لینک زیر کلیک نمایید.

لینک مشاهده و دانلود پکیچ

انجام پژوهش کیفی
انجام پژوهش کیفی.jpg
تحلیل داده های آماری
تحلیل های کمی با نرم افزار های : SPSS – Amos – Pls تحلیل های کیفی با نرم افزار های : Maxqda – NVivo

انجام پژوهش کیفی - تحلیل آماری - پژوهش - کیفی - کمی - کامپیوتر

تحلیل داده های کیفی  با MAXQDA2020  , NVivo

داده های کیفی داده هایی  اند که عدد و رقمی درآن ها وجود ندارد و هرچه هست کلمات و جملات، گفتارها، اسناد، تصاویر، نوشته ها، متون، نمادها و داد هایی از این قبیل است.

تحلیل داده های آماری
پایان نامه – مقاله نویسی

برای جمع آوری داده های کیفی از ابزارهایی مانند مصاحبه ( عمیق و نیمه عمیق یا ساختار یافته و نیمه ساختار یافته) ، مصاحبه گروه های کانونی، پرسشنامه های گسترده پاسخ ، متون خطی و غیر خطی، صوت، فیلم استفاده می شود.

مقاله نویسی

جهت تحلیل محتوای کیفی نمی توان  از ابزارهای کمی مانند SPSS; pls & Amos  استفاده کرده بلکه  باید از نرم افزارهای تحلیل داده های کیفی  مانند NvivoT Atlas & Maxqda  استفاده کرد.

علی الخصوص که امروزه استفاده از روشهای پژوهش ترکیبی یا آمیخته (Mixed Methods) یا به عبارتی دیگر روش پژوهش کیفی و کمی در جامعه پژوهشی کشور در حال رواج است لزوم استفاده از این نرم افزارها نمود بیشتری پیدا کرده است.

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

تحلیل مصاحبه ها و پرسشنامه با نرم افزارهای MAXQDA2020  ، NVivo

ما  تحلیل داده های کیفی  شما را با کیفیتعالی و قیمت مناسب  و بنابرنظر شما و استاد راهنمای محترم تحلیل می کنیم.

همچنین در زمینه های زیر می توانید از ما مشاوره بگیرید:


طراحی و تدوین سوالات مصاحبه ها و پرسشنامه گسترده پاسخ

پیاده سازی فایل صوتی مصاحبه ها با نرم افزار MAXQDA2020  ، نرم افزار Nvivo

كدگذاري اوليه و ثانويه مصاحبه با نرم افزار MAXQDA2020  ، نرم افزار Nvivo

تحلیل داده های اکتشافی و شناسایی مولفه ها از طریق مصاحبه نیمه ساختار یافته و عمیق؛
مقوله بندی و تفسیر یافته های بدست آمده از مصاحبه ها با نرم افزار MAXQDA2020  ، نرم افزار Nvivo

پایان نامه نویسی مقاله نویسی
پایان نامه نویسی مقاله نویسی


گزارش یافته های تحلیل مصاحبه با نرم افزار MAXQDA2020  ، نرم افزار Nvivo

استفاده از روشهای تحليل كمي، ساختاري و تفسيري داده های مصاحبه توسط متخصصین با نرم افزارهای ایموس Amos، Smart PLS، SPSS

تحلیل ساختاري متن نوشتاري، بر حسب تعداد واژه‌ها، اصطلاحات و مفاهيم و ميزان تكرار آنها شمارش با نرم افزار MAXQDA2020  ، نرم افزار Nvivo

انجام پژوهش کیفی - تحلیل آماری - پژوهش - کیفی - کمی - کامپیوتر

انجام تحلیل کیفی با نرم افزارهای مکس کیو دی ای و انویوو Maxqda & Nvivo

انجام تحلیل کیفی با نرم افزارهای مکس کیو دی ای و انویوو Maxqda & Nvivo

تحقیق کیفی روشی است برای درک عمیق‌تر از هر آنچه که در حال تحقیق درباره  آن هستید.

این روش به شما درک درستی از وقایع، داده‌های مربوط به گروه‌های انسانی یا اجتماعی و الگوهای گسترده در پشت پدیده‌ای که در حال تحقیق درباره آن هستید، می‌دهد.

انجام تحلیل کیفی با نرم افزارهای مکس کیو دی ای و انویوو Maxqda & Nvivo

تحلیل داده های کیفی

انجام پژوهش کیفی
انجام پژوهش کیفی.jpg

داده‌های کیفی، کیفیت‌ها یا ویژگی‌ها را توصیف می‌کنند.

تمایل به جمع‌آوری آن با استفاده از پرسشنامه، مصاحبه و مشاهده است. داده‌های کیفی می‌تواند به صورت کلمات توصیفی باشد که (گاهی اوقات از طریق استفاده از کدگذاری) برای الگوها یا معانی مورد بررسی قرار گیرد.

کدگذاری به محقق این امکان را می‌دهد تا داده‌های کیفی را برای شناسایی مضامین متناسب با سوالات تحقیق و انجام تجزیه و تحلیل کمی طبقه‌بندی کند. با این حال، کدگذاری در تحقیقات کیفی ضرورتی ندارد.

