سنجش و اندازه گیری

پارادایم پژوهش بین رشته‏ ای (09122263167)

بخت و نسبت بخت (شانس و نسبت شانس، Odds, Odds ratio)

بخت تاریخچه بخت به بازی های قمار و آمار بر می گردد. در آمار بخت نشان دهنده ی درستنمایی رخداد یک واقعه است. در واقع بخت مخالف، درستنمایی این که یک واقعه رخ ندهد را بیان می کند. مثلا اگر در یک مجموعه بازی قمار یک فرد 10 بار ببرد ولی 5 بار ببازد، بخت یا شانس موفقیت وی 5/10 است و بخت یا شانس مخالف (شکست) برابر 10/5 است. از روی بخت می توان احتمال را نیز محاسبه کرد. احتمال بر اساس تعریف کلاسیک آن برای وقایع با توزیع احتمال یکنواخت برابر است با تعداد رخداد موضوع مورد نظر بر کل رخداد ها بنابراین بر اساس مثال بالا احتمال موفقیت فرد 15/10 خواهد شد. بر اساس بدست آمدن احتمال می توان مقدار احتمال شکست که وضعیت مکمل موفقیت است را محاسبه کرد. این مقدار برابر است با 1-p یعنی (15/10)-1. بنابراین می توان مقدار شانس را بر اساس احتمال موفقیت و شکست نیز تعریف کرد. بخت یا شانس برابر است با p/1-p. در آمار، نسبت بخت که عموما با OR نشان داده می شود، یکی از سه راه مهم برای کمی کردن این موضوع است که حضور یا عدم حضور یک ویژگی چقدر به حضور یا عدم حضور ویژگی دیگری در یک جامعه ی مشخص و معلوم، مربوط است. به عنوان مثال تصمیم گیرندگان دو حزب سیاسی در آمریکا یعنی حزب جمهوری خواه و دمکرات در مورد دو فرد اوباما و رامنی نظر می دهند. در اینجا می خواهیم ببینیم که حضور یا عدم حضور دمکرات بودن روی حضور یا عدم حضور تایید رامنی مرتبط است یا خیر. بنابراین نسبت بخت در این جامعه در برگیرنده ی دو شانس یا بخت است: شانس رای موفقیت رامنی در دمکرات ها نسبت به شانس موفقیت اوباما در دموکرات ها و سپس تقسیم این دو نسبت به یکدیگر. مقدار تقسیم بدست آمده از این روش در مثال ذکر شده، با نسبت شانس حمایت دموکرات ها از رامنی در برابر شانس حمایت جمهوری خواه ها از رامنی یکسان است. همانطور که قبلا گفته شد نسبت بخت می تواند بر اساس احتمال موفقیت و مکمل آن تعریف شود. بنابراین Odds ratio=(p(A)/1-p(A))/(p(B)/1-p(B)) نتیجه ی نسبت بخت وضعیت داشتن صفت الف را در برابر داشتن صفت ب نشان می دهد. اگر مقدار نسبت بخت بیشتر از یک باشد یعنی داشتن صفت الف، شانس داشتن صفت ب را بیشتر از نداشتن صفت ب افزایش می دهد و کمتر بودن آن از یک نشان می دهد که داشتن صفت الف شانس داشتن صفت ب را نسبت به نداشتن صفت ب، کاهش می دهد. این تعریف از نسبت بخت تعریف بخت به صورت گروهی است. در این وضعیت نسبت نشان دهنده ی بخت یک اتفاق در یک گروه نسبت به بخت اتفاق در گروه دیگر است. این واژه همچنین به منظور برآورد های مبتنی بر نمونه این نسبت تعریف می شود. این گروهها می تواند گروه زنان یا مردان، گروه کنترل و آزمایش یا هر نوع کلاس بندی دو وجهی دیگر باشد. اگر مقدار نسبت بخت برابر یک باشد، در این صورت موضوع مورد مطالعه در گروه ها شانس یکسانی برای رخدادن دارند. اگر مقدار بیشتر از یک باشد، احتمال رخ دادن موضوع مورد مطالعه در گروه اول بیشتر از گروه دوم است.


برچسب‌ها: بخت و نسبت بخت, شانس و نسبت شانس, Odds, Odds ratio
+ نوشته شده در  پنجشنبه ۲۸ اسفند۱۳۹۳ساعت   توسط محمد حسین ضرغامی  | 

تحليل رگرسيونی

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+

X3

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 , P<0.05). فرضيه 3 و 4 محقق كاملا تاييد مي شود، زيرا همبستگي احساس لياقت با اسناد دروني و باثبات براي عملكردهاي ناموفق منفي و معني دار است (r=-.029 , P<0.05) و (r=-0.36 , P<0.01).

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 X1,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 مجزوراتبيرون 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 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 همبستگي

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 (r) به وسيله چند فرمول هم ارز تعريف مي شود.


x = X +X , y = Y+Y


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

N
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).
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

 

http://kavok.blogfa.com/post-11.aspx


برچسب‌ها: تحلیل رگرسیونی, رگرسیون ساده, رگرسیون چندگانه, چند متغییری, ساختار کوواریانس
+ نوشته شده در  سه شنبه ۷ بهمن۱۳۹۳ساعت   توسط محمد حسین ضرغامی  | 

تحليل رگرسيونی

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+

X3

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 , P<0.05). فرضيه 3 و 4 محقق كاملا تاييد مي شود، زيرا همبستگي احساس لياقت با اسناد دروني و باثبات براي عملكردهاي ناموفق منفي و معني دار است (r=-.029 , P<0.05) و (r=-0.36 , P<0.01).

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 X1,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 مجزوراتبيرون 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 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 همبستگي

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 (r) به وسيله چند فرمول هم ارز تعريف مي شود.


x = X +X , y = Y+Y


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

N
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).
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

 

http://kavok.blogfa.com/post-11.aspx


برچسب‌ها: تحلیل رگرسیونی, رگرسیون ساده, رگرسیون چندگانه, چند متغییری, ساختار کوواریانس
+ نوشته شده در  سه شنبه ۷ بهمن۱۳۹۳ساعت   توسط محمد حسین ضرغامی  | 

ضریب همبستگی دورشته ای نقطه ای

به نام خداوند بخشنده مهربان

ضریب همبستگی دورشته ای نقطه ای:

زمانی که می خواهیم ضریب همبستگی دو متغیر رابدست آوریم که یکی از آنها متغیر پیوسته ودیگری دو ارزشی باشد ازضریب همبستگی دو رشته ای نقطه ای استفاده می کنیم.منظور از دو ارزشی آن است که تنها یکی از دو مقدار صفر یا یک را شامل شود مانند:بله-نه ؛زن-مرد، برای انجام محاسبات به یکی از نمرات 1 وبه دیگری نمره 0(صفر) داده می شود.فرمول محاسبه ی ضریب همبستگی دو رشته ای به شرح زیر است:

 p=میانگین نمرات متغیر پیوسته برای همه آزمون شوندگانی که در آزمون دو ارزشی نمره 1 گرفته اند.

t=میانگین نمرات برای همه آزمون شوندگان در متغیر پیوسته

t=انحراف معیار همه نمرات در متغیر پیوسته

P=نسبت همه ی آزمون شوندگانی که در متغیر دو ارزشی نمره1 گرفته اند.

q=نسبت آزمون شوندگانی که در آزمون دو ارزشی نمره 0 گرفته اند.

برای استفاده از فرمول بالا،داده های جدول زیر را مورد استفاده قرار می دهیم.داده های این جدول این گونه بدست آمده است که پژوهشگری فرض کرده است تعداد برگ های جریمه ای که یک راننده دریافت می کند از روی عملکرد او در نخستین آزمایش آیین نامه رانندگی که به صورت قبول (1) یا رد(0) نمره گذاری می شود قابل پیش بینی است.

 

این جدول عملکرد راننده ها در آزمون آیین نامه رانندگی و

برگهای جریمه ای که پس از گرفتن گواهینامه ی رانندگی دریافت

کرده اند

تعداد برگهای xجریمه رانندگی  

آزمون آیین نامه

yرانندگی

شماره راننده

5

1

01

3

0

02

1

1

03

4

1

04

7

1

05

0

0

06

1

1

07

6

1

08

5

0

09

2

1

10

6

1

11

3

0

12

1

0

13

4

1

14

2

1

15

50=∑

10=∑

 

 

براساس داده های موجود در جدول بالا:

 براساس ضریب بدست آمده ،یعنی 0.31 ،می گوییم کسانی که در نخستین آزمایش آیین نامه رانندگی خود موفق بوده اند از کسانی که در این آزمون موفق نبوده اند بیشتر جرائم رانندگی مرتکب شده اند.بااین حال ،ضریب همبستگی آن آنقدر زیاد نیست  که بتوان با اطمینان آن را مورد استفاده قرار داد.

 یکی از ویژگیهای مهم ضریب همبستگی دو رشته ای نقطه ای این است که حداکثرممکن آن تابع نسبتهای pوq در توزیع دو ارزشی است.حتی در مواردی کهpوq برابرند بازهم حداکثر مقدار این ضریب کمتر از1 است،وبه نسبتی که تفاوت بینpوq بیشتر می شود ، حداکثر ممکن این ضریب کاهش می یابد.

تهیه کننده:امین شاکرمی

رشته روانشناسی تربیتی

 


برچسب‌ها: ضریب همبستگی دورشته ای نقطه ای
+ نوشته شده در  جمعه ۱۹ دی۱۳۹۳ساعت   توسط محمد حسین ضرغامی  | 

ضریب همبستگی دورشته ای نقطه ای

به نام خداوند بخشنده مهربان

ضریب همبستگی دورشته ای نقطه ای:

زمانی که می خواهیم ضریب همبستگی دو متغیر رابدست آوریم که یکی از آنها متغیر پیوسته ودیگری دو ارزشی باشد ازضریب همبستگی دو رشته ای نقطه ای استفاده می کنیم.منظور از دو ارزشی آن است که تنها یکی از دو مقدار صفر یا یک را شامل شود مانند:بله-نه ؛زن-مرد، برای انجام محاسبات به یکی از نمرات 1 وبه دیگری نمره 0(صفر) داده می شود.فرمول محاسبه ی ضریب همبستگی دو رشته ای به شرح زیر است:

 p=میانگین نمرات متغیر پیوسته برای همه آزمون شوندگانی که در آزمون دو ارزشی نمره 1 گرفته اند.

t=میانگین نمرات برای همه آزمون شوندگان در متغیر پیوسته

t=انحراف معیار همه نمرات در متغیر پیوسته

P=نسبت همه ی آزمون شوندگانی که در متغیر دو ارزشی نمره1 گرفته اند.

q=نسبت آزمون شوندگانی که در آزمون دو ارزشی نمره 0 گرفته اند.

برای استفاده از فرمول بالا،داده های جدول زیر را مورد استفاده قرار می دهیم.داده های این جدول این گونه بدست آمده است که پژوهشگری فرض کرده است تعداد برگ های جریمه ای که یک راننده دریافت می کند از روی عملکرد او در نخستین آزمایش آیین نامه رانندگی که به صورت قبول (1) یا رد(0) نمره گذاری می شود قابل پیش بینی است.

 

این جدول عملکرد راننده ها در آزمون آیین نامه رانندگی و

برگهای جریمه ای که پس از گرفتن گواهینامه ی رانندگی دریافت

کرده اند

تعداد برگهای xجریمه رانندگی  

آزمون آیین نامه

yرانندگی

شماره راننده

5

1

01

3

0

02

1

1

03

4

1

04

7

1

05

0

0

06

1

1

07

6

1

08

5

0

09

2

1

10

6

1

11

3

0

12

1

0

13

4

1

14

2

1

15

50=∑

10=∑

 

 

براساس داده های موجود در جدول بالا:

 براساس ضریب بدست آمده ،یعنی 0.31 ،می گوییم کسانی که در نخستین آزمایش آیین نامه رانندگی خود موفق بوده اند از کسانی که در این آزمون موفق نبوده اند بیشتر جرائم رانندگی مرتکب شده اند.بااین حال ،ضریب همبستگی آن آنقدر زیاد نیست  که بتوان با اطمینان آن را مورد استفاده قرار داد.

 یکی از ویژگیهای مهم ضریب همبستگی دو رشته ای نقطه ای این است که حداکثرممکن آن تابع نسبتهای pوq در توزیع دو ارزشی است.حتی در مواردی کهpوq برابرند بازهم حداکثر مقدار این ضریب کمتر از1 است،وبه نسبتی که تفاوت بینpوq بیشتر می شود ، حداکثر ممکن این ضریب کاهش می یابد.

