بایگانی دسته: تعیین حجم نمونه با نرم افزار

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

 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
تحلیل داده های آماری

تحلیل داده های آماری (فصل 4 پایان نامه و مقاله) با کیفیت بالا، در اسرع وقت و قیمت چند سال قبل!!

هزینه تحلیل داده های آماری فصل 4 پایان نامه و مقاله با کیفیت بالا، در اسرع وقت و قیمت چند سال قبل!!

دیروز در یکی از گروه های پژوهشی که مخاطبان آن اکثراً محقق با مدرک تحصیلی دکتری و حداقل ارشد هستند چند نفر اعتراض داشتند به کار یکی از آماریست ها مبنی بر اینکه حدود 6 ماهه کار و هزینه را از ما گرفته ولی تا کنون گزارش را تحویل نداده است! از شواهد هم برمی آمد که هزینه میلیونی و چند میلیونی گرفته! این تیپ به اصطلاح  آماریست ها اکثراً تبلیغات زیادی دارند و در شبکه های اجتماعی خود را متخصص معرفی می کنند و … در حالیکه در اصل کار را خودشان انجام نمی دهند و به اصطلاح برون سپاری می کنند به همین خاطر نمی توانند بعدا پاسخگو باشند.!

بر این اساس واجب دانستم که کار خود را برای یکبار دیگر معرفی کنم.

از لحاظ زمانی: پروسه کار تحلیل ما اکثر در 1 الی 2 روز نهایتاً 4 روز طول می کشد (البته اگر طرح تحقیق اشکال نداشته باشد)

قبل از شروع تحلیل ،  فصل اول و سوم به صورت کاملاً رایگان و- البته  در صورت رضایت دانشجو-  بررسی و مشکلات احتمالی به وی گزارش می گردد تا اصلاح گردد.

هزینه انجام کار ما پایین و در حدود 700 هزار 1 میلیون تومان یعنی قیمت 2 – 3 سال قبل می باشد!

قبل از انجام کار از دانشجو و محقق هزینه ای دریافت نمی گردد، البته در صورت اتمام کار هزینه به صورت یکجا دریافت و بعد از آن گزارش تحلیل ، داده ها و خروجی نرم افزار در اختیار وی قرار می گیرد.

تحلیل با نرم افزار های مختلف انجام می گیرد تا رضایت دانشجو و استاد راهنما تأمین گردد.

در صورت درخواست دانشجو فیلم آموزشی نحوه ی دفاع و توضیحات ضروری تحلیل در اختیار وی قرار می گیرد.

سعی می شود ، اشکالی در تحلیل نباشد، اما در صورت  وجود هر گونه مشکل، در اسرع وقت اصلاح می گردد و تا لحظه دفاع با دانشجو خواهیم بود.

این را به خاطر داشته باشید که هزینه تحلیل در جاهای دیگر در حدود 2 تا 3 میلیون تومان می باشد.

تحلیل با نرم افزارهای زیر پذیرفته می شود:


نرم افزار های کمی: SPSS- PLS – Amos

نرم افزار کیفی: Maxquda

تعیین حجم نمونه با:Spss samplepower

روش های تماس:

موبایل: 09143444846 پیامک و تماس

یا پیام از طریق واتساپ–تلگرام(با واتساپ سریع تر جواب داده می شود) به شماره 09143444846

ایمیل

وبسایت: https://rava20.ir/

تحلیل داده های آماری

تحلیل داده های آماری پایان نامه و مقاله

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 700 هزار تا 1 میلیون تومان خواهد بود.

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

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

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.

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

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.

  با یکی روش های زیر با ما تماس بگیرید.

Mobile : 09102194672

Telegram: @abazizi

E-mail: abazizi1392@gmail.com

از کار ما مطمئن باشید .

آموزش نرم افزارهای آماری
آموزش پیشرفته sPSS

بررسی توصیفی و استنباطی نرمال بودن داده های تحقیق؟ آیا استفاده از آزمون های آماری برای بررسی نرمالیتی هر نوع داده ای مناسب است؟

در بسیاری از تکنیک های آماری، نرمال بودن توزیع داده ها یک پیش فرض است.

وقتی که داده ها از توزیع نرمال پیروی نکنند، ممکن است استفاده از این روش های آماری، منجر به نتیجه گیری اشتباه گردد.

