تحلیل تشخیصی در تحلیل آماری پایان نامه روانشناسی با spss در این مقاله و مقاله های دیگر سایت به طور کامل آموزش داده شده است.

تحلیل تشخیصی در spss (قسمت دوم): برای مطالعه قسمت اول به انتهای همین متن رجوع کنید.

فرضیات زیر بنایی: اگر تعدادی از فرضیات زیر بنایی به درستی استفاده شوند در تفسیر تحلیل تشخیصی مفیدند.

بعضی از فرضیات برای تعداد یا انواعی از متغیرهای استفاده شده به کار می روند.

این تحلیل نیازمند این است که حداقل دو گروه وجود داشته باشد که هر گروه هم از دو یا تعداد بیشتری مورد تشکیل شده باشد.

بنابراین، تعداد موارد کوچکترین گروه باید بیشتر از تعداد پیشگویی کننده ها باشد.

اگرچه اجرای تحلیل تشخیصی با موارد کمی در گروه امکان پذیر است، نتایج نمونه ی کوچک خیلی متغیر خواهد بود و این تغییر پذیری در آزمون های معنادار تاثیر توابع تشخیصی مثل خی دو براساس ویلکس لامبدا منعکس خواهد شد.

یک پیشنهاد معقول این خواهد بود که تعداد موارد باید پنج برابر تعداد پیشگویی کننده ها باشد. پیشگویی کننده ها باید متغیرهایی باشند که در مقیاس های نسبی یا بازه ای، اندازه گیری شده باشند.

در مورد تحلیلی که شامل پیشگویی کننده های دو حالتی است، شاید رگرسیون لجستیک کارآمد باشد. فرضیه های متفرقه ای برای این تحلیل وجود دارد. اگر پیشگویی کننده ها با هم ارتباط داشته باشند، ممکن است رابطه شان خطی باشد.

این فرض را می توان از روی نمودار های نقطه ای همه جفت های پیشگویی کننده های دیگر، هر متغیر پیشگویی کننده به طور نرمالی پراکنده خواهند شد. این فرض عملا به سادگی اثبات نمیشود اما به دلیل متغیرهای فردی که به طور نرمال پراکنده نمی شوند، تخطی از فرض نرمال چند متغیره به وجود می آید.

پراکندگی هر پیشگویی کننده ی فردی آزمون می شود تا ثابت شود که تقریبا نرمال است. نگرانی خاصی درمورد وجود نقاط دور افتاده وجود دارد، این نقاط دورافتاده می توانند به طور جدی به توانایی تحلیل برای اهمیت تشخیص مابین گروه ها لطمه بزنند.

علاوه بر فرضیاتی که شامل پیشگویی کننده ها به طور کل می باشند، تحلیل تشخیصی متکی بر فرضیاتی است که درباره ی پراکندگی پیشگویی کننده ها و روابط درونی شان در هر مجموعه از موارد، با گروه بندی متغیرها تعریف میشود.

آشکارا فرض می شود که واریانس و کوواریانس جمعیت بین پیشگویی کننده ها در هر گروه از موارد یکسان هستند. این فرضیه را می توان با استفاده از آماره ی Box's M آزمایش کرد. اگر مقدار F در رابطه با آزمون معنادار نباشد، فرضیه معتبر نخواهد بود.

به هر حال، به دلیل اینکه آزمون خیلی نسبت به اندازه ی نمونه حساس است، یک نتیجه معنادار، همیشه تغییر نتایج تحلیل تشخیصی را نامعتبر نمی کند. می توان با مراجعه با به داده های شکل مربوطه فرض برابری واریانس/ کوواریانس درون گروهی را بهتر فهمید.

فرض برابری واریانس /کوواریانس بدین معناست که به ازای دارندگان رایانه و آن هایی که رایانه ندارند:1

- واریانس امتیازات IQ یکسان است.

2- واریانس سال های آموزش یکسان است.

3- همبستگی بین IQ و سال های آموزش یکسان است.

برای کنترل این فرضیات:

1) واریانس امتیزات IQ برای دارندگان و ندارندگان رایانه به دست می آید ( مقادیر به ترتیب 67/16 و 67/16 می باشند)

2) واریانس سالهای آموزش برای دارندگان و ندارندگان رایانه به دست می آید ( به ترتیب 25/4 و 67/6 )، مقادیر r ( فرمول r، کوواریانس دو متغیر تقسیم بر ریشه ی دوم واریانس متغیرهاست) ما بین IQ و سال های آموزش برای دارندگان و ندارندگان رایانه به دست می آید ( به ترتیب 396/0 و 632/0). اگرچه واریانس امتیازهای IQ برای دو گروه دارندگان رایانه یکسان است، ولی واریانس سال های آموزش و همبستگی بین IQ و سال های آموزش متفاوت است.

بنابراین ممکن است انتظار داشته باشیم که فرض برابری واریانس / کوواریانس جمعیت، این امکان را که بتواند با آماره ی Boox's M امتحان شود را معتبر نمی داند.

قبل از انجام فرآیند تحلیل تشخیصی در نرم افزار SPSS لازم است تفاوت بین تحلیل تشخیصی و رگرسیون لجستیک بیان شود.

