بایگانی دسته: آموزش پیشرفته Spss

تحلیل تشخیصی ( Discriminat Analysis ) چیست ؟

تحلیل تشخیصی (Discriminant Analysis) یک روش آماری است که برای شناسایی و تمایز بین دو یا چند گروه یا کلاس بر اساس ویژگی‌ها یا متغیرهای مستقل استفاده می‌شود. این روش به طور خاص در زمینه‌های مختلفی مانند علوم اجتماعی، پزشکی، بازاریابی و شناسایی الگوها کاربرد دارد.

اهداف تحلیل تشخیصی:

تمایز بین گروه‌ها: هدف اصلی تحلیل تشخیصی شناسایی ویژگی‌هایی است که می‌توانند گروه‌های مختلف را از یکدیگر متمایز کنند.
پیش‌بینی گروه‌ها: این روش می‌تواند برای پیش‌بینی گروهی که یک نمونه جدید به آن تعلق دارد، بر اساس ویژگی‌های آن نمونه استفاده شود.
تحلیل واریانس: تحلیل تشخیصی می‌تواند به تحلیل واریانس (ANOVA) کمک کند تا مشخص شود که آیا تفاوت‌های معناداری بین گروه‌ها وجود دارد یا خیر.

انواع تحلیل تشخیصی:

تحلیل تشخیصی خطی (Linear Discriminant Analysis – LDA): این نوع تحلیل فرض می‌کند که توزیع داده‌ها در هر گروه نرمال و واریانس‌ها برابر است. LDA یک تابع خطی برای تمایز بین گروه‌ها ایجاد می‌کند.
تحلیل تشخیصی غیرخطی (Quadratic Discriminant Analysis – QDA): در این روش فرض می‌شود که واریانس‌ها در گروه‌های مختلف می‌توانند متفاوت باشند. QDA تابعی غیرخطی برای تمایز بین گروه‌ها ایجاد می‌کند.

مراحل انجام تحلیل تشخیصی:

جمع‌آوری داده‌ها: داده‌های مربوط به ویژگی‌ها و گروه‌های مختلف را جمع‌آوری کنید.
بررسی فرضیات: بررسی کنید که آیا فرضیات LDA یا QDA برقرار هستند (مانند نرمال بودن توزیع و همسانی واریانس).
محاسبه تابع تشخیصی: با استفاده از داده‌ها، تابع تشخیصی را محاسبه کنید.
تحلیل نتایج: نتایج تحلیل را بررسی کرده و دقت پیش‌بینی‌ها و تمایز گروه‌ها را ارزیابی کنید.

کاربردها:

پزشکی: شناسایی بیماری‌ها بر اساس علائم و ویژگی‌های بیمار.
بازاریابی: شناسایی رفتار مشتریان و تقسیم‌بندی بازار.
علوم اجتماعی: تحلیل داده‌های جمعیتی و اجتماعی برای شناسایی الگوهای رفتاری.

مزایا و معایب:

مزایا:
- قابلیت پیش‌بینی بالا در شرایطی که فرضیات برقرار باشند.
- ساده و قابل تفسیر.
معایب:
- حساس به فرضیات نرمال بودن و همسانی واریانس.
- در صورت عدم برآورده شدن فرضیات، نتایج ممکن است نادرست باشند.

به طور کلی، تحلیل تشخیصی ابزاری قدرتمند برای شناسایی و تمایز بین گروه‌ها بر اساس داده‌های موجود است و می‌تواند در زمینه‌های مختلف کاربردهای زیادی داشته باشد.

