بایگانی برچسب: s

مقدار T-Value و مقدار P-Value در آزمون فرض آماری چیست؟

1- مفدمه بر آزمون فرض آماری

مطابق با الزامات استانداردهای ISO 15189:2022 و ISO/IEC 17025:2017 آزمایشگاه باید یک روش‌ اجرایی برای پایش اعتبار نتایج، داشته باشد.

داده‌های به دست آمده باید به نحوی ثبت شوند که روند آن‌ها قابل تشخیص باشد.

در جایی که قابل اجرا است از فنون آماری در بازنگری نتایج استفاده شود.

در بسیاری از مراکز آزمایشگاهی از آزمونهای فرض آماری برای کنترل کیفیت نتایج آزمون، تحلیل نتایج مقایسات بین آزمایشگاهی و یا صحه گذاری روشهای آزمون برای برآوزده‌سازی الزامات استاندارد ایزو 17025 و استاندارد ایزو 15189 استفاده می‌شود.

اگر کارکنان آزمایشگاه و یا پژوهشگران با علم آمار آشنایی نداشته باشند و به دنبال استفاده از از نرم افزارهای آماری مانند minitab, spss و … برای تجزیه و تحلیل نتایج خود باشند، در مواجه با خروجی‌های این نرم افزارها احساسی شبیه احساس آلیس در سرزمین عجایب را پیدا خواهند کرد.

ناگهان آنها با یک دنیا فانتزی که در آن عبارات عجیب و مرموزی وجود دارد، روبه رو می‌شوند.

به عنوان مثال ظهور مقادیر T و P را در انجام آزمون فرض t-test را در نظر بگیرید.

در مشاهد این خروجی شما ممکن است بسیار متعجب شوید!!

این مقادیر واقعاً چیست؟

آنها از کجا بدست آمده‌اند؟

حتی اگر شما از مقدار P-value برای تفسیر آماری نتایج خود به دفعات بسیار زیاد استفاده کرده باشید، باز هم ممکن است منشا واقعی آن ممکن هنوز برای شما گنگ باشد.

2- مقادیر P value و t-value در آزمون T-Test

مقدار P value و مقدار t-value به طور جدایی ناپذیری با هم مرتبط است.

آنها به صورت خیلی مشابه در کنار هم نتایج تجزیه و تحلیل آماری ظاهر می‌شوند.

هنگامی که شما آزمون t-test را انجام می‌دهید، معمولا برای پیدا کردن شواهدی از یک اختلاف معنی داری در میان دو جمعیت (۲-sample t) و یا بین یک جمعیت مقدار هدف (۱-sample t) هستید.

به عنوان مثال در مقایسه بین آزمایشگاهی به دنبال آن هستیم که ببینم نتایج بدست آمده در دو آزمایشگاه مختلف بر روی یک نمونه یکسان بایکدیگر اختلاف معناداری دارند یا نه؟

مقدار t اندازه تفاوت را نسبت به تغییرپذیری بدست آمده از نمونه‌ها را می‌سنجد.

به عبارت دیگر، T برابر با تفاوت محاسبه شده تقسیم بر خطای استاندارد (SE MEAN) است.

هر چه مقدار T (چه در جهت مثبت و چه در جهت منفی) بزرگتر باشد احتمال بیشتری برای رد فرض صفر به وجود خواهد آمد و هر چه مقدار T به صفر نزدیکتر باشد احتمال بیشتری برای پذیرش فرض صفر وجود خواهد داشت. (فرض صفر یعنی تفاوت معنی‌داری وجود ندارد.)

بخاطر داشته باشید که مقدار t که در خروجی نرم افزار نشان داده شده است بر اساس تنها یک نمونه که به صورت تصادفی از کل جمعیت گرفته شده، محاسبه می گردد و اگر نمونه‌برداری تصادفی را مجدداً انجام دهید ممکن است مقدار t کمی متفاوت از آنچه قبلا محاسبه کرده‌اید، بدست آید.

حال این سئوال مطرح می‌شود که در بسیاری از نمونه های که به صورت تصادفی از یک جمعیت یکسان گرفته می‌شود، چقدر تفاوت در مقدار t انتظار داریم که به وجود آید؟

و چگونه مقدار t بدست آمده از داده های مربوط به نمونه خود را نسبت به مقدار t مورد انتظار مقایسه کنیم؟

این کار را می‌توان با رسم یک توزیع t انجام داد.

3- استفاده از یک تابع توزیع t برای محاسبه احتمال

به عنوان مثال فرض کنید که با استفاده از یک آزمون فرض آماری به روش ۱-sample t-test می خواهید تعیین کنید که یک ویژگی در جمعیت مورد مطالعه بزرگتر از یک مقدار مشخص می‌باشد یا خیر؟

در این مثال مقدار مشخص ۵ در نظر گرفته شده که از یک نمونه با ۲۰ مشاهده بدست آمده است.

همانطور که در شکل بالا نشان داده شده مقدار t‌ در خروجی نرم افزار minitab برابر با ۲٫۸ بدست آمده است.

لذا می‌خواهیم ببینم در یک تابع توزیع T با درجه آزادی ۱۹ (درجه آزادی برابر است با تعداد مشاهدات منهای یک) احتمال آنکه مقدار t‌ برابر با ۲٫۸ شود چقدر است.

برای انجام این کار از نرم افزار minitab ‌می توان استفاده نمود بدین منظور در این نرم افزار مسیر زیر را طی می کنیم:

In Minitab, choose Graph > Probability Distribution Plot.

Select View Probability, then click OK.

From Distribution, select t.

In Degrees of freedom, enter ۱۹.

Click Shaded Area. Select X Value. Select Right Tail.

In X Value, enter 2.8 (the t-value), then click OK.

بیشترین مقدار مورد انتظار برای t محلی است که قله گراف بالا قرار دارد (یعنی مقدار صفر). این بدان معنا است که در بیشتر واقع انتظار می‌رود که مقدار t=0 شود.

علت این امر آن است که وقتی یک نمونه به صورت تصادفی از یک جامعه برداشته می شود انتظار می رود که اختلافی بین میانگین نمونه با میانگین جامعه وجود نداشته باشد یعنی به احتمال زیاد اختلاف بین میانگین نمونه و میانگین جامعه نزدیک به صفر است.

4- مجاسبه مقدار T-Value و مقدار P-Value

احتمال اینکه مقدار T-value (چه در جهت مثبت و چه در جهت منفی) در آزمونهای فرض آماری مقدار بزرگی شود خیلی کم است. یعنی آنکه هر چه از مقدار صفر در هر دو جهت دور می شویم احتمال رخداد چنین وضعیتی به صورت طبیعی کاهش می یابد. به عنوان مثال ناحیه قرمز مشخص شده در منحی فوق احتمال اینکه مقدار T-Value برابر با ۲٫۸ و بیشتر از آن باشد را نشان می‌دهد. احتمال این امر ۰٫۰۰۵۷۱۲ محاسبه شده است که اگر آن را گرد کنیم برابر با ۰٫۰۰۶ می شود که به این مقدار P-Value گفته می شود.

به عبارت دیگر، احتمال به دست آوردن T-Value برابر با ۲٫۸ و یا بالاتر، زمانی که نمونه برداری از جمعیت یکسان (در مثال، یک جمعیت با میانگین ۵ در نظر گرفته شده)، حدود ۰٫۰۰۶ است.

چقدر احتمال این رخ داد وجود دارد؟ این رخداد مثل آن است که در برداشت تصادفی از ۵۲ برگ در بازی پوکر ۲ برگ تک پشت سر هم به دست شما برسد. شناس چنین رخدادی بسیار کم است!!

این امر که این نمونه‌ از جامعه‌ی با میانگین بیشتری از مقدار مشخص شده (در این مثال ۵) باشند، محتمل تر است. بعبارت دیگر: از آنجا که مقدار P-value بسیار کوچک تر از (< alpha level) است، شما فرض صفر رد و نتیجه گیری است که تفاوت معنی داری وجود دارد.

