آمار توصیفی و استنباطی

صفحه اصلی ◄ نوشته های آماری ◄ آمار توصیفی و استنباطی

تعداد بازدید : 6086 آمار توصیفی و استنباطی
نویسنده	پیام

javad-vhd

ارسال‌ها :	37
عضويت :	16 /4 /1393
تشکر شده :	6

آمار توصیفی و استنباطی

هنجار آزمون:

تعریف هنجار اگر برای تفسیر نمرۀ یک دانش آموز آن نمره را با میانه یا میانگین نمرۀ بک گروه مرجع مقایسه کنیم به آن گروه مرجع گروه هنجار می گویند.گروه مرجع از کسانی تشکیل می یابد که به گونه ای شبیه به دانش آموز مورد نظر هستند. بنابراین، فایدۀ هنجار این است که برای قضاوت دربارۀ سطح نسبی عملکرد یک فرد به عنوان معیار به کار می رود.هنجار یابی یکی از مراحل اصلی در استاندارد کردن آزمون های وابسته به هنجار است.در تعیین هنجار برای یک آزمون، باید سوال زیر را مورد توجه قرارداد:

آزمون در مورد چه گروهی به کار خواهد رفت؟

برای مثال اگر آزمون برای اندازه گیری ویژگیهای شخصیتی زنان به کار خواهد رفت، گروه مرجع یا گروه هنجار باید نمونه ای از تمام زنان باشد.یا اگر آزمون برای سنجش آمادگی خواندن کودکان پیش دبستانی به کار خواهد رفت، گروه مرجع باید از کودکان پیش دبستانی که هنوز آموزش خواندن را شروع نکرده اند تشکیل یابد.

هنجارهای مربوط به نمرات معیار موقعیت نسبی یک دانش آموز در یک گروه با نشان دادن فاصلۀ نمرۀ او از میانگین نمرات معلوم می‌شود. نمرات معیار، عملکرد هر دانش آموز را در یک آزمون، بنا بر اختلاف عملکرد او از میانگین گروه، بر حسب واحد انحراف معیار نشان می دهد .

نمرهzآن دسته از نمرات معیار که دارای توزیعی با میانگین صفر و انحراف معیار واحد(1) هستند به نمرات z (نمرات زی) شهرت دارند .

نمره Tمجموعه نمرات معیار دیگری که به نمرات T (نمرات تی ) شهرت دارند برای رفع مشکلات نمرات z ابداع شده اند.

منبع: اندازه گیری سنجش و ارزشیابی آموزشی نوشته دکتر علی اکبر سیف

پنجشنبه 26 تیر 1393 - 19:21

ارسال پیام نقل قول تشکر گزارش

javad-vhd

ارسال‌ها :	37
عضويت :	16 /4 /1393
تشکر شده :	6

پاسخ : 1 RE آزمون روایی :

آزمون روایی:

تعریف و انواع روایی

روایی اصطلاحی است که به هدفی که آزمون برای تحقق بخشیدن به آن درست شده است اشاره می‌کند.لین وگرانلاند (200) روایی را یه صورت "یک ارزشیابی از کفایت و مناسبت تفسیرها و استفاده های نتایج سنجش" (ص73) تعریف کرده‌اند. کاپلان و ساکوزو (2001) گفته‌اند "روایی می‌توان به صورت به صورت توافق بین نمرۀ آزمون و کیفیتی که قرار است اندازه بگیرد تعریف کرد" (ص132). بنابر آنچه گفته شد، آزمونی دارای روایی است که برای اندازه گیری آنچه مورد نظر است کافی و مناسب باشد. برای مثال، یک آزمون پیشرفت تحصیلی ریاضی پنجم دبستان در صورتی یک آزمون رواست که محتوا و هدفهای آن درس را به خوبی آندازه گیری کند و بجز یادگیری دانش‌آموزان از آن درس چیز دیگری را شامل نباشد به عنوان مثالی دیگر از روایی، یک آزمون هوشی روا آزمونی است که تنها هوش افراد را اندازه گیری کند نه چیز دیگری را. بنابراین، یک آزمون ممکن است از جهتی روا باشد اما از جهاتی دیگر روا نباشد. پس، روایی یک امر نسبی است، نه یک ویژگی که هست یا نیست.آزمونهای مورد استفاده در آموزش و پرورش و روانشناسی دارای سه هدف عمده هستند که به سه پرسش زیر پاسخ می‌دهند.

1. آیا سوالهای آزمون از محتوای درس یا موضوع مورد نظر بک نمونۀ خوب ارائه می‌دهند؟

2. آیا نمرات آزمون عملکرد فعلی یا آتی دانش آموزان را پیش بینی می کنند.

3. آیا نمرات آزمون به مفاهیم نظری یا سازه هایی که آزمون برای سنجش آنها درست شده است مربوط اند؟

سه مورد بالا به ترتیب سه نوع روایی محتوایی، ملاکی، و سازه را نشان می دهند.

پنجشنبه 26 تیر 1393 - 19:22

ارسال پیام نقل قول تشکر گزارش

javad-vhd

ارسال‌ها :	37
عضويت :	16 /4 /1393
تشکر شده :	6

پاسخ : 2 RE آزمون پایایی :

آزمون پایایی:

تعریف پایایی

پایایی یک وسیلۀ اندازه گیری عمدتاً به دقت نتایج حاصل از آن اشاره می کند. کاپلان و ساکوزوا (2001) گفته‌اند" پایایی به دقت، اعتماد پذیری، ثبات، با تکرار پذیری نتایج آزمون اشاره می‌کند" (ص 11). رابطۀ بین روایی و پایایی از این قرار است که یک آزمون باید پایا باشد تا بتواند روا باشد. اگر آزمونی در هر با اجرا بر روی تعدادی از دانش آموز نتایج مختلفی به دست بدهد آن آزمون یک آزمون پایا نخواهد بود و در واقع هیچ چیز را به درستی اندازه نخواهد گرفت، و اگر یک آزمون چیزی را به درستی اندازه‌گیری نکند هیچ اطلاع مفیدی به ما نخواهد داد. برای مثال، یک آزمون حساب برای اندازه گیری محتوا و هدفهای درس تاریخ روا (مناسب) نیست، اما این آزمون می تواند مطالب حساب را که اندازه می‌گیرد با دقت (به طور پایا) اندازه گیری کند. پس، برای اینکه یک آزمون روا باشد باید نخست پایا باشد. یعنی پایایی شرط روایی است، اما روایی برای پایایی ضروری نیست.

روشهای تعیین پایایی

روشهای تعیین پایایی متنوع‌اند و ما آنها را با استفاده از پیشنهادهای ایبل (1972)، ویرسما و جورس (1990)، و مرفی و دیویدشوفر(1994) به شرح زیر دسته بندی می‌کنیم:

روش پایایی مصححان، روش بازآزمایی، روش فرم‌های هم ارز، و روشهای همسانی درونی (روش دو نیمه کردن آزمون، روش کودر- ریچاردسون، و روش ضریب القای کرانباخ).

روش دو نیمه کردن آزمون

در روش دو نیمه کردن آزمون، آزمون‌ مورد نظر را یک بار با گروه واحدی از آزمون شوندگان اجرا می کنیم و، پس از اجرا، آن را به دو نیمه تقسیم می‌نماییم. در این روش، بهترین راه دو نیمه کردن آزمون این است که همۀ سوالهای فرد را یک آزمون به حساب آوریم، و همۀ سوالهای زوج را نیز آزمون دیگری بدانیم. ضریب همبستگی حاصل از نمرات دو نیمۀ آزمون ضریب پایایی هر یک از دو نیمه خواهد بود.

روش کورد ریچاردسون

در روش کودر-ریچاردسون نیز آزمون تنها یک بار اجرا می‌شود، اما در این روش همۀ ماده‌های آزمون تحلیل می‌شوند. کودر و ریچاردسون برای همسانی درونی آزمون و تعیین پایایی آن دو فرمول مورد استفاده قرار داده‌اند که به 20kR و 21 KR شهرت دارند.

روش ضریب الفا

سومین روش تعیین پایایی آزمون با تاکید بر همسانی درونی روش ضریب آلفا نام دارد که به آن ضریب آلفا یا ضریب آلفای کرانباخ یا حتی آلفا نیز گفته می‌شود

پنجشنبه 26 تیر 1393 - 19:22

ارسال پیام نقل قول تشکر گزارش

javad-vhd

ارسال‌ها :	37
عضويت :	16 /4 /1393
تشکر شده :	6

پاسخ : 3 RE حد تسلط :

حد تسلط:

تمیز بین حد تسلط و غیر حد تسلط :

از آنجا که آزمونهای وابسته به ملاک دارای یک نمرۀ مرزی برای حد تسلط هستند، مثلاً نمره 85 از 100، بنابراین لازم است معلوم شود که آیا سوالهای آزمون در آن نقطه بین آزمون شوندگان قوی و ضعیف تمیز قائل می شوند یا نه.در شکل زیر حرف a معرف تعداد آزمون شوندگانی است که سوال را درست جواب داده اند اما در کل آزمون نمره ای کمتر از حد تسلط گرفته اند .همچنین b تعداد آزمون شوندگانی است که سوال را درست جواب داده اند و در نمره کل آزمون نیز به حد تسلط رسیده اند .حرف c نشان دهندۀ تعداد آزمون شوندگانی است که سوال را غلط جواب داده اند و در کل به حد تسلط نرسیده اند. و بالاخره حرف d معرف تعداد کسانی است که سوال مورد نظر را درست جواب نداده اند اما در نمره کل آزمون به حد تسلط رسیده اند. تعداد آزمون شوندگانی که به حد تسلط رسیده اند برابر است با b+d و تعداد کسانی که به حد تسلط نرسیده اند مساوی است با a+c .

ضریب تمیز، یعنی D، برابر است با تفاوت بین سطوح دشواری سوال برای کسانی که به حد تسلط رسیده و آنهایی که به حد تسلط نرسیده اند، مطابق با فرمول زیر:

تصویر به اندازه 16% (580x90) کوچک شده است. برای دیدن تصویر در اندازه واقعی (688x106) روی این نوار کلیک کنید. برای باز شدن در پنجره جدید روی تصویر کلیک کنید.

این ضریب تمیز از 1- تا 1+ متغیر است. مقدار مثبت D نشان می دهد که سوال بین کسانی که به حد تسلط رسیده و کسانی که به حد تسلط نرسیده اند تمیز قائل شده است . وقتی که ضریب تمیز سوالی منفی است، نشان دهنده آن است که سوال در جهت خلاف سوالهای دیگر تمیز قائل می شود. چنین سوالی نیاز به بازبینی دارد.

پنجشنبه 26 تیر 1393 - 19:24

ارسال پیام نقل قول تشکر گزارش

javad-vhd

ارسال‌ها :	37
عضويت :	16 /4 /1393
تشکر شده :	6

پاسخ : 4 RE نمرهz :

آن دسته از نمرات معیار که دارای توزیعی با میانگین صفر و انحراف معیار واحد(1) هستند به نمرات z (نمرات زی) شهرت دارند .

برای تبدیل نمرات خام به نمرات z از فرمول زیر استفاده می شود:

نمرۀ z نشان می دهد که یک نمرۀ خام به اندازۀ چه تعداد از واحدهای انحراف معیار بالاتر یا پایین تر از میانگین است.

منبع: اندازه گیری سنجش و ارزشیابی آموزشی نوشته دکتر علی اکبر سیف

نمره T:

مجموعه نمرات معیار دیگری که به نمرات( T Score ) شهرت دارند برای رفع مشکلات نمرات Z ابداع شده اند. مقیاس نمرات T با ضرب نمرات Z در 10 و جمع کردن نمرات حاصل با 50 به دست می آید .بنابراین، آن دسته از نمرات معیار که دارای توزیعی با میانگین 50 و انحراف معیار 10 است توزیع نمرات T نام دارد. می توان فرمول محاسبۀ نمرات T را به صورت زیر نوشت:

T=10(z)+50

منبع: اندازه گیری سنجش و ارزشیابی آموزشی نوشته دکتر علی اکبر سیف

نمرات 9 بخشی:

نوع دیگری از نمرات هنجار به نام نمرات 9 بخشی (Standard Nine)وجود دارد که به صورت نمرات معیار یک رقمی نشان داده می‌شود. علت نام گذاری این مقیاس نمرات به 9 بخشی آن است که توزیع این نمرات به 9 بخش محدود می‌شود.این مقیاس دارای میانگین5 و انحراف معیار 2 است.نیکتو (1983) نمرات 9 بخشی را برای نمره‌گذاری آزمونهای آزمونهای تشریحی که ارزشیابی آنها جنبۀ کیفی دارد، به ویژه آزمونهای خواندن و فهمیدن، به شرح زیر پیشنهاد داده است:

9- بسیار عالی ( 4% بالا)

8- عالی(7% بعدی)

7- خیلی خوب(12% بعدی)

6- خوب (17% بعدی)

5- متوسط(20%)

4- نسبتاً ضعیف(17% بعدی)

3- ضعیف(12% بعدی)

2- خیلی ضعیف(7% بعدی)

1-بیش از حد ضعیف(4% آخر)

پنجشنبه 26 تیر 1393 - 19:24

ارسال پیام نقل قول تشکر گزارش

javad-vhd

ارسال‌ها :	37
عضويت :	16 /4 /1393
تشکر شده :	6

پاسخ : 5 RE گزینه های انحرافی :

گزینه های انحرافی :

علاوه بر تعیین ضریبهای دشواری و تمیز برای هر سوال، بررسی نحوۀ پراکندگی پاسخهای مربوط به گزینه های انحرافی هر سوال ضروری است.در تحلیل گزینه های انحرافی قاعدۀ کلی به شرح زیر است: هر گزینۀ انحرافی دست کم باید یک نفر از افراد گروه ضعیف را به خود جلب می کند تعداد افراد گروه ضعیف باید بیشتر از تعداد افراد گروه قوی باشد.دلیل اسن امر را به این گونه می توان توضیح داد که افراد گروه ضعیف در مجموع اطلاعات کمتری از مطالب آزمون دارند. بنابراین، در صورتی یک سوال به خوبی عمل می کند که افراد ضعیف بیشتر از افراد گروه قوی گزینه های انحرافی آن سوال را انتخاب نمایند.

