بایگانی دسته: آموزش Spss اس پی اس اس

تحلیل داده های آماری

آموزش پیشرفته Spss : جلسه 1 – توزیع فراوانی تک متغیره

توزیع فـراوانی ­ها (فراوانی و درصد فراوانی )

اولین­ کاری که بعد از گردآوری و وارد کردن داده­ ها انجام می­ دهیم شمارش تعداد افرادی است که پاسخ ­های معیّنی به هر پرسش داده­ اند.

با این کار نحوه ­پراکندگی یا توزیع­ نمونه را در طبقات ­­مختلف هر­متغیر بررسی می­ کنیم. نتیجه این شمارش توزیع فراوانی است.
توزیع فراوانی به طور متداول شامل فراوانی و درصد فراوانی است که عموما برای متغیرهای اسمی یا ترتیبی به­ کار می رود.

کاربرد آن برای متغیرهای فاصله ­ای/­نسبی فقط زمانی که تعداد طبقات متغیر کم باشد و یا متغیر کمّی را به متغیری ترتیبی تبدیل کنیم، مناسب است.

مثلا در مورد تعداد اعضاء خانواده (بعد خانوار)، استفاده از آماره فراوانی فقط زمانی مناسب که است تعداد اعضا شامل حدود 6 طبقه باشد.

همچنین زمانی که درآمد افراد را به صورت عددی می­ سنجیم ولی درآمد افراد را کدگذاری مجدد کرده و در پنج طبقه قرار بدهیم می­ توانیم از توزیع فراوانی برای متغیر درآمد بهره بگیریم.

در مجموع می­ توان گفت که در وضعیتی که طبقات تشکیل ­دهنده یک متغیر فاصله ­ای/نسبی محدود باشد (کمتر از 10 طبقه باشد)، استفاده از آماره فراوانی مناسب است.

در فیلم آموزشی زیر به نحوه ی رسم و توضیح کاربردی جدول توزیع فراوانی در spss پرداخته شده است.

مقاله نویسی، پایان نامه نویسی

توصیف و استنباط در آمار

توصیفی و آمار استنباطی

آمار با توجه به چگونگی سازماندهی داده ها به اشکال قابل اندازه گیری، یکی از مهمترین بخش های تحقیق امروز است.
با این حال ، برخی از دانشجویان بین آمار توصیفی و استنباطی دچار سردرگمی می شوند و انتخاب بهترین گزینه برای استفاده در تحقیق خود را برای آنها دشوار می کند.
اگر از نزدیک دقت کنید ، تفاوت بین آمار توصیفی و استنباطی در نام های داده شده آنها کاملاً مشهود است.
“توصیفی” داده ها را توصیف می کند ، در حالی که “استنباطی” استنباط می کند یا به محقق اجازه می دهد تا بر اساس اطلاعات جمع آوری شده به نتیجه گیری برسد.
بطور خلاصه:
اگر بر اساس شاخص های آماری محاسبه شده بر مبنای سرشماری (پارامتر ها) به تحلیل نتاج در باره ی جامعه آماری بپردازیم، در حال توصیف آماری هستیم.
همچنین اگر بر اساس شاخص های آماری محاسبه شده بر مبنای نمونه گیری (آماره ها) به تحلیل نتاج در باره ی نمونه ی  آماری بپردازیم، بازم در حال توصیف آماری هستیم. 
اما اگر بر اساس شاخص های آماری محاسبه شده بر مبنای نمونه گیری  به تحلیل نتاج در باره ی جامعه آماری بپردازیم، در حال استنباط آماری هستیم. 
به عبارت دقیق تر برآورد پارامترها را با استفاده از آماره ها استنباط آماری نامیده می شود. 
در فیلم زیر این مفاهیم به دقت بررسی شده اند. پیشنهاد می شود حتماً این آموزش را از روا20 نگاه کنید. 
 