خواهشمند است، نظر خودتان را در پایان نوشته در سایت https://rava20.ir مرقوم نمایید. همین نظرات و پیشنهاد های شما باعث پیشرفت سایت می گردد. با تشکر

پیشنهاد می شود مطالب زیر را هم در سایت روا 20 مطالعه نمایید:

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

تبدیل باکس – کاکس در نرم افزار SPSS

پاسخ دهید

تبدیل باکس – کاکس در نرم افزار SPSS

تبدیل باکس-کاكس (Box-Cox Transformation) یکی از روش‌های آماری است که برای تبدیل داده‌ها به منظور برآورده کردن فرضیات مدل‌های آماری، به ویژه در تحلیل واریانس و رگرسیون، استفاده می‌شود. این روش به ویژه در مواردی که داده‌ها نرمال نیستند یا واریانس آن‌ها ثابت نیست، کاربرد دارد.

در نرم‌افزار SPSS، می‌توانید با استفاده از دستورات و گزینه‌های موجود، تبدیل باکس-کاكس را انجام دهید. در ادامه، مراحل انجام این کار را توضیح می‌دهم:

مراحل انجام تبدیل باکس-کاكس در SPSS:

ورود به SPSS:
- نرم‌افزار SPSS را باز کنید و داده‌های خود را بارگذاری کنید.
انتخاب گزینه‌های تبدیل:
- از منوی بالا، به مسیر Transform بروید و گزینه Compute Variable را انتخاب کنید.
تنظیمات متغیر جدید:
- در کادر Target Variable، نام متغیر جدیدی که می‌خواهید ایجاد کنید، وارد کنید (مثلاً Transformed_Variable).
- در کادر Numeric Expression، فرمول تبدیل باکس-کاكس را وارد کنید. فرمول کلی به صورت زیر است:𝑦(𝜆)={𝑦𝜆−1𝜆if 𝜆≠0log⁡(𝑦)if 𝜆=0
- برای تعیین مقدار λ (لامبدا)، می‌توانید از روش‌های مختلفی مانند آزمون‌های آماری یا بهینه‌سازی استفاده کنید.
محاسبه و ذخیره نتایج:
- پس از وارد کردن فرمول، بر روی دکمه OK کلیک کنید تا SPSS محاسبات را انجام دهد و متغیر جدید را به داده‌های شما اضافه کند.
تحلیل نتایج:
- حال می‌توانید متغیر جدید را بررسی کرده و تحلیل‌های آماری مورد نظر خود را انجام دهید.

نکات مهم:

انتخاب λ: انتخاب λ مناسب برای تبدیل باکس-کاكس بسیار مهم است. می‌توانید از نرم‌افزارهای دیگر یا روش‌های بهینه‌سازی برای پیدا کردن بهترین مقدار λ استفاده کنید.
تجزیه و تحلیل نتایج: پس از تبدیل، حتماً نتایج را بررسی کنید تا مطمئن شوید که داده‌ها به توزیع نرمال نزدیک‌تر شده‌اند.

پیشنهاد می شود مطالب زیر را هم در سایت روا 20 مطالعه نمایید:

نرم افزار برتر کلاس مجازی در سال ۲۰۲۰

نوشته

نحوه بازیابی اسناد در ورد

نوشته

معنی باگ در نرم افزار چیست؟ (مروری بر تاریخچه لغت باگ)

نوشته

کدگذاری در روش گراندد تئوری

نوشته

خارکیوار گیاه دارویی در پهنه بهشتی اورامانات

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

پایان نامه نویسی مقاله نویسی

spss

جهت عضویت در کانال تلگرام سایت کلیک کنید.

متغیر ظاهری یا dummy VARIABLE در Spss

پاسخ دهید

متغیر ظاهری یا dummy VARIABLE در Spss

متغیرهای ظاهری (Dummy Variables) یا متغیرهای ساختگی، متغیرهایی هستند که برای تبدیل متغیرهای کیفی (اسمی یا رتبه‌ای) به فرمی که قابل استفاده در مدل‌های رگرسیون و تحلیل‌های آماری باشد، استفاده می‌شوند. این متغیرها معمولاً به صورت دو حالتی (۰ و ۱) کدگذاری می‌شوند و نشان‌دهنده حضور یا عدم حضور یک ویژگی خاص هستند. در SPSS، ایجاد و استفاده از متغیرهای ظاهری بسیار ساده است. در ادامه به نحوه ایجاد و استفاده از این متغیرها در SPSS می‌پردازیم.

