آزمونهای آماری در تجزیه و تحلیل پایان نامه ارشد روانشناسی با spss به چند قسمت تقسیم می شود که در این مقاله به طور مختصر و مفید به آن پرداخته می شود.
آزمونهای آماری: تعاریف، مثال‌ها و تحلیل
آزمونهای آماری ابزارهایی ریاضیاتی هستند که به محققان در بررسی فرضیات و تحلیل داده‌ها کمک می‌کنند. این آزمونها با توجه به نوع داده‌ها، توزیع آنها و فرضیات مرتبط، به دو دسته‌ی کلی پارامتری و ناپارامتری تقسیم‌بندی می‌شوند. در ادامه، به بررسی هر یک از این دسته‌ها به همراه مثال‌ها و تفسیر نتایج می‌پردازیم.
۱. آزمونهای پارامتری
این دسته از آزمونها زمانی کاربرد دارند که داده‌ها از توزیع مشخص (اغلب توزیع نرمال) پیروی می‌کنند و مفروضاتی مانند همگنی واریانس برقرار باشد. آزمونهای پارامتری به دلیل داشتن قدرت آزمون بالاتر، در شرایطی که شرایط لازم برای اجرای آنها فراهم باشد، نتایج دقیق‌تری ارائه می‌دهند.
۱.۱ آزمون t تک‌نمونه‌ای (One Sample t-test)
تعریف: این آزمون برای مقایسه میانگین یک نمونه با یک مقدار ثابت یا استاندارد استفاده می‌شود.
مثال: فرض کنید میانگین قد کلی دانشجویان در یک کشور برابر با ۱۷۰ سانتی‌متر است؛ با استفاده از آزمون t تک‌نمونه‌ای می‌توان بررسی کرد که آیا میانگین قد دانشجویان یک دانشگاه خاص با این مقدار تفاوت معناداری دارد یا خیر.
تحلیل: در این آزمون، ابتدا فرض صفر (عدم تفاوت میانگین نمونه با مقدار مرجع) در نظر گرفته می‌شود. در صورتی که مقدار p-value کمتر از ۰.۰۵ باشد، فرض صفر رد شده و نتیجه می‌گیریم که میانگین نمونه از مقدار مرجع متفاوت است.
۱.۲ آزمون t دو نمونه‌ای مستقل (Independent Samples t-test)
تعریف: این آزمون برای مقایسه میانگین دو گروه مستقل به‌کار می‌رود.
مثال: بررسی تأثیر دو نوع رژیم غذایی بر کاهش وزن؛ با مقایسه میانگین وزن افراد دو گروه که هر یک رژیم متفاوتی را دنبال کرده‌اند.
تحلیل: پیش‌نیاز اصلی اجرای این آزمون، بررسی نرمال بودن داده‌ها و همگنی واریانس بین گروه‌ها است. اگر مقدار p-value کمتر از ۰.۰۵ باشد، تفاوت میانگین دو گروه به صورت معنادار است.
۱.۳ آزمون t جفتی (Paired Samples t-test)
تعریف: این آزمون برای مقایسه میانگین دو مجموعه داده وابسته (مثلاً قبل و بعد از یک مداخله) استفاده می‌شود.
مثال: بررسی تأثیر یک دارو بر فشار خون؛ با مقایسه فشار خون بیماران قبل و بعد از مصرف دارو.
تحلیل: در این روش، به ازای هر فرد دو اندازه‌گیری انجام می‌شود. در صورت داشتن p-value کمتر از ۰.۰۵، تغییرات مشاهده‌شده معنادار بوده و نشان‌دهنده تأثیر دارو است.
۱.۴ آزمون تحلیل واریانس یک‌طرفه (One-Way ANOVA)
تعریف: این آزمون برای مقایسه میانگین‌های بیش از دو گروه مستقل طراحی شده است.
مثال: ارزیابی تأثیر سه روش تدریس مختلف بر نمرات دانشجویان؛ هر گروه از دانشجویان بر اساس یک روش تدریس خاص آموزش می‌بینند.
تحلیل: در صورت رد فرض صفر (با p-value کمتر از ۰.۰۵)، حداقل دو گروه از میان گروه‌های مورد بررسی دارای تفاوت معنادار در میانگین‌ها هستند. در این صورت معمولاً آزمونهای تکمیلی (post-hoc) جهت تعیین گروه‌های متفاوت به کار گرفته می‌شوند.
۱.۵ آزمون تحلیل واریانس دوطرفه (Two-Way ANOVA)
تعریف: این آزمون برای بررسی تأثیر همزمان دو متغیر مستقل بر یک متغیر وابسته استفاده می‌شود.
مثال: بررسی تأثیر همزمان جنسیت و روش تدریس بر نمرات دانشجویان؛ با ارزیابی اثرات فردی و تعامل میان این دو متغیر.
تحلیل: این آزمون به تفکیک اثرات اصلی هر یک از عوامل و اثر تعاملی آنها کمک می‌کند. اگر تعامل بین متغیرها معنادار باشد (p-value کمتر از ۰.۰۵)، نتیجه می‌گیریم که ترکیب عوامل به طور مشترک بر متغیر وابسته تأثیر قابل توجهی دارد.
