بایگانی دسته: آموزش Spss اس پی اس اس

چگونه فایل اکسل را غیر قابل ویرایش کنیم

مراحل آزمون تحلیل واریانس دو راهه (Two-Way ANOVA) در نرم افزار spss

مراحل آزمون تحلیل واریانس دو راهه (Two-Way ANOVA) در نرم افزار spss

برای انجام آزمون تحلیل واریانس دو راهه (Two-Way ANOVA) در نرم‌افزار SPSS، مراحل زیر را دنبال کنید:

مراحل انجام آزمون در SPSS:

  1. وارد کردن داده‌ها:
    • نرم‌افزار SPSS را باز کنید و داده‌های خود را در محیط Data View وارد کنید.
    • هر متغیر (عامل) را در یک ستون جداگانه وارد کنید. به عنوان مثال، اگر دو عامل دارید (مثلاً نوع کود و نوع نور)، هر کدام را در یک ستون جداگانه قرار دهید.
    • متغیر وابسته (مثلاً رشد گیاه) را در ستون دیگری وارد کنید.
  2. تنظیمات متغیرها:
    • به تب “Variable View” بروید و نوع متغیرها (Categorical یا Numeric) را تنظیم کنید.
    • برای متغیرهای عامل، نوع آن‌ها را به “Nominal” یا “Ordinal” تنظیم کنید و برای متغیر وابسته، نوع آن را به “Scale” تنظیم کنید.
  3. اجرای آزمون ANOVA:
    • به منوی “Analyze” بروید.
    • گزینه “General Linear Model” را انتخاب کنید و سپس “Univariate…” را انتخاب کنید.
  4. تنظیمات مدل:
    • در پنجره باز شده، متغیر وابسته (مثلاً رشد گیاه) را به کادر “Dependent Variable” اضافه کنید.
    • متغیرهای عامل (مثلاً نوع کود و نوع نور) را به کادر “Fixed Factor(s)” اضافه کنید.
  5. تنظیمات اضافی:
    • برای بررسی تأثیر متقابل، روی دکمه “Model…” کلیک کنید.
    • در پنجره باز شده، گزینه “Full factorial” را انتخاب کنید تا تأثیر متقابل بین عوامل نیز بررسی شود.
    • بر روی “Continue” کلیک کنید.
  6. تنظیمات خروجی:
    • برای مشاهده نتایج، روی دکمه “Post Hoc…” کلیک کنید (اگر نیاز به آزمون‌های پس‌زمینه دارید) و آزمون‌های مناسب (مثل Tukey یا Bonferroni) را انتخاب کنید.
    • همچنین می‌توانید بر روی “Options…” کلیک کرده و گزینه “Descriptive statistics” و “Estimates of effect size” را انتخاب کنید تا اطلاعات بیشتری دریافت کنید. سپس بر روی “Continue” کلیک کنید.
  7. اجرای آزمون:
    • پس از تنظیم تمام گزینه‌ها، روی “OK” کلیک کنید تا آزمون اجرا شود.
  8. تفسیر نتایج:
    • پس از اجرای آزمون، نتایج در پنجره Output نمایش داده می‌شود.
    • به دنبال جدول ANOVA بگردید. در این جدول، مقادیر F و p-value برای هر عامل و همچنین برای تأثیر متقابل نمایش داده می‌شود.
    • اگر مقدار p کمتر از 0.05 باشد، می‌توانید فرضیه صفر را رد کرده و نتیجه‌گیری کنید که حداقل یکی از میانگین‌ها متفاوت است.

نکات مهم:

  • بررسی فرضیات: قبل از تفسیر نتایج، حتماً فرضیات تحلیل واریانس (توزیع نرمال و همگنی واریانس) را بررسی کنید.
  • گزارش نتایج: در گزارش نتایج، حتماً مقدار F، p-value و اندازه اثر (Effect Size) را ذکر کنید.

نرم افزارهای تحلیل متن MaxQDA و NVivo: مقایسه، راهنمای استفاده و اهمیت تحلیل متن در پژوهش‌های علوم انسانی

نوشته

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

نوشته

آیا تحقیق پس‌رویدادی محدودیت‌هایی دارد که باید در نظر گرفته شوند؟

نوشته

تبدیل و جایگزینی اعداد انگلیسی به فارسی در نرم افزار ورد Word ویژه پایان نامه و مقاله نویسی

نوشته

تحلیل داده های آماری با نرم افزارهای کمی و کیفی

چگونه فایل اکسل را غیر قابل ویرایش کنیم

تفاوت تحلیل مسیر با معادلات ساختاری چیست؟

تفاوت تحلیل مسیر با معادلات ساختاری چیست؟

تحلیل مسیر و معادلات ساختاری دو روش آماری هستند که برای بررسی روابط بین متغیرها استفاده می‌شوند، اما هر کدام ویژگی‌ها و کاربردهای خاص خود را دارند. در ادامه به تفاوت‌های اصلی این دو روش پرداخته می‌شود:

1. تعریف و هدف

  • تحلیل مسیر (Path Analysis): این روش به بررسی روابط مستقیم و غیرمستقیم بین متغیرهای مختلف می‌پردازد. تحلیل مسیر معمولاً برای مدل‌سازی روابط بین متغیرهای مستقل و وابسته به کار می‌رود و به صورت یک شبکه از روابط نشان داده می‌شود.
  • معادلات ساختاری (Structural Equation Modeling – SEM): این روش پیچیده‌تر است و علاوه بر تحلیل مسیر، می‌تواند شامل متغیرهای پنهان (Latent Variables) باشد. SEM به محققان این امکان را می‌دهد که مدل‌های پیچیده‌تری را با استفاده از داده‌های مشاهده شده و پنهان بسازند.

2. نوع متغیرها

  • تحلیل مسیر: معمولاً بر روی متغیرهای مشاهده شده (Observed Variables) تمرکز دارد و روابط بین آن‌ها را بررسی می‌کند.
  • معادلات ساختاری: می‌تواند شامل متغیرهای پنهان باشد که به صورت غیرمستقیم از متغیرهای مشاهده شده استنتاج می‌شوند. این متغیرها به محققان این امکان را می‌دهند که مفاهیم نظری را که به راحتی قابل اندازه‌گیری نیستند، مدل‌سازی کنند.

3. پیچیدگی مدل

  • تحلیل مسیر: مدل‌های آن معمولاً ساده‌تر هستند و بیشتر بر روی روابط بین متغیرها تمرکز دارند.
  • معادلات ساختاری: می‌تواند مدل‌های بسیار پیچیده‌تری را شامل شود و به محققان این امکان را می‌دهد که چندین رابطه همزمان را بررسی کنند و تأثیرات متقابل متغیرها را مدل‌سازی کنند.

4. آزمون فرضیات

  • تحلیل مسیر: فرضیات معمولاً به صورت ساده‌تری آزمون می‌شوند و تکیه بر روابط مستقیم و غیرمستقیم دارد.
  • معادلات ساختاری: می‌تواند به آزمون فرضیات پیچیده‌تری بپردازد و به محققان این امکان را می‌دهد که مدل‌های نظری خود را با داده‌ها مقایسه کنند.

5. تجزیه و تحلیل داده‌ها

  • تحلیل مسیر: معمولاً از رگرسیون چندگانه برای تحلیل استفاده می‌کند.
  • معادلات ساختاری: از تکنیک‌های پیشرفته‌تری مانند تحلیل واریانس-کواریانس (Covariance Analysis) استفاده می‌کند.

نتیجه‌گیری

به طور خلاصه، تحلیل مسیر یک روش ساده‌تر برای بررسی روابط بین متغیرها است، در حالی که معادلات ساختاری ابزاری پیچیده‌تر و جامع‌تر برای مدل‌سازی روابط بین متغیرهای مشاهده شده و پنهان به شمار می‌رود. انتخاب بین این دو روش بستگی به اهداف تحقیق، نوع داده‌ها و پیچیدگی مدل مورد نظر دارد.

پس معادلات ساختاری دارای دو بخش اندازه گیری و ساختاری هست، حال اگر بیاییم از مدل معادلات ساختاری بخش اندازه گیری را حذف کنیم ، بخش تحلیل میر می ماند.

تحلیل آماری عوامل دموگرافیک (جمعیت شناسی)

پیش‌فرض‌های آزمون‌های آماری

پیش‌فرض‌های آزمون‌های آماری به طور کلی عبارتند از:

  1. توزیع نرمال: داده‌ها باید از توزیع نرمال پیروی کنند.
  2. استقلال مشاهدات: مشاهدات باید مستقل از یکدیگر باشند.
  3. همواری واریانس: واریانس‌ها در گروه‌های مختلف باید برابر باشند (همگنی واریانس).
  4. خطی بودن: رابطه بین متغیرها باید خطی باشد (در آزمون‌های رگرسیونی).
  5. عدم وجود مقادیر پرت: داده‌ها نباید شامل مقادیر پرت یا ناهنجاری‌های شدید باشند.
  6. مقیاس اندازه‌گیری: داده‌ها باید در مقیاس مناسب (نسبتی یا ترتیبی) جمع‌آوری شده باشند.

این پیش‌فرض‌ها ممکن است بسته به نوع آزمون آماری خاص متفاوت باشند، اما این موارد به عنوان اصول کلی در نظر گرفته می‌شوند.