مفاهیم کلیدی:

متغیر ظاهری (Dummy Variable):
- یک متغیر دو حالتی (۰ و ۱) که نشان‌دهنده عضویت در یک گروه یا دسته است.
- مثال: اگر متغیر جنسیت داشته باشیم، می‌توانیم دو متغیر ظاهری ایجاد کنیم:
  - Male: ۱ اگر مرد باشد، ۰ اگر زن باشد.
  - Female: ۱ اگر زن باشد، ۰ اگر مرد باشد.
تعداد متغیرهای ظاهری:
- برای یک متغیر کیفی با 𝑘k سطح، 𝑘−1k−1 متغیر ظاهری ایجاد می‌شود.
- مثال: اگر متغیر “تحصیلات” دارای سه سطح (دیپلم، لیسانس، فوق‌لیسانس) باشد، دو متغیر ظاهری ایجاد می‌شود.

مراحل ایجاد متغیرهای ظاهری در SPSS:

۱. وارد کردن داده‌ها:

داده‌های خود را در SPSS وارد کنید. فرض کنید یک متغیر کیفی به نام “جنسیت” دارید که دارای دو سطح (مرد، زن) است.

۲. ایجاد متغیرهای ظاهری:

از منوی Transform گزینه Recode into Different Variables را انتخاب کنید.
متغیر کیفی (مثلاً “جنسیت”) را به پنجره سمت راست منتقل کنید.
در قسمت Output Variable، نام جدیدی برای متغیر ظاهری وارد کنید (مثلاً Male).
روی دکمه Change کلیک کنید.
روی دکمه Old and New Values کلیک کنید.
در قسمت Old Value، مقدار مربوط به مرد (مثلاً ۱) را وارد کنید و در قسمت New Value، عدد ۱ را وارد کنید. سپس روی Add کلیک کنید.
در قسمت Old Value، گزینه All other values را انتخاب کنید و در قسمت New Value، عدد ۰ را وارد کنید. سپس روی Add کلیک کنید.
روی Continue و سپس OK کلیک کنید.
این مراحل را برای ایجاد متغیر ظاهری دوم (مثلاً Female) تکرار کنید.

۳. بررسی متغیرهای ظاهری:

پس از ایجاد متغیرهای ظاهری، به برگه Data View بروید و مطمئن شوید که متغیرهای جدید به درستی ایجاد شده‌اند.

استفاده از متغیرهای ظاهری در تحلیل‌ها:

رگرسیون خطی:
- متغیرهای ظاهری را به عنوان متغیرهای مستقل در مدل رگرسیون وارد کنید.
- مثال: اگر می‌خواهید تأثیر جنسیت بر درآمد را بررسی کنید، متغیرهای Male و Female را به مدل اضافه کنید.
تحلیل واریانس (ANOVA):
- متغیرهای ظاهری را به عنوان فاکتورها در تحلیل واریانس وارد کنید.

نکات مهم:

تعداد متغیرهای ظاهری:
- همیشه یک سطح کمتر از تعداد سطوح متغیر کیفی ایجاد کنید تا از مشکل همخطی (Multicollinearity) جلوگیری شود.
تفسیر ضرایب:
- در رگرسیون، ضرایب متغیرهای ظاهری نشان‌دهنده تفاوت میانگین متغیر وابسته نسبت به گروه پایه (سطحی که متغیر ظاهری برای آن ایجاد نشده است) هستند.
گروه پایه:
- سطحی که متغیر ظاهری برای آن ایجاد نشده است، به عنوان گروه پایه در نظر گرفته می‌شود.

