‏✳️ ‌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

‌

‏✳️ ‌تعریف جمعیت چیست ؟ — مفاهیم آماری جمعیت به زبان ساده

‏جمعیت یا جامعه آماری، مبنای همه تحلیل‌ها و محاسبات حوزه آمار است. به همین دلیل در این متن، به بررسی جامعه آماری پرداخته و از منظر آمار به تعریف جمعیت می‌پردازیم. البته در بعضی از قسمت‌های متن نیز به مبانی جمعیت شناختی اشاره خواهیم کرد تا بهتر این مفهوم برای خواننده شناخته شود. اغلب اعضای جامعه را فرد یا عضو جمعیت می‌نامیم. البته این اعضا لزوما از جامعه انسانی نیستند. بلکه درختان، لوله‌های تولید شده در یک کارخانه و … همگی تشکیل یک جامعه آماری را می‌دهند. بنابراین موضوع فقط به جمعیت انسانی اختصاص ندارد و برای هر هویتی که بتوان برایش یک اندازه‌گیری را مشخص کرد، جامعه یا جمعیت آماری مطرح می‌شود.

══ فهرست مطالب ══

‏ ○ تعریف جمعیت چیست ؟
‏ ○ معرفی فیلم آموزش نرم افزار آماری SPSS
‏ ○ خلاصه و جمع‌بندی


‏🔸 تعریف جمعیت چیست ؟

‏واژه یا عبارت «جمعیت» (Population) به معنی افرادی است که در یک ناحیه جغرافیایی (مثلا شهر یا روستا) زندگی می‌کنند. البته این مفهوم در جمعیت‌شناسی، تمام یا بخشی از ساکنان یک ناحیه را شامل می‌شود. به کلیه کسانی که به ‌طور پیوسته در این ناحیه جغرافیایی زندگی می‌کنند، جمعیت می‌گویند. این گردهمایی ممکن است به صورت خانوار و یا خانواده شکل گیرد. بدین ترتیب، جمعیت را می‌توان مجموعه‌ای از خانوارها یا خانواده‌ها در نظر گرفت که برای امری خاص، در زمانی مشخص و مکانی معین، گرد هم آمده‌اند. در این بین زمان و مکان برای این افراد به جهت شکل‌گیری جمعیت اهمیت دارد.

‏عمل اندازه‌گیری یک یا چند ویژگی از تک تک افراد جامعه یا جمعیت آماری را «سرشماری» (Census) می‌گویند. البته در تصور عمومی، سرشماری فقط شمارش افراد محسوب می‌شود ولی مراجعه به افراد به منظور اندازه‌گیری یا مشخص کردن یک یا چند ویژگی، همان سرشماری خواهد بود. به طور مثال طرح سرشماری نفوس و مسکن، متغیرهای مختلفی مانند سن، محل اقامت، محدوده درآمدی، مالکیت خانه و غیره را از افراد جامعه اندازه‌گیری و ثبت می‌کند. هدف این طرح سرشماری، بدست آوردن روند تغییرات جمعیتی و همچنین مهاجرت و تغییر محل سکونت است.

‏معمولا نتایج حاصل از سرشماری را به صورت جدول‌ها یا نمودارهایی نمایش می‌دهند تا بیشترین اطلاعات در کوتاه‌ترین زمان به بیننده منتقل شود. در تصویرهای زیر نمونه‌ای از نمودارهای مربوط به نتایج سرشماری را مشاهده می‌کنید.


‏🔸 معرفی فیلم آموزش نرم افزار آماری SPSS

‏استفاده از نرم افزارهای رایانه‌ای برای اجرای محاسبات آماری در حوزه تحقیق و بخصوص پایان‌نامه‌های علوم اجتماعی تبدیل به یک ضرورت شده است. در علوم آماری پیچیدگی محاسباتی باعث شده است که ابزارهای مهم و کاربردی آن کمتر مورد توجه قرار گیرد. ولی با توجه به دسترس بودن و گستردگی نرم‌افزارهای محاسبات آماری، تکنیک‌های به روز و مشکل آماری به سادگی در اختیار محققین قرار گرفته است. نرم‌افزار SPSS یکی از این دسته برنامه‌های کاربردی است که بخصوص برای علوم اجتماعی طراحی و تولید شده است. در آموزشی که فرادرس برای این نرم‌افزار تهیه کرده است، سرفصل‌های زیر قابل مشاهده است.

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

‏– معرفی انواع متغیر و مقیاس های اندازه گیری

‏– معرفی شاخص های جمعیت (تمرکز و پراکندگی)

‏– ورود داده های و انجام محاسبات روی آن ها

‏– استخراج آماره های توصیفی

‏– آشنایی با مفهوم جداول توافقی و ایجاد آن ها

‏– رسم نمودارهای آماری

‏– تنظیم و قالب بندی خروجی نرم افزار

‏این آموزش شامل ۷ ساعت و ۵۳ دقیقه محتوای ویدیویی است که برای دانشجویان و محققین رشته‌های آمار، علوم تربیتی، روانشناسی و مدیریت بسیار مفید است.

