بایگانی دسته: آموزش آمار

انواع روش های تحلیل آماری در پایان نامه و مقاله نویسی

مقاله هاي علمي-پژوهشي را با روش ها و آزمون هاي آماري مورد استفاده مي شناسند

و ديگر گرد هم آوردن مطالب نويسندگان مختلف ارزش علمي و پژوهشي ندارد. علم آمار با…

پردازش داده ها و تبديل آنها به اطلاعات مورد نياز، زمينه اخذ تصميم را فراهم مي آورد. هنر مديران و کارشناسان در نحوه استفاده از روشهاي آماري و تحليل اطلاعات به دست آمده تجلي پيدا مي کند.

امروزه بندرت مي توان بدون استفاده از روشهاي آماري اقدام به تفسير، تبيين و تحليل نتايج به دست آمده از تحقيق ها و پژوهش هاي علمي کرد .

آمار در دو شاخه آمار توصيفي و احتمالات و آمار استنباطي بحث و بررسي مي شود. احتمالات و تئوريهاي احتمال اساسا از دايره بحث ما خارج است. همچنين آمار توصيفي مانند فراواني، ميانگين، واريانس و … نيز مفروض در نظر گرفته شده اند. در اين مقاله با تاکيد بر فنون و روش هاي آماري استنياطي، کاربرد آمار در مقاله هاي علمي-پژوهشي ارائه خواهد شد.

آمار استنباطي و آمار توصيفي

در يک پژوهش جهت بررسي و توصيف ويژگيهاي عمومي پاسخ دهندگان از روش هاي موجود در آمار توصيفي مانند جداول توزيع فراواني، در صد فراواني، درصد فراواني تجمعي و ميانگين استفاده ميگردد. بنابراين هدف آمار توصيفي يا descriptive محاسبه پارامترهاي جامعه با استفاده از سرشماري تمامي عناصر جامعه است.

در آمار استنباطي يا inferential پژوهشگر با استفاده مقادير نمونه آماره ها را محاسبه کرده و سپس با کمک تخمين و يا آزمون فرض آماري، آماره ها را به پارامترهاي جامعه تعميم مي دهد.براي تجزيه و تحليل داده ها و آزمون فرضيه هاي پژوهش از روش هاي آمار استنباطي استفاده مي شود.

پارامتر شاخص بدست آمده از جامعه آماري با استفاده از سرشماري است و شاخص بدست آمده از يک نمونه n تائي از جامعه آماره ناميده مي شود. براي مثال ميانگين جامعه يا µ يک پارامتر مهم جامعه است. چون ميانگين جامعه هميشه در دسترس نيست به همين خاطر از ميانگين نمونه که آماره برآورد کننده پارامتر µ است در بسياري موارد استفاده مي شود.

آزمون آماري و تخمين آماري

در يک مقاله پژوهشي يا يک پايان نامه بايد سوال پژوهش يا فرضيه پژوهش مطرح شود. اگر تحقيق از نوع سوالي و صرفا حاوي پرسش درباره پارامتر باشد، براي پاسخ به سوالات از تخمين آماري استفاده مي شود و اگر حاوي فرضيه ها بوده و از مرحله سوال گذر کرده باشد، آزمون فرضيه ها و فنون آماري آن به کار مي رود.

هر نوع تخمين يا آزمون فرض آماري با تعيين صحيح آماره پژوهش شروع مي شود. سپس بايد توزيع آماره مشخص شود. براساس توزيع آماره آزمون با استفاده از داده هاي بدست آمده از نمونه محاسبه شده آماره آزمون محاسبه مي شود. سپس مقدار بحراني با توجه به سطح خطا و نوع توزيع از جداول مندرج در پيوست هاي کتاب آماري محاسبه مي شود. در نهايت با مقايسه آماره محاسبه شده و مقدار بحراني سوال يا فرضيه تحقيق بررسي و نتايج تحليل مي شود. در ادامه اين بحث موشکافي مي شود.

آزمون هاي آماري پارامتريک و ناپارامتريک

آمار پارامتريک که در خلال جنگ جهاني دوم شکل گرفت در برابر آمار پارامتريک قرار مي گيرد. آمار پارامتريک مستلزم پيش فرضهائي در مورد جامعه اي که از آن نمونه گيري صورت گرفته مي باشد. به عنوان مهمترين پيش فرض در آمار پارامترک فرض مي شود که توزيع جامعه نرمال است اما آمار ناپارامتريک مستلزم هيچگونه فرضي در مورد توزيع نيست. به همين خاطر بسياري از تحقيقات علوم انساني که با مقياس هاي کيفي سنجيده شده و فاقد توزيع (Free of distribution) هستند از شاخصهاي آمارا ناپارامتريک استفاده مي کنند.

فنون آمار پارامتريک شديداً تحت تاثير مقياس سنجش متغيرها و توزيع آماري جامعه است. اگر متغيرها از نوع اسمي و ترتيبي بوده حتما از روشهاي ناپارامتريک استفاده مي شود. اگر متغيرها از نوع فاصله اي و نسبي باشند در صورتيکه فرض شود توزيع آماري جامعه نرمال يا بهنجار است از روشهاي پارامتريک استفاده مي شود در غيراينصورت از روشهاي ناپارامتريک استفاده مي شود.

خلاصه آزمونهاي پارامتريک

آزمون t تك نمونه : براي آزمون فرض پيرامون ميانگين يک جامعه استفاده مي شود. در بيشتر پژوهش هائي که با مقياس ليکرت انجام مي شوند جهت بررسي فرضيه هاي پژوهش و تحليل سوالات تخصصي مربوط به آنها از اين آزمون استفاده مي شود.

آزمون t وابسته : براي آزمون فرض پيرامون دو ميانگين از يک جامعه استفاده مي شود. براي مثال اختلاف ميانگين رضايت کارکنان يک سازمان قبل و بعد از تغيير مديريت يا زماني که نمرات يک کلاس با پيش آزمون و پس آزمون سنجش مي شود.

آزمون t دو نمونه مستقل: جهت مقايسه ميانگين دو جامعه استفاده مي شود. در آزمون t براي دو نمونه مستقل فرض مي شود واريانس دو جامعه برابر است. براي نمونه به منظور بررسي معني دار بودن تفاوت ميانگين نمره نظرات پاسخ دهندگان بر اساس جنسيت در خصوص هر يک از فرضيه هاي پژوهش استفاده ميشود.

آزمون t ولچ: اين آزمون نيز مانند آزمون t دو نمونه جهت مقايسه ميانگين دو جامعه استفاده مي شود. در آزمون t ولچ فرض مي شود واريانس دو جامعه برابر نيست. براي نمونه به منظور بررسي معني دار بودن تفاوت ميانگين نمره نظرات پاسخ دهندگان بر اساس جنسيت در خصوص هر يک از فرضيه هاي پژوهش استفاده ميشود.

آزمون t هتلينگ : براي مقايسه چند ميانگين از دو جامعه استفاده مي شود. يعني دو جامعه براساس ميانگين چندين صفت مقايسه شوند.

تحليل واريانس (ANOVA): از اين آزمون به منظور بررسي اختلاف ميانگين چند جامعه آماري استفاده مي شود. براي نمونه جهت بررسي معني دار بودن تفاوت ميانگين نمره نظرات پاسخ دهندگان بر اساس سن يا تحصيلات در خصوص هر يک از فرضيه هاي پژوهش استفاده مي شود.

تحليل واريانس چندعاملي (MANOVA): از اين آزمون به منظور بررسي اختلاف چند ميانگين از چند جامعه آماري استفاده مي شود.

