...........................................................................................................................................................................................................................................................................................................................................................................
خوش آمدید این سایت دارای مجوز می باشد برای مشاهده مجوز ها پایین صفحه را مشاهده فرمائید.
آزمونهای تعقیبی (Post-hoc tests) در آمار و تحلیل دادهها برای بررسی تفاوتهای میان گروهها پس از انجام آزمون اصلی (مانند آنالیز واریانس یا آزمون t) استفاده میشوند. این آزمونها به شما کمک میکنند تا بفهمید کدام گروهها از یکدیگر متمایز هستند.
بعد از انجام آزمون اصلی و در صورتی که نتیجه آن نشان دهد که میان گروهها تفاوت معنیداری وجود دارد، آزمونهای تعقیبی میتوانند به شما کمک کنند تا بیشترین تفاوت بین گروهها را شناسایی کنید. این آزمونها معمولاً شامل مقایسههای دوبهدو بین گروهها میشوند.
نمونههایی از آزمونهای تعقیبی شامل آزمونهای Tukey، Bonferroni، Scheffe و Holm میباشند. این آزمونها معمولاً برای کنترل خطای نوع اول (نوع یک) در مقایسههای چندگانه استفاده میشوند.
استفاده از آزمونهای تعقیبی میتواند به شما کمک کند تا نتایج آماری خود را بهبود بخشیده و تفاوتهای معنیدار بین گروهها را به شکل دقیقتری مشخص کنید.
آزمون آماری بونفرونی (Bonferroni) یک روش تصحیح خطای نوع اول (نوع یک) در آزمونهای فرضی است که در مقایسههای چندگانه مورد استفاده قرار میگیرد. وقتی که شما چندین آزمون فرضی را انجام میدهید، احتمال اینکه خطای نوع یک (رد کردن یک فرض واقعی) به دلیل انجام آزمونهای چندگانه افزایش یابد.
آزمون بونفرونی این مشکل را حل میکند و خطای نوع یک را کاهش میدهد. برای انجام آزمون بونفرونی، سطح معنیداری (معمولاً 0.05) برای هر آزمون تقسیم بر تعداد آزمونها میشود. به عبارت دیگر، اگر شما n آزمون انجام دهید، سطح معنیداری برای هر آزمون به اندازه 0.05/n تعیین میشود.
استفاده از آزمون بونفرونی میتواند به شما کمک کند تا از افزایش خطای نوع یک در مقایسههای چندگانه جلوگیری کنید و اطمینان حاصل کنید که نتایج شما قابل اعتماد هستند. این روش یکی از روشهای معمول برای کنترل خطای نوع یک در مقایسههای چندگانه در تحقیقات آماری است.
آزمون بونفرونی جزئی آزمون های تعقیبی است که بعضی به آن آزمون دان هم می گویند. این آزمون پس از آنکه نتایج حاصل از تحلیل واریانس معنی دار بود جهت مقایسه دو به دو گروه ها کار برد دارد. پس اگر نتیجه تحلیل واریانس معنی دار نبود بهره گیری از این آزمون درست نیست و در واقع نتیجه ی خاصی نمی دهد.
آیا آزمون براون فورسایت در مقایسه با سایر آزمونهای آماری مزایای خاصی دارد؟ بله، آزمون براون فورسایت مزایای خاصی نسبت به برخی از آزمونهای آماری دارد. در مقایسه با آزمون t و آزمون نانوالیس، آزمون براون فورسایت به موارد زیر دقت و اعتبار بیشتری دارد:
آزمون براون فورسایت در برابر نقض فرض عدم تقارن دادهها مقاومت بیشتری دارد. این آزمون از ارزشهای واژگونی برای مقایسه میانگینها استفاده میکند که نسبت به توزیع دادههای ناهمسانی (heteroscedasticity) مقاومت بالایی دارد. به عبارت دیگر، آزمون براون فورسایت بهترین عملکرد را در مواجهه با تغییرات واریانس بین گروهها دارد. آزمون براون فورسایت غیرپارامتریک است؛ یعنی فرضی در مورد توزیع دادهها نمیکند. این به این معنی است که میتواند در مواردی که فرض توزیع نرمال برقرار نیست، استفاده شود. در حالی که آزمون t برای مقایسه میانگینها فرض توزیع نرمال را دارد. آزمون براون فورسایت در صورت نیاز به تبدیل دادهها به مقادیر واژگونی (deviation) قبل از انجام آزمون، شفافیت بیشتری نسبت به آزمون نانوالیس دارد. این تبدیل سادهتر است و میتواند برای دادههای وابسته و مستقل استفاده شود. به طور کلی، آزمون براون فورسایت به دلیل مقاومت بیشتر در برابر توزیع ناهمسانی و قابل استفاده بودن در مواردی که فرض توزیع نرمال برقرار نیست، مزیتهایی نسبت به آزمون t و آزمون نانوالیس دارد. با این حال، همانند هر آزمون آماری دیگر، نیاز به تحلیل دقیق و متناسب با سوال پژوهشی خود دارید تا به نتایج قابل اعتمادی برسید.