تحلیل گزینه های انحرافی به کمک منحنی ویژگی سوال:

در نظریه سوال- پاسخ هر یک از گزینه های یک سوال چند گزینه ای ( چه گزینه درست و چه گزینه های انحرافی) می تواند اطلاعاتی دربارۀ دانش یا مهارت پاسخ دهنده به دست دهد.برای این منظور، لازم است، علاوه بر منحنی ویژگی گزینۀ درست، برای گزینه های غلط نیز منحنی ویژگی رسم کنیم.به عنوان نمونه، شکل 15-13 هم منحنی ویژگی گزینۀ درست (الف) و هم منحنیهای ویژگی گزینه های انحرافی، (ب،ج،د) را نشان می دهد.چنان که در شکل دیده می شود، گزینۀ درست یا گزینۀ الف دارای قدرت تمیز مثبت و بالاست.گزینۀ انحرافی ج نیز دارای قدرت تمیز مثبت و نسبتاً بالاست.اما گزینۀ د را کمتر کسی انتخاب کرده و قدرت تمیز ندارد.گزینۀ ب دارای قدرت تمیز منفی است، یعنی پاسخ دهندگان ضعیف بیشتر از پاسخ دهندگان قوی آن را انتخاب کرده اند.

منحنی سوال:

منحنی ویژگی سوال یک بازنمایی نموداری از رابطۀ بین احتمال پاسخ درست دادن به یک سوال و موقعیت آزمون شونده در صفت مورد اندازه گیری توسط آزمون است.همچنین می توان گفت که منحنی ویژگی سوال احتمال پاسخ درست دادن را نسبت به صفت مکنون تعیین می کند.برای تهیه منحنی ویژگی یک سوال، نسبت یا درصد آزمون شوندگانی که آن سوال را درست جواب داده اند در رابطه با نوعی ملاک یا معیار، مثلا نمرۀ کل آزمون آنها، رسم می شود. به سخن دیگر، بر روی منحنی افقی نمرۀ کل آزمون و بر روی محور عمودی نسبت آزمون شوندگانی که به سوال پاسخ درست داده اند مشخص می شود.

دقت کنید که در منحنی ویژگی سوال 1 (شکل زیر) نسبتهای درست برای این سوال همراه با افزایش نمرۀ کل آزمون افزایش می یابد.این مطلب نشان می دهد که:

هر چه نمرۀ کل آزمون یک فرد بزرگتر باشد با احتمال بیشتری به این سوال پاسخ درست خواهد داد.

از روی منحنی ویژگی سوال می توان ضریبها دشواری و تمیز را تعیین نمود. ضریب دشواری عبارت است از نمره معیاری که در ان 50 درصد آزمون شوندگان سوال درست را پاسخ داده اند.

ضریب تمیز برابر است با شیب منحنی ویژگی سوال.

اگر همه آزمون شوندگان به یک سوال جواب درست بدهند منحنی آن یک خط افقی واقع در بالای محور عمودی خواهد بود و اگر همه آزمون شوندگان به یک سوال جواب غلط بدهند منحنی ویژگی سوال آن نیز یک خط افقی خواهد بود.

در شکل زیر منحنی ویژگی های پنج سوال با هم مقایسه شده اند.

سوال الف) یک سوال ضعیف است زیرا بین آزمون شوندگان قوی و ضعیف تمیز قائل نمی شود.

سوال ب) یک سوال معیوب است زیرا این سوال با کل آزمون رابطه معکوس دارد به عبارت دیگر ضریب تمیز منفی دارد

سوال های پ) و ت) سوال های نسبتا خوبی هستند.

منحنی ویژگی سوال ث از منحنی ویژگی سوال پ و ت شیب کمتری دارد و نتیجه می گیریم که نمی تواند به خوبی سوالات پ وت تیمز بین گروه های قوی و ضعیف را انجام دهد

برازنده کردن منحنی ویژگی سوال:

برای استفاده بیشتر از منحنی سوال ، سعی می شود که مناسب ترین منحنی ریاضی آن سوال رسم شود. در صورتی که منحنی ریاضی سوال به نحو صحیحی رسم شود با کمک آن چند پارامتر مهم سوال را تعیین نمود:

1. پارامتر a که نشان دهندۀ شکل یا شیب منحنی ویژگی سوال است. چنان که قبلا دیدیم، شیب صعودی یا منحنی دارای شکل پلکانی نشان دهندۀ قدرت تمیز زیاد سوال است.

2. پارامتر b معرف آستانه یا همان ضریب دشواری سوال است. ضریب دشواری سوال برابر است با نمره ای از آزمون که آزمون که مقابل با نقطۀ تغییر یا نقطۀ عطف منحنی ویژگی سوال است.

3. پارامتر c یا پارامتر تصادف میزان حدس پذیری سوال را مشخص می کند.هر چه امکان کسب نمره از راه حدس زدن در یک سوال بیشتر باشد مقدار c برای آن سوال نیز بزرگ تر است.

ضریب تمیز:

ضریب تمیز که با d نشان داده می شود قدرت سوال را در تمایز گذاری یا تشخیص بین گروه قوی و گروه ضعیف آزمون شوندگان مشخص می کند،(بر خلاف ضریب دشواری که میزان آسان بودن یا دشوار بودن یک سوال را برای گروه آزمون شوندگان نشان می دهد،) یعنی معلوم می‌نماید که سوال تا چه اندازه می تواند گروه قوی را از گروه ضعیف جدا سازد. برای محاسبۀ ضریب تمیز یک سوال از فرمول زیر استفاده می شود:

تصویر به اندازه 3% (580x111) کوچک شده است. برای دیدن تصویر در اندازه واقعی (597x114) روی این نوار کلیک کنید. برای باز شدن در پنجره جدید روی تصویر کلیک کنید.

تفسیر ضریب :

تمیز هر قدر ضریب تمیز بزرگتر باشد، قوه تمیز آن سوال بیشتر و هر قدر این ضریب کوچکتر باشد قوۀ تمیز آن کمتر است. گاه اتفاق می افتد که ضریب تمیز سوالی منفی است.این نوع ضریب تمیز نشان می دهد مه در آن سوال گروه قوی بدتر از گروه ضعیف عمل کرده است. این گونه سوالها دارای معایب اساسی هستند که یا باید به کلی کنار گذاشته شوند یا در آنها تجدید نظر اساسی صورت پذیرد.اگر سوال دارای اشکال فنی نباشد، دلیل چنین ضریبی می تواند این باشد که افراد گروه بالا یا آن سوال را به طور کامل یاد نگرفته اند یا آن را به غلط آموخته اند.بنابراین، تمامی ضریبهای تمیز سوالهای آزمون باید مثبت باشند.

رابطه بین ضریب تمیز و ضریب دشواری به صورت زیر است:

ضریب دشواری:

محاسبه ضریب دشواری سوال بنا به تعریف، درصد کل آزمون شوندگانی که به سک سوال جواب درست میدهند ضریب دشواری آن سوال است که با حرف P نشان داده می‌شود.اگر در تحلیل یک سوال کلیه افراد یا کلیه برگه‌های امتحانی دخالت داشته باشند برای محاسبه‌ی ضریب دشواری سوال آن کافی است که تعداد کل افرادی را که به آن سوال جواب درست داده‌اند بر تعداد کل آزمون شوندگان تقسیم کنیم و نتیجه را در 100 ضرب نماییم. رقم حاصل ضریب دشواری سوال است. مطابق فرمول زیر:

در این فرمول R معرف تعداد کسانی است که به سوال جواب درست داده و T نشان دهنده تعداد کل آزمون شوندگان است. در مواردی که تعداد آزمون شوندگان( تعداد برگه‌های آزمون) زیاد است و اطلاعات ما به نحوۀ پاسخدهی افراد گروه بالا و گروه پایین محدود می‌شود، لازم است از فرمول زیر استفاده کنیم:

تصویر به اندازه 15% (580x113) کوچک شده است. برای دیدن تصویر در اندازه واقعی (677x131) روی این نوار کلیک کنید. برای باز شدن در پنجره جدید روی تصویر کلیک کنید.

بر اساس توضیحات بالا، هر اندازه ضریب دشواری یک سوال بزرگ‍‌تر (به 100 نزدیک تر) باشد، آن سوال آسان تر است و هر اندازه که این ضریب کوچک تر (به صفر نزدیک تر) باشد سوال دشوارتر است. چنان که ملاحظه شد، فرمول بالا ضریب دشواری را بر حسب یک عدد صحیح دو رقمی نشان می‌دهد. برخی از متخصصان اندازه گیری و ارزشیابی ترجیح می‌دهند که این ضریب، مانند ضریب تمیز، بر حسب اعداد اعشاری باشد که تفسیر آن با تفسیر ضریب تمیز همانند صورت گیرد.

تفسیر ضریب دشواری:

اگر در تفسیر ضریب دشواری یا ضریب سهولت سوال با آزمونهای وابسته به هنجار سر و کار داشته باشیم، می‌توانیم این ضریت را از دیدگاه آماری مورد بررسی قرار دهیم. یکی از انتظارات ما از آزمون‌های وابسته به هنجار این است که برای آزمون شوندگان مختلف نمراتی به دست می‌دهد که در طول یک پیوستار پراکنده باشند، و هر چه این پراکندگی بیشتر باشد بهتر است. به سخن دیگر، هر چه واریانس نمرات حاصل از یک آزمون وابسته به هنجار بزرگ تر باشد آن آزمون آزمون بهتری است. در نتیجه، از لحاظ انتخاب برای گنجانیدن در فرم نهایی آزمون، سوالهایی بهتر هستند که ضریب دشواری آنها از 1 کمتر و از صفر بیشتر و به 5/0 نزدیک باشد.البته انتخاب سوالهایی با ضرایب دشواری مناسب به نوع سوالهای آزمون مربوط است. در آزمونهای صحیح – غلط ضریب دشواری5/0 P= زمانی بدست می آید که همۀ آزمودنیها با حدس زدن به سوال جواب بدهند.آلن وین (1979) گفته اند برای آزمونهای چند گزینه‌ای سطح بهینۀ دشواری اندکی کمتر از وسط فاصلۀ بین 1 و سطح موفقیت با حدس زدن است.منظور از سطح موفقیت با حدس زدن عبارت است از نسبت پاسخهای درستی که با حدس زدن حدود 25/0 است، و لذا سطح بهینۀ دشواری در وسط 25/0 و 1 یعنی در حدود 6/0 خواهد بود.برای تعیین رقم دقیق معرف ضریب دشواری بهینۀ سوال، ابتدا سطح موفقیت 100% را از سطح عملکرد با حدس زدن (مثلاً 25%) کم می کنیم و نتیجه را به 2 تقسیم می نماییم و نقطۀ میانی را مشخص می کنیم.

پس از آن، حاصل از محاسبات بالا ( یعنی نقطۀ میانی ) را با سطح معرف عملکرد از طریق حدس زدن جمع می کنیم .به طور کلی، ضریبهای دشواری بین 3/0 و 7/0 حداکثر اطلاع را دربارۀ تفاوت بین آزمودنیها به دست می دهند.

ضریب کودر ریچاردسون:

به فرض اینکه تمام سوالهای آزمون دارای ضریب دشواری متوسط باشند، می توان به جای فرمول 20 KR از فرمول 21 KR به شرح زیر استفاده کرد:

چنان ‌که گفتیم، در استفاده از فرمول 21 KR فرض بر این است که همۀ سوالها یا ماده‌های آزمون از لحاظ درجۀ دشواری شبیه به هم هستند. هر قدر از لحاظ درجۀ دشواری میان سوالهای آزمون تفاوت وجود داشته باشد، به همان نسبت از ضریب پایایی حاصل از فرمول21 KR کاسته می‌شود. اگر فرض شباهت درجۀ دشواری سوالها صحیح باشد، استفاده از این فرمول بسیار ساده‌تر از فرمول 20 kR است، زیرا در استفاده از فرمول 21 KR نیازی به محاسبۀ نسبت پاسخهای درست برای تک تک سوالهای آزمون نیست و تنها با داشتن سه جزء اطلاع زیر:

یعنی تعداد سوالها (n) میانگین نمرات آزمون ( X ̅)

و واریانس کل آزمون محاسبۀ ضریب پایایی مسیر است.

فرض اساسی فرمولهای کودر و ریچاردسون این است که سوالهای آزمون را می‌توان به صورت 1 برای پاسخ درست و 0 (صفر) برای پاسخ غلط تصحیح کرد. بنابراین نمی‌توان این فرمولها را برای محاسبۀ ضریب پایایی پرسشنامه‌هایی که پاسخهای آنها از 1 تا 4 یا 5 را شامل می‌شوند مورد استفاده قرار داد

منبع: اندازه گیری سنجش و ارزشیابی آموزشی نوشته دکتر علی اکبر سیف

ضریب آلفای کرونباخ:

روش آلفای کرانباخ در شرایطی که نمرات سوال نه به صورت دو ارزشی صفر و 1 بلکه به صورت چند ارزشی تعیین می‌شود و 20 KR برای آن مناسب نیست قابل استفاده است – مثلاً در رابطه با نمرات حاصل از پرسشنامه‌های شخصیت یا نگرش‌سنج که پاسخ دهنده به هر سوال در طیفی از مثلاً کاملاً موافق تا کاملاً مخالف (5 تا 1) جواب می‌دهد و هیچ یک از آنها درست یا غلط محسوب نمی‌شود .

اگر بخشهای آزمون یا خرده آزمونهایی که از مجموع آنها آزمون کلی تشکیل شده است به طور جداگانه نمره گذاری بشوند، در آن صورت ضریب آلفا مستلزم این نیست که سوالهای انفرادی به صورت درست و غلط تصحیح شوند

کرانباخ (1951) واضع این روش تعیین پایایی است. در این روش، اجزا یا قسمتهای آزمون برای سنجش ضریب پایایی آزمون به کار می‌روند. اگر قسمتهای "آزمون همان سوالهای آزمون باشند و سوالها به صورت درست (1) و غلط (0) تصحیح بشوند، ضریب آلفا برابر خواهد بود با 20 KR (روش کودر ریچارسون)که قبلا معرفی شد. اما اگر، به جای سوالها یا ماده‌ها، آزمون از بخشها یا قسمنهایی تشکیل شده باشد، مثل زمانی که یک آزمون از تعدادی خرده آزمون تشکیل یافته است، و بخواهیم از آنها در محاسبۀ ضریب پایایی کل آزمون استفاده کنیم، آنگاه از روش کرانباخ مطابق با فرمول زیر استفاده می‌کنیم:

ضریب همبستگی:

همبستگی بین نمرات در تعبیر و تفسیر نمرات دانش‌آموزان و دانشجویان، گاه لازم می‌آید که رابطۀ بین دو یا چند دسته نمره را تعیین کنیم. برای مثال، اغلب سوال می‌شود که نمرات هوش و نمرات پیشرفت تحصیلی چه رابطه‌ای با هم دارند، و بسیاری از معلمان علاقه مندند که بدانند بین نمرات پیشرفت تحصیلی سالهای قبل و بعد رابطه‌ای وجود دارد یا نه .میزان رابطۀ بین دو دسته نمرۀ متعلق به گروه واحدی از دانش‌آموزان یا دانشجویان را با محاسبۀ ضریب همبستگی مشخص می‌کنند متداولترین روش تعیین همبستگی، روش محاسبۀ ضریب همبستگی گشتاوری پیرسون است.این ضریب همبستگی با r نشان داده می‌شود.