بنابراین آزمون نرمال بودن داده ها اهمیت می یابد.

برخی از تحلیل ها و روش های آماری که پیش شرط نرمال بودن توزیع داده ها و یا باقیمانده های مدل برای آن ها وجود دارد عبارتند از:

  • آزمون های تی استودنت (تک نمونه ای و دو نمونه ای زوجی و وابسته)
  • آنالیز واریانس (ANOVA)
  • آزمون های معناداری ضرایب در رگرسیون
  • آزمون فیشر برای همگنی واریانس جوامع
  • آزمون همبستگی پیرسون

توزیع نرمال، مهم ترین توزیع آماری است هم به جهت اینکه پیش فرض بسیاری از

روش های آماری است ( در عمل پدیده های مختلفی از قانون نرمال پیروی می کنند و این توزیع با توزیع های مختلفی ارتباط پیدا می کند)

و نیز به سبب قضیه مهم حد مرکزی.

در بسیاری از موارد در صورت وجود نمونه به اندازه کافی، جهت تخمین برخی از احتمالات،

می توان از این توزیع بهره برد (به این معنا نیست که نمونه های بزرگ از توزیع نرمال پیروی می کنند بلکه با افزایش

حجم نمونه، توزیع میانگین داده ها و یا برخی آماره های دیگر تحت شرایطی به نرمال گرایش دارد).توزیع نرمال

توزیع نرمال

برای بررسی نرمال بودن داده ها از دو روش کلی می توان بهره برد

  1. روش توصیفی شامل نمودارها و بررسی شاخص های آماری
  2. روش استنباطی شامل آزمون فرض ها

روش های توصیفی در بررسی نرمال بودن داده ها:

برای بررسی نرمال بودن توزیع داده ها،

ابتدا باید این نکته را توجه داشت که داده هایی که به دنبال بررسی توزیع احتمالی آن هستیم باید کمی و با مقیاس فاصله ای یا نسبی باشند (برای آشنایی با مقیاس های آماری اینجا کلیک کنید).

بنابراین داده هایی که غیر از این باشند،

مثلاً از نوع کیفی اسمی یا کیفی ترتیبی، مثل داده های جمع آوری شده از پرسشنامه با طیف لیکرت، به هیچ وجه نمی توانند از توزیع نرمال پیروی کنند،

حتی اگر برخی از روش ها مثل رسم هیستوگرام داده ها (رسم هیستوگرام برای این داده ها اشتباه است و باید از نمودار میله ای استفاده شود)، توزیع نرمال را تایید کند.

الف) رسم هیستوگرام داده ها و مقایسه آن با منحنی چگالی توزیع نرمال

رسم هیستوگرام داده ها به همراه منحنی توزیع نرمال کمک زیادی به تشخیص نرمال بودن توزیع داده ها می کند.

معمولاً با این روش می توان نرمال نبودن توزیع داده ها و دلایل آن را مشاهده کرد.

اگر هیستوگرام داده ها به توزیع نرمال نزدیک بود آنگاه می توان به سراغ آزمون فرض رفت.

در شکل زیر هیستوگرام یک سری داده استاندارد شده، به همراه منحنی نرمال استاندارد رسم شده است.

توزیع داده ها به توزیع نرمال بسیار نزدیک است (داده ها از توزیع نرمال شبیه سازی شده است).

هیستوگرام داده ها و نمودار چگالی توزیع نرمال

نکته: برای رسم هیستوگرام داده ها، باید اول داده ها را استاندارد شده (منهای میانگین و تقسیم بر انحراف معیار)

و سپس با منحنی نرمال استاندارد مقایسه شود یا اینکه هیستوگرام داده های اصلی را با توزیع نرمال با میانگین و انحراف معیار داده ها مقایسه شود.

علاوه بر هیستوگرام، استفاده از نمودار جعبه ای نیز می تواند سودمند باشد.

ب) بررسی میزان کشیدگی و چولگی داده ها و مقایسه آن با مقدار این شاخص ها در توزیع نرمال

دو معیار کشیدگی و چولگی در داده ها در تشخیص نرمال بودن توزیع احتمالی داده ها، اهمیت زیادی دارد

و فلسفه برخی از آزمون ها نرمالیتی هم بررسی همین معیارهاست.

