‏✳️ ‌آزمون فرض آماری مناسب | راهنمای کاربردی

‏یکی از مهم‌ترین تحلیل‌های آماری، آزمون فرض آماری است که نقش مهمی در برآوردیابی و سنجش اهمیت یک متغیر در مدل‌های آماری دارد. خوشبختانه (یا متاسفانه) آزمون‌های فرض در آمار بسیار متنوع بوده و با توجه به شرایط مسئله و داده‌ها با یکدیگر تفاوت دارند. به همین دلیل انتخاب آزمون فرض آماری مناسب یکی از فعالیت‌های مهم بعد از جمع‌آوری داده‌ها محسوب می‌شود. در این نوشتار سعی داریم که با بعضی از اصلی‌ترین روش‌های آزمون فرض آماری مناسب برای داده‌ها، آشنا شده و به زمینه کاربرد هر یک از آن‌ها اشاره کنیم.

══ فهرست مطالب ══

‏ ○ آزمون فرض آماری مناسب
‏ ○ معرفی فیلم آموزش تحلیل رگرسیون لجستیک دو حالتی در SPSS
‏ ○ خلاصه و جمع‌بندی


‏🔸 آزمون فرض آماری مناسب

‏آزمون های فرض آماری (Statistical Hypothesis Tests) شامل تکنیک‌های آماری است که برای صدور یک حکم در مورد جامعه آماری به کار می‌رود. به کمک چنین آزمون‌هایی، می‌توانیم ارتباط بین دو یا چند جامعه را مشخص کرده، همچنین برای سنجش پارامتر یا پارامترهای جامعه و مقایسه آن‌ها با یکدیگر از آزمون‌های آماری استفاده می‌کنیم. به همین دلیل انبوهی از آزمون‌های فرض در مباحث آماری مطرح شده که ممکن است کاربران و محققین را نسبت به انتخاب هر کدام، دچار سردرگمی کند. به همین دلیل این مطلب از مجله فرادرس را به انتخاب آزمون فرض آماری مناسب اختصاص داده‌ایم تا راهکارهایی برای تعیین آزمون صحیح در اختیار کاربران قرار دهیم.

‏در این میان، از آزمون‌های آماری ساده و پارامتری آغاز کرده و در بخش‌های مختلف به بررسی روش‌های اجرای آزمون‌های ناپارامتری نیز خواهیم پرداخت. از آنجایی که برای درک بیشتر این دنباله نوشته‌ها احتیاج به آگاهی از شیوه انجام آزمون آماری دارید بهتر است ابتدا نوشتار استنباط و آزمون فرض آماری — مفاهیم و اصطلاحات را مطالعه کنید. همچنین آگاهی از نحوه محاسبه احتمال-مقدار (P-value) نیز مفید به نظر می‌رسد، بنابراین مطالعه مقدار احتمال (p-Value) — معیاری ساده برای انجام آزمون فرض آماری نیز توصیه می‌شود. امیدواریم پس از مطالعه این مطلب، قادر باشید هنگام انتخاب روش مناسب آزمون آماری، بهترین و دقیق‌ترین روش را در نظر بگیرید.

‏نکته: اگر می‌خواهید آزمون فرض آماری مناسب در محیط SPSS‌ را بهتر بشناسید، به نوشتار آزمون آماری مناسب در SPSS | راهنمای کاربردی مراجعه کنید.


‏🔸 معرفی فیلم آموزش تحلیل رگرسیون لجستیک دو حالتی در SPSS

‏در این فیلم آموزشی مدل‌های مبتنی بر رگرسیونی لجستیک به همراه کاربردهای آن، مورد توجه قرار گرفته است و برای انجام محاسبات مربوطه نیز از محیط تعاملی نرم افزار SPSS استفاده شده. وجود مثال‌های کاربردی و متعدد در این آموزش از مزایای مهم محسوب می‌شود. بطوری که مخاطب در انتهای آموزش به راحتی تحلیل صحیح و مناسب را در نرم افزار SPSS شناخته و می‌تواند برای مسئله خود، راه حل مناسبی پیدا کند.

‏رگرسیون لجستیک دو حالتی (برای متغیرهای دو وضعیتی)، در بسیاری از رشته‌های کاربردی از جمله پزشکی و علوم اجتماعی کاربرد دارد. در این مدل‌ها، متغیر پاسخ دو حالتی با یک مجموعه از متغیرهای توضیحی (مستقل) در ارتباط هستند. البته متغیرها توصیفی یا مستقل ممکن است کمی یا کیفی بوده و در مدل نقش داشته باشند. احتمال یا بخت پاسخ بر مبنای ترکیبی از مقادیر پیشگوها در این گونه مدل‌ها، ساخته و محاسبه شده و از تابع لوجیت برای ایجاد الگوی رابطه بین متغیرها استفاده می‌شود. به همین جهت نیز چنین رگرسیونی را لجستیک می‌نامند. سرفصل‌های مورد توجه شامل دو درس بوده که به قرار زیر هستند.

‏– درس اول: مقدمه بر تحلیل رگرسیون، رگرسیون لجستیک، رگرسیون لجستیک ساده در نرم افزار SPSS که شامل مواردی مانند، بررسی مقدماتی خروجی SPSS در رگرسیون لجستیک ساده، بخت، نسبت بخت‌ها، نمایش مدل رگرسیون ساده و بررسی مدل و گزارش نویسی خروجی نرم افزار SPSS

‏– درس دوم: انجام تحلیل رگرسیون لجستیک چندگانه در محیط SPSS



مطالعه ادامه مطلب 👇👇

‏🔗 آزمون فرض آماری مناسب | راهنمای کاربردی — کلیک کنید (+)


📌 کانال اختصاصی آموزشی آمار و احتمالات

آخرین مطالب علمی، مقالات رایگان و ویدئوهای آموزشی آمار و احتمالات را در کانال اختصاصی [@FaraStatistics] دنبال کنید. 👇

@FaraStatistics — مطالب و آموزش‌های آمار و احتمالات فرادرس

‌

‏✳️ ‌تحقیق کمی چیست ؟ | روش، مراحل و انواع تحقیق کمی — به زبان ساده

‏روش تحقیق باید با توجه به نوع داده‌ها و جامعه‌ای که در اختیار دارید تعیین شود. به همین جهت اگر ویژگی یا صفت‌های مورد بررسی از جامعه، از نوع متغیرهای کیفی و غیر قابل اندازه‌گیری باشند، باید با روش‌های کیفی به بررسی آن‌ها بپردازید. در مقابل برای متغیرهای کمی از جامعه آماری، تکنیک‌های تحقیق کمی مورد استفاده قرار می‌گیرد. در این متن می‌خواهیم شما را با این گونه روش‌ها، آشنا کرده و مشخص کنیم که روش تحقیق کمی چیست و چگونه باید آن را اجرا کرد.

══ فهرست مطالب ══

‏ ○ تحقیق کمی چیست ؟
‏ ○ روش تحقیق کمی اولیه
‏ ○ روش‌های تحقیق کمی ثانویه
‏ ○ معرفی فیلم آموزش روش تحقیق کمی
‏ ○ خلاصه و جمع‌بندی


‏🔸 تحقیق کمی چیست ؟

‏تحقیقات کمی را باید به عنوان یک روش پژوهشی سیستماتیک و علمی در نظر گرفت که براساس جمع‌آوری داده و اطلاعات از پدیده‌ها مورد بررسی، عمل می‌کند. در این روش تحقیقی، پس از دسته‌بندی و آماده‌سازی اطلاعات جهت پردازش، از تکنیک های آماری، ریاضی یا محاسباتی به منظور مدل‌سازی رفتار پدیده‌ها استفاده می‌شود.