 
تحلیل داده های آماری

آشنایی کلی با نرم افزار اموس Amos

AMOS  مخفف عبارات Analysis of moment structures می باشد. Amos را می توان یکی از موفق ترین نرم افزارهای کامپیوتری دانست که به طور خاص برای مدل سازی معادله ساختاری طراحی شده اند. این نرم افزار توسط شرکت IBM SPSS Statistics طراحی شده است.

نرم افزار آموس (ایموسAmos ) نرم افزاری برای مدل سازی معادلات ساختاری  است که مدل سازی معادله ساختاری را به شیوه ای ترسیمی ارائه می دهد، به نحوی که می توان به سرعت مدل ها را تعریف کرد، محاسبات را انجام داد و در صورت نیاز آن ها را به سادگی اصلاح کرد.

هرچند هدف اصلی از طراحی این نرم افزار مدل سازی است اما قابلیت اجرای مجموعه ای از تحلیل های کمی و آماری معمول نیز بوسیله این نرم افزار وجود دارد. این نرم افزار برای اجرا به حداقل ۲۵۶ مگابایت RAM و  125 مگابایت فضای آزاد نیاز دارد.

Amos Graphics

استفاده از این نرم افزار به دو شیوه نوشتن برنامه به زبانVB.NET و همچنین استفاده از Amos Graphics امکان پذیر است. استفاده از هریک از روش های ذکر شده به لحاظ کار بر روی انواع مدل ها، استفاده از انواع شیوه های برآورد پارامترها و یا محاسبه انواع شاخص های برازندگی و اخذ خروجی های مختلف، مشابه یکدیگر است اما در عین حال استفاده از  Amos Graphics تاحدودی ساده تر از برنامه نویسی است چرا که استفاده از آن برمبنای ترسیم مدل تدوین شده توسط پژوهشگر قرار دارد.

مدل نظری پژوهش در مقایسه با مدل مدون در Amos

به منظور استفاده از نرم افزار Amos بایستی به تفاوت های بین مدل های تعریف شده در Amos و مدل نظری توجه داشته باشیم. مدل نظری مدلی است که پژوهشگر با توجه به مبانی و چارچوب نظری مدل تعریف کرده است. این مدل عمدتا شامل متغیرهای پنهان، معرف های مرتبط و همچنین روابط بین آن ها می باشد. در مدل نظری پژوهشگر تعریف می کند که متغیرهای پنهان قرار است با کدام معرف ها اندازه گیری شوند و اینکه متغیرهای پنهان (و احتمالا برخی متغیرهای آشکار) چگونه با یکدیگر ارتباط داشته و یا یکدیگر را تحت تأثیر قرار می دهند. مدل مدون در ایموس گرافیکس (Amos Graphics) ضمن آن که همه اجزای تعریف شده در مدل نظری پژوهش را داراست، دارای اجزای جدیدی است که برای کار با Amos وجود این اجزا یا عناصر جدید ضرورت دارد.

جزئیات بیشتر هنگام کار با Amos Graphics معمولا شامل تعریف متغیرهای خطا (خطاهای اندازه گیری و خطاهای تبیین شده یا ساختاری) و همچنین تعریف متغیرهای مرجع است.تعریف متغیر مرجع به این مسئله برمی گردد که متغیرهای پنهان  موجود در مدل فاقد ریشه و واحد اندازه گیری هستند.

برای حل بدون مقیاس بودن متغیرهای پنهان دو راه وجود دارد :

  1. استاندارد در نظر گرفتن متغیر پنهان (متغیری با میانگین صفر و انحراف معیار ۱) که برای این منظور لازم است واریانس متغیر پنهان برابر ۱ قرار داده شود.
  2. قرار دادن ریشه و واحد اندازه گیری یکی از متغیرهای مشاهده شده مرتبط با متغیر پنهان به عنوان ریشه و واحد اندازه گیری همان متغیر پنهان. در این حالت به متغیر مشاهده شده اصطلاحا متغیر مرجع یا معرف نشان گذار گفته می شود.

