...........................................................................................................................................................................................................................................................................................................................................................................
خوش آمدید این سایت دارای مجوز می باشد برای مشاهده مجوز ها پایین صفحه را مشاهده فرمائید.
راهنمای کامل تب Variables در MAXQDA 2022 + نکات حرفهای
تب Variables یکی از قویترین و پرکاربردترین ابزارهای MAXQDA 2022 برای تحقیقات ترکیبی (Mixed Methods) است. در این آموزش جامع، تمام امکانات این تب را دقیق و گامبهگام توضیح میدهیم.
متغیرهای MAXQDA چیستند و چرا مهماند؟
در MAXQDA دو نوع متغیر اصلی داریم:
Document Variables (متغیرهای اسناد): اطلاعاتی مانند سن، جنسیت، شهر، شغل، تاریخ مصاحبه و …
Code Variables (متغیرهای کدها): اطلاعاتی مانند شدت احساس، درجه اطمینان، نوع منبع و …
این متغیرها به شما امکان میدهند تحلیل کیفی را با دادههای کمی ترکیب کنید و نتایج علمی بسیار قویتری ارائه دهید.
آموزش کامل ابزارهای تب Variables در MAXQDA 2022
1. List of Document Variables
نمایش جدول کامل متغیرهای اسناد
هر سطر = یک سند
هر ستون = یک متغیر
قابلیت جستجو، مرتبسازی و ویرایش مستقیم
2. Data Editor for Document Variables
ویرایشگر حرفهای و تمامصفحه برای وارد کردن سریع دادههای دموگرافیک
کپی-پیست مستقیم از اکسل
تغییر نوع متغیر (عدد، متن، تاریخ، بولی)
3. Import Document Variables
وارد کردن متغیرهای اسناد از فایل اکسل یا TXT
ستون اول اکسل باید دقیقاً نام اسناد باشد
جادوی تنظیم نوع متغیر در چند کلیک
4. Export Document Variables
خروجیگیری حرفهای جدول متغیرها به اکسل
کاملاً سازگار با SPSS، Excel و R
5. Document Variable Statistics
آمار توصیفی خودکار (میانگین، انحراف معیار، فراوانی، درصد و …)
نمایش به صورت جدول و نمودار
قابلیت صادرات سریع
6. List of Code Variables و Data Editor for Code Variables
دقیقاً مشابه متغیرهای اسناد، اما برای کدها
بسیار کاربردی برای تحلیل پیشرفته تمها
7. Import و Export Code Variables
وارد کردن و صادر کردن ویژگیهای کدها از/به اکسل
ایدهآل برای پروژههایی که کدبوک را در اکسل طراحی کردهاید
8. Code Variable Statistics
آمار توصیفی اختصاصی برای متغیرهای کدها مثال: میانگین شدت احساسات در کدهای مثبت و منفی
نکات طلایی حرفهای برای کار با تب Variables
همیشه قبل از Import، نام اسناد و کدها را در اکسل و MAXQDA یکسان کنید.
از Code Variables برای تحلیل چندبعدی تمها (مثل شدت × نوع × زمان) استفاده کنید.
ترکیب Document Variables با ابزارهای Visual Tools و Mixed Methods نتایج خیرهکنندهای میدهد.
برای پروژههای تیمی، حتماً جدول متغیرها را مرتب Export و بهروزرسانی کنید.
نتیجهگیری
تب Variables در MAXQDA 2022 قلب تحقیقات ترکیبی است. تسلط بر این تب، تفاوت بین یک تحلیل معمولی و یک پژوهش علمی درجهیک را مشخص میکند.
اورتوگونالیتی (Orthogonality) یا تعامد، یکی از مفاهیم کلیدی در ریاضیات است که به معنای “عمود بودن” یا “مستقل بودن” دو شیء ریاضی (مانند بردارها، توابع یا زیرفضاها) نسبت به یکدیگر اشاره دارد. این مفهوم بر اساس ضرب داخلی (inner product) تعریف میشود و در زمینههای مختلفی مانند جبر خطی، هندسه، تحلیل فوریه و فیزیک کوانتومی کاربرد دارد. به طور کلی، دو عنصر متعامد هستند اگر ضرب داخلیشان برابر با صفر باشد، که نشاندهنده عدم وابستگی یا تداخل آنهاست.
تعریف دقیقتر:
در جبر خطی: دو بردار u\mathbf{u}u و v\mathbf{v}v در فضای اقلیدسی متعامد هستند اگر u⋅v=0\mathbf{u} \cdot \mathbf{v} = 0u⋅v=0 (ضرب نقطهای صفر). برای مثال، بردارهای پایه استاندارد در مختصات دکارتی (مانند (1,0)(1,0)(1,0) و (0,1)(0,1)(0,1)) متعامد هستند. اگر بردارها همچنین طول واحد (norm=1) داشته باشند، orthonormal نامیده میشوند.
در توابع: دو تابع f(x)f(x)f(x) و g(x)g(x)g(x) متعامد هستند اگر انتگرال حاصلضربشان در یک بازه مشخص (مثلاً [a,b][a, b][a,b]) برابر با صفر باشد: ∫abf(x)g(x) dx=0\int_a^b f(x) g(x) \, dx = 0∫abf(x)g(x)dx=0. مثال معروف: توابع سینوسی و کسینوسی در سری فوریه، که پایهای برای تجزیه سیگنالها هستند.
در ماتریسها: یک ماتریس متعامد (orthogonal matrix) ماتریسی است که سطرها یا ستونهای آن بردارهای orthonormal تشکیل دهند، یعنی ترانهادهاش برابر با معکوساش است (AT=A−1A^T = A^{-1}AT=A−1). این ماتریسها در چرخشها و تبدیلهای حفظکننده فاصله کاربرد دارند.
کاربردها:
در هندسه: برای محاسبه زوایا و پروجکشنها.
در آمار و یادگیری ماشین: در روشهایی مانند PCA (تحلیل مولفههای اصلی) برای کاهش ابعاد دادهها.
