اسمارت پی ال اس

نرم افزار  اسمارت پی ال اس (pls) چه کاربردی دارد؟

 

اهمیت روز افزون تجزیه و تحلیل داده ها در تحقیقات علمی، باعث توجه هر چه بیشتر جامعه علمی به این مقوله شده است. همان گونه که یک پژوهش علمی بدون مروری بر ادبیات موضوع و کنکاش در نظریه ها، ناقص میماند،‌ اضافه نمودن تحقیق میدانی به تئوری های مطالعه شده جلوه ی دیگری به پژوهش داده و اعتبار آن را دوصد چندان می کند. در این راستا،‌داده هایی که محقق از اعضای نمونه آماری تحقیق خود جمع آوری می نماید، احتیاج به تجزیه و تحلیل دارند تا تفسیر یافته ها و تعمیم نتایج میسر گردد.

در مطالعات حوزه ی علوم انسانی و اجتماعی، تجزیه و تحلیل داده های پژوهش طبق فرآیندی با قالب کلی مشخص و یکسان صورت می پذیرد که مرتبط با آن روش تحلیل آماری متعددی تا به حال معرفی شده است. در این میان، مدل سازی معادلات ساختاری (SEM) که در اواخر دهه شصت میلادی معرفی شد، ابزاری در دست محققین جهت بررسی ارتباط میان چندین متغیر در یک مدل را فراهم می ساخت. قدرت این تکنیک در توسعه نظریه ها باعث کاربرد وسیع آن در علوم مختلف از قبیل بازاریابی، مدیریت منابع انسانی،‌ مدیریت استراتژیک و سیستم اطلاعاتی شده است. یکی از مهمترین دلایل استفاده زیاد پژوهشگران از SEM، قابلیت آزمودن تئوری ها در قالب معادلات میان متغیرهاست. دلیل دیگر لحاظ نمودن خطای اندازه گیری توسط این روش است که به محقق اجازه می دهد تا تجزیه و تحلیل داده های خود را با احتساب خطای اندازه گیری گزارش دهد.

مدل سازی معادلات ساختاری تا این زمان، با دو نسل روش های تجزیه و تحلیل داده ها معرفی شده است. نسل اول روش های مدل سازی معادلات ساختاری روش های کوواریانس محور هستند که هدف اصلی این روش ها تایید مدل بوده و برای کار به نمونه هایی با حجم بالا نیاز دارند. نرم افزارهای LISREL، AMOS، EQS و MPLUS چهار عدد از پرکاربردترین نرم افزارهای این نسل هستند. چند سال پس از معرفی روش کوواریانس محور، به دلیل نقاط ضعفی که در این روش وجود داشت، نسل دوم روش های معادلات ساختاری که مولفه محور بودند، معرفی شدند. روش های مولفه محور که بعدا به روش حداقل مربعات جزئی تغییر نام دادند، برای تحلیل داده ها روش های متفاوتی نسبت به نسل اول ارائه دادند.

پس از معرفی روش حداقل مربعات جزئی، این روش از علاقه مندان بسیاری برخوردار شد و پژوهشگران متعددی تمایل به استفاده از این روش پیدا کردند. مهمترین نرم افزار برای این روش Smart PLS می باشد.

دلایل استفاده از روش پی ال اس PLS  و نرم افزار Smart PLS در پژوهش ها:

محققین دلایل متعددی را برای استفاده از روش پی ال اس (PLS) ذکر نموده اند. مهمترین دلیل، برتری این روش برای نمونه های کوچک ذکر شده است. دلیل بعدی داده های غیرنرمال است که محققین و پژوهشگران در برخی پژوهش ها با آن سر و کار دارند در نهایت دلیل آخر استفاده از روش پی ال اس (PLS)، روبرون شدن با مدل های اندازه گیری سازنده است.

دلایل استفاده از روش معادلات ساختاری پی ال اس (PLS – SEM) به شرح زیر است:

1. حجم کم نمونه
2. داده های غیر نرمال
3. مدلهای اندازه گیری از نوع سازنده
4. قدرت پیش بینی مناسب
5. پیچیدگی مدل ( تعداد زیاد سازه ها و شاخص ها)
6. تحلیل اکتشافی
7. توسعه تئوری و نظریه
8. استفاده از متغیرهای طبقه بندی شده
9. بررسی همگرایی
10. آزمودن تئوری و فرضیه
11. آزمودن فرضیات شامل متغیرهای تعدیلگر

با توجه به موارد بالا، حجم نمونه اندک بهترین دلیل استفاده از PLS است. روش های نسل اول مدل سازی معادلات ساختاری که با نرم افزارهایی نظیر LISREL، EQS و AMOS اجرا می شدند،‌ نیاز به تعداد نمونه زیاد دارند، در حالی که PLS (پی ال اس)  توان اجرای مدل با تعداد نمونه خیلی کم را دارا می باشد.

یک مزیت مهم دیگر که محققین به آن استناد می کنند، امکان استفاده از مدل های اندازه گیری با یک شاخص (سوال) در روش PLS-SEM می باشد. این روش به پژوهشگر این امکان را می دهد که بتواند در مدل پژوهشی خود از مدل های اندازه گیری با یک سوال استفاده کند.

هدف ما شناخت شما دوستان بر مبانی تئوریک روش مدل سازی معادلات ساختاری (sem)با رویکرد تحلیل آماری پایان نامه است . مدل سازی معادلات ساختاری یکی از بهترین روش های آماریست که ابزاری در دست پژوهشگران جهت بررسی ارتباط بین متغیرهای مستقل ،وابسته ،میانجی و تعدیلگر در مدل است .

با تقدیم ادب و احترام حضور شما دوستان عزیزم میخواهم با شما دوستان خوبم در خصوص مدل سازی با این نرم افزار و بیان مزیت های اون و آموزش کلیدی جزییاتش صحبت کنم .

ببینید دوستان گلم یکی از مزیت های جالبی که مدل سازی معادلات ساختاری داره بررسی اثر متغیر ها روی هم در آن واحد است .

ضمنا برای  شما دوستان  در رشته مدیریت که حجم نمونه  تحقیقتون پایینه بهتره که ازاین نرم افزار در ارائه فصل ۴ خود استفاده نمایید، چون این نرم افزار به حجم نمونه کم حساسیت نشون نمیده حتی با نمونه 50 تا 80 نفری جواب میده و مورد دیگری که میتونیم در نرم افزار pls اون رو شاخص قلمداد کنیم این است که تحلیل عاملی مرتبه دوم به بالا فقط از طریق این نرم افزار میسر است و امکان انجام تحلیل عاملی مرتبه دوم به بالا از طریق نرم افزار هایی مثل Amos،lisrelمقدور نیست و فقط از طریق نرم افزار plsامکان پذیر است .

شما میتونید با استفاده از نرم افزار pls مدل مفهومی تحقیقتون رو در حالت های مختلف اندازه گیری ،ساختاری و کلی نشون بدید .

برخلاف مدل های مبتنی بر کواریانس، مدل یابی مسیر با استفاده از روش PLS تا سال های اخیر به ندرت در علوم اجتماعی مورد استفاده قرار گرفته است. این در حالیست که الگوریتم اساسی آن در دهه 1970 توسعه یافته و اولین نرم افزار آن با نام LVPLS از دهه 1980 برای استفاده در دسترس بوده است. دلایل استفاده محدود از این نرم افزار را می توان عدم سهولت استفاده و مشکلات روش شناختی آن دانست.

در سال های اخیر این وضعیت تغییر کرده است و پژوهشگران می توانند برای مدل یابی به روش PLS از نرم افزارهای مختلفی مانند PLS-Graph، VisualPLS، PLS-GUI   و SmartPLS استفاده نمایند. علاوه بر کاربرد آسان این نرم افزارها، نیاز به مدل یابی سازه های تشکیل شونده در علوم اجتماعی، موجب حرکت پژوهشگران به سمت روش های PLS و استفاده از این نرم افزارها شده است.

 از بین نرم افزارهای معرفی شده SmartPLS   یکی از نرم افزارهای عمده و مهم مدل یابی مسیر با استفاده از PLS می باشد. بنابر گزارش سایت SmartPLS.de بیش از 10000 کاربر در جهان از این نرم افزار استفاده می کنند. این نرم افزار به علت داشتن رابط گرافیکی کاربر بسیار ساده و قابلیت های تحلیلی گسترده به یکی از محبوب ترین نرم افزارها در این زمینه بدل شده است.

نگاهی به قابلیت های نرم افزار SmartPLS : SmartPLS در سال 2005 توسط رینگل و همکاران وی در دانشگاه هامبورگ آلمان طراحی شده است. این نرم افزار مبتنی بر جاوا می باشد که باعث می شود کاربران سیستم های عامل مختلف از قبیل ویندوز، اپل مکینتاش و لینوکس به راحتی از آن استفاده نمایند. این نرم افزار قابلیت پردازش و تحلیل داده های خام را داراست. همچنین طراحی و آزمون مدل در آن به صورت کاملا گرافیکی انجام می شود. خروجی نرم افزار را می توان در قالب صفحات وب، اکسل و لاتکس مشاهده نمود. لازم به ذکر است که SmartPLS نیز همانند لیزرل و آموس قابلیت پردازش داده های خام را دارد. این نرم افزار داده های ورودی با فرمت CSV را که توسط SPSS یا Excel ایجاد می شود را دارد.

منبع : مقدمه ای بر مدل یابی معادلات ساختاری به روش PLS و کاربرد آن در علوم رفتاری / نوشته دکتر سید محمد سید عباس زاده / انتشارات دانشگاه ارومیه / 1391 .

روش تحقیق آمیخته

کندوکاو برای شناسائی و حل مسایل مدیریت و انجام پژوهش جهت شناخت پدیده‌ها بر پایه دیدگاه‌های فلسفی معرفت-شناختی و انتخاب روش‌ تحقیق انجام می‌شود. برای این منظور پژوهشگران، به طور ضمنی یا آشکار، یک دیدگاه فلسفی‌ را مفروض داشته و مبتنی بر آن، نحوه گردآوری داده‌ها تنظیم، تلخیص و چگونگی تحلیل‌ شواهد را تعیین می‌کنند. از این‌رو، انتخاب روش تحقیق برای پی بردن به ناشناخته‌ها، بر پایه‌ دیدگاه‌های فلسفی به عمل می‌آید. روش‌های تحقیق کمی مبتنی بر دیدگاه اصالت تحصلی است‌ و روش‌های تحقیق کیفی بر سه دیدگاه دیگر استوار است. از آنجا که روش‌های تحقیق کمی و کیفی به تنهایی نمی‌توانند پیچیدگی‌های مسایل و عناصر تشکیل‌دهنده پدیده‌های مختلف را بدون اریبی مورد مطالعه قرار دهند، ترکیب این روش‌ها مورد استفاده قرار گرفته و از آن تحت عنوان روش تحقیق آمیخته یاد شده است.

از لحاظ ماهیت، روش تحقیق مورد استفاده در این مطالعه روش تحقیق آمیخته است. در تحقیقات کمی به طور ضمنی پارادایم اثبات‌گرایی (اصالت تحصلی) برای پی بردن به موقعیت نامعین استفاده می‌شود. بدین معنا که فرضیه پژوهشگر آن است درباره پدیده‌های مورد مطالعه می‌توان به طور عینی و بدون اریب به شناخت لازم دست یافت. اما باید توجه داشت که تمام پدیده‌هایی که با رفتار انسانی سروکار دارند را نمی‌توان به شیوه کاملا عینی و بدون اریب مطالعه کرد. با توجه به ضرورت یاد شده، در دهه گذشته برای انجام تحقیقات در حوزه مسائل انسانی و رفتاری مانند مقوله سازمان و مدیریت، کوشش شده است تا از ترکیبی از روش‌های کمی و کیفی استفاده شود و به آن روش تحقیق آمیخته گویند. در این مطالعه از روش‌های ترکیبی کمی (مبتنی بر پرسشنامه) و کیفی (مبتنی بر مشاهدات پژوهشگر و مصاحبه‌های تخصصی) استفاده شده است.