تحليل کوواريانس چندعاملي (MANCOVA): چنانچه در MANOVA بخواهيم اثر يک يا چند متغير کمکي را حذف کنيم استفاده مي شود.

ضريب همبستگي گشتاوري پيرسون: براي محاسبه همبستگي دو مجموعه داده استفاده مي شود.

5خلاصه آزمونهاي ناپارامتريک

آزمون علامت تك نمونه : براي آزمون فرض پيرامون ميانگين يک جامعه استفاده مي شود.

آزمون علامت زوجي : براي آزمون فرض پيرامون دو ميانگين از يک جامعه استفاده مي شود.

ويلکاکسون : همان آزمون علامت زوجي است که در آن اختلاف نسبي تفاوت از ميانگين لحاظ مي شود.

مان-ويتني: به آزمون U نيز موسوم است و جهت مقايسه ميانگين دو جامعه استفاده مي شود.

کروسکال-واليس: از اين آزمون به منظور بررسي اختلاف ميانگين چند جامعه آماري استفاده مي شود. به آزمون H نيز موسوم است و تعميم آزمون U مان-ويتني مي باشد. آزمون کروسکال-واليس معادل روش پارامتريک آناليز واريانس تک عاملي است.

فريدمن: اين آزمون معادل روش پارامتريک آناليز واريانس دو عاملي است که در آن k تيمار به صورت تصادفي به n بلوک تخصيص داده شده اند.

نيکوئي برازش : براي مقايسه يک توزيع نظري با توزيع مشاهده شده استفاده مي شود و به آزمون خي-دو يا χ² نيز موسوم است. مدل معادلات ساختاري که در آن پژوهشگر يک مدل نظري را براساس روابط متغيرها ترسيم کرده است از همين ازمون بهره گرفته مي شود. اکنون به تبع افزايش توانمندي نرم افزارهايي مانند LISREL مي توان از آن به سهولت استفاده کرد.

کولموگروف-اسميرنف : نوعي آزمون نيکوئي برازش براي مقايسه يک توزيع نظري با توزيع مشاهده شده است.

آزمون تقارن توزيع : در اين آزمون شکل توزيع مورد سوال قرار مي گيرد. فرض بديل آن است که توزيع متقارن نيست.

آزمون ميانه : جهت مقايسه ميانه دو جامعه استفاده مي شود و براي k جامعه نيز قابل تعميم است.

مک نمار : براي بررسي مشاهدات زوجي درباره متغيرهاي دو ارزشي استفاده مي شود.

آزمون Q کوکران: تعميم آزمون مک نمار در k نمونه وابسته است.

ضريب همبستگي اسپيرمن: براي محاسبه همبستگي دو مجموعه داده که به صورت ترتيبي قرار دارند استفاده مي شود.

منابع

· آذر، عادل(1384) آمار و کاربرد آن در مديريت، جلد اول، انتشارات سمت، تهران، چاپ دوازدهم .

· آذر، عادل(1386) آمار و کاربرد آن در مديريت، جلد دوم، انتشارات سمت، تهران، چاپ يازدهم.

· حبيبي، آرش(1385) بکارگيري نرم افزار CRM در شرکت ذوب آهن، پايان نامه کارشناسي ارشد.

· سرمد، زهره و ديگران(1378) روش هاي تحقيق در علوم رفتاري، انتشارات آگاه، تهران، چاپ دوم.

· فرجي، نصرالله (1386) آمار علوم انساني براي آمادگي داوطلبان کنکور کارشناسي ارشد، انتشارات پوران پژوهش.

شاخص های برازش مدل

پاسخ دهید

از آنجایی که موضوع برازش مدل مفهومی و شاخص هایی که به بهترین نحو توانایی تفسیر بهتر برازش مدل را داشته باشند بسیار متنوع و پیچیده شده است و محققان با نوعی سردرگمی مواجه هستند.در این پژوهش از پرکاربردترین و مناسب ترین شاخص های برازش مدل استفاده کرده ایم.در ایتدای امر در هر مورد توضیحی مختصر داده شده و دامنه پذیرش آن نیز بیان شده است.

در حالت کلی ۲ نوع شاخص برازش وجود دارد که هر کدام از آنها دارای زیر شاخص هایی هستند.

شاخص های اصلی عبارتند از :

الف) شاخص های برازش مطلق

ب) شاخص های برازش مقایسه ای یا نسبی

شاخص های اندازه گیری مطلق از اساسی ترین و اصلی ترین معیارها برای صحت و سقم برازش داده ها بر اساس مدل یا فرضیات پیشنهاد شده می باشند که بر مبنای تفاوت میان واریانس ها و کوواریانس های دو مدل مشاهده شده و تدوین شده اندازه گیری می شود ؛ هرچه تعداد پارامترهای مدل بیشتر باشد، شاخص های برازش مطلق بهبود خواهند یافت و به سمت مدل اشباع شده(برازش کامل) نزدیکتر می شود.

الف – ۱ ) کای اسکوئر(مجذور کای) و نسبت کای اسکوئر به درجه آزادی

شاخص کای اسکوئر برای ارزیابی برازش کلی مدل و تعیین میزان شدت اختلاف بین ماتریس های کوواریانس برآورد شده و مشاهده شده تعریف می شود(Hu & Bentler,1992:2).در واقع برای این شاخص باید مقدار سطح معناداری بیشتر از ۰٫۰۵ باشد(p-value>0.05)

این شاخص معایبی از جمله وابستگی زیاد به حجم نمونه ( با افزایش نمونه برازش مناسب تری نشان می دهد)،وابستگی به نرمال بودن چند متغیره متغیرهای مشاهده شده(در صورت نرمال نبودن، موجب رد مدلهای خوب می شود) ، و تاثیر میزان همبستگی بین متغیرهای مدل بر این شاخص(با افزایش همبستگی متغیرها شاخص کای اسکوئر برازش ضعیفتری نشان می دهد) دارد و همین امر موجب شده محققان شاخص نسبت کای اسکوئر بر در جه آزادی برای ارزیابی برازش خوب یا ضعیف مدل معرفی کنند که به حجم نمونه حساس نباشد.برخی از محققین مقدار بسیار بالای ۵ را برای این شاخص متناسب دیده اند(Wheaton et al,1977) برخی مقدار کمتر از ۲ (Tabachnick & Fidell, 2007) و ۱ تا ۳ (Kline, 2005;2011) را بعنوان بهترین نسبت برای این شاخص در نظر گرفته اند.ضمنا مقدار ۱ نشان دهنده برازش کامل مدل(مدل اشباع شده ) می باشد.

الف – ۲ ) نیکویی برازش (GFI) و نیکویی برازش اصلاح شده (AGFI)

این دو شاخص که به حجم نمونه بستگی ندارد و نسبت واریانس باز تولید شده را به کمک برآورد مقدار کوواریانس مشاهده شده محاسبه می کند(Tabachnick & Fidell, 2007 )

مقدار GFI بیانگر میزان دقت مدل در تکرار ماتریس کوواریانس مشاهده شده است.این معیار به شدت تحت تاثیر تعداد پارامترهای مدل می باشد و با افزایش آن ، مقدار GFI افزایش می یابد(MacCallum & Hong, 1997) .برای این شاخص مقادیر بالای ۹/۰ را جهت مناسبت مدل پیشنهاد کرده اند.