در فیزیک: در مکانیک کوانتومی، حالات متعامد نشاندهنده حالات مستقل هستند.
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:
11 گام اصلی تحلیل عاملی تحلیل عاملی (Factor Analysis) یک روش آماری برای شناسایی ساختار زیربنایی متغیرها و کاهش ابعاد دادهها است. اگرچه تعداد گامهای دقیق در منابع مختلف متفاوت است (معمولاً بین 3 تا 8 گام اصلی)، اما با توجه به جزئیات عملی و آموزشی، میتوان فرآیند را به 11 گام اصلی تقسیم کرد که ترکیبی از مراحل مفهومی، آمادهسازی و اجرا است. این گامها بیشتر برای تحلیل عاملی اکتشافی (EFA) دارند و بر اساس منابع استاندارد مانند آموزشهای SPSS و روشهای آماری تدوین شدهاند. در ادامه، گامها را به صورت گامبهگام توضیح میدهم:
تعریف مسئله و اهداف: ابتدا هدف از تحلیل را مشخص کنید، مانند شناسایی عوامل پنهان در پرسشنامه یا کاهش متغیرها. این گام شامل بررسی ادبیات و فرضیات اولیه است.
انتخاب متغیرهای مناسب: متغیرهایی را انتخاب کنید که همبستگی کافی داشته باشند (معمولاً بالای 0.3) و مرتبط با موضوع باشند. از متغیرهای اسمی یا ordinal اجتناب کنید مگر با تنظیمات خاص.
جمعآوری و آمادهسازی دادهها: دادهها را جمعآوری کنید، حجم نمونه را بررسی کنید (حداقل 5-10 برابر تعداد متغیرها، مثلاً حداقل 100-300 نمونه)، و دادههای گمشده یا پرت را مدیریت کنید.
بررسی توزیع و پیشفرضها: توزیع متغیرها را چک کنید (نرمالیته، خطی بودن روابط) با استفاده از آزمونهایی مانند Kolmogorov-Smirnov یا نمودارها.
محاسبه ماتریس همبستگی یا کوواریانس: ماتریس همبستگی بین متغیرها را ایجاد کنید تا روابط را ببینید.
ارزیابی تناسب دادهها: از شاخص KMO (باید بالای 0.6 باشد) و آزمون Bartlett (p-value کمتر از 0.05) برای تأیید اینکه دادهها برای تحلیل عاملی مناسب هستند، استفاده کنید.
انتخاب روش استخراج عوامل: روشی مانند تحلیل مولفههای اصلی (PCA) برای کاهش ابعاد یا تحلیل عوامل اصلی (PAF) برای شناسایی عوامل پنهان انتخاب کنید.
استخراج عوامل اولیه: عوامل را استخراج کنید و واریانس توضیحدادهشده را بررسی کنید.
تعیین تعداد عوامل: از معیارهایی مانند مقادیر ویژه (Eigenvalues >1)، نمودار اسکری (Scree Plot)، یا تحلیل پارالل (Parallel Analysis) برای تصمیمگیری استفاده کنید.
چرخش عوامل: چرخش متعامد (مانند Varimax) برای عوامل مستقل یا چرخش متمایل (مانند Oblimin) برای عوامل همبسته اعمال کنید تا تفسیر آسانتر شود.
تفسیر نتایج و نامگذاری عوامل: بارهای عاملی (Factor Loadings، معمولاً بالای 0.4) را بررسی کنید، عوامل را نامگذاری کنید، و امتیازات عاملی (Factor Scores) را محاسبه کنید برای استفاده در تحلیلهای بعدی
این گامها را میتوانید در نرمافزارهایی مانند SPSS، R یا AMOS اجرا کنید.
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:
https://rava20.ir/
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: Maxqda- NVivo
تعیین حجم نمونه با:Spss samplepower
Mobile : 09143444846 09143444846
Telegram: https://t.me/RAVA2020
E-mail: abazizi1392@gmail.com
آزمون پارالل (یا آزمونهای موازی) در آمار و روانسنجی، یکی از روشهای ارزیابی پایایی (reliability) آزمونها است. این روش برای بررسی اینکه آیا دو فرم مختلف اما معادل از یک آزمون، نتایج مشابهی تولید میکنند یا نه، استفاده میشود. به عبارت دیگر، پایایی فرمهای موازی، همبستگی بین نمرات حاصل از دو نسخه متفاوت آزمون را اندازهگیری میکند که هر دو نسخه باید محتوای مشابهی داشته باشند اما سؤالات متفاوتی (مثلاً ترتیب یا عبارتبندی متفاوت) برای جلوگیری از اثر تمرین یا حافظه.
چگونگی کارکرد آن:
دو فرم آزمون (Form A و Form B) طراحی میشود که از نظر محتوا و ساختار معادل هستند.
این دو فرم به یک گروه از افراد (نمونه) همزمان یا با فاصله کوتاه ارائه میشود.
سپس، همبستگی (معمولاً ضریب همبستگی پیرسون) بین نمرات دو فرم محاسبه میشود. اگر همبستگی بالا باشد (مثلاً بالای 0.7 یا 0.8)، پایایی آزمون تأیید میشود.
این روش در مقایسه با آزمون-بازآزمون (test-retest) که همان آزمون را دو بار اجرا میکند، مزیت دارد زیرا اثر حافظه یا یادگیری را کاهش میدهد. با این حال، ساخت دو فرم معادل میتواند زمانبر و هزینهبر باشد.
برای مثال، در آزمونهای روانشناختی یا آموزشی، اگر دو نسخه متفاوت از یک آزمون هوش نتایج مشابهی بدهند، پایایی فرمهای موازی بالا است.
