تحلیل تشخیصی و کاربردهاي آن
بسم الله الرحمن الرحیم
دانشگاه علامه طباطبایی
دانشکده ي روانشناسی و علوم تربیتی
گروه سنجش و اندازه گیري
تحلیل تشخیصی و کاربردهاي آن
دانشجو: محمد حسین ضرغامی
خردادماه 1390
به نام خداوند بخشاینده ي مهربان
در این گزارش ابتدا توضیحات مهمی در مورد تحلیل تشخیصی ارائه شده که می تواند به عنوان جزوه ي درسی مورد
استفاده قرار گیرد. مطالب مربوطه را اینجانب شخصا گردآوري و ترجمه نموده ام. در انتهاي کار کاربردي حرفه اي از
این تکنیک ارائه شده است.
تحلیل تشخیصی
این فن آماري یک مدل پیش بین براي عضویت گروهی است و از توابع تشخیصی تشکیل شده که از طریق ترکیب
(CASES) خطی متغییرهاي پیش بین به بهترین تمییز بین گروهها می رسد. توابع براساس نمونه اي از اعضا
تشکیل می شود که عضویت آنها در گروهها از قبل مشخص است. از این توابع می توان براي پیش بینی عضویت
گروهی موارد جدیدي استفاده کرد، که عضویت گروهی آنها مشخص نیست. در صورتی که ما مواردي داشته باشیم که
عضویت همه ي آنها در گروهها را بدانیم می توانیم به صورت تصادفی تعدادي از آنها را انتخاب کرده و اعتبار توابع
بدست آمده را از طریق موارد باقی مانده بررسی کنیم. به تحلیل تشخیصی تحلیل ممیزي نیز گفته می شود. هدف
اصلی تحلیل ممیزي همانطور که گفته شد تشخیص تفاوت بین گروهها و پیش بینی احتمال تعلق یک مورد به یک
گروه خاص است که براي این طبقه بندي از چندین متغییر مستقل کمی استفاده می کند. تحلیل ممیزي تکنیک چند
متغیره است که با جدا کردن مجموعه هاي متمایز مشاهده ها و با تخصیص مشاهده هاي جدید به دسته هاي از
پیش تعریف شده سر و کار دارند .مسأله ي آماري در مورد به وجود آوردن یک قانون) تابع تشخیص (بر مبناي اندازه
هاي حاصل از افراد می باشد .با استفاده از این قانون می توان افراد جدید را که معلوم نیست از کدام جمعیت هستند،
به یکی از جمعیتها منتسب کرد .از معروف ترین توابع مورد استفاده در تحلیل ممیزي میتوان به تابع ممیز فیشر اشاره
کرد.
مفروضات:
1. موارد باید مستقل از یکدیگر باشند
2. متغییرهاي پیش بینی کننده باید داراي توزیع نرمال چند متغییري باشند و ماتریس واریانس- کواریانس بین
گروهی باید در بین گروهها برابر باشد.
3. موارد باید مانع الجمع باشند یعنی یک مورد باید فقط به یک گروه تعلق داشته باشد و در ضمن گروهها جامع
باشند.
4. اگر گروهها طبقات باشند این روش خیلی مناست است تما در صورتی که گروهها بر اساس نمرات با مقیاس
فاصله اي یا نسبتی باشند مسلمن رگرسیون اطلاعات بیشتر در اختیار فرد می گذارد.
اگر هدف ما بررسی معناداري تفاوت بین گروهها باشد می توان از:
1. مانووا
2. روش هاي جایگشتی (تبدیلی) چند پاسخی
3. تحلیل تشابهات گروهها
4. آزمون منتل
استفاده می شود. اگر بخواهیم ببینیم که گروهها چگونه از یکدیگر متمایز می شوند یعنی چه متغییرهایی بهترین تمایز
را بین گروهها دارند می توان از:
1. تحلیل تشخیصی
2. درختان رگرسیونی و تحلیل طبقه اي
3. رگرسیون لجستیک
4. تحلیل گونه هاي نشانگر
استفاده کرد.
تحلیل تشخیصی یک تکنیک آماري است که به پژوهشگر این امکان را می دهد تا تفاوت هاي بین دو گروه یا بیشتر
از دو گروه را برحسب چند متغییر به صورت همزمان مورد مطالعه قرار دهد. در این روش چند متغییر اسمی با چند
متغییر فاصله اي مرتبط می شود و از لحاظ فنی در واقع بسط یافته ي تحلیل واریانس چند متغییري است. در حوزه ي
علوم انسانی به این تکنیک نیاز است. در جایگرینی کارمندان، آزمون هاي روانشناختی کودکان، تاثیرات درمان هاي
پزشکی، تفاوت هاي اقتصادي بین مناطق مختلف جغرافیایی، پیش بینی رفتار راي دهندگان و خیلی زمینه هاي دیگر.
چه زمان هایی می توان از تحلیل تشخیصی استفاده کرد؟ در این تحلیل تمرکز روي داده هاي مربوط به موارد است
که این موارد می توانند انسان ها، حیوانات، وضعیت اقتصادي در زمان هاي مختلف و خیلی موارد دیگر باشد. گروهها
باید طوري تعریف شوند که هر مورد فقط و فقط به یک گروه تعلق داشته باشد. زمان هایی که نمی توان عضویت
موارد در گروهها را نمی توان تشخیص داد باید این موارد از تحلیل کنار گذاشته شوند تا به نتایج خطا منجر نشود. این
موارد بعد از رسیدن به معادلات تشخیصی می توان عضویت گروهی شان را مشخص کرد.
تفسیر فضایی از تحلیل تشخیصی
بعدي در P اگر متغییرهاي پیش بین را که گروهها بر اساس آنها متمایز می شوند را به عنوان محورهاي یک فضاي
نظر بگیریم هر مورد در این فضا داراي یک نقطه خواهد بود. بنابراین گروهها در این فضا از چندین نقطه ي کنار هم
تشکیل می شود. اگر گروهها با هم نقاط اشتراکی داشته باشند در این صورت دیگر گروه ها یگانه نخواهند بود. به
منظور خلاصه کردن نقاط در یک گروه باید مرکزیت هر گروه را پیدا کرد. نقطه ي مرکزي یا همان مرکز ثقل در
مختصات هندسى نقطه اى است که مختصات ان میانگین حسابى مختصات همه نقاط ان شکل است. چون هر یک از
این نقاط معرف هر گروه می باشند می توان با مطالعه ي این نقاط متوجه شد که گروهها چگونه از یکدیگر متمایز می
شوند. زمانی که تعداد متغییرها زیاد است ممکن است اطلاعات خیلی پیچیده و غیر قابل فهم شوند.
محدودیت هاي تحلیل تشخیصی
1. تحلیل تشخیصی به نقاط پراکنده حساس است.
2. ملاحظات مربوط به حجم نمونه.
الف) حداقل باید موارد 2 تا بیشتر از متغییرها باشند.
ب) در هر گروه حداقل باید دو مورد باشد.
ج) در هر گروه باید تعداد نمونه ها به اندازه ي کافی باشد تا میانگین ها و انحرافات به طور مشخصی برآورد شوند. بر
باشد. p* بزرگتر مساوي 3 n اساس یک قانون سر انگشتی باید
روش هاي حجم نمونه
الف) نمونه ي زنجیره اي تا زمانی که برآورد پارامترهاي میانگین و واریانس ثابت شود.
ب) این ثبات می تواند از طریق روش هاي بازنمونه گیري مورد آزمایش قرار گیرد.
ج) به منظور کاهش متغییر ها می توان از طریق روش گام به گام استفاده کرد.
د) متغییر ها را به دو یا چند گروه مرتبط تقسیم کرده و در هر گروه یک تحلیل تشخیصی اجرا کنید.
ه) یافته ها را با دقت تفسیر کنید
تحلیل تشخیصی براي طبقه بندي پاسخگویان بر اساس مقادیر یک متغیر وابسته دو یا چند وجهی به کار می رود. در
واقع زمانی که متغیر پاسخ کیفی و متغیرهاي مستقل کمی باشند از این تحلیل استفاده می کنیم. در این تحلیل
پاسخگویان بر حسب مقداري که بدست می آورند، در طبقات مختلف تفکیک می شوند.
تحلیل تشخیصی روشی است که متغیرهاي مستقل را براي ایجاد یک متغیر جدید ترکیب می کند که هر یک از
پاسخگویان براي آن مقداري بدست می آورند. در واقع تحلیل تشخیصی شبیه یک رگرسیون خطی چندمتغیره است با
این تفاوت که در رگرسیون خطی چندمتغیره، متغیر پاسخ در سطح فاصله اي/نسبی است، اما در تحلیل تشخیصی
مقیاس متغیر وابسته دو یا چندوجهی است.
تحلیل تشخیصی را می توان براي چندین هدف مورد استفاده قرار داد که مهمترین آنها به شرح زیر است:
-1 طبقه بندي پاسخگویان به چندین گروه
-2 بررسی اختلاف هاي میانگین متغیر مستقل بین گروههایی که بر اساس متغیر وابسته تشکیل می شوند.
-3 تعیین درصدي از واریانس متغیر وابسته که توسط متغیرهاي مستقل تبیین شده اند.
-4 ارزیابی اهمیت نسبی متغیرهاي مستقل در طبقه بندي متغیر وابسته
به منظور تحلیل تشخیصی لازم است که یک سري از پیش فرضها رعایت شود، بر این اساس، پیش فرضهاي تحلیل
تشخیصی به صورت زیر است
-1 متغیر وابسته یک متغیر اسمی دو وجهی (یا چند وجهی) است.
-2 تمامی پاسخگویان (موارد) باید از یکدیگر مستقل باشند. بنابراین نمی توان داده هاي مرتبط استفاده کرد.
-3 حداقل باید دو پاسخگو براي هرگروه وجود داشته باشد.
باشد. n- -4 حداکثر تعداد متغیر مستقل در مدل باید برابر با 2
-5 خطاها به طور تصادفی توزیع شده باشند.
-6 نداشتن همخطی: اگر یکی از متغیرهاي مستقل همبستگی بالایی با متغیرهاي دیگر داشته باشد و یا اینکه یکی
از متغیرهاي مستقل تابع متغیرهاي دیگر باشد، همخطی بوجود می آید.
در تحلیل تشخیصی یک تابع تشخیصی وجود دارد که به ریشه کانونی معروف است و ترکیب خطی متغیرهاي مستقل
استاندارد شده را نشان می دهد. در واقع تابع تشخیص بر اساس مرکز ثقل گروهها ایجاد می شود. تعداد توابع تشخیص
عبارت است از:
min(groups-1, predictors).
تعداد متغیرهاي تبیینی است. predictors همان تعداد حالتهاي متغیر پاسخ و groups ، در رابطه بالا
تفاوت بین تحلیل تشخیصی و تحلیل رگرسیون
در تابع تشخیص یک متغییر وابسته اسمی مورد بررسی قرار می گیرد ولی در تحلیل رگرسیون یک متغییر وابسته ي
پیوسته مورد بررسی قرار می گیرد. علاوه بر این مفروضات تحلیل تشخیصی متفاوت از مفروضات تحلیل رگرسیونی
می باشد. به عنوان مثال در تجزیه ي رگرسیونی لازم است متغییر وابسته نرمال باشد اما متغییر وابسته در تحلیل
تشخیصی گسسته است. در تحلیل تشخیصی باید متغییرهاي مستقل نرمال چند متغییري باشند ولی در تحلیل
رگرسیونی این شرط لازم نیست. اما هدف هر دو تحلیل یکسان است. زیرا در هر دو روش سعی بر این است که یک
مدل خطی بین چندین متغییر مستقل و وابسته بوجود آوریم. در تابع تشخیص هدف از این مدل خطی تشخیص و در
تابع رگرسیونی هدف پیش بینی است. البته می توان با استفاده از فرمول هاي مشخص رگرسیونی نتایج عددي تابع
تشخیص را بدست آورد.
دکتر عزت الله فرشاد فر
هدف در تحلیل تشخیصی بدست آوردن یک ترکیب خطی از متغییرها است که بتوان از طریق آن دست به گروهبندي
افراد زد. اگر چه هدف این تحلیل با تحلیل رگرسیون یکسان است و در هر دو ما می خواهیم که مدلی خطی بین
چندین متغییر مستقل و وابسته ایجاد نماییم ولی در مفروضات و ماهیت متغییر وابسته بین دو روش تحلیلی تفاوت
وجود دارد. در تحلیل رگرسیونی متغییر وابسته پیوسته بوده و داراي توزیع نرمال باشد اما این موضوع براي متغییرهاي
مستقل در تحلیل تشخیص باید برقرار باشد.