‏تحقیقات کمی با استفاده از روش‌های نمونه گیری، بخشی از جامعه آماری هدف را در نظر گرفته و با ارسال فرم‌های نظرسنجی (آنلاین یا دستی) به قالب پرسشنامه و … اطلاعات مورد نظر را جمع آوری می‌کند. حاصل تجزیه و تحلیل آماری چنین داده‌هایی، نتایج تحقیق کمی را می‌سازند. به این ترتیب با دریافت نتایج حاصل از تحقیق کمی، پس از درک دقیق این اعداد، آینده یک محصول یا خدمات، طبق مدل پیشنهادی، قابل پیش بینی بوده و متناسب با آن قادر به تغییرات خواهیم بود.

‏نمونه‌ای از تحقیقات کمی، نظرسنجی انجام شده برای بررسی مدت زمانی است که باید بیمار در بیمارستان انتظار بکشد تا پزشک او را معاینه کند. می‌توان به کمک یک پرسشنامه که شامل سوالاتی نظیر نوع بیماری، علت مراجعه، زمان انتظار تا ویزیت پزشک، تعداد دفعات مراجعه بیمار به بیمارستان و سایر سوالات دیگر اطلاعاتی را در این مورد جمع‌آوری و مورد تحلیل قرار داد.


‏🔸 روش تحقیق کمی اولیه

‏«تحقیقات کمی اولیه» (Primary Quantitative Research) پرکاربردترین روش انجام تحقیقات کمی محسوب می‌شوند. ویژگی بارز تحقیقات اولیه این است که محقق بر جمع آوری داده‌ها به طور مستقیم و نه وابسته به داده‌های جمع آوری شده از تحقیقات قبلی، تمرکز دارد. در این متن ابتدا به بررسی روش تحقیق کمی اولیه پرداخته و در ادامه، تحقیق کمی ثانویه را مورد بررسی قرار خواهیم داد.

‏طرح تحقیق کمی اولیه را می‌توان به سه مسیر یا رویکرد متفاوت طبقه‌بندی کرد.

‏– تکنیک و نوع مطالعه

‏– روش جمع‌آوری و به کارگیری داده‌ها

‏– تعیین نحوه آنالیز و تحلیل داده‌ها

‏در ادامه هر یک از این رویکردها را با توجه به روش‌هایی که به کار گرفته می‌شود، معرفی و مقایسه خواهیم کرد.



مطالعه ادامه مطلب 👇👇

‏🔗 تحقیق کمی چیست ؟ | روش، مراحل و انواع تحقیق کمی — به زبان ساده — کلیک کنید (+)


📌 کانال اختصاصی آموزشی آمار و احتمالات

آخرین مطالب علمی، مقالات رایگان و ویدئوهای آموزشی آمار و احتمالات را در کانال اختصاصی [@FaraStatistics] دنبال کنید. 👇

@FaraStatistics — مطالب و آموزش‌های آمار و احتمالات فرادرس

‌

‏✳️ ‌تحقیق اکتشافی و روش های آن — آشنایی با مفاهیم اولیه روش تحقیق

‏تحقیق و پژوهش در علوم، باید به صورت علمی و صحیح به پیش رود. حدس و گمان یا نظریات غیر قابل اثبات در این گونه روش‌ها جایی ندارند. به همین منظور در بسیاری از تحقیقات که درباره پدیده‌های تصادفی صورت می‌گیرد، از اصول آمار و احتمال بهره برده و با ذکر خطای محتمل بر نتایج، میزان صحت آن‌ها را تخمین می‌زنند. در این متن به روش تحقیق اکتشافی پرداخته‌ایم که به نوعی یکی از تکنیک‌های آماری برای مطالعه و پژوهش است. معمولا با مشاهده و استفاده از نمونه‌گیری جامعه هدف، به داده‌ها و اطلاعات مورد نیاز دست پیدا کرده و الگو یا مدل‌های آماری را برازش می‌دهند.

══ فهرست مطالب ══

‏ ○ تحقیق اکتشافی چیست ؟
‏ ○ معرفی فیلم آموزش روش تحقیق ترکیبی (آمیخته)
‏ ○ خلاصه و جمع‌بندی


‏🔸 تحقیق اکتشافی چیست ؟

‏تحقیق اکتشافی به پژوهشی اتلاق می‌شود که برای بررسی مسئله‌ای مورد استفاده قرار می‌گیرد که به وضوح تعریف نشده یا جنبه‌های تصادفی دارد. معمولاُ این روش را محققان برای درک بهتر مسئله موجود انجام می‌دهند. برای چنین تحقیقاتی، یک محقق با یک ایده کلی شروع می‌کند و از این تحقیق به عنوان ابزاری برای شناسایی موضوعاتی بهره می‌برد که می‌تواند کانون تحقیقات آینده باشند.

‏یک جنبه مهم در تحقیقات یا پژوهش اکتشافی این است که محقق باید مایل به تغییر جهت نظریه خود بوده و قبول کند که ممکن است داده‌های حاصل از نمونه، منجر به استنباطی شوند که در جهت عکس نظریه او قرار دارند. چنین تحقیقی معمولاً هنگامی انجام می‌شود که مسئله در مرحله مقدماتی است. محققین این روش را اغلب به عنوان رویکردی مبتنی بر تئوری یا تحقیقات تفسیری یا توصیفی شناخته و به کار می‌برند زیرا برای پاسخ به سوالاتی مانند «چه چیز»، «چرا» و «چگونه» مورد استفاده قرار می‌گیرد.

‏به عنوان مثال، سناریویی را در نظر بگیرید که در آن صاحب آب میوه فروشی، احساس می‌کند که افزایش تنوع آب میوه باعث افزایش مشتری خواهد شد و در نتیجه سود بیشتری نیز کسب خواهد کرد. ولی از صحت این امر مطمئن نیست و به اطلاعات بیشتری نیاز دارد. مالک فروشگاه قصد دارد یک بررسی و کنکاش برای کشف و سنجش این نظریه انجام دهد و از این رو تصمیم می‌گیرد یک تحقیق اکتشافی اجرا کند تا بفهمد آیا با افزایش تنوع آب میوه‌ها در فهرست ارائه شده به مشتریان، آیا مشتری بیشتری بدست می‌آورد یا خیر؟ پس پرسش‌های مربوط به «چه چیز»، «چرا» و «چگونه» معنی‌دار شده و پاسخ‌های آن را به کمک تحقیق اکتشافی دریافت می‌کند.


‏🔸 معرفی فیلم آموزش روش تحقیق ترکیبی (آمیخته)

‏باید توجه داشت که روش تحقیق برای داده‌های کمی و کیفی متفاوت است. ولی از جهتی بعضی از پدیده‌ها، شامل داده‌هایی هستند که هم از متغیرهای کمی و هم کیفی بهره برده‌اند. به همین جهت استفاده از روش‌های تحقیق ترکیبی یا آمیخته باید مورد توجه قرار گیرد. هدف از این فیلم آموزشی که از طرف فرادرس منتشر شده است، ساده سازی و کمک به درک و فهم روش‌های پژوهش ترکیبی است. این تکنیک تحقیقاتی به تازگی مورد توجه قرار گرفته و به علت جدید بودن، کمتر مورد استفاده قرار گرفته ولی قابلیت‌ها و مزایای زیادی برای محققین و پژوهشگران به همراه دارد.

‏در این آموزش به جنبه‌های تحقیق کمی و کیفی توجه شده و تکنیک ترکیب آن‌ها نیز در دستور کار قرار گرفته است. درس‌های اول و دوم در این آموزش مربوط به معرفی روش‌های پژوهش کمی، کیفی و همچنین ترکیبی است و درس‌های سوم به بعد، مربوط به آشنایی با مفاهیم و کاربردهای پژوهش ترکیبی، روش‌های جمع آوری داده و تکنیک‌های تحلیل آن‌ها در پژوهش ترکیبی یا آمیخته است.

