ضریب تعیین (R۲ (R-squared correlation

ضریب تعیین (R^۲  (R-squared correlation میزان ارتباط خطی بین دو متغیر را اندازه گیری می کند. R^۲ نسبت تغییرات متغیر وابسته را که می توان به متغیر مستقل نسبت داد اندازه گیری می کند. در تعاریف موجود به R^۲، ضریب تعیین یا ضریب تشخیص نیز گفته می شود. به بیان ساده می توان گفت ضریب تعیین نشان می دهد که چند درصد تغییرات متغیر های وابسته در یک مدل رگرسیونی با متغیر مستقل تبیین می شود. به عبارت دیگر، ضریب تشخیص یا (R^۲) نشان می دهد که چه میزان یا مقدار از تغییرات متغیر وابسته مساله تحت تاثیر متغیر مستقل مساله بوده است. همچنین تا چه حدی مابقی تغییرات متغیر وابسته مساله مربوط به سایر عوامل موجود در مساله است.

همبستگی قدرت رابطه بین یک متغیر مستقل و وابسته را توضیح می دهد، ضریب تعیین یا ضریب تشخیص بیانگر این است که تا چه اندازه واریانس یک متغیر واریانس متغیر دوم را توضیح می دهد. ضریب تعیین نمی تواند تعیین نماید که آیا مدل برازش شده دارای شیب است یا نه و به همین دلیل باید نمودارهای باقیمانده را مورد ارزیابی قرارداد.

محاسبه R^۲

همان طور که بیان شد ضریب تعیین یا ضریب تشخیص نشان دهنده نسبت کل تغییر متغیر وابسته (حول میانگین خود) که بوسیله واریانس متغیرهای مستقل در رگرسیون توضیح داده می شود است. فرمول این شاخص به صورت زیر است:

فرمول R^۲

توضیحات فرمول R^۲

R^۲ مقداری بین ۰ و ۱۰۰٪ به دست می آید که عدد ۰٪ نشان می دهد که مدل هیچ ارتباطی با متغییر های وابسته و مستقل را در اطراف میانگین آن نشان نمی دهد و عدد ۱۰۰٪ نشان می دهد که مدل همه تغییرپذیری داده های پاسخ در اطراف میانگین آن را تبیین می نماید.

در مورد ارزیابی دو مدل، با ضرایب تعیین تقریبا یکسان، مدلی انتخاب می‌شود که خطای استاندارد مقادیر خطا (باقیمانده) کمتری داشته باشد.

ضریب تعیین تعدیل شده

مقدار تعدیل شده ضریب تعیین، میزان R2 را با توجه به متغیرهای مستقل اضافه شده به خط رگرسیون و با توجه به عرض از مبداهای جدید ، تعدیل و اصلاح می نماید .هرچه تفاوت بین R2 و R2 تعدیل شده کمتر باشدنشان میدهد که متغیرهای مستقل که به مدل اضافه شده اند به درستی انتخاب شده اند. فرمول این ضریب به صورت زیر است:

فرمول ضریب تعیین تعدیل شده

همانطور که در فرمول مشاهده می‌شود، وقتی تعداد مشاهدات (N) کم و تعداد پیش بینی‌ها (متغیرهای مستقل P) زیاد باشد، تفاوت بین ضریب تعیین و ضریب تعیین تعدیل شده بسیار زیاد خواهد بود زیرا نسبت  (N-P-1)/(N-1) بزرگتر از ۱ خواهد شد. همچنین هنگامی که تعداد مشاهدات در مقایسه با تعداد پیش بینی‌ها بسیار زیاد باشد، مقدار ضریب تعیین به ضریب تعیین اصلاح شده نزدیک و نزدیکتر می‌شود، زیرا نسبت  (N-P-1)/(N-1) به ۱ نزدیک می شود.