هدف تکنیک تحلیل تشخیصی این است که تصمیم بگیریم چه ترکیبی از متغییرهاي مستقل می تواند دقیقا پیش بینی
کند که یک فرد به کدام طبقه تعلق می گیرد. بعد از بدست آمدن تابع تشخیص می توان براي افراد یا موارد جدید
احتمال طبقه ي فرد را مشخص نمود. ضرایب مربوط به تابع تشخیص به گونه اي انتخاب می شوند که حداکثر
تشخیص بین دو گروه یا چند گروه ایجاد شود به بیان آماري ضرایب تابع تشخیص به گونه اي برآورد می شوند که
واریانس درون گروهی را به حداقل و واریانس بین گروهی را به حداکثر برسانند. فرض کنید مقادیر مربوط به ضرایب
تابع تشخیص برآورد شده اند. در این صورت براي هر فرد در گروه 1 می توانیم بر اساس ترکیب خطی متغییرهاي
مستقل عددي را بدست آوریم. این کار می تواند براي تمام افراد در گروه یک و همچنین تمام افراد در گروههاي دیگر
نیز انجام شود.بنابراین با توجه به گروههاي مختلف به مجموعه اي از اعداد می رسیم. مقدار کل تغییرات برابر است با
تعییرات بین گروهی و درون گروهی.
کتاب استیونس
از تحلیل تشخیصی براي دو منظور استفاده می کنند: 1. توضیح تفاوت هاي اصلی بین گروهها در مانووا و 2. طبقه
بندي موضوعات در گروهها بر مبناي مجموعه اندازه گیري ها. بنابراین بر این اساس تحلیل تشخیصی به تحلیل
تشخیصی توصیف گر و پیش بینی کننده تقسیم می شود. تحلیل تشخیصی توصیف گر بر تفاوت بین گروهها تمرکز
دارد و پیش بین بر طبقه بندي. تفاوت اصلی بین این دو نوع در توابع تشخیصی آنها است.
تحلیل تشخیصی توصیف گر
این نوع تحلیل به این منظور استفاده می شود تا کل در ارتباط با مانووا را به قسمت هاي جمع پذیر تبدیل کند و این
کار را از طریق بکارگیري ترکیب خطی غیر وابسته از متغییرهاي اصلی (این ها توابع تشخیص اند) انجام می دهند.
یک تفکیک جمع پذیر به دلیل این که توابع تشخیص بدست آمده ناهمبسته اند بدست می آید.
تحلیل تشخیصی دو ویژگی خوب دارد: 1. اصل صرفه جویی مربوط به توضیح و 2. وضوح تفسیر. از این نظر صرفه جو
است که مثلا پنج گروهی که از طریق 10 متغییر مقایسه می شوند فقطی بررسی می کنید در می یابید که تمایز اصلی
آنها تنها در دو بعد است که آنها توابع تشخیص می باشند. به این دلیل داراي وضوح در تفسیر است که تمایز بین
گروهها در طول یک تابع نابسته به جداسازي (تمایز) بین گروهها در طول یک تابع دیگر است.
در تحلیل رگرسیون چندگانه ما ترکیب خطی از پیش بینی کننده ها را بدست می آوردیم که بیشترین همبستگی را با
متغییر وابسته داشته باشند. در تحلیل تشخیصی ترکیب خطی مجددا استفاده می شود تا بین گروهها تمایز ایجاد کند.
ترکیب خطی در بیشتر اشکال تحلیل هاي چندگانه نقش مرکزي را دارا است.
تحلیل تشخیصی یک روش بیشینه سازي ریاضی است. باید به خاطر داشت که تعداد و حجم نمونه ي بالا کمک می
کند تا نتایج از حالت شانس خارج شود. روش رگرسیون چندگانه مثال دیگري از بیشینه سازي ریاضی است. تحلیل
تشخیصی همتاي رگرسیون چندگانه براي دو گروه است. ما ممکن است مشکل مشابهی با تکرارپذیري نتایج داشته
باشیم.
تفسیر توابع تشخیص
دو روش براي تفسیر توابع تشخیص وجود دارد:
1. آزمون ضرایب استاندارد شده - که از طریق ضرب ضرایب خام براي هر متغییر با انحراف استاندارد براي آن
متغییر بدست می آید -
2. آزمون تابع تشخیص همبستگی هاي متغییر که همبستگی هاي بین هر تابع تشخیص و هز یک از
متغییرهاي اصلی است.
براي هر دو روش بیشترین و بزرگترین ضرایب یا همبستگی ها براي تفسیر استفاده می شوند. این دو روش ممکن
است نتایج متفاوتی ارائه دهند. بعضی از متغییرها ممکن است ضرایب پایین داشته باشند ولی داراي همبستگی بالایی
باشند و برعکس. بنابراین این سوال مطرح می شود که از کدام روش استفاده شود. بعضی از پژوهشگران معتقدند به دو
دلیل بهتر است از روش همبستگی استفاده شود. 1. مفروضه ي ثبات بیشتر همبستگی براي نمونه هاي با حجم کم و
متوسط مخصوصا زمانی که بین متغییرها همبستگی هاي نسبتا بالا و یا بالا وجود دارد. 2. همبستگی ها شاخص
مستقیمی از متغییرهایی می باشند که خیلی نزدیک با خصوصیت پنهان منطبق اند می باشند که تابع تشخیص نشان
می دهد. به بیان دیگر ضرایب جزئی بوده که اثر سایر متغییرها از روي آن برداشته شده است.
ضمنا کاربرد تابع تشخیص –همبستگی هاي متغییر براي تفسیر همتا با انچیزي است که در تحلیل عاملی مطرح می
شود، که همبستگی هاي متغییر عامل که به بار عاملی مشهور است – براي تفسیر عامل ها استفاده می شود.
در مورد تعداد حجم نمونه روش هاي مونت کارلو بکار گرفته شده نشان می دهند که براي 10 متغییر باید حداقل 200
نمونه وجود داشته باشد تا نتایج پایا حاصل شود.
نشان دادن گروهها در صفحه ي تشخیص
اگر دو یا بیشتر از دو تابع تشخیص معنادار وجود داشته باشد یک ابزار مناسب براي تعیین مستقیم تفاوت ها بین
گروهها نمایش آنها در صفحه ي تشخیص است. محور افقی منطبق بر اولین تابع تشخیص می باشد بنابراین جداسازي
افقی بین گروهها بیانگر این است که گروهها چقدر از یکدیگر روي این تابع متمایزاند. بعد عمودي منطبق بر دومین
تابع تشخیص است و بنابراین جداسازي عمودي به ما نشان می دهد که گروهها بدون ارتباط و راهی که تابع تشحیص
اولیه گروهها رچقدر از یکدیگر متمایز می شوند. به دلیل این که توابع از یکدیگر مستقل اند ممکن است گروهها در
یک تابع خیلی از یکدیگر متمایز باشند ولی در تابع دیگر به هم نزدیک باشند علاوه بر این به دلیل عدم ارتباط بین
توابع می توانیم آنها را به دو محور عمود بر هم نشان دهیم.
از آنجا که هر تابع تشخیص ترکیب خطی از متغییرهاي اصلی است این سوال پیش می آید که چگونه ما مختصات هر
گروه را در ترکیب خطی پیدا می کنیم؟ خوشبختانه پاسخ به این سوال آسان است. می توان نشان داد که میانگین براي
ترکیب خطی برابر است با ترکیب خطی میانگین ها در متغییرهاي اصلی:
سمت چپ تساوي تابع تشخیص و سمت راست آن متغییرهاي اصلی اند.
ماتریس معادله براي بدست آوردن مختصات گروهها در تابع تشخیص به صورت زیر است:
ماتریسی از ستون ها است V که در آن ماتریس میانگین ها براي متغییرهاي اصلی در گروههاي مختلف است و
که ضرایب خام براي توابع تشخیصی (اولین ستون براي تابع اول و غیره). براي عینی تر کردن سه گروه و 4 متغییر را
در نظر می گیریم. بنابراین معادله ي ماتریس به صورت زیر خواهد بود:
عناصر خاص مربوط به ماتریس ها مانند زیر خواهند بود
در این معادله میانگین مربوط به متغییر 1 در گروه 1 است. میانگین براي متغییر دوم در گروه 1 می باشد
مربوط به مختصات گروه 1 در صفحه ي تشخیص می Y و X مقادیر Z و به همین ترتیب. اولین ردیف مربوط به
باشد و به همین ترتیب در مورد بقیه ي گروهها نیز صادق است. شکلی که به این طریق و بر اساس داده هاي یک
مثال بدست آمده اند در زیر مشخص شده است. در این مثال متغییر وابسته تیپ هاي شخصیتی هالند می باشند و
متغییرهاي پیش بین سطح سواد پدر و مادر که به چهار طبقه تقسیم شده اند: الف) طبقه اي که سواد حداق یکی از
والدین کمتر از 8 کلاس است ب) طبقه اي که سواد هر دو والد در حد دبیرستان است ج) طبقه اي که والدین حداقل
یک کلاس دانشگاه را گذرانده اند و د) طبقه اي که هر دو والدین دانشگاه را تمام کرده اند.
پژوهشی توسط اسمارت ( 1976 ) انجام شده که به خوبی کاربرد و استفاده از تحلیل تشخیصی را در بررسی روایی نظریه
ي هالند نشان می دهد. نظریه ي هالند فرض می کند که انتخاب شغل نمودي از شخصیت است و بیشتر مردم را می
توان در 6 تیپ شخصیتی طبقه بندي نمود. از طرفی نظریه ي هالند بیان می کند که 6 محیط شغلی مربوط به این
شش تیپ شخصیتی وجود دارد.
هالند و همکارانش مدل شش ضلعی را گسترش دادند که ارتباط روانشناختی را بین شش تیپ شخصیتی و محیط
شغلی را نشان می دهد.
براي بررسی روایی نظریه ي هالند، اسمارت از دانشکده هاي علمی 939 نفر از صاحب کرسی را از 35 دانشگاه نمونه
گیري کردند. دانشکده هاي مختلف را می توان در یکی از 6 محیط هالند طبقه بندي کرد.
دانشکده هاي واقع گرا عبارتند از: مهندسی شیمی و شهرسازي، هنرهاي صنعتی، آموزش شغلی
دانشکده هاي جستجوگر: زیست شناسی، شیمی، روانشناسی، ریاضی
دانشکده هاي هنري: ادبیات باستان، موسیقی و انگلیسی
دانشکده هاي اجتماعی: مشاوره، تاریخ، جامعه شناسی، آموزش ابتدایی
دانشکده هاي متهور: سیاست، بازاریابی و حقوق
دانشکده هاي قراردادي: حسابداري، اقتصاد و آموزش اقتصادي
پرسشنامه اي که داراي 27 وظیفه که مخصوصا در سطح اساتید و صاحبان کرسی دانشگاه باشد به شرکت کنندگان
داده شد و پاسخ آنها تحلیل عاملی شد(تحلیل مولفه هاي اصلی با چرخش واریماکس). 6 عاملی که ظاهر شدند
متغییرهاي وابسته مطالعه شدند. نام این 6 عامل عبارت بودند از 1. رشد علمی 2. مختصات خارجی 3 . برنامه ي درسی
65 بدست آمد و در / کلی چند متغییره 9 F . 4. اجراي درونی 5. آموزش 6. مدیریت برنامه. متغییرمستقل محیط ها بودند
سطح 001 / معنادار شد.
اساتید دانشکده ها به 6 طبقه ي بر مبناي وظایف شغلی شان تقسیم شدند. تحلیل تشخیصی ارتباط کلی را براي سه
تابع تشخیص معنادار تقسیم کرد.
با استفاده از وزن هایی اسمارت نام هاي زیر را براي توابع تشخیص در نظر گرفت: تابع تشخیص اول مدیریت برنامه
ي درسی، تابع تشخیص دوم: جهت گیري درونی. تابع تشخیص سوم: جهت گیري علمی. جایگاه گروهها در صفحه ي
تشخیص توسط تابع 1 و 2 و توابع 1 و 3 نشان داده شده است. در زیر تصویر مربوطه نشان داده شده است.
خوشه بندي گروهها با نظریه ي هالند تا حدودي منطبق است. بنابراین داده هاي تجربی نظریه را تایید می کنند. به
عنوان مثال گروههاي جستجوگر و واقع گرا خیلی شبیه به یکدیگرند شباهت مربوط به این دو تیپ در تابع تشخیص 1
مشخص است. از طرف دیگر گروههاي هنري و قراردادي خیلی نامشابه اند . این عدم تشابه را می توان از طریق تابع
دو مشاهده نمود. گروههاي واقع گرا و متهور باید تاحدي با هم نامتشابه باشند همانطور که نشان داده شده است در
روي محور عمودي در تابع تشخیص سوم نسبتا از هم دورند. در شکل زیر این موضوع به تصویر کشیده شده است.
در نتیجه گیري مطالعه ي اسمارت می توان بیان داشت که دو نکته ي مهم وجود دارد. 1. در این مطالعه مشکل
مربوط به عدم ثبات ضرایب وجود نداشت. چرا که اسمارت 932 آزمودنی و فقط 6 متغییر وابسته داشت و بنابراین نسبت
آزمودنی به متغییر وي بالا بود. دوم این که اسمارت از همبستگی هاي متغییر - تابع تشخیص در ترکیب با ضرایب
استفاده نکرده است تا تابع تشخیص را تفسیر نمایید. متغییرهاي وابسته ي اسمارت مولفه هاي اصلی شدند که
ناهمبسته اند و دو رویکرد یکسان است چرا که ضرایب و همبستگی ها برابراند.
