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 مربع

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.

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.

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

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.

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.

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.

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.

به منظور بررسی اثر جنسیت و طبقه اجتماعی- اقتصادی بر احتمال ابتلا به دیابت، آزمون مجذور کای دو بعدی به کار برده شد. در این آزمون فراوانی های قابل انتظار از نتیجه ی مضروب فراوانی های مشاهده شده ی حاشیه ای هر خانه، تقسیم بر کل فراوانی ها به دست می آمد. اما در تحلیل کای اسکور با بیش از دو بعد، محاسبه ی فراوانی های قابل انتظار به این سادگی امکان پذیر نیست.

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.

آزمون کروسکال- والیس و جونک هیر- ترپسترو توضیح داده می شوند. هر چند آزمون میانه همتای غیرپارامتریک آزمون t تست گروهای مستقل است، اما برای مقایسه ی رتبه های چندین گروه مستقل نیز استفاده می شود. در این آزمون، ابتدا رتبه های گروه ها صرف نظر از وضعیت گروهی آن ها به صورت صعودی یا نزولی مرتب می شوند و سپس میانه ی آن ها محاسبه می شود.

آزمون هایی که در این مقاله مطرح می شوند، به مقایسه ی توزیع دو متغیر وابسته توجه دارند. کاربرد شایسته ی یکی از این چهار نوع آزمون (ویلکاکسون)، علامت، مک نمار و همگن بودن حاشیه ای)، به نوع داد ها بستگی دارد. غالباً آزمون های این بخش در پژوهش های آزمایشی که متغیر وابسته پیش و پس از مداخله ی آزمایشی سنجیده می شود و یا آن دسته از پژوهش هایی که گذشت زمان به عنوان مداخله ی آزمایشی است و همچنین پژوهش های غیر آزمایشی کاربرد

پس از انتقال سه متغیر دو حالتی در جعبه ی Test Variables: و علامت دار نمودن گزینه Cochran's Q، بر گزینه ی ok از شکل 10 کلیک کنید تا فرمان آزمون کوکران اجرا شود.

برای بررسی ارتباط میان متغیرها، ضرایب همبستگی گوناگونی با توجه به نوع مقیاس دخیل در سنجش آن متغیرها وجود دارد که در این بخش تلاش می شود این ضرایب همبستگی در یک سری از موضوع های پژوهشی توضیح داده شوند. ضریب همبستگی پیرسون، ضریب همبستگی اسپیرمن، ضریب همبستگی تاو کندال ، ضریب همبستگی d سامرز .

آن چه در تحلیل عوامل اکتشافی و استخراج عامل های مطرح شد، غالباَ با مقوله ی روایی سازه (Validity Construct) سرو کار دارد. منظور از روایی این است که یک مقیاس که برای یک منظور ویژه و سنجش یک صفت معین طراحی شده است ، تا چه اندازه در سنجش آن صفت معین کارا و موفق است.

تحلیل مسیر در مدل های معادلات ساختاری از بسیاری جهات مشابه با روش های سنتی همبستگی و تحلیل رگرسیون است.

تحلیل رگرسیون در چندین مورد با تحلیل مسیر متفاوت است. نخست آن که تحلیل مسیر از لحاظ روش شناختی جامع و از لحاظ تحلیل داده ها یک روش فوق العاده انعطاف پذیر است. روش شناختی تحلیل مسیر جهت بررسی حجم عظیمی از پدیده های روانی – اجتماعی مناسب است.

تحلیل تمایزات که به آن تحلیل تمیز یا تحلیل ممیز نیز گفته می شود، یک روش شناخته شده و مشهور است که از آن برای کاهش ابعاد و طبقه بندی استفاده می شود. تحلیل تمیز به عنوان یک فن آماری قوی در موقعیت هایی که متغیر وابسته (ملاک) از نوع طبقه ای و متغیرهای مستقل از نوع کمی هستند، قابل کاربرد است. هدف اساسی تحلیلی تمیز پیش بینی عضویت گروهی در طبقات متغیر وابسته از روی مجموعه ای از متغیرهای مستقل است.

تحلیل خوشه ای یک روش چند متغیری است که هدف آن طبقه بندی یک نمونه از آزمودنی ها یا اشیاء بر اساس مجموعه ای از متغیرها است که نتیجه ی آن تشکیل گروه هایی با اعضاء مشابه است.