راهنمای جامع انتخاب آزمون آماری مناسب: همه شرایط و نکات طلایی

انتخاب آزمون آماری مناسب، یکی از مهم‌ترین و در عین حال چالش‌برانگیزترین مراحل هر پژوهش علمی است.

 انتخاب نادرست می‌تواند منجر به نتایج گمراه‌کننده، رد فرضیه‌های درست و پذیرش فرضیه‌های نادرست شود. در این راهنمای کامل، تمام شرایط و نکاتی که برای انتخاب یک آزمون آماری مناسب باید در نظر بگیرید، گام‌به‌گام بررسی می‌کنیم.

اگر پژوهشگر یا دانشجویی هستید که با داده‌های پژوهشی سروکار دارید، این مقاله دقیقاً همان چیزی است که به آن نیاز دارید. با ما همراه باشید.

---

📋 چک‌لیست طلایی انتخاب آزمون آماری

برای انتخاب صحیح یک آزمون آماری، باید به ترتیب به سؤالات زیر پاسخ دهید:

1. سؤال پژوهش چیست؟ (مقایسه، رابطه، پیش‌بینی، بررسی ساختار)
2. متغیرها چه نوعی هستند؟ (کمی، کیفی، ترتیبی)
3. چند متغیر داریم؟ (یک، دو، چند متغیر)
4. چند گروه داریم و چه رابطه‌ای با هم دارند؟ (مستقل، وابسته)
5. پیش‌فرض‌های آماری برقرار هستند؟ (نرمال بودن، همگنی واریانس و…)
6. حجم نمونه چقدر است؟ (بزرگ، متوسط، کوچک)
7. هدف نهایی تحلیل چیست؟ (توصیف، تعمیم، پیش‌بینی)

---

🔍 گام اول: شناخت نوع سؤال پژوهشی

نوع سؤال پژوهشی	هدف	آزمون‌های مرتبط
مقایسه‌ای	مقایسه میانگین/میانه گروه‌ها	t-test، ANOVA، من-ویتنی، کروسکال-والیس
همبستگی و رابطه	بررسی رابطه بین متغیرها	پیرسون، اسپیرمن، کندال
پیش‌بینی	پیش‌بینی یک متغیر از روی متغیرهای دیگر	رگرسیون خطی، رگرسیون لجستیک
بررسی ساختار	شناسایی ابعاد پنهان یا گروه‌بندی	تحلیل عاملی، تحلیل خوشه‌ای
بررسی توافق	میزان توافق بین ارزیاب‌ها یا ابزارها	کاپا، ICC، مک‌نمدار

---

📊 گام دوم: شناخت نوع متغیرها

🔵 متغیرهای کمی (Quantitative)

• فاصله‌ای (Interval): صفر قراردادی دارد (مثل دما برحسب سلسیوس).
• نسبی (Ratio): صفر مطلق دارد (مثل وزن، قد، نمره).

🟢 متغیرهای کیفی (Categorical)

• اسمی (Nominal): طبقه‌بندی بدون ترتیب (مثل جنسیت، گروه خونی).
• ترتیبی (Ordinal): طبقه‌بندی با ترتیب (مثل مقیاس لیکرت، سطح تحصیلات).

🟡 متغیرهای خاص

• شمارشی (Count): تعداد وقوع یک رویداد (مثل تعداد مقالات چاپ‌شده).
• زمان تا رویداد (Time-to-event): زمان بقا، زمان بهبودی.

---

📈 گام سوم: شناخت تعداد و رابطه متغیرها

تعداد متغیرها:

• یک متغیر: تحلیل تک‌متغیره (یک نمونه‌ای)
• دو متغیر: تحلیل دو‌متغیره (رابطه یا مقایسه دو گروه)
• چند متغیر: تحلیل چند‌متغیره

رابطه گروه‌ها:

• مستقل (Independent): گروه‌ها از هم جدا هستند.
• وابسته (Dependent): اندازه‌گیری‌های مکرر یا جفت‌شده.

---

✅ گام چهارم: بررسی پیش‌فرض‌های آماری

۱. نرمال بودن (Normality)

چرا مهم است؟ بسیاری از آزمون‌های پارامتریک (تی، ANOVA، پیرسون) فرض می‌کنند داده‌ها از توزیع نرمال پیروی می‌کنند.

روش‌های بررسی:

• آزمون شاپیرو-ویلک (Shapiro-Wilk): برای حجم نمونه < ۲۰۰۰
• آزمون کولموگروف-اسمیرنوف (Kolmogorov-Smirnov): برای حجم نمونه بزرگ
• نمودار Q-Q: بررسی بصری
• کشیدگی و چولگی: مقادیر بین ۲- و ۲+

اگر نرمال نبود:

• از آزمون‌های ناپارامتریک استفاده کنید.
• داده‌ها را تبدیل کنید (لگاریتم، ریشه دوم، معکوس).

۲. همگنی واریانس‌ها (Homogeneity of Variance)

چرا مهم است؟ آزمون‌هایی مثل ANOVA و t-test مستقل فرض می‌کنند واریانس گروه‌ها برابر است.

روش بررسی:

• آزمون لون (Levene’s Test)
• نسبت بزرگترین به کوچکترین واریانس: کمتر از ۳

اگر همگن نبود:

• از آزمون تی ولش (Welch’s t-test) استفاده کنید.
• از آزمون‌های ناپارامتریک استفاده کنید.

۳. کرویت (Sphericity)

چرا مهم است؟ برای ANOVA با اندازه‌گیری مکرر.

روش بررسی:

• آزمون موچلی (Mauchly’s Test)

اگر نقض شد:

• از تصحیحات گرین‌هاوس-گایسر یا هاین-فلدت استفاده کنید.

۴. استقلال مشاهدات (Independence)

چرا مهم است؟ مشاهدات باید مستقل از یکدیگر باشند.

روش بررسی:

• طراحی پژوهش (آیا افراد مستقل هستند؟)
• آزمون دوربین-واتسون برای رگرسیون

اگر وابسته بودند:

• از آزمون‌های وابسته استفاده کنید (تی جفتی، ویلکاکسون، فریدمن).

۵. عدم چندهمخطی (Multicollinearity)

چرا مهم است؟ در رگرسیون چندگانه، همبستگی بالا بین پیش‌بین‌ها ضرایب را بی‌ثبات می‌کند.

روش بررسی:

• VIF (Variance Inflation Factor): مقدار < ۱۰ (ترجیحاً < ۵)
• Tolerance: مقدار > ۰.۱

اگر چندهمخطی وجود داشت:

• یکی از متغیرهای همبسته را حذف کنید.
• از تحلیل مؤلفه‌های اصلی استفاده کنید.

۶. خطی بودن (Linearity)

چرا مهم است؟ در رگرسیون خطی، رابطه بین پیش‌بین و پاسخ باید خطی باشد.

روش بررسی:

• نمودار پراکنش (Scatter plot)
• بررسی باقیمانده‌ها

اگر غیرخطی بود:

• از تبدیل متغیرها استفاده کنید.
• از مدل‌های غیرخطی استفاده کنید.

۷. همگنی واریانس باقیمانده‌ها (Homoscedasticity)

چرا مهم است؟ در رگرسیون، واریانس خطاها باید ثابت باشد.

روش بررسی:

• نمودار پراکنش باقیمانده‌ها

اگر ناهمگن بود:

• از رگرسیون وزنی استفاده کنید.
• از خطاهای استاندارد مقاوم استفاده کنید.

---

📏 گام پنجم: حجم نمونه (Sample Size)

حداقل حجم نمونه برای آزمون‌های مختلف:

آزمون	حداقل حجم نمونه پیشنهادی
همبستگی پیرسون	۳۰+
رگرسیون خطی	۱۰۰+ یا ۱۰ مورد به ازای هر پیش‌بین
رگرسیون لجستیک	۱۰۰+ یا ۱۰ رویداد به ازای هر پیش‌بین
t-test	۳۰+ در هر گروه
ANOVA	۱۵+ در هر گروه
آزمون‌های ناپارامتریک	برای n<۳۰ مناسب‌ترند

اگر حجم نمونه کوچک است:

• از آزمون‌های ناپارامتریک استفاده کنید.
• از روش‌های دقیق (Exact Tests) استفاده کنید.
• نتایج را با احتیاط تفسیر کنید.

