بایگانی دسته: آموزش Spss اس پی اس اس

پایان نامه نویسی مقاله نویسی

مقدار T-Value و مقدار P-Value در آزمون فرض آماری چیست؟

مقدار T-Value و مقدار P-Value در آزمون فرض آماری چیست؟

1- مفدمه بر آزمون فرض آماری

مطابق با الزامات استانداردهای ISO 15189:2022 و ISO/IEC 17025:2017 آزمایشگاه باید یک روش‌ اجرایی برای پایش اعتبار نتایج، داشته باشد.

داده‌های به دست آمده باید به نحوی ثبت شوند که روند آن‌ها قابل تشخیص باشد.

در جایی که قابل اجرا است از فنون آماری در بازنگری نتایج استفاده شود.

در بسیاری از مراکز آزمایشگاهی از آزمونهای فرض آماری برای کنترل کیفیت نتایج آزمون، تحلیل نتایج مقایسات بین آزمایشگاهی و یا صحه گذاری روشهای آزمون برای برآوزده‌سازی الزامات استاندارد ایزو 17025 و استاندارد ایزو 15189 استفاده می‌شود.

اگر کارکنان آزمایشگاه و یا پژوهشگران با علم آمار آشنایی نداشته باشند و به دنبال استفاده از از نرم افزارهای آماری مانند minitab, spss و … برای تجزیه و تحلیل نتایج خود باشند، در مواجه با خروجی‌های این نرم افزارها احساسی شبیه احساس آلیس در سرزمین عجایب را پیدا خواهند کرد.

ناگهان آنها با یک دنیا فانتزی که در آن عبارات عجیب و مرموزی وجود دارد، روبه رو می‌شوند.

به عنوان مثال ظهور مقادیر T و P را در انجام آزمون فرض t-test را در نظر بگیرید.

در مشاهد این خروجی شما ممکن است بسیار متعجب شوید!!

نتایج آزمون T-TEST یک طرفه

این مقادیر واقعاً چیست؟

آنها از کجا بدست آمده‌اند؟

حتی اگر شما از مقدار P-value برای تفسیر آماری نتایج خود به دفعات بسیار زیاد استفاده کرده باشید، باز هم ممکن است منشا واقعی آن ممکن هنوز برای شما گنگ باشد.

2- مقادیر P value و t-value در آزمون T-Test

مقدار P value و مقدار t-value به طور جدایی ناپذیری با هم مرتبط است.

آنها به صورت خیلی مشابه در کنار هم نتایج تجزیه و تحلیل آماری ظاهر می‌شوند. 

هنگامی که شما آزمون t-test را انجام می‌دهید، معمولا برای پیدا کردن شواهدی از یک اختلاف معنی داری در میان دو جمعیت (۲-sample t) و یا بین یک جمعیت مقدار هدف (۱-sample t) هستید.

به عنوان مثال در مقایسه بین آزمایشگاهی به دنبال آن هستیم که ببینم نتایج بدست آمده در دو آزمایشگاه مختلف بر روی یک نمونه یکسان بایکدیگر اختلاف معناداری دارند یا نه؟

مقدار t اندازه تفاوت را نسبت به تغییرپذیری بدست آمده از نمونه‌ها را می‌سنجد.

 به عبارت دیگر، T برابر با تفاوت محاسبه شده تقسیم بر خطای استاندارد (SE MEAN) است.

هر چه مقدار T (چه در جهت مثبت و چه در جهت منفی) بزرگتر باشد احتمال بیشتری برای رد فرض صفر به وجود خواهد آمد  و هر چه مقدار T به صفر نزدیکتر باشد احتمال بیشتری برای پذیرش فرض صفر وجود خواهد داشت. (فرض صفر یعنی تفاوت معنی‌داری وجود ندارد.)

بخاطر داشته باشید که مقدار t که در خروجی نرم افزار نشان داده شده است بر اساس تنها یک نمونه که به صورت تصادفی از کل جمعیت گرفته شده، محاسبه می گردد و اگر نمونه‌برداری تصادفی را مجدداً انجام دهید ممکن است مقدار  t کمی متفاوت از آنچه قبلا محاسبه کرده‌اید، بدست آید.

حال این سئوال مطرح می‌شود که در بسیاری از نمونه های که به صورت تصادفی از یک جمعیت یکسان گرفته می‌شود، چقدر تفاوت در مقدار t انتظار داریم که به وجود آید؟

 و چگونه مقدار t بدست آمده از داده های مربوط به نمونه خود را نسبت به مقدار t مورد انتظار مقایسه کنیم؟

این کار را می‌توان با رسم یک توزیع t انجام داد.


3- استفاده از یک تابع توزیع t برای محاسبه احتمال

به عنوان مثال فرض کنید که با استفاده از یک آزمون فرض آماری به روش ۱-sample t-test  می خواهید تعیین کنید که یک ویژگی در جمعیت مورد مطالعه بزرگتر از یک مقدار مشخص می‌باشد یا خیر؟

در این مثال مقدار مشخص ۵ در نظر گرفته شده که از یک نمونه با ۲۰ مشاهده بدست آمده است.

همانطور که در شکل بالا نشان داده شده مقدار t‌ در خروجی نرم افزار minitab برابر با ۲٫۸ بدست آمده است.

لذا می‌خواهیم ببینم در یک تابع توزیع T با درجه آزادی ۱۹ (درجه آزادی برابر است با تعداد مشاهدات منهای یک) احتمال آنکه مقدار t‌ برابر با ۲٫۸ شود چقدر است. 

برای انجام این کار از نرم افزار minitab ‌می توان استفاده نمود بدین منظور در این نرم افزار  مسیر زیر را طی می کنیم:

In Minitab, choose Graph > Probability Distribution Plot.

Select View Probability, then click OK.

From Distribution, select t.

In Degrees of freedom, enter ۱۹.

Click Shaded Area. Select X Value. Select Right Tail.

 In X Value, enter 2.8 (the t-value), then click OK.

بیشترین مقدار مورد انتظار برای t محلی است که قله گراف بالا قرار دارد (یعنی مقدار صفر).  این بدان معنا است که در بیشتر واقع انتظار می‌رود که مقدار t=0 شود.

علت این امر آن است که وقتی یک نمونه به صورت تصادفی از یک جامعه برداشته می شود انتظار می رود که اختلافی بین میانگین نمونه با میانگین جامعه وجود نداشته باشد یعنی به احتمال زیاد اختلاف بین میانگین نمونه و میانگین جامعه نزدیک به صفر است.


4- مجاسبه مقدار T-Value و مقدار P-Value

احتمال اینکه مقدار T-value (چه در جهت مثبت و چه در جهت منفی) در آزمونهای فرض آماری مقدار بزرگی شود خیلی کم است. یعنی آنکه هر چه از مقدار صفر در هر دو جهت دور می شویم احتمال رخداد چنین وضعیتی به صورت طبیعی کاهش می یابد. به عنوان مثال ناحیه قرمز مشخص شده در منحی فوق احتمال اینکه مقدار T-Value برابر با ۲٫۸  و بیشتر از آن باشد را نشان می‌دهد. احتمال این امر  ۰٫۰۰۵۷۱۲ محاسبه شده است که اگر آن را گرد کنیم برابر با ۰٫۰۰۶ می شود که به این مقدار P-Value گفته می شود.

به عبارت دیگر، احتمال به دست آوردن T-Value برابر با ۲٫۸ و یا بالاتر، زمانی که نمونه برداری از جمعیت یکسان (در مثال، یک جمعیت با میانگین ۵ در نظر گرفته شده)، حدود ۰٫۰۰۶ است.