همچنین شاخص AGFI که مرتبط به مقدار GFI می باشد، شاخص است که GFIرا بر اساس میزان درجه آزادی مدل تنظیم می نمایددر واقع هدف این معیار جریمه نمودن مدل به ازای افزایش تعداد پارامترهای جدید به مدل است، بطوریکه اضافه کردن تعداد پارامترهای جدید به مدل تاثیر مثبت بسیار کمی در بهبود برازش مدل دارد(Hoyle,2012:215). همچنین این معیار با افزایش حجم نمونه افزایش نمی یابد و دامنه مورد پذیرش آن مانند شاخص GFIمقادیر بالای ۹/۰ می باشد(Hooper et al.,2008)

الف – ۳ ) ریشه میانگین مربعات باقی مانده(RMR) و ریشه میانگین مربعات باقی مانده استاندارد شده (SRMR)

شاخص RMR یکی از شاخص هایی است که بد بودن مدل تجربی را نشان می دهد هر دو شاخص RMR و SRMR ریشه مربعات حاصل از تفاوت بین ماتریس کوواریانس نمونه باقی مانده و مدل کوواریانس فرض شده می باشد که برای مقایسه برازش دو مدل متفاوت با داده های یکسان مورد استفاده قرار مورد استفاده قرار می گیرد.

اگر در پرسشنامه ای از طیف های لیکرت متفاوت( ۵ تایی و ۷ تایی) استفاده شده باشد شاخص RMR اعتبار چندانی ندارد (Kline,2005).شاخص SRMR این مشکل را برطرف کرده و در این گونه موارد استفاده از این شاخص اعتبار بالایی دارد(Hooper et al.,2008 ).شاخص SRMR بین ۰ تا ۱ تغییر می کند که برای مدلهایی با برازش خوب این مقدار زیر ۰٫۰۵ است (Byrne,1998;Hooper et al,2008).همچنین مقادیر زیر ۰٫۰۸نیز مورد پذیرش می باشند(Bentler,1999;Kline,2011)

همچنین معیار های ترکیبی شاخص SRMR و شاخص های NNFI ,RMSEA و CFI در جدول زیر آورده ایم.

ترکیب شاخص های برازش	مقدار پذیرش ترکیبی
SRMR و NNFI	مقادیر بالاتر برای شاخص NNFI و مقادیر ۰۸/۰ یا کمتر برای SRMR
SRMR و RMSEA	مقادیر ۰۶/۰ یا کمتر برای شاخص RMSEA و مقادیر ۰۸/۰ یا کمتر برای SRMR
SRMR و CFI	مقادیر ۹۵/۰ یا بالاتر برای شاخص CFI و مقادیر ۰۸/۰ یا کمتر برای شاخص SRMR

الف – ۴ ) ریشه میانگین مربعات خطای برآورد(RMSEA)

این شاخص یکی از اصلی ترین شاخص های برازش مدل در تحلیل مدل سازی معادلات ساختاری با نرم افزار LISREL می باشد که میزان بد بودن مدل برازش شده را در مقایسه با مدل اشباع شده برآورد می نماید(Ullman, 2006:44) و همانند شاخص SRMR مقدار کم این شاخص نشان دهنده برازش خوب مدل است.در سالهای اخیر مقادیر زیر ۰۶/۰ ( Hu & Bentler,1999) یا حتی مقادیر زیر ۰۷/۰ (Steiger,2007) و در سخت گیرانه ترین حالت دامنه بین ۰ تا ۰۵/۰ بعنوان دامنه پذیرش برازش خوب مدل در نظر گرفته شده است و مقادیر بالای ۱/۰ نشان دهنده برازش ضعیف مدل می باشد(Hoyle,2012;Browne & Cudeck,1993).مقدار این شاخص از فرمول زیر محاسبه می شود:

نکته:

در مواردی که تعداد نمونه موجود در پژوهش کمتر از ۱۵۰ باشد، RMSEA شاخص مناسبی برای ارزیابی بد بودن مدل نیست ، چون در این حالت این شاخص بسیار بالا محاسبه می شود و برای حل این مشکل باید به مقدار CFI مراجعه شود ، چنانچه این مقدار بیشتر از ۹۵/۰ باشد، می توان به برازش خوب مدل توجه نمود و از کنار شاخص RMSEA گذشت(Ullman, 2006:44)

ب) شاخص های برازش مقایسه ای یا نسبی

شاخص های برازش نسبی ، شامل گروهی از شاخص ها می شوند که مقادیر کای اسکوئر را با مدل پایه ای مقایسه می نماید در واقع این شاخص ها بدنبال مقایسه بین یک مدل خاص با سایر مدلهای ممکن می پردازد.

ب – ۱ ) شاخص نرم شده برازندگی( NFI) و شاخص نرم نشده برازندگی( NNFI)

دامنه پذیرش این شاخص در بین مقادیر ۰ تا ۱ توسط

ب – ۲ ) شاخص برازندگی فزاینده ( IFI)

ب – ۳ ) شاخص برازندگی تطبیقی ( CFI)

شاخص های برازش مدل

از آنجایی که موضوع برازش مدل مفهومی و شاخص هایی که به بهترین نحو توانایی تفسیر بهتر برازش مدل را داشته باشند بسیار متنوع و پیچیده شده است و محققان با نوعی سردرگمی مواجه هستند.در این پژوهش از پرکاربردترین و مناسب ترین شاخص های برازش مدل استفاده کرده ایم.در ایتدای امر در هر مورد توضیحی مختصر داده شده و دامنه پذیرش آن نیز بیان شده است.

در حالت کلی ۲ نوع شاخص برازش وجود دارد که هر کدام از آنها دارای زیر شاخص هایی هستند.

شاخص های اصلی عبارتند از :

الف) شاخص های برازش مطلق

ب) شاخص های برازش مقایسه ای یا نسبی

شاخص های اندازه گیری مطلق از اساسی ترین و اصلی ترین معیارها برای صحت و سقم برازش داده ها بر اساس مدل یا فرضیات پیشنهاد شده می باشند که بر مبنای تفاوت میان واریانس ها و کوواریانس های دو مدل مشاهده شده و تدوین شده اندازه گیری می شود ؛ هرچه تعداد پارامترهای مدل بیشتر باشد، شاخص های برازش مطلق بهبود خواهند یافت و به سمت مدل اشباع شده(برازش کامل) نزدیکتر می شود.

الف – ۱ ) کای اسکوئر(مجذور کای) و نسبت کای اسکوئر به درجه آزادی

شاخص کای اسکوئر برای ارزیابی برازش کلی مدل و تعیین میزان شدت اختلاف بین ماتریس های کوواریانس برآورد شده و مشاهده شده تعریف می شود(Hu & Bentler,1992:2).در واقع برای این شاخص باید مقدار سطح معناداری بیشتر از ۰٫۰۵ باشد(p-value>0.05)

این شاخص معایبی از جمله وابستگی زیاد به حجم نمونه ( با افزایش نمونه برازش مناسب تری نشان می دهد)،وابستگی به نرمال بودن چند متغیره متغیرهای مشاهده شده(در صورت نرمال نبودن، موجب رد مدلهای خوب می شود) ، و تاثیر میزان همبستگی بین متغیرهای مدل بر این شاخص(با افزایش همبستگی متغیرها شاخص کای اسکوئر برازش ضعیفتری نشان می دهد) دارد و همین امر موجب شده محققان شاخص نسبت کای اسکوئر بر در جه آزادی برای ارزیابی برازش خوب یا ضعیف مدل معرفی کنند که به حجم نمونه حساس نباشد.برخی از محققین مقدار بسیار بالای ۵ را برای این شاخص متناسب دیده اند(Wheaton et al,1977) برخی مقدار کمتر از ۲ (Tabachnick & Fidell, 2007) و ۱ تا ۳ (Kline, 2005;2011) را بعنوان بهترین نسبت برای این شاخص در نظر گرفته اند.ضمنا مقدار ۱ نشان دهنده برازش کامل مدل(مدل اشباع شده ) می باشد.