بنابراین در این قسمت تفاوت بین این دو روش تشریح می شود.

همچنان که گفته شد تحلیل تشخیصی روشی است برای ترکیب کردن متغیرهای مستقل، برای ایجاد یک متغیر جدید که هر یک از شرکت کنندگان در بررسی، برای آن مقداری به دست می آورند.

این متغیر جدید ( که به نام تابع تشخیص شناخته می شود) به گونه ای ساخته می شود که مقدار هر شرکت کننده در آن، افراد را در طبقه های متغیر پاسخ جدا یا تفکیک کند. در تحلیل تشخیص، جهت آزمون کردن کارآیی تابع تشخیص در ایجاد تفاوت های معنی دار بین گروه های هدف، آماره ای به نام لامبدای ویلکس مورد استفاده قرار می گیرد.

به صورت رسمی تر، فرض کنید Y یک متغیر پاسخ است و z1, z2,…,zp ، P متغیر مستقل باشند.

هدف تحلیل تشخیص، پیدا کردن یک تابع خطی از متغیر های مستقل به شکل زیر می باشد: Y = a + b1X1 + b2X2 + … +bpXp به طوری که مقادیر افراد برای Y با حداکثر ممکن در طبقه های متغیر وابسته پراکنده باشد. Y را تابع ممیز خطی می نامند.

اهداف تحلیل تشخیص به ترتیب عبارتند از :

1- برای بیان نموداری یا جبری جنبه های اختلاف اشیاء (مشاهدات) از چندین مجموعه ( جامعه) که معلوم است، سعی می کنیم تفاوت هایی را پیدا کنیم که مقادیر عددی آن ها، مجموعه ها را تا جایی که ممکن است از هم جدا کنند.

2- برای جور کردن اشیاء ( مشاهدات ) به دو یا چند رده مشخص و در حقیقت به دست آوردن قاعده ای برای تخصیص بهینه یک شیء جدید به رده های مشخص. به عبارت دیگر ایده اساسی تحلیل تشخیص عبارت است از تخصیص یک فرد یا گروهی از افراد به یکی از چند جمعیت معلوم یا مجهول، بر اساس مشاهدات .

تحلیل تشخیص خطی می تواند برای به دست آوردن یک مدل برای پیش بینی عضویت یک ا ز مشاهدات جدید به دو یا چند گروه مورد استفاده قرار گیرد.

برای هر گروه، تحلیل تشخیص خطی فرض می کند که متغیرهای مستقل به صورت نرمال با ماتریس واریانس – کوواریانس یکسان توزیع شده اند، به همین دلیل گاهی اوقات به جای واژه تحلیل تشخیص از تحلیل تشخیص خطی استفاده شده است.

ساده ترین تحلیل تشخیص خطی دو گروه دارد. برای ممیز کردن بین این دو گروه، یک تابع ممیز خطی که از مرکز ثقل این دو گروه عبور می کند، می تواند مورد استفاده واقع شود. به عبارت دیگر وقتی تنها دو گروه وجود دارد فقط یک تابع تشخیص نیز وجود دارد. اما وقتی بیشتر از دو گروه وجود دارد، توابع متعدی می تواند وجود داشته باشد.

از طرف دیگر هدف از رگرسیون لجستیک پیدا کردن بهترین برازش (مدل) برای تشریح رابطه میان برآمد (متغیر وابسته یا پاسخ) و مجموعه ای از متغیرهای مستقل ( متغیرهای توضیحی) می باشد.

این روش به نسبت انعطاف پذیر است و به آسانی مورد استفاده قرار می گیرد. رگرسیون لجستیک رویکرد دیگری برای پیش بینی طبقه ای است که نسبت به تحلیل تشخیص فرض های کمتری دارد.

به عنوان مثال اگر بخواهیم اثر چند متغیر مستقل از قبیل میزان مصرف سیگار و میزان مصرف الکل را بر تشخیص وضعیت خونی افراد بسنجیم و فرض شود ا ز100 نفر، 25 نفر وضعیت خونی مورد نظر را دارند و 75 نفر ندارند، آنگاه این اعداد را می توان این گونه بیان کرد که شانس داشتن این وضعیت 25 به 75 (یعنی 1 به 3) است.

به عبارت دیگر احتمال داشتن وضعیت مورد نظر 25 از 100 است. متاسفانه شانس به عنوان شاخصی از احتمال وقوع یک حادثه، دارای این اشکال است که، وقتی که یک حادثه احتمال بالایی دارد شانس آن می تواند مقادیر بی نهایت بزرگی بگیرد.

در حالی که اگر احتمال آن خیلی کم باشد، شانس تنها می تواند کسری بین صفر و یک باشد. این اشکال را می توان با گرفتن لگاریتم طبیعی از شانس برطرف کرد. این حالت را لگاریتم شانس یا لوجیت می نامند.

اگر لوجیت، یک مقدار منفی گرفت بدان معنی است که شانس، بر علیه وقوع حادثه است و اگر لوجیت یک مقدار مثبت گرفت بدان معنی است که شانس، به نفع وقوع حادثه است، هنگامی که شانس یک حادثه، پنجاه باشد، مقدار لوجیت صفر می شود.

تحلیل تشخیصی در spss (قسمت اول)