چولگی به میزان عدم تقارن منحنی فراوانی داده ها نسبت به منحنی فراوانی توزیع نرمال استاندارد گفته می شود. در داده های نرمال، منحنی فراوانی به شکل زنگوله مانند و متقارن است به نحوی که می توان شکل را از وسط به دو نیم تقسیم کرد. ولی اگر تمرکز داده ها در یک سمت منحنی نسبت به سمت دیگر بیشتر باشد، نمودار فراوانی داده ها چوله است. اگر تمرکز به سمت راست باشد، چوله به چپ و اگر به سمت چپ باشد، چوله به راست گویند.چولگی

چولگی

برای محاسبه میزان چولگی سه ضریب چولگی معمولاً استفاده می شود،

ضریب چولگی اول پیرسون، ضریب چولگی دوم پیرسون و ضریب گشتاوری چولگی (آمار و احتمال مقدماتی بهبودیان).

همچنین کشیدگی به میزان برجستگی منحنی فراوانی داده ها نسبت به منحنی فراوانی توزیع نرمال استاندارد گفته می شود.

معمولاً در محاسبه میزان چولگی و کشیدگی یک نمونه از فرمول های زیر استفاده می شود:

\[ b= \frac{\mu_3}{s^3}=\frac{\frac{1}{n}\sum_{i=1}^n (x_i-\bar{x})^3} {\sqrt{\frac{1}{n-1}\sum_{i=1}^n (x_i-\bar{x})^2}^3}\]
\[ \frac{.}{.} \]
\[k=\frac{\mu_4}{s^4}-3=\frac{\frac{1}{n}\sum_{i=1}^n (x_i-\bar{x})^4}{(\frac{1}{n-1}\sum_{i=1}^n (x_i-\bar{x})^2)^2}-3\]
کشیدگی

ج) رسم نمودار چندک  چندک و احتمال – احتمال

یکی دیگر از روش های بررسی نرمال بودن داده ها، نمودار چندک – چندک و احتمال – احتمال است.

ایده نمودار چندک – چندک مقایسه چندک های نمونه ای داده ها و چندک های توزیع موردنظر است. در اینجا با توزیع نرمال استاندارد مقایسه صورت می گیرد.

اگر داده ها از توزیع نرمال پیروی کنند، انتظار می رود که نمودار پراکنش چندک های نمونه ای داده ها در مقابل چندک های توزیع نرمال استاندارد در راستای یک خط راست قرار گیرند

(نیاز به استاندارد کردن داده ها نیست).

برای درک فلسفه ایده این روش فرض کنید X_1, X_2, \dots , X_n یک نمونه تصادفی از توزیع نرمال

با میانگین \mu و انحراف معیار \sigma در این صورت:

\[ Z_i = (X_i-\mu) / \sigma , i=1, 2, \dots, n \]

استاندارد شده داده ها و دارای توزیع نرمال استاندارد است.

اگر Z_{(1)}, Z_{(2)}, \dots, Z_{(n)} مرتب شده Z_i ها باشند

به نحوی که Z_{(1)} \leq Z_{(2)} \leq \dots  \leq Z_{(n)} و Z_{(i)}ها چندک i/n ام نمونه هستند.

از طرفی تبدیل استاندارد ساز داده ها، نگاشتی صعودی است بدین معنی

که اگر x<y آنگاه (x-\mu)/ \sigma<(y-\mu)/ \sigma بنابراین می توان نوشت:

\[ Z_{(i)} = (X_{(i)}-\mu) / \sigma , i=1, 2, \dots, n \]

زیرا:

\[ Z_{(1)} \leq Z_{(2)} \leq \dots \leq Z_{(n)}  \Longleftrightarrow   X_{(1)} \leq X_{(2)} \leq \dots \leq X_{(n)} \]

به عبارت دیگر چون تبدیل استاندارد ساز یک تبدیل صعودی است،

چه اول داده ها را مرتب کرده و سپس تبدیل بزنیم و چه تبدیل زده

و سپس داده های حاصل را مرتب کنیم، در هر دو صورت نتیجه یکسان خواهد بود.