چقدر احتمال این رخ داد وجود دارد؟ این رخداد مثل آن است که در برداشت تصادفی از ۵۲ برگ در بازی پوکر ۲ برگ تک پشت سر هم به دست شما برسد. شناس چنین رخدادی بسیار کم است!!

poker_picture

این امر که این نمونه‌ از جامعه‌ی با میانگین بیشتری از مقدار مشخص شده (در این مثال ۵) باشند، محتمل تر است.  بعبارت دیگر: از آنجا که مقدار P-value بسیار کوچک تر از (< alpha level)  است، شما فرض صفر رد و نتیجه گیری است که تفاوت معنی داری وجود دارد.

مقادیر T و P به طور جدایی ناپذیری مرتبط هستند و به سادگی می‌توانید از آنها برای تصمیم در خصوص درست یا نادرست بودن یک فرض استفاده کنید. مقدار یکی از آنها بدون تغییر در دیگری، تغییر نخواهد کرد. مقادیر بزرگتر قدرمطلق T-Value منجر به مقادیر کوچکتر P-value می‌شود که امر سبب کاهش احتمال پذیرش فرض صفر می‌شود. به طور  معمول مطالعات آماری در سطح اطمینان ۹۵% (یعنی آلفای برابر با ۰٫۰۵) انچام می‌شود.

در سطح اطمینان ۹۵% اگر P-value  کوچکتر یا مساوی ۰٫۰۵ باشد فرض صفر را رد می‌کنند و در غیر این صورت فرض صفر را نمی توان رد کرد. 


5- سخن پایانی

نکته آخر اینکه که در برخی از نرم افزارها مانند spss مقدار p-value در جدول های خروجی نرم افزار تحت عنوان Significant Level ذکر می‌شود. در این پست آموزشی برخی از نکات مهم برای در خصوص آزمون فرض T-TEST و مقدار P-Value ذکر شود.

برگرفته از سایت دکتر دستمردی

آموزش پیشرفته sPSS

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

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

پس از جمع آوری داده ها با استفاده از ابزارهای پژوهشی مانند پرسشنامه ، مصاحبه و … و وارد کردن داده های خام به نرم افزار spss نوبت به تعریف نمره متغیر ها و ابعاد آن ها می رسد.

در تعریف عملیاتی و حساب کردن نمره؟ی متغیر ها دو رویکرد وجود دارد.

رویکرد اول می گوید فقط نمره ی سولات جمع بشود و با جمع نمرات سوالات مربوط به هر متغیر نمره ی آن متغیر یا ابعاد حساب شود.

بعضی از استادید بنا به نظرات خود این رویکردرا قبول می کنند.

رویکرد دوم می گوید بعد از جمع نمره سوالات ، نمره ی بدست آمده تقسیم بر تعداد سوالات بشود تا مثلاً نمرات مطابق طیف لیکرت بشوند.

بعضی از اساتید رویکرد دومی را قبول دارند.

ولی در اصل تفاوتی بین آن ها نیست و هر دو روش درستند و در آزمون فرضیه هیچ فرقی با هم نخواهند داشت.

بنده معتقدم روش دومی بهتر است چون راحت تر میشه میانگین ها را با هم مقایسه کرد.

البته اگر درجه بندی ها مثل هم باشد!

نظر شما چیست؟

برای نمره گذاری متغیرها در spss پیشنهاد می شود فیلم زیر را مشاهده نمایید.

با تشکر از نظرات ارزشمند کاربران محترم.

تحلیل داده های آماری

نحوه نوشتن فصل چهارم پایان نامه و تحلیل داده ها

نحوه نوشتن فصل چهارم پایان نامه و تحلیل داده ها

برای نگارش هر فصل پایان‌نامه ، نکات و دستوراتی وجود دارد که دانشجویان باید از آن‌ها مطلع باشند و با رعایت اصول و استانداردها، پایان‌نامه‌ای باکیفیت بنویسند.

یکی از مراحل مهم انجام پایان‌نامه نحوه تحلیل داده‌های جمع آوری شده است که  در فصل چهارم پایان‌نامه است و اینکه چگونه فصل چهارم پایان‌نامه را بنویسیم..

فصل 4  و 5 پایان نامه در واقع مانند مرحله برداشت کشاورز از محصول کاشته شده است. پس نحوه ی انجام این دو فصل بسیار مهم و البته نیاز به کار تخصصی دارد.

ما در سایت روا20 سعی می‌کنیم نحوه نوشتن فصل چهارم پایان‌نامه را توضیح دهیم و به نکات مهم آن اشاره کنیم.

به ویژه شما را با نرم افزارهای تخصصی آماری آشنا خواهیم کرد.

فصل چهارم هر پایان‌نامه‌ای معمولا به نتایج به دست آمده از تجزیه و تحلیل داده‌ها اختصاص دارد و نحوه تحلیل داده‌ها در فصل چهارم پایان‌نامه به درک مباحث، مفاهیم و مسائل مطرح‌شده در پایان‌نامه بسیار کمک می‌کند، به همین دلیل ارائه آمارهای دقیق و صحیح در آنالیز داده‌های پایان نامه مهم است.

 نگارش محتوای فصل چهارم پایان‌نامه به ترتیب شامل طرح اجمالی مسئله، ارائه آمارهای دقیق و تجزیه و تحلیل نتایج آن‌هاست.

بدین ترتیب، مانند همه فصول پایان‌نامه، فصل چهارم را نیز با نوشتن مقدمه‌ای کوتاه و شفاف آغاز می‌کنیم.

در مقدمه بهتر است موضوع و مسئله اصلی و اهداف پایان‌نامه را به طور بسیار مختصر مرور کنیم.

 پس از آن باید داده‌های آماری حاصل از روش‌های مختلف تحقیقات خود را بررسی کنیم و به ارزیابی دقیق تک‌تک آن‌ها بپردازیم.

 توصیف مشاهدات، متغیرها و آمارها، تحلیل نتایج به دست ‌آمده از پرسشنامه‌ها، آزمایش‌ها و مصاحبه‌ها و همچنین تشریح دستاوردهای مطالعات گسترده و گوناگون ما در حوزه پژوهش از عمده‌ترین مراحل این کار است که در نهایت، نتایج حاصل از آنالیز همه داده‌ها و اطلاعات منجر به پذیرش یا رد فرضیه‌های مطرح‌شده در تحقیقات پایان‌نامه و طرح پرسش‌ها و پاسخ‌های آن‌ها می‌شود.

 در واقع، فصل چهارم پایان‌نامه موجب اعتبار و ارزشمندی پژوهش می‌شود و در موفقیت دانشجو در پروژه تحقیقاتی‌اش نقشی اساسی دارد.

نکته قابل توجه این است که در فصل چهارم صرفا به بررسی و تحلیل کمی و کیفی کامل و شفاف داده‌ها پرداخته می‌شود و تفسیر آن‌ها در فصل بعد انجام خواهد شد.

نحوه تحلیل داده‌ها در فصل چهارم پایان‌نامه

همان‌طور که می‌دانید، پیش از تجزیه و تحلیل داده‌ها لازم است آن‌ها را با دقت ارزیابی کنیم تا از صحت‌شان مطمئن شویم. سپس نوبت به دسته‌بندی و مرتب کردن اطلاعات گردآوری ‌شده می‌رسد؛ باید داده‌هایی را که با یکدیگر همخوانی دارند و مربوط به یک موضوع مشترک می‌شوند، در یک دسته قرار داد و داده‌های تکراری، نامربوط و اضافه را حذف کرد؛ برای منسجم‌تر شدن اطلاعات می‌توان آن‌ها را کدگذاری کرد؛ همچنین می‌توان از انواع نمودارها برای نمایش بهتر آمارها استفاده کرد.