مقادیر T و P به طور جدایی ناپذیری مرتبط هستند و به سادگی می‌توانید از آنها برای تصمیم در خصوص درست یا نادرست بودن یک فرض استفاده کنید. مقدار یکی از آنها بدون تغییر در دیگری، تغییر نخواهد کرد. مقادیر بزرگتر قدرمطلق T-Value منجر به مقادیر کوچکتر P-value می‌شود که امر سبب کاهش احتمال پذیرش فرض صفر می‌شود. به طور معمول مطالعات آماری در سطح اطمینان ۹۵% (یعنی آلفای برابر با ۰٫۰۵) انچام می‌شود.

در سطح اطمینان ۹۵% اگر P-value کوچکتر یا مساوی ۰٫۰۵ باشد فرض صفر را رد می‌کنند و در غیر این صورت فرض صفر را نمی توان رد کرد.

5- سخن پایانی

نکته آخر اینکه که در برخی از نرم افزارها مانند spss مقدار p-value در جدول های خروجی نرم افزار تحت عنوان Significant Level ذکر می‌شود. در این پست آموزشی برخی از نکات مهم برای در خصوص آزمون فرض T-TEST و مقدار P-Value ذکر شود.

برگرفته از سایت دکتر دستمردی

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 – Amosنرم افزار کیفی: Maxqudaتعیین 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.

نمره گذاری متغیر ها در Spss جمع نمرات یا میانگین نمرات؟

پاسخ دهید

نمره گذاری متغیر ها در Spss جمع نمرات یا میانگین نمرات؟

پس از جمع آوری داده ها با استفاده از ابزارهای پژوهشی مانند پرسشنامه ، مصاحبه و … و وارد کردن داده های خام به نرم افزار spss نوبت به تعریف نمره متغیر ها و ابعاد آن ها می رسد.

در تعریف عملیاتی و حساب کردن نمره؟ی متغیر ها دو رویکرد وجود دارد.

رویکرد اول می گوید فقط نمره ی سولات جمع بشود و با جمع نمرات سوالات مربوط به هر متغیر نمره ی آن متغیر یا ابعاد حساب شود.

بعضی از استادید بنا به نظرات خود این رویکردرا قبول می کنند.

رویکرد دوم می گوید بعد از جمع نمره سوالات ، نمره ی بدست آمده تقسیم بر تعداد سوالات بشود تا مثلاً نمرات مطابق طیف لیکرت بشوند.

بعضی از اساتید رویکرد دومی را قبول دارند.

ولی در اصل تفاوتی بین آن ها نیست و هر دو روش درستند و در آزمون فرضیه هیچ فرقی با هم نخواهند داشت.

بنده معتقدم روش دومی بهتر است چون راحت تر میشه میانگین ها را با هم مقایسه کرد.

البته اگر درجه بندی ها مثل هم باشد!

نظر شما چیست؟

برای نمره گذاری متغیرها در spss پیشنهاد می شود فیلم زیر را مشاهده نمایید.

با تشکر از نظرات ارزشمند کاربران محترم.

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 – Amosنرم افزار کیفی: Maxqudaتعیین 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.

نحوه نوشتن فصل چهارم پایان نامه و تحلیل داده ها

پاسخ دهید

نحوه نوشتن فصل چهارم پایان نامه و تحلیل داده ها

برای نگارش هر فصل پایان‌نامه ، نکات و دستوراتی وجود دارد که دانشجویان باید از آن‌ها مطلع باشند و با رعایت اصول و استانداردها، پایان‌نامه‌ای باکیفیت بنویسند.

یکی از مراحل مهم انجام پایان‌نامه نحوه تحلیل داده‌های جمع آوری شده است که در فصل چهارم پایان‌نامه است و اینکه چگونه فصل چهارم پایان‌نامه را بنویسیم..

فصل 4 و 5 پایان نامه در واقع مانند مرحله برداشت کشاورز از محصول کاشته شده است. پس نحوه ی انجام این دو فصل بسیار مهم و البته نیاز به کار تخصصی دارد.

ما در سایت روا20 سعی می‌کنیم نحوه نوشتن فصل چهارم پایان‌نامه را توضیح دهیم و به نکات مهم آن اشاره کنیم.

به ویژه شما را با نرم افزارهای تخصصی آماری آشنا خواهیم کرد.

فصل چهارم هر پایان‌نامه‌ای معمولا به نتایج به دست آمده از تجزیه و تحلیل داده‌ها اختصاص دارد و نحوه تحلیل داده‌ها در فصل چهارم پایان‌نامه به درک مباحث، مفاهیم و مسائل مطرح‌شده در پایان‌نامه بسیار کمک می‌کند، به همین دلیل ارائه آمارهای دقیق و صحیح در آنالیز داده‌های پایان نامه مهم است.

نگارش محتوای فصل چهارم پایان‌نامه به ترتیب شامل طرح اجمالی مسئله، ارائه آمارهای دقیق و تجزیه و تحلیل نتایج آن‌هاست.

بدین ترتیب، مانند همه فصول پایان‌نامه، فصل چهارم را نیز با نوشتن مقدمه‌ای کوتاه و شفاف آغاز می‌کنیم.

در مقدمه بهتر است موضوع و مسئله اصلی و اهداف پایان‌نامه را به طور بسیار مختصر مرور کنیم.

پس از آن باید داده‌های آماری حاصل از روش‌های مختلف تحقیقات خود را بررسی کنیم و به ارزیابی دقیق تک‌تک آن‌ها بپردازیم.

توصیف مشاهدات، متغیرها و آمارها، تحلیل نتایج به دست ‌آمده از پرسشنامه‌ها، آزمایش‌ها و مصاحبه‌ها و همچنین تشریح دستاوردهای مطالعات گسترده و گوناگون ما در حوزه پژوهش از عمده‌ترین مراحل این کار است که در نهایت، نتایج حاصل از آنالیز همه داده‌ها و اطلاعات منجر به پذیرش یا رد فرضیه‌های مطرح‌شده در تحقیقات پایان‌نامه و طرح پرسش‌ها و پاسخ‌های آن‌ها می‌شود.

در واقع، فصل چهارم پایان‌نامه موجب اعتبار و ارزشمندی پژوهش می‌شود و در موفقیت دانشجو در پروژه تحقیقاتی‌اش نقشی اساسی دارد.

نکته قابل توجه این است که در فصل چهارم صرفا به بررسی و تحلیل کمی و کیفی کامل و شفاف داده‌ها پرداخته می‌شود و تفسیر آن‌ها در فصل بعد انجام خواهد شد.

نحوه تحلیل داده‌ها در فصل چهارم پایان‌نامه

همان‌طور که می‌دانید، پیش از تجزیه و تحلیل داده‌ها لازم است آن‌ها را با دقت ارزیابی کنیم تا از صحت‌شان مطمئن شویم. سپس نوبت به دسته‌بندی و مرتب کردن اطلاعات گردآوری ‌شده می‌رسد؛ باید داده‌هایی را که با یکدیگر همخوانی دارند و مربوط به یک موضوع مشترک می‌شوند، در یک دسته قرار داد و داده‌های تکراری، نامربوط و اضافه را حذف کرد؛ برای منسجم‌تر شدن اطلاعات می‌توان آن‌ها را کدگذاری کرد؛ همچنین می‌توان از انواع نمودارها برای نمایش بهتر آمارها استفاده کرد.

بر اساس اینکه نوع داده های جمع آوری شده کمی یا کیفی باشند جهت گیری تحلیل آن ها متفاوت خواهد بود.

پس به طور کلی سه روش تحلیل داده ها را داریم:

الف : روش تحلیل داده های کمی

ب – روش تحلیل داده های کیفی

ج- روش آمیخته

تجزیه و تحلیل آماری داده های کمی با دو روش آمار توصیفی و آمار استنباطی انجام می‌شود؛ در روش آمار توصیفی معمولا از جداول توزیع فراوانی، درصد فراوانی و میانگین، ترسیم نمودار، محاسبه شاخص‌های مرکزی، شاخص‌های پراکندگی، شاخص‌های چولگی، شاخص‌های کشیدگی، محاسبه همبستگی و رگراسیون و پیش‌بینی و نرم‌افزارهایی دقیق، سریع و کاربردی نظیر SPSS برای پردازش اطلاعات استفاده می‌شود.