روش هاي پیشرفته پژوهش در علوم انسانی
در تحلیل تشخیصی باید گروهها ناهمپوش و عضویت آزمودنی ها در آن مشخص باشد. این تحلیل با این مقصود آغاز
می شود که بخواهیم دو یا چند گروه از افراد را که از لحاظ کیفی از یکدیگر متمایزاند را از لحاظ آماري تفکیک نماییم.
همانطور که مانوا این امکان را فراهم می آورد تا تفاوت بین گروهها را بررسی نماییم تحلیل تشخیصی این امکان را
فراهم می کند تا عضویت گروهی را بر اساس همان متغییرهاي وابسته پیش بینی نماییم. به عبارت دیگر تحلیل
تشخیصی عکس مانووا عمل می کند. در حقیقت تحلیل تشخیصی روشی است که متغییرهاي مستقل را براي ایجاد
یک متغییر جدید ترکیب می کند که هر یک از شرکت کنندگان در پژوهش براي آن مقداري بدست می آورند این
متغییر جدید تابع تشخیص نام دارد. این تابع به گونه اي محاسبه می شود که مقدار هر شرکت کننده در آن تا آنجا که
ممکن است افراد را در طبقه هاي مختلف متغییر معیار تفکیک کند.
لانداي ویلکز آماره اي است که براي آزمون کارایی تابع تشخیص در ایجاد تفاوت هاي معنادار بین گروهها مورد
استفاده قرار می گیرد و معناداري آن از روي برآورد مربع کاي بدست می آید. مفروضات معمول در مانووا مانند همگنی
واریانس طبیعی بودن و همگنی رگرسیون در مورد تحلیل تشخیصی نیز باید رعایت شود. در این تحلیل شکل داده
هاي پرت نیز از اهمیت خاصی برخوردار است زیرا در این تحلیل طبقه بندي صورت می گیرد. بنابراین بررسی و
غربالگري داده هاي پرت در داده هاي از طریق الگوهایی مانند ماهالانوبیس بسیار مهم و ارزشمند است.
آزمون معناداري
محاسبات اولیه مربوط به این روش مانند محاسبات مانووا هستند که با ماتریس مجموع مجذورات مقادیر در آنووا
در معادله ي زیر براي محاسبه (λ) ارتباط دارند و در پایان ماتریس واریانس بین و درون آزمودنی، مقادیر ویژه ي آنها
ي لانداي ویلکز وارد می شود.
Λ=(1/1+ λr)
حداکثر تعداد مقادیر ویژه که امکان دارد. =r
V تبدیل نمی شود مانند مانووا بلکه به آماره ي مجذور خی دو که به F وقتی لانداي ویلکز محاسبه شد به یک
بارتلت مشهور است تبدیل می شود.
مشخص می شود. P(K- درجه ي آزادي که از طریق ( 1
تعداد متغییرهاي پیش بینی :P
تعداد گروهها :K
تعداد مقادیر ویژه در ماتریس بین گروه میان درون گروهها به تعداد گروهها و متغییرهاي پیش بینی کننده بستگی دارد
و این دلیل محدود کردن تعداد توابعی است که در هر مطالعه باید مشخص شود.
اگر خی دو معنادار نبود به این معنی نیست که هیچ تابعی که بتواند تفاوت هاي گروهی را به خوبی تبیین نمایید وجود
ندارد.
نقش تحلیل تشخیصی به عنوان تحلیل طبقه بندي
تحلیل تشخیصی در تحلیل طبقه بندي نقش مهمی دارد که در آن اساس عضویت گروهی موارد فردي بر اساس
متغییرهاي وابسته پیش بینی می شود. این کار از طریق سنتروئیدهاي گروهی بر اساس توابع و آنگاه جور کردن هر
فرد با سنتروئیدها براي تعیین این که کدان گروه الگوي میانگین هایش نزدیکتر به آن است، قابل دستیابی است. اگر
دو گروه وجود داشته باشد از نقطه ي برش براي طبقه بندي افراد استفاده می شود.
تحلیل تشخیصی مستلزم پاسخ به دو سوال است. اول این که آیا دو یا چند گروه را می توان بر پایه ي اندازه هاي یک
از یکدیگر متمایز ساخت؟ به فرض آنکه جواب این سوال مثبت باشد می توان پرسش دوم را مطرح نمود. X مجموعه
سوال دوم این است که چگونه از طریق معادله ي تشخیصی می توان معلوم ساخت که فرد بخصوص با کدام گروه
شباهت بیشتري دارد؟
طبقه بندي از طریق به کاربردن یک رشته توابع طبقه بندي حاصل می شود. براي هر گروه یک معادله ي خاص وجود
دارد فرد در گروهی که بیشترین نمره را می گیرد به آن طبقه تعلق دارد.
چگونه می توان فهمید که تحلیل طبقه بندي به درستی صورت پذیرفته است؟
ارزیابی کرد. یعنی تعیین این که چند مورد در دو گروه بطور hit rate می توان آن را بر اساس میزان حدس درست
صحیح قرار گرفته اند.
چند تابع تشخیص باید در تحلیل شناسایی کرد؟
اولین تابعی که با استفاده از تحلیل تابع تشخیصی شناسایی می شود بهترین تمییزدهنده است. آن تابعی است که
بوضوح گروهها را از یکدیگر متمایز می کند و بهترین تابعی است که بر اساس آن می توان عضویت گروهی را
مشخص نمود. تعداد توابعی که شناسایی می شوند بستگی به تعداد گروههاي موجود در پژوهش و تعداد متغییرهاي
K- پیش بین دارد. یک محدودیت در تعداد توابعی که می توان شناسایی کرد وجود دارد و آن بستگی به مقدار کوچکتر
دارد. P- 1 یا 1
چگونه توابع را می توان تشخیص داد؟ تابع تشخیص را می توان به عنوان متغییرهاي مکنون در نظر گرفت که توسط
پژوهشگر اندازه گیري نمی شود. آنها مفاهیم آماري انتزاعی اند که بایستی به شیوه اي که متناسب با مبانی نظري متن
سوال پژوهش و نظریه هاي قبلی صحیح بوده اند تفسیر شوند( در آماره هاي چند متغییري به متغییرهاي نهفته ي
بسیاري برخورد می کنیم رایج ترین آنها مولفه هاي اصلی اند که در تحلیل عاملی شناسایی می شوند). در تحلیل تابع
تشخیص بهترین شیوه ي نامگذاري توابع شناسایی متغییرهاي وابسته اي است که بار عاملی بالاي معناداري در هر
تابع دارند. یک بار عاملی ضریب همبستگی است که رابطه ي این متغییر وابسته و آن تابع را توصیف می کند. فرض
کنید نمرات کلامی در آزمون توانایی شناختی بار عاملی بالایی با تابع اول داشته باشند و نمرات بینایی بار عامل بالایی
در تابع دیگري داشته باشند شما تابع اول را به عنوان تابع کلامی و تابع دوم را به عنوان تابع بینایی تفسیر می کنید و
نتیجه می گیرید که مولفه هاي کلامی هوش تمایز بین گروهها را نسبت به عناصر بینایی بهتر مشخص می کند.
چگونه تحلیل تشخیصی موارد فردي را مشخص می کند؟
گام بعدي در تحلیل تابع تشخیصی طبقه بندي هر شرکت کننده است. این کار از طریق مقایسه ي الگوي میانگین
هاي فردي با الگوهاي مختلف میانگین هاي گروهی در متغییر وابسته مقایسه شوند.
قدرت ارتباط بین متغییرهاي وابسته و گروه چقدر است؟
پس از شناسایی توابع می توان مشخص کرد که چند درصد از واریانس کلی در داده ها را هر تابع تبین می کند. همه
ي توابع با هم 100 درصد واریانس را تبین می کنند بنابراین هر چه مقدار واریانس تبینی توسط یک تابع بیشتر باشد
نشان می دهد که یک ارتباط قوي بین آن بعد خاص و ماهیت گروهها وجود دارد.
انواع تحلیل تشخیصی
سه نوع تابع تشخیصی وجود دارد: مستقیم، سلسله اي و گام به گام. در تحلیل تشخیصی مستقیم تمام متغییرها با هم
وارد معادله می شوند. در تحلیل تشخیصی سلسله اي تنها معیار آماري است که ترتیب ورود داده ها را به معادله
مشخص می کند. از آنجا که در بیشتر تجزیه و تحلیل ها دلیلی براي اولویت بندي پیش بینی ها وجود ندارد روش سوم
بیشرین کاربرد را دارد.
مثال عملی مربوط به تحلیل تشخیصی
Mapping Occupations: A Longitudinal به منظور بررسی نقشه جهان کار، از متدولوژي با عنوان
استفاده شده است. این عنوان در مقاله اي به همان اسم گرفته Study Based on Vocational Interest
شده است. در مقاله مذکور از نمرات رغبت مربوط به گروههاي شغلی استفاده شده تا مشاغل در شش ضلعی هالند قرار
گیرند این مشاغل در 6 نقطه واقع نشده اند بلکه در صفحه اي قرار گرفته اند که محورهاي مختصات آن بر اساس
و D/I است. ابعاد PEOPELE/ THINGES و DATA/IDEA نظریه ي تریسی است و داراي دو بعد
زیر بناي نظریه ي هالند بوده و به همین دلیل می توان دو نظریه را در یک نقشه ي یکپارچه نشان داد. با P/T
استفاده از وزنی که به نمرات 6 رغبت داده می شود می توان جایگاه علاقه ي شغلی هر فرد و همچنین جایگاه گروه
هاي شغلی را در نقشه ي جهان کار مشخص کرد.
در این گزراش به منظور تعیین وزنها، روش جدیدي بر مبناي آنالیز تشخیصی ارائه می شود. تحلیل آنالیز تشخیصی در
زیر ذکر شده است.
تعداد predictors همان تعداد حالتهاي متغیر پاسخ و groups ، در رابطه بالا که در قسمت بالا ذکر شده است
متغیرهاي تبیینی است. در این گزارش تعداد 104 متغیر تبیینی مربوط به توانایی شغلی و یک متغیر پاسخ با 6 حالت
هستند. (RIASEC) مورد بررسی قرار می گیرد. متغیر پاسخ در واقع همان 6 حالت رغبت شغلی
با توجه به اینکه در این گزارش 104 متغیر مربوط به توانایی موجود است، کاهش بعد متغیرهاي تبیینی یکی از الزامات
است. کاهش بعد بدان مفهوم است که بر اساس متدي باید متغیرهایی را انتخاب کرد که بیشترین اثرگذاري را روي
متغیر پاسخ دارند، یا به عبارتی بیشترین تغییرات متغیر پاسخ را شامل می شوند. این روش و متد آماري روش قدم به
نامیده می شود. در این روش ابتدا یک متغیر تبیینی را وارد مدل کرده و میزان معنی دار بودن آن (step wise) قدم
را می سنجند، در مرحله بعدي متغیر دوم را وارد مدل می کنند اگر با ورود متغیر جدید، متغیر اولیه معنی داري خود را از
دست داد، آنرا از مدل خارج می کنند و به همین ترتیب مسئله را ادامه می دهند تا متغیرهاي ورودي و خروجی نهایی
مشخص شود. در واقع در این روش با شرطی کردن مدل روي متغیرهاي خروجی و ورودي مدل نهایی با تعداي از
متغیرهاي تبیینی انتخابی محاسبه و بدست می آید (براي اطلاعات بیشتر در این زمینه می توان به کتاب تحلیل
رگرسیون نوشته مونت گمري مراجعه کرد).
لازم به ذکر است که در تحلیل قدم به قدم تمامی پیش فرضهاي مربوط به تحلیل تشخیصی رعایت شده و نتایج با در
نظر گرفتن این موارد ارائه می شود.
شرح داده می شود. step wise در ادامه خروجی هاي مربوط به تجزیه و تحلیل تشخیصی با روش
از بین 104 متغیر تبیینی، تعداد 20 متغیر انتخاب شد که لیست این ، step wise باید توجه داشت که بر اساس روش
خروجی مربوط spss متغیرها در ادامه بیان می شود، همچنین قابل ذکر است که بدلیل حجم بالاي خروجی نرم افزار
به انتخاب متغیر در این گزارش ذکر نشده و تجزیه و تحلیلهاي بعدي بر اساس این 20 متغیر بیان می شود.
جدول شماره 1
Canonical Discriminant Function Coefficients
Function
1 2 3 4 5
VAR000
02
-.278 1.124 .476 -.392 -1.514
VAR000
05
.745 -1.318 -.250 .239 .886
VAR000
11
.685 1.255 -1.588 -.521 .000
VAR000
13
-.523 -.169 -.235 1.407 .027
VAR000
14
.439 .841 .185 .825 -.111
VAR000
18
.119 .794 1.479 -.503 .286
VAR000
20
.099 -.532 -.610 -.584 -.876
VAR000
23
.417 -.170 .919 -.464 -2.240
VAR000
24
-.329 -.298 .116 .563 2.436
VAR000
33
.343 -.526 .307 -.727 -.114
VAR000
38
-.534 .141 -.207 -.227 .645
VAR000
47
-.116 -.053 .391 .740 -1.017
VAR000
49
-.321 .225 .109 -.610 .426
VAR000
58
-.479 .053 -.132 .379 -.043
VAR000
66
.419 .067 -.029 .392 -.015
VAR000
69
.041 .461 -.180 .633 .612
VAR000
80
-.139 -.349 -.064 -.347 -.230
VAR000
82
.150 -.797 -.470 -.747 .234
VAR001
02
.340 -1.208 -.468 .110 .815
VAR001
04
-.027 .719 -.170 .533 -.485
(Constant
)
-3.330 -.800 1.004 -1.532 2.335
Unstandardized
coefficients
جدول شماره 1 تعداد متغیرهاي انتخابی را در ستون سمت چپ نشان می دهد. همچنین در ایم جدول نمرات تشخیص
استاندارد نشده را براي هر متغیر مستقل نشان داده شده است. . به عنوان مثال نمره تابع تشخیصی اول به صورت زیر
بدست می آید.
-3.330-.278*var00002+.745*var =نمره تشخیص تابع اول+…+ 00005
-.027*var00104
نمره تشخیص توابع، در واقع به منظور گروه بندي متغیرهاي پاسخ بر اساس متغیرهاي تبیینی بکار می رود و مشخص
می کند که هر تابع چه وزنی از متغیرها را شامل می شود. در ادمه مهمترین خروجی مربوط به تحلیل تشخیصی بر
اساس متغیر پاسخ رغبت و متغیرهاي تبیینی توانایی ارائه می شود که در واقع میزان ضرایب تابع طبقه بندي را نشان
می دهد. در این جدول هر ستون، برآوردي از ضرایب را براي هر یک از توابع تشخیص به تفکیک هر گروه نشان می
دهد.
نکته مهم این است که یک پاسخگو عضو گروهی است که بشترین مقدار تابع طبقه بندي شده در آن گروه قرار گیرد.
جدول شماره 2
Classification Function Coefficients
tip
R I A S E C
VAR000
02
12.543 14.205 12.489 12.264 9.453 10.765
VAR000
05
9.641 9.445 10.687 11.359 13.593 13.573
VAR000
11
7.890 9.426 15.304 10.936 9.646 6.439
VAR000
13
12.598 9.953 9.529 12.420 11.480 10.686
VAR000
14
-1.933 .497 -1.550 .527 -1.055 -2.610
VAR000
18
-11.363 -7.434 -13.139 -12.216 -11.735 -11.495
VAR000
20
8.765 7.575 11.030 9.129 8.632 10.334
VAR000
23
27.645 30.165 27.704 29.095 26.596 30.959
VAR000
24
-19.845 -21.232 -22.630 -21.823 -18.375 -21.430
VAR000
33
-3.358 -2.374 -2.492 -3.332 -2.360 -.795
VAR000
38
-4.814 -6.376 -5.549 -6.876 -5.919 -6.861
VAR000
47
6.941 6.834 4.841 7.613 5.720 7.108
VAR000
49
9.180 8.980 8.973 7.366 8.304 8.035
VAR000
58
-3.514 -5.167 -5.046 -4.511 -4.930 -5.163
VAR000
66
5.434 6.543 6.194 7.180 6.751 6.239
VAR000
69
9.398 9.659 9.289 10.102 10.005 7.907
VAR000
80
-3.407 -4.273 -3.405 -4.155 -3.897 -2.875
VAR000
82
8.181 7.048 10.028 7.754 9.292 10.081
VAR001
02
-7.877 -9.367 -7.184 -7.340 -5.250 -5.315
VAR001
04
4.476 4.954 4.756 5.563 3.706 2.842
(Constant
)
-
107.522
-
117.972
-
121.943
-
122.480
-
116.226
-
116.305
نشان داده شده است. این ضرایب همان وزنهاي مورد RIASEC در جدول شماره 2، وزن هر متغیر روي متغیر هاي
نظر هستند که در واقع ضرایب رگرسیون در مدلهاي خطی هستند.
از ضرایب فوق به منظور پیش بینی اینکه یک شغل بر اساس مقادیر متغیرهاي تبیینی جدید عضو کدام گروه از شش
است استفاده می کنیم. براي این منظور یک پاسخگو عضو گروهی است که بشترین مقدار تابع RIASEC گروه
طبقه بندي شده در آن گروه قرار گیرد. به عبارتی مقادیر جدید 104 متغیر را در 6 معادله
R=-107.522+12.543VAR00002+9.641VAR00005+…+4.476VAR00104
I=-117.972+14.205VAR00002+9.445VAR00005+…+4.954VAR00104
A=-121.943+12.489VAR00002+10.687VAR00005+…+4.756VAR00104
S=-122.480+12.264VAR00002+110359VAR00005+…+5.563VAR00104
E=-116.226+9.453VAR00002+13.593VAR00005+…+3.706VAR00104
C=-116.305+10.765VAR00002+13.573VAR00005+…+2.842VAR00104
بدست آید، آنگاه معادله اي که بیشترین مقدار را اختیار کند به عنوان RIASEC جایگزین می کنیم تا مقادیر جدید
آن مشخص می شود. به منظور استفاده از مقادیر RIASEC گروه رغبت شغلی مورد نظر انتخاب می شود و مقدار
excel جدید، از مقدار متغیرهاي تبیینی 750 شغل استفاده می کنیم که مشخصات و مقادیر این متغیرها در فایل
براي هر شغل بصورت جداگانه محاسبه می شود. از این RIASEC پیوست موجود می باشد. بر این اساس مقادیر
مقادیر براي ترسیم نقشه دنیاي کار استفاده می شود که در ادامه بیان می شود.
ترسیم نقشه دنیاي کار با نتایج تحلیل تشخیصی
وزن P/T و D/I بر اساس ابعاد ،(RIASEC) به منظور ترسیم نقشه دنیاي کار لازم است که نمرات 6 رغبت هالند
باشند. وزن هاي به کار رفته براي این نمرات، مختصات دکارتی براي تیپ (P/T و D/I) گرفته و داراي مختصات
هاي هالند است که در شش ضلعی زیر جاي گرفته اند.
تبدیل کرد. T/P و D/I این وزنها و تبدیلها براي یک فرد را می توان از طریق فرمول هاي زیر به نمرات
اعداد مربوط به تابع تشخیصی جایگزین می شود که در ،(RISCEA) در فرمول فوق، بجاي شش تیپ شخصیتی
بخش قبل توضیح داده شد.
براي حدود 750 شغل محاسبه و نمودار پراکنش آن بعد از استانداردسازي (P/T و D/I) بر این اساس مقادیر جدید
این مقادیر بصورت زیر رسم شده است.
R
E C
S
A I
(I)
(T)
(D)
(P)
نتیجه گیري
را RIASEC بنابر آنچه در این گزارش ذکر شد، می توان پرسشنامه مربوط به توانایی شغلی و ادغام آن با 6 متغیر
در نظر گرفت و با استفاده از نتایج تحلیل تشخیصی، نقشه دنیاي کار را رسم نمود. البه قابل ذکر است که مقادیر
متغیرهاي تبیینی مربوط به پرسشنامه باید بر اساس طیف لیکرت باشد.
تحلیل تشخیصی یکی از روش هایی است که در فرایند ترسیم نقشه ي جهان کار استفاده کرده ایم. بعضی نکات در
استفاده از این روش به چشم می خورد که باید براي رفع ابهام واضح تر بیان شوند تا استفاده از آن قابل دفاع شود. این
موارد عبارتند از:
این فن آماري یک مدل پیش بین براي عضویت گروهی است و از توابع تشخیصی تشکیل شده که از طریق ترکیب
(CASES) خطی متغییرهاي پیش بین به بهترین تمییز بین گروهها می رسد. توابع براساس نمونه اي از اعضا
تشکیل می شود که عضویت آنها در گروهها از قبل مشخص است. از این توابع می توان براي پیش بینی عضویت
گروهی موارد جدیدي استفاده کرد، که عضویت گروهی آنها مشخص نیست. در صورتی که ما مواردي داشته باشیم که
عضویت همه ي آنها در گروهها را بدانیم می توانیم به صورت تصادفی تعدادي از آنها را انتخاب کرده و اعتبار توابع
بدست آمده را از طریق موارد باقی مانده بررسی کنیم. در اینجا ما توانسته ایم از طریق داده هاي موجود در فایل
به ضرایب تشخیصی مورد نیاز براي توابع تشخیصی دست یابیم. اما استفاده از این ضرایب براي طبقه بندي onet12
Circular ) مشاغلی که ضرایب از طریق ارزشهاي آنها بدست آمده منجر به خطاي وابستگی چرخشی
می شود. یعنی توابع بدست آمده می توانند براي مشاغل جدید استفاده شوند و نه مشاغل قبلی. آیا (dependency
این انتقاد وارد است؟
پژوهشگر براي تشخیص بین گروهها مجموعه اي از متغییرهاي تشخیصی را به منظور ویژگی هایی که انتظار می رود
این گروهها بر پایه ي آنها متفاوت باشند، برمی گزیند. لازم است بررسی شود که آیا متغییر هاي تبینی موجود واقعا
قدرت تبین کنندگی را دارایند ؟ به عبارت دیگر آیا داده هاي مربوط به توانایی ( 104 متغییر تبیینی) تبیین کننده ي
شش تیپ هالند می باشند ؟ به همین دلیل به نظر می رسد استفاده از این فن در مطالعات پیگیري و بررسی اعتبار نه
تنها مفیدتر بلکه ضروري است و باید براي تعیین جایگاه مشاغل جدید روي نقشه از این تحلیل استفاده کرد. در ضمن
مواقعی وجود دارد که نمی توانیم یک شغل را بر اساس نمرات خام در یک طبقه قرار دهیم در این موارد نیز یک راه
حل، استفاده از ضریب تشخیصی بر مبناي ارزش هاي مشاغل دیگر است. زمان هایی که عضویت موارد در گروهها را
نمی توان تشخیص داد باید این موارد از تحلیل کنار گذاشته شوند تا به نتایج خطا منجر نشود. براي این موارد بعد از
رسیدن به معادلات تشخیصی می توان عضویت گروهی شان را مشخص کرد. این مساله می تواند به متخصصانی که
ارزش مشاغل را از جنبه هاي مختلف را تعیین می کنند، خدمت کند.
استفاده از این روش مبتنی بر مفروضاتی است که بعضی از آنها عبارتند از:
الف) موارد باید مستقل از یکدیگر باشند
متغییرهاي پیش بینی کننده باید داراي توزیع نرمال چند متغییري باشند و ماتریس واریانس - کواریانس بین گروهی
باید برابر باشد.
موارد باید مانع الجمع باشند یعنی یک مورد باید فقط به یک گروه تعلق داشته باشد و در ضمن گروهها جامع باشند.
اگر گروهها طبقات باشند این روش خیلی مناست است اما در صورتی که گروهها بر اساس نمرات با مقیاس فاصله اي
یا نسبتی باشند مسلمن رگرسیون اطلاعات بیشتر در اختیار فرد می گذارد.
بایستی مفروضات مهم بررسی شوند تا در صورت برقراري آنها بتوانیم از تحلیل استفاده کنیم و نتایج قابل اعتماد باشند.
در تحلیل تشخیصی هر تابع تشخیصی منحصر به فرد (متعامد) بوده که موقعیت آن گروه را نسبت به گروههاي دیگر
تشخیص می دهد. باید بررسی کنیم که آیا یک تابع براي توصیف چند گروه کافی نیست؟ یعنی ممکن است ابعاد
متعامد نباشند؟ معمولا تعداد توابع تشخیصی از 3 تابع بیشتر نیست.
در تحلیل تشخیصی متغییر وابسته نماینده ي طبقات واقعا گسسته است. در اینجا شش تیپ شخصیتی هالند نماینده ي
شش طبقه ي ما می باشند. بر اساس نظریه ي هالند به نظر می رسد این طبقات نماینده ي طبقات واقعا گسسته
نیستند. آیا این طبقات گسسته اند؟
باید مشخص کنیم زمانی که ارزش هاي رغبت وجود دارد چرا باید از متغیییرهاي تبیینی (انواع مختلف توانایی) استفاده
شود؟
در گام هاي بعدي نقشه ي جهان کار در نظر داریم پراکندگی مشاغل را روي نقشه ي جهان کار بر اساس ارزش
توانایی مشاغل نشان دهیم. چگونه می توان از تحلیل تشخیصی به این مهم دست یافت؟ متغییرهاي تبیینی در این
مرحله کدامند؟ آیا پراکندگی مشاغل بر اساس ارزش هاي توانایی مشاغل با پراکندگی نقاط بدست آمده در اینجا مشابه
نمی شود؟
نقشه ي بدست آمده بیانگر جایگاه مشاغل بر اساس توانایی ها است یا رغبت ها؟
اولویت بندي شده اند، آیا این اولویت ONET هر کدام از این مشاغل از لحاظ اهمیت رغبت هاي هالند در فایل 12
بندي ها بعد از وزن گرفتن از طریق تحلیل تشخیصی حفظ شده اند؟
به نظر می رسد جایگاه مشاغل روي نقشه ي جهان کار ثابت است و بر اساس ارزش هاي رغبت هالند جایگاه آنها
تعیین شده است ولی در دو کار انجام شده پراکندگی مشاغل ثابت نیست. نقشه هاي بدست آمده چگونه می توانند در
مشاوره ي افراد بکار ر وند؟
دانشگاه علامه طباطبایی
دانشکده ي روانشناسی و علوم تربیتی
گروه سنجش و اندازه گیري
تحلیل تشخیصی و کاربردهاي آن
دانشجو: محمد حسین ضرغامی
خردادماه 1390
به نام خداوند بخشاینده ي مهربان
در این گزارش ابتدا توضیحات مهمی در مورد تحلیل تشخیصی ارائه شده که می تواند به عنوان جزوه ي درسی مورد
استفاده قرار گیرد. مطالب مربوطه را اینجانب شخصا گردآوري و ترجمه نموده ام. در انتهاي کار کاربردي حرفه اي از
این تکنیک ارائه شده است.