بر اساس اینکه نوع داده های جمع آوری شده کمی یا کیفی باشند جهت گیری تحلیل آن ها متفاوت خواهد بود.

پس به طور کلی سه روش  تحلیل داده ها را داریم:

الف : روش تحلیل داده های کمی

ب روش تحلیل داده های کیفی

ج- روش آمیخته

تجزیه و تحلیل آماری داده های کمی  با دو روش آمار توصیفی و آمار استنباطی انجام می‌شود؛ در روش آمار توصیفی معمولا از جداول توزیع فراوانی، درصد فراوانی و میانگین، ترسیم نمودار، محاسبه شاخص‌های مرکزی، شاخص‌های پراکندگی، شاخص‌های چولگی، شاخص‌های کشیدگی، محاسبه همبستگی و رگراسیون و پیش‌بینی و نرم‌افزارهایی دقیق، سریع و کاربردی  نظیر SPSS برای پردازش اطلاعات استفاده می‌شود.

 پژوهشگران در روش آمار استنباطی با تعمیم نتایج به دست‌ آمده از محاسبات اولیه آماری به جامعه آماری بزرگ‌تر به آنالیز داده‌ها می‌پردازند تا به نتیجه برسند.

در این روش استفاده از آزمون‌های پارامتریک و ناپارامتریک نیز مرسوم است؛ به آزمون‌هایی که در سطح مقیاس فاصله‌ای و نسبی به تجزیه و تحلیل داده‌ها می‌پردازند و شاخص آماری آن‌ها میانگین و واریانس است و به پیش‌فرض توزیع جامعه نرمال نیاز دارند، پارامتریک گفته می‌شود و آزمون‌هایی که در سطح مقیاس اسمی و رتبه‌ای آنالیز می‌کنند و شاخص آماری آن‌ها میانه و نماست و به هیچ فرضی درباره توزیع نیاز ندارند، ناپارامتریک نامیده می‌شوند.

از انواع نرم‌افزارهای معروف و خوب برای تجزیه و تحلیل آماری داده های کمی  در پایان‌نامه می‌توان نرم‌افزارهای زیر را نام برد:

نرم‌افزار SPSS، نرم‌افزار اکسل، نرم‌افزار Amos، نرم‌افزار Liserel، نرم‌افزار PLS، نرم‌افزار R، نرم‌افزار Eviews و… که همه این برنامه‌ها قابلیت ذخیره اطلاعات و کشف اختلافات مهم احتمالی بین گروه‌ها و ارتباط میان متغیرها و همچنین نمایش داده‌های گردآوری شده به شکل نمودار و جدول را دارند.

ب روش تحلیل داده های کیفی

در این روش معمولا به دسته بندی و مقوله بندی مطالب پرداخته می شود

و طی سه مرحله کدگذاری باز، محوری و گزینشی مقوله ها و مضمون های اصلی شناسایی می شوند.

از انواع نرم‌افزارهای معروف و خوب برای تجزیه و تحلیل آماری داده های کیفی  می‌توان نرم‌افزارهای زیر را نام برد:

مکس کیو دا  Maxqda : انویو Nvivo ، اطلس Atlas

ج- روش آمیخته: در روش آمیخته ابتدا با روش های کیفی به مقوله بندی مفاهیم پرداخته می شود سپس با نرم افزار های کمی که در بالا اشاره شد به اعتبار سنجی آن ها پرداخته می شود.

همان‌طور که اشاره شد، استفاده از نرم‌افزارهای آماری برای آنالیز اطلاعات در ارائه تصویری روشن و شفاف از دستاوردهای پژوهش کاملا ضروری است، اما برای بهره بردن از کمک این نرم‌افزارهای آماری لازم است پژوهشگر بر آن‌ها مسلط باشد.

 قطعا داشتن دانش کافی نسبت به پیچیدگی‌های این نوع نرم‌افزارها و مهارت در کار کردن با ابزارهای تخصصی‌شان به آنالیز سریع و صحیح داده‌ها منجر خواهد شد؛ بنابراین اگر دانشجویی تخصص و شناخت لازم از نرم‌افزاری را ندارد، بهتر است از متخصصان  آماری کمک بگیرد و این بخش را برون‌سپاری کند.

اما نکته بسیار مهم دیگر که باید به آن توجه کنید این است که کسی که کار آماری را برای شما انجام می دهد باید با انواع نرم افزار های کمی و کیفی آشنا باشد.

چون قطعا هر یک از این نرم افزار ها نقاط ضعف و قوت خاصی دارند و هر یک برای کار ویژه ای ساخته شده اند.

اگر آماریست فقط با یک نرم افزار آشنایی داشته باشد حوزه ی دید وی بسیار محدود خواهد بود و دچار نوعی جزم اندیشی (دُگماتیسم ) خواهد بود.

پس قبل از انتخاب آماریست یا شرکت آماری از آن ها سوال کنید که تحلیل داده ها را با چه نرم افزارهایی آنجام می دهند.

اگر توانستند با چندین نرم افزار آماری کار کنند می توانید مطمئن باشید که بعدا دچار مشکل نخواهید شد.

چون اگر فرضیه های شما با یک نرم افزار قابل آزمون نبود می توانند با نرم افزار دیگری آن را برای شما تحلیل کنند.

اگر از شرکت های آماری خدمات می گیرید هم تأکید کنید کسی که کار آماری شما را انجام می دهد با انواع نرم افزار های کمی و کیفی آشنا باشد. در غیر اینصورت این شرکت ها هر قسمت از کارتان را به یک فرد می دهند و در نهایت کارتان انسجام نخواهد داشت.

در هر صورت صلاح مملکت خویش را خسروان دانند، اما بازهم تأکید می کنیم در این زمینه دقت و وسواس خاصی داشته باشید.

تحلیل داده های آماری(فصل 4 پایان نامه)، مقاله و …

سفارش تحلیل داده های آماری برای پایان نامه و مقاله و …

تحلیل داده های آماری پایان نامه ، مقاله و …  با کم ترین هزینه و بالاترین کیفیت انجام می گیرید.

تحلیل داده های کمی  با نرم افزارهای SPSS- PLS – Amos و

تحلیل داده ای کیفی با نرم افزارهای کیفی Maxquda و انویو Nvivoانجام می گیرد.

قیمت تحلیل ها بسیار پایین و پایین تر از هر جای دیگر است

و بسته به نوع و میزان کار معمولا بین 400 هزار تا 1 میلیون تومان خواهد بود. توجه کنیداین قیمت در جاهای دیگر بین حداقل 2 تا 3 میلیون می باشد. ما در اینجا فقط برای رعایت حال دانشجویان و شرایط سخت اقتصادی این قیمت ها را در نظر گرفته ایم. در حالی که کار ما با بالاترین کیفیت و پشتیبانی عالی انجام می گیرد.

البته تحلیل هایی که کار کم تری دارند با قیمت کمتر انجام می گیرد 

جهت سفارش با یکی از روش های زیر تماس بگیرید: 

تماس با شماره موبایل 09143444846 یا ارسال اس ام اس یا پیام از طریق واتساپ و  تلگرام 

یا اینکه به ایمیل  abazizi1392@gmail.com پیام بفرستید. یا اینکه فرم زیر را تکمیل کنید تا با شما تماس بگیریم. 

