تحلیل آماری

تحلیل آماری چیست؟

تحلیل آماری یکی از اصلی ترین بخش های انجام پروژه های پژوهشی است. این پروژه ها مورد نیاز دانشجویان، موسسات و سازمان ها است. تحلیل آماری کمک می کند تا اهداف پژوهش به بهترین شکل ممکن دنبال شود. معمولا دانشجویان غیر آماری برای انجام تحلیل آماری مشکل دارند. برای برطرف کردن این مشکل دو راه حل مقابل آن ها قرار می گیرد. آن هایی که وقت دارند و می خواهند این مسیر را ادامه دهند یعنی پروژه های پژوهشی بسیاری را در آینده انجام دهند باید آموزش ببینند آموزش هایی مثل دوره آموزشی جامع SPSS، اما برای افرادی که وقت ندارند سفارش به شرکت های آماری بهترین گزینه است.

کار خودتان را راحت کنید

در این صفحه هر دو راه حل را دنبال می کنیم. تمامی مراحل انجام تحلیل آماری را بررسی می کنیم و مفاهیم اصلی آن را تشریح کردیم و همچنین لینک های هر مفهوم موجود است که مخاطبان می توانند آگاهی لازم نسبت به مراحل را بیابند. اما در ادامه مراحل سفارش تحلیل آماری آن را برای شما تشریح کردیم و در انتها خواهیم گفت که چرا بهتر است که آمار را برای سفارش تحلیل آماری انتخاب کنید.

در تمامی پژوهش‌ها و تحقیقات، بررسی فرضیات آن پژوهش از اهمیت ویژه‌ای برخوردار است. جهت بررسی فرضیات، پس از تعیین جامعه آماری و حجم نمونه، پژوهشگر اطلاعات مورد نیاز را جمع‌آوری می‌کند، سپس با استفاده از نرم افزارهای تخصصی آماری، داده‌های خام تجزیه و تحلیل و اطلاعات پردازش می‌شود و در اختیار استفاده‌کنندگان قرار می‌گیرد.

روش‌هاي آماري براي تجزيه و تحليل داده ها به دو دسته‌ي كلي روش‌هاي آمار توصيفي و روش‌هاي آمار استنباطي دسته بندي مي شوند.

برای انجام تحلیل‌های مرتبط با پروژه‌های پژوهشی، خود تنها کافی است در صفحه ثبت سفارش شرکت، نوع پروژه خود را ثبت کنید.

تحلیل آماری پایان نامه چیست؟

تحلیل آماری پایان‌نامه مهم‌ترین بخش پژوهش شماست. زیرا این بخش در هر پژوهش منحصر به فرد است. در واقع تحلیل آماری از زمانی که شما پروپوزال خود را تنظیم می‌کنید، شروع می‌شود. در پروپوزال مباحثی از قبیل جامعه آماری، تعیین حجم نمونه، روش گردآوری اطلاعات و روش تحلیل داده‌ها به موضوع تحلیل آماری مربوط می‌شود. اگر در زمان تنظیم پروپوزال، روش‌های مربوط به تحلیل آماری و حجم نمونه را به درستی مشخص کرده باشد، دیگر در زمان تحلیل آماری پایان‌نامه به مشکل نمی‌خورید و کار شما منظم و دقیق پیش می‌رود.

پس از همین ابتدای کار با یک متخصص آمار در این زمینه صحبت کنید. ما از شروع پروپوزال تا زمانی که از پایان‎‌نامه خود دفاع می‌کنید در کنار شما خواهیم بود و در تمامی مراحل به شما مشاوره می‌دهیم تا با اطمینان خاطر و آرامش تمام مراحل پژوهش خود را انجام دهید.

تفاوت تحلیل آماری در پایان‌نامه کارشناسی ارشد و دکتری چیست؟

.1 در پایان‌نامه کارشناسی ارشد روش تحلیل آماری شما می‌تواند براساس مطالعات قبلی باشد اما در پایان‌نامه دکتری روش تحلیل آماری شما باید کاملا جدید باشد.

.2 فرضیات در پایان‌نامه دکتری قوی‌تر از پایان‌نامه کارشناسی ارشد است. بنابراین تحلیل آماری عالمانه‌تر، قوی‌تر و دارای نوآوری بیشتری است.

3. در پایان‌نامه دکتری باید از تحلیل آماری خود نظریه‌ای جدید ارائه دهید اما در پایان‌نامه کارشناسی ارشد به این موضوع نیازی نیست.

.4بخش تحلیل آماری در مقطع دکتری باید مفصل و کامل تنظیم شود اما در مقطع کارشناسی ارشد توضیحات مختصری از آزمون‌ها و نتایج آنها کافیست.

انواع آزمون‌ها و روش‌های آماری پایان نامه‌ها

برخی از آزمون‌ها و روش‌های پرکاربرد مانند: آزمون‌های همبستگی (پیرسون، اسپیرمن و… )، آزمون‌های استقلال (کی‌دو و… )، آزمون‌هایT، آنالیز واریانس، انواع رگرسیون، انواع سری‌های زمانی، معادلات ساختاری، تحلیل مسیر و تحلیل‌های عاملی، انواع خوشه بندی و طبقه‌بندی، روش‌های بررسی روایی و پایایی و … با توجه به اهداف و فرضیات محقق، اغلب در پایان نامه‌ها مورد استفاده قرار می‌گیرند.

تحلیل آماری مقاله چیست؟

هر مقاله دارای چند بخش است: چکیده، مقدمه، مبانی نظری، روش پژوهش، یافته‌ها و نتیجه‌گیری. شما در بخش روش پژوهش و یافته‌ها، باید روش تحلیل آماری و نتایجی که از تحلیل آماری به‌دست آورده‌اید را بیان کنید. همچنین قسمتی از بخش نتیجه‌گیری نیز مربوط به یافته‌های پژوهش می‌شود. پس می‌توانیم نتیجه بگیریم که تحلیل آماری در مقاله شما اهمیت فراوان دارد. درصورتی که روش تحلیل آماری شما صحیح، به‌روز و متناسب با اهداف پژوهش باشد، می‌توانید مطمئن باشد که به راحتی مقاله شما پذیرش می‌شود.

