مراحل انجام یک تحلیل آماری

مطالب ارائه شده برگرفته از کتاب "راهنمای آسان تحلیل آماری با SPSS" تالیف آقای"رامین کریمی" است.

تحلیل خوشه ای چیست؟

تحلیل خوشه ای مجموعه ای از مشاهدات را به دو یا چند گروه نامعلوم و ناسازگار متقابل طبقه بندی می کند، که بر اساس ترکیب های از متغیرهای بازه ای قرار دارند. هدف این تحلیل کشف سیستم مشاهدات سازمانی، که معمولا مردم هستند به گروه است که در آن اعضای گروه در اموال عمومی سهیم اند. در کل از لحاظ شناختی، رفتار با افراد و پیش بینی رفتار یا مالکیت ها بر اساس مشاهدات رفتاری و مالکیت های دیگر دشوار است.

تحلیل خوشه ای، گروه های نامعلوم را طبقه بندی می کند. این روش اجازه انتخاب های زیادی درباره ی طبیعت الگوریتم برای ادغام گروه ها را می دهد.هر انتخاب ممکن است، موجب ساختار گروه بندی متفاوتی شود.

به عبارت دیگر تحلیل خوشه ای روشی اصلی برای طبقه بندی توده ای از اطلاعات به ستون های معنادار قابل اجرا می باشد.این تحلیل وسیله تقلیل داده هاست که باعث ایجاد زیرگروه هایی می شود که قابل اجراتر از داده های فردی است.

خوشه بندی تقریبا در همه جنبه های زندگی روزمره اتفاق می افتد. زیست شناسان گونه های مختلف حیوانات را طبقه بندی می کنند. در پزشکی، خوشه بندی نشانه ها یا بیماری ها منجر به طبقه بندی در مورد بیماری ها می شود. در تجارت خوشه هایی از بخش های مصرف کننده اغلب به منظور سیاست های مختلف بازاریابی جستجو می شود.

تحلیل خوشه ای گروه بندی های جدیدی را به وجود می آورد بدون هیچ تصوری که از قبل فرض شده باشد در مورد این که چه خوشه هایی ممکن است به وجود آیند.

آمار توصیفی، آمار استنباطی

آمار توصیفی

آمار توصیفی، مجموعه ای از روش هایی است که برای سازمان دهی، خلاصه کردن، تهیه جدول، رسم نمودار، توصیف و تفسیر داده های جمع آوری شده از نمونه آماری به کار گرفته می شود. یک مجموعه داده آماری شامل مجموعه ای از مقادیر یک یا چند متغیر است. بنابراین، آمار توصیفی شامل آن بخش از آمار است که به ویژگی ها و آماره های مربوط به نمونه آماری تحقیق می پردازد. این آمار اغلب در قالب آماره های توصیفی، جداول یک بعدی، نمودارها، شاخص های گرایش به مرکز (مد، میانه و میانگین)و شاخص های گرایش به پراکندگی (دامنه تغییرات، واریانس، انحراف استاندارد، چولگی، کشیدگی و چارک بندی) نمایش داده می شود.

مراحل اساسی توصیف داده ها عبارت است از:

1-    خلاصه کردن داده ها و توصیف الگوی کلی

الف) فشرده کردن داده ها در قالب جدول های آماری

ب) نمایش آن ها به وسیله ی نمودار

2-    محاسبه شاخص های آماری

نقش آمار توصیفی در فرآیند تحلیل آماری بسیار مهم و حیاتی است. آمار توصیفی با خلاصه کردن داده ها، ویژگی های مهم آن ها را نمایان می سازد تا ایده های لازم را در ذهن پژوهش گر برای مرحله دوم تحلیل آماری (آمار استنباطی) ایجاد کند.

 

آمار استنباطی

آمار استنباطی مشخص می کند که آیا الگوها وفرآیندهای کشف شده در نمونه، در جامعه آماری هم کاربرد دارد یا خیر. بنابراین، آمار استنباطی راجع به ویژگی ها و پارامترهای مربوط به جامعه آماری تحقیق و کیفیت ارتباط بین مفاهیم و متغیرها می باشد. بدین ترتیب، می توان گفت که از آمار استنباطی در تجزیه و تحلیل مقایسه ای و رابطه ای (علی – همبستگی) استفاده می شود.

تفاوت اصلی آمار توصیفی و استنباطی در این است که در آمار توصیفی هیچ گاه نمی توان نتایج به دست آمده از نمونه آماری را به کل جامعه آماری تعمیم داد. چرا که هدف در این نوع آمار، ارائه توصیفی از ویژگی های نمونه آماری تحقیق به همراه شاخص های گرایش به مرکز و یا شاخص های گرایش به پراکندگی می باشد. درحالی که در آمار استنباطی و یا تحلیلی می توان نتایج و یافته های به دست آمده از نمونه آماری را به کل جامعه آماری تحقیق تعمیم داد. به عبارتی، مفهوم کانونی آمار استنباطی، تعمیم پذیری است.

به بیانی روشن تر، تفاوت اصلی یک بررسی توصیفی با یک آمار استنباط آماری این است که نتایج اولی فقط مختص به نمونه مورد بررسی است، در حالی که آمار استنباطی نتایجی را در مورد جامعه بیان خواهد کرد. از این رو آمار توصیفی همراه با عدم قطعیت و آمار استنباطی همواره با قطعیت همراه است. 

منابع:

راهنمای جامع کاربرد SPSS در تحقیقات اجتماعی، کرم حبیب پور، رضا صفری، نشر لویه

Measurement Levels – What and Why?

Measurement levels refer to different types of variables

that imply how to analyze them.Standard textbooks distinguish 4 such measurement levels or variable types. From low to high, these are

1. nominal variables;
2. ordinal variables;
3. interval variables;
4. ratio variables.

Introduction to Structural Equation Modeling

Structural Equation Modeling (SEM) is a general statistical modeling technique to establish relationships among variables. A key feature of SEM is that observed variables are understood to represent a small number of "latent constructs" that cannot be directly measured, only inferred from the observed measured variables. This course covers the theory of SEM, and includes practical work with computer software and real data. It covers the key concepts in SEM - at the conclusion of the course students will be able to specify different forms of models, using observed, latent, dependent and independent variables. Student will be able to conduct confirmatory factor analysis, and diagram SEM models.

: Preliminaries

• LISREL software installation
• PRELIS
• Data entry and Data Edit issues
• Correlation and Covariance Data Files

: Modeling

• SEM Basics
• Regression models
• Diagramming Models
• Path Analysis Models

: Measurement Models

• Exploratory vs. Confirmatory factor analysis
• Latent Variables
• CFA models

: Developing Structural Equation Models

• Combining Path and Factor Models
• 5 Basic SEM steps
  • Model Specification
  • Model Identification
  • Model Estimation
  • Model Testing
  • Model Modification