  • 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 افزار کیفی: Maxquda – Nvivo
  • تعیین حجم نمونه با:Spss samplepower
  • لازم است به نکات ذیل توجه فرمائید:

1- گزارش تحلیل (فصل 4 پایان نامه ) در قالب فایل ورد (Word ) ارائه می شود.

2- خروجی نرم افزار و داده های تحلیل شده در اختیار تان قرار داده می شود.

3- در صورت پیشنهاد استاد راهنما  یا نظر خود محقق تحلیل بر اساس نظر آن ها انجام می گیرد.

4- در صورتی که تحلیل مورد تایید استاد راهنما ، مشاور و … قرار نگیرد ، بر اساس نظر آن ها اصلاح  و اصلاحیه در اختیار محقق قرار می گیرد.

5- سعی می شود تحلیل در اسرع وقت و حداقل زمان ممکن در اختیار محقق قرار بگیرد.

6- فعلاً تحلیل ها فقط با نرم افزارهای ذکر شده در بالا انجام خواهد شد.

  •   ازیکی روش های زیر با ما تماس بگیرید.
  • Mobile : 09143444846
  • Telegram: @abazizi
  • E-mail: abazizi1392@gmail.com
  • از طریق واتساپ به شماره   09143444846 پیام بفرستید. همچنین از طریق شبکه های اجتماعی به ویژه ایتا یا تلگرام یا واتساپ  پیام بفرستید. 

از کار ما مطمئن باشید .

آموزش پیشرفته sPSS

تحلیل عاملی اکتشافی در spss

تحلیل عاملی اکتشافی در SPSS یک روش آماری پیشرفته برای شناسایی ساختار درونی یک مجموعه داده‌ها و کاهش ابعاد آن است.

مراحل انجام تحلیل عاملی اکتشافی در SPSS:

  1. ابتدا باید متغیرهای موردنظر برای تحلیل را در SPSS وارد کرد.
  2. از منوی Analyzeگزینه Factor را انتخاب کنید.
  3. در کادر باز شده متغیرهای موردنظر را به صورت ستونی در قسمت Variables وارد کنید.
  4. روش استخراج عامل‌ها را مشخص کنید. معمولا از روش Principal Component Analysis استفاده می‌شود.
  5. معیارهای قطع عامل‌ها مانند مقدار ویژه بزرگتر از 1 واریانس تبیین شده و نمودار سنگریزه‌ای را مشخص کنید.
  6. چرخش عامل‌ها را انجام دهید. معمولا از چرخش Varimax استفاده می‌شود.
  7. جدول factor loading را مشاهده کنید. متغیرهایی که بار عاملی بالاتری دارند مهم‌تر هستند.
  8. پایایی عامل‌ها را با آلفای کرونباخ بررسی کنید.
  9. نتایج را تفسیر و گزارش کنید.

درنهایت با تحلیل عاملی می‌توان ساختار درونی داده‌ها و روابط بین متغیرها را شناسایی کرد.

برگرفته از : سرگرمی روز

تحلیل عاملی تاییدی چیست؟

تحلیل عاملی تاییدی چیست؟

تحلیل عاملی تاییدی (Confirmatory Factor Analysis) یک روش آماری است که به کمک آن می‌توان به تأیید یا رد فرضیاتی درباره ساختار عاملی متغیرها پرداخت. در این روش، فرضیات محدوده‌ای از ساختار عاملی متغیرها پیشنهاد می‌شود و سپس اطلاعات موجود در داده‌ها جهت بررسی صحت این فرضیات استفاده می‌شود.

در تحلیل عاملی تاییدی، یک مدل ساختاری از پیش تعریف شده است و سپس با استفاده از روش‌های آماری، فرضیاتی درباره ساختار عاملی مورد بررسی قرار می‌گیرد. سپس با استفاده از معیارهایی مانند chi-square، comparative fit index (CFI)، root mean square error of approximation (RMSEA) و …، صحت مدل ساختاری مورد بررسی ارزیابی می‌شود. اگر مدل ساختاری با داده‌ها مطابقت داشته باشد، می‌توان ادعا کرد که فرضیاتی که در ابتدا پیشنهاد شده بود، به خوبی تأیید شده است.

تحلیل عاملی تاییدی معمولاً برای بررسی فرضیات پژوهشی، سنجش سازوکارهای پنهان و تعیین پایایی و اعتبار پرسشنامه‌ها و مقیاس‌های روان‌شناسی استفاده می‌شود. این روش در پژوهش‌های با مقیاس بزرگ و پیچیده، که شامل بسیاری از متغیرها و عوامل هستند، بسیار مفید است.

در کل، تحلیل عاملی تاییدی به عنوان یک ابزار قدرتمند در تحقیقات روان‌شناسی و دیگر علوم اجتماعی برای تأیید یا رد فرضیاتی درباره ساختار عاملی متغیرها و تعیین پایایی و اعتبار پرسشنامه‌ها و مقیاس‌ها استفاده می‌شود.

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 – تلگرام کانال

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.

آزمون فریدمن (Friedman Test)

آزمون فریدمن (Friedman Test) نوعی آزمون رتبه‌بندی غیرپارامتری است که برای مقایسه‌ی سه یا بیشتر گروه در یک متغیر کیفی مستقل با دو یا بیشتر گروه در یک متغیر وابسته به کار می‌رود.

 این آزمون از رتبه‌بندی داده‌ها برای تشخیص تفاوت معنادار بین گروه‌ها استفاده می‌کند

. آزمون فریدمن ابتدا داده‌ها را به صورت رتبه‌بندی می‌کند و سپس میزان تفاوت بین گروه‌ها را با استفاده از رتبه‌بندی‌ها محاسبه می‌کند.

 اگر تفاوت معناداری بین گروه‌ها وجود داشته باشد، آنگاه آزمون فریدمن نتیجه‌ی مثبت می‌دهد.

توضیحی در باره رتبه بندی و آزمون فریدمن:

و فقط رتبه یا ترتیب داده‌ها مهم است. برای مثال، در یک آزمایش بالینی که سه گروه بیمار داریم و برای هر بیمار امتیازی بر اساس شدت بیماری به آن‌ها داده شده است، می‌توان امتیازها را به رتبه‌هایی تبدیل کرد. در اینجا، اگر بیشترین امتیاز به بیماری شدت داشته باشد، به عنوان رتبه‌ی 1 انتخاب می‌شود و بیماری که کمترین امتیاز را داشته باشد، به عنوان رتبه‌ی 3 انتخاب می‌شود.

آزمون فریدمن برای تحلیل داده‌های رتبه‌بندی شده به کار می‌رود.

این آزمون با استفاده از رتبه‌بندی‌ها، تفاوت معنادار بین سه یا بیشتر گروه را بررسی می‌کند. این آزمون ابتدا مجموع رتبه‌ها را برای هر گروه محاسبه می‌کند و سپس میانگین مجموع رتبه‌ها را برای هر گروه محاسبه می‌کند.

سپس با استفاده از فرمول مناسب، میزان تفاوت معنادار بین گروه‌ها محاسبه می‌شود. اگر این میزان تفاوت معنادار باشد، نتیجه مثبت داده شده و بیانگر این است که تفاوت معناداری بین گروه‌ها وجود دارد.

در نهایت، برای تعیین گروهی که با دیگر گروه‌ها تفاوت معنادار دارد، می‌توان از روش‌هایی مانند تحلیل پست‌ها (Post-hoc analysis) مانند آزمون Dunn-Bonferroni استفاده کرد.