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:
https://rava20.ir/
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: Maxqda- NVivo
تعیین حجم نمونه با:Spss samplepower
Mobile : 09143444846 09143444846
Telegram: https://t.me/RAVA2020
E-mail: abazizi1392@gmail.com
۱۰ اشتباه رایج در تحلیل دادههای آماری و چگونگی اجتناب از آنها
به عنوان یک آماریست و متخصص تحلیل دادههای آماری و روش تحقیق، در این پاسخ به بررسی ۱۰ اشتباه رایج در تحلیل دادههای آماری میپردازم. این اشتباهات بر اساس بررسی منابع علمی و مقالات معتبر انتخاب شدهاند و هر کدام با توضیح علمی، دلایل وقوع، و راهکارهای اجتناب بر پایه اصول آمار و روششناسی تحقیق توصیف میشود. تمرکز بر جنبههای علمی مانند پایایی (reliability)، اعتبار (validity)، و جلوگیری از خطاهای نوع I و II است. این اشتباهات اغلب منجر به نتایج نادرست، تورم نرخ خطای کاذب مثبت (false positive rate)، یا تعمیمپذیری ضعیف میشوند.
۱. عدم وجود گروه کنترل مناسب (Absence of an Adequate Control Group) این اشتباه زمانی رخ میدهد که اثربخشی یک مداخله (مانند درمان یا آزمایش) بدون مقایسه با گروه کنترل ارزیابی شود، که منجر به attribution bias میشود و نمیتوان تشخیص داد آیا تغییرات به دلیل مداخله است یا عوامل خارجی (مانند اثر placebo یا روندهای زمانی). از نظر علمی، این نقض اصل کنترل در طراحی تجربی است که در آمار با مدلهای ANOVA یا رگرسیون برای کنترل متغیرهای confounding استفاده میشود. چگونگی اجتناب: همیشه یک گروه کنترل همسان (matched) یا تصادفیسازیشده (randomized) را در طراحی مطالعه بگنجانید. از روشهای آماری مانند t-test جفتی یا ANCOVA برای مقایسه مستقیم استفاده کنید و قدرت آماری (power analysis) را پیش از مطالعه محاسبه نمایید تا اندازه نمونه کافی باشد.
۲. تفسیر مقایسههای غیرمستقیم بدون آزمون مستقیم (Interpreting Comparisons Without Direct Comparison) مقایسه p-value دو آزمون جداگانه (مثلاً دو گروه مستقل) به جای آزمون مستقیم تفاوتها، منجر به خطای استنتاجی میشود، زیرا p-valueها احتمال خطای نوع I را نشان میدهند نه تفاوت واقعی اثرات (effect sizes). این اشتباه نرخ خطای خانوادگی (family-wise error rate) را افزایش میدهد. چگونگی اجتناب: از آزمونهای مستقیم مانند interaction terms در مدلهای رگرسیون یا post-hoc tests در ANOVA استفاده کنید. اندازه اثر (مانند Cohen’s d) را گزارش دهید و از نرمافزارهایی مانند R یا SPSS برای مدلسازی دقیق بهره ببرید.
۳. همبستگیهای کاذب (Spurious Correlations) همبستگیهای ناشی از outliers یا ترکیب زیرگروهها بدون رابطه واقعی درونگروهی، که اغلب به دلیل عدم بررسی توزیع دادهها رخ میدهد. از نظر علمی، این نقض اصل independence در آمار است و میتواند به overfitting در مدلهای پیشبینی منجر شود. چگونگی اجتناب: دادهها را برای outliers با روشهایی مانند boxplot یا z-score بررسی کنید و همبستگی را در زیرگروهها (stratified analysis) محاسبه نمایید. از آزمونهای غیرپارامتریک مانند Spearman’s rho در صورت عدم نرمالیتی استفاده کنید.
۴. استفاده از نمونههای کوچک (Use of Small Samples) نمونههای کوچک منجر به قدرت آماری پایین (low power) و افزایش نرخ خطای نوع II (عدم تشخیص اثرات واقعی) میشود، زیرا واریانس تخمینی ناپایدار است و نتایج غیرقابل تکرار (non-reproducible) میشوند. چگونگی اجتناب: از نرمافزارهایی مانند G*Power برای محاسبه اندازه نمونه بر اساس اندازه اثر مورد انتظار، سطح آلفا (معمولاً ۰.۰۵)، و قدرت (حداقل ۰.۸) استفاده کنید. در مطالعات observational، از روشهای bootstrapping برای تخمین واریانس بهره ببرید.
۵. انعطافپذیری بیش از حد در تحلیل (P-Hacking or Flexibility of Analysis) دستکاری تحلیل (مانند حذف دادهها یا تغییر آزمونها) برای رسیدن به p-value کمتر از ۰.۰۵، که نرخ خطای کاذب مثبت را تورم میدهد و reproducibility را کاهش میدهد. این اشتباه در آمار به عنوان multiple testing bias شناخته میشود. چگونگی اجتناب: برنامه تحلیل را پیش از جمعآوری دادهها ثبت کنید (pre-registration در پلتفرمهایی مانند OSF). از روشهای اصلاحی مانند Bonferroni correction استفاده کنید و تمام آزمونهای انجامشده را گزارش دهید.
۶. عدم تصحیح برای مقایسههای چندگانه (Failing to Correct for Multiple Comparisons) انجام چندین آزمون بدون تنظیم آلفا، که احتمال خطای نوع I را افزایش میدهد (مثلاً در GWAS یا ANOVA با post-hoc tests). این اشتباه اصل کنترل نرخ کشف کاذب (FDR) را نقض میکند. چگونگی اجتناب: از روشهای اصلاحی مانند Benjamini-Hochberg برای FDR یا Holm-Bonferroni برای family-wise error استفاده کنید. در مدلهای پیچیده، از Bayesian approaches برای مدیریت عدم قطعیت بهره ببرید.
۷. تفسیر بیش از حد نتایج غیرمعنیدار (Over-Interpreting Non-Significant Results) تفسیر p > ۰.۰۵ به عنوان اثبات عدم وجود اثر، در حالی که ممکن است به دلیل قدرت پایین یا اندازه اثر کوچک باشد. این اشتباه معادل با پذیرش فرض صفر (null hypothesis) بدون شواهد کافی است. چگونگی اجتناب: همیشه بازه اطمینان (confidence intervals) را گزارش دهید و بر اندازه اثر تمرکز کنید. از equivalence testing برای اثبات عدم تفاوت استفاده نمایید.
