آزمون تی فریدلی Fredly t – Test

آزمون تی فریدلی (Fredly t-test) که به عنوان آزمون تی وابسته یا آزمون تی زوجی نیز شناخته می‌شود، یک روش آماری است که برای مقایسه میانگین‌های دو گروه وابسته یا جفت شده استفاده می‌شود. این آزمون معمولاً در شرایطی به کار می‌رود که داده‌ها از دو حالت مختلف (مانند قبل و بعد از یک درمان) جمع‌آوری شده‌اند.

مراحل انجام آزمون تی فریدلی:

1. جمع‌آوری داده‌ها: داده‌های مربوط به دو حالت (مثلاً قبل و بعد از درمان) را جمع‌آوری کنید. این داده‌ها باید جفت شده باشند.
2. محاسبه تفاوت‌ها: برای هر جفت، تفاوت بین دو مقدار را محاسبه کنید. به عنوان مثال، اگر 𝑋1 مقدار قبل و 𝑋2 مقدار بعد باشد، تفاوت برای هر جفت به صورت 𝐷𝑖=𝑋2−𝑋1 محاسبه می‌شود.
3. محاسبه میانگین و انحراف معیار تفاوت‌ها:
   • میانگین تفاوت‌ها (𝐷ˉ) را محاسبه کنید: 𝐷ˉ=∑𝐷𝑖𝑛
   • انحراف معیار تفاوت‌ها (𝑠𝐷) را محاسبه کنید: 𝑠𝐷=∑(𝐷𝑖−𝐷ˉ)2𝑛−1
4. محاسبه آمار t: 𝑡=𝐷ˉ𝑠𝐷/𝑛 که در اینجا 𝑛 تعداد جفت‌ها است.
5. تعیین درجات آزادی: برای آزمون تی فریدلی، درجات آزادی برابر با 𝑛−1 است.
6. مقایسه با جدول t: مقدار t محاسبه‌شده را با مقدار t بحرانی از جدول توزیع t با درجات آزادی مشخص و سطح معنی‌داری انتخاب‌شده (معمولاً 0.05) مقایسه کنید.
7. نتیجه‌گیری: اگر مقدار t محاسبه‌شده بیشتر از مقدار t بحرانی باشد، فرض صفر (عدم تفاوت) رد می‌شود و می‌توان نتیجه‌گیری کرد که تفاوت معناداری بین دو حالت وجود دارد.

نکات مهم:

• فرضیات: آزمون تی فریدلی فرض می‌کند که تفاوت‌ها باید توزیع نرمال داشته باشند. همچنین، داده‌ها باید از یک نمونه تصادفی انتخاب شده باشند.
• استفاده: این آزمون در بسیاری از زمینه‌ها مانند پزشکی، روانشناسی و علوم اجتماعی برای مقایسه نتایج قبل و بعد از یک مداخله استفاده می‌شود.

پیشنهاد می شود مقاله های زیر را نیز در سایت مطالعه نمایید.

تحلیل مضمون (تماتیک ) چیست؟

نوشته

آیا مدرک زبان در آزمون دکتری اهمیت دارد؟

نوشته

آزمون دقیق فیشر (Fisher’s exact test)

نوشته

ترتیب اعداد بعد از میلیارد

نوشته

آزمون تورش واریانس یا (VIF Test) چیست؟

آزمون‌های تی (T-tests)

آزمون های تی چیست؟

آزمون‌های تی (T-tests) مجموعه‌ای از آزمون‌های آماری هستند که برای مقایسه میانگین‌ها و ارزیابی تفاوت‌های معنادار بین دو گروه استفاده می‌شوند. این آزمون‌ها به ویژه زمانی کاربرد دارند که داده‌ها توزیع نرمالی دارند و حجم نمونه‌ها کوچک است. در زیر توضیحات بیشتری درباره انواع مختلف آزمون‌های تی و کاربردهای آن‌ها ارائه می‌شود:

انواع آزمون‌های تی

1. آزمون تی یک نمونه‌ای (One-Sample T-Test):
   • هدف: مقایسه میانگین یک نمونه با یک مقدار ثابت (معمولاً میانگین جامعه).
   • کاربرد: مثلاً بررسی اینکه آیا میانگین نمرات یک کلاس از یک مقدار مشخص (مثل 70) بیشتر یا کمتر است.
2. آزمون تی مستقل (Independent Samples T-Test):
   • هدف: مقایسه میانگین دو گروه مستقل از یکدیگر.
   • کاربرد: مثلاً بررسی تفاوت میانگین نمرات دو کلاس مختلف در یک آزمون.
   • فرضیات: داده‌ها باید مستقل، توزیع نرمال و واریانس‌ها در دو گروه برابر باشند (در صورت استفاده از آزمون تی با واریانس‌های برابر).
3. آزمون تی وابسته (Paired Samples T-Test):
   • هدف: مقایسه میانگین دو گروه مرتبط یا وابسته به یکدیگر.
   • کاربرد: مثلاً بررسی تفاوت نمرات یک گروه از دانش‌آموزان قبل و بعد از یک دوره آموزشی.
   • فرضیات: داده‌ها باید توزیع نرمال داشته باشند و تفاوت‌ها باید مستقل باشند.

مراحل انجام آزمون تی

1. تعریف فرضیات:
   • فرض صفر (𝐻0): هیچ تفاوت معناداری بین میانگین‌ها وجود ندارد.
   • فرض جایگزین (𝐻1): تفاوت معناداری بین میانگین‌ها وجود دارد.
2. محاسبه آماره تی:
   • برای هر نوع آزمون تی، فرمول خاصی برای محاسبه آماره تی وجود دارد.
3. تعیین سطح معناداری:
   • معمولاً از سطح معناداری 0.05 یا 0.01 استفاده می‌شود. به این معنا که اگر مقدار p-value کمتر از این سطح باشد، فرض صفر
   • همچنین پیشنهاد می شود مقالات زیر را در سایت https://rava20.ir
   • مطالعه نمایید:
4. آیا Atlas.ti امکاناتی برای تحلیل داده‌های چندرسانه‌ای نیز دارد؟
5. نوشته
6. یک ترفند ساده ژاپنی برای کنترل خشم
7. نوشته
8. چند عادتی که از سیگار کشیدن هم مضرترند
9. نوشته
10. آیا QDA Miner قابلیت تحلیل کمی را برای داده‌های خروجی در نرم‌افزارهای آماری دیگر فراهم می‌کند؟
11. نوشته
12. چه روش‌های آماری برای تحلیل داده‌ها در تحقیق آزمایشی استفاده می‌شود؟

آزمون تورش واریانس یا (VIF Test) چیست؟

آزمون تورش واریانس (Variance Inflation Factor یا VIF) ابزاری است که برای تشخیص وجود هم‌خطی (multicollinearity) در مدل‌های رگرسیون استفاده می‌شود. هم‌خطی به معنای وجود همبستگی بالا بین متغیرهای مستقل در یک مدل رگرسیونی است، که می‌تواند منجر به تخمین‌های نادرست و غیرقابل اعتماد از ضرایب رگرسیون شود.

مفهوم VIF

VIF به ما کمک می‌کند تا بفهمیم که یک متغیر مستقل چقدر تحت تأثیر متغیرهای مستقل دیگر قرار دارد. برای هر متغیر مستقل، VIF محاسبه می‌شود و به صورت زیر تعریف می‌گردد:

𝑉𝐼𝐹𝑖=11−𝑅𝑖2

که در آن 𝑅𝑖2 ضریب تعیین (coefficient of determination) حاصل از رگرسیون متغیر 𝑖 بر روی سایر متغیرهای مستقل است.

تفسیر VIF

• VIF = 1: هیچ هم‌خطی وجود ندارد.
• 1 < VIF < 5: هم‌خطی متوسط؛ معمولاً قابل قبول است.
• VIF ≥ 5: هم‌خطی بالا؛ نیاز به بررسی و ممکن است نیاز به حذف یا ترکیب متغیرها باشد.
• VIF ≥ 10: هم‌خطی شدید؛ معمولاً پیشنهاد می‌شود که متغیرها بررسی و اصلاح شوند.