تحلیل تشخیصی
این فن آماري یک مدل پیش بین براي عضویت گروهی است و از توابع تشخیصی تشکیل شده که از طریق ترکیب
(CASES) خطی متغییرهاي پیش بین به بهترین تمییز بین گروهها می رسد. توابع براساس نمونه اي از اعضا
تشکیل می شود که عضویت آنها در گروهها از قبل مشخص است. از این توابع می توان براي پیش بینی عضویت
گروهی موارد جدیدي استفاده کرد، که عضویت گروهی آنها مشخص نیست. در صورتی که ما مواردي داشته باشیم که
عضویت همه ي آنها در گروهها را بدانیم می توانیم به صورت تصادفی تعدادي از آنها را انتخاب کرده و اعتبار توابع
بدست آمده را از طریق موارد باقی مانده بررسی کنیم. به تحلیل تشخیصی تحلیل ممیزي نیز گفته می شود. هدف
اصلی تحلیل ممیزي همانطور که گفته شد تشخیص تفاوت بین گروهها و پیش بینی احتمال تعلق یک مورد به یک
گروه خاص است که براي این طبقه بندي از چندین متغییر مستقل کمی استفاده می کند. تحلیل ممیزي تکنیک چند
متغیره است که با جدا کردن مجموعه هاي متمایز مشاهده ها و با تخصیص مشاهده هاي جدید به دسته هاي از
پیش تعریف شده سر و کار دارند .مسأله ي آماري در مورد به وجود آوردن یک قانون) تابع تشخیص (بر مبناي اندازه
هاي حاصل از افراد می باشد .با استفاده از این قانون می توان افراد جدید را که معلوم نیست از کدام جمعیت هستند،
به یکی از جمعیتها منتسب کرد .از معروف ترین توابع مورد استفاده در تحلیل ممیزي میتوان به تابع ممیز فیشر اشاره
کرد.
مفروضات:
1. موارد باید مستقل از یکدیگر باشند
2. متغییرهاي پیش بینی کننده باید داراي توزیع نرمال چند متغییري باشند و ماتریس واریانس- کواریانس بین
گروهی باید در بین گروهها برابر باشد.
3. موارد باید مانع الجمع باشند یعنی یک مورد باید فقط به یک گروه تعلق داشته باشد و در ضمن گروهها جامع
باشند.
4. اگر گروهها طبقات باشند این روش خیلی مناست است تما در صورتی که گروهها بر اساس نمرات با مقیاس
فاصله اي یا نسبتی باشند مسلمن رگرسیون اطلاعات بیشتر در اختیار فرد می گذارد.
اگر هدف ما بررسی معناداري تفاوت بین گروهها باشد می توان از:
1. مانووا
2. روش هاي جایگشتی (تبدیلی) چند پاسخی
3. تحلیل تشابهات گروهها
4. آزمون منتل
استفاده می شود. اگر بخواهیم ببینیم که گروهها چگونه از یکدیگر متمایز می شوند یعنی چه متغییرهایی بهترین تمایز
را بین گروهها دارند می توان از:
1. تحلیل تشخیصی
2. درختان رگرسیونی و تحلیل طبقه اي
3. رگرسیون لجستیک
4. تحلیل گونه هاي نشانگر
استفاده کرد.
تحلیل تشخیصی یک تکنیک آماري است که به پژوهشگر این امکان را می دهد تا تفاوت هاي بین دو گروه یا بیشتر
از دو گروه را برحسب چند متغییر به صورت همزمان مورد مطالعه قرار دهد. در این روش چند متغییر اسمی با چند
متغییر فاصله اي مرتبط می شود و از لحاظ فنی در واقع بسط یافته ي تحلیل واریانس چند متغییري است. در حوزه ي
علوم انسانی به این تکنیک نیاز است. در جایگرینی کارمندان، آزمون هاي روانشناختی کودکان، تاثیرات درمان هاي
پزشکی، تفاوت هاي اقتصادي بین مناطق مختلف جغرافیایی، پیش بینی رفتار راي دهندگان و خیلی زمینه هاي دیگر.
چه زمان هایی می توان از تحلیل تشخیصی استفاده کرد؟ در این تحلیل تمرکز روي داده هاي مربوط به موارد است
که این موارد می توانند انسان ها، حیوانات، وضعیت اقتصادي در زمان هاي مختلف و خیلی موارد دیگر باشد. گروهها
باید طوري تعریف شوند که هر مورد فقط و فقط به یک گروه تعلق داشته باشد. زمان هایی که نمی توان عضویت
موارد در گروهها را نمی توان تشخیص داد باید این موارد از تحلیل کنار گذاشته شوند تا به نتایج خطا منجر نشود. این
موارد بعد از رسیدن به معادلات تشخیصی می توان عضویت گروهی شان را مشخص کرد.
تفسیر فضایی از تحلیل تشخیصی
بعدي در P اگر متغییرهاي پیش بین را که گروهها بر اساس آنها متمایز می شوند را به عنوان محورهاي یک فضاي
نظر بگیریم هر مورد در این فضا داراي یک نقطه خواهد بود. بنابراین گروهها در این فضا از چندین نقطه ي کنار هم
تشکیل می شود. اگر گروهها با هم نقاط اشتراکی داشته باشند در این صورت دیگر گروه ها یگانه نخواهند بود. به
منظور خلاصه کردن نقاط در یک گروه باید مرکزیت هر گروه را پیدا کرد. نقطه ي مرکزي یا همان مرکز ثقل در
مختصات هندسى نقطه اى است که مختصات ان میانگین حسابى مختصات همه نقاط ان شکل است. چون هر یک از
این نقاط معرف هر گروه می باشند می توان با مطالعه ي این نقاط متوجه شد که گروهها چگونه از یکدیگر متمایز می
شوند. زمانی که تعداد متغییرها زیاد است ممکن است اطلاعات خیلی پیچیده و غیر قابل فهم شوند.
محدودیت هاي تحلیل تشخیصی
1. تحلیل تشخیصی به نقاط پراکنده حساس است.
2. ملاحظات مربوط به حجم نمونه.
الف) حداقل باید موارد 2 تا بیشتر از متغییرها باشند.
ب) در هر گروه حداقل باید دو مورد باشد.
ج) در هر گروه باید تعداد نمونه ها به اندازه ي کافی باشد تا میانگین ها و انحرافات به طور مشخصی برآورد شوند. بر
باشد. p* بزرگتر مساوي 3 n اساس یک قانون سر انگشتی باید
روش هاي حجم نمونه
الف) نمونه ي زنجیره اي تا زمانی که برآورد پارامترهاي میانگین و واریانس ثابت شود.
ب) این ثبات می تواند از طریق روش هاي بازنمونه گیري مورد آزمایش قرار گیرد.
ج) به منظور کاهش متغییر ها می توان از طریق روش گام به گام استفاده کرد.
د) متغییر ها را به دو یا چند گروه مرتبط تقسیم کرده و در هر گروه یک تحلیل تشخیصی اجرا کنید.
ه) یافته ها را با دقت تفسیر کنید
تحلیل تشخیصی براي طبقه بندي پاسخگویان بر اساس مقادیر یک متغیر وابسته دو یا چند وجهی به کار می رود. در
واقع زمانی که متغیر پاسخ کیفی و متغیرهاي مستقل کمی باشند از این تحلیل استفاده می کنیم. در این تحلیل
پاسخگویان بر حسب مقداري که بدست می آورند، در طبقات مختلف تفکیک می شوند.
تحلیل تشخیصی روشی است که متغیرهاي مستقل را براي ایجاد یک متغیر جدید ترکیب می کند که هر یک از
پاسخگویان براي آن مقداري بدست می آورند. در واقع تحلیل تشخیصی شبیه یک رگرسیون خطی چندمتغیره است با
این تفاوت که در رگرسیون خطی چندمتغیره، متغیر پاسخ در سطح فاصله اي/نسبی است، اما در تحلیل تشخیصی
مقیاس متغیر وابسته دو یا چندوجهی است.
تحلیل تشخیصی را می توان براي چندین هدف مورد استفاده قرار داد که مهمترین آنها به شرح زیر است:
-1 طبقه بندي پاسخگویان به چندین گروه
-2 بررسی اختلاف هاي میانگین متغیر مستقل بین گروههایی که بر اساس متغیر وابسته تشکیل می شوند.
-3 تعیین درصدي از واریانس متغیر وابسته که توسط متغیرهاي مستقل تبیین شده اند.
-4 ارزیابی اهمیت نسبی متغیرهاي مستقل در طبقه بندي متغیر وابسته
به منظور تحلیل تشخیصی لازم است که یک سري از پیش فرضها رعایت شود، بر این اساس، پیش فرضهاي تحلیل
تشخیصی به صورت زیر است
-1 متغیر وابسته یک متغیر اسمی دو وجهی (یا چند وجهی) است.
-2 تمامی پاسخگویان (موارد) باید از یکدیگر مستقل باشند. بنابراین نمی توان داده هاي مرتبط استفاده کرد.
-3 حداقل باید دو پاسخگو براي هرگروه وجود داشته باشد.
باشد. n- -4 حداکثر تعداد متغیر مستقل در مدل باید برابر با 2
-5 خطاها به طور تصادفی توزیع شده باشند.
-6 نداشتن همخطی: اگر یکی از متغیرهاي مستقل همبستگی بالایی با متغیرهاي دیگر داشته باشد و یا اینکه یکی
از متغیرهاي مستقل تابع متغیرهاي دیگر باشد، همخطی بوجود می آید.
در تحلیل تشخیصی یک تابع تشخیصی وجود دارد که به ریشه کانونی معروف است و ترکیب خطی متغیرهاي مستقل
استاندارد شده را نشان می دهد. در واقع تابع تشخیص بر اساس مرکز ثقل گروهها ایجاد می شود. تعداد توابع تشخیص
عبارت است از:
min(groups-1, predictors).
تعداد متغیرهاي تبیینی است. predictors همان تعداد حالتهاي متغیر پاسخ و groups ، در رابطه بالا
تفاوت بین تحلیل تشخیصی و تحلیل رگرسیون
در تابع تشخیص یک متغییر وابسته اسمی مورد بررسی قرار می گیرد ولی در تحلیل رگرسیون یک متغییر وابسته ي
پیوسته مورد بررسی قرار می گیرد. علاوه بر این مفروضات تحلیل تشخیصی متفاوت از مفروضات تحلیل رگرسیونی
می باشد. به عنوان مثال در تجزیه ي رگرسیونی لازم است متغییر وابسته نرمال باشد اما متغییر وابسته در تحلیل
تشخیصی گسسته است. در تحلیل تشخیصی باید متغییرهاي مستقل نرمال چند متغییري باشند ولی در تحلیل
رگرسیونی این شرط لازم نیست. اما هدف هر دو تحلیل یکسان است. زیرا در هر دو روش سعی بر این است که یک
مدل خطی بین چندین متغییر مستقل و وابسته بوجود آوریم. در تابع تشخیص هدف از این مدل خطی تشخیص و در
تابع رگرسیونی هدف پیش بینی است. البته می توان با استفاده از فرمول هاي مشخص رگرسیونی نتایج عددي تابع
تشخیص را بدست آورد.
دکتر عزت الله فرشاد فر
هدف در تحلیل تشخیصی بدست آوردن یک ترکیب خطی از متغییرها است که بتوان از طریق آن دست به گروهبندي
افراد زد. اگر چه هدف این تحلیل با تحلیل رگرسیون یکسان است و در هر دو ما می خواهیم که مدلی خطی بین
چندین متغییر مستقل و وابسته ایجاد نماییم ولی در مفروضات و ماهیت متغییر وابسته بین دو روش تحلیلی تفاوت
وجود دارد. در تحلیل رگرسیونی متغییر وابسته پیوسته بوده و داراي توزیع نرمال باشد اما این موضوع براي متغییرهاي
مستقل در تحلیل تشخیص باید برقرار باشد.
هدف تکنیک تحلیل تشخیصی این است که تصمیم بگیریم چه ترکیبی از متغییرهاي مستقل می تواند دقیقا پیش بینی
کند که یک فرد به کدام طبقه تعلق می گیرد. بعد از بدست آمدن تابع تشخیص می توان براي افراد یا موارد جدید
احتمال طبقه ي فرد را مشخص نمود. ضرایب مربوط به تابع تشخیص به گونه اي انتخاب می شوند که حداکثر
تشخیص بین دو گروه یا چند گروه ایجاد شود به بیان آماري ضرایب تابع تشخیص به گونه اي برآورد می شوند که
واریانس درون گروهی را به حداقل و واریانس بین گروهی را به حداکثر برسانند. فرض کنید مقادیر مربوط به ضرایب
تابع تشخیص برآورد شده اند. در این صورت براي هر فرد در گروه 1 می توانیم بر اساس ترکیب خطی متغییرهاي
مستقل عددي را بدست آوریم. این کار می تواند براي تمام افراد در گروه یک و همچنین تمام افراد در گروههاي دیگر
نیز انجام شود.بنابراین با توجه به گروههاي مختلف به مجموعه اي از اعداد می رسیم. مقدار کل تغییرات برابر است با
تعییرات بین گروهی و درون گروهی.
