مثال spss

تحلیل تشخیص پیچیده تری را در نظر بگیرید که برای سه گروه به کار برده می شود. سه گروه از دارندگان فرضی رایانه را در زیر نشان داده است. آن هایی که رایانه خریده اند (own=1)، آن هایی که رایانه ندارند(own=2) و آن هایی که رایانه اجاره کرده اند (own=3).

مراحل تحلیل مدل یابی معادلات ساختاری در زیر تشریح می شود:

- داده های پژوهش را در محیط SPSS باز کنید و سپس از سربرگ Analyze گزینه ی AMOS-16 را انتخاب کنید.

در محیط AMOS از سربرگ Diagram گزینه ی Indicator Variable Draw را انتخاب کنید تا موشواره فعال شود.

در موقعیت هایی که قرار است دو گروه مستقل (مانند دختر/ پسر، گروه آزمایشی/ گروه گواه و...) از لحاظ یک متغیر وابسته که در حد رتبه ای اندازه گیری شده است مورد مقایسه قرار گیرند، آزمون یومان ویتنی بهترین گزینه است.

هنگامی آزمون دو جمله ای به کار برده می شود که متغیر طبقه ای پژوهش دارای دو ارزش (قبول/مردود، بیمار/سالم و...) باشد. اگرمتغیر طبقه ای دارای بیش از دو ارزش باشد و قصد داشته باشیم فراوانی های بالاتر از یک طبقه ی حاص را با فراوانی های پایین تر از آن طبقه ی خاص مقایسه کنیم، به کار بردن آزمون دو جمله ای امکان پذیر است.

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.

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.

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.

به مدل رگرسیونی شامل بیش از یک متغیر مستقل رگرسیون «چندگانه» (multiple) گفته شده و به صورت:

همانطور که گفته شد، یکی از فرض های مدل رگرسیون خطی، فرض نرمال بودن مانده هاست. برای بررسی این فرض از «نمودار نرمال» (Normal plot) استفاده می شود.

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.

مدل های رگرسیون خطی با واریانس ثابت را می توان با استفاده از روش «کمترین مربعات وزن دار شده» (Weighted least squares) برازش داد.

در مدل های Bias (اُریب) دار، بیاید بتوانیم به نحوی با کمک «تبدیلات» (transformation) اریبی را از بین ببریم.

برای یافتن «داده های پرت» (outlier Data) در مجموعۀ داده ها می توانیم از مقادیر z استفاده کنیم.

برای رسم نمودار باقیمانده در مقابل مقادیر برازش یافته می توانید از پنجرۀ linear regression: plots استفاده کنید.

فاصله اطمینان در spss برای یک مدل خطی ساده

در بخش های دیگر گفتیم که فرض اساسی این بود که میانگین ها و نمونه های هر گروه مستقل از یکدیگر هستند.

در محیط spss هفت روش، جهت طبقه بندی، وجود داشته و ما فقط روش Discriminant را بررسی می کنیم:

آزمون کلموگروف – اسمیرنوف :

1- داده ها را در پنجره Data Editor وارد کنید.

2- دستور Analyze > Descriptive statistics > Explore… را اجرا کنید، شکل 8-4.