ضریب تعیین (تشخیص) رگرسیون

ضریب تعیین یا ضریب تشخیص Coefficient Of Determination قدرت توضیح دهندگی مدل را نشان می‌دهد. ضریب تعیین نشان می‌دهد که چند درصد از تغییرات متغیر وابسته توسط متغیرهای مستقل توضیح داده می‌شود. تغییرات کل متغیر وابسته برابر است با تغییرات توضیح داده شده توسط رگرسیون بعلاوه تغییرات توضیح داده نشده.

ضریب تشخیص در معادلات رگرسیونی با علامت R² نشان داده می‌شود و بیانگر میزان احتمال هم‌بستگی میان دو دسته داده در آینده می‌باشد. این ضریب در واقع نتایج تقریبی پارامتر موردنظر در آینده را بر اساس مدل ریاضی تعریف شده که منطبق بر داده‌های موجود است، بیان می‌دارد. ضریب تعیین، معیاری است از این که خط رگرسیون، چقدر خوب خوانده‌ها را معرفی می‌کند. اگر خط رگرسیون از تمام نقاط بگذرد توانائی معرفی همه متغیرها را دارد و هرچه از نقاط دورتر باشد نشان دهنده توانائی کمتر است.

نحوه محاسبه ضریب تعیین از نظر آماری

با توجه به اینکه

SST: مجموع توان دوم خطاها زمانی که از متغیر‌های مستقل (X ها) استفاده نشود.

SSE: مجموع توان دوم خطاها زمانی که از متغیر‌های مستقل (X ها) استفاده شود.

پارامتر SSR را مجموع توان دوم رگرسیون نامید و کاهش در مجموع توان دوم خطا‌ها به خاطر استفاده از متغیر‌های مستقل (x ها) را نشان می‌دهد. هر چه SSR بزرگتر باشد بهتر است و اگر SSR = 0 باشد رابطه رگرسیونی اصلا کاربرد نداشته است.

SSR = SST – SSE

می دانیم SSR کاهش تغییر پذیری (خطا) به خاطر استفاده از متغیرهای مستقل است. نسبت این کاهش را با R² نشان داده و ضریب تعیین می‌نامیم.

R² = SSR/SST

بنابراین مقادیری که R² می‌تواند اختیار کند بین صفر و یک می‌باشد:

اگر R² = 1 باشد آن گاه SSR=SST یا به عبارتی SSE = 0 یعنی زمانی که از متغیرهای مستقل استفاده کنید هیچ خطای وجود ندارد که این بهترین حالت ممکن است.

اگر R² = 0 باشد آن گاه SSR=0 یا به عبارتی SSE = SSR یعنی استفاده از متغیر‌های مستقل هیچ تاثیری بر برآورد خط رگرسیونی ندارد.

محاسبه ضریب تعیین در SPSS

برای این منظور از رگرسیون خطی استفاده می شود.

از منوی Analyze گزینه Regression فرمان Linear را اجرا کنید.

متغیر وابسته تعهد را به کادر Dependent وارد کنید. در تکنیک رگرسیون خطی فقط می توان یک متغیر را به کادر Dependent وارد کنید.

متغیر یا متغیرهای مستقل را به کادر Independent وارد کنید.

با تایید این کار چندین جدول در خروجی ظاهر خواهد شد.

برای مشاهده ضریب تعیین از جدول Model Summary استفاده کنید.

جدول ضریب تعیین در SPSS

براساس نتایح این جدول متغیرهای پیش بین توانسته‌اند ۲۸% از تغییرات در متغیر وابسته را تبیین کنند.

محاسبه ضریب تعیین در PLS

ضریب تعیین یکی از سه معیار اصلی برازش مدل در روش حداقل مربعات جزئی است. ضریب تعیین بیانگر میزان تغییرات هر یک از متغیرهای وابسته مدل است که به وسیله متغیرهای مستقل تبیین می‌شود. گفتنی است که مقدار R2 تنها برای متغیرهای درون‌زای مدل ارائه می‌شود و در مورد سازه‌های برون‌زا مقدار آن برابر صفر است. هرچه مقدار R2 مربوط به سازه‌های درون‌زای مدل بیشتر باشد، نشان از برازش بهتر مدل است. چین (۱۹۹۸) سه مقدار ۰/۱۹ ، ۰/۳۳ و ۰/۶۷ را به عنوان مقدار ملاک برای مقادیر ضعیف، متوسط و قوی بودن برازش بخش ساختاری مدل به وسیله معیار ضریب تعیین تعریف کرده است. برای مطالعه بیشتر به بحث شاخص‌های نیکویی برازش در حداقل مجذورات جزیی رجوع کنید.

 

منبع: محاسبه ضریب تعیین (تشخیص) نوشته آرش حبیبی کتاب آموزش SPSS

تعریف مفهومی سکوت سازمانی از دیدگاه ون‌داین

سکوت سازمانی Organizational Silence : سکوت سازمانی پدیده‌ای است که در آن کارکنان سازمان به علل مختلف از اظهار نظر در مورد مسایل سازمان خودداری کرده وسکوت اختیار می‌کنند. سکوت یک علامت بسیار مهم بیماری، استرس، پیری، افسردگی یا ترس در سازمان به‌شمار می‌رود و مدیران باید در اولین فرصت عامل آن را ردیابی و برطرف نمایند. بی توجهی به این موضوع می‌تواند سبب اتفاقات وخیم تر و حتی مرگ سازمان شود.

انواع سکوت سازمانی : سکوت مطیع سکوتی است که افراد از سر ناچاری و انفعال شرایط را می پذیرند. سکوت تدافعی هم که براثر ترس اتفاق می افتد. سکوت دوستانه این است که افراد سکوت پیشه می کنند که عرصه برای دیگران باز شود.

سکوت مطیع Disregardful Silence : امتناع از بیان ایده‌ها از روی اطاعت و تسلیم که نشان‌دهنده یک رفتار بی‌اعتنایی از جانب کارکنان است که امید به بهبودی در آنها از بین رفته است. این کارکنان تمایلی به تلاش برای صحبت، مشارکت یا تلاش برای تغییر وضعیت ندارند.

سکوت تدافعی Defensive Silence :پندر و هارلوز برای نخستین بار به این نوع سکوت اشاره کردند. سکوت خاموش یا تدافعی یعنی امتناع و خودداری از ارائه ایده ­ها به دلیل ترس و به­ منظور حفظ خود، چراکه صحبت کردن در این حالت اساساً امری ناپسند و نامطبوع است.

 

 

آنچه در مورد طیف لیکرت باید بدانید

 

طیف لیکرت یا مقیاس لیکرت، یکی از رایج‌ترین سوالات پرسشنامه‌هاست. حتی اگر نام آن به گوش شما نخورده باشد، اگر تجربه پاسخ‌دهی به پرسشنامه‌ای را داشته باشید، به احتمال زیاد به این نوع سوال برخورده‌اید. هرچند پاسخ‌دهی به سوال طیف لیکرت برای مخاطب پرسشنامه بسیار ساده است اما طراحی آن همواره دارای پیچیدگی و همراه با سوالاتی در ذهن طراح نظرسنجی است. از قبیل: در چه مواردی استفاده از طیف لیکرت مناسب است؟ مقیاس عددی طیف را چندتایی باید انتخاب کرد؟ ۳، ۵، ۷ یا بیشتر؟ کی می‌توان مقیاس عددی طیف را زوج و در چه مواردی فرد باید در نظر گرفت؟ آیا به مقیاس عددی خنثی یا گزینه وسط نیاز هست؟ آیا باید به اعداد طیف برچسب زد؟ پاسخ این سوالات را در این مطلب خواهید یافت.

موارد استفاده از طیف لیکرت(سوال طیفی)

طیف لیکرت عموما برای اندازه‌گیری دیدگاه، احساس، نظر و مواردی از این قبیل که قابل مشاهده نیستند اما می‌توانند بر رفتار مخاطب موثر باشند، بکار می‌رود. به عنوان مثال:

مقیاس عددی مناسب برای سوال طیفی

انتخاب مقیاس عددی به سوالی که پرسیده می‌شود، وابسته است. اگر برای مفهوم یا ایده‌ای که در مورد آن پرسش می‌شود، معنایی مثبت تا منفی می‌توان متصور بود، مانند سطح رضایت مشتری، انتخاب طیف ۵ یا ۷ امتیازی مناسب است. به این مفاهیم دو قطبی یا دو‌ سویه(Bipolar) گفته می‌شود و بهتر است برای اندازه‌گیری مفاهیم دو سویه از مقیاس عددی فرد استفاده شود. اگر مفهوم موردنظر یک‌سویه یا تک‌قطبی(Unipolar) باشد و معنایی از صفر تا مثبت بتوان برای آن تصور کرد، مانند اثربخشی که مقداری منفی نمی‌تواند داشته باشد، انتخاب طیف ۴ یا ۶ امتیازی مناسب است. به عبارت دیگر برای اندازه‌گیری مفاهیم یک‌سویه مقیاس عددی زوج توصیه می‌شود. بنابراین در تکمیل راهکارهای مقابله با کفایت رضایت‌مندی، طراح پرسشنامه و نظرسنجی باید در مورد مفاهیم دو سویه گزینه وسط را استفاده کند.

مطالعات مختلف نشان داده‌اند که پایایی و روایی مقیاس‌های ۲ یا ۳ امتیازی در مقایسه با مقیاس‌های امتیازی بیشتر،‌ کمتر است و سطح پایایی و روایی در مقیاس‌های امتیازی بیشتر از ۷ نیز تا حدی کاهش می‌یابد.

اگر تعداد زیادی سوال طیفی در پرسشنامه خود دارید، بهتر است آن‌ها را تا حد امکان با یک نوع مقیاس امتیازی طراحی کنید. به این ترتیب مخاطب سوالات در طی پاسخ‌دهی گیج نخواهد شد و شناسایی داده‌های ناسازگار و غیرصحیح و تحلیل داده‌ها و گزارش‌دهی نیز راحت‌تر خواهد بود.

برچسب مقیاس‌های عددی طیف

پاسخ‌دهندگان باید بتوانند امتیازات طیف را به راحتی در ذهن خود تفسیر کنند. بنابراین اگر داده‌ای با کیفیت و دقیق می‌خواهید جمع‌آوری کنید، حتما ابتدا، انتها و در صورت وجود گزینه وسط طیف را برچسب بزنید و از ابهام جلوگیری نمایید. برچسب‌هایی مانند موافقت یا مخالفتی ندارم، مطمئن نیستم، همان‌طور که انتظار داشتم و نظری ندارم معمولا برای گزینه وسط طیف استفاده می‌شوند.

نهایتا در نظر داشته باشید که برچسب‌ مقیاس‌های عددی باید به راحتی قابل تفسیر باشد و پاسخ‌دهندگان باید تفسیر یکسانی از معنای برچسب مقیاس‌های عددی داشته باشند.

 

طیف لیکرت یا مقیاس لیکرت چیست؟

طیف لیکرت ابزاری برای سنجش نگرش افراد است و برای تهیه پرسشنامه‌های سنجش نگرش در مدیریت و علوم انسانی کاربرد دارد.

آیا طیف لیکرت باید نقطه وسط داشته باشد؟

همیشه از طیف‌های فرد استفاده کنید و طیف زوج را انتخاب نکنید. سوالاتی مانند ممتنع، نظری ندارم و مانند آن را برای نقطه وسط در نظر بگیرید.

آیا تعداد گویه‌های پرسشنامه طیف لیکرت مشخص است؟

بطور قطعی تعداد مشخصی برای این پرسشنامه مشخص نشده است اما توصیه آن است از ۳۰ گویه بیشتر استفاده نشود.

حد وسط طیف لیکرت ۵ درجه چه عددی است؟

دقت کنید طیف لیکرت پنج درجه از یک شروع می‌شود بنابراین حد وسط آن ۳ است و ۲٫۵ را در نظر نگیرید.