چرا تحلیل آماری اهمیت دارد؟

تحلیل آماری اهمیت فراوانی دارد زیرا که یکی از موضوعات مهمی است که در زمان دفاع پایان‌نامه، داوران از آن سوال می‌پرسند و به آن دقت می‌کنند. همچنین داورانی که مقاله شما را بررسی می‌کنند، به قسمت تحلیل آماری شما توجه ویژه‌ای دارند.

تحلیل ‌های مورد نیاز شرکت‌ها

تحلیل بازار و بازارسنجی، کنترل کیفیت آماری، تولید نرم افزار در ارتباط با واحد تعمیر و نگهداری، تحلیل داده‌های حجیم سازمانی، تجمیع و خلاصه نتایج پروژه ها با استفاده از آمار توصیفی در قالب طرح‌های اینفوگرافیکی و داشبوردها، مشاوره و اجرای طرح‌های نظرسنجی و بازارسنجی، بازبینی موضوعی دیتا و تحلیل در قالب‌های توصیفی و استنباطی، مشاوره به اشخاص حقیقی و حقوقی به منظور تصمیم‌گیری در اجرای پروژه‌های تحقیقاتی و عملیاتی، انجام مطالعات مستقیم در حوزه جمعیت شناسی شامل بررسی ساختار و ترکیب جمعیتی، تحولات و حرکات جمعیت و پیش‌بینی‌های جمعیتی در سطح شهر و روستا، مدل‌سازی آماری و اجرای طرح‌های آمارگیری نمونه‌ای-ثبتی، غیرنمونه‌ای، نظرسنجی، اقتصادسنجی و سنجش افکار.

فعالیت های تخصصی در زمینه قابلیت، اطمینان سیستم ها و تجهیزات و پیش بینی، شاخص های طول عمر با استفاده از علم فازی و ارتقاء واحد تعمیر و نگهداری، ارتقاء گارانتی محصولات با ضریب اطمینان بالا، تحلیل و آنالیز داده‌های مرتبط با محصولات، تجهیزات و کارخانجات صنعتی، آنالیز داده‌های واحد کنترل کیفیت و مشاوره کنترل کیفیت کارخانه‌ها شامل مباحث SPC و SQC و روش‌های نمونه‌برداری در کنترل کیفیت و…تحلیل بازار و بازارسنجی

تحلیل بازار در فعالیت های تجاری به معنی ارائه خدمات تحلیل اطلاعات مربوط به بازار، صنعت و کلیه نتایج و یافته های تحقیق در مورد کسب و کار است. این خدمات می تواند در زمان پیش از شروع فعالیت تجاری، زمان شروع فعالیت یا در مراحل بعدی آن به شرکت ها ارائه شود. مدیران فعالیت های تجاری نیازمند شناخت کافی نسبت به مشتریان، رقبا یا صنایع به منظور جذب مشتریان جدید و توسعه فعالیت تجاری خود هستند که این مهم با تحلیل وضعیت بازار اتفاق خواهد افتاد.

با استفاده از نتایج تحلیل بازار می توان از مسائل زیر مطلع شد:

تحلیل اقتصادی و پیش بینی درآمدها و هزینه ها
خوشه بندی مشتریان براساس ویژگی‌های رفتاری آنها و شناسایی مشتریان وفادار
استراتژی توسعه شرکتی و برنامه‌ریزی سناریوهای موجود

تحلیل آماری چه بخش هایی دارد؟

عموما به دو بخش کلی تقسیم می‌شود:

آمار توصیفی:

آمار توصیفی آن دسته از علم آمار است که با دسته‌بندی، طبقه‌بندی، خلاصه‌سازی، نمایش ترسیمی و تلخیص داده‌ها سروکار دارد. در آمار توصیفی برای خلاصه‌سازی داده‌ها از جداول و نمودارها و محاسبه مقادیری مانند میانگین، میانه، نما، واریانس، انحراف معیار و … استفاده می‌شود.

هدف اصلی آمار توصیفی، تهیه اطلاعات به صورت یک فرم مناسب، قابل استفاده و قابل فهم است. واضح است که از داده‌های خام به تنهایی نمی‌توان اطلاعاتی کسب کرد و باید تا آنجا که می‌توان آن‌ها را به وسیله نمودار و یا چند عدد که شاخص و معرف آن است، خلاصه نمود. برای خلاصه کردن داده‌ها روش‌های زیر متداول است:

جداول
نمودارها
معیارهای عددی

آمار استنباطی:

آمار استنباطی آن دسته از علم آمار است که مشخص می‌کند، الگوهایی که از نمونه مورد مطالعه پژوهش به‌دست آمده را می‌توان به جامعه آماری تعمیم داد یا خیر؟ در آمار استنباطی آزمون‌های متفاوتی داریم. که این آزمون‌ها می‌توانند پارامتری و یا ناپارامتری باشد. آزمون‌های پارامتری برای داده‌هایی انجام می‌شود که دارادی توزیع نرمال باشند و آزمون‌های ناپارامتری برای داده‌هایی انجام می‌شود که ویژگی مورد نظر را نداشته باشد.

در واقع تفاوت اصلی آمار توصیفی و آمار استنباطی در این است که نتایج به‌دست آمده از آمار توصیفی را نمی‌توان به جامعه آماری تعمیم داد اما در آمار استنباطی می‌توان نتایج حاصله را به جامعه آماری تعمیم دهیم.

ابزار لازم برای انجام تحلیل آماری چیست؟

همان‌طور که می‌دانید انجام تحلیل آماری بدون استفاده از ابزار آن غیرممکن است. حال باید ببینیم ابزار تحلیل آماری چیست؟ ابزار تحلیل آماری در واقع همان نرم‌افزارهای آماری مانند SPSS, SAS, Stata, R, Eviews, Amos, Lisrel, Smart PLS, … هستند. با استفاده از نرم‌افزارهای گفته شده می‌توان تحلیل آماری خود را انجام و نتایج پژوهش خود را تفسیر کنید.