تفاوت ضریب تعیین و ضریب تعیین تعدیل شده

تفاوت مهم میان ضریب تعیین و ضریب تعیین تعدیل شده این است که  R^۲ بر این فرض است که هرمتغیر مستقل  مشاهده  شده در مدل، در تغییرات متغیر وابسته نقش دارد. بنابراین درصد نشان داده شده ضریب تشخیص براساس تاثیر همه متغیرهای مستقل بر متغیر وابسته است. در صورتی که درصد نشان داده شده  توسط R^۲ تعدیل شده فقط حاصل از تاثیر واقعی متغیرهای مستقل مدل بر وابسته است نه همه متغیرهای مستقل. می توان گقت R^۲ تعدیل شده قابل اطمینان تر است.

محاسبه ضریب تعیین در SMARTPLS

در نرم افزار Smart PLS می توان شاخص R^۲  را محاسبه کرد. این شاخص به عنوان یکی از شاخص های برازش مدل در تحلیل مدل معادلات ساختاری استفاده می شود. پس از اجرای مدل با دستور PLS ALGORITHM یک پنجره باز می شود. در میان شاخص های QUALITY CRITERIA،  گزینه اول R SQUARE  است.

محاسبه R2 در PLS

با کلیک بر روی گزینه R SQUARE  یک پنجره دیگر باز می شود. این پنجره سه ستون دارد. MATRIX، R SQUARE و R SQUARE ADJUSTED. ستون ماتریکس بیانگر ماتریس و یا جدول عددی مقادیر ضریب تشخیص متغیرهای وابسته مدل است. R SQUARE نمودار ضریب تعیین است و R SQUARE ADJUSTED مقدار ضریب تعیین تعدیل شده است.

در ادامه نمودارهای این دو شاخص نشان داده شده است:

نمودار R2 در SMARTPLS

نمودار R2 تعدیل شده در SMARTPLS

در این نمودارها اگر مقدار ضریب ها مناسب نباشد، نمودار به صورت قرمز نشان داده می شود.

محاسبه ضریب تعیین در EVIEWS

در نرم افزار Eviews می توان شاخص R^۲  را محاسبه کرد. پس از اجرای مدل رگرسیونی  در میان خروجی های تعیین صحت مدل، اولین معیارها، شاخص ضریب تعیین و ضریب تعیین تعدیل شده هستند.

R2 در EVIEWS

منبع

Chicco, Davide; Warrens, Matthijs J.; Jurman, Giuseppe (2021). “The coefficient of determination R-squared is more informative than SMAPE, MAE, MAPE, MSE and RMSE in regression analysis evaluation

 

تکنیک تحلیل مضمون

تکنیک تحلیل مضمون (Thematic analysis) روشی برای تجزیه و تحلیل داده های کیفی است و به تحلیل متون می پردازد. تحلیل مضمون، اولین روش تحلیل کیفی است که پژوهشگران باید یاد بگیرند. این روش، مهارت­های اساسی مورد نیاز برای بسیاری از تحلیل­های کیفی را فراهم می­کند. تحلیل مضمون، یکی از مهارت­های عام و مشترک در تحلیل­های کیفی است؛ به همین دلیل، بویاتزیس (۱۹۹۸) آن را نه روشی خاص بلکه ابزاری مناسب برای روش­های مختلف، معرفی می­کند. این روش بیشتر اوقات با روش فراتحلیل اشتباه گرفته می شود. همانطور که از نام آن پیداست، تکنیک تحلیل مضمون به معنای تجزیه و تحلیل الگوهای مضامین در داده ها است. روشی برای تجزیه و تحلیل داده های کیفی است. به این معنی که می توان از این روش برای تجزیه و تحلیل داده های غیر عددی مانند صدا، تصویر، متن و غیره استفاده کرد.

ریان و برنارد (۲۰۰۰) نیز کدگذاری مضامین را فرایند پیش نیازِ تحلیل­های اصلی و رایجِ کیفی، معرفی می‌کنند تا روشی منحصربه فرد و خاص. اما به عقیده براون و کلارک (۲۰۰۶) تحلیل مضمون را باید روش ویژه ­ای در نظر گرفت که یکی از مزایای آن، انعطاف­پذیری است. بنابراین، تحلیل مضمون، روشی برای شناخت، تحلیل و گزارش الگوهای موجود در داده­های کیفی است. تکنیک تحلیل مضمون مانند روش فراترکیب، تکنیک داده بنیاد در فصل چهارم رساله دکتری کاربرد فراوانی دارد.  در تکنیک تحلیل مضمون یک محقق باید کل متن را مرور کند و به دنبال الگوهای معنادار در مضامین در میان داده ها باشد. الگوها را می توان با خواندن داده های مکرر، کدگذاری داده ها و ایجاد تم تجزیه و تحلیل کرد.