چه مواردی در آزمون براون فورسایت مورد بررسی قرار میگیرد؟
آزمون براون فورسایت برای مقایسه میانگینهای گروههای مختلف با واریانسهای متفاوت استفاده میشود. بررسی موارد زیر میتواند از جمله کاربردهای این آزمون باشد:
مقایسه میانگینهای دو یا چند گروه با واریانسهای مختلف: اگر واریانسهای گروهها متفاوت باشند و قصد دارید میانگینهای آنها را مقایسه کنید، میتوانید از آزمون براون فورسایت استفاده کنید. به عنوان مثال، میتوانید میانگین درآمدهای دو شغل مختلف را مقایسه کنید، در صورتی که واریانس دستمزد در این دو شغل متفاوت باشد. بررسی تأثیر تغییرات در روشهای آزمایشی: اگر قصد دارید روشهای آزمایشی مختلف را با گروه کنترل مقایسه کنید، آزمون براون فورسایت به شما کمک میکند. با اندازه گیری نتایج به دست آمده از روشهای مختلف و مقایسه میانگینهای آنها با گروه کنترل، میتوانید ببینید آیا روشهای جدید تأثیر معناداری دارند یا خیر. بررسی تأثیر عوامل تجربی بر متغیرها: اگر قصد دارید تأثیر یک یا چند عامل تجربی روی متغیرهای مورد بررسی را بررسی کنید، آزمون براون فورسایت مناسب است. میتوانید میانگینهای گروههای مختلف را با توجه به عوامل مورد نظر مقایسه کرده و تأثیر معنادار آنها را بر متغیرها مشاهده کنید. به طور کلی، آزمون براون فورسایت در مواردی استفاده میشود که قصد مقایسه میانگینهای گروهها با واریانسهای متفاوت را داشته باشید و میخواهید تأثیر معناداری از نظر آماری را بررسی کنید.
آزمون براون فورسیت یا brown – forsythe چیست؟ آزمون براون فورسایت یا Brown-Forsythe test، یک آزمون آماری است که برای مقایسه میانگینهای گروههای مختلف دادهها با واریانسهای متفاوت استفاده میشود. این آزمون بر اساس واژگونی فرض صفر که میانگینهای گروهها برابر است، عمل میکند.
این آزمون جهت برابری واریانس های گروهی است و برای اصلاح آزمون لون در زمانی است که یک آزمون تحلیل واریانس یک طرفه انجام می شود
هدف اصلی از استفاده از آزمون براون فورسایت، تشخیص وجود تفاوت معناداری در میانگینهای دو یا چند گروه با واریانسهای متفاوت است. در این آزمون، ابتدا واریانس هر گروه محاسبه میشود و سپس از این واریانسها برای تبدیل دادهها به ارزشهای واژگونی (deviation) استفاده میشود. در نهایت، با مقایسه میانگین ارزشهای واژگونی گروهها، تصمیم گیری درباره وجود تفاوت معنادار صورت میگیرد.
برای انجام آزمون براون فورسایت، یک آمار آزمایشی به نام F به دست میآید که مقدار آن با توجه به میانگین ارزشهای واژگونی گروهها و واریانسهای متناظر آنها محاسبه میشود. سپس با استفاده از جدول جدول مقادیر حدی F و درجه آزادی تعیین شده، ارزش آماری F محاسبه میشود و با مقدار حدی مقایسه میشود تا به نتیجه نهایی برسیم.
آزمون براون فورسایت معمولاً در زمینههایی مانند آمارهها، طراحی آزمایشها و تحلیل تفسیری دادهها کاربرد دارد.
آزمون ام باکس یا Bax’s M test، که به عنوان آزمون برابری کوواریانس نیز شناخته می شود، یک روش آماری است که برای بررسی همگنی ماتریس های کوواریانس در بین گروه های مختلف در یک مدل تحلیل واریانس چند متغیره (MANOVA) استفاده می شود.
این آزمون فرض می کند که ماتریس های کوواریانس در بین گروه ها برابر هستند. به عبارت دیگر، این آزمون بررسی می کند که آیا پراکندگی داده ها در هر گروه یکسان است یا خیر.
اگر آزمون ام باکس معنی دار باشد (p-value < 0.05)، به این معنی است که ماتریس های کوواریانس بین گروه ها همگن نیستند و فرض برابری کوواریانس نقض می شود. در این صورت، نتایج MANOVA ممکن است قابل اعتماد نباشد و باید با احتیاط تفسیر شوند.