تحلیل آماری خود را چه زمانی باید انجام دهید؟

در صورتی که شما در مرحله تنظیم پروپوزال در مقطع کارشناسی ارشد و یا دکتری هستید و یا تصمیم دارید مقاله‌ای را به چاپ برسانید، قسمتی از ذهن شما درگیر روش پژوهشتان می‌شود. پس در شروع کار باید روش تحلیل آماری خود را درنظر بگیرید. همانطور که می‌دانید مواردی که مربوط به تحلیل آماری می‌شود شامل: نوع و روش پژوهش، جامعه آماری، حجم نمونه، روش تحلیل داده‌ها، ورود داده‌ به نرم افزار، انجام مراحل آزمون در نرم افزار، تحلیل خروجی و بحث و نتیجه‌گیری فرضیات پژوهش است.

در نتیجه قسمت اعظمی از پژوهش شما به تحلیل آماری اختصاص می‌یابد و باید در ابتدای پژوهش خود به آن نگاه ویژه‌ای داشته باشید. در صورتی که خودتان می‌خواهید تحلیل آماری خود را انجام دهید، می‌توانید در کنار مشاوران آمار با بهترین کیفیت، پروژه خودتان را انجام دهید. اگر تصمیم دارید خودتان تحلیلتان را انجام دهید و نیاز به آموزش دارید، می‌توانید با متخصصان و مدرسان آمار آموزش ببینید و از مشاوره رایگان ما جهت انجام پروژه خود استفاده کنید.

اما اگر فرصت یادگیری ندارید و یا به هر دلیلی می‌خواهید پروژه خود را به افراد متخصص واگذار کنید، ما می‌توانیم پروژه شما را با بهترین کیفیت و کوتاهترین زمان انجام دهیم. همچنین شما می‌توانید تا زمان دفاع و یا پذیرفته شدن مقاله خود از مشاوره رایگان آمار استفاده کنید.

موسسه ما با بهره‌گیری از کادری مجرب و مسلط به نرم‌افزارهایی مانند R، SPSS، Amos، smart PLS، مجموعه آفیس Excel، PowerPoint، Word، Access، Lisrel، Eviews، Minitab، MAXQDA، ExpertChoice، ArcGIS و… آماده خدمت‌رسانی به دانشجویان، دانش پژوهان، شرکت‌ها، مؤسسات مختلف و… در جهت رفع نیازهای آماری آنان است.

انواع نرم‌افزارهای مورد نیاز تحلیل‌های آماری

بعضی از نرم‌افزارها جامع هستند و پاسخگوی اغلب نیازهای محققین برای تحلیل داده‌ها، در تمام رشته‌ها و مطالعات هستند و برخی به منظور انجام محاسبات برای نوع خاصی از مطالعات هستند و در زمینه‌ها و مطالعات دیگر کاربرد ندارند. نرم افزارهایی مانند R، SAS، Stata و SPSS از جمله نرم‌افزارهای جامع هستند. نرم افزارهای دیگری مانند Eviews، Microfit و Gpower از جمله نرم افزارهایی هستند که در زمینه‌های خاصی کاربرد دارند.

این مجموعه با بهره‌گیری از کادری مجرب و مسلط به نرم‌افزارهایی مانند R، SPSS، Amos، smart PLS، مجموعه آفیس Excel، PowerPoint، Word، Access)، Lisrel، Eviews، Minitab، MAXQDA، ExpertChoice، ArcGIS و… آماده خدمت‌رسانی به دانشجویان، دانش پژوهان، شرکت‌ها، مؤسسات مختلف و… در جهت رفع نیازهای آماری آنان است.

تحلیل آماری پایان نامه با spss

در تحقیقات و پژوهش‌های انجام شده، یکی از مهمترین موضوعات در صحت نتایج حاصله، تحلیل داده‌های خام است. نرم افزار spss یکی از کاربردی‌ترین و مهمترین نرم افزارهای تحلیل داده ها برای تمامی رشته‌ها از جمله مدیریت، رشته‌های مرتبط با علوم پزشکی و پیراپزشکی، روانشناسی و … است. در تمامی پژوهش‌هایی که با نرم افزار spss انجام می‌شود نتایج حاصله در صورتی صحیح و قابل استناد است کـــه تعیین حجم نمونه، ورود داده‌ها به نرم افزار، انتخاب آزمون آماری، تحلــیل نتایج به درستی انجام شـــده باشد.

این مجموعه، مجری تخصصی تحلیل آماری تحقیقات و پژوهش های علمی بوده که با هدف افزایش کیفیت پژوهش ها و تحقیقات علمی در حال فعالیت است. این مرکز با حضور متخصصان مجرب و مسلط به نرم افزار spss ، آماده ارائه خدمات در زمینه تحلیل های آماری تحقیقات مختلف است. ما با هدف جلب رضایت شما محققین گرانقدر، سه اصل سرعت، دقت و به صرفه بودن خدمات را به عنوان اصول راهبردی خود انتخاب نموده و بر آن پایبند است.

تحلیل‌های آماری به عنوان جزء جدایی ناپذیر در پاسخگویی به نیازهای دانشجویان، دانش پژوهان، شرکت‌ها، مؤسسات مختلف و… (اعم از تحلیل مقاله، پایان نامه، پروژه‌های دانشجویی، ارائه ها، بررسی سود و زیان و بهینه سازی مخارج شرکت‌ها، کنترل کیفیت آماری و… ) است. بر آن است که با بهره‌گیری از نرم افزارهای مختلف )مانند Excel، R، SPSS، PLS و(…دانشجویان و شرکت‌ها را در رسیدن به اهداف پژوهشی و آماری خود یاری نماید. امروزه با توجه به فراگیر شدن شبکه‌های اجتماعی، بهره‌گیری از متخصصین آمار در شهرهای دیگر، به سادگی فراهم شده است. این مجموعه اعلام می‌دارد که با بهره‌گیری از مختصصین مجرب و کادری حرفه‌ای، پذیرای سفارشات شما از کلیه نقاط کشور (مشهد، تهران، شیراز، اصفهان، مازندران و… ) و نیز مشاوره (پایان نامه، مقاله، پروپوزال (پیشنهاده)، آموزش و انجام تحلیل‌های آماری فصل چهارم دانشجویان تمامی رشته‌ها (مدیریت، حسابداری، روانشناسی و… ) است.

