سفارش طراحی تخصصی موضوع دلخواه شما برای پروپوزال روانشناسی، مشاوره و علوم تربیتی

(ارتباط سریع در تلگرام )        TELL: 09011853901

برای آزمودن فرضیه های پژوهش، از تحلیل مسیر با مدل های برگشتی استفاده می شود. برای تحلیل فرضیه های فوق به کمک نرم افزار AMOS ، مراحل اجرایی را که در ادامه آمده است، دنبال کنید. - ابتدا داده های پژوهش را در محیط SPPS باز کنید و سپس از سربرگ Analyze در نرم افزار مذکور، AMOS باز شود.

 مثال پژوهشی:

بررسی پیشایندها و پیامدهای رفتاری عزت نفس در گروهی از رانندگان.

فرضیه های پژوهشگر:

1- ویژگی های شخصیتی از طریق نفوذی که بر عزت نفس اعمال می کنند، زمینه ی رفتارهای مخاطره آمیز رانندگی را فراهم می آورند.

2- ویژگی های شخصیتی به طور مستقیم با رفتارهای مخاطره آمیز رانندگی رابطه دارند.

برای آزمودن فرضیه های پژوهش، از تحلیل مسیر با مدل های برگشتی استفاده می شود.

برای تحلیل فرضیه های فوق به کمک نرم افزار AMOS ، مراحل اجرایی را که در ادامه آمده است، دنبال کنید.

- ابتدا داده های پژوهش را در محیط SPPS باز کنید و سپس از سربرگ Analyze در نرم افزار مذکور، AMOS باز شود.

- از سربرگ View در کادر ارتباطی AMOS گزینه Variables In Dataset را انتخاب کنید تا متغیرهای پژوهش در یک جعبه ی مستطیل شکل بر روی کادر ارتباطی AMOS ظاهر شود.

- برای دسترسی به متغیرهای پژوهش در جعبه ی مذکور، بر نوار کناری آن کلیک کنید تا متغیرهای مورد نظر آشکار شوند.

سپس به کمک موشواره بر متغیر وابسته (در این مثال، Riskydriving ) کلیک کنید و متغیر مذکور را با کشیدن در فضای سمت راست کادر ارتباطی AMOS قرار دهید.

متغیرهای وابسته باید در سمت راست کادر ارتباطی AMOS آرایش پیدا کنند.

- متغیر میانجی را به وسط کادر ارتباطی AMOS منتقل کنید و سپس متغیرهای شخصیتی را در سمت چپ این کادر ارتباطی به شکل عمود بر هم آرایش دهید.

در تحلیل مسیر متغیرهای مستقل در سمت چپ، میانجی ها در وسط و متغیرهای وابسته در سمت راست قرار می گیرند.

- اگر مشکلی در آرایش متغیرها در کادر ارتباطی AMOS پیش آید، می توانید به کمک شکل های سمت چپ این کادر ارتباطی مانند قیچی جهت حذف متغیرهای ناخواسته و یا از کامیون جهت جابه جایی متغیرها و استقرار مناسب آن ها استفاده کنید.

- در این مرحله به کمک پیکان یک جهته متغیرهای برون زاد (مستقل) را به متغیر میانجی وصل کنید و همچنین متغیر واسط (میانجی) را به متغیر وابسته (درون زاد) متصل کنید.

- به کمک پیکان دو جهته متغیرهای برون زاد را به یکدیگر متصل کنید.

هر یک از پنج متغیر شخصیتی را به یکدیگر متصل کنید.

بر هر یک از متغیرهای شخصیتی باید پنج پیکان نشانه برود.

- با موشواره بر شکل سمت راست پیکان دو جهته که شبیه شکل نیم تنه ی آدم می باشد، کلیک کنید تا موشواره فعال شود.

سپس موشواره را بر روی متغیرهای داخل مدل (میانجی و وابسته) قرار داده و کلیک کنید تا برآورد واریانس خطا امکان پذیر شود.

