سنجش و اندازه گیری

دیدگاه و رویکرد پژوهش بین رشته‏ ای

نظریه سوال پاسخ و تحلیل عاملی

مدت های زمان زیادی بود که نظریه ی سوال دو فرضیه ی اساسی سیطره داشت:

  1. وجود تنها یک سازه ی زیر بنایی یا مکنون
  2. نرمال بودن سازه ی مورد مطالعه

زمانی که بر جنبه ی بعدیت این گسترش ها نگاه می شود ما می بینیم که یکی از تفاوت های بزرگ بین این که نظریه ی سوال پاسخ در جهان عمل می کند و این که تحلیل عاملی چگونه عمل می کند خیلی طولانی وجود ندارد. بنابراین لازم است این تفاوت مشخص شود. به صورت استعاره ای به مدل های سوال پاسخ مدل های تحلیل عامل سوال گفته می شود تا از این طریق این جنبه ی مدل های سوال پاسخ را برجسته سازند. بعد از همه ی این ها تنها مدل های تحلیل موجود برای داده هایی که نشان دهنده ی سطوح مختلف سوال اند این مدل ها می باشند.

روزی روزگاری مدل سوال پاسخ و تحلیل عاملی بدون داشتتن اساسی مشترک در مدل عاملی مشترک ترستونی ها گسترش یافتند. علارغم این که سرمنشا آنها یکسان بود ولی این دو روش شناسی یا بهتر است گفته شود این دو چهارچوب مختلف در دو خط جداگانه برای چهل سال حرکت کردند و از هم واگرا شدند.

این جدایی نتایج خوب و بد داشت.

یکی از نتایج این بود که رشد در هر چهارچوب نسبتا مستقل از یکدیگر اتفاق افتاد. نظریه ی سوال پاسخ از طریق بسیاری از گسترش دهندگان آن در آموزش رشد یافت و خیلی به موضوع نمره دهی در ارتباط شد.

زمانی که دو چهارچوب با یکدیگر در هم آمیخته می شوند و به هم بر می گردند مفید است که بدانیم که هر کدام در طول سال های جدایی چه چیزی کسب کرده است.

همانطور که من قبلا گفتم طرفداران نظریه ی سوال پاسخ مدت زمان زیادی مشغول نمردهی از طریق این نظریه بودند و زمان آن رسیده است تا در باره ی مدل های تحلیل عاملی سوال بیشتر فکر کنیم و این مدل ها را در واژگانی بیان کنیم که ما دوست داریم به نمرات بچسبند.


برچسب‌ها: نظریه سوال پاسخ, تحلیل عاملی
+ نوشته شده در  شنبه 26 مهر1393ساعت   توسط محمد حسین ضرغامی  | 

