تحلیل آماری با spss

مهم ترین وجه تمایز آزمون های پارامتریک و غیرپارامتریک، در نوع داده ها و پیش فرض های زیر بنایی آن ها است؛ به بیان ساده می توان گفت از آزمون های پارامتریک استفاده می شود که سنجش متغیرهای دخیل در پژوهش دست کم در حد فاصله ای و توزیع نمره های متغیرها نسبتا بهنجار باشد.

اگر جهت و شدت رابطه ی میان متغیر مستقل و وابسته در سطوح گوناگون یک متغیر سوم، به طور قابل ملاحظه ای تغییر کند، به آن متغیر سوم متغیر تعدیل گر گفته می شود. بدین لحاظ، تعدیل گر در یک چهارچوب تحلیل همبستگی به عنوان یک متغیر سوم تلقی می شود که همبستگی مرتبه ی صفر میان x و y را به طور معنی داری تغییر می دهد.

پرسش اساسی: چگونه می توان با نرم افزار SPSS مدل های میانجی گر را در پژوهش های طولی بررسی کرد. بسیاری از پژوهشگران بر این عقیده اند در صورتی که مدل های میانجی گر در پژوهش های طولی بررسی شوند، گام مهمی به سوی تبیین های علمی برداشته می شود.

متغییر میانجی گر با شیوه های تحلیل همبستگی تفکیکی و نیمه تفکیکی مطالعه می شود ؛ در صورتی که متغییر تعدیل گر با روش بررسی تعامل و به وسیله ی تحیلیل واریانس دنبال می شود. اگر متغییری میانجی گر باشد، به کمک آن میتوان وضعیت نمره ی آزمودنی را در متغییر وابسته تشخیص داد.

هدف از تحلیل لگاریتم خطی Loglinear Analysis (تحلیل لگاریتم خطی) این است که بتوانید مدلی را بسازید که فراوانی های خانه های جداول توافقی را با حداقل تعداد جملات مدل برآورد کند.

در سیستم نرم افزاری SPSS جداول توافقی را با استفاده از دستور Crosstabs… تحلیل می کنیم. برای این منظور: 1- متغیر حاوی فراوانی ها را به SPSS معرفی کنید.

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.

از مقایسات (contrast) چند گانه ای نظیر «توکی»، «دانکن»، «دانت»، «شِفِه» و... زمانی استفاده می شود که فقط مقایسۀ سادۀ کلیه ترکیبات دوگانۀ ممکن، مورد نظر باشد.

مربع های «بودن» (W.J.Youden) ، طرح های مربع لاتین «ناکامل» هستند به طوری که تعداد ستون های آن ها با تعداد سطرها و تیمارهایشان برابر نیست.

تاکنون برخی از طرح های «متعادل« را بررسی کردیم، اما بهتر است بدانید که برخی ممکن است طرح های آماری از نوع Non- Orthogonal (نابرابر)، Unbalanced (نامتعادل) و یا Incomplete block (بلوک ناقص) باشند.

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.

از انجا که از هر دو گروه، چند مشاهده مورد مطالعه قرار می گیرد، یا به عبارت دیگر، مقایسۀ گروه هادر چند تکرار صورت می گیرد و اثر تکرار بر اثر گروه اضافه می شود،

در اکثر مواقع شما دربارۀ داده های موجود شناخته اولیه ای نداشته و مایل هستید اختلاف و تفاوت بین میانگین های موجود را توصیف کنید، که به آن فرآیند Data Minig (استخراج داده ها) و یا Exploratory Data Analysis (تحلیل توصیفی داده) گفته می شود.

با کمک جدول دانکن، مقادیر r_a (p,f) برای دامنه های معنی دار محاسبه می شود که p= 1,2,3,…,a سطح معنی دار بودن و f درجّۀ آزادی خطا است:

برای اجرای تحلیل واریانس یک طرفه در محیط نرم افزاری SPSS : 1- با اجرای دستور Analyze > compare Means > one- Way ANOVA… پنجرۀ one-Way ANOVA را باز کنید، شکل 1-7.

همانطور که قبلا دیدید، آزمایشاتی که دارای دو گروه مقایسه هستند را می توانیم به وسیلۀ «آزمون» (T Test) مورد تحلیل نماییم. اگر آزمایشی شامل بیش از دو گروه باشد، باید بین هر دو گروه از آن ها، با استفاده از آزمون t، تعداد زیادی مقایسۀ دو گانه صورت بگیرد که این امر علاوه بر افزایش تعداد مقایسات، احتمال اینکه اختلاف بین دو تیمار به طور تصادفی «معنی دار» (significant) شود را نیز افزایش می دهد.

انواع مختلفی از «طرح» (design) ها وجود دارند که از اصل «بلوک بندی» استفاده می کنند. مثلا فرض کنید فردی اثرهای پنج فرمول بندی مختلف یک ترکیب قابل انفجار در ساخت دینامیت را با مشاهدۀ نیروی انفجار مطالعه می کند.

یک مربع لاتین p×p را در نظر گرفته و روی آن یک مربع لاتین p×p ی دیگری که «گروه ها» و یا به عبارتی دقیق تر «تیمار» (treatment) ها با حروف یونانی مشخص شده باشند استوار می کنیم. اگر این دو مربع وقتی بر هم استوار می شوند این خاصیت را داشته باشند که هر حرف یونانی یک بار و تنها یک بار با حرف لاتین ظاهر شود، در این صورت می گویی دو مربع لاتین متعامدند و طرح حاصل را طرح مربع یونانی – لاتین و یا گریکو – لاتین می گوییم. طرح

زمانی پیش می آید که می خواهید به جای داده های خام، (که در SPSS وارد می کنید)، از ماتریس همبستگی (R)، به عنوان تحلیل عاملی استفاده کنید. متأسفانه از طریق پنجره های معمولی نمی توانید این کار را انجام دهید. و برای این کار باید از پنجرۀ spss syntax Editor استفاده نمایید. در اینجا شم باید از دو مرحله استفاده کنید: