يكشنبه, ۲۶ فروردين ۱۳۹۷، ۰۸:۱۳ ق.ظ
جزوه انگلیسی آموزش نرم افزار AMOS
متغیرهای پنهان و مشاهده پذیر در #معادلات_ساختاری
🔸در تحلیل #SEM به صورت کلی دو نوع متغیر داریم. متغیر مشاهده پذیر ( Observed variable ) و متغیر پنهان ( Latent variable ) .منظور از متغیر مشاهده پذیر متغیرهایی هستند که به صورت مستقیم قابل اندازه گیری می باشند. برای مثال قد، وزن، حقوق ، فشار خون، نمره ی امتحان از جمله متغیرهای مشاهده پذیر هستند. متغیرهای پنهان به صورت مستقیم قابل اندازه گیری نیستند (رضایتمندی، وفاداری، اشتیاق و... ) .
🔹بسیاری از متغیرهایی که در علوم انسانی استفاده می شوند از جنس متغیرهای پنهان هستند. اما چطور این متغیرها را به صورت غیر مستقیم اندازه گیری می کنیم؟ برای این کار از چند متغیر مشاهده پذیر استفاده می کنیم. به عنوان مثال چند سوال طراحی می کنیم تا با استفاده از آنها مفهوم مورد مطالعه را از زوایای مختلف لمس کنیم. این سوالات را به عنوان آیتم ها ( Items ) یا نشانگرهای (Indicators) متغیر پنهان نیز می شناسیم. در واقع از آنجایی که هیچکدام از این سوالات کامل و بی عیب نیستند، با استفاده از چندین سوال ضمن کاهش خطای اندازه گیری ( Measurement error )، پایایی(Reliability ) اندازه گیری مان را بالا می بریم.
🔸برای اندازه گیری متغیرهای پنهان چند سوال طراحی می کنیم تا با استفاده از آن سوالات مفهوم مورد مطالعه را از زوایای مختلف لمس کنیم. این سوالات را نشانگرهای متغیر پنهان می نامیم. نشانگرها از نوع متغیرهای مشاهده پذیر هستند.
آزمون های معنی داری و منطق #سطح_معناداری چیست؟
🔹با کمک آزمون های معنی داری می توان پی برد که کدام تفسیر درست است. منطق این آزمون ها ساده است. اگر دو متغیر در جمعیّت فاقد رابطه باشند احتمال این که نمونه تصادفی ما بیانگر رابطه ای بین این دو متغیر باشد چقدر است؟ (یعنی احتمال دقیق نبودن نمونه تصادفی ما چقدر است؟). به عنوان مثال اگر صدبار نمونه گیری تصادفی انجام دهیم، احتمال این که یکی از آن ها نمونه غیر معرّفی باشد، یعنی بیانگر رابطه های باشد که واقعا در جمعیّت وجود ندارد چقدر است؟ معمولا گفته میشود آنجا که احتمالا از هر صد نمونه بیش از پنج نمونه بیانگر رابطه های باشند که ناشی از خطای نمونه گیری است، احتمال نادرست بودن نمونه بالاست. چه بسا نمونه خاص ما یکی از پنج نمونه باشد! در نتیجه باید گفت به احتمال زیاد رابطه مشاهده شده ناشی از خطای نمونه گیری است و فرض فقدان رابطه در جمعیّت واقعا صحیح است.
🔸گروهی از پژوهشگران محتاط ترند و معتقدند آنجا که بیش از یکی از صد نمونه بتواند برحسب تصادف رابطه های به شدت رابطه مشاهده شده ایجاد کند، آن گاه احتمال خطا زیاد است. اما اگر دریابیم که صرفا شمار بسیار اندکی از نمونه ها ممکن است رابطه مشاهده شده را ایجاد کنند میتوانیم قبول کنیم که رابطه مشاهده شده در نمونه ما واقعی و منعکس کننده رابطه در جمعیّت است.