دلایل استفاده از آزمون ام باکس:
تعیین صحت نتایج MANOVA: اگر ماتریس های کوواریانس همگن نباشند، نتایج MANOVA ممکن است نادرست باشند. آزمون ام باکس به شما کمک می کند تا قبل از تفسیر نتایج MANOVA، از همگنی ماتریس های کوواریانس اطمینان حاصل کنید.
انتخاب آزمون مناسب: اگر ماتریس های کوواریانس همگن نباشند، ممکن است لازم باشد از آزمون های جایگزین MANOVA مانند MANCOVA استفاده کنید.
نحوه انجام آزمون ام باکس:
آزمون ام باکس را می توان با استفاده از نرم افزارهای آماری مانند SPSS، R و SAS انجام داد. در این نرم افزارها، گزینه ای برای محاسبه آماره آزمون ام باکس و p-value آن وجود دارد.
تفسیر نتایج آزمون ام باکس:
اگر p-value آزمون ام باکس کمتر از 0.05 باشد، به این معنی است که ماتریس های کوواریانس بین گروه ها همگن نیستند و فرض برابری کوواریانس نقض می شود. در این صورت، نتایج MANOVA ممکن است قابل اعتماد نباشد و باید با احتیاط تفسیر شوند.
آیا میتوان از ترکیب چندین روش ارزیابی برای ارزیابی جامعتر مدل رگرسیون لجستیک استفاده کرد؟
بله، استفاده از ترکیب چندین روش ارزیابی میتواند به شما کمک کند تا ارزیابی جامعتری از مدل رگرسیون لجستیک خود داشته باشید. هر روش ارزیابی برای مدل یک جنبه خاص را بررسی میکند و با ترکیب چندین روش، میتوانید نقاط قوت و ضعف مدل را به طور جامعتری شناسایی کنید.
به عنوان مثال، میتوانید از آزمون ام نیباس (Omnibus test) برای بررسی کلیت مدل استفاده کنید و بررسی کنید که آیا متغیرهای مستقل در مدل تأثیر معناداری دارند یا خیر. سپس، میتوانید از آزمون والدشه (Wald test) برای بررسی تأثیر هر یک از ضرایب تخمین داده شده استفاده کنید. همچنین، آزمون احتمال نسبی (Likelihood Ratio test) را میتوانید برای مقایسه مدل کامل با مدلهای محدودتر استفاده کنید.
علاوه بر آزمونها، میتوانید روشهای دیگری مانند ارزیابی معیارهای عملکرد مدل مثل دقت (accuracy)، صحت (precision)، بازخوانی (recall) و اندازه F1 (F1-score) را نیز در نظر بگیرید. هرکدام از این معیارها نشان میدهند که مدل چقدر به طور کلی در پیشبینی صحیح دستهها عمل میکند.
به طور کلی، استفاده از ترکیب چندین روش و آزمون میتواند به شما تصویر کاملتری از عملکرد و قابلیتهای مدل رگرسیون لجستیک در پیشبینی دادهها بدهد.
آیا آزمون اوم نی بوس تنها روش ارزیابی مدل رگرسیون لجستیک است؟ خیر، آزمون اوم نی بوس (Omnibus test) تنها یکی از روشهای ارزیابی مدل رگرسیون لجستیک نیست. در واقع، برای ارزیابی یک مدل رگرسیون لجستیک، از چندین روش و آزمون آماری میتوان استفاده کرد. تعدادی از این روشها و آزمونها عبارتند از:
آزمون اوم نی بوس (Omnibus test): همان آزمونی است که قبلاً در مورد آن صحبت کردیم. این آزمون بررسی میکند که آیا متغیرهای مستقل در مدل رگرسیون لجستیک تأثیر معناداری بر متغیر پاسخ دارند یا خیر. آزمون والدشه (Wald test): این آزمون بررسی میکند که آیا هر یک از ضرایب تخمین داده شده مربوط به متغیرهای مستقل در مدل رگرسیون لجستیک تفاوت معناداری با صفر دارند یا خیر. این آزمون بر پایه ارزش p محاسبه شده برای هر ضریب انجام میشود. آزمون احتمال نسبی (Likelihood Ratio test): این آزمون بررسی میکند که آیا یک مدل رگرسیون لجستیک کامل (با همه متغیرهای مستقل) نسبت به یک مدل محدودتر (با برخی از متغیرهای مستقل حذف شده) بهبود معناداری دارد یا خیر. این آزمون بر پایه تغییر در تابع لایکلیهود است که به صورت مقایسهای انجام میشود. آزمون کیدرمن-کوینت (Kolmogorov-Smirnov test): این آزمون بررسی میکند که آیا مدل رگرسیون لجستیک به طور کلی با دادهها سازگار است یا خیر. این آزمون بر پایه تفاوت بین توزیع پیشبینی شده و توزیع واقعی متغیر پاسخ انجام میشود. این فقط چند مثال از آزمونها و روشهای ارزیابی مدل رگرسیون لجستیک هستند و هنوز روشهای دیگری نیز وجود دارند. انتخاب روشهای ارزیابی مناسب بستگی به مسئله پژوهشی و خصوصیات دادهها دارد. معمولاً از ترکیب چندین آزمون و روش برای ارزیابی جامعتر مدل استفاده میشود.