کتاب استیونس
از تحلیل تشخیصی براي دو منظور استفاده می کنند: 1. توضیح تفاوت هاي اصلی بین گروهها در مانووا و 2. طبقه
بندي موضوعات در گروهها بر مبناي مجموعه اندازه گیري ها. بنابراین بر این اساس تحلیل تشخیصی به تحلیل
تشخیصی توصیف گر و پیش بینی کننده تقسیم می شود. تحلیل تشخیصی توصیف گر بر تفاوت بین گروهها تمرکز
دارد و پیش بین بر طبقه بندي. تفاوت اصلی بین این دو نوع در توابع تشخیصی آنها است.
تحلیل تشخیصی توصیف گر
این نوع تحلیل به این منظور استفاده می شود تا کل در ارتباط با مانووا را به قسمت هاي جمع پذیر تبدیل کند و این
کار را از طریق بکارگیري ترکیب خطی غیر وابسته از متغییرهاي اصلی (این ها توابع تشخیص اند) انجام می دهند.
یک تفکیک جمع پذیر به دلیل این که توابع تشخیص بدست آمده ناهمبسته اند بدست می آید.
تحلیل تشخیصی دو ویژگی خوب دارد: 1. اصل صرفه جویی مربوط به توضیح و 2. وضوح تفسیر. از این نظر صرفه جو
است که مثلا پنج گروهی که از طریق 10 متغییر مقایسه می شوند فقطی بررسی می کنید در می یابید که تمایز اصلی
آنها تنها در دو بعد است که آنها توابع تشخیص می باشند. به این دلیل داراي وضوح در تفسیر است که تمایز بین
گروهها در طول یک تابع نابسته به جداسازي (تمایز) بین گروهها در طول یک تابع دیگر است.
در تحلیل رگرسیون چندگانه ما ترکیب خطی از پیش بینی کننده ها را بدست می آوردیم که بیشترین همبستگی را با
متغییر وابسته داشته باشند. در تحلیل تشخیصی ترکیب خطی مجددا استفاده می شود تا بین گروهها تمایز ایجاد کند.
ترکیب خطی در بیشتر اشکال تحلیل هاي چندگانه نقش مرکزي را دارا است.
تحلیل تشخیصی یک روش بیشینه سازي ریاضی است. باید به خاطر داشت که تعداد و حجم نمونه ي بالا کمک می
کند تا نتایج از حالت شانس خارج شود. روش رگرسیون چندگانه مثال دیگري از بیشینه سازي ریاضی است. تحلیل
تشخیصی همتاي رگرسیون چندگانه براي دو گروه است. ما ممکن است مشکل مشابهی با تکرارپذیري نتایج داشته
باشیم.
تفسیر توابع تشخیص
دو روش براي تفسیر توابع تشخیص وجود دارد:
1. آزمون ضرایب استاندارد شده - که از طریق ضرب ضرایب خام براي هر متغییر با انحراف استاندارد براي آن
متغییر بدست می آید -
2. آزمون تابع تشخیص همبستگی هاي متغییر که همبستگی هاي بین هر تابع تشخیص و هز یک از
متغییرهاي اصلی است.
براي هر دو روش بیشترین و بزرگترین ضرایب یا همبستگی ها براي تفسیر استفاده می شوند. این دو روش ممکن
است نتایج متفاوتی ارائه دهند. بعضی از متغییرها ممکن است ضرایب پایین داشته باشند ولی داراي همبستگی بالایی
باشند و برعکس. بنابراین این سوال مطرح می شود که از کدام روش استفاده شود. بعضی از پژوهشگران معتقدند به دو
دلیل بهتر است از روش همبستگی استفاده شود. 1. مفروضه ي ثبات بیشتر همبستگی براي نمونه هاي با حجم کم و
متوسط مخصوصا زمانی که بین متغییرها همبستگی هاي نسبتا بالا و یا بالا وجود دارد. 2. همبستگی ها شاخص
مستقیمی از متغییرهایی می باشند که خیلی نزدیک با خصوصیت پنهان منطبق اند می باشند که تابع تشخیص نشان
می دهد. به بیان دیگر ضرایب جزئی بوده که اثر سایر متغییرها از روي آن برداشته شده است.
ضمنا کاربرد تابع تشخیص –همبستگی هاي متغییر براي تفسیر همتا با انچیزي است که در تحلیل عاملی مطرح می
شود، که همبستگی هاي متغییر عامل که به بار عاملی مشهور است – براي تفسیر عامل ها استفاده می شود.
در مورد تعداد حجم نمونه روش هاي مونت کارلو بکار گرفته شده نشان می دهند که براي 10 متغییر باید حداقل 200
نمونه وجود داشته باشد تا نتایج پایا حاصل شود.
نشان دادن گروهها در صفحه ي تشخیص
اگر دو یا بیشتر از دو تابع تشخیص معنادار وجود داشته باشد یک ابزار مناسب براي تعیین مستقیم تفاوت ها بین
گروهها نمایش آنها در صفحه ي تشخیص است. محور افقی منطبق بر اولین تابع تشخیص می باشد بنابراین جداسازي
افقی بین گروهها بیانگر این است که گروهها چقدر از یکدیگر روي این تابع متمایزاند. بعد عمودي منطبق بر دومین
تابع تشخیص است و بنابراین جداسازي عمودي به ما نشان می دهد که گروهها بدون ارتباط و راهی که تابع تشحیص
اولیه گروهها رچقدر از یکدیگر متمایز می شوند. به دلیل این که توابع از یکدیگر مستقل اند ممکن است گروهها در
یک تابع خیلی از یکدیگر متمایز باشند ولی در تابع دیگر به هم نزدیک باشند علاوه بر این به دلیل عدم ارتباط بین
توابع می توانیم آنها را به دو محور عمود بر هم نشان دهیم.
از آنجا که هر تابع تشخیص ترکیب خطی از متغییرهاي اصلی است این سوال پیش می آید که چگونه ما مختصات هر
گروه را در ترکیب خطی پیدا می کنیم؟ خوشبختانه پاسخ به این سوال آسان است. می توان نشان داد که میانگین براي
ترکیب خطی برابر است با ترکیب خطی میانگین ها در متغییرهاي اصلی:
سمت چپ تساوي تابع تشخیص و سمت راست آن متغییرهاي اصلی اند.
ماتریس معادله براي بدست آوردن مختصات گروهها در تابع تشخیص به صورت زیر است:
ماتریسی از ستون ها است V که در آن ماتریس میانگین ها براي متغییرهاي اصلی در گروههاي مختلف است و
که ضرایب خام براي توابع تشخیصی (اولین ستون براي تابع اول و غیره). براي عینی تر کردن سه گروه و 4 متغییر را
در نظر می گیریم. بنابراین معادله ي ماتریس به صورت زیر خواهد بود:
عناصر خاص مربوط به ماتریس ها مانند زیر خواهند بود
در این معادله میانگین مربوط به متغییر 1 در گروه 1 است. میانگین براي متغییر دوم در گروه 1 می باشد
مربوط به مختصات گروه 1 در صفحه ي تشخیص می Y و X مقادیر Z و به همین ترتیب. اولین ردیف مربوط به
باشد و به همین ترتیب در مورد بقیه ي گروهها نیز صادق است. شکلی که به این طریق و بر اساس داده هاي یک
مثال بدست آمده اند در زیر مشخص شده است. در این مثال متغییر وابسته تیپ هاي شخصیتی هالند می باشند و
متغییرهاي پیش بین سطح سواد پدر و مادر که به چهار طبقه تقسیم شده اند: الف) طبقه اي که سواد حداق یکی از
والدین کمتر از 8 کلاس است ب) طبقه اي که سواد هر دو والد در حد دبیرستان است ج) طبقه اي که والدین حداقل
یک کلاس دانشگاه را گذرانده اند و د) طبقه اي که هر دو والدین دانشگاه را تمام کرده اند.
پژوهشی توسط اسمارت ( 1976 ) انجام شده که به خوبی کاربرد و استفاده از تحلیل تشخیصی را در بررسی روایی نظریه
ي هالند نشان می دهد. نظریه ي هالند فرض می کند که انتخاب شغل نمودي از شخصیت است و بیشتر مردم را می
توان در 6 تیپ شخصیتی طبقه بندي نمود. از طرفی نظریه ي هالند بیان می کند که 6 محیط شغلی مربوط به این
شش تیپ شخصیتی وجود دارد.
هالند و همکارانش مدل شش ضلعی را گسترش دادند که ارتباط روانشناختی را بین شش تیپ شخصیتی و محیط
شغلی را نشان می دهد.
براي بررسی روایی نظریه ي هالند، اسمارت از دانشکده هاي علمی 939 نفر از صاحب کرسی را از 35 دانشگاه نمونه
گیري کردند. دانشکده هاي مختلف را می توان در یکی از 6 محیط هالند طبقه بندي کرد.
دانشکده هاي واقع گرا عبارتند از: مهندسی شیمی و شهرسازي، هنرهاي صنعتی، آموزش شغلی
دانشکده هاي جستجوگر: زیست شناسی، شیمی، روانشناسی، ریاضی
دانشکده هاي هنري: ادبیات باستان، موسیقی و انگلیسی
دانشکده هاي اجتماعی: مشاوره، تاریخ، جامعه شناسی، آموزش ابتدایی
دانشکده هاي متهور: سیاست، بازاریابی و حقوق
دانشکده هاي قراردادي: حسابداري، اقتصاد و آموزش اقتصادي
پرسشنامه اي که داراي 27 وظیفه که مخصوصا در سطح اساتید و صاحبان کرسی دانشگاه باشد به شرکت کنندگان
داده شد و پاسخ آنها تحلیل عاملی شد(تحلیل مولفه هاي اصلی با چرخش واریماکس). 6 عاملی که ظاهر شدند
متغییرهاي وابسته مطالعه شدند. نام این 6 عامل عبارت بودند از 1. رشد علمی 2. مختصات خارجی 3 . برنامه ي درسی
65 بدست آمد و در / کلی چند متغییره 9 F . 4. اجراي درونی 5. آموزش 6. مدیریت برنامه. متغییرمستقل محیط ها بودند
سطح 001 / معنادار شد.
اساتید دانشکده ها به 6 طبقه ي بر مبناي وظایف شغلی شان تقسیم شدند. تحلیل تشخیصی ارتباط کلی را براي سه
تابع تشخیص معنادار تقسیم کرد.
با استفاده از وزن هایی اسمارت نام هاي زیر را براي توابع تشخیص در نظر گرفت: تابع تشخیص اول مدیریت برنامه
ي درسی، تابع تشخیص دوم: جهت گیري درونی. تابع تشخیص سوم: جهت گیري علمی. جایگاه گروهها در صفحه ي
تشخیص توسط تابع 1 و 2 و توابع 1 و 3 نشان داده شده است. در زیر تصویر مربوطه نشان داده شده است.
خوشه بندي گروهها با نظریه ي هالند تا حدودي منطبق است. بنابراین داده هاي تجربی نظریه را تایید می کنند. به
عنوان مثال گروههاي جستجوگر و واقع گرا خیلی شبیه به یکدیگرند شباهت مربوط به این دو تیپ در تابع تشخیص 1
مشخص است. از طرف دیگر گروههاي هنري و قراردادي خیلی نامشابه اند . این عدم تشابه را می توان از طریق تابع
دو مشاهده نمود. گروههاي واقع گرا و متهور باید تاحدي با هم نامتشابه باشند همانطور که نشان داده شده است در
روي محور عمودي در تابع تشخیص سوم نسبتا از هم دورند. در شکل زیر این موضوع به تصویر کشیده شده است.
در نتیجه گیري مطالعه ي اسمارت می توان بیان داشت که دو نکته ي مهم وجود دارد. 1. در این مطالعه مشکل
مربوط به عدم ثبات ضرایب وجود نداشت. چرا که اسمارت 932 آزمودنی و فقط 6 متغییر وابسته داشت و بنابراین نسبت
آزمودنی به متغییر وي بالا بود. دوم این که اسمارت از همبستگی هاي متغییر - تابع تشخیص در ترکیب با ضرایب
استفاده نکرده است تا تابع تشخیص را تفسیر نمایید. متغییرهاي وابسته ي اسمارت مولفه هاي اصلی شدند که
ناهمبسته اند و دو رویکرد یکسان است چرا که ضرایب و همبستگی ها برابراند.
روش هاي پیشرفته پژوهش در علوم انسانی
در تحلیل تشخیصی باید گروهها ناهمپوش و عضویت آزمودنی ها در آن مشخص باشد. این تحلیل با این مقصود آغاز
می شود که بخواهیم دو یا چند گروه از افراد را که از لحاظ کیفی از یکدیگر متمایزاند را از لحاظ آماري تفکیک نماییم.