مراحل انجام آزمون VIF

1. مدل رگرسیون اولیه: یک مدل رگرسیون چندگانه را با تمام متغیرهای مستقل ایجاد کنید.
2. محاسبه VIF: برای هر متغیر مستقل، VIF را محاسبه کنید.
3. تحلیل نتایج: نتایج VIF را تحلیل کرده و تصمیم بگیرید که آیا نیاز به حذف یا اصلاح متغیرها وجود دارد یا خیر.

نکات مهم

• VIF فقط برای متغیرهای مستقل محاسبه می‌شود و به متغیر وابسته مربوط نمی‌شود.
• وجود هم‌خطی ممکن است باعث افزایش واریانس تخمین‌های ضرایب شود، اما خود این موضوع به تنهایی نمی‌تواند مدل را غیرقابل اعتماد کند.

در نتیجه، آزمون VIF ابزاری مهم برای تحلیل و بهبود مدل‌های رگرسیونی است و می‌تواند به محققان کمک کند تا از مشکلات هم‌خطی جلوگیری کنند.

همچنین پیشنهاد می شود مقالات زیر را در سایت https://rava20.ir/ مطالعه نمایید:

آزمون کوواریانس چند متغیره (مانکوا) چیست؟

نوشته

نحوه بازیابی اسناد در ورد

نوشته

جلسه 22 مقدمات spss – اصلاح یا حذف سیستماتیک ردیف های بدون جواب + شناسایی داده های پرت

نوشته

کپی محتویات یک فایل متنی بدون بازکردن فایل

نوشته

آزمون تحلیل واریانس چیست؟ Analysis of Variance test

آزمون تک متغیری مجذور کا یا chi-square one variable test چیست؟

آزمون تک متغیری مجذور، که به انگلیسی Chi-Square Test نامیده می‌شود، یک آزمون آماری است که به‌طور خاص برای تحلیل داده‌های دسته‌ای (Categorical Data) استفاده می‌شود. این آزمون برای بررسی وجود تفاوت یا رابطه بین چندین دسته یا گروه به کار می‌رود.

ویژگی‌های اصلی آزمون تک متغیری مجذور:

1. هدف:
   • این آزمون برای بررسی این که آیا تعداد مشاهدات (Observed Frequencies) و تعداد پیش‌بینی‌شده (Expected Frequencies) تفاوت معناداری دارند یا خیر، استفاده می‌شود.
2. انواع:
   • آزمون خوب بودن برازش (Chi-Square Goodness of Fit Test): این آزمون بررسی می‌کند که آیا داده‌های مشاهداتی با یک توزیع خاص (مانند توزیع یکنواخت یا نرمال) همخوانی دارد یا خیر.
   • آزمون استقلال (Chi-Square Test of Independence): این آزمون بررسی می‌کند که آیا بین دو متغیر دسته‌ای رابطه‌ای وجود دارد یا خیر.
3. فرضیات:
   • فرض صفر (H0): فرض می‌کند که بین تعداد مشاهدات و تعداد پیش‌بینی‌شده تفاوتی وجود ندارد.
   • فرض جایگزین (H1): فرض می‌کند که بین تعداد مشاهدات و تعداد پیش‌بینی‌شده تفاوت وجود دارد.
4. کاربرد:
   • این آزمون در زمینه‌های مختلفی مانند علوم اجتماعی، بازاریابی، و تحقیقات بهداشتی استفاده می‌شود تا روابط بین دسته‌ها را بررسی کند.
5. محاسبه:
   • برای محاسبه مقدار Chi-Square از فرمول زیر استفاده می‌شود: 𝜒2=∑(𝑂𝑖−𝐸𝑖)2𝐸𝑖 که در آن 𝑂𝑖 تعداد مشاهد‌بینی‌شده است.
6. درجه آزادی:
   • درجه آزادی بر اساس تعداد دسته‌ها محاسبه می‌شود: 𝑑𝑓=𝑘−1 که در آن 𝑘 تعداد دسته‌های مختلف است.

خلاصه:

آزمون تک متغیری مجذور یک ابزار آماری مهم است که به تحلیل داده‌های دسته‌ای کمک می‌کند. این آزمون به محققان اجازه می‌دهد تا روابط و تفاوت‌های معنادار بین دسته‌ها را بررسی کنند و درک بهتری از داده‌های خود کسب کنند.