- موشواره را در وسط دایره هایی که بر روی متغیرهای داخل مدل ایجاد کرده اید قرار دهید و بر سمت موشواره کلیک کنید و جهت واردکردن خطاها، گزینه ی object Properties را انتخاب کنید و سپس در جعبه ی Varable Name واژه Err1 را تایپ کنید و همین رویه را با وارد کردن Err2 برای دیگر متغیرها داخل مدل انجام دهید.

تعیین خطاها برای متغیرهای داخل مدل نشان دهنده ی آن است که تمام واریانس متغیرهای درون زاد مدل به وسیله ی متغیرهای برون زاد پیش بینی نمی شود، بلکه متغیرهای دیگری نیز جهت پیش بینی واریانس متغیرهای درون زاد وجود دارد که در این مدل پؤوهشی وجود ندارند.

- رابطه ی میان آن دسته از متغیرهای برون زاد را گمان می رود به شکل مستقیم با متغیر وابسته رابطه دارند، به وسیله ی یک پیکان جهته از متغیرهای مستقل به وابسته وصل کنید.

در این مثال فرض می شود که تنها دو متغیر روان نژندی و وظیفه شناسی دارای اثرمستقیم بر متغیر وابسته هستند.

بنابراین، تنها دو مسیر وصل می شوند. تاکنون تمام کارهای گرافیکی مدل انجام شده است.

اینک باید شاخص های آماری مورد نیاز را از سربرگ VieW، گزینه ی Analye Properties و کلیک بر گزینه ی output انتخاب کنید.

شاخص های مورد نیاز برای تحلیل مدل حاضر در شکل 2 نمایش داده شده است.

گزینه های که در شکل 2 علامت دار شده اند، برای تجزیه و تحلیل مسیر ضروری هستند.


تحلیل مسیر در amos با مدل برگشتی + مثال

 

- جهت اجرای تحلیل، از سربرگ Analyze در کار ارتباطی Amos بر روی گزینه Calculate Estimates کلیک کنید تا تحلیل مدل اجرا شود.

- برای نمایان شدن ضرایب استاندارد بر روی مدل، علاوه بر انتخاب گزینه ی مذکور، لازم است بر گزینه گرافیکی View The Output Path Diagram کلیک کنید.

تمام جزئیات ساختن مدل و مراحل اجرایی که در سطور پیش گفته شده است در شکل 3 نمایش داده شده است.

همان گونه که در شکل 3 مشاهده می شود، در بالای میانجی گر Self Esteem عدد 25/0 درج شده است؛ به عبارت دیگر، 25درصد واریانس متغیر عزت نفس به واسطه آن دسته از متغیرهایی که از آن ها پیکانی به طرف عزت نفس نشانه رفته است تعیین می شود.

همچنین 31 درصد واریانس رانندگی مخاطره آمیز (Risky Driving) به وسیله ی متغیرهای (Neurosis)، (Conciousness) و (Self - esteem) تبیین می شود.


تحلیل مسیر در amos با مدل برگشتی + مثال

 

پرسش اساسی هنوز باقی مانده است.

آیا متغیرهای شخصیتی پیش آیند متغیر عزت نفس و متغیر رانندگی مخاطره آمیز پیامد عزت نفس می باشد؟

جهت مشاهده ی نتایج پژوهش، از سربرگ View گزینه ی Text Output را انتخاب کنید و سپس جهت مشاهده ی شاخص های برازش مدل و پارامترهای آن بر روی گزینه های Model Fit و Estimate کلیک کنید.

شاخص های برازندگی مدل پژوهش حاضر بدین شرح هستند.

( 051/0 = RMSEA ، 37/1 = x^2 ، 99/0 = GFI ، 99/0 = GFI، 99/0 = IFI و 96/0 = TLI ). همان گونه که تمامی شاخص های آماری نشان می دهند، مدل پژوهش از برازندگی کاملاً قابل قبولی برخوردار است.