تهیه کننده:امین شاکرمی

رشته روانشناسی تربیتی

 


برچسب‌ها: ضریب همبستگی دورشته ای نقطه ای
+ نوشته شده در  جمعه ۱۹ دی۱۳۹۳ساعت   توسط محمد حسین ضرغامی  | 

رگرسیون (خطی، چندگانه، لجستیک، سری زمانی)

رگرسیون (خطی، چندگانه، لجستیک، سری زمانی) regression2 رگرسیون (خطی، چندگانه، لجستیک، سری زمانی) رگرسیون خطی ساده در رگرسیون به دنبال برآورد رابطه ریاضی و تحلیل آن هستیم، به طوری بتوان به کمک آن کمیت یک متغیر مجهول را با استفاده از متغیر یا متغیرهای معلوم، تعیین کرد. با فرض آنکه رابطه علت و معلولی بین دو متغیر کمی وجود دارد و این رابطه به صورت خطی باشد، معادله رگرسیون به شکل زیر است: simple regression رگرسیون (خطی، چندگانه، لجستیک، سری زمانی) رگرسیون چندگانه گاهی دو یا چند متغیر تأثیر عمده ای روی متغیر وابسته دارند. در این وضعیت از رگرسیون چندگانه جهت پیش بینی متغیر وابسته استفاده می‌شود. در رگرسیون چندگانه نیز فرض خطی بودن متغیرها برقرار می‌باشد و بر همین اساس معادله رگرسیون چندگانه با سه متغیر وابسته به شکل زیر تعریف می‌شود: mutiregression رگرسیون (خطی، چندگانه، لجستیک، سری زمانی) رگرسیون لجستیک در بحث تحلیل رگرسیون در مورد موقعیت‌هایی صحبت شد که در آن‌ها متغیرهای وابسته پیوسته بوده است. اما در بسیاری از پژوهش‌ها متغیر وابسته تنها دو نتیجه ممکن دارد و می‌تواند فقط یکی از دو ارزش صفر یا یک را بپذیرد که ارزش یک به معنای وقوع حادثه و ارزش صفر به معنای عدم وقوع آن (یا بالعکس) است. برای مثال ورشکستگی و یا عدم ورشکستگی شرکت‌ها را به کمک چند متغیر مستقل (پیش بین) برآورد می‌کنیم یا با کمک میزان تلاش، میزان هوش، موفقیت یا عدم موفقیت فردی را در کنکور پیش بینی می‌کنیم. رگرسیون سری زمانی در رگرسیون سری زمانی متغیری مستقل وجود دارد که معرف زمان (سال، ماه یا …) است. توجه داشته باشید که این متغیر زمان می‌تواند به همراه سایر متغیرهای مستقل در معادله رگرسیون قرار گیرد. برای مثال مدلی که متغیر وابسته آن بازده سهام و زمان (سال) است، نمونه ای از رگرسیون سری زمانی است. منبع: http://www.tahlil-amari.com/
برچسب‌ها: رگرسیون, خطی, چندگانه, لجستیک, سری زمانی
+ نوشته شده در  یکشنبه ۱۶ آذر۱۳۹۳ساعت   توسط محمد حسین ضرغامی  | 

اندیشه اساسی زیربناي مدل یابی ساختاري

اندیشه اساسی زیربناي مدل یابی ساختاري
یکی از مفاهیم اساسی که در آمار کاربردي در سطح متوسط وجود دارد اثر انتقالهاي جمع پذیر و ضرب پذیر در
K ضرب شود میانگین اعداد در همان K فهرستی از اعداد است یعنی اگر هر یک از اعداد یک فهرست در مقدار ثابت
ضرب خواهد شد. نکته این است که اگر K ضرب می شود و به این ترتیب ، انحراف معیار استاندارد در مقدار قدر مطلق
y مرتبط باشند در این صورت واریانس Y=4X از طریق معادله ي y با مجموعه دیگري از اعداد x مجموعه اي از اعداد
می توانید به گونه غیر مستقیم این y و x باشد و بنابراین از طریق مقایسه واریانس هاي x باید 16 برابر واریانس
با هم مرتبط هستند را بیازماید. این اندیشه از طریق تعدادي معادلات Y=4X از طریق معادله x و y فرضیه را که
خطی از راه هاي مختلف به چندین متغیر مرتبط با هم تعمیم داده می شود. هرچند قواعد آن پیچیده تر و محاسبات
دشوارتر می شود. اما پیام کلی ثابت می ماند. یعنی با بررسی واریانس ها و کوواریانس هاي متغیرها می توانید این
فرضیه را که "متغیرها از طریق مجموعه اي از روابط خطی با هم مرتبط اند" را بیازمایید.


برچسب‌ها: اندیشه اساسی زیربناي مدل یابی ساختاري
+ نوشته شده در  جمعه ۱۴ آذر۱۳۹۳ساعت   توسط محمد حسین ضرغامی  | 

تحلیل کواریانس یا آنکوا

آزمون تحلیل کواریانس ANCOVA در تحلیل واریانس یک راهه(ANOVA) متغیرهای مستقل کمّی می توانند به عنوان متغیرهای کمکی درنظر گرفته شوند.در این صورت این طرحها به عنوان تحلیل کواریانس در نظر گرفته می شوند. از تحليل كوواريانس به عنوان يك کنترل آماری نام برده مي شود. این تحليل تركيبي از تحليل واريانس و تحليل رگرسيون است و زمانی قابل استفاده است که در آن متغیر وابسته کمی بوده ، چند متغیر مستقل کمی و کیفی وجود داشته باشد. تحليل كوواريانس در چارچوب رگرسيون تفاوتي با تحليل واريانس ندارد جز ‌آن كه اثر متغير كمكي از متغير وابسته حذف مي شود. متغير كمكي را در چارچوب رگرسيون مي توان يك متغير مستقل دانست كه در تبيين تغييرات متغير وابسته بر سایر متغير هاي مستقل پيشي مي گيرد. در تحلیل رگرسیون می توان به راحتی با کنترل برخی از متغیرها اثرات سایر متغیرهای مستقل را در تبیین متغیر وابسته بدست آورد. فرض این است كه متغير كمكي منبع تغييراتي در متغير وابسته علاوه بر متغير مستقل باشدو از طريق تحليل كواريانس اثرات ناشي از متغيرهاي كمكي تعديل شود. متغیر کمکی موثر در تحلیل کواریانس متغیری است که همبستگی بالایی با متغیر وابسته داشته ولی با متغیرهای مستقل همبستگی نداشته باشد چون متغیرهای کمکی پارامتری یا کمّی در طرح های تجربی و مطالعه پیمایشی به منظور حذف و از بین بردن اثرات خارجی بر متغیر وابسته و افزایش دقت اندازه گیری مورد استفاده قرار میگیرند. می دانیم که رد يك فرض نادرست توان آزمون نامیده مي شودو به چندين عامل بستگی دارد از جمله: حجم نمونه، ميزان تغيير پذيري در متغير وابسته، طرح پژوهش و روش تحليل آماری و سطح معناداري انتخاب شده توسط پژوهشگر. برخي از این روش ها در اختیار پژوهشگر نيست يا مستلزم صرف وقت و هزينه بالايي است، ولي انتخاب طرح آزمايشي، تحليل آماری يا هر دو مي تواند توان آماری را بدون صرف هزينه زياد افزايش دهد. تحليل كوواريانس موثرترين وسيله براي اين منظور است و كل پراش را به سه بخش، پراش تبيين شده توسط كاربندي، پراش تبين شده توسط همپراش و پراش پسماند تقسیم مي كند. اگر متغير كمكي با پيامد همبستگی قوي داشته باشد پراش پسماند كوچك خواهد بود و توان آماری به شکل اساسی افزايش خواهد يافت. پیش فرضهای لازم برای اجرای آزمون تحليل كواواريانس عبارتند از : 1- نرمال بودن. 2- همگني واريانس ها. 3- رابطه بین متغير وابسته با متغير كمكي خطي فرض شود.و یا رابطه بین متغير وابسته و متغير كمكي معنادار باشد. 4- ضرايب خطوط رگرسيون با هم برابر باشند. و یا متغیر مستقل و کمکی با هم تعامل نداشته باشند.

 


برچسب‌ها: تحلیل کواریانس یا آنکووا
+ نوشته شده در  سه شنبه ۱۳ آبان۱۳۹۳ساعت   توسط محمد حسین ضرغامی  | 

معنی ارزش پی p value

بضی از دانشجویان در مورد ارزش پی p value و همچنین مقدار خطای نوع اول یا a آلفا سوال می پرسند. در آزمون معناداری آماری ارزش پی یک مقدر احتمال به شمار می رود. احتمال که نشان می دهد مقادیر مشاهده شده که به صورت تجربی از طریق داده ها بدست آمده است، چقدر احتمال دارد یک نتیجه به شمار روند، در صورتی که فرض صفر درست باشد. بنابراین مطابق با این تعریف در واقع ارزش پی یک احتمال شرطی است. آزمون فرض بر اساس ارزش پی را رونالد فیشر ایجاد کرده است. وی معتقد بود که مقدار های ارزش پی کمتر از 0.01 و 0.05 را برای داده های مشاهده شده احتمال پایین می دانست و بر این اساس نشان می داد که داده های مشاهده شده در شرط درستی فرض صفر قرار نمی گیرد.


برچسب‌ها: معنی ارزش پی
+ نوشته شده در  سه شنبه ۲۹ مهر۱۳۹۳ساعت   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 ۱ مهر۱۳۹۳ساعت   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 ۱۰ شهریور۱۳۹۳ساعت   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 ۲۰ مرداد۱۳۹۳ساعت   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 ۲ مرداد۱۳۹۳ساعت   توسط محمد حسین ضرغامی  | 

ویژگی نامتغییر در مدل های رگرسیونی

نامتغییر بودن جنبه ی معروف مدل رگرسیون خطی است. خط پیش بینی در مدل رگرسیون خطی با اتصال میانگن های y برای مقادیر مختلف x حاصل می شود. در این حال اگر خط رگرسیون برقرار باشد برای هر دامنه ی X نیز خط رگرسیون برقرار است. یعنی در جوامع فرعی و زیر جامعه ها نیز خط رگرسیون ثبات دارد. منظور از ثبات خط رگرسیون نیز به ثبات شیب و خط رگرسیون بر می گردد. شیب خط به ویژگی های جوامع فرعی ربطی ندارد و تغییر ناپذیر است اما ضریب همبستگی وابسته به ویژگی های جوامع فرعی است. البته در این مورد نمونه ی ناهگن مورد نیاز است. مدل های سوال پاسخ مدل های رگرسیونی غیر خطی اند، بنابراین مسایل مطرح شده در مورد آنها نیز صادق است. 


برچسب‌ها: رگرسیون, نامتغیر بودن
+ نوشته شده در  پنجشنبه ۱۵ خرداد۱۳۹۳ساعت   توسط محمد حسین ضرغامی  | 

آمار توصیفی و استنباطی در یک نگاه کلی

روش ها و تکنیک های مختلف آماری به پژوهشگر امکان می دهند تا با کاووش در داده ها به دانش مورد نیاز دست یابد. علم آمار با بهره گیری از قضایای منطقی و اصول موضوعه ی صحیح در مورد یک دسته از داده ها بر اساس فرض هایی که توسط پژوهشگر تدوین می شود، با در نظر گرفتن مقدار خطا به تلخیص داده ها می پردازد و به پژوهشگر در تصمیم گیری های خود یاری می رساند. زمانی که تکنیک ها و فنون آماری به منظور توصیف و تشریح داده های مشاهده شده، بکار گرفته می شود با وظیفه ای از علم آمار که آمار توصیفی خوانده می شود. توصیف شرایط موجود و دیداری کردن نتایج علاوه بر این که می تواند در نتیجه گیری به پژوهشگر کمک کند تا ظرفیت ها و ضعف های خود را بشناسد، می تواند به ذهن های خلاق در فرضیه بندی های جدید ياري رساند. زمانی که پژوهشگر در نظر دارد نتایج بدست آمده از نمونه را به جامعه بسط دهد، بخشی از آمار درگیر این مهم است که آمار استنباطی خوانده می شود. بنابراین اهمیت هر کدام از انواع آمار در تحلیل داده ها و استنباط نتایج وابسته به اهداف پژوهشگر است و این دو مانند پلی عمل می کنند که دیتا را به دانش تبدیل می نمایند.


برچسب‌ها: آمار توصیفی و استنباطی
+ نوشته شده در  چهارشنبه ۱۴ خرداد۱۳۹۳ساعت   توسط محمد حسین ضرغامی  | 

Z فیشر (زد فیشر)

زمانی که همبستگی بین دو متغیر در دو موقعیت مختلف بررسی می شود، ابزاری لازم است که بتوان این همبستگی ها را با هم مقایسه نمود و به تفاوت معناداری بین آنها پی برد. این ابزار توسط Z انتقال فیشر انجام می شود. در واقع با این کار همبستگی ها در دو موقعیت به نمرات Z فیشر تبدیل می شوند. در این حالت امکان مقایسه میسر می شود.

در واقع این z ارتباط تنگاتنگی با مقدار f فیشر دارد این رابطه به صورت زیر است:


یعنی 

 

 

به دلیل این که همبستگی به نمره زد تبدیل می شود. پس راهی وجود دارد که نمره زد به همبستگی تبدیل شود:


 

در لینک زیر هم به صورت آنلاین مقایسه را برایتان انجام می دهد و مشخص می کند که آیا دو همبستگی تفاوت معنادار با یکدیگر دارند یا خیر.
http://vassarstats.net/rdiff.html


برچسب‌ها: تبدیل Z فیشر و مقدار همبستگی
+ نوشته شده در  پنجشنبه ۸ خرداد۱۳۹۳ساعت   توسط محمد حسین ضرغامی  | 

نمونه سوالات آمار و روش تحقیق کارشناسی ارشد

31- در صورتی که بخواهیم نمیرخ روانی جامعه ی معتادین شهر پاکدشت را بدست آوریم، استفاده از کدام شیوه نمونه گیری عملی است؟

1) تصادفی ساده    2) تصادفی سیستماتیک     3) خوشه ای    4) استفاده از نمونه گیری های غیر احتمالی (مانند نمونه گیری گلوله برفی)

32- آزمون خی دو یا کای دو چه زمانی استفاده می شود؟

1) زمانی که هدف مقایسه میانگین نمرات بیشتر از دو گروه است. 

2) زمانی که هدف مقایسه فراوانی های دو گروه یا بیشتر است. 

3) زمانی که هدف بررسی نرمال بودن توزیع است.

4) زمانی که هدف بررسی همگنی واریانس های توزیع است. 

33- فرض صفر مربوط به آزمون تحلیل واریانس یک راهه کدام است ؟

1)             ¯x_1≠¯x_2≠¯x_3    2) ¯x_1=¯x_2=¯x_3                 3) ¯μ_1=¯μ_2=¯μ_3                   4) ¯μ_1≠¯μ_2≠¯μ_3

34- در پژوهش آزمایشی انتخاب، انتصاب و اعمال متغیر آزمایشی بر گروهها به ترتیب ....... است.