فرایند اصلی تحلیل در روی آورد نظریه پایه کد گذاری آزاد در اطلاعات است.

نوعی طبقه بندی که به طبقه های مختلف به طور استقرایی اجازه ظهور می دهد. این طبقه ها از قبل نمی توانند تثبیت شوند و همچنین مانند مقوله های روزمره زندگی، مانع الجمع نیستند.

بدین شکل که یک واحد معنایی خاص ممکن است در تعدادی مقوله یا سازه مختلف قرار داده شود.

ویژگی های روشهای تحقیق کیفی

  1. روش های تحقیق کیفی معمولاً داده ها را در دیدگاه جمع می کنند ، جایی که شرکت کنندگان مشکلی را تجربه می کنند. این داده ها در زمان واقعی هستند و بندرت شرکت کنندگان را برای جمع آوری اطلاعات از مناطق جغرافیایی خارج می کنند.
  2. محققان کیفی معمولاً بجای تکیه بر یک منبع داده واحد ، چندین شکل داده مانند مصاحبه ، مشاهدات و اسناد را جمع می کنند.
  3. این نوع روش تحقیق به دنبال حل مسائل پیچیده با تجزیه به استنتاج های معنی دار است ، که به راحتی توسط همه قابل خواندن و درک است.

۴. از آنجا که این یک روش ارتباطی تر است ، مردم می توانند اعتماد خود را به محقق ببندند و اطلاعات بدست آمده به دست آمده خام و غیر قابل کنترل است.

ما داده های کیفی شما (مصاحبه ، پرسشنامه گسترده پاسخ و …) را با نرم افزارهای مکس کیو دی ای( Maxqda) و انویوو ( Nvivo) با بهترین کیفیت و مناسب ترین قیمت تحلیل می کنیم.

کافی است با یکی از روش های زیر با ما در تماس باشید:

برای سفارش کافی است به شماره 09143444846 ( ایتا، تلگرام واتساپ) یا به ایمیل abazizi1392@gmail.com پیام بفرستید.

انجام پژوهش کیفی - تحلیل آماری - پژوهش - کیفی - کمی - کامپیوتر

کدگذاری در روش گراندد تئوری

در روش گراندد تئوری (نظریه داده‌بنیاد) از سه روش کدگذاری باز محوری و انتخابی استفاده می‌شود.

کد گذاری باز: اشتراوس و کوربین کد گذاری باز را اینگونه توصیف می‌کنند “بخشی از تحلیل که مشخصاً به نامگذاری و دسته‌بندی پدیده از طریق بررسی دقیق داده‌ها مربوط می‌شود”. به عبارت بهتر در این نوع کدگذاری مفاهیم درون مصاحبه‌ها و اسناد و مدارک بر اساس ارتباط با موضوعات مشابه طبقه بندی می‌شوند.

کدگذاری محوری: هدف از کدگذاری محوری ایجاد رابطه بین مقوله‌های تولید شده (در مرحله کدگذاری باز) است. این عمل معمولا بر اساس الگوی پاردایمی انجام می‌شود و به نظریه پرداز کمک می‌کند تا فرایند نظریه پردازی را به سهولت انجام دهد. اساس ارتباط دهی در کدگذاری محوری بر بسط و گسترش یکی از مقوله‌ها قرار دارد. دسته بندی اصلی (مانند ایده یا رویداد محوری) بعنوان پدیده تعریف می‌شود و سایر دسته بندی‌ها با این دسته‌بندی اصلی مرتبط می‌شوند. شرایط علّی موارد و رویدادهایی هستند که منجر به ایجاد و توسعه پدیده می‌گردند.

کدگذاری انتخابی: کدگذاری انتخابی عبارت است از فرآیند انتخاب دسته بندی اصلی، مرتبط کردن نظام‌مند آن با دیگر دسته بندی ها، تأیید اعتبار این روابط، و تکمیل دسته بندی هایی که نیاز به اصلاح و توسعه بیشتری دارند. کدگذاری انتخابی بر اساس نتایج کدگذاری باز و کدگذاری محوری، مرحله اصلی نظریه پردازی است. به این ترتیب که مقوله محوری را به شکل نظام‌مند به دیگر مقوله‌ها ربط داده و آن روابط را در چارچوب یک روایت ارائه کرده و مقوله هایی را که به بهبود و توسعه بیشتری نیاز دارند، اصلاح می‌کند. دانشجویان دوره دکتری مدیریت آموزش تحلیل کیفی را جدی بگیرید.