🔹از آن جا که هرگز صدبار نمونه گیری نمی کنیم، باید برآورد کنیم که اگر صد بار نمونه گیری می کردیم چقدر احتمال داشت که نمونه ما جزء یکی از نمونه هایی باشد که صرفا بر اساس شانس و تصادف بیانگر رابطه ای به شدّت رابطه مشاهده شده در نمونه ما هستند.
🔸با کمک نظریه احتمالات میتوان احتمال واقعی نبودن رابطه مشاهده شده در نمونه را (یعنی احتمال این که ناشی از خطای نمونه گیری باشد) برآورد کرد. (در این جا به این نظریه نمی پردازیم و فقط متذکر میشویم که فرض این نظریه این است که از نمونه های تصادفی استفاده میکنیم). آزمون معنی داری آماری در واقع برآورد همین احتمال است. دامنه مقادیر این آزمونها از (۰) تا (۱) است و آنها را سطوح معنی داری میخوانند. معنای این ارقام چیست؟ گیریم سطح معنی داری ۵۰/. است. این بدان معناست که در ۵۰ نمونه از ۱۰۰ نمونه فقط بر اثر خطای نمونه گیری (شانس) رابطهای به قوّت رابطه های که ما در نمونه مشاهده کردیم دیده میشود. در این صورت احتیاط حکم میکند رابطه مشاهده شده در نمونه خود را به احتمال زیاد واقعی ندانیم و در نتیجه فرض عدم رابطه در جمعیّت رد نمیشود(تأیید می شود).
🔹اگر سطح معنی داری ۰۵/. باشد بدان معناست که فقط پنج نمونه از هر ۱۰۰ نمونه برحسب تصادف به رابطه مشاهده شده در نمونه ما منجر میشود. اگر سطح معنی داری ۰۱/. باشد به معنی واقعی نبودن رابطه در یک نمونه از هر ۱۰۰ نمونه و اگر ۰۰۱/. باشد به معنای یک نمونه در ۱۰۰۰ نمونه است. پیداست هر چه سطح معنی داری پایین تر باشد، میتوان اطمینان بیشتری به «واقعی» بودن رابطه مشاهده شده در نمونه داشت.
🔸در اینجا به نحوه محاسبه این آزمونهای آماری معنی داری نمی پردازیم. فرمول اینها در کتابهای آماری وجود دارد و با برنامه های کامپیوتری هم به راحتی میتوان آنها را حساب کرد. اما مسأله ای وجود دارد که برنامه های کامپیوتری پاسخگوی آن نیستند. اکثر برنامههای کامپیوتری سطح معنی داری را بین ۰/. تا ۰٫۰۰۱محاسبه میکنند؛ اما در چه سطحی فرضیه عدم رابطه در جمعیّت (فرضیه صفر) رد میشود؟ معمولا سطح معنی داری را ۰۵/. تا ۰۱/. را به عنوان مبنا در نظر میگیرند. اما این سطوح قراردادی و اختیاری هستند.
🔹مسألهای که در کاربرد سطح معنی داری ۰۵/. وجود دارد، سهولت رد فرض صفر (عدم رابطه) است: چه بسا فرض عدم رابطه در جمعیّت رد شود (فرض وجود رابطه تأیید شود) در حالی که واقعا رابطه های وجود نداشته باشد. چنین اشتباهی را خطای نوع اول میخوانند و بیشتر در نمونه های بزرگ پیش میآید. از این رو بهتر است در نمونه های بزرگ سطح معنی داری ۰۱/. را به عنوان مبنا در نظر بگیریم. اما اگر همواره از سطح ۰۱/. استفاده کنیم ممکن است کار به خطای نوع دوم بکشد - یعنی سختگیری بیش از حد و تصدیق فرضیه صفر در جایی که باید آن را رد کرد. احتمال چنین خطایی در نمونه های کوچک بیشتر است. طبق قاعده تجربی برای نمونه های کوچک از سطح معنیداری ۰۵/. و برای نمونه های بزرگ از سطح ۰۱/. یا کمتر استفاده میکنیم.
