آزمون های آمار_استنباطی را میتوان به دو دسته آزمون تقسیم بندی کرد:

 ✅ 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.