۸. نادیده گرفتن کیفیت دادهها (Ignoring Data Quality) تحلیل دادههای ناقص، duplicate، یا با missing values بدون پیشپردازش، که منجر به biased estimates میشود (مانند در imputation نادرست). این اشتباه اعتبار داخلی (internal validity) را کاهش میدهد. چگونگی اجتناب: از روشهای پاکسازی مانند multiple imputation برای missing data یا winsorization برای outliers استفاده کنید. دادهها را با ابزارهایی مانند pandas در Python بررسی و validate نمایید.
۹. نمونهگیری biased (Biased Sampling) انتخاب نمونهای که نماینده جمعیت نیست (مانند convenience sampling)، که منجر به selection bias و تعمیمپذیری ضعیف (external validity) میشود. چگونگی اجتناب: از روشهای نمونهگیری تصادفی stratified یا cluster sampling استفاده کنید. bias را با propensity score matching کنترل نمایید و جمعیت هدف را دقیق تعریف کنید.
۱۰. overfitting مدلها (Overfitting Models) مدلهایی که بیش از حد به دادههای آموزشی تطبیق مییابند و noise را به عنوان سیگنال میگیرند، منجر به عملکرد ضعیف در دادههای جدید (poor generalization). این اشتباه در machine learning و رگرسیون رایج است و با افزایش variance همراه است. چگونگی اجتناب: از cross-validation (مانند k-fold) برای ارزیابی مدل استفاده کنید و تکنیکهای regularization مانند LASSO یا Ridge را اعمال نمایید. مدلهای سادهتر را اولویت دهید و از AIC یا BIC برای انتخاب مدل بهره ببرید.
با اجتناب از این اشتباهات، تحلیلهای آماری شما علمیتر، repeatable، و معتبرتر خواهند بود.
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:
در بررسی روابط میان متغیرها با وجود نقش متغیر میانجی بایستی اثرات مستقیم، غیر مستقیم و اثر کل مورد بررسی قرار گیرند(رامینمهر، حمید، ۱۳۹۲). اثر کل از مجموع اثر مستقیم و غیر مستقیم به دست میآید(بشلیده، کیومرث، ۱۳۹۱). در صورتی که اثر غیر مستقیم بیشتر از اثر مستقیم باشد، نقش واسطهای متغیر میانجی پذیرفته میشود(رامینمهر، حمید، ۱۳۹۲).
آزمون سوبل و متغیر میانجی
متغیر میانجی M به عنوان رابط بین متغیر مستقل و متغیر وابسته قرار میگیرد و به صورت جداگانه میزان رابطه متغیرهای مستقل و وابسته را تحت تاثیر قرار میدهد. در مثال فوق متغیر «اعتماد» در رابطه «رضایت» و «تعهد» نقش میانجی دارد. بنابراین آنچه در زمینه محاسبه اثر غیرمستقیم توضیح داده شد همان نقش میانجی است. در پژوهشهای دارای فرضیههای میانجی متغیر مستقل X از طریق متغیر M روی متغیر وابسته Y تأثیر میگذارد. یک مدل میانجی ساده در تصویر زیر نمایش داده شده است. نقش میانجی متغیر M از طریق ضریب اثر غیرمستقیم ab اندازهگیری میشود. هر چند میتوان از راه بررسی معناداری ضرایب a و b به آزمون فرضیه میانجی پرداخت، امّا این روش توان آماری پایینی دارد. روش مناسبتر این است که به صورت مستقیم معناداری ضریب ab آزمون شود. یکی از پرکاربردترین روشها برای این منظور آزمون سوبل (Sobel) است.
آزمون سوبل رویکرد حاصلضرب ضرایب، روش دلتا یا رویکرد نظریه نرمال هم نامیده شده است. آزمون سوبل برای انجام استنباط در مورد ضریب اثر غیرمستقیم ab، بر همان نظریه استنباط مورد استفاده برای اثر مستقیم مبتنی است. اثر غیرمستقیم ab یک برآورد خاص نمونه از اثر غیرمستقیم در جامعه (TaTb) است که در معرض واریانس نمونهگیری قرار دارد. با داشتن برآوردی از خطای استاندارد ab و با فرض نرمال بودن توزیع نمونهگیری ab میتوان یک p-value برای ab به دست آورد.
بطور کلی در آزمون سوبل میتوان از تخمین نرمال برای بررسی معنیداری رابطه استفاده کرد. با داشتن برآورد خطای استاندارد اثر غیرمستقیم میتوان فرضیه صفر را در مقابل فرض مخالف آزمون کرد. آماره Z برابر است با نسبت ab به خطای استاندارد آن. به عبارت دیگر مقدار Z-Value را از رابطه زیر بدست میآوریم:
در این رابطه: a: ضریب مسیر میان متغیر مستقل و میانجی b: ضریب مسیر میان متغیر میانجی و وابسته Sa: خطای استاندارد مسیر متغیر مستقل و میانجی Sb: خطای استاندارد مسیر متغیر میانجی و وابسته
این برآوردگر حاصلضرب مجذور خطاهای استاندارد را از دو عبارت اول معادله کم میکند. به دلیل این که در برآورد گودمن امکان منفی شدن خطای معیار وجود دارد استفاده از آن توصیه نمی شود. مقادیر a و b و خطاهای استاندارد آنها میتوانند از خروجی تحلیل رگرسیون یا مدلسازی معادلات ساختاری استخراج شوند. در SPSS برای به دست آوردن این مقادیر باید دو تحلیل رگرسیون اجرا شود:
اجرای یک تحلیل رگرسیون که در آن متغیر مستقل X متغیر پیش بین و متغیر میانجی M متغیر ملاک است. این تحلیل مقادیر a و sa رابه شما میدهد. اجرای یک تحلیل رگرسیون که در آن متغیر مستقل X و متغیر میانجی M متغیر پیش بین و متغیر وابسته Y متغیر ملاک است. این تحلیل مقادیر b و sb رابه شما میدهد. این محاسبات به سادگی میتواند با دست انجام شود. با در نظر گرفتن سطح خطای ∝=۰٫۰۵ اگر مقدار Z از ۰٫۰۵ کوچکتر باشد، اثر غیرمستقیم مشاهدهشده از نظر آماری معنادار است.