۲. آزمونهای ناپارامتری
زمانی که مفروضات لازم برای آزمونهای پارامتری (مانند توزیع نرمال یا همگنی واریانس) برقرار نیستند، از آزمونهای ناپارامتری استفاده می‌شود. این آزمونها به دلیل عدم نیاز به فرض توزیع مشخص، انعطاف بیشتری در کاربرد دارند ولی ممکن است قدرت آزمون کمی کمتر از آزمونهای پارامتری داشته باشند.
۲.۱ آزمون من-ویتنی (Mann-Whitney U test)
تعریف: معادل ناپارامتری آزمون t مستقل است که برای مقایسه دو گروه مستقل در شرایط عدم نرمال بودن داده‌ها استفاده می‌شود.
مثال: مقایسه میزان رضایت مشتریان در دو شعبه مختلف یک فروشگاه که داده‌ها از نظر نرمال بودن توزیع نمی‌شوند.
تحلیل: در صورتی که مقدار p-value کمتر از ۰.۰۵ باشد، می‌توان نتیجه گرفت که توزیع رضایت مشتریان در دو شعبه از نظر آماری متفاوت است.
۲.۲ آزمون ویلکاکسون (Wilcoxon Signed-Rank Test)
تعریف: معادل ناپارامتری آزمون t جفتی می‌باشد که برای داده‌های وابسته با توزیع غیر نرمال به کار می‌رود.
مثال: بررسی تأثیر یک برنامه تمرینی بر استقامت ورزشکاران؛ با مقایسه عملکرد ورزشکاران قبل و بعد از اجرای برنامه.
تحلیل: اگر مقدار p-value کمتر از ۰.۰۵ باشد، تغییر معناداری در عملکرد ورزشکاران به‌وجود آمده است.
۲.۳ آزمون کروسکال-والیس (Kruskal-Wallis Test)
تعریف: جایگزین ناپارامتری آزمون ANOVA یک‌طرفه برای مقایسه بیش از دو گروه است.
مثال: ارزیابی تأثیر سه نوع مکمل غذایی بر عملکرد ورزشی؛ با فرض اینکه داده‌ها از توزیع نرمال برخوردار نباشند.
تحلیل: در صورت داشتن p-value کمتر از ۰.۰۵، حداقل دو گروه از نظر عملکرد ورزشی از یکدیگر تفاوت معنادار دارند.
۲.۴ آزمون فریدمن (Friedman Test)
تعریف: معادل ناپارامتری ANOVA برای داده‌های تکراری (repeated measures) می‌باشد.
مثال: مقایسه عملکرد دانش‌آموزان در سه آزمون مختلف در طول یک ترم؛ در صورتی که داده‌ها نرمال نباشند.
تحلیل: اگر p-value کمتر از ۰.۰۵ باشد، تفاوت معناداری در عملکرد دانش‌آموزان در سه آزمون مشاهده می‌شود.
۳. آزمونهای همبستگی و رابطه بین متغیرها
این آزمونها به بررسی میزان و جهت رابطه بین دو یا چند متغیر می‌پردازند و می‌توانند هم روابط خطی و هم روابط غیرخطی را مورد ارزیابی قرار دهند.
۳.۱ ضریب همبستگی پیرسون (Pearson Correlation)
تعریف: این ضریب برای سنجش رابطه خطی بین دو متغیر پیوسته استفاده می‌شود.
مثال: بررسی رابطه بین میزان مطالعه و نمرات آزمون؛ به‌طوری که مقدار همبستگی بین -۱ تا +۱ قرار می‌گیرد.
تحلیل: مقدار نزدیک به +۱ نشان‌دهنده رابطه مثبت قوی و مقدار نزدیک به -۱ نشان‌دهنده رابطه منفی قوی است. در صورت داشتن p-value کمتر از ۰.۰۵، رابطه بین متغیرها به‌طور معنادار است.
۳.۲ ضریب همبستگی اسپیرمن (Spearman Correlation)
تعریف: برای داده‌هایی که توزیع نرمال ندارند، از ضریب همبستگی اسپیرمن استفاده می‌شود. این آزمون بر مبنای رتبه‌بندی داده‌ها کار می‌کند.
مثال: بررسی رابطه بین میزان ورزش و سطح استرس؛ به‌گونه‌ای که ترتیب رتبه‌ای داده‌ها مورد ارزیابی قرار گیرد.
تحلیل: نتایج مشابه آزمون پیرسون است، اما به خاطر عدم نیاز به فرض توزیع نرمال، در شرایط داده‌های غیرنرمال کاربرد دارد.
۳.۳ آزمون خی‌دو (Chi-Square Test)
تعریف: این آزمون برای بررسی رابطه بین متغیرهای اسمی یا دسته‌ای به کار می‌رود.
مثال: تحلیل ارتباط بین جنسیت و رشته تحصیلی؛ که در آن داده‌ها به صورت دسته‌بندی شده ثبت شده‌اند.