1) تصادفی، تصادفی، غیر تصادفی  2) تصادفی، غیر تصادفی، غیر تصادفی   3) تصادفی، غیر تصادفی، تصادفی    4 تصادفی، تصادفی، تصادفی 

35- کدام شاخص با تغیر مقیاس اندازه گیری طول از متر به سانتی متر ثابت می ماند؟

1) میانه           2) واریانس              3) انحراف استاندارد           4) دامنه تغیرات

 36- برای تحلیل داده هایی که به صورت جدول زیر است از چه آزمونی استفاده می شود؟

فاقد پیش آزمون دارای پیش آزمون

¯x_2 ¯x_1 گروه کنترل

¯x_4 ¯x_3 گروه آزمایش


1) تحلیل کوواریانس  2) تحلیل واریانس نمرات وابسته   3) تحلیل واریانس دو راهه یا دو طرفه    4) تحلیل واریانس چند متغیری

37- اگر مفروضات آزمون پارامتری که برای مقایسه ی میانگین های سه گروه مستقل استفاده می شود؛ برقرار نباشد؛ از چه آزمون جایگزینی می توان استفاده کرد؟

1) فریدمن               2)  خی دو                   3) تحلیل واریانس یک راهه                  4) کراسکال والیس

38- پراکندگی کدام توزیع زیر بیشتر است؟

1) توزیع نرمال با درجه ی آزادی 100           2) توزیع t با درجه آزادی 100              3) توزیع نرمال با درجه آزادی 10           4) توزیع t با درجه آزادی 10

39- اگر نتایج مربوط به آزمون افسردگی بک را به دو دسته افسردگی بالا و پایین تقسیم کنیم، با کدام آزمون آماری می توان رابطه بین افسردگی و نمرات معدل را بدست آورد؟ 

1) دو رشته ای                      2) فی                              3) اسپیرمن                              4) تتراکوریک 

40- در صورتی که 3 گروه از سه طبقه مختلف انتخاب شوند و از آزمون تحلیل واریانس یک راهه برای مقایسه بین میانگین بهره هوشی آنها استفاده شود، درجه آزادی کل آزمون چند است؟

1) 2                                         2) 17                                               3) 59                              4) 57

41- در کدام یک از حالات زیر، لازم است حجم نمونه بیشتر باشد؟

1) انتخاب افراد از میان دانش آموزان تیزهوش 2) انتخاب افراد از میان دانش آموزان دارای نواقص شنیداری 3) انتخاب افراد از میان دانش آموزان عادی 4) انتخاب افراد از میان وزرای امور خارجه کشورهای مختلف

42- کدام یک از متغیرهای زیر هدف اصلی مورد مطالعه پژوهشگر می باشد؟

1) متغیر مستقل           2) وابسته                       3) تعدیل کننده                          4) کنترل

43- در رگرسیون، زمانی که تعداد متغیرهای پیش بینی کننده افزایش می یابد، کدام مورد زیر کاهش می یابد؟

1) خطای نوع اول        2) خطای نوع دوم                 3) خطای پیش بینی              4) خطای نوع اول و دوم 

44- مقدار همبستگی پیرسون برای متغیرهای پیوسته  x و y که واریانس آنها به ترتیب برابر 81 و 36 است و مقدار کواریانس بین آنها 27 است برابر .... می باشد.

1) 1                                 2) 0.25                                     3) 0.5                                    4) 0.75

45- کدام شاخص مرکزی برای داده های زیر مناسب تر است؟

13، 14، 14، 14، 15، 10،10، 15، 14، 20، 19،18، 17، 16، 16، 15، 10

1) میانه                             2) میانگین                           3) نما                      4) چارک سوم 

46- ثابت بودن نتایج یک آزمون در موقعیت های مختلف برای افراد نشان دهنده ی کدام ویژگی آزمون است؟

1) روایی (validity)           2) پایایی (reliability)              3) روایی درونی            4) کاربردی بودن آزمون

47- اگر انحراف استاندار یک نمونه 2 برابر و حجم نمونه 4 برابر شود؛ چه تغییری در فاصله ی اطمینان بوجود می آید؟

1) دو برابر می شود                 2) هشت برابر می شود                      3) نصف می شود                     4) تغییری نمی کند. 

48- کدام یک از موارد زیر ویژگی روش علمی نیست؟

1) تکرارپذیری                        2) قابلیت آزمایش                         3) اطمینان از درستی                        4) مراحل مشخص 

49- در فرضیه زیر متغیر کنترل کدام است؟

"رابطه ی بین اعتقاد به خدا و میزان پیشرفت شغلی در مردان معنادار است"

1) جنس                             2) مقدار رابطه                            3) اعتقاد به خدا                                 4) نوع شغل

50- کدام آزمون جزء آزمون های تعقیبی محسوب نمی شود؟

1) LSD فیشر                                2) شفه                                   3) Tukey                                             4) K-S

.............................................................................................................................

31- گزینه (4) صحیح است.

از آنجا که جامعه معتادین نامشخص و بدون شناسنامه می باشند، استفاده از نمونه گیری های احتمالی یا تصادفی میسر نیست. به نمونه گیری گلوله برفی نمونه گیری شبکه ای یا عنکوتی هم گفته می شود. 

32- گزینه (2) صحیح است. 

وقتی قصد داریم فراوانی بین دو یا بیشتر از دو گروه را از لحاظ آماری مقایسه کنیم از آزمون کای دو استفاده می کنیم. 

خطای معیار یا خطای استاندارد برابر حاصل تقسیم انحراف معیار جامعه بر جذر حجم نمونه است. بنابراین داریم:

s_¯x=s/√n=(4/5)/9=/5

33- گزینه (3) صحیح است. 

در نوشتن فرض های آماری حتما باید از حروف یونانی استفاده شود. فرض صفر نشان دهنده ی عدم تفاوت در میانگین جوامع مورد مطالعه است. 

 34- گزینه (4) صحیح است.

35- گزینه (1) صحیح است.

میانه وابسته به مقیاس نیست و با تغیر مقیاس همواره ثابت می ماند. زمانی که داده های متر به سانتی متر تبدیل می شوند در واقع در عدد 100 ضرب می شوند، ضرب یک مجموعه عدد در مقدار ثابت سبب تغیر واریانس، انحراف استاندارد و دامنه تغییرات می شود. 

36- گزینه (3) صحیح است.

مقدار z در سطح 95 درصد اطمینان برابر 96/1 است. بنابراین مقدار z*s_¯x   حدودا برابر 4 خواهد شد. 

37- گزینه (4) صحیح است.

زمانی که مفروضات آزمون تحلیل واریانس یک راهه برقرار نباشد می توان از آزمون ناپارامتری کراسکال والیس استفاده کرد. 

38- گزینه (4) صحیح است.

مقدار درجه ی آزادی در توزیع t روی پراکندگی تاثیر می گذارد. هر چه درجه ی آزادی افزایش یابد شکل توزیع تی  به شکل توزیع نرمال نزدیک تر می شود، یعنی از پراکندگی توزیع تی کاسته می شود. 

39- گزینه (1) صحیح است.

آزمون آماری بین متغیر دو ارزشی (افسردگی بالا و پایین) و متغیر پیوسته، همبستگی دو رشته ای است.  

 40- گزینه (3) صحیح است.

درجه ی آزادی کل در تحلیل واریانس برابر با مجموع درجات آزادی درون گروهی و بین گروهی است. یعنی df=N-1

41- گزینه (3) صحیح است. 

هر چه ناهمگنی افزایش یابد لازم است حجم نمونه نیز افزایش یابد. 

42- گزینه (2) صحیح است.

هدف اصلی پژوهشگر مطالعه متغیر وابسته است.

43- گزینه (3) صحیح است.

خطای پیش بینی اختلاف بین نمرات تجربی از نمراتی است که از طریق معادله رگرسیونی بدست می آید. هر چه متغیرهای پیش بینی کننده مربوط افزایش یابد، این خطا کاهش می یابد.  

44- گزینه (1) صحیح است.

مقدار همبستگی پیرسون حاصل تقسیم کواریانس بین دو متغیر بر حاصلضرب انحراف استاندارد آنها است.

Rxy=27/(6*9)=1 

45- گزینه (2) صحیح است.

مناسب ترین شاخص مرکزی برای داده هایی که دارای پراکندگی نیستند، میانگین است. میانگین مرکز ثقل داده ها را مشخص می کند. 

46) گزینه (2) صحیح است.

ثابت بودن نتایج یک آزمون بیانگر ثبات آزمون است که یکی از شاخص های پایایی به شمار می رود.

47- گزینه (4) صحیح است.

فاصله اطمینان از طریق معادله زیر بدست می آید:

x ̅-z*s_¯x≤μ≤x ̅+z*s_¯x

 در این معادله 

خطای معیار یا خطای استاندارد برابر حاصل تقسیم انحراف معیار جامعه بر جذر حجم نمونه است. بنابراین داریم:

s_¯x=s/√n=2s/√4n=1s_¯x


از آنجا که z ثابت است، مقدار فاصله اطمینان بدون تغیر می ماند.

48- گزینه (3) صحیح است.

نمی توان به درستی نتایج بدست آمده از روش های علمی اطمینان داشت. این روش ها نیز دارای خطا می باشند.  

49- گزینه (1) صحیح است.

متغیر کنترل متغیری است که اثر آن با وارد کردن تنها یکی از طبقات آن از روی رابطه ی بین متغیرهای مستقل و پیش بینی کننده، حذف می شود. در این فرضیه به این دلیل که تنها از مردان استفاده شده است، عملا اثر متغیر جنس حذف شده است.  

50- گزینه (4) صحیح است.

آزمون k-s یا آزمون کولموگروف اسمیرنف در بررسی نرمال بودن داده ها استفاده می شود. 

............................................................................................................................

09122263167












برچسب‌ها: نمونه سوال آمار و روش تحقیق کار شناسی ارشد
+ نوشته شده در  یکشنبه ۲۱ اردیبهشت۱۳۹۳ساعت   توسط محمد حسین ضرغامی  | 

رشته سنجش و اندازه گيري

رشته سنجش و اندازه گیری، علم بین­رشته­ای 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  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 (. TemplinDrاستاد 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 ديوانه باشید یا باید  شیفته رشته تحصیلی خود باشید. 

منبع 

http://assessment.blogsky.com/1392/09


برچسب‌ها: رشته سنجش و اندازه گيري
+ نوشته شده در  چهارشنبه ۱۶ بهمن۱۳۹۲ساعت   توسط محمد حسین ضرغامی  | 

ضرایب همبستگی برای مقیاس های مختلف اندازه گیری

همانطور که می دانید شدت وابستگي دو متغير به يكديگر را با همبستگي تعريف مي كنيم. ممكن است علاوه بر شدت همبستگي جهت همبستگي نيز مورد نياز ما باشد. اگر تمایل دارید بدانید روش صحیح انتخاب ضریب همبستگی چیست ادامه مطلب را بخوانید.
ضرايب همبستگي بين 1- تا 1 تغيير مي كند و مي تواند مثبت يا منفي باشد مانند ميزان رضایت شغلی یک کارمند و میزان حقوق و مزایای دریافتی وی. ضريب همبستگي يك رابطه متقارن ميباشد، هر چه ضريب همبستگي به يك نزديكتر باشد ميزان وابستگي دو متغير بيشتر است، اما دقت داشته باشید كه:
1- اين وابستگي به معناي رابطه علت و معلولي نيست و ضريب همبستگي نشان نمی دهد که كدام متغیر علت و كدام متغیر معلول است به ميان نمي آورد. 
2- براي اطمینان از صحت آنچه ضریب همبستگی بیان می دارد مي توان ابتدا وجود رابطه غيرخطي بين دو متغير همبسته را در حالي كه ضريب همبستگي به غلط آن را نشان نميدهد، بررسي كرد.
3- ضريب همبستگي را ميتوان براي سنجش ميزان خطاي موجود در دادهها نيز استفاده كرد، از جمله زير فاصله ها و يا برشهاي مصنوعي دامنه داده ها
4- محاسبه ضرايب همبستگي تا حدود زيادي متاثر از مقياس اندازه گيري متغير ها است، بعنوان مثال براي متغيرهاي اسمي جهت رابطه اصلا معني ندارد، بين جنس و معدل تنها ميتوان گفت كه شدت وابستگي چه مقدار است اما افزايش يا كاهش جنس معني ندارد.
5- آزمون ضریب همبستگی به شدت تایع حجم نمونه است. تا جائی که امکان دارد حجم نمونه را افزایش دهید

با توجه به نوع متغير ها ضريب همبستگي ميتواند يكي از حالت هاي زير را داشته باشد.

1- دو متغير اسمي
2- دو متغير رتبه اي
3- دو متغير فاصله اي-نسبي
4- متغير اسمي و متغير رتبه اي
5- متغير اسمي و متغير فاصله اي - نسبي
6- متغير رتبه اي و متغير فاصله اي - نسبي

براي هر كدام از حالت هاي بالا ضرايب همبستگي متفاوتي وجود دارند

الف) دو متغير اسمي هستند و يا يكي اسمي و ديگري رتبه اي است

داده های اسمی یا nominal که مربوط به متغير يا خواص کيفی مانند جنس يا گروه خونی است و بيانگر عضويت در يک گروه خاص می باشد.
داده های رتبه ای یا Ordinal : مانند کیفیت درسی یک دانش آموز (ضعیف، متوسط و قوی) و یا رتبه بندی هتل ها ( یک ستاره، دو ستاره و ...