پیشنهاد می شود موارد ذیل را نیز مطالعه نمایید:

گیاهی که برای دورکردن افکار منفی و افزایش حافظه عالی عمل می‌کند

خواص جالب درمانی گیاه شیرین بیان

تحلیل داده های آماری

تیپ شخصیتی شما کشاورز است یا شکارچی؟

دانلود  پاورپونت روش تحقیق، آمار و پایان نامه نویسی

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

تحلیل واریانس با اندازه‌گیری‌های مکرر (repeated measures ANOVA)

تحلیل واریانس با اندازه‌گیری‌های مکرر (repeated measures ANOVA)

تحلیل واریانس با اندازه‌گیری‌های مکرر (Repeated Measures ANOVA) یک روش آماری است که برای مقایسه میانگین‌ها در گروه‌های مختلف استفاده می‌شود، به ویژه زمانی که داده‌ها از یک گروه در چندین زمان یا شرایط مختلف جمع‌آوری شده‌اند. این روش به محققان اجازه می‌دهد تا تأثیر یک یا چند متغیر مستقل (فاکتور) را بر روی یک متغیر وابسته بررسی کنند.

1. تعریف و کاربردها:

تحلیل واریانس با انداز�‌گیری‌های مکرر به ویژه در مطالعاتی که در آن‌ها یک گروه از افراد در چندین زمان یا شرایط مختلف اندازه‌گیری می‌شوند، کاربرد دارد. به عنوان مثال، می‌توان از این روش برای بررسی تأثیر یک درمان خاص بر روی یک گروه از بیماران در زمان‌های مختلف استفاده کرد.

2. مزایا:

  • کاهش واریانس: با استفاده از اندازه‌گیری‌های مکرر، واریانس ناشی از تفاوت‌های فردی کاهش می‌یابد، زیرا هر فرد به عنوان خود کنترل عمل می‌کند.
  • افزایش قدرت آماری: این روش معمولاً قدرت آماری بیشتری نسبت به ANOVA یک‌طرفه دارد، زیرا خطای نوع اول و دوم را کاهش می‌دهد.

3. مفروضات:

برای استفاده از تحلیل واریانس با اندازه‌گیری‌های مکرر، برخی از مفروضات باید رعایت شوند:

  • نرمال بودن داده‌ها: توزیع داده‌ها باید نرمال باشد.
  • همگنی واریانس‌ها: واریانس‌ها باید در تمام گروه‌ها مشابه باشند.
  • سازگاری سطوح: اندازه‌گیری‌ها باید از یک گروه در زمان‌های مختلف انجام شود.

4. روش انجام:

برای انجام تحلیل واریانس با اندازه‌گیری‌های مکرر، مراحل زیر باید دنبال شود:

  1. جمع‌آوری داده‌ها: داده‌ها باید از یک گروه در شرایط یا زمان‌های مختلف جمع‌آوری شوند.
  2. تجزیه و تحلیل داده‌ها: با استفاده از نرم‌افزارهای آماری (مانند SPSS، R یا Python) داده‌ها را تجزیه و تحلیل کنید.
  3. تفسیر نتایج: نتایج را بررسی کرده و معناداری تفاوت‌ها را تحلیل کنید. معمولاً از آزمون‌های پس‌ازآن (Post-hoc tests) برای شناسایی تفاوت‌های خاص بین گروه‌ها استفاده می‌شود.

5. نتیجه‌گیری:

تحلیل واریانس با اندازه‌گیری‌های مکرر ابزاری قدرتمند برای بررسی تأثیر متغیرهای مستقل بر روی متغیر وابسته در شرایط مختلف است. این روش به محققان کمک می‌کند تا درک بهتری از دینامیک داده‌ها و تأثیرات متغیرها در طول زمان یا شرایط مختلف داشته باشند.

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

نوشته

کار و تفریح را با هم انجام دهید !

نوشته

تحلیل متن با هوش مصنوعی voyant با چند کلیک ساده (ویژه پایان نامه و مقاله نویسی )

نوشته

تحلیل مسیر چیست؟

نوشته

خواص میخک: ۸ خاصیت علمی اثبات شده

چگونه فایل اکسل را غیر قابل ویرایش کنیم

منوها در SPSS

در SPSS میتوان اکثر دستورها را از طریق این منوهای موجود در نوار منو اجرا کرد. به همین دلیل به شرح مفصل‌تر این منو‌ها می‌پردازیم.

منوی File : هدف دستورهای منوی File کار با پرونده‌ها(فایل ها) است. پرکاربردترین دستورها در این منو به ترتیب عبارتند از :

گزینه New برای ایجاد فایل جدید، گزینه Open بازکردن فایل‌های موجود، گزینه های Save و Save as برای ذخیره فایل ها ، گزینه Print برای چاپ و گزینه Exit برای خروج از برنامه SPSS

منوی Edit: این منو امکان انجام انواع ویرایش اطلاعات همانند پاک کردن(Clear)، حذف کردن(Delete) ، کپی(Copy)، بریدن (Cut) و چسباندن(Paste) و… را فراهم می‌آورد و در جستجوی داده یا متن نیز به کار می‌رود.