در پاسخ باید گفت که نرم افزار AMOS معنی داری اوزان مستقیم متغیرهای شخصیتی را بر رانندگی مخاطره آمیز ارائه می دهد.

اما برای آزمودن اثرات غیر مستقیم تک تک متغیرهای شخصیتی بر متغیر وابسته از طریق متغیر میانجی گر عزت نفس، باید از روش بوت استرپ در این نرم افزار و یا اتز برنامه طراحی شده پریچر و هیز (2008) که پیش تر توضیح داده شد استفاده گردد.

البته یک نکته را نباید فراموش کرد که هنگامی که برازندگی مدل پذیرفته می شود، این برازش راه را برای بررسی اثرات غیر مستقیم فراهم می سازد.

اگر برازش کلی مدل رد شود، پرداختن به آزمودن اثرات غیر مستقیم با روش ابزار پریچر و هیز و یا روش بارون و کنی، بیهوده است.

همچنین، اگر کلیت مدل تأیید شود اما، اثرات غیر مستقیم معنی دار نشوند، برازش کلی مدل دردی را درمان نمی کند.

بنابراین، مدل خوب مستلزم برازش در دو سطح کلی و اجزاء است.

اینک که در مثال حاضر برازندگی کلی مدل تأیید شده است باید دید که تأثیر معنی دار ویژگی های شخصیتی از طریق عزت نفس بر متغیر وابسته، چگونه است؟

به بیان دیگر، آن چه که مبهم است و باید توسط فاصله ی اطمینان حاصل از بوت استرپ و یا آماره ی سوبل دنبال شود این است که آیا تمام متغیرهای شخصیتی یا یک یا چند تا از این ویژگی ها به واسطه ی عزت نفس با متغیر وابسته رابطه دارند؟

شایان ذکر است که پس از تشریح خروجی های مربوط به این پژوهش، شیوه ی آزمودن اثرات غیر مستقیم با روش بوت استرپ در نرم افزار AMOS گزارش می شود.

تمام نتایج AMOS جهت بررسی اوزان مسیرهای مدل پژوهشی در خروجی های 1، 2 و 3 نمایش داده شده است.

اینک به بررسی این خروجی ها پرداخته می شود.


تحلیل مسیر در amos با مدل برگشتی + مثال

 

همان گونه که در خروجی 1 ملاحظه می شود، وزن غیر استاندارد و استاندارد رگرسیون میان Neurosis با Self Esteem به ترتیب برابر با 372/0 – و 386/0- می باشند.

در نخستین جدول از خروجی 1 اوزان غیر استاندارد متغیرها و سطوح معنی داری آن ها ارائه شده است.

اثرات مستقیم متغیرها یا همان ضرایب استاندارد متغیرها که در حقیقت وزن اختصاصی هر متغیر را نشان می دهد در دومین جدول از خروجی 1 آمده است.

معنی داری این اوزان اختصاصی دقیقاً مشابه معنی داری اوزان غیر استاندارد متغیرها می باشند.

متغیرهای شخصیتی برون گرایی، گشاده ذهنی و وظیفه شناسی با متغیر عزت نفس و متغیر روان نژندی با رانندگی مخاطره آمیز رابطه ی مستقیم معنی دار ندارند.


تحلیل مسیر در amos با مدل برگشتی + مثال

 

در نخستین جدول از خروجی 2، ارتباط ساده میان متغیرها نشان داده شده است.

در دومین جدول واریانس هر متغیر و مقادیر 254/0 و 312/0 در سومین جدول، همان مقادیری هستند که بر روی متغیرهای درون زاد مدل قرار دارند.

به بیان دیگر، 25 درصد واریانس عزت نفس توسط متغیرهای شخصیتی و 31 درصد واریانس رانندگی مخاطره آمیز توسط متغیر عزت نفس، روان نژندی و وظیفه شناسی تبیین می شود.