اگر داده ها از توزیع نرمال پیروی کنند، انتظار داریم که Z_{(i)} با چندک i/n ام  توزیع نرمال استاندارد تقریباً برابر باشند.

یعنی Z_{(i)}  \simeq  q_{i/n}. از طرفی به جای q_{i/n} بهتر است از q_{(i-0.5)/n} یا q_{i/(n+1)} استفاده کرد.

بنابراین X_{(i)} \simeq \sigma q_{(i-0.5)/n}+\mu. که معادله یک خط راست با عرض از مبدا  \mu و شیب \sigma است.

پس اگر توزیع داده ها از توزیع نرمال پیروی کند انتظار می رود که نمودار پراکنش چندک های نمونه ای

و چندک های توزیع نرمال در راستای خطی راست باشد.

نکته: اگر نمودار چندک – چندک، نیمساز ربع اول دستگاه مختصات باشد، توزیع داده ها نرمال استاندارد است.

نکته: از این روش می توان در بررسی برازش توزیع های دیگر به داده ها نیز استفاده کرد.

کافیست به چندک های نمونه ای داده ها در مقابل چندک های توزیع موردنظر بررسی شود.

نکته: در نمودار چندک – چندک لزوماً نیاز به استاندارد سازی داده ها نیست،

طبق آنچه که گفته شد اگر چندک های نمونه ای در مقابل مقادیر مورد انتظارشان در توزیع نرمال استاندارد رسم شود،

انتظار می رود که یک خط راست تشکیل شود؛

حال اگر داده ها استاندارد شود، در صورت نرمال بودن داده ها خط مورد نظر نیمساز ربع اول است

ولی اگر استاندارد نشود، خطی با عرض از مبدأ برابر با میانگین داده ها و شیبی برابر با انحراف معیار داده ها تشکیل می شود.

در روش رسم نمودار احتمال – احتمال نیز مقادیر تابع توزیع تجربی داده ها در مقابل مقادیر مورد مورد انتظار تابع توزیع موردنظر (در اینجا توزیع نرمال) رسم می شود.

در صورتی که توزیع داده ها نرمال باشد، انتظار می رود که نمودار حاصل در امتداد یک خط راست (نیمساز ربع اول) باشد.P-P plot & Q-Q plot

P-P plot & Q-Q plot

آزمون های آماری بررسی نرمال بودن توزیع داده ها

برای بررسی نرمال بودن توزیع داده ها، آزمون های زیادی پیشنهاد شده است از جمله:

اندرسون – دارلینگ، کلوموگروف – اسمیرنوف، شاپیرو – ویلک، جارکو – برا، لیلیفورس، نیکویی برازش کای دو، دی آگوستینو و… .

استفاده از آزمون های کلوموگروف – اسمیرنوف، شاپیرو – ویلک و اندرسون – دارلینگ عمومیت بیشتری دارد.

با افزایش حجم نمونه انتظار می رود که توان آزمون ها نیز بیشتر شود ولی از بین این آزمون ها، معمولاً شاپیرو – ویلک بیشترین توان و کلوموگروف – اسمیرنوف کمترین توان را دارد.

آزمون های نرمالیتی از لحاظ فلسفه آزمون به سه دسته کلی تقسیم بندی می شوند:

آزمون هایی که تابع توزیع تجربی داده ها با تابع توزیع نرمال مقایسه می کنند

(مثل کلوموگروف – اسمیرنوف)، آزمون هایی که براساس یک رابطه رگرسیونی و یا تحلیل همبستگی

بین آماره های ترتیبی و مقادیر مورد انتظارشان شکل گرفته اند (مثل شاپیرو – ویلک)

و آزمون هایی که براساس مقایسه شرایط عمومی داده ها با توزیع نرمال مثل چولگی و کشیدگی شکل گرفته اند (مثل دی آگوستینو).

نکته: آزمون هایی که در اکثر نرم افزارهای آماری تحت عنوان آزمون کلوکوگروف – اسمیرنوف

برای بررسی توزیع نرمال آمده است در واقع شکل اصلاح شده این آزمون برای بررسی نرمال بودن توزیع داده هاست

که در برخی منابع این نوع آزمون تحت عنوان آزمون لیلیفورس یاد می شود.