آشنایی با نرم افزار SPSS

آشنایی با نرم افزار SPSS، نصب صحیح نرم افزار SPSS، آشنایی با منو‌های نرم افزار، چگونگی ورود داده در نرم افزار SPSS، آمار توصیفی در SPSS

معرفی نرم افزار SPSS

نرم افزار spss مخفف Statistical Packager for Social Sciences است. برای اولین بار این نرم افزار پرکاربرد در علوم اجتماعی مورد استفاده قرار گرفت.

اين نرم افزار هم اكنون در ساير رشته ها از جمله علوم پزشكي، تربيت بدني، مديريت، مهندسي، جغرافيا، كشاورزي، آموزش رياضي و … كاربرد زيادي دارد. محققان می‎‌توانند از این نرم افزار برای ترسیم نمودارهای آماری، محاسبات آمار توصیفی، انجام آزمون‌های آماری و … استفاده کنند.

با SPSS چه تحلیل‌هایی می‌توان انجام داد؟

با استفاده از نرم افزارspss مباحث مرتبط با آمار توصیفی به شرح ذیل را می‌توان انجام داد:

جداول فراوانی
انواع نمودارهای آماری
محاسبه شاخص‌های مرکزی
محاسبه شاخص‌های پراکندگی

با استفاده از نرم افزار spss مباحث مرتبط با آمار استنباطی به شرح ذیل را می‌توان انجام داد:

سنجش پایایی (قابلیت اطمینان پرسشنامه)
آزمون‌های پارامتری و ناپارامتری مربوط به میانگین جامعه
طرح اندازه‌گیری مکرر
سنجش همبستگی بین متغیرها
رگرسیون
تحلیل عاملی اکتشافی
خوشه‌بندی

تحلیل آماری پایان نامه با استفاده از مدل‌سازی معادلات ساختاری

مدل‌سازی معادلات ساختاری یکی از پرکاربردترین روش‌های تحلیل آماری در پژوهش‌هاست. در مدل‌سازی معادلات ساختاری روابط بین متغیرها به طور هم‌زمان بررسی می‌شود. به این معنی که هم‌زمان تاثیر متغیرهای مستقل پژوهش بر متغیر وابسته مورد سنجش قرار می‌گیرد. به زبان ساده‌تر اگر بخواهیم تاثیر ویژگی‌های شخصیتی مدیران که شامل برون گرایی، داشتن روحیه توافق، وجدان کاری، ثبات عاطفی و تجربه اندوزی می‌شود را بر بهره وری عملکرد کارکنان بسنجیم از مدلسازی معادلات ساختاری استفاده می‌کنیم.

ما با حضور کارشناسان خبره و متخصص مسلط به نرم افزارهای LISREL, AMOS, Smart PLS پروژه های تحقیقاتی شما را با استفاده از روش مدل سازی معادلات ساختاری با بهترین کیفیت و بالاترین سرعت انجام می‌دهیم.

مدل‌سازی معادلات ساختاری تحلیل چند متغیری از خانواده رگرسیون چند متغیری است و کاربرد اصلی آن در موضوعات چند متغیره‌ای است که نمی‌توان آن را به صورت دو متغیره انجام داد. به زبان ساده‌تر تاثیر هم‌زمان متغیرهای مستقل بر متغیر وابسته را می‌خواهیم مورد بررسی قرار دهیم و نمی‌خواهیم هر بار یک متغیر مستقل در مقابل متغیر وابسته مورد سنجش قرار گیرد.

معرفی نرم افزارهای مدل سازی معادلات ساختاری

مدل سازی معادلات ساختاری به بررسی مجموعه ای از روابط وابستگی به طور هم‌زمان می پردازد. استفاده از این روش، زمانی مفید است که یک متغیر وابسته در روابط وابستگی بعدی تبدیل به یک متغیر مستقل می شود. این مجموعه روابط، اساس مدل یابی معادلات ساختاری را تشکیل می دهد.

LISREL, AMOS, EQS, Smart PLS چهار نرم افزار پرکاربرد مدل‌سازی معادلات ساختاری هستند که نرم افزارهای LISREL, AMOS, EQS متعلق به نسل کواریانس محورها (نسل اول معادلات ساختاری) هستند و نرم افزار Smart PLS متعلق به نسل مولفه محورها (نسل دوم معادلات ساختاری) است.

نسل اول مدل سازی معادلات ساختاری (Covariance-based SEM Techniques)

این روش‌ها که به روش های کواریانس محور معروف هستند، توسط جورسگوک (۱۹۶۹) معرفی شدند. هدف اصلی این روش ها تأیید مدل است که برای این کار به نمونه هایی با حجم بالا نیاز دارند. در این روش به تخمین ضرایب مسیرها و بارهای عاملی با استفاده از به حداقل رساندن تفاوت بین ماتریس های واریانس-کواریانس مشاهده شده و پیش بینی شده می‌پردازند.

ماتریس واریانس-کواریانس مشاهده شده توسط واریانس و کواریانس محاسبه شده بین متغیرهای مکنون به دست می‌آید. پرکاربردترین رویکرد محاسبه ضرایب در روش‌های نسل اول، رویکرد تخمین حداکثر احتمال است که نیاز به داده‌های مربوط به متغیرهای مشاهده شده (سوال‌ها) دارد که این متغیرها حتما باید از توزیع نرمال پیروی کرده باشند.

نسل دوم مدل سازی معادلات ساختاری(Component-based SEM Techniques)

روش‌های مولفه محور که بعدا به روش حداقل مربعات جزئی (Partial Least Squares) تغییر نام دادند، توسط ولد (1974) ابداع شد. این روش از دو مرحله تشکیل شده است: 1) سنجش مدل های اندازه گیری با معیارهای مربوط به پایایی و روایی . 2) سنجش بخش ساختاری با استفاده از ضرایب t.

طی سال‌های اخیر استفاده از روش PLS و نرم افزارهای مربوط به آن نسبت به روش های نسل اول مثل لیزرل، آموس و ای کیو اس، بیشتر شده و این به خاطر مزیت هایی است که روش PLS نسبت به روش نسل اول دارد. این رویکرد به جای باز تولید ماتریس کوواریانس تجربی، بر بیشینه سازی واریانس متغیرهای وابسته که توسط متغیرهای مستقل پیش‌بینی می‌شوند تمرکز دارد.