انجام پژوهش کیفی - تحلیل آماری - پژوهش - کیفی - کمی - کامپیوتر

کد گذاری با روش اترید-استرلینگ

روش اترید-استرلینگ

روش پیشنهادی اترید-استرلینگ Attride-Stirling یکی از روش‌های مرسوم کدگذاری در تحلیل مضمون است. این روش مبتنی بر تشکیل شبکه مضامین Thematic Network است و در پژوهش‌های مختلف مورد استفاده قرار می‌گیرد. شبکه مضامین شامل سه دسته از کدها و مفاهیم است:

  • مضامین پایه Basic Themes
  • مضامین سازمان‌دهنده Organizing Themes
  • مضامین فراگیر Global Themes
انجام پژوهش کیفی
انجام پژوهش کیفی

مضامین پایه شامل کدها و نکات کلیدی متن است. با مطالعه کامل متن باید خردترین کدها شناسایی و به عنوان یک مضمون پایه انتخاب شود. مضامین سازمان‌دهنده شامل مضامین حاصل از ترکیب و تلخیص مضامین پایه است. کدهای پایه باید مرور و مفاهیم مشابه در کنار هم قرار گیرند. پژوهشگر با توجه به توان تشخیص و تسلط خود باید نام مناسبی برای هر دسته کد انتخاب کند. در نهایت مضامین فراگیر شامل مضامین عالی دربرگیرنده حاکم بر متن به مثابه کل است.

تحلیل داده های آماری

گراندد تئوری (نظریه داده بنیاد)

گراندد تئوری (نظریه داده بنیاد)

گراندد تئوری (Grounded Theory) یا نظریه داده بنیاد یک روش تحقیق کیفی است که برای نظریه‌پردازی پیرامون پدیده مورد مطالعه استفاده می‌شود. این روش زمانی استفاده می‌شود که ادبیات پژوهش پیرامون موضوع از غنای لازم برخوردار نباشد. همچنین هدف ارائه یک نظریه جدید است که تاکنون در جوامع پژوهشی مطرح نشده است.

این روش توسط دو جامعه شناس به نام بارنی گلیسر (Barney Glaser) و آنسلم اشتراوس (Anselm Strauss) در سال ۱۹۶۷ میلادی معرفی شد. روش اصلی گردآوری داده‌ها در این روش استفاده از انواع مصاحبه است. با تحلیل و کدگذاری متن مصاحبه‌ها به ارائه مدل پارادایمی پرداخته می‌شود. در روش گراندد تئوری با استفاده از یک دسته داده‌ها، نظریه‌ای تکوین می‌یابد. به طوری که این نظریه در یک سطح وسیع، یک فرایند، عمل یا تعامل را تبیین می‌کند. بیشتر پژوهشگران از روش اشتراوس و کوربین برای انجام تحلیل گراندد تئوری استفاده می‌کنند.

نظریه حاصل از اجرای چنین روش پژوهشی، نظریه‌ای فراگردی است. از مزایای روش گراندد تئوری این است که:

  • تئوری به شکل منظم و بر اساس داده‌های واقعی شکل می‌گیرد.
  • برای موقعیتی مناسب است که دانش ما در مورد آن محدود است و تئوری قابل اعتنا در آن موجود نیست که بتوان بر اساس آن فرضیه‌ای برای آزمون تدوین کرد.
  • گراندد تئوری در طول تحقیق رشد می‌کند و از رهگذر تعامل مستمر بین گردآوری و تحلیل داده‌ها حاصل می‌شود.

فلسفه روش گراندد تئوری

فلسفه علمی روش گراندد تئوری براساس نظریه کنش متقابل نماید یا symbolic interactionism قرار دارد. به عبارت دیکر نظریه گراندد تئوری در پارادایم تفسیری تعامل‌گرایی سمبولیک ریشه دارد. در تعامل‌گرایی سمبولیک اعتقاد بر این است که مردم مبنای اینکه چگونه سمبول‌های خاص مانند پوشش‌، عبارات کلامی و غیرکلامی را معنی و تفسیر می‌نمایند، رفتار کرده و با یکدیگر تعامل دارند. عناصر کلیدی روش گراندد تئوری شامل نمونه‌گیری نظری، مقایسه ثابت، کدگذاری باز، محوری و انتخابی، یادآوری و اشباع نظری، توسط اشتراوس و کوربین توصیف شده است.

امروزه ۳ رهیافت مسلط در نظریه­ پردازی زمینه بنیان قابل تفکیک است:

رهیافت اشتراوس، کوربین و چارمز

رهیافت اشتراوس، کوربین و چارمز

رهیافت نظام­‌مند Systematic که با اثر اشتراوس و کوربین (Strauss and Corbin, 1998) شناخته می­‌شود.

رهـیافت ظاهرشونده Emergent که مربوط به اثر گلیسر (Glaser, 1992) است.

رهیافت ساخت­‌گرایانه Constructivist که توسط چارمز (Charmaz, 1990; 2000) حمایت می­‌شود.

