تجزیه تحلیل آماری spss

اگر پاسخ یا ماهیت یک گروه یا یک جامعه از افراد را با توجه به یک صفا معین به طبقات گوناگون طبقه بندی کنیم، درچنین شرایطی، برای آزمودن نسبت یا فراوانی افراد درون آن طبقات از آزمون مجذور کای تک متغیری یا خی دو تک متغیره در spss استفاده می شود.

برای مطالعه توصیفی داده های چند متغیرۀ «گسسته» (Discrete) از جداول چند بعدی که به «جداول توافقی» (contingency) موسوم است استفاده می کنیم. با استفاده از جداول توافقی می توانیم مقادیر مربوط به «معیارهای فراوانی نسبی»، «فراوانی تجمعی»، «کای اسکور»، «فراوانی مقادیر گم شده» (Mising Values)، «فراوانی در خانه های جدول» و... را به دست آوریم.

نمونه پروژه آماده تحلیل آماری با spss انجام شده به همراه فایل داده های spss ویژه درس آمار در ادامه قابل دانلود است.

بسیاری از آزمایش ها شامل مطالعۀ اثرهای دو یا بیشتر از دو عامل اند. به طور کلی برای این نوع آزمایش ها، طرح های عاملی کاراترین هستند. منظور از یک طرح عاملی آن است که در هر امتحان کامل، تمام ترکیب های ممکن سطوح عامل ها بررسی شوند.

در محیط نرم افزاری SPSS به «طرح بلوک تصادفی» (Random block design)، اصطلاحا «اثرهای بین موردی» (between- subjects effects) گفته می شود.

برای تحلیل های آماری، از محیط گرافیکی spss استفاده می شود ولی بهتر است به خاطر داشته باشید این محیط گرافیکی تا قبل از دسترسی به سیستم عامل ویندوز قابل دسترسی و استفاده نبود و بنابراین کاربران spss مجبور بودند در محیط DOS برنامه های خود را دستی تایپ کنند. البته نباید از مزایای این روش به راحتی چشم پوشی کرد چون شما می توانید مستقیماً با spss ارتباط برقرار کنید. برای استفاده از این امکان:  در پنجره syntax دستورات

روش کلی استفاده از دستور؛ بصورت زیر است:  دستور... Analyze > Dimension Reducsion > Factor را اجرا کنید.  در پنجره Factor Analysis (تحلیل عاملی) همۀ متغیرهای مورد نظر را از سمت چپ پنجره به ناحیۀ مستطیلی Variables (متغیرها) منتقل کنید.

اگر عاملهای مشترک F و عاملهای خاص  را بتوان نرمال فرض کرد، در آنصورت می توان برآوردهای « درست نمایی ماکزیمم» (Maximum Likelihood) محموله های عامل و واریانس های خاص را بدست آورد.

در محیط نرم افزاری spss برای برآورد محموله ها از روشهای زیر استفاده می شود:

 روش principal Components 

روش Unweighted Least Squares 

روش Generalzed least 

روش Maximum Likelihood 

روشAxis Factoring principal 

بردار تصادفی قابل مشاهده X باP مؤلفه دارای میانگین  و ماتریس کواریانس است. در الگوی عاملی فرض بر این است که X وابسته خطی چند متغیر تصادفی غیرقابل مشاهده F_1,F_2,…,F_m بوده و اصطلاحاً « عوامل مشترک» (Communality Factors) گفته می شود و P منبع دیگر از متغیرهای _1,_2,…,_m هستند که خطا یا گاهی اوقات « عوامل خاص» ( Specific Factors) نامیده می شوند.

در سرتاسر تاریخ، « تحلیل عاملی» (Factor Analysis)، باعث بحث های جنجایی زیادی شده است.

فرض کنید می خواهیم برای پاسخ خاص Y براساس متغیرهای «مستقل» یا متغیرهای پیشگوی Xk,…,X2,X1 یک معادلۀ رگرسیون خطی بسازیم. علاوه براین فرض کنید که Zk,…,Z2,Z1 همگی توابعی از یک یا چند متغیر X باشند که مجموعۀ کامل متغیرهایی که معادله از آن ها انتخاب می شود را نشان می دهند و این مجموعه شامل هر تابعی مانند مربعات، حاصلضرب ها، لگاریتم ها، وارونه او توان هایی باشد که تصور می شود برای این کار مطلوب و لازمند معمولا در انتخاب

وقتی متغیرهای «مستقل» (independent)، متعامد (ارتوگونال) باشند، به آسانی می توانید مراحل فوق را اجرا کنید. متاسفانه در برخی موارد همبستگی بین متغیرهای مستقل بالاست و در چنین مواقعی استنتاج بر مبنای مدل رگرسیونی می تواند گمراه کننده باشد. اگر بین متغیرهای مستقل وابستگی خطی وجود داشته باشد، گفته می شود که «چند هم خطی» (Multicollinearity) وجود دارد.

مراحلی که برای تعیین و تصحیح مدل به کار برده می شود عبارتند از: تحلیل باقی مانده ها: نتایج حاصل از تحلیل رگرسیون وقتی معتبر و با مفهوم هستند که فرض های مربوط به Residual (باقی مانده) های مدل نیز صحت داشته باشد. نتیجه اینکه، ساختار باقی مانده ها و الگوی داده ها بااستفاده از نمودار، اهمیت زیادی پیدا می کند. به خاطر داشته باشید که بالا بودن مقدارR^2 و یا معنی دار بودن آمارۀ t حاکی از آن نیست که «برازش» (fit) به خوبی

اگر نتیجه آزمایش را بتوان به یکی از دو رده، رده بندی کرد، آنگاه آزمونی که در سال 1950 توسط « کوکران» (CoChran) ارائه شد، بهترین روش تحلیل محسوب می شود.

این آزمون در حقیقت تعمیمی از آزمون «علامت» (Sign) است که قبلاً آنرا بررسی کردیم. در این آزمون نسبت به آزمون «علامت» فرضهای کمتری نیاز است. آزمون «فریدمن» (Friedman) برای وضعیت های تجربی معروف تر است، اما در برخی وضعیت ها توان کمتری دارد. مسأله K Related Samples … (K نمونه وابسته) در آزمایشی پیش می آید که برای تشخیص اختلاف در K تیمار احتمالاً، K >2، طرح ریزی شده است.

از این آزمون برای نشان دادن یک سری اتفاقات یا آزمایش ها استفاده می شود که در آن فرض می شود:  n امتحان دو به دو مستقل هستند.  احتمال هر امتحان برای اینکه برآمد در رده 1 باشد p است، که در آن p برای همۀ n امتحان یکی است.

آزمون « کولموگروف – اسمیرنوف» به افتخار دو آماردان روسی به نامهای A.N. Kolmogrov و N.V. Smirnov به این نام خوانده شده و روش ناپارامتری ساده ای برای تعیین همگونی اطلاعات تجربی با توزیع های آماری منتخب است. بنابراین، آزمون « کولموگروف – اسمیرنوف»، که از این به بعد آنرا با KS نشان می دهیم، روش دیگری علاوه بر روش «کای اِسکوِر» (Chi Square)، (x^2) ، برای همگونی یک توزیع فراوانی نظری برای اطلاعات تجربی است.

چنانچه بخواهید نزدیک بودن توزیع «داده ها» (data)به یک توزیع «نرمال»(normal) را بررسی کنید، استفاده از نمودار های از نوع Histogram (هیستوگرام) مفید است.

 تجزیه و تحلیل داده های آماری پرسشنامه و مقاله و پایان نامه رشته های روانشناسی با spss با هزینه مناسب و در کمترین زمان انجام می شود.