تفسیر ضریب همبستگی

1. رابطۀ بین متغیرهای مورد نظر ممکن است از جمعیتی به جمعیت دیگر فرق کند.

2. هر چه افراد مورد نظر در متغیرهایی که ضریب همبستگی بین آنها محاسبه می‌شود نامتناجس تر باشند ضریب همبستگی حاصل بزرگتر است.

3. ممکن است وجود همبستگی بین دو متغیر به علت یک رابطۀ واقعی بین آن دو نباشد، بلکه دلیل آن، ارتباط بین این دو متغیر با یک متغیر ثالث باشد. برای مثال، در روزهای برفی و بارانی زمستان، بین پوشیدن پالتو و استفاده از چتر، ضریب همبستگی مثبت وجود دارد. اما بر اساس این همبستگی نه می‌توان گفت که پالتو پوشیدن دلیل استفاده از چتر است، نه استفاده از چتر دلیل پالتو پوشیدن.

4. ضریب همبستگی را نباید به صورت درصد تعبیر کرد.اما مجذور ضریب همبستگی نشان دهندۀ درصد وجه مشترک بین دو متغیر است.

5. هر چه قدر م 5. هر چه قدر مطلق ضریب همبستگی بین دو متغیر بیشتر باشد، مقدار رابطۀ بین آنها بیشتر است . بنابراین، ضریب همبستگی 60/0 + بیشتر از ضریب همبستگی 55/0+ است و ضریب همبستگی 72/0- از هر دو آنها بزرگ تر است. تنها تفاوت بین ضرایب مثبت و منفی در جهت رابطۀ بین متغیرهاست.ضریب همبستگی مثبت نشان دهندۀ رابطۀ مستقیم، اما ضریب همبستگی منفی نشان دهندۀ رابطۀ معکوس است.

پنجشنبه 26 تیر 1393 - 19:26

ارسال پیام نقل قول تشکر گزارش

javad-vhd

ارسال‌ها :	37
عضويت :	16 /4 /1393
تشکر شده :	6

پاسخ : 6 RE ضریب همبستگی دو رشته ای نقطه ای :

ضریب همبستگی دو رشته ای نقطه ای:

زمانی که از دو متغیر مورد نظر که می‌خواهیم بین آنها ضریب همبستگی به دست آوریم یکی پیوسته و دیگری دو مقولگی یا دو ارزشی باشد از روش همبستگی دو رشته‌ای نقطه‌ای استفاده می‌کنیم . منظور از متغیر دو ارزشی آن است که تنها یکی از دو مقدار یک یا صفر را شامل می شود، مانند بله- نه، زن_مرد ، و قبول- رد. معمولا به منظور انجام محاسبات به یکی از این دو مقوله نمره 1 و به یکی نمرۀ صفر(0) داده می‌شود. نمونۀ روشن این نوع نمرۀ گذاری، نمره دادن به سوالهای آزمونهای عینی، مانند آزمونهای چند گزینه‌ای است.در این آزمونها به هر سوال درست نمرۀ 1 و به هر سوال غلط نمرۀ 0 داده می‌شود.

فرمول محاسبه ضریب همبستگی دو رشته ای نقطه ای که مورد خاصی از ضریب همبستگی گشتاوری است به صورت زیر است:

منبع: اندازه گیری سنجش و ارزشیابی آموزشی نوشته دکتر علی اکبر سیف

ضریب همبستگی گشتاوری پیرسون:

متداول ترین روش همبستگی، همبستگی گشتاوری پیرسون است. اگر دو دسته نمرات X و Y برای دو درس داشته باشیم با استفاده از نمرات خام می توان از فرمول زیر ضریب همبستگی را به دست آورد:

منبع: اندازه گیری سنجش و ارزشیابی آموزشی نوشته دکتر علی اکبر سیف

آشنائي با روش ها و آزمونهاي آماري1. 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 يا

که آماره برآورد کننده پارامتر µ است در بسياري موارد استفاده مي شود.

2. آزمون آماري و تخمين آماري

همانطور که در بخش روش نگارش يک مقاله علمي-پژوهشي عنوان شد 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.

3. 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.

4. 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.

برای مقایسه میانگین دو یا چند

جامعه (یعنی تاثیر یک متغیر مستقل گروه بندی بر یک متغیر کمی وابسته) از این آزمون استفاده می شود.

نکته: در این آزمون نیز باید متغیر وابسته کمی و متغیر

مستقل گروه بندی (Factor) دارای سطوح محدودی باشد.

در تحلیل واریانس فرضیه های تحقیق ممکن است به دو صورت درآیند،که عبارتند از :

۱٫ وجود تفاوت معنی دار بین گروههای متغیر :آیا میانگین های متغیر وابسته در گروههای ایجاد شده بوسیله متغیر فاکتور تغیر می کنند یا برابر هستند.

۲٫ وجود رابطه علت و معلولی در بین متغیرها: اگر میانگینهای متغیر وابسته در گروههای ایجاد شده بوسیله متغیر فاکتور با هم برابر نباشند به این معناست که متغیر مستقل بر مقادیر متغیر وابسته در گروهها ی متغیر فاکتور تاثیر دارد.اگر چنین باشد این دو متغیر (مستقل و وابسته)می توانند رابطه علت ومعلولی داشته باشند.در تحلیل واریانس،متغیر وابسته کمی است و عامل ها که متغیرهای کیفی هستند. عامل نیزمی تواند بین آزمودنیها ( Between

groups

) یا درون آزمودنیها (within

groups

) باشد.

درآنالیز واریانس برای محاسبه تفاوت بین گروه ها از آزمون های تعقیبی استفاده می کنیم.

تحلیل واریانس چند عامله

در قسمت فوق تحلیل واریانس یک عامله مطرح شد یعنی تفاوت بین میانگین جوامع مختلف فقط بر حسب یک متغیر مستقل(Factor) بیان می شود. در صورتی که بخواهیم تفاوت بین میانگین جوامع را بر حسب دو یا چند متغیر مستقل بیان کنیم، به عبارتی بخواهیم اثر دو یا چند عامل را همزمان روی متغیر وابسته بررسی کنیم، لازم است از تحلیل واریانس چند عامله استفاده شود.

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

پیش فرض آن:

-مشاهدات مستقل

- برابری واریانس ها

- برابری کواریانس ها

- نرمال بودن جامعه

شامل مانوا یک راهه و دو راهه و چند راهه میشود.

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

و آزمون تحلیل واریانس تک متغیری

ANOVA

بکار گرفته می شود.اما در حالتی که بیش از یک متغیر وابسته مدنظر قرار دارد، با توجه به وابستگی بین متغیرهای وابسته از روش های تحلیل چند متغیره استفاده می شود

در طرح تحلیل واریانس چند متغیری دو یا چند متغیر وابسته پیوسته با یک یا چند متغیر مستقل مقوله ای ارزیابی می شوند. برای مثال مطالعه اثرات جنسیت(مرد، زن) روی رضایت شغلی کارگران و غیبت آنان از کار و یا بررسی اثرات نوع تدبیر درمانی (رفتاری-شناختی، روان کاوی، درمان فشرده) روی ارزیابی

کارکرد کلی(پیامد بالینی) و رضایت مراجع از خدمات درمانی، از این قبیل می باشد.

فرضیه صفر برای این آزمون در حالت کلی به صورت زیر است

:H_0:

μ_1=μ_2=

⋯

=μ_i

این فرضیه بیان می کند که میانگین همه گروه ها در جامعه برابر می باشد

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

میزان انحراف نمونه ها از میانگین را در هر سطح متغیر مستقل یا گروه از

میانگین کل هر متغیر وابسته را نشان می دهد.ماتریس

اثرات متفاوت تدابیرآزمایشی را روی مجموعه متغیرهای وابسته نشان می

دهد.در نهایت

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

بر

B+W

ساخته می شود.در عمل اگر اثرمتغیر مستقل بر متغیرهای وابسته از نظر آماری

معنادار باشد، یعنی اگر تدابیرآزمایشی اثرگذار باشند، در اینصورت مقدار

نسبتا بزرگ و

کوچک خواهد بود

دلایل استفاده از

MONOVA

اغلب اتفاق می افتد زمانی که هدف محقق بررسی بیش از یک متغیر وابسته است، به جای استفاده از روش های چند متغیری هر بار یکی از متغیرهای وابسته را در نظر گرفته و از روش

ANOVA

برای تحلیل استفاده می نماید. استفاده از این روش می تواند اشکالاتی را به وجود آورد که در ادامه به بیان آن ها می پردازیم

آزمون های آماری تک متغیری به طور معمول همبستگی متقابل متغیرهای وابسته را نادیده می گیرد. در حالیکه روش

MANOVA

همبستگی متقابل بین متغیرهای وابسته را با بررسی ماتریس های واریانس کواریانس در نظر می گیرد

روش

MANOVA

محققان را قادر می سازد تا روابط بین متغیرهای وابسته را در هر سطحی از متغیرهای مستقل بررسی کنند

این روش به شناسایی متغیرهای وابسته با بیشترین توان تفکیک در گروه بندیکمک می کند

4- MANOVA

به واسطه توان افزایش یافته در موقعیت چند متغیری می تواند تفاوت های گروهی نامشخص تحت شرایط تحلیل های آماری تک متغیری را آشکار نماید

روش

MANOVA

سطح آلفای کلی یا میزان خطای نوع اول (یعنی احتمال این که فرض صفر درست بوده و به اشتباه رد شود)را کنترل می کند. برای مثال اگر بخواهیم تفاوت های جنسیتی(متغیر مستقل) را با چهار متغیر وابسته رضایت شغلی

(

پرداخت، مزایا، همکاران و محل کار) بررسی کنیم و برای این کار از چهار آزمون جداگانه

و یا روش

ANOVA

استفاده نماییم، با سطح خطای 5% برای هر آزمون با خطای نوع اول برابر 0.054 مواجه خواهیم شد. در این حالت استفاده از روش

MANOVA

این مشکل را برطرف می کند

چه موقع نباید از

MANOVA

استفاده کرد

حداقل دو حالت وجود دارد که تحت آن شرایط نباید

از

MANOVA

استفاده نمود و یا اینکه در کاربرد آن ها باید جانب

احتیاط رعایت شود

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

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

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

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

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

5. خلاصه 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.

مفروضه های آزمون کروسکال والیس:

· توزیع یکسان جامعه

· انتخاب تصادفی نمونه از جامعه

· گروهها با نمونه های مستقل ازهم

باشند.

نکته: آزمون

کروکسال والیس نیازمند این است که نمونه های مورد آزمایش از لحاظ شکل،مشابه باشند.

شرایط استفاده از آزمون

کروکسال والیس:

بیش از دو گروه را در یک متغییر که رتبه ای ، فاصله ای یا نسبی داشته باشیم–

[list=1]

[*]توزیع داده ها غیر طبیعی باشد.

این آزمون معادل آزمون

ANOVA

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.

آزمون فریدمن جهت اولویت بندی و رتبه بندی متغیر ها بر اساس بیشترین تاثیر بر متغیر وابسته می باشد. این آزمون برای طرح بلوکی کامل تصادفی شده است که به نام ابداع کننده آن میلتن فریدمن اقتصاددان معروف نامگذاری شده است در واقع آزمون فریدمن تعمیمی از آزمون علامت است یعنی برای 2 تیمار، آزمون فریدمن هم ارز آزمون علامت است. آزمون فریدمن براي مقايسه چند گروه از نظر ميانگين رتبه های آنهاست و معلوم مي‌كند كه آيا اين گروه ها مي‌توانند از يك جامعه باشند يا نه؟

مقياس در اين آزمون بايد حداقل رتبه اي باشد. اين آزمون متناظر غير پارامتري آزمون F است و معمولا در مقياس هاي رتبه اي به جاي F به كار مي‌رود و جانشين آن مي‌شود (چون در F بايد همگني واريانس ها وجود داشته باشد كه در مقياسهاي رتبه اي كمتر رعايت مي‌شود). همچنین آزمون فريدمن براي تجريه واريانس دو طرفه (براي داده هاي غير پارامتري) از طريق رتبه بندي به كار مي‌رود و نيز براي مقايسه ميانگين رتبه بندي گروه هاي مختلف. تعداد افراد در نمونه ها بايد يكسان باشند كه اين از معايب اين آزمون است. نمونه ها بايد همگي جور شده باشند. بعبارت دیگر از این آزمون برای آزمون کردن فرضیه هایی استفاده می شود که از یک فرد چندین اندازه گیری بدست آمده است. برای محاسبه آزمون فریدمن، در هر

فرد مقادیر متغیرهای وابسته را مرتب می کنید و سپس متوسط رتبه ها را مقایسه می کنید.

اگر تمایل داشته باشید با نرم افزار این آزمون را انجام دهید می توانید از نرم افزار SPSS

روند زیر را اجرا کنید:

Analyze, Nonparametric tests, k related sample

پس از انجام دستورات فوق در spss صفحه ای باز می شود که برای اجرای آزمون فریدمن باید گزینه مربوط به آزمون فریدمن را تیک بزنید. سپس، متغیر هایی که می خواهید از نظر میزان تاثیر مقایسه کنید به قسمت Test variable انتقال دهید و سپس گزینه ok را بزنید. برنامه spss در قسمت output دو جدول به شما ارائه می دهد.

آزمون كي دو (خي دو يا مربع كاي، کای اسکوئر)

اين آزمون از نوع ناپارامتري است و براي ارزيابي همقوارگي متغيرهاي اسمي به كار مي‌رود. اين آزمون تنها راه حل موجود براي آزمون همقوارگي در مورد متغيرهاي مقياس اسمي با بيش از دو مقوله است، بنابراين كاربرد خيلي زيادتري نسبت به آزمونهاي ديگر دارد. اين آزمون نسبت به حجم نمونه حساس است.

این آزمون از جنبه‌ی کاربرد در تحلیل فرضیه‌ها٬ هم‌ردیف آزمون پارامتری T می‌باشد.