---

🎯 گام ششم: هدف نهایی تحلیل

۱. توصیف (Description)

• هدف: توصیف ویژگی‌های نمونه
• آزمون‌ها: آمار توصیفی (میانگین، میانه، انحراف معیار، فراوانی)

۲. تعمیم به جامعه (Inference)

• هدف: نتیجه‌گیری درباره جامعه از روی نمونه
• آزمون‌ها: آزمون‌های معناداری (تی، ANOVA، کای-دو)

۳. پیش‌بینی (Prediction)

• هدف: پیش‌بینی مقادیر آینده
• آزمون‌ها: رگرسیون، سری‌های زمانی

۴. شناسایی ساختار (Structure Detection)

• هدف: یافتن ابعاد پنهان یا گروه‌بندی‌ها
• آزمون‌ها: تحلیل عاملی، تحلیل خوشه‌ای

---

📊 جدول انتخاب آزمون بر اساس نوع سؤال و داده

🔵 آزمون‌های مقایسه‌ای

وضعیت	داده نرمال (پارامتریک)	داده غیرنرمال (ناپارامتریک)
یک گروه با مقدار ثابت	t-test تک‌نمونه‌ای	ویلکاکسون تک‌نمونه‌ای
دو گروه مستقل	t-test مستقل	من-ویتنی
دو گروه وابسته	t-test جفتی	ویلکاکسون جفتی
سه گروه مستقل یا بیشتر	ANOVA یک‌طرفه	کروسکال-والیس
سه گروه وابسته یا بیشتر	ANOVA با اندازه‌گیری مکرر	فریدمن
داده‌های دوتایی (وابسته)	—	کاکرن Q

🟢 آزمون‌های همبستگی و رابطه

نوع متغیرها	آزمون مناسب
دو متغیر کمی نرمال	پیرسون
دو متغیر کمی غیرنرمال یا رتبه‌ای	اسپیرمن
دو متغیر رتبه‌ای با تعداد طبقه کم	کندال
یک متغیر کمی و یک متغیر اسمی (دو طبقه)	t-test
یک متغیر کمی و یک متغیر اسمی (چند طبقه)	ANOVA
دو متغیر اسمی	کای-دو

🟠 آزمون‌های پیش‌بینی

متغیر وابسته	متغیرهای مستقل	آزمون مناسب
کمی	یک متغیر کمی	رگرسیون خطی ساده
کمی	چند متغیر کمی/اسمی	رگرسیون خطی چندگانه
دوتایی	یک یا چند متغیر	رگرسیون لجستیک دوتایی
اسمی (چندطبقه)	یک یا چند متغیر	رگرسیون لجستیک چندجمله‌ای
ترتیبی	یک یا چند متغیر	رگرسیون ترتیبی
شمارشی	یک یا چند متغیر	رگرسیون پواسون
زمان تا رویداد	یک یا چند متغیر	رگرسیون کاکس

---

⚠️ اشتباهات رایج در انتخاب آزمون آماری

❌ اشتباه ۱: استفاده از آزمون پارامتریک بدون بررسی نرمال بودن

راه حل: همیشه ابتدا نرمال بودن داده‌ها را بررسی کنید.

❌ اشتباه ۲: نادیده گرفتن همگنی واریانس‌ها

راه حل: آزمون لون را اجرا کنید و در صورت نقض، از آزمون تی ولش استفاده کنید.

❌ اشتباه ۳: استفاده از آزمون تی متعدد به جای ANOVA

راه حل: برای مقایسه بیش از دو گروه از ANOVA و آزمون‌های تعقیبی استفاده کنید.

❌ اشتباه ۴: نادیده گرفتن وابستگی گروه‌ها

راه حل: اگر داده‌ها وابسته هستند (قبل-بعد)، از آزمون‌های وابسته استفاده کنید.

❌ اشتباه ۵: استفاده از آزمون‌های ناپارامتریک با حجم نمونه بالا

راه حل: با حجم نمونه بالا (بیش از ۳۰)، آزمون‌های پارامتریک توان بالاتری دارند.

❌ اشتباه ۶: تفسیر همبستگی به عنوان علیت

راه حل: همبستگی به معنای علت و معلول نیست.

❌ اشتباه ۷: نادیده گرفتن مفروضه‌ها در رگرسیون

راه حل: همیشه باقیمانده‌ها را بررسی کنید (نرمال بودن، همگنی واریانس، استقلال).

❌ اشتباه ۸: حجم نمونه ناکافی

راه حل: قبل از جمع‌آوری داده، حجم نمونه لازم را محاسبه کنید.

❌ اشتباه ۹: فراموش کردن آزمون‌های تعقیبی

راه حل: بعد از ANOVA معنادار، حتماً آزمون تعقیبی انجام دهید.

❌ اشتباه ۱۰: نادیده گرفتن اندازه اثر

راه حل: علاوه بر p-value، اندازه اثر (Effect Size) را هم گزارش کنید.

---

📝 چک‌لیست نهایی قبل از انتخاب آزمون

قبل از هر تحلیلی، این موارد را بررسی کنید:

• سؤال پژوهش دقیقاً چیست؟
• نوع متغیرها (کمی/کیفی، فاصله‌ای/نسبی/اسمی/ترتیبی)
• تعداد متغیرها (یک، دو، چند متغیر)
• تعداد گروه‌ها و رابطه آنها (مستقل/وابسته)
• پیش‌فرض نرمال بودن (با آزمون شاپیرو-ویلک)
• پیش‌فرض همگنی واریانس (با آزمون لون)
• پیش‌فرض کرویت (برای RM ANOVA)
• عدم چندهمخطی (برای رگرسیون)
• حجم نمونه (آیا کافی است؟)
• وجود داده‌های پرت (Outliers)
• هدف نهایی تحلیل (توصیف، تعمیم، پیش‌بینی)

---

🌟 نکات طلایی برای انتخاب آزمون مناسب

۱. همیشه از ساده به پیچیده پیش بروید

ابتدا با آمار توصیفی شروع کنید، سپس به سراغ آزمون‌های تحلیلی بروید.

۲. پیش‌فرض‌ها را جدی بگیرید

هر آزمون پیش‌فرض‌هایی دارد. نادیده گرفتن آنها معادل بی‌اعتبار کردن نتایج است.

۳. از مشاوره آماری استفاده کنید

اگر شک دارید، با یک متخصص آمار مشورت کنید. این کار وقت و هزینه شما را ذخیره می‌کند.

۴. نرم‌افزار را بشناسید

یاد بگیرید که چطور پیش‌فرض‌ها را در SPSS بررسی کنید و خروجی‌ها را تفسیر کنید.

۵. به روز باشید

روش‌های آماری دائماً در حال پیشرفت هستند. مقالات جدید را دنبال کنید.

۶. اندازه اثر را گزارش کنید

p-value به تنهایی کافی نیست. اندازه اثر بگویید که یافته شما چقدر مهم است.

۷. شفاف باشید

تمام مراحل تحلیل خود را مستند کنید تا دیگران بتوانند کار شما را تکرار کنند.

---

📊 خلاصه گام‌های انتخاب آزمون آماری

textCopyDownload

گام ۱: سؤال پژوهش چیست؟
├── مقایسه → گام ۲
├── رابطه → گام ۲
├── پیش‌بینی → گام ۲
└── ساختار → تحلیل عاملی، تحلیل خوشه‌ای

گام ۲: نوع متغیرها را مشخص کنید
├── کمی
├── کیفی (اسمی/ترتیبی)
└── خاص (شمارشی، بقا)

گام ۳: تعداد گروه‌ها و رابطه آنها
├── یک گروه
├── دو گروه (مستقل/وابسته)
└── سه گروه یا بیشتر (مستقل/وابسته)

گام ۴: پیش‌فرض‌ها را بررسی کنید
├── نرمال بودن
├── همگنی واریانس
├── کرویت
├── استقلال
└── چندهمخطی

گام ۵: آزمون مناسب را انتخاب کنید
└── بر اساس جداول بالا

گام ۶: تحلیل را انجام دهید و نتایج را تفسیر کنید
├── آماره آزمون
├── p-value
├── اندازه اثر
└── فاصله اطمینان

---

🎯 مثال‌های کاربردی

مثال ۱: مقایسه فشار خون دو گروه دارو و دارونما

• سؤال پژوهشی: آیا فشار خون در گروه دارو کمتر از گروه دارونما است؟
• نوع متغیر: فشار خون (کمی)
• تعداد گروه‌ها: دو گروه مستقل
• پیش‌فرض‌ها: نرمال بودن (بله)، همگنی واریانس (بله)
• آزمون مناسب: t-test مستقل

مثال ۲: بررسی رابطه بین ساعات مطالعه و نمره امتحان

• سؤال پژوهشی: آیا بین ساعات مطالعه و نمره امتحان رابطه وجود دارد؟
• نوع متغیر: هر دو کمی
• پیش‌فرض‌ها: نرمال بودن (بله)، خطی بودن (بله)
• آزمون مناسب: همبستگی پیرسون