تحلیل: اگر p-value کمتر از ۰.۰۵ باشد، می‌توان نتیجه گرفت که بین دو متغیر ارتباط معناداری وجود دارد.
انتخاب آزمون مناسب در تحلیل آماری به عوامل متعددی مانند نوع داده‌ها، توزیع آنها، تعداد گروه‌ها و هدف از تحقیق بستگی دارد. آزمونهای پارامتری زمانی ایده‌آل هستند که داده‌ها دارای توزیع نرمال و همگنی واریانس باشند، چرا که قدرت بالاتری در تشخیص تفاوت‌ها دارند. از سوی دیگر، در شرایطی که داده‌ها از توزیع نرمال برخوردار نباشند یا شرایط لازم آزمونهای پارامتری فراهم نباشد، آزمونهای ناپارامتری جایگزین مناسبی ارائه می‌دهند. همچنین، آزمونهای همبستگی به ما کمک می‌کنند تا روابط بین متغیرها را بررسی و تفسیر کنیم.
مثال عملی
فرض کنید یک محقق می‌خواهد تأثیر یک برنامه آموزشی بر پیشرفت تحصیلی دانش‌آموزان را بررسی کند. روند انتخاب آزمونهای آماری می‌تواند به شکل زیر باشد:
مرحله اول: جمع‌آوری داده‌ها شامل نمرات دانش‌آموزان قبل و بعد از اجرای برنامه آموزشی.
اگر داده‌ها دارای توزیع نرمال باشند:
از آزمون t جفتی برای مقایسه نمرات قبل و بعد از برنامه استفاده می‌شود.
در صورتی که دانش‌آموزان به سه گروه (مثلاً سه روش آموزشی مختلف) تقسیم شده باشند، از آزمون ANOVA یک‌طرفه برای مقایسه میانگین نمرات در این سه گروه استفاده می‌شود.
اگر داده‌ها نرمال نباشند:
آزمون ویلکاکسون به عنوان جایگزین آزمون t جفتی برای مقایسه نمرات قبل و بعد مورد استفاده قرار می‌گیرد.
در صورت وجود بیش از دو گروه، آزمون کروسکال-والیس برای مقایسه عملکرد سه گروه به کار می‌رود.
با این استراتژی، محقق می‌تواند بر اساس ویژگی‌های داده‌ای خود، آزمونهای مناسب را انتخاب کرده و به تفسیر دقیق نتایج دست یابد. به این ترتیب، تصمیم‌گیری در خصوص تأثیر برنامه آموزشی به شیوه‌ای علمی و مستدل انجام می‌شود.
خلاصه و نکات مهم درباره آزمون های آماری
مباحث آزمونهای آماری، مباحثی مفصل است كه هر آزمون، نیمی از یك كتاب را به خود اختصاص می دهد.
در این مقاله كوشیده ایم نكات مهم آزمونها را بررسی كنیم.
برای مطالعه بیشتر آزمونها برای انجام روش تحقیق (رد یا قبول فرضیه) بهتر است از كتابهای آماری كمك بگیرید.
آزمونهای آماری:
روشهایی هستند كه با استفاده از آنها می توان فرضی را رد یا قبول كرد.
به عبارتی دیگر معنی دار بودن تفاضل آنچه مشاهده شده با نتایج مورد انتظار را تعیین نمود.
آزمون دو دامنه و یك دامنه:
آزمون دو دامنه:
اگر هدف های اصلی آزمون تعیین تفاوت بین دو مقدار مورد نظر باشد و به جهت تغییرات آن (مثبت یا منفی بودن) توجهی نكنیم، آزمون را دو دامنه می گویند.
آزمون یك دامنه:
اگر در یك آزمون علاوه بر تعیین تفاوت بین دو مقدار، به جهت تغییرات صفت نیز توجه كنیم، آزمون یك دامنه ای خواهد بود.
یعنی آزمون در پژوهش جهت دار باشد (مثبت و منفی آن مشخص باشد).
آزمونهای پارامتریك و ناپارامتریك:
آزمونهای پارامتریك:
آزمون هایی چون ……. , f, t را آزمونهای پارامتریك می گویند چون در این آزمونها فرضیه های مربوط به پارامترهای جامعه مانند میانگین، واریانس و ... مورد آزمون قرار می دهد در سطح سنجش كمی هستند.
آزمون های پارامتریك:
آزمون خی دو (كای اسكوئی) جزء آزمونهای ناپارامتریك است.
برای اینكه فرضیه های مربوط به پامترهای خاص جامعه را آزمایش نمی كنند.
و در سطح سنجش كیفی قرار دارند.
آزمونهای t , f (مقایسه میانگین):
این آزمون ها به مقایسه میانگین ها (تفاوت بین میانگین ها) می پردازند.
مقایسه میانگین: تنها تفاوت میان گروه های مورد مقایسه را بیان می كند.
آزمون t:
این آزمون ها به منظور تحلیل تفاوت بین میانگین دو نمونه مدنظر می باشد.
از این آزمون زمانی استفاده می شود كه تعداد نمونه كوچك باشد. N