‏– None



مطالعه ادامه مطلب 👇👇

‏🔗 تحقیق اکتشافی و روش های آن — آشنایی با مفاهیم اولیه روش تحقیق — کلیک کنید (+)


📌 کانال اختصاصی آموزشی آمار و احتمالات

آخرین مطالب علمی، مقالات رایگان و ویدئوهای آموزشی آمار و احتمالات را در کانال اختصاصی [@FaraStatistics] دنبال کنید. 👇

@FaraStatistics — مطالب و آموزش‌های آمار و احتمالات فرادرس

‌

‏✳️ ‌توزیع فراوانی — به زبان ساده (+ دانلود فیلم آموزش رایگان)

‏فراوانی که بسامد یا فرکانس (Frequency) نیز نامیده می‌شود، تعداد رخداد چیزی در یک برهه زمانی است. برای مثال تصور کنید سام در روزهای زیر فوتبال بازی می‌کند:

══ فهرست مطالب ══

‏ ○ توزیع فراوانی
‏ ○ نمودارها


‏🔸 توزیع فراوانی

‏با شمارش تعداد تکرارها، می توانیم یک جدول توزیع فراوانی (Frequency Distribution) ایجاد کنیم.

‏تیم سام در بازی‌های اخیر، به تعداد زیر گل زده است:

‏۲, ۳, ۱, ۲, ۱, ۳, ۲, ۳, ۴, ۵, ۴, ۲, ۲, ۳


‏🔸 نمودارها

‏پس از درست کردن جدول توزیع فراوانی می توانید نمودار میله‌ای یا ستونی آن را رسم کنید.

‏اگر این نوشته برای شما مفید بوده است، پیشنهاد می‌کنیم از آموزش‌های زیر نیز بازدید کنید:

‏– مجموعه آموزش‌های نرم‌افزارهای آماری‎

‏– نمودارهای پراکندگی – به زبان ساده

‏– مجموعه آموزش‌های آمار، احتمالات و داده‌کاوی

‏– مفهوم‌های اصلی آمار که تحلیل گران علم داده باید بدانند

‏– نمایش و رسم نمودار برای داده‌ها — معرفی و کاربردها

‏– تقلب نامه (Cheat Sheet) آمار و احتمال — راهنمای سریع و کامل

‏==



مطالعه ادامه مطلب 👇👇

‏🔗 توزیع فراوانی — به زبان ساده (+ دانلود فیلم آموزش رایگان) — کلیک کنید (+)


📌 کانال اختصاصی آموزشی آمار و احتمالات

آخرین مطالب علمی، مقالات رایگان و ویدئوهای آموزشی آمار و احتمالات را در کانال اختصاصی [@FaraStatistics] دنبال کنید. 👇

@FaraStatistics — مطالب و آموزش‌های آمار و احتمالات فرادرس

‌

‏✳️ ‌آموزش معادلات ساختاری در SPSS — گام به گام و به زبان ساده

‏مسائلی که در دنیای واقعی امروز پیش روی محققین آمار و علوم اجتماعی و مدیریتی قرار دارد به قدری پیچیده شده که با یک، دو و حتی ۱۰ متغیر نیز قابل بیان نیستند. در این حالت شناسایی متغیرهای پنهان و کاهش ابعاد مسئله‌هایی با ابعاد متغیرهای زیاد، اهمیت ویژه‌ای پیدا می‌کند. یکی از تکنیک‌های رایج در آمار برای بدست آوردن متغیرهای پنهان از متغیرهای آشکار، تحلیل عاملی (Factor Analysis) است. به این ترتیب ترکیب خطی از متغیرها به کار گرفته شده و عامل‌های مرتبط با متغیرهای آشکار مشخص می‌شود. معادلات ساختاری (Structural Equation Modeling) یکی از ابزارهای مناسب برای حل مسائل و آنالیزهای عاملی است. در این متن با رویکردی نرم‌افزاری، با استفاده از برنامه آماری AMOS، آموزش معادلات ساختاری در SPSS را اجرا می‌کنیم.

══ فهرست مطالب ══

‏ ○ آموزش معادلات ساختاری در SPSS
‏ ○ معرفی فیلم آموزش مدل سازی معادلات ساختاری با AMOS
‏ ○ خلاصه و جمع‌بندی آموزش معادلات ساختاری در SPSS


‏🔸 آموزش معادلات ساختاری در SPSS

‏قبل از هر چیز برای آموزش معادلات ساختاری در SPSS لازم است که در مورد معادلات ساختاری اطلاعاتی کسب کنیم. در حقیقت، مدل سازی معادلات ساختاری (SEM) شامل تکنیک‌های مختلف آماری مانند تجزیه و تحلیل مسیر، تحلیل عاملی تأییدی، مدل‌سازی علی با متغیرهای نهفته و حتی تجزیه و تحلیل واریانس و مدل‌های رگرسیون خطی چندگانه است. در این متن در بخش اول، مقدمه‌ای بر منطق و عملیات صورت گرفته در معادلات ساختاری یا SEM، فرضیات و ورودی مورد نیاز برای تجزیه و تحلیل SEM و نحوه انجام تجزیه و تحلیل SEM را مرور کرده، سپس با استفاده از نرم افزار AMOS (Analysis of Moment Structures) که محصولی از شرکت SPSS است، این تکنیک را به کار خواهیم گرفت.

‏همچنین متغیرهای نهفته مربوط به زمان، استفاده از شاخص‌های اصلاح و نسبت بحرانی را در تجزیه و تحلیل اکتشافی، محاسبه وزن و نمره عامل‌ها، اثرات کل و اثرات غیرمستقیم را پوشش خواهیم داد.

‏«مدل سازی معادلات ساختاری» (SEM) شامل تکنیک‌های مختلف آماری مانند تجزیه و تحلیل مسیر، تحلیل عاملی تأییدی، مدل سازی علی با متغیرهای نهفته یا پنهان و از طرفی بهره‌گیری از تکنیک «تجزیه و تحلیل واریانس» (ANOVA) و «تحلیل کوواریانس» (ANCOVA) به همراه ایجاد «مدل‌های خطی عمومی» (General Linear Model) است. در این متن، مروری کوتاه و مقدماتی بر منطق SEM داشته، سپس فرضیات و ورودی مورد نیاز برای تجزیه و تحلیل SEM و نحوه انجام آن را با استفاده از نرم افزار AMOS (Analysis of Moment Structures) به کمک یک مثال آموزش خواهیم داد. در این بین متغیرهای پنهانی که به عنوان عامل‌ها می‌شناسیم، براساس متغیرهای آشکار، ساخته و از شاخص‌های اصلاح و آزمون فرض آماری در تحلیل‌های اکتشافی بهره خواهیم برد. ولی در ابتدای امر ابزار اجرای مدل سازی معادلات ساختاری یعنی AMOS را معرفی کرده و با محیط آن بیشتر آشنا می‌شویم. به این ترتیب برای آموزش معادلات ساختاری در SPSS از نرم‌افزار AMOS کمک خواهیم گرفت.


‏🔸 معرفی فیلم آموزش مدل سازی معادلات ساختاری با AMOS

‏آنالیز چند متغیره در آمار، ابزاری مناسب برای اجرا روش‌های تجزیه و تحلیل در تحقیقات علوم رفتاری و اجتماعی محسوب می‌شود. واضح است که در این حوزه، آزمودنی‌ها شامل چندین ویژگی هستند که منجر به ایجاد یک مسئله چند متغیره می‌شود. یکی از تکنیک‌های چند متغیره، «تجزیه و تحلیل ساختارهای کوواریانس» یا همان «مدل یابی معادلات ساختاری» است که موضوع این آموزش قرار گرفته است. این تکنیک برای بررسی روابط علت و معلولی و الگوهایی رابطه‌ای مناسب است. در این آموزش به کمک نرم‌افزار AMOS به آموزش معادلات ساختاری در SPSS پرداخته شده و روال آموزش به شکلی است که فراگیران می‌توانند تدوین صحیح مدل‌های نظری و تجربی را آموخته و جایگاه هر یک از متغیرهای میانجی، کنترلی، مداخله گر و تعدیل کننده را به درستی تشخیص دهند. فهرست سرفصل ها و رئوس مطالب مطرح شده در این مجموعه آموزشی، در ادامه آمده است.

‏– درس یکم: آشنایی با مدل سازی معادلات ساختاری، ضریب همبستگی، رگرسیون خطی، رگرسیون چندگانه، تحلیل مسیر و رگرسیون چند متغیره به همراه مدل سازی معادلات ساختاری.

‏– درس دوم: آشنایی با محیط نرم افزار، انواع ابزارهای رسم نمودارهای مسیری و ابزارهای ویرایش مدل



مطالعه ادامه مطلب 👇👇

‏🔗 آموزش معادلات ساختاری در SPSS — گام به گام و به زبان ساده — کلیک کنید (+)


📌 کانال اختصاصی آموزشی آمار و احتمالات

آخرین مطالب علمی، مقالات رایگان و ویدئوهای آموزشی آمار و احتمالات را در کانال اختصاصی [@FaraStatistics] دنبال کنید. 👇

@FaraStatistics — مطالب و آموزش‌های آمار و احتمالات فرادرس

‌

‏✳️ ‌آزمون KMO و بارتلت در تحلیل عاملی | معیارهای کفایت حجم نمونه

‏در بررسی و تحقیقاتی که برمبنای تحلیل عاملی اکتشافی (EFA)، تعیین حجم نمونه و وجود همبستگی مناسب بین متغیرها از اهمیت ویژه‌ای برخودار است. دو آزمون KMO و بارتلت در تحلیل عاملی به محققین این امکان را می‌دهند که قبل از اجرای تحلیل عاملی اکتشافی از بسندگی یا کفایت حجم نمونه و وجود کرویت در متغیرها مطمئن شده، سپس تحلیل عاملی را به کار برند. نرم‌افزارهای مختلفی نیز برای مشخص کردن شاخص‌ها و اجرای آزمون‌های مربوط به تحلیل عاملی وجود دارد که در این بین می‌توان به نرم‌افزار SPSS نیز اشاره کرد. در نوشتارهای دیگر مجله فرادرس که در ادامه معرفی شده‌اند، به بررسی مثال‌هایی برای بدست آوردن و اجرای آزمون KMO و بارتلت در تحلیل عاملی پرداخته‌ایم ولی نوشتار جاری، به مفهوم و نحوه محاسبه این معیارها در آزمون KMO و بارتلت در تحلیل عاملی می‌پردازد.

══ فهرست مطالب ══

‏ ○ آزمون KMO و بارتلت در تحلیل عاملی
‏ ○ معرفی فیلم آموزش تجزیه و تحلیل اطلاعات با نرم افزار SAS
‏ ○ خلاصه و جمع‌بندی


‏🔸 آزمون KMO و بارتلت در تحلیل عاملی

‏می‌دانید که رویکرد «تحلیل عاملی اکتشافی» (Exploratory Factor Analysis) در تحلیل عاملی، زمانی به کار می‌رود که از مدل و ارتباط بین متغیرها هیچ اطلاعی نداریم و قرار است با تکیه بر داده‌ها دست به تولید یا ایجاد یک مدل ارتباطی بزنیم. در این حالت، از تحلیل عاملی اکتشافی کمک گرفته و با توجه به ساختار ماتریس همبستگی یا کوواریانس، مدلی را پیشنهاد می‌دهیم. به همین علت به چنین وضعیتی تحلیل اکتشافی می‌گویند. ساده‌ترین توضیح ممکن در مورد نحوه کار در این تکنیک آن است که سعی به ایجاد گروهی از متغیرها داریم که بسیار به هم مرتبط هستند و هر دسته یا گروه با بقیه متغیرها، وابستگی کمی دارد.

‏اما اگر در نمونه‌گیری و تعیین حداقل حجم مورد نیاز برای استفاده از EFA دچار مشکل باشیم، چگونه عمل خواهیم کرد. این امر به این معنی است که استفاده از قضیه حد مرکزی برای توجیه نرمال بودن توزیع داده‌ها و همچنین محاسبه و تفکیک ماتریس کوواریانس بدون دانستن ساختار ماتریس واریانس-کوواریانس در بین گروه‌ها ممکن است با شکست مواجه شود. هر دو روش یعنی آزمون KMO و بارتلت در تحلیل عاملی راه‌کارهایی برای تشخیص چنین وضعیتی را ارائه می‌کنند. به همین علت، قبل از تحلیل EFA بهتر است به وسیله این معیارها، نسبت به شرایط اولیه EFA کسب اطلاع کرده، سپس تحلیل عاملی اکتشافی را به کار گیریم.

‏در ادامه نحوه محاسبه هر دو آماره‌ها و آزمون KMO و بارتلت در تحلیل عاملی و محدوده‌های قابل قبول برای آن‌ها را بازگو خواهیم کرد.


‏🔸 معرفی فیلم آموزش تجزیه و تحلیل اطلاعات با نرم افزار SAS

‏سرعت و سادگی در انجام محاسبات آماری از ویژگی‌های مهم نرم‌افزار SAS محسوب می‌شود. از طرفی قدمت و پشتیبانی مناسب آن، کاربران زیادی را در حوزه محاسبات آماری به خود جلب کرده است. نرم افزار SAS مخفف Statistical Analysis System بوده از کامل‌ترین نرم افزارهای شناخته شده آماری است. در اکثر موارد برای بیشتر پایان‌نامه‌های کارشناسی ارشد و دکتری در رشته‌های علوم انسانی، علوم پایه، مهندسی و پزشکی از این نرم‌افزار برای اجرای آزمون‌ و تحلیل‌های آماری استفاده می‌کنند. در این آموزش سعی شده به زبان ساده و کاربردی به مباحث مقدماتی و پیشرفته این نرم‌افزار برای تحلیل‌های آماری همچنین آزمون KMO و بارتلت در تحلیل عاملی اشاره شود. این آموزش در پانزده درس ارائه شده که سرفصل ها و رئوس مطالب مطرح شده در این مجموعه آموزشی، در ادامه قابل مشاهده است.

‏– درس یکم: مقدمه ای بر SAS

‏– درس دوم: مدیریت داده ها

‏– درس سوم: مدیریت داده ها

‏– درس چهارم: محاسبه آمار توصیفی

‏– درس پنجم: آزمون های میانگین

‏– درس ششم: جداول توافقی

‏– درس هفتم: آزمون های همبستگی

‏– درس هشتم: رگرسیون خطی

‏– درس نهم: رگرسیون غیرخطی و لجستیک

‏– درس دهم: آزمون های ناپارامتریک

‏– درس یازدهم: طرح آزمایش ها

‏– درس دوازدهم: تحلیل مولفه های اصلی و آزمون KMO و بارتلت در تحلیل عاملی

‏– درس سیزدهم: رده بندی و ممیزی

‏– درس چهاردهم: کنترل کیفیت آماری

‏– درس پانزدهم: آشنایی با محیط IML



مطالعه ادامه مطلب 👇👇

‏🔗 آزمون KMO و بارتلت در تحلیل عاملی | معیارهای کفایت حجم نمونه — کلیک کنید (+)


📌 کانال اختصاصی آموزشی آمار و احتمالات

آخرین مطالب علمی، مقالات رایگان و ویدئوهای آموزشی آمار و احتمالات را در کانال اختصاصی [@FaraStatistics] دنبال کنید. 👇

@FaraStatistics — مطالب و آموزش‌های آمار و احتمالات فرادرس

‌

‏✳️ ‌انجام تحلیل آماری با SPSS — گام به گام به همراه مثال عملی

‏یک تحلیل آماری باید توسط یک محقق آمار اجرا شود، از طرفی محاسبات زیادی که برای این کار لازم است، به کارگیری نرم‌افزارهای محاسبات رایانه‌ای مانند SPSS را ناگزیر می‌کند. در هر طرح تحقیق آماری، گام‌ها و مراحلی باید طی شود که آن‌ها را در این متن به همراه دستورات مورد نیاز برای انجام تحلیل آماری با SPSS بازگو خواهیم کرد. با رعایت گام‌های گفته شده، روال استانداردی را طی کرد که ما را به هدف که همان اجرای یک پروژه آماری و تحقیقاتی است، هدایت می‌کند. این گام‌ها از تعیین هدف، جمع‌آوری داده‌ها آغاز شده و تا آزمون فرض و تفسیر و ارائه گزارشات ادامه دارد. البته شاید بتوان چنین روالی را در فراتحلیل نیز به کار برد. ولی به هر حال یک پروژه تحقیقاتی که با داده‌ها و روش‌های آماری سر و کار دارد، احتیاج به مشاوره یا تائید یک آمارشناس خواهد داشت.