مثال ۳: پیش‌بینی قبولی در کنکور بر اساس معدل و جنسیت

• سؤال پژوهشی: آیا می‌توان قبولی در کنکور را از روی معدل و جنسیت پیش‌بینی کرد؟
• نوع متغیر وابسته: دوتایی (قبول/رد)
• نوع متغیرهای مستقل: معدل (کمی)، جنسیت (اسمی)
• آزمون مناسب: رگرسیون لجستیک دوتایی

مثال ۴: مقایسه رضایت بیماران در سه بیمارستان

• سؤال پژوهشی: آیا رضایت بیماران در سه بیمارستان متفاوت است؟
• نوع متغیر: رضایت (رتبه‌ای – لیکرت)
• تعداد گروه‌ها: سه گروه مستقل
• پیش‌فرض‌ها: داده‌ها رتبه‌ای و غیرنرمال هستند
• آزمون مناسب: کروسکال-والیس

---

❓ سؤالات متداول (FAQ)

سؤال ۱: اگر داده‌هایم هم نرمال و هم غیرنرمال باشند، چه کنم؟

پاسخ: می‌توانید از هر دو نوع آزمون استفاده کنید و نتایج را مقایسه کنید. اگر نتایج مشابه بودند، آزمون پارامتریک توان بالاتری دارد. اگر متفاوت بودند، به پیش‌فرض‌ها و وجود پرت‌ها توجه کنید.

سؤال ۲: تفاوت آزمون یک‌دم و دو‌دم چیست؟

پاسخ: آزمون یک‌دم جهت تفاوت را مشخص می‌کند (مثلاً A بزرگتر از B است). آزمون دو‌دم فقط تفاوت را بررسی می‌کند (بدون جهت). آزمون دو‌دم محافظه‌کارانه‌تر است.

سؤال ۳: بهترین آزمون برای مقیاس لیکرت چیست؟

پاسخ: اگر تعداد طبقات ≥۷ و توزیع نسبتاً نرمال باشد، می‌توان از آزمون‌های پارامتریک استفاده کرد. اما از نظر تئوری، آزمون‌های ناپارامتریک (من-ویتنی، کروسکال-والیس) مناسب‌ترند.

سؤال ۴: با حجم نمونه کوچک (مثلاً ۱۰ نفر) چه کنم؟

پاسخ: از آزمون‌های ناپارامتریک استفاده کنید. همچنین می‌توانید از روش‌های دقیق (Exact Tests) در SPSS استفاده کنید که p-value دقیق را محاسبه می‌کنند.

سؤال ۵: اگر چندین متغیر وابسته داشته باشم، چه آزمونی مناسب است؟

پاسخ: از MANOVA استفاده کنید. اگر پیش‌فرض‌ها نقض شده‌اند، از آزمون‌های جداگانه با تصحیح بونفرونی استفاده کنید.

---

💬 نظرات و تجربیات شما

آیا تاکنون در انتخاب آزمون آماری دچار چالش شده‌اید؟ چه تجربه‌ای در این زمینه دارید؟ کدام پیش‌فرض برای شما چالش‌برانگیزتر بوده است؟

تجربیات، سؤالات و پیشنهادات خود را در بخش نظرات با ما و دیگر پژوهشگران به اشتراک بگذارید.

به سه نظر برتر، مشاوره رایگان تحلیل آماری با SPSS هدیه داده می‌شود! 👇👇👇

---

📞 ارتباط با تیم تخصصی راوا (Rava20.ir)

برای دریافت مشاوره تخصصی تحلیل آماری پایان‌نامه، مقاله‌نویسی ISI، آموزش نرم‌افزارهای آماری (SPSS, AMOS, PLS, R) و طراحی پرسشنامه‌های استاندارد، از راه‌های زیر با ما در ارتباط باشید:

🌐 وب سایت: https://rava20.ir
📱 کانال تلگرام: https://t.me/RAVA2020
🎬 کانال آموزشی آپارات: https://www.aparat.com/amoozeh20
✍️ وبلاگ تخصصی: http://abazizi.parsiblog.com/

---

🔔 این مطلب را با دوستان خود به اشتراک بگذارید

اگر این راهنما برای شما مفید بود، حتماً برای دوستان و هم‌کلاسی‌های خود نیز بفرستید. شاید همین امروز به یک پیشرفت بزرگ در پژوهش آنها کمک کند.

نکات مهم و ضروری در طراحی پرسشنامه طیف لیکرت

آزمون آماری بی توکی یا Tukey’s b چیست؟

پرسشنامه استاندارد بهزیستی کارکنان ( ژنگ و همکاران 2015 )

پرسشنامه سرسختی ذهنی (روانی)  (MTQ48) پیتر کلاف و همکاران (1982)

پرسشنامه ویژگی های شخصیت دویس(1996)

آزمون ANOVA و معادل ناپارامتریک: راهنمای جامع انتخاب، اجرا و تفسیر

آیا برای مقایسه سه گروه یا بیشتر سردرگم هستید که ANOVA استفاده کنید یا کراسکال-والیس؟ انتخاب اشتباه بین این آزمون‌ها، اعتبار پژوهش شما را مخدوش می‌کند. در این راهنمای جامع، تمام آزمون‌های تحلیل واریانس (ANOVA یک‌طرفه، دوطرفه، اندازه‌گیری مکرر) و معادل‌های ناپارامتریک آنها را با جدول مقایسه، فرمول‌ها، پیش‌فرض‌ها، درخت تصمیم‌گیری و مثال‌های واقعی بررسی می‌کنیم.

---

🔍 آزمون ANOVA و معادل ناپارامتریک چیست؟

تحلیل واریانس (ANOVA) خانواده‌ای از آزمون‌های پارامتریک است که میانگین سه گروه یا بیشتر را مقایسه می‌کند. معادل‌های ناپارامتریک مانند کراسکال-والیس و فریدمن، میانه یا رتبه داده‌ها را بدون نیاز به نرمال بودن مقایسه می‌کنند.

انتخاب صحیح بین این دو، تضمین‌کننده اعتبار آماری پژوهش شماست.

---

📊 دسته‌بندی کامل آزمون‌های ANOVA و معادل ناپارامتریک

نوع طرح پژوهش	آزمون پارامتریک	آزمون ناپارامتریک معادل	تعداد متغیر مستقل	نوع گروه‌ها
سه گروه یا بیشتر مستقل	One-Way ANOVA	کراسکال-والیس (Kruskal-Wallis)	۱	مستقل
سه گروه یا بیشتر وابسته	Repeated Measures ANOVA	فریدمن (Friedman)	۱	وابسته
دو عامل مستقل	Two-Way ANOVA	شییر-ری-هیر (Scheirer-Ray-Hare)	۲	مستقل
دو عامل وابسته	Two-Way RM ANOVA	معادل ناپارامتریک وجود ندارد	۲	وابسته
متغیر وابسته دوتایی	—	کاکرن Q (Cochran’s Q)	۱ یا بیشتر	وابسته
چند متغیر وابسته	MANOVA	معادل قدرتمند وجود ندارد	۱ یا بیشتر	مستقل/وابسته

---

✅ آزمون ANOVA یک‌طرفه و معادل ناپارامتریک

🔵 آزمون پارامتریک: تحلیل واریانس یک‌طرفه (One-Way ANOVA)

کاربرد: مقایسه میانگین سه یا چند گروه مستقل.

مثال واقعی: آیا میانگین نمرات درس آمار در دانشجویان سه رشته روانشناسی، علوم تربیتی و مشاوره تفاوت معناداری دارد؟

پیش‌فرض‌های حیاتی:

• متغیر وابسته در سطح فاصله‌ای یا نسبی باشد.
• نرمال بودن توزیع داده‌ها در هر گروه.
• همگنی واریانس‌ها (برابری واریانس گروه‌ها).
• استقلال مشاهدات.
• عدم وجود پرت‌های تأثیرگذار.