در این حالت می توانید از یکی از ضریب های همبستگی زیر استفاده کنید:

1) ضريب همبستگي كرامر و فی: معمولا بین دو متغیر اسمی مانند اینکه بخواهیم بدانیم که آیا بين جنس و گرايشات سياسي رابطه وجود دارد يا خير
2) ضريب توافقي C: معمولا بین دو متغير اسمي و يا يكي اسمي و يكي رتبه اي 
3) ضريب همبستگي لاندا: معمولا بین دو متغير اسمي و يا يكي اسمي و يكي رتبه اي مانند اینکه بخواهیم بدانیم بین مسئولیت پذیری کارکنان و منطقه خدمتی آنها رابطه وجود دارد یا خیر؟
4) ضريب همبستگي تاو گودمن و كروسكال: براي ارزيابي شدت رابطه بين متغيرهايي كه هر دو اسمي يا يكي اسمي و ديگري رتبه اي باشد بكار ميرود


ب) هر دو متغير داراي مقياس رتبه اي باشند

فرض کنید شما در حال تحقیق این فرضيه هستید که بين تحصيلات كاركنان و رضایت شغلی آنها رابطه مثبت و معني داري وجود دارد یا خیر؟ اين فرضيه دو متغير دارد، تحصيلات كاركنان با طبقه بندی های ديپلم و كمتر، فوق ديپلم، ليسانس و بالاتر و رضایت شغلی با طبقه بندی های كم، متوسط و زياد).
بر خلاف متغير هاي اسمي كه جهت رابطه در آنها مفهومی نداشت در اين جا بنا به ماهيت متغیر رتبه ای جهت رابطه مفهوم دارد. لذا قبل از هرچيز بايستي بررسي کنید كه رابطه در اينحالت به چه معني می باشد.
در این حالت می توانید از یکی از ضریب های همبستگی زیر استفاده کنید:

1- ضريب همبستگي گاما: حاصل تعامل زوج های هماهنگ و معکوس و نادیده گرفتن زوج های گره خورده با توضیحات مثال یک
2- ضريب همبستگي تاو كندال b: حاصل تعامل زوج های هماهنگ و معکوس و زوج های گره خورده با توضیحات مثال یک
3 ضريب تاو كندال C : حاصل تعامل تعداد زوج های هماهنگ و معکوس با توضیحات مثال یک
4 – ضريب d سامرز: شکل خاصی از ضریب همبستگی گاما که یکی از متغیر ها به عنوان متغیر وابسته در نظر گرفته می شود

مثال یک: فرض كنيد نمره 3 دانش آموز را در دو درس مختلف داريم، پس هر دانش آموز دو نمره دارد. حال اگر نمره
يك دانش آموز با دانش آموز ديگر مقايسه شود، ميتوان بيان داشت كه اين دو دانش آموز یعنی این دو زوج نسبت به هم يك زوج معكوس را تشكيل ميدهند يا يك زوج هماهنگ. اگر با افزايش نمره یکی، نمره ديگری نیز افزايش يابد به آن دو زوج هماهنگ می گوئیم و اگر با افزايش يكي ديگري كاهش يابد زوج معكوس و چنانچه با افزايش يا كاهش يكی ديگری تغييري نكند به آن دو زوج گره خورده می گوئیم. ضریب همبستگی گاما برای این حالت کاربرد خوبی دارد

ج) هر دو متغير داراي مقياس فاصلی ای نسبی باشند

داده های فاصله ای: به عنوان مثال داده هایی که متغیر ضریب هوشی را در بین چند نفر توصیف می کنند عبارتند از: 80، 110، 75، 97  و 117، چون این داده ها عدد هستند پس داده های ما کمی هستند 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.
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.

در این حالت هر دو متغیر کمیت پذیرند.

اول مشخص کنید که متغیر شما پارامتریک است یا ناپارامتریک

اگر پارامتریک بود یعنی متغیر دارای توزیع نرمال بود و مقادیر پرت در مشاهدات وجود نداشت ضریب همبستگی پیرسون
توجه: اگر یکی از متغیر ها دارای توزع پیوسته نرمال بود و متغیر دیگر دو حالتی بود مثل (زن/مرد یا قبول/رد) می توانید از ضریب همبستگی پیرسون (همبستگی دو رشته ای نقطه ای) استفاده کنید. مثل رابطه جنسیت با تعداد حوادث
اگر ناپارامتریک بودیعنی متغیر دارای توزیع غیر نرمال ضریب همبستگی اسپرمن


د) متغيرهايي با مقياس اسمي- رتبه اي و متغيرهاي با مقياس فاصله اي-نسبي

هنگامي كه يك متغير داراي مقياس اسمي و رتبه ای باشد مثل جنس، نژاد، ميزان رضايت و ... و متغير ديگر مقياس فاصلهاي يا نسبي داشته باشد مانند درآمد، معدل، اندازه قد و ... آنگاه بايستي شاخصي انتخاب شود كه از روي يك متغير بتوان متغير ديگر را پيش بيني كرد. از جمله اين شاخص ها شاخص نسبت همبستگی می باشد که آن را ضریب همبستگی مجذور اتا می نامیم.

1) ضریب همبستگی مجذور اتا
فرض کنید می خواهیم بدانیم که آيا بين جنس و معدل دانشجويان رابطه وجود دارد. در اينجا جنس يك متغير كيفي يا اسمي است و معدل يك مقياس فاصله اي يا نسبي

2) ضریب همبستگی چند رشته ای
فرض کنید مي خواهيم همبستگي بين يك متغير فاصله اي را با متغير دو حالتي يا ترتيبي كه فرض شده است كه متغير اساسا پيوسته اي را منعكس ميكند بررسي كنيم. اين ضريب همبستگي را ميتوان تا حدود زيادي مانند ضريب همبستگي پيرسون تعبير کرد.

ه) سایر

1- ضریب همبستگی کاپای کوهن

فرض كنيد می خواهیم ميزان توافق بين مديران و معاونان را در خصوص ميزان اهميت مشتري در سازمانی ارزيابي كنیم. هر فرد اعم از مدير يا معاون ميتواند نظر خود را بصورت زياد و كم بيان كند. در اين حالت كه هر دو متغير اسمي دوتايي ميباشند ميتوان از ضريب همبستگي كاپاي كوهن كه بطور معادل در بعضي مواقع ضريب همبستگي كاپا نيز ناميده ميشود، استفاده ميشود.

2- ضریب همبستگی چند حالتی

ضريب همبستگي چند حالتي زماني مورد استفاده قرار ميگيرد كه هر دو متغير دو حالتي يا هر دو متغير ترتيبي باشند، البته توجه كنيد كه مانند ضريب همبستگي چند رشته اي در هر دو متغير فرض شده است كه اين متغير ها اساسا تغييرات متغير پيوسته اي را منعكس ميكنند، علي الخصوص زماني كه از مقياس ليكرت استفاده ميشود بايستي از اين ضريب همبستگي استفاده كرد.


منابع:
نجیبی، سید مرتضی، انواع ضریب همبستگی و محاسبه آنها، 1388، http://daneshamari.blogfa.ir
میرزاده، محمد رضا، ضریب همبستگی، http://m-mirzadeh.blogfa.com

برچسب‌ها: ضرایب همبستگی برای مقیاس های مختلف اندازه گیری
+ نوشته شده در  یکشنبه ۱۳ بهمن۱۳۹۲ساعت   توسط محمد حسین ضرغامی  | 

مدل معادلات ساختاری فازی

مدل هاي ساختاري فازي در علوم انسانی

مدل هاي ساختاري فازي به منظور تبيين پديده ها تبيين مي شوند. مدل هاي ساختاري در قالب مدل سازي معادله ي ساختاري اغلب بدليل مشكلاتي نظير سنجش دقيق سازه ها، همخطي چندگانه ميان متغييرهاي پنهان مستقل، مشكلات مربوط به تشخيص مدل در صورت پيچيده شدن و همچنين برآوردهاي نامناسب پارامترها در چنين وضعيتي (نظير واريانس هاي منفي يا ضرايب استاندارد گاما و بتاي بالاتر از 1 و يا بارهاي عاملي بزرگتر از 1) به صورتي نسبتا ساده  طرح مي شوند. به اين معنا كه تعداد سازه هاي پنهان بيروني و دروني كمتر از آنچه در واقعيت اجتماعي دخالت دارند به مدل وارد مي شوند.

اگر فرض شود پژوهشگري مدل معادلات ساختاري تدوين كرده است كه بر اساس يك سازه ي پنهان مي خواهد سه سازه ي ديگري را تبيين نمايد شكلي مانند زير خواهد داشت:

  

مدل ساختاري فازي به پژوهشگران اين امكان را مي دهند كه در وارد كردن سازه هاي پنهان با كمتر محدوديتي به لحاظ دقت در سنجش مواجه شويم. از آنجا كه منبع اصلي داده ها در تدوين مدل هاي ساختاري فازي ديدگاه كارشناسان و خبرگان مرتبط با موضوع است انتظار مي رود متغييرهاي بكار رفته در تحليل هاي ارائه شده از طرف آنها تا حد زيادي به لحاظ مفهومي داراي فضاي مشتركي باشند. بنابراين اگر اين گروه از افراد از مفاهيمي نظير دمكراسي توسعه ي اقتصادي، مشاركت، دين داري و .. استفاده مي كنند انتظار داريم كه هر مفهوم نزد كارشناسان مختلف سنجه ها يا معرف هاي كم و بيش يكساني داشته باشند. تبيين يك سازه بر مبناي تركيب علي سه سازه ديگر در يك مدل ساختاري فازي مي تواند مانند شكل زير نمايش داده شود.



برچسب‌ها: مدل معادلات ساختاری فازی
+ نوشته شده در  دوشنبه ۱۶ دی۱۳۹۲ساعت   توسط محمد حسین ضرغامی  | 

نمونه سوالات آمار و روش تحقیق کارشناسی ارشد به همراه پاسخ های تشریحی

1- متغیر پیش بینی کننده و پیش بینی شونده در فرضیه ی زیر به ترتیب دارای مقیاس های ...... و ........ می باشند.

" وزن با معدل تحصیلی دانش آموزان دوره ی ابتدایی رابطه دارد." 

فاصله ای- فاصله ای

فاصله ای- نسبتی

نسبتی- ترتیبی

نسبتی- فاصله ای

2- متغیر مستقل در فرضیه ی " رابطه ی بین میزان خواب و بیماری افسردگی در مردان قوی تر از زنان است" متغیر جنس چه نوع متغیری می باشد؟

وابسته

مستقل

تعدیل کننده

کنترل

3- اگر فراوانی کل برابر 300 باشد، صدک بیست و پنجم متناظر با کدام مقدار فراوانی است؟

75

80

100

225

4- مقدار دهک پنجم در توزیع داده های زیر کدام است؟

12، 12، 11، 13، 14، 12،12، 15

125/12

5/12

30/12

12

5- اگر واریانس یک سری داده برابر 2 باشد و ما به همه ی اعداد مجموعه، 5 واحد اضافه کنیم، واریانس داده های جدید چقدر است؟

2

5

7

5/3

6- متغیر تصادفی X دارای توزیع نرمال با میانگین 100 و انحراف معیار 5 است، نمره ی استاندارد نه بخشی مربوط به مقدار x=110  چقدر است؟

5

9

8

7

7- کدام یک از عبارت های زیر درست است.

زمانی که رابطه ی بین دو متغیر بالا باشد، همبستگی بین آنها نیز بالا خواهد بود.

ضریب همبستگی 80/- نشان دهنده ی 80 درصد تبین واریانس متغیر پیش بینی شونده توسط متغیر پیش بینی کننده است.

اگر ضریب همبستگی بین دو متغیر بیشتر از یک بدست آید، نشان دهنده ی این است که در محاسبات اشتباه رخ داده است.

اگر داده های مربوط به متغیر x در 2 ضرب شوند، مقدار همبستگی آن با متغیر y نیز در 2 ضرب می شود.

8- اگر مقیاس داده های متغیرهای مورد اندازه گیری رتبه ای باشد از کدام ضریب همبستگی زیر می توان استفاده کرد؟

پیرسون

اسپیرمن

دو رشته ای

دو رشته ای نقطه ای

9- اگر معادله ی خط رگرسیونی بین دو متغیر به صورت زیر باشد، میانگین متغیر x برابر 4/0 باشد، مقدار میانگین متغیر y چقدر خواهد بود؟

Y=/2x+/01

08/

09/

61/

81/

10- در صورتی که توزیع نمرات نرمال باشد، نمره ی استاندارد برابر با 1+ از چند درصد نمرات پایین تر است؟

50

84

16

66

11- اگر متغیر z دارای توزیع نرمال باشد، واریانس متغیر x=5z+2 کدام است؟

2

4

25

5

12- اساس طبقه بندی پژوهش ها به دو دسته ی پژوهش های بنیادی و کاربردی کدام است؟

میزان کاربردپذیری پژوهش

قصد، انگیزه و هدف پژوهشگر

هزینه بر بودن پژوهش

زمان گیر بودن پژوهش

13- پژوهش در مورد شیوه ی مبارزه ای هخامنشیان جزء کدام مورد از پژوهش های زیر محسوب می شود؟

تاریخی

علی مقایسه ای

گذشته نگر

آینده نگر

14- در کدام پژوهش امکان بررسی عمیق تمام متغیرهای مورد پژوهش وجود دارد؟

آزمایشی

همبستگی

موردی

کمی

15- اگر بخواهیم اثر دو دارو را روی گروهی از بیماران بررسی کنیم، به کدام روش متغیر سن کنترل می شود؟

انتخاب افراد از یک سن

همتاسازی گروههای مورد مطالعه از لحاظ سن

انتخاب تصادفی

همه موارد

16- انتخاب آزمون آماری بر اساس کدام یک از ملاک های زیر است؟

برقراری پیش فرض های آزمون

نوع گروه مورد مطالعه (مستقل و وابسته)

تعداد گروههای مورد مطالعه

همه موارد

17- اگر مفروضات آزمون تحلیل واریانس با تکرار اندازه گیری برقرار نباشد، مناسب ترین آزمون جایگزین کدام است؟

کراسکال والیس

یو من ویتنی

ویلکاکسون

فریدمن

18- خروجی زیر مربوط به اجرای آزمون همبستگی بین دو متغیر X و Y است، چه نتیجه ای از این آزمون بدست می آید؟

sig درجه آزادی ضریب همبستگی پیرسون

0.035 34 0.56

در سطح 95 درصد اطمینان فرض خلاف رد می شود.

بین دو متغیر X و Y با احتمال α=0.01 همبستگی معنادار وجود ندارد.

در سطح 99 درصد اطمینان دو متغیر به صورت معناداری همبسته اند.

با احتمال α=0.05 فرض صفر تایید می شود. 

19- اگر H0 را هنگامی که غلط است بپذیریم ......

توان آماری بالایی داریم.

مرتکب خطای نوع اول شده ایم.

مرتکب خطای نوع دوم شده ایم.

مرتکب خطای نوع اول و دوم شده ایم.

20- محققی سندی در رابطه با جنگ جهانی اول پیدا کرده است، می خواهد از اصل بودن این سند اطلاع یابد، در واقع وی دست به بررسی ..... زده است.