معرفی رشته سنجش و اندازه گیری

رشته سنجش و اندازه گیری، علم بین ­رشته ­ای نسبتاً جدیدی است که برای درک مفاهیم آن لازم است تسلط کافی در حیطه­های زیر داشت: داشتن دانش در زمینه مباحث سنجش و اندازه­گیری، روش­شناسی، ارزیابی و ارزشیابی است. داشتن دانش در حیطه ریاضی بخصوص در حیطه جبر خطی و حسابان و آمار به طور نظری و کاربردی داشتن دانش در زمینه نرم افزارهای مختلف آماری و توانایی استفاده از آن­ها. علاوه بر این باید در زمینه برنامه نویسی کامپیوتری هم به تسلط نسبی رسید چرا که امروزه در بسیاری از مقالات جدید از نرم افزارهایی که نیاز به کد نویسی دارند مثل R استفاده می­شود. داشتن دانش در مورد یک سازه رفتاری خاص در یکی از حیطه­های علوم رفتاری مثل علوم تربیتی، روان­شناسی، مدیریت، پرستاری، پزشکی و به طور کلی هر علمی که با انسان سر و کار دارد. علاوه بر این از آن­جایی که این رشته در ایران جدید است دانشجویان باید از سطح زبان انگلیسی مناسبی برخوردار باشند بخصوص در مهارت­های شنیدن و حرف زدن. بسیاری از کارگاه­های تخصصی و اساتید صاحب نظر در این حیطه خارج از ایران می باشد. هم­چنین کتاب­های فارسی کمی در این حیطه ترجمه شده است و معمولاً مقالات و کتاب­های ترجمه­ شده به دلیل جدید بودن مباحث، کمی مبهم به نظر می رسد. مطالعه در زمینه خلاقیت، تفکر انتقادی و فلسفه علم نیز برای دانشجویان تحصیلات تکمیلی توصیه می شود. بسیار مهم: مهم­تر از همه ارتباط دادن این مجموعه دانش با هم و داشتن ایده­ای مناسب است. دانستن قوی­ترین روش­های آمار و ریاضی و توانایی قوی در برنامه­نویسی کامپیوتری بدون دانستن نظریه­های مربوط به یک سازه مربوط به انسان هیچ مفهومی نخواهد داشت و در نهایت منجر به سر در گمی می­شود مگر برای کسانی که خواهان انجام تحقیقات صرفاً نظری در این رشته باشند و این امر مستلزم دانشی بسیار قوی در حیطه ریاضیات و آمار است. پس باید صبورانه و هدفمند وارد این رشته شد و مطالعه مداوم داشت. برای نمونه زمینه آموزشی دکتر تمپلین (. TemplinDr) استاد دانشگاه Nebraska-Lincoln را برای شما از سایت ایشون (http://JonathanTemplin.com ) در این جا قرار می­دهم. Ph.D. in Psychology (Quantitative; 2004 University of Illinois at Urbana-Champaign M.A. in Psychology (2002 University of Illinois at Urbana-Champaign M.S. in Statistics (2002 University of Illinois at Urbana-Champaign B.A. in Psychology (magna cum laude; 1998 California State University, Sacramento; Minor: Statistics A.A. in General Studies (1996 American River College; Sacramento, California A.S. in Mathematics and Physical Science (1996 American River College; Sacramento, California به طور کلی ادامه تحصیل دادن در مقطع دکترا نیاز به انگیزه بالا دارد. نقل قول زیر از سایت topuniversities جالب است: Professor Daniel Drezner of Tufts University recently quipped: “Should you get a PhD? Only if you are crazy or crazy about your subject”.0 دکتر درنزل، استاد دانشگاه توفتز طنز گونه گفته است: اگر شما قصد گرفتن مدرک دکترا را دارید یا باید دیوانه باشید یا باید شیفته رشته تحصیلی خود باشید.

منبع: www.assessment.blogsky.com

 


برچسب‌ها: رشته روانسنجی, سنجش و اندازه گیری
+ نوشته شده در  شنبه 26 مهر1393ساعت   توسط محمد حسین ضرغامی  | 

موضوع برای تز دکتری و یا پایان نامه دوره ی ارشد برای دانشجویان رشته روانسنجی

دانشجویان رشته سنجش و اندازه گیری یا روانسنجی در مورد عنوان تز یا پایان نامه خود، سوالات زیادی می پرسند. انتخاب موضوع برای پایان نامه ارتباط اساسی با رغبت و توانایی فرد دارد. موضوعات در حوزه ی روانسنجی دامنه وسیعی را در بر می گیرد و می توانند کاربردی، محض، محاسباتی و یا ترکیبی از آنها باشند. 

شخصا برای تز دوره دکتری روی تحلیل شبکه که خاستگاه آن نظریه گراف است کار کرده ام. این حوزه یکی از حوزه های رو به گسترش در همه ی رشته های پژوهشی مخصوصا برای موضوعات است که بین رشته ای تلقی می شوند. به نظر می رسد دانشجویان سنجش و اندازه گیری می توانند از روش های مبتنی بر نظریه گراف برای بسط مفاهیم و مطالعه ی پدیده ها به صورت کل استفاده کنند.


برچسب‌ها: نظریه گراف, تحلیل شبکه, موضوع تز دکتری و پایان نامه ارشد
+ نوشته شده در  شنبه 19 مهر1393ساعت   توسط محمد حسین ضرغامی  | 

تحلیل پانل

ماهیت پنل دیتا:

ما همواره در بررسی های خود با دو ساختار مجزای آزمایش روبرو بوده ایم:

قصد داریم مدلی برای داده های خود در یک زمان خاص برازش دهیم.
به عنوان مثال فرض کنید می خواهیم یک تابع تولید ساده را برآورد کنیم. تولید تابعی از موجودی سرمایه، نیروی کار و مهارت های مدیریتی است. اگر تولید بنگاه ها را بر روی موجودی سرمایه و تیروی کار در یک زمان رگرس کنیم تورش ایجاد می شود زیرا یک متغیر مهم یعنی مهارت مدیریتی از مدل حذف شده است. برای رفع این مشکل بهتر است که میزان تولید طی چند سال را برای این بنگاه ها رگرس کنیم.
در این حالت ما با داده های پانل کار می کنیم یعنی برای هر بنگاه میزان تولید، موجودی سرمایه و نیروی کار را در طی زمان به دست می آوریم و تلفیقی، ترکیبی از بنگاه ها (مقاطع) و سری زمانی داریم. به این داده های ترکیبی پانل دیتا، داده های ترکیبی، داده های آمیخته گفته می شود.
قصد داریم مدلی برای داده های خود در طی زمان بدست آوریم.
به عنوان مثال فرض کنید قصد داریم روند تولید، صادرات، نرخ تورم یا ... را برای یک کشور، بنگاه، شرکت به دست آورده و پیش بینی هایی در مورد آینده انجام دهیم؛ ولی به دلایل متعدد از قبیل نبود داده های کافی نتوانیم از مدل سری های زمانی استفاده کنیم. در این حالت برای از بین بردن مشکل کمبود داده از کشورها، بنگاه ها، شرکت ها (مقاصع مختلف) در تحلیل خود استفاده می کنیم؛ به داده های حاصل پانل دیتا، داده های ترکیبی، داده های آمیخته گفته می شود.
همان گونه که مشخص است پس از ترکیب ما می توانیم از هر دو روش برای برآورد استفاده نماییم بنابراین با این مجموعه داده ها می توان اثراتی را شناسایی یا اندازه گیری کرد که در داده های مقطعی محض یا سری زمانی خالص قابل شناسایی نیست.
نکته قابل تامل در داده های پانل این است که ما نه تنها می توانیم اثرات ثابت و تصادفی را برای مقاطع مختلف بررسی کرده و مدل را برازش دهیم بلکه می توان اثرات ثابت و تصادفی را برای زمان های گوناگون نیز بررسی و زمان را به عنوان یک عامل تعیین کننده در نظر گرفت که این مهم در بخش آموزش نرم افزار eviews ارائه خواهد شد.

مزایای مدل های پانل دیتا:

با توجه به توضیحات قسمت قبل می توان مزایای زیر را برای مدل های پانل معرفی کرد:

تعداد مشاهدات و داده ها زیاد بوده و اعتماد به برآوردها بیشتر است.
به محققان اجازه می دهد مدل های پیشرفته تری را تبیین کرده و آزمون کنند.
با این مجموعه داده ها می توان اثراتی را شناسایی یا اندازه گیری کرد که در داده های مقطعی محض یا سری زمانی خالص قابل شناسایی نیست.
استفاده از داده های پانل تورش برآورد را از بین برده یا کم می کند.

منبع 

http://amar.khshp.ir/econometrics/paneldata.htm


برچسب‌ها: تحلیل پانل
+ نوشته شده در  سه شنبه 1 مهر1393ساعت   توسط محمد حسین ضرغامی  | 

تحلیل پنلی (تحلیل طولی)

تحلیل پنل

تحلیل پنل یک روش آماری است که به صورت گسترده ای در علوم اجتماعی، شیوع شناسی و اقتصاد سنجی استفاده می شود. همانطور که از اسم این تحلیل مشخص است، دارای دو بعد می باشد که این دو بعد در تقاطع با یکدیگر پنل را ایجاد می کنند. داده های مربوط به این تحلیل ها از افراد یکسان یا همتا در طول زمان گرد آوری می شوند. سپس روی این داده ها یک رگرسیون در هر دو بعد جدول اجرا می شود. اگر تعداد ابعاد بیشتر از دو مورد باشد از تحلیل چند بعدی استفاده می شود. تحلیل چند بعدی یک روش اقتصادی است و زمانی استفاده می شود که داده ها در بیشتر از دو بعد گرد اوری شده باشند. مثلا داده ها از زمان، افراد و بعد سوم دیگری بدست آمده باشند.

09122263167

یک مدل رگرسیونی معمول در تحلیل پنل به صورت  است که در آن y متغیر وابسته و x متغیر مستقل است و b ضریب می باشد. داده های مربوط به x برای فرد i در زمان t می باشد. خطا در این مدل از اهمیت ویژه ای برخوردار است. خطا مشخص می کند که آیا ما از  اثرات ثابت صحبت می کنیم یا از اثرات تصادفی. در یک مدل ثابت، خطا فرض می شود که در طول i و t به صورت تصادفی تغییر نمی کند و اثرات ثابتی می سازد که با یک مدل متغیر دامی یا کاذب در یک بعد متشابه است. در مدل تصادفی فرض می شود که خطا به صورت تصادفی در طول فرد و زمان تغییر می کند و نیازمند اجرای خاص ماتریس واریانس خطا می باشد.