همچنین در نرم افزار SPSS به طریق زیر می توانید این آزمون را انجام دهید:

Analyze, Nonparametric tests, chi-square

نکته: اگر هدف، مقایسه سه گروه یا بیشتر(وابسته) باشد و داده ها رتبه ای یا داده های کمی غیر نرمال باشند از آزمون فریدمن استفاده می شود. اما اگر هدف، مقایسه سه گروه یا بیشتر(مستقل) باشد و داده ها کیفی اسمی باشند از آزمون خی دو استفاده می شود. همچنین انتخاب آزمون آماری برای دو متغیر که هر دو مقوله ای هستند آزمون خی دو است.

همانطور که که در مطالب فوق مشخص است این دو آزمون، آزمونهای ناپارامتری هستند. آزمونهای ناپارامتری، آزمون هائی مي باشند که داده ها توزیع غیر نرمال داشته و در مقايسه با آزمون های پارامتري از توان تشخیصی کمتري برخوردارند. البته باید به یک نکته نیز توجه داشت که اگر نمونه بزرگ باشد، طبق قضیه حد مرکزی حتی اگر جامعه نرمال نباشد می توان از آزمون های پارامتریک استفاده نمود.

موفق باشید.

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.

مطالب ارائه شده مقدمه اي بر روش ها و آزمونهاي آماري بود. براي دانلود متن کامل کتاب کليک کنيد.

جهت تدوين پژوهش هاي ISI و به زبان لاتين مي توانيد از مقاله لاتين آمار کاربردي استفاده کنيد.

منابع

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

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

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

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

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

انواع همبستگی

یکی از تعاریف اساسی در علم آمار تعریف همبستگی و رابطه بین دو متغیر می باشد. بطور کلی

شدت وابستگی دو متغیر به یکدیگر را همبستگی تعریف می کنیم. و ممکن علاوه بر شدت

همبستگی جهت همبستگی نیز مورد نیاز پژوهشگر باشد. در آمار انواع زیادی از ضرایب

همبستگی متفاوت وجود دارند که هر کدام همبستگی بین دو متغیر را با توجه به نوع

دادهها و شرایط متغیرها اندازهگیری میکنند. لذا با توجه به اهمیت این موضوع که

چه ضریب همبستگی را در چه زمانی مورد استفاده قراردهیم،[align=JUSTIFY]در اینجا قصد داریم به تعریف انواع همبستگی بپردازیم.

محاسبه ضرایب همبستگی تا حدود زیادی متاثر از مقیاس اندازه

گیری متغیر ها است، بعنوان مثال برای متغیرهای اسمی جهت رابطه اصلا معنی ندارد،

بین جنس و معدل تنها میتوان گفت که شدت وابستگی چه مقدار است اما افزایش یا کاهش

جنس معنی ندارد. با توجه به نوع متغیر ها ضریب همبستگی میتواند یکی از حالتهای زیر را داشته باشد. 1- دو متغیر اسمی 2- دو متغیر رتبهای 3- دو متغیر فاصلهای- نسبی 4- متغیر اسمی و متغیر رتبه ای 5- متغیر اسمی و متغیر فاصلهای - نسبی 6- متغیر رتبهای و متغیر فاصلهای – نسبی برای هر کدام از حالتهای بالا ضرایب همبستگی متفاوتی وجود

دارند و محاسبه آنها در نرم افزار های spss ، lisrel و R امکان پذیراست. از آنجا که انتخاب ضریب همبستگی مناسب برای بررسی روابط بین متغیرها تحت تاثیر مقیاس اندازه گیری متغیرهای مورد بررسی است لذا تناسب بین سطوح اندازه گیری و ضریب همبستگی سازگار از این جدول برای تصمیم گیری مناسب است آزمون های آماری سطح سنجش متغیرها متغیر

وابستهy متغیر

مستقلx خی دو – فی – وی کرامر – لاندا اسمی اسمی خی دو – فی – وی کرامر – لاندا ترتیبی اسمی تحلیل واریانس یکطرفه – تی تست فاصله ای یا نسبی اسمی خی دو – فی – وی کرامر – لاندا اسمی ترتیبی ضریب همبستگی رتبه ای اسپیرمن ترتیبی ترتیبی خی دو – فی – وی کرامر – لاندا اسمی فاصله ای – نسبی ضریب همبستگی پیرسون r فاصله ای – نسبی فاصله ای – نسبی ضریب همبستگی رتبه ای اسپیرمن ترتیبی فاصله ای – نسبی هرگاه رابطه بین دو متغیر را بررسی کردیم و بین آن دو رابطه معنی دار وجود داشت می توانیم ضریب همبستگی و میزان شدت همبستگی را نیز محاسبه کنیم .

انواع ضرایب همبستگی

ضرایب همبستگی در واقع وابستگی دو متغیر را مشخص می کنند:

اگر ضریب همبستگی بین 25/0 تا 35/0 ضریب بسیار پایین است – تنها 4% تغییرات مشترک میان دو متغیر را نشان می دهد اگر ضریب همبستگی بین 35/0 تا 65/0 ضریب متوسط است – حدود 25% تغییرات مشترک میان دو متغیر را نشان می دهد

اگر ضریب همبستگی بین 65/0 تا 85/0 ضریب بالایی است –تا 72% تغییرات مشترک میان دو متغیر را نشان می دهد

انواع ضرایب همبستگی:

ضریب همبستگی چوپروف T :ضریب هبستگی چوپروف به منظور تعیین شدت وابستگی بین

متغیرهای مورد مطالعه به کار گرفته می شود و مقدار آن همواره بین صفر ویک در نوسان

می باشد زمانی از آن استفاده کرده که هر دو متغیر اسمی و یا یکی اسمی و دیگری

ترتیبی باشد. اما نباید تعداد سطر و ستون با هم برابر باشند.یعنی در جدول توافقی

2در2 نمی توان از آن استفاده کرد. در چنین مواردی باید از ضریب فی استفاده کرد.

ضریب همبستگی فی: به منظور بررسی شدت همبستگی بین دو متغیر اسمی که جدول توافقی 2 در 2 می باشد مورد استفاده قرار می گیرد.خی دو سطح معنی دار بودن همبستگی بین دو متغیر را تعیین میکند اما ضریب فی شدت همبستگی آنها را نشان می دهد. مقدار آن همواره بین صفر و یک در نوسان است.

ضریب همبستگی پیرسون r : این ضریب میزان همبستگی بین دو متغیر فاصله ای یا نسبی

را محاسبه کرده مقدار آن بین 1+ و 1- می باشد اگر مقدار بدست آمده مثبت باشد به

معنی این است که تغییرات دو متغیر به طور هم جهت اتفاق می افتد یعنی با افزایش در

هر متغیر، متغیر دیگر نیز افزایش می یابد و برعکس اگر مقدار r منفی شد یعنی اینکه

دو متغیر در جهت عکس هم عمل می کنند یعنی با افزایش مقدار یک متغیر مقادیر متغیر

دیگر کاهش می یابد و برعکس.اگر مقدار بدست آمده صفر شد نشان میدهد که هیچ رابطه ای

بین دو متغیر وجود ندارد و اگر 1+ شد همبستگی مثبت کامل و اگر 1- شد همبستگی کامل و منفی است.

ضریب کرامر: این ضریب برای تغیین میزان شدت همبستگی بین دو متغیر اسمی مورد استفاده قرارمی گیرد و آن را با (V²) نشان می دهند و مقدار آن نیز همواره بین صفر ویک در نوسان است.هم جدول توافقی بیشتر از 2 در 2 وهم برای مستطیلی بکار می رود .

ضریب همبستگی رتبه ای اسپیرمن : آن را با علامتP نشان می دهند و همواره بین 1+ و

1- می باشد از لحاظ سطح سنجش ترتیبی است.در صورتی که داده های ما به صورت فاصله ای

و نسبی باشند می توانیم آنها را به رتبه تبدیل کنیم.مهم نیست کدام متغیر وابسته و کدام متغیر مستقل است.

نکته مهم : اگر ضریب همبستگی صفر باشد نشاندهنده عدم وجود همبستگی است ضریب همبستگی همواره بین 1+ و 1- در نوسان است اگر ضریب همبستگی کمتر از صفر باشد همبستگی ناقص و منفی است یعنی با افزایش یک متغیر دیگری کاهش می یابد اگر ضریب همبستگی بزرگتر از صفر باشد ناقص و مثبت است یعنی با افزایش یک متغیر، دیگری نیز افزایش می یابد اگر صفر باشد نشاندهنده عدم وجود همبستگی است.

پنجشنبه 26 تیر 1393 - 19:27

ارسال پیام نقل قول تشکر گزارش

javad-vhd

ارسال‌ها :	37
عضويت :	16 /4 /1393
تشکر شده :	6

پاسخ : 7 RE تحليل رگرسيون :

تحليل رگرسيون چند متغييري روش تحليل نيرومندي است كه در انواع مسايل مي توان از آن

استفاده كرد و در تحقيقات جامعه شناسي، روانشناختي، اقتصادي و ... كاربرد دارد.از

آن در متغيرهاي پيوسته و متغيرهاي طبقه اي استفاده مي شود و آن را مي توان با دو

متغيير مستقل، سه متغير مستقل و يا بيشتر استفاده كرد. يكي از انواع روش هاي تحقيق

توصيفي (غير آزمايشي) تحقيق همبستگي است. در اين نوع تحقيق رابطه ميان متغيرها بر

اساس هدف تحقيق تحليل مي‌گردد(كلينجر، 1389: 12).

رگرسيون تكنيكي است كه از طريق آن به تغيير متغير وابسته از طريق تغييرات متغير مستقل يا

از طريق تركيب خطي دو يا چند متغير مستقل تبيين و پيش بيني مي شود . دقت و توانايي

اندازه گيري در روش تحليل رگرسيون بالاست.

تحليل رگرسيون از لحاظ ساختاري را مي توان به سه دسته تقسيم كرد.

1تحليل رگرسيون ساده: تغييرات متغيرy را از طريق يك متغيرx برآورد مي كند و تابع رگرسيون خطري بصورت y=a+bx است.

2. تحليل رگرسيون چند گانه: در آن واريانس متغير y از طريق مشاركت نسبي و تركيب خطي دو يا چند متغير مستقل تبيين مي شود و يك متغيروابسته و مجموعه اي از متغيرهاي مستقل وجود دارد.

تركيب خطي: b2x2+….+ bixi

y=a+b1x1+

3. تحليل رگرسيون چندگانه چند متغيره (ساعي، 1387: 152).

تحقيقات همبستگي را مي‌توان بر حسب هدف به سه دسته تقسيم كرد:

الف) مطالعه همبستگي دو متغيري، ب) تحليل رگرسيون، ج) تحليل ماتريس همبستگي يا كواريانس.

در مطالعات همبستگي دو متغيري، هدف بررسي رابطه دو به دو متغيرهاي موجود در تحقيق است. در

تحليل رگرسيون هدف پيش بيني تغييرات يك يا چند متغير وابسته (ملاك) با توجه به

تغييرات متغيرهاي مستقل (پيش بين) است. در بعضي بررسي ها از مجموعه همبستگي هاي دو

متغيري متغيرهاي مورد بررسي در جدولي به نام ماتريس همبستگي يا كواريانس استفاده

مي‌شود. از جمله تحقيقاتي كه در آن ها ماتريس همبستگي يا كواريانس تحليل مي شود،

تحليل عاملي و مدل معادلات ساختاري است. در تحليل عاملي هدف تلخيص مجموعه اي از

داده ها يا رسيدن به متغيرهاي مكنون (سازه) و در مدل معادلات ساختاري آزمودن روابط

ساختاري مبتني بر نظريه ها و يافته هاي تحقيقاتي موجود است. در زير با تفضيل بيشتر

هر يك از موارد فوق مورد بحث قرار مي‌گيرد. (سرمدي، 1376: ‌)

تحقيق همبستگي دو متغيري

در اين گونه تحقيقات هدف تعيين ميزان هماهنگي تغييرات دو متغير است. براي اين منظور بر حسب

مقياس هاي اندازه گيري متغيرها شاخص هاي مناسبي اختيار مي‌شود از آنجا كه در اكثر

تحقيقات همبستگي دو متغيري از مقياس فاصله اي با پيش فرض توزيع نرمال دو متغيري

براي اندازه گيري متغيرها استفاده مي شود، لذا ضريب همبستگي محاسبه شده در اين گونه

تحقيقات ضريب همبستگي گشتاوري پيرسون يا به طور خلاصه ضريب همبستگي پيرسون است.

به عنوان مثالي از تحقيق همبستگي دو متغيري به تحقيقي از اين نوع در اينجا اشاره مي‌شود:

پژوهشگران براي آزمودن رابطه ”استادهاي دروني و باثبات“ با متغير ”احساس لياقت“ در عملكردهاي

موفق و ناموفق فرضيه هايي را مورد آزمون قرار دادند و براي اين امر از ضرايب

همبستگي دو متغيري پيرسون استفاده كردند. نمره مثبت اسناد مركز عليت نشانگر

اسنادهاي دروني و نمره منفي آن نشانگر اسنادهاي بيروني بود. نمره مثبت اسناد ثبات

نشانگر اسنادهاي باثبات و نمرات منفي آن نشانگر اسنادهاي بي ثبات بود.

فرضيه هاي مورد آزمون عبارت بودند از:

فرضيه 1: احساس لياقت با اسنادهاي دروني و باثبات براي عملكردهاي موفق همبستگي مثبت دارد.

فرضيه 2: احساس لياقت با اسنادهاي دروني و باثبات براي عملكردهاي ناموفق همبستگي منفي دارد.

در اين تحقيق متغيرهاي مورد بررسي به شرح زير است: 1-احساس لياقت، 2-عملكرد در آزمون،

3-اسناد مركز عليت براي عملكرد ناموفق، 4-اسناد باثبات براي عملكرد ناموفق، 5-اسناد

مركر عليت براي عملكرد موفق و 6-اسناد ثبات براي عملكرد موفق.

بايد توجه داشت كه نمره مثبت اسناد مركز عليت نشانگر اسنادهاي دروني و نمره منفي آن نشانگر اسنادهاي بيروني بود. نمره مثبت اسناد ثبات نشانگر اسنادهاي باثبات و نمرات منفي آن نشانگر اسنادهاي بي ثبات بود.

فرضيه هاي مورد بررسي عبارت است از:

1- در عملكردهاي موفق، احساس لياقت با اسناد دروني همبستگي مثبت دارد.

2- در عملكردهاي موفق، احساس لياقت با اسنادهاي باثبات همبستگي مثبت دارد.

3- در عملكردهاي ناموفق، احساس لياقت با اسناد دروني همبستگي منفي دارد.