‏– None



مطالعه ادامه مطلب 👇👇

‏🔗 تعریف جمعیت چیست ؟ — مفاهیم آماری جمعیت 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

‌‌

‏✳️ ‌مینیماکس و ماکسمین در نظریه تصمیم — به زبان ساده

‏در نظریه تصمیم (Decision Theory) راه‌کارها و روش‌های مختلفی برای مشخص کردن تصمیم بهینه وجود دارد. معمولا اگر میزان جریمه یا سود در وضعیت احتمالاتی در اختیار باشد، می‌توان با استفاده از «میانگین‌گیری» (Expected Value) به یک تصمیم مناسب رسید. ولی در اغلب موارد هموارسازی به کمک میانگین، کارساز نیست یا حتی ممکن است احتمالاتی نیز در اختیارمان قرار نداشته باشد. این امکان نیز وجود دارد که بدون داشتن هیچ داده‌ای، مجبور به تصمیم گیری باشیم. در این مواقع با استفاده از قواعد مینیماکس و ماکسمین در نظریه تصمیم می‌توان به راه‌کاری مناسب در حالت عدم اطمینان و حتی احتمالاتی دست زد. به همین جهت این نوشتار از مجله فرادرس را به معرفی راه‌کار تصمیم بدون داده و قواعد «مینیماکس» (Minimax)، «ماکسمین» (Maxmin) و «ماکس-ماکس» (Maxmax) اختصاص داده‌ایم.

══ فهرست مطالب ══

‏ ○ مینیماکس و ماکسمین در نظریه تصمیم
‏ ○ معرفی فیلم آموزش روش بهترین – بدترین (BWM) در تصمیم گیری چند معیاره
‏ ○ خلاصه و جمع‌بندی


‏🔸 مینیماکس و ماکسمین در نظریه تصمیم

‏استراتژی‌های ماکسمین، ماکسیماکس و مینیمکس سه رویکرد تصمیم‌گیری تحت عدم اطمینان هستند که بخصوص در مسائل مالی و تصمیم‌گیری‌های اقتصادی، نقش مهمی دارند. این گونه روش‌های انتخاب و تصمیم، برای اجرای یک فعالیت در استراتژی‌های مالی و بازار سهام نیز قابل استفاده است. البته در «روش‌های بیزی» (Bayesian Methods) از آنجایی که اطلاعات پیشین در تصمیم نقش دارند، می‌توان آن‌ها را به نوعی مرتبط با روش‌های نظریه تصمیم در نظر گرفت.

‏استفاده از جداول بازده (سود یا زیان) برای تعیین دامنه نتایج احتمالی براساس دو عامل محاسبه و نمایش داده می‌شوند. ضرر (پشیمانی) و سود یا کسب درآمد، دو عامل اصلی برای استراتژی‌های مینیماکس و ماکسمین در نظریه تصمیم محسوب می‌شوند.

‏نکته: اصول و قوانین مینیماکس و ماکسمین در نظریه تصمیم را می‌توان مشابه با کمینه سازی «تابع زیان» (Loss Function) یا بیشینه سازی «تابع درستنمایی» (Likelihood Function) در مباحث آماری در نظر گرفت. این دو روش معمولا برای مشخص کردن برآورد نقطه‌ای مورد استفاده قرار می‌گیرند.


‏🔸 معرفی فیلم آموزش روش بهترین – بدترین (BWM) در تصمیم گیری چند معیاره

‏فرادرس در یکی از آموزش‌های خود با نام آموزش روش بهترین – بدترین (BWM) در تصمیم گیری چندمعیاره، به استراتژی‌های تصمیم‌گیری پرداخته است. این الگوری تصمیم‌گیری در سال ۲۰۱۵ توسط آقای جعفر رضایی توسعه یافته و به کار گرفته می‌شود. این تکنیک به کمک ماتریس مقایسات زوجی، عمل کرده و نسبت به روش‌های مشابه مانند تکنیک مینیماکس و ماکسمین در نظریه تصمیم ، بار محاسباتی کمتری دارد. فراگیران در این آموزش، ابتدا مفاهیم اولیه و مقدمات مرتبط با روش BWM آشنا شده و در گام های بعدی با استفاده از چندین مثال کاربردی مفاهیم را بهتر درک می‌کنند. در ادامه خلاصه‌ای از سرفصل‌ها و رئوس مطالب این مجموعه آموزش را مشاهده می‌کنید.

‏درس یکم و دوم شامل کلیات و یادآوری مفاهیم تصمیم ‌گیری چند معیاره، مانند دسته‌بندی مدل‌های تصمیم‌گیری، جایگاه روش BWM (Best-Worst Method) در دسته‌بندی مدل‌های تصمیم گیری است.
در درس سوم، تشریح روش بهترین – بدترین به عنوان یک الگوی تصمیم‌گیریه چند معیاره و همچنین تشریح مدل ریاضی و گام‌های آن صورت گرفته است. در درس چهارم با ذکر ۲ مثال و به کمک نرم‌افزار ارائه شده، موارد عملی به فراگیر آموخته می‌شود. درس پنجم و ششم نیز به مقایسه مدل BWM و AHP یا «فرایند تحلیل سلسله ‌مراتبی» (Analytic Hierarchical Process) پرداخته و عملکرد هر یک را جمع‌بندی می‌کند.