همانطور که مانوا این امکان را فراهم می آورد تا تفاوت بین گروهها را بررسی نماییم تحلیل تشخیصی این امکان را
فراهم می کند تا عضویت گروهی را بر اساس همان متغییرهاي وابسته پیش بینی نماییم. به عبارت دیگر تحلیل
تشخیصی عکس مانووا عمل می کند. در حقیقت تحلیل تشخیصی روشی است که متغییرهاي مستقل را براي ایجاد
یک متغییر جدید ترکیب می کند که هر یک از شرکت کنندگان در پژوهش براي آن مقداري بدست می آورند این
متغییر جدید تابع تشخیص نام دارد. این تابع به گونه اي محاسبه می شود که مقدار هر شرکت کننده در آن تا آنجا که
ممکن است افراد را در طبقه هاي مختلف متغییر معیار تفکیک کند.
لانداي ویلکز آماره اي است که براي آزمون کارایی تابع تشخیص در ایجاد تفاوت هاي معنادار بین گروهها مورد
استفاده قرار می گیرد و معناداري آن از روي برآورد مربع کاي بدست می آید. مفروضات معمول در مانووا مانند همگنی
واریانس طبیعی بودن و همگنی رگرسیون در مورد تحلیل تشخیصی نیز باید رعایت شود. در این تحلیل شکل داده
هاي پرت نیز از اهمیت خاصی برخوردار است زیرا در این تحلیل طبقه بندي صورت می گیرد. بنابراین بررسی و
غربالگري داده هاي پرت در داده هاي از طریق الگوهایی مانند ماهالانوبیس بسیار مهم و ارزشمند است.
آزمون معناداري
محاسبات اولیه مربوط به این روش مانند محاسبات مانووا هستند که با ماتریس مجموع مجذورات مقادیر در آنووا
در معادله ي زیر براي محاسبه (λ) ارتباط دارند و در پایان ماتریس واریانس بین و درون آزمودنی، مقادیر ویژه ي آنها
ي لانداي ویلکز وارد می شود.
Λ=(1/1+ λr)
حداکثر تعداد مقادیر ویژه که امکان دارد. =r
V تبدیل نمی شود مانند مانووا بلکه به آماره ي مجذور خی دو که به F وقتی لانداي ویلکز محاسبه شد به یک
بارتلت مشهور است تبدیل می شود.
مشخص می شود. P(K- درجه ي آزادي که از طریق ( 1
تعداد متغییرهاي پیش بینی :P
تعداد گروهها :K
تعداد مقادیر ویژه در ماتریس بین گروه میان درون گروهها به تعداد گروهها و متغییرهاي پیش بینی کننده بستگی دارد
و این دلیل محدود کردن تعداد توابعی است که در هر مطالعه باید مشخص شود.
اگر خی دو معنادار نبود به این معنی نیست که هیچ تابعی که بتواند تفاوت هاي گروهی را به خوبی تبیین نمایید وجود
ندارد.
نقش تحلیل تشخیصی به عنوان تحلیل طبقه بندي
تحلیل تشخیصی در تحلیل طبقه بندي نقش مهمی دارد که در آن اساس عضویت گروهی موارد فردي بر اساس
متغییرهاي وابسته پیش بینی می شود. این کار از طریق سنتروئیدهاي گروهی بر اساس توابع و آنگاه جور کردن هر
فرد با سنتروئیدها براي تعیین این که کدان گروه الگوي میانگین هایش نزدیکتر به آن است، قابل دستیابی است. اگر
دو گروه وجود داشته باشد از نقطه ي برش براي طبقه بندي افراد استفاده می شود.
تحلیل تشخیصی مستلزم پاسخ به دو سوال است. اول این که آیا دو یا چند گروه را می توان بر پایه ي اندازه هاي یک
از یکدیگر متمایز ساخت؟ به فرض آنکه جواب این سوال مثبت باشد می توان پرسش دوم را مطرح نمود. X مجموعه
سوال دوم این است که چگونه از طریق معادله ي تشخیصی می توان معلوم ساخت که فرد بخصوص با کدام گروه
شباهت بیشتري دارد؟
طبقه بندي از طریق به کاربردن یک رشته توابع طبقه بندي حاصل می شود. براي هر گروه یک معادله ي خاص وجود
دارد فرد در گروهی که بیشترین نمره را می گیرد به آن طبقه تعلق دارد.
چگونه می توان فهمید که تحلیل طبقه بندي به درستی صورت پذیرفته است؟
ارزیابی کرد. یعنی تعیین این که چند مورد در دو گروه بطور hit rate می توان آن را بر اساس میزان حدس درست
صحیح قرار گرفته اند.
چند تابع تشخیص باید در تحلیل شناسایی کرد؟
اولین تابعی که با استفاده از تحلیل تابع تشخیصی شناسایی می شود بهترین تمییزدهنده است. آن تابعی است که
بوضوح گروهها را از یکدیگر متمایز می کند و بهترین تابعی است که بر اساس آن می توان عضویت گروهی را
مشخص نمود. تعداد توابعی که شناسایی می شوند بستگی به تعداد گروههاي موجود در پژوهش و تعداد متغییرهاي
K- پیش بین دارد. یک محدودیت در تعداد توابعی که می توان شناسایی کرد وجود دارد و آن بستگی به مقدار کوچکتر
دارد. P- 1 یا 1
چگونه توابع را می توان تشخیص داد؟ تابع تشخیص را می توان به عنوان متغییرهاي مکنون در نظر گرفت که توسط
پژوهشگر اندازه گیري نمی شود. آنها مفاهیم آماري انتزاعی اند که بایستی به شیوه اي که متناسب با مبانی نظري متن
سوال پژوهش و نظریه هاي قبلی صحیح بوده اند تفسیر شوند( در آماره هاي چند متغییري به متغییرهاي نهفته ي
بسیاري برخورد می کنیم رایج ترین آنها مولفه هاي اصلی اند که در تحلیل عاملی شناسایی می شوند). در تحلیل تابع
تشخیص بهترین شیوه ي نامگذاري توابع شناسایی متغییرهاي وابسته اي است که بار عاملی بالاي معناداري در هر
تابع دارند. یک بار عاملی ضریب همبستگی است که رابطه ي این متغییر وابسته و آن تابع را توصیف می کند. فرض
کنید نمرات کلامی در آزمون توانایی شناختی بار عاملی بالایی با تابع اول داشته باشند و نمرات بینایی بار عامل بالایی
در تابع دیگري داشته باشند شما تابع اول را به عنوان تابع کلامی و تابع دوم را به عنوان تابع بینایی تفسیر می کنید و
نتیجه می گیرید که مولفه هاي کلامی هوش تمایز بین گروهها را نسبت به عناصر بینایی بهتر مشخص می کند.
چگونه تحلیل تشخیصی موارد فردي را مشخص می کند؟
گام بعدي در تحلیل تابع تشخیصی طبقه بندي هر شرکت کننده است. این کار از طریق مقایسه ي الگوي میانگین
هاي فردي با الگوهاي مختلف میانگین هاي گروهی در متغییر وابسته مقایسه شوند.
قدرت ارتباط بین متغییرهاي وابسته و گروه چقدر است؟
پس از شناسایی توابع می توان مشخص کرد که چند درصد از واریانس کلی در داده ها را هر تابع تبین می کند. همه
ي توابع با هم 100 درصد واریانس را تبین می کنند بنابراین هر چه مقدار واریانس تبینی توسط یک تابع بیشتر باشد
نشان می دهد که یک ارتباط قوي بین آن بعد خاص و ماهیت گروهها وجود دارد.
انواع تحلیل تشخیصی
سه نوع تابع تشخیصی وجود دارد: مستقیم، سلسله اي و گام به گام. در تحلیل تشخیصی مستقیم تمام متغییرها با هم
وارد معادله می شوند. در تحلیل تشخیصی سلسله اي تنها معیار آماري است که ترتیب ورود داده ها را به معادله
مشخص می کند. از آنجا که در بیشتر تجزیه و تحلیل ها دلیلی براي اولویت بندي پیش بینی ها وجود ندارد روش سوم
بیشرین کاربرد را دارد.
مثال عملی مربوط به تحلیل تشخیصی
Mapping Occupations: A Longitudinal به منظور بررسی نقشه جهان کار، از متدولوژي با عنوان
استفاده شده است. این عنوان در مقاله اي به همان اسم گرفته Study Based on Vocational Interest
شده است. در مقاله مذکور از نمرات رغبت مربوط به گروههاي شغلی استفاده شده تا مشاغل در شش ضلعی هالند قرار
گیرند این مشاغل در 6 نقطه واقع نشده اند بلکه در صفحه اي قرار گرفته اند که محورهاي مختصات آن بر اساس
و D/I است. ابعاد PEOPELE/ THINGES و DATA/IDEA نظریه ي تریسی است و داراي دو بعد
زیر بناي نظریه ي هالند بوده و به همین دلیل می توان دو نظریه را در یک نقشه ي یکپارچه نشان داد. با P/T
استفاده از وزنی که به نمرات 6 رغبت داده می شود می توان جایگاه علاقه ي شغلی هر فرد و همچنین جایگاه گروه
هاي شغلی را در نقشه ي جهان کار مشخص کرد.
در این گزراش به منظور تعیین وزنها، روش جدیدي بر مبناي آنالیز تشخیصی ارائه می شود. تحلیل آنالیز تشخیصی در
زیر ذکر شده است.
تعداد predictors همان تعداد حالتهاي متغیر پاسخ و groups ، در رابطه بالا که در قسمت بالا ذکر شده است
متغیرهاي تبیینی است. در این گزارش تعداد 104 متغیر تبیینی مربوط به توانایی شغلی و یک متغیر پاسخ با 6 حالت
هستند. (RIASEC) مورد بررسی قرار می گیرد. متغیر پاسخ در واقع همان 6 حالت رغبت شغلی
با توجه به اینکه در این گزارش 104 متغیر مربوط به توانایی موجود است، کاهش بعد متغیرهاي تبیینی یکی از الزامات
است. کاهش بعد بدان مفهوم است که بر اساس متدي باید متغیرهایی را انتخاب کرد که بیشترین اثرگذاري را روي
متغیر پاسخ دارند، یا به عبارتی بیشترین تغییرات متغیر پاسخ را شامل می شوند. این روش و متد آماري روش قدم به
نامیده می شود. در این روش ابتدا یک متغیر تبیینی را وارد مدل کرده و میزان معنی دار بودن آن (step wise) قدم
را می سنجند، در مرحله بعدي متغیر دوم را وارد مدل می کنند اگر با ورود متغیر جدید، متغیر اولیه معنی داري خود را از
دست داد، آنرا از مدل خارج می کنند و به همین ترتیب مسئله را ادامه می دهند تا متغیرهاي ورودي و خروجی نهایی
مشخص شود. در واقع در این روش با شرطی کردن مدل روي متغیرهاي خروجی و ورودي مدل نهایی با تعداي از
متغیرهاي تبیینی انتخابی محاسبه و بدست می آید (براي اطلاعات بیشتر در این زمینه می توان به کتاب تحلیل
رگرسیون نوشته مونت گمري مراجعه کرد).
لازم به ذکر است که در تحلیل قدم به قدم تمامی پیش فرضهاي مربوط به تحلیل تشخیصی رعایت شده و نتایج با در
نظر گرفتن این موارد ارائه می شود.
شرح داده می شود. step wise در ادامه خروجی هاي مربوط به تجزیه و تحلیل تشخیصی با روش
از بین 104 متغیر تبیینی، تعداد 20 متغیر انتخاب شد که لیست این ، step wise باید توجه داشت که بر اساس روش
خروجی مربوط spss متغیرها در ادامه بیان می شود، همچنین قابل ذکر است که بدلیل حجم بالاي خروجی نرم افزار
به انتخاب متغیر در این گزارش ذکر نشده و تجزیه و تحلیلهاي بعدي بر اساس این 20 متغیر بیان می شود.
جدول شماره 1
Canonical Discriminant Function Coefficients
Function
1 2 3 4 5
VAR000
02
-.278 1.124 .476 -.392 -1.514
VAR000
05
.745 -1.318 -.250 .239 .886
VAR000
11
.685 1.255 -1.588 -.521 .000
VAR000
13
-.523 -.169 -.235 1.407 .027
VAR000
14
.439 .841 .185 .825 -.111
VAR000
18
.119 .794 1.479 -.503 .286
VAR000
20
.099 -.532 -.610 -.584 -.876
VAR000
23
.417 -.170 .919 -.464 -2.240
VAR000
24
-.329 -.298 .116 .563 2.436
VAR000
33
.343 -.526 .307 -.727 -.114
VAR000
38
-.534 .141 -.207 -.227 .645
VAR000
47
-.116 -.053 .391 .740 -1.017
VAR000
49
-.321 .225 .109 -.610 .426
VAR000
58
-.479 .053 -.132 .379 -.043
VAR000
66
.419 .067 -.029 .392 -.015
VAR000
69
.041 .461 -.180 .633 .612
VAR000
80
-.139 -.349 -.064 -.347 -.230
VAR000
82
.150 -.797 -.470 -.747 .234
VAR001
02
.340 -1.208 -.468 .110 .815
VAR001
04
-.027 .719 -.170 .533 -.485
(Constant
)
-3.330 -.800 1.004 -1.532 2.335
Unstandardized
coefficients
جدول شماره 1 تعداد متغیرهاي انتخابی را در ستون سمت چپ نشان می دهد. همچنین در ایم جدول نمرات تشخیص
استاندارد نشده را براي هر متغیر مستقل نشان داده شده است. . به عنوان مثال نمره تابع تشخیصی اول به صورت زیر
بدست می آید.