تحلیل داده های پنلی سه یا بیشتر از سه رویکرد مستقل دارد:

پنل های مرجع مستقل

مدل های اثر تصادفی

مدل های اثر ثابت یا مدل های متمایز شده اولین

تمایز بین این سه روش وابسته به موضوع مورد تحلیل دارد. در مدل های پنلی که به صورت مستقل مرجع شده اند فرض بر این است که یک صفات واحد از افراد درون مجموعه اندازه گیری وجود ندارد و اثرات جهانی در طول زمان وجود ندارد.

مفروضه بنیادی مدل های اثرات ثابت این است که صفات ویزه و واحدی از افراد وجود دارد که نتیجه تغییر تصادفی نیستند و در طول زمان تغییر نمی کنند. اگر ما بخواهیم استنباط را در مورد فقط افراد تحت آزمایش بدانیم استفاده از این مدل ها مناسب است. این مدل ها به مدل های حداقل مجذورات متغیر کاذب مشهورند.

مدل های اثرات تصادفی فرض می کنند که یک سری صفات واحد و ثابت وابسته به زمان از افراد وجود دارد که نتیجه تغییر تصادفی اند و با رگرسورهای فردی ارتباط ندارند. این مدل برای زمانی مناسب است که ما بخواهیم در مورد کل جامعه استنباط کنیم و نه فقط در مورد نمونه مورد آزمایش.

 

 


برچسب‌ها: تحلیل پنل, تحلیل طولی
+ نوشته شده در  سه شنبه 1 مهر1393ساعت   توسط محمد حسین ضرغامی  | 

تفاوت سنجش و اندازه گیری با روانسنجی

نظر جناب خوشگویان فر از بازدید کنندگان وب لاگ سنجش و اندازه گیری:

تصور می‌کنم باید بین «سنجش و اندازه گیری» و «روانسنجی» تفاوت قائل شویم. اولی را می‌توان شاخه‌ای از آمار کاربردی قلمداد کرد چه با نگاه کلاسیک به اندازه‌گیری نگاه کنیم و چه با نگاه پاسخِ سؤال. مفاهیمی نظیر اعتبار (reliability) و روایی (validity) تنها به اندازه‌گیری صفات روانی اختصاص ندارند بلکه در شاخه‌های دیگر دانش نظیر جامعه‌شناسی یا مهندسی که دست به اندازه‌گیری می‌زنند، مطرح هستند. مدل‌سازی پاسخ‌های سؤالات یک ابزار نظیر پرسشنامه نیز تنها به روان‌شناسی اختصاص ندارد بلکه حداقل در جامعه‌شناسی نیز کاربرد دارد. در هر دو نوع نگاهِ کلاسیک و پاسخِ پرسش، بحث برآوردیابی به طور گسترده‌ای مطرح است؛ گاهی در قالب برآورد ضریب اعتبار یا ضریب روایی و گاهی در قالب برآورد پارامترهای سؤال یا توانایی در یک مدل مربوط به نظریه پاسخِ پرسش. 
روانسنجی، حوزه کاربردی شده سنجش و اندازه‌گیری است که درباره آزمون‌سازی و بررسی شایستگی آزمون در اندازه‌گیری صفات روانی مرتبط با آن آزمون بحث می‌کند. 
به اعتقاد من، رشته سنجش و اندازه‌گیری می‌توانست بسیار پیشرفت کند اگر در گروه آمار به جای دانشکده‌های روانشناسی و علوم تربیتی ارائه می‌شد. البته در اغلب دانشگاه‌های خارج از ایران نیز این رشته در دانشکده‌های روانشناسی و علوم تربیتی جای دارد با این تفاوت که هم دانشجویان از ورزیدگی بیشتری در آمار برخورداند هم اساتید در آمار زبده‌تر هستند. متأسفانه تسلط نداشتن اساتید سنجش و اندازه‌گیری بر آمار نظری مانع از ارئه کامل و دقیق مفاهیم مرتبط می‌شود!