‏این آموزش برای کسانی که در رشته‌های رشته‌های مهندسی صنایع و مدیریت، فعالیت دارند، بسیار مفید است. زمان این آموزش ۲ ساعت و ۱۴ دقیقه است.



مطالعه ادامه مطلب 👇👇

‏🔗 مینیماکس و ماکسمین در نظریه تصمیم — 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

‌

‏✳️ ‌سطوح سنجش یا اندازه گیری | به زبان ساده

‏استفاده از داده‌های کمی و کیفی در بررسی و تجزیه و تحلیل‌های آماری، به کمک تکنیک‌ها و روش‌های مختلف صورت می‌گیرد. البته تبدیل داده‌های کمی و کیفی به صورت عددی، با مقیاس و سطوح سنجش یا اندازه گیری میسر است. در این نوشتار از مجله فرادرس به معرفی این مقیاس‌ها خواهیم پرداخت و خصوصیات هر یک را بازگو خواهیم کرد.

══ فهرست مطالب ══

‏ ○ سطوح سنجش یا اندازه گیری
‏ ○ معرفی فیلم آموزش اصول نظرسنجی
‏ ○ خلاصه و جمع‌بندی


‏🔸 سطوح سنجش یا اندازه گیری

‏ماهیت اطلاعات در مقادیر اختصاص داده شده به متغیرها توسط سطوح سنجش یا اندازه گیری توصیف می‌شوند. «استنلی اسمیت استیونز» (Stanley Smith Stevens)، دانشمند روانشناس، مشهورترین طبقه‌بندی را با چهار سطح یا مقیاس اندازه گیری، به صورت زیر معرفی کرد.

‏– اسمی (Nominal)

‏– ترتیب (Ordinal)

‏– فاصله ای (Interval)

‏– نسبت (Ratio)

‏البته مشخص است که این چارچوب و تفاوت در سطوح اندازه گیری از دانش روانشناسی نشأت گرفته و از طرفی مورد انتقاد گسترده دانشمندان سایر رشته‌ها قرار گرفته است. طبقه‌بندی‌های دیگر شامل طبقه‌بندی «مستلر – توکی» (Mosteller and Tukey) و «کریسمن» (Chrisman) نیز وجود دارند.

‏استیونس این مقیاس‌ها را طی مقاله‌ای در مجله «ساینس» (Science) معرفی کرد که در سال ۱۹۴۶ با عنوان «در مورد تئوری مقیاس های اندازه گیری» (On the theory of scales of measurement) منتشر شد. در آن مقاله، استیونز ادعا کرد که تمام اندازه گیری‌ها در علم با استفاده از چهار نوع مقیاس گفته شده، قابل انجام است. او با تفکیک داده‌ها به صورت «کمی» (Quantitative) و «کیفی» (Qualitative) به تعریف سطوح سنجش یا اندازه گیری پرداخت.


‏🔸 معرفی فیلم آموزش اصول نظرسنجی

‏اصول و مبانی نظرسنجی و روش‌های اجرای آن، یکی از مواردی است که دانش آموخته‌های رشته علوم اجتماعی به ویژه در حوزه علوم ارتباطات و روابط عمومی باید به آن مسلط باشند. با این آموزش، مسائل مربوط به نحوه اجرایی طرح‌های نظرسنجی به حداقل رسیده و فراگیران به سطح مطلوبی از دانش نظری و عملی در زمینه اجرای این گونه طرح‌ها و همچنین سطوح سنجش یا اندازه گیری در آمار خواهند رسید. نظرسنجی، یکی از شیوه‌های پژوهش و پیمایش میدانی در حوزه علوم ارتباطات محسوب می‌شود. مدرس در این آموزش سعی دارد تا با ارائه شناخت درست از مبانی نظری و تکنیک‌های اجرایی نظرسنجی، به دانشجویان قدرت اجرای یک پروژه موفق نظرسنجی، را بدهد و آن‌ها را در این راه پر پیچ و خم، هدایت نماید. فهرست سرفصل‌ها و رئوس مطالب مطرح شده در این مجموعه آموزشی، در ادامه آمده است.

‏– درس یکم: آغاز طرح پژوهشی علمی

‏– درس دوم: انواع روش های پژوهش

‏– درس سوم: ابزارهای گردآوری داده ها در نظرسنجی

‏– درس چهارم: اجرای نظرسنجی

‏– درس پنجم: سنجش نظرسنجی

‏– درس ششم: نگارش گزارش نظرسنجی

‏این فیلم آموزشی برای دانشجویانی که در رشته‌های علوم انسانی بخصوص ارتباطات اجتماعی و روانشناسی مشغول به تحصیل هستند، مفید و بسیار ارزنده خواهد بود.

‏– None



مطالعه ادامه مطلب 👇👇

‏🔗 سطوح سنجش یا اندازه گیری | 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

‌

‏✳️ ‌استنباط آماری | مفاهیم اولیه و روش‌ها — به زبان ساده

‏بخشی از علم آمار به بررسی جامعه آماری و خصوصیات آن اختصاص دارد. در اغلب موارد دستیابی به تک تک افراد یا اشیاء جامعه آماری میسر نیست. به همین دلیل نمونه‌گیری، راهکاری برای تجزیه و تحلیل ویژگی‌های جامعه آماری قرار می‌گیرد. استنباط آماری در حقیقت نحوه تسری خصوصیات نمونه به جامعه آماری است. در این متن مفاهیم اولیه و روش‌های مختلف استنباطی را مورد توجه قرار داده و معرفی می‌کنیم.