منوی View: با استفاده از گزینه های این منو، می‌توان آرایش پنجره SPSS را تنظیم کرد. برای نمایش یا پنهان‌سازی قسمت‌هایی از پنجرهSPSS که در منوی View آمده اند، به وسیله گذاشتن یا برداشتن علامت انتخاب در کنار گزینه مربوطه عمل میکنیم.

منوی Data: این منو دارای دستورهایی برای کار با متغیرها است. این دستورها شامل تعریف ویژگی متغیرها(Define variable properties)، مرتب سازی متغیرها(Sort) ، کار با الگوها، رفتن به مورد خاص، ترکیب و جمع کردن پرونده‌ها یا فایلهای مختلف (Merge Files) و وزن دهی به موردها (Weight cases) است.

منوی (Transform): از دستورهای منوی Transform برای محاسبه متغیر جدید بر اساس متغیرهای موجود و استفاده از توابع ریاضی و آماری مختلف (Computer)، کدگذاری مجدد داده‌ها (Record)، جایگزینی مقادیر گمشده (Replace Missing Values) و… استفاده میشود.

منوی Analyze: کلیه پردازش های آماری از طریق این منو صورت می‌پذیرد. در فصول آتی به شرح این منو خواهیم پرداخت.

منوی Direct Marketing: این منو دارای روش های مختلفی برای بررسی پژوهش‌های بازاریابی است . مواردی چون ویژگی های جمعیت شناختی پاسخ دهندگان، بخش بندی بازار و … در این منو قرار دارد.

منوی Graphs: این منو حاوی دستورهایی برای ترسیم نمودارها ، و یرایش آن‌ها است.

منوی Utilities: در این منو از طریق دستور Utilities شناسنامه متغیرهای پرونده، استخراج می‌شود و یک سری قابلیت ها همچون اطلاعات راجع به متغیرها و فایل ها، و همچنین تعیین و تعریف مجموعه های متغیرها در این منو وجود دارد.

منوی Windows: از دستورهای این منو برای فعال کردن پنجره خاص و کوچک کردن صفحه کاربرگ استفاده میشود.

منوی Help: این منو امکان استفاده از راهنمای نرم افزار SPSS را فراهم می‌سازد. از طریق این منو میتوان به اینترنت وصل شد و راهنمایی‌های لازم را دریافت کرد.

کتاب “مدیریت زمان: راهنمای کامل برای بهره‌وری و موفقیت” (برای اولین بار در ایران)

نوشته

آنچه باید درباره ی زیره سیاه کرمانی بدانید

نوشته

سندروم بازماندگان محیط کار چیست؟

نوشته

کاربرد هوش مصنوعی در آموزش چیست؟

نوشته

رسمیت در سازمان: اهمیت، عوامل تأثیرگذار و راهکارها

نوشته

تحلیل آماری statistical analysis

معادلات ساختاری Structural Equation Modeling یا ( SEM)

معادلات ساختاری Structural Equation Modeling یا ( SEM)

معادلات ساختاری (Structural Equation Modeling یا SEM) یک روش آماری پیشرفته است که برای تحلیل روابط پیچیده بین متغیرها استفاده می‌شود. این روش به محققان این امکان را می‌دهد که مدل‌های نظری خود را به صورت کمی آزمون کنند و روابط بین متغیرهای مشاهده‌پذیر و پنهان را بررسی نمایند.

در ادامه به برخی از جنبه‌های کلیدی معادلات ساختاری اشاره می‌کنم:

1. تعریف و کاربرد:

معادلات ساختاری به محققان این امکان را می‌دهد که روابط بین متغیرهای مستقل و وابسته را به صورت همزمان مدل‌سازی کنند.

این روش معمولاً در علوم اجتماعی، روانشناسی، بازاریابی و سایر رشته‌ها برای بررسی تأثیرات و روابط پیچیده بین متغیرها استفاده می‌شود.

2. اجزای اصلی:

متغیرهای مشاهده‌پذیر: متغیرهایی که به‌طور مستقیم اندازه‌گیری می‌شوند (مانند نمرات آزمون، نظرسنجی‌ها).

متغیرهای پنهان: متغیرهایی که به‌طور مستقیم قابل اندازه‌گیری نیستند و معمولاً از طریق متغیرهای مشاهده‌پذیر استنباط می‌شوند (مانند نگرش‌ها یا رضایت).

3. مدل‌سازی:

مدل اندازه‌گیری: نشان‌دهنده روابط بین متغیرهای پنهان و متغیرهای مشاهده‌پذیر است.

مدل ساختاری: نشان‌دهنده روابط بین متغیرهای پنهان است.