مراحل انجام آزمون فریدمن به شرح زیر است:

فرضیه‌ها: اولین قدم در انجام آزمون فریدمن تعیین فرضیه‌های لازم است. فرض صفر در این آزمون این است که میانگین رتبه‌ها برای تمامی گروه‌ها یکسان است. فرض دیگر در این آزمون فرض آلترناتیو است که بیانگر این است که حداقل یکی از میانگین رتبه‌ها با دیگری متفاوت است.

جمع‌آوری داده‌ها: برای انجام آزمون فریدمن، باید داده‌های مربوط به متغیرهایی که قصد بررسی آن‌ها را دارید، را جمع‌آوری کنید. برای هر گروه، باید رتبه‌بندی شده‌ای از داده‌ها را داشته باشید.

محاسبه آماره آزمون: پس از جمع‌آوری داده‌ها، باید آماره آزمون را محاسبه کنید. این آماره با استفاده از فرمول زیر محاسبه می‌شود:

$X^2 = \frac{12}{n (k + 1)} \sum_{j=1}^k R_j^2 – 3(n+1)$

در این فرمول، $n$ تعداد رکوردها در هر گروه و $k$ تعداد گروه‌هاست. $R_j$ نیز میانگین رتبه گروه $j$ است.

محاسبه مقدار p-value: با توجه به آماره آزمون محاسبه شده، باید مقدار p-value را محاسبه کنید. برای این کار، باید از جدول توزیع کای-مردانژ استفاده کنید.

تفسیر نتایج: پس از محاسبه مقدار p-value، باید آن را با سطح معناداری مشخص شده مقایسه کنید. اگر مقدار p-value کمتر از سطح معناداری باشد، فرض صفر رد می‌شود و می‌توان نتیجه گرفت که میانگین رتبه‌ها برای حداقل یکی از گروه‌ها با گروه دیگری متفاوت است.

محاسبه تفاوت رتبه‌ها (اختیاری): در صورتی که آزمون فریدمن نتایج مثبت داشته باشد، می‌توان از طریق آزمون تفاوت رتبه‌های ویلکاکسون، تعیین کرد که کدام گروه‌ها با یکدیگر متفاوت هستند. این آزمون برای مقایسه دو به دوی میانگین رتبه‌ها بین گروه‌ها استفاده می‌شود.

آزمون فریدمن و توزیع نرمال:

آزمون فریدمن یک آزمون غیرپارامتری است و برای داده‌هایی با توزیع نرمال یا هر توزیع پارامتری دیگری مناسب نیست. برای داده‌هایی که توزیع آن‌ها پارامتری است، از آزمون‌های دیگری مانند آزمون تی یا آنالیز واریانس (ANOVA) استفاده می‌شود.

آزمون فریدمن برای داده‌هایی که توزیع آن‌ها ناشناخته است و یا توزیع آن‌ها پارامتری نیست، مناسب است. به عنوان مثال، اگر داده‌ها رتبه‌بندی شده باشند یا توزیع آن‌ها نامتقارن باشد، آزمون فریدمن را می‌توان برای تحلیل آن‌ها به کار برد.

آزمون فریدمن در SPSS:

در نرم‌افزار SPSS نیز می‌توان از آزمون فریدمن برای تحلیل داده‌های رتبه‌بندی شده استفاده کرد. برای انجام این آزمون در SPSS، مراحل زیر را می‌توانید دنبال کنید:

وارد کردن داده‌ها: ابتدا داده‌های رتبه‌بندی شده خود را در SPSS وارد کنید.

انتخاب آزمون: از منوی “Analyze” گزینه “Nonparametric Tests” را انتخاب کرده و سپس گزینه “K Independent Samples” را انتخاب کنید.

تنظیمات آزمون: در پنجره‌ی باز شده، متغیر رتبه‌بندی شده را به عنوان متغیر وابسته و متغیر دسته‌ای را به عنوان متغیر مستقل انتخاب کنید. سپس آزمون فریدمن را انتخاب کنید.

تنظیمات دیگر آزمون: پنجره‌ی تنظیمات دیگر آزمون را باز کرده و مقدار آلفا و تنظیمات دیگر را مطابق با نیاز خود تنظیم کنید.

نتایج آزمون: پس از اجرای آزمون، نتایج آن در صفحه‌ی نتایج SPSS قابل مشاهده هستند. در بخش “Test Statistics”، مقدار آماری آزمون فریدمن، در بخش “Asymptotic Sig. (2-tailed)” مشخص می‌شود. اگر مقدار آماری کمتر از سطح معناداری قرار داده شده باشد، می‌توان نتیجه گرفت که تفاوت معناداری بین گروه‌ها وجود دارد.

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.

تحلیل داده های آماری

روش های نمونه گیری احتمالی و غیر احتمالی

در حالت کلی، روشهای نمونه گیری Sampling Methods به دو دسته نمونه گیری غیر احتمالی و احتمالی تقسیم بندی می شوند.

روش های نمونه گیری غیر احتمالی

در روش های نمونه گیری غیر احتمالی، تمامی افراد از شانس برابر برای انتخاب شدن برخوردار نیستند. این روشها عبارتند:

نمونه گیری آسان یا در دسترس Convenience Sampling : نمونه گیری از تمامی بيماران بستري در يك بخش و يا نمونه گیری از تمامی بيماران مراجعه كننده به كلينيك در یک روزي مشخص و یا نمونه گیری از مشتریان بازدیدکننده از شرکت در یک روز مشخص.

نمونه گیری سهمیه ای Quota Sampling: در اين روش ابتدا تعداد نمونه‌ها مشخص شده و سپس به همراه خطوط راهنمایی برای مصاحبه و پرسشگرى تحويل پرسشگر مى‌گردد تا پرسشگر به ميدان مطالعه رفته و خودش افراد نمونه را با توجه به تعدادى که به وى داده شده انتخاب کند و از طريق مصاحبه با آنها اطلاعات لازم را جمع آوری نمايد. اين روش هرچند مورد حمايت عده‌‌اى قرار گرفته، چون در آن اصل شانس برابر براى کليه افراد جامعه رعايت نمى‌شود، ارزش علمى مطلوب ندارد و نمى‌توان به تعميم نتايج آن اعتماد کرد. البته بسيارى از پژوهشگران مسائل اجتماعى و تجارى و نيز افراد و مؤسساتى که درباره عقايد و گرايش‌هاى انسان‌ها مطالعه مى‌کنند، از اين روش استفاده مى‌نمايند. مؤسسه گالوپ در انتخابات سال ۱۹۴۸ از اين روش استفاده کرد و پيش‌بينى آن درست از آب درنيامد و در انتخابات به جاى ديوئي، ترومن پيروز شد. (وايزبرگ، هربرت ف. و بروس د. براون؛ درآمدى بر تحقيق پيمايشى و تحليل داده‌ها؛ ترجمه جمال عابدي؛ ص ۲۴)

نمونه گيري داوطلبي: داوطلبان روش جدید برای درمان سرطان

نمونه گيري مستمر: بررسي يك بيماري نادر

روشهاي نمونه گيري احتمالاتي: در این روش همه افراد شانس انتخاب شدن دارند. این روش ها عبارتند از:

نمونه گيري تصادفي ساده Simple Random Sampling

ر نمونه گیری تصادفی ساده Simple Random Sampling هر یک از عناصر جامعه ی مورد نظر برای انتخاب شدن، شانس مساوی دارند. در این روش، افراد یا اشیای مورد نیاز از فهرست جامعه ی آماری که به همین منظور شماره گذاری و تهیه شده است به صورت تصادفی انتخاب می شوند. مطابق قانون احتمال، افراد انتخاب شده باید دارای ویژگی هایی همانند جامعه ای باشند که از آن انتخاب شده اند.

