طرح های پیش آزمون- پس آزمون- پیگیری را می توان با دو تحلیل کوواریانس جداگانه آزمون کرد. در این، روش دو تحلیل کوواریانس جداگانه اجرا می شود که در هر نوبت نمره های پس آزمون و پیگیری به طور جداگانه به عنوان متغیر وابسته و متغیر پیش آزمون در هر دو نوبت به عنوان متغیر کوواریته وارد تحلیل می شود.

برای تحلیل داده های این پژوهش (مثالی که در ادامه می آید) و آزمودن فرضیه های آن، چندین روش به شرح زیر وجود دارد.

1- تحلیل واریانس با اندازه های تکراری بر روی نمره های اصلی

2- تحلیل واریانس با اندازه های تکراری بر روی نمره های تفاضل

3- تحلیل واریانس چند متغیری بر روی نمره های تفاضل

پیرامون طرح چهار گروهی سالمون، اظهار نظرهای گوناگونی در پیشینه ی طرح های پژوهشی به چشم می خورد. کمپل و استانلی (1963) طرح چهار گروهی سالمون را مطرح کردند.

تحلیل واریانس دو راهه بر طرح های پیش ازمون- پس آزمون با گروه گواه، مستلزم ورود داده ها در محیط SPSS به روشی متفاوت است. در شکل 3و4 روش ورود داده ها در محیط SPSS برای تجزیه و تحلیل کوواریانس و تحلیل واریانس دو راهه نمایش داده شده است.

در این طرح سه مرحله قابل ذکر است: 1- اجرای پیش آزمون (اندازه گیری متغیر وابسته) پس از انتخاب و گمارش تصادفی آزمودنی ها به گروه آزمایش و گواه؛ 2- اعمال مداخله ای آزمایشی بر گروه آزمایش و 3- اجرای پس آزمون (اندازه گیری متغیر وابسته).

آزمون t-test گروه های وابسته جهت مقایسه ی میانگین پیش آزمون و پس آزمون نمره های آزمودنی ها در یک طرح یک گروهی پیش آزمون پس آزمون مناسب است.

قبل از آنکه در مورد گزینه های قسمت boxplots کادر گفتگوی کلید Plots توضیح دهیم، شکل یک نمودار جعبه ای را به طور کلی شرح میدهیم.

1- به این جدول نگاه کنید تا ببینید چطور هر تابعی به صورت موثری گروه ها را جدا می کند. تابع 1 به صورت بالایی با مقادیر D همبستگی دارد و از لحاظ آماری معنادار است.

نرم افزار spss ابزاری به نام chart Editor (ویرایشگر نمودار) دارد که با آن می توانید نمودار حاصل از «خروجی» (output) را ویرایش کنید.

در نمودارهای «چندک- چندک» (Q-Q plot) چندک های یک توزیع احتمال خاص در برابر چندک های نمونه رسم می شود. با استفاده از این نمودار می توان توزیع دو مجموعه را با هم مقایسه کرد و همچنین تعبیر کرد که یک مجموعه داده از توزیع خاصی پیروی می کند یا نه.

نمایش نموداری ساده ای که در مطالعۀ بستگی بین دو متغیر کمی مفید است، «نمودار پراکندگی» (scatter plot) می باشد. در یک نمودار پراکندگی، برای هر عنصر مجموعۀ داده ها یک نمودار دوبعدی رسم می شود

برای ارائه دید کلی موثر از آماره های توصیفی یک مجموعه از داده ها، وسیله ها و نمودار های متنوعی را می توان به کار برد. یکی از این وسیله ها به «نمودار جعبه ای» یا « نمودار جعبه ای - چند خطی» مرسوم است.

یک جایگزین مناسب برای نمودار میله ای، نموداری به نام Error bar (میله ای خطا) است که در آن میانگین مقادیر هر طبقه با یک نقطه و «واریانس» آن توسط یک خط عمودی نشان داده می شود که از داخل نقطه می گذرد.

زیربنای مفهوم ریاضی رگرسیون لجستیک همان لگاریتم طبیعی یا نسبت شانس است که به آن لجیت (Logit) گفته می شد.

تحلیل تمایزات که به آن تحلیل تمیز یا تحلیل ممیز نیز گفته می شود، یک روش شناخته شده و مشهور است که از آن برای کاهش ابعاد و طبقه بندی استفاده می شود. تحلیل تمیز به عنوان یک فن آماری قوی در موقعیت هایی که متغیر وابسته (ملاک) از نوع طبقه ای و متغیرهای مستقل از نوع کمی هستند، قابل کاربرد است. هدف اساسی تحلیلی تمیز پیش بینی عضویت گروهی در طبقات متغیر وابسته از روی مجموعه ای از متغیرهای مستقل است.

هر آنچه که برای آموزش کامل  spss و تحلیل آماری می خواهید اینجاست! با قیمتی واقعا مناسب.

این بسته آموزشی شامل سی و سه پکیج و 1400 صفحه است و به صورت موضوعی طبقه بندی شده است.

مقیاس های دارای ماده های زیاد (مقیاس های بلند) در مدل یابی معادلات ساختاری تولید اشکال می کند؛ به ویژه اگر قرار باشد که تمام ماده ها به عنوان نشانگرهای سازه های مکنون در مدل مشارکت نمایند برآورد پارامترهای متعدد در مدل با توجه به حجم نمونه، باعث کاهش توان برآورد پارامترهای دقیق مدل می شود و در نتیجه باعث رد مدلهای مناسب می گردد.

تحلیل مسیر گسترش مدل های رگرسیونی است که یک ماتریس همبستگی را در مقایسه با مدل های مفروض علی که پژوهشگر تنظیم می کند، می آزماید. همچنین، تحلیل مسیر به عنوان مدل یابی علی شناخته می شود که به آزمودن شبکه ای از روابط میان متغیرهای اندازه گیری شده توجه دارد.

بدون شک حجم نمونه در فنون آماری، عملاً نقش مهمی ایفا می کند. هر چند که توافق جهان شمولی در میان پژوهشگران وجود دارد که با بزرگ شدن حجم نمونه ثبات برآوردهای آماری بیشتر می شود، اما در این خصوص که به چه حجم نمونه ای بزرگ گفته می شود، توافقی وجود ندارد.

تحلیل عوامل تأییدی این امکان را به پژوهشگر می دهد تا فرضیه ی ارتباط میان متغیرهای مشاهده شده را با ساختارهای مکنون زیربنایی آن ها بیازماید. اساسی ترین مفهوم در تحلیل عوامل تأییدی، موضوع متغیر مکنون است که در ادامه به آن و نیز به آزمون برازندگی پرداخته می شود.