نقد درونی

نقد بیرونی

نقد آثار دست اول

نقد آثار دست دوم

 


پاسخ 1: برای پاسخ به این سئوال لازم است که اولا متغیر پیش بینی کننده و پیش بینی شونده را بشناسید. در ضمن باید دقت داشته باشید که ترتیب ذکر متغیرهای نیز مهم است. گاهی اوقات طراح سوال ممکن است به جای متغیر پیش بینی کننده و پیش بینی شونده بپرسد پیش بینی شونده و پیش بینی کننده. بنابراین خواندن دقیق سوال مهم است. وزن به عنوان متغیر پیش بین کننده یک متغیر نسبی یا نسبتی است و معدل تحصیلی یک متغیر فاصله ای. 

پاسخ 2:در فرضیه ی ذکر شده متغیر وابسته رابطه ی بین میزان خواب و بیماری افسردگی است. مقدار این رابطه به کدام متغیر وابسته است؟ متغیری که تغیرات متغیر وابسته به آن وابسته است متغیر مستقل می باشد. مقدار این رابطه به جنس ربط دارد بنابراین متغیر جنس متغیر مستقل است. می توان متغیری مانند سن را به عنوان متغیر کنترل یا تعدیل کننده در نظر گرفت. این موضوع وابسته به نحوه ی برخورد با متغیر سن است. اگر تنها یک سن خاص انتخاب شوند متغیر سن کنترل است و اگر اثر آن را از رابطه ی بین میزان خواب و بیماری افسردگی کم کند متغیر سن یک متغیر تعدیل کننده است. 

پاسخ 3:فراوانی کل 300 است. 25 درصد نمرات یعنی یک چهارم آنها که برابر با 75 است. 

پاسخ 4: مقدار دهک پنجم با چهارک دوم با میانه با صدک پنجاهم یکی است. بنابراین بر اساس معادله ای که میانه برای داده های با تکرار است مقدار میانه برابر خواهد بود با 25/12 که در گزینه ها موجود نیست.

پاسخ 5: اضافه کردن یک مقدار ثابت به مجموعه اعداد تغییری در واریانس آنها ایجاد نمی کند.

پاسخ 6:در نمرات نه بخشی میانگین 5 و انحراف استاندارد برابر 2 است. مقدار نمره ی استاندارد zنمره ی 110 برابر خواهد بود با 2. بنابراین مقدار نمره ی 9 بخشی برابر است با 2*2+5 یعنی برابر خواهد بود با 9. 

پاسخ 7: تنها عبارت سوم درست است. حدود مقدار همبستگی بین منفی یک تا یک است. 

پاسخ 8: ضریب همبستگی پیرسون یک ضریب همبستگی پارامتری است. اسپیرمن یک ضریب همبستگی ناپارامتری است برای زمانی که مفروضات پیرسون برقرار نباشد. 

پاسخ 9: کافی است در معادله به جای ایکس مقدار میانگین آن قرار داده شود. بنابرین مقدار میانگین y برابر خواهد بود با .09 است. 

پاسخ 10: در صورتی که نمره ی استاندارد برابر با یک باشد از 84 درصد افراد نمره ی بیشتری دارد و از 16 درصد نمره ی کمتری.

پاسخ 11: در معادله ی نوشته شده 5 همان انحراف استاندارد و 2 میانگین است. بنابراین واریانس متغیر ایکس برابر 5*5 خواهد بود.

پاسخ 12: گزینه ی دوم صحیح است.

پاسخ 13: گزینه ی یک صحیح است.

پاسخ 14: گزینه ی 3 صحیح است. در پژوهش موردی امکان بررسی متغیرهای بیشتری برای پژوهشگر به طور همزمان وجود دارد چرا که تعداد افراد کمتر است.

پاسخ 15: کنترل متغیر سن به تمامی روش های ذکر شده امکان پذیر است. در گزینه ی اول متغیر سن با حذف کنترل می شود. 

پاسخ 16: برای انتخاب یک آزمون آماری باید به سوالات زیر پاسخ داد:

الف) داده ها از گروههای مستقل بدست آمده یا از گروههای وابسته

ب) تعداد گروهها یا اندازه گیری ها چقدر است.

ج) مفروضات آزمون های پارامتری برقرار است یا خیر.

پاسخ 17: در صورتی که مفروضات برقرار باشد آزمون تحلیل واریانس برای داده های وابسته استفاده می شود. بنابراین باید از آزمون فریدمن که معادل ناپارامتری آن است استفاده کرد. 

پاسخ 18: مقدار ارزش سطح معناداری از یک صدم بیشتر و از 5 صدم کمتر است. بنابراین فرض صفر در سطح 95 درصد اطمینان رد و در سطح 99 درصد تایید می شود. یعنی فرض خلاف در سطح 95 درصد تایید و در سطح 99 درصد رد می شود. بنابراین گزینه ی دو صحیح است. 

پاسخ 19:اگر فرض صفر پذیرفته شود خطای نوع اول وجود نخواهد داشت . اگر فرض صفر رد شود فرض خطای نوع دوم وجود ندارد. 

پاسخ 20: بررسی اصل بودن اسناد در مطالعه ی تاریخی نقد بیرونی است. 

09122263167



برچسب‌ها: نمونه سوال کنکور ارشد آمار روش تحقیق
+ نوشته شده در  جمعه ۲۲ آذر۱۳۹۲ساعت   توسط محمد حسین ضرغامی  | 

تحلیل اکتشافی در داده ها

تحلیل اکتشافی در داده ها 

*EDA  داده کاوی

* جان توکی 1970

* CDA ....... آزمون فرض      

* خیلی از روش های اکتشافی رویکرد گرافیکی دارند که در زیر چند مورد ذکر می شود. 

1. نمودار جعبه ای 2. هیستوگرام ها یا بافت نگارها 3. نمودارهای چند متغییری 4. نمودار پراکنش 5. نمودار ساقه و برگ 6. نمودارهای کیو کیو 7. شاخص های مرکزی و پراکندگی 8. قانون چبیچف 9. قانون تجربی 10. هم بستگی ها 11. PCA و ....

تحلیل کلاسیک آماری: مساله.....داده...مدل یا آزمون فرض...تحلیل.....نتیجه

تحلیل اکتشافی: مساله.....داده......تحلیل........مدل....نتیجه

بیزی:مساله....داده.. مدل....توزیع پیشین...تحلیل .....نتیجه



برچسب‌ها: تحلیل اکتشافی در داده ها
+ نوشته شده در  جمعه ۱۰ آبان۱۳۹۲ساعت   توسط محمد حسین ضرغامی  | 

پاسخ تکلیف سوم دانشجویان مشاوره :متغیرهای فرضیهٔ " همبستگی بین استرس و سلامت جنسی در مردان بیشتر از

به نام خدا

پاسخ تکلیف سوم

متغیرهای فرضیهٔ    " همبستگی بین استرس و سلامت جنسی در مردان بیشتر از زنان است″ کدامند؟

دختران:

الهام قنبری:

متغیر پیشبینی کننده:  استرس

متغیر پیشبینی شونده : سلامت جنسی

متغیر تعدیل کننده: جنسیت

متغیر کنترل: -

متغیر مزاحم: سن، هوش، فرهنگ، ...

راضیه کاربخش:

سلامت جنسی:متغییر وابسته

استرس: متغییرمستقل

جنسیت:متغییر کنترل

جنسیت:متغییر تعدیل کننده

سن:متغییر مداخله گر

راضیه لطفی:

سلامت جنسی:متغییر وابسته

استرس: متغییرمستقل

جنسیت:متغییر کنترل

جنسیت:متغییر تعدیل کننده

سن:متغییر مداخله گر

سعیده طارمی:

متغیر مستقل: استرس

متغیر وابسته:سلامت جنسی

متغیر کنترل:جنسیت

متغیر مداخله گر:سابقه افسردگی

متغیر تعدیل کننده:جنسیت

ندا مسعودی:

مستقل: استرس

چون عاملی است که توسط پژوهشگر دستکاری می شود تا تاثیراتش را بر متغیر وابسته بسنجند. 

وابسته: سلامت جنسی

چون میخواهیم اثر استرس را بر روی کاهش و یا افزایش و به طور کلی تغییرات سلامت جنسی افراد مشاهده کنیم.

تعدیل کننده: جنسیت

چون متغیری است که خود پژوهشگر انتخاب می کند تا تاثیر آن را بر استرس و سلامت جنسی (متغیرهای مستقل و وابسته) بسنجد که آیا جنسیت بر استرس و سلامت جنسی تاثیر گذار هست یا خیر...در واقع مشخص می شود که آیا تعدیل کننده بر روی رابطه ی اصلی اثر گذار خواهد بود یا نه.

کنترل: سن

زمانی که محقق توانایی بررسی همه ی متغیرها را نداشته باشد برای انجام درست پژوهش برخی متغیرها را حذف و یا تاثیر آنها را ثابت نگه می دارد که در این مورد می توان سن را به عنوان مثال به عنوان متغیری که پژوهشگر آن را حذف کرده تا بر پژوهشش تاثیری نگذارد در نظر گرفت.

مداخله گر: تغییرات هورمونی و فیزیولوژیکی بدن 

این متغیرها ذهنی و فرضی هستند یعنی در عنوان پژوهش دیده نمی شوند. و متغیری است که بین متغیر مستقل و وابسته قرار می گیرد و ممکن است باعث به انحراف کشیده شدن نتایج تحقیق شوند. پس در اینجا می توان گفت استرس در انسان باعث تغییرات سوخت و ساز بدن و تغییرات هورمونی در وی می شود که این تغییرات باعث تاثیر بر سلامت جنسی افراد می شود.

فرشته صلواتی‌فر:

متغیر مستقل (پیش بینی کننده) : استرس

متغیر وابسته (پیش بینی شونده) : سلامت جنسی

متغیر تعدیل کننده : مردان بیشتر از زنان 

متغیر مداخله گر : افرادی که در سن  فعالیت جنسی نیستند.

متغیر کنترل : مردان و زنان در سن فعالیت جنسی

پریسا نهال‌گر:

متغییر پیش بینی کننده: استرس  . از طریق استرس سلامت جنسی را پیش بینی میکنیم

 /متغییر پیش بینی شونده:سلامت جنسی

/متغییر تعدیل کننده:جنسیت .اثر جنسیت را بر روی مستقل و وابسته بررسی میکننم

/متغییر کنترل:هر عامل تاثیر گذاری می تواند باشد مانند سن .تاثیرات هورمونی

/مزاحم:سن عوامل هورمونی اگر کنترل نشود مداخله گر است



فاطمه خیرخواه:

استرس: متغیر مستقل

سلامت جنسی : متغیر وابسته

جنس: تعدیل کننده

سن: کنترل

فعالیت اجتماعی بیشتر مردان به نظر من تاثیر گذار است بنابراین : مزاحم



محیا مرادی:

استرس : پیش بینی کننده 

سلامت جنسی : پیش بینی شونده 

کنترل : مرد و زن – سن 

مداخله گر : سن 



معصومه ابراهیمی:

اگر استرس بر سلامت جنسی تأثیر بگذارد: استرس: متغیر مستقل یا پیش بینی کننده / سلامت جنسی: متغیر وابسته یا پیش بینی شونده.

اگر سلامت جنسی بر استرس تأثیر بگذارد: سلامت جنسی: مستقل یا پیش بینی کننده / استرس: وابسته یا پیش بینی شونده.

اگر یک عامل بیرونی بر این دو اثر بگذارد: عامل بیرونی: مستقل یا پیش بینی کننده / استرس یا سلامت جنسی: وابسته یا پیش بینی شونده.

کنترل: مرد یا زن بودن     -جنسیت-

تعدیل کننده: اگر ویژگی هایی نظیر سن، شغل، هوش، سطح تحصیلات، سطح سلامت، محل زندگی، سطح فرهنگی، محیط اجتماعی و ... سنجیده شده و اثرش را در تحلیل های آماری بررسی کنیم.

مزاحم: اگر ویژگی های بالا در تحقیق مورد بررسی قرار نگیرد، متغیر مزاحم نامیده می شوند. 



زهرا خوانین‌زاده:

متغیر پیش بینی کننده:استرس

متغبر پیش بینی شونده:سلامت جنسی

کنترل:_____

متغیر تعدیل کننده:در مردان بیشتر از زنان =>هم مردان را می سنجد و هم زنان

متغیر مداخله گر:شاید بتوان عامل زمان(وقت) را نیز متغیری مداخله گر دانست.



مینا کشتکار:

متغیر مستقل : استرس

متغیر وابسته : سلامت جنسی‌

متغیر تعدیل کننده : جنسیت

در صورتی که تنها مردان و یا تنها زنان را بررسی‌ کنیم  جنسیت متغیر کنترل می شود .



فریماه ایجادی:

این فرضیه مربوط به تحقیقیات همبستگی است که در این نوع تحقیقات  برای تفسیر رابطه ی بین دو متغییر اصلی (سلامت جنسی و استرس) از ضریب همبستگی استفاده می شود و رابطه ی علت و معلولی خاصی را بیان نمی کند.

تفسیر ضریب همبستگی به 3 شکل صورت می گیرد:

1:استرس بر سلامت جنسی مردان مؤثر تر از زنان است.=> متغییر پیش بینی کننده:استرس و متغییر پیش بینی شونده: سلامت جنسی

2:سلامت جنسی بر میزان استرس مردان مؤثر تر از زنان است.=> متغییر پیش بینی کننده: سلامت جنسی و متغییر پیش بینی شونده: استرس

3: عامل سوم ناشناس دیگری علت هرکدام یا هردوی این هاست.=> متغییر پیش بینی کننده: عامل سوم ناشناخته و متغییر پیش بینی شونده: سلامت جنسی و استرس

متغییر کنترل کننده: جنسیت

متغییر تعدیل کننده:اگر اثر شغل،سن ،میزان تحصیلات حتی بهره ی هوشی محاسبه شود و اثرش سنجیده شود.

متغییر مداخله گر: اگر هر یک از عوامل بالا-هوش،سن،میزان تحصیلات ،شغل- محاسبه نشود .