پژوهشگران در روش آمار استنباطی با تعمیم نتایج به دست‌ آمده از محاسبات اولیه آماری به جامعه آماری بزرگ‌تر به آنالیز داده‌ها می‌پردازند تا به نتیجه برسند.

در این روش استفاده از آزمون‌های پارامتریک و ناپارامتریک نیز مرسوم است؛ به آزمون‌هایی که در سطح مقیاس فاصله‌ای و نسبی به تجزیه و تحلیل داده‌ها می‌پردازند و شاخص آماری آن‌ها میانگین و واریانس است و به پیش‌فرض توزیع جامعه نرمال نیاز دارند، پارامتریک گفته می‌شود و آزمون‌هایی که در سطح مقیاس اسمی و رتبه‌ای آنالیز می‌کنند و شاخص آماری آن‌ها میانه و نماست و به هیچ فرضی درباره توزیع نیاز ندارند، ناپارامتریک نامیده می‌شوند.

از انواع نرم‌افزارهای معروف و خوب برای تجزیه و تحلیل آماری داده های کمی در پایان‌نامه می‌توان نرم‌افزارهای زیر را نام برد:

نرم‌افزار SPSS، نرم‌افزار اکسل، نرم‌افزار Amos، نرم‌افزار Liserel، نرم‌افزار PLS، نرم‌افزار R، نرم‌افزار Eviews و… که همه این برنامه‌ها قابلیت ذخیره اطلاعات و کشف اختلافات مهم احتمالی بین گروه‌ها و ارتباط میان متغیرها و همچنین نمایش داده‌های گردآوری شده به شکل نمودار و جدول را دارند.

ب – روش تحلیل داده های کیفی

در این روش معمولا به دسته بندی و مقوله بندی مطالب پرداخته می شود

و طی سه مرحله کدگذاری باز، محوری و گزینشی مقوله ها و مضمون های اصلی شناسایی می شوند.

از انواع نرم‌افزارهای معروف و خوب برای تجزیه و تحلیل آماری داده های کیفی می‌توان نرم‌افزارهای زیر را نام برد:

مکس کیو دا Maxqda : انویو Nvivo ، اطلس Atlas

ج- روش آمیخته: در روش آمیخته ابتدا با روش های کیفی به مقوله بندی مفاهیم پرداخته می شود سپس با نرم افزار های کمی که در بالا اشاره شد به اعتبار سنجی آن ها پرداخته می شود.

همان‌طور که اشاره شد، استفاده از نرم‌افزارهای آماری برای آنالیز اطلاعات در ارائه تصویری روشن و شفاف از دستاوردهای پژوهش کاملا ضروری است، اما برای بهره بردن از کمک این نرم‌افزارهای آماری لازم است پژوهشگر بر آن‌ها مسلط باشد.

قطعا داشتن دانش کافی نسبت به پیچیدگی‌های این نوع نرم‌افزارها و مهارت در کار کردن با ابزارهای تخصصی‌شان به آنالیز سریع و صحیح داده‌ها منجر خواهد شد؛ بنابراین اگر دانشجویی تخصص و شناخت لازم از نرم‌افزاری را ندارد، بهتر است از متخصصان آماری کمک بگیرد و این بخش را برون‌سپاری کند.

اما نکته بسیار مهم دیگر که باید به آن توجه کنید این است که کسی که کار آماری را برای شما انجام می دهد باید با انواع نرم افزار های کمی و کیفی آشنا باشد.

چون قطعا هر یک از این نرم افزار ها نقاط ضعف و قوت خاصی دارند و هر یک برای کار ویژه ای ساخته شده اند.

اگر آماریست فقط با یک نرم افزار آشنایی داشته باشد حوزه ی دید وی بسیار محدود خواهد بود و دچار نوعی جزم اندیشی (دُگماتیسم ) خواهد بود.

پس قبل از انتخاب آماریست یا شرکت آماری از آن ها سوال کنید که تحلیل داده ها را با چه نرم افزارهایی آنجام می دهند.

اگر توانستند با چندین نرم افزار آماری کار کنند می توانید مطمئن باشید که بعدا دچار مشکل نخواهید شد.

چون اگر فرضیه های شما با یک نرم افزار قابل آزمون نبود می توانند با نرم افزار دیگری آن را برای شما تحلیل کنند.

اگر از شرکت های آماری خدمات می گیرید هم تأکید کنید کسی که کار آماری شما را انجام می دهد با انواع نرم افزار های کمی و کیفی آشنا باشد. در غیر اینصورت این شرکت ها هر قسمت از کارتان را به یک فرد می دهند و در نهایت کارتان انسجام نخواهد داشت.

در هر صورت صلاح مملکت خویش را خسروان دانند، اما بازهم تأکید می کنیم در این زمینه دقت و وسواس خاصی داشته باشید.

تحلیل داده های آماری(فصل 4 پایان نامه)، مقاله و …

سفارش تحلیل داده های آماری برای پایان نامه و مقاله و …

تحلیل داده های آماری پایان نامه ، مقاله و … با کم ترین هزینه و بالاترین کیفیت انجام می گیرید.

تحلیل داده های کمی با نرم افزارهای SPSS- PLS – Amos و

تحلیل داده ای کیفی با نرم افزارهای کیفی Maxquda و انویو Nvivoانجام می گیرد.

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

و بسته به نوع و میزان کار معمولا بین 400 هزار تا 1 میلیون تومان خواهد بود. توجه کنیداین قیمت در جاهای دیگر بین حداقل 2 تا 3 میلیون می باشد. ما در اینجا فقط برای رعایت حال دانشجویان و شرایط سخت اقتصادی این قیمت ها را در نظر گرفته ایم. در حالی که کار ما با بالاترین کیفیت و پشتیبانی عالی انجام می گیرد.

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

جهت سفارش با یکی از روش های زیر تماس بگیرید:

تماس با شماره موبایل 09143444846 یا ارسال اس ام اس یا پیام از طریق واتساپ و تلگرام

یا اینکه به ایمیل abazizi1392@gmail.com پیام بفرستید. یا اینکه فرم زیر را تکمیل کنید تا با شما تماس بگیریم.

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 – Nvivo
تعیین حجم نمونه با:Spss samplepower
لازم است به نکات ذیل توجه فرمائید:

1- گزارش تحلیل (فصل 4 پایان نامه ) در قالب فایل ورد (Word ) ارائه می شود.

2- خروجی نرم افزار و داده های تحلیل شده در اختیار تان قرار داده می شود.

3- در صورت پیشنهاد استاد راهنما یا نظر خود محقق تحلیل بر اساس نظر آن ها انجام می گیرد.

4- در صورتی که تحلیل مورد تایید استاد راهنما ، مشاور و … قرار نگیرد ، بر اساس نظر آن ها اصلاح و اصلاحیه در اختیار محقق قرار می گیرد.

5- سعی می شود تحلیل در اسرع وقت و حداقل زمان ممکن در اختیار محقق قرار بگیرد.

6- فعلاً تحلیل ها فقط با نرم افزارهای ذکر شده در بالا انجام خواهد شد.

ازیکی روش های زیر با ما تماس بگیرید.
Mobile : 09143444846
Telegram: @abazizi
E-mail: abazizi1392@gmail.com
از طریق واتساپ به شماره 09143444846 پیام بفرستید. همچنین از طریق شبکه های اجتماعی به ویژه ایتا یا تلگرام یا واتساپ پیام بفرستید.

از کار ما مطمئن باشید .

آشنایی با نرم افزار متلب

پاسخ دهید

آشنایی با نرم افزار متلب

اگر به برنامه‌نویسی علاقه‌مند باشید، مطمئنا بارها نام نرم‌افزار متلب را شنیده‌اید. متلب (Matlab) نام یک زبان برنامه‌نویسی نسل چهارم و هم‌چنین یک محیط نرم‌افزاری برای انجام محاسبات عددی، تجسم و توسعه نرم‌افزارهای تجاری است. برای آشنایی بیشتر با این نرم افزار با ما همراه باشید.