نظریه­ داده بنیاد یکی از استراتژی‌­های پژوهش محسوب می‌­شود که از طریق آن نظریه‌­پردازی بر مبنای مفاهیم اصلی حاصل از داده­‌های موجود در زمینه، شکل می‌گیرد. این­گونه نظریه­ پردازی مبتنی بر استعاره کولاژ و همانند مدل سطل زباله تصمیم­‌گیری می‌­باشد که از تلاقی تصادفی اجزاء و البته با هنرنمایی نظریه­ پرداز ترکیبی نو، بدیع و جذاب خلق می‌­شود. به عبارت دیگر، نظریه­‌پرداز زمینه‌­بنیان در زمینی متشکل از داده­‌های پراکنده متعدد و متنوع سیر نموده و به منظور دستیابی به نظری‌ه­ای نو با هنرنمایی آن­ها را ترکیب می‌­نماید. خلاقیت یکی از اجزای مهم نظریه­‌پردازی زمینه­‌بنیان است. رویه­‌های این روش پژوهشگر را مجبور می­‌سازد که پیش‌­فرض­‌ها را درهم شکسته و از عناصر قدیمی نظمی نو بیافریند.

مدل‌های گراندد تئوری

مدل‌های گراندد تئوری

استراتژی روش گراندد تئوری

استراتژی نظریه­ داده بنیاد زمینه­ بنیان از نوعی رویکرد استقرایی بهره می‌­گیرد. یعنی روند شکل­‌گیری نظریه در این استراتژی حرکت از جزء به کل است. این روش یک سلسله رویه­‌های سیستماتیک را به کار می­‌گیرد تا نظریه‌­ای مبتنی بر استقرا درباره پدیده­ مورد نظر ایجاد کند. یافته‌های تحقیق دربرگیرنده تنظیم نظری واقعیت تحت بررسی است نه یک سلسله ارقام یا مجموعه‌­ای از مطالب که به یکدیگر وصل شده باشند.

هدف نظریه­ پردازی زمینه­ بنیان ساختن و پرداختن نظریه‌­ای است که در زمینه مورد مطالعه صادق و روشنگر باشد. این استراتژی پژوهش بر سه عنصر: مفاهیم، مقوله‌­ها و گزاره­‌ها استوار است.

مراحل نظریه داده بنیاد (گراندد تئوری)

مراحل نظریه داده بنیاد (گراندد تئوری)

در پژوهش نظریه­ پردازی زمینه‌­بنیان، نظریه مورد نظر یک نظریه فراگردی است. اگر چه نظریه­پردازان زمینه­بنیان ممکن است یک تک ایده مثلاً مهارت­‌های رهبری را هم مورد تحقیق قرار دهند ولی آن­ها اغلب یک فراگرد را بررسی می­‌کنند. زیرا درک جهان اجتماعی مستلزم این است که افراد با یکدیگر تعامل داشته باشند. در نظریه‌­پردازی زمینه­‌بنیان، یک فراگرد، زنجیره­ای از کنش‌­ها و واکنش­‌ها بین افراد و وقایع مربوط به یک موضوع است.

داده‌هایی که توسط نظریه­‌پرداز زمینه‌­بنیان برای تشریح فراگردها گردآوری می­‌شود شامل انواع مختلفی از داده­‌های کیفی است نظیر مشاهده، گفت و شنودها، مصاحبه، اسناد و مدارک، خاطرات پاسخ‌دهندگان و تأملات شخصی خود پژوهشگر. نظریه­ پردازی زمینه­ بنیان از فراگردی استفاده می­ کند که مستلزم گردآوری و تحلیل همزمان و زنجیره ­وار داده‌­ها است.

در این استراتژی پژوهشی، از نمونه ­برداری نظری استفاده می­ شود. نمونه‌برداری نظری، فراگرد گردآوری داده برای تولید نظریه است که بدان وسیله تحلیل‌گر به طور همزمان داده‌هایش را جمع ­آوری، کدگذاری و تحلیل کرده و تصمیم می­‌گیرد به منظور بهبود نظریه خود تا هنگام ظهور آن، در آینده چه داده­ هایی را جمع­ آوری و در کجا آن­ها را پیدا کند.

فرایند نظریه پردازی نظریه­ داده‌بنیاد

نظریه‌­پردازی داده­‌بنیان مبتنی بر ۳ نوع کدگذاری باز، محوری و انتخابی است که در ادامه هر یک تشریح می‌­شوند.

  • کدگذاری باز Open Coding
  • کدگذاری محوری Axial Coding
  • کدگذاری انتخابی Selective Coding

انواع کدگذاری در روش گراندد تئوری

انواع کدگذاری در روش گراندد تئوری

کدگذاری آزاد ( باز) : کدگذاری، روند تجزیه و تحلیل داده‌­هاست. کدگذاری باز بخشی از فرایند تحلیل داده‌هاست که به خردکردن، مقایسه­‌سازی، نام‌گذاری، مفهوم‌­­پردازی و مقوله­‌بندی داده‌­ها می‌پردازد. طی کدگذاری باز، داده‌­ها به بخش‌­های مجزا خرد شده و برای به­‌دست آوردن مشابهت­‌ها و تفاوت­‌هایشان مورد بررسی قرار می­‌گیرند. کدگذاری باز دربرگیرنده رویه­‌های زیر است.