فرمول آماره F:
$𝐹=\frac{𝑀{𝑆}_{𝑏𝑒𝑡𝑤𝑒𝑒𝑛}}{𝑀{𝑆}_{𝑤𝑖𝑡ℎ𝑖𝑛}}=\frac{\frac{𝑆{𝑆}_{𝑏𝑒𝑡𝑤𝑒𝑒𝑛}}{𝑑{𝑓}_{𝑏𝑒𝑡𝑤𝑒𝑒𝑛}}}{\frac{𝑆{𝑆}_{𝑤𝑖𝑡ℎ𝑖𝑛}}{𝑑{𝑓}_{𝑤𝑖𝑡ℎ𝑖𝑛}}}$F=MSwithin​MSbetween​​=dfwithin​SSwithin​​dfbetween​SSbetween​​​

درجات آزادی:
$𝑑{𝑓}_{𝑏𝑒𝑡𝑤𝑒𝑒𝑛}=𝑘-1$dfbetween​=k−1
$𝑑{𝑓}_{𝑤𝑖𝑡ℎ𝑖𝑛}=𝑁-𝑘$dfwithin​=N−k

آزمون‌های تعقیبی (Post Hoc):

• توکی (Tukey): برای حجم نمونه برابر.
• شفه (Scheffe): محافظه‌کارانه، مناسب حجم‌های نابرابر.
• بونفرونی (Bonferroni): تنظیم سطح آلفا برای مقایسه‌های متعدد.

🟢 معادل ناپارامتریک: آزمون کراسکال-والیس (Kruskal-Wallis)

کاربرد: مقایسه میانه یا توزیع سه یا چند گروه مستقل.

زمان استفاده:

• داده‌ها نرمال نیستند.
• داده‌ها در سطح رتبه‌ای هستند (مقیاس لیکرت).
• حجم نمونه در برخی گروه‌ها کوچک است.
• واریانس‌ها ناهمگن هستند.

مکانیسم محاسبه:

1. تمام داده‌های همه گروه‌ها را ترکیب کنید.
2. به همه مشاهدات رتبه بدهید (از کوچک به بزرگ).
3. مجموع رتبه‌های هر گروه را محاسبه کنید (Rᵢ).
4. آماره H را محاسبه کنید:

$𝐻=\frac{12}{𝑁(𝑁+1)}{\sum }_{𝑖=1}^{𝑘}\frac{{𝑅}_{𝑖}^2}{{𝑛}_{𝑖}}-3(𝑁+1)$H=N(N+1)12​∑i=1k​ni​Ri2​​−3(N+1)

پیش‌فرض‌ها:

• متغیر وابسته حداقل در سطح رتبه‌ای باشد.
• نمونه‌ها مستقل و تصادفی باشند.
• توزیع گروه‌ها باید شکل مشابهی داشته باشند (برای تفسیر میانه).

⚠️ هشدار مهم: اگر توزیع گروه‌ها شکل متفاوتی داشته باشد، کراسکال-والیس صرفاً نشان می‌دهد «توزیع‌ها متفاوت هستند». نمی‌توان نتیجه گرفت که «میانه‌ها متفاوت هستند».

آزمون‌های تعقیبی:

• آزمون دان (Dunn’s Test) با تصحیح بونفرونی.
• آزمون من-ویتنی با تصحیح بونفرونی.

---

✅ آزمون ANOVA با اندازه‌گیری مکرر و معادل ناپارامتریک

🔵 آزمون پارامتریک: ANOVA با اندازه‌گیری مکرر (Repeated Measures ANOVA)

کاربرد: مقایسه میانگین سه یا چند اندازه‌گیری وابسته از یک گروه.

مثال واقعی: آیا میانگین سطح استرس افراد در سه زمان قبل از امتحان، حین امتحان و بعد از امتحان تفاوت معناداری دارد؟

پیش‌فرض‌های حیاتی:

• متغیر وابسته در سطح فاصله‌ای یا نسبی باشد.
• نرمال بودن توزیع تفاوت‌ها بین زمان‌ها.
• کرویت (Sphericity): برابری واریانس تفاوت‌ها بین تمام جفت‌زمان‌ها.
• عدم وجود پرت‌های تأثیرگذار.

آزمون کرویت (Mauchly’s Test):

• اگر p > 0.05: شرط کرویت برقرار است.
• اگر p < 0.05: شرط کرویت نقض شده است.

تصحیحات در صورت نقض کرویت:

• گرین‌هاوس-گایسر (Greenhouse-Geisser): برای انحراف شدید از کرویت.
• هاین-فلدت (Huynh-Feldt): برای انحراف ملایم از کرویت.

🟢 معادل ناپارامتریک: آزمون فریدمن (Friedman Test)

کاربرد: مقایسه میانه سه یا چند اندازه‌گیری وابسته.

زمان استفاده:

• داده‌ها در سطح ترتیبی هستند (مقیاس لیکرت).
• پیش‌فرض نرمال بودن تفاوت‌ها نقض شده است.
• حجم نمونه کوچک است.
• شرط کرویت برقرار نیست.

مکانیسم محاسبه:

1. برای هر آزمودنی، به مقادیر شرایط مختلف رتبه بدهید (از ۱ تا k).
2. مجموع رتبه‌های هر ستون (شرط) را محاسبه کنید (Rⱼ).
3. آماره Fr یا χ² را محاسبه کنید:

${𝜒}_{𝑟}^2=\frac{12}{𝑛𝑘(𝑘+1)}{\sum }_{𝑗=1}^{𝑘}{𝑅}_{𝑗}^2-3𝑛(𝑘+1)$χr2​=nk(k+1)12​∑j=1k​Rj2​−3n(k+1)

پیش‌فرض‌ها:

• متغیر وابسته حداقل در سطح ترتیبی باشد.
• نمونه‌ها به صورت تصادفی انتخاب شده باشند.
• بلوک‌ها (آزمودنی‌ها) مستقل از یکدیگر باشند.

⚠️ هشدار بسیار مهم: تحقیقات نشان داده است آزمون فریدمن توان آماری بسیار پایینی دارد و عملاً معادل آزمون علامت است، نه ویلکاکسون.

✅ راه‌حل: از ANOVA بر روی رتبه‌ها (Repeated Measures ANOVA on Ranks) استفاده کنید که توان آماری بالاتری دارد.

آزمون‌های تعقیبی:

• آزمون ویلکاکسون جفتی با تصحیح بونفرونی.
• آزمون علامت با تصحیح بونفرونی.

---

✅ آزمون ANOVA دوطرفه و معادل ناپارامتریک

🔵 آزمون پارامتریک: تحلیل واریانس دوطرفه (Two-Way ANOVA)

کاربرد: بررسی همزمان اثر دو عامل مستقل و اثر تعاملی آنها بر یک متغیر وابسته.

مثال واقعی: بررسی اثر جنسیت (مرد/زن) و روش تدریس (سنتی/الکترونیکی/تلفیقی) بر نمرات تحصیلی.

پیش‌فرض‌های حیاتی:

• متغیر وابسته در سطح فاصله‌ای یا نسبی باشد.
• نرمال بودن توزیع داده‌ها در هر ترکیب از گروه‌ها.
• همگنی واریانس‌ها بین تمام سلول‌ها.
• استقلال مشاهدات.

خروجی اصلی:

• اثر اصلی عامل اول (Factor A)
• اثر اصلی عامل دوم (Factor B)
• اثر تعاملی (A × B)

🟢 معادل ناپارامتریک: آزمون شییر-ری-هیر (Scheirer-Ray-Hare Test)

کاربرد: معادل ناپارامتریک ANOVA دوطرفه برای داده‌های غیرنرمال یا رتبه‌ای.

زمان استفاده:

• پیش‌فرض نرمال بودن داده‌ها نقض شده است.
• داده‌ها در سطح رتبه‌ای هستند.
• واریانس‌ها ناهمگن هستند.

مکانیسم محاسبه:

1. به تمام داده‌ها رتبه بدهید (بدون توجه به گروه‌بندی).
2. تحلیل واریانس دوطرفه را روی رتبه‌ها انجام دهید.
3. مجموع مربعات (SS) هر منبع را بر مجموع مربعات کل بر اساس رتبه تقسیم کنید.
4. آماره H = SS / MS_total را محاسبه کرده و با توزیع کای-دو آزمون کنید.

پیش‌فرض‌ها:

• طرح متوازن (Balanced Design) ترجیح داده می‌شود.
• حداقل ۵ مشاهده در هر سلول برای اثر تعاملی توصیه می‌شود.

⚠️ محدودیت‌ها:

• این آزمون برای اثرات تعاملی توان آماری پایینی دارد.
• برخی آماردانان ANOVA با رتبه‌های ترازشده (Aligned Ranks Transformation ANOVA) را توصیه می‌کنند.

🔴 تذکر مهم: ANOVA دوطرفه با اندازه‌گیری مکرر

هیچ آزمون ناپارامتریک واقعی برای ANOVA دوطرفه با اندازه‌گیری مکرر وجود ندارد.

راه‌حل‌های جایگزین:

• تبدیل رتبه‌ای داده‌ها و اجرای ANOVA پارامتریک.
• استفاده از مدل‌های خطی تعمیم‌یافته (GLM).