4- در عملكردهاي ناموفق، احساس لياقت با اسنادهاي باثبات همبستگي منفي دارد.

ضرايب همبستگي اين متغيرها در جدول زير داده شده است و معني داري اين ضرايب همبستگي با يك

يا دو ستاره مشخص شده است. (سرمدي، 1376: ‌)

جدول ضرايب همبستگي متغيرهاي اندازه گيري شده در بررسي رابطه هاي

اسنادهاي دروني و باثبات با احساس لياقت: در مثال فوق با توجه به معني دار بودن برخي از ضرايب همبستگي ملاحظه مي‌شود كه فرضيه 1 كه به رابطه احساس لياقت با اسنادهاي باثبات در عملكردهاي موفق مربوط است تاييد مي‌گردد. (r=0.22 , Pهمبستگي احساس لياقت با اسناد دروني و باثبات براي عملكردهاي ناموفق منفي و معني دار است (r=-.029 , P پژوهشگران با توجه به نتايج به دست آمده از همبستگي هاي دو متغيري به آزمودن فرضيه هاي ياد شده پرداخته اند. ( همان: )

در تحقيقاتي كه از تحليل رگرسيون استفاده مي شود، هدف معمولا پيش بيني يك يا چند متغير

ملاك از يك يا چند متغير پيش بين است. چنانچه هدف پيش بيني يك متغير ملاك از چند

متغير پيش بين باشد از مدل رگرسيون چندگانه استفاده مي‌شود. در صورتي كه هدف، پيش

بيني همزمان چند متغير ملاك از متغيرهاي پيش بين يا زير مجموعه اي از آنها باشد از

مدل رگرسيون چند متغيري استفاده مي‌شود. در تحقيقات رگرسيون چندگانه هدف پيدا كردن

متغيرهاي پيش بيني است كه تغييرات متغير ملاك را چه به تنهايي و چه مشتركا پيش بيني

كند. ورود متغيرهاي پيش بين در تحليل رگرسيون به شيوه هاي گوناگون صورت مي‌گيرد. در

اين جا سه روش اساسي مورد بحث قرار مي‌گيرد:

الف) روش همزمان، ب)روش گام به گام، ج) روش سلسله مراتبي.

در روش همزمان تمام متغيرهاي پيش بين با هم وارد تحليل مي‌شود. در روش گام به گام اولين

متغير پيش بين بر اساس بالاترين ضريب همبستگي صفرمرتبه با متغير ملاك وارد تحليل

مي‌شود. از آن پس ساير متغيرها پيش بين بر حسب ضريب همبستگي تفكيكي (جزئي) و نيمه

تفكيكي (نيمه جزئي) در تحليل وارد مي‌شود. در اين روش پس از ورود هر متغير جديد

ضريب همبستگي نيمه تفكيكي يا تفكيكي ، تمام متغيرهايي كه قبلا در معادله وارد شده

اند به عنوان آخرين متغير ورودي مورد بازبيني قرار مي‌گيرد و چنانچه با ورود متغير

جديد معني داري خود را از دست داده باشد، از معادله خارج مي‌شود. به طور كلي در روش

گام به گام ترتيب ورود متغيرها در دست محقق نيست.

در روش سلسله مراتبي ترتيب ورود متغيرها به تحليل بر اساس يك چارچوب نظري يا تجربي مورد

نظر محقق صورت مي‌گيرد. به عبارت ديگر پژوهشگر شخصا درباره ترتيب ورود متغيرها به

تحليل تصميم گيري مي‌كند. اين تصميم گيري كه قبل از شروع تحليل اتخاذ مي‌شود

مي‌تواند بر اساس سه اصل عمده زير باشد:

- رابطه علت و معلولي.

- رابطه متغيرها در تحقيقات قبلي.

- ساختار طرح پژوهشي (براي مثال در طرح هاي عاملي ابتدا اثرهاي اصلي و سپس اثرهاي متقابل

آنها وارد تحليل مي‌شود).

از آن جا كه روش تحليل رگرسيون سلسله مراتبي با توجه به چارچوب نظري يا تجربي وپژه اي صورت

مي گيرد، در تحقيقات علوم رفتاري از اهميت خاصي برخوردار است. لازم به تذكر است كه براي اين گونه تحقيقات آشنايي با روشهاي آماري تحليل رگرسيون الزامي است.(سرمدي،1376: )

رگرسيون چند متغيري

روشي است كه براي تحليل مشاركت جمعي و فردي دو يا چند متغير مستقل X در تغييرات متغير وابسته

Y، وظيفه اساسي علم تبيين پديده هاست. در واقع مجموعه اي از سازه ها يا متغيرهاست

كه با مشخص كردن روابط موجود ميان متغيرها به تبين آنها مي پردازيم.(كلينجر، 1389: 12 )

بررسي علمي هر سازه يا متغير مستلزم آن است كه منابع تغيير آن سازه يا متغير تشخيص داده شود،

مي گويند كه متغير تغير كرده است.وظيفه رگرسيون چند متغييري اين است كه به تبيين

واريانس متغير وابسته كمك كند و اين وظيفه را تا حدودي از طريق برآورد مشاركت

متغييرها (2 يا چند متغير مستقل) در واريانس به انجام مي رسانند. (همان: 13)

در نظريه سنتي ، محقق ابتدا رابطه يك متغير مستقل را با متغير وابسته مطالعه مي كند، سپس رابطه متغيرمستقل ديگري را با آن متغير وابسته مطالعه مي كنند و اين كار تا آخر ادامه مي يابد.طرح سنتي تحقيق هم بصورت كلاسيك گروه آزمايش و گروه كنترل عرضه مي شد. (همان: 14)

كاربرد رگرسيون چند متغيري بر پيش بيني يك متغير وابسته از طريق چند متغير مستقل تاكيد

دارد كه موجب تبيين موضوع مي شود. در واقع تبيين علمي مبتني است بر تعيين روابط

موجود ميان رويدادهاي تجربي.متغير وابسته به صورت Y و متغير مستقل به صورت

Xi,X1,X2.X3….. Xk نشان داده مي شود.

تحليل رگرسيون چند متغيري و تحليل واريانس در واقع يك چيزند. تحليل واريانس براي تحليل

داده هاي حاصل از آزمايشهاي طرح ريزي شده است.اگر بيش از يك متغير در آزمايش وجود

داشته باشد، يكي از شرايط استفاده ار آن اين است كه متغيرهاي آزمايشي ناوابسته باشند (همان: 18).

تحليل رگرسيون چند متغيري نظير هر روش ديگر يك ابزار است كه كمك مي كند به فهم پديده هاي

طبيعي و اين واريانس يا كوواريانس است كه به لحاظ فني راهگشاي ما در روشهاي تحليلي

است. همچنين به منظور جبران بعضي از اشتباهاتي كه در رگرسيون چند متغيره به وجود مي

آيد بايد نمونه بزرگتر ( در حدود 500) استفاده كرد.

متغير مستقل:

دو نوع است

- متغير فعال- متغيري كه براثر دخل و تصرف ايجاد مي شود.

- متغير منسوب- متغيري است كه سنجيده مي شود.مثل هوس و استعداد تحصيلي.(همان: 18).

روش محاسبات به شيوه اي انجام مي شود كه با داشتن همبستگي در بين تمام متغيرها، بهترين پيش بيني ميسر مي شود. به بيان ديگر بجاي استفاده ازX، پس از Y مي گوييم اگر 1,X2.X3….. Xk پس از Y و نتايج محاسبات بما بگويد كه پيش بيني چقدر خوب است و بهترين تركيب خطي متغيرها تقريبا چه مقدار از واريانس Y را تبيين مي كند ( كلينجر،1388: 333)

رگرسيون خطي

وقتي كه الگوي اصلي رابطه بين دو متغير به كمك نمودار پراكنش مشخص شده باشد مي توان آن الگورا بطور موجز و دقيق بامعادله‌ي خط رگرسيون بيان كرد. اين معادله به مثابه‌ي قاعده پيش بيني مقادير يك متغير بر اساس مقادير ديگر است (مولر،1389: 271).

در رگرسیون خطی، متغیر وابسته yi تركيب خطي، خطی از ضرایب (پارامترها) است (لازم نیست که نسبت به متغیرهای مستقل خطی باشد). مثلاً تحلیل رگرسیونی سادهٔ زیر با N نقطه، متغیر مستقل xi و ضرایب β0 و

β1 خطی است:

خط راست:

در رگرسیون چندگانه، بیش از یک متغیر مستقل وجود دارد:

سهمی:

این همچنان رگرسیون خطی است، زیرا yi همچنان ترکیب خطی پارامترها (β0 و β1) است، هرچند که نسبت به متغیر مستقل (xi) خطی نیست.

در هر دو حالت، εi مقدار خطاست و پانویس i شمارهٔ هر مشاهده (هر جفت xi و yi) را نشان می‌دهد. با داشتن مجموعه‌ای از این نقطه‌ها می‌توان مدل را به دست آورد:

عبارت ei مانده نام دارد: . روش رایج برای به‌دست‌آوردن پارامترها، روش كمترين مربعات است. در این روش پارامترها را با کمینه‌کردن تابع زیر به دست می‌آورند:

در مورد رگرسیون ساده، پارامترها با این روش برابر خواهند بود با:

که در آن و میانگین x و y هستند.(وكيپديا)

رگرسيون خطي ساده:

رگرسيون و همبستگي بهم نزديك هستند. r براي نشان دادن همبستگي بكار مي رود و در واقع معني

رگرسيون را دارد. منظور از مطالعه رگرسيون چگونگي بازگشت نمره yبه نمره x و مطالعه

چگونگي وابستگي آنها به نمره x است.( كلينجر،1389: 33)

به لحاظ آماري اگر X و Y همبسته نباشند بهترين ميانگين است. هرچه همبستگي قوي

تر باشد پيش بيني هم دقيق تر مي شود. وقتي قدرrبه 00/1 برسد پيش بيني كامل است.

هرجه r به سمت صفر ميل كند پيش بيني Y از طريق X هم ناقص تر مي شود و به سوي

ميانگين بازگشت مي‌كند و اگر قدر مطلق r معادل 1 باشد بر روي خط رگرسيون قرار مي

گيرد.(كلينجر، 1388: 333)

آزمونهاي معني دار بودن

آزمونهاي معنا دار بودن آماري در تحليل رگرسيون ( چه ساده و چه چند متغيري ) مشابه آزمون‌هاي

معنادار بودن آماري در تحليل واريانس اند.

با استفاده از تحليل واريانس شخص مي تواند واريانس سيستماتيك و واريانس اشتباه تجزيه كند. در

ساده ترين شكل واريانس كلبه واريانس بين گروهي (يا واريانس آزمايشي) و واريانس درون

گروهي( يا وارانس اشتباه) تجزيه مي شود.

معادله اساسي در تحليل واريانس چنين است:

Stt=ssb+ssw

Stt : مجموع مجذورات كل -

ssb مجموع مجذورات بين گروهي - ssw مجموع مجزورات بيرون

گروهي. (كلينجر،1389: 33)

آزمون معني دار بودن را به دو يا سه طريق مي توان انجام داد:

1- از طريق جدول معني دار بودن r ها در سطح هاي مختلف مراجعه كنبم و معني دار بودن

همبستگي را مي آزماييم.

2- از طريق آزمون Tو كوكران

3- نمره استاندارد

نمرا ت استاندارد در حقيقت نمره انحراف استاندارد است. اگر نمره انحراف از

ميانگينx=X-X را براي انحراف استانداردمجموعه نمره ها s تقسيم كنيم نمره

استاندارد به دست مي آيد.

Zx= X-X =x

Sx sx

Zxنمره استاندارد- Sx

انحراف استاندارد- X ميانگين نمره هاي x- x نمره خام

ميانگين نمره هاي استاندارد معادل صفر و انحراف استاندارد معادل 1 است

تحليل رگرسيون را مي توان با نمره هاي استاندارد انجام داد.(كلينجر، 1389: 43)

رگرسيون چند متغير خطي

روش رگسيون چند متغير خطي انديشه هاي ارايه شده در قسمت بيش از پيش از يك متغير مستقل گسترش مي دهد . مي خواهيم متغير وابسته y را از روي اطلاعات مربوط به مقادير مستقل يا بيشتر x1 ، x2، x3،.... xk پيش بيني كنيم.( كلينجر: 1388: 338).

رگرسيون چند متغيري يك روش كلي براي تحليل بسياري از داده هاي پژوهش رفتاري است. بعضي روشهاي ديگر تحليل را مي توان حالتهاي خاصي از رگرسيون چند متغيري در نظر گرفت. برجسته ترين اينها تحليل واريانس است كه تمام انواع آن را مي توان با تحليل رگرسيون به مفهوم كشيد و انجام داد. تحليل رگرسيون چند متغير را مي توان به عنوان روشي نيرومند و اصلاح شده منترل واريانس در نظر گرفت. بطور خلاصه ، تحليل رگرسيون چند متغيري يك فن فرضيه آزمايي و استنباط سازي قوي است، زيرا به دانشمندان كمك مي‌كند، روابط دروني پيچيده بين متغيرهاي مستقل و يك متغير وابسته را با دقت نسبي مطالعه كند، بدين ترتيب به آنها كمك مي كند پديده احتمالي معرفي شده بوسيله متغير وابسته را تبيين كنند.( همان: 336)

رابطه و همستگي

همبستگي رابطه است و مجموعه اي از زوجهاي مرتب را شامل مي شود. همبستگي به معناي هم تغييري

دو متغير است. ضريب همبستگي شاخص جهت و مقدار رابطه است. ضريب همبستگي پيرسون ®

به وسيله چند فرمول هم ارز تعريف مي شود.

x = X

+X , y = Y+Y

rxy=

z= نمره استاندارد و x,y=انحراف از ميانگين

نمايش نمودار در تحليل رگرسيون بسيار اهميت دارد كه در آن مجموعه اي از زوجهاي مرتب را بر

روي صفحه مخــتصات مي توان نشان داد. اين نمودار خود يــك رابطه است چون مجموعه اي

از زوجهاي مرتب را نشان مــي دهد. (كلينجر،1389: 24)

مجموع مجذورات

مجموع مجزورات ( مجموعه توانهاي دوم) هر مجموعه اي از اعداد مي توان به دو صورت تعريف كرد:

1- بصورت نمره هاي خام

2- بصورت نمره هاي انحراف

مجموع مجذورات نمره هاي خام را اغلب محاسبه مي كنند و به صورت2Xi Σ

كه در آن i=1.2.3…..N و N تعداد آزمونهاست محاسبه مي شود.(همان:26)

و فورمول آن:

Σ X 2

= Σ X – (Σ X)2

مجموع مضروبات در شكل نمره خام به صورت ΣXY و در شكل نمره هاي انحراف به صورتxy Σ نشان مي‌دهند. كه فورمول آن:

ΣXY= ΣXY –

(ΣX) (ΣY)

مجموع هاي مجذورات و مضروبات اركان تحليل رگرسيون اند.(همان:27)

واريانس و كوواريانس

معدل مجذورات انحراف مجموعه اي از اندازه‌ها از ميانگين را واريانس مي گويند. (ريشه دوم واريانس را انحراف استاندارد مي گويند)در نظریه احتمالات و آمار واریانس یا وردایی نوعی سنجش پراکندگی است. مقدار واریانس با میانگین‌گیری از مربع فاصله مقدار محتمل و یا مشاهده شده با مقدار مورد انتظار محاسبه می‌شود. در مقایسه با میانگین می‌توان گفت که میانگین مکان توزیع را نشان می‌دهد، در حالی که واریانس مقیاسی است که نشان می‌دهد که داده‌ها حول میانگین چگونه پخش شده‌اند. واریانس کمتر بدین معنا است که انتظار می‌رود که اگر نمونه‌ای از توزیع مزبور انتخاب شود مقدار آن به میانگین نزدیک باشد. یکای

واریانس مربع یکای کمیت اولیه می‌باشد. ریشه دوم واریانس که انحراف معیار نامیده می‌شود دارای واحدی یکسان با متغیر اولیه است.