https://rava20.ir/
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: Maxqda- NVivo
تعیین حجم نمونه با:Spss samplepower
Mobile : 09143444846 09143444846
Telegram: https://t.me/RAVA2020
E-mail: abazizi1392@gmail.com
نحوه بررسی یک فرضیه میانجی در نرم افزار spss با روش بارون و کنی ( با یک مثال)
مقدمه بر تحلیل میانجیگری (Mediation Analysis)
تحلیل میانجیگری یک روش آماری است که بررسی میکند چگونه یک متغیر مستقل (X) بر متغیر وابسته (Y) تأثیر میگذارد، اما این تأثیر از طریق یک متغیر میانجی (M) رخ میدهد. برای روشن شدن موضوع به فرضیه زیر توجه کنید:
فرضیه : مدیریت زمان با نقش میانجی (واسطه ای ) تعهد سازمانی بر فرسودگی شغلی تأثیر دارد.
در این فرضیه “مدیریت زمان (X) با نقش میانجی تعهد سازمانی (M) بر فرسودگی شغلی (Y) تأثیر دارد”، هدف بررسی این است که آیا مدیریت زمان بر فرسودگی شغلی تأثیر مستقیم دارد یا این تأثیر از طریق تعهد سازمانی (که به عنوان واسطه عمل میکند) رخ میدهد.
مقدمه بر تحلیل میانجیگری با روش Baron و Kenny
روش Baron و Kenny (1986) یکی از رویکردهای کلاسیک برای بررسی فرضیههای میانجیگری (mediation) است.
در این روش، بررسی میشود که آیا متغیر میانجی (M) توضیحدهنده رابطه بین متغیر مستقل (X) و متغیر وابسته (Y) است.
برای فرضیه مورد نظر : “مدیریت زمان (X) با نقش میانجی تعهد سازمانی (M) بر فرسودگی شغلی (Y) تأثیر دارد”، هدف این است که نشان دهیم آیا تأثیر مدیریت زمان بر فرسودگی شغلی از طریق تعهد سازمانی رخ میدهد یا خیر.
این روش بر پایه چهار گام رگرسیون خطی استوار است و فرض میکند دادهها پیشفرضهای رگرسیون (مانند خطی بودن رابطه، همواری واریانس، عدم همخطی چندگانه، و نرمالیتی باقیماندهها) را برآورده کنند. اگر این پیشفرضها نقض شوند، ممکن است نیاز به تبدیل دادهها یا روشهای جایگزین باشد.
تحلیل در SPSS با استفاده از منوی رگرسیون خطی انجام میشود و نیازی به افزونه اضافی نیست.
در ادامه، گامهای روش را به طور کامل، همراه با مسیرهای منوی SPSS، نحو (syntax) نمونه، تفسیر خروجی، و آزمون اضافی برای اثر غیرمستقیم توضیح ئائه شئه است.
فرض کنید دادههای شما در SPSS باز است و متغیرها به صورت عددی (مقیاس فاصلهای یا نسبی) کدگذاری شدهاند: مدیریت_زمان (X)، تعهد_سازمانی (M)، فرسودگی_شغلی (Y).
گامهای روش Baron و Kenny در SPSS
روش شامل چهار گام است که سه رگرسیون جداگانه را در بر میگیرد (گام 3 و 4 گاهی ترکیب میشوند). هدف برقراری روابط زیر است:
مسیر c: اثر کلی X بر Y (total effect).
مسیر a: اثر X بر M.
مسیر b: اثر M بر Y (کنترلشده برای X).
مسیر c’: اثر مستقیم X بر Y (کنترلشده برای M).
اگر تمام مسیرها معنیدار باشند و c’ کوچکتر از c شود، میانجیگری تأیید میشود (کامل اگر c’ غیرمعنیدار شود؛ جزئی اگر همچنان معنیدار اما کوچکتر باشد).
گام 1: بررسی اثر کلی (Path c: رگرسیون Y روی X)
این گام بررسی میکند آیا رابطه اولیه بین X و Y وجود دارد یا خیر. اگر این رابطه معنیدار نباشد، تحلیل میانجیگری معمولاً متوقف میشود.
مسیر منو در SPSS:
به Analyze > Regression > Linear بروید.
متغیر وابسته (Dependent): فرسودگی_شغلی (Y).
متغیر مستقل (Independent(s)): مدیریت_زمان (X).
در تب Statistics: تیک Coefficients، Confidence intervals (95%)، و R squared را بزنید.
در تب Plots: ZRESID را به Y و ZPRED را به X منتقل کنید، و Histogram را تیک بزنید (برای چک پیشفرضها).
در تب Save: اگر لازم، باقیماندهها را ذخیره کنید.
روی OK کلیک کنید.
نحو نمونه (Syntax): textREGRESSION /STATISTICS COEFF CI(95) R /DEPENDENT فرسودگی_شغلی /* Y */ /METHOD=ENTER مدیریت_زمان /* X */ /SCATTERPLOT=(*ZRESID ,*ZPRED) /RESIDUALS HISTOGRAM(ZRESID).
تفسیر خروجی:
جدول Model Summary: R² نشاندهنده میزان توضیح واریانس Y توسط X است.
جدول ANOVA: اگر Sig. (p-value) ≤ 0.05، مدل کلی معنیدار است.
جدول Coefficients: ضریب B (Unstandardized) برای مدیریت_زمان (مسیر c) و Sig. آن را بررسی کنید. اگر p ≤ 0.05، اثر کلی معنیدار است (مدیریت زمان بر فرسودگی شغلی تأثیر دارد). همچنین، Std. Error را برای آزمونهای بعدی یادداشت کنید.
این گام بررسی میکند آیا X بر M تأثیر دارد یا خیر.
مسیر منو در SPSS: همان گام 1، اما:
Dependent: تعهد_سازمانی (M).