معرفی نرم افزار Matlab

در اواخر دهه 70 میلادی، متلب توسط Cleve Moler -یکی از موسسان کمپانی خصوصی Mathworks واقع شده در ایالت ماساچوست آمریکا- توسعه و عرضه شد. او که یک استاد ریاضی بود، به منظور دسترسی آسان تر دانشجویان دانشگاه نیومکزیکو به LINPACK و EISPACK، بدون نیاز به یادگیری زبان های برنامه نویسی دیگر مانند فرترن، متلب را ایجاد کرد. اولین برنامه ای که وی با متلب نوشت، یک محاسبه گر ماتریس بود. در سال 2000 متلب بازنویسی شد و با اضافه شدن کتابخانه های کاربردی فراوان، در حوزه های مختلف صنعت، کنترل، مخابرات، پزشکی، فضانوردی و… مورد توجه و استفاده متخصصان قرار گرفت. در واقع می توان گفت که متلب برای استفاده مهندسان و دانشمندان طراحی شده است. آن ها با کمک متلب می توانند به راحتی ماتریس ها و آرایه های ریاضی را به طور مستقیم در برنامه ها استفاده کنند. این موضوع در مورد تجزیه و تحلیل داده ها، پردازش سیگنال و تصویر، جبر خطی و طراحی کنترل نیز صادق است. Matlab به برنامه نویسان کمک می کند تا مسائل پیچیده ریاضی را به زبان کامپیوتر ترجمه کرده و با سرعت بالا آن ها را حل کنند. لوگوی متلب از آغاز تا کنون تغییر زیادی نداشته و نمایشی از معادله ی طول موج است.

ویژگی های زبان متلب و کاربردهای آن

متلب یک زبان برنامه نویسی سطح بالا (نزدیک به زبان انسان)، مفسری و شی گرا است. این زبان برخلاف بسیاری از زبان های برنامه نویسی، متن باز نیست و برای تهیه آن باید هزینه پرداخت کنید (حدودا 50 هزار دلار!) البته استفاده از آن به مدت 30 روز رایگان است. متلب در مقایسه با رقبایش از جمله Fusion، Mathematica و… فضای رم بیش تری مصرف می کند؛ اما از جمله مزیت های آن می توان به امکان گرفتن خروجی C و ++C و همچنین خروجی گرافیکی به صورت نمودار و منحنی از کدهای متلب اشاره کرد. کدهای متلب با کمک API به راحتی با زبان های دیگر مثل جاوا و سی ادغام می شوند و می توان از آن ها در هر بستری استفاده کرد. همچنین می توان با نصب پکیج Hardware Support، برای ابزارهایی مانند رزبری پای، آردوینو، دستگاه های پزشکی مثل MRI و… با استفاده از متلب برنامه نوشت. شما می توانید زبان متلب را تنها در نرم افزار متلب نوشته و اجرا کنید و اجرای آن در سایر محیط های توسعه ی برنامه نویسی امکان پذیر نیست. متلب کاربردهای گسترده ای در رشته های مهندسی، فیزیک، ریاضی و شیمی دارد. برخی از کاربردهای برنامه های ساخته شده با متلب عبارتند از:

پردازش سیگنال و مخابرات
پردازش فیلم و تصویر
سیستم های کنترل خودکار
تست و اندازه گیری
امور مالی محاسباتی
زیست شناسی محاسباتی
قدرت محاسبات ریاضی Matlab

محاسبات ریاضی رایج با متلب عبارتند از:

رسم و گرافیک 2 و 3 بعدی
جبر خطی
معادلات جبری
توابع غیر خطی
آمار
تحلیل داده ها
حساب و معادلات دیفرانسیل
محاسبات عددی
ادغام
تبدیل
ایجاد منحنی و..

کتابخانه های Matlab

متلب در زمینه های مختلف از جمله پردازش سیگنال، هوش مصنوعی، شبکه های عصبی، یادگیری ماشین، حل معادلات دیفرانسیل و فوریه و… دارای کتابخانه های کاربردی فراوان است و امکان ایجاد و افزودن کتابخانه های مجزا نیز وجود دارد. علاوه بر این می توان از پلاگین هایی با عنوان Add-ones نیز استفاده کرد. توابع و دستورات استفاده از کتابخانه ها در بخش Documetation این زبان به صورت کامل موجود هستند و شما به منبع دیگری برای یادگیری نیاز نخواهید داشت.

چه نوع شرکت هایی از متلب استفاده می کنند؟

متلب ابزارهای کاربردی فراوانی در اختیار برنامه نویسان قرار داده است. به همین دلیل بسیاری از صنایع به خصوص صنایع هوافضا و دفاعی به آن نیاز دارند. این شرکت ها از متلب در نمونه گیری اولیه و تست و آزمایشات خود استفاده می کنند. در صنعت تولید خودرو نیز از متلب در توسعه سیستم های کنترل و مصرف سوخت استفاده می شود. صنعت دیگری که استفاده گسترده ای از متلب دارد، صنعت روباتیک است زیرا کمپانی Mathworks از سخت افزارهای بسیاری پشتیبانی می کند که این موضوع ساخت ربات هایی با قابلیت های بسیار پیشرفته را نسبت به گذشته تا حد زیادی آسان تر کرده است.

شروع برنامه نویسی متلب

پس از نصب نرم افزار Matlab با محیطی شبیه به تصویر زیر رو به رو می شوید. صفحه command window جاییست که کدهای شما در آن نوشته می شوند. پنجره Current Folder، فایل ها و پوشه های مرتبط با پروژه شما را نشان می دهد و پنجره Workspace فضای کاری شماست که داده های برنامه در آن نمایش داده می شود.

تعریف متغیرها در Matlab

متغیرها مکان هایی از حافظه هستند که می توان در آن ها داده ها را ذخیره کرده و در قسمت های دیگر برنامه از آن استفاده کرد. برای تعریف متغیرها در متلب تنها کافیست یک نام نمادین (حداکثر 63 کاراکتر) انتخاب کرده و مقدار مورد نظر را به آن تخصیص دهید. لازم به ذکر است که از نام های رزرو شده (مانند sin، tan، cot و…) و علائم (مانند +،-، * و…) نمی توان برای نام متغیرها استفاده کرد. نمونه ای از تعریف متغیر در متلب: A = 3

توجه داشته باشید که زبان متلب Case sensitive بوده و به بزرگ یا کوچک بودن حروف حساس است. استفاده از توابع در Matlabدر برنامه نویسی کاربردهای فراوانی دارند. تابع قطعه کدی است که یک بار نوشته شده و می توان در قسمت های مختلف برنامه بارها آن را فراخوانی کرد. همان طور که پیش تر نیز گفته شد، توابع آماده زیادی در متلب وجود دارند؛ همچنین شما می توانید توابع مورد نیاز خود را تعریف کرده و از آن ها استفاده کنید. برای مثال تابعی که بتواند میانگین اعضای آرایه ورودی را محاسبه کند به این صورت نوشته می شود: function ave = average(x) ave = sum(x(:))/numel(x)

نتیجه گیری

می توان گفت زبان قدرتمند متلب برای استفاد در کاربردهای مهندسی و محاسبات پیچیده ریاضی مناسب است اما به دلیل مصرف بالای منابع سخت افزاری برای استفاده هایی مانند طراحی و توسعه ی وب مناسب نیست. Matlab زبانی مفسری است و در هر بار اجرا، کدها تفسیر می شود به همین دلیل سرعت زبان های مفسری نسبت به زبان های کامپایلری پایین تر است اما مزایایی همچون راحتی استفاده و یادگیری، کتابخانه های کاربردی فراوان و قدرتمند و پشتیبانی توسط سیستم های عامل محبوب Windows، Linux و Mac موجب علاقه مندی بسیاری از برنامه نویسان به این زبان شده است.