══ فهرست مطالب ══

‏ ○ انجام تحلیل آماری با SPSS
‏ ○ معرفی فیلم آموزش نرم افزار آماری SPSS فرادرس
‏ ○ خلاصه و جمع‌بندی


‏🔸 انجام تحلیل آماری با SPSS

‏اگر به منظور انجام تحقیق علمی با داده‌ها روبرو هستید، باید روش‌های آماری مناسب را به کار ببرید. نوع داده‌ها، هدف تحقیق، محدودیت‌ها و امکانات سخت‌افزاری و نرم‌افزاری و حتی نحوه نمونه‌برداری و اندازه یا حجم نمونه‌گیری همگی در تشخیص و به کارگیری آنالیزهای آماری دخیل بوده و در انتخاب نوع تحلیل آماری تعیین کننده هستند. انجام تحلیل آماری با SPSS به علت سادگی این نرم‌افزار طرفداران زیادی دارد. این امر باعث شده که اغلب برای محاسبات آماری، بدون مشاوره با یک کارشناس آمار، مطالعات آماری در رشته‌های علوم انسانی و مهندسی، صورت گیرد. به همین جهت این راهنما را برای چنین افرادی تهیه کرده‌ایم که نتایج بدست آمده از چنین طرح‌هایی، حداقل به اشتباه برداشت نشود.

‏قبل از هر کاری، باید هدف از یک طرح تحقیق علمی را مشخص کرده باشید. نوع مقادیر متغیرها آماری باید در یک تحلیل آماری، مشخص باشد. همچنین هدف از اجرای یک تحقیق آماری باید تعیین شود. ممکن است هدف‌های زیر را برای تحقیقات آماری تصور کرد.

‏– توصیف خصوصیات یک جامعه آماری

‏– برآورد بهترین آماره برای پارامتر جامعه

‏– انتخاب و اجرای آزمون آماری برای پارامتر یا توزیع جامعه آماری

‏– مقایسه بین دو جامعه آماری

‏– شناسایی و تعیین رابطه بین جوامع آماری

‏– مدل‌سازی بین متغیرهای مستقل و و ابسته یا کشف رابطه علت و معلولی

‏به یاد داشته باشید که نوع داده و مقیاس اندازه‌گیری آن‌ها در انتخاب روش تحلیل داده بسیار موثر است. بنابراین شناخت جامعه آماری و ویژگی‌ها و همچنین ابعاد آن، باید در ابتدا اجرای طرح تحقیق، انجام شده باشد. همچنین با توجه به نوع متغیرها و هدف، می‌توانیم نوع روش تحقیق را یکی از گونه‌های کمی، کیفی یا ترکیبی انتخاب کنیم.


‏🔸 معرفی فیلم آموزش نرم افزار آماری SPSS فرادرس

‏استفاده نرم افزارهای محاسبات رایانه‌ای بخصوص برای تحقیقات آماری، امروزه تبدیل به یک ضرورت شده است. رشته‌های مختلفی از محاسبات و انجام آزمون‌های آماره بهره می‌برند. از طرفی بار محاسباتی بعضی از تکنیک‌های آماری بسیار زیاد است. بنابراین رویکرد مبتنی بر رایانه برای حل مسائل واقعی و تحقیقاتی کاملا به جا است. یکی از نرم‌افزار معرف بخصوص در حوزه علوم اجتماعی و همینطور مدیریت برای حل مسائل آماری، نرم‌افزار SPSS است که از طرف شرکت IBM پشتیبانی می‌گردد. در این آموزش به بررسی محاسبات آماری و انجام تحلیل آماری با SPSS پرداخته شده است و رسم نمودارها و تهیه خروجی‌های آن نیز شرح داده شده. با استفاده از این آموزش می‌توانید انجام تحلیل آماری با SPSS را خودتان به عهده بگیرید.

‏در این آموزش، به بررسی پرسشنامه‌های آماری نیز توجه شده و به عنوان مثال، یک پرسشنامه برای کسب اطلاعات ساکنان یک شهر و میزان رضایت از حمل و نقل عمومی تحلیل شده است. البته داده‌های جمع‌آوری شده مصنوعی هستند ولی روال کار و توصیف و نمایش چنین داده‌هایی در این آموزش مورد بررسی قرار گرفته است. همین موضوع به کاربردی شدن این آموزش کمک کرده است. فهرست سرفصل‌ها و مباحث مطرح شده در این مجموعه آموزشی، در ادامه، قابل مشاهده‌ است.

‏– آشنایی با رابط کاربری نرم افزار و انواع پنجره های آن

‏– معرفی انواع متغیر و مقیاس های اندازه‌گیری

‏– معرفی شاخص های جمعیت (تمرکز و پراکندگی)

‏– ورود داده‌های و انجام محاسبات روی آن‌ها



مطالعه ادامه مطلب 👇👇

‏🔗 انجام تحلیل آماری با SPSS — گام به گام به همراه مثال عملی — کلیک کنید (+)


📌 کانال اختصاصی آموزشی آمار و احتمالات

آخرین مطالب علمی، مقالات رایگان و ویدئوهای آموزشی آمار و احتمالات را در کانال اختصاصی [@FaraStatistics] دنبال کنید. 👇

@FaraStatistics — مطالب و آموزش‌های آمار و احتمالات فرادرس

‌

‏✳️ ‌معادلات ساختاری PLS — مفاهیم و روش‌ها — به زبان ساده

‏ایجاد یا شناسایی متغیرهای مکنون یا پنهان از ترکیب متغیرهای قابل مشاهده، عملی است که توسط معادلات ساختاری PLS صورت می‌گیرد. اغلب چنین متغیرهایی را با نام عامل (Factor) می‌شناسیم. با تجزیه واریانس یا ماتریس کوواریانس و ایجاد مدل‌های رگرسیونی مناسب، رابطه بین عامل‌ها و متغیرها مستقل ساخته یا کشف می‌شود. در حقیقت می‌توان معادلات ساختاری PLS را به هدف پیش‌بینی ساختارهای نهفته یا پنهان به کار بست. به همین جهت در این متن به موضوع معادلات ساختاری به روش کمترین مربعات جزئی پرداخته‌ایم و ضمن معرفی مدل مربوطه، مفاهیم و روش‌های آن را نیز شرح خواهیم داد.

══ فهرست مطالب ══

‏ ○ معادلات ساختاری PLS چیست؟
‏ ○ معرفی فیلم آموزش نرم افزار Unscrambler X برای آنالیز داده های چند متغیره
‏ ○ خلاصه و جمع‌بندی


‏🔸 معادلات ساختاری PLS چیست؟

‏رگرسیون حداقل مربعات جزئی (رگرسیون PLS) یک روش آماری است که ارتباطی با «رگرسیون مولفه‌های اصلی» (Principle Component Regression) دارد. در این روش، به جای یافتن صفحه حداکثر واریانس بین متغیر پاسخ و متغیرهای مستقل، با ایجاد متغیرهای پیش‌بین جدید از روی متغیرهای مشاهده شده، به یک فضای جدید، یا یک مدل رگرسیون خطی تازه دست پیدا می‌کنیم.

