در این مقاله استفاده از بوت استرپ برای دستیابی به فاصله ی اطمینان گفته شده است که برای هر تحلیل گر حرفه ای در تحلیل آماری با spss مورد نیاز است.
تحلیل جدول فراوانی :
جدول فراوانی، فاصله های اطمینان را برای درصدهای (نسبت * 100% ) هر دسته نشان می دهد و بنابراین برای همه ی متغیرهای رسته ای موجودند. فاصله های اطمینان قابل قیاس در هیچ جای دیگر نرم افزار وجود ندارند.
مثال : استفاده از بوت استرپ برای دستیابی به فاصله ی اطمینان برای میانه (مطالعه موردی: جامعه کارمندان ) اداره در مرور سوابق کارمندان، علاقه مند به تجربه ی کارمندان می شود.
تجربه ی کاری دارای چولگی به سمت راست می باشد که میانگین برآورد تجربه ی کاری قبلی نمونه ای در بین کارمندان نسبت به میانه کمتر مطلوب است.
به هر حال بدون استفاده از بوت استرپ، فاصله ی اطمینان برای میانه در شیوه های آماری به طور کلی در نرم افزار وجود ندارند. این اطلاعات در فایل Employee data. Sav جمع آوری شده است.
برای دستیابی به فاصله های اطمینان میانه از بوت استرپ استفاده کنید. برای بازکردن فایل داده Employee data.sav آدرس زیر را دنبال کنید.
C:\Program Files\IBM\SPSS\Statistics\22\Samples\English\Employee data. Sav
توجه: این مثال از شیوه یExplore استفاده می کند و به گزینه ی اساس آماری نیاز دارد.
اجرای فرآیند در SPSS
1-برای به دست آوردن فاصله های اطمینان بوت استرپ برای میانه، منوی زیر را از لیست انتخاب کنید.
Analyze Descriptive Frequencies 2- متغیر Experience Previouse را به عنوان متغیر وابسته انتخاب کنید.
1- برای به دست آوردن فاصله های صحیح تر،Bias corrected accelerated (BCa) را انتخاب کنید. 2- روی Continue کلیک کنید. 3- روی Ok در کادر محاوره Explore کلیک کنید.
1- برای به دست آوردن فاصله های صحیح تر،Bias corrected accelerated (BCa) را انتخاب کنید.
2- روی Continue کلیک کنید.
3- روی Ok در کادر محاوره Explore کلیک کنید.
تحلیل جدول آماره های توصیفی :
جدول آماره های توصیفی شامل تعدادی از فاصله های اطمینان بوت استرپ و آماری برای آماره ها می باشد.
فاصله ی اطمینان بوت استرپ برای میانگین (20/105 و 39/86) مشابه فاصله های اطمینان پارامتری (30/105و 42/86) می باشد و دلالت بر این دارد که کارمند «نمونه» تقریبا 9-7 سال تجربه ی قبلی دارد.
به هر حال متغیر Previous Experience ، توزیع چوله دارد و میانگین حقوق فعلی ≫ نمونه≪ را تبدیل به نمایشگر مطلوب تری نسبت به میانه می کند. فاصله ی اطمینان بوت استرپ(00/60 و00/50) برای میانه، باریک تر و پایین تر از نظر مقدار نسبت به فاصله ی اطمینان برای میانگین است، که دلالت بر این دارد که کارمند≫ نمونه≪ تقریبا 5-4 سال تجربه ی قبلی دارد. استفاده از بوت استرپ این امکان را می دهد تا محدوده ای از مقادیر را به دست آورد که تجربه ی قبلی نمونه را بهتر نشان دهند.
مثال 3 : استفاده از بوت استرپ برای انتخاب پیشگویی های بهتر (برازش مدل در مثال قبلی) برازش General Linear Model اداره با مرور سوابق کارمندان در صدد است تا با استفاده از برازش مدل خطی برای تفاوت بین حقوق فعلی و حقوق اولیه تعیین کند که چه فاکتورهایی با افزایش حقوق کارمندان ارتباط دارد.
شما در حین بوت استرپ یک مدل خطی، می توانید از روش های باز نمونه گیری خاص (بوت استرپ ریسکی و مانده) استفاده کنید تا نتایج دقیق تری به دست آورید. این اطلاعات در فایل Employee data.sav جمع آوری شده است. برای باز کردن فایل داده Employee data.sav آدرس زیر را دنبال کنید
C:\Program Files\IBM\SPSS\Statistics\22\Samples\English\Employee data. Sav
توجه: این مثال از روش تک متغیره GLM استفاده می کند و نیازمند گزینه ی اساس آماری است.