این رویکرد همانند رویکرد لیزرل، از بخش ساختاری که نمایانگر روابط بین متغیرهای پنهان و بخش اندازه گیری که نشانگر روابط متغیرهای پنهان با نشانگرهایشان است، تشکیل شده است. در رویکرد (PLS) بخش ساختاری، مدل درونی (Inner model) و بخش اندازه گیری مدل بیرونی (Outer model) نام دارد. اما رویکرد (PLS) علاوه بر این دو بخش دارای بخش سومی نیز هست، که نسبت های وزنیWeight relations نام دارد.

این بخش جهت برآورد مقادیر موردها(Case value) برای متغیرهای پنهان مورد استفاده قرار می گیرد (نمرات افراد در متغیرهای مکنون). برخلاف رویکرد مبتنی بر کوواریانس که ابتدا پارامترهای مدل برآورده شده و سپس مقادیر موردها از طریق برگشت دادن آنها به مجموعه تمام نشانگرها، برآورد می شود(مانند مقادیر برآورد شده برای هر متغیر پنهان در هر مجموعه از داده ها)، در رویکرد (PLS) ابتدا مقادیر موردها محاسبه می شود.

با نرم افزارهای معادلات ساختاری چه کارهایی می‌توان انجام داد؟

تحلیل عاملی تاییدی

در مدل‌هاي عاملي فرض بر اين است که نمرات هر مورد مطالعه در يک متغير، در واقع منعکس کننده وضعيت آن مورد در يک عامل زيربنايي‌تر است که به دليل پنهان بودنش امکان اندازه‌گيري مستقيم آن وجود ندارد. به زبان ساده‌تر در تحلیل عاملی تاییدی به دنبال آن هستیم که آیا مدلی با تعداد عامل‌های درنظر گرفته شده بر اساس تئوری و مبانی نظری با مدل مشاهده شده و بارهای عاملی به‌دست آمده انطباق دارد یا خیر؟

مدل‌هاي عاملي تاییدی (مرتبه اول و يا مرتبه بالاتر) مي‌توانند تک عاملي، ‌دوعاملي، ‌سه عاملي و يا با تعداد عامل‌هاي بيشتر باشند. تعداد عامل‌ها در يک مدل عاملي در واقع به تعريف عملياتي پژوهشگر از مفاهيم مورد نظرش در پژوهش مربوط مي‌شود.

تحلیل عاملی مرتبه اول

در تحلیل عاملی تاییدی مرتبه اول (First order confirmatory factor analysis) رابطه بین عامل یا عامل‌ها (متغیرهای پنهان) با گویه‌ها (متغیرهای مشاهده‌پذیر) مورد سنجش قرار می‌گیرد. در تحلیل عاملی مرتبه اول رابطه بین متغیرهای پنهان مورد بررسی قرار نمی‌گیرد. در واقع تنها يک لايه از متغير يا متغيرهاي پنهان در مدل وجود دارد. در اين مدل متغير مورد نظر به عنوان يک عامل پنهان، خود بعدي از ابعاد يک عامل پنهان در مرتبه بالاتر نيست. جهت پيکان‌ها از سمت متغير در نقش يک عامل پنهان به سمت ابعاد چندگانه به اين دليل با اهميت روش شناختي صورت مي‌گيرد که بالا يا پايين بودن نمره افراد در ابعاد چندگانه مورد نظر در واقع منعکس کننده بالا يا پايين بودن متغير پنهان مورد نظر براي آن گروه از افراد است. به عبارت ديگر مي‌توان گفت به اين دليل که افراد اگر در متغير پنهان داراي نمره بالايي باشند در ابعاد نيز نمره بالايي مي‌گيرند (و بالعکس).

تحلیل عاملی مرتبه دوم

در تحلیل عاملی تاییدی مرتبه دوم (Second order confirmatory factor analysis) یک سازه بزرگ خود از چند متغیر پنهان تشکیل شده است. مدل عاملي مرتبه دوم را به عنوان نوعي از مدل‌هاي عاملي تعريف مي‌کنيم که در آن عامل‌هاي پنهاني که با استفاده از متغيرهاي مشاهده شده اندازه‌گيري مي‌شوند خود تحت تاثير يک متغير زيربنايي‌تر و به عبارتي متغير پنهان، اما در يک سطح بالاتر قرار دارند. چنين موقعيتي باعث مي‌شود تا نوع متغيرهاي حاضر در يک مدل عاملي مرتبه دوم و همچنين پارامترهاي آزاد آن در مقايسه با مدل عاملي مرتبه اول تفاوت قابل توجهي داشته باشد. در تحلیل عاملی تاییدی مرتبه دوم علاوه بر بررسی رابطه متغیرهای مشاهده‌پذیر با متغیرهای پنهان، رابطه متغیرهای پنهان با سازه اصلی خود نیز بررسی می‌شود. مدل‌هاي عاملي مرتبه دوم با وجود کاربردي بودن کمتر مورد استفاده پژوهشگران قرار مي‌گيرند که يکي از دلایل مهم آن مشکلاتي است که اين نوع از مدل‌ها در مرحله تشخیص مدل با آن مواجه مي‌شوند. در مرحله تشخيص، ‌امکان برآورد پارامترها با توجه به اطلاعات موجود در ماتريس کوواريانس مشاهده شده بررسي مي‌شود. اگر تنها يکي از پارامترها امکان برآورد نداشته باشند آن پارامتر را نامشخص مي‌نامند. چنانچه در يک مدل تنها يک پارامتر نامشخص وجود داشته باشد آن مدل نامشخص بوده و نرم افزارهاي مدل‌سازي امکان برآورد ساير پارامترهايي که در مدل مشخص هستند را نيز ندارند. در چنين وضعيتي معمولا پژوهشگر مايل است برخي از پارامترهاي آزاد در مدل را به عنوان پارامتر ثابت فرض کند تا مدل مشخص شده و امکان برآورد پارامترها فراهم شود.

برازش مدل‌هاي اندازه‌گيري(Measurable Models Goodness Fit)

يکي از روش‌هاي جامع و مفيد که نويسندگان اغلب براي انتخاب نوع مدل‌هاي اندازه‌گيري در مدل مفهومي پژوهش خود از آن استفاده مي‌کنند روش چهار قاعده اي جارويس و همکاران است. اين چهار قاعده براي مدل‌هاي سازنده و انعکاسي به شرح زير است:

جهت رابطه علت و معلولي بين سازه و شاخص:

جهت رابطه علت و معلولي در مدل سازنده از سوال پرسشنامه به متغير تحقيق ترسيم مي‌گردد در حالي که در مدل انعکاسي اين جهت از سمت متغير به سمت سوال پرسشنامه است. در اين تحقيق مدل انعکاسي است.