4. مزایا:

امکان بررسی روابط چندگانه و پیچیده بین متغیرها.

توانایی مدل‌سازی متغیرهای پنهان و مشاهده‌پذیر.

قابلیت آزمون مدل‌های نظری و مقایسه آن‌ها با داده‌های تجربی.

5. مراحل انجام SEM:

توسعه مدل نظری: تعیین متغیرها و روابط بین آن‌ها.

جمع‌آوری داده‌ها: انجام نظرسنجی یا جمع‌آوری داده‌های تجربی.

تحلیل داده‌ها: استفاده از نرم‌افزارهای آماری مانند AMOS، LISREL یا Mplus برای تحلیل داده‌ها و آزمون مدل.

ارزیابی مدل: بررسی تناسب مدل با داده‌ها و اصلاح آن در صورت نیاز.

6. چالش‌ها:

نیاز به حجم نمونه بزرگ برای دستیابی به نتایج معتبر.

پیچیدگی در تفسیر نتایج و روابط بین متغیرها.

حساسیت به فرضیات مدل و نیاز به تأیید آن‌ها.

معادلات ساختاری ابزاری قدرتمند برای تحلیل داده‌ها و بررسی روابط بین متغیرها است و می‌تواند به محققان در درک بهتر از پدیده‌های پیچیده کمک کند.

سفارش 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 – Amos نرم افزارهای کیفی: Maxquda- NVivo تعیین حجم نمونه با:Spss samplepower Mobile : 09143444846 09143444846 Telegram: https://t.me/RAVA2020 E-mail: abazizi1392@gmail.com

خواص درمان گیاه ریحان

نوشته

تحلیل فرایندی (Process Analysis)

نوشته

🌟 مشاوره و خدمات تخصصی و حرفه‌ای در زمینه‌ی نگارش پایان نامه و مقاله

نوشته

این ادویه همه فن حریف آسپیرین گیاهی برای جلوگیری از لخته شدن عروق خونی‌ است

نوشته

دانلود  پاورپونت روش تحقیق، آمار و پایان نامه نویسی

روش های بررسی نرمال بودن توزیع داده ها و شرایط استفاده از هر روش چیست؟

روش های بررسی نرمال بودن توزیع داده ها و شرایط استفاده از هر روش چیست؟

3 روش اصلی برای بررسی نرمال بودن توزیع داده ها وجود دارد: روش های دیداری و آزمون های آماری [1][2][4].

روش‌های بصری: این روش‌ها شامل ایجاد یک هیستوگرام یا نمودار Q-Q از داده‌های شما و مقایسه آن با توزیع عادی است. هیستوگرام به شما امکان می دهد ببینید که آیا داده ها از یک منحنی زنگی شکل پیروی می کنند یا خیر، در حالی که نمودارهای Q-Q چندک های داده های شما را با چندک های یک توزیع نرمال مقایسه می کنند [4].

روش های بصری نقطه شروع خوبی هستند، اما می توانند ذهنی باشند و ممکن است برای مجموعه داده های کوچک قابل اعتماد نباشند.

2- روش توصیفی : در این روش چولگی و کشیدگی بررسی می شود. اگر تعداد افراد نمونه ی آماری بالاست پیشنهاد می شود در مقاله و پایان نامه ی خود از این روش استفاده کنید.

3- روش استنباطی آماری: این‌ها آزمون های رسمی‌تری هستند که از محاسبات آماری برای تعیین اینکه آیا داده‌های شما احتمالاً از توزیع نرمال آمده‌اند یا خیر، استفاده می‌کنند.

چندین تست نرمال بودن مختلف وجود دارد که هر کدام نقاط قوت و ضعف خاص خود را دارند. برخی از آزمون های رایج عبارتند از آزمون شاپیرو-ویلک، آزمون کولموگروف-اسمیرنوف و آزمون اندرسون-دارلینگ [2][6].

انتخاب آزمون به اندازه مجموعه داده شما و سایر عوامل بستگی دارد [3][5].

منابع:

از کدام آزمون استفاده کنیم:
آزمون Shapiro-Wilk: این ارزیابی می کند که آیا یک مجموعه داده از توزیع نرمال پیروی می کند [1، 2، 3، 4، 5، 6]. این یک مقدار p را برای نشان دادن احتمال غیرعادی بودن داده ها ارائه می دهد. مقادیر p کوچکتر (معمولاً 0.05 ≤) نشان دهنده رد نرمال بودن است.
این آزمون‌ها برای بررسی مفروضات سایر روش‌های آماری استفاده می‌شوند، نه مستقیماً بر روی خود داده‌های مقیاس لیکرت.

تست کولموگروف-اسمیرنوف (K-S): این یکی دیگر از تست های نرمال بودن است اما ممکن است قدرت کمتری نسبت به تست Shapiro-Wilk برای نمونه های کوچکتر داشته باشد [3].