واريانس فصل مشترك دو زير مجموعه يا Y X را كوواريانس مي گويند و از طريق گرفتن معدل مضروبات محاسبه مي شود. در واقع كوواريانس رابطه بين X و Y را بصورت ديگر بيان مي كند.(همان: 28)

تحليل واريانس را مي توان با استفاده از رگرسيون چند متغيري انجام داد. تحليل كوواريانس، داده‌هاي پيش آزمون و پس آزمون، تعداد نابرابر موارد در هر خانه جدول (طرح هاي عاملي) و بررسي داده هاي آزمايشي و غيرآزمايشي، بطور طبيعي و به آساني با تحليل رگرسيون چند متغيري قابل بررسي است (كلينجر،1388، 369).

تحليل ماتريس كواريانس يا همبستگي

در مواقعي كه محقق از همبستگي مجموعه اي از متغيرها بخواهد تغييرات متغيرها را در عامل هاي

محدود تر خلاصه كند يا خصيصه هاي زير بنايي يك مجموعه از داده ها را تعيين نمايد از

روش تحليل عاملي استفاده مي‌كند. در صورتي كه محقق بخواهد مدل خاصي را از لحاظ

روابط متغيرهاي تحت بررسي بيازمايد، از روش مدل معادلات ساختاري استفاده مي‌كند.

براي هر دو منظور فوق لازم است كه ماتريس كواريانس متغيرهاي اندازه گيري شده تحليل شود.

ماتريس كواريانس در تحليل عاملي با دو هدف متفاوت مي‌تواند تحليل شود: ”هدف اكتشافي“ و

”هدف تاييدي“. چنانچه هدف اكتشافي باشد دو رويكرد متفاوت وجود دارد:

1- تعيين سازه يا متغيرهاي مكنون در يك حوزه از عملكرد كه به وسيله ابزارهاي اندازه گيري

خاصي ارزيابي شده اند. اين هدف از طريق روش ”عامل مشترك“ ميسر مي‌شود.

2- تلخيص داده ها: در اين روش متغيرهاي به دست آمده به صورت شاخص هاي خلاصه تري در مي‌آيند.

تلخيص داده ها معمولا از طريق روش ”مولفه هاي اصلي“ صورت مي‌گيرد.

در صورتي كه محقق درباره تعداد عامل هاي خصيصه ها فرضيه اي نداشته باشد، تحليل اكتشافي و در

صورتي كه فرضيه موجود باشد تحليل تاييدي ناميده مي‌شود.(سرمدي، 1376: )

تاثير كلي دو متغير مستقل بر متغير واسته به وسيله مجذور ضريب همبستگي به نام ضريب همبستگي

چند متغيره يا R2 بيان مي شود. مجموع مجذورات رگرسيون آن نسبت را از كل

مجوع مجذورات yرا بيان مي كند كه از رگرسيونy يا متغير وابسته بر x1 و

x2 يعني متغيرعاي مستقل ناشي مي شود و مجموع مجذورات مازاد آن نسبت از

مجموع مجذورات كل را بيان يم كند كه از رگرسيون ناشي نمي شود. هميشه مجزور خطاهاي

پيش بيني را به حد اقل رساند( كلينجر، 1388: 343).

با تحليل واريانس عاملي، تحليل كواريانس و متغير اسمي است كه ما به ارزش تحليل رگرسيون چند

متغيره پي مي بريم. اشكالي زيربنايي در تحقيق و تحليل آن است كه متغيرهاي مستقل

مورد علاقه ما اغلب با يكديگر همبسته اند، اما در تحليل واريانس فرض بر اين است كه

آنها مستقل از يكديگر اند( همان:379).

مدل معادلات ساختاري

در تحقيقاتي كه هدف، آزمودن مدل خاصي از رابطه بين متغيرها است، از تحليل مدل معادلات

ساختاري يا مدل هاي علّي استفاده مي‌شود. در اين مدل داده ها به صورت ماتريس هاي

كواريانس يا همبستگي درآمده و يك مجموعه معادلات رگرسيون بين متغيرها تدوين مي‌شود.

چنانچه در مدل براي هر متغير از بيش از يك نشانگر استفاده شود، مدل شامل مولفه

اندازه گيري نيز مي‌شود. تحليل مدل معادلات ساختاري برآوردهايي از پارامترهاي مدل

(ضرايب مسير و جملات خطا) و چند شاخص نيكويي برازش فراهم مي آورد.(سرمدي،1376: )

كنترل آماري متغيرها:

بررسي روابط ميان متغيرها كار ساده اي نيست و سوال اساسي آن است كه آيا رابطه اي تحت

بررسي است همان رابطه مورد نظر است؟ اين مساله اعتبار روابط خوانده مي شود. با توجه

به آن كه بررسي كار مشكلي است پس كنترل نيز كار پيچيده اي است.

مقصود از كنترل در تحقيقات علمي كنترل واريانس است كه از چند طريق رخ مي‌دهد:

1. برپا داشتن يك آزمايش، كه ساده ترين نوع است و شامل يك گروه كنترل و يك گروه آزمايشي

است. پژوهشگر با دخل و تصرف در متغير آزمايشي، تفاوت بين گروه آزمايشي و گروه

كنترل(يعني واريانس) را بالا مي برد.

2. از طريق گزينش آزمودنيها.

3. آزمودنيها بصورت تصادفي به گروههاي آزمايش منسب مي شود.

مفهوم كنترل درواقع اين است كه ميان آزمونها، صرف نظر از خاستگاه‌هاي اين تغييرات، به

موجب تعريف بالسويه در چند گروه آزمايش توزيع مي شوند.

چون تحقيقات رفتاري اغلب از حيث ماهيت از نوع تحقيقات بعد از واقعه هستند، كنترل آنها

از طريق دخل و تصرف مستقيم محقق ممكن نيست.

4. بررسي صحت و سقم فرضيه هاي كه فرضيه اصلي رقابت دارند

نتيجه:

عملكرد صورتهاي مختلف كنترل يكي است

مقصورد از كنترل، كنترل واريانس است.

منظور از كنترل آماري اين است كه شخص براي آنكه قسمتي از واريانس متغير وابسته را كه به ظاهر

از يك يا چند متغير مستقل خارج از رابطه خاص يا روابط تحت بررسي ناشي مي شود از

روشهاي آماري استفاده كند (كلينجر،1389:121).

پنجشنبه 26 تیر 1393 - 19:29

ارسال پیام نقل قول تشکر گزارش

javad-vhd

ارسال‌ها :	37
عضويت :	16 /4 /1393
تشکر شده :	6

پاسخ : 8 RE همبستگي تفكيكي و رگرسيون چند متغيري :

همبستگي تفكيكي رابا استفاده از تحليل رگرسيون مي توان محاسبه كرد. در واقع همبستگي تفكيكي

يك فن كنترل است كه بر حسب آن باقي مانده هاي هر يك از دو متغير رابطه بر متغير

سومي كه تاثير آن را بايد از روي رابطه برداشت شود، ابقا مي كند. در همبستگي تفكيكي

مرتبه اول، تاثير يك متغير از روي همبستگي بين دو متغير ديگر برداشته مي شود(همان:123).

همبستگي تفكيكي فقط به سه متغير محدود نمي شود، همبستگي هاي تفكيكي به اصطلاح مراتب بالاتر را هم مي توان محاسبه كرد. مرتبه همبستگي تفكيكي توسط تعداد متغيرهاي تفكيك شده معين مي شود(همان:131).

همبستگي نيمه تفكيكي

همبستگي نيمه تفكيكي با تحليل رگرسيون چند متغيري مرتبط است و در آن نقش مهمي ايفا مي‌كند. اهميت آن در تفسير داده هاي رگرسيون چند متغيري بيشتر جلوه مي كند. همبستگي تفكيكي واريانس ناخواسته را از هر دو متغير تحت بررسي تفكيك مي كرد. نام ديگر آن همبستگي پاره اي خوانده مي شود (همان: 134).

كنترل ، تبيين و تفسير، تحليل

تفسير: تفسير نتايج حاصل تحليل

رگرسيون چند متغيري است. در تحليل رگسيون چند متغيري منظور تنها اين نيست كه بدانيم چگونه تركيبي از متغيرهاي مستقل و وابسته را پيش بيني كنيم. بلكه آگاهي از مقدار مشاركت هر متغير در پيش بيني مد نظر است. تفسير يافته هاي حاصل از تحليل رگرسيون چند متغيري ممكن است سخت باشد.

همبستگي تفكيكي و نيمه تفكيكي داراي مقاصد و كاربرهاي مختلفي اند كه در عين حال با هم مرتبط هم هستند. همبستگي تفكيكي بمنظور كنترل بكار مي رود و زماني كه محقق بخواهد رابطه بين دو متغير را خارج از تاثيرات متغيرهاي ديگر مطالعه كند (كلينجر،1389: 384).

تبيين: تبيين متغير وابسته از طريق مشخص كردن مشاركت نسبي متغيرها و روابط ميان آنها بر مي‌گردد. ما به شاخص آماري صرف علاقه نداريم. علاقه ما متوجه تبيين پديده هاست كه توسط متغير وابسته معرفي مي شود .

زبان آماري ما را در رسيدن به اين هدف غايي يعني تفسير، تبين روابط ماهوي ميان متغيرها ياري مي كند و تحليل رگرسيون چند متغيري در تصوير بزگ تر علمي آزمون قضاياي استخراج شده از نظريه و مقام اين روش آماري در تحقيقات علمي واضح تر است.

در مطالعات تبييني تاكيد بر تغييرات يك متغير وابسته توسط اطلاعات حاصل از يك يا چند متغير مستقل است. متغيرهاي مستقل با توجه به جمعبنديها در نظر گرفته مي شوند. در واقع تاكيد اصلي آن بر تدوين و آزمون در مدلهاي تبييني است (همان:384).

دانشمندان علوم رفتاري به دنبال تبيين پديده ها هستند و براي همين از ملاكها مختلفي بهره گيري مي كنند و در تحليل رگرسيون 2 ملاك مد نظر است:

1- مشاركت نسبي در واريانس به حساب آ,ده متغير وابسته

2- مقدار مجذور نسبي بتا

در واقع تحت اين شرايط است كه مجموع مجزورات رگرسيون يا نسبت واريانس به حساب آمده، بدون ابهام عملي مي شود.

در تحقيقات غير آزمايشگاهي ( يا بعد از وقوع) متغير مستقل عموما همبسته اند كه گاه همبستگي بين آنها قابل ملاحظه است (همان: 405).

پيش بيني: تاكيد بر كاربرد علمي است. در اين نوع مطالعات محقق مي كوشد تا بر اساس اطلاع از يك يا چند متغير مستقل به يك معادله رگرسيون دست يابد و از آن براي پيش بيني متغير وابسته استفاده كند. گزينش متغير مستقل در مطالعه هاي پيش بيني عمدتا با توجه به اثر بخشي آنها در بالا بردن دقت پيش بيني ملاك به عمل مي آيند.

فنون اساسي تحليل رگرسيون چند متغيري در هر دو مطالعه تبيين و پيش بيني يكي است و با توجه به پيش بيني و تبيين مي توان از تفسير نتايج مطمئن شد. در تحقيق هاي كه به پيش بيني يا تبيين ناظرند، تحليل رگرسيون مي تواند نقش بارزي ايفا كند و هردو منعكس كننده علايق و تاكيدات مختلفي هستند (همان: 384).

تحليل اشتراك: روشي است كه با تجزيه واريانس متغير وابسته به واريانس‌هاي مشترك و انحصاري به تعيين اهميت نسبي تاثيرات متغيرهاي مستقل كمك مي كند.اگر يك متغير در آخر وارد معادله شود، واريانس منتسب به آن مشاركت انحصاري را نشان مي دهد.

بايد در نظر داشت كه اجزا انحصاري متغيرها تحت تاثير روابط ميان آنها واقع مي شوند. افزايش در تعداد متغيرها اجزا انحصاري متغيرها تحت تاثير روابط ميان آنها واقع مي شود. در واقع هرچه همبستگي ميان متغيرها قوي تر باشد اشتراك ها بزرگتر و اجزا انحصاري كوچك ترمي‌شود(همان:407).

هرچند اشتراك هاي بزرگ باعث همبستگي قوي بين متغيرها مي شود. اما اين امر موجب نخواهد شد كه همبستگي قوي منعكس كننده فقدان خاصيت انحصاري در متغيرها باشد. در نهايت مي‌توان گفت استفاده از تحليل اشتراكي در مورد پيش بيني موثر تر از استفاده از آن در مورد تبيين است(همان:416).

تحليل مسير: عنوان روشي است براي مطالعه تاثيرات مستقيم و غير مستقيم متغيرهاي كه علت گرفته شده اند در متغيرهايي كه معلول فرض شده اند ساخت و پرداخت. اين روش براي تركيب اطلاعات كمي بدست آمده از ضريبهاي همبستگي با اطلاعات كيفي موجود درباره روابط علي به صورتي كه يك تفسير كمي حاصل شود كاربرد دارد (كلينجر،1389،416).