Independent(s): مدیریت_زمان (X).
نحو نمونه: textREGRESSION /STATISTICS COEFF CI(95) R /DEPENDENT تعهد_سازمانی /* M */ /METHOD=ENTER مدیریت_زمان /* X */ /SCATTERPLOT=(*ZRESID ,*ZPRED) /RESIDUALS HISTOGRAM(ZRESID).
تفسیر خروجی:
در جدول Coefficients: ضریب B برای مدیریت_زمان (مسیر a) و Sig. آن. اگر p ≤ 0.05، مسیر a معنیدار است (مدیریت زمان بر تعهد سازمانی تأثیر دارد). B و Std. Error را برای آزمون Sobel یادداشت کنید.
چک پیشفرضها همانند گام 1.
گام 3: بررسی مسیر b (Path b: رگرسیون Y روی M)
این گام رابطه M و Y را بدون کنترل X بررسی میکند (هرچند گاهی با گام 4 ترکیب میشود).
مسیر منو در SPSS:
Dependent: فرسودگی_شغلی (Y).
Independent(s): تعهد_سازمانی (M).
نحو نمونه: textREGRESSION /STATISTICS COEFF CI(95) R /DEPENDENT فرسودگی_شغلی /* Y */ /METHOD=ENTER تعهد_سازمانی /* M */ /SCATTERPLOT=(*ZRESID ,*ZPRED) /RESIDUALS HISTOGRAM(ZRESID).
تفسیر خروجی:
در Coefficients: ضریب B برای تعهد_سازمانی (مسیر b اولیه) و Sig. اگر p ≤ 0.05، رابطه وجود دارد.
گام 4: بررسی مسیرهای b و c’ (رگرسیون Y روی X و M همزمان)
این گام کلیدی است: بررسی اثر مستقیم (c’) و اثر M پس از کنترل X.
مسیر منو در SPSS:
Dependent: فرسودگی_شغلی (Y).
Independent(s): هر دو مدیریت_زمان (X) و تعهد_سازمانی (M).
نحو نمونه: textREGRESSION /STATISTICS COEFF CI(95) R /DEPENDENT فرسودگی_شغلی /* Y */ /METHOD=ENTER مدیریت_زمان تعهد_سازمانی /* X و M */ /SCATTERPLOT=(*ZRESID ,*ZPRED) /RESIDUALS HISTOGRAM(ZRESID).
تفسیر خروجی:
جدول Coefficients:
ضریب B برای تعهد_سازمانی (مسیر b، کنترلشده): باید همچنان p ≤ 0.05 باشد.
ضریب B برای مدیریت_زمان (مسیر c’): با مسیر c گام 1 مقایسه کنید. اگر p > 0.05، میانجیگری کامل (full mediation: تعهد سازمانی تمام تأثیر را توضیح میدهد). اگر p ≤ 0.05 اما |B| کوچکتر از گام 1، میانجیگری جزئی (partial mediation).
چک VIF در Collinearity Statistics (اگر >10، همخطی وجود دارد).
آزمون اهمیت اثر غیرمستقیم (Indirect Effect)
روش Baron و Kenny مستقیماً اثر غیرمستقیم (a × b) را تست نمیکند، اما برای تأیید، از آزمون Sobel استفاده کنید (که اهمیت آماری a × b را بررسی میکند). SPSS این آزمون را ندارد، پس از ماشینحساب آنلاین (مانند http://quantpsy.org/sobel/sobel.htm) استفاده کنید.
ورودیها: ضریب B و Std. Error مسیر a (از گام 2) و مسیر b (از گام 4).
خروجی: اگر p ≤ 0.05، اثر غیرمستقیم معنیدار است و فرضیه میانجیگری تأیید میشود (تعهد سازمانی واسطه است).
تفسیر کلی فرضیه
اگر تمام مسیرها معنیدار باشند، اثر غیرمستقیم معنیدار، و c’ کاهش یابد: تعهد سازمانی نقش میانجی دارد. مثلاً اگر مدیریت زمان تعهد را افزایش دهد (a مثبت) و تعهد فرسودگی را کاهش دهد (b منفی)، اثر غیرمستقیم منفی است (کاهش فرسودگی از طریق تعهد).
گزارش نمونه: “تحلیل با روش Baron و Kenny نشان داد که مسیر a (b = 0.45, p < 0.001)، مسیر b (b = -0.32, p < 0.001)، و اثر کلی c (b = -0.50, p < 0.001) معنیدار است. اثر مستقیم c’ (b = -0.20, p = 0.08) غیرمعنیدار شد، نشاندهنده میانجیگری کامل. آزمون Sobel: z = -3.12, p < 0.01.”
https://rava20.ir/
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: Maxqda- NVivo
تعیین حجم نمونه با:Spss samplepower
Mobile : 09143444846 09143444846
Telegram: https://t.me/RAVA2020
E-mail: abazizi1392@gmail.com
تحلیل میانجی (Mediation Analysis) یکی از روشهای آماری است که برای بررسی نقش یک متغیر میانجی (Mediator) در توضیح رابطه بین یک متغیر مستقل (Independent Variable یا IV) و یک متغیر وابسته (Dependent Variable یا DV) استفاده میشود. روش بارون و کنی (Baron & Kenny, 1986) یکی از رویکردهای کلاسیک و پرکاربرد در این زمینه است که بر اساس تحلیل رگرسیون خطی چندگانه بنا شده است. این روش فرض میکند که روابط خطی هستند و دادهها نرمال توزیع شدهاند. هدف اصلی، تعیین این است که آیا متغیر میانجی رابطه بین IV و DV را “میانجیگری” میکند یا خیر.
این روش شامل چهار مرحله اصلی است که به صورت گامبهگام انجام میشود. هر مرحله با یک مدل رگرسیون بررسی میشود. اگر همه مراحل برقرار باشند، میانجیگری تأیید میشود. در ادامه، مراحل را به طور کامل توصیف میکنم:
مراحل روش بارون و کنی
فرض کنید متغیر مستقل X (IV)، متغیر وابسته Y (DV) و متغیر میانجی M (Mediator) است.