انواع طیف لیکرت

طیف لیکرت ۵ درجه

خیلی کم	کم	متوسط	زیاد	خیلی زیاد
۱	۲	۳	۴	۵

طیف لیکرت ۵ درجه

کاملا مخالفم	مخالفم	ممتنع	موافقم	کاملا موافقم
۱	۲	۳	۴	۵

طیف لیکرت ۷ درجه

خیلی کم	کم	کم تا متوسط	متوسط	متوسط تا زیاد	زیاد	خیلی زیاد
۱	۲	۳	۴	۵	۶	۷

طیف لیکرت ۹ درجه

خیلی کم	خیلی کم تا کم	کم	کم تا متوسط	متوسط	متوسط تا زیاد	زیاد	زیاد تا خیلی زیاد	خیلی زیاد
۱	۲	۳	۴	۵	۶	۷	۸	۹

آموزش تحلیل t زوجی یا آزمون تی وابسته در SPSS

در مطالب قبلی درباره مقایسه دو گروه که شامل آزمون تی مستقل است و تحلیل بیش از دو گروه که شامل تحلیل واریانس یک راهه است آموزش‌های لازم ارائه شد. در مقاله حاضر آموزش تحلیل t زوجی یا آزمون تی وابسته در SPSS ارائه شده است. ابتدا باید بدانیم که این آزمون در چه شرایطی به کار می‌رود.

فرض کنید شما وزن یک گروه را امروز اندازه گرفته‌اید و می‌خواهید آن را با وزن یک ماه بعد آنان مقایسه کنید. در این شرایط از تحلیل t زوجی استفاده می‌شود. به عبارت دیگر اگر شما یک گروه داشته باشید و یک متغیر را در دو بازه زمانی در این گروه اندازه گرفته باشید می‌توانید با تحلیل t زوجی آن را مقایسه کنید. بیشتر کاربرد این تحلیل زمانی است که یک گروه تحت یک مداخله درمانی قرار گرفته باشد و ما قصد داشته باشیم نمره این گروه را قبل و بعد از مداخله درمانی با یکدیگر مقایسه کنیم و ببینیم تفاوتی در این نمره ایجاد شده است یا خیر.

نکته: اگر داده‌های شما دارای توزیع نرمال باشد از تحلیل t زوجی استفاده می‌شود و اگر دارای توزیع نرمالی نباشد از آزمون ناپارامتریک یعنی ویلکاکسون استفاده می‌شود.

نکته: برای بررسی نرمال بودن توزیع داده‌ها باید از آزمون کولموگروف اسمیرنوف استفاده نمایید. این آزمون یک آزمون مقدماتی است که به شما درباره اینکه از آزمون پارمتری یا ناپارمتری استفاده کنید یاری می‌رساند.

پیشفرض‌های تحلیل t زوجی یا آزمون تی وابسته

۱- توزیع داده‌ها باید نرمال باشد (با استفاده از آزمون کولموگروف اسمیرنوف).

۲- داده‌ها باید در مقیاس فاصله‌ای یا نسبی باشند (ماننده نمره سن، وزن، پرسشنامه و …).

۳- دو نمره به دست آمده باید از یک جامعه باشد (همانند وزن در سالمندان در دو دوره متفاوت).

اجرای تحلیل t زوجی یا آزمون تی وابسته در SPSS

فرض کنید می‌خواهیم نمره افسردگی یک گروه از دانش آموزان را در پیش از انجام درمان و پس از انجام درمان با هم مقایسه کنیم. برای این کار در منوی بالای SPSS به مسیر زیر بروید:

Analyze>Compare Means<Paired-Samples T Test

پس از رفتن به مسیر ذکر شده کادر زیر برای شما باز خواهد شد. در کادر زیر نمره اول که می‌تواند نمره پیش آزمون افسردگی یا برای مثال نمره وزن دانش آموزان در ماه مهر باشد را در کادر اول یعنی Variable1 وارد کنید و نمره دوم که می‌تواند نمره پس آزمون افسردگی یا نمره وزن دانش آموزان در ماه آبان باشد را در کادر Variable2 وارد کنید. در مرحله سوم گزینه OK را بزنید.

پس از تایید در مرحله بالا خروجی به دست آمده برای شما به نمایش در خواهد آمد. در این خروجی سه جدول ارائه شده است که در بین اعداد موجود در خروجی ۴ نمره مورد توجه ما است. نمره ۱ میانگین و نمره ۲ انحراف استانداد نمرات افراد را در پیش آزمون و پس آزمون نشان می‌دهد. نمره ۳ میزان t و نمره ۴ نیز میزان p یا معنی داری را نشان می‌دهد. همانگونه که در جدول پایین مشاهده می‌شود در این آزمون بین نمرات به دست آمده تفاوت معناداری وجود دارد که به معنی این است که پس از مداخله درمانی افسردگی در دانش آموزان کاهش یافته است.

منبع :   www.irantahgig.ir

جلسه دفاع از پایان نامه و نکاتی که باید بدانید

معمولاً وقتی قصد دارید از پایان نامه خود دفاع نمایید، بسیاری برای شما از جلسه دفاع از پایان نامه و نکاتی که باید بدانید میگویند. در اغلب دانشگاه‌های دنیا دانشجویان تحصیلات تکمیلی موظفند پس از اتمام نگارش پایان نامه، آن را به دانشگاه تحویل می‌دهند و پس از تعیین داور یا داوران پایان نامه در جلسه‌ای رسمی حضور می‌یابند، و ضمن اراه گزارشی شفاهی از کار خود، به پرسش‌های داوران و پرسش‌های احتمالی سایر حاضران پاسخ می‌دهند. در جلسه دفاع مهارت‌‌های سخنرانی دانشجو نقش اساسی دارد، زیرا او ناچار است روایتی صادقانه از ماه‌ها تلاش خود را در زمانی کوتاه که معمولاً بین سی تا ۴۵ دقیقه پیش‌بینی می‌شود، ارایه کند. بدیهی است که در زمان اندکی که برای ارایه در نظر گرفته می‌شود، باید به مهمترین نکات اشاره شود که در غیر اینصورت، حاضران در جلسه دفاع نمی‌توانند برداشت درست و دقیقی از فرآیند پژوهش به دست آورند. در بسیاری از کشورهای دنیا، از جمله در ایران، جلسه دفاع عمومی است  همه علاقمندان می‌توانند در آن شرکت کنند. اما در برخی از کشورها، از جمله انگلستان، جلسه دفاع تنها با حضور دانشجو و داوران داخلی و خارجی برگزار می‌شود. چنانچه استاد راهنما یا مشاور نیز تمایل داشته باشند، می‌توانند در این جلسه شرکت کنند. اما فقط دانشجو باید به پرسش‌های داوران پاسخ دهد و استاد راهنما و یا مشاور فقط می‌توانند نظاره‌گر این گفت و گو باشند. داور خارجی که نقش اصلی را در مدیریت جلسه دفاع دارد، از دانشگاهی غیر از دانشگاه محل تحصیل دانشجو دعوت می‌شود و به همین دلیل داور خارجی نام دارد.

در بسیاری از جلسات دفاع دیده می‌شود که دانشجویان با استفاده از امکانات نمایشی نرم‌افزارهایی مثل پاورپوینت به ارایه بخش‌هایی از پایان نامه می‌پردازند که دقیقاً به همان ترتیبی است که در متن پایان نامه آمده است. اگرچه استفاده از پاورپوینت و ابزارهای نمایشی مشابه بر جذابیت ارایه می‌افزاید، هیچ الزامی وجود ندارد که دانشجو اسلایدها را یکی پس از دیگری به ترتیب نمایش دهد، و تنها به خواندن محتوای اسلایدها بسنده کند، زیرا بهتر است او ضمن استفاده از این امکانات روایت پژوهش خود را به زبانی ساده برای حاضران تعریف کند؛ زیرا متن پایان نامه قبل از جلسه در اختیار داوران بوده و پس از آن در اختیار سایر علاقه‌مندان قرار خواهد گرفت. از اینرو، جلسه دفاع فرصتی است که دانشجو به زبان خود داستان پژوهش خویش را همراه با فرازها و فرودهای آن روایت کند. علاوه بر این، نباید فراموش کرد که این جلسه فرصتی است که دانشجو از کاستی‌ها و اشکالات احتمالی متن پایان نامه مطلع شود و قبل از ارایه نسخه نهایی، به رفع این اشکالات بپردازد.

جلسه دفاع از پایان نامه و نکاتی که باید بدانید: هفت نکته بسیار طلایی

اولین نکته طلایی جلسه دفاعیه تنظیم وقت ارایه است؛ بدین معنا که در این مرحله باید از خود بپرسید آیا حجم مطالب برای ارایه در جلسه با وقت آن تناسب دارد یا خیر؟ گاهاً مشاهده می‌شود که حجم مطالب از سوی دانشجو کم انتخاب می‌گردد که باعث می‌شود مطالب بسیار زودتر از وقت قانونی تمام می‌شود که نوعی نقص مهم در کار دفاعیه به حساب می‌آید. در واقع تجربه ما ثابت کرده است زیاد بودن مطالب بیش از حد زمان جلسه دفاعیه عمدتاً مشکلی ایجاد نمی‌کند اما کم بودن مطالب معمولاً این حس را به وجود می‌آورد که کیفیت جلسه دفاعیه پایین بوده است. دومین نکته رویکرد روایتی در ارایه است. آیا جلسه دفاعیه روایتی ساده از فرآیند پژوهش شما  نکات مهم آن است؟ معمولاً بیان رویکرد روایتی برای اساتید داور بسیار مهم است. اینکه آنها احساس کنند دانشجو با تسلط کامل فرآیند پژوهش خود را از نقطه آغازین تا نکته انتهایی به سادگی روایت نماید و در روایت خود نیز از جملات و عبارات خود بیشتر استفاده نماید.

سومین نکته، داشتن تجربه قبلی از جلسات دفاع است. آیاقبلاً در جلسه‌های دفاعیه دوستان و همکلاسی‌هایتان شرکت کرده‌اید؟ اگر شرکت نکرده‌اید و هنوز مدتی تا زمان دفاعیه خود فرصت دارید وقت را هدر ندهید و در اسرع وقت در یک جلسه دفاعیه شرکت کنید تا با فرآیند و رویدادهای آن آشنا شوید. پیش‌بینی پرسش‌های داوران چهارمین نکته می‌باشد. واقعیت این است که پژوهش‌ها همه دارای یک ساختار مشابه هستند و اگر سوالی از یک بخش پایان نامه بارها سابقاً پرسیده شده است احتمال دارد که همان سوال در جلسه دفاعیه پایان نامه شما نیز پرسیده شود. برای مثال، سوال درباره روش پژوهش و نمونه‌گیری و بخش تجزیه و تحلیل آماری، همچنین نحوه تدوین بیان مساله و فرضیات و در آخر نحوه تبیین یافته‌ها در فصل آخر پایان نامه معمولاً بخش‌هایی هستند که در جلسات دفاعیه عمدتاً مورد سوال واقع می‌شوند. و دانشجو می‌بایست تا حد امکان اشکالات موجود در آنها را قبل از جلسه دفاعیه رفع و رجوع نماید.