---

✅ آزمون‌های تخصصی دیگر

🟣 آزمون کاکرن Q (Cochran’s Q)

کاربرد: معادل ناپارامتریک ANOVA با اندازه‌گیری مکرر برای متغیرهای وابسته دوتایی (باینری).

مثال: مقایسه نسبت موفقیت یک روش درمانی در سه زمان مختلف (موفق/ناموفق).

پیش‌فرض‌ها:

• متغیر وابسته دوتایی (۰ و ۱) است.
• گروه‌ها وابسته هستند (همان آزمودنی‌ها).
• نمونه‌ها تصادفی انتخاب شده‌اند.

🟣 MANOVA و معادل ناپارامتریک

کاربرد: مقایسه همزمان چند متغیر وابسته بین گروه‌ها.

معادل ناپارامتریک:

• معادل قدرتمند و شناخته‌شده‌ای وجود ندارد.
• راه‌حل‌های جایگزین: تبدیل رتبه‌ای چندمتغیره، بوت‌استرپ، یا آزمون‌های جداگانه با تصحیح آلفا.

---

📋 جدول مقایسه جامع آزمون‌های ANOVA و معادل ناپارامتریک

معیار مقایسه	ANOVA یک‌طرفه	کراسکال-والیس	RM ANOVA	فریدمن	Two-Way ANOVA	شییر-ری-هیر
شاخص مرکزی	میانگین	میانه/توزیع	میانگین	میانه	میانگین	میانه/توزیع
سطح اندازه‌گیری	فاصله‌ای/نسبی	رتبه‌ای/فاصله‌ای	فاصله‌ای/نسبی	ترتیبی/فاصله‌ای	فاصله‌ای/نسبی	رتبه‌ای/فاصله‌ای
نوع گروه‌ها	مستقل	مستقل	وابسته	وابسته	مستقل	مستقل
نرمال بودن	✅ الزامی	❌ نیازی نیست	✅ الزامی	❌ نیازی نیست	✅ الزامی	❌ نیازی نیست
همگنی واریانس	✅ الزامی	❌ (شکل مشابه)	کرویت الزامی	❌ نیازی نیست	✅ الزامی	❌ نیازی نیست
حساسیت به پرت	بسیار بالا	پایین	بسیار بالا	پایین	بسیار بالا	پایین
توان آماری	بالاتر	~95% ANOVA	بالاتر	پایین	بالاتر	متوسط
آزمون تعقیبی	توکی، شفه، بونفرونی	دان، من-ویتنی	توکی، بونفرونی	ویلکاکسون، علامت	توکی، شفه	دان، من-ویتنی
اثر تعاملی	—	—	—	—	✅ قابل محاسبه	✅ قابل محاسبه
پشتیبانی SPSS	کامل	کامل	کامل	کامل	کامل	محدود

---

⚠️ تله‌های آماری که باید جدی بگیرید!

🎯 تله ۱: توان پایین آزمون فریدمن

تحقیقات معتبر نشان داده است که آزمون فریدمن توان آماری بسیار پایینی دارد و عملاً معادل آزمون علامت است.

✅ راه‌حل: از ANOVA بر روی رتبه‌ها (ANOVA on Ranks) استفاده کنید.

🎯 تله ۲: تفسیر کراسکال-والیس با توزیع‌های نامشابه

اگر توزیع گروه‌ها شکل متفاوتی داشته باشد:

• ❌ نمی‌گوییم: «میانه گروه A بزرگتر از گروه B است».
• ✅ می‌گوییم: «توزیع نمرات در گروه A به طور معناداری متفاوت از گروه B است».

🎯 تله ۳: ANOVA دوطرفه ناپارامتریک وجود ندارد!

تأکید می‌کنیم: ANOVA دوطرفه ناپارامتریک واقعی با گروه‌های وابسته وجود ندارد.

🎯 تله ۴: فراموش کردن آزمون‌های تعقیبی

ANOVA و کراسکال-والیس تنها نشان می‌دهند آیا تفاوتی وجود دارد یا خیر. اما کدام گروه‌ها با هم متفاوت هستند را مشخص نمی‌کنند.

🎯 تله ۵: نقض پیش‌فرض کرویت در RM ANOVA

همیشه:

1. آزمون Mauchly’s Test را بررسی کنید.
2. اگر p < 0.05، از تصحیحات گرین‌هاوس-گایسر یا هاین-فلدت استفاده کنید.

---

🧭 درخت تصمیم‌گیری: کدام آزمون ANOVA را انتخاب کنیم؟

textCopyDownload

چند گروه داریم؟
├── سه گروه یا بیشتر → ادامه
└── دو گروه → از آزمون‌های تی استفاده کنید

گروه‌ها مستقل هستند یا وابسته؟
├── مستقل → One-Way ANOVA یا Kruskal-Wallis
└── وابسته → RM ANOVA یا Friedman

چند متغیر مستقل داریم؟
├── یک عامل → آزمون‌های یک‌طرفه
└── دو عامل → Two-Way ANOVA یا Scheirer-Ray-Hare

آیا داده‌ها فاصله‌ای/نسبی و نرمال هستند؟
├── ✅ بله (و واریانس‌ها همگن) → ANOVA پارامتریک
└── ❌ خیر (یا رتبه‌ای هستند) → آزمون ناپارامتریک

آیا متغیر وابسته دوتایی است؟
├── ✅ بله (وابسته) → Cochran's Q
└── ❌ خیر → سایر آزمون‌ها

---

💡 نکات طلایی برای گزارش نتایج در مقاله

✅ گزارش صحیح ANOVA یک‌طرفه:

نتایج ANOVA یک‌طرفه نشان داد که میانگین نمرات در سه گروه آموزشی تفاوت معناداری دارد؛ F(2, 87) = 5.67, p = 0.005, η² = 0.12. آزمون تعقیبی توکی نشان داد که گروه A (M = 82.3, SD = 6.2) به طور معناداری نمرات بالاتری از گروه C (M = 74.1, SD = 7.5) دارد (p = 0.003).

✅ گزارش صحیح کراسکال-والیس:

آزمون کراسکال-والیس تفاوت معناداری را در رضایت شغلی بین سه گروه نشان داد (H(2) = 14.32, p = 0.001). آزمون تعقیبی دان نشان داد که میانگین رتبه گروه A (Mean Rank = 34.7) به طور معناداری بیشتر از گروه B (Mean Rank = 21.3) است (p = 0.002).

✅ گزارش صحیح RM ANOVA:

نتایج ANOVA با اندازه‌گیری مکرر نشان داد که سطح اضطراب در سه زمان اندازه‌گیری تفاوت معناداری دارد؛ F(2, 58) = 12.34, p < 0.001, η² = 0.30. آزمون تعقیبی بونفرونی نشان داد که اضطراب پس از مداخله (M = 32.4, SD = 6.7) به طور معناداری کمتر از پیش‌آزمون (M = 51.2, SD = 8.3) بود (p < 0.001).

✅ گزارش صحیح فریدمن:

آزمون فریدمن نشان داد که میانه نمرات درد در چهار زمان اندازه‌گیری تفاوت معناداری دارد (χ²(3) = 18.45, p < 0.001). آزمون تعقیبی ویلکاکسون با تصحیح بونفرونی نشان داد که شدت درد در زمان ۲۴ ساعت پس از جراحی (Mdn = 7) به طور معناداری بیشتر از زمان ۷۲ ساعت (Mdn = 3) بود (p = 0.002).

✅ گزارش صحیح Two-Way ANOVA:

نتایج ANOVA دوطرفه اثر معناداری برای جنسیت (F(1, 56) = 8.23, p = 0.006, η² = 0.13) و روش تدریس (F(2, 56) = 7.89, p = 0.001, η² = 0.22) نشان داد. اثر تعاملی جنسیت × روش تدریس معنادار نبود (F(2, 56) = 1.23, p = 0.30).

