هزینه انجام تحلیل فصل 4 پایان نامه ارشد و دکترا

 

به طور کلی مهم ترین عواملی که در تعیین هزینه نوشتن فصل چهارم تاثیر گذارند به صورت زیر است :

1- تعداد فرضیات، اهداف و سوالات پژوهش

2- میزان پیچیدگی مدل پژوهش

3- تعداد مدل‌های پژوهش برای بررسی فرضیات

4- مقطع تحصیلی دانشجو

5- نرم افزار مورد استفاده در فصل چهارم

انجام تحلیل آماری با SmartPLS

اسمارت PLS یک نرم افزاری کاربردی برای طراحی مدل­ های معادلات ساختاری است که به کاربر این اجازه را می­ دهد به جای کدنویسی پیچیده از المان های گرافیکی استفاده نماید. این نرم افزار که در سال 2005 در دانشگاه هامبورگ آلمان طراحی شده است مبتنی بر جاوا می باشد و باعث می شود کاربران سیستم عامل های مختلف از آن استفاده نمایند. هدف این مقاله بیان مراحل انجام تحلیل آماری با نرم افزار SmartPLS و مقایسه آن با نرم افزار Amos و لیزرل می باشد.

علت انجام تحلیل آماری با استفاده از SmartPLS

اصلی ترین دلایل استفاده از نرم افزار Smartpls به شرح زیر است :

1– حجم نمونه کم باشد.

2- داده ها نرمال نباشند.

در صورتی که حجم دیتاها زیاد و یا داده ها نرمال باشند نیز میتوان از این روش استفاده کرد.

اما اگر بخواهیم به طور مفصل توضیح دهیم علت استفاده از نرم افزار اسمارت PLS را به صورت زیر بیان می کنیم :

چه زمانی از AMOS جهت انجام تحلیل آماری استفاده می شود ؟

ویژگی های انجام تحلیل آماری با نرم افزار AMOS و Lisrel

1-روش معادلات ساختاری مبتنی بر کوواریانس بر تایید روابط عوامل تمرکز دارد.

2-روش معادلات ساختاری مبتنی بر کوواریانس برای تایید تئوری پیشین کاربرد دارد.

3-نیازمند حجم نمونه بزرگ است.

4-برای مدل های انعکاسی کاربرد دارد.

5-به صورت ایده آل هر عامل حداقل باید 3 یا 4 گویه داشته باشد.

6-قبل از برازش باید داده های گم شده مشخص شوند.

7-درصورت وجود چند-همخطی، باید قبل از برازش مشخص شود.

تفاوت انجام تحلیل آماری با SmartPLS و AMOS

ویژگی های تحلیل آماری با نرم افزار SmartPLS

1-روش معادلات ساختاری مبتنی بر واریانس بر پیش بینی عوامل تمرکز دارد.

2-روش معادلات ساختاری مبتنی بر واریانس برای اکتشاف تئوری کاربرد دارد.

3-با حجم نمونه کوچک نیز قابل انجام است.

4-برای مدل های انعکاسی و تکوینی کاربرد دارد.

5-از عوامل با یک گویه پشتیبانی می کند.

6-مشکلی برای برازش داده ای که دارای مقادیر گم شده است، ندارد.

7-از داده های دارای چند-همخطی پشتیبانی می کند.

جدول تفاوت نرم افزار SmartPLS و AMOS و Lisrel

	Lisrel, Amos, Eqs, Mplus	SmartPLS, PLS Graph
تئوری	قوی	پیچیده
توزیع	نرمال چندمتغیره	ناپارامتریک
تعداد نمونه	بزرگ (حداقل 200 نمونه)	کوچک (بین 30-100)
تمرکز تحلیل	تایید روابط فرض شده در تئوری	پیش بینی و شناسایی روابط میان عوامل
تعداد نشان گرها در هر شاخص	به صورت ایده آل بیشتر از 4	یک یا بیشتر
نشانگرهای هر شاخص	در اصل انعکاسی	انعکاسی و تکوینی
نوع اندازه گیری	فاصله ای یا نسبتی	داده های رسته ای، نسبتی

مراحل تحلیل آماری با SmartPLS

1- رسم مدل و برآورد ضرایب رگرسیونی

2- اندازه گیری مقادیر آماره تی-استیودنت و مقایسه آن با عدد 1.96

3-بررسی پایایی (آلفای کرونباخ و ضریب پایایی ترکیبی) مدل معادلات ساختاری

4- بررسی روایی همگرا مدل (شاخص AVE)

5- بررسی روایی افتراقی (شاخص فورنل-لارکر)

