مثال پژوهشی: بررسی رابطه ی ساده و چندگانه ی ویژگی های شخصیتی با رضایت زناشویی، با توجه به نقش کنترلی طول مدت ازدواج و تعداد فرزندان زوجین.
فرضیه های ساده ی پژوهش: میان ویژگی های شخصیتی با رضایت زناشویی رابطه وجود دارد.
1- فرضیه های چندگانه : میان ویژگی های شخصیتی با رضایت زناشویی رابطه چندگانه وجود دارد.
2- فرضیه ی چندگانه: میان ویژگی های شخصیتی با رضایت زناشویی، پس از کنترل طول مدت ازدواج و تعداد فرزندان رابطه وجود دارد.
پژوهشگر در مثال فوق دو هدف عمده را دنبال می کند:
1- تعیین توان پیش بینی ویژگی های شخصیتی
2- تعیین توان پیش بینی ویژگی های شخصیتی پس از کنترل متغیرهای طول مدت ازدواج و تعداد فرزندان در روش رگرسیون خطی به دو صورت می توان اثر متغیرهای کنترل را مهار کرد.
الف. در روش اول و با شیوه ی سلسله مراتبی، متغیرهای کنترل را ابتدا وارد معادله ی رگرسیون می کنیم و سپس متغیرهای شخصیتی را به معادله می افزاییم.
اگر متغیرهای کنترل ( تعداد فرزندان و طول مدت ازدواج) قابلیت بالایی در جذب واریانس متغیر ملاک ( رضایت زناشویی) داشته باشند، متغیرهای شخصیتی نمی توانند بخش معنی داری از واریانس رضایت زناشویی را پس از متغیرهای کنترل وارد معادله شده اند پیش بینی کنند.
در این حالت، گفته می شود که متغیرهای کنترل رابطه ی میان ویژگی های شخصیتی و رضایت زناشویی را بی اثر می کند.
اگر ورود متغیرهای کنترل نتوانند بخش معنی داری از واریانس متغیر ملاک را پیش بینی کنند، اصولاً گفته می شود که این متغیرها اثر کنترلی ندارند.
بنابراین، متغیرهایی را باید به عنوان متغیر کنترل در تحلیل رگرسیون وارد کرد که حتماً رابطه ی معنی داری با متغیر ملاک داشته باشند، در غیر این صورت، این متغیرها چه چیزی را می خواهند کنترل کنند؟
اما اگر متغیرهای کنترل بخش معنی داری از واریانس متغیر ملاک را پیش بینی کردند و پس از آن، متغیرهای شخصیتی نیز توانستند سهم معنی داری در پیش بینی واریانس متغیر ملاک ایفا کنند، باید گفت که علاوه بر تاثیر متغیرهای کنترل بر رضایت زناشویی، متغیرهای شخصیتی نیز قابلیت پیش گویی خوبی از واریانس متغیر را دارا هستند.
یا به عبارت ساده تر، می توان اظهار داشت که رضایت زناشویی هم از ویژگی های خصیتی تاثیر می پذیرد و هم از متغیرهای کنترل (طول مدت ازدواج و تعداد فرزندان).
نکته ی مهم:
در روش اول، پژوهشگر هم می تواند اثر متغیرهای کنترل را مطالعه کند و سهم واریانس تبیین شده ی آن ها را در پیش بینی متغیر ملاک ملاحظه کند و هم اثر آن ها را به نوعی کنترل نماید.
ب. در دومین روش کنترل متغیرها، پژوهشگر می تواند اثر متغیرهای کنترل را به طور کامل از روی متغیر ملاک بزداید؛ به عبارت دیگر، به کمک رگرسیون، متغیر رضایت زناشویی را که گمان می کند از طول مدت ازدواج و تعداد فرزندان متاثر است، پیراسته و آزاد سازد.
سپس این متغیر جدید (رضایت زناشویی که از اثر متغیرهای کنترل آزاد شده است) را به عنوان یک متغیر ملاک و ویژگی های شخصیتی را به عنوان متغیرهای پیش بین وارد معادله می کند.
تفسیر واریانس تبیین شده که از این روش به دست می آید، سر راست است و می توان آن را به ویژگی های شخصیتی نسبت داد.
نکته ی مهم: در اغلب پژوهش ها واریانس تبیین شده ای که از طریق دو شیوه ی کنترلی حاصل می شود، اختلاف زیادی ندارند.
با این حال، این دو شیوه ی کنترلی جذابیت خاص خودشان را دارند و چه بسا تجزیه و تحلیل داده ها به دو شکل کنترلی، خالی از لطف نباشد.