برچسب‌ها: تفاوت سنجش و اندازه گیری با روانسنجی
+ نوشته شده در  جمعه 21 شهریور1393ساعت   توسط محمد حسین ضرغامی  | 

کتاب های موجود در زمینه ی مدل معادلات ساختاری

آذر، عادل و همکاران. (1391). مدل سازی مسیری-ساختاری در مدیریت: کاربرد نرم افزار اسمارت پی ال اس. تهران: نگاه دانش.

آربروکل، جیمزال. (1390). راهنمای جامع ایموس 6. ترجمه کیومرث زرافشانی و مرضیه کشاورز. تهران: دانشگاه رازی.

ابارشی، احمد و حسینی، یعقوب. (1391). مدل سازی معادلات ساختاری. تهران: جامعه شناسان.

استفان دوتویت,ماتیلدا دوتویت (1392). لیزرل محاوره ای: راهنمای کاربران. ترجمه علی دلاور حسن‌علی ویس‌کرمی,محمد زرین‌جویی. تهران: ارسباران.

اسفیدانی، محمد رحیم و محسنین، شهریار. (1392). مدل سازی معادلات ساختاری به کمک نرم افزار لیزرل. تهران: کتاب مهربان.

پاینده، امیر تیمور و امیدی، مریم. (1392). تحلیل ساختاری تاییدی به کمک نرم افزارهای لیزرل و ایموس. تهران: دانشگاه شهید بهشتی.

داوری، علی و رضا زاده، آرش. (1392). مدل سازی معادلات ساختاری با نرم افزار پی ال اس. تهران: جهاد دانشگاهی.

رامین ­مهر، حمید و چارستاد، پروانه. (1393). روش تحقیق کمی با کاربرد مدل­سازی معادلات ساختاری (نرم افزار لیزرل). تهران: ترمه.

سبحانی فرد، یاسر و همکاران. (1391). تحلیل عاملی، مدل سازی معادلات ساختاری و چند سطحی: همراه با استفاده از نرم افزارهای اچ ال ام، لیزرل، اس پی اس اس و سس. تهران: انتشارات دانشگاه امام صادق.

شوماخر و لومکس. (1388). مقدمه ای بر مدل سازی معادله ساختاری. ترجمه وحید قاسمی. تهران: جامعه شناسان.

عباس زاده و همکاران. (1393). مقدمه‌ای بر معادل‌یابی معادلات ساختاری به روش پی ال اس و کاربرد آن در علوم رفتاری. ارومیه: دانشگاه ارومیه.


قاسمی، وحید. (1392). مدل سازی معادلات ساختاری در پژوهش های اجتماعی با کاربرد ایموس. تهران: جامعه شناسان.

کارشکی، حسین. (1391). روابط ساختاری در تحقیقات علوم انسانی به همراه نرم افزار لیزرل. تهران: آوای نور.

کاف، تکنوری و مارکولایدرز، جرج ای. (1393). مبانی مدل یابی معادلات ساختاری با تاکید بر برنامه های ام پلاس، ایی کیو اس و لیزرل. تر جمه بلال ایزانلو و همکاران. تهران: رشد.

کلانتری، خلیل. (1392). مدل سازی معادلات ساختاری در تحقیقات اجتماعی-اقتصادی با برنامه لیزرل و سیمپلیس. تهران: فرهنگ صبا.

مومنی، منصور؛ دشتی، مجتبی؛ بایرام زاده، سونا؛ سلطان محمدی، ندا. (1392). مدل سازی معادلات ساختاری با تاکید بر سازه های بازتابنده و سازنده (با به کارگیری نرم افزارهای لیزرل، ایموس و پی ال اس). تهران: مولف.

میولر، رالف. (1390). پایه های اساسی مدل سازی معادلات ساختاری: معرفی نرم افزارهای لیزرل و ای کیو اس. ترجمه سیاوش طالع پسند. سمنان: دانشگاه سمنان.

نرگسیان، عباس. (1392). راهنمای کاربرد نرم افزار لیزرل در مدل سازی معادلات ساختاری. تهران: نگاه دانش.

هومن؛ حیدر علی. (1391). مدل­یابی معادلات ساختاری با کاربرد نرم افزار لیزرل. تهران: سمت.