6- بررسی شاخص های نیکویی برازش مدل معادلات ساختاری

7-بررسی شاخص استون-گیسر جهت تایید تناسب پیش بین مدل معادلات ساختاری

هزینه انجام تحلیل آماری با نرم افزار SmartPLS

برآورد هزینه تجزیه و تحلیل آماری با استفاده از نرم افزارهای SmartPLS، AMOS و Lisrel معمولا بر اساس پیچیدگی مدل معادلات ساختاری انجام می شود. طبیعتا هر چه تعداد متغیرهای پنهان، متغیرهای تعدیلگر و میانجی در مدل بیشتر باشد کار تجزیه و تحلیل آماری نیز پیچیده تر می شود. با توجه به این که کوکرانا یک موسسه کاملا حرفه ای و با تجربه برای تحلیل آماری است و بدون واسطه است، تجزیه و تحلیل آماری را با هزینه منطقی انجام می دهد. برای مثال کوکرانا مدل های مشابه شکل زیر را یک مدل پیچیده تلقی کرده و برای تجزیه تحلیل آن هزینه بیشتری درخواست می کند.

نمونه مدل معادلات ساختاری پیچیده از نظر پژوهشگران برتر اسپادانا

جهت دریافت مشاوره آماری رایگان تماس بگیرید !

دانشجوی هر مقطع و یا هر دانشگاهی که در ایران هستید، می‌توانید مشاوره آماری آنلاین (به صورت رایگان) دریافت نمایید. اگر در ابتدای پژوهش هستید و برای بیان مساله، اهداف، فرضیه های آماری، مدل سازی، روش تحقیق، حجم نمونه و … نیاز به کمک دارید و یا اگر داده‌های خود را جمع‌آوری کرده‌اید و برای تحلیل آن ها نیاز به یک راهنما دارید کافیست از طریق راه های ارتباطی معرفی شده با ما در ارتباط باشید.

چگونه پایان نامه بنویسیم؟

در این جا به محتوای کلی پایان نامه برای نگارش میپردازیم…

الف- فصل اول پایان نامه Introduction یا مقدمه یا کلیات تحقیق

محتوای فصل یک ممکن است در برخی از دانشگاه ها تفاوت هایی داشته باشد. اما معمولاً محتوای فصل یک به ترتیب زیر است:

1. مقدمه: طرح کلیات تحقیق
2. بیان مساله: شرح مشکل و ارایه آنها به شکل سوال کلیدی برای پاسخ به کمک تحقیق
3. ضرورت و اهمیت تحقیق: چرایی انجام کار و معرفی کاربران احتمالی نتایج تحقیق
4. اهداف تحقیق: آنچه تحقیق به دنبال انجام آن است
5. فرضیه ها یا سؤال های تحقیق: مسیری برای اجرای تحقیق
6. پیش فرض ها: قبول مواردی برای اطمینان از حرکت در مسیر اجرای تحقیق
7. تعریف نظری و عملیاتی وا‍ژه های تحقیق: اقدامی برای برداشت مشترک از مفاهیم تحقیق (مختصر)
8. روش تحقیق: روش اجرای پژوهش بصورت مختصر.
9. قلمرو پژوهش: قلمرو موضوعی ، زمانی و مکانی.
10. خلاصه مطالب: خلاصه مطالب ارایه شده.

 

ب-فصل دوم پایان نامه Review and Litrature یا ادبیات و پیشینه تحقیق

1. مقدمه : معرفی محتوای فصل
2. مبانی نظری: نطریه های مرتبط با موضوع و قابل بحث در فصل پنج (در تعدادی معدودی از دانشگاه ها مبانی نظری در فصل یک ارایه می شود)
3. پیشینه تحقیق: تحقیقات داخلی و خارجی مرتبط با موضوع
4. جمع بندی کلی: جمع بندی از مجموع ادبیات پیشینه
5. معرفی سازمان: معرفی و تشریح سازمان مورد مطالعه.
6. چهارچوب نظری: تشریح متغیر های پژوهش
7. مدل مفهومی: مدل رابطه بین طرح نظری(تئوری)وکار جمع آوری و تجزیه و تحلیل اطلاعات می باشد.
8. خلاصه مطالب: خلاصه مطالب ارایه شده.