این آزمون کل مدل رگرسیون لجستیک ارزیابی می کند، این آزمون به بررسی این موضوع می پردازد که مدل تا چه اندازه قدرت تبیین و کارایی دارد.
پس با استفاده از آزمون اوم نی بوس در رگرسیون لجستیک، میتوان به طور کلی تعیین کرد که آیا مدل رگرسیون لجستیک به طور کلی مناسب است یا خیر. اگر آزمون اوم نی بوس نتایج معناداری نشان دهد، این نشان میدهد که حداقل یکی از متغیرهای مستقل تاثیر معناداری بر متغیر پاسخ دارد و مدل رگرسیون لجستیک قابل قبول است. در این آزمون آماره خی دو در سطح خطای کم تر از 05/0 معنی دار است. علاوه بر اینکه نشان از برازش مدل دارد ، معنی داری آن بیانگر این است که متغیر های مستقل توانایی لازم را در پیش بینی عضویت افراد در گروه ها دارند (کریمی ، 1394). در spss اولین جدول خروجی در رگرسیون لجستیک مربوط به این آزمون است.
معمولاً در کنار آزمون ام نیباس، آزمونهای آماری دیگری مانند آزمون والد (Wald test) و آزمون احتمال نسبی (Likelihood Ratio test) نیز در رگرسیون لجستیک استفاده میشوند تا تاثیر هر یک از متغیرهای مستقل بر متغیر پاسخ بررسی شود.
آزمون استقلال( Independent test) یا خی دو پیرسون ( ( pearson Chi-square test)) و در واقع یک نوع آزمون ناپارامتری حی دو است. یک روش آماری است که برای بررسی واقعیت استقلال بین دو متغیر استفاده میشود. این آزمون وجود رابطهای معنیدار بین دو متغیر، بررسی میکند. هدف این آزمون بررسی وجود استقلال بین دو متغیر کیفی یا یک متغیر کیفی و یک متغیر کمی است. ولی اگر هردو متغیر کمی باشد از ضریب همبستگی استفاده می شود.
در آزمون استقلال، فرضیه صفر (null hypothesis) این است که دو متغیر مورد بررسی استقلال دارند، به عبارت دیگر رابطهای بین آنها وجود ندارد. در صورت رد فرضیه صفر، نتیجه میگیریم که دو متغیر وابسته هستند و بین آنها رابطهای وجود دارد.
منظور از استقلال در اینجا، عدم وابستگی یا کوچک بودن رابطه بین دو متغیر است. اگر دو متغیر وابسته باشند، به عبارت دیگر رابطهای بین آنها وجود داشته باشد، آزمون استقلال نتایج متفاوتی را نشان خواهد داد.
در آزمون خی دو، فراوانی مشاهده شده ( FO) با فراوانی مورد انتظاری (FE) که بر اساس استقلال دو متغیر محاسبه می شود، مقایسه می شود. این آزمون وقتی استفاده می شود که حداقل فراوانی در هر گروه حداقل 1 نفر و 20 درصد گروه ها فراوانی بیش از 5 داشته باشد. از تفاوت های آزمون استقلال (خی دو دو متغیری) و آزمون نیکویی برازش (خی دو تک متغیری ) چگونگی محاسبه فراوانی مورد انتظار (E) است.
برای انجام آزمون استقلال، معمولاً از جدول ترکیبیاتی یا نمودار توزیع احتمال استفاده میشود. در صورتی که مقادیر مشاهده شده در نمونه به طور قابل توجهی از انتظارات نظری (مقادیر مورد انتظار در صورت استقلال) متمایز باشند، میتوان نتیجه گرفت که دو متغیر وابسته هستند و استقلال بین آنها وجود ندارد.
به طور کلی، برای انجام آزمون استقلال میتوان از روشهای مختلفی مانند آزمون کای-دو (Chi-square test) استفاده کرد. این آزمون برای بررسی استقلال بین دو متغیر بیانیهای یا دستهای استفاده میشود. همچنین، آزمون استقلال فیشر (Fisher’s exact test) برای مواردی که حجم نمونه کوچک است و آزمون من ویتنی (Mann-Whitney U test) برای دادههای رتبهای نیز مورد استفاده قرار میگیرد.
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