پنجمین نکته درباره جلسه دفاعیه عدم بحث و جدل با اساتید داور می‌باشد. مطمئناً برخی از اساتید داور برخی سوالات را به صورت عامدانه و ماهیتاً به اشتباه از دانشجو سوال می‌کنند تا میزان دانش و اطلاعات دانشجو را ارزیابی نمایند. معمولاً وقتی اساتید داور سوالی یا انتقادی مطرح می‌کنند در پاسخ حتماً سعی نمایید با رفرنس و مستند صحبت نمایید و به هیچ عنوان سعی نکنید تا اساتید را به چالش بکشانید و به جای آن صرفا پاسخ سوال را گفته و در صورتی که استاد داور از پاسخ شما به صورت کامل قانع نگردید سعی نمایید وی را اینگونه قانع نمایید که دیدگاه و نظر وی در مرحله اصلاحات نهایی بعد از پایان جلسه دفاعیه وارد خواهید نمود. ششمین نکته مهم در جلسه دفاعیه آن است که حداقل قبل از یک ساعت در اتاق دفاعیه کاملاً حاضر باشید و تمامی امکانات و لوازمی را که می‌خواهید از آنها استفاده نمایید وارسی کنید: برای مثال لپ تاپ و لوازم و دستگاه‌های مربوط به پاورپوینت. هفتمین و آخرین نکته طلایی قدر دانی از استادان و داوران می‌باشد. گاهاً بسیار مشاهده شده است دانشجویان به خاطر اضطراب و فشار جلسه دفاعیه در بخش تشکر و قدردانی یک یا دو نفر از اساتید حاضر در جلسه دفاعیه را از قلم می‌اندازند که بسیار نامناسب می‌باشد. یقیناً قبل از جلسه دفاعیه اسامی داوران و اساتید راهنما و مشاور را می‌دانید، بهتر است در یک اسلاید مجزا تمامی اسامی را نوشته و از همه آنها قدردانی لازم را به عمل بیاورید و از این راه مانع فراموش شدن فرد یا افرادی از اساتید حاضر در جلسه دفاعیه شوید.

 

منبع : http://www.irantahgig.ir

معناداری آماری یا P value چیست؟

 

در مقالات علمی، شنیدن اصطلاح «معنادار» ممکن است هر کسی را غیر از دانشمندان دچار سوءبرداشت کند. در انگلیسی روزمره، این واژه به معنی «مهم» است. اما هنگامی که پژوهش‌گران می‌گویند یافته‌های یک مطالعه «از نظر آماری معنادار است» منظورشان لزوماً مهم بودن یافته‌ها نیست.

معناداری آماری به این مسئله اشاره دارد که آیا تفاوت مشاهده شده بین گروه‌های موردمطالعه «واقعی» است یا اینکه صرفاً حاصل شانس است. گروه‌های مورد مطالعه می‌توانند گروهی از کارگران باشند که در مداخله‌ی ایمنی و سلامت محیط کار شرکت کرده‌اند یا گروهی از بیماران باشند که در یک کارآزمایی بالینی شرکت کرده‌اند.

بیایید مطالعه‌ای را در نظر بگیریم که هدف‌اش ارزیابی تاثیرگذاری نوعی داروی جدید برای کاهش وزن است. گروه A این دارو را دریافت کرد و به‌طور متوسط، ظرف هفت هفته، چهار کیلوگرم (kg) کاهش وزن داشت. گروه B دارو را دریافت نکرد اما به‌طور متوسط، در مدت مشابه، یک کیلوگرم کاهش وزن داشت. در نتیجه، سه کیلوگرم تفاوت در کاهش وزن مشاهده شده است. آیا عامل این تفاوت داروی مذکور بوده است؟ یا اینکه گروه A صرفاً بر اثر شانس وزن بیشتری از دست داده است؟

آزمون‌های آماری با یک فرض محال شروع می‌شوند: دو گروه از همان ابتدا کاملاً مشابه بوده‌اند. این مسئله بدین معناست که وزن آغازین هر دو گروه مشابه بوده است؛ همین‌طور، اشخاص سبک‌تر و سنگین‌تر نسبت مشابه داشته‌اند. به‌منظور بررسی تفاوت در نتایج (کاهش وزن) دو گروه، از محاسبات ریاضی استفاده می‌شود. هدف از انجام‌دادن محاسبات این است: چقدر احتمال دارد تفاوت مشاهده‌ شده (تفاوت سه کیلوگرمی در میانگین کاهش وزن) تنها بر اثر شانس اتفاق افتاده باشد.

عدد پی (P value)

مسئله اینجا پیچیده‌تر می‌شود. دانشمندان از عبارت P استفاده می‌کنند تا برآورد کنند چقدر احتمال دارد چنین تفاوت قابل‌توجهی در دو گروه از اشخاص که کاملاً مشابه‌اند بر اثر شانس اتفاق افتاده باشد. در مطالعات علمی، به این اصطلاح عدد پی می‌گویند.

اگر کاملاً غیرمحتمل باشد که چنین تفاوتی در نتایج تنها براثر شانس اتفاق افتاده باشد، تفاوت را «از لحاظ آماری معنادار» می‌نامند. بازه‌ی عددی احتمالات ریاضی مانند عدد پی از ۰ (بدون شانس) تا ۱ (قطعیت کامل) متغیر است. بنابراین، ۰٫۵ به معنای ۵۰ درصد شانس و ۰٫۰۵ به معنی ۵ درصد شانس است.

در بیشتر علوم، نتایجی که عدد پی آن‌ها ۰٫۰۵ باشد در مرز معناداری آماری قرار داده می‌شوند. اگر عدد پی کمتر از ۰٫۰۱ باشد، نتایج از نظر آماری معنادار در نظر گرفته می‌شوند و اگر عدد پی کمتر از ۰٫۰۵ باشد معنادار بودن نتایج بسیار بالاست.

اما دانستن این مسئله چگونه به ما کمک می‌کند تا مفهوم معناداری آماری را در یک مطالعه‌ی بخصوص درک کنیم؟ بیایید به مطالعه‌ی کاهش وزن‌مان بازگردیم. اگر عدد پی حاصل‌ شده از نتایج این مطالعه ۰٫۰۵ باشد، دانشمندان می‌گویند: «با فرض اینکه هر دو گروه مورد مقایسه از ابتدا کاملاً مشابه بوده باشند، شانس خوبی در حد ۹۵ درصد وجود داشت که تفاوت سه کیلوگرمی در کاهش وزن به دلیل اثرات دارو است». با استفاده از این یافته، دانشمندان نتیجه می‌گیرند که دارو موثر است.

اگر متوجه شوید که مقدار پی یک یافته برابر است با ۰٫۰۱ اما ترجیح دهید که آن را به‌طور متفاوت بیان کنید، تنها کافی است که مقدار پی را از عدد یک کسر کنید (یک منهای ۰٫۰۱ برابر است با ۹۹). از این رو، اگر مقدار پی برابر با ۰٫۰۱ شود، شانسی عالی در حدود ۹۹ درصد وجود دارد که مداخله اثربخش است.

این طور نیست که آزمون‌های آماری تنها برای تعیین اثربخشی مداخلات استفاده شوند. مطالعاتی که به‌دنبال تعیین رابطه‌ها (associations)  هستند – مثلاً، آیا کارگران تازه‌کار در مقایسه با کارگران باتجربه‌تر آسیب‌پذیرتر هستند – بر آزمون‌های ریاضیاتی متکی‌اند؛ به این شیوه، تعیین می‌کنند آیا مشاهدات یک مطالعه می‌تواند معیارهای معناداری آماری را برآورده کند یا خیر.

پرسشنامه سرمایه اجتماعی

قضیه حد مرکزی در آمار در یک نگاه

یکی از قضیه‌های مهم و البته کاربردی در نظریه آمار، «قضیه حد مرکزی» (Central Limit Theorem) است که گاهی آن را به صورت CLT نیز نشان می‌دهند. به کمک این قضیه ارتباط بین متغیرهای تصادفی با توزیع‌های مختلف با «توزیع نرمال» (Normal Distribution) یا «توزیع گاوسی» (Gaussian Distribution) بیان می‌شود.

قضیه حد مرکزی (به انگلیسی: Central limit theorem) در نظریه احتمالات بیان می‌دارد که تحت شرایط خاصی میانگین تعداد زیادی متغیر تصادفی مستقل، هر یک با مقدار چشمداشتی و واریانس مشخص، بطور تقریبی دارای توزیع نرمال خواهد بود. به صورت حسی، قضیه حد مرکزی می‌گوید که یک سری از چند متغیر تصادفی مستقل با توزیع یکسان به سمت یک متغیر تصادفی مشخص میل می‌کند.

وقتی صحبت از قضیه حد مرکزی می‌شود معمولاً منظور قضیه زیر است:

دنباله از متغیرهای تصادفی مستقل با توزیع یکسان را که بر یک فضای احتمال تعریف شده‌اند در نظر بگیرید. فرض کنید میانگین برابر و انحراف از معیار آن است. حالا سری را در نظر بگیرید. می‌دانیم که میانگین برابر و انحراف از معیار آن است. بر اساس قضیه حد مرکزی در بی نهایت به سمت توزیع نرمال میل می‌کند.

آموزش تحلیل رگرسیون خطی در SPSS

تحلیل رگرسیون خطی در SPSS یکی از پیچیده‌ترین و پرکاربردترین تحلیل‌ها در رشته‌های مختلف است. تقریباً در تمامی کتاب‌ها و متون مربوط به آموزش SPSS این تحلیل توضیح داده شده است اما آموزش برخی نکات غیرضروری سبب سردرگمی دانشجویان و پژوهشگران می‌گردد. در این آموزش به صورت بسیار ساده و کامل این تحلیل و چگونگی گزارش آن در مقالات و پایان نامه‌ها را به شما توضیح خواهیم داد.

تحلیل رگرسیون خطی از خانواده تحلیل‌های همبستگی است اما بیشتر به منظور پیش بینی اثر یک یا چند متغیر بر روی یک متغیر دیگر به کار می‌رود. دو نوع عمده تحلیل رگرسیون خطی داریم. رگرسیون خطی تک متغیره برای پیش بینی یک متغیر وابسته توسط یک متغیر مستقل و رگرسیون خطی چند متغیره برای پیش بینی یک متغیر وابسته توسط چند متغیر مستقل.

انواع سبک‌ها تحلیل رگرسیون خطی در SPSS

تحلیل رگرسیون خطی در SPSS را می‌توان به پنج نوع مختلف تقسیم کرد که تنها دو نوع از آن کاربرد زیادی در مقالات و پایان نامه‌ها دارد و از سه نوع دیگر استفاده چندانی نمی‌شود. این پنج نوع تحلیل رگرسیون خطی در SPSS شامل روش ورود یا همزمان، روش گام به گام، روش حذف، روش پیش رونده و روش پس رونده است.

در روش ورود یا همزمان کلیه متغیرهای مستقل به صورت همزمان وارد مدل می‌شوند تا تاثیر همه متغیرهای مهم و غیر مهم بر متغیر وابسته مشخص شود. در روش گام به گام نیز متغیرهای مستقل یک به یک و به ترتیب اهمیت و داشتن بیشترین رابطه وارد مدل می‌شوند. یعنی ورود متغیرها یک به یک صورت می‌گیرد. همان‌گونه که گفته شد سه روش حذف، پیش رونده و پس رونده کاربرد زیادی در پژوهش‌ها ندارند.

نکته: اگر تعداد متغیرهای شما زیاد است و برخی از متغیرها مهم‌تر از برخی دیگر هستند، بهتر است از تحلیل رگرسیون خطی به سبک گام به گام استفاده کنید، در غیر اینصورت از تحلیل به سبک ورود یا همزمان استفاده کنید.

برخی از موضوعاتی که می‌توان از تحلیل رگرسیون خطی در SPSS استفاده کرد

- نقش سبک‌های اسنادی به عنوان پیش‌بین افت تحصیلی

- اثر دوره آموزش خدمت سربازی بر وضعیت تن سنجی جوانان ایرانی

- نقش اعتیاد به اینترنت در پیش بینی احساس تنهایی دانشجویان

- نقش مذهب در توسعه گردشگری مذهبی

نحوه انجام تحلیل رگرسیون خطی در SPSS

مثال: فرض کنید که پژوهشگری قصد بررسی نقش افسردگی، اضطراب و استرس در پیش بینی پیشرفت تحصیلی دانشجویان را دارد. برای این منظور او نمرات ۱۸ دانشجو را گردآوری کرده است و باید از طریق رگرسیون خطی تحلیل خود را انجام دهد. در ادامه تحلیل مربوط به این مثال را خواهید دید.