مهسا ایزدی:

وابسته(پیش بینی شونده):سلامت جسمی

مستقل(پیش بینی کننده):استرس

تعدیل کننده:جنسیت

کنترل:هوش

مداخله گر:شرایط محیطی ورانی؛جو ازمایشی



مهشید بیگلرپور:

متغیر مستقل: استرس(پیش بینی کننده)

متغیر وابسته: سلامت(پیش بینی شونده)

متغیر تعدیل کننده: جنس



شادی هیبدی:

متغیر مستقل  :  استرس

متغیر وابسته: سلامت  جنسی

متغیر تعدیل کننده: جنسیت(در مردان بیشتر از زنان است.)     

اگر در فرضیه گفته میشد همبستگی بین جنسیت و سلامت جنسی در مردان (بعنوان مثال در مردان 30 تا 40 ساله) یا فقط در زنان . در این صورت جنسیت کنترل می شد.     



ریحانه فیضی:

متغیر مستقل : استرس

متغیر وابسته : سلامت جنسی

متغیر تعدیل گر : جنسیت

متغیر مداخله گر : ناکامی و تنش

متغیر کنترل: سن، عوامل زیست‌شناختی،الگوهای تربیتی،سلامت بدن و. .. 



فریناز عمادی:

سلامت جنسی:وابسته

استرس:مستقل

جنسیت:تعدیل کننده

سن:مداخله گر

جنسیت:کنترل



نسرین کارگزاری:

متغیر مستقل:استرس 

متغیر وابسته:سلامت جنسی

متغیر تعدیل کننده:مردان-زنان(جنسیت)

متغیر مداخله گر:محیط زندگی افراد(شیوه ی تربیت او در کودکی)

متغیر کنترل:وضعیت مالی. شغل افراد

متغیر میانجی:سن افراد



الهه احمدی:

ین فرضیه جنسیت متغیر مستفل و میزان همبستگی متغیر وابسته است.

و اگر سن افراد مورد توجه قرار نگیرد میتوانیم به عنوان متغیر مداخله گر در نظر بگیریم.جنسیت اگر در نظر گرفته نشود متغیر تعدیت کننده و اگر در نظر گرفته شود متغیر کنترل کننده است .



زهرا ترکاشوند:

سلامت جنسی:متغییر وابسته

استرس: متغییرمستقل

جنسیت:متغییر تعدیل کننده

سن:متغییر مداخله گر

جنسیت:متغییر کنترل



فرزانه فرهادی:

استرس: متغییرمستقل

سلامت جنسی:متغییر وابسته

جنسیت:متغییر تعدیل کننده

سن:متغییر مداخله گر

جنسیت:متغییر کنترل



شیرین فیروزآبادی:

پیش بینی کننده ( متغییر مستقل ) : استرس

پیش بینی شونده ( متغییر وابسته ): سلامت جنسی

متغیر کنترل: مردان و زنان (جنسیت)

تعدیل کننده: هوش هیجانی و سن

(به نظر من به دلیل ارتباط هوش هیجانی با استرس می توان در اینجا این متغیر را به عنوان تعدیل کننده در نظر گرفت )

مداخله گر : هوش شناختی   وضعیت تاهل   شغل



ریحانه رستگار:

سلامت جنسی:متغییر وابسته

استرس: متغییرمستقل

جنسیت:متغییر تعدیل کننده

سن:متغییر مداخله گر

جنسیت:متغییر کنترل



انیس اعظم‌پور:

سلامت جنسی:متغییر وابسته

استرس: متغییرمستقل

جنسیت:متغییر تعدیل کننده

جنسیت:متغییر کنترل

سن:متغییر مداخله گر



مهسا ظفری:

متغیر مستقل یا پیش بینی کننده : استرس

متغیر وابسته یاپیش بینی شونده : سلامت

متغیر کنترل : جنسیت 

متغیر تعدیل کننده :هوش هیجانی

متغیر مداخله گر: وضعیت تاهل  یا سن


ضحی فؤادی:

جنسيت: تعديل كننده و متغير پيش بيني كننده (مستقل)

همبستگي بين استرس و سلامت جنسي: متغير پيش بيني شونده (وابسته)

داشتن شغل و نداشتن شغل و سن (براي مثال در زنان شاغل بودن يا خانه دار بودن تاثير ميگذارد): كنترل

ازدواج: مداخله گر


شادی فطوره‌چی:

پیش بینی کننده : استرس

پیش بینی شونده: سلامت جنسی

متغیر کنترل: جنسیت (مردان و زنان )

) EQ تعدیل کننده: هوش هیجانی( 

مداخله گر: وضعیت تاهل / سن



زهرا ضرغام:

متغیر مستقل : استرس      وابسته :سلامت جنسی      کنترل : جنسیت      مداخله گر :اضطراب،تنش      

تعدیل کننده : جنسیت                                                                                                              



مه‌گل مؤمنی:

پیش بینی کننده : استرس

پیشبینی شونده : سلامت جنسی 

کنترل : جنسیت

تعدیل کننده : هوش هیجانی 

مداخله گر : هوش





رکسانا گل‌محمد:

پیش بینی کننده  : استرس ( متغییر مستقل )

پیش بینی شونده: سلامت جنسی ( متغییر وابسته )

متغیر کنترل: مردان و زنان

EQ تعدیل کننده:

مداخله گر : سن و وضعیت تاهل



متانت شهبازطهرانی:

پاسخ تکلیف سوم:استرس متغیر مستقل.سلامت جنسی متغیر وابسته.محیط یا سن اشخاص متغیر مداخله گر.جنسیت متغیر تعدیل کننده.اگر جنسیت را به طور خاص مورد مطالعه قرار دهیم میتوانیم ان را متغیر کنترل به حساب اوریم.



یاسمن یزدان‌پناه:

متغیر مستقل : استرس

متغیر وابسته : سلامت جنسی

متغیر تعدیل گر : جنسیت

متغیر مداخله گر : ناکامی و تنش

متغیر کنترل : سن-عوامل زیست شناختی-الگوهای تربیتی-سلامتی فرد.





پسران:


علی نادری:

متغیر وابسته:سلامت جنسی

متغیر مستقل:استرس

متغیر تعدیل کننده:جنسیت

متغیر کنترل:جنسیت

متغیر مداخله گر:سن



بهنام رزمی:

مستقل : استرس

وابسته : سلامت جنسی

تعدیل کننده : جنسیت

مداخله گر : فرهنگ خانواده مورد آزمایش

کنترل : ندارد



محمد نبوی:

متغير مستقل: استرس

ـ متغير وابسته: سلامت جنسی

ـ متغير تعديل كننده: جنسیت

ـ متغيرهاي كنترل گر : ----

ـ متغيرهاي مداخله‌گر :مشکلات جنسی



محمد حاجی‌هاشمی:

متغیر کنترل : مردان => زیرا زنان حذف میشوند

مداخله گر : زنان => زیرا اثر آن سنجیده نمیشود

تعدیل کننده : جنسیت

متغیر وابسته : سلامت جنسی

متغیر مستقل : استرس



مهدی گنجی:

وابسته(پیش بینی شونده):سلامت جسمی

مستقل(پیش بینی کننده):استرس

تعدیل کننده:جنسیت

کنترل:هوش

مداخله گر:شرایط محیطی ورانی؛جو ازمایشی



مجید خدابنده‌لو:

هم بستگی به دنبال متغیر پیش آیند (مستقل) و پس آیند (وابسته) می گردیم.

پیش آیند (مستقل) = استرس

پس آیند (وابسته) = سلامت جنسی

تعدیل کننده = جنسیت

مداخله گر = زمینه های شغلی فرهنگی آزمودنی ها

کنترل کننده = ندارد



محمدجواد جمادی‌یزدی:

1)متغیر مستقل:استرس

2)متغیر وابسته:سلامت جنسی

3)متغیر تعدیل کننده:جنسیت

4)متغیر کنترل:جنسیت

5)متغیر مداخله گر:شخصیت آزمودنی ها/سن یا هوش/ساعت زیستی بدن



محمدصابر حاجی‌یوسفی:

1)متغیر مستقل:استرس

2)متغیر وابسته:سلامت جنسی

3)متغیر تعدیل کننده:جنسیت

4)متغیر کنترل:جنسیت

5)متغیر مداخله گر:شخصیت آزمودنی ها/سن یا هوش/ساعت زیستی بدن



سجاد دوستکام:

متغیر تعدیل کننده : جنسیت 

مستقل :  استرس 

وابسته : سلامت جسمانی 

کنترل : هرعاملی که بر روی متغیر وابسته تاثیر می گذارد که پژوهشگر آن را حذف یا خنثی می کند ( سن ، نوع تغذیه ، مصرف دخانیات .......)

مداخله گر : شخصیت آزمودنی 

 


مصطفی باوند:

۱- متغيرمستقل: يك ويژگي از محيط فيزيكي يا اجتماعي است كه بعد از انتخاب و دخالت پژوهشگر ،مقاديري را مي پذيرد تا تأثيرش بر ديگر متغيرها مشاهده شود .در اینجا "استرس" به عنوان متغیر مستقل در نظر گرفته می شود. چون "استرس" متغیری است که پژوهشگر با تغییر آن می تواند، تأثیرش را بر سلامت جسمی جامعه ی آماری مورد نظرش که متشکل از مردان و زنان است،ببیند.

2- متغير وابسته: متغيري كه تغييرات آن تحت تاثير متغير مستقل قرار مي گيرد. همان طور که در بخش قبل هم توضیح داده شد، "سلامت جسمی"  که تحت تأثیر "استرس"  قرار دارد، به عنوان متغیر وابسته در نظر گرفته می شود.

3- متغير تعديل كننده: متغيری است که جهت يا ميزان رابطه ميان متغيرهاي مستقل و وابسته را تحت تاثير قرار مي دهد.

بطور مثال در بررسي همبستگی بین استرس و سلامت جسمی مردان و زنان، "جنسيت" نقش متغير تعديل كننده را ايفا مي كند.

4- متغيير كنترل کننده: پژوهشگر همواره می خواهد رابطه دو متغیر یا تاثیر متغیر مستقل بر متغیر وابسته را بررسی نماید، اما متغیر وابسته علاوه بر متغیر مستقل اغلب از عوامل یا متغیر های زیاد دیگری نیز تاثیر می پذیرد (متغیر تعدیل کننده) و در واقع اثر متغیر مستقل فقط بخشی از آن است. بنابراین اگر پژوهشگر بخواهد تغییرات متغیر وابسته را به متغیر مستقل نسبت دهد، باید سایر متغیر های تاثیر گذار را به دقت شناسایی و آنها را به گونه ای کنترل کند که اثر آنها با اثر متغیر مستقل آمیخته نشود. به این دسته از متغیر ها که پژوهشگر با روشهای خاص اثر آنها را خنثی می کند متغیر های کنترل کننده می گویند، فرق این گونه متغیرها با متغیر تعدیل کننده، این است که محقق، اثر متغیر تعدیل کننده را اندازه‌گیری می‌کند، ولی اثر متغیر کنترل کننده را از میان می‌برد.

 در مورد این فرضیه،می توان "سن " یا "شغل" را متغیر کنترل کننده در نظر گرفت. زیرا کار در محيط‌ هاي كاري فشارزا یا پرتنش بر میزان استرس فرد تأثیر گذاشته و استرس بر تناسب فیزیکی و سلامت جسمی افراد تأثیر می گذارد.

5- متغير مداخله گر: ﻋﺎﻣﻠﻲ اﺳﺖ ﻛﻪ ﺑﺮ ﻣﺘﻐﯿﺮ واﺑﺴﺘﻪ(در اینجا: سلامت جسمی) ﺗﺄﺛﯿﺮ میﮔﺬارد اﻣﺎ ﻧﻤﻲﺗﻮان آن را دﺳت کاري ﻛﺮده یا ﺗﺄﺛﯿﺮ آن را ﻣﺸاهده ﻛﺮد ﻳﺎ اﻧﺪازه ﮔﺮﻓﺖ؛ ﺑﻠﻜﻪ ﺗﺄﺛﯿﺮ اﻳﻦ ﻋﺎﻣﻞ را ﺑﺎﻳﺪ از ﻃﺮﻳﻖ ﺗﺄﺛﯿﺮ متغیرهای ﻣﺴﺘﻘﻞ(استرس) و ﺗﻌﺪﻳﻞ ﻛﻨﻨﺪه(جنسیت) ﺑﺮ ﻣﺘﻐﯿﺮ واﺑﺴﺘﻪ(سلامت جسمی) اﺳﺘﻨﺒﺎط ﻛﺮد. برای مثال "کیفیت زندگی" یا "امید به زندگی" را می توان جزء متغیرهای مداخله گر طبقه بندی کرد، زیرا  مثلا کیفیت زندگی، سلامت جسمانی افراد را تحت الشعاع قرار می دهد،در واقع درست است که استرس و جنسیت افراد در میزان سلامت جسمی آنها تأثیر دارد ولی در این میان، نباید از تأثیر کیفیت زندگی بر میزان سلامت جسمی و استرس،غافل شد.



مصطفی محمدی:

متغییر وابسته:سلامت جسمی

متغییر مستقل:استرس

متغییر تعدیل کننده:جنسیت

متغییر مداخله گر:شرایط محیطی

متغییر کنترل:پیدا نشد



سعید زاهدی:

متغیرهای؛


مستقل :به متغیری اطلاق می شودکه محقق انرا دستکاری می کند تا تاثیرات ان بر متغیر وابسته مشخص شود.


" استرس"


وابسته : در اختیار محقق نیست و محقق نمی تواند در ان دخل وتصرف ودستکاری به عمل اورد.

ارزش یا مقدار متغیر وابسته  به متغیر مستقل بستگی دارد.


 "سلامت جنسی در مردان / سلامت جنسی در زنان"


وپس از بررسی هریک معلوم می شود ایا همبستگی استرس وسلامت جنسی در مردان در مقایسه با همبستگی استرس وسلامت جنسی در زنان ،بیشتر است یا فرضیه ی ذکر شده از صحت کافی برخوردار نیست.


مداخله گر:

 متغیرهایی هستنند که تاثیر گذارند اما در فرضیه قید نمی شوند 

مانند : "وضعیت جسمانی ، وضعیت درامد ، سن ، میزان اگاهی و سواد ،" 

که در این فرضیه احتمال تاثیر گذاری دارند.


تعدیل کننده :

 هنگامی که ما متغیرهای مداخله گر را مورد بررسی قرار دهیم. بعنوان مثال: وضعیت جسمانی یا سن را هم در فرضیه ی ذکر شده مورد بررسی قرار دهیم وسبب ارزشمند ترشدن فرضیه و تحقیق می شود.


کنترل :

  عبارت" در مردان بیشتر از زنان است. " متغیر کنترل برای روشن تر شدن فرضیه ذکر می شود تا منظور محقق واضح تر باشد و از حاشیه جلوگیری شود.




فهمین کوهی:

وابسته:سلامت جنسی

مستقل:استرس

تعدیل کننده:جنسیت

مداخله گر:سن

کنترل کننده:جنسیت



احسان الهی‌زاده:

متغیر مستقل:استرس/سلامت جنسی

متغیر وابسته:استرس/سلامت جنسی

توضیح:در تحقیقات همبستگی تصمیم در مورد اینکه کدام متغیر مستقل و کدام یک وابسته است اختیاری است.در حقیقت در چنین شرایطی متغیرها تحت عنوان مستقل و وابسته نام گذاری نمیشوند.زیرا تشخیص بین انها دشوار است.

متغیر کنترل کننده:سن

متغیر تعدیل کننده:

متغیر مزاحم:



چمران منظوری:

متغیروابسته"سلامت جسمی۰

متغیرمستقل"استرس۰

تعدیل کننده"هوش۰

کنترل"جنس۰

مداخله گر"سن


+ نوشته شده در  شنبه ۲۷ مهر۱۳۹۲ساعت   توسط محمد حسین ضرغامی  | 

استفاده از نظريه ي سوال پاسخ در انجام تحليل عاملي هاي اكتشافي و تاييدي

تحليل عاملي تكنيكي آماري و چند متغييري است كه مبتني بر نظريه ي صفت مكنون يا پنهان مي باشد. اين تكنيك كاربردهاي فرآواني در رشته هاي مختلف و در مطالعات و پژوهش هاي مختلف دارد. بيشتر استفاده هايي كه از اين تكنيك مي شود تنها به ران (اجرا) كردن نرم افزار و خروجي گرفتن محدود شده است كه مي تواند با مطالعه ي يك كتاب مانند كتب اس پي اس اس يا ليزرل صورت پذيرد. 

با وجود اين، بيشتر تحليل عاملي هايي كه انجام مي شود، فرض مي كند كه رابطه ي بين متغير مشاهده شده و صفت مكنون يك رابطه ي خطي است. علاوه بر اين از ماتريس همبستگي بين سوالات يا متغيرها استفاده مي كند. بنابراين استفاده از تحليل عاملي ممكن است به خروجي از نرم افزار بيانجامد اما اين خروجي نمي تواند قابل دفاع باشد. 

رابطه ي بين صفت مكنون و مشاهده شده در حوزه هاي مختلف مطالعاتي خطي نيست و اين مفروضه كه اساس تحليل عاملي است از بين مي رود. در انجام تحليل عاملي و نرم افزارهاي آن گفته مي شود كه Garbage in Garbage out يعني اگر چيز نادرستي به نرم افزار يا روش هاي تحليل عاملي دهيد بيشتر از آن دريافت نمي كنيد. البته اين موضوع در مورد انتخاب متغيرها است اما به نظر مي رسد كه مي تو ان آن را به نحوه ي انجام تحليل عاملي نيز بسط داد. بنابراين لازم است تحليل عاملي به روش هاي غير خطي انجام شود.

از طرفي ماتريسي كه براي انجام تحليل عاملي استفاده مي شود ماتريس همبستگي است(در ايران بيشتر تحليل عاملي از طريق نرم افزار اس پي اس اس و ليزرل و گاهي آمووس انجام مي شود). ماتريس همبستگي سبب مي شود تا بسياري از اطلاعات موجود در پاسخ شركت كنندگان يا پاسخ دهندگان از بين برود و منجر به يك مقدار ارزش همبستگي شود. از اين رو در كشف يا تاييد عامل هاي موجود در بين متغيرها يا سوالات، استفاده از اين ماتريس ممكن است به نتايج نادرست منجر شود. به دليل اهميت تحليل عاملي و نتايجي كه از آن گرفته مي شود، اين موضوع مساله اي كه ذهن بيشتر روانسنجان و آماردانان را در طول سال هاي اخير به خود مشغول كرده است. 

استفاده از روش هاي مبتني بر نظريه ي سوال پاسخ مي تواند مشكلات ذكر شده را برطرف نمايد. به نظر مي رسد آينده ي تحليل عاملي به سمت استفاده از نظريه ي چند بعدي سوال پاسخ حركت مي كند كه در آن رابطه ي بين متغير مكنون و مشاهده شده خطي در نظر گرفته نمي شود و از كليه ي پاسخ هاي پاسخ دهندگان در كشف يا تاييد عامل ها استفاده مي كند.

در صورت سوال مي توانيد با شماره ي 09122263167 و يا zar100@gmail.com تماس بگيريد. ممنون و متشكرم از راهنمايي هايتان. 


برچسب‌ها: تحليل عاملي اكتشافي تاييدي نظريه ي سوال پاسخ چند ب
+ نوشته شده در  یکشنبه ۶ مرداد۱۳۹۲ساعت   توسط محمد حسین ضرغامی  | 

نحوه ي تفسير تعامل در تحليل آنوا يا واريانس دو راهه يا دو عاملي

نحوه ي تفسير تعامل در تحليل آنوا يا واريانس دو راهه يا دو عاملي اول پاسخ به سوال دومتان ارائه ي نمودارها تنها براي ديداري سازي ارتباط تعاملي و درك بهتر تعامل ارائه مي شود. براي معنادار بودن تعامل دليلي براي قطع كردن خطوط وجود ندارد .يعني مي تواند تعامل بدون قطع شدن اين خطوط معنادار شود. براي درك اين نكته كافي است به فرمول هايي كه ميزان واريانس تعاملي را براورد مي كنند نگاهي بيندازيد. در صورتي كه دو خط يكديگر را قطع كنند مي توان گفت بين آنها تعامل وجود دارد اما عدم تقاطع را نمي توان به معني عدم وجود تعامل گذاشت. در صورتي كه خطوط با يكديگر كاملا موازي باشند مي توان گفت كه تعاملي بين آنها وجود ندارد. ولي عدم وجود توازي و عدم قطع كردن را بايد به مقادير تحليل آنوا براي تعامل نگاه كرد. براي تفسير تعامل بايد گفت كه تغيير در سطح يك متغير به اين كه متغير ديگر در چه سطحي است مربوط است. در اينجا تاثير برنامه ي تلفيقي به اين وابسته است كه روش قصه گويي است يا سنتي . و برنامه ي تلفيقي براي قصه گويي موثر تر از سنتي است به عبارت ديگر روش تلفيقي براي قصه گويي نسبت به روش غير تلفيقي موثر تر است و براي روش سنتي برنامه ي تلفيقي و غير تلفيقي تفاوت معناداري ندارد (باتوجه به نمودار
برچسب‌ها: نحوه ي تفسير تعامل در تحليل واريانس دو راهه, طرح عاملي
+ نوشته شده در  پنجشنبه ۹ خرداد۱۳۹۲ساعت   توسط محمد حسین ضرغامی  | 

مقادير اندازه اثر

مقادیر اندازه‏ی اثر

 در زمینه‏هایی که اندازه‏ی اثراستفاده می‏شود به مقادیر کوچک، متوسط و بزرگ آن اشاره می‏شود. این مقادیر وابسته به زمینه و تعریف عملیاتی آن موقعیت است. مقادیر کوچک، متوسط و بزرگ کوهن(1990) تقریبا در همه‏ی حوزه ها استفاده می‏شود. تحلیل توان  و طرح ویژه‏ی حجم نمونه نیازمند برآوردی از پارامتر اندازه‏ی اثر می‏باشد. بسیاری از پژوهشگران استانداردهای کوهن را به عنوان پیش‏فرض در فرضیات خلاف می پذیرند. 

راسل لنت () به آنها انتقاد کرده و بیان می‏کند:

"این روش که در گذشته در مطالعات علوم اجتماعی بکار می رفته با اندازه‏ی اثر کوچک، متوسط و بزرگ به حجم نمونه یکسان منتهی می‏شود. در این روش یک اندازه‏ی اثر استاندارد شده به عنوان هدف در نظر گرفته می‏شود. به عنوان مثال برای اندازه‏ی اثر"متوسط" بدون توجه به درستی پایایی ابزار، کوچکی یا تنوع آزمودنی‏ها، حجم نمونه انتخاب می‏شود. در اینجا عوامل مهمی فراموش می‏شوند. بنابراین متوسط بودن اندازه‏ی اثر چیزی را تعیین نمی‏کند."

برای d کوهن اندازه‏ی اثر 2/0 تا 3/0 کوچک در نظر گرفته می‏شود، اندازه‏ای در حدود 5/0 متوسط است و اندازه‏ی اثر 8/0 تا بی نهایت  بزرگ تلقی می‏شود. کوهن(1988) انتقاد لنت را پیش‏بینی کرده بود:


Mj میانگین جامعه‏ی j ام از بین k گروه است و δ انحراف استاندارد برابر درون هر گروه است. ss مجموع مجذورات در آنووا است.  



برچسب‌ها: اندازه اثر
+ نوشته شده در  پنجشنبه ۲۶ اردیبهشت۱۳۹۲ساعت   توسط محمد حسین ضرغامی  | 

تحليل عاملي3

5.  مفاهیم کلیدی در تحلیل عاملی

قبل از پرداختن به این تکنیک آماری، لازم است برخی از مفاهیم کلیدی این روش معرفی گردند.

اشتراک : میزان واریانس مشترک بین یک متغیر با سایر متغیرهای بکار گرفته شده در تحلیل.

مقدار خاص :میزان واریانس تبیین شده بوسیله هر عامل را بیان می کند. یکی از ضوابط پرکاربرد در تعیین تعداد عاملها ، مقدار ویژه است که آن را معیار راکد نیز می گویند. در تحلیل عاملی مقدار ویژه برابر1می باشد ولی ما می توا نیم در بسته آماری این مقدار را زیاد کنیم . در تحلیل عاملی مولفه های اصلی آنها هستند، که مقدار ویژه آنان بیشتر از 1 باشد. ولی اگر این مقدار کمتر از 1 باشد، عاملهای مورد نظر از لحاظ اماری  معنی دار نیست و باید از تحلیل کنار گذاشته شود .

عامل :عبارتست ترکیب خطی متغیرهای اصلی،که نشان دهنده خلاصه ای از متغیرهای مشاهده شده است.

بار عاملی : همبستگی بین متغیرهای اصلی و عوامل. مجذور مقادیر بار عاملی ،نشان می دهند که چند درصد از واریانس در یک متغیر توسط آن عامل تبیین می شود.

ماتریس عاملی : جدولی است که بارهای عاملی کلیه متغیرها را در هر عامل نشان می دهد.

چرخش عاملی : فرآیندی برای تعدیل محور عامل به منظود دستیابی به عاملهای معنی دار وساده است. یکی از مفاهیم مهم در تحلیل عاملی ‏‏‏‏ چرخش  عاملهاست. که این مفهوم دقیقا به همان معنا دلالت دارد که در فرآیند چرخش عاملی ، محورهای مختصات عاملها را به دور مبدا چرخش داده است تا اینکه موقعیت جدیدی را بدست آورد ما در اینجا دونوع چرخش داریم :

1- چرخش متعامد  

2- چرخش متمایل  

چرخش متعامد: عاملها مستقل از یکدیگر هستند.

چرخش متمایل: عاملها بایکدیگر همبستگی دارند. 



برچسب‌ها: تحليل عاملي
+ نوشته شده در  پنجشنبه ۱۹ اردیبهشت۱۳۹۲ساعت   توسط محمد حسین ضرغامی  | 

تحليل عاملي 2

3.  تعریف تحلیل عاملی

برای تحلیل عاملی، تعاریف مختلفی ارائه شده است که از آن میان می توان به موارد ذیل اشاره کرد:

تحلیل عاملی نامی است عمومی برای برخی از روشهای چند متغیره که هدف اصلی آن خلاصه کردن داده هاست. این روش به بررسی همبستگی درونی تعداد زیادی از متغیرها می پردازد و در نهایت آنها را در قالب عاملهای عمومی محدودی دسته بندی کرده تبیین می کند. در این تکنیک تمام متغیرها به عنوان متغیر وابسته قرار می گیرد.

تحلیل عاملی روشی به هم وابسته بوده که در آن کلیه متغیرها بطور همزمان مد نظر قرار می گیرد. در این تکنیک، هریک از متغیرها به عنوان یک متغیر وابسته لحاظ می گردد.

تحلیل عاملی یک شیوه آماری است که می تواند جهت تحلیل روابط متقابل میان گروه بزرگی از متغیــرها و برای توصیف این متغیرها براساس ابعاد مشترک پنهان میان عوامل به کار رود.این شیوه آماری به یافتن راهی جهت تلخیص اطلاعات موجود در تعدادی متغیرهای اصلی می پردازد و آنها را به یک سری عامل های کوچکتر با کمترین میزان ریزش اطلاعات تبدیل  می کند.

4.  درك مفهومي تحليل عاملي و كاربرد آن

بنا بر آنچه گفته شد، تحليل عاملي تكنيكي است كه كاهش تعداد زيادي از متغيرهاي وابسته به هم را به صورت تعداد كوچكتري از ابعاد پنهان يا مكنون امكان پذير مي سازد. هدف عمده آن رعايت اصل اقتصاد و صرفه جويي از طريق كاربرد كوچكترين مفاهيم تبيين كننده به منظور تبيين بيشينه مقدار واريانس مشترك در ماتريس همبستگي است. مفروضه اساسي تحليل عاملي اين است كه عامل هاي زيربنايي متغيرها را مي توان براي تبيين پديده هاي پيچيده به كاربرد و همبستگي هاي مشاهده شده بين متغيرها ،حاصل اشتراك آنها در اين عامل ها است. هدف تحليل عاملي تشخيص اين عامل هاي مشاهده ناپذير بر پايه مجموعه اي از متغيرهاي مشاهده پذير است. عامل، متغير جديدي است كه از طريق تركيب خطي نمره هاي اصلي متغيرهاي مشاهده شده بر پايه فرمول زير برآورد مي شود:

Fj=∑WjiXi=Wj1X1+Wj2X2+…+WjpXp

كه در آن W ها بيانگر ضرايب نمره عاملي و P معرف تعداد متغيرها است. اين عامل ها، في نفسه، سازه هاي فرضي يا نظري هستند كه به تفسير ثبات و هماهنگي در مجموعه داده ها كمك مي كنند. بنابراين ارزش تحليل عاملي اين است كه طرح سازماني مفيدي ارائه مي دهد كه مي توان آن را براي تفسير انبوهي از رفتار با بيشترين صرفه جويي در سازه هاي تبيين كننده، به كار برد.