══ فهرست مطالب ══

‏ ○ استنباط آماری
‏ ○ معرفی فیلم آموزش آمار و کاربرد آن در علوم انسانی
‏ ○ خلاصه و جمع‌بندی


‏🔸 استنباط آماری

‏علم آمار را علم جمع‌آوری، خلاصه‌سازی و سازمان‌دهی و همچنین تجزیه و تحلیل داده می‌شناسند. آمار را باید علم استخراج، توسعه علوم و دانش تجربی انسان در نظر گرفت که برای بیان پدیده‌های تصادفی (که اغلب نیز چنین است) با استفاده از روش‌های گردآوری، تنظیم، پرورش و تحلیل داده‌هایی به کار می‌رود که از طریق روش‌های اندازه‌گیری و آزمایشگاهی بدست آمده‌اند.

‏ابزارهای محاسباتی مدرن مانند رایانه‌ها با استفاده از تکنیک‌های آماری، علوم جدیدی همچون «یادگیری ماشینی» (Machine Learning)، و «کاوش‌های ماشینی در داده‌ها» (Data Mining) را در امتداد و گسترش دانش گسترده و کهن آمار بوجود آورده‌اند.

‏به این ترتیب می‌توان علم آمار را شامل فنونی دانست که کار فراهم کردن داده‌های کمّی و کیفی و تحلیل آن‌ها را برمبنای احتمال میسر می‌سازد. هر چند این نتایج برمبنای احتمال و براساس مدل‌های تصادفی ساخته می‌شوند ولی با اطمینان زیاد و مناسب پاسخگوی نیازهای ما هستند. به یاد داشته باشید که آن چه اهمیت دارد، این است که در گذر از آمار توصیفی به آمار استنباطی یا به عبارت دیگر از نمونه به جامعه، بحث و نقش احتمال آغاز می‌شود. در واقع احتمال، پل رابط بین آمار توصیفی و استنباطی به حساب می‌آید.


‏🔸 معرفی فیلم آموزش آمار و کاربرد آن در علوم انسانی

‏آمار، علم شناخت محیط پیرامون و پدیده‌های تصادفی است. دسته بندی و خلاصه نمودن اطلاعات و این گونه داده‌ها به فهم و درک بیشتر نسبت به این پدیده‌ها کمک می‌کند. مدیران به عنوان برنامه‌ریزان و هدایت‌کنندگان سازمان‌ها و نهادها، باید به این ابزار مسلط بوده تا بتوانند جایگاه مناسبی برای سازمان خود ایجاد کرده و نقش هدایت‌گری را به بهترین نحو، اجرا کنند.

‏در این فرادرس که با عنوان آمار و کاربرد آن در علوم انسانی تدریس شده است، مطالب آمار توصیفی، و آمار استنباطی مورد بررسی قرار گرفته و با ذکر مثال‌هایی مفاهیم تدریس می‌شوند. فهرست سرفصل‌ها به طور خلاصه به شرحی هستند که در ادامه آمده‌اند.

‏از درس اول تا درس سوم، مربوط به تعریف آمار و محاسبه شاخص‌های آماری توصیفی است. درس چهار تا ششم و درس هفتم تا به درس یازدهم به متغیرهای تصادفی و همچنین توزیع نرمال می‌پردازد. این فیلم آموزشی برای دانشجویان رشته‌های مدیریت، حسابداری و اقتصاد مفید است. طول این دوره ویدیویی آموزشی ۵ ساعت و ۲۷ دقیقه در نظر گرفته شده است.



مطالعه ادامه مطلب 👇👇

‏🔗 استنباط آماری | مفاهیم اولیه 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

‌

‏✳️ ‌تفسیر نتایج رگرسیون در SPSS | گام به گام و تشریحی

‏رگرسیون خطی چه در حالت تک متغیره (ساده)، یا چندگانه و چند متغیره، در نرم‌افزار SPSS قابل اجرا است. در اغلب موارد خروجی حاصل از این مدل‌ها در این نرم‌افزار، مشابه یکدیگر هستند. از آنجایی که تفسیر و توجیه مدل ارائه شده، در تحلیل و مدل‌سازی آماری، امری مهم تلقی می‌شود، در این نوشتار از مجله فرادرس، به بررسی خروجی و تفسیر نتایج رگرسیون در SPSS پرداخته‌ایم. البته در این متن، مبنا مدل رگرسیونی چندگانه است و مسیر اجرا و نتایج حاصل براساس این تکنیک مورد توجه قرار گرفته است.

══ فهرست مطالب ══

‏ ○ تفسیر نتایج رگرسیون در SPSS
‏ ○ معرفی فیلم آموزش آمار استنباطی برای مدیریت و علوم انسانی
‏ ○ خلاصه و جمع‌بندی


‏🔸 تفسیر نتایج رگرسیون در SPSS

‏همانطور که گفته شد، در این نوشتار قرار است با نتایج حاصل از اجرای رگرسیون خطی در SPSS آشنا شده و از آن‌ها، تفسیر درستی ارائه کنیم. در این بین از یک فایل داده آموزشی استفاده خواهیم کرد.