برگرفته از وب لاگ: www.assessment.blogsky.com


برچسب‌ها: کتاب های موجود در زمینه ی مدل معادلات ساختاری
+ نوشته شده در  دوشنبه 10 شهریور1393ساعت   توسط محمد حسین ضرغامی  | 

نمونه سوالات آمار توصیفی و استنباطی

نمونه سوالات آمار توصیفی و استنباطی 

http://population-studies.blogfa.com/cat-2.aspx


برچسب‌ها: نمونه سوالات آمار توصیفی و استنباطی
+ نوشته شده در  دوشنبه 20 مرداد1393ساعت   توسط محمد حسین ضرغامی  | 

نظریه رویه (facet theory)

نظریه رویه به منظور کمک به دانشمندان برای تدوین نظریه های ساختاری و نظریه های دیگر و آزمون آن­ها به طور تجربی توسط لوییس گاتمن ارایه شد. این نظریه رهنمودهایی برای تحلیل و ساختار محتوای تحقیق، تدوین فرضیه، طراحی مشاهدات و روش­های مربوط به پردازش داده­های تجربی را ارایه می­دهد. هدف اصلی نظریه رویه تسهیل دانش انباشته و ایجاد شرایطی برای کشف قوانین در حیطه های حقیقی تحقیق است. مفاهیم و تکنیک های تدوین شده در نظریه رویه مانند نقشه بندی جملات، فرضیه های منطقه ای، مقیاس بندی چند بعدی رویه ای، مقیاس بندی تک بعدی و چندگانه در تحقیقات متنوعی در علوم رفتاری مفید بوده است و بینش­های جدیدی را در شغل و سازمان­، ارزش و نگرش، هوش، بازاریابی، ارتباط، آموزش، سلامت، روانشناسی اجتماعی، روانشناسی بالینی و روانشناسی سازمانی به وجود آورده است.

این نظریه، راهبردی برای تحقیق در روانشناسی و علومی است که سیستم های پیچیده رفتار را بررسی می کند. این نظریه مبتنی بر رسمی سازی محتوای تحقیق و مبتنی بر کشف قوانین ثابت و تحقیق مبتنی بر نظریه در این علوم است. رسمی سازی محتوای تحقیق از طریق استفاده از نقشه بندی جملات بخصوص تعمیم طرح آزمایشی فیشر به طرح نظریه ها انجامی می شود، در حالی که روش تحلیل داده های اصلی (به طور قابل ملاحظه ای تحلیل کم ترین فضا رویه ای (faceted smallest space analysis) و مقیاس پردازی چندگانه (multiple scaling)) از نظریه عامل ها و مقیاس پردازی گاتمن منتج شده است. این پیشرفت ها به دلیل نیاز به جدا کردن روش های تحقیق از ماهیت نظریه و داده ها در علوم اجتماعی و روانشناسی، به وجود آمده است. در نظریه رویه، رویه عبارت است از یک مجموعه که مولفه حاصلضرب دکارتی (Cartesian product) است. ضرب دکارتی یا حاصلضرب دکارتی دو مجموعه عملگری در ریاضیات است که برای ایجاد زوج مرتب از اعضای دو مجموعه عمل‌وند آن به‌کار می‌رود. با استفاده از این عمل تمام ترکیبات ممکن دوتایی از اعضای دو مجموعه ایجاد خواهد شد. در زوج‌های مرتّب تولید شده عضو نخست از اولین مجموعه و عضو دو از دومین مجموعه انتخاب می‌شود.

در واقع نظریه رویه یک راهبرد تحقیقی است که تحلیل رسمی محتوای تحقیق (با استفاده از نقشه بندی جمله) را با تحلیل داده ها حقیقی (روش های چند متغیره مثل تحلیل کم ترین فضای رویه ای (faceted smallest space analysis) و مقیاس چندگانه (multiple scaling) با استفاده از تحلیل مقیاس تراکمی رتبه ای پاره ای مختصات پایه (partial order scalogram analysis by base coordinates)) ترکیب می کند. ترکیب طرح محتوا و تحلیل داده برای تدوین نظریه و اندازه گیری معنادار درعلوم رفتاری که در آن سیستم های پیچیده با متغیرهای بسیار زیادی مطالعه می شود، بسیار مهم است. نقشه بندی کردن جملات منجر به انتخاب متعادل متغیرهای مشاهده ای از جامعه محتوای مورد مطالعه می شود. با تمرکز متغیرهای مشاهده شده (ستون ماتریس داده ها)، تحلیل کم ترین فضای رویه ای، نمایش هندسی مفهوم-فضا را ارایه می دهد و آن را به چند ناحیه تقسیم می کند و بنابراین بررسی سیستماتیک ساختار مفهومی را ممکن می سازد. با تمرکز بر افراد مشاهده شده (ردیف های ماتریس داده)، تحلیل مقیاس تراکمی رتبه ای پاره ای مختصات پایه، مقیاس­های بهینه اندازه گیری برای سنجش افراد را تدارک می بیند. مدل های سنتی پیش بینی وجود عامل ها (متغیرهای زیربنایی) که از طریق آن متغیرها و افراد را می توان بررسی کرد، که مشاهدات تجربی را تعیین می کند، فرض می کند. نظریه رویه مدرن نشان می دهد که دو نوع عامل موثر هستند: رویه های (افزاز یا جز بندی) مفهوم-فضا برای بررسی متغیرها و مقیاس های (مختصات ها) فضای اندازه گیری برای بررسی افراد. دو نوع عامل به دو مسیر برای به دست آوردن هدف پیش بینی منجر می شود. نتایج ریاضی در مقیاس چندگانه و به خصوص مقدمه ضریب تازه تدوین شده شباهت ساختاری به همگرایی دو مسیر کمک منجر می شود.