بررسی کامل مزایا و معایب؛ آبغوره و قند خون

9 هوش مصنوعی رایگان و کاربردی برای کمک در نوشتن پایان نامه و مقاله

آزمون های تعقیبی (Post Hoc)

نکات مهم انتخاب موضوع پایان نامه و پروپوزال

آیا آزمون احتمال دقیق فیشر  از  آزمون کای-دو  مناسب تر است؟

آزمون تک نمونه ای کولموگروف اسمیرنوف چیست؟

آزمون تک نمونه‌ای کولموگروف-اسمیرنوف (Kolmogorov-Smirnov one-sample test) یک روش آماری است که برای بررسی انطباق یک توزیع تجربی با یک توزیع نظری (معمولاً توزیع نرمال یا دیگر توزیع‌های مشخص) به کار می‌رود. این آزمون به‌ویژه در مواقعی که فرضیات مربوط به توزیع‌های پارامتری (مانند نرمال بودن) نمی‌تواند به‌راحتی تأیید شود، کاربرد دارد.

ویژگی‌های آزمون کولموگروف-اسمیرنوف

1. غیرپارامتری: این آزمون نیاز به فرضیات خاصی درباره توزیع داده‌ها ندارد و می‌تواند برای توزیع‌های مختلف استفاده شود.
2. حساسیت بالا: آزمون کولموگراف-اسمیرنوف به تغییرات در توزیع داده‌ها بسیار حساس است و می‌تواند به‌خوبی انحراف از توزیع نظری را شناسایی کند.
3. محاسبه فاصله: این آزمون با محاسبه فاصله بین تابع توزیع تجربی (EDF) و تابع توزیع نظری (CDF) عمل می‌کند.

مراحل انجام آزمون

1. جمع‌آوری داده‌ها: داده‌های مورد نظر را جمع‌آوری کنید.
2. انتخاب توزیع نظری: توزیع نظری که می‌خواهید با داده‌های تجربی مقایسه کنید (مثلاً توزیع نرمال) را مشخص کنید.
3. محاسبه تابع توزیع تجربی: برای داده‌های جمع‌آوری شده، تابع توزیع تجربی (EDF) را محاسبه کنید.
4. محاسبه تابع توزیع نظری: تابع توزیع نظری (CDF) را برای توزیع انتخاب شده محاسبه کنید.
5. محاسبه آماره آزمون: بیشینه فاصله (𝐷) بین تابع توزیع تجربی و نظری را محاسبه کنید:𝐷=max⁡∣𝐹𝑛(𝑥)−𝐹(𝑥)∣که در آن 𝐹𝑛(𝑥) تابع توزیع تجربی و 𝐹(𝑥) تابع توزیع نظری است.
6. تعیین سطح معنی‌داری: آماره 𝐷 را با مقدار بحرانی یا سطح معنی‌داری مقایسه کنید.
7. تفسیر نتایج: بر اساس مقایسه انجام شده، تصمیم بگیرید که آیا توزیع داده‌ها با توزیع نظری انطباق دارد یا خیر.

نتیجه‌گیری

آزمون کولموگروف-اسمیرنوف یک ابزار مفید برای بررسی انطباق توزیع داده‌ها با توزیع‌های نظری است و به‌خصوص در تحلیل داده‌های غیرپارامتری کاربرد زیادی دارد. این آزمون به محققان کمک می‌کند تا نتایج به‌دست‌آمده را بهتر تفسیر کنند و از صحت فرضیات خود اطمینان حاصل کنند.

پیشنهاد می شود مطالب زیر را نیز در وبسایت https://rava20.ir/ مطالعه کنید:

زمان لمباردی چیست؟

نوشته

خطر واقعی استفاده از هوش مصنوعی برای انسان چیست؟

نوشته

آزمون های تعقیبی (Post Hoc)

نوشته

تحلیل محتوای کتاب های درسی با تکنیک ویلیام رومی

آزمون تقارن توزیع ( Distribution symmetry test ) چیست؟

آزمون تقارن توزیع (Distribution Symmetry Test) یک روش آماری است که برای بررسی تقارن یک توزیع داده‌ها به کار می‌رود. این آزمون به ما کمک می‌کند تا تعیین کنیم آیا توزیع داده‌ها به‌طور متقارن حول یک نقطه خاص (معمولاً میانگین یا میانه) قرار دارد یا خیر.