‏اطلاعات مربوط به نمرات ۲۰۰ دانش آموز دبیرستان در سه درس «ریاضیات» (Math)، «مطالعات اجتماعی» (Socst) و «خواندن» و … معرفی شده‌اند. جدول ۱، این متغیرها را مشخص و ویژگی‌های آن را معرفی کرده است.

‏جدول ۱: ویژگی‌های متغیرهای مورد تحلیل


‏🔸 معرفی فیلم آموزش آمار استنباطی برای مدیریت و علوم انسانی

‏آمار استنباطی، یکی از شیوه‌های تعمیم خصوصیات نمونه به جامعه آماری است. این مباحث شامل تخمین نقطه‌ای و تخمین فاصله‌ای، آزمون فرض و مدل‌سازی است. بر این اساس، در این آموزش فرادرس موضوعات استنباط آماری به زبان ساده و به کمک نرم‌افزارهای آماری مانند اکسل و SPSS مطرح شده و با ذکر مثال‌های کاربردی، اهمیت به کارگیری آن‌ها به کاربران آموخته می‌شود.

‏بحث تفسیر نتایج رگرسیون در SPSS از مواردی است که در این آموزش به طور مفصل مورد توجه قرار گرفته و رگرسیون چندگانه و غیرخطی نیز مطرح می‌شود. فهرست سرفصل ها و رئوس مطالب مطرح شده در این مجموعه آموزشی، در ادامه آمده است:

‏– درس یکم: جامعه و نمونه و ارتباط بین آن ها

‏– درس دوم: برآورد آماری

‏– درس سوم: آزمون فرضیه

‏– درس چهارم: آزمون تحلیل واریانس

‏– درس پنجم: رگرسیون و همبستگی

‏– درس ششم: رگرسیون چندگانه و غیر خطی

‏این آموزش مناسب برای سطوح تحصیلی، کارشناسی و کارشناسی ارشد برای رشته‌های مدیریت، آمار، اقتصاد، حسابداری و مهندسی صنایع است. نرم افزارهای مرتبط با آموزش Microsoft Excel و IBM SPSS ۱۹ هستند. در مجموع فیلم آموزشی شامل ۵ ساعت و ۲۷ دقیقه محتوایی ویدیویی است.



مطالعه ادامه مطلب 👇👇

‏🔗 تفسیر نتایج رگرسیون در SPSS | گام به گام و تشریحی — 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

‌

‏✳️ ‌رگرسیون سلسله مراتبی در SPSS — آموزش پیاده سازی به زبان ساده

‏هدف از مدل‌سازی، شناسایی رفتار داده‌های وابسته به یکدیگر است که به واسطه آن بتوان تغییرات یک متغیر وابسته را برحسب متغیر یا متغیرهای مستقل بیان کرد. «رگرسیون» (Regression) یکی از تکنیک‌های آماری به منظور مدل‌سازی است که به وفور در علوم دیگر بخصوص «یادگیری ماشین» (Machine Learning) به کار گرفته می‌شود. شیوه و روش‌های مختلفی برای مدل‌سازی به سبک رگرسیون وجود دارد که یکی از آن‌ها، «رگرسیون سلسله مراتبی» (Hierarchical Regression) نامیده می‌شود. در این نوشتار از مجله فرادرس به بررسی نحوه اجرای رگرسیون سلسله مراتبی در SPSS می‌پردازیم و البته مبانی و فرضیه‌های اولیه برای اجرای آن را نیز بیان خواهیم کرد.

══ فهرست مطالب ══

‏ ○ رگرسیون سلسله مراتبی در SPSS
‏ ○ معرفی فیلم آموزش همبستگی و رگرسیون خطی در SPSS
‏ ○ خلاصه و جمع‌بندی


‏🔸 رگرسیون سلسله مراتبی در SPSS

‏رگرسیون خطی سلسله مراتبی شکل خاصی از تحلیل رگرسیون خطی چندگانه است که در آن متغیرهای مختلفی در مراحل جداگانه‌ای به نام «بلوک» (Block) و به شکل «پشته‌ای» (Stack) به مدل اضافه می‌شوند. البته این شیوه با روش رگرسیون گام به گام (Stepwise regression) متفاوت است. در رگرسیون گام به گام،‌ هر متغیر بنا به اهمیتی که در مدل رگرسیونی دارد به مدل افزوده می‌شود و از طرفی به علت وجود ارتباط بین بعضی از متغیرهای مستقل، ممکن است در گام بعدی از مدل خارج شود.

‏در حالیکه در رگرسیون سلسله مراتبی، طبق نظر محقق و کاربر، متغیرها در بلوک‌های متفاوت معرفی شده و به تعداد بلوک‌ها، مدل ساخته می‌شود. در هر مدل، متغیرهای معرفی شده در بلوک، به بلوک قبلی افزوده شده و محاسبات مربوط به مدل جدید، صورت می‌گیرد.