همبستگي متقابل بين سوال‌هاي هر متغير:

در مدل سازنده همبستگي متقابل بين سوالات حتمي نيست در حالي که در مدل انعکاسي سوالات حتما همبستگي زيادي با هم دارند.

تغيير همزمان سوالات با هم:

در مدل سازنده تغيير در يک سوال، لزوما تغيير در سوالات ديگر را به همراه ندارد در حالي که در مدل انعکاسي انتظار مي‌رود که با تغيير در يک سوال، آثار تغيير در تمامي سوالات ديگر نيز نمايان شود.

پيش‌بين‌ها و پيامدهاي سوالات يک متغير:

در مدل سازنده لزوما سوالات پيش‌بين‌ها و پيامدهاي يکساني ندارند در حالي که در مورد مدل انعکاسي سوالات حتما پيش‌بين‌ها و پيامدهاي يکساني دارند.

برازش مدل ساختاري Structure Model Goodness Fit

بعد از بررسي برازش مدل‌هاي اندازه‌گيري نوبت به برازش مدل ساختاري پژوهش مي‌رسد. همانگونه که قبلا اشاره شد، بخش مدل ساختاري بر خلاف مدل‌هاي اندازه‌گيري، به سوالات (متغيرهاي آشکار) کاري ندارد و تنها متغيرهاي پنهان همراه با روابط ميان آنها بررسي مي‌گردد.

برازش مدل کليTotal Model Goodness Fit

مدل کلي شامل هر دو بخش مدل اندازه گيري و ساختاري مي شود و با تاييد برازش آن، بررسي برازش در يک مدل کامل مي شود.

معيار GOF Goodness Of Fit:

معيار GOF مربوط به بخش کلي مدل هاي معادلات ساختاري است. بدين معني که توسط اين معيار محقق مي تواند پس از بررسي برازش بخش اندازه گيري و بخش ساختاري مدل کلي پژوهش خود، برازش بخش کلي را نيز کنترل نمايد. معيار GOF توسط تننهاوس و همکاران (Tenenhaus et al) در سال 2004 ابداع شد و فرمول آن در زير آمده است.

Communality مقادير اشتراکي = اين مقدار از ميانگين مجذور بارهاي عاملي هر متغير به دست مي‌آيد.

Communality √= از ميانگين مقادير اشتراکي هر متغير درون زاي مدل به دست مي‌آيد.

R² =ميانگين مقادير R Square متغيرهاي درون زاي مدل است.

تحلیل مسیر

تحلیل مسیر یا path analysis جهت و شدت رابطه بین متغیرها را نشان می‌دهد. به زبان ساده تر در تحلیل مسیر به بیان روابط بین متغیرهای تحقیق می‌پردازیم. آن مقادیری که جهت و میزان تاثیر بین متغیرها را نشان می‌دهد ضریب مسیر نام دارد.

تحلیل آماری پایان نامه با استفاده از Expert choice

یکی از نرم افزارهایی که برای انجام تحلیل سلسله مراتبی (AHP) استفاده می‌شود، نرم افزار Expert Choice است. این نرم افزار در مهندسی صنایع، عمران، معماری و… کاربردهای فراوانی دارد. نرم افزار Expert Choice توانایی‌های بسیار زیادی از جمله طراحی نمودار سلسله مراتبی، تعیین اولویت‌ها و محاسبه اوزان، محاسبه نرخ ناسازگاری و تحلیل حساسیت را دارد.

قابلیت‌های کلیدی نرم افزار Expert choice چیست؟

ابزاری قدرتمند برای تصمیم گیری چند معیاره بر اساس تکنیک سلسله مراتبی
طراحی نمودار سلسله مراتبی
محاسبه وزن نهایی معیارها و تعیین اولویت‌ها
قابلیت تحلیل حساسیت نسبت به تغییر در پارامترهای مساله
محیط کاربری آسان و قابل درک
امکان استفاده از نمودارها و گراف ها برای ارائه نتایج و عملکردها
امکان ترکیب نتایج و تعیین بهترین گزینه
سازگار با نسخه های مختلف ویندوز

مراحلی که پژوهشگر در انجام تحلیل سلسله مراتبی باید انجام دهد:

۱– تعریف مسئله و مشخص کردن هدف

هدف از انجام پژوهش چیست؟ و شما چه کاری می‌خواهید انجام دهید؟

مثلا: انتخاب مکان مناسب برای احداث زمین ورزشی، خرید خودرو، انتخاب بهترین روش برای تصمیم‌گیری، خریداری لپ تاپ مناسب

۲- مشخص کردن معیارها

معیارهایی که برای انتخاب گزینه مناسب می‌خواهیم چیست؟

مثلا برای انتخاب مکان مناسب برای احداث زمین معیارهای زیر می‌تواند مدنظر قرار گیرد:

زمان پیاده‌سازی پروژه، مساحت زمین، محیط اطراف زمین، میزان نشست زمین، امنیت و…

۳- تکمیل پرسشنامه

در این مرحله پس از طراحی و یا تایید پرسشنامه زوجی توسط باید پژوهشگر پرسشنامه را بین خبرگان توزیع و داده‌ها را جمع‌آوری کند.

مراحلی که در انجام تحلیل سلسله مراتبی می‌تواند انجام داد:

۱- ساختن درخت سلسله مراتبی

در مرحله اول با توجه به معیارها و گزینه‌هایی که پژوهشگر مشخص کرده است درخت سلسله مراتبی رسم می‌شود که در آن تمامی معیارها، زیرمعیارها و گزینه‌ها به وضوح مشخص می‌شود.

۲- طراحی پرسشنامه خبرگان

در این مرحله پرسشنامه زوجی خبرگان که تمامی معیارها به صورت دو به دو با هم مقایسه می‌شوند، طراحی می‌شود. برای امتیازدهی در پرسشنامه از مقیاس نه درجه ساعتی استفاده می‌شود.