کدگذاری محوری: کدگذاری محوری مرحله دوم تجزیه و تحلیل در نظریه­‌پردازی زمینه‌­بنیان است. هدف این مرحله برقراری رابطه بین مقوله‌­های تولید شده در مرحله کدگذاری باز است. این کدگذاری، به این دلیل محوری نامیده شده که کدگذاری حول محور یک مقوله رخ می‌دهد. در این مرحله پژوهشگر یکی از مقوله‌ها را به عنوان مقوله محوری انتخاب کرده، آن را تحت عنوان پدیده محوری در مرکز فرایند، مورد کاوش قرار داده و ارتباط سایر مقولات را با آن مشخص می‌کند.

کدگذاری انتخابی : پدیده مورد نظر، ایده و فکر محوری، حادثه، اتفاق یا واقعه‌­ای است که جریان کنش­‌ها و واکنش‌­ها به سوی آن رهنمون می­‌شوند تا آن­ را اداره، کنترل و یا به آن پاسخ دهند. پدیده محوری با این سئوال اصلی همراه است که داده‌­ها به چه چیزی دلالت می­کنند؟  مقوله محوری ایده (انگاره، تصور) یا پدیده‌­ای است که اساس و محور فراگرد است. این مقوله همان عنوانی (نام یا برچسب مفهومی) است که برای چارچوب یا طرح به وجود آمده در نظر گرفته می‌­شود. مقوله‌­ای که به عنوان مقوله محوری انتخاب می‌شود باید به قدر کافی انتزاعی بوده و بتوان سایر مقولات اصلی را به آن ربط داد. اشتراوس (۱۹۸۷) ویژگی­‌های انتخاب مقوله محوری را موارد زیر بیان می‌کند.

ارائه الگوی پارادایمی

درکدگذاری‌باز، مقوله‌ها و مضامین اصلی پیرامون پدیده مورد مطالعه شناسایی می‌شوند. در کدگذاری‌محوری‌، مقوله‌ها‌ به‌طور نظام‌مند بهبودیافته و با زیرمقوله‌ها پیوند داده‌ می‌شوند‌. در نهایت از طریق، کدگذاری گزینشی، الگوی پارادایمی پژوهش ارائه می‌شود. یک مدل پارادایمی شامل موارد زیر است:

  • شرایط علی
  • شرایط زمینه‌ای
  • شرایط مداخله‌گر
  • استراتژی‌ها
  • پیامدها

ارائه الگوی پارادایمی در نظریه‌پردازی داده‌بنیاد

از طریق الگوی پارادایمی، گستره پژوهش تا سطح یکی از چندین فرایند یا شرایط اجتماعی اصلی که در داده‌ها وجود دارند، فشرده‌تر می‌شود. ظهور متغیر محوری در مطالعه، به عنوان راهنمایی برای گردآوری و تحلیل داده‌های بیشتر بعدی نیز، عمل می‌کند، یعنی مقوله محوری سبب جهت‌دهی به نمونه برداری نظری می‌شود.

نتیجه‌گیری

هدف نظریه­پردازی زمینه ­بنیان، تولید نظریه است نه توصیف صرف پدیده. برای اینکه تحلیل­‌ها به نظریه تبدیل شوند مفاهیم باید به طور منظم به یکدیگر ربط یابند. در کدگذاری محوری، مبانی و پایه­های کدگذاری انتخابی پی­ریزی می­شود. کدگذاری انتخابی مرحله اصلی نظریه­پردازی است که مقوله محوری را به شکلی نظام­مند به دیگر مقوله­ها ربط داده، آن روابط را در چارچوب یک روایت و داستان، روشن کرده و مقوله­هایی را که به بهبود و توسعه بیشتری نیاز دارند، اصلاح می‌­کند.

کدگذاری انتخابی، یافته­های مراحل کدگذاری قبلی را گرفته، مقوله محوری را انتخاب می­کند، به شکلی نظام­مند آن را به دیگر مقوله­ها ربط می­دهد، آن روابط را اثبات می­کند، و مقوله­هایی را که به بهبود و توسعه بیشتری نیاز دارند تکمیل می­کند. در این حالت توجه به روابط میان مقوله­ها بر مبنای مشخصه­ها و ابعادشان است.

اولین گام در کدگذاری انتخابی تشریح خط اصلی داستان است. گام دوم ربط دادن مقوله‌های تکمیلی حول مقوله محوری با استفاده از یک مدل است. در مرحله بعد هر یک از مقوله­‌ها می­باید به ابعادشان مرتبط شوند. گام چهارم به تائید رساندن آن روابط با استفاده از داده‌هاست. آخرین مرحله تکمیل مقوله­‌هایی است که نیاز به اصلاح و یا بسط و گسترش دارند. در نهایت نظریه زمینه‌­بنیان ممکن است با گزاره‌­ها یا قضایایی پایان یابد که روابط بین مقوله­‌ها را در الگوی کدگذاری محوری روشن می‌­کنند.