خروجی 3 دارای اطلاعات مهمی راجع به اثرات غیر مستقیم متغیرها می باشد.

به طور مثال، اثر غیر مستقیم وظیفه شناسی از طریق عزت نفس بر متغیر وابسته (رانندگی مخاطره آمیز) برابر با (040/0) است.

به طور خلاصه، متغیرهای روان نژندی و توافق جویی به ترتیب با ضرایب 169/0 و 115/- واجد بیشترین اثر غیرمستقیم (از طریق عزت نفس) بر رانندگی مخاطره آمیز هستند.

در سطور بعد، به این مطلب که آیا این اثرات غیر مستقیم معنی دار هستند یا نه پرداخته می شود.

اگر پژوهشگر مایل است اثرات غیر مستقیم تک تک ویژگی های شخصیتی را از طریق عزت نفس بر رانندگی مخاطره آمیز ارزیابی کند، باید اثرات مستقیم متغیرهای شخصیتی را در مدل لحاظ نماید؛ به بیان دیگر، باید با پیکان یک طرفه میان متغیرهای شخصیتی با متغیر وابسته اتصال برقرار شود.

البته، تصمیم در خصوص لحاظ نمودن تمام اثرات مستقیم متغیرهای شخصیتی در مدل یا مداخله ی تک به تک و تحلیل مجزای آن ها، مبتنی بر ملاحظات نظری پژوهشگر است.


تحلیل مسیر در amos با مدل برگشتی + مثال

 

پیام اصلی و کاربردی این پژوهش بدین قرار است:

« روان نژندی هنگامی منجر به رفتارهای مخرب رانندگی می شود که عزت نفس رانندگان جریحه دار شود». بنابراین، اگر عزت نفس افراد به خطر نیفتد، هر نوع نابهنجاری هیجانی لزوماً منجر به رفتارهای مخرب رانندگی نمی شود.

اما اگر عزت نفس آسیب ببیند، صرف نظر از وضعیت روانی فرد، ارتکاب رانندگی مخاطره آمیز امکان پذیر می شود.

در این جا به بررسی معنی داری اثرغیرمستقیم تک تک متغیرهای مستقل از طریق متغیر عزت نفس بر رانندگی مخاطره آمیز پرداخته می شود.

- سربرگ View گزینه ی Analyze Properties را انتخاب کنید و سپس روی گزینه ی bootstrap از کادر ارتباطی مربوطه کلیک کنید.

گزینه ی Perform bootstrap را علامت دار نماید و سپس در جعبه ی سمت چپ number of bootstrap samples، به جای عدد 200 رقم 5000 را وارد کنید.

توصیه می شود برای اجرای بوت استراپ از 5000 بار نمونه گیری استفاده شود.

- دو گزینه ی فاصله اطمینان اریب اصلاح شده Bias – corrected confidence intervals و (Monte carlo parametric bootstrap) را علامت دار نماید و از کادر ارتباطی خارج شوید.

- اینک از سربرگ Analyze از کادر ارتباطی اصلی Amos برگزینه ی Calculate estimate کلیک کنید تا فرمان اجرا شود.

درش کل 4 کادر ارتباطی مربوط به گزینه های لازم برای اجرای بوت استرپ ارائه شده است.


تحلیل مسیر در amos با مدل برگشتی + مثال

 

پس از اجرای بوت استرپ و جهت مشاهده ی اثرات غیرمستقیم و سطوح معنی داری آن ها، لازم است مراحل زیر را با توجه به شکل 5 به دقت دنبال کنید.


تحلیل مسیر در amos با مدل برگشتی + مثال

 

- جهت مشاهده ی خروجی ها، از سربرگ View گزینه ی Text Output را انتخاب کنید.