مثال کاربردی:

فرض کنید می‌خواهید تأثیر جنسیت و تحصیلات بر درآمد را بررسی کنید. مراحل زیر را دنبال کنید:

ایجاد متغیرهای ظاهری:
- برای جنسیت: Male (۱ اگر مرد باشد، ۰ اگر زن باشد).
- برای تحصیلات: دو متغیر ظاهری ایجاد کنید (مثلاً Bachelor و Master) و دیپلم را به عنوان گروه پایه در نظر بگیرید.
اجرای رگرسیون:
- درآمد را به عنوان متغیر وابسته و Male, Bachelor, Master را به عنوان متغیرهای مستقل وارد کنید.
تفسیر نتایج:
- ضریب Male نشان‌دهنده تفاوت میانگین درآمد مردان نسبت به زنان است.
- ضریب Bachelor نشان‌دهنده تفاوت میانگین درآمد افراد با تحصیلات لیسانس نسبت به دیپلم است.

نتیجه‌گیری:

متغیرهای ظاهری ابزارهای قدرتمندی برای تبدیل متغیرهای کیفی به فرمی هستند که در مدل‌های رگرسیون و تحلیل‌های آماری قابل استفاده باشند. در SPSS، ایجاد و استفاده از این متغیرها بسیار ساده است و به شما امکان می‌دهد تأثیر متغیرهای کیفی را در تحلیل‌های خود بررسی کنید.

پیشنهاد می شود مطالب زیر را هم در سایت روا 20 مطالعه نمایید:

چند وب سایت مهم برای مرور ادبیات علمی (مبانی نظری و پژوهشی متغیرها)

مسئله پژوهش را چگونه بیان کنم؟

خواص جالب درمانی گیاه شیرین بیان

کدگذاری در روش گراندد تئوری

گیاهان دارویی درمان سرماخوردگی و آنفلوزا

آزمون هم خطی در نرم افزار spss چگونه است؟

پاسخ دهید

آزمون هم خطی در نرم افزار spss چگونه است؟

آزمون هم‌خطی (Multicollinearity) در نرم‌افزار SPSS به منظور بررسی وجود هم‌خطی بین متغیرهای مستقل در یک مدل رگرسیونی انجام می‌شود. هم‌خطی زمانی رخ می‌دهد که دو یا چند متغیر مستقل به شدت با یکدیگر همبسته باشند، که می‌تواند باعث مشکلاتی در برآورد پارامترهای مدل و تفسیر نتایج شود. در ادامه، مراحل انجام آزمون هم‌خطی در SPSS را توضیح می‌دهم:

مراحل انجام آزمون هم‌خطی در SPSS:

وارد کردن داده‌ها:
- داده‌های خود را در SPSS وارد کنید. هر متغیر مستقل باید در یک ستون جداگانه قرار گیرد.
اجرای رگرسیون:
- به منوی Analyze بروید.
- گزینه Regression را انتخاب کنید و سپس Linear را کلیک کنید.
- متغیر وابسته (Dependent Variable) و متغیرهای مستقل (Independent Variables) را مشخص کنید.
تنظیمات مربوط به هم‌خطی:
- در پنجره رگرسیون، بر روی دکمه Statistics کلیک کنید.
- گزینه Collinearity diagnostics را تیک بزنید و سپس بر روی Continue کلیک کنید.
اجرا و مشاهده نتایج:
- بر روی OK کلیک کنید تا تحلیل انجام شود.
- SPSS نتایج رگرسیون و همچنین جداول مربوط به هم‌خطی را نمایش می‌دهد.
تحلیل نتایج:
- به جدول Coefficients نگاه کنید. در این جدول، دو معیار مهم برای بررسی هم‌خطی وجود دارد:
  - VIF (Variance Inflation Factor): اگر مقدار VIF برای یک متغیر بیشتر از 2/5 باشد، نشان‌دهنده وجود هم‌خطی شدید است.
  - Tolerance: اگر مقدار Tolerance کمتر از 0.4 باشد، این نیز نشان‌دهنده وجود هم‌خطی است.