پ-نگارش فصل سوم پایان نامه Resarch Methodology یا روش شناسی تحقیق

1. مقدمه: معرفی محتوای فصل
2. روش و طرح کلی تحقیق: اشاره به روش تحقیق از ابعاد هدف، محیط اجرا، استراتژی و مسیراجرا
3. جامعه آماری: معرفی جامعه آماری
4. نمونه آماری و روش نمونه گیری: بیان تعداد نمونه و روش نمونه گیری
5. متغیرهای تحقیق: شاخص های تغییر پذیر تعریف می شوند
6. ابزار اندازه گیری: معرفی ابزار و اعتبار و روایی آن
7. شیوه جمع آوری اطلاعات: روش اجرا در جمع آوری اطلاعات
8. روش های آماری (تجزیه و تحلیل): معرفی انواع روش های آماری مورد استفاده در پایان نامه
9. روایی و پایایی: بررسی قابلیت اطمینان و اعتبار
10. خلاصه مطالب: خلاصه مطالب ارایه شده.

ت- نگارش فصل چهارم پایان نامه Findings یا تجزیه و تحلیل یافته های تحقیق

1. مقدمه : معرفی محتوای فصل
2. توصیف داده ها (آمار توصیفی): جداول و نمودارهای توصیفی
3. آزمون فرضیه ها یا طرح سؤالات (آمار استنباطی) : متناسب با یافته ها جداول و نمودارهای ذیربط ارایه می شود.
4. مدل اولیه و نهایی پژوهش: بررسی ضریب تاثیر مدل و شاخص های برازش مدل معادلات ساختاری
5. خلاصه مطالب: خلاصه مطالب ارایه شده.

ث- نگارش فصل پنجم پایان نامه Discussion یا بحث و نتیجه گیری

1. مقدمه : معرفی و محتوای فصل
2. خلاصه تحقیق: خلاصه سه فصل
3. خلاصه یافته ها: خلاصه فصل چهارم
4. بحث : مقایسه تحقیقات و نتایج موافق و مخالف با نتایج حاصل از یافته ها
5. نتیجه گیری: ارایه پیام حاصل از تحقیق
6. محدودیت های تحقیق: محدودیت های در کنترل و خارج از کنترل محقق .
7. پیشنهادهای برخاسته از تحقیق: پیشنهادهایی که با نتایج بدست آمده می توان ارایه کرد.
8. پیشنهادهایی به سایر محققین : پیشنهاد برای انجام تحقیقات بعدی

صفر تا صد تحلیل کوواریانس تک متغیری (ANCOVA) Analysis Of Covariance (ANCOVA)

در واقع یکی از راه های کنترل اثرات نمره پیش آزمون به عنوان اثر انتقال، استفاده از آزمون آنالیز کوواریانس (ANCOVA) است. به طوری که شرایطی برای مطالعه فراهم می شود. تا اثرات درمان را جدا از اثر بالقوه نمره پیش آزمون بررسی کند.

تفاوت تحلیل کوواریانس (ANCOVA) و تحلیل واریانس (ANOVA)

آنکووا گسترش داده شده ی آنالیز واریانس است که پیش فرض های آن را نیز دارد. تفاوت آشکار بین ANOVA و ANCOVA حرف “C” است که مخفف “کواریانس” است. مانند ANOVA، “تجزیه و تحلیل کوواریانس” (ANCOVA) یک متغیر پاسخ پیوسته دارد. تحلیل کوواریانس (ANCOVA) مانند تحلیل واریانس برای تشخیص تفاوت در میانگین چند گروه متغیر مستقل، در حالی که کار کنترل متغیرهای کووریت (Covariate Variables) را انجام می دهد، استفاده می شود. متغیر کووریت معمولاً جزئی از سؤال اصلی تحقیق نیست اما می تواند متغیر وابسته را تحت تأثیر قرار دهد و بنابراین باید کنترل شود.

در حالی که آنالیز واریانس به دنبال اختلاف در بین میانگین ها است. تحلیل کوواریانس به دنبال اختلاف میانگین های تعدیل شده (به وسیله متغیر کووریت که به آن متغیر مخدوش کننده نیز می گویند) می باشد.

 

 

پیشفرض های تحلیل کوواریانس تک متغیره (ANCOVA)

قبل از معرفی پیش فرض های تحلیل کوواریانس، از این که یک یا چند پیش فرض معرفی شده در هنگام آنالیز دیتا با نرم افزار SPSS رعایت نشود تعجب نکنید ! همیشه داده استخراج شده از دنیای واقعی مانند مثال های موجود در متن کتاب ها همه چیز را مطلوب نشان نمی دهد. همچنین از این که چند پیش فرض اصلی هم رد شود نگران نشوید ! همیشه یک راه حلی باید وجود داشته باشد.