منبع: آموزش روش گراندد تئوری نوشته آرش حبیبی نشر الکترونیک پارس مدیر

مقیاس نسبی (نسبتی) در آمار

مقیاس نسبی در آمار

مقیاس نسبی یکی از انواع مقیاس‌های آماری است که برای اندازه‌گیری و مقایسه متغیرهایی که از نمونه‌های با اندازه‌های مختلف به دست می‌آیند، استفاده می‌شود. در این نوع مقیاس‌ها، ارزش متغیر به صورت نسبی به دیگر مقادیر در نمونه مشخص می‌شود. به عبارت دیگر، این مقیاس‌ها به ما امکان می‌دهند تا متغیرهایی با واحدها و مقادیر مختلف را با هم مقایسه کنیم.

مقیاس‌های نسبی شامل مقایسه‌هایی مانند نسبت، درصد، ضریب، و ارزش p به عنوان یک معیار احتمالی می‌شوند. به طور مثال، نسبت متغیر X به متغیر Y به صورت X/Y تعریف می‌شود و در صورتی که ارزش نسبت برابر با 1 باشد، به این معنی است که دو متغیر با هم برابرند. اگر نسبت بزرگتر از 1 باشد، به این معنی است که متغیر اول بزرگتر از دوم است و اگر کمتر از 1 باشد، به این معنی است که متغیر اول کوچکتر از دوم است.

در مقابل، مقیاس‌های دیگری مانند مقیاس‌های مطلق، مانند میانگین و واریانس، بر اساس واحد‌های مشخصی تعریف می‌شوند و به همین دلیل برای مقایسه متغیرهایی با واحدها و مقادیر مختلف نیاز به تبدیل داده‌ها به واحد‌های مشترک دارند.

استفاده از مقیاس‌های نسبی در آمار، به ما امکان مقایسه و تفسیر داده‌های مختلف را با هم فراهم می‌کند و باعث می‌شود تحلیل داده‌ها به صورت دقیق‌تر و معتبرتری انجام شود.

یک مثال از استفاده از مقیاس‌های نسبی:

فرض کنید می‌خواهید میزان فروش یک محصول در دو دوره زمانی مختلف را مقایسه کنید. در دوره اول، فروش این محصول 1000 واحد بوده است و در دوره دوم، فروش آن به 1500 واحد افزایش یافته است. برای مقایسه این دو دوره، می‌توان از مقیاس نسبت استفاده کرد.

در این صورت، نسبت فروش دوره دوم به دوره اول برابر با 1500/1000=1.5 خواهد بود. این نسبت نشان می‌دهد که فروش در دوره دوم نسبت به دوره اول به میزان 50 درصد افزایش یافته است. اگر به جای مقیاس نسبت، از مقیاس مطلق مانند افزایش تعداد واحدهای فروش استفاده می‌کردیم، این نتیجه قابل مقایسه نبود و نمی‌توانستیم به این سادگی بفهمیم که درصد افزایش فروش در دوره دوم چقدر بوده است.

بنابراین، استفاده از مقیاس‌های نسبی مانند نسبت، درصد و ضریب، به ما این امکان را می‌دهد که متغیرهایی با واحدها و مقادیر مختلف را با هم مقایسه کنیم و تحلیل داده‌ها را به صورت دقیق‌تر و معتبرتر انجام دهیم.

برای مشاهده لیست همه ی  پرسشنامه های استاندارد لطفا همین جا روی پرسشنامه استاندارد  کلیک فرمایید.

تحلیل داده های آماری برای پایان نامه و مقاله نویسی ،تحلیل داده های آماری شما با نرم افزارهای کمی و کیفی ،مناسب ترین قیمت و کیفیت عالی انجام می گیرد.نرم افزار های کمی: SPSS- PLS – Amosنرم افزار کیفی: Maxqudaتعیین حجم نمونه با:Spss samplepower

روش های تماس:Mobile :  09143444846  واتساپ – تلگرامکانال تلگرام سایت: برای عضویت در کانال تلگرام سایت اینجا کلیک کنید(البته قبلش فیلتر شکن روشن شود!!) مطالب جالب علمی و آموزشی در این کانال درج می گردد.

مقیاس فاصله ای چیست؟

مقیاس فاصله ای چیست؟

مقیاس فاصله‌ای (distance metric) در ریاضیات، یک تابع است که دو نقطه را به عنوان ورودی دریافت کرده و فاصله بین آن‌ها را به عنوان خروجی محاسبه می‌کند. این مقیاس‌ها برای اندازه‌گیری فاصله بین داده‌ها در بسیاری از روش‌های یادگیری ماشین و پردازش تصویر و صدا و همچنین در کاربردهای مختلف دیگر مانند شباهت متن و برخی مسائل بهینه‌سازی مورد استفاده قرار می‌گیرند.

برخی از مقیاس‌های فاصله معروف عبارتند از فاصله یا هم‌نشینی یا هم‌خوانی یا شباهت کسینوسی (Cosine Similarity) برای بردارها، فاصله منهتن (Manhattan Distance) و فاصله یا هم‌خوانی یا هم‌نشینی یا شباهت یکتای جاکارد (Jaccard Similarity) برای مجموعه‌ها، و فاصله اقلیدسی (Euclidean Distance) برای داده‌های عددی.