---

🎯 سناریوهای بالینی و پژوهشی

سناریوی ۱: مقایسه اثربخشی سه روش درمانی بر اضطراب

• طرح: سه گروه مستقل (درمان A، درمان B، کنترل)
• داده‌ها: نمرات اضطراب (فاصله‌ای)، نرمال، واریانس‌ها همگن
• انتخاب درست: One-Way ANOVA + آزمون تعقیبی توکی

سناریوی ۲: مقایسه رضایت بیماران (لیکرت ۵ درجه) در چهار بیمارستان

• طرح: چهار گروه مستقل
• داده‌ها: رتبه‌ای، توزیع نامشخص
• انتخاب درست: Kruskal-Wallis + آزمون تعقیبی دان

سناریوی ۳: تأثیر مداخله آموزشی بر پیشرفت تحصیلی در چهار زمان

• طرح: اندازه‌گیری مکرر (قبل، بعد، ۱ ماه بعد، ۳ ماه بعد)
• داده‌ها: نرمال، اما شرط کرویت نقض شده
• انتخاب درست: Repeated Measures ANOVA + تصحیح گرین‌هاوس-گایسر

سناریوی ۴: مقایسه کیفیت زندگی در سه زمان با داده‌های بسیار چوله

• طرح: اندازه‌گیری مکرر (سه زمان)
• داده‌ها: توزیع بسیار چوله، حجم نمونه کوچک
• انتخاب درست: Friedman Test + آزمون تعقیبی ویلکاکسون

سناریوی ۵: بررسی اثر همزمان جنسیت و سطح تحصیلات بر درآمد

• طرح: دو عامل مستقل (۲×۳)
• داده‌ها: نرمال، واریانس‌ها همگن
• انتخاب درست: Two-Way ANOVA

سناریوی ۶: بررسی اثر کود و آبیاری بر محصول کشاورزی (داده‌های غیرنرمال)

• طرح: دو عامل مستقل (۳×۲)
• داده‌ها: غیرنرمال، حجم سلول‌ها ≥۵
• انتخاب درست: Scheirer-Ray-Hare Test

سناریوی ۷: مقایسه موفقیت درمان (موفق/ناموفق) در سه زمان

• طرح: اندازه‌گیری مکرر با متغیر دوتایی
• داده‌ها: باینری (۰ و ۱)
• انتخاب درست: Cochran’s Q Test

---

❓ سؤالات متداول (FAQ)

سؤال ۱: اگر نتایج ANOVA و کراسکال-والیس متفاوت باشند، کدام را قبول کنم؟

اگر داده‌ها واقعاً نرمال هستند و واریانس‌ها همگن، ANOVA اعتبار بیشتری دارد. در غیر این صورت، کراسکال-والیس نتیجه قابل اعتمادتری است.

سؤال ۲: آیا می‌توانم برای مقیاس لیکرت ۷ درجه‌ای از ANOVA استفاده کنم؟

اگر تعداد طبقات ≥۷ و توزیع نسبتاً نرمال باشد، ANOVA معمولاً قابل قبول است. اما از نظر تئوری، داده‌های لیکرت رتبه‌ای هستند و آزمون ناپارامتریک مناسب‌تر است.

سؤال ۳: چرا آزمون فریدمن توان آماری پایینی دارد؟

زیرا فریدمن فقط رتبه‌ها را درون هر بلوک مقایسه می‌کند و اندازه تفاوت‌ها را نادیده می‌گیرد. این مشابه آزمون علامت است، نه ویلکاکسون.

سؤال ۴: بهترین آزمون تعقیبی برای کراسکال-والیس چیست؟

آزمون دان (Dunn’s Test) با تصحیح بونفرونی، استاندارد طلایی است.

سؤال ۵: چگونه اندازه اثر را برای آزمون‌های ناپارامتریک گزارش کنم؟

• برای کراسکال-والیس: ε² (epsilon-squared) یا η² بر اساس رتبه‌ها
• برای فریدمن: Kendall’s W (ضریب تطابق کندال)
• برای آزمون‌های تعقیبی: r = Z/√N

---

🚀 جمع‌بندی نهایی

✅ ANOVA یک‌طرفه را انتخاب کنید اگر:

• داده‌ها فاصله‌ای/نسبی و نرمال هستند.
• واریانس‌ها همگن هستند.
• حجم نمونه کافی است (>۱۵ در هر گروه).

✅ کراسکال-والیس را انتخاب کنید اگر:

• داده‌ها نرمال نیستند یا رتبه‌ای هستند.
• واریانس‌ها ناهمگن هستند.
• حجم نمونه کوچک است.

✅ RM ANOVA را انتخاب کنید اگر:

• همان افراد در چند زمان اندازه‌گیری شده‌اند.
• داده‌ها نرمال هستند.
• شرط کرویت برقرار است (یا تصحیح می‌شود).

✅ فریدمن را انتخاب کنید اگر:

• همان افراد در چند زمان اندازه‌گیری شده‌اند.
• داده‌ها رتبه‌ای یا غیرنرمال هستند.
• حجم نمونه بسیار کوچک است.

✅ ANOVA دوطرفه را انتخاب کنید اگر:

• دو عامل مستقل دارید.
• داده‌ها نرمال و واریانس‌ها همگن هستند.

✅ شییر-ری-هیر را انتخاب کنید اگر:

• دو عامل مستقل دارید.
• داده‌ها نرمال نیستند یا رتبه‌ای هستند.

---

💬 نظر شما چیست؟

آیا تاکنون در انتخاب بین ANOVA و آزمون‌های ناپارامتریک دچار تردید شده‌اید؟
آیا تجربه استفاده از آزمون شییر-ری-هیر را داشته‌اید؟
چه چالشی در تحلیل داده‌های اندازه‌گیری مکرر داشته‌اید؟

دیدگاه‌ها، تجربیات و سؤالات خود را در بخش نظرات با ما و دیگر پژوهشگران به اشتراک بگذارید.

به سه نظر برتر، مشاوره رایگان تحلیل آماری با SPSS هدیه داده می‌شود!

---

📞 ارتباط با تیم تخصصی راوا (Rava20.ir)

برای دریافت مشاوره تخصصی تحلیل آماری پایان‌نامه، مقاله‌نویسی ISI، آموزش نرم‌افزارهای آماری (SPSS, AMOS, PLS, maxqda) و طراحی پرسشنامه‌های استاندارد، از راه‌های زیر با ما در ارتباط باشید:

🌐 وب سایت: https://rava20.ir
📱 کانال تلگرام: https://t.me/RAVA2020
🎬 کانال آموزشی آپارات: https://www.aparat.com/amoozeh20
✍️ وبلاگ تخصصی: http://abazizi.parsiblog.com/

پرسشنامه آسیب به خود،   SHI (  سانسون و همکاران ، 1998 )

نکات مهم و ضروری در طراحی پرسشنامه طیف لیکرت

پرسشنامه اعتماد به نفس شراگر (PEI): دانلود + تفسیر کامل

انواع آزمون های پارامتریک و ناپارامتریک

پرسشنامه ارزیابی دانش، نگرش و عملکرد (KAP) پرستاران در برنامه‌ریزی ترخیص بیماران سکته مغزی

آزمون های تی ( t-test ) و معادل ناپارامتریک آن ها: راهنمای جامع انتخاب، اجرا و تفسیر

آیا می‌دانید چه زمانی باید از آزمون تی استفاده کنید و چه موقع سراغ من-ویتنی یا ویلکاکسون بروید؟ انتخاب اشتباه بین این آزمون‌ها، یکی از رایج‌ترین دلایل رد مقاله در مجلات معتبر است. در این راهنمای جامع، تمام آزمون‌های تی و معادل‌های ناپارامتریک آنها را با جدول مقایسه، مثال‌های واقعی و درخت تصمیم‌گیری بررسی می‌کنیم.

---

🔍 آزمون تی و معادل ناپارامتریک چیست؟

آزمون‌های تی (t-tests) خانواده‌ای از آزمون‌های پارامتریک هستند که میانگین یک یا دو گروه را مقایسه می‌کنند. معادل‌های ناپارامتریک آنها، مانند من-ویتنی و ویلکاکسون، میانه یا رتبه داده‌ها را بدون نیاز به نرمال بودن مقایسه می‌کنند.

انتخاب صحیح بین این دو، اعتبار آماری پژوهش شما را تضمین می‌کند.

---

📊 دسته‌بندی کامل آزمون‌های تی و معادل ناپارامتریک

نوع مقایسه	آزمون پارامتریک (تی)	آزمون ناپارامتریک معادل	پیش‌فرض اصلی آزمون تی
یک گروه با مقدار ثابت	One-Sample t-test	• Wilcoxon Signed-Rank (اولویت) • Sign Test (جایگزین)	نرمال بودن داده‌ها
دو گروه مستقل	Independent Samples t-test	• Mann-Whitney U (Wilcoxon Rank-Sum) • Kolmogorov-Smirnov	نرمال بودن + همگنی واریانس
دو گروه وابسته (جفتی)	Paired Samples t-test	• Wilcoxon Signed-Rank • Sign Test	نرمال بودن تفاوت جفت‌ها

---

✅ آزمون تی تک‌نمونه‌ای (One-Sample t-test)

🔵 آزمون پارامتریک: تی تک‌نمونه‌ای

کاربرد: مقایسه میانگین یک گروه با یک عدد ثابت یا هنجار جامعه.