پیش فرض اول : پیوسته بودن متغیر وابسته و کووریت

متغیر وابسته و متغیر کووریت بایستی پیوسته باشد. برای مثال متغیر زمان (که با واحد ساعت اندازه گیری می شود)، نمرات IQ (امتیاز IQ) نمرات امتحان (0 تا 20) و وزن (به کیلوگرم) پیوسته و کمی می باشد. البته متغیرهای کووریت (متغیرهای مخدوش کننده) می تواند رسته ای نیز باشد (مانند جنسیت). که در این حالت آزمون ANCOVA ترجیح داده نمی شود.

پیش فرض دوم : رسته ای بودن متغیر مستقل

متغیر مستقل بایستی شامل دو یا چند سطح باشد برای مثال جنسیت که دارای دو سطح زن و مرد است. همچنین متغیر گروه تحقیق که شامل (گروه کیس و گروه کنترل) است. فعالیت فیزیکی (کم، متوسط، زیاد) نیز مثال دیگری از این قبیل می باشد.

پیش فرض سوم : استقلال مشاهدات

هیچ ارتباطی بین مشاهدات در هر گروه و یا بین گروه ها وجود نداشته باشد. همچنین هیچ یک از شرکت کننده ها (اعضای نمونه) در بیش از یک گروه نباشد. البته این موضوع بیشتر به طراحی مطالعه مربوط می شود. اگر این پیش فرض رعایت نشود نیاز به یک آزمون آماری دیگری به جای آزمون ANCOVA می باشد.

پیش فرض چهارم : عدم وجود داده پرت

در بین داده های پژوهش نباید داده پرت قابل توجهی وجود داشته باشد. چرا که وجود داده پرت ممکن است بر نتایج بدست آمده از تحلیل کوواریانس تاثیر منفی بگذارد و از اعتبار نتایج آن کاهش دهد.

پیش فرض پنجم : نرمال بودن باقی مانده ها

برای هر سطح از متغیر مستقل، باقی مانده بدست آمده تقریبا بایستی دارای توزیع نرمال باشد. به این دلیل از واژه تقریبا استفاده کردیم چون می دانیم این پیش فرض در اکثر اوقات اتفاق نمی افتد در حالی که نتایج بدست آمده از تحلیل کوواریانس معتبر باقی می ماند.

 

 

پیش فرض ششم : همگنی واریانس ها

این پیش فرض به کمک انجام آزمون لون (Levene’s test) در نرم افزار SPSS قابل بررسی است.

پیش فرض هفتم : ارتباط خطی کووریت با متغیر وابسته

در هر سطح از متغیر مستقل، متغیر کووریت رابطه خطی با متغیر وابسته دارد. این پیش فرض به کمک نرم افزار SPSS از طریق رسم Scatter plot گروه بندی شده از متغیر کووریت، پیش آزمون متغیر وابسته و متغیر مستقل بررسی می شود.

پیش فرض هشتم : همسانی واریانس

این پیش فرض به کمک نرم افزار SPSS از طریق رسم Scatter plot ار باقی مانده های رگرسیون در مقابل مقادیر پیش بینی شده بررسی می شود.

 

 

پیش فرض نهم : همگنی شیب رگرسیون

 همگنی شیب رگرسیون بدین معنی است که شیب رگرسیونی خطوط مختلف در بین گروه ها باید برابر باشد. به عبارت دیگر تعامل نمرات کووریت و متغیر مستقل در بین گروه ها نباید اختلاف معنی داری داشته باشد. به عبارتی دیگر، نیاز هست که شیب های خطوط رگرسیونی برای کووریت ها (در ارتباط با متغیر وابسته) در بین گروه ها (کیس و کنترل) یکسان باشد که به این پیش فرض همگنی شیب رگرسیون گفته می شود که می تواند با یک آزمون F بر روی تعامل متغیرهای مستقل با کووریت ها ارزیابی شود. اگر آزمون F معنادار بود، بدین معنی است که این پیش فرض نقض شده است. مطالعه بیشتر

ارائه مثال انجام تحلیل کوواریانس در SPSS

در یک مطالعه ای فرضی، پرسشنامه کیفیت زندگی در اختیار 60 نفر از مبتلایان به صرع شرکت کننده در پژوهش قرار داده شد تا آن را تکمیل نمایند. این 60 نفر به صورت تصادفی به دو گروه 30 (کنترل) و 30 (کیس) تقسیم بندی شدند. بیماران گروه کیس (Case) تحت مداخله (پیگیری تلفنی به صورت برقراری 10 تماس 15 دقیقه ای) در طی دو ماه قرار گرفتند. همچنین، در بیماران گروه کنترل (Control) هیچ گونه مداخله ای انجام نشده و آموزش های روتین را دریافت کردند. پس از دو ماه و حین مراجعه به درمانگاه، کیفیت زندگی در دو گروه کیس و کنترل مجددا مورد بررسی قرار گرفت.