نمونه گیری تصادفی را می توان به روش هایی مختلف انجام داد. دو گونه از این روشها بدین شرح اند:
الف) قرعه کشی : با هریک از روشهای معمول آن نوعی نمونه برداری است. مثلا اگر بخواهیم از میان 60 نفر نمونه ای 12 نفری به روش تصادفی انتخاب کنیم، کافی است نام یا شماره ردیف این عده را بدون رعایت ترتیب خاصی روی 60 کارت مختلف بنویسیم و کارت ها را در یک جعبه قرار دهیم.
سپس کارت ها را مخلوط کرده ،12 کارت را یکی پس از دیگری انتخاب کنیم .
ب) جدول اعداد تصادفی: فراهم آوردن وسایل قرعه کشی بی نقص، مخصوصا در گروه های بزرگ
کار آسانی نیست و به جای آن می توان از جدول اعداد تصادفی (random digits table) استفاده کرد . در جدول اعداد تصادفی ارقام صفر تا 9 در تعدادی سطر و ستون گرد آوری شده اند. ترتیب استخراج و تنظیم این اعداد به صورت کاملا تصادفی با روشها و وسایلی مانند قرعه کشی و رایانه انجام می گیرد . نمونه ای از چنین مجموعه تصادفی اعداد را می توان در جدول 1 پیوست همین کتاب ملاحضه کرد که با صد سطر و ده ستون در دو صفحه فراهم شده است . تنظیم اعداد در گروههای 5×5 فقط بدین منظور است که بتوان اعداد را به آسانی خواند. خاصیت اصلی این جدول آن است که احتمال پیش آمدن ارقام 0 تا 9 در هر نقطه آن (در هر سطر یا ستون یا گروه چند در چند آن) برای همه ارقام یکسان و مقداری ثابت است.
روش استفاده از این جدول را برای تشکیل نمونه تصادفی با مثال60=N و 12=n شرح میدهیم.

مراحل نمونه برداری تصادفی ساده

مرحله اول: افراد جامعه را از 1 تا N شماره گذاری کنید. بهتر است این شماره گذاری بدون رعایت ترتیب خاصی انجام گیرد.
مرحله دوم: به طور تصادفی عددی را به عنوان مبدا نمونه برداری در جدول انتخاب کنید. برای مثال عدد 4 که در تقاطع سطر 12 و ستون 5 (جدول 1 پیوست ) واقع شده است.
مرحله سوم: از مبدا نمونه برداری ردیفهایی به تعداد ارقام N در نظر بگیرید.
در این مثال چون N دو رقمی است ردیفهای دو تایی را انتخاب کنید، ولی ساده تر آن است که ابتدا ردیف های عمودی و مجاور هم به کار روند. سپس از ردیف دو ستونی ای که با اعداد 49، 88 و 48 شروع می شود،ا ستفاده کنید.
مرحله چهارم: باید اعداد ردیفهای انتخابی را به ترتیب خواند.N عدد متناسب با شماره گذاری جامعه،شماره ردیف افرادی را نشان می دهد که باید در نمونه انتخاب شوند.عدد متناسب، عددی است که در فاصلۀ 1 تا N واقع شده است. پس در این مثال به 49، 88، 48، 77، 77، 89، 31، 23، 42، 09، 47، 13، 58، 19، 24 و 46 توجه داشته باشید که:
اول، اعدادی مانند 88، 77 و 88 که خارح از دامنة شماره گذاری جامعه اند به حساب نیاورید.
دوم، هر عدد مکرر را فقط یک بار به حساب آورید.
سوم، اگر عدد N ضریب کامل 10 باشد باید تعداد ستونها را یک واحد کمتر از N در نظر گرفت. مثلا در جامعه ای 100 نفری می توان با دو ستون اعداد تصادفی نمونه برداری کرد و عدد 00 را به جای شماره 100 پذیرفت. این روش ساده تر را به منزله ی این است که افراد جامعه به جای 1 تا N از صفر تا N-1 شماره گذاری شوند. یکی از مشکلات روش نمونه گیری تصادقی ساده، تهیه و تدوین فهرست افراد جامعه ی آماری است، چرا که در بسیاری از موارد چنین کاری قبلا انجام نشده است.

نمونه گیری تصادفی ساده
نکته مهم برای پژوهشگران و دانشجویان جهت تکمیل پایان نامه خود این است که برای انتخاب یک نمونه به روش تصادفی ساده می توان از دو روش با جای گذاری و بدون جایگزاری بهره برد. در شیوه نمونه گیری با جای گذاری، هر نمونه پس از اینکه انتخاب شد مجددا به جامعه بازگردانده می شود و این شانس را خواهد داشت که حتی در انتخاب های بعدی نیز برای نمونه انتخاب شود


نمونه گيري تصادفي سیستماتیک Systematic Random Sampling

روش نمونه گیری منظم یا نمونه گیری سیستماتیک

روش نمونه گیری سیستماتیک Systematic Random Sampling روش تغییر شکل یافته ی نمونه گیری تصادفی ساده است. در این روش عناصر نمونه از فهرست افراد یا جامعه اماری که به همین منظور آماده شده است انتخاب می شوند. برای مثال فرض کنید از جامعه ای که 2 هزار عضو دارد می خواهیم 100 عضو را انتخاب کنیم. نمونه مورد نظر را می توان از روی فهرست،20 نفر، انتخاب کرد (100÷2000=20). نقطه شروع نمونه گیری عبارت است از هر عضوی که دارای شماره مساوی یا کوچک تر از 20 است؛ این نقطه به صورت تصادفی انتخاب می شود.

این روش برای آن دسته از جوامع آماری که کد از پیش تعیین شده و مرتبی دارند (همانند شماره کارمندی، دانشجویی و پلاک منازل) کاربرد فراوان دارد. با مشخص شدن اولین عضو نمونه، سایر اعضای نمونه در این روش معین می شوند. این خاصیت از یک سو یکی از محاسن روش تلقی و از سوی دیگر موجب از دست رفتن شانس انتخاب برای سایر اعضای جامعه می شود. به عبارت دیگر، خاصیت تصادفی بودن عناصر نمونه برخلاف روش نمونه گیری تصادفی ساده با علامت سوال همراه است.

دقت نمونه گیری تصادفی سیستماتیک زمانی که ترتیب واحدهای جامعه به صورت تصادف باشد، دقیقا معادل با نمونه گیری تصادفی ساده است. نمونه گیری سیستماتیک و منظم زمانی که ترتیب واحدهای جامعه بر اساس صفتی مرتبط با مورد تخمین باشد، بهتر و دقیق تر از نمونه گیری تصادفی ساده و حتی بهتر از نمونه گیری طبقه ای و یا گروهی است. همچنین اجرای نمونه گیری سیستماتیک ساده و کم هزینه است.

مثال نمونه گیری سیستماتیک:

به عنوان مثال برای 12 جامعه زیر، اگر بخواهیم 4 نمونه انتخاب کنیم باید فاصله نمونه گیری برابر 3 باشد.