👈 نکته: سطح معنی داری در برنامه #SPSS به صورت #Sig گزارش میشود که در هنگام گزارش نتایج در پایانامه ها و مقالات باید به صورت مقدار (P ، (P-Valueگزارش شود.
#تحلیل_واریانس_چند_متغیره (#MANOVA):
🔸اغلب اتفاق می افتد زمانی که هدف محقق بررسی بیش از یک متغیر وابسته است، به جای استفاده از روش های چند متغیری هر بار یکی از متغیرهای وابسته را در نظر گرفته و از روش ANOVA برای تحلیل استفاده می نماید. استفاده از این روش می تواند اشکالاتی را به وجود آورد که در ادامه به بیان آن ها می پردازیم :
1️⃣ آزمون های آماری تک متغیری به طور معمول همبستگی متقابل متغیرهای وابسته را نادیده می گیرد. در حالیکه روش #MANOVA همبستگی متقابل بین متغیرهای وابسته را با بررسی ماتریس های واریانس کواریانس در نظر می گیرد.
2️⃣ روش #MANOVA محققان را قادر می سازد تا روابط بین متغیرهای وابسته را در هر سطحی از متغیرهای مستقل بررسی کنند.
3️⃣ این روش به شناسایی متغیرهای وابسته با بیشترین توان تفکیک در گروه بندی کمک می کند.
4️⃣ روش MANOVA به واسطه توان افزایش یافته در موقعیت چند متغیری می تواند تفاوت های گروهی نامشخص تحت شرایط تحلیل های آماری تک متغیری را آشکار نماید.
5️⃣ روش MANOVA سطح آلفای کلی یا میزان خطای نوع اول (یعنی احتمال این که فرض صفر درست بوده و به اشتباه رد شود)را کنترل می کند. برای مثال اگر بخواهیم تفاوت های جنسیتی(متغیر مستقل) را با چهار متغیر وابسته رضایت شغلی (پرداخت، مزایا، همکاران و محل کار) بررسی کنیم و برای این کار از چهار آزمون جداگانه #t و یا روش ANOVA استفاده نماییم، با سطح خطای ۵% برای هر آزمون با خطای نوع اول برابر ۰٫۰۵۴ مواجه خواهیم شد. در این حالات استفاده از روش MANOVA این مشکل را برطرف می کند.
مشخصات فایل عنوان: پاورپوینت درمورد آمار و مدلسازیفصل 2، )نمونه( قالب بندی: پاورپوینت تعداد اسلاید: 6 محتویات قسمتی از پاورپوینت نمونه نمونه زیر مجموعه ای از جامعه ی آماری است. حجم نمونه : تعداد اعضای نمونه را حجم نمونه گویند. نمونه ی خوب: نمونه ای است که بیانگر ویژگی های جامعه باشد. باید این دو ویژگی را داشته باشد : 1- تصادفی باشد. 2- حجم آن متناسب با حجم جامعه باشد. و . . . ...
مشخصات فایل عنوان: پاورپوینت درمورد آمار و مدلسازیفصل 6،(نمودار جعبه ای) قالب بندی: پاورپوینت تعداد اسلاید: 4 محتویات نمودار جعبه ای برای رسم نمودار جعبه ای قسمتی از پاورپوینت نمودار جعبه ای: نموداری است که به خوبی پراکندگی داده ها را نمایش می دهد. در نمودار جعبه ای 50 درصد داده ها داخل و 50 درصد داده ها خارج جعبه قرار دارند. ...✅ آزمون های آمار_استنباطی را میتوان به دو دسته آزمون تقسیم بندی کرد:
1️⃣ آزمون های #پارامتریک
2️⃣ آزمون های #ناپارامتریک
🔹آزمون #پارامتریک، آزمون هایی هستند که برای استفاده از آنها وجود برخی شرایط ضروری است که از جمله مهمترین این شرایط می توان به موارد زیر اشاره کرد:
۱- داده ها دارای توزیع نرمال باشند.