۳- مقایسه زوجی و تعیین وزن معیارها

در مرحله بعدی با استفاده از اطلاعات جمع‌آوری شده توسط پژوهشگر مقایسه زوجی انجام و وزن هر عامل مشخص می‌شود که وزن هر عامل، اهمیت آن عامل را نسبت به عوامل دیگر نشان می‌دهد.

۴- مقایسه زوجی گزینه ها بر اساس معیارها

در این مرحله بعد از محاسبه وزن هر عامل، حال باید گزینه‌ها به صورت زوجی براساس عامل‌ها با هم مقایسه شوند.

۵– محاسبه نرخ ناسازگاری

جهت بررسی قابلیت اطمینان در پرسشنامه زوجی خبرگان نمی‌توانیم از آلفای کرونباخ استفاده کنیم و در اینجا از نرخ ناسازگاری استفاده می‌شود. به زبان ساده تر می‌خواهیم بدانیم خبرگان شرکت کننده در این پژوهش تا چه اندازه جواب‌های نزدیک به هم و سازگار داده‌اند.

۶– محاسبه اولویت های نهایی

حال در مرحله نهایی با استفاده از وزن گزینه‌ها و عامل‌ها، بهترین گزینه انتخاب می‌شود.

تحلیل آماری پایان نامه با Eviews

آشنایی با نرم افزارEviews، آشنایی با بخش‌های نرم افزار، چگونگی ساخت فضای کاری در نرم افزار، چگونگی ورود داده و گرفتن خروجی در نرم افزار Eviews

معرفی نرم‌افزار ایویوز :(Eviews)

نرم افزار Eviews یکی از نرم افزارهای تخصصی در زمینه اقتصاد سنجی است که این نرم افزار جهت تحلیل و آنالیز دادهای اقتصادی مانند داده‌های پنل و یا سری زمانی مورد استفاده قرار می‌گیرد. یکی از ویژگی‌های نرم افزار Eviews استفاده راحت از نوار ابزار و منوی این نرم افزار با کمک گزینه‌های راهنما است.

چه کارهایی می‌توان با نرم‌افزار EViews انجام داد؟

بسیاری از تحلیل‌های مربوط به داده‌های زمانی را به وسیله این نرم‌افزار می‌توان انجام داد که برخی از آنها عبارتند از: هموارسازی، مدل‌های ARIMA، مدل‌های خانواده‌های ARCH، مدل‌های پویا، مدل‌های VAR، فضای‌حالت و…

هموارسازی:

در این روش فرض می‌شود که داده‌هایی که در طی زمان در فاصله نزدیکی از هم قرار دارند، احتمالا مقادیر نزدیک به همی نیز دارند. از این رو می توان با روش‌هایی مثل میانگین‌گیری متحرک خط‌های متحرک و… بعضی از عوامل تصادفی را حذف کرد و داده‌ها را هموار نمود (فراز و نشیب‌های تند داده‌ها را از بین برد) که در این صورت رفتار و روند داده‌ها بهتر نمایان می‌شود.

مدل‌های: ARIMA

این مدل که توسط باکس و جنکینز معرفی شد، برای مدل‌سازی و پیش‌بینی سری‌های زمانی تک متغیره و ایستا کاربرد دارد. این روش که در حوزه آمار پارامتری قرار دارد، دارای پیش‌فرض‌هایی نظیر ناخودهمبستگی باقیمانده‌ها و… است.

مدل‌های خانواده‌های ARCH:

در مدل‌های ARIMA واریانس داده‌ها را ثابت در نظر می‌گرفتیم، اما اگر واریانس داده‌ها به صورت خوشه‌ای از یک دوره به دوره‌ی بعدی به صورت شرطی تغییر پیدا کند دیگر نمی‌توان واریانس را ثابت در نظر گرفت. در این صورت باید از مدلی کمک گرفت که تغییرات شرطی در واریانس را تبیین می‌کند به نام مدل ARCH.

مدل‌های پویا:

در این مدل‌ها یک یا چندین تأخیر یا تقدم متغیر وابسته و یا مستقل در مدل حضور دارند. در این صورت شروط علی و معلولی مدل نقض می‌شود و باید از روش‌های مخصوصی برآورد ضرایب مدل صورت بگیرد. کاربرد اینگونه مدل‌ها زمانی است که یا بر اساس مدل نظری باشد و یا برقراری پیش‌فرض‌ها نیازمند آن باشد.

مدل‌های VAR:

این مدل‌، یکی از مدل‌های موفق و انعطاف‌پذیر برای تحلیل کردن سری‌های زمان چند متغیره است. این مدل بسط مدل AR تک متغیره به حوزه سری‌های زمانی چندمتغیره پویاست. در این الگو هر متغیر تابعی از وقفه‌های خود و متغیرهای دیگر است.

فضای‌ حالت:

این مدل، حالت کلی مدل‌های چند متغیره سری زمانی، رگرسیونی و پویاست که به فرم ماتریسی نمایش داده می‌شود.

بنابراین با نرم‌افزاری روبه‌رو هستیم که پاسخ‌گوی اغلب نیازهای محققان در زمینه‌های اقتصادسنجی و تحلیل‌های داده‌های زمانی است.

این نرم افزار قابلیت‌های مختلف خود را در قسمت‌های مختلفی گذاشته است که با کمی تمرین می‌توان آن‌‌ها را به‌خوبی فراگرفت.

خدمات آماردر خصوص تحلیل آماری چیست؟

ما در آمار می‌توانیم در خصوص تحلیل آماری پروژه تحقیقاتی شما، تحلیل آماری پایان‌نامه در مقطع کارشناسی ارشد و دکتری، روش پژوهش و یافته‌های مقاله، روش پژوهش و جامعه آماری در پروپوزال، وارد نمودن اطلاعات و داده‌ها در نرم افزار، مشاوره آماری، آموزش نرم افزارهای آماری به صورت مجازی، مشاوره در جهت تنظیم پرسشنامه، تعیین روایی و پایایی پرسشنامه و … به شما کمک کنیم.