 

 

نحوه ورود داده برای انجام تحلیل کوواریانس در SPSS

برای سادگی نمایش داده های وارد شده، فقط نمرات کل کیفیت زندگی را قبل و بعد از مداخله مانند شکل زیر در نرم افزار SPSS وارد کرده‌ایم. توجه داشته باشید که نمرات گروه کیس و کنترل در پیش آزمون و پس آزمون بایستی در یک ستون و زیر هم وارد نرم افزار شود و با ایجاد متغیر دو سطحی گروه تحقیق از لحاظ گروه مطالعه قابل تشخیص باشد.

حال دیتا برای انجام آزمون تحلیل کوواریانس آماده شده است. از طریق مسیر زیر در نرم افزار SPSS آزمون ANCOVA را انجام می دهیم.

Analyze / General Linear Model / Univariate

پس از انجام مسیر فوق پنجره زیر جهت تنظیمات تحلیل کوواریانس قابل مشاهده است.

همانند شکل فوق، متغیر کیفیت زندگی پس از مداخله (پس آزمون) را به عنوان متغیر وابسته در کادر Dependent Variable، متغیر کیفیت زندگی قبل از مداخله (پیش آزمون) را به عنوان متغیر کووریت (مخدوش کننده) در کادر Covariate(s) و متغیر گروه را در کادر Fixed Factor(s) به عنوان متغیر مستقل وارد می کنیم. ابتدا برای بررسی پیش فرض همگنی شیب رگرسیونی از طریق دکمه Moldel پنجره زیر را باز می کنیم.

مانند شکل فوق ابتدا در کادر Specify Model گزینه Build terms را فعال می‌کنیم. سپس در کادر Model متغیرهای (گروه تحقیق، پیش آزمون و متغیر ضربی پیش آزمون کیفیت زندگی * گروه تحقیق را وارد می کنیم. با کلیک بر روی دکمه Continue مجدد وارد پنجره قبلی می شویم. حال با کلیک بر روی دکمه OK خروجی نرم افزار به صورت زیر مشاهده می شود.

با توجه به جدول فوق ملاحظه می شود سطح معنی داری متغیر گروه تحقیق*پیش آزمون کیفیت زندگی برابر 0.605 و بیشتر از 0.05 می باشد. این امر نشان دهنده این است که پیش فرض همگنی شیب رگرسیون رعایت می شود.

حال برای بررسی پیش فرض همگنی واریانس ها از طریق دکمه Moldel پنجره زیر را باز کرده و مانند شکل زیر تنظیمات لازمه را انجام می دهیم.

مانند شکل فوق ابتدا در کادر Specify Model گزینه Full factorial را فعال می‌کنیم. با کلیک بر روی دکمه Continue مجدد وارد پنجره قبلی می شویم.

در این پنجره از طریق گزینه Options پنجره زیر باز می شود.

پس از انجام تنظیمات فوق با کلیک بر روی دکمه Continue مجدد وارد پنجره قبلی می شویم. حال با کلیک بر روی دکمه OK خروجی نرم افزار به صورت زیر مشاهده می شود.

با توجه به سطح معنی ­داری شکل فوق (0.093) فرضیه صفر مبنی بر همگونی واریانس ­ها در دو گروه شاهد و آزمایش در سطح 5 درصد رد نمی­ گردد. در نتیجه فرضیه برابری واریانس ­ها تایید می ­شود.

در جدول فوق فوق ملاحظه می­ شود، در پس آزمون نمرات کیفیت زندگی کل آزمایش (گروهی که پیگیری تلفنی دریافت کردند) با نمرات کیفیت زندگی در گروه گواه تفاوت معنی داری وجود دارد (سطح معنی داری کمتر از 0.05). در نتیجه می­ توان دریافت که بیمارانی که مداخله دریافت می­ کنند، نسبت به دیگر افراد، کیفیت زندگی کل بیشتری دارند. به طور کلی مشاهدات بیان می­ کند که پیگیری تلفنی بر بهبود کیفیت زندگی افراد با اندازه اثر (0.917) تاثیر گذار است.