کولموگروف-اسمیرنوف (K-S) برای داده های لیکرت و حجم نمونه بالای 30 نفر مناسب نیست و نتیجه گمراه کننده می دهد.بدین منظور پیشنهاد می شود از چولگی و کشیدگی استفاده کنید.
تست اندرسون-دارلینگ: این یک نوع تست K-S است که وزن بیشتری بر انحرافات در انتهای توزیع می‌گذارد [3].
انتخاب آزمون مناسب به عوامل مختلفی بستگی دارد، اما در این منابع شرایط خاصی برای هر آزمون ذکر نشده است. به طور کلی توصیه می شود که با یک آمارگیر مشورت کنید یا به منابع پیشرفته تر برای راهنمایی های عمیق مراجعه کنید.

تحلیل آماری - پژوهش - کیفی - کمی - کامپیوتر

معرفی نرم افزارهای تحلیل آماری (LISREL، AMOS، EQS، PLS)

معرفی نرم افزارهای تحلیل آماری (LISREL، AMOS، EQS، PLS)

LISREL، EQS، AMOS ،PLS چهار مورد از پرکاربردترین نرم­ افزارهای مدل­سازی معادلات ساختاری هستند که سه نرم­ افزار LISREL، AMOS و EQS متعلق به نسل اول معادلات ساختاری یعنی نسل کواریانس محورها (Covariance-Base) و نرم افزار های PLS که خود چند نوع هستند، جزو نسل دوم معادلات ساختاری یعنی نسل مولفه محورها (Component-Base) می باشند.

تحلیل آماری statistical analysis
تحلیل آماری statistical analysis

 نسل اول روش­های مدل­سازی معادلات ساختاری (Covariance-based SEM Techniques)

این روش­ها که به روش­های کواریانس محور معروف هستند، توسط جورسگوک (1969) معرفی شدند. هدف اصلی این روش­ها تأیید مدل است که برای این کار به نمونه ­هایی با حجم بالا نیاز دارند. در این روش به تخمین ضرایب مسیرها و بارهای عاملی با استفاده از به حداقل رساندن تفاوت بین ماتریس­های واریانس-کواریانس مشاهده شده و پیش­بینی شده می­ پردازند. ماتریس واریانس-کواریانس مشاهده شده توسط واریانس و کواریانس محاسبه شده بین متغیرهای مکنون به دست می­ آید. پرکاربردترین رویکرد محاسبه ضرایب در روش­های نسل اول، رویکرد تخمین حداکثر احتمال است که نیاز به داده­ های مربوط به متغیرهای مشاهده شده (سوال­ها) دارد که این متغیرها حتما باید از توزیع نرمال پیروی کرده باشند.

نسل دوم روش­های مدل­سازی معادلات ساختاری (Component-based SEM Techniques)

روش­های مولفه محور که بعدا به روش حداقل مربعات جزئی تغییر (Partial Least Squares) تغییر نام دادند، توسط ولد (1974) ابداع شد. این روش از دو مرحله تشکیل شده است: 1) سنجش مدل های اندازه گیری با معیارهای مربوط به پایایی و روایی . 2) سنجش بخش ساختاری با استفاده از ضرایب t.

طی سالهای اخیر استفاده از روش PLS و نرم افزارهای مربوط به اون نسبت به روش های نسل اول و نرم افزارهای نسل اول مثل لیزرل، آموس و ای کیو اس، بیشتر شده و این به خاطر مزیت هایی است که روش PLS نسبت به روش نسل اول دارد. 

مهمترین مزیت PLS نسبت به بقیه، قابلیت تحلیل داده های اندک است. در این روش محقق با داده های بیشتر از 50 عدد توان تحلیل داده ها را دارد (البته محاسبه تعداد نمونه خود مسئله مهمی است و برای هر پژوهش قواعد و قانون خاص آن پژوهش را دارد).این در حالی است که نرم افزارهای نسل اول به حداقل 200 نمونه احتیاج دارند.

مزیت های دیگر PLS، توان تحلیل داده های غیر نرمال و همچنین توان سنجش مدل های اندازه گیری از نوع سازنده (Formative) است.

نرم افزارهای مختلفی برای روش PLS ارائه شده که پرکاربردترین اونها عبارتند از: Smart PLS، Warp PLS، Visual PLS، PLS Graphing و … . 

توی پست های بعدی سعی می کنم توضیحات بیشتری درباره نحوه کار با این نرم افزارها ارائه بدم.