كاربرد تحليل مسير:

1- روابط بين متغيرهاي موجود در مدل خطي، جمع پذير و علي هستند. پس روابط انحناي و تعاملي ملحوظ نمي گردد.

2- باقي مانده ها باهم و با متغيرهايي كه قبل از آنها در مدل آمده است همبسته نيستند.

3- جريان عليت يك طرفه است.

4- متغيرها در مقياس فاصله اي اندازه گيري مي شود.

براي نشان دادن تحليل مسير از علامت P به انضمام دو انديس استفاده مي كنيم.

تحليل مسير ابزار تحليلي مهمي براي آزمودن نظريه هاست كه از كاربرد آن محقق مي تواند توافق الگويي از همبستگي ها را كه از مجموعه اي از مشاهدات حاصل شده است، با يك مدل معين معلوم كند.

پيراستن نظريه: در اين شيوه ابتدا ضريبهاي مسير محاسبه شده و سپس با توجه به يك ملاك معين بعضا حذف مي شود (همان: 421).

نتيجه: تبيين و پيش بيني در مركز ثقل پژوهشهاي علمي قرار دارند. در مواردي كه تاكيد اصلي بر پيش‌بيني است محقق مي تواند راه حل پيشرونده، پسرونده و قدم به قدم يا تحليل اشتراك را بكار ببرد و روش معين به نيازها و علايق محقق بستگي پيدا مي كند (همان :447).

متغيرها متغير طبقه اي:

متغيري است كه در آن تفاوت ميان آزمودنيها تفاوت در سنخ يا نوع باشد. هر طبقه به مجموعه اي از طبقات و بدون ترتيب نسبت داده مي شود. هرچند طبقات به واسطه اعدادي مشخص مي شنود اما اين اعداد معني مقداري ندارند.جنس ، وضعيت تاهل، وابستگي حزبي و .... جزء متغير طبقهاي هستند (كلينجر، 1389: 148).

متغير پيوسته:

در مقابل متغير پيوسته كه تفاوت ميان آزمودني‌ها در آن تفاوت در مقدار يا درجه است. يك متغير پيوسته ارزشهاي عددي به خود مي گيرد و اين ارزش ها مي توانند يك مقياس ترتيبي، فاصله اي يا نسبي را تشكيل دهند. خلاصه آنكه متغير پيوسته مبين تغييرات تدريجي است در حالي كه متغير طبقه اي مبين اين معنا نيست.هوش ، پيشرفت تحصيلي و ... متغير پيوسته اند (همان:149).

متغير تصنعي:

عضويت در يك طبقه معين از متغير را مي توان با استفاده از متغير تصنعي نشان داد. متغير تصنعي برداري است كه در آن اعضا طبقه معين يك عدد دلخواه ديگر نسبت مي دهند. مثلا متغير جنس به مرد 1 و به زن 0 را نسبت مي دهند.

وقتي سر و كار شخص با يك متغير مستقل طبقه اي است آن را مي توان به صورت مقتضي توسط متغيرهاي

تصنعي بيان كرد. با متغير هاي تصنعي به عنوان متغيرهاي مستقل رفتار كند و تحليل رگرسيون را بكار برد.

مزاياي رگرسيون چند متغيري

هرچند از تحليل واريانس و تحليل رگرسيون چند متغيرهاي مستقل طبقه اي قابل تعويض اند اما تحليل در برخي از موارد ارجح است:

1. وقتي متغير مستقل پيوسته باشد.

2. وقتي متغير هاي مستقل هم طبقه اي و هم پيوسته باشند مثلا در تحليل كوواريانس.

3. وقتي كه فراواني در خانه هاي طرح فاكتوريال برابر يا نامتناسب باشد.

4. وقتي كه به مطالعه روند در داده ها پرداخته شود.

هرچند تحليل واريانس و رگرسيون را مي توان با متغيرهاي مستقل طبقه اي بكار گرفت اما تحليل رگرسيون انعطاف پذيرتر و قابل استفاده در موقعيت‌هاي است كه از تحليل واريانس در آن موقعيت ها جايز نيست. در نتيجه رگرسيون چند متغيري كلي تر و سودمندتر است(همان : 153).

منابع:

- ساعي، علي- روش تحقيق در علوم اجتماعي- نشر سمت- تهران 1387

- سرايي، علي- روش هاي تحقيق در علوم اجتماعي- انتشارات گاه- تهران 1389

- سرمدي، زهره و همكاران- روش هاي تحقيق در علوم رفتاري- نشر آگه – تهران 1376

- كرلينجر، پدهازر- رگرسيون چند متغيري در پژوهش رفتاري- مترجم دكتر حسن

- كرلينجر، پدهازر-مباني پژوهش در علوم رفتاري (جلد دوم)- مترجم دكتر حسن پاشا شريفي و همكارن

- انتشارات آواي نور- تهران 1388

- مولر، چي اچ و همكاران- استدلال آماري در جامعه شناسي- ترجمه هوشنگ نايبي- نشر ني –تهران1389

منابع اينترنتي

http://www.spss-iran.com/index_files/Corrolations.htm

http://fa.wikipedia.org

انتخاب آزمون معنی داری آماری

آیا قصد دارید تحقیقی را انجام دهید؟ و یا اینکه در حال مطالعه یک تحقیق می باشید؟

چگونه میتوانید از صحت روش تجزیه و تحلیل داده ها اطمینان حاصل فرمائید؟

شاخه های مختلف علوم برای تجزیه و تحلیل داده ها از روش های مختلفی مانند روش های ذیل استفاده می نمایند:

الف) روش تحلیل محتوا

ب) روش تحلیل آماری

ج) روش تحلیل ریاضی

د) روش اقتصاد سنجی

ه) روش ارزشیابی اقتصادی

و) ...

يكي از مشكلات عمومی در تحقبقات ميداني انتخاب روش تحلیل آماري مناسب و یا به عبارتی انتخاب آزمون آماری مناسب براي بررسي سوالات يا فرضيات تحقيق مي باشد.

در آزمون های آماری هدف تعیین این موضوع است که آیا داده های نمونه شواهد کافی برای رد یک حدس یا فرضیه را دارند یا خیر؟

انتخاب نادرست آزمون آماری موجب خدشه دار شدن نتایج تحقیق می شود.

قبل از انتخاب یک آزمون آماری بایستی به سوالات زیر پاسخ داد:

1- چه تعداد متغیر مورد بررسی قرار می گیرد؟

2- چند گروه مفایسه می شوند؟

3- آیا توزیع ویژگی مورد بررسی در جامعه نرمال است؟

4- آیا گروه های مورد بررسی مستقل هستند؟

5- سوال یا فرضیه تحقیق چیست؟

6- آیا داده ها پیوسته، رتبه ای و یا مقوله ای Categorical هستند؟

قبل از ادامه این مبحث لازم است مفهوم چند واژه آماری را یاد آور شوم که زیاد وقت گیر نیست.

1- جامعه آماری: به مجموعه كاملي از افراد يا اشياء يا اجزاء كه حداقل در يك صفت مورد علاقه مشترك باشند ،گفته می شود.

2- نمونه آماری: نمونه بخشي از يك جامعة آماری تحت بررسي است كه با روشي كه از پيش تعيين شده است انتخاب مي‌شود، به قسمي كه مي‌توان از اين بخش، استنباطهايي دربارة كل جامعه بدست آورد.

3- پارامتر و آماره: پارامتر يك ويژگي جامعه است در حالي كه آماره يك ويژگي نمونه است. براي مثال ميانگين جامعه يك پارامتر است. حال اگر از جامعه نمونه‌گيري كنيم و ميانگين نمونه را بدست آوريم، اين ميانگين يك آماره است.

4- برآورد و آزمون فرض: برآوردیابی و آزمون فرض دو روشی هستند که برای استنباط درمورد پارامترهای مجهول دو جمعیت به کار می روند.

5- متغير: ويژگي يا خاصيت يک فرد، شئ و يا موقعيت است که شامل يک سری از مقادير با دسته بنديهای متناسب است. قد، وزن، گروه خونی و جنس نمونه هايي از متغير هستند. انواع متغير می تواند کمی و کیفی باشد.

6- داده های کمی مانند قد، وزن يا سن درجه بندی مي شوند و به همين دليل قابل اندازه گيری می باشند. داده های کمی نیز خود به دو دسته دیگر تقسیم می شوند:

الف: داده های فاصله ای (Interval data)

ب: داده های نسبتی (Ratio data)

7- داده های فاصله ای: به عنوان مثال داده هایی که متغیر IQ (ضریب هوشی) را در پنج نفر توصیف می کنند عبارتند از: 80، 110، 75، 97 و 117، چون این داده ها عدد هستند پس داده های ما کمی اند اما می دانیم که IQ نمی تواند صفر باشد و صفر در اینجا فقط مبنایی است تا سایر مقادیر IQ در فاصله ای منظم از صفر و یکدیگر قرار گیرند پس این داده ها فاصله ای اند.

8- داده های نسبتی: داده های نسبتی داده هایی هستند که با عدد نوشته می شوند اما صفر آنها واقعی است. اکثریت داده های کمی این گونه اند و حقیقتاً دارای صفر هستند. به عنوان مثال داده هایی که متغیر طول پاره خط بر حسب سانتی متر را توصیف می کنند عبارتند از: 20، 15، 35، 8 و 23، چون این داده ها عدد هستند پس داده های ما کمی اند و چون صفر در اینجا واقعاً وجود دارد این داده نسبتی تلقی می شوند.

9- داده های کيفی مانند جنس، گروه خونی يا مليت فقط دارای نوع هستند و قابل بيان با استفاده از واحد خاصی نيستند. داده های کیفی خود به دو دسته دیگر تقسیم می شوند:

الف: داده های اسمی (Nominal data)

ب: داده های رتبه ای (Ordinal data)

10- داده های رتبه ای Ordinal: مانند کیفیت درسی یک دانش آموز (ضعیف، متوسط و قوی) و یا رتبه بندی هتل ها ( یک ستاره، دو ستاره و ...)

11- داده های اسمی (nominal ) که مربوط به متغير يا خواص کيفی مانند جنس يا گروه خونی است و بيانگر عضويت در يک گروها category خاص می باشد. (داده مقوله ای)

12- متغیر تصادفی گسسته و پیوسته: به عنوان مثال تعداد تصادفات جاده‌اي در روز يك متغير تصادفي گسسته است ولی انتخاب يك نقطه‌ به تصادف روي دايره‌اي به مركز مبدأ مختصات و شعاع 3 يك متغير تصادفي پيوسته است.

13- گروه: یک متغیر می تواند به لحاظ بررسی یک ویژگی خاص در یک گروه و یا دو و یا بیشتر مورد بررسی قرار گیرد. نکته 1: دو گروه می تواند وابسته و یا مستقل باشد. دو گروه وابسته است اگر ویژگی یک مجموعه افراد قبل و بعد از وقوع یک عامل سنجیده شود. مثلا میزان رضایت شغلی کارکنان قبل و بعد از پرداخت پاداش و همچنین اگر در مطالعات تجربی افراد از نظر برخی ویژگی ها در یک گروه با گروه دیگر همسان شود.

14- جامعه نرمال: جامعه ای است که از توزیع نرمال تبعیت می کند.

15- توزیع نرمال: یکی از مهمترین توزیع ها در نظریه احتمال است. و کاربردهای بسیاری در علوم دارد.

فرمول این توزیع بر حسب دو پارامتر امید ریاضی و واریانس بیان می شود. منحنی رفتار این تابع تا حد زیادی شبیه به زنگ های کلیسا می باشد. این منحنی دارای خواص بسیار جالبی است برای مثال نسبت به محور عمودی متقارن می باشد، نیمی از مساحت زیر منحنی بالای مقدار متوسط و نیمه دیگر در پایین مقدار متوسط قرار دارد و اینکه هرچه از طرفین به مرکز مختصات نزدیک می شویم احتمال وقوع بیشتر می شود.

سطح زیر منحنی نرمال برای مقادیر متفاوت مقدار میانگین و واریانس فراگیری این رفتار آنقدر زیاد است که دانشمندان اغلب برای مدل کردن متغیرهای تصادفی که با رفتار آنها آشنایی ندارند، از این تابع استفاده می کنند. به عنوان مثال در یک امتحان درسی نمرات دانش آموزان اغلب اطراف میانگین بیشتر می باشد و هر چه به سمت نمرات بالا یا پایین پیش برویم تعداد افرادی که این نمرات را گرفته اند کمتر می شود. این رفتار را بسهولت می توان با یک توزیع نرمال مدل کرد.

اگر یک توزیع نرمال باشد مطابق قضیه چی بی شف 26.68 %

مشاهدات در فاصله میانگین، مثبت و منفی یک انحراف معیار قرار دارد. و 44.95 %

مشاهدات در فاصله میانگین، مثبت و منفی دو انحراف معیار قرار دارد. و 73.99 %

مشاهدات در فاصله میانگین، مثبت و منفی سه انحراف معیار قرار دارد.

نکته 1: واضح است که داده های رتبه ای دارای توزیع نرمال نمی باشند.

نکته 2: وقتی داده ها کمی هستند و تعداد نمونه نیز کم است تشخیص نرمال بودن داده ها توسط آزمونکولموگروف – اسمیرنف مشکل خواهد شد.

16- آزمون پارامتریک: آزمون هاي پارامتريک، آزمون هاي هستند که توان آماري بالا و قدرت پرداختن به داده هاي جمع آوري شده در طرح هاي پيچيده را دارند. در این آزمون ها داده ها توزيع نرمال دارند. (مانند آزمون تی).

17- آزمون هاي غيرپارامتري: آزمون هائی مي باشند که داده ها توزیع غیر نرمال داشته و در مقايسه با آزمون های پارامتري از توان تشخیصی کمتري برخوردارند. (مانند آزمون من – ویتنی و آزمون کروسکال و والیس)

نکته3: اگر جامعه نرمال باشد از آزمون های پارامتریک و چنانچه غیر نرمال باشد از آزمون های غیر پارامتری استفاده می نمائیم.

نکته 4: اگر نمونه بزرگ باشد، طبق قضیه حد مرکزی جتی اگر جامعه نرمال نباشد می توان از آزمون های پارامتریک استفاده نمود.