‏معادلات ساختاری (SEM) الگویی برای پیدا کردن این متغیرهای پیش‌بین جدید ارائه می‌کند. از آنجا که هر دو سری داده‌های مربوط به متغیرهای $$X$$ و $$Y$$ در فضاهای جدید تصویر (Project) می‌شوند، خانواده روش PLS به عنوان «مدل عاملی دو خطی» (‌Bilinear Factor Model) شناخته می‌شوند. «تجزیه و تحلیل تشخیصی حداقل مربعات جزئی» (Partial least squares discriminant analysis) یا به اختصار PLS-DA نوعی از روش PLS محسوب می‌شود که برای طبقه بندی متغیر $$Y$$ مورد استفاده قرار می‌گیرد.

‏معادلات ساختاری PLS برای یافتن روابط اساسی و پایه، بین دو ماتریس ($$X$$ و $$Y$$) استفاده شده و به منظور مطالعه رابطه خطی بین آن‌ها به کار می‌رود. به این ترتیب PLS‌ را می‌توان یک رویکرد برای مدل سازی ساختارهای کوواریانس در این دو فضا توسط معادلات ساختاری موجود و ایجاد متغیرهای پنهان در نظر گرفت. یک مدل PLS سعی می‌کند جهتی چند بعدی را در فضای $$X$$ پیدا کند که حداکثر مقدار واریانس مشترک متغیرها را در فضای $$Y$$ توضیح دهد. رگرسیون PLS به ویژه هنگامی مناسب است که ماتریس متغیرهای پیش‌بین، ابعاد بیشتری نسبت به مشاهدات داشته باشند و هنگامی مورد استفاده قرار می‌گیرد که یا مشاهدات اندک باشند یا مشکل «هم خطی چندگانه» (Multicollinearity) بین مقادیر X وجود داشته باشد. در مقابل، رگرسیون استاندارد در این موارد شکست خواهد خورد و به نتایج مناسبی نخواهد رسید.


‏🔸 معرفی فیلم آموزش نرم افزار Unscrambler X برای آنالیز داده های چند متغیره

‏در نرم افزار The Unscrambler X، می‌توان در تجزیه و تحلیل داده های چند متغیره بهره برد. در این فرادرس، ماتریس های داده (جداول) و روابط بین آن ها به طور کامل مورد بحث قرار گرفته و تکنیک‌های تجزیه و تحلیل روابط بین داده‌های چند متغیره معرفی می‌شوند. ایجاد مدل‌های رگرسیونی، تحلیل مولفه‌های اصلی (PCA) و تحلیل ممیزی و طبقه‌بندی داده‌ها همچنین معادلات ساختاری PLS از موارد روش‌های آماری محسوب می‌شود که توسط این نرم‌افزار قابل اجرا است. فهرست سرفصل‌ها و رئوس مطالب مطرح شده در این مجموعه آموزشی، در ادامه آمده است.

‏درس یکم و دوم: معرفی نرم‌ افزار X Unscrambler و محیط کار به همراه نصب و ورود داده‌ها. درس سوم: انواع مدل رگرسیون، تفاوت رگرسیون تک متغیری و چندمتغیری، ایجاد مدل‌های MLR، PCA، PLSR و انواع PLS و تفسیر خروجی‌های حاصل. درس چهارم: اعتبارسنجی مدل و ارزیابی مدل‌های ساخته شده. درس پنجم: پیش پردازش داده ها، پر کردن داده‌های از دست رفته، نرمال‌سازی و پیش پردازش در نرم افزار. درس ششم: تجزیه و تحلیل رگرسیون معادلات ساختاری PLS و تفسیر نتایج. درس هفتم: تجزیه و تحلیل مدل PCA. درس هشتم: نرمال کردن داده‌ها و مشتق گیری. درس نهم: طبقه‌بندی داده‌ها. درس دهم: تنظیم خروجی نرم‌ افزار Unscrambler X



مطالعه ادامه مطلب 👇👇

‏🔗 معادلات ساختاری PLS — مفاهیم و روش‌ها — به زبان ساده — کلیک کنید (+)


📌 کانال اختصاصی آموزشی آمار و احتمالات

آخرین مطالب علمی، مقالات رایگان و ویدئوهای آموزشی آمار و احتمالات را در کانال اختصاصی [@FaraStatistics] دنبال کنید. 👇

@FaraStatistics — مطالب و آموزش‌های آمار و احتمالات فرادرس

‌

‏✳️ ‌مقیاس فاصله ای | ویژگی و کاربردهای آن — به زبان ساده

‏در سال ۱۹۴۶ میلادی، «استنلی اسمیت استیونز» (Stanley Smith Stevens) به منظور ثبت اطلاعات و داده‌های آماری، چهار مقیاس اندازه گیری را معرفی کرد: «اسمی» (Nominal)، «ترتیبی» (Ordinal)، «مقیاس فاصله ای» (Interval) و «مقیاس نسبت» (Ratio). این مقیاس‌ها، امروزه به طور گسترده به عنوان روشی برای توصیف ویژگی‌های یک متغیر مورد استفاده قرار می‌گیرند. شناخت و آگاهی درباره مقیاس‌های اندازه‌گیری برای یک متغیر، جنبه مهمی در انتخاب تحلیل آماری مناسب است. نوع مقیاس برای متغیرها و داده‌ها، روشنگر روشی است که در تحلیل‌های آماری می‌توان به کار برد.

══ فهرست مطالب ══

‏ ○ مقیاس فاصله ای
‏ ○ معرفی فیلم آموزش نرم افزار MedCalc برای تجزیه و تحلیل و انجام محاسبات آماری
‏ ○ خلاصه و جمع‌بندی


‏🔸 مقیاس فاصله ای

‏استفاده از داده‌ها و اطلاعات در تحلیل‌های علمی و بخصوص آماری، از اهمیت زیادی برخوردار است. اغلب این گونه مقادیر و اطلاعات را به دو دسته «کمی» و «کیفی» طبقه‌بندی می‌کنیم تا نسبت به این طبقه‌بندی، کارایی و ویژگی‌های آن‌ها را مشخص کنیم. البته تبدیل داده‌های کمی و کیفی به صورت عددی، با مقیاس و سطوح سنجش یا اندازه‌گیری میسر است. در این متن می‌خواهیم با یکی از این مقیاس‌ها یعنی «مقیاس فاصله‌ای» (Interval Scale) آشنا شویم.

‏قبل از آن به سراغ مقیاس فاصله ای رفته و توضیحاتی در مورد آن در اختیارتان قرار دهیم، بهتر است ابتدای امر، در مورد مقیاس بندی و کاربردهای آن اطلاعاتی بیشتری داشته باشیم. در ادامه متن، به این موضوع پرداخته‌ایم و مقیاس‌هایی که به مقیاس‌های استیونز معروف هستند را مورد بررسی قرار داده ولی در مورد مقیاس فاصله ای بیشتر بحث کرده و با مثال‌هایی مفهوم آن را روشن خواهیم ساخت.

‏همانطور که اشاره شد، اعداد امکان بیان خصوصیات بسیاری از پدیده‌ها را دارند. بنابراین برای ویژگی‌های کمی و حتی کیفی امکان توصیف پدیده‌ها به کمک اعداد وجود دارد. مقیاس‌بندی در حقیقت این تبدیل را برای محقق انجام می‌دهد. بهتر است ابتدا یک تعریف از مقیاس و سطوح سنجش ارائه دهیم.