در منوی بالای SPSS به این مسیر بروید:

Analyze>Regression<Linear

در کادر باز شده، متغیر وابسته یعنی پیشرفت تحصیلی را به کادر Dependent و متغیرهای مستقل یعنی افسردگی، اضطراب و استرس را به کادر Independent وارد می‌کنیم. سپس در گزینه Method می‌توانیم از بین پنج روش یک روش را انتخاب کنیم که توصیه ما استفاده از روش ورود یا Enter و روش گام به گام یا Stepwise است که در اینجا خروجی هر دو مورد و نحوه گزارش آن را آموزش خواهیم داد.

خروجی تحلیل رگرسیون خطی در SPSS به روش ورود یا همزمان

خروجی تحلیل رگرسیون خطی در SPSS به روش گام به گام

نحوه گزارش خروجی تحلیل رگرسیون خطی در SPSS

خروجی تحلیل رگرسیون در حالت استفاده از روش ورود یا همزمان در تصویر زیر آمده است و شما می‌توانید براساس یافته‌های خروجی بالا آن‌ها را در جداول استاندارد زیر گزارش کنید. ستون P نشانگر سطح معناداری است و این یافته نشان می‌دهد که هیچ کدام از دو متغیر افسردگی و استرس نتوانسته اند پیشرفت تحصیلی را پیش بینی کنند. البته جدول زیر برای نمونه آورده شده است و نتایج خروجی بالا نیست. شما باید اعداد به دست آمده در خروجی بالا را طبق جدول زیر وارد کنید.

در جدول زیر یک نمونه از نحوه گزارش تحلیل رگرسیون به روش گام به گام آمده است. طبق اطلاعات جدول خروجی بالا باید جدول زیر را کامل نمایید. در روش گام به گام ابتدا متغیر اول براساس بیشترین میزان تاثیر وارد معاله می‌شود و اگر متغیرهای دیگر هم به صورت معنادار بتوانند بر متغیر وابسته اثرگذار باشند در گام‌های بعدی وارد معادله می‌شوند. اطلاعات وارد شده در جدول زیر براساس خروجی بالا نیست و به عنوان نمونه وارد شده است.

نکات مهم در گزارش خروجی تحلیل رگرسیون خطی در SPSS

علاوه بر توجه به سطوح معنادار، یکی از مهم‌ترین نتایج به دست آمده از تحلیل رگرسیون شاخص Adjusted R2 یا R2 تعدیلی است. این یافته نشان می‌دهد که متغیر مستقل چه میزان متغیر وابسته را پیش بینی می‌کند. برای مثال در جدول بالا افسردگی در گام اول ۰٫۰۸ واحد متغیر پیشرفت تحصیلی را پیش بینی می‌کند که به معنی پیش بینی ۸ درصد از تغییرات این متغیر است. در گام دوم با اضافه شدن اضطراب، این دو متغیر یعنی افسردگی و اضطراب ۰٫۱۱ واحد متغیر پیشرفت تحصیلی را پیش بینی کرده‌اند که بع معنی پیش بینی ۱۱ درصد از تغییرات متغیر وابسته توسط دو متغیر مستقل است.

منبع: سایت ایران تحقیق http://www.irantahgig.ir

انجام فصل چهارم پایان نامه های ارشد و دکترا (فرضیه ها و مدل آماری)

انجام فصل چهارم پایان نامه های ارشد و دکترا مربوط به پروژه های دانشجویی در رشته های مدیریت، روانشناسی، برنامه ریزی درسی، مدیریت فرهنگی، مدیریت آموزشی، علوم تربیتی و ... :

عناوین برخی از پروژه های انجام شده:
– بررسی تاثیر هزینه، پذیرش فناوری و …بر اثربخشی سیستم مدیریت ارتباط با مشتری الکترونیکی
– تاثیر مدیریت کیفیت فراگیر بر عملکرد مالی سازمان ….
– شناسایی شاخص های تاثیر گذار بر روی تصمیم انتخاب بازار هدف صادراتی در شرکت ….
– بررسی تاثیر گرایش بازار بر عملکرد سازمانی با میانجی گری استراتژیهای رقابتی
– ….

پایایی ابزار اندازه گیری(قابلیت اعتماد)

قابلیت اعتماد که واژه‌هایی مانند پایایی، ثبات و اعتبار برای آن به کار برده می‌شود و معادل انگلیسی آن Reliability  است، یکی از ویژگی‌های ابزار اندازه گیری (پرسشنامه یا مصاحبه یا سایر آزمون‌های علوم اجتماعی) است. مفهوم یاد شده با این امر سروکار دارد که ابزار اندازه گیری در شرایط یکسان تا چه اندازه نتایج یکسانی به دست می‌دهد. از جمله تعریف‌هایی که برای قابلیت اعتماد ارائه شده است می‌توان به تعریف ارائه شده توسط ایبل و فریسبی (1989) اشاره کرد: «همبستگی میان یک مجموعه از نمرات و مجموعه دیگری از نمرات در یک آزمون معادل که به صورت مستقل بر یک گروه آزمودنی به دست آمده است.

با توجه به این امر معمولاً دامنه ضریب قابلیت از صفر (عدم ارتباط) تا 1+ (ارتباط کامل) است. ضریب قابلیت اعتماد نشانگر آن است که تا چه اندازه ابزار اندازه گیری ویژگی‌های با ثبات آزمودنی و یا ویژگی‌های متغیر و موقتی وی را می‌سنجد.

لازم به ذکر است که قابلیت اعتماد در یک آزمون می‌تواند از موقعیتی به موقعیت دیگر و از گروهی به گروه دیگر متفاوت باشد. برای محاسبه ضریب قابلیت اعتماد ابزار اندازه گیری شیوه های مختلفی به کار برده می‌شود. از آن جمله می‌توان به الف) اجرای دوباره (روش بازآزمایی) ، ب) روش موازی (همتا) ، ج) روش تصنیف (دو نیمه کردن) ، د) روش کودر- ریچاردسون و سایر اشاره کرد.

الف) اجرای دوباره آزمون یا روش بازآزمایی

این روش عبارت است از ارائه یک آزمون بیش از یک بار در یک گروه آزمودنی تحت شرایط یکسان. برای محاسبه ضریب قابلیت اعتماد با این روش، ابتدا ابزار اندازه گیری بر روی یک گروه آزمودنی اجرا شده و سپس در فاصله زمانی کوتاهی دوباره در همان شرایط، آزمون بر روی همان گروه اجرا می‌شود. نمرات بدست آمده از دو آزمون مورد نظر قرار گرفته و ضریب همبستگی آن‌ها محاسبه می‌شود. این ضریب نمایانگر قابلیت اعتماد (پایایی) ابزار است. روش بازآزمایی برای ارزیابی ثبات مؤلفه های یک ابزار اندازه گیری به کار می‌رود ولی با این اشکال نیز روبه رو است که نتایج حاصله از آزمون مجدد می‌تواند تحت تأثیر تمرین (تجربه) و حافظه آزمودنی قرار گرفته و بنابراین منجر به تغییر در قابلیت اعتماد ابزار اندازه گیری گردد.

ب) روش موازی یا استفاده از آزمون‌های همتا

یکی از روش‌های متداول ارزیابی قابلیت اعتماد در اندازه گیری‌های روانی- تربیتی استفاده از آزمون‌های همتا است که شباهت زیادی با یکدیگر دارند ولی کاملاً یکسان نیستند.

ضریب قابلیت اعتماد بر اساس همبستگی نمرات دو آزمون همتا به دست می‌آید. خطاهای اندازه گیری و کمبود یا عدم وجود همسانی میان دو فرم همتای آزمون (تفاوت در سوالات یا محتوای آن‌ها) قابلیت اعتماد را کاهش می‌دهد.
ممکن است فرم‌های همتا به طور همزمان ارائه نگردد. در این صورت قابلیت اعتماد هم شامل ثبات و همسانی می‌شود. اگر فاصله اجرای فرم‌های همتا زیاد باشد و تغییراتی در ضریب قابلیت اعتماد مشاهده گردد، ممکن است که این تغییر مربوط به عوامل فردی (آزمودنی‌ها)، همتا نبودن آزمون‌ها و یا ترکیبی از هر دو باشد.

ج) روش تنصیف (دو نیمه کردن)

این روش برای تعیین هماهنگی درونی یک آزمون به کار می‌رود. برای محاسبه ضریب قابلیت اعتماد با این روش، سؤال‌های (اقلام) یک آزمون را به دو نیمه تقسیم نموده و سپس نمره سؤال‌های نیمه اول و نمره سؤال‌های نیمه دوم را محاسبه می‌کنیم. پس از آن همبستگی بین نمرات این دو نیمه را بدست می‌آوریم. ضریب همبستگی به دست آمده برای ارزیابی قابلیت اعتماد کل آزمون مورد استفاده قرار می‌گیرد. برای محاسبه ضریب قابلیت اعتماد کل آزمون از فرمول  -اسپیرمن- براون- برای این مورد استفاده می‌شود.

د) روش کودر- ریچاردسون

کودر و ریچاردسون دو فرمول را برای محاسبه هماهنگی درونی آزمون‌ها ارائه نموده‌اند. فرمول اول برآوردی از میانگین ضرایب قابلیت اعتماد برای تمام طرق ممکن تنصیف (دو نیمه کردن) را به دست می‌دهد. این ضریب برابر است با:

n تعداد سوال ها – p نسبت پاسخ‌های صحیح – q نسبت پاسخ‌های غلط -واریانس نمرات کل
فرمول دوم: برای استفاده از فرمول دوم باید سطح دشواری سؤال‌های آزمون یکسان باشد:

 

فرمول دوم:

 

برای محاسبه ضریب قابلیت اعتماد با این روش، نیازی به داشتن نسبت پاسخ‌های صحیح و غلط نیست، بلکه در دست داشتن واریانس نمره های کل و میانگین نمرات کفایت می‌کند.

برای مثال، آزمونی دارای 40 سؤال است. این آزمون به گروهی از دانش آموزان داده شده است. میانگین نمره های آزمون 25 و واریانس کل 26 محاسبه شده است. سطح دشواری سؤال‌ها نیز یکسان است. ضریب قابلیت اعتماد این آزمون را محاسبه کنید:

 

ه‍) روش آلفای کرونباخ

یکی دیگر از روش‌های محاسبه قابلیت اعتماد استفاده از فرمول کرونباخ است. این روش برای محاسبه هماهنگی درونی ابزار اندازه گیری از جمله پرسشنامه‌ها یا آزمون‌هایی که خصیصه های مختلف را اندازه گیری می‌کند بکار می‌رود. در این گونه ابزارها، پاسخ هر سوال می تواند مقادیر عددی مختلف را اختیار کند.

برای محاسبه ضریب آلفای کرونباخ ابتدا باید واریانس نمره های هر زیر مجموعه سؤال‌های پرسشنامه (یا زیر آزمون) و واریانس کل را محاسبه کرد. سپس با استفاده از فرمول زیر مقدار ضریب آلفا را محاسبه کرد.

برای مثال اگر پرسشنامه دارای سه زیر مجموعه سؤال باشد، به طوری که واریانس هر زیر مجموعه به ترتیب 6، 4 و 7 بوده و واریانس کل برابر با 32 باشد، مقدار ضریب آلفای کرونباخ با استفاده از فرمول یاد شده به صورت زیر به دست می‌آید:

مقدار صفر این ضریب نشان دهنده عدم قابلیت اعتماد و 1+ نشان دهنده قابلیت اعتماد کامل است.

و) عوامل موثر بر ضریب قابلیت اعتماد

ضریب قابلیت اعتماد یک آزمون تحت تأثیر عوامل مختلفی قرار دارد که عبارتست از :

• طول آزمون: علی‌الاصول آزمون‌های طولانی‌تر از قابلیت اعتماد بالاتری در مقایسه با آزمون‌های کوتاه برخوردارند. برای مثال ضریب قابلیت اعتماد یک آزمون 60 سو الی می‌تواند بیشتر از یک آزمون 40 سؤالی باشد.
• سؤال‌های مشابه از نظر محتوا و با سطح دشواری متوسط، قابلیت اعتماد آزمون را افزایش می‌دهد.
• ماهیت متغیر اندازه گیری شده نیز ضریب قابلیت اعتماد را تحت تأثیر قرار می‌دهد.
  لازم به ذکر است که ضریب قابلیت اعتماد در تفسیر نتایج مهم بوده و شرط اساسی در انتخاب یک ابزار اندازه گیری است.