توجه شود: این آزمون ها برای نمونه های بیشتر از 30 مناسب نمی باشد و اگر نمونه بزرگتر از 30 باشد بهتر است به بررسی چولگی و کشیدگی بسنده شود، متاسفانه در بیشتر پایان نامه ها دانشجویان و اساتید به این مهم توجه نمی کنند و به اشتباه توزیع داده ها را با این آزمون ها غیر نرمال نشان می دهند! و برای آزمون فرضیه ها از آزمون های ناپارامتریک استفاده می کنند.

اهمیت آزمون تقارن

توزیع‌های متقارن، مانند توزیع نرمال، ویژگی‌های خاصی دارند که در تحلیل‌های آماری اهمیت دارند. اگر توزیع داده‌ها متقارن نباشد، ممکن است نتایج تحلیل‌های آماری متداول (که فرض بر متقارن بودن توزیع دارند) معتبر نباشند.

روش‌های آزمون تقارن

1. آزمون ویلکاکسون (Wilcoxon Signed-Rank Test): این آزمون برای داده‌های جفتی و غیر پارامتری استفاده می‌شود و به بررسی تقارن حول یک نقطه مشخص می‌پردازد.
2. آزمون دیکرت (D’Agostino’s K-squared Test): این آزمون بر اساس محاسبه کجی و کشیدگی توزیع است و تقارن را به‌طور غیرمستقیم بررسی می‌کند.
3. آزمون چارت (Shapiro-Wilk Test): این آزمون برای بررسی نرمال بودن توزیع داده‌ها به کار می‌رود و می‌تواند به‌عنوان یک آزمون تقارن نیز مورد استفاده قرار گیرد.
4. پیشنهاد می شود مطالب زیر را نیز در وبسایت https://rava20.ir/ مطالعه کنید:
5. پرسشنامه مادی گرایی و فرا مادی گرایی اینگلهارت(1981)
6. نوشته
7. خواص برگ انگور ( مو ) :
8. نوشته
9. مراحل تحلیل مضمون آتراید-استرلینگ (Attride-Stirling’s approach)
10. نوشته
11. جلسه اول : هوش مصنوعی برای سوالات علمی (بسیار کاربردی برای پایان نامه و مقاله نویسی)
12. نوشته
13. آزمون همبستگی اسپیرمن (Spearman’s Rank Correlation Coefficient)

نحوه منبع گرفتن از هوش مصنوعی

راهکار اول: شما با استفاده از هوش مصنوعی پاراگراف به پاراگراف ترجمه به انگلیسی کنید و آن متن را به هوش مصنوعی بدهید و از هوش مصنوعی چت جی‌پی‌تی و یا جیمینای گوگل بخواهید که مطالب را از مقالات آی اس آی و معتبر به شما بدهد و اینکه منابع به صورت درون متنی باشد. منابعی که به شما میدهد بیش از 70درصد معتبر هست.

راهکار دوم پاراگراف انگلیسی شده را به هوش مصنوعی perplexity بدید و ازش بخواید برای این متن، منابع از مقالات isi بنویسید. و برای شما منابعی که میدهد بیش از ۹۰ درصد صحیح و قابل اعتماد هست.

تایید منابع داده شده

حال منابع داده شده توسط هوش مصنوعی را در گوگل و یا گوگل اسکالر سرچ بکنید اگر ساختار مقاله علمی داشت اوکی هست و به عنوان منبع در نظر بگیرید. راهکار دیگر این است که مطالبی که هوش مصنوعی به شما داده هر یکی دو خط کپی کنید و به گوگل بدید و در انتهای مطالب در باکس گوگل بنویسید «مقاله». حال مقالاتی که برای شما ‌نشان داد و وجه اشتراک زیادی داشتند می‌توانید رفرنس دهید.