آنچه در مدل سازی معمول است استفاد از روش دوم می باشد هرچند استفاده از روش اول نیز منجر به نتایج مشابهی در برآورد پارامترها می شود. لازم به ذکر است که متغیرهای پنهان موجود در مدل (به عبارت دیگر متغیرهایی که فاقد مقیاس اندازه گیری اند) خود به دو دسته اصلی تقسیم می شوند :

الف– متغیرهای خطا که شامل خطای اندازه گیری در مدل های اندازه گیری و خطاهای تبیین در مدل ساختاری اند. این متغیرها اساسا متغیرهای پنهانی هستند که اندازه گیری نشده اند، مدل را تحت تأثیر قرار می دهند ولی در مدل نظری پژوهش حضور نداشته اند.

ب– متغیرهای پنهان درمدل ساختاری که هرکدام با مجموعه ای از متغیرهای مشاهده شده اندازه گیری خواهند شد.

مراحل اجرایی کار با Amos Graphics

به طور خلاصه چهار مرحله اجرایی زیر را برای کار با Amos Graphics  می توان نام برد:

الف. تهیه فایل داده ها با SPSS
ب. ترسیم مدل تدوین شده در صفحه میانجی.
ج. مشخص کردن جزئیات تحلیل شامل موارد مورد نیاز در خروجی وتغییر شیوه برآورد پارامترها(درصورت لزوم)
د. انجام تحلیل و برآورد پارامترها.

حال به توضیح هر کدام می پردازیم:

الف .تهیه فایل داده های ورودی

فایل داده ها با استفاده از نرم افزار SPSS  و به سه شکل زیر تهیه می شود:

  1. فایل حاوی داده های خام
  2. فایل حاوی ماتریس واریانس-کواریانس برگرفته از داده های خام
  3. فایل حاوی ماتریس همبستگی، میانگین و انحراف معیارها برگرفته ازداده های خام

مراحل تهیه ماتریس همبستگی تا حد زیادی به تهیه فایل در قالب واریانس-کواریانس شباهت دارد اما با این حال توجه به تفاوت های آن ها نیز ضرورت دارد. یکی از مهمترین این تفاوت ها این است که در صورت تدارک داده های گردآوری شده در قالب ماتریس همبستگی ضرورت دارد که میانگی ها و انحراف معیارهای متغیرها نیز در فایل وارد شوند تا امکان برآورد پارامترها به صورت غیراستاندارد نیز فراهم شود. درحالیکه با وجود ماتریس واریانس-کواریانس امکان برآوردهای استاندارد و غیراستاندارد وجود دارد.

ب. ترسیم مدل تدوین شده در Amos Graphics

Amos Graphics  یک جعبه ابزار متنوع در اختیار کاربر قرار می دهد که با استفاده از آن ها می توان مدل تدوین شده را با کلیه جزئیات آن ترسیم کرد بلکه امکانات مختلفی را برای اجرای تحلیل و مشاهده خروجی ها در اختیار قرار می دهد. توضیح این نکته لازم است که جعله ابزار قابل مدیریت است به نحوی که می توان نشانه هایی را به آن افزوده یا از آن کم کرد.

ج. مشخص کردن جزئیات تحلیل

پس از تدارک داده ها و ترسیم مدل لازم است قبل از اجرای تحلیل برخی از جزئیات آن مشخص شوند. چنین جزئیاتی می توانند موارد متنوعی را در برگیرند اما توجه به دو نکته لازم است :

  1. تعیین مواردی که مایل هستید علاوه بر موارد پیش فرض در خروجی گزارش شوند. مانند گزارش برآوردهای استاندارد علاوه بر برآوردهای غیراستاندارد در مدل.
  2. تعیین روش برآورد پارامترها. به طور پیش فرض روش حداکثر درستنمایی برای این منظور تعریف شده است.