برگرفته از : وبسایت شخصی آرش رضازاده

تحلیل عاملی چیست؟

نوشته

تحلیل آماری پایان نامه

نوشته

تحلیل عاملی چیست؟

نوشته

نمره گذاری متغیر ها در Spss جمع نمرات یا میانگین نمرات؟

نوشته

برای تحلیل عاملی تأییدی از چه نرم افزار های آماری می توان استفاده کرد؟

نوشته

تحلیل آماری عوامل دموگرافیک (جمعیت شناسی)

آزمون کای مربع  Chi-Square (خی دو) چیست؟

آزمون کای مربع  Chi-Square (خی دو) چیست؟

آزمون کای-مربع (Chi-Square) یک آزمون غیرپارامتری است که برای بررسی واگرایی بین داده‌های مشاهده شده و فرضیه مورد بررسی در یک جدول ترکیبی (Contingency Table) استفاده می‌شود. این آزمون براساس مقایسه فراوانی‌های مشاهده شده در داده‌ها با فراوانی‌های مورد انتظار محاسبه شده بر اساس فرضیه صفر (فرضیه که هیچ واگرایی بین متغیرها وجود ندارد) انجام می‌شود.

در آزمون کای-مربع، داده‌ها به صورت جدولی دوبعدی (جدول ترکیبی) سازماندهی می‌شوند، که در آن متغیرهای مستقل بر روی یک محور و متغیرهای وابسته بر روی محور دو می‌باشند. برای انجام آزمون کای-مربع، مراحل زیر را دنبال می‌کنیم:

چگونه فایل اکسل را غیر قابل ویرایش کنیم
چگونه فایل اکسل را غیر قابل ویرایش کنیم

فرضیه صفر و فرضیه جایگزین:

فرضیه صفر (H0): هیچ واگرایی بین متغیرها وجود ندارد، یعنی فراوانی‌های مشاهده شده در داده‌ها با فراوانی‌های مورد انتظار برابر است.
فرضیه جایگزین (H1): واگرایی بین متغیرها وجود دارد، یعنی فراوانی‌های مشاهده شده در داده‌ها با فراوانی‌های مورد انتظار برابر نیستند.
ساخت جدول ترکیبی:

داده‌ها را در یک جدول ترکیبی سازماندهی کنید. متغیرهای مستقل بر روی یک محور و متغیرهای وابسته بر روی محور دیگر قرار می‌گیرند. در هر خانه از جدول، مقدار فراوانی مشاهده شده را ثبت کنید.
محاسبه فراوانی‌های مورد انتظار:

بر اساس فرضیه صفر، محاسبه کنید که چه مقادیری از فراوانی‌ها در صورت عدم واگرایی مورد انتظار است. برای این کار، می‌توانید با فرضیه صفر محاسبه‌های خاصی انجام دهید، مانند محاسبه فراوانی مورد انتظار بر اساس توزیع تصادفی یکنواخت.
محاسبه آماره آزمون:

با استفاده از فراوانی‌های مشاهده شده و فراوانی‌های مورد انتظار، محاسبه آماره آزمون کای-مربع را انجام دهید. آماره آزمون کای-مربع محاسبه می‌شود با تفاضل مجموع مربعات فراوانی‌های مشاهده شده و مجموع مربعات فراوانی‌های مورد انتظار، و با در نظر گرفتن درجه آزادی مربوطه.
تصمیم‌گیری:

با استفاده از آماره آزمون و درجه آزادی مربوطه، مقدار p-value را محاسبه کنید. اگر مقدار p-value کوچکتر از سطح معناداری انتخاب شده باشد (معمولاً 0.05)، فرضیه صفر را رد کنید و نتیجه می‌گیرید که واگرایی بین متغیرها وجود دارد. در غیر این صورت، فرضیه صفر را قبول می‌کنید و نتیجه می‌گیرید که واگرایی معناداری وجدارد.
استفاده‌های آزمون کای-مربع در تحلیل آماری عبارتند از:

بررسی واگرایی بین دو یا بیشتر متغیر کیفی (دسته‌ای) در یک جامعه.
ارزیابی تفاوت‌های میان دسته‌ها در یک متغیر کیفی.
بررسی رابطه بین دو متغیر کیفی و بررسی واگرایی میان دسته‌های مختلف این متغیرها.
بررسی تفاوت‌ها و واگرایی در طول زمان یا در دسته‌های مختلف.
مزیت اصلی استفاده از آزمون کای-مربع در مقایسه با آزمون‌های پارامتری مربوط به این است که این آزمون استفاده می‌شود در مواردی که فرض توزیع نرمال بودن داده‌ها برقرار نیست یا ویژگی‌های دیگری از داده‌ها (مانند معیارهای مرتبه‌ای) نیازمند تحلیل است.

می‌توان از نرم‌افزارهای آماری مختلف مانند SPSS، R و Excel برای انجام آزمون کای-مربع استفاده کرد.