برگرفته از ساعد نیوز
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 – Amosنرم افزار کیفی: Maxqudaتعیین 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.

تحلیل عاملی تاییدی چیست؟

پاسخ دهید

تحلیل عاملی تاییدی چیست؟

تحلیل عاملی تاییدی (Confirmatory Factor Analysis) یک روش آماری است که به کمک آن می‌توان به تأیید یا رد فرضیاتی درباره ساختار عاملی متغیرها پرداخت. در این روش، فرضیات محدوده‌ای از ساختار عاملی متغیرها پیشنهاد می‌شود و سپس اطلاعات موجود در داده‌ها جهت بررسی صحت این فرضیات استفاده می‌شود.

در تحلیل عاملی تاییدی، یک مدل ساختاری از پیش تعریف شده است و سپس با استفاده از روش‌های آماری، فرضیاتی درباره ساختار عاملی مورد بررسی قرار می‌گیرد. سپس با استفاده از معیارهایی مانند chi-square، comparative fit index (CFI)، root mean square error of approximation (RMSEA) و …، صحت مدل ساختاری مورد بررسی ارزیابی می‌شود. اگر مدل ساختاری با داده‌ها مطابقت داشته باشد، می‌توان ادعا کرد که فرضیاتی که در ابتدا پیشنهاد شده بود، به خوبی تأیید شده است.

تحلیل عاملی تاییدی معمولاً برای بررسی فرضیات پژوهشی، سنجش سازوکارهای پنهان و تعیین پایایی و اعتبار پرسشنامه‌ها و مقیاس‌های روان‌شناسی استفاده می‌شود. این روش در پژوهش‌های با مقیاس بزرگ و پیچیده، که شامل بسیاری از متغیرها و عوامل هستند، بسیار مفید است.

در کل، تحلیل عاملی تاییدی به عنوان یک ابزار قدرتمند در تحقیقات روان‌شناسی و دیگر علوم اجتماعی برای تأیید یا رد فرضیاتی درباره ساختار عاملی متغیرها و تعیین پایایی و اعتبار پرسشنامه‌ها و مقیاس‌ها استفاده می‌شود.

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 – Amosنرم افزار کیفی: Maxqudaتعیین 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.

افزودن واترمارک متنی و تصویری در اکسل

پاسخ دهید

در اکسل خبری از یک قابلیت مخصوص به افزودن واترمارک نیست. با این حال نرم افزار مورد اشاره اجازه می دهد هر متن یا تصویری را به شکل واترمارک به اسپردشیت خود اضافه کنید. اگر شما گامهای زیر را دنبال کنید به سادگی قادر به افزودن واترمارک متنی به سند اکسل خود خواهید بود:

سند اکسل مورد نظر خود که می خواهید حاوی واترمارک باشد را باز کنید.
به سراغ نوار ابزارها در بالا بروید، روی تب Insert کلیک کنید، سپس روی Text کلیک کنید و بعد به سراغ گزینه Header & Footer بروید.
حالا در بخشی که Header نام دارد و چشمک می زند، متنی که می خواهید به عنوان واترمارک دیده شود را وارد کنید.
به صورت پیش فرض، اندازه فونت روی ۱۱ تنظیم شده است و بنابراین متن به اندازه کافی در چشم نخواهد بود.
حالا به تب Home بازگشته و اندازه فونت را آنقدر افزایش دهید که به وضوح قابل دیدن باشد.
واترمارک متنی شما حالا باید سر از درون سند درآورده باشد. اما با اندکی دقت متوجه می شوید که در بالای اسپردشیت تعبیه شده است.
برای تنظیم محل قرارگیری آن، روی بخش هدر کلیک کرده، نشانگر ماوس را روی بخش ابتدایی متن ببرید و دکمه Enter روی کیبورد را پشت سر هم فشار دهید تا متن بالاخره در جایی که می خواهید قرار بگیرد.
بسته به واترمارک شما، ممکن است شکلی بیش از حد پر زرق و برق به خود گرفته باشد و باعث شود محتوای اصلی اسپردشیت به خوبی قابل مشاهده نباشد. برای حل این مشکل می توانید به سراغ واترمارکی کم رنگ تر بروید. برای خاکستری کردن واترمارک، روی بخش هدر کلیک کنید، به سراغ Font Color بروید و به انتخاب رنگ خاکستری بپردازید. اما الزامی به استفاده از رنگ خاکستری نیست و می توانید هر رنگ دیگری را نیز انتخاب کنید.
زمانی که کار به پایان رسید، روی هر نقطه به جز بخش هدر کلیک کنید.
حالا می توانید تغییرات به وجود آمده در واترمارک متنی خود را مشاهده کنید. با استفاده از این متد، واترمارک شما روی تمام صفحات موجود در اسپردشیت اعمال می شود.
برای مشاهده اینکه واترمارک شما روی کاغذ واقعی چه شکل و شمایلی می یابد، می توانید از پیش نمایش پرینت (در بخش File و سپس گزینه Print) استفاده کنید و پیش از چاپ، تغییرات لازم را به وجود آورید.

علاوه بر آنچه بالاتر توضیح دادیم، اکسل اجازه می دهد که از تصاویر هم به عنوان واترمارک استفاده کنید. برای مثال می توانید از لوگوی کسب وکار خود یا هر تصویر دیگری به عنوان واترمارک بهره بگیرید. از سوی دیگر، امکان شخصی سازی تصویر، بسته به سلایق شما هم مهیا شده است.

برگرفته از ساعد نیوز

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

روش های تماس:Mobile : 09143444846 واتساپ – تلگرام کانال

تحلیل عاملی اکتشافی چیست؟

پاسخ دهید

تحلیل عاملی اکتشافی (Exploratory Factor Analysis) یک روش آماری است که به کمک آن می‌توانیم سعی کنیم که ساختار داخلی متغیرهای مختلف را به دست آوریم. در واقع، با استفاده از این روش، می‌توانیم بررسی کنیم که آیا متغیرها با هم ارتباط دارند و در چه مقداری با هم همبستگی دارند.

در این روش، ابتدا مجموعه‌ای از متغیرها را در نظر می‌گیریم و سپس با استفاده از روش‌های آماری، تلاش می‌کنیم تا به دست آوریم که چند عامل اصلی (Factor) در پشت ساختار داده‌ها وجود دارند و هر عامل به چه متغیرهایی وابسته است. در واقع، با استفاده از این روش، می‌توانیم به دست آوریم که متغیرهای مختلف چگونه در یک مجموعه عوامل (Factors) قرار دارند و به طور خلاصه، این که هر متغیر در چه عامل‌هایی نقش دارد.

تحلیل عاملی اکتشافی به عنوان یکی از روش‌های خوشه‌بندی، برای شناسایی الگوهای موجود در داده‌ها و بررسی روابط بین متغیرها استفاده می‌شود. استفاده از این روش در بسیاری از حوزه‌های علمی و صنعتی، از جمله روان‌شناسی، علوم اجتماعی، مدیریت، بازاریابی و … رایج است.

مثالی از کاربرد تحلیل عاملی اکتشافی در علوم اجتماعی:

به عنوان مثال، در مطالعات اجتماعی می‌توان از تحلیل عاملی اکتشافی برای شناسایی عوامل مؤثر در تعیین نگرش و نظرات افراد نسبت به موضوعات مختلف استفاده کرد.

فرض کنید که می‌خواهیم بررسی کنیم که چه عواملی مؤثر بر نگرش افراد نسبت به حقوق زنان هستند. در این مثال، ما می‌توانیم از یک پرسشنامه برای جمع‌آوری داده‌ها استفاده کنیم. پرسشنامه ممکن است شامل چندین سوال در مورد نگرش به حقوق زنان باشد که هر یک از این سوال‌ها یک متغیر است. با استفاده از تحلیل عاملی اکتشافی، می‌توانیم به دست آوریم که کدام سوالات با هم مرتبط هستند و چه عواملی در تعیین نگرش افراد نسبت به حقوق زنان مؤثر هستند.