د. اجرای تحلیل و برآورد پارامترها

اجرای تحلیل و برآورد پارامترها را می توان آخرین مرحله در اجرای اولیه دانست. پس از اجرای اولیه تحلیل و برآورد پارامترها و شاخص های مختلف برازش و همچنین وارسی سایر خروجی ها درباره تغییر، پژوهشگر می تواند درباره تغییر و اصلاح مدل تصمیم گیری نماید.

منبع

مدل سازی معادله ساختاری در پژوهش های اجتماعی با کاربرد Amos / نوشته دکتر وحید قاسمی / انتشارات جامعه شناسان.

مقاله نویسی، پایان نامه نویسی

محاسبه گر حجم نمونه برای مدل سازی معادلات ساختاری (SEM) کوواریانس محور

محاسبه گر حجم نمونه برای مدل سازی معادلات ساختاری (SEM) کوواریانش محور

مبحث حجم نمونه و نحوه محاسبه آن یکی از مباحث کلیدی در تحقیقات است که معمولاً محققین در این خصوص سوالات بسیاری دارند و 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 را در دفاع از پایان نامه یا پذیرش مقاله در مجلات معتبر علمی دچار مشکل می کند.

یکی از نرم افزارهای مناسب برای تعیین حجم نمونه نرم افزار IBM SPSS Sample power است.

کتاب و فیلم آموزشی این نرم افزار توسط مدیر این سایت ساخت در دست چاپ می باشد و انشاا… به زودی چاپ خواهد شد و فیلم آموزشی آن هم در همین سایت قرار داده خواهد شد.

در این کتاب سعی شده است روش کار با این نرم افزار به صورت بسیار ساده و کاربردی، همراه با مثال های ملموسی آموزش داده شود، بطوریکه کاربر و محقق بایک بار مطالعه این کتاب، قادر خواهد بود کار با این نرم افزار را یادبگیرد.

امّا واقعیت این است که برای مدل سازی معادلات ساختاری کواریانس محور در این نرم افزار جای مناسبی وجود ندارد ، پس وقتی محقق بخواهد برای تحلیل داده های خود از نرم افزارهای مانند  ایموس، لیزرل و … استفاده کند ، برای تعین حجم نمونه باید از فرمول ها و روش های دیگری استفاده نماید. یکی از این روش ها استفاده از قاعده سر انگشتی است و روش بهتر استفاده از محاسبه گرهای  مبتنی بر فرمولهای پیشرفته است. که روش دومی مناسبتر می باشد.

در زیر یک محاسبه گر آن لاین آمده است که می توانید برای حجم نمونه در مدل سازی معادلات ساختاری کواریانس محور از آن استفاده نمایید.

برای محاسبه دقیق حجم نمونه بر اساس این محاسبه گر، اعداد را در جای خود بر اساس توضیحات زیر وارد نمایید.

  1. در قسمت Anticipated effect size که باید اندازه اثر مورد نظر برای آزمون مدل سازی معادلات ساختاری را وارد نمایید از قانون سه مقدار Chin در سال 1998 برای مقادیر R2 استفاده می کنید. سه مقدار چین شامل 0.19 و 0.33 و 0.67 است که محقق باید اندازه اثر 0.19 را جهت تشخیص آزمون برای این اندازه اثر وارد نماید.
  2. 2.       در گام دوم توان آزمون Desired statistical power level یا همان عکس خطای نوع دوم را باید وارد نمود که در مطالعات علوم انسانی و اجتماعی این مقدار بین 80 تا 90 درصد انتخاب می شود و حداقل آزمون باید توانی برابر با 80 درصد داشته باشد.
  3. در قسمت سوم تعداد متغیر های مکنون مدل پژوهش Number of latent variables اعم از برونزا و درونزا را وارد می کنیم که در مثال زیر 5 متغیر مکنون است. که هریک بر اساس گویه هایی اندازه گیری می گردند.
  4. متغیر های آشکار یا همان  گویه های پرسش نامه یعنی Number of observed variables را وارد نمایید که در اینجا 96  متغیر آشکار یا مشاهده پذیر وجود دارد(آیتم/ سوال/ گویه)
  5. در نهایت میزان خطای نوع اول را جهت دستیابی به بازه اطمینان 95 یا 99 درصد را وارد نمایید یعنی بجای Probability level مقادیر 0.05 و یا 0.01 را وارد نمایید. البته بهتر است که هر دو در دو سناریو مختلف وارد شوند سپس بر اساس نوع مسئله، توان محقق، بودجه محقق و غیره یکی از حجم نمونه های تعیین شده انتخاب گردد.  سپس آیکون Calculate زده می شود. عدد اول ظاهر شده حجم نمونه علمی شما برای تحقیق پیش رو است.

