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 :

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 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 :

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 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

d

r

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