آموزش آزمون تحلیل واریانس با اندازه گیری های مکرر (تکرار شده) (Repeated measures analysis)

اندازه گیری مکرر به طرحی گفته می شود که در آن هر یک از آزمودنی ها در معرض بیش از یک متغیر مستقل قرار می گیرند. مورد استفاده مناسب این طرح زمانی است که پژوهشگر علاقمند باشد تغییراتی را که در روند زمان در آزمودنی به وجود می آید مشاهده یا اندازه گیری نماید. هدف اساسی این طرح، به حداقل رساندن خطاهای ناشی از تفاوت های فردی است.

برای درک بهتر مطلب، به مثال زیر که با استفاده نرم افزار SPSS تجزیه و تحلیل شده است توجه نمایید.

پژوهشگری قصد دارد تأثیر اوقات مختلف روز را روی میزان نشاط تعدادی افراد مورد مطالعه قرار دهد. به این منظور 20 فرد (زن و مرد) انتخاب  و میزان نشاط آنان را در اوقات مختلف تعیین شده مورد اندازه گیری قرار داد. این پژوهشگر می خواهد بداند که آیا اوقات مختلف روز بر میزان نشاط زنان  و مردان شاغل و بیکار تأثیر دارد؟ برای این پژوهش فرضیه زیر قابل تعریف و آزمون است.

"به نظر می رسد میزان نشاط زنان  و مردان شاغل و بیکار در اوقات مختلف روز متفاوت است"

برای آزمون فرضیه بالا ابتدا مانند شکل زیر داده ها را بصورت طبقه بندی شده وارد نرم افزار SPSS می کنیم. ستون اول نشان دهنده جنسیت افراد (1 مرد و 2 زن)، ستون دوم وضعیت شاغل یا بیکار بودن افراد را نشان می دهد و سه ستون بعدی میزان نشاط اندازه گیری شده افراد را در اوقات مختلف (سه زمان) روز نشان می دهد.

پس از وارد کردن داده ها از مسیر زیر گزینه Repeated measures را انتخاب می کنیم. 

 

در کادر باز شده باید نام متغیر طول زمانی (Time) را در داخل کادر Within-Subject Factor Name وارد می کنیم. سپس روبروی قسمت Number of Levels تعداد زمان هایی که میزان نشاط را اندازه گیری کرده ایم تایپ می کنیم. در این مثال عدد 3 وارد شده است. سپس روی دکمه Add کلیک می کنیم (شکل زیر را مشاهده کنید). در قسمت Measure Name نیز نام متغیر نشاط را وارد می کنیم (دقت نمایید که نامی که در هر دو قسمت وارد می کنید نباید مشابه با نام متغیرهایی که در فایل اصلی وارد کرده اید باشد). در نهایت روی دکمه Define کلیک می کنیم. 

 در مرحله بعد مانند شکل زیر 3 متغیر Happiness را به قسمت Within-Subjects Variables و دو متغیر Gender و Employment را به قسمت Between Subjects Factor منتقل می نماییم.

 

در مرحله بعد، از سمت راست گزینه Plots را انتخاب می کنیم تا کادر زیر باز شود. در این قسمت متغیر Time را به قسمت Horizontal axis و متغیر Gender را به قسمت Separate Lines انتقال داده و روی Add کلیک می کنیم.

در این صورت شکل زیر مشاهده می شود.

در مرحله بعد، یکبار دیگر از متغیر Time را به قسمت Horizontal axis و اینبار متغیر Employment را به قسمت Separate Lines انتقال داده و روی Add کلیک می کنیم. در نهایت روی Continue کلیک می کنیم.

در مرحله بعد، از قسمت سمت راست کادر اصلی، گزینه Option را انتخاب می کنیم تا کادر زیر باز شود. سه گزینه Descriptive Statistics، Estimates of Effect Size و Homogeneity Test را تیک زده، روی Continue کلیک می کنیم.

در نهایت روی OK کلیک می کنیم تا نتایج بصورت زیر ظاهر شوند. جدول اول با عنوان Between Subject Factors تعداد افراد زن و مرد  و همچنین شاغل و بیکار را نمایش می دهد.

 

 جدول زیر با عنوان Descriptive Statistics آماره های توصیفی مربوطه را به تفکیک گروه بندی های انجام شده (نشاط، جنسیت و وضعیت اشتغال) نمایش می دهد.

 این جدول آماره Box M باکس ام را نشان می دهد. این آزمون این فرض صفر را مورد آزمون قرار می دهد که ماتریس های کوواریانس مشاهده شده متغیرهای وابسته در بین گروه های مختلف برابرند. در جدول زیر چون مقدار F (1.662) در سطح خطای داده شده (0.07) معنی دار نیست بنابراین فرض صفر رد نمی شود. به این معنی که ماتریس های کوواریانس مشاهده شده بین گروه های مختلف با هم برابرند. 