تنظیم پرسشنامه با طیف لیکرت

تنظیم پرسشنامه با طیف لیکرت

طیف لیکرت یکی از مهم ترین مقیاس‌هایی است که توسط پرسشنامه انجام می‌شود و توسط رنسیس لیکرت ابداع شده است.

تعداد گویه ها در مقیاس لیکرت حداقل ۱۵ تا ۳۰ گویه است. در ساختن طیف لیکرت می‌بایست مراحل زیر را رعایت کرد:

• انتخاب موارد تشکیل دهنده مقیاس اندازه گیری و تدوین گویه های مناسب و نامناسب مربوط به موضوع
• انجام یک نمونه اولیه از گویه ها در نمونه ای تصادفی از پاسخ دهندگان
• ارزش گذاری و محاسبه نمره کل برای هر پاسخ دهنده
• تعیین توان افتراقی گویه ها
• انتخاب گویه های برگزیده
• تعیین ضریب قابلیت اعتماد مقیاس
• پاسخ‌ها به صورت چند گزینه ای است که بطور مثال در حالت ۵ نقطه ای گزینه‌ها شامل ”کاملاً مخالف، مخالف، نظری ندارم، موافق و کاملاً موافق” می‌باشد. معمولاً در پرسشنامه‌ها بر اساس مقیاس لیکرت از حالت پنج‌گانه ذکر شده استفاده می‌شود، اما بسیاری از روان سنج‌ها از حالات هفت و نه‌گانه نیز استفاده می‌کنند. گرچه مطالعات اخیر نشان می‌دهد مقیاس ۵ و ۷ نقطه ای نتایج معتبرتری نسبت به مقیاس ۱۰ نقطه ای دارند. سپس هر یک از گویه ها از نظر عددی ارزش گذاری می‌شوند حاصل جمع عددی این ارزش‌ها نمره را در این مقیاس به دست می‌دهد که بیانگر گرایش پاسخ دهندگان است؛ به همین دلیل به این مقیاس ، مقیاس مجموع نمرات نیز گفته می شود.

کمی‌سازی پاسخ به پرسشها در طیف لیکرت پنج درجه

معمولاً به دلیل آنکه پاسخ دهندگان تحت تاثیر اعداد قرار نگیرند، ارزش گذاری گویه ها نوشته نمی‌شوند. به عبارت دیگر در گزینه‌ها به جای اعداد، از کلمه‌ها و عبارات مناسب استفاده می‌شود. همچنین ارزش گذاری گویه ها به طور دلخواه انجام می‌شود و بطور مثال در مقیاس ۵ قسمتی می‌توان به گزینه کاملاً موافق نمره ۱ و به گزینه کاملاً مخالف عدد ۵ را نسبت داد که به جای عدد ۱ می‌توان از ۰ استفاده کرد. معمولاً تعداد پاسخ دهندگان در این مقیاس حداقل100نفر است.

برای استفاده هر چه بهتر از مقیاس لیکرت موارد زیر را مدنظر قرار دهید
استفاده از کلمات در گزینه‌ها : همان طور که اشاره شد توصیه می‌شود به جای استفاده از اعداد در گزینه‌ها، از کلمات و عبارات مناسب استفاده شود. رعایت این مورد از سردرگمی پاسخ دهندگان جلوگیری کرده و باعث می‌شود تا گرایش خود را با توجه به گزینه‌ها بهتر مشخص کرده و تحت تاثیر اعداد قرار نگیرند
انتخاب صحیح گویه‌ها: همانطور که در مراحل شش‌گانه فوق نیز اشاره شد، انتخاب گویه های صحیح در یک پرسشنامه اهمیت فراوانی دارد. از گویه های مبهم و بی ربط خودداری کنید، همچنین می‌بایست تعداد گویه هایی که گرایش‌های مخالف و موافق دارند یکسان باشد.

بازه ای مناسب برای گزینه‌ها انتخاب کنید: تلاش کنید گزینه‌ها را در یک بازه کامل (از کاملاً تا اصلاً) و به صورت تک بعدی انتخاب کنید.

از پرسیدن دو سؤال در یک گویه خودداری کنید:این ایراد رایج در طراحی گویه ها، جزء گویه های مبهم است که پاسخ دهنده را در انتخاب پاسخ دچار مشکل خواهد کرد. هدف سؤال باید کاملاً گویا و مشخص باشد بطوری که افراد مختلف از آن یک برداشت واحد داشته باشند.

همیشه یک گزینه خنثی در نظر بگیرید:نظری ندارم! نمی‌دانم! به یاد نمی‌آورم! از جمله گزینه‌هایی هستند که بر حسب موضوع و نوع گزینه‌ها می‌توانند به عنوان گزینه های خنثی به کار روند.

تعداد پاسخ‌ها فرد باشد:این مورد می‌تواند در ارتباط مستقیم با مورد قبل قرار گیرد چرا که در حالتی که تعداد پاسخ‌ها فرد هستند، یک نقطه وسط وجود خواهد داشت که این نقطه وسط می‌تواند گزینه خنثی باشد.
از گویه های پرسشی استفاده کنید:معمولاً استفاده از گویه های پرسشی پاسخ‌های بهتری را به همراه دارند

پرسشنامه در پژوهش

•  

پرسشنامه و اجزاء اصلی آن

پرسشنامه یکی از ابزارهای رایج تحقیق و روشی مستقیم برای کسب داده های تحقیق است. پرسشنامه مجموعه ای از سؤال‌ها (گویه ها) است که پاسخ دهنده با ملاحظه‌ی آن‌ها پاسخ لازم را ارائه می‌دهد. این پاسخ، داده‌ی مورد نیاز پژوهشگر را تشکیل می‌دهد. سؤال‌های پرسشنامه را نوعی محرک- پاسخ می‌توان محاسبه کرد. از طریق سؤال‌های پرسشنامه می‌توان دانش، علایق، نگرش و عقاید فرد را مورد ارزیابی قرارداد، به تجربیات قبلی وی پی برده و به آنچه در حال حاضر انجام می‌دهد، آگاهی یافت.

پرسشنامه باید شامل اجزاء زیر باشد:

الف) نامه‌ی همراه یا مقدمه‌ای برای آماده کردن پاسخ دهنده جهت تکمیل پرسشنامه.

ب) دستورالعمل.

ج) سؤال‌ها (گویه ها)

در اینجا هر یک از اجزاء یاد شده، تشریح می‌گردد:

الف) نامه‌ همراه: در این قسمت، هدف از گردآوری داده‌ها به وسیله‌ی پرسشنامه و ضرورت همکاری پاسخ دهنده های مورد نیاز، بیان می‌شود. به منظور بیان هدف‌های یاد شده می‌توان شیوه‌ی زیر را به کار گرفت:
ابتدا هدف کلی پژوهش بیان شده و پاسخ دهنده با گزاره های خاص تحقیق آشنا می‌شود. پس از آن به نقش پرسشنامه در فراهم آوردن داده های مورد نیاز پژوهشگر اشاره می‌شود. پژوهشگر باید سعی کند تا پاسخ دهنده نسبت به همکاری در تکمیل پرسشنامه برانگیخته شود. برای این منظور باید بر ارزشمند بودن داده های حاصل از پرسشنامه تأکید شود و پاسخ دهنده نسبت به ضرورت و اهمیت تحقیق آگاه گردد تا با دقت بیشتری پاسخ سؤال‌ها را عرضه کند. علاوه بر آن، در این قسمت محقق باید به این نکته اشاره کند که داده های حاصل از پرسشنامه محرمانه بوده و به جز استفاده‌ی آماری، به منظور دیگری مورد استفاده قرار نخواهد گرفت.

ب) دستورالعمل: در این قسمت محقق سعی می‌کند پاسخ دهنده را با چگونگی پاسخ دادن به سؤال‌های پرسشنامه آشنا کند. در دستورالعمل تکمیل پرسشنامه، رعایت نکات زیر ضروری است:

– هر نوع سؤال پرسشنامه و چگونگی پاسخ دادن به آن تشریح شود.

تأکید بر رعایت دقت نسبت به پاسخ دادن به سؤال‌ها.

– تأکید بر این نکته که پرسشنامه تا تاریخ معین تکمیل شده و به آدرس مربوط یا به پرسشگر تحویل داده شود.

باید به خاطر داشت که دستورالعمل تکمیل پرسشنامه باید کوتاه و به آسانی قابل فهم باشد. دستورالعمل‌های پیچیده باعث سردرگمی پاسخ دهنده شده و بر ماهیت پاسخ‌ها اثرمی گذارد. به طور کلی سؤال‌های پرسشنامه به دو صورت ارائه می‌شود:

1- سؤال‌های بسته -پاسخ،2- سؤال‌های باز- پاسخ

سؤال‌های بسته-پاسخ: سؤال‌های بسته-پاسخ مجموعه ای از گزینه‌ها را ارائه می‌دهد تا پاسخ دهنده از میان آن‌ها یکی را انتخاب کند. پرسشنامه های بسته-پاسخ به حالت‌های متفاوتی ارائه می‌شود. این حالت‌ها به قرار زیر است:

– حالت چند جوابی: در این نوع سؤال، پاسخ دهنده یکی از گزینه های ارائه شده را انتخاب کرده و علامت گذاری می‌کند.

– حالت مقیاس چند درجه ای: در این نوع سؤال، پاسخ دهنده موضع خود را در مورد موضوعی، بر روی یک طیف با انتخابی که به بهترین وجه نمایانگر باورها، عقاید یا نگرش او درباره‌ی آن گویه باشد، مشخص می‌کند.

– حالت تعیین اولویت نسبت به موارد ارائه شده: در این حالت، یک سری گویه ارائه شده و از پاسخ دهنده خواسته می‌شود تا ترتیب اهمیت آن‌ها را مشخص کند.

سؤال‌های باز-پاسخ: سؤال‌هایی هستند که در آن‌ها، پاسخ‌دهنده می‌تواند پاسخ را به اختیار خود بیان کند. این پاسخ‌ها می‌تواند از چند کلمه تا چند جمله باشد. از این نوع سؤال‌ها برای بررسی و مطالعه‌ی عقاید در یک زمینه‌ی خاص استفاده می‌شود. باید یادآوری کرد که تجزیه و تحلیل داده های حاصل از این نوع سؤال‌ها مشکل بوده و نیازمند یک سیستم کدگذاری ویژه می‌باشد.

 

اصول طراحی و اجرای پرسشنامه

الف: سؤال‌های پرسشنامه باید بر اساس اهداف یا سوالات تحقیق تنظیم گردد

ب: پرسشنامه باید پاسخدهنده را جذب نموده و سوالات آن برای او جذاب باشد

ج: پرسشنامه باید  تا حد امکان کوتاه باشد و داده های مورد نیاز پژوهشگر را فراهم آورد.

د: پرسشنامه باید همراه دستورالعمل تکمیل آن بوده و چگونگی پاسخ دادن به سؤال‌ها را برای پاسخ دهنده تشریح کند. دستورالعمل تکمیل پرسشنامه باید کوتاه و حاوی کلیه اطلاعات مورد نیاز پاسخ دهنده، برای کامل کردن پرسشنامه باشد.