الف – ۲ ) نیکویی برازش (GFI) و نیکویی برازش اصلاح شده (AGFI)

این دو شاخص که به حجم نمونه بستگی ندارد و نسبت واریانس باز تولید شده را به کمک برآورد مقدار کوواریانس مشاهده شده محاسبه می کند(Tabachnick & Fidell, 2007 )

مقدار GFI بیانگر میزان دقت مدل در تکرار ماتریس کوواریانس مشاهده شده است.این معیار به شدت تحت تاثیر تعداد پارامترهای مدل می باشد و با افزایش آن ، مقدار GFI افزایش می یابد(MacCallum & Hong, 1997) .برای این شاخص مقادیر بالای ۹/۰ را جهت مناسبت مدل پیشنهاد کرده اند.

همچنین شاخص AGFI که مرتبط به مقدار GFI می باشد، شاخص است که GFIرا بر اساس میزان درجه آزادی مدل تنظیم می نمایددر واقع هدف این معیار جریمه نمودن مدل به ازای افزایش تعداد پارامترهای جدید به مدل است، بطوریکه اضافه کردن تعداد پارامترهای جدید به مدل تاثیر مثبت بسیار کمی در بهبود برازش مدل دارد(Hoyle,2012:215). همچنین این معیار با افزایش حجم نمونه افزایش نمی یابد و دامنه مورد پذیرش آن مانند شاخص GFIمقادیر بالای ۹/۰ می باشد(Hooper et al.,2008)

الف – ۳ ) ریشه میانگین مربعات باقی مانده(RMR) و ریشه میانگین مربعات باقی مانده استاندارد شده (SRMR)

شاخص RMR یکی از شاخص هایی است که بد بودن مدل تجربی را نشان می دهد هر دو شاخص RMR و SRMR ریشه مربعات حاصل از تفاوت بین ماتریس کوواریانس نمونه باقی مانده و مدل کوواریانس فرض شده می باشد که برای مقایسه برازش دو مدل متفاوت با داده های یکسان مورد استفاده قرار مورد استفاده قرار می گیرد.

اگر در پرسشنامه ای از طیف های لیکرت متفاوت( ۵ تایی و ۷ تایی) استفاده شده باشد شاخص RMR اعتبار چندانی ندارد (Kline,2005).شاخص SRMR این مشکل را برطرف کرده و در این گونه موارد استفاده از این شاخص اعتبار بالایی دارد(Hooper et al.,2008 ).شاخص SRMR بین ۰ تا ۱ تغییر می کند که برای مدلهایی با برازش خوب این مقدار زیر ۰٫۰۵ است (Byrne,1998;Hooper et al,2008).همچنین مقادیر زیر ۰٫۰۸نیز مورد پذیرش می باشند(Bentler,1999;Kline,2011)

همچنین معیار های ترکیبی شاخص SRMR و شاخص های NNFI ,RMSEA و CFI در جدول زیر آورده ایم.

ترکیب شاخص های برازش	مقدار پذیرش ترکیبی
SRMR و NNFI	مقادیر بالاتر برای شاخص NNFI و مقادیر ۰۸/۰ یا کمتر برای SRMR
SRMR و RMSEA	مقادیر ۰۶/۰ یا کمتر برای شاخص RMSEA و مقادیر ۰۸/۰ یا کمتر برای SRMR
SRMR و CFI	مقادیر ۹۵/۰ یا بالاتر برای شاخص CFI و مقادیر ۰۸/۰ یا کمتر برای شاخص SRMR

الف – ۴ ) ریشه میانگین مربعات خطای برآورد(RMSEA)

این شاخص یکی از اصلی ترین شاخص های برازش مدل در تحلیل مدل سازی معادلات ساختاری با نرم افزار LISREL می باشد که میزان بد بودن مدل برازش شده را در مقایسه با مدل اشباع شده برآورد می نماید(Ullman, 2006:44) و همانند شاخص SRMR مقدار کم این شاخص نشان دهنده برازش خوب مدل است.در سالهای اخیر مقادیر زیر ۰۶/۰ ( Hu & Bentler,1999) یا حتی مقادیر زیر ۰۷/۰ (Steiger,2007) و در سخت گیرانه ترین حالت دامنه بین ۰ تا ۰۵/۰ بعنوان دامنه پذیرش برازش خوب مدل در نظر گرفته شده است و مقادیر بالای ۱/۰ نشان دهنده برازش ضعیف مدل می باشد(Hoyle,2012;Browne & Cudeck,1993).مقدار این شاخص از فرمول زیر محاسبه می شود:

نکته:

در مواردی که تعداد نمونه موجود در پژوهش کمتر از ۱۵۰ باشد، RMSEA شاخص مناسبی برای ارزیابی بد بودن مدل نیست ، چون در این حالت این شاخص بسیار بالا محاسبه می شود و برای حل این مشکل باید به مقدار CFI مراجعه شود ، چنانچه این مقدار بیشتر از ۹۵/۰ باشد، می توان به برازش خوب مدل توجه نمود و از کنار شاخص RMSEA گذشت(Ullman, 2006:44)

ب) شاخص های برازش مقایسه ای یا نسبی

شاخص های برازش نسبی ، شامل گروهی از شاخص ها می شوند که مقادیر کای اسکوئر را با مدل پایه ای مقایسه می نماید در واقع این شاخص ها بدنبال مقایسه بین یک مدل خاص با سایر مدلهای ممکن می پردازد.

ب – ۱ ) شاخص نرم شده برازندگی( NFI) و شاخص نرم نشده برازندگی( NNFI)

دامنه پذیرش این شاخص در بین مقادیر ۰ تا ۱ توسط

ب – ۲ ) شاخص برازندگی فزاینده ( IFI)

ب – ۳ ) شاخص برازندگی تطبیقی ( CFI)

تفاوت کوواریانس و ضریب همبستگی

پاسخ دهید

در آمار از کواریانس و همبستگی برای بررسی ارتباط خطی دو بین دو متغیر و اندازه گیری میزان وابستگی آنها به همدیگر استفاده میکنند! ولی آیا هر دو عین هم هستند؟ خیر!

همبستگی جهت و شدت ارتباط بین دو متغیر را مشخص میکند، در حالی که کواریانس تنها جهت ارتباط بین دو متغیر را مشخص می‌کند.

اجازه بدهید با یک مثال ساده این مسئله را بررسی کنیم، فرض کنید که در یک مطالعه ای میخواهید قد افراد در جامعه ایران را بررسی کنید و ببینید قد افراد به چه صورت توزیع شده است. برای اینکار یک تعداد افراد از جامعه را به صورت کاملا تصادفی انتخاب می‌کنید و قد این افراد را اندازه گیری می‌کنید. فرض کنید که قد افرادی که بررسی کردید به صورت زیر است.

الان شما یک مجموعه‌ای تک متغیره دارید و اگر بخواهید این مجموعه را از لحاظ آماری بررسی کنید نیاز به محاسبه میانگین و واریانس قد افراد دارید.

میانگین

حد وسط یک داده را مشخص میکند. در این مثال میانگین قد افراد در جامعه را مشخص میکند.

واریانس

میزان تغییرات حول میانگین را مشخص می کند. واریانس کمتر به این معنی است که قد افراد جامعه خیلی شبیه هم هست ولی اگر واریانس زیاد باشد نشان میدهید که قد افراد در جامعه رنج تغییرات زیادی دارد.