آزمون لیلیفورس در بررسی نرمالیتی نسبت به آزمون کلی کلوموگروف – اسمیرنوف توان بالایی دارد

که به همین خاطر در اکثر نرم افزارهای آماری در کنار آزمون شاپیرو – ویلک گنجانده شده است.

بیشترین توان های آزمون نرمالیتی در بین چهار آزمون متداول به ترتیب متعلق

به شاپیرو – ویلک، اندرسون – دارلینگ، لیلیفورس و کلوموگروف – اسمیرنوف است.

نکته: فلسفه آزمون شاپیرو – ویلک شبیه به فلسفه نمودار چندک – چندک است.

در این آزمون یک رابطه رگرسیونی بین آماره های ترتیبی داده ها و مقادیر مورد انتظار آماره های ترتیبی توزیع نرمال

در نظر گرفته می شود و آماره آزمون، چیزی شبیه به ضریب تعیین در رگرسیون است که هر چقدر بیشتر باشد نشان دهنده نزدیکی توزیع داده ها به توزیع نرمال است و مقادیر کوچک آماره آزمون باعث

رد فرض صفر (نرمال بودن توزیع داده ها) می شود.

نکته:برای اجرای آزمون شاپیرو – ویلک تعداد نمونه حداقل ۳ و حداکثر ۵۰۰۰ باید باشد

(نقاط بحرانی این آزمون تا حجم نمونه ۵۰۰۰ محاسبه شده است).

نکته: گاهی این مطلب به چشم می خورد که گفته می شود آزمون شاپیرو – ویلک برای

نمونه های کمتر از ۵۰ بسیار مناسب است. توان این آزمون با افزایش حجم نمونه افزایش می باید

و برعکس این مطلب، در تعداد نمونه کم، این آزمون توان قابل قبولی ندارد.

نقاط بحرانی این آزمون در ابتدا برای حجم نمونه تا ۵۰ (Shapiro and Wilk; 1965) و

در مقاله ای دیگر تا حجم نمونه ۵۰۰۰ محاسبه شده است. لذا در برخی از مقالات، توان این آزمون تا حجم نمونه ۵۰ مورد ارزیابی قرار گرفته و این گمان به وجود آمده که آزمون شاپیرو – ویلک برای نمونه کمتر از ۵۰ مناسب است.

نکته: مقایسه توان آزمون ها بستگی به شرایطی مثل چولگی و کشیدگی و حجم نمونه دارد

و در شرایط مختلف ممکن است کارایی آزمون ها با هم متفاوت باشد.

عموماً آزمون های نرمالیتی برای حجم نمونه بیشتر از ۲۰۰ توان معقولی دارند

به همین خاطر توصیه می شود اگر حجم نمونه کمتر از این مقدار باشد از روش های توصیفی استفاده شود.

نکته: آزمون کلوموگروف – اسمیرنوف به نقاط پرت حساسیت زیادی ندارد

ولی در مقابل آزمون شاپیرو – ویلک به داده های پرت حساس است.

نکته: در نرم افزار SPSS دو آزمون شاپیرو – ویلک و آزمون کلوموگروف – اسمیرنوف قابل انجام است

و در نرم افزار Minitab نیز علاوه بر این دو آزمون، امکان انجام آزمون اندرسون – دارلینگ وجود دارد.

در نرم افزار R نیز در بسته stats دو آزمون کلوموگروف – اسمیرنوف

و شاپیرو – ویلک قابل انجام است

و در بسته nortest آزمون های اندرسون – دارلینگ،

لیلیفورس (حالت اصلاح شده آزمون کلوموگروف برای آزمون نرمالیتی)،

کای دو پیرسون، شاپیرو – فرانسیا و آزمون کرامر – وان–میسز قابل انجام است.

در بسته fBasics نیز امکان انجام آزمون های جارکو – برا و دی آگوستینو وجود دارد.

برگرفته از آمار ایران

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 – Amos

نرم افزار کیفی: Maxquda

تعیین حجم نمونه با:Spss samplepower

روش های تماس:

Mobile :  09143444846  واتساپ – تلگرام

Telegram: @abazizi

وبلاگ ما

برای تحلیل داده های آماری با کیفیت بالا و قیمت مناسب همین جا  کلیک کن.

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.

