تحلیل داده های آماری

در این مقاله، سه آزمون فریدمن، کندال (W) و کوکران بررسی می شوند. این آزمون ها توزیع های چندین متغیر وابسته را ارزیابی می کنند.

هنگامی که پاسخ یا فراوانی یک گروه آزمودنی را در سطوح گوناگون دو متغیر تنظیم می کنیم، برای تجزیه و تحلیل آن از آزمون مجذور کای دو متغیری یا آزمون خی دو دو متغیره در spss استفاده 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 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.

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 نمودارهای «چندک- چندک» (Q-Q plot) چندک های یک توزیع احتمال خاص در برابر چندک های نمونه رسم می شود. با استفاده از این نمودار می توان توزیع دو مجموعه را با هم مقایسه کرد و همچنین تعبیر کرد که یک مجموعه داده از توزیع خاصی پیروی می کند یا نه.

روش کلی استفاده از دستور؛ بصورت زیر است:  دستور... Analyze > Dimension Reducsion > Factor را اجرا کنید.  در پنجره Factor Analysis (تحلیل عاملی) همۀ متغیرهای مورد نظر را از سمت چپ پنجره به ناحیۀ مستطیلی Variables (متغیرها) منتقل کنید.

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:

بدون شک حجم نمونه در فنون آماری، عملاً نقش مهمی ایفا می کند. هر چند که توافق جهان شمولی در میان پژوهشگران وجود دارد که با بزرگ شدن حجم نمونه ثبات برآوردهای آماری بیشتر می شود، اما در این خصوص که به چه حجم نمونه ای بزرگ گفته می شود، توافقی وجود ندارد.

هم خطی بودن چند گانه میان ماده های پرسش نامه اثرات مطلوبی در برازش مدل ساختاری ایجاد می کند. هم خطی بودن ماده ها (همبستگی زیاد میان ماده ها)، مستقل بودن نمره های خطا (باقیمانده) را در مدل نفی می کند. به بیان دیگر، یکی از مفروضه های اساسی مدل های ساختاری ناهمبسته بودن واریانس خطای ماده ها است. اگر همبستگی میان دو یا چند ماده خیلی زیاد باشد، ارتباط میان باقیمانده های آن ها معنی دار می شود.

تحلیل مسیر گسترش مدل های رگرسیونی است که یک ماتریس همبستگی را در مقایسه با مدل های مفروض علی که پژوهشگر تنظیم می کند، می آزماید. همچنین، تحلیل مسیر به عنوان مدل یابی علی شناخته می شود که به آزمودن شبکه ای از روابط میان متغیرهای اندازه گیری شده توجه دارد.

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.

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.

مقیاس های دارای ماده های زیاد (مقیاس های بلند) در مدل یابی معادلات ساختاری تولید اشکال می کند؛ به ویژه اگر قرار باشد که تمام ماده ها به عنوان نشانگرهای سازه های مکنون در مدل مشارکت نمایند برآورد پارامترهای متعدد در مدل با توجه به حجم نمونه، باعث کاهش توان برآورد پارامترهای دقیق مدل می شود و در نتیجه باعث رد مدلهای مناسب می گردد.

وقتی به دلایلی نتوانیم داده ها را به صورت «کمی» مشخص کنیم، مثلا در مورد منابع انرژی که به رده های زغال، گاز طبیعی، نفت خام و غیره تقسیم می شود، باز هم نمایش نموداری گویاتر و نمایان تر از جدول است. توزیع مقدار کل روی رده ها، اغلب به صورت «نمودار دایره ای» نشان داده می شود.

در نرم افزار spss متغیری به نام DCommunicayion و با «برچسب» (lable)، Disconnected Communication ایجاد کرده و داده های فوق را در آن تایپ کنید، شکل 28-2.

یک نمایش «ساقه و برگ» (stem and leaf) اطلاعاتی راجع به الگوی مشاهدات در یک آرایه از داده ها فراهم نموده و به کشف تمرکز یا خوشه ای بودن مقادیر خاص داده ها کمک می کند. نام نمایش از راهی که ساخته می شود می آید. دو مثال زیر روش ساختن نمایش« ساقه و برگ» را نشان می دهد:

در تحلیلی واریانس با اندازه های تکراری، امکان مداخله ی چندین عامل درون آزمودنی در تحلیل وجود دارد. به طور مثال، آزمایشی را تصور کنید که در آن اثر دو عامل درون ازمودنی بر رویعملکرد تحصیلی یک گروه از دانش آموزان انجام شده است.

طرح های پیش آزمون- پس آزمون- پیگیری را می توان با دو تحلیل کوواریانس جداگانه آزمون کرد. در این، روش دو تحلیل کوواریانس جداگانه اجرا می شود که در هر نوبت نمره های پس آزمون و پیگیری به طور جداگانه به عنوان متغیر وابسته و متغیر پیش آزمون در هر دو نوبت به عنوان متغیر کوواریته وارد تحلیل می شود.

در تحلیل واریانس با اندازه های تکراری بر روی نمره های تفاضل، سه متغیر تفاضل بدین شرح محاسبه شود: نخستین متغیر از تفاضل نمره ی پس آزمون از پیش آزمون به دست می آید. این نمره ی حاصله که به آن نمره ی مازاد گفته می شود، مستقیما به اثر مداخله ی آزمایشی مربوط است.