مرحله اول: بررسی رابطه مستقیم بین IV و DV
مدل رگرسیون: Y = β₀ + β₁X + ε
شرط: ضریب β₁ (مسیر c، که رابطه مستقیم X با Y است) باید معنادار باشد (p < 0.05).
تفسیر: اگر رابطه معناداری بین X و Y وجود نداشته باشد، میانجیگری ممکن نیست، زیرا چیزی برای میانجیگری وجود ندارد. این مرحله بررسی اثر کل (Total Effect) است.
مرحله دوم: بررسی رابطه بین IV و Mediator
مدل رگرسیون: M = β₀ + β₁X + ε
شرط: ضریب β₁ (مسیر a، که رابطه X با M است) باید معنادار باشد.
تفسیر: متغیر مستقل باید بر متغیر میانجی تأثیرگذار باشد. اگر این رابطه معنادار نباشد، میانجیگری رد میشود.
مرحله سوم: بررسی رابطه بین Mediator و DV با کنترل IV
مدل رگرسیون: Y = β₀ + β₁X + β₂M + ε
شرط: ضریب β₂ (مسیر b، که رابطه M با Y است) باید معنادار باشد، در حالی که X کنترل شده است.
تفسیر: متغیر میانجی باید بر متغیر وابسته تأثیرگذار باشد، حتی وقتی اثر مستقیم X کنترل شود. همچنین، ضریب β₁ در این مدل (مسیر c’، که اثر مستقیم باقیمانده است) بررسی میشود.
مرحله چهارم: مقایسه اثر مستقیم قبل و بعد از افزودن Mediator
مقایسه: ضریب مسیر c (از مرحله اول) با مسیر c’ (از مرحله سوم) مقایسه میشود.
شرط:
اگر c’ به طور معنادار کوچکتر از c شود و به صفر برسد (یا نزدیک صفر و غیرمعنادار شود)، میانجیگری کامل (Full Mediation) است.
اگر c’ کوچکتر شود اما همچنان معنادار بماند، میانجیگری جزئی (Partial Mediation) است.
تفسیر: این مرحله نشان میدهد که چقدر از رابطه X-Y توسط M توضیح داده میشود. برای بررسی دقیقتر، میتوان از آزمون سوبل (Sobel Test) برای معناداری اثر غیرمستقیم (a * b) استفاده کرد، هرچند بارون و کنی آن را الزامی نمیدانند.
نکات مهم و محدودیتها:
این روش فرض میکند هیچ متغیر مداخلهگر (Confounder) دیگری وجود ندارد.
دادهها باید نرمال باشند و هیچ همخطی (Multicollinearity) شدیدی وجود نداشته باشد.
در سالهای اخیر، روشهای پیشرفتهتری مانند بوتاسترپینگ (Bootstrapping) یا مدلسازی معادلات ساختاری (SEM) پیشنهاد شدهاند، زیرا روش بارون و کنی ممکن است در موارد پیچیده خطا داشته باشد (مثلاً وقتی اثر کل معنادار نیست اما میانجیگری وجود دارد).
برای محاسبه اثر غیرمستقیم، فرمول: اثر غیرمستقیم = a * b، و اثر کل = c = c’ + (a * b).
جدول تصمیمگیری روش بارون و کنی
جدول زیر مراحل تصمیمگیری را خلاصه میکند. اگر شرط هر مرحله برقرار نباشد، تحلیل متوقف میشود.
مرحله
مدل رگرسیون
شرط تصمیمگیری
نتیجه اگر شرط برقرار باشد
نتیجه اگر شرط برقرار نباشد
1
Y روی X
β₁ (مسیر c) معنادار است؟
ادامه به مرحله 2
عدم وجود رابطه؛ میانجیگری رد میشود
2
M روی X
β₁ (مسیر a) معنادار است؟
ادامه به مرحله 3
میانجیگری رد میشود
3
Y روی X و M
β₂ (مسیر b) معنادار است؟
ادامه به مرحله 4
میانجیگری رد میشود
4
مقایسه c و c’
c’ < c و غیرمعنادار؟
میانجیگری کامل
اگر c’ < c اما معنادار: میانجیگری جزئی؛ در غیر این صورت رد
نمودار تصمیمگیری
نمودار زیر (به صورت سادهشده با استفاده از متن) مسیرهای تصمیمگیری را نشان میدهد. این یک نمودار مسیر (Path Diagram) استاندارد برای تحلیل میانجی است:
text
X (IV) ------------> Y (DV)
| (مسیر c: اثر کل)
|
v (مسیر a)
M (Mediator)
|
v (مسیر b)
Y (DV) <------------ (مسیر c': اثر مستقیم باقیمانده)
تفسیر نمودار:
فلش مستقیم از X به Y: اثر کل (c).
فلش از X به M (a) و سپس از M به Y (b): اثر غیرمستقیم (a * b).
وقتی M اضافه میشود، فلش مستقیم باقیمانده (c’) باید کاهش یابد.
اگر c’ = 0، میانجی کامل؛ اگر c’ > 0 اما کمتر از c، میانجی جزئی.
این نمودار را میتوان در نرمافزارهایی مانند AMOS یا R برای مدلسازی واقعی ترسیم کرد.
منبع مقاله مربوطه با فرمت APA
Baron, R. M., & Kenny, D. A. (1986). The moderator–mediator variable distinction in social psychological research: Conceptual, strategic, and statistical considerations. Journal of Personality and Social Psychology, 51(6), 1173–1182. https://doi.org/10.1037/0022-3514.51.6.1173
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:
همبستگی جزئی و همبستگی نیمهجزئی دو مفهوم مرتبط در آمار و تحلیل دادهها هستند که به بررسی روابط بین متغیرها کمک میکنند. در زیر به توضیح هر یک و تفاوتهای آنها میپردازیم:
1. همبستگی جزئی (Partial Correlation)
تعریف: همبستگی جزئی به بررسی رابطه بین دو متغیر در حالی که تأثیر یک یا چند متغیر دیگر کنترل میشود، میپردازد. به عبارت دیگر، همبستگی جزئی نشاندهنده رابطه بین دو متغیر است که با حذف اثرات متغیرهای دیگر به دست میآید.