نمونه گيري تصادفي گروهی Stratified Random Sampling


روش نمونه گیری طبقه ای یا نمونه گیری گروهی

برای بیشتر کردن شباهت نمونه و جامعه و افزایش دقت نمونه برداری برای برآورد پارامترهای جامعه و دخالت دادن ویژگی های جامعه در نمونه، در روش نمونه گیری طبقه ای Stratified Random Sampling (نمونه گیری گروهی) جامعه به گروه های متجانس تقسیم و هر گروه از افرادی تشکیل می شود که ویژگی هایی مشابه دارند. پس از تقسیم جامعه به گروههای متجانس، تعداد نمونه نسبت به هر گروه مشخص و سپس با استفاده از روش نمونه گیری تصادفی ساده یا منظم، تعداد عناصر مورد نیاز از هر گروه انتخاب می شود. از روش نمونه گیری طبقه ای (نمونه گیری گروهی) هنگامی استفاده می شود که محقق اطمینان داشته باشد که اعضای جامعه مورد بررسی، از نظر یک سری ویژگی ها (صفات) با هم متفاوت باشند. در روش نمونه تصادفی ساده، به این ویژگی ها توجهی نمی شود.

نمونه گیری طبقه ای یا نمونه گیری گروهی

مثال نمونه گیری طبقه ای یا نمونه گیری گروهی Stratified Random Sampling:

هدف از این مثال، تحقیق و بررسی وضعیت عملکرد واحد های مختلف سازمان است. در این تحقیق تعداد کارمندان در هر واحد تولید 133 نفر و واحد خدمات 59 نفر. بررسی ها نشان می دهد که باید یک نمونه 80 نفره را از کل سازمان انتخاب و تعداد نمونه ها را بر حسب هر گروه (واحد) مشخص کرد.

از آنجا که مدیریت به تاثیر واحد کاری در عملکرد اعتقاد دارد پس باید نسبت کارمندان هر واحد به کل کارمندان سازمان را در نمونه 80 تایی رعایت کرد.حاصل عملیات نمونه گیری گروهی برای تعیین عناصر نمونه هرگروه در جدول زیر آمده است.

تعيين نمونه هاي مورد نياز در نمونه گیری طبقه ای
چنان که مشخص است براساس سطر آخر جدول بالا، باید از واحد مالی 24 نفر ،اداری 30 نفر، واحد تولید 18 نفر و خدمات 8 نفر را به عنوان نمونه انتخاب کرد.

نمونه گيري تصادفي خوشه اي Cluster Random Sampling 

روش نمونه گیری خوشه ای

هر گاه جامعه مورد بررسی خیلی وسیع و گسترده باشد و تهیه فهرست تمامی اعضای جامعه امکان پذیر نباشد انتخاب نمونه از نظر اجرایی مشکل به نظر می رسد. برای مثال، فرض کنید میخواهیم میزان تحصیلات کارمندان یک شهر بزرگ را بررسی کنیم. انتخاب نمونه با استفاده از روشهای مذکور دشوار است و به دقت و هزینه زیاد نیاز دارد اما با استفاده از نمونه گیری خوشه ای Cluster Sampling می توان واحد نمونه گیری را «سازمان » تعریف کرد. ابتدا چند سازمان (خوشه ) را به صورت نمونه گیری تصادفی ساده یا سامان مند و سپس کارمندان مورد نیاز را از بین این سازمانها انتخاب می کنیم.

تفاوت روش نمونه گیری گروهی و نمونه گیری خوشه ای Cluster Sampling در این است که در روش گروهی تهیه فهرست اعضای جامعه (چهارچوب نمونه گیری ) امکان پذیر است ولی در خوشه ای این کار مقدور نیست. اگر جمعيت گسترده و پراكنده باشد روش مناسبي است. بايد توجه داشت كه هر چه حجم خوشه ها بیشتر باشد و شباهت افراد آن خوشه از نظر صفت متغير مورد بررسي زیاد باشد، دقت نمونه گيري خوشه اي كمتر خواهد شد.

نمونه گیری خوشه ای

مثال: بررسي شيوع عفونت هاي روده اي در روستاهاي استان فارس
چند روستا از استان فارس انتخاب شده و شیوع عفونت در افراد آن روستاها مورد بررسی قرار میگیرد.

تفاوت بین نمونه گیری خوشه ای با نمونه گیری طبقه ای یا گروهی

الف-در نمونه گیری تصادفی طبقه ای یا گروهی از هر طبقه یا گروه تعدادی را به عنوان نمونه انتخاب می کنیم در حالی که در نمونه گیری خوشه ای Cluster sampling، نمونه از تعدادی از خوشه ها انتخاب می شود.
ب- در نمونه گیری طبقه ای، دقت نمونه گیری تابع مستقیمی با همگنی (مشابهت) درون طبقات و ناهمگنی (عدم مشابهت) بین طبقات است. اما دقت نمونه گیری تصادفی خوشه ای تابع مستقیم با ناهمگنی (عدم مشابهت) درون خوشه ها و همگنی (مشابهت) بین خوشه ها است.


نمونه گيري چند مرحله ای multistage sampling

روش نمونه گیری چند مرحله ای

نمونه گیری مرحله ای multistage sampling، شکل گسترده یافته ی نمونه گیری خوشه ای است. در این روش عناصر نمونه اصلی طی چند مرحله انتخاب می شوند یعنی انتخاب نمونه از نمونه ی دیگر. مثلا می توان در مثال نمونه گیری خوشه ای، ابتدا چند سازمان را به طور تصادفی از یک شهر برگزید و سپس از بین هر سازمان چند واحد سازمانی را معین و پس از آن عناصر نمونه را از هر واحد به طور تصادفی انتخاب کرد. به طور کلی باید گفت در روش نمونه گیری مرحله ای، در هر مرحله یک شرط بر روی اعضای جامعه گذاشته می شود و به این طریق نمونه مورد نظر را انتخاب می کنند.

مثال از نمونه گیری خوشه ای چند مرحله ای

برای مثال در برآورد هوش معندی مدیران یک شرکت هلدینگ، می توان مدیران را در سه مرحله با استفاده از واحدهای نمونه گیری مختلف زیر به صورت زیر انتخاب کرد:
واحد مرحله اول: هلدینگ شرکت 1 شرکت 2 …… شرکت 10
واحد مرحله دوم: واحد مدیریت واحد مدیریت 1 و 2 واحد مدیریت 3 و 4 ….. واحد مدیریت 19 و 20
واحد مرحله سوم: مدیران 1، 2، 3، . . . . 58، 59، 60
در مثال فوق ابتدا جامعه مدیران, به شرکت هایی تقسیم شده است. در این مرحله که مرحله اول نمونه گیری است، از میان شرکت های انتخاب شده، دو واحد مدیریت (واحد مرحله دوم) انتخاب شده است. در اینجا از واحد مدیریت شماره یک، مدیران 1 و 2 و از واحد مدیریت شماره دوم مدیران 3 و 4 و بالاخره از واحد مدیریت دهم، مدیران 19 و 20 به طور تصادفی انتخاب شده اند.
در مجموع 60 مدیر (3*2*10 = 60) از 20 واحد مدیریت و 10 شرکت وابسته به هلدینگ انتخاب شده است.
دقت نمونه گیری خوشه ای چند مرحله ای در مقایسه با نمونه گیری خوشه ای بیشتر است به این دلیل که در نمونه گیری خوشه ای چند مرحله ای واحدهای نمونه مرحله نهایی انتخابی از پراکندگی سطح جامعه انتخاب شده و تغییرات متغیر مورد مورد نظر در نمونه، می تواند معرف تغییرات در جامعه باشد. در حالی که در نمونه گیری خوشه ای چنین امری میسر نمی باشد.

نمونه گیری چند مرحله ای

روش های نمونه گیری احتمالی و غیر احتمالی

برگرفته از پایگاه امین آرتیکل

انجام تحلیل پروژه های آماری با نرم افزارهای مختلف کمی . کیفی انجاک می گیرد. برای توضیحات بیشتر کلیک کنید.