-3.330-.278*var00002+.745*var =نمره تشخیص تابع اول+…+ 00005
-.027*var00104
نمره تشخیص توابع، در واقع به منظور گروه بندي متغیرهاي پاسخ بر اساس متغیرهاي تبیینی بکار می رود و مشخص
می کند که هر تابع چه وزنی از متغیرها را شامل می شود. در ادمه مهمترین خروجی مربوط به تحلیل تشخیصی بر
اساس متغیر پاسخ رغبت و متغیرهاي تبیینی توانایی ارائه می شود که در واقع میزان ضرایب تابع طبقه بندي را نشان
می دهد. در این جدول هر ستون، برآوردي از ضرایب را براي هر یک از توابع تشخیص به تفکیک هر گروه نشان می
دهد.
نکته مهم این است که یک پاسخگو عضو گروهی است که بشترین مقدار تابع طبقه بندي شده در آن گروه قرار گیرد.
جدول شماره 2
Classification Function Coefficients
tip
R I A S E C
VAR000
02
12.543 14.205 12.489 12.264 9.453 10.765
VAR000
05
9.641 9.445 10.687 11.359 13.593 13.573
VAR000
11
7.890 9.426 15.304 10.936 9.646 6.439
VAR000
13
12.598 9.953 9.529 12.420 11.480 10.686
VAR000
14
-1.933 .497 -1.550 .527 -1.055 -2.610
VAR000
18
-11.363 -7.434 -13.139 -12.216 -11.735 -11.495
VAR000
20
8.765 7.575 11.030 9.129 8.632 10.334
VAR000
23
27.645 30.165 27.704 29.095 26.596 30.959
VAR000
24
-19.845 -21.232 -22.630 -21.823 -18.375 -21.430
VAR000
33
-3.358 -2.374 -2.492 -3.332 -2.360 -.795
VAR000
38
-4.814 -6.376 -5.549 -6.876 -5.919 -6.861
VAR000
47
6.941 6.834 4.841 7.613 5.720 7.108
VAR000
49
9.180 8.980 8.973 7.366 8.304 8.035
VAR000
58
-3.514 -5.167 -5.046 -4.511 -4.930 -5.163
VAR000
66
5.434 6.543 6.194 7.180 6.751 6.239
VAR000
69
9.398 9.659 9.289 10.102 10.005 7.907
VAR000
80
-3.407 -4.273 -3.405 -4.155 -3.897 -2.875
VAR000
82
8.181 7.048 10.028 7.754 9.292 10.081
VAR001
02
-7.877 -9.367 -7.184 -7.340 -5.250 -5.315
VAR001
04
4.476 4.954 4.756 5.563 3.706 2.842
(Constant
)
-
107.522
-
117.972
-
121.943
-
122.480
-
116.226
-
116.305
نشان داده شده است. این ضرایب همان وزنهاي مورد RIASEC در جدول شماره 2، وزن هر متغیر روي متغیر هاي
نظر هستند که در واقع ضرایب رگرسیون در مدلهاي خطی هستند.
از ضرایب فوق به منظور پیش بینی اینکه یک شغل بر اساس مقادیر متغیرهاي تبیینی جدید عضو کدام گروه از شش
است استفاده می کنیم. براي این منظور یک پاسخگو عضو گروهی است که بشترین مقدار تابع RIASEC گروه
طبقه بندي شده در آن گروه قرار گیرد. به عبارتی مقادیر جدید 104 متغیر را در 6 معادله
R=-107.522+12.543VAR00002+9.641VAR00005+…+4.476VAR00104
I=-117.972+14.205VAR00002+9.445VAR00005+…+4.954VAR00104
A=-121.943+12.489VAR00002+10.687VAR00005+…+4.756VAR00104
S=-122.480+12.264VAR00002+110359VAR00005+…+5.563VAR00104
E=-116.226+9.453VAR00002+13.593VAR00005+…+3.706VAR00104
C=-116.305+10.765VAR00002+13.573VAR00005+…+2.842VAR00104
بدست آید، آنگاه معادله اي که بیشترین مقدار را اختیار کند به عنوان RIASEC جایگزین می کنیم تا مقادیر جدید
آن مشخص می شود. به منظور استفاده از مقادیر RIASEC گروه رغبت شغلی مورد نظر انتخاب می شود و مقدار
excel جدید، از مقدار متغیرهاي تبیینی 750 شغل استفاده می کنیم که مشخصات و مقادیر این متغیرها در فایل
براي هر شغل بصورت جداگانه محاسبه می شود. از این RIASEC پیوست موجود می باشد. بر این اساس مقادیر
مقادیر براي ترسیم نقشه دنیاي کار استفاده می شود که در ادامه بیان می شود.
ترسیم نقشه دنیاي کار با نتایج تحلیل تشخیصی
وزن P/T و D/I بر اساس ابعاد ،(RIASEC) به منظور ترسیم نقشه دنیاي کار لازم است که نمرات 6 رغبت هالند
باشند. وزن هاي به کار رفته براي این نمرات، مختصات دکارتی براي تیپ (P/T و D/I) گرفته و داراي مختصات
هاي هالند است که در شش ضلعی زیر جاي گرفته اند.
تبدیل کرد. T/P و D/I این وزنها و تبدیلها براي یک فرد را می توان از طریق فرمول هاي زیر به نمرات
اعداد مربوط به تابع تشخیصی جایگزین می شود که در ،(RISCEA) در فرمول فوق، بجاي شش تیپ شخصیتی
بخش قبل توضیح داده شد.
براي حدود 750 شغل محاسبه و نمودار پراکنش آن بعد از استانداردسازي (P/T و D/I) بر این اساس مقادیر جدید
این مقادیر بصورت زیر رسم شده است.
R
E C
S
A I
(I)
(T)
(D)
(P)
نتیجه گیري
را RIASEC بنابر آنچه در این گزارش ذکر شد، می توان پرسشنامه مربوط به توانایی شغلی و ادغام آن با 6 متغیر
در نظر گرفت و با استفاده از نتایج تحلیل تشخیصی، نقشه دنیاي کار را رسم نمود. البه قابل ذکر است که مقادیر
متغیرهاي تبیینی مربوط به پرسشنامه باید بر اساس طیف لیکرت باشد.
تحلیل تشخیصی یکی از روش هایی است که در فرایند ترسیم نقشه ي جهان کار استفاده کرده ایم. بعضی نکات در
استفاده از این روش به چشم می خورد که باید براي رفع ابهام واضح تر بیان شوند تا استفاده از آن قابل دفاع شود. این
موارد عبارتند از:
این فن آماري یک مدل پیش بین براي عضویت گروهی است و از توابع تشخیصی تشکیل شده که از طریق ترکیب
(CASES) خطی متغییرهاي پیش بین به بهترین تمییز بین گروهها می رسد. توابع براساس نمونه اي از اعضا
تشکیل می شود که عضویت آنها در گروهها از قبل مشخص است. از این توابع می توان براي پیش بینی عضویت
گروهی موارد جدیدي استفاده کرد، که عضویت گروهی آنها مشخص نیست. در صورتی که ما مواردي داشته باشیم که
عضویت همه ي آنها در گروهها را بدانیم می توانیم به صورت تصادفی تعدادي از آنها را انتخاب کرده و اعتبار توابع
بدست آمده را از طریق موارد باقی مانده بررسی کنیم. در اینجا ما توانسته ایم از طریق داده هاي موجود در فایل
به ضرایب تشخیصی مورد نیاز براي توابع تشخیصی دست یابیم. اما استفاده از این ضرایب براي طبقه بندي onet12
Circular ) مشاغلی که ضرایب از طریق ارزشهاي آنها بدست آمده منجر به خطاي وابستگی چرخشی
می شود. یعنی توابع بدست آمده می توانند براي مشاغل جدید استفاده شوند و نه مشاغل قبلی. آیا (dependency
این انتقاد وارد است؟
پژوهشگر براي تشخیص بین گروهها مجموعه اي از متغییرهاي تشخیصی را به منظور ویژگی هایی که انتظار می رود
این گروهها بر پایه ي آنها متفاوت باشند، برمی گزیند. لازم است بررسی شود که آیا متغییر هاي تبینی موجود واقعا
قدرت تبین کنندگی را دارایند ؟ به عبارت دیگر آیا داده هاي مربوط به توانایی ( 104 متغییر تبیینی) تبیین کننده ي
شش تیپ هالند می باشند ؟ به همین دلیل به نظر می رسد استفاده از این فن در مطالعات پیگیري و بررسی اعتبار نه
تنها مفیدتر بلکه ضروري است و باید براي تعیین جایگاه مشاغل جدید روي نقشه از این تحلیل استفاده کرد. در ضمن
مواقعی وجود دارد که نمی توانیم یک شغل را بر اساس نمرات خام در یک طبقه قرار دهیم در این موارد نیز یک راه
حل، استفاده از ضریب تشخیصی بر مبناي ارزش هاي مشاغل دیگر است. زمان هایی که عضویت موارد در گروهها را
نمی توان تشخیص داد باید این موارد از تحلیل کنار گذاشته شوند تا به نتایج خطا منجر نشود. براي این موارد بعد از
رسیدن به معادلات تشخیصی می توان عضویت گروهی شان را مشخص کرد. این مساله می تواند به متخصصانی که
ارزش مشاغل را از جنبه هاي مختلف را تعیین می کنند، خدمت کند.
استفاده از این روش مبتنی بر مفروضاتی است که بعضی از آنها عبارتند از:
الف) موارد باید مستقل از یکدیگر باشند
متغییرهاي پیش بینی کننده باید داراي توزیع نرمال چند متغییري باشند و ماتریس واریانس - کواریانس بین گروهی
باید برابر باشد.
موارد باید مانع الجمع باشند یعنی یک مورد باید فقط به یک گروه تعلق داشته باشد و در ضمن گروهها جامع باشند.
اگر گروهها طبقات باشند این روش خیلی مناست است اما در صورتی که گروهها بر اساس نمرات با مقیاس فاصله اي
یا نسبتی باشند مسلمن رگرسیون اطلاعات بیشتر در اختیار فرد می گذارد.
بایستی مفروضات مهم بررسی شوند تا در صورت برقراري آنها بتوانیم از تحلیل استفاده کنیم و نتایج قابل اعتماد باشند.
در تحلیل تشخیصی هر تابع تشخیصی منحصر به فرد (متعامد) بوده که موقعیت آن گروه را نسبت به گروههاي دیگر
تشخیص می دهد. باید بررسی کنیم که آیا یک تابع براي توصیف چند گروه کافی نیست؟ یعنی ممکن است ابعاد
متعامد نباشند؟ معمولا تعداد توابع تشخیصی از 3 تابع بیشتر نیست.
در تحلیل تشخیصی متغییر وابسته نماینده ي طبقات واقعا گسسته است. در اینجا شش تیپ شخصیتی هالند نماینده ي
شش طبقه ي ما می باشند. بر اساس نظریه ي هالند به نظر می رسد این طبقات نماینده ي طبقات واقعا گسسته
نیستند. آیا این طبقات گسسته اند؟
باید مشخص کنیم زمانی که ارزش هاي رغبت وجود دارد چرا باید از متغیییرهاي تبیینی (انواع مختلف توانایی) استفاده
شود؟
در گام هاي بعدي نقشه ي جهان کار در نظر داریم پراکندگی مشاغل را روي نقشه ي جهان کار بر اساس ارزش
توانایی مشاغل نشان دهیم. چگونه می توان از تحلیل تشخیصی به این مهم دست یافت؟ متغییرهاي تبیینی در این
مرحله کدامند؟ آیا پراکندگی مشاغل بر اساس ارزش هاي توانایی مشاغل با پراکندگی نقاط بدست آمده در اینجا مشابه
نمی شود؟
نقشه ي بدست آمده بیانگر جایگاه مشاغل بر اساس توانایی ها است یا رغبت ها؟
اولویت بندي شده اند، آیا این اولویت ONET هر کدام از این مشاغل از لحاظ اهمیت رغبت هاي هالند در فایل 12
بندي ها بعد از وزن گرفتن از طریق تحلیل تشخیصی حفظ شده اند؟
به نظر می رسد جایگاه مشاغل روي نقشه ي جهان کار ثابت است و بر اساس ارزش هاي رغبت هالند جایگاه آنها
تعیین شده است ولی در دو کار انجام شده پراکندگی مشاغل ثابت نیست. نقشه هاي بدست آمده چگونه می توانند در
مشاوره ي افراد بکار ر وند؟
+ نوشته شده در دوشنبه ۱۱ مهر ۱۳۹۰ ساعت توسط
|
به نام یزدان پاک