حجم نمونه  برای  تحلیل رگرسیون ( Logistic )درIBM SPSS Sample power

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

 دانلود کتاب آموزش تصویری نمونه گیری با SPSS Sample Power (کتابی که نیازمند هر محققی می باشد- برای خرید و دریافت مستقیم کتاب زیر دکمه زیر کلیک کنید.

حجم نمونه  برای  تحلیل رگرسیون ( Logistic )درIBM SPSS Sample power

اگر  در منوی اصلی نرم افزار تحلیل واریانس  (( Logistic) را انتخاب کنیم گزینه های زیر را به ما می دهد.

www.rava20.ir

پارامتر اصلی ممکن است  احتمال رخداد، نسبت شانس و یا ضریب بتا باشد. نسبت شانس از عمومیت بالاتری برخوردار است.

اگر می خواهید حجم نمونه تحقیقتان با نرم افزار IBM SPSS Sample power  انجام گیرد یا تمایل داشتید  آموزش این نرم افزار را ببینید و خودتان این کار را انجام دهید با ما تماس بگیرید.

تماس با ما

ما قصد داریم تحلیل داده های شما را با کم ترین هزینه و بالاترین کیفیت انجام بدهیم. قیمت تحلیل ها بسیار پایین می باشد و پایین تر از هر جای دیگر است و بسته به نوع و میزان کار بین 200 تا 300 هزار تومان خواهد بود. فعلاً تحلیل داده های آماری با نرم افزارهای SPSS- PLS – Amos و نرم افزار کیفی Maxquda انجام می گیرد. جهت سفارش تحلی فرم زیر را تکمیل یا اینکه با ما تماس حاصل نمایید.

فرم سفارش تحلیل

تماس با ما جهت انجام تحقیق

 

 

 

 

دانلود کتاب آموزش تصویری نمونه گیری با SPSS Sample Power

حجم نمونه  برای  تحلیل رگرسیون ( Regression)درIBM SPSS Sample power

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

 دانلود کتاب آموزش تصویری نمونه گیری با SPSS Sample Power (کتابی که نیازمند هر محققی می باشد- برای خرید و دریافت مستقیم کتاب زیر دکمه زیر کلیک کنید.

حجم نمونه  برای  تحلیل رگرسیون ( Regression)درIBM SPSS Sample power

اگر  در منوی اصلی نرم افزار تحلیل واریانس  (ANova) را انتخاب کنیم گزینه های زیر را به ما می دهد.

پارامتر اصلی  محقق در این موارد ضریب تعیین یا R2 است.

 www.rava20.ir

اگر می خواهید حجم نمونه تحقیقتان با نرم افزار IBM SPSS Sample power  انجام گیرد یا تمایل داشتید  آموزش این نرم افزار را ببینید و خودتان این کار را انجام دهید با ما تماس بگیرید.

تماس با ما

ما قصد داریم تحلیل داده های شما را با کم ترین هزینه و بالاترین کیفیت انجام بدهیم. قیمت تحلیل ها بسیار پایین می باشد و پایین تر از هر جای دیگر است و بسته به نوع و میزان کار بین 200 تا 300 هزار تومان خواهد بود. فعلاً تحلیل داده های آماری با نرم افزارهای SPSS- PLS – Amos و نرم افزار کیفی Maxquda انجام می گیرد. جهت سفارش تحلیل یا اینکه فرم زیر را تکمیل یا اینکه با ما تماس حاصل نمایید.

فرم سفارش تحلیل

تماس با ما جهت انجام تحقیق

 

 

تاب آموزش تصویری نمونه گیری با SPSS Sample Power

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

دانلود کتاب آموزش تصویری نمونه گیری با SPSS Sample Power



حجم نمونه  برای  تحلیل واریانس ( ANOVA)درIBM SPSS Sample power

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

 دانلود کتاب آموزش تصویری نمونه گیری با SPSS Sample Power (کتابی که نیازمند هر محققی می باشد- برای خرید و دریافت مستقیم کتاب زیر دکمه زیر کلیک کنید.

حجم نمونه  برای  تحلیل واریانس ( ANOVA)درIBM SPSS Sample power

اگر  در منوی اصلی نرم افزار تحلیل واریانس  (ANova) را انتخاب کنیم گزینه های زیر را به ما می دهد.

ادامه‌ی خواندن