فرآیند اجرایی تحلیل مضمون

تکنیک تحلیل مضمون، فرایندی برای تحلیل داده­های متنی است و داده­های پراکنده و متنوع را به داده­هایی غنی و تفصیلی تبدیل می­کند. تکنیک تحلیل مضمون، صرفاً روش کیفی خاصی نیست بلکه فرایندی است که می­تواند در اکثر روش­های کیفی به کار رود. به طور کلی، تحلیل مضمون، روشی است برای:

الف- دیدن متن؛

ب- برداشت و درک مناسب از اطلاعات ظاهراً نامرتبط؛

ج- تحلیل اطلاعات کیفی؛

د- مشاهده نظام­مند شخص، تعامل، گروه، موقعیت، سازمان و یا فرهنگ؛

ه- تبدیل داده­های کیفی به داده­های کمی.

تکنیک تحلیل مضمون روشی برای تجزیه و تحلیل داده در تحقیقات کیفی است که داده های متراکم و پراکنده را به داده هایی غنی و تفصیلی تبدیل می کند.

واژه ی ضمنی به طور کلی مبین تکرار است بنابراین اگر مسئله ای یک بار در متن داده ها آورده شود نمی توان آن را به عنوان مضمون در نظر گرفت مگر اینکه نقش برجسته ای در تجزیه و تحلیل داده ها داشته باشد. تحلیل مضمون شامل ۶ مرحله می باشد:

مرحله اول: آشنایی با داده ها

مرحله دوم: ایجاد کد های اولیه و کد گذاری

مرحله سوم: جستجو ی کد های گزینشی(مضامین پایه)

مرحله چهارم: شکل گیری مضامین سازنده

مرحله پنجم: تعریف و نامگذاری تم های اصلی

مرحله ششم: تهیه گزارش

در مرحله اول تکنیک تحلیل مضمون آشنایی با داده‌ها صورت می‌گیرد؛ در این مرحله با عمق محتوایی داده‌ها آشنا می‌شویم. مرحله دوم به ایجاد کدهای اولیه می‌پردازد؛ کدها ویژگی داده­هایی را معرفی می‌نمایند که به نظر محقق جالب می‌باشد.

در مرحله سوم  تکنیک تحلیل مضمون که جستجوی کدهای گزینشی نام دارد؛ هدف دسته‌بندی کدهای مختلف در قالب کدهای گزینشی و مرتب ­کردن همه خلاصه داده ­های کدگذاری می‌باشد.

در مرحله چهارم تکنیک تحلیل مضمون تم‌های فرعی شکل‌ می‌گیرد؛ این مرحله شامل دو مرحله بازبینی و تصفیه و شکل‌دهی به تم‌های فرعی است. مرحله اول شامل بازبینی در سطح خلاصه ­های کدگذاری شده است. در مرحله دوم اعتبار تم‌های فرعی در رابطه با مجموعه داده‌ها در نظر گرفته می‌شود.

مرحله پنجم تکنیک تحلیل مضمون به تعریف و نام‌گذاری تم‌های اصلی می‌پردازد؛ در این مرحله، تم‌های اصلی که برای تحلیل ارائه‌شده، تعریف و مورد بازبینی مجدد قرار می‌گیرد، سپس داده های داخل آن­ها تحلیل می‌شود. به‌وسیله تعریف و بازبینی­کردن، ماهیت آن چیزی که یک تم در مورد آن بحث می‌کند مشخص‌شده و تعیین می‌گردد که هر تم اصلی کدام جنبه از داده‌ها را در خود دارد. در این مرحله از میان تم‌های فرعی یک تم اصلی به دست آمد.

در مرحله آخر تکنیک تحلیل مضمون گزارش تهیه می‌شود؛ مرحله ششم زمانی شروع می‌شود که محقق مجموعه‌ای از تم‌های اصلی کاملاً انتزاعی و منطبق با ساختارهای زمینه‌ای تحقیق در اختیار داشته باشد. این مرحله شامل تحلیل پایانی و نگارش گزارش است.