در این مثال، یکی از عواملی که ممکن است تعیین کننده نگرش افراد نسبت به حقوق زنان باشد، عامل “تفاوت‌های جنسیتی” باشد. این عامل می‌تواند شامل سوالاتی باشد که مرتبط با تفاوت‌های جنسیتی و نقش زنان و مردان در جامعه هستند. عامل دیگری که ممکن است در تعیین نگرش افراد نسبت به حقوق زنان مؤثر باشد، “مساویت” است. این عامل می‌تواند شامل سوالاتی باشد که مرتبط با حقوق مساوی برای زنان و مردان در جامعه هستند.

در نتیجه، با استفاده از تحلیل عاملی اکتشافی، ما می‌توانیم به دست آوریم که چه عواملی در تعیین نگرش افراد نسبت به حقوق زنان مؤثر هستند و این که هر متغیر در کدام عامل نقش دارد. این اطلاعات می‌تواند در تدوین سیاست‌هایی مبتنی بر تعیین اولویت‌های مؤثر در

نحوه ی انجام تحلیل عاملی اکتشافی مثال بالا را در Spss :

این منظور، می‌توانید از دستورالعمل‌های زیر استفاده کنید:

ابتدا، داده‌های خود را در SPSS وارد کنید و به مسیر Analyze > Dimension Reduction > Factor بروید.

در پنجره باز شده، می‌توانید متغیرهای مورد نظر خود را انتخاب کنید و سپس روش تحلیل عاملی اکتشافی را انتخاب کنید.

در بخش “Extraction”, می‌توانید روش استخراج عامل‌ها را انتخاب کنید. روش‌های مختلفی برای استخراج عامل‌ها وجود دارد، مانند روش Principal Component Analysis (PCA) و Maximum Likelihood (ML).

در بخش “Rotation”, می‌توانید روش چرخش عامل‌ها را انتخاب کنید. روش‌های مختلفی برای چرخش عامل‌ها وجود دارد، مانند روش Varimax و Oblimin.

در بخش “Scores”, می‌توانید برای هر شرکت کننده، امتیاز عامل‌ها را محاسبه کنید.

در نهایت، با کلیک بر روی دکمه “OK”، SPSS شروع به اجرای تحلیل عاملی اکتشافی شما می‌کند و نتایج را به شما نمایش می‌دهد.

در نتیجه، با استفاده از این روش، می‌توانید به دست آورید که چه عامل‌هایی در تعیین نگرش افراد نسبت به حقوق زنان مؤثر هستند و این که هر متغیر در کدام عامل نقش دارد. این اطلاعات می‌تواند در تدوین سیاست‌هایی مبتنی بر تعیین اولویت‌های مؤثر در ارتقای حقوق زنان موثر باشد.

تحلیل عاملی اکتشافی در نرم افزار های دیگر:

از جمله نرم افزارهایی که می‌توانید برای انجام تحلیل عاملی اکتشافی استفاده کنید عبارتند از R، SAS، و MATLAB.

در R، می‌توانید از پکیج “psych” برای انجام تحلیل عاملی استفاده کنید. برای انجام تحلیل عاملی اکتشافی، می‌توانید از تابع “fa()” استفاده کنید. این تابع شامل پارامترهایی است که می‌توانید برای تنظیم تحلیل عاملی خود استفاده کنید.

در SAS، می‌توانید از روش‌های مختلفی برای انجام تحلیل عاملی استفاده کنید، از جمله روش‌های Principal Component Analysis (PCA) و Maximum Likelihood (ML). برای انجام تحلیل عاملی اکتشافی در SAS، می‌توانید از ماژول “PROC FACTOR” استفاده کنید.

در MATLAB، می‌توانید از پکیج “Statistics and Machine Learning Toolbox” برای انجام تحلیل عاملی استفاده کنید. برای انجام تحلیل عاملی اکتشافی، می‌توانید از تابع “factoran()” استفاده کنید. این تابع شامل پارامترهایی است که می‌توانید برای تنظیم تحلیل عاملی خود استفاده کنید.

در هر صورت، برای انجام تحلیل عاملی اکتشافی در هر نرم افزاری، شما باید داده‌های خود را به فرمت مناسب وارد کنید و پارامترهای مورد نیاز را برای تحلیل عاملی خود تنظیم کنید. سپس، برنامه را اجرا کرده و نتایج را بررسی کنید.

برای یادگیری بیشتر در مورد تحلیل عاملی اکتشافی، می‌توانید از منابع معتبر زیر استفاده کنید:

“Factor Analysis: A Practical Introduction” نوشته ی Jeremy Miles: این کتاب یکی از بهترین منابع برای یادگیری تحلیل عاملی اکتشافی است. همچنین، این کتاب شامل مثال‌هایی از تحلیل داده‌های واقعی است که می‌تواند به شما در فهم بهتر تحلیل عاملی اکتشافی کمک کند.

“Applied Multivariate Statistics for the Social Sciences” نوشته ی James P. Stevens: این کتاب درباره روش‌های آماری مختلف استفاده شده در تحلیل داده‌های چند متغیره می‌باشد و بخشی درباره تحلیل عاملی اکتشافی است.

“Factor Analysis in SPSS” نوشته ی Andy Field: این کتاب به شما نحوه استفاده از تحلیل عاملی در SPSS را آموزش می‌دهد. در این کتاب به توضیح مراحل تحلیل عاملی در SPSS و تفسیر نتایج آن پرداخته می‌شود.

“Factor Analysis: Statistical Methods and Practical Issues” نوشته ی Jae-On Kim and Charles W. Mueller: این کتاب شامل توضیحاتی درباره تاریخچه و تئوری تحلیل عاملی، روش‌های مختلف استخراج عامل‌ها و دستورالعمل‌های اجرایی برای انجام تحلیل عاملی است.

“Factor Analysis for Applied Research” نوشته ی Robert Jennrich and Douglas A. Harrington: این کتاب به شما نحوه تحلیل داده‌های چند متغیره با استفاده از تحلیل عاملی را آموزش می‌دهد. این کتاب شامل مثال‌هایی از تحلیل داده‌های واقعی است که به شما در فهم بهتر تحلیل عاملی کمک می‌کند.

همچنین، منابع معتبر دیگری نیز برای یادگیری تحلیل عاملی اکتشافی وجود دارد که می‌توانید از آنها استفاده کنید.

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

روش های تماس:Mobile : 09143444846 واتساپ – تلگرام کانال

آموزش نرم افزار لیزرل (بصورت متن و ویدئو ) – رایگان

پاسخ دهید

بسته آموزشی لیزرل

شامل تمامی نکات ، مشکلات

از ورود داده ها تا اجرای مدل و اعتباریابی و تحلیل مدل ساختاری

مخصوص دانشجویان ارشد و دکترا

تالیف و انتشار:

دکتر یحیی علی‌بابایی

استاد دانشگاه تهران

دانشکده علوم اجتماعی – گروه جامعه شناسی

درس روش های تحقیق پیشرفته دوره دکتری

معرفی دوره

فایل 1 – جلسه اول و دوم

جلسه اول و دوم انجام مدل تحلیل عامل مرتبه اول و دوم با نرم‌افزار لیزرل – دکتر یحیی علی‌بابایی

فایل 2 – جلسه سوم

انجام معادلات ساختاری – تحلیل مسیر به همراه تحلیل عامل – دکتر یحیی علی‌بابایی

فایل 3 – جلسه چهارم

انجام معادلات ساختاری – تحلیل مسیر به همراه تحلیل عامل با کنترل جنسیت افراد به روش تفکیکی- دکتر یحیی علی‌بابایی

فایل 4 – جلسه پنجم

انجام معادلات ساختاری – تحلیل مسیر به همراه تحلیل عامل با کنترل جنسیت افراد به روش ترکیبی- دکتر یحیی علی‌بابایی

فایل 5 – جلسه ششم

انجام معادلات ساختاری با کنترل جنسیت افراد به روش ترکیبی با داده‌های کوواریانسی- دکتر یحیی علی‌بابایی

فایل 6 – جلسه هفتم

عوامل مؤثر بر تعهد سازمانی – معادله ساختاری با سازه وابسته دارای یک متغیر مشاهده‌شده- دکتر یحیی علی‌بابایی

فایل 7 – آموزش لیزرل به زبان ساده

آموزش لیزرل به زبان ساده – دکتر یحیی علی‌بابایی

آموزش کامل لیزرل – جزوه دکتر عابدینی

آموزش کامل Lisrel – جزوات دکتر عابدینی

برگرفته از سایت : پرسشنامه

فصل 4 پایان نامه با نرم افزارهای آماری SPSS- PLS – Amos – Maxquda – Nvivo

پاسخ دهید

انجام فصل 4 پایان نامه با انواع نرم افزارهای آماری کمی SPSS- PLS – Amos و نرم افزارهای کیفی Maxquda و Nvivo

سفارش تحلیل داده های آماری برای فصل 4 پایان نامه با انواع نرم افزارهای آماری کمی SPSS- PLS – Amos و نرم افزارهای کیفی Maxquda و Nvivo

تحلیل داده های آماری پایان نامه ، مقاله و … با کم ترین هزینه و بالاترین کیفیت انجام می گیرید.

امار استنباطی با تحلیل داده های کمی با نرم افزارهای SPSS- PLS – Amos و

همچنین تحلیل داده ای کیفی با نرم افزارهای کیفی Maxquda و انویو Nvivoانجام می گیرد.

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

و بسته به نوع و میزان کار معمولا بین 400 هزار تا 1 میلیون تومان خواهد بود.

توجه کنیداین قیمت در جاهای دیگر بین حداقل 2 تا 3 میلیون می باشد.

ما در اینجا فقط برای رعایت حال دانشجویان و شرایط سخت اقتصادی این قیمت ها را در نظر گرفته ایم. در حالی که کار ما با بالاترین کیفیت و پشتیبانی عالی انجام می گیرد.

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

جهت سفارش با یکی از روش های زیر تماس بگیرید:

تماس با شماره موبایل 09143444846 یا ارسال اس ام اس یا پیام از طریق واتساپ و تلگرام

یا اینکه به ایمیل abazizi1392@gmail.com پیام بفرستید. یا اینکه فرم زیر را تکمیل کنید تا با شما تماس بگیریم.

تحلیل داده های آماری شما با نرم افزارهای کمی و کیفی ،مناسب ترین قیمت و کیفیت عالی انجام می گیرد.
نرم افزار های کمی: SPSS- PLS – Amos
نرم افزار کیفی: Maxquda
تعیین حجم نمونه با:Spss samplepower
لازم است به نکات ذیل توجه فرمائید:

1- گزارش تحلیل (فصل 4 پایان نامه ) در قالب فایل ورد (Word ) ارائه می شود.

2- خروجی نرم افزار و داده های تحلیل شده در اختیار تان قرار داده می شود.

3- در صورت پیشنهاد استاد راهنما یا نظر خود محقق تحلیل بر اساس نظر آن ها انجام می گیرد.

5- سعی می شود تحلیل در اسرع وقت و حداقل زمان ممکن در اختیار محقق قرار بگیرد.

6- فعلاً تحلیل ها فقط با نرم افزارهای ذکر شده در بالا انجام خواهد شد.

با یکی روش های زیر با ما تماس بگیرید.
Mobile : 09143444846
Telegram: @abazizi
E-mail: abazizi1392@gmail.com

از کار ما مطمئن باشید .

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

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.

صفر تا صد نرم افزار لیزرل

پاسخ دهید

صفر تا صد نرم افزار لیزرل

نرم‌ افزار لیزرل یکی از مهم ترین نرم افزارهای تحلیل داده می باشد که بیشتر برای ترسیم مدل معادلات ساختاری و تحلیل عاملی تاییدی و تحلیل مسیر به کار می آید. در این مقاله با آموزش لیزرل همراه ما باشید تا به روش کاربردی صفر تا صد برنامه لیزرل به صورت کلی بررسی می شود.

نرم افزار لیزرل چیست ؟

نرم‌ افزار LISREL یکی از پر کاربردترین نرم افزار های آماری برای تحلیل عاملی است. این نرم افزار ابتدا توسط کارل یورسکاگ (Karl Jöreskog) و دگ سوربوم (Dag Sörbom) خلق شد. لیزرل Lisrel در واقع به عبارت linear structural relations اشاره دارد که به معنی روابط ساختاری خطی می باشد. زمانی که پژوهشگر قصد دارد روایی یک آزمون را با استفاده از تحلیل عاملی (CFA) بررسی کند این نرم افزار مکمل نرم افزار spss خواهد بود. همین طور با این نرم افزار می توانید به مدل سازی معادلات ساختاری بپردازید که امکان آن در spss موجود نمی باشد.

کاربرد نرم افزار لیزرل

به صورت کلی این نرم افزار برای ترسیم معادلات ساختاری بین متغیرها و بررسی روایی ازمون ها استفاده می شود. این نرم افزار بر اساس روش همبستگی (Correlation) و روش کوواریانس (Covariance) ، بارهای عاملی که بر روی یک متغیر وجود دارد را بررسی می کند و ما می توانیم تشخیص دهیم که ان سوال را از مقیاس حذف کنیم یا نگه داریم. هیمن طور این نرم افزار واریانس و متغیرهای پنهان را برای ما مشخص می کند. در اصل ما با این نرم افزار بر اساس متغیر های قابل مشاهده (Observable) تحقیق به متغیر های پنهان تحقیق دست پیدا می کنیم. به صورت کلی اقداماتی که می توان در این نرم افزار انجام داد شامل این موارد است:

بررسی متغیرهای پنهان
تحلیل عاملی تاییدی
تحلیل مسیر (مدل‌سازی علت و معلولی برای متغیرهای پنهان)
تحلیل ساختار کوواریانس (Linear Structural Relations – LSR)
معادلات ساختاری SEM

تحلیل عاملی با لیزرل

برای آموزش لیزرل از تحلیل عاملی شروع می کنیم. زمانی که شما قصد دارید یک مقیاس را در پژوهش کنید باید یکبار تحلیل عاملی تاکیدی را بر روی سوالات این مقیاس پیاده سازی نمایید. با استفاده از این نرم افزار می توان هر دو نوع تحلیل عاملی را بررسی کرد یعنی :

Exploratory Factor Analysis
Confirmatory Factor Analysis

مثال برای تحلیل عاملی تاکیدی (Factor Analysis)

مثلا ما یک مقیاسی را در زمینه سنجش رفتار شهروندی سازمانی طراحی کرده ایم و قصد داریم بررسی کنیم که سوالات این مقیاس چند عامل را می سنجند؟

factor analysis چیست ؟

در نظر بگیرید برای سنجش یک سازه 30 سوال را طراحی کرده ایم . در علم آمار مشخص شده است که این سوالات ممکن است سازه های دیگری را بسنجند و در اصل ما متغیر های پنهان داریم . متغیر های پنهان متغیر هایی هستند که ما در مورد آن ها اطلاعاتی نداریم ولی داریم آن ها را می سنجیم . زمانی که ساختار زیربنایی سوالات را بررسی می کنیم و از آن ها کوواریانس می گیریم مشخص می شود که هر سوالی به یک سری دیگر از سوالات ارتباط دارد و حول بک متغیر مشخص و یکسان هستند . بر حسب صفات مشترک در این سوالات یا گویه ها محقق می تواند کل سوالات را به دو يا چند دسته تقسیم کند. در آمار به اين دسته ها ، عامل گفته می شود. هر عامل یک متغیر پنهان است که از تركيب چند سوال (آن ها را هم متغیر محسوب می کنیم) که با هم رابطه بالایی دارند، ساخته می شود. تحليل عاملي یک روش آماری است که به كشف این عامل ها در یک مقیاس می پردازد و مشخص می کند ما چند عامل داریم و کدام سوالات مربوط به کدام عامل ها است ؟