تحلیل آماری متغیر تعدیل‌کننده (Moderator Variable)

نوشته

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

نوشته

آزمون همبستگی کندال (Kendall rank correlation coefficient)

نوشته

روش‌های تجزیه و تحلیل داده‌های آماری

نوشته

تحقیق کمی چیست؟ انواع روش های تحقیق کمی

نوشته

 تحلیل داده های آماری با مناسب‌ترین قیمت و کیفیت برتر!

تحلیل داده های آماری

🌟با تجربه‌ی بیش از 17 سال و ارائه‌ی بهترین خدمات

مشاوره : پایان نامه و مقاله نویسی تحلیل داده های آماری

📊تحلیل داده های آماری با نرم افزارهای کمی و کیفی

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. 

مبانی نظری و پژوهشی متغیر ها

📞 تماس: 09143444846 (پیامک، ایتا، واتساپ، تلگرام) 🌐 کانال تلگرام: عضو شوید

(تا جای ممکن با ایتا پیام بفرستید، زودتر در جریان خواهیم بود!)

ایمیل :   abazizi1392@gmail.com

وبلاگ ما

تحلیل آماری statistical analysis

آزمون همبستگی کندال (Kendall rank correlation coefficient)

آزمون همبستگی کندال

آزمون همبستگی کندال (Kendall rank correlation coefficient) درجه شباهت بین دو مجموعه از رتبه های داده شده به یک مجموعه از اشیاء را ارزیابی می کند. در آمار، ضریب همبستگی رتبه‌ای کندال که به تای کندال مشهور است و با حرف یونانی تای نمایش داده‌می‌شود یک آماره ناپارامتری است که برای سنجش همبستگی آماری میان دو متغیر تصادفی به کار می‌رود. آزمون تا نیز برای سنجش میزان پیوستگی میان دو متغیر استفاده می‌شود.

آزمون همبستگی کندال به تعداد وارونگی‌های جفت اشیا بستگی دارد که برای تبدیل یک مرتبه به مرتبه دیگر مورد نیاز است.برای انجام این کار، هر مرتبه رتبه با مجموعه ای از تمام جفت اشیاء نشان داده می شود (به عنوان مثال، [a,b] و [b,a] دو جفت هستند که اشیاء a و b را نشان می دهند) و مقدار ۱ یا ۰ به این جفت اختصاص داده می شود که ترتیب آن با نحوه ترتیب این دو شی مطابقت داشته باشد یا مطابقت نداشته باشد. این طرح کدگذاری مجموعه ای از مقادیر باینری را ارائه می دهد که سپس برای محاسبه ضریب همبستگی پیرسون استفاده می شود.

فرمول محاسبه ضریب همبستگی کندال

T=۲Sn(n−۱)T=2Sn(n-1)

در فرمول آزمون همبستگی کندال که در بالا آمده، n حجم نمونه مورد بررسی می باشد.مقدار S از مجموع اختلاف ui (تعداد داده هایی که بعد از داده ی مورد نظر قرار گرفته و بیشتر از آن است) و vi (تعداد داده هایی که بعد از داده ی مورد نظر قرار گرفته و کمتر از آن است) بدست می آید :

S=∑i=۱ndi=∑i=۱n(ui−vi)S=∑i=1ndi=∑i=1n(ui-vi)

-از آنجایی که مخرج آزمون همبستگی کندال کسر تعداد انتخاب‌های زوج‌ها از بین n مشاهده است، همیشه از صورت بزرگتر است. پس ضریب همبستگی کندال از ۱ کوچکتر و از ۱- بزرگتر است.

-اگر همه زوج‌ها با هم هماهنگ باشند مقدار ضریب همبستگی کندال برابر است با ۱.

-اگر همه زوج‌ها ناهماهنگ باشند ضریب همبستگی کندال برابر است با ۱-.

-اگر X و Y‌ مستقل باشند، انتظار داریم که ضریب همبستگی کندال نیز برابر با ۰ باشد.

آموزش آزمون همبستگی کندال در SPSS

برای انجام آزمون همبستگی کندال، ابتدا داده ها را در نرم افزار SPSS وارد می کنید. سپس مسیر زیر را دنبال کنید:

Analyze > Correlate > Bivariate

تمامی شرایط همانند آزمون اسپیرمن است، با این تفاوت که در قسمت –Correlation Coefficients– گزینه KENDALL’S TAU B را انتخاب می کنید.

منبع: towardsdatascience برگرفته از مدیر آماری

معرفی نرم افزارهای تحلیل آماری (LISREL، AMOS، EQS، PLS)

نوشته

نحوه نوشتن فصل چهارم پایان نامه و تحلیل داده ها

نوشته

آزمون فریدمن (Friedman Test)

نوشته

درگیری تحصیلی : عوامل، تأثیرات و راهکارهای مدیریت آن

نوشته

ضریب مسیر (ضریب بتا) در تحلیل رگرسیون