خب با همین دو پارامتر میتوانیم به صورت آماری یک مجموعه تک متغیره را بررسی کنیم.

حال بیایید مثال را تغییر بدهیم، فرض کنید که می‌خواهید ارتباط بین وزن و قد افراد را بررسی کنید. و برای همین منظور تعدادی از افراد جامعه را به صورت کاملا تصادفی انتخاب می‌کنید، و وزن و قد این افراد را اندازه گیری می‌کنید .

در این مسئله میخواهیم بدانیم که چه ارتباط خطی بین قد و وزن افراد وجود دارد. برای مثال میخواهیم بدانیم آیا با تغییر قد افراد وزن افراد هم تغییر کرده یا نه. و اگر تغییر کرده این تغییرات به چه شکل بوده است. برای بررسی ارتباط خطی بین دو تا مجموعه تک متغیره از کواریانس و همبستگی استفاده می کنند.

کواریانس

کواریانس دو تا متغیر را میتوان طبق رابطه زیر محاسبه کرد و مقدار بدست آمده یک عددی بین [-∞ :+ ∞] است.

کواریانس تنها جهت(direction) ارتباط بین دو متغیر را مشخص میکند. بعنی مشخص می‌کند که ارتباط بین دو متغیر مثبت ، منفی و یا صفر است.

اگر کواریانس بین قد و وزن افراد مثبت باشد، یعنی با افزایش قد افراد جامعه، وزنها انها هم افزایش می یابد و یا برعکس با کاهش قد افراد، وزن افراد نیز کاهش می یابد
اگر کواریانس بین قد و وزن افراد منفی باشد، یعنی با افزایش قد افراد جامعه، وزنها افراد کاهش می یابد و یا برعکس با کاهش قد افراد، وزن افراد نیز افزایش می یابد
اگر کواریانس بین قد و وزن افراد صفر باشد، یعنی با افزایش یا کاهش قد افراد جامعه، وزنها انها تغییری نمی‌کند.

حال فرض کنید کواریانس بین دو تا متغیر شده عدد 15، به نظر شما این عدد چه چیزی را مشخص می‌کند؟ آیا می‌توان گفت ارتباط خطی بین دو متغیر بسیار زیاد هست؟ نه نمیتوان گفت. ما از روی کواریانس بدست آمده تنها جهت ارتباط بین دو متغیر را میتوانیم متوجه شویم، ولی اینکه شدت ارتباط بین دو متغیر چقدر هست را نمیتوان متوجه شد!

همبستگی

همسبتگی همان کواریانس نرمال شده است و طبق رابطه زیر میتوانیم همبتسگی بین دو متغیر را بدست آوریم.

همسبتگی یک عدد بین [-1:+1] هست و جهت(direction) و شدت-میزان (strength) ارتباط خطی بین دو متغیر را مشخص می‌کند.

هر چقدر همبستگی به عدد +1 نزدیک باشد، به معنی است که بین دو متغیر خطی ارتباط خطی مثبت زیادی وجود دارد. یعنی با افزایش قد افراد، وزن افراد هم افزایش پیدا میکند و برعکس. یک ارتباط مستقیم بین دو متغیر وجود دارد.

هر چقدر همبستگی به عدد -1 نزدیک باشد، به معنی است که بین دو متغیر خطی ارتباط خطی منفی زیادی وجود دارد. یعنی با افزایش قد افراد، وزن افراد کاهش پیدا میکند و برعکس. یک ارتباط عکس بین دو متغیر وجود دارد.

اگر همبستگی دو متغیر نزدیک به عدد 0 باشد معنیش این است که با تغییرات مقدار یک متغیر، تغییر در مقدار متغیر دوم اتفاق نمی افتد!

تحلیل واریانس چند متغیری مانوا

پاسخ دهید

به منظور مشخص کردن تفاوت معنی دار بین دو یا چند سطح متغیر می توان از آزمون تحلیل واریانس یا (ANOVA) و مانوا (MANOVA) استفاده کرد. یعنی برای مقایسه میانگین اثرات یک یا چند متغیر مستقل بر روی یک متغیر وابسته براساس طرح های آزمایشی مختلف، روش های آماری متعددی مانند آزمون t و آزمون تحلیل واریانس تک متغیری ANOVA بکار گرفته می شود. اما در حالتی که بیش از یک متغیر وابسته مد نظر قرار دارد، با توجه به وابستگی بین متغیرهای وابسته از روش های تحلیل چند متغیره استفاده می شود.

در روش MANOVA ماتریس حاصلضرب برداری کل(T) به دو گروه ماتریس حاصلضرب برداری بین گروه ها (B) و ماتریس حاصلضرب برداری درون گروه ها (W) تفکیک می شود:

T =B + W

Tمیزان انحراف نمونه ها از میانگین را در هر سطح متغیر مستقل یا گروه از میانگین کل هر متغیر وابسته را نشان می دهد. ماتریس B اثرات متفاوت تدابیر آزمایشی را روی مجموعه متغیرهای وابسته نشان می دهد. در نهایت W نشان می دهد که نمونه ها در هر سطح یا گروه متغیر مستقل چگونه از میانگین های متغیرهای وابسته منحرف می شوند.

چهار آزمون آماری متعارف در این زمینه وجود دارد : اثر پیلایی، لامبدای ویلکز، اثر هتلینگ و روش بزرگترین ریشه دوم. پرکاربردترین این آماره ها لامبدای ویلکز می باشد؛ که براساس نسبت Wبر B+W ساخته می شود. در عمل اگر اثر متغیر مستقل بر متغیرهای وابسته از نظر آماری معنادار باشد، یعنی اگر تدابیر آزمایشی اثرگذار باشند، در اینصورت مقدار B نسبتا بزرگ و W کوچک خواهد بود.

در طرح تحلیل واریانس چند متغیری دو یا چند متغیر وابسته پیوسته با یک یا چند متغیر مستقل مقوله ای ارزیابی می شوند. اگر همبستگی بین متغیرهای وابسته وجود نداشته باشد. موقعیت ایده آل برای استفاده از تحلیل واریانس چند متغیری زمانی است که متغیرهای وابسته دارای همبستگی متوسط باشند. در شرایطی که متغیرهای وابسته دارای همبستگی بسیار بالایی هستند نیز نباید از MANOVA استفاده شود. از نظر آماری اینگونه همبستگی ها خطر هم خطی چندگانه را افزایش می دهد. از لحاظ مفهومی متغیرهایی که دارای همبستگی بالایی هستند، ممکن است سازه ی یکسانی را اندازه گیری کنند و بنابراین در مطالعه به عنوان متغیرهای زائد تلقی شوند.

مفروضه ها و محدودیت های آماری در تحلیل واریانس چند متغیری

نرمال بودن چند متغیری: یکی از شرایط استفاده از تحلیل واریانس واریانس چند متغیری نرمال بودن چند متغیری متغیرهای وابسته می باشد. در صورت عدم برقراری این فرض از روش های مختلف تبدیل داده ها مختلف استفاده می شود.

استقلال: شرکت کننده گان در تحقیق باید مستقل از یکدیگر باشند، به لحاظ آزمایشی می توان گفت اگر شرکت کنندگان به صورت تصادفی انتخاب شوند، فرض استقلال برقرار می شود.

مقادیر پرت و گمشده: روش تحلیل واریانس چند متغیری به مقادیر پرت یا کرانه های متغیرهای وابسته بسیار حساس است. خارج نکردن مقادیر پرت از تحلیل و یا تبدیل نکردن این داده ها می تواند میزان خطای نوع اول و دوم را افزایش دهد.