نکات کلیدی در طراحی پرسشنامه

پس از انتخاب نوع سؤال‌های پرسشنامه، محقق باید به تدوین سؤال‌های پرسشنامه بپردازد. در تدوین سؤال‌ها، توجه به نکات زیر ضروری است:

• از سؤال‌های نامفهوم و مبهم پرهیز کنید. به عبارت دیگر محقق باید سؤال‌ها را به صورت روشن، دقیق و بدون ابهام ارائه دهد. اولین ویژگی یک پرسشنامه خوب آن است که زبان مشترکی را بین محقق و پاسخ دهنده برقرار سازد. اگر پاسخ دهنده قادر به درک معانی سؤال‌ها نباشد، داده های حاصله از پرسشنامه معتبر نخواهد بود. در برخی از موارد، واژگان تخصصی پرسشنامه در دستورالعمل تکمیل پرسشنامه توضیح داده می‌شود تا پاسخ دهنده با تعریف عملیاتی مورد استفاده در پرسشنامه آشنایی کامل به دست آورد.
• از سؤال‌هایی که پاسخ دهنده را به پاسخ خاصی هدایت می‌کند، باید اجتناب کرد. سؤال‌های جهت دار، پاسخ دهنده را به سمت و جهت خاصی هدایت کرده و بنابراین اطلاعات حاصله از آن‌ها دقیق نخواهد بود.
• از سؤال‌های پیچیده و طولانی اجتناب کنید. این گونه سؤال‌ها به دشواری قابل درک است و بنابراین پاسخ دهنده وقت زیادی را صرف درک معانی آن می‌کند. سؤال‌ها باید به نحوی باشد که پاسخ دهنده آن‌ها را به آسانی درک کند.
• از سؤال‌های دو وجهی که شامل دو سؤال در یک پرسش است اجتناب شود. این نوع سؤال‌ها پاسخ دهنده را در یک زمان ثابت در برابر دو سؤال قرار می‌دهد، در حالی که وی تنها امکان دادن یک پاسخ را دارد.
• تا جایی که امکان دارد از ارائه سؤال‌های منفی خودداری شود. پاسخ دهنده در برابر سؤال منفی ممکن است به طور ناخودآگاه کلمات منفی را نادیده گرفته و یا متوجه آن‌ها نشود. در این حالت پاسخ‌های او با واقعیت مطابقت نخواهد داشت. در صورتی که پژوهشگر ناچار از استفاده سؤال‌های منفی باشد، بهتر آن است که زیر کلمات منفی را خط کشیده و یا این کلمات را با حروف درشت مشخص کند.
• از بیان سؤال‌های مستقیم که موجب تحریک حساسیت آزمودنی شده و یا در وی ایجاد مقاومت می‌کند پرهیز شود. در مواردی که آزمودنی درباره‌ی یک موضوع به سهولت پاسخ خود را عرضه نمی‌کند، به ویژه موضوع‌های حساس که با ارزش‌های اجتماعی سروکار دارد، سؤال‌های پرسشنامه باید به صورت غیرمستقیم بیان شود. در این صورت سؤال‌ها ایجاد حساسیت در پاسخ دهنده نکرده و احتمالاً پاسخ‌ها به واقعیت نزدیک‌تر خواهد بود. برای مثال:آیا مدیر خود را دوست دارید؟ این سؤال را می‌توان به صورت غیرمستقیم چنین مطرح کرد:آیا مدیر شما مورد علاقه همکاران می‌باشد؟
• از تنظیم سؤال‌هایی که آزمودنی پاسخ آن‌ها را در دسترس ندارد، خودداری شود. اگر از آزمودنی‌ها خواسته شود تا به سؤال‌هایی که برای آنان اهمیتی ندارد و یا درباره‌ی آن هرگز فکر نکرده‌اند پاسخ دهند، نتایج حاصله ممکن است معتبر نباشد. باید سؤال‌ها را طوری تنظیم کرد که آزمودنی توانایی لازم را برای پاسخ دادن به آن داشته باشد.
• به‌کارگیری سؤالات معکوس جهت اطمینان از پاسخ گویی صحیح پاسخ دهندگان. پیشنهاد می‌گردد که در طراحی پرسشنامه، نسبت به یکی از سؤالاتی که از فرد پرسیده شده، از سؤالات با محتوای معکوس استفاده شود تا اطمینان حاصل شود که پاسخ دهنده، به سؤالات با دقت لازم پاسخ می‌دهد.

ترتیب ارائه سؤال‌ها

در ارائه سؤال‌ها باید به این دو اصل مهم توجه کرد:

• سؤال‌های اولیه باید به حدی جالب باشد که پاسخ دهنده را به پاسخ دادن ترغیب کند.
• سؤال‌ها از ساده‌ترین به پیچیده‌ترین عرضه شود.
• سؤال‌هایی که ممکن است آزمودنی در پاسخ دادن به آن‌ها اکراه داشته باشد در آخر پرسشنامه قرار داده شود.
• ارائه سؤال‌های پرسشنامه باید از یک نظم منطقی پیروی کرده و سؤال‌هایی که به یک موضوع مربوط می‌شود در یک قسمت و به دنبال یکدیگر ارائه شوند.

اجرای مقدماتی پرسشنامه

پس از تدوین و تنظیم پرسشنامه لازم است یک بررسی مقدماتی بر روی آن انجام دهید. هدف این بررسی بر طرف نمودن اشکالات احتمالی می‌باشد. هرگونه اصلاح سؤال‌های پرسشنامه به نتیجه‌ی حاصل از این بررسی مقدماتی بستگی خواهد داشت. بررسی مقدماتی را باید در میان افرادی که جامعه آماری تحقیق را تشکیل می‌دهند، انجام داد. بهتر است در پایان پرسشنامه از پاسخ دهنده‌ها خواسته شود تا نظر خود را در مورد روشن بودن یا ابهام برخی از سؤال‌ها عرضه دارند. اگر کلیه‌ی (یا بخش زیادی از) پاسخ دهندگان به سؤال خاصی پاسخ نداده باشند، باید این گونه سؤال‌ها مورد بازبینی قرار گیرند. معمولاً تعدادی از سؤال‌های پرسشنامه برای اندازه گیری متغیر خاصی در نظر گرفته می‌شود. از این رو باید اطمینان حاصل شود که پاسخ این سؤال‌ها، متغیر مورد نظر را اندازه گیری می‌کند. برای اطلاع از این امر، محقق می‌تواند به محاسبه‌ی همبستگی میان نتایج حاصله از پاسخ‌های آزمودنی‌ها به هر سؤال با نمرات حاصله توسط فرد به سؤالات پرسشنامه بپردازد. ضریب همبستگی بالا، ارتباط زیاد میان آنچه هر سؤال اندازه می‌گیرد با آنچه در کل اندازه گیری شده است را نشان می‌دهد. با توجه به ضرایب همبستگی حاصله، محقق می‌تواند سؤال‌هایی را که بیشترین همبستگی را با نمره کل دارد انتخاب کند

مقیاس های اندازه گیری در آمار

مقیاس های اندازه گیری

مقیاس ها از مهم ترین ابزار های تحقیق در همه علوم به شمار می روند. به کمک مقیاس، واقعیت مورد مطالعه دقیق تر سنجیده می شوند و امکان رده بندی درونی اجزا را میسر می سازد.

“استیونس”،  چهار سطح کلی اندازه گیری را که شامل مجموعه قواعدی برای انتساب مقدار یا ارزش به آزمودنی هستند، طبقه بندی نموده است که شامل موارد زیر می باشد:

1-مقیاس اسمی: ابتدایی ترین مقیاس اندازه گیری، مقیاس اسمی است. در مقیاس اسمی، افاد و پدیده ها بر حسب یک ملاک معیندر طبقات کیفی جایگزین می شوند. مقیاس اسمی فاقد ارزش عددی است اما دارای طبقه هایی است که مشاهده ها را می توان بر اساس آن طبقه بندی کرد و این طبقات ناسازگارند.  طبقه بندی دانشجویان به صورت مذکر و مونث، نمونه ای از طبقه بندی در سطح مقیاس اسمی است. برای مثال اختصاص عدد صفر برای کلیه افراد مذکر و عدد یک برای کلیه افراد مونث در یک جامعه آماری و یا شماره بازیکنان یک تیم ورزشی، نمونه ای از اختصاص عدد در این مقیاس است که این اعداد قابلیت جمع، تفریق، ضرب و تقسیم را ندارند و به همین دلیل برای تجزیه و تحلیل اطلاعات جمع آوری شده از طریق این مقیاس، تنها می توان از آن دسته از روش های آماری استفاده نمود که در آن ها داده ها به صورت فراوانی به کار برده می شوند. طبقه بندی افراد بر اساس مذهب و یا سبک های مختلف مدیران، نمونه هایی از این نوع مقیاس هستند.

2- مقیاس ترتیبی: مقیاس دوم، مقیاس ترتیبی است که تمام ویژگی های مقیاس اسمی را دارد. در این مقیاس، افراد یا اشیا بر حسب صفات خاصی رتبه بندی می شوند. مقیاس ترتیبی علاوه بر طبقه بندی متغیر ها به ترتیبی که تفاوت های کیفی آن ها در بین گروه ها مشخص می شود، مقوله ها را رتبه بندی نیز می کند.
رتبه بندی دانشجویان بر اساس معدل آن ها و طبقه بندی افراد بر اساس میزان تحصیلات، نمونه هایی از این مقیاس هستند. انجام عملیات ریاضی جمع، تفریق، ضرب و تقسیم را در این مقیاس نیز نمی توان به کار برد.

3- مقیاس فاصله ای: مقیاس فاصله ای نه تنها قادر است افراد را با توجه به ویژگی های معینی طبقه بندی نماید و رتبه ها را درون طبقه ها مشخص نماید، بلکه قادر است مقدار این تفاوت را نیز اندازه گیری و مشخص نماید. در این مقیاس، فاصله های مساوی بین صفت های مورد اندازه گیری است. درجه های سانتیگراد و فارنهایت مثال هایی از این مقیاس هستند. در این مقیاس، همبستگی ترتیب و فاصله و فاصله بین اعداد دارای معناست. برای مثال فاصله بین 25 و 26 درجه فارنهایت برابر فاصله بین 30 و 31 درجه فارنهایت است ولی نمی توان گفت که 40 درجه سانتیگراد، دو برابر گرم تر از 20 درجه فارنهایت است.

4-مقیاس نسبی: مقیاس نسبی بالاترین سطح اندازه گیری است که کلیه خصوصیات مقیاس هی اسمی، ترتیبی و فاصله ای را دارد. در این مقیاس به دلیل آن که صفر واقعی و جود دارد می توان برای مقایسه دو مقدار، از نسبت استفاده کرد و امکان ضرب و تقسیم هم وجود دارد. متغیر های قد و وزن و میزان موجودی حساب پس انداز در بانک مثال هایی از مقیاس نسبی هستند.اعداد در مقیاس نسبی علاوه بر رتبه افراد و تفاوت نسبی آن ها، نسبت افراد را با یکدیگر از لحاظ ویژگی مورد اندازه گیری مشخص می کنند.

با آرامش دفاع کنید

توانمندی‌های گروه پژوهشگران برتر: ارائه خدمات آموزشی و پشتیبانی پس از تحویل فصل 4 پایان نامه به صورت رایگان

ارائه خدمات مشاوره‌ای در رابطه با پروپوزال نویسی، آشنایی با روش تحقیق، ارائه دفاع پایان‌نامه جهت تجزیه‌ و تحلیل داده‌های آماری

تشریح مفهوم رگرسیون

در صورتی که بین متغیرها رابطه وجود داشته باشد، می توان آن را با الگوهای ریاضی بیان کرد. معمولا چنین الگویی ممکن است از نوع خطی یا غیر خطی باشد. اگر بتوان الگوی همبستگی را به صورت یک معادله خط نوشت، به آن معادله رگرسیون خطی می‌گویند.