مقیاس فاصله‌ای در آمار به معنای یک معیار کمی است که برای اندازه‌گیری فاصله بین دو متغیر استفاده می‌شود. فاصله در اینجا به معنای فاصله میان دو متغیر در فضای مشخصی است که می‌تواند فضای معمولی دو بعدی، سه بعدی و یا فضای بیشتر باشد. به طور کلی، مقیاس فاصله‌ای به عنوان یک ابزار ارزیابی استفاده می‌شود تا میزان شباهت یا تفاوت بین دو متغیر را اندازه‌گیری کند.

برخی از مقیاس‌های فاصله‌ای معروف شامل مقیاس فاصله یا همواره مثبت اقلیدسی، مقیاس فاصله منهتن، مقیاس فاصله کوسینوسی و مقیاس جاکارد هستند. هر یک از این مقیاس‌های فاصله‌ای برای اندازه‌گیری فاصله‌ی میان دو متغیر بر اساس قواعد و الگوهای خاص خودشان عمل می‌کنند. به طور کلی، استفاده از مقیاس فاصله‌ای مناسب و مناسب برای متغیرهای مورد بررسی، به صورت معمول به کاهش خطاهای تحلیلی و بهبود دقت نتایج کمک می‌کند.

مقیاس‌های فاصله‌ای در آمار و علم داده‌ها بسیار مهم هستند و در بسیاری از برنامه‌های کاربردی استفاده می‌شوند. به طور مثال، در مسائل دسته‌بندی، مقیاس فاصله‌ای می‌تواند برای اندازه‌گیری فاصله میان دو نمونه استفاده شود. در این مورد، می‌توان از مقیاس فاصله یا همواره مثبت اقلیدسی برای اندازه‌گیری فاصله میان دو نمونه استفاده کرد.

همچنین، مقیاس فاصله‌ای می‌تواند در مسائل خوشه‌بندی نیز مورد استفاده قرار گیرد. در این حالت، می‌توان از مقیاس فاصله منهتن یا مقیاس فاصله کوسینوسی استفاده کرد. مثلا می‌توان با استفاده از مقیاس فاصله منهتن، فاصله دو نمونه را در فضای چند بعدی محاسبه کرد و آن‌ها را در خوشه‌های مختلف قرار داد.

در مسائل پردازش تصویر و گراف، مقیاس فاصله‌ای می‌تواند برای اندازه‌گیری فاصله میان دو تصویر و یا دو ساختار گرافی استفاده شود. در این حالت، می‌توان از مقیاس فاصله کوسینوسی یا مقیاس جاکارد استفاده کرد.

در کل، استفاده از مقیاس‌های فاصله‌ای مناسب و مناسب برای مسائل مختلف، به دقت و کیفیت نتیجه تحلیلی کمک می‌کند و می‌تواند در تصمیم‌گیری‌های مختلف مفید باشد.

برای مشاهده لیست همه ی  پرسشنامه های استاندارد لطفا همین جا روی پرسشنامه استاندارد  کلیک فرمایید.

تحلیل داده های آماری برای پایان نامه و مقاله نویسی ،تحلیل داده های آماری شما با نرم افزارهای کمی و کیفی ،مناسب ترین قیمت و کیفیت عالی انجام می گیرد.نرم افزار های کمی: SPSS- PLS – Amosنرم افزار کیفی: Maxqudaتعیین حجم نمونه با:Spss samplepower

روش های تماس:Mobile :  09143444846  واتساپ – تلگرامکانال تلگرام سایت: برای عضویت در کانال تلگرام سایت اینجا کلیک کنید(البته قبلش فیلتر شکن روشن شود!!) مطالب جالب علمی و آموزشی در این کانال درج می گردد.

پایان نامه نویسی مقاله نویسی

مقیاس ترتیبی چیست؟

مقیاس ترتیبی چیست؟

مقیاس ترتیبی چیست؟

مقیاس ترتیبی یا مقیاس رتبه‌ای، یکی از انواع مقیاس‌های آماری است که برای مرتب‌سازی داده‌ها بر اساس ترتیب آن‌ها به کار می‌رود. در این مقیاس، داده‌ها بر اساس رتبه‌ی آن‌ها در مجموعه مرتب می‌شوند و به هر داده یک رتبه نسبت داده می‌شود. در اینجا، رتبه به معنای جایگاه یا موقعیت داده در مجموعه داده‌هاست. برای مثال، اگر دو داده در مجموعه داده‌ها به ترتیب ۳ و ۷ قرار داشته باشند، داده با مقدار کمتر (یعنی ۳) رتبه‌ی ۱ و داده با مقدار بیشتر (یعنی ۷) رتبه‌ی ۲ را خواهد داشت.

مقیاس ترتیبی برای داده‌هایی که نمی‌توان برای آن‌ها مقدار عددی نسبت داد، مانند رنگ‌ها یا دسته‌بندی‌های کیفیتی، مناسب است. همچنین، این مقیاس در بررسی تفاوت بین داده‌ها و مقایسه آن‌ها با داده‌های دیگر نیز مفید است.