استفاده: این نوع همبستگی معمولاً برای فهم دقیقتر روابط بین متغیرها و تعیین اینکه آیا یک رابطه واقعی وجود دارد یا خیر، استفاده میشود. به عنوان مثال، میتوانید همبستگی جزئی بین دو متغیر X و Y را محاسبه کنید در حالی که تأثیر متغیر Z را کنترل میکنید.
2. همبستگی نیمهجزئی (Semi-Partial Correlation)
تعریف: همبستگی نیمهجزئی نیز به بررسی رابطه بین دو متغیر میپردازد، اما در این مورد فقط تأثیر یکی از متغیرهای دیگر کنترل میشود. به عبارت دیگر، همبستگی نیمهجزئی نشاندهنده رابطه بین دو متغیر است که یکی از متغیرهای دیگر کنترل شده است.
استفاده: همبستگی نیمهجزئی معمولاً برای بررسی تأثیر یک متغیر خاص بر رابطه بین دو متغیر دیگر استفاده میشود. به عنوان مثال، میتوانید همبستگی نیمهجزئی بین X و Y را محاسبه کنید، در حالی که فقط تأثیر Z را کنترل میکنید و اثر دیگر متغیرها را نادیده میگیرید.
3. تفاوتهای کلیدی
کنترل متغیرها:
در همبستگی جزئی، تأثیر تمامی متغیرهای دیگر کنترل میشود.
در همبستگی نیمهجزئی، فقط تأثیر یک متغیر خاص کنترل میشود.
نحوه محاسبه:
در همبستگی جزئی، معمولاً از رگرسیونهای چندگانه برای محاسبه استفاده میشود.
در همبستگی نیمهجزئی، محاسبات بر اساس رگرسیونهای سادهتر انجام میشود.
کاربرد:
همبستگی جزئی بیشتر برای تحلیل دقیق روابط بین متغیرها و بررسی اثرات همزمان چند متغیر استفاده میشود.
همبستگی نیمهجزئی معمولاً برای ارزیابی تأثیر یک متغیر خاص در یک رابطه خاص به کار میرود.
نتیجهگیری
به طور خلاصه، همبستگی جزئی و نیمهجزئی دو ابزار مفید در تحلیل دادهها هستند که به ما کمک میکنند تا روابط بین متغیرها را بهتر درک کنیم. در حالی که همبستگی جزئی به بررسی روابط با کنترل اثرات تمامی متغیرهای دیگر میپردازد، همبستگی نیمهجزئی فقط یک متغیر خاص را کنترل میکند و به ما اطلاعات متفاوتی درباره روابط بین متغیرها میدهد.
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:
نرم افزار تحلیل آماری aMOS چیست ؟ و چه شرایطی برای استفاده کردن از آن وجود دارد؟
نرمافزار AMOS (Analysis of Moment Structures) یک ابزار تحلیل آماری است که بهویژه برای تحلیل مدلهای معادلات ساختاری (SEM) طراحی شده است.
این نرمافزار به پژوهشگران و تحلیلگران اجازه میدهد تا روابط پیچیده بین متغیرها را مدلسازی و ارزیابی کنند.
AMOS به کاربر این امکان را میدهد که مدلها را بهصورت گرافیکی طراحی کند و سپس تحلیلهای مربوط به آنها را انجام دهد.
کاربردهای AMOS:
مدلسازی معادلات ساختاری: تحلیل و ارزیابی روابط بین متغیرهای پنهان و مشاهدهشده.
تحلیل عاملی: شناسایی ساختارهای پنهان در دادهها.
تحلیل مسیر: بررسی مسیرهای مستقیم و غیرمستقیم بین متغیرها.
تحلیل تأثیرات متقابل: بررسی اثرات متقابل بین متغیرها.
شرایط استفاده از AMOS:
آشنایی با مفاهیم آماری: کاربران باید با مفاهیم پایهای مانند متغیرهای پنهان و مشاهدهشده، همبستگی و رگرسیون آشنا باشند.
دادههای مناسب: دادههای مورد استفاده باید بهصورت کمی و دارای توزیع مناسب باشند. AMOS معمولاً به دادههای نرمال حساس است.
حجم نمونه: معمولاً برای تحلیلهای SEM نیاز به حجم نمونه کافی است. این حجم بسته به پیچیدگی مدل میتواند متفاوت باشد، اما بهطور کلی حداقل 200 نمونه توصیه میشود.
طراحی مدل: قبل از استفاده از AMOS، کاربران باید مدل خود را بهطور دقیق طراحی کنند و روابط بین متغیرها را مشخص کنند.
نصب نرمافزار: AMOS بهعنوان یک افزونه برای نرمافزار SPSS موجود است و باید بر روی سیستم کاربر نصب شود.
با توجه به این شرایط، AMOS میتواند بهعنوان یک ابزار قدرتمند برای تحلیلهای پیشرفته در تحقیقات اجتماعی، روانشناسی، علوم اقتصادی و دیگر حوزهها مورد استفاده قرار گیرد.
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:
https://rava20.ir/
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: Maxqda- NVivo
تعیین حجم نمونه با:Spss samplepower
Mobile : 09143444846 09143444846
Telegram: https://t.me/RAVA2020
E-mail: abazizi1392@gmail.com
ما در این سایت پرسشنامه های استاندارد (دارای روایی، پایایی، روش دقیق نمره گذاری ، منبع داخل و پایان متن ) ارائه می کنیم و همچنین تحلیل آماری کمی و کیفی رابا قیمت بسیار مناسب و کیفیت عالی و تجربه بیش از 17 سال انجام می دهیم. برای تماس به ما به شماره 09143444846 در شبکه های اجتماعی پیام بفرستید. ایمیلabazizi1392@gmail.com
تمامی حقوق مادی و معنوی این سایت متعلق به لنسرسرا و محفوظ است.
این سایت دارای مجوز می باشد