- در قسمت بالای شکل 5 روی مربع سمت چپ واژه ی Estimate کلیک کنید تا واژه Matrices ظاهر شود.

سپس روی علامت مربع سمت چپ واژه ی Matrices کلیک کنید تا اثرات کلی، استاندارد، غیرمستقیم و اثرات غیرمستقیم استاندارد ظاهر شوند.

در این جا به بررسی اثرات غیرمستقیم پرداخته می شود.

بنابراین، روی عبارت Indirect Effects کلیک کنید تا مقادیر اثرات غیرمستقیم نمایش داده شود.

حال به منظور مشاهده ی سطوح معنی داری این اثرات و فاصله ی اطمینان مربوط به هر اثر، روی مربع سمت چپ عبارت Bootstrap Confidence (بخش پایین شکل 5) کلیک کنید تا عبارت Baiased corrected Percentile method ظاهر شود.

سپس روی علامت مربع سمت چپ عبارت مذکور کلیک کنید تا سطوح معنی داری نمایش داده شود.

نتایج مذکور در خروجی 4 نمایش داده شده است.


تحلیل مسیر در amos با مدل برگشتی + مثال

 

همان گونه که در خروجی 4 مشاهده می شود، روان نژندی از طریق عزت نفس 317/0 و توافق جویی از طریق عزت نفس 262/0- بر رانندگی مخاطره آمیز اثر می گذارند؛ به عبارت دیگر، در ازای یک نمره افزایش در روان نژندی، 317/0 واحد بر نمره ی رانندگی مخاطره آمیز افزوده می شود.

این مقدار (317/0) علاوه بر اثر مستقیم روان نژندی بر رانندگی مخاطره آمیز است.


تحلیل مسیر در amos با مدل برگشتی + مثال

 

همان گونه که در خروجی 5 ملاحظه می شود، حدود بالایی و پایینی مربوط به اثر غیرمستقیم توافق جویی به ترتیب برابر با 108/0- و 469- هستند که از لحاظ آماری در سطح005/0 P < معنی دار می باشند.

همچنین از میان پنج متغیر شخصیتی، تنها دو متغیر روان نژندی و توافق جویی از طریق عزت نفس بر رانندگی مخاطره آمیز اثر می گذارند.

پیام کاربردی این پژوهش: قبلاً گفته شد که یافته های حاصل از مدل های میانجی گر ما را در تبیین پدیده های روان شناختی کمک شایانی می کند.

حال باید پرسید که نتایج این تحقیق چگونه ما را در طراحی یک پژوهش آزمایشی جهت کاهش رانندگی مخاطره آمیز کمک می نماید؟

اگر در این پژوهش، متغیرهای روان نژودی و توافق جویی تنها واجد اثر مستقیم بر متغیر وابسته بودند، تنها چاره برای کاهش رانندگی مخاطره آمیز، تلاش جهت کاهش روان نژندی و افزایش توافق جویی بود. تحت چنین شرایطی، مداخله های آزمایشی باید این دو متغیر را در معرض تغییر قرار دهند.

اما با توجه به این که روان نژندی و توافق جویی از طریق عزت نفس با رانندگی مخاطره آمیز مرتبط هستند، ایجاد تغییر در این صفات و یا عزت نفس و یا انجام مداخله در هر سه متغیر می تواند موجب کاهش رانندگی مخاطرآمیز شود.

بنابراین، یافته های حاصل از مدل، اطلاعات بیشتری در اختیار پژوهشگر جهت دست کاری متغیر وابسته قرار دهد.

مثال دیگر، فرض کنید میزان سرعت رانندگی از طریق تضعیف ادراک فاصله با میزان حوادث مرتبط است.

در چنین شرایطی برای کاهش حوادث یا باید سرعت را کاهش داد و یا مهارت در ادراک فاصله را در رانندگان تقویت کرد.