حال به کمک جدول زیر براحتی می توانید یکی از 24 آزمون مورد نظر خود را انتخاب کنید:

هدف داده کمی و دارای

توزیع نرمال داده رتبه ای و یا

دادهکمی غیر نرمال داده

های کیفی اسمی

Categorical

توصیف یک گروه آزمون میانگین و انحراف معیار آزمون میانه آزمون نسبت

مقایسه یک گروه با یک مقدار فرضی آزمون یک نمونه ای آزمون ویلکاکسون آزمون خی – دو یا آزمون دو جمله ای

مقابسه دو گروه مستقل آزمون برای نمونه های مستقل آزمون من - ویتنی آزمون دقیق فیشر ( آزمون خی دو برای نمونه های

بزرگ)

مقایسه دو گروه وابسته آزمون زوجی آزمون کروسکال آزمون مک - نار

مقایسه سه گروه یا بیشتر (مستقل) آزمون آنالیز واریانس یک راهه آزمون والیس آزمون خی - دو

مقایسه سه گروه یا بیشتر (وابسته) آزمون آنالیز واریانس با اندازه های مکرر آزمون فریدمن آزمون کوکران

اندازه همبستگی بین دو متغیر آزمون ضریب همبستگی پیرسون آزمون ضریب همبستگی اسپرمن آزمون ضریب توافق

پیش بینی یک متغیر بر اساس یک یا چند متغیر آزمون رگرسیون ساده یا غیر خطی آزمون رگرسیون نا پارامتریک آزمون رگرسیون لجستیک

در رویکردی دیگر بر مبنای تعداد متغیر، تعداد گروه و نرمال بودن جامعه نیز می توان به الگوریتم آزمون آماری مورد نظر دست یافت:

یک متغیر:

انتخاب آزمون آماری برای یک

متغیر یک متغیر در یک گروه یک متغیر در دو گروه یک متغیر در سه گروه یا بیشتر

متغیر نرمال آزمون میانگین و انحراف معیار آزمون تی آزمون آنالیز واریانسANOVA

متغیر غیر نرمال آزمون نسبت (دو جمله ای) آزمون خی -دو آزمون ناپارامتریک

دو متغیر:

انتخاب آزمون آماری برایدو

متغیر هر دو متغیر پیوستههستند یک متغیر پیوسته و دیگریگسسته است هر دو متغیر مقوله ایهستند

آزمون همبستگی آزمون آنالیز واریانس ANOVA آزمون خی - دو

سه متغیر و بیشتر:

انتخاب آزمون آماری برای سه متغیر و

بیشتر یک گروه دو گروه و بیشتر

آنالیز کواریانس

تحلیل ممیزی

آنالیز واریانس با اندازه های مکرر

آنالیز واریانس چند متغیره

تحلیل عاملی و

رگرسیون چند گانه

قابل ذکر است قبل از ورود به الگوریتم انتخاب آزمون آماری بهتر است به سوالات زیر پاسخ دهیم:

1- آیا اختلافی بین میانگین (نسبت) یک ویژگی در دو یا چند گروه وجود دارد؟

2- آیا دو متغیر ارتباط دارند؟

3- چگونه می توان یک متغیر را با استفاده از متغیر های دیگر پیش بینی کرد؟

4- چه چیزی می توان با استفاده از نمونه در مورد جامعه گفت؟

تفسیر آزمون های معناداری آماری

۱- رگرسیون چند متغیری

تفسیر آماره های رگرسیون چند متغیری می تواند پیچیده و دشوار باشد. در حقیقت تفسیر آماره های تحلیل چند متغیری بطور کلی بسیار دشوارتر از تفسیر آماری تک متغیری است.( کرلینجر، 1388:350)

اگر همبستگی ها در بین متغیرهای مستقل همه صفر باشد یا نزدیک به صفر باشد، تفسیر بسیار ساده می شود. هرچه همبستگی های درونی متغیرهای مستقل بیشتر باشد، تفسیر دشوارتر است(همان: 352).

۲. تحلیل مسیر:

در مرحله تفسیر با مراجعه به نتایج، مقدار واریانس تبیین شده متغیر وابسته (R2) توسط متغیرهای مستقل مدل چقدر است. هرچه این مقدار بیشتر باشد نشان دهنده قدرت تبیین بالای مدل است و هرچه این مقدار کمتر باشد نشان دهنده ضعف مدل است. اگر مقدار ضریب تعیید چندگانه در حد مطلوب بود، مدل تایید می شود. هنگامی که مدل تایید شد نگاه می کنیم ببینیم کدام یک از متغیرهای مستقل تاثیر بیشتری بر متغیر وابسته دارد..(گودرزی،1388: 387)

2. آزمون آلفای کرومباخ :

دامنه α بین 0 تا 1 است هرچه ضریب آلفای کرومباخ بیشتر باشد، پایایی مقیاس بیشتر است. اندازه آلفا به پایایی تک تک گویه ها بستگی دارد. برای افزایش ضریب آلفا و در نتیجه افزایش پایایی مقیاس باید گویه های نا مناسب را حذف کرد.(ازکیا،1389: 524)

3. آزمون کلمو گورف- اسمیرنوف:

برای دریافت تفسیر باید به مقدار Kolmogorov-Smiron Z نگاه می کینم. اگر مقدار آن کوچکتر از 96/1+ و بزرگتر از 96/1- بود، با 95 درصد اطمینان نتیجه می گیریم، بین فراوانی های مشاهده شده و مورد انتظار تفاوتی وجود ندارد. به عبارت دیگر توزیع جامعه نرمال است. ولی اگر مقدار آن کوچکتر از 96/1- و یا بزرگتر از 96/1+ بود نتیجه می گیریم با 95 درصد اطمینان بین فراوانی ها مشاهده شده و مورد انتظار تفاوت وجود دارد. به عبارتی توزیع نرمال نیست. (گودرزی، 1388: 115)

4. آزمون کی دو :

با توجه به نتیجه بدست آمده از قسمتAsymp.sig .(2-side) ، اگر مقدار عددی آن از 05/0 کمتر بود، پی می بریم که دلیلی برای رد فرضیه تحقیق نداریم. سپس فرض صفر را رد می کنیم و نتیجه می گیریم با احتمال 95 درصد، رابطه بین دو متغیر معنا دار است.(همان: 195)

5. آزمون فی:

با توجه به نتیجه بدست آمده از قسمت Symmetirc Measures، به بخش approx.Sig نگاه کرده، اگر مقدار آن از 05/0 کمتر بود، فرض صفر را رد می کنیم و نتیجه می گیریم، با احتمال 95

درصد بین دو متغیر رابطه معنا دا وجود دارد. ولی اگر مقدار آن از 05/0 بیشتر بود ، دلیل بر درست بودن فرضیه نداریم. بنابراین فرض صفر را نمی توانیم رد کنیم و نتیجه می گیریم که با احتمال 95 درصد رابطه بین دو متغیر معنادار نیست(همان: 200).

6. آزمون کرامر :

درصد بین دو متغیر رابطه معنادار وجود دارد. ولی اگر مقدار آن از 05/0 بیشتر بود ، دلیل بر درست بودن فرضیه نداریم. بنابراین فرض صفر را نمی توانیم رد کنیم و نتیجه می گیریم که با احتمال 95 درصد رابطه بین دو متغیر معنادار نیست(همان: 203).

7. آزمون لامبدا:

در خروجی لامبادا سه گزینه جلوی قسمت لامبادا قرار دارد که عبارت اند از:

الف- گزینه symmetric که مقدار لامبادای میانگین را نشان می دهد

ب- در دو گزینه بعدی ، هر کدام از متغیرها یکبار متغیر وابسته در نظر گرفته شده و مقدار لامبادا و سطح معنا داری آنها آورده شده است. برای تفسیر خروجی به قسمت approx.Sig هر کدام از لامباداها نگاه می کنیم. اگر مقدار آن از 05/0 کمتر بود، فرض صفر را رد می کنیم و اگر مقدار آن از 05/0 بیشتر بود ،فرض صفر را رد نمی کنیم.(همان:214)

8. آزمون کروکاس :

برای تفسیر خروجی به قسمت approx.Sig نگاه می کنیم. اگر مقدار آن از 05/0 کمتر بود، فرض صفر را رد می کنیم و اگر مقدار آن از 05/0 بیشتر بود ،فرض صفررا رد نمی کنیم.(همان:217)

9. آزمون عدم اطمینان:

برای تفسیر خروجی به قسمت approx. هر کدام از ضرایب محاسبه شده نگاه می کنیم. اگر مقدار آن از

05/0 کمتر بود، فرض صفر را رد می کنیم و اگر مقدار آن از 05/0 بیشتر بود ،فرض صفر را رد نمی کنیم.(همان:218)

10.آزمون تی یک نمونه ای:

به قسمت Sig.(2tailed) نگاه می کنیم اگر مقدار آن کمتر از 05/0 بود ، فرض صفر را رد می کنیم و نتیجه می گیریم تفاوت بین میانگین ها با احتمال بین 95 درصد معنا دار است ولی اگر مقدار آن بیشتر از 05/0 بود، فرض صفر ار نمی توان رد کرد پس نتیجه می گیریم، با احتمال 95 درصد تفاوت بین میانگین معنا دار نیست(همان 232).

11.آزمون مک نمار:

به قسمت Sig.(2tailed) Exact.نگاه می کنیم. اگر مقدار آن از 05/0 کمتر بود دلیلی برای رد فرضیه تحقیق نداریم. بنابر این نتیجه می گیریم با 95 درصد اطمینان بین دو وضعیت تفاوت وجود ندارد ولی اگر مقدار آن از 05/0 بیشتر بود دلیلی برای درست بودن فرضیه تحقیق نداریم پس نمی توانیم فرض صفر را رد کنیم سپس با 95 درصد اطمینان تساوی بودن دو وضعیت را نتیجه می گیریم(همان : 246)

12.آزمون واریانس یکطرفه:

به قسمت Sig نگاه کرده و اگر مقدار آن از 05/0 کمتر بود، فرض صفر را رد می کنیم و اگر مقدار آن از 05/0 بیشتر بود، فرض صفررا رد نمی کنیم.(همان : 261)

13.آزمون تاو بی کندال:

با توجه به نتیجه بدست آمده از قسمت Symmetirc Measures، به بخش approx.Sig نگاه کرده، اگر مقدار آن از 05/0 کمتر بود، فرض صفر را رد می کنیم و با 95 درصد اطمینان نتیجه می

گیریم بین دو متغیر رابطه همستگی وجود دارد. ولی اگر مقدار آن از 05/0 بیشتر بود ، فرض صفر را رد نمی کنیم و با 95 درصد اطمینان عدم وجود رابطه بین دو متغیر را نتیجه می گیریم.(همان : 282)

14.آزمون تاو سی کندال :

گیریم بین دو متغیر رابطه همبستگی وجود دارد. ولی اگر مقدار آن از 05/0 بیشتر بود، فرض صفر را رد نمی کنیم و با 95 درصد اطمینان عدم وجود رابطه بین متغیرهای مورد برسی را نتیجه می گیریم.(همان : 284)

15.آزمون اسپیرمن:

به قسمت approx.Sig نگاه می کنیم. اگر مقدار آن از 05/0 کمتر بود، فرض صفر را رد می کنیم و

نتیجه می گیریم با 95 درصد اطمینان بین دو متغیر رابطه وجود دارد ولی اگر مقدار آن از 05/0 بیشتر بود ، نمی توانیم فرض صفر را رد کنیم بنابراین با 95 درصد اطمینان عدم وجود رابطه بین دومتغیر را نتیجه می گیریم.(همان:288)

16.آزمون روش همبستگی سامرز

به جدول Directional Measures نگاه می کینم در این جدول یکبار یکی از متغیر را به عنوان متغیر وابسته فرض شده و مقدار و سطح معناداری آن آورده شده است و بار دیگر متغیر بعدی به عنوان متغیر وابسته فرض شده و مقدار و سطح معناداری آن آورده شده است همچنین در قسمت symmetric نیزd میانگین ارایه شده است برای تفسیر به قسمت approx.Sig نگاه می کنیم. اگر مقدار آن از 05/0 کمتر بود، فرض صفر را رد می کنیم و نتیجه می گیریم با 95 درصد اطمینان بین دو متغیر رابطه وجود دارد ولی اگر مقدار آن از 05/0 بیشتر بود ، نمی توانیم فرض صفر را رد کنیم بنابراین با 95 درصد اطمینان عدم وجود رابطه بین دومتغیر را نتیجه می گیریم( همان: 295)

17.آزمون همبستگی پیرسون:

در جدول correlations نگاه کرده اگر مقدار آن از 05/0 کمتر بود، فرض صفر را رد می کنیم و نتیجه می گیریم با 95 درصد اطمینان بین متغیرها رابطه وجود دارد ولی اگر مقدار آن از 05/0 بیشتر بود ، نمی توانیم فرض صفر را رد کنیم بنابراین با 95 درصد اطمینان عدم وجود رابطه بین متغیرها را نتیجه می گیریم.

ضریب تعیین: مقدار آن بین صفر تا یک متغیر است. هرچه این مقدار بزرگتر باشد نشانگر این است که رابطه بین دو متغیر بشتر و واریانس بیشتری تبیین می کند و هرچه مقدار آن کوچکتر باشد نشان دهنده این است که رابطه بین متغیرها کمتر است و واریانس کمتری تبیین می شود( همان:316).

منابع:

· ازکیا، مصطفی و همکاران- روش های کاربردی تحقیق – تهران: انتشارات کیهان- چاپ دوم، 1389

· کرلینجر.فرد. ان – مبانی پژوهش در علوم رفتاری- ترجمه دکتر حسن پاشایی و همکاران- تهران: انتشارات آوای نور: 1388

· گودرزی، سعید- همراه با دستورات spss و نحوه تفسیر خروجی- تهران: انتشارات جامعه شناسان- چاپ اول، 1388

نحوه محاسبه و تفسیر اندازه اثر:

رايج ترين شاخص هاي مورد استفاده در اندازه اثر d و r است كه غالباً d براي تفاوتهاي گروهي و r را براي مطالعات همبستگي به كار مي برند .

برای مثال در بعضی پژوهش ها از شاخص r استفاده شده و آماره هاي x2 F,T, با استفاده از فرمولهاي ولف11(1982) به r تبديل شده اند .فيلد12،2002). همچنين براي تفسير اندازه هاي اثر از جدول كوهن13 (1977) استفاده می شود.

جدول تفسير اندازه اثر كوهن

اندازه اثر

اندازه اثر كم

0.2

0.1

اندازه اثر متوسط

0.5

0.3

اندازه اثر زياد

0.8

0.5

برای مثال فرمول محاسبه d:

Es = ¯XE – ¯XC /Sp

پنجشنبه 26 تیر 1393 - 19:30

ارسال پیام نقل قول تشکر گزارش

ارسال پاسخ جدید

برای ارسال پاسخ ابتدا باید لوگین یا ثبت نام کنید.