۲- داده ها دارای مقیاس فاصله ای یا نسبی باشند.
۳- نمونه ها واریانس مساوی داشته باشند.
🔹در صورتی که شرایط فوق برقرار نباشد، بایستی از آزمونهای آماری #ناپارامتریک استفاده کرد.
✅ آزمون های #پارامتریک و #ناپارامتریک:
🔸آزمون های پارامتریک، آزمون های استنباطی هستند که توان آماری بالا و قدرت پرداختن به داده های جمع آوری شده در طرح های پیچیده را دارند. آنها بیشتر فرض می گیرند که داده ها توزیع طبیعی داشته و نمونه ها واریانس مساوی دارند. آزمون های استنباطی غیرپارامتری، روندهایی می باشند که فرض های کمی در مورد داده ها و به ویژه توزیع آنها داشته و در مقایسه با روندهای پارامتری از توان کمتری برخوردارند.
🔸به ساده ترین بیان باید گفت که برای سنجش فرضیه هایی که متغیر آن ها کمی است از آمار پارامتریک استفاده می شود. متغیر های کمی به علت کمی بودن و واحد پذیر بودن از این ویژگی برخورد دارند که آنها را میانگین پذیر و انحراف معیار پذیر می کنند و به دلیل همین ویژگی معمولا برای استفاده از آزمون های پارامتریک، پیش فرض هایی لازم است که از آن جمله نرمال بودن توزیع جامعه است زیرا در حالتی که توضیع جامعه نرمال نباشد، میانگین و انحراف معیار، نمایی واقعی از داده ها را به تصویر نمی کشانند. به عنوان مثال فرض کنید، مدیری می خواهد میانگین موجودی حساب های قرض الحسنه یک بانک را محاسبه نماید. چنانچه از مجموع مشتریان بانک چند نفر وجود داشته باشند که موجودی های میلیونی داشته باشند، با این فرض میانگین کل به طور خودکار به سمت بالا میل خواهد کرد و از حالت عادی خود خارج می شود. این مسئله ساده خود را در نرمال بودن جامعه آشکار می کند. در چنین حالتی، چون مبنای تصمیم گیری عموما میانگین و سایر شاخصه های مرتبط با میانگین است با فرض انحراف از توزیع نرمال ، تصمیم گیری ها چهره ای منطقی و واقعی نخواهند داشت . بنابراین نرمال بودن توزیع جامعه یکی از اصلی ترین پیش فرض های استفاده از آمار پارامتریک است.
🔸برای سنجش فرضیه ها با متغیر های کیفی، آمار ناپارامتریک استفاده می شود. این آزمون ها، که از آن ها با عنوان «آزمون های بدون پیش فرض» نیز یاد می شود، به هیچ پیش فرض خاصی نیاز ندارد. برای مثال قضاوت درباره جنیسیت افراد با میانگین و انحراف معیار مبتنی نیست، بلکه بیشتر فراوانی هر یک از ردههای آن (مونث / مذکر) مد نظر است. در خصوص تبدیل متغیر ها باید یادآور شد که می توان که متغیر های کمی را به کیفی تبدیل نمود و آنها را با آزمون های ناپارامتریک مورد ارزیابی قرار داد، ولی عکس این عمل امکان پذیر نمی باشد برای مثال ، معدل افراد بر اساس نمره می تواند در آزمون های پارامتریک ارزیابی شود، ولی با تبدیل همین متغیر به مقوله های خوب، متوسط و ضعیف می توان آزمون های ناپارامتریک را هم در مورد آن ها به کار گرفت. شایان ذکر است که سطح دقت در آزمون های آماری پارامتریک از آزمون های آماری ناپارامتریک بیشتر است و معمولا پیشنهاد می شود که در صورتی که استفاده از آزمون های پارامتریک امکان پذیر باشد از آزمون های ناپارامتریک استفاده نشود، باید توجه داشت که بیشتر متغیر ها در علوم رفتار ی به کمک آزمون های ناپارامتریک مورد قضاوت قرار می گیرند.