برای محاسبه حجم نمونه مدل سازی معادلات ساختاری (SEM) کوواریانش محور کلیک کنید.

برای محاسبه حجم نمونه مدل سازی معادلات ساختاری (SEM) کوواریانش محور کلیک کنید.

نحوه تبدیل متغیر کمی به متغیر کیفی در نرم افزار SPSS

گاهی اوقات برای انجام برخی تحلیل ها نیاز به داده های گسسته و متغیر کیفی در نرم افزار SPSS داریم. روش Recode یکی از مفید ترین روندهایی است که جهت تبدیل یک متغیر پیوسته به متغیر گسسته بکار می رود. گزینه Recode از منوی Transform جهت کدگذاری یک متغیر پیوسته به رده های از هم جدا به کار می رود. : فرض کنید متغیر خستگی عاطفی را به صورت یک متغیر کمی وارد نموده اید و حال می خواهید افراد را به 3 گروه 1- عدم خستگی 2- خستگی متوسط و 3- خیلی خسته تقسیم کنید.

نحوه برخورد با داده های از دست رفته ( missing) در Spss

نحوه برخورد با داده های از دست رفته ( missing) در Spss

هنگام جمع آوری داده های به ویژه با استفاده از پرسشنامه ، به ندرت ممکن است داده های کاملی از هر نفر به دست بیاورید!  پس بررسی داده های از دست رفته قبل از هر تحلیلی مهم است.

از مسیر Analyze / descriptive statistics/ descriptive وجود داده های از دست رفته را در فایل داده های خود بررسی کنید . چنان چه یک متغیر مقدار زیادی داده های از دست رفته داشته باشد ، باید علت آن را بررسی کنید.

همچنین باید ببینید مقادیر از دست رفته به طور تصادفی رخ داده اند یا اینکه الگوی نظام مندی دارند (مثلا بسیاری از زنان سؤال مربوط به سن خود را جواب نداده اند) .

نرم افزار  Spss  روش missing value analysis را دارد که می تواند به یافتن الگوهای مقادیر از دست رفته کمک کند.

همچنین باید نحوه برخورد خود با مقادیر از دست رفته را هنگام انجام تحلیل های اماری مشخص کنید .

کلید options در بسیاری از روش های اماری spss گزینه هایی برای نحوه برخورد با داده های از دست رفته ارائه می کند . باید با دقت انتخاب کنید ، چرا که ممکن است اثرات شدیدی بر نتایج شما داشته باشد .

به طور کلی در Spss دو روش برخورد با داده های از دست رفته داریم:

1-  Exlude cases  pairwise  یا (حذف زوجی) در این روش افرادی که داده های ناقص در یک یا دو متغیر خاص دارند، در صورتی که در سایر متغیر های داده های معتبر داشته باشند، همچنان در تحلیل باقی می مانند. بنابراین لازم نیست هیچ فردی به طور کامل از تحلیل ها حذف شود. این روش خلاصه شاخص های آماری ( مانند شاخص های پراکندگی، مرکزی و همبستگی ها) را برای همه ی رکوردهای (مورد ها ) موجود که اندازه های معتبر دارند، محاسبه می کند. مثلاً اگر کسی به متغیر سن جواب نداده باشد از لیست حذف نمی شود و فقط نمره ی سن او در تحلیل حساب نمی شود ولی نمره ی سایر متغیر های دیگر برای وی حساب می گردد.