جدول زیر  نتایج  آزمون های چند متغیره (چهار آزمون اثر پیلای، لاندای ویلکز، اثر هتلینگ، بزرگترین ریشه روی) را نشان می دهد. برای معنی داری و غیر معنی داری هر آزمون می توان به مقدار Sig دقت نمود که اگر کمتر از 0.05 باشد در سطح 0.05 معنی دار است. از میان چهار آزمون چندمتغیره، آزمون لاندای ویلکز از معروفیت بیشتری نسبت به چهار آزمون دیگر برخوردار است. اما آزمون اثر پیلای در موقعیت های عملی دارای قدرت بیشتری نسبت به سایر آزمون هاست.  در این مثال هیچیک از اثرات معنی دار نشده است.

جدول زیر نتایج آزمون کروویت ماخلی را نشان می دهد. آزمون کروویت ماخلی این فرض صفر را آزمون می کند که ماتریس کوواریانس خطای مربوط به متغیرهای وابسته تبدیل شده نرمال یک ماتریس همانی است. در این آزمون چنانچه سطح معنی داری کوچکتر از 0.05 باشد فرض H0 رد  و فرض H1 تأیید می گردد. چنانچه فرض H0 رد شود نمای توان کروویت ماتریس واریانس-کوواریانس متغیر وابسته را پذیرفت و باید از سه آزمون دیگر گرینهاوس گیسر، هیون -فلت یا حد پایین استفاده نمود که این آزمون ها درجه آزادی تصحیح می نمایند. در این مثال کروویت ماتریس واریانس-کوواریانس در سطح خطای 0.05  (Sig.=0.283) پذیرفته می شود و نیازی به استفاده از سه آزمون دیگر نیست. 

جدول زیر آزمون های اثرات درون آزمودنی ها را نشان می دهد. چون در قسمت قبل کروویت ماتریس واریانس-کوواریانس از طریق آزمون کرویین ماخلی پذیرفته شد در این قسمت ما برای آزمون معنی داری و غیر معنی داری هر اثر از ردیف های Sphericity asumed استفاده می کنیم. ولی چنانچه کروویت ماتریس واریانس کوواریانس پذیرفته نشود باید از سه ردیف دیگر (آزمون های گرینهاوس گیسر، هیون-فلت و حد پائین) استفاده نمود که معروفترین آن ها آزمون هیون-فلت می باشد.  همانطور که مشاهده می شود تنها اثر تعاملی Time*Gen*Empoyment در سطح خطای 0.05 معنی دار شده است.

این جدول نتایج آزمون لون جهت سنجش برابری واریانس های خطای متغیر Time در اوقات مختلف روز را نشان می دهد. همانطور که مشاهده می شود در وقت اول و سوم این آزمون غیر معنی دار و تنها در وقت دوم معنی است (به دلیل Sig کمتر از 0.05). نتیجه اینکه تنها در وقت دوم، واریانس خطا در بین افراد مختلف متفاوت می باشد. 

 جدول زیر مهمترین نتایج پژوهش را در بر دارد. همانطور که مشاهده می شود هیچیک از اثرات Gender، Employment یا Gender*Empoyment معنی دار نشده است به این معنی که میزان نشاط زنان و مردان شاغل و بیکار در اوقات مختلف روز هیچ تفاوتی با هم ندارد!. 

نمودار زیر میزان نشاط زنان و مردان را بصورت جداگانه در اوقات مختلف روز نشان می دهد. خط بنفش رنگ مربوط به میزان نشاط مردان و خط سبز رنگ مربوط به نشاط زنان است. این نمودار نشان می دهد که مردان در وقت اول بیشترین نشاط و پس از آن نشاط آن ها کاهش می یابد در حالی که زنان در وقت سوم بیشترین نشاط را داشته اند. 

نمودار زیر میزان نشاط افراد شاغل و بیکار را نشان می دهد. خط بنفش رنگ میزان نشاط افراد شاغل و خط سبز رنگ میزان نشاط افراد بیکار را نشان می دهد. این نمودار نشان می دهد که افراد شاغل و بیکار در وقت اول و سوم بیشتر از وقت دوم نشاط داشته اند ولی در کل میزان نشاط افراد شاغل بیشتر از افراد بیکار بوده است. 