‏این کار اغلب برای کنترل آماری متغیرهای خاص انجام می‌شود تا مشخص شود که آیا افزودن متغیرها، به طور قابل قبولی، توانایی مدل را در پیش بینی متغیر وابسته بهبود می‌بخشد یا خیر. به بیان دیگر یک متغیر وابسته، بیشتر تحت تاثیر کدام متغیرها مستقل قرار دارد و مدل اثر آن‌ها چگونه است؟


‏🔸 معرفی فیلم آموزش همبستگی و رگرسیون خطی در SPSS

‏برای ایجاد مدل‌های آماری اغلب از رگرسیون استفاده می‌شود. به کمک شاخص‌های محاسبه شده در این تکنیک آماری، مدل ارتباطی بین متغیرهای مستقل و وابسته مشخص شده و می‌توان بر اساس مقادیر متغیرهای پیش‌گو، متغیر وابسته را پیش‌بینی کرد. در اغلب موارد برای مدل سازی، از رگرسیون خطی برای این کار بهره می‌بریم. در این فرادرس، مدل رگرسیون خطی (ساده و چندگانه) معرفی شده و نحوه اجرای آن در نرم‌افزار SPSS‌ بازگو می‌شود. آزمون‌های ارزیابی مدل رگرسیونی نیز از موضوعاتی است که می‌توان در این فیلم آموزشی، مشاهده کرد. سرفصلی که در این درس به آن پرداخته شده، طبق فهرست زیر معرفی می‌شود.

‏– همبستگی و رابطه بین دو متغیر: رابطه خطی مستقیم و معکوس، ضریب همبستگی پیرسون- Correlation Coefficient، آزمون مربوط به ضریب همبستگی پیرسون- Pearson Correlation Coefficient و ضریب همبستگی جزئی- Partial Correlation.

‏– معادله خط برگشت Regression: متغیر مستقل و وابسته، فرضیات مربوط به شیوه محاسبه ضرایب رگرسیونی، فرض مربوط به نرمال بودن باقی مانده‌ها، فرض مربوط به ثابت بودن واریانس باقی مانده‌ها، فرض مربوط به تصادفی بودن باقی مانده‌ها، تعیین معادله خط رگرسیون با یک متغیر مستقل (برآورد ضرایب رگرسیون)، آزمون‌های تعیین صحت مدل رگرسیون (Regression model) و تحلیل باقی مانده ها

‏– رگرسیون چند متغیره: فرضیات مربوط به شیوه محاسبه ضرایب رگرسیونی، تعیین معادله خط رگرسیون با چند متغیر، آزمون‌های تعیین صحت مدل رگرسیونی، روش‌های کاهش تعداد متغیرهای مستقل (روش Backward-Forward-Stepwise) و بررسی شرایط مربوط به متغیرهای مستقل



مطالعه ادامه مطلب 👇👇

‏🔗 رگرسیون سلسله مراتبی در SPSS — آموزش پیاده سازی 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

‌

‏✳️ ‌طیف لیکرت در SPSS — به زبان ساده

‏«طیف لیکرت» (Likert Scale) یک معیار و سنجه روانشناسی است که در بسیاری از تحقیقات و بررسی‌ها به کار می‌رود و برمبنای پرسشنامه عمل می‌کنند. گاهی طیف یا مقیاس لیکرت را به عنوان «مقیاس رتبه‌ای» (Rating Scale) نیز به کار می‌برند، زیرا گزینه‌های مربوط به مقیاس لیکرت، دارای ترتیب بوده و از کوچک به بزرگ، کدگذاری می‌شوند. در اغلب تحقیقات روانشناختی، پرسشنامه‌های استانداردی وجود دارد که معمولا از طیف لیکرت یا «طیف گاتمن» (Guttman scale) برای جمع‌آوری داده‌ها، استفاده می‌کنند. در این نوشتار از مجله فرادرس، نحوه کار با طیف لیکرت در SPSS را فرا گرفته و شیوه ورود و جمع‌بندی سوالات یک پرسشنامه با این مقیاس را بازگو خواهیم کرد.

══ فهرست مطالب ══

‏ ○ طیف لیکرت در SPSS
‏ ○ معرفی فیلم آموزش نرم افزار آماری SPSS
‏ ○ خلاصه و جمع‌بندی


‏🔸 طیف لیکرت در SPSS

‏طیف یا «مقیاس لیکرت» (Likert Scale)، قالبی است که در آن دامنه پاسخ‌ها در یک پرسشنامه، امتیاز‌بندی یا نمره گذاری می‌شوند. شرکت کنندگان در طرح تحقیقی وقتی با یک پرسشنامه با سوالاتی با پاسخ‌های بسته به شکل طیف لیکرت مواجه می‌شوند، میزان توافق یا عدم توافق خود را در یک مقیاس متقارن از سطوح مختلف موافقت و مخالفت مشخص می‌کنند. بنابراین، دامنه شدت احساسات یا انتخاب‌های آنها توسط پرسشنامه برای یک مورد یا سوال خاص ثبت می‌شود.

‏با توجه به تنوع و تعداد گزینه‌های انتخابی در مقیاس‌های لیکرت، گونه «دو قطبی» (Bipolar) با تعداد گزینه‌های فرد (۳، ۵ و ۷) بیشتر در روانشناسی و علوم اجتماعی و همچنین تجارت و بازاریابی به کار گرفته می‌شوند. البته در نظر سنجی‌ها از سوالاتی با طیف لیکرت با تعداد پاسخ‌های زوج (۲، ۴ و ۶) استفاده می‌شود.