اگر سرعت رانندگی واجد اثر مستقیم با میزان حوادث باشد، تنها راه برای کاهش حوادث، پایین آوردن سرعت در حین رانندگی است.

البته، آنچه مسلم است کاهش سرعت و تقویت ادراک فاصله بهتر می تواند موجب مهار حوادث شود.

نکته مهم:

در صورتی می توان از یافته های مدل های میانجی گر برای مداخله های آزمایشی سود جست که اندازه ی اثر غیرمستقیم ، به اندازه ی کافی بزرگ و فراوان باشد.

بیست و چهارمین مثال پژوهشی یک تحلیل مسیرساده و بدون کاربرد متغیرهای مکنون بود.

حال فرض کنید با سه آزمون گوناگون، عزت نفس و رانندگی مخاطره آمیز را اندازه گیری کرده ایم.

فرآیند ساخت مدل یابی معادلات ساختاری و کاربرد متغیرهای مکنون چگونه خواهد بود؟

آن چه مسلم است برای ساختن دو متغیر مکنون، عزت نفس و رانندگی مخاطره آمیز به کمک مقیاس های مرتبط با خودشان مشکلی نداریم.

پرسش نظری مهمی که پیش می آید این است آیا پنج بعد ویژگی های شخصیتی را نیز در یک متغیر مکنون متمرکز کنیم یا این پنج متغیر را به شکل متغیرهای مشاهده شده و مستقل که مربوط به سازه های گوناگونی هستند در تحلیل وارد کنیم؟

برای پاسخ دادن به پرسش فوق، باید دید عمیقی نسبت به ویژگی های شخصیتی داشته باشیم.

به طور مثال، آیا یک منبع مستقل (محیط یا ژنتیک) هم پراشی ویژگی های شخصیتی را تبیین می کند یا بیش از یک منبع تبیین واریانس در داده ها وجود دارد؟

اگر تصور بر این باشد که ویژگی های شخصیتی بر یک عامل معین بار می گذارند و نه بر دو عامل، ساختن یک متغیر مکنون از آن ها منطقی به نظر می رسد.

اما اگر نظریه هایی وجود داشته باشد که بر فرض مثال، روان نژندی و برون گرایی را به عامل ژنتیک و گشاده ذهنی، توافق جویی و وظیفه شناسی را به عامل محیطی – آموزشی نسبت دهد، در آن صورت، ساختن دو متغیر مکنون از این دو دسته متغیر، اطلاعات بیشتری از داده ها استخراج می کند.

البته اگر سازنده ی آزمون پنج بُعد بزرگ ویژگی های شخصیتی بر استقلال این پنج سازه شخصیتی پافشاری کند و ماهیت آن ها را متفاوت بداند، امکان ترکیب آن ها در یک متغیر مکنون وجود ندارد.

توجه به این نکته ضروری است که منطقاً نشانگرهای یک متغیر مکنون باید مرتبط با یک سازه معین باشند، در غیر این صورت، تبیین نتایج حاصل از متغیر مکنون دشوار خواهد بود. اگریک متغیر مکنون را از نشانگرهای دو سازه ی گوناگون تولید کنیم، قادر نخواهیم بود تا وزن هر کدام از سازه های منحصر به فرد را در مدل میانجی گر تشخیص و تبیین نماییم.

اگر تعداد متغیرهای مستقل، وابسته و یا میانجی گر زیاد باشند، ورود آن ها را در مدل چگونه تنظیم کنیم؟

دسته بندی عاملی هر گروه از متغیرها و آزمودن این مؤلفه های جدید جهت تصمیم گیری در ساخت تعداد متغیرهای مکنون کلید این مشکل است.