کوتاه‌ترین تست هوش دنیا + پاسخ

نوشته

این ادویه همه فن حریف آسپیرین گیاهی برای جلوگیری از لخته شدن عروق خونی‌ است

نوشته

ویرایش صدا فیلم های آموزشی با کمتازیا

نوشته

توانایی های هوش مصنوعی جمینی Gemini

نوشته

نحوه اضافه کردن تصاویر و متن در نرم افزار Word

 

تحلیل های کمی با نرم افزار های : SPSS – Amos – Pls
تحلیل های کیفی با نرم افزار های : Maxqda – NVivo

پایان نامه نویسی مقاله نویسی

spss

جهت عضویت در کانال تلگرام سایت کلیک کنید.

آزمون کوواریانس چند متغیره (مانکوا) چیست؟

آزمون کوواریانس چند متغیره (MANOVA) یک روش آماری است که برای بررسی تفاوت‌های میانگین‌ها در چندین متغیر وابسته به طور هم‌زمان مورد استفاده قرار می‌گیرد. این آزمون به پژوهشگران امکان می‌دهد تا تأثیر متغیرهای مستقل (مثل گروه‌های مختلف یا شرایط تجربی) را بر روی چندین متغیر وابسته بررسی کنند.

مفاهیم کلیدی در MANOVA:

1. متغیرهای وابسته: این‌ها متغیرهایی هستند که پژوهشگر به دنبال بررسی تغییرات آن‌ها است. در MANOVA، چندین متغیر وابسته به طور هم‌زمان تحلیل می‌شوند.
2. متغیرهای مستقل: این‌ها متغیرهایی هستند که پژوهشگر فرض می‌کند بر روی متغیرهای وابسته تأثیر می‌گذارند. به عنوان مثال، گروه‌های مختلف یا شرایط آزمایشی.
3. فرضیات:
   • نرمال بودن: توزیع متغیرهای وابسته باید نرمال باشد.
   • همگنی کوواریانس: ماتریس‌های کوواریانس برای گروه‌های مختلف باید برابر باشد.
   • استقلال مشاهدات: مشاهدات باید مستقل از یکدیگر باشند.

مراحل انجام آزمون MANOVA:

1. تعیین متغیرها: تعیین متغیرهای وابسته و مستقل.
2. جمع‌آوری داده‌ها: داده‌ها باید به طور مناسب جمع‌آوری شوند.
3. آزمون فرضیات: بررسی فرضیات نرمال بودن و همگنی کوواریانس.
4. اجرای آزمون MANOVA: با استفاده از نرم‌افزارهای آماری مانند SPSS، R، یا SAS.
5. تحلیل نتایج: تفسیر نتایج به دست آمده از آزمون و بررسی اینکه آیا تفاوت‌های معناداری وجود دارد یا خیر.

مزایای MANOVA:

• بررسی چندین متغیر به طور هم‌زمان: این روش به پژوهشگران این امکان را می‌دهد که تأثیرات چندین متغیر وابسته را به طور هم‌زمان بررسی کنند.
• کاهش خطر خطای نوع اول: چون چندین آزمون t یا ANOVA را به طور هم‌زمان انجام نمی‌دهید، خطر خطای نوع اول کاهش می‌یابد.

معایب MANOVA:

• پیچیدگی تحلیل: تفسیر نتایج MANOVA ممکن است پیچیده‌تر از آزمون‌های ساده‌تر باشد.
• نیاز به حجم نمونه بزرگ: برای دستیابی به نتایج معتبر، معمولاً نیاز به حجم نمونه بزرگتر دارید.

به طور کلی، MANOVA ابزاری قدرتمند برای تحلیل داده‌ها در پژوهش‌های علمی است که به بررسی تأثیرات چندین متغیر وابسته به طور هم‌زمان کمک می‌کند.