‏می‌توان مقیاسی را به عنوان جمع ساده یا میانگین پاسخ‌های پرسشنامه نسبت به مجموعه موارد یا سوالات ایجاد کرد و آن را مقدار یا امتیاز پرسشنامه یا سازه‌ای در نظر گرفت که در پرسشنامه به آن پرداخته شده است. به این ترتیب برای اندازه‌گیری «سازگاری درونی» (Internal Consistency) پرسشنامه، از معیارهای مختلفی استفاده شده، تا مشخص شود که پراکندگی پاسخ‌ها کم بوده که این امر نشانگر اعتبار و پایایی پرسشنامه است.


‏🔸 معرفی فیلم آموزش نرم افزار آماری SPSS

‏استفاده از نرم‌افزارهای محاسبات آماری مانند SPSS، امروزه در بین محققین این حوزه، بسیار مرسوم شده است. حتی به منظور درک مسائل آماری در رشته‌های غیر آماری نیز به کمک این نرم‌افزارها صورت می‌گیرد. نرم افزار کاربردی SPSS یکی از نرم افزارهای آماری است که امروزه بیشترین تمرکز را بر روی مسائل تحقیقی در رشته‌های روانشناسی و علوم اجتماعی دارد. در این آموزش به بررسی اولیه و نحوه کار با این نرم افزار پرداخته شده است و محاسبات آمار توصیفی، نظیر میانگین، میانه، نما، واریانس، ضریب تغییرات، ضریب چولگی، برجستگی، رسم نمودارهای آماری و همچنین قالب‌بندی خروجی آموزش داده می‌شود. در انتها نیز دانشجویان با یک پرسشنامه با طیف لیکرت در SPSS آشنا شده و محاسبات مربوطه را فرا می‌گیرند. سرفصل و مواد آموزشی طبق فهرست زیر هستند.

‏– آشنایی با رابط کاربری نرم افزار SPSS و انواع پنجره‌های آن

‏– معرفی انواع متغیر و مقیاس‌های اندازه‌گیری در SPSS

‏– معرفی شاخص های جمعیت (تمرکز و پراکندگی)

‏– ورود داده ها و انجام محاسبه شاخص‌های آماری

‏– آشنایی با مفهوم جداول توافقی (CrossTabs) و ایجاد آن

‏– رسم نمودارهای آماری مانند نمودار ستونی و دایره‌ای یا نمودار پراکندگی

‏– تنظیم و قالب‌بندی خروجی نرم افزار

‏این آموزش شامل ۷ ساعت و ۵۳ دقیقه فیلم تدریسی است که برای دانشجویان و محققین رشته‌های علوم انسانی مانند روانشناسی، جامعه شناسی، روابط عمومی، مدیریت قابل استفاده است.



مطالعه ادامه مطلب 👇👇

‏🔗 طیف لیکرت در SPSS — 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

‌

‏✳️ ‌پرسشنامه چیست ؟ — انواع، کاربردها و نحوه طراحی | به زبان ساده

‏در یک طرح تحقیق، پرسشنامه‌ها به عنوان یک ابزار جمع‌آوری داده‌ها، مورد توجه قرار می‌گیرند. اغلب در تحقیقات و نظر سنجی‌های اجتماعی، از پرسشنامه‌ها برای ثبت اطلاعات استفاده می‌شود. از آنجایی که پرسشنامه‌ها توسط افراد پاسخ‌دهنده تکمیل می‌شوند، کمتر در تحقیقات میدانی به کار می‌رود. در این متن از مجله فرادرس، به این سوال پاسخ خواهیم داد که پرسشنامه چیست و با انواع آن از جنبه‌های متفاوت آشنا خواهیم شد.

══ فهرست مطالب ══

‏ ○ پرسشنامه چیست؟
‏ ○ معرفی فیلم آموزش Google Forms برای ایجاد انواع فرم و پرسشنامه آنلاین
‏ ○ خلاصه و جمع‌بندی


‏🔸 پرسشنامه چیست؟

‏«پرسشنامه» (Questionnaire) یک ابزار تحقیقاتی در تحقیق علمی محسوب شده که متشکل از یک سری سوال به منظور جمع‌آوری اطلاعات از پاسخ دهندگان است. می‌توان پرسشنامه‌ها را نوعی مصاحبه کتبی دانست. البته پاسخ‌های مربوط به پرسشنامه‌ها را می‌توان به صورت حضوری، از طریق تلفن، کامپیوتر و پست الکترونیک یا پست سنتی نیز بدست آورد. پرسشنامه‌ها روشی نسبتاً ارزان، سریع و کارآمد برای به دست آوردن مقادیر زیادی اطلاعات از یک نمونه بزرگ از افراد جامعه آماری محسوب می‌شوند که در اغلب طرح‌های تحقیقی و بخصوص نظرسنجی‌ها، به کار می‌روند.