در رگرسیون هدف آن است که با استفاده از معادله رگرسیون و به کمک یک نمونه تصادفی و بعضی روش های آماری، رفتار متغیر وابسته را با آگاهی از مقادیر و مشخصات متغیرهای مستقل، پیش بینی کنیم.
در رگرسیون خطی ساده اگرy   را متغیر وابسته و x  را متغیر مستقل در نظر بگیریم، می‌توان معادله خط رگرسیون را به صورت زیر نوشت:Y = aX + b

در این معادلهa   و b  را پارامترهای خط گفته و مانند هر پارامتر دیگری می توان آن ها را برآورد کرد.
برآورد کردن پارامترهای خط رگرسیون: روش های متفاوتی برای برآورد کردن دو پارامترa  و b وجود دارد. یکی از این روش ها، روش «کمترین مربعات خطا» است که در آن این دو پارامتر به روش زیر برآورد می‌شود:

مثال: با توجه به داده های جدول زیر، بررسی انجام شده نشان داد بین تعداد سیگار و ساعات خواب افراد سیگاری رابطه وجود دارد. معادله خط رگرسیون را به دست آورید.
x  = تعداد سیگار متغیر مستقل و Y  = ساعات خواب متغیر وابسته است.

حل: با توجه به داده های فوق پارامترهای خط رگرسیون را برآورد کرده و معادله خط را می نویسیم.

معادله خط رگرسیون به این صورت است: y = -0/8x + 8/6

در رگرسیون هدف آن است که با استفاده از معادله خط رگرسیون رفتار متغیر وابسته را با آگاهی از مقادیر و مشخصات متغیرهای مستقل، پیش بینی کنیم.

مثال: با توجه به نتایج مثال قبل معادله خط رگرسیون را به صورت زیر دست آورده‌ایم:
در صورتی که فرد سیگاری روزی x=7 سیگار استعمال کند، چه مدت خواب برای او پیش بینی می‌کنید

y=0/8x+3.8

X=تعداد سیگار متغیر مستقل وY  =ساعات خواب متغیر وابسته است
حل: باقرار دادن مقدار x=7 در معادله خط رگرسیون داریم:

2/9 = 3/8 + y = -0/87

تحلیل رگرسیون

 

تحلیل رگرسیون مرحله ای است بعد از همبستگی. تحلیل رگرسیون زمانی استفاده می شود که بخواهیم مقادیر یک متغیر را از روی مقادیر متغیر دیگر پیش بینی کنیم. در این مورد، متغیری که ما از بهره می گیریم تا مقدار متغیر دیگر را پیش بینی کنیم، متغیر مستقل (یا پیش بین) نام دارد. متغیری را هم که می خواهیم پیش بینی کنیم متغیر وابسته (یا ملاک) نام دارد.

مثال

یک فروشنده ی یک برند معروف ماشین، علاقه مند شده است تا بررسی کند که بین درآمد شخصی افراد وهزینه ای که آنان برای یک ماشین می پردازند رابطه ای وجود دارد یا خیر.آن ها می خواهند از این نتایج برای پیشنهاد ماشین در مناطق جدیدی که میانگین درآمد آنان مشخص است استفاده کنند.

متغیر مستقل: درآمد افراد (Income)

متغیر وابسته: قیمت ماشین (Price)

مفروضات

جهت استفاده از این آزمون پیش فرض های زیر می بایست محقق باشد:

• متغیر ها در سطح سنجش فاصله ای
• توزیع متغیرهای نرمال یا نزدیک به نرمال باشند.
• بین دو متغیر رابطه خطی وجود داشته باشد.

جهت سنجش نرمال بودن توزیع متغیر ها از آزمون Shapiro-Wilk و یا Kolmogoro-smirnov استفاده می کنیم.
جهت سنجش وجود رابطه خطی بین دو متغیر نیز از آزمون همبستگی پیرسون استفاده می کنیم.

رگرسیون در نرم افزار SPSS

1-مسیر …Analyze › Regression › Linear را دنبال می کنیم.

حالا شما کادر زیر را مشاهده می کنید:

2-متغیر مستقل (پیش بین) یا همان درآمد را به داخل کادر Independent انتقال می دهیم. متغیر وابسته یا همان قیمت خودرو را وارد کادر Dependent می کنیم.

روش (Method) اجرای رگرسیون را نیز مطابق پیش فرض تحلیل رگرسیون، یعنی همان (Enter) انتخاب می کنیم.

3-بر روی ok کلیک می کنیم.

تفسیر نتایج تحلیل رگرسیون

نرم افزار spss چند جدول را جهت تحلیل ارائه می دهند. در این مبحث ما به مهم ترین این جداول می پردازیم. اولین جدول Model Summary به معنای خلاصه مدل است. این جدول مقادیر R و R²  را نشان می دهد. مقدار R برابر است با 0.873، اشاره دارد به همبستگی ساده بین دو متغیر و به عبارتی شدت همبستگی بین دو متغیر را نشان می دهد. همان طور که از مقدار R (همبستگی پیرسون بین دو متغیر) نمایان است، بین دو متغیر در آمد و قیمت ماشین همبستگی در حد خیلی قوی وجود دارد.

مقدار R² نشان می دهد که چه مقدار از متغیر وابسته یعنی قیمت ماشین، می تواند توسط متغیر مستقل یعنی درآمد، تبیین شود. در این مثال متغیر درآمد می تواند 76.2 درصد از تغییرات متغیر قیمت ماشین را تبیین کند، که در واقع مقدار چشم گیری است.

جدول بعدی ANOVA نام دارد. این جدول نشان می دهد که آیا مدل رگرسیون می تواند به طور معنا داری (و مناسبی) تغییرات متغیر وابسته را پیش بینی کند. برای بررسی معنا داری به ستون آخر جدول (sig) نگاه می کنیم. این ستون معنا داری آماری مدل تحلیل رگرسیون را نشان می دهد که چنان چه میزان به دست آمده کمتر از 0.05 باشد نتیجه می گیریم که مدل به کار رفته، پیش بینی کننده خوبی برای متغیر قیمت ماشین است. میزان معنا داری در مثال ما کمتر از میزان 0.05 است که بیان گر این است که مدل رگرسیونی معنا دار است.

جدول زیر Coefficients، اطلاعاتی را در مورد متغیر های پیش بین به ما می دهد. این جدول اطلاعات ضروری برای پیش بین متغیر وابسته را در اختیار ما قرار می دهد. مشاهده می کنیم که مقدار ثابت (constant) و متغیر درآمد هر دو در مدل معنا دار شده اند (به ستون sig) نگاه می کنیم. پس از تعیین معنا دار بودن مقدار ثابت و متغیر درآمد، ستون Standardized Coefficients بیانگر ضریب رگرسیونی استاندارد شده یا مقدار بتا است. ضریب رگرسیونی استاندارد شده یا Beta در مثال ما برابر شده است با 873. که نشان گر میزان تاثیر متغیر مستقل (درآمد) بر وابسته (قیمت ماشین) است.

نکته: میزان Beta زمانی که یک متغیر مستقل در مدل داریم، با میزان همبستگی پیرسون بین دو متغیر (R) دقیقا برابر است. اما زمانی که بیش از یک متغیر مستقل داشته باشیم، میزان Beta با ضریب همبستگی بین متغیر های مستقل و وابسته تفاوت خواهد داشت.

نکته: کاربرد ضریب Beta هنگامی است که بیش تر از یک متغیر مستقل در مدل داشته باشیم. در این صورت مقدار Beta به ما کمک می کند که سهم نسبی هر متغیر را در پیش بینی متغیر وابسته مقایسه کنیم و به عبارتی بتوانیم تعیین کنیم که کدام متغیر ها بیش ترین تاثیر را بر متغیر وابسته دارند.

جهت ایجاد معادله رگرسیونی از میزان ضریب رگرسیونی استاندارد نشده (B) استفاده می کنیم. معادله رگرسیونی جهت پیش بینی دقیق مقادیر متغیر وابسته مورد استفاده قرار می گیرد.

در معادله بالا با قرار دادن مقادیر درآمد افراد، می توان قیمت ماشینی که آنان تمایل به خریدنش را دارند پیش بینی کرد. توجه داشته باشیم که در این معادله مقادیر a و b ثابت است و تنها مقادیر متغیر درآمد تغییر می کند.

آزمون T تک نمونه ای

آزمون t تک نمونه‌ای

در داده های کمّی، برای آزمودن این فرضیه که آیا میانگین یک نمونه ( ) با میانگین جامعه ( ) -که فرض بر این است دارای توزیع نرمال ‌باشد- یکسان است، از آزمون t تک نمونه‌ای استفاده کنید. از این آزمون در مواقعی استفاده کنید که می‌خواهید بدانید آیا میانگین برآورد شده ( ) با میانگین جامعه همخوانی دارد یا خیر؟
فرض‌های صفر و یک به صورت زیرمطرح اند :

در این آزمون از شاخصی موسوم به t  که به صورت زیر است، استفاده می‌شود. همیشه دغدغه محقق، مقدار نمونه‌ای است که در اختیار دارد. معمولا شاخص t  را وقتی بکار می‌گیرند که تعداد نمونه‌ها کمتر از 30 و واریانس جامعه ( ) نا معلوم باشد.

یکی از مشخصه های این شاخص، درجه آزادی آن است که با n-1  مشخص می‌شود. ویژگی که توزیع t دارد این است که وقتی تعداد نمونه‌ها از 30 بیشتر شود با توزیع نرمال مطابقت پیدا می‌کند.

آزمون t تک نمونه‌ای در spss

یک کارشناس علوم اجتماعی مدعی است میانگین سن مدیران در یک سازمان که در سال های قبل حداکثر 45 سال بوده، افزایش یافته است. برای بررسی این ادعا سن 15 مدیر که به صورت تصادفی از بین مدیران این سازمان انتخاب شده اند، به صورت زیر در دست است.

1. 38   46   49   53   50   51   49   43   44   44   45   41   58   52     50

برای بررسی نرمال بودن این نمونه از آزمون کلموگروف – اسمیرنوف استفاده کنید. اما برای بررسی این که آیا میانگین سن این نمونه با 45 سال برابری دارد یا نه، آزمون t تک نمونه‌ای را به کار می‌گیریم. همان طور که اشاره شد یکی از ویژگی‌های آزمون t تک نمونه‌ای این است که وقتی تعداد نمونه ها به بیشتر از30 افزایش پیدا می کند، احتمالات آن دقیقا با احتمالات توزیع نرمال منطبق می شود. بنا بر این برای آزمون‌هایی با هر تعداد نمونه، می توانید از آزمون t تک نمونه‌ای استفاده کنید.

داده ها را با یک متغیر به نام Sen در برگه Data View  وارد کنید. سپس برای انجام آزمون یک نمونه ای t مراحل زیر را پیگیری کنید:

• از مسیر زیر به کادر محاوره آزمون وارد شوید:                Analyze/Compare Means/One- Sample T Test

متغیر سن (Sen) را به فهرست متغیرهای آزمون Test Variable منتقل کنید.
در چهارگوش Test Value مقدار 45 را وارد کنید.
OK را کلیک کنید.

نتیجه در جدول‌های زیر آمده است:

 

در جدول One- Sample Statistics شاخص‌های میانگین و انحراف معیار سن مدیران مشاهده می ‌شود. در جدول One-Sample Test می ‌توانید نتایج آزمون را مشاهده کنید.

برای قضاوت در مورد فرضیه صفر، می‌توانید در جدول One-Sample Test به معیار تصمیم (P-Value) که با عنوان Sig. (2-tailed) آمده است، نگاه کنید. چون در این مثال 079/0 بیشتر از 05/0 است، دلیل کافی برای رد کردن فرضیه وجود ندارد.

از طرفی اگر به فاصله اطمینان داده شده نگاه کنید احتمال مشاهده مقدارt ی بزرگتر از 4022/5 و کمتر از 3356/0- برابر با سطح معنی داری یعنی 079/0 = Sig است. به دلیل آنکه سطح معنی دار مشاهده شده بیشتر از 5٪ است، می شود نتیجه گرفت که این احتمال وجود دارد که میانگین سن مدیران برابر با 45 سال باشد. یا می توان این گونه مطرح کرد که اختلاف مقدار میانگین سنی مشاهده شده در نمونه با میانگین سنی جامعه، ناشی از تصادف است. پس فرض صفر را نمی توانید رد کنید. یعنی افزایش سنی مشاهده شده ناشی از تصادف (مثلا خطای نمونه گیری) است.