برای مشاهده لیست همه ی  پرسشنامه های استاندارد لطفا همین جا روی پرسشنامه استاندارد  کلیک فرمایید.

تحلیل داده های آماری برای پایان نامه و مقاله نویسی ،تحلیل داده های آماری شما با نرم افزارهای کمی و کیفی ،مناسب ترین قیمت و کیفیت عالی انجام می گیرد.نرم افزار های کمی: SPSS- PLS – Amosنرم افزار کیفی: Maxqudaتعیین حجم نمونه با:Spss samplepower

روش های تماس:Mobile :  09143444846  واتساپ – تلگرامکانال تلگرام سایت: برای عضویت در کانال تلگرام سایت اینجا کلیک کنید(البته قبلش فیلتر شکن روشن شود!!) مطالب جالب علمی و آموزشی در این کانال درج می گردد.

مقاله نویسی

مقیاس اسمی چیست؟

مقیاس اسمی یکی از انواع مقیاس‌های اندازه‌گیری در روش‌های آماری است که برای دسته‌بندی داده‌ها به کار می‌رود.

در این نوع از مقیاس‌ها، داده‌ها با نشان دادن نام یا برچسبی که به آن‌ها اختصاص داده شده است، دسته‌بندی می‌شوند.

به عبارت دیگر، در مقیاس اسمی، داده‌ها فقط به عنوان اعضای گروه‌های مجزا شناخته می‌شوند و هیچ قدرت مقایسه و محاسبه‌ای بین آن‌ها وجود ندارد.

مثال‌هایی از مقیاس اسمی عبارتند از: جنسیت – رنگ‌ها، نام شهرها، نام کشورها و ژانرهای موسیقی-

آیا مقیاس اسمی در تحلیل داده‌های کمیتی هم مورد استفاده قرار می‌گیرد؟

مقیاس اسمی در تحلیل داده‌های کمیتی معمولاً برای دسته‌بندی داده‌ها و توصیف ویژگی‌های کیفی مانند نام، جنسیت، محل سکونت، رنگ مورد علاقه و غیره استفاده می‌شود.

این نوع از داده‌ها به صورت کیفی نیستند و نمی‌توان به آن‌ها عملیات ریاضی اعمال کرد.

با این حال، در برخی موارد، می‌توان از مقیاس اسمی برای تحلیل داده‌های کمیتی استفاده کرد.

به عنوان مثال، می‌توان داده‌هایی را در نظر گرفت که در آن‌ها متغیرهایی مانند رنگ یک محصول، میزان رضایت مشتریان از آن محصول یا میزان تقاضای محصولاتی با نام‌های مختلف در بازار وجود داشته باشد و از مقیاس اسمی برای توصیف این متغیرها استفاده کرد.

با این حال، در این موارد، برای تحلیل داده‌ها به مقیاس‌های دیگری نیز نیاز است تا بتوان از قابلیت‌های تحلیلی آن‌ها بهره برد.

مثالی از تحلیل داده‌های کمیتی با استفاده از مقیاس اسمی

فرض کنید که شما یک شرکت معتبر برای تحلیل بازار یک محصول خاص استخدام شده‌اید.

شما به دنبال تحلیل داده‌هایی هستید که نشان دهنده تفاوت در نوع محصولاتی است که مشتریان خریداری می‌کنند.

در این مثال، می‌توانیم از مقیاس اسمی برای دسته‌بندی محصولات استفاده کنیم.

برای این کار، از مشتریان خود سوال می‌کنید که محصولی که خریداری کرده‌اند، به چه دسته‌ای از محصولات تعلق دارد.

مثلاً می‌توانیم از دسته‌های محصولاتی مانند الکترونیکی، خانگی، غذایی و غیره استفاده کنیم.

در اینجا، داده‌ها به صورت کیفی هستند و نمی‌توان به آن‌ها عملیات ریاضی اعمال کرد.

با این حال، با دسته‌بندی داده‌ها، می‌توانید الگوهای خریداری محصولات مختلف را تحلیل کرده و بر اساس آن‌ها تصمیم‌گیری کنید که در کدام دسته محصولات باید بیشتر سرمایه‌گذاری کرد.

برای مشاهده لیست همه ی  پرسشنامه های استاندارد لطفا همین جا روی پرسشنامه استاندارد  کلیک فرمایید.

تحلیل داده های آماری برای پایان نامه و مقاله نویسی ،تحلیل داده های آماری شما با نرم افزارهای کمی و کیفی ،مناسب ترین قیمت و کیفیت عالی انجام می گیرد.نرم افزار های کمی: SPSS- PLS – Amosنرم افزار کیفی: Maxqudaتعیین حجم نمونه با:Spss samplepower

روش های تماس:Mobile :  09143444846  واتساپ – تلگرامکانال تلگرام سایت: برای عضویت در کانال تلگرام سایت اینجا کلیک کنید(البته قبلش فیلتر شکن روشن شود!!) مطالب جالب علمی و آموزشی در این کانال درج می گردد.