مثال واقعی: آیا میانگین نمرات درس روش تحقیق دانشجویان روانشناسی (68 نفر) با میانگین فرضی 75 تفاوت معناداری دارد؟

پیش‌فرض‌های حیاتی:

• متغیر وابسته در سطح فاصله‌ای یا نسبی باشد.
• داده‌ها نرمال باشند.
• مشاهدات مستقل باشند.
• پرت تأثیرگذار وجود نداشته باشد.

فرمول:
$𝑡=\frac{\overline{𝑥}-{𝜇}_0}{𝑠\mathrm{/}\sqrt{𝑛}}$t=s/n​xˉ−μ0​​

درجه آزادی: df = n – 1

🟢 معادل ناپارامتریک: آزمون ویلکاکسون تک‌نمونه‌ای

کاربرد: مقایسه میانه یک گروه با یک مقدار ثابت.

زمان استفاده:

• داده‌ها نرمال نیستند.
• حجم نمونه کوچک است (کمتر از 30).
• داده‌ها در سطح رتبه‌ای هستند.

پیش‌فرض: توزیع تفاوت‌ها باید متقارن حول میانه باشد.

🔴 جایگزین ضعیف‌تر: آزمون علامت (Sign Test)

مکانیسم: فقط جهت مثبت یا منفی بودن داده‌ها را شمارش می‌کند.

⚠️ هشدار: این آزمون اندازه تفاوت‌ها را نادیده می‌گیرد. در نتیجه توان آماری بسیار پایینی دارد. فقط زمانی استفاده کنید که توزیع تفاوت‌ها به شدت نامتقارن باشد.

---

✅ آزمون تی دو گروه مستقل (Independent Samples t-test)

🔵 آزمون پارامتریک: تی مستقل

کاربرد: مقایسه میانگین دو گروه کاملاً مجزا.

مثال واقعی: آیا میانگین فشار خون در گروه داروی جدید با گروه دارونما تفاوت معناداری دارد؟

پیش‌فرض‌های حیاتی:

پیش‌فرض	روش بررسی	راهکار در صورت نقض
نرمال بودن	شاپیرو-ویلک یا کولموگروف-اسمیرنوف	استفاده از من-ویتنی
همگنی واریانس‌ها	آزمون لون (Levene)	تی ولش یا من-ویتنی
استقلال مشاهدات	طراحی مطالعه	—
عدم وجود پرت	نمودار جعبه‌ای (Boxplot)	تبدیل داده یا آزمون ناپارامتریک

فرمول (حالت استاندارد):
$𝑡=\frac{{\overline{𝑥}}_1-{\overline{𝑥}}_2}{\sqrt{\frac{{𝑠}_1^2}{{𝑛}_1}+\frac{{𝑠}_2^2}{{𝑛}_2}}}$t=n1​s12​​+n2​s22​​​xˉ1​−xˉ2​​

فرمول درجه آزادی (تقریب ولش برای واریانس ناهمگن):
$𝑑𝑓=\frac{(\frac{{𝑠}_1^2}{{𝑛}_1}+\frac{{𝑠}_2^2}{{𝑛}_2}{)}^2}{\frac{(\frac{{𝑠}_1^2}{{𝑛}_1}{)}^2}{{𝑛}_1-1}+\frac{(\frac{{𝑠}_2^2}{{𝑛}_2}{)}^2}{{𝑛}_2-1}}$df=n1​−1(n1​s12​​)2​+n2​−1(n2​s22​​)2​(n1​s12​​+n2​s22​​)2​

🟢 معادل ناپارامتریک: آزمون من-ویتنی یو (Mann-Whitney U)

کاربرد: مقایسه توزیع یا میانه دو گروه مستقل.

مکانیسم محاسبه گام‌به‌گام:

1. تمام داده‌های دو گروه را با هم ترکیب کنید.
2. به همه داده‌ها رتبه بدهید (از کوچک به بزرگ).
3. مجموع رتبه‌های هر گروه را محاسبه کنید (R₁ و R₂).
4. آماره U را محاسبه کنید:

${𝑈}_1={𝑛}_1{𝑛}_2+\frac{{𝑛}_1({𝑛}_1+1)}{2}-{𝑅}_1$U1​=n1​n2​+2n1​(n1​+1)​−R1​
${𝑈}_2={𝑛}_1{𝑛}_2+\frac{{𝑛}_2({𝑛}_2+1)}{2}-{𝑅}_2$U2​=n1​n2​+2n2​(n2​+1)​−R2​

5. آماره نهایی: U = min(U₁, U₂)

پیش‌فرض‌های کلیدی من-ویتنی:

• متغیر وابسته حداقل در سطح رتبه‌ای باشد.
• دو نمونه مستقل و تصادفی باشند.
• توزیع دو گروه باید شکل مشابهی داشته باشند (فقط از نظر موقعیت جابجا شده باشند).

⚠️ هشدار بسیار مهم: اگر توزیع دو گروه شکل متفاوتی داشته باشد، آزمون من-ویتنی صرفاً می‌گوید «توزیع‌ها متفاوت هستند» و نمی‌توان نتیجه گرفت که میانه‌ها متفاوت هستند.

🟡 معادل دیگر: آزمون کولموگروف-اسمیرنوف دو نمونه‌ای

این آزمون نسبت به من-ویتنی به شکل توزیع حساستر است، اما توان آماری کمتری دارد.

---

✅ آزمون تی جفتی (Paired Samples t-test)

🔵 آزمون پارامتریک: تی جفتی

کاربرد: مقایسه میانگین دو اندازه‌گیری وابسته (قبل-بعد، چپ-راست، همسان‌سازی شده).

مثال واقعی: آیا نمرات اضطراب بیماران قبل و بعد از 10 جلسه رفتاردرمانی شناختی تفاوت معناداری دارد؟

پیش‌فرض حیاتی: تفاوت جفت‌ها باید نرمال باشد. (نه خود داده‌ها!)

فرمول:
$𝑡=\frac{\overline{𝑑}}{{𝑠}_{𝑑}\mathrm{/}\sqrt{𝑛}}$t=sd​/n​dˉ​

$\bar{d}$ = میانگین تفاوت‌ها
$s_d$ = انحراف معیار تفاوت‌ها
$n$ = تعداد جفت‌ها

🟢 معادل ناپارامتریک: آزمون ویلکاکسون جفتی (Wilcoxon Signed-Rank)

کاربرد: مقایسه میانه تفاوت‌ها در دو گروه وابسته.

مکانیسم محاسبه:

1. تفاوت هر جفت را محاسبه کنید (dᵢ = yᵢ – xᵢ).
2. قدر مطلق تفاوت‌ها را رتبه‌بندی کنید.
3. رتبه‌ها را بر اساس علامت مثبت یا منفی تفاوت جدا کنید.
4. آماره V = مجموع رتبه‌های مثبت (یا منفی).

پیش‌فرض: توزیع تفاوت‌ها باید متقارن حول میانه باشد.

🔴 جایگزین ضعیف: آزمون علامت جفتی (Paired Sign Test)

تنها مزیت: زمانی که توزیع تفاوت‌ها به شدت نامتقارن است و شرط تقارن ویلکاکسون نقض شده، این آزمون قابل استفاده است.

عیب بزرگ: توان آماری بسیار پایین.

---

📋 جدول مقایسه جامع آزمون تی و معادل ناپارامتریک

معیار مقایسه	آزمون تی	آزمون من-ویتنی / ویلکاکسون
شاخص مرکزی	میانگین	میانه یا توزیع
سطح اندازه‌گیری	فاصله‌ای/نسبی (الزامی)	رتبه‌ای/فاصله‌ای/نسبی
پیش‌فرض نرمال بودن	✅ الزامی	❌ نیازی نیست
پیش‌فرض همگنی واریانس	✅ الزامی (جز تی ولش)	❌ نیازی نیست
حساسیت به پرت	بسیار بالا	پایین
توان آماری (در حالت نرمال)	بالاتر	~95% آزمون تی
حجم نمونه ایده‌آل	>30	<30 یا داده غیرنرمال
حداقل P-value ممکن	پیوسته (هر مقداری)	گسسته (دارای حداقل)
خروجی اصلی	t، df، p-value	U یا V، p-value
اندازه اثر	Cohen’s d	r = Z/√N یا Probabilistic Index

---

⚠️ تله‌های آماری که باید جدی بگیرید!

🎯 تله ۱: آزمون من-ویتنی با توزیع‌های نامشابه

اگر توزیع دو گروه شکل متفاوتی داشته باشد:

• ❌ نمی‌گوییم: «میانه گروه A بزرگتر از گروه B است».
• ✅ می‌گوییم: «توزیع نمرات در گروه A به طور معناداری متفاوت از گروه B است».