‏🔸 معرفی فیلم آموزش نرم افزار MedCalc برای تجزیه و تحلیل و انجام محاسبات آماری

‏هدف از ارائه این آموزش توسط فرادرس، آشنایی و معرفی نرم‌افزار MedCalc به عنوان یک ابزار کاربردی در حوزه آمار برای رشته‌های پزشکی و علوم اجتماعی است به طوری که در انتهای آموزش، فراگیران پروژه‌های آماری خود را به طور کامل و با درک مفاهیم اجرا خواهند کرد. این نرم‌افزار دارای امکانات و ابزارهای متعددی مانند: فراتحلیل داده‌ها با توجه به تنوع شاخص‌های مختلف، نحوه محاسبه حجم نمونه در مطالعات تحقیقی، تحلیل‌های آماری است. در این فرادرس، شما اجزای نرم‌افزار آماری Medcalc را در بخش‌های مختلف فرا می‌گیرید. در این بین نیز مفاهیم و تکنیک‌های آماری مانند تحلیل همبستگی دومتغیره، همبستگی تفکیک و جزئی، رگرسیون خطی ساده (Linear egression) و چندگانه، رگرسیون لجستیک ساده (Logistic Regression) و چندگانه، آزمون‌های خانواده t و تحلیل واریانس یکطرفه یا یک‌راهه (One-way) و دو طرفه یا دو‌راهه (Two-way) مورد بررسی قرار خواهد گرفت. در ادامه فهرست خلاصه شده‌ای از موارد آموزشی ارائه شده را مشاهده می‌کنید.

‏– درس اول: مقدمه‌ای بر نرم‌افزار آماری MedCalc‌None
درس دوم: تعریف متغیر، ورود داده و مدیریت داده‌None
درس سوم: مدیریت داده‌ها در MedCalc‌None
درس چهارم: منوی Tools و نحوه ایجاد (محاسبه) متغیر جدید، منظم کردن داده‌ها و محاسبه نمره ZNone
درس پنجم: منوی Statistics‌ شامل دستورات مربوط به توصیف متغیرهای کمی و کیفی براساس جداول فراوانی و انواع نمودار، همبستگی بین متغیرها، نحوه ترسیم نمودار پراکنش (Scatter Plot) و تحلیل رگرسیون خطی ساده و چندگانه به همراه رگرسیون لاجستیک ساده و چندگانه و تفسیر نسبت بخت (Odds Ratio)None
درس ششم: انجام فراتحلیل (Meta-Analysis)‌، فراتحلیل مطالعات همبستگی، فراتحلیل مطالعات شیوع، فراتحلیل مطالعات خطر نسبی، فراتحلیل مطالعات Risk Difference، فراتحلیل مطالعات نسب‌های شانسNone
اصلاح و ویرایش نمودارهاNone
درس هفتم: بررسی پایایی‌ پرسشنامه و ضریب توافق کاپای وزنی و غیر وزنی، ضریب آلفای کرونباخ (Cronbach’s alpha)



مطالعه ادامه مطلب 👇👇

‏🔗 مقیاس فاصله ای | ویژگی و کاربردهای آن — به زبان ساده — کلیک کنید (+)


📌 کانال اختصاصی آموزشی آمار و احتمالات

آخرین مطالب علمی، مقالات رایگان و ویدئوهای آموزشی آمار و احتمالات را در کانال اختصاصی [@FaraStatistics] دنبال کنید. 👇

@FaraStatistics — مطالب و آموزش‌های آمار و احتمالات فرادرس

‌

‏✳️ ‌لیزرل چیست ؟ | راهنمای رایگان شروع به کار — آنچه باید بدانید

‏مدل‌سازی و ایجاد ساختارهای همبستگی بین متغیرها به منظور پیش‌بینی و تشخیص روابط بین متغیرهای مستقل و وابسته، یکی از تکنیک‌های مرسوم در آمار است. مدل‌های رگرسیونی و تحلیل عاملی یا معادلات ساختاری، روش‌هایی هستند که به کمک آن‌ها می‌توان براساس چندین متغیر «قابل مشاهده» (Observable)، به یک یا چند «متغیر پنهان» (Latent Variable) رسید. البته با افزایش تعداد مشاهدات و یا متغیرها، محاسبه پارامترهای این گونه مدل‌ها کار بسیار مشکلی خواهد شد. به همین جهت نرم‌افزارهای آماری متعددی برای ایجاد و ساخت مدل‌های وابستگی یا همبستگی بوجود آمده است. یکی از معروف ترین نرم‌افزارهای این حوزه، لیزرل (Lisrel) نام دارد که به حق باعث رشد و توسعه این الگوهای آماری شده است. در این نوشتار می‌خواهیم بدانیم لیزرل چیست و چه کاربردهایی دارد.

══ فهرست مطالب ══

‏ ○ لیزرل چیست ؟
‏ ○ معرفی فیلم آموزش مدل سازی معادلات ساختاری با AMOS
‏ ○ خلاصه و جمع‌بندی


‏🔸 لیزرل چیست ؟

‏نرم‌افزار لیزل (Lisrel)‌ که نام آن برگرفته از عبارت Linear Structural Relations یا «روابط ساختار خطی» گرفته شده، اولین بار در دانشگاه Uppsala توسط آمار شناس سوئدی، «کارل یورسکوگ»‌ (Karl Jöreskog) منتشر شد و بعدها با همکاری «داک سوربوم» (Dag Sörbom) از همان دانشگاه، توسعه یافت. در نسخه‌های اولیه، به کمک خط فرمان و دستورات، اجرای محاسبات مقدور بود ولی در نسخه‌های اخیر، استفاده از محیط گرافیکی و GUI، کار برای کاربران را ساده‌تر شده است. امروزه این نرم‌افزار توسط «شرکت بین المللی نرم افزار علمی» (Scientific software international) مورد حمایت قرار گرفته و به روز رسانی می‌شود.

‏به کمک این نرم افزار و براساس تحلیل همبستگی (Correlation) و کوواریانس (Covariance) بین متغیرها، بارهای عاملی، واریانس و خطاهای متغیرهای پنهان را برآورد شده و در نتیجه امکان انجام تحلیل عاملی اکتشافی، تحلیل عاملی تاییدی و همچنین تحلیل مسیر یا همان مدل‌سازی علت و معلولی برای متغیرهای پنهان میسر می‌شود. تحلیل ساختار کوواریانس که به آن گاهی «روابط ساختار خطی» (Linear Structural Relations – LSR) نیز می‌گویند، یکی از تکنیک های تحلیل مدل معادلات ساختاری است.

‏«تجزیه و تحلیل ساختارهای کوواریانس» یا همان «مدل یابی معادلات ساختاری» (Structural equation modeling) که به اختصار SEM نامیده می‌شود، یکی از اصلی‌ترین روش‌های آماری برای حالت تحلیل چند متغیره است که قادر به کشف ارتباط و روابط پیچیده و علت و معلولی بین متغیرها است. به این ترتیب امکان بررسی تاثیرات همزمان متغیرهای مستقل روی یک متغیر وابسته بوجود می‌آید. همچنین به کمک این روش، امکان تایید مدل‌های نظری در جامعه‌های آماری با استفاده از داده‌های همبستگی، غیر آزمایشی و آزمایشی، آزمون‌پذیر می‌شود.


‏🔸 معرفی فیلم آموزش مدل سازی معادلات ساختاری با AMOS

‏یکی از تکنیک‌های تحلیل چند متغیری، معادلات ساختاری است. در این تکنیک، به طور همزمان، این معادلات مورد آزمون قرار گرفته و پارامترهای مدل خطی، برآورد می‌شوند. از آنجایی که بار محاسباتی برای بدست آوردن بارهای عاملی و ایجاد مدل زیاد است، در اکثر مواقع از نرم‌افزارهای محاسبات آماری نظیر «لیزرل» (LISREL) و «آموس» (AMOS) برای انجام این کار استفاده می‌شود. هم لیزرل و هم AMOS، مدل حاصل از معادلات ساختاری را به روش ترسیمی انجام می‌دهند. در این آموزش از فرادرس با هدف فراگیری مدل سازی معادلات ساختاری از نرم‌افزار AMOS که محصول شرکت IBM (یا همان SPSS سابق) ‌است، مراحل کار و اجرای تحلیل مورد بررسی قرار گرفته است که یکی از قوی‌ترین و مناسب‌ترین نرم‌افزارهای آماری برای تجزیه و تحلیل در تحقیقات علوم رفتاری و اجتماعی است. فیلم آموزش مدل سازی معادلات ساختاری با AMOS به معرفی و نحوه تحلیل معادلات ساختاری پرداخته و به کمک مثال‌های ملموس، فراگیران را با مبانی و کاربردهای این تکنیک آماری، آشنا می‌کند. فهرست سرفصل‌ها و رئوس مطالب مطرح شده در این مجموعه آموزشی، در ادامه آمده است.