تحلیل عاملی اکتشافی

در نظر بگیرید که شما یک پرسشنامه جدید را ایجاد کرده اید . سوالی که پیش می اید این است که این گویه ها و یا سوالات مقیاس جدید شما (پرسشنامه محقق ساخته) چند عامل را بررسی می کند؟ در چنین موردی از تحلیل عاملی اکتشافی استفاده می شود . تحلیل عاملی اکتشافی (EFA ) یکی از روش های تحلیل عاملی است که در آن هدف ما بررسی این موضوع می باشد که در سئوالات مقیاس ما و به طور کلی آنچه داریم می سنجیم ، چند عامل پنهان وجود دارد؟ در واقع ما می خواهیم یک مدل برای سئوالات یا متغیر های تحقیق خود ترسیم نماییم و بار عاملی هر متغیر را بررسی کنیم (در مدلی که ترسیم می کنیم) . تحلیل عاملی اکتشافی زمانی استفاده می شود که از پیش برای روابط بین متغیرهای مقیاس ما مدلی ترسیم نشده باشد و پیش‌ فرضی وجود ندارد که چند عامل پنهان وجود دارد . هدف بررسی تحلیل عاملی این است که عامل‌هایی را پیدا کنیم که بیشترین پراکندگی متغیرها را در اطراف خود دارد و به اصطلاح بار عاملی زیر متغیرهای آن بالا باشد. روش اکتشافی بر این مبنا کار می کند که واریانس مشترک بین متغیر های تحقیق (یک مقیاس) را شناسایی می کند . روش کشف عامل ها از طریق ترسیم ماتريس همبستگي بين متغيرها بدست می باشد.

آموزش تحلیل عاملی تاییدی در نرم افزار لیزرل

تحلیل عاملی تاییدی (CFA) به بررسی مدلی که در گام قبلی توسط تحلیل عاملی اکتشافی ارایه شده می پردازد و محقق قصد دارد ، این تحلیل و مدل بدست آمده را تایید یا رد کند. عموما زمانی که شما می خواهید از مقیاس های از پیش ساخته استفاده کنید برای بررسی روایی مقیاس از تحلیل عاملی تاییدی استفاده می شود . این روش متغیر هایی را که در مدل بدست آمده موثر است را شناسایی می کند و متغیرهای فرعی را حذف می‌کند. برای اجرای تحلیل عامل تایید در لیزرل باید پس از وارد کردن داده های تحقیق در نرم افزار گزینه Path Diagram را انتخاب نمایید.

بعد از مشخص کردن مکان پروژه باید متغیرهای نهان و آشکار خود را تعریف کنید. برای این کار باید ابتدا بر روی گزینه Add/Read/variable در زیر بخش Observed variables بزنید، تا متغیرهای آشکار را تعریف کنید.

در کادر باز شده باید روی گزینه مشخص شده (گزینه دوم) کلیک نمایید. گزینه اول لیست سیستمی فایل لیزرل است که برای داده های کوواریانسی به کار می رود و گزینه دوم برای داده های خام می باشد. سپس بر روی browse کلیک کنید و فایل داده ها را فراخوانی کنید.

در مرحله بعدی باید به تعریف سازه ها یا متغیرهای پنهان یا همان عامل های تحقیق بپردازید. برای این کار باید از بخش Latent variables گزینه را Add/Read/variable را بزنید.

در پایان تعداد نمونه ها را مشخص نمایید و بر روی گزینه ok بزنید.

شما اکنون می توانید مدل خود را ترسیم کنید و با فلش متغیرها را به هم وصل نمایید.

آموزش مدل معادلات ساختاری در نرم افزار لیزرل

یکی از مبانی بررسی داده ها در نرم افزار لیزرل ، تجزیه و تحلیل ساختارهای کوواریانس بین سئوالات است که به آن مدل یابی معادلات ساختاری (Structural equation modeling) هم می گویند . هدف پیش‌ بینی و تشخیص روابط بین متغیر های مستقل و وابسته می باشد . این روش به همراه همبستگی بین متغیر ها چهار کاربرد اصل دارد :

این روش برای پیدا کردن روابط علت و معلولی بین متغیرها استفاده می شود (در اصل می توان با این روش تاثیرات همزمان متغیرهای مستقل روی یک متغیر وابسته را بررسی نمود )
همین طور جایگاه هر یک از متغیر های میانجی (کنترلی، مداخله گر و تعدیل کننده) را تشخیص داد
متغیرهای پنهان (Latent Variable) در تحلیل و آزمون های ما که در اصل در روش تحقیق به آن ها سازه هم گفته می شود را می توان مشخص کرد (مثلا عزت نفس یک سازه است که به صورت مستقیم نمی توان آن را سنجش نمود )
نقش متغیر های پنهان را در مدل پیش‌بین، می توان بررسی نمود

برای اجرای این عمل در نرم افزار لیزرل باید داده ها را در نرم افزار تعریف نمایید و سپس LISREL project را انتخاب کنید و Path Diagram را بزنید. البته می توانید گزینه LISREL project را نیز انتخاب کنید.سپس باید اسم پروژه را وارد کنید و آن را ذخیره کنید.

سپس باید متغیرهای آشکار و پنهان خود را تعریف کنید. بر روی گزینه Add/Read/variable در زیر بخش Observed variables بزنید، تا متغیرهای آشکار را تعریف کنید. در کادر باز شده باید فایل داده ها را فراخوانی کنید تا متغیرها به لیست متغیرهای آشکار اضافه شود. در گام بعدی باید به تعریف سازه ها یا متغیرهای پنهان بپردازید. برای این کار باید از بخش Latent variables گزینه را Add/Read/variable را بزنید.

در مرحله بعدی باید تعداد نمونه تحقیق خود را وارد کنید و سپس باید روی گزینه next بزنید.

سپس باید مشخص کنید که سوالات متغیرهای مکنون و آشکار و مستقل و وابسته کدام هستند. در مرحله اول باید سوالات متغیر مکنون برون زا یا همان مستقل را به عنوان x و سوالات متغیر دورن زا یا وابسته را به عنوان y تعریف نمایید. همین کار را برای متغیرهای مکنون و آشکار نیز انجام دهید و در پایان مدل را اجرا نمایید.

آموزش تحلیل مسیر در نرم افزار لیزرل

مدل سازی معادلات ساختاری با نرم افزار لیزرل 5

روش تحلیل مسیر از الگوی رگرسیون چند متغیره برای تحلیل داده ها استفاده می کند و به جای استفاده از ضرایب وزنی هر گویه، میانگین وزنی گویه ها را محاسبه می کند و به جای متغیر پنهان در مدل قرار می گیرد. برای اجرای این روش آماری باید داده ها را وارد نرم افزار spss نمایید و متغیرهای خود را تعریف کنید. در مرحله بعدی وارد نرم افزار لیزرل شوید و یک پروژه جدید تعریف نمایید.

در گام بعدی گزینه Path Diagram را انتخاب نمایید.سپس باید متغیرهای آشکار خود را تعریف نمایید.

قسمت متغیر مکنون را خالی بگذارید و گزینه next را بزنید.

تعداد نمونه را وارد کنید. سپس باید از بخش matrix to be analyzed گزینه correlation را انتخاب نمایید. در پایان روی ok بزنید.

در گام بعدی باید مدل خود را ترسیم کنید و آن ها را با فلش به هم وصل نمایید.

در نهایت بعد از وصل شدن متغیرها باید گزینه Run LISREL را بزنید.

آموزش شاخص های برازش و اصلاح مدل در لیزرل

در ادامه آموزش لیزرل باید اشاره کرد، شاخص های برازش مدل اهمیت بسیار بالایی در استفاده از نرم افزار لیزرل دارد. سوال این است که داده های گردآوری شده تا چه حد حمایت کننده مدلی است که به لحاظ نظری تدوین شده است؟

انواع شاخص های برازش مدل

شاخص های برازش مطلق
شاخص های برازش تطبیقی
شاخص های برازش مقتصد

برگرفته از: کیارا آکادمی

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