2- Exlude cases Listwise : در این روش همه افرادی افرادی که دارای داده های ناقص هستند از تحلیل حذف می شوند.یعنی اگر فردی جواب یک متغیر را نداده باشد از لیست حذف می گردد. مثلاً اگر فردی فقط  به متغیرسن جواب نداده باشد از تحلیل حذف می کردد این این رکورد (مورد) کلاً حذف می گردد. این یک روش استاندارد در نرم افزار Spss می باشد. این روش باعث می شود که حجم نمونه به شدت کاهش پیدا کند.

  • 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 افزار کیفی: Maxquda

  • تعیین حجم نمونه با:Spss samplepower

روش های تماس:

  • Mobile : 09102194672

  • Telegram: @abazizi

  • E-mail: abazizi1392@gmail.com

 

 

مشخصه role در نرم افزار spss

  • توسط این مشخصه نقش متغیر مورد نظر را در روش های آمار تحلیلی مشخص می کنیم. نقش یک متغیر می تواند به صورت زیر تعیین شود.

  • 1- نقش Input : برای متغیر های مانند مستقل، پیشگو یا توضیحی

  • 2- نقش Target: برای متغیرهای وابسته مدل

  • 3- نقش Both: برای متغیر هایی که هم نقش Input و هم نقش Output  را دارند.

  • نقش None: برای متغیرهایی که نقش خاصی ندارند.

  • نقش Portion: برای متغیرهایی مورد استفاده قرار می گیرد که داده های نمونه را به مجموعه های آموزشی، آزمودنی و اعتبار سنجی، تقسیم می کند.

  • نقش Split: برای متغیرهایی است که نقش هماهنگ کننده بین نرم افزارهای تحت Spss را دارند. این متغیر را هیچگاه نمی توان در دستور Split file استفاده کرد.

  • ** به طور پیش فرض نقش تمام متغیر ها Input است و تعیین نقش اصلی متغیر اثری بر نوع دستورهای Spss نخواهد داشت و تنها در نمایش متغیرها در کادر گفتگوی نرم افزار تأثیر خواهد گذاشت.

    • 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 افزار کیفی: Maxquda

    • تعیین حجم نمونه با:Spss samplepower

    • Mobile : 09102194672

    • Telegram: @abazizi

    • E-mail: abazizi1392@gmail.com

جدا کردن فایل ها Split file در نرم افزار SPSS

  • گاهی اوقات می خواهیم آزمون ها و کارهای آماری برای یک دسته متغیر بر اساس یک متغیر گروه بندی به صورت جداگان حساب شود. مثلاً در رابطه دو متغیر به جای یک رابطه رابطه آن دو متغیر به تفکیک زن و مرد نشان داده شود یا نمودار آن ها به صورت جداگانه کشیده شود. برای این کار از منوی data از گزینه split file استفاده به روش زیر استفاده می کنیم . با زدن اسپلیت فایل پنجره ی جدیدی باز می شود در آن پنجره باید گزینه Compare groups انتخاب شود و متغیر گروه بندی به کادر Group Base on منتقل شود و اکی. از این به بعد آزمون ها به تفکیک گروه ها مثلاً زن و مرد حساب می شود. برای غیر فعال کردن اسپلیت باید از منوی data روی  split fileکلیک و گزینه Analyze all cases, donot creat groups انتخاب شود.
  • 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

مخفي کردن جدول ، سطر و ستون در خروجي Spss

گاهی در خروجی SPSs تعدادی زیادی جدول و موارد دیگیری داریم که ممکن است کاربر را سردرگم کنند یا ، بعضی از داده های نمای یافته در جدول ممکن است مفید  یا ضروری نباشند. خوشبختانه می توان جدول، سطر یا ستون را بدون تغییر یا از دست رفتن هر گونه داده ای مخفی نمایید.

برای یادگیری این آموزش به فیلم زیر نگاه کنید.