‏– درس یکم: آشنایی با مدل‌سازی معادلات ساختاری، انواع متغیرها (مشاهده شده و پنهان- Observed and Latent)، انواع معادلات ساختاری، ضریب همبستگی، رگرسیون خطی، رگرسیون چندگانه، تحلیل مسیر، رگرسیون چند متغیره و مدل سازی معادلات ساختاری.



مطالعه ادامه مطلب 👇👇

‏🔗 لیزرل چیست ؟ | راهنمای رایگان شروع به کار — آنچه باید بدانید — کلیک کنید (+)


📌 کانال اختصاصی آموزشی آمار و احتمالات

آخرین مطالب علمی، مقالات رایگان و ویدئوهای آموزشی آمار و احتمالات را در کانال اختصاصی [@FaraStatistics] دنبال کنید. 👇

@FaraStatistics — مطالب و آموزش‌های آمار و احتمالات فرادرس

‌

‏✳️ ‌نمونه آماری چیست ؟ — به زبان ساده

‏برای تحلیل و شناخت رفتار یک پدیده (طبیعی یا غیرطبیعی) که برمبنای شانس یا احتمال عمل می‌کند، به داده و اطلاعات احتیاج داریم. این اطلاعات را می‌توان هم برمبنای سرشماری و با توجه به جامعه آماری، جمع‌آوری کرد یا با توسل به نمونه‌گیری، به بخشی از اطلاعات جامعه دسترسی پیدا کرده و به کمک نمونه آماری خصوصیات و ویژگی‌های جامعه را تشخیص داد. هر چند استفاده از جامعه و سرشماری نسبت به نمونه آماری اولویت دارد ولی گاهی به علت نامتناهی بودن جمعیت یا هزینه و زمان زیاد برای بررسی جامعه، دست به نمونه‌گیری می‌زنیم. در این متن به موضوع نمونه آماری و خصوصیات آن اشاره خواهیم داشت و از جنبه آماری به مسئله نمونه‌گیری می‌پردازیم.

══ فهرست مطالب ══

‏ ○ نمونه آماری
‏ ○ معرفی فیلم آموزش آمار و احتمال مهندسی (حل تمرین و تست کنکور ارشد)
‏ ○ خلاصه و جمع‌بندی


‏🔸 نمونه آماری

‏حتما ضرب المثل قدیمی،‌ «مشت نمونه خروار است» را شنیده‌اید. این عبارت به مزیت استفاده از نمونه و قابلیت‌های آن اشاره دارد. به جای اینکه خروارها از محصول (مثل گندم) را مورد بررسی قرار دهیم، یک مشت از آن‌ها را مورد بازبینی قرار داده و می‌توانیم به وضعیت کل محصول آگاه شویم. البته در این ضرب المثل، به خطای نمونه‌گیری اشاره نشده است. به هر حال استفاده از بخش خاصی از جامعه آماری و استنباط براساس آن روی کل جامعه،‌ همواره با خطا نیز همراه است. ممکن است نمونه گرفته شده، از قسمت خوب محصول بوده یا اینکه فروشنده بخشی از بهترین محصول را برای نمونه‌گیری در اختیار ما قرار داده است. در این حالت قضاوت ما با شک و شبه همراه بوده و به اصطلاح، «اریب» (Bias) خواهد بود. در فارسی و ادبیات آماری، گاهی به جای اریبی، عبارت «تُرُشی» یا «کج‌تابی»‌ نیز به کار می‌رود.

‏نکته: وجود اریبی به این معنی است که قضاوتی براساس نمونه صورت گرفته که با واقعیت فاصله زیادی دارد. البته واضح است که واقعیت را نمی‌دانیم ولی با توجه به توزیع آماری به نظر می‌رسد که قضاوت درستی صورت نگرفته.

‏در صورتی که دسترسی به جامعه آماری، وجود داشته و محدودیتی از لحاظ هزینه‌های زمانی یا مالی نداشته باشیم، بهترین روش استفاده از جمعیت آماری و توصیف پدیده به کمک داده‌های جمع‌آوری شده از طریق سرشماری (Census) است. ولی اگر این شرایط وجود نداشته باشند، نمونه‌گیری بهترین راه حل خواهد بود. شاید علت نمونه‌گیری را بتوان یکی یا بعضی از شرایط زیر در نظر گرفت.


‏🔸 معرفی فیلم آموزش آمار و احتمال مهندسی (حل تمرین و تست کنکور ارشد)

‏در این فیلم آموزشی، سوالات آمار و احتمال که در آزمون‌های کارشناسی ارشد مورد استفاده قرار گرفته، حل شده و مفاهیم مربوط به هر سوال به تشریح می‌شود. هر چند زمان این آموزش طولانی (۱۶ ساعت و ۱۳ دقیقه) ‌به نظر می‌رسد ولی ایجاد یک بانک غنی از سوالات و حل آن‌ها علت اصلی طولانی شدن آموزش شده است. فهرست سرفصل‌ها و رئوس مطالب مطرح شده در این مجموعه آموزشی، در ادامه آمده است.

‏– درس اول: حل تمرین و تست آنالیز ترکیبی – احتمال، احتمال شرطی، قانون احتمال کل و قضیه بیز.

‏– درس دوم: حل تمرین و تست مفاهیم متغیرهای تصادفی، توابع مربوط به یک متغیر تصادفی، توابع توزیع، چگالی احتمال، توابع مربوط به دو متغیر تصادفی، توزیع توام، امید ریاضی، واریانس، کواریانس و ضریب همبستگی.

‏– درس سوم: حل تمرین و تست توزیع های گسسته و پیوسته آماری، توزیع متغیرهای گسسته شامل: توزیع‌های یکنواخت گسسته، توزیع برنولی، توزیع دو جمله‌ای، توزیع چند جمله‌ای، توزیع هندسی، توزیع فوق هندسی، توزیع پواسون، توزیع متغیرهای پیوسته شامل: توزیع یکنواخت پیوسته، توزیع نمایی، توزیع گاما، توزیع نرمال، قضیه حد مرکزی، توزیع کوشی، توزیع فیشر.

‏– درس چهارم: حل تمرین و تست توزیع های نمونه ای، تخمین و آزمون فرض آماری، آماره‌ها، برآوردهای نقطه‌ای و فاصله‌ای، روش‌های تخمین، آزمون فرضیه، سطح معنی‌دار، خطای نوع اول و دوم، توان آزمون، انواع آزمون‌های آماری و آماره‌های آزمون، مقایسه جامعه های آماری (میانگین)، آزمون نسبت جامعه آماری، آزمون مقایسه دو جامعه (از نظر نسبت)، آزمون های واریانس دو، مقایسه واریانس دو جامعه و نیکویی برازش، تابع رگرسیون.



مطالعه ادامه مطلب 👇👇

‏🔗 نمونه آماری چیست ؟ — به زبان ساده — کلیک کنید (+)


📌 کانال اختصاصی آموزشی آمار و احتمالات

آخرین مطالب علمی، مقالات رایگان و ویدئوهای آموزشی آمار و احتمالات را در کانال اختصاصی [@FaraStatistics] دنبال کنید. 👇

@FaraStatistics — مطالب و آموزش‌های آمار و احتمالات فرادرس

‌