مراجعه کنندگان ما چه کسانی هستند؟

دانشجویان تحصیلات تکمیلی که در حال تنظیم پروپوزال هستند و در خصوص روش‌های آماری پروپوزال نیاز به راهنمایی دارند.
دانشجویان تحصیلات تکمیلی که برای تنظیم فصل ۳ و ۴ پایان‌نامه نیاز به مشاوره دارند.
محققان و دانشجویانی که پرسشنامه‌های خود را تکمیل کرده‌اند و یا آزمایش‌های مربوطه را انجام داده‌اند و نیاز دارند داده‌ها و اطلاعات را در نرم افزار وارد کنند.
محققان و دانشجویانی که داده‌های خود را در نرم افزار وارد کرده‌اند و نیاز به انجام آزمون‌های آماری دارند.
محققان و دانشجویانی که خروجی نرم افزار را گرفته‌اند اما نمی‌توانند آن را تحلیل کنند.
محققان و دانشجویانی که پرسشنامه را تنظیم کرده‌اند و نیاز به سنجیدن روایی و پایایی آن دارند.

تمایز آمار نسبت سایر شرکت‌های آماری چیست؟

محققان و پژوهشگران عزیز در صورتی که پروژه تحلیل آماری خود را تیم متخصص آمار بسپارید از مزایای زیر بهره‌مند می‌شوید:

تحلیل آماری شما توسط متخصصان با تجربه و با انگیزه آمار که دارای مدرک تحصیلی تخصصی آمار در مقاطع ارشد و دکتری هستند انجام می‌شود. در نتیجه کار شما با بالاترین کیفیت انجام می‌شود.
یکی از مهم‌ترین دغدغه‌های محققان این است که بعد از انجام پروژه ممکن است به تیم تحلیل دسترسی نداشته باشند. اما گروه آمار با حضور در مرکز رشد دانشگاه فردوسی مشهد این دغدغه را از محققان مرتفع نموده است. در نتیجه نیاز شما به پشتیبانی تا انتهای پروژه و یا تا زمان دفاع برطرف می‌شود.

خدماتی که آمار در زمینه تحلیل آماری ارائه می دهد

ما در آمار تعداد زیادی از نیازهای شما محققان و پژوهشگران محترم را فراهم می‌کنیم. در این قسمت می‌خواهیم شما را با تعدادی از پرکاربردترین تحلیل‌هایی که آمار انجام می‌دهد آشنا کنیم. آمار تحلیل‌های مختلفی را با استفاده از نرم‌افزارهای SPSS, Amos, Lisrel, Smart PLS, Expert Choice, SPSS Modeler, Minitab, … انجام می‌دهد. تعدادی از تحلیل‌هایی که تیم متخصص برای محققان و پژوهشگران انجام می‌دهد شامل موارد زیر است.

پایایی پرسشنامه:

برای سنجش سازگاری(پایایی همگنی) درونی(داخلی) پرسشنامه، روش‌های مختلفی وجود دارد که یکی از پرکاربردترین آن‌ها ضریب آلفای کرونباخ است که براساس میانگین کواریانس (و یا همبستگی) سوالات (گویه‌ها، آیتم‌ها) موجود در یک پرسشنامه (آزمون) بدست می‌آید. زمانی که چندین خرده مقیاس در پرسشنامه موجود است، آلفا به تفکیک خرده مقیاس ها (جدا جدا) محاسبه می‌شود. در واقع ضریب آلفای کرونباخ و ضریب پایایی مرکب از جمله روش هایی برای سنجش سازگاری درونی پرسشنامه است.

روایی پرسشنامه:

روایی پرسشنامه (اعتبار پرسشنامه) به این معناست که وقتی می خواهیم پرسشنامهای طراحی کنیم، آیا این پرسشنامه با اهداف در نظر گرفته شده مطابقت دارد یا خیر؟ روایی پرسشنامه انواع مختلف دارد که دو روش اصلی آن شامل روایی درونی و روایی بیرونی است.

روش‌های نمونه‌گیری و تعیین حجم نمونه:

حجم نمونه، تعداد اعضایی از جامعه است که در نمونه حضور پیدا می‌کنند. این تعداد چه قدر باید باشد؟شاید ساده‌ترین و رایج‌ترین پاسخ به این سوال بدین صورت باشد: هر چه حجم نمونه بیش‌تر باشد بهتر است! خبر تکان‌دهنده این است که طبق قوانین آمار استنباطی، این باور عمومی اشتباه است!!! ازدیاد نامتناسب حجم نمونه، تنها باعث افزایش نامتناسب دقت می‌شود اما کیفیت نتایج نهایی را افزایش نمی‌دهد.

حجم نمونه را نباید بر اساس باورهای نادرست تعیین کرد، چرا که ممکن است نتایج نامطلوبی به دست بیاید. پس چگونه باید حجم نمونه را تعیین نمود؟ پاسخ این است که حجم نمونه را باید با توجه به شرایط عمومی و شرایط اختصاصی هر مسئله تعیین کرد. منظور از شرایط عمومی، شرایطی هستند که در هر مسئله‌ی آزمون فرضیه جدا از نوع و هدف آن وجود دارند.

آمار توصیفی:

آزمون‌های t:

آزمون t برای تعیین اختلاف معناداری میانگین یک گروه با یک مقدار پیش فرض و یا میانگین های دو گروه به کار می روند. این تعاریف را شاید در بسیاری از کتاب ها دیده باشید اما فارغ از تعریف های آماری که با اصطلاحات بسیار سخت آغاز می شود با مثالی این آزمون را برای شما بهتر توضیح می دهیم فرض کنید معلمی می خواهد نمرات دانش آموزان را در دو ترم تحصیلی و یا نمرات دانش آموزان دو کلاس را با هم مقایسه کند، آنگاه می تواند از آزمون های t استفاده کند. همچنین معلم می تواند تاثیر کلاس های تقویتی را بر نمرات دانش آموزان بسنجد.

آنالیز واریانس یکطرفه:

آنالیز واریانس یک‌ طرفه (one-way ANOVA) میانگین‌های دو یا تعدادی بیشتر از گروه‌های مستقل در جامعه را مقایسه می‌کند و هدفش این است که مشخص کند آیا شواهد آماری وجود دارد که میانگین آن گروه‌ها به طور معنی‌دار متفاوت هستند یا خیر. آنالیز واریانس یک‌طرفه یک آزمون پارامتری است. این آزمون‌ با