کتاب-آموزش-تصویری-نمونه-گیری-با-SPSS-Sample-Power.jpg

دانلود کتاب آموزش تصویری نمونه گیری با SPSS Sample Power

دانلود کتاب آموزش تصویری نمونه گیری با SPSS Sample Power

مبحث حجم نمونه و نحوه محاسبه آن یکی از مباحث بسیار کلیدی در تحقیقات است .

معمولاً محققین در این خصوص سوالات بسیاری دارند.

اکثر پژوهشگران در تعیین حجم نمونه دچار اشکالی اساسی هستند.

چون معمولاً برای تعیین حجم نمونه از فرمول کوکران یا جدول کرجسی و مورگان استفاده می کنند.

با توجه به اینکه این فرمول ها بر اساس پارامتر نسبت طراحی شده اند در بسیاری از مورد کاربرد ندارند.

لذا محققان در دفاع از پایان نامه یا پذیرش مقاله در مجلات معتبر علمی دچار درد سر بزرگ می کند.

کتاب آموزش تصویری نمونه گیری با SPSS Sample Power

برای حل این مشکل باید از نرم افزار های تعیین حجم نمونه مانند IBM SPSS Sample power بهره گرفت.

کتاب تصویری نمونه گیری با SPSS Sample Power این نرم افزار را به صورتی ساده با ارائه مثال های کاربردی و با فرضیه های مختلف آموزش می دهد.

بعد از پرداخت هزینه می توانید آن را مستقیما دانلود نمایید یا اینکه با یکی از روش های زیر با ما تماس بگیرید تا خدمتتان ارسال گردد.

توجه: فروش نسخه ی الکترونیکی این کتاب فقط در این سایت ارائه می شود و ارائه آن در هر سایت یا کانال دیگری ممنوع می باشد و پیگرد قانونی دارد.

دانلود رایگان صفحات اولیه (فهرست مطالب) و مشخصات کتاب

برای دانلود کامل ابتدا از طریق کلید هزینه آن را پرداخت و بعد دانلود نمائید.

در صورت هر گونه مشکل در پرداخت یا دانلود فایل با یکی از روش های زیر با ما در تماس باشید.

روش های تماس:

Mobile :  09143444846  واتساپ – تلگرام

Telegram: @abazizi

کتاب تصویری نمونه گیری با SPSS Sample Power این نرم افزار را به صورتی ساده با ارائه مثال های کاربردی آموزش می دهد.

بعد از پرداخت هزینه می توانید آن را مستقیما دانلود نمایید یا اینکه با یکی از روش های زیر با ما تماس بگیرید تا خدمتتان ارسال گردد.

توجه: فروش نسخه ی الکترونیکی این کتاب فقط در این سایت ارائه می شود و ارائه آن در هر سایت یا کانال دیگری ممنوع می باشد و پیگرد قانونی دارد.

کتاب-آموزش-تصویری-نمونه-گیری-با-SPSS-Sample-Power.jpg
کتاب آموزش تصویری نمونه گیری با SPSS Sample Power

 دانلود کتاب آموزش تصویری نمونه گیری با SPSS Sample Power (برای اولین بار در ایران)

 دانلود کتاب آموزش تصویری نمونه گیری با SPSS Sample Power (برای اولین بار در ایران)

کتاب-آموزش-تصویری-نمونه-گیری-با-SPSS-Sample-Power.jpg

مبحث حجم نمونه و نحوه محاسبه آن یکی از مباحث بسیار کلیدی در تحقیقات است .

معمولاً محققین در این خصوص سوالات بسیاری دارند.

اکثر پژوهشگران در تعیین حجم نمونه دچار اشکالی اساسی هستند.

چون معمولاً برای تعیین حجم نمونه از فرمول کوکران یا جدول کرجسی و مورگان استفاده می کنند.

با توجه به اینکه این فرمول ها بر اساس پارامتر نسبت طراحی شده اند در بسیاری از مورد کاربرد ندارند.

لذا محققان در دفاع از پایان نامه یا پذیرش مقاله در مجلات معتبر علمی دچار درد سر بزرگ می کند.

برای حل این مشکل باید از نرم افزار های تعیین حجم نمونه مانند IBM SPSS Sample power بهره گرفت.

کتاب تصویری نمونه گیری با SPSS Sample Power این نرم افزار را به صورتی ساده با ارائه مثال های کاربردی آموزش می دهد.

برای هر نمونه از فرضیه ها یک نمونه کاربردی آورده شده است.

بعد از مطالعه این کتاب افراد قادر خواهند بود به راحتی نمونه ی آماری خود را با این نرم افزار تعیین کنند.

بعد از پرداخت هزینه می توانید آن را مستقیما دانلود نمایید یا اینکه با یکی از روش های زیر با ما تماس بگیرید تا خدمتتان ارسال گردد.

توجه: فروش نسخه ی الکترونیکی این کتاب فقط در این سایت ارائه می شود و ارائه آن در هر سایت یا کانال دیگری ممنوع می باشد و پیگرد قانونی دارد.

دانلود رایگان صفحات اولیه (فهرست مطالب) و مشخصات کتاب

کتاب آموزش تصویری نمونه گیری با SPSS Sample Power

دانلود کتاب آموزش تصویری نمونه گیری با SPSS Sample Power

کتاب-آموزش-تصویری-نمونه-گیری-با-SPSS-Sample-Power.jpg

دانلود کتاب آموزش تصویری نمونه گیری با SPSS Sample Power

مبحث حجم نمونه و نحوه محاسبه آن یکی از مباحث بسیار کلیدی در تحقیقات است .

معمولاً محققین در این خصوص سوالات بسیاری دارند.

اکثر پژوهشگران در تعیین حجم نمونه دچار اشکالی اساسی هستند.

چون معمولاً برای تعیین حجم نمونه از فرمول کوکران یا جدول کرجسی و مورگان استفاده می کنند.

با توجه به اینکه این فرمول ها بر اساس پارامتر نسبت طراحی شده اند در بسیاری از مورد کاربرد ندارند.

لذا محققان در دفاع از پایان نامه یا پذیرش مقاله در مجلات معتبر علمی دچار درد سر بزرگ می کند.

کتاب آموزش تصویری نمونه گیری با SPSS Sample Power

برای حل این مشکل باید از نرم افزار های تعیین حجم نمونه مانند IBM SPSS Sample power بهره گرفت.

کتاب تصویری نمونه گیری با SPSS Sample Power این نرم افزار را به صورتی ساده با ارائه مثال های کاربردی و با فرضیه های مختلف آموزش می دهد.

بعد از پرداخت هزینه می توانید آن را مستقیما دانلود نمایید یا اینکه با یکی از روش های زیر با ما تماس بگیرید تا خدمتتان ارسال گردد.

توجه: فروش نسخه ی الکترونیکی این کتاب فقط در این سایت ارائه می شود و ارائه آن در هر سایت یا کانال دیگری ممنوع می باشد و پیگرد قانونی دارد.

دانلود رایگان صفحات اولیه (فهرست مطالب) و مشخصات کتاب

برای دانلود کامل ابتدا از طریق کلید هزینه آن را ÷رداخت و بعد دانلود نمائید.

در صورت هر گونه مشکل در پرداخت یا دانلود فایل با یکی از روش های زیر با ما در تماس باشید.

روش های تماس:

Mobile :  09143444846  واتساپ – تلگرام

Telegram: @abazizi

وبلاگ ما

کتاب آموزش تصویری نمونه گیری با SPSS Sample Power
کتاب آموزش تصویری نمونه گیری با SPSS Sample Power