🎯 تله ۲: حداقل P-value در نمونه‌های کوچک

برای دو نمونه با حجم‌های 4 و 3، آزمون من-ویتنی نمی‌تواند p-value کمتر از 0.057 تولید کند!

یعنی حتی اگر تفاوت فاحش باشد، در سطح 0.05 معنادار نمی‌شود.

راه‌حل: حجم نمونه را افزایش دهید یا از آزمون‌های دقیق (Exact Tests) استفاده کنید.

🎯 تله ۳: ویلکاکسون با توزیع نامتقارن

اگر توزیع تفاوت‌ها در آزمون ویلکاکسون جفتی نامتقارن باشد، نتایج گمراه‌کننده خواهد بود.

راه‌حل: از آزمون علامت استفاده کنید یا داده‌ها را تبدیل نمایید.

🎯 تله ۴: تعدیل برای مقایسه‌های متعدد

اگر بعد از ANOVA یا کروسکال-والیس، چندین آزمون من-ویتنی انجام می‌دهید، حتماً تصحیح بونفرونی یا سایر روش‌های تعدیل را اعمال کنید.

---

🧭 درخت تصمیم‌گیری: آزمون تی یا ناپارامتریک؟

textCopyDownload

آیا داده‌ها فاصله‌ای/نسبی هستند؟
├── ❌ خیر (رتبه‌ای هستند) → آزمون ناپارامتریک
└── ✅ بله → سوال بعد

آیا حجم نمونه >30 است؟
├── ❌ خیر → بررسی نرمال بودن
└── ✅ بله → آزمون تی (طبق قضیه حد مرکزی)

آیا توزیع داده‌ها نرمال است؟
├── ✅ بله → آزمون تی
└── ❌ خیر → آزمون ناپارامتریک

آیا پرت تأثیرگذار وجود دارد؟
├── ✅ بله → آزمون ناپارامتریک
└── ❌ خیر → آزمون تی (در صورت نرمال بودن)

آیا واریانس‌ها همگن هستند؟ (فقط دو گروه مستقل)
├── ✅ بله → آزمون تی مستقل استاندارد
└── ❌ خیر → تی ولش یا من-ویتنی

---

💡 نکات طلایی برای گزارش نتایج در مقاله

✅ گزارش صحیح آزمون تی مستقل:

میانگین نمرات در گروه آزمایش (M=78.45, SD=6.32) به طور معناداری بیشتر از گروه کنترل (M=68.23, SD=7.11) بود؛ t(58)=4.23, p=0.001, d=0.89.

✅ گزارش صحیح آزمون من-ویتنی:

نتایج آزمون من-ویتنی نشان داد که رضایت بیماران در بیمارستان A (Mean Rank=34.7) به طور معناداری بیشتر از بیمارستان B (Mean Rank=21.3) است؛ U=112.5, Z=-3.45, p=0.001, r=0.42.

✅ گزارش صحیح آزمون تی جفتی:

میانگین اضطراب پس از درمان (M=34.2, SD=6.8) در مقایسه با پیش‌آزمون (M=52.7, SD=8.3) کاهش معناداری نشان داد؛ t(29)=8.67, p<0.001, d=1.58.

✅ گزارش صحیح آزمون ویلکاکسون جفتی:

آزمون ویلکاکسون نشان داد که میانه نمرات افسردگی پس از مداخله (Mdn=12) به طور معناداری کمتر از پیش‌آزمون (Mdn=24) است؛ V=23.5, p=0.002, r=0.53.

---

🎯 سناریوهای بالینی و پژوهشی

سناریوی ۱: مقایسه فشار خون دو گروه دارو و دارونما

• داده‌ها: نرمال، واریانس‌ها برابر
• انتخاب درست: Independent Samples t-test
• دلیل: پیش‌فرض‌ها برقرار و آزمون تی توان بالاتری دارد.

سناریوی ۲: مقایسه رضایت بیماران (لیکرت ۷ درجه)

• داده‌ها: رتبه‌ای، توزیع نامشخص
• انتخاب درست: Mann-Whitney U Test
• دلیل: داده‌ها فاصله‌ای نیستند.

سناریوی ۳: تأثیر مداخله آموزشی بر اضطراب (قبل-بعد)

• داده‌ها: تفاوت نمرات نرمال نیست، پرت وجود دارد
• انتخاب درست: Wilcoxon Signed-Rank Test
• دلیل: به پرت حساس نیست و از رتبه‌ها استفاده می‌کند.

سناریوی ۴: مقایسه نمرات هوش ۱۰ کودک با میانگین جامعه

• داده‌ها: حجم نمونه بسیار کوچک
• انتخاب درست: One-Sample Wilcoxon Signed-Rank Test
• دلیل: برای n=10 نمی‌توان به نرمال بودن اطمینان کرد.

---

📝 خلاصه: قانون ۳۰ ثانیه‌ای انتخاب آزمون

اگر…	پس آزمون مناسب…
داده‌ها نرمال هستند + حجم نمونه کافی است	آزمون تی
داده‌ها نرمال نیستند + حجم نمونه کوچک است	معادل ناپارامتریک
داده‌ها رتبه‌ای هستند	معادل ناپارامتریک
پرت‌های تأثیرگذار وجود دارد	معادل ناپارامتریک
واریانس‌ها ناهمگن هستند (دو گروه)	تی ولش یا من-ویتنی
می‌خواهم میانگین را مقایسه کنم	آزمون تی
می‌خواهم میانه را مقایسه کنم	معادل ناپارامتریک

---

❓ سؤالات متداول (FAQ)

سؤال ۱: آیا با حجم نمونه ۲۰۰، باز هم نیاز به بررسی نرمال بودن دارم؟

خیر. طبق قضیه حد مرکزی، با حجم نمونه بالای ۳۰، توزیع میانگین‌ها نرمال می‌شود و می‌توانید از آزمون تی استفاده کنید.

سؤال ۲: چرا نتایج آزمون تی و من-ویتنی گاهی متفاوت می‌شوند؟

زیرا آزمون تی میانگین را مقایسه می‌کند و من-ویتنی میانه یا توزیع را. اگر توزیع داده‌ها چوله باشد یا پرت وجود داشته باشد، این دو می‌توانند نتایج متفاوتی بدهند.

سؤال ۳: کدام آزمون قدرتمندتر است؟

اگر پیش‌فرض‌ها برقرار باشند، آزمون تی قدرتمندتر است. اما اگر پیش‌فرض‌ها نقض شوند، آزمون ناپارامتریک اعتبار بیشتری دارد.

سؤال ۴: آیا می‌توانم هم آزمون تی و هم ناپارامتریک را انجام دهم؟

خیر. این کار باعث افزایش خطای نوع اول می‌شود. بر اساس شرایط، یکی را انتخاب و گزارش کنید.

---

🚀 جمع‌بندی نهایی

✅ آزمون تی را انتخاب کنید اگر:

• داده‌ها فاصله‌ای/نسبی و نرمال هستند.
• حجم نمونه بزرگ است (>30).
• واریانس‌ها همگن هستند (برای دو گروه مستقل).
• پرت تأثیرگذار وجود ندارد.

✅ معادل ناپارامتریک را انتخاب کنید اگر:

• داده‌ها نرمال نیستند.
• حجم نمونه کوچک است.
• داده‌ها رتبه‌ای هستند.
• پرت‌های تأثیرگذار وجود دارند.
• واریانس‌ها ناهمگن هستند.

---

💬 نظر شما چیست؟

آیا تاکنون در انتخاب بین آزمون تی و من-ویتنی دچار تردید شده‌اید؟
چه تجربه‌ای از گزارش این آزمون‌ها در مقالات دارید؟

دیدگاه‌ها و سؤالات خود را در بخش نظرات با ما و دیگر پژوهشگران به اشتراک بگذارید.
به سه نظر برتر، مشاوره رایگان تحلیل آماری هدیه داده می‌شود!

---

📞 ارتباط با تیم تخصصی راوا

🌐 وب سایت: https://rava20.ir
📱 کانال تلگرام: https://t.me/RAVA2020
🎬 کانال آموزشی آپارات: https://www.aparat.com/amoozeh20
✍️ وبلاگ تخصصی: http://abazizi.parsiblog.com/

در طراحی و تدوین پرسشنامه رعایت چه نکاتی ضروری است.

تعریف عملیاتی متغیر های پژوهش به چه صورت می باشد؟

محاسبه آن لاین اثر میانجی با آزمون های سوبل، آریون و گودمن

پرسشنامه ویژگی های معلم اثربخش درآموزش مجازی

پرسشنامه  شایستگی دیجیتال بتین و همکاران (2023)