‏اولین بار، انجمن آمار لندن در سال ۱۸۳۸ پرسشنامه‌ای طرحی کرد و آن را برای یک طرح آماری به کار برد. با توجه به کارایی مناسب در این شیوه گردآوری اطلاعات، تا به امروز نیز از این ابزار برای جمع‌آوری داده‌ها استفاده می‌شود.

‏در این شیوه جمع‌آوری اطلاعات، مقادیر و داده‌ها، نسبتاً سریع جمع آوری می‌شوند، زیرا برای تکمیل پرسشنامه‌ها و ارائه پاسخ به سوالات، نیازی به حضور محقق نیست. در این صورت برای کسانی که امکان حضور برای مصاحبه را ندارند، پرسشنامه‌ها یک راه‌کار ایده‌آل محسوب می‌شوند. خوشبختانه به کمک پرسشنامه‌ها می‌توان هم متغیرهای کیفی و هم کمی را اندازه‌گیری کرده و برای تحقیقات و نظرسنجی‌های آماری به کار بست.


‏🔸 معرفی فیلم آموزش Google Forms برای ایجاد انواع فرم و پرسشنامه آنلاین

‏از آنجایی که کاربران محیط اینترنت روز به روز افزایش می‌یابد، بسیاری از امور مانند طراحی فرم نظر سنجی و ارائه آن به پاسخ‌دهندگان، از قابلیت‌هایی است که توسط فرم‌های گوگل (Google Forms) که یک ابزار برخط (Online) محسوب می‌شود، قابل انجام است. به این ترتیب، به محققان و البته کاربران کمک می‌شود تا بدون نیاز به پیمودن مسافت و یا صرف زمان زیاد، در کوتاه‌ترین زمان ممکن، طرح‌های نظر سنجی را اجرا و یا فرم‌های مربوط به پرسشنامه‌ها را پر کنند. توجه داشته باشید که توانید در آماده‌سازی فرم‌ها، از عناصر مختلفی که به منظور تهیه فرم‌های کاربردی در این ابزار قرار گرفته است، به بهترین نحو، بهره ببرید.

‏ابزار Google Forms ارتباط کاملی با ابزار دیگری از گروه نرم‌افزار گوگل به نام کاربرگ‌های گوگل (Google Spreadsheets) دارد که از آن می‌توان برای جمع‌بندی و محاسبات براساس اطلاعات جمع‌آوری شده، استفاده کرد. این موضوع یکی از مزایای مهم در استفاده از Google Forms محسوب می‌شود. سرفصل آموزشی ارائه شده، به قرار زیر است.

‏– آشنایی با محیط کاری در فرم‌های گوگل (Google Forms)

‏– ایجاد فرم جدید و ثبت و ذخیره آن

‏– ارتباط با فرم‌های گوگل (Google Sheets)

‏– آماده سازی سوالات و آشنایی با عناصر و اِلمان‌های طراحی سوال

‏– آماده سازی فرم‌های مرحله‌ای

‏– تنظیم‌هی مربوط به Google Forms

‏– آشنایی با الگو یا تمپلیت‌های از پیش آماده شده

‏– کار با افزونه‌های جانبی فرم‌های گوگل

‏زمان این فیلم آموزشی ۵۶ دقیقه است و مشاهده آن به تمامی کسانی که در طرح‌های تحقیقاتی فعالیت داشته یا طرح پرسشنامه هستند، بخصوص دانشجویان رشته‌های روانشناسی و علوم ارتباطات، پیشنهاد می‌شود.



مطالعه ادامه مطلب 👇👇

‏🔗 پرسشنامه چیست ؟ — انواع، کاربردها و نحوه طراحی | 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

‌

‏✳️ ‌رگرسیون کمترین زاویه (LAR Regression) — به زبان ساده

‏در «مدل‌های خطی» (Linear Models)، روش‌های رگرسیونی (Regression Methods) از اهمیت زیادی برخوردار هستند. در بسیاری از موارد به کمک این روش‌ها قادر هستیم عمل برازش منحنی را بخصوص در زمینه «یادگیری ماشین» (Machine Learning) با دقت مناسب انجام دهیم. ولی وقتی ابعاد داده‌ها افزایش یابد، روش‌های کلاسیک رگرسیون قابل استفاده نخواهند بود و در عمل به خاطر محدودیت‌های محاسباتی برآوردیابی برای پارامترهای مدل‌ خطی امکان پذیر نیست. در این مطلب به روشی خاصی به نام «رگرسیون کمترین زاویه» (Least Angle Regression) می‌پردازیم که بخصوص برای داده‌های با «ابعاد بالا» (High Dimension) طراحی و در بیشتر بسته‌های زبان‌های برنامه‌نویسی آماری مانند R و یا Python‌ پیاده‌سازی شده است. در انتها نیز به کمک بسته نرم‌افزاری LAR، این روش را پیاده‌سازی می‌کنیم. برای آشنایی با شیوه محاسبات در رگرسیون خطی ساده بهتر است مطلب رگرسیون خطی — مفهوم و محاسبات به زبان ساده را مطالعه کنید.

══ فهرست مطالب ══

‏ ○ رگرسیون کمترین زاویه (Least Angle Regression)



مطالعه ادامه مطلب 👇👇

‏🔗 رگرسیون کمترین زاویه (LAR Regression) — 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

‌