در یک مثال با داده های فرضی، این دو روش کنترلی توضیح داده می شود.
مراحل اجرای کنترل متغیرها به روش اول در زیر ارائه می شود و سپس شیوه ی کنترلی دوم گزارش می شود.
ابتدا متغیر وابسته ( رضایت زناشویی) را در جعبه ی Dependent از کادر ارتباطی رگرسون خطی (شکل2) قرار دهید و سپس متغیرهای کنترل (طول مدت ازدواج و تعداد فرزندان) را به جعبه ی Independent(s) منتقل کنید و بر گزینه ی Next کلیک کنید.
شرط داشتن رابطه ی ستده میان متغیرهای کنترل با متغیر ملاک در ابتدا باید وارسی شده باشد.
اینک متغیرهای شخصیتی را به جعبه ی متغیرهای مستقل اضافه کنید.
همچنین، از گزینه ی Statistics، گزینه ی R Square Change را علامت دار نموده و برای اجرای فرمان از کادر ارتباطی خارج شوید.
نتایج در خروجی 11 نمایش داده شده است.
همان گونه که در خروجی 11 مشاهده می شود، در ستون R Square دو متغیر طول مدت ازدواج (Length Of Marriage) و تعداد فرزندان (Number Of Child) به مقدار 253/0 از واریانس متغیر ملاک را به حساب آورده است.
همان طور که در قسمت (R Square Change) می توان دید، سهم متغیرهای شخصیتی بعد از کنترل دو متغیر مقدم، برابر با 105/0 از واریانس متغیر ملاک است.
سطوح معنی داری هر دو بخش واریانس از لحاظ آماری قابل قبول هستند. میزان مجذور همبستگی چندگانه برای کل متغیرها برابر با 359/0 می باشد.
در شیوه ی کنترلی دوم، همانند روش اول، در کادر ارتباطی رگرسیون خطی در شکل 2، متغیر ملاک را در قسمت Dependent و متغیرهای کنترل را در قسمت Independent(s) قرار دهید.
بر روی گزینه ی Save از شکل 2 کلیک کنید و از زیر مجموعه های Residuals، گزینه ی Unstandardized را علامت دار نمایید ( برای راهنمایی به شکل 6 رجوع کنید).
اینک از کادرهای ارتباطی خارج شوید و فرمان را اجرا کنید تا متغیر جدیدی در محیط SPSS تحت نام RES-1 ایجاد شود.
متغیر RES-1 در حقیقت متغیر رضایت زناشویی است که از رابطه ی خطی متغیرهای کنترل (طول مدت ازدواج و تعداد فرزندان) آزاد شده است.
اینک می توان این متغیر جدید را با شیوه ی معمولی رگرسیون خطی تجزیه و تحلیل کرد.
حال می توانید متغیر ساخته شده ی جدید (RES-1) را در جعبه ی Dependent از کادر ارتباطی رگرسیون خطی قرار دهید ( به شکل 2 رجوع شود) و سپس متغیرهای پیش بین ( ویژگی های شخصیتی) را به جعبه ی Independent(s) منتقل کنید و با کلیک بر گزینه ی Ok فرمان را اجرا کنید.
نتایج دومین شیوه ی کنترل متغیرها در تحلیل رگرسیون را در خروجی 12 مشاهده نمایید.
همان گونه که در خروجی 12 ملاحظه می شود، میزان مجذور همبستگی چندگانه ی مربوط به ویژگی های شخصیتی پس از حذف اثر متغیرهای کنترل برابر با 067/0 و در سطح 086/0 -P قرار دارد که از لحاظ آماری معنی دار بود.
تمایز و درک این دو شیوه کنترل متغیرها در تحلیل رگرسیون، از اهمیت برخوردار است.
در شیوه ی اول، ارتباط میان بخش اختصاصی ویژگی های شخصیتی ( پس از حذف متغیرهای کنترل از روی ویژگی های شخصیتی) با متغیر ملاک سنجیده می شود، اما در شیونه ی دوم، ارتباط میان ویژگی های شخصیتی با بخش اختصاصی رضایت زناشویی (پس از حذف متغیرهای کنترل از روی رضایت زناشویی) سنجیده می شود.
نتایج در دومین روش تحلیل نشان داد که اگر تعداد فرزندان و طول مدت ازدواج کنترل شود، ویژگی های شخصیتی اثر معنی داری بر رضایت زناشویی نخواهد داشت.