همگنی ماتریس های واریانس-کواریانس: روش استاندارد برای ارزیابی برابری ماتریس های کواریانس آزمونت M باکس است، که در آن معناداری آماری شاخص ناهمگنی یا نابرابری محسوب می شود. از جمله روش های اصلاح نقض این مفروضه ها تبدیل متغیرهای وابسته است.

خطی بودن: فرض بر آن است که بین جفت متغیرهای وابسته روابط خطی برقرار است. در صورت مشاهده روابط غیرخطی می توان از تبدیل های مناسب استفاده نمود.

برگرفته از : وان سرچ

رگرسیون خطی در SPSS

پاسخ دهید

تحلیل رگرسیون زمانی استفاده می شود که بخواهیم مقادیر یک متغیر را از روی مقادیر متغیر دیگر پیش بینی کنیم. در این مورد، متغیری که ما از بهره می گیریم تا مقدار متغیر دیگر را پیش بینی کنیم، متغیر مستقل (یا پیش بین) نام دارد. متغیری را هم که می خواهیم پیش بینی کنیم متغیر وابسته (یا ملاک) نام دارد .دو نوع عمده تحلیل رگرسیون خطی داریم. رگرسیون خطی تک متغیره برای پیش بینی یک متغیر وابسته توسط یک متغیر مستقل و رگرسیون خطی چند متغیره برای پیش بینی یک متغیر وابسته توسط چند متغیر مستقل.

روش های رگرسیون خطی شامل پنج روش می باشد، این پنج نوع تحلیل رگرسیون خطی در SPSS شامل روش ورود یا همزمان، روش گام به گام، روش حذف، روش پیش رونده و روش پس رونده است.

روش ورود یا همزمان: در روش ورود یا همزمان کلیه متغیرهای مستقل به صورت همزمان وارد مدل می‌شوند تا تاثیر همه متغیرهای مهم و غیر مهم بر متغیر وابسته مشخص شود.

روش گام به گام: متغیرهای مستقل یک به یک و به ترتیب اهمیت و داشتن بیشترین رابطه وارد مدل می‌شوند. یعنی ورود متغیرها یک به یک صورت می‌گیرد.

نکته: اگر تعداد متغیرهای شما زیاد است و برخی از متغیرها مهم‌تر از برخی دیگر هستند، بهتر است از تحلیل رگرسیون خطی به سبک گام به گام استفاده کنید، در غیر اینصورت از تحلیل به سبک ورود یا همزمان استفاده کنید.

مفروضات

-متغیر ها در سطح سنجش فاصله ای
-توزیع متغیرهای نرمال یا نزدیک به نرمال باشند.
– بین دو متغیر رابطه خطی وجود داشته باشد.
جهت سنجش نرمال بودن توزیع متغیر ها از آزمون Shapiro-Wilk و یا Kolmogoro-smirnov استفاده می کنیم.
جهت سنجش وجود رابطه خطی بین دو متغیر نیز از آزمون همبستگی پیرسون استفاده می کنیم.

نحوه اجرای مدل:

برای مثال اگر ما بخواهیم رابطه بین ارتفاع از سطح زمین و دما را بررسی کنیم. می توانیم از تحلیل رگرسیون خطی استفاده کنیم.

برای اجرای ابتدا این مسیر را دنبال میکنیم
Analyze › Regression › Linear

حالا شما کادر زیر را مشاهده می کنید: متغیر مستقل (پیش بین) یا همان درآمد را به داخل کادر Independent انتقال می دهیم. متغیر وابسته یا همان قیمت خودرو را وارد کادر Dependent می کنیم. روش (Method) اجرای رگرسیون را نیز مطابق پیش فرض رگرسیون، یعنی همان (Enter) انتخاب می کنیم.

خروجی مربوط به رگرسیون خطی:

جدول بعدی ANOVA نام دارد. این جدول نشان می دهد که آیا مدل رگرسیون می تواند به طور معنا داری (و مناسبی) تغییرات متغیر وابسته را پیش بینی کند. برای بررسی معنا داری به ستون آخر جدول (sig) نگاه می کنیم. این ستون معنا داری آماری مدل رگرسیون را نشان می دهد که چنان چه میزان به دست آمده کمتر از ۰٫۰۵ باشد نتیجه می گیریم که مدل به کار رفته است. میزان معنا داری در مثال ما کمتر از میزان ۰٫۰۵ است که بیان گر این است که مدل رگرسیونی معنا دار است.

جدول زیر Coefficients، اطلاعاتی را در مورد متغیر های پیش بین به ما می دهد. این جدول اطلاعات ضروری برای پیش بین متغیر وابسته را در اختیار ما قرار می دهد. مشاهده می کنیم که مقدار ثابت (constant) و متغیر درآمد هر دو در مدل معنا دار شده اند (به ستون sig) نگاه می کنیم. پس از تعیین معنا دار بودن مقدار ثابت و متغیر درآمد، ستون Standardized Coefficients بیانگر ضریب رگرسیونی استاندارد شده یا مقدار بتا است. ضریب رگرسیونی استاندارد شده یا Beta در مثال ما برابر شده است با ۸۷۳٫ که نشان گر میزان تاثیر متغیر مستقل بر وابسته است.
نکته: میزان Beta زمانی که یک متغیر مستقل در مدل داریم، با میزان همبستگی پیرسون بین دو متغیر (R) دقیقا برابر است. اما زمانی که بیش از یک متغیر مستقل داشته باشیم، میزان Beta با ضریب همبستگی بین متغیر های مستقل و وابسته تفاوت خواهد داشت.

نکته: کاربرد ضریب Beta هنگامی است که بیش تر از یک متغیر مستقل در مدل داشته باشیم. در این صورت مقدار Beta به ما کمک می کند که سهم نسبی هر متغیر را در پیش بینی متغیر وابسته مقایسه کنیم و به عبارتی بتوانیم تعیین کنیم که کدام متغیر ها بیش ترین تاثیر را بر متغیر وابسته دارند.

جهت ایجاد معادله رگرسیونی از میزان ضریب رگرسیونی استاندارد نشده (B) استفاده می کنیم. معادله رگرسیونی جهت پیش بینی دقیق مقادیر متغیر وابسته مورد استفاده قرار می گیرد و معادله آن به صورت زیر است: Y = a + bx
Y= مقدار پیش بینی شده ی متغیر وابسته
a= عرض از مبدأ نقطه تقاطع خط رگرسیون با محور Y (در جدول: مقدار ثابت یا constant)
b= شیب خط (ضریب رگرسیونی استاندارد نشده یا B)
X= مقادیر مختلف متغیر مستقل
معادله رگرسیونی اجرا شده: Y = 8287 + 0.564 X

برگرفته از: وان سرچ

تجزیه و تحلیل داده های کیفی با نرم افزار اِنویوو (NVivo)

پاسخ دهید

نرم افزار ان ویوو یک بسته نرم افزاری تجزیه و تحلیل داده های کیفی (QDA) است که توسط موسسه بین المللی QSR طراحی و عرضه شده است. این نرم افزار برای انجام تحلیل های کیفی طراحی شده که با حجم زیادی از اطلاعات و منابع چند رسانه ای کار می کند و از طریق آن امکان انجام تحلیل های بسیار قوی بر روی داده هایی با حجم کم یا زیاد وجود دارد. با اطمینان می توان گفت ان یوو یه نرم افزار تخصصی برای پروژه های کیفی می باشد ، به عبارت دیگر برای تجزیه تحلیل متون در تحقیقات کیفی بکار می رود، بطور مثال پاسخ های تشریحی یک پرسشنامه. نرم افزار NVivo با مجموعه متنوعی از روش های تحقیق شامل تجزیه و تحلیل سازمانی و شبکه، مطالعات کاربردی یا مبتنی بر شواهد، تحلیل سخنرانی، تئوری های پایه، تحلیل مصاحبه، قوم نگاری، بررسی ادبیات تحقیق، پدیده شناسی، روش های ترکیبی تحقیق و متدولوژی چارچوب سازگار است. این نرم افزار از قالب های مختلف داده همچون فایل های صوتی، ویدئویی، عکس های دیجیتال، فایل های متنی، PDF، کاربرگ ها، متن های غنی، متن رمزگذاری نشده و ساده و نیز داده های مربوط به وب و شبکه های اجتماعی استفاده می کند.