پیشنهاد می شود مقاله هایزیر را هم در سایت مطالعه نمایید:

آزمون تحلیل واریانس چیست؟ Analysis of Variance test

نوشته

عزت نفس چیست؟

نوشته

معرفی چند منابع مهم درباره تحلیل مضمون در زمینه رسانه‌ها و تحقیقات اجتماعی

نوشته

آیا مدرک زبان در آزمون دکتری اهمیت دارد؟

نوشته

آزمون تحلیل واریانس  تحلیل واریانس چند متغیره (MANOVA):

عامل اصلی موفقیت چیست؟

👈آنجلا دوک‌ورث، استاد دانشگاه پنسیلوانیا، در یکی از سخنرانی‌های خود در TED ما را با رمز و راز موفقیت آشنا می‌کند و می‌گوید:

👈من قبل از آن که وارد شغل مشاوره مدیریت بشوم، معلم ریاضی بودم و در آن شغل به یک نکته جالب رسیدم: ضریب هوشی دلیل اصلی تفاوت عملکرد بین بهترین و بدترین شاگردانم نبود

👈در حقیقت، برخی از بهترین شاگردانم، برخلاف تصور عمومی، اصلا ضریب هوشی بالایی نداشتند و از این نظر یک انسان کاملا معمولی به حساب می‌آمدند. در مقابل، بعضی از بدترین شاگردانم، ضریب هوشی بسیار بالایی داشتند

👈به همین دلیل، در آن مدت که معلم بودم به این فکر فرو رفتم که اگر ضریب هوشی، عامل اصلی موفقیت ما انسان‌ها نیست، پس چه چیزی عامل اصلی موفقیت ما به حساب می‌آید؟

👈بعد از چند سال معلم بودن متوجه شدم که عامل اصلی موفقیت یک فرد، نه ضریب هوشی او، بلکه انگیزه و آمادگی روانی او برای یادگیری و تلاش بیشتر است

👈بر اساس این یافته‌های شخصی‌ام تصمیم گرفتم در فوق‌ لیسانس سراغ روانشناسی بروم و روی عواملی که باعث ایجاد انگیزه در افراد برای یادگیری و موفقیت می‌شوند، تمرکز کنم. به همین دلیل، در تمام تحقیقاتم تلاش کردم به این سوال پاسخ بدهم: افراد موفق چرا موفق شده‌اند؟

👈مثلا در تحقیقات‌مان در شرکت‌های مختلف، به این موضوع می‌پرداختیم که از بین فروشندگان متعددی که در یک شرکت حضور دارند، کدام‌شان همچنان در شرکت باقی می‌مانند و تلاش می‌کنند فروش‌شان را افزایش بدهند؟

👈در تمام تحقیقات‌مان متوجه شدیم که موفقیت یک فرد به عواملی مثل ضریب هوشی، هوش اجتماعی، ظاهر خوب و سلامت جسمی ربط ندارد، بلکه به «ثبات قدم فرد» ربط دارد

👈ثبات قدم به شور و اشتیاق و پشتکار یک فرد برای رسیدن به اهداف بلندمدتش و توانایی او برای تحمل سختی‌ها و مشقت‌های مربوط به مسیر رسیدن به آن اهداف گفته می‌شود

👈به بیان دیگر، ثبات قدم یعنی فرد در تمام ساعات روزش به هدف مهمی که در آینده دارد، فکر می‌کند و برای رسیدن به آن هدف تلاش می‌کند، آن هم نه برای یک روز، یک هفته و یک سال، بلکه برای یک مدت طولانی چند ساله

👈در حقیقت، می‌توانم بگویم ثبات قدم یعنی حضور در یک دوی ماراتن نفس‌گیر و طولانی که قاعدتا با حضور در یک دوی سرعت خیلی تفاوت دارد

👈در تحقیقات بعدی‌متوجه شدم که ما انسان‌ها چقدر راجع به ثبات قدم و نقش آن در موفقیت‌مان کم می‌دانیم، کم بحث می‌کنیم و کم اهمیت می‌دهیم

👈برای همین، به شما تاکید می‌کنم اگر می‌خواهید موفق شوید، فریب مواردی مثل هوش اجتماعی و غیره را نخورید و فقط روی ثبات قدم‌تان تمرکز کنید.

همچنین مقاله های زیر را نیز مشاهده نمایید:

کاربرد نرم افزار اکسل در تحلیل داده ها کمی چیست؟

تحلیل آماری پایان نامه در کم تر از 5 روز ! ویژه پایان نامه  دکتری و کارشناسی ارشد

علت سوزش کف پا چیست؟

آزمون آماری پیلای یا ( pillai’s test) چیست؟

روش تحقیق و پایان نامه نویسی: راهنمای جامع