اميد اين است كه تعداد كمي از اين عامل ها (يعني تركيب هاي خطي نمره هاي اصلي متغيرهاي مشاهده شده) بتواند تقريبا همه اطلاعاتي را كه توسط مجموعه بزرگتري از متغيرها به دست مي آيد در برگرفته در نتيجه توصيف ويژگي هاي فرد را ساده سازد. از اين گذشته اميدوار هستيم كه با توسعه صحيح عامل ها، متغيرهايي به وجود آوريم كه دلالت بر يك سازه روشن و با معناي روان شناختي داشته باشد به گونه اي كه توصيف ما از شخص نه فقط ساده تر، بلكه روشن تر و قاطع تر باشد. 



برچسب‌ها: تحليل عاملي
+ نوشته شده در  پنجشنبه ۱۹ اردیبهشت۱۳۹۲ساعت   توسط محمد حسین ضرغامی  | 

تحليل عاملي 1

تحلیل عاملی یکی از فنون پیشرفته امار چند متغیری است که در جهت دستیابی به بسیاری از هدفهای علمی و پژوهشی مانند مدلسازی ،فرضیه سازی،رواسازی تست ها،تشخیص پاره تست ها، وفراهم ساختن زمینه اجرای سایر روشهای پیشرفته اماری مانند رگرسیون چند متغیری و معادلات ساختاری به کار می رود.اما پیچیدگی و دشواری درک ،اجرا تفسیر نتایج تحلیل عاملی موجب شده است بسیاری از کاربران بدون اشنایی با منطق زیر بنایی ،محدودیتها ونیز دامنه کاربرد آن ،به اجرا و بکارگیری یافته های حاصل از ان بپردازند و بدین ترتیب زمینه ساز تفسیر های نامعتبر و ناروا ونیز تعمیم های نادرست از پدیده ها ومتغیرهای مورد مطالعه گردند. تحقیق حاضر، به معرفی این تکنیک، کاربردها و روشهای پیاده سازی آن می پردازد.

2.  مقدمه

نخستين كار درباره تحليل عاملي، توسط چارلز اسپيرمن (1940) صورت گرفت، كه به گونه كلي « پدر» اين روش شناخته شده است. بعد از او كارل پيرسن)1901(، روش «محورهاي اصلي» را پيشنهاد كرد و هتلينگ (1933) آن را به گونه كاملتري توسعه داد.

بسياري از كارهاي نخستين در تحليل عاملي، يعني در طول سال هاي 1900 تا 1930، به كاربرد مدل اسپيرمن در بسياري از مسايل عملي و بررسي شرايط مناسب براي استفاده از آن مدل اختصاص يافته است. در طول اين دوره، علاوه بر خود اسپيرمن، دانشمندان ديگري مانند سيريل برت، كارل هليزينگر، ترومن كلي، كارل پيرسن و گادفري تامسون، كمك هاي شاياني به ادبيات تحليل عاملي كرده اند. در اوايل سال 1930، آشكار شد كه مدل تك عاملي عمومي اسپيرمن براي توصيف روابط بين متغيرهاي يك مجموعه هميشه كافي نيست.

ترستون احتمالا برجسته ترين تحليلگر عاملي نوين بوده و نفوذ قابل ملاحظه اي در توسعه اين روش از سال هاي 1930 تا كنون داشته است. مسئوليت توسعه روش «سانتروئيد» با اوست كه در مقياس گسترده اي قبل از ظهور كامپيوترهاي پر سرعت به كار رفته است. او همچنين مسئول مفهوم ساختار ساده است كه توسط بيشتر تحليلگران به عنوان معرف يك راه حل تحليل عاملي ايده آل در نظر گرفته شده است.

كارهاي اوليه در تحليل عاملي  كه توسط دانشمندان ياد شده انجام گرفته ، بيشتر توجيه نظري دارد، هر چند هيچ يك از آن ها آماده براي آزمون هاي آماري فرضيه هاي خاص درباره ساختارهاي عاملي مجموعه هاي معيني از متغيرها نبوده است. اما، وقتي كامپيوترهاي پر سرعت در اختيار قرار گرفت در اواسط تا اواخر سال هاي 1950، حركتي از تئوري گرائي به سوي آنچه تحليل عاملي اكتشافي ناميده مي شود، به وجود آمد. اين حركت به گونه آشكار از طريق تئوري عامل مشترك ترستون تشويق، و از طريق فرمول بندي عمومي هتلينگ (1993)، درباره عمليات رياضي مولفه هاي اصلي كه قبل از آن به دليل محاسبات فوق العاده پيچيده و پرزحمت آن ، به كار نرفته بود تسهيل شد. چنين به نظر مي رسد كه در طول سال هاي 1950 و 1960، تقريبا هر كس، هر چيزي را تحليل عاملي مي كرده است، به اين اميد كه روابط پيچيده ظاهري بين متغيرهاي يك مجموعه را مي توان ساده كرد و به گونه ساده تري تفسير نمود (ليندمن و همكاران، 1980). در طول اين دوره همچنين تعداد روشهاي تحليل عاملي با ابداع تحليل تصوير (گاتمن، 1953)، تحليل عاملي بنيادي (رائو، 1955) و (هريس،1962)، تحليل عاملي آلفا (كيسر و كافري، 1965) و روش كمترين پس ماند (هامن و جونز، 1966)، به گونه قابل توجهي توسعه يافت. با اين وجود، روشهاي تحليل اكتشافي نتوانست آن گونه كه انتظار مي رفت، كمك موثري براي آزمون و پالايش تئوري روان شناختي باشد. 

مقاله هتلينگ (1933) درباره تحليل مولفه هاي اصلي نخستين كمك قابل توجه يك آماردان را به تحليل عاملي معرفي كرد، و اين وضعيت تا موقعي ادامه داشت كه مقاله لاولي (1940) درباره روش بيشينه احتمال (ML) منتشر شد. لاولي نشان داد كه تحليل عاملي مي تواند به عنوان يك تكنيك آماري جالب در بسياري از موقعيت هاي پژوهشي كاربرد داشته باشد. واكنش هاي له و عليه اين روشها نيز تا وقتي كه آزمون فرضيه هاي خاص درباره پارامترهاي مدل تحليل عاملي مورد توجه قرار گرفت (مثلا جارزكاگ، 1984)، همچنان ادامه داشت. هر چند كارهاي جارزكاگ اساسا مبتني بر روش ML لاولي بود، اما بسياري از مسايل محاسباتي و تفسيري را كه لاولي با آن مرتبط نبود، روشهاي باك و بارگمن (1966) و جارزكاگ (1984) به سبب تاكيد بر آزمون فرضيه، به عنوان روشهاي تحليل عاملي تاييدي طبقه بندي مي شود. هر چند توليد فرضيه هايي كه بايد آزمون شود اغلب دشوار است، اما اين روشها به وضوح بر تحليل عامل اكتشافي به سبب توسعه و آزمون تئوري مزيت دارد. البته براي تدوين چنين فرضيه هايي مي توان ابتدا تحليل عاملي اكتشافي را اجرا كرد و سپس اين فرضيه ها را از طريق تحليل عاملي تاييدي آزمود.



برچسب‌ها: تحليل عاملي
+ نوشته شده در  پنجشنبه ۱۹ اردیبهشت۱۳۹۲ساعت   توسط محمد حسین ضرغامی  | 

رگرسيون لوژستيك (لوجستيك)

رگرسيون لوژستيك (لوجستيك)

زماني كه متغيير وابسته ي ما دو وجهي است و مي خواهيم از طريق تركيبي از متغييرهاي پيش بين دست به پيش بيني بزنيم بايد از رگرسيون لوجستيك استفاده كنيم. چند مثال از كاربردهاي رگرسيون لوژستيك در زير ارائه مي گردد.

1. در فرايند همه گير شناسي ما مي خواهيم ببينيم آيا يك فرد بيمار است يا خير. اگر به عنوان مثال بيماري مورد نظر بيماري قلبي باشد پيش بيني كننده ها عبارتند از سن، وزن، فشار خون سيستوليك، تعداد سيگارهاي كشيده شده و سطح كلسترول.

2. در بازاريابي ممكن است بخواهيم بدانيم آيا افراد يك ماشين جديدي را مي خرند يا خير. در اينجا متغييرهايي مانند درآمد سالانه، مقدار پول رهن، تعداد وابسته ها، متغيرهاي پيش بين مي باشند. 

3. در تعليم و تربيت فرض كنيد مي خواهيم بدانيم يك فرد در امتحان نمره مي آورد يا خير.

4. در روانشناسي مي خواهيم بدانيم آيا فرد يك تكليف را انجام مي دهد يا خير.

در تمام موارد گفته شده متغيير وابسته يك متغيير دو حالتي است كه دو ارزش دارد. زماني كه متغيير وابسته دو حالتي است مسايل خاصي مطرح مي شود.

1. خطا داراي توزيع نرمال نيست.

2. واريانس خطا ثابت نيست.

3. محدوديت هاي زيادي در تابع پاسخ وجود دارد.

مشكل سوم مطرح شده مشكل جدي است. مي توان از روش حداقل مجذورات وزني براي حل مشكل مربوط به واريانس هاي نابرابر خطا استفاده نمود. بعلاوه زماني كه حجم نمونه بالا باشد مي توان روش حداقل مجذورات برآوردگرهايي را ارائه مي دهد كه به طور مجانبي و تحت موقعيت هاي نسبتا عمومي نرمال مي باشند.

ما در رگرسيون لوژستيك به طور مستقيم احتمال وقوع يك رخداد را محاسبه  مي كنيم. چرا كه فقط دو  حالت ممكن براي متغيير وابسته ي ما وجود دارد. اين احتمال براي زماني كه چند متغيير مستقل وجود دارد به صورت زير محاسبه مي شود:

 

كه در آن z تركيب خطي زير است:


دو مساله ي مهم كه بايد در ارتباط با رگرسيون لوجستيك در نظر داشته باشيم عبارتند از:

1. رابطه ي بين پيش بيني كننده ها و متغيير وابسته غير خطي است.

2. ضرايب رگرسيوني از طريق روش ماكزيمم درستنمايي برآورد مي شود.

رگرسيون لوژستيك از لحاظ محاسبات آماري شبيه رگرسيون چند گانه است اما از لحاظ كاركرد مانند تحليل تشخيصي مي باشد. در اين روش عضويت گروهي بر اساس مجموعه اي از متغييرهاي پيش بين انجام مي شود دقيقا مانند تحليل تشخيصي. مزيت عمده اي كه تحليل لوجستيك نسبت به تحليل تشخيصي دارد اين است كه در اين روش با انواع متغييرها به كار مي رود و بنابراين بسياري از مفروضات در مورد داده ها را به كار ندارد. در حقيقت آنچه در رگرسيون لوژستيك پيش بيني مي شود يك احتمال است كه ارزش آن بين 0 تا 1 در تغيير است. 

ضرايب رگرسيوني مربوط به معادله ي رگرسيون لجستيك اطلاعاتي را راجع به شانس هر مورد خاص براي تعلق به گروه صفر يا يك ارائه مي دهد. شانس به صورت احتمال موفقيت در برابر شكست تعريف مي شود. ولي بدليل ناقرينگي و امكان وجود مقادير بي نهايت براي آن تبديل به لگاريتم شانس مي شود. هر يك از وزن ها را مي توان از طريق مقدار خي دو كه به آماره ي والد مشهور است به لحاظ معناداري آزمود. لگاريتم شانس، شانسي را كه يك متغيير به طور موفقيت آميزي عضويت گروهي را براي هر مورد معين پيش بيني مي كند را نشان مي دهد. 

به طور كلي در روش رگرسيون لجستك رابطه ي بين احتمال تعلق به گروه 1 و تركيب خطي متغييرهاي پيش بين بر اساس توزيع سيگمودال تعريف مي شود.

 

 براي دستيابي به معادله ي رگرسيوني و قدرت پيش بيني بايد به نحوي بتوان رابطه اي بين متغييرهاي پيش بين و وابسته تعريف نمود. براي حل اين مشكل از نسبت احتمال تعلق به گروه يك به احتمال تعلق به گروه صفر استفاده مي شود. به اين نسبت شانس گويند. به خاطر مشكلات شانس از لگاريتم شانس استفاده مي شود. لگاريتم شانس با متغييرهاي پيش بيني كننده ارتباط خطي دارد. بنابراين ضرايب بدست آمده براي آن بايد بر اساس رابطه ي خطي كه با لگاريتم شانس دارند تفسير گردند. بنابراين اگر بخواهيم تفسير را بر اساس احتمال تعلق به گروهها انجام دهيم بايد لگاريتم شانس را به شانس و شانس را به اجزاي زير بنايي آن كه احتمال تعلق است تبديل نماييم. آماره ي والد كه از توزيع خي دو پيروي مي كند نيز براي بررسي معناداري ضرايب استفاده مي شود. از آزمون هوسمر و لمشو نيز براي بررسي تطابق داده ها با مدل استفاده مي شود معنادار نبودن اين آزمون كه در واقع نوعي خي دو است به معناي عدم تفاوت داده ها با مدل يعني برازش داده با مدل است. 


+ نوشته شده در  دوشنبه ۲۱ اسفند۱۳۹۱ساعت   توسط محمد حسین ضرغامی  | 

مطالب قدیمی‌تر