🔸آزمون های آماری ANOVA ، T مستقل و وابسته، تحلیل کواریانس، ضریب همبستگی پیرسون، از جمله آزمونهای آماری پارامتریک هستندکه شهرت بیشتری داشته و مورد استفاده بیشتری دارند. زیرا فرضیه‌های مربوط به پارامتر جامعه را آزمایش میکنند. آزمونهای پارامتری را میتوان مؤثرترین آزمونها دانست ، اما شرط استفاده از این آزمونها آن است که پیش فرض‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌های اساسی آنها مراعات شود. این پیش فرض‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌ها بر چگونگی توزیع جامعه و بر روش استفاده از مقیاسی که برای به‌کمیت در آوردن داده‌ها به‌کار می‌رود ، مبتنی است.
1️⃣ هر یک از موارد مشاهده شده مستقل است. انتخاب یک مورد به انتخاب هیچ مورد دیگر وابسته نیست.
2️⃣ واریانس نمونه برابر یا تقریباً برابر است. این مطلب هنگامی که حجم نمونه کم باشد از اهمیت خاصی برخوردار است.
3️⃣ توصیف متغیرها براساس مقیاس فاصله‌ای یا نسبی انجام می‌گیرد.
✅ انواع آزمون های #پارامتریک (قسمت اول) :
🔹#آزمون_T به منظور تفاوت معناداری بین دو میانگین به کار می رود. آزمون T انواع مختلفی دارد که در ادامه به معرفی مختصر هر کدام می پردازیم:
1️⃣ #آزمون_T #تک_نمونه ای :
آزمونT تک نمونه ای زمانی مورد استفاده قرار می گیرد که یک نمونه از جامعه داریم و می خواهیم میانگین آن را با یک حالت معمول و رایج استاندارد و یا حتی یک عدد مورد انتظار مقایسه کنیم. در این آزمون فرض بر این است که نمونه ای به حجم N و میانگین M از یک جامعه انتخاب کردهایم و می خواهیم بدانیم که آیا می توان این نمونه را یک نمونه تصادفی از جامعه دانست یا خیر؟
به عبارت دیگر برای آزمون فرض پیرامون میانگین یک جامعه استفاده می شود. در بیشتر پژوهش هائی که با مقیاس لیکرت انجام می شوند جهت بررسی فرضیه های پژوهش و تحلیل سوالات تخصصی مربوط به آنها از این آزمون استفاده می شود.
2️⃣ #آزمون_T #وابسته:
در آزمون T وابسته، اعضای نمونه در دو مقطع از زمان مورد بررسی قرار می گیرند. در این آزمون تفاوت میانگین های صفت ارزیابی می شود. برای مثال اگر محقق بخواهد اثر بخشی یک دوره آموزشی را بررسی کند می بایست داده های قبل و بعد از دوره را گرداوری کرده و سپس با استفاده از این آزمون به بررسی تاثیر دوره آموزشی بپردازد. به عبارت دیگر برای آزمون فرض پیرامون دو میانگین از یک جامعه استفاده می شود. برای مثال اختلاف میانگین رضایت کارکنان یک سازمان قبل و بعد از تغییر مدیریت یا زمانی که نمرات یک کلاس با پیش آزمون و پس آزمون سنجش می شود.