دسترسی به کامل ترین پکیج آموزش کاربردی نرم افزار انویو Nvivo در 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
کانال تلگرام سایت: برای عضویت در کانال تلگرام سایت اینجا کلیک کنید(البته قبلش فیلتر شکن روشن شود!!) مطالب جالب علمی و آموزشی در این کانال درج می گردد.

اندازه اثر چیست؟ Effect Size

پاسخ دهید

در آزمون فرض آماری، معنی‌داری (Statistical Significance) به طور خلاصه، احتمال مشاهده نمونه تصادفی با توجه به صحیح بودن یک فرض آماری است. اگر این احتمال ضعیف باشد، به نظر می‌رسد که فرض مورد نظر در آزمون، صحیح نخواهد بود. البته این موضوع را هم باید در نظر گرفت که هدف از انجام آزمون فرض، نشان دادن مطابقت (یا عدم مطابقت) داده‌ها با توجه به فرضیه‌های آماری است. اندازه اثر میزان این انطباق را به صورت یک مقدار عددی نشان می‌دهد که درک آن نیز به سادگی صورت می‌گیرد. پس اندازه اثر یک مقدار عددی است که تفاوت بین داده‌ها و فرضیه آماری را مشخص و تعیین می‌کند.

هنگام تفسیر یا محاسبه اندازه اثر باید به نکات زیر نیز توجه داشت:

اندازه اثر ابزاری برای تعیین اثرات درون و بین آزمودنی‌ها (Within and between Subjects) است.
برای محاسبه توان (1−β

· ) در آزمون‌های آماری احتیاج به محاسبه اندازه اثر داریم. این مقدار به واسطه محاسبه احتمال رد یک فرضیه برحسب فرض مقابل تعیین می‌شود.

· اندازه اثر برای تعین حجم نمونه موثر است. به این ترتیب به کمک آن توان آزمون‌ها را می‌توان افزایش داد. البته مشخص است که هر چه تعداد نمونه‌ها بیشتر باشد، توان آزمون نیز افزایش خواهد یافت.

بسیاری از نرم‌افزارهای محاسبات آماری، قادر هستند برای بعضی از آزمون‌های آماری، اندازه اثر را محاسبه و طبق جدول شماره ۱، گزارش دهند. کران‌ و میزان‌های با اهمیت بودن مقدار اندازه اثر برای هر یک از آزمون‌ها نیز در این جدول دیده می‌شود.

جدول ۱: کران‌های اندازه‌های اثر مختلف در آزمون و تحلیل‌های آماری مختلف

ردیف	نام تحلیل	شرح	نام اندازه اثر	اثر ضعیف	اثر متوسط	اثر زیاد
۱	Chi-Square Independence Test	تحلیل کای ۲ و آزمون استقلال	Cohen’s W	0.1	0.3	0.5
۲	Chi-Square Independence Test	تحلیل کای ۲ و آزمون استقلال	Contingency Coefficient	0.1	0.29	0.45
۳	Chi-Square Independence Test	تحلیل کای ۲ و آزمون استقلال	Cramér’s V	–	–	–
4	Chi-Square Goodness-of-Fit Test	آزمون کای ۲ برای برازش توزیع	Cohen’s W	0.1	0.3	0.5
5	Independent Samples T-Test	آزمون نمونه‌ای تی	Cohen’s D	0.2	0.5	0.8
6	Independent Samples T-Test	آزمون نمونه‌ای تی	Rpb – Point-Biserial Correlation	0.1	0.24	0.37
7	Paired Samples T-Test	آزمون نمونه‌ای تی روجی	Cohen’s D	0.2	0.5	0.8
8	One-Sample T-Test	آزمون نمونه‌ای تی تکی	Cohen’s D	0.2	0.5	0.8
9	Pearson Correlation	ضریب همبستگی پیرسون	R – Correlation	0.1	0.3	0.5
10	ANOVA	تحلیل واریانس	ω² – Omega Squared	0.01	0.06	0.14
11	ANOVA	تحلیل واریانس	η² – (Partial) Eta Squared	0.01	0.06	0.14
12	ANOVA	تحلیل واریانس	Cohen’s F	0.1	0.25	0.4
13	Linear Regression – Entire Model	مدل کامل رگرسیون خطی	Model R² – R Squared	0.02	0.13	0.26
14	Linear Regression – Entire Model	مدل کامل رگرسیون خطی	Model F² – F Squared	0.02	0.15	0.35
15	Linear Regression – Individual Predictor	برای هر متغیر در مدل رگرسیون خطی	Predictor R²sp – Squared Semipartial (“Part”) Correlation	0.02	0.13	0.26
16	Linear Regression – Individual Predictor	برای هر متغیر در مدل رگرسیون خطی	Predictor F² – F Squared	0.02	0.15	0.35

برگرفته از فرادرس

شاخص KMO و آزمون بارتلت چیست؟

پاسخ دهید

شاخص KMO و آزمون بارتلت چیست؟

در انجام تحليل عاملي ، ابتدا بايد از اين مسأله اطمينان حاصل شود كه مي توان داده هاي موجود را براي تحليل مورد استفاده قرار داد. با استفاده از آزمون بارتلت مي توان از كفايت نمونه گيري اطمينان حاصل نمود. اين شاخص در دامنه صفر تا يك قرار دارد. اگر مقدار شاخص نزديك به يك باشد ، داده هاي مورد نظر براي تحليل عاملي مناسب هستند و در غير اين صورت نتايج تحليل عاملي براي داده هاي مورد نظر چندان مناسب نمي باشد (مومني،1386: 193).

در ابتدا به براي تحليل عاملي مي پردازيم :

روشهاي مختلفي براي بررسي مناسب بودن داده ها وجود دارد كه از جمله آنها مي توان به آزمون (KMO) اشاره داشت كه مقدار آن همواره بين 0 تا 1 در نوسان است. درصورتي كه مقدار KMO كمتر از 50/0 باشد داده ها براي تحليل عاملي مناسب نخواهد بود و اگر مقدار آن بين 50/0 تا 69/0 باشد مي توان با احتياط بيشتری به تحليل عاملي پرداخت ولي در صورتي كه مقدار آن بزرگتر از 70/0 باشد همبستگي هاي موجود در بين داده ها براي تحليل عاملي مناسب خواهد بود.

📊 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 📊 تعیین حجم نمونه با:Spss samplepower 📞 Mobile : 09143444846 📱 Telegram: https://t.me/RAVA2020 🌐 وب سایت: https://rava20.ir 🌐 E-mail: abazizi1392@gmail.com 🔔 این مطلب را با دوستان خود به اشتراک بگذارید

خرید پوشاک برندهای معتبرخارجی با قیمت بسیار مناسب – اورجینال

نکات مهمی که در تهیه پرسشنامه توجه کنیم

پاسخ دهید

نکات لازم در تهیه پرسشنامه

در هنگام تهیه پرسشنامه به نکات زیر توجه فرمائید:

1- عبارات های پرسشنامه بايد ساده، روشن و دقيق باشند؛ زيرا هنگام پاسخگويي به آنها كسي جهت تعريف و توضيح حضور ندارد.