نکات مهم:

اگر هم‌خطی شناسایی شود، ممکن است نیاز باشد برخی از متغیرها حذف یا ترکیب شوند.
همچنین می‌توانید از روش‌های دیگری مانند تحلیل عاملی (Factor Analysis) یا انتخاب متغیر (Variable Selection) برای کاهش هم‌خطی استفاده کنید.

با این مراحل، می‌توانید آزمون هم‌خطی را در SPSS انجام دهید و نتایج را تحلیل کنید.

پیشنهاد می شود مطالب زیر را هم در سایت روا 20 مطالعه نمایید:

رسمیت در سازمان: اهمیت، عوامل تأثیرگذار و راهکارها

نوشته

چگونه می‌توانم فایل‌های صوتی را به متن تبدیل کنم و در تحلیل استفاده کنم؟

نوشته

آنچه باید درباره ی زیره سیاه کرمانی بدانید

نوشته

آزمون تصادفی بودن ( Test of randomness) در نرم افزار spss چگونه انجام می شود؟

نوشته

آیا QDA Miner قابلیت تحلیل کمی را برای داده‌های خروجی در نرم‌افزارهای آماری دیگر فراهم می‌کند؟

تحلیل واریانس با اندازه‌گیری‌های مکرر (repeated measures ANOVA)

پاسخ دهید

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:

جمع‌آوری داده‌ها: داده‌ها باید از یک گروه در شرایط یا زمان‌های مختلف جمع‌آوری شوند.
تجزیه و تحلیل داده‌ها: با استفاده از نرم‌افزارهای آماری (مانند SPSS، R یا Python) داده‌ها را تجزیه و تحلیل کنید.
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

منوها در SPSS

پاسخ دهید

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

معادلات ساختاری Structural Equation Modeling یا ( SEM)

پاسخ دهید

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.

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؟

پاسخ دهید

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:

https://www.ncbi.nlm.nih.gov/pmc/articles/PMC6350423/ Descriptive Statistics and Normality Tests for Statistical Data by P Mishra (2019)
Wikipedia: https://en.wikipedia.org/wiki/Normality_test Normality test
Editage: https://www.editage.com/blog/normality-test-methods-of-assessing-normality/ Normality Test Explained: Methods Of Assessing Normality (September 27, 2022)
https://www.ncbi.nlm.nih.gov/pmc/articles/PMC3693611/ Normality Tests for Statistical Analysis: A Guide for Non-Statisticians by A Ghasemi (2012)
ResearchGate: https://www.researchgate.net/publication/351128739_Testing_for_Normality_What_is_the_Best_Method Testing for Normality: What is the Best Method?
Guides – Wiki: http://www.sthda.com/english/wiki/normality-test-in-r Normality Test
in R

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.

Built In – An Introduction to the Shapiro-Wilk Test for Normality ░: https://builtin.com/data-science/shapiro-wilk-test [1]
Wikipedia – Shapiro–Wilk test ░: https://en.wikipedia.org/wiki/Shapiro%E2%80%93Wilk_test [2]
UC Riverside – Assessing the Assumption of Normality ░: https://uc-r.github.io/assumptions_normality [3]
SPSS Tutorials – SPSS Shapiro-Wilk Test ░: https://www.spss-tutorials.com/spss-shapiro-wilk-test-for-normality/ [4]
ScienceDirect – Wilk Test ░: https://www.sciencedirect.com/topics/mathematics/wilk-test [5]
Variation – Shapiro-Wilks Normality Test ░: https://variation.com/wp-content/distribution_analyzer_help/hs141.htm [6]

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

پاسخ دهید

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.

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

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

پاسخ دهید

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:

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!

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

نرم افزار های کمی SPSS- PLS – Amos

نرم افزار های کیفی: Maxquda & Nvivo

برگه 1 پرسشنامه های استاندارد برگه 2 پرسشنامه های استاندارد برگه 3 پرسشنامه های استاندارد

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