تحلیل کم­ترین فضا (smallest spaces analysis (SSA)) و تحلیل عاملی رویکردهای مفیدی ولی با اهداف متفاوت هستند. هدف تحلیل کم­ترین فضا توصیف و ارایه جهان احتمالی سوالاتی است که یک ابزار را تشکیل می­دهد. هدف تحلیل عاملی، ارایه ساختار زیربنایی یک ابزار با استفاده از مجموعه ای سوال است. جنبه مهم  تحلیل کم­ترین فضا این است که قادر است سوالات یا متغیرهای گمشده را که باید وجود می داشت ولی وجود ندارد را نشان دهد.

تحلیل عاملی، ساختار را از دید تک بعدی مورد بررسی قرار می­ دهد: متغیرها باید دارای بار بالایی در یک عامل باشند و در عامل های دیگر بار نداشته باشند. این رویکرد تحلیلی می تواند به دیدگاهی تک بعدی از پدیده مورد بررسی منجر شود که ممکن است برای پدیده­های اجتماعی و روانشناسی که ماهیتاً چند بعدی هستند مناسب نباشد. تحلیل کم­ترین فضا منجر به بررسی روابط چند بعدی می شود. مثلاً، عاملی که به وسیله تحلیل عاملی شناسایی می­شود را می­توان در تحلیل کم­ترین فضا به کرانه یک پیوستار در نظر گرفت. تحلیل کم­ترین فضا و مقیاس بندی چند بعدی (multidimensional scaling)، راه حلی برای نمایش دیداری که منجر رویکرد جامع برای تفسیر داده­ها می شود، ارایه می دهد.

منبع: وبلاگ خانم دکتر مقدم (assessment.blogsky.com)

+ نوشته شده در  دوشنبه 20 مرداد1393ساعت   توسط محمد حسین ضرغامی  | 

آمار استنباطی و استنباط آماری

جناب خوشگویان فرد:

این مطلب را به بهانه مشاهده دو عنوانِ «آمار استنباطی» و «استنباط آماری» در آرشیو موضوعی وبلاگ می‌نویسم. همان طور که به نوعی در نوشته مربوط در وبلاگ نیز آمده است، آمار استنباطی به مجموعه روش‌هایی گفته می‌شود که به دنبال تعمیم یافته‌های حاصل از نمونه «تصادفی» به جامعه تحت بررسی هستند. این روش‌ها به دو گروه عمده برآوردیابی و آزمون فرضیه تقسیم می‌شوند. عنوان «استنباط آماری» گاهی معادل آمار استنباطی است و گاهی به نظریه آمار مرتبط با روش‌های آمار استنباطی اشاره دارد. برای بحث درباره روش‌های مختلف برآوردیابی مانند حداقل مربعات، ML یا بیزی صرف نظر از اینکه در کجا استفاده شوند، موضوع استنباط آماری است ولی هنگامی که این بحث کاربردی می‌شود و در حوزه‌ای خاص مورد استفاده قرار می‌گیرد (مثلا برآورد پارامترهای مدل رگرسیون با روش حداقل مربعات)، از آمار استنباطی صحبت می‌شود.


برچسب‌ها: آمار استنباطی و استنباط آماری
+ نوشته شده در  پنجشنبه 2 مرداد1393ساعت   توسط محمد حسین ضرغامی  | 

مطالب قدیمی‌تر