تکنیک تحلیل مضمون

گام های تحلیل مضمون

مرحله ۱. آشنایی با داده‌ها: در تکنیک تحلیل مضمون برای اینکه محقق با عمق و گستره محتوایی داده‌ها آشنا شود لازم است که خود را در آن­ها تا اندازه­ای غوطه­ور سازد. غوطه­ورشدن در داده‌ها معمولاً شامل “بازخوانی مکرر داده‌ها” و خواندن داده­ها به صورت فعال (یعنی جستجوی معانی و الگوها) است.

مرحله ۲. ایجاد کدهای اولیه: مرحله دوم تکنیک تحلیل مضمون زمانی شروع می‌شود که محقق داده‌ها را خوانده و با آن­ها آشنایی پیدا کرده است. این مرحله شامل ایجاد کدهای اولیه از داده‌ها است. کدها یک ویژگی داده‌ها را معرفی می‌نمایند که به نظر تحلیل‌گر جالب می‌رسد .داده‌های کدگذاری شده از واحدهای تحلیل (تم‌ها) متفاوت هستند. کدگذاری را می‌توان به صورت دستی یا از طریق برنامه‌های نرم‌افزاری انجام داد.

مرحله ۳. جستجوی کدهای گزینشی (مضامین پایه): این مرحله تکنیک تحلیل مضمون شامل دسته‌بندی کدهای مختلف در قالب کدهای گزینشی و مرتب کردن همه خلاصه داده‌های کدگذاری شده است. در واقع محقق، تحلیل کدهای خود را شروع کرده و در نظر می‌گیرد که چگونه کدهای مختلف می‌توانند برای ایجاد یک تم کلی ترکیب شوند. در این مرحله محققان کدهای ناقص یا نامرتبط و همچنین کدهای تکراری را کنار گذاشته تا به این تعداد کد گزینشی دست یابند.

مرحله ۴. شکل‌گیری مضامین سازنده: مرحله چهارم تکنیک تحلیل مضمون زمانی شروع می شود که محقق مجموعه‌ای از تم‌ها را ایجاد کرده و آن­ها را مورد بازبینی قرار می‌دهد. این مرحله شامل دو مرحله بازبینی و تصفیه و شکل‌دهی به تم‌های فرعی است. مرحله اول شامل بازبینی در سطح خلاصه‌های کدگذاری شده است. در مرحله دوم اعتبار تم‌های فرعی در رابطه با مجموعه داده‌ها در نظر گرفته می‌شود. در این مرحله محققان به  مضامین سازنده دست پیدا کردند.

مرحله ۵. تعریف و نامگذاری تم‌های اصلی: مرحله پنجم تکنیک تحلیل مضمون زمانی شروع می‌شود که یک تصویر رضایت‌بخش از تم‌ها وجود داشته باشد. محقق در این مرحله، تم‌های اصلی را که برای تحلیل ارائه کرده، تعریف نموده و مورد بازبینی مجدد قرار می‌دهد، سپس داده‌های داخل آن­ها را تحلیل می‌کند. به وسیله تعریف و بازبینی­کردن، ماهیت آن چیزی که یک تم در مورد آن بحث می‌کند مشخص شده و تعیین می‌گردد که هر تم اصلی کدام جنبه از داده‌ها را در خود دارد. در این مرحله محقق در نهایت پس از رفت و برگشت در میان تم‌های فرعی به ۱ تم اصلی دست یافت، که در زمینه مورد نظر تحقیق قابل تبیین می‌باشد.

مرحله ۶. تهیه گزارش: مرحله ششم تکنیک تحلیل مضمون زمانی شروع می‌شود که محقق مجموعه‌ای از تم‌های اصلی کاملاً انتزاعی و منطبق با ساختارهای زمینه‌ای تحقیق در اختیار داشته باشد. این مرحله شامل تحلیل پایانی و نگارش گزارش است. که در پایان ارائه خواهد شد.

منبع

/www.sciencedirect.com

https://modireamari.org