 

روش آلفای کرونباخ برای تعیین پایایی پرسشنامه

برای تعیین سازگاری یا انسجام، سؤالاتی از پرسشنامه که قرار است جنبه‌های یک مفهوم یا سازه را اندازه‌گیری کند، بایستی با یکدیگر همبستگی نسبتاً زیادی داشته باشند. یکی از روش‌های اندازه‌گیری برای سازگاری درونی محاسبه نوعی پایایی است. پایایی یکی از مهمترین ویژگیها برای ابزارهای سنجشی است که جهت اندازه‌گیری متغیرها یا سازه‌های پنهان طراحی شده‌اند. بدون داشتن یک ابزار پایا نمی‌توان به نتایج پژوهش اعتماد کافی داشت و در صورت تکرار پژوهش، نتایج می‌تواند دارای تفاوت معنی‌دار با مرحله اول باشد. هر چند پایایی شرط کافی برای اعتماد و اطمینان به نتایج به بار آمده از یک ابزار سنجش نیست اما شرط ضروری و لازم است. برای سنجش هماهنگی درونی بین آیتم‌های مختلف یک ابزار نیز از تکنیک‌های مختلفی می‎‌توان استفاده کرد که استفاده از ضریب آلفای کرونباخ یکی از آنهاست.  هر قدر شاخص آلفای کرونباخ به یک نزدیک‌تر باشد همبستگی درونی بین سوالات یک پرسشنامه بیش‌تر و در نتیجه پرسش‌ها همگن‌تر خواهند بود. غالباً ضریب آلفای بالای 0.7 مطلوب تلقی می‌شود و در صورت پایین بودن مقدار آلفا بایستی پرسش‌های دارای ناهمگونی زیاد را حذف کرده تا به مقدار مطلوب نزدیک شود.

البته بایستی دقت نمود که زیاد بودن آن (بالای 0.9) همواره دلیل بر خوب بودن نیست زیرا اولاً ممکن است سؤالات با هم هم‌خطی چندگانه و تکنیکی داشته باشند منظور اینکه سؤالات با هم همپوشانی بالایی دارند (کوواریانس مشترک آن‌ها بالا است). به عبارت دیگر یک چیز را اندازه می‌گیرند که در این صورت بایستی یکی از سؤالاتی که همپوشانی بالایی دارد نگه داشت و مابقی را از پرسشنامه حذف نمود. ثانیاً ممکن است سؤالات با یکدیگر همبستگی کمی داشته باشند که بهتر است در این حالت به موارد دیگر که در گزارش spss می‌آید توجه نمود.

 

در جدول زیر دسته بندی ضریب آلفای کرونباخ آورده شده است:

90%	<=	عالی
80%	<=	خوب
70%	<=	قابل قبول
60%	<=	قابل تردید و سوال برانگیز
50%	<=	ضعیف
40%	<=	غیرقابل قبول

 

تولید عدد تصادفی با نرم افزار SPSS

 

 از توزیع‌های آماری برنولی، دوجمله ای، نرمال و ... می‌توان به راحتی عدد تصادفی را در نرم افزار SPSS تولید نمود. برای این منظور لازم است به اندازه تعداد نمونه‌ای که می‌خواهید عمل زیر را انجام دهید: فرض کنید 100 نمونه تصافی از توزیع دوجمله ای با پارامترهای n=10 و p=0.3 می‌خواهید. الگوریتم زیر را دنبال کنید. ما از ذکر جزئیات خودداری می‌کنیم.

1- در پنجره مشاهده داده‌ها، در ردیف 100 اُم عدد دلخواهی وارد کنید مثلا 0 یا 1.

2- در پنجره مشاهده متغیر، نام متغیر را تغییر دهید (مثلا rvbinomial) و تعداد رقم اعشار را روی صفر تنظیم کنید.

3- در منوی Transform گزینه Compute Variable انتخاب کنید.

4- در قسمت Target Variable نام متغیر خود را یعنی rvbinomial را وارد کنید.

5- در قسمت Numeric Expression دستور (RV.BINOM(10,0.3 را وارد کنید.

لازم به ذکر است که توابع تولید عدد تصادفی از توزیع های دیگر را می‌توانید با انتخاب عبارت Random Numbers در بخش Function Group مشاهده نمایید که در قسمت Functions and Special Variables فهرست شده‌اند.

حال روی دکمه Ok کلیک کنید.

(در صورت ظهور پنجره‌ای دیگر با عبارت سوالی Change existing variable روی عبارت Ok کلیک کنید)

6- نمونه تصافی شما تولید و در قسمت مشاهده داده‌ها قابل دستیابی می‌باشد.

توجه شود در صورتی که می‌خواهید اعداد تصادفی شما تکراری نباشد می‌بایست عددی که تکراری است را با اولین عدد متفاوتی که از تولید دوباره عدد تصادفی بدست می‌آورید جایگزین کنید.