2- تا حد امکان عبارات پرسشنامه بايد به صورت پاسخ بسته نوشته شود و بهتر است تعداد سؤالهاي پاسخ باز به حداقل ممكن برسد، امكان دارد پاسخ هايي كه به عبارات باز داده مي شود ناتمام و بي ربط باشند. ناخوانايي، غلط املايي و تفسير پاسخ هاي باز از ديگر مشكلات سؤال هاي پاسخ باز مي باشند.

3- به صورت اضافي و به خاطر جلوگيري از اشتباه از سؤالات گُزيده استفاده مي شود. سؤال هاي گزيده به پرسشهايي گفته مي شوند كه گروه معيني از پاسخ دهندگان به آن پاسخ مي دهند. براي مثال با مطرح كردن سؤالي درباره وضعيت تأهل در پرسشنامه مي توان پاسخ دهندگان متأهل را شناسايي كرد و سپس پرسش هاي مربوط به فرزند، يا فرزندان، همسر و ساير موارد را مطرح نمود. هر سؤال گزيده به راهنمايي خاص خود نياز دارد.

4- سؤالهاي مربوط به گذشته را در يك محدوده زماني مشخص مطرح كنيد در صورتي كه قصد داريد درباره رفتار گذشته افراد اطلاعاتي كسب كنيد، زمان مورد نظر را مشخص كنيد. براي مثال اين سؤال كه چند بار مرتكب تخلفات رانندگي شده ايد بسيار مهم است. عدم وجود محدوده زماني مشخص در چنين سؤالهايي موجب مي شود كه افراد پاسخهاي خود را به زمان هاي متفاوت نسبت دهند. لذا اطلاعاتي كه در اينگونه موارد بدست ميآيد در بهترين حالات فاقد انسجام خواهند بود و در بدترين شرايط به قدري مبهم اند كه نمي توان بر اساس آنها دست به تحليل زد. در محدوده اي زماني كه چنين سؤال هايي به كار مي روند به صورت زير بايد عمل شود كه به صورت عبارته ايي همچون: در 5 سال گذشته، در يكسال گذشته، در يك ماه گذشته و يا اينكه اساساً سؤال كرد چه موقع براي اندازه گيري تعداد دفعاتي كه رفتار افراد در آن ارتباط انجام شده است، اغلب محدوده زماني كوتاهتر مناسب است زيرا پاسخده ندگان نميتوانند وقوع رفتارهاي خود را در زمان هاي طولاني به ياد آورند.

5- براي سؤالهاي حساس چارچوب مناسبي فراهم سازيد گاهي اوقات پرسشهايي مطرح مي شوند كه ممكن است مغاير عقيده، باور، نگرش و مكاتب فكري باشند.

6- تعدادي از سؤالهاي پرسشنامه را به ويژگي هاي فردي و جمعيتي اختصاص دهيد. اين نوع سؤالها كه بر ويژگي هايي فردي تأكيد دارند در قالب پرسشنامهها مطرح مي شود اين پرسشها از مواردي به اين شرح تشكيل شدهاند: سن، جنس، وضعيت تأهل، قوم و نژاد، تحصيلات، شغل، درآمد و گاهي اوقات مذهب، نوع مالكيت محل مسكوني، تركيب خانوادگي.

7- سؤال هاي پرسشنامه بايد يكي از جنبه هاي هدف و يا فرضيه صورتبندي شده را اندازه گيري كند به منظور تهيه وتنظيم پرسشنامه اي مناسب بايد هر يك از سؤالهاي پرسشنامه هدفي را اندازه گيري كند؛ بهعبارتديگر سؤال بايد به شيوه اي تنظيم شود كه به كمك آنها بتوان اطلاعات لازم براي پاسخ دادن به سؤالهاي تحقيق يا آزمون فرضيه هاي صورت بندي شده جمعآ وري كرد.

8- سؤالهاي پرسشنامه را با توجه به موضوع پژوهش در ارتباط با خصوصيت جامعها ي كه پرسشنامه در آن اجرا مي شود، تعيين كنيد. نظم و ترتيبي كه سؤالهاي پرسشنامه بر اساس آن طرح ميشود متفاوت است. ولي در اينكه جاي هر سؤالي كجا باشد اتفاق نظري وجود ندارد. بعضي ترجيح ميدهند كه نكات مربوط به ويژگيهاي فردي و خانوادگي در ابتداي پرسشنامه و سؤال هاي حساس در آخر آورده شود و برخي عكس اين عمل را انجام ميدهند در واقع اين پژوهشگر است كه بايد با توجه به بينشي كه در مورد موضوع و جامعهي پژوهشي خود دارد جاي هر سؤال يا نظم و ترتيب آنها را تعيين نمايد.

چنانچه موضوع اهميت قابل توجهي داشته باشد بهترين شيوه آن است كه پرسشهاي مربوط به موضوع اصلي را در ابتدابياوريم تا بالاترين نسبت پاسخدهي بدست آيد.

9. صفحه اول پرسشنامه بايست مربوط به نحوه پاسخگويي به سؤالها باشد.

همچنین به نکات زیر توجه فرمائید:

توصيه هاي زير كه بر اساس تجربه و تحقيق بدست آمدهاند در تهيه و تنظيم پرسشنامه به شما كمك مي كند:

1- پرسشنامه را جذاب كنيد. يكي از راه هاي رسيدن به اين هدف چاپ پرسشنامه است.
2- پرسشنامه را صفحه بندي كنيد.
3- سؤالهاي پرسشنامه را تا حد ممكن به شكل ساده طرح كنيد به نحوي كه به پاسخگويي به آنها آسان باشد.
در ابتدا و انتهاي پرسشنامه، نام و نامخانوادگي و آدرسي را كه پرسشنامه به آنجا فرستاده شود ذكر كنيد.
5- نحوه پاسخگويي به سؤالها را خيلي ساده و با حروف درشت ذكر كنيد.
در ابتداي هر نوع سؤال يك مثال مطرح و نحوه پاسخگويي به آن را مشخص كنيد.
7- سؤال هاي پرسشنامه را بر اساس نظم منطقي مطرح كنيد.
در ابتداي پرسشنامه سؤالهايي را مطرح كنيد كه جالب هستند.
9- در پرسشنامه هايي كه خيلي طولاني هستند سؤالات مهم را در آخر پرسشنامه نياوريد.
10- از به كاربردن كلماتي كه پاسخدهندگان نسبت به آنها حساس هستند خودداري نماييد.
در هر سؤال اطلاعات به طور كامل بيان كنيد به نحوي كه سؤال براي پاسخ دهنده معني دار باشد.
12- طول پرسشنامه بر دقت پاسخگويي تأثير دارد بنابراين در صورت امكان پرسشنامه را مختصر مطرح كنيد به عبارت ديگردر پرسشنامه فقط سؤال هايي را مطرح كنيد كه در جهت رسيدن به هدفهاي پژوهش مورد نياز هستند.

در سایت ما انواع پرسشنامه های استاندارد، مبانی نظری و پژوهشی متغیر ها (فصل دوم پایان نامه) و تحلیل های آماری ارائه می شود.

برای مشاهده لیست همه ی پرسشنامه های استاندارد لطفا همین جا روی پرسشنامه استاندارد کلیک فرمایید.