آماده سازی داده ها
در ابتدا باید تفاوت بین حقوق فعلی و حقوق اولیه را محاسبه کنید.
از منو گزینه ی زیر را انتخاب کنید. Transform Compute Variable Diff را به عنوان متغیر هدف تایپ کنید.
Salary-salbegin را به عنوان عبارت عددی تایپ کنید. روی Ok کلیک کنید.
اجرای فرآیند در SPSS :
برای اجرای تحلیل تک متغیره ی GLM همراه با بوت استرپ مانده، ابتدا باید باقیمانده ها را به وجود آوردید.
1- از منو گزینه ی زیر را انتخاب کنید Analyze General linear Model Univariate
1- Diff را به عنوان متغیر وابسته انتخاب کنید.
2- متغیرهای Gender، Employment Category و Minority Classification را به عنوان فاکتورهای ثابت انتخاب کنید.
3- متغیرهای Month since Hire و Previous Expreience را به عنوان فاکتورهای کمکی انتخاب کنید.
4- روی Model کلیک کنید.
1- Main effects و Custom را از لیست Bulid Terms انتخاب کنید.
2- Gender را به عنوان مولفه های مدل انتخاب کنید.
3- روی Continue کلیک کنید.
4- روی Save در کادر محاوره GLM Univariate کلیک کنید.
5- Unstandardized را از پنجره Residuals انتخاب کنید.
6- روی Continue کلیک کنید.
7- روی Bootstrap در کادر محاوره GLM Univarariate کلیک کنید.
وضعیت های بوت استرپ روی کادرهای محاوره تاکید دارند که از بوت استرپ پشتیبانی می کنند.
ذخیره ی متغیرهای جدید برای مجموعه ی داده، زمانی که بوت استرپ در حال تاثیر گذاری است، پشتیبانی نمی شود، بنابراین باید اطمینان پیدا کنید که این کار انجام نمی شود.
1- در صورت نیاز Perform bootstrapping را انتخاب نکنید.
2- روی Ok در کادر محاوره GLM Univarariate کلیک کنید.
حالا مجموعه ی داده ای شامل یک متغیر جدیدRES-1 است که شامل مانده های غیر استاندارد از این مدل می باشد.
1- کادر محاوره GLM Univerariate را باز کرده و روی Save کلیک کنید.
2- تیک Unstandardized را برداشته و سپس روی Continue و روی Options در کادر محاوره GLM Univerariate کلیک کنید.
3- Estimates parameter را از پنجره Display انتخاب کنید.
1- روی Ok کلیک کنید.
2- روی Bootstarp در کادر محاوره GLM Univerariate کلیک کنید.
1- Perform Bootstrapping را انتخاب کنید.
برای تکرار دقیق نتایج این مثال set seed for Mersenne Twister را انتخاب و 2000000 را به عنوان عدد تکرار وارد کنید.
2- هیچ گزینه ای برای اجرای بوت استرپ ریسکی از طریق کادرهای محاوره وجود ندارد، بنابراین روی Continue و Paste در کادر محاوره GLM Univerariate کلیک کنید.
تحلیل جدول برآوردهای پارامتری
جدول برآوردهای پارامتری، برآوردهای معمول، غیر بوت استرپ و پارامتری را برای متغیرهای مدل نشان می دهد.
مقدار معنادار 105/0 برای متغیر [minotity=0] بزرگتر از 05 ,0 است که دلالت براین دارد که متغیر Minority Classification هیچ تاثیری بر افزایش حقوق ندارد.
گزارش بوت استرپ:
حالا به ستون های بوت استرپ از جدول برآوردهای پارامتری نگاه کنید.
در ستون Std.Error، می بینید که مولفه های خطای استاندارد پارامتری برای بعضی از ضرایب، مانند تاثیر متقابل، نسبت به برآوردهای بوت استرپ خیلی کوچک ترند، بنابراین فاصله های اطمینان وسیع ترند.
برای بعضی از ضرایب، مثل[minitory=0] ، خطاهای استاندارد پارامترها، خیلی بزرگ بودند، در حالی که سطح معنادار 37% گزارش شده کمتر از 05/0 است، بنابراین تفاوت مشاهده شده ی افزایش حقوق بین کارمندانی که اقلیت هستند و نیستند، اتفاقی نیست.
حالا برای اداره معلوم شد که این تفاوت برای تعیین علت های همگن، ارزش بررسی بیشتری دارد.