3️⃣ #آزمون_T #مستقل :
جهت مقایسه میانگین دو جامعه استفاده می شود. این آزمون هنگامی به کار می رود که بخواهیم معنی داری تفاوت میانگین یک صفت را در دو نمونۀ تصادفی از دو جامعۀ مستقل مورد بررسی قرار دهیم. در آزمون T برای دو نمونه مستقل فرض می شود واریانس دو جامعه برابر است. برای نمونه به منظور بررسی معنی دار بودن تفاوت میانگین نمره نظرات پاسخ دهندگان بر اساس جنسیت در خصوص هر یک از فرضیه های پژوهش استفاده میشود.
4️⃣ #آزمون_T #ولچ :
این آزمون نیز مانند آزمون T دو نمونه جهت مقایسه میانگین دو جامعه استفاده می شود. در آزمون T ولچ فرض می شود واریانس دو جامعه برابر نیست. برای نمونه به منظور بررسی معنی دار بودن تفاوت میانگین نمره نظرات پاسخ دهندگان بر اساس جنسیت در خصوص هر یک از فرضیه های پژوهش استفاده میشود.
5️⃣ #آزمون_T #هتلینگ :
برای مقایسه چند میانگین از دو جامعه استفاده می شود. یعنی دو جامعه براساس میانگین چندین صفت مقایسه شوند.
مجموعه ای از به روزترین الگوریتم های یادگیری ماشینی و ابزاری برای پردازش داده ها می باشد. با توجه به اینکه کلیه امکانات WEKA در قالب واسط های کاربری مناسب در اختیار کاربران قرار می گیرد بنابراین کاربران میتوانند متدهای مختلف را بر روی داده های خود پیاده سازی کرده و بهترین الگوریتم را برای کار انتخاب نمایند.
🔹این نرم افزار در دانشگاه Waikato نیوزلند ایجاد شده است و نام آن از حروف اول کلمات Waikato Environment for Knowledge Analysis می باشد.
🔹این نرم افزار به زبان برنامه نویسی Java نوشته شده است و می توان آن را بر روی پلتفرمهای متفاوتی که ماشین مجازی جاوا بر روی آن نصب شده است اجرا نمود.
🔹همچنین این نرم افزار تحت مجوز GNU GPL انتشار یافته است و این بدان معناست که استفاده از آن رایگان بوده و کاربران به راحتی میتوانند به کد منبع های آن دسترسی داشته و حتی آنها را بر حسب نیاز تغییر داده و روشهای دیگری را نیز به آنها اضافه کنند.
هر نوع اطلاعاتی را روی #نمودار بیاورید.
🔹نمودار دلخواه تان را رسم کنید و سپس خروجی را با فرمت دلخواه (PNG,PFD,JPEG,SVG) ذخیره کنید.
👈سایت: 🔸 https://www.meta-chart.com
سنجش از دور و GIS مازندران ،تحلیل آماری پایان نامه با نرم_افزار های آماری مختلف مانند :
📊 SPSS, AMOS, lisrel, MATLAB (SIMULINK), smart pls, Eviews, excel, R, MINITAB, GAMS, Super Decisions, DEA solver, EXPERT CHOICE, ...
🔸و #روش های تحلیل آماری :
📊 (FUZZY) AHP, (FUZZY) ANP, (FUZZY) TOPSIS, (FUZZY) DEA, (FUZZY) ELECTRE, (FUZZY) VIKOR, (FUZZY) SAW, (FUZZY) DEMATEL, (FUZZY) MCDM, ...
🔸#فصل_سوم پایان نامه (روش شناسی تحقیق)
✅ قیمت 👈 توافقی (با تخفیف ویژه)
🔹#فصل_چهارم پایان نامه (تجزیه و تحلیل داده ها)
✅ قیمت 👈 توافقی (با تخفیف ویژه)
🔸#فصل_پنجم پایان نامه (نتیجه گیری)
✅ قیمت 👈 توافقی (با تخفیف ویژه)
🔴 ارتباط با ما: لینک ارتباط
سالها تجربه و کادری مجرب و متخصص در رشته های مختلف، پشتوانه و تضمین کننده کیفیت کاری ماست.
دریافت