شاید تاکنون خواننده به فراست دریافته باشد که انجام دادن دو تحلیل عوامل تأییدی و مقایسه ی برازش ویژگی های شخصیتی در یک مدل تک عاملی و دو عاملی برای اتخاذ تصمیم راهگشا باشد؛ به عبارت دیگر، اگر برازش مدل یک عاملی و یا دو عاملی در تحلیل عوامل تأییدی معنی دار نشود، به کارگیری پنج بعد ویژگی های شخصیتی به عنوان پنج متغیر مکنون از صفات شخصیتی بر اساس ماده های هر صفت (در صورت بالا بودن حجم نمونه پژوهش) یک رویکرد ایده ئال است؛ به عبارت دیگر، اصولاً مدل یابی معادلات ساختاری مبتنی بر متغیرهای مکنون است.

همچنین، شاخص های برازش در مدل های ساختاری، علاوه بر آزمودن روابط ساختاری میان متغیرها، به آزمودن اعتبار مقیاس های به کار رفته (ابزارهای اندازه گیری) در مدل نیز مربوط می باشند.

به هر حال، در بیست و پنجمین مثال پژوهشی پنج بعد ویژگی های شخصیتی به عنوان یک متغیر مکنون در تحلیل وارد می شوند.

از کاستی های این مثال پژوهشی صرفاً به دلیل مقاصد آموزشی چشم پوشی می شود.

این نکته یادآور می شود که داشتن مبانی نظری و یا سوابق تجربی نسبت به ماهیت متغیرهای مشاهده شده، جهت ساختن متغیرهای مکنون از اهمیت اساسی برخوردار است.

اگر همبستگی میان متغیرهای مشاهده شده ضعیف و یا اساساً همبستگی وجود نداشته باشد، هیچ واریانس مشترکی وجود ندارد تا در یک متغیر مکنون ظاهر شود.

بنابراین، در صورت وجود استقلال نسبی میان متغیرهای مستقل، بهتر است از ساختن متغیرهای مکنون اجتناب شود.

برای دریافت متن کامل این مقاله آموزشی بسته آموزش تحلیل آماری با spss را تهیه کنید:

شما با این بسته می توانید تحلیل آماری با spss و amos را کامل و آسان بیاموزید

و قطعا قادر می شوید کارهای آماری را حودتان انجام دهید

چگونه؟

بسته آموزشی تجزیه تحلیل آماری با SPSS و AMOS

از صفر تا صد آموزش  spss

آموزش مباحث اساسی AMOS

آموزش به زبان ساده ، موضوعی و گام به گام همراه با تصویر

33 پکیج (1378 صفحه تصویری)+ به همراه همه مقالات آموزشی این سایت درباره spss

لطفا و خواهشا برای سوال های آماری و رفع اشکال تماس نگیرید

هر آنچه لازم باشد در این بسته آموزشی آمده است.

دانلود 10 نمونه داده های آماری spss برای تمرین و آموزش

 

 


هر سوالی دارید بپرسید:
انتخاب جدیدترین موضوعات روانشناسی، مشاوره و علوم تربیتی و انجام تخصصی پروپوزال:
شماره تماس: 09011853901
 

 



 

مطلب مفید

موسیقی درمانی در روانشناسی و نقش آن در تسهیل ارتباطات

موسیقی درمانی در روانشناسی و نقش آن در تسهیل ارتباطات

موسیقی درمانی به شیوه ای خاص از موسیقی استفاده می کند تا توانایی ارتباط و ابراز را با نواختن ساز، آواز...

مزایای موسیقی درمانی در روانشناسی

مزایای موسیقی درمانی در روانشناسی

همه می توانند از موسیقی درمانی استفاده کند. اگرچه از لحاظ درمانی این شیوه برای کسانی استفاده می شود

مطلب روانشناسی با منبع درباره اهمیت قصه گویی برای کودکان

مطلب روانشناسی با منبع درباره اهمیت قصه گویی برای کودکان

قدمت قصه و قصه گویی به قدمت تاریخ بشر است. به گونه ای که بشر زندگی خود را در چهار چوب...

Go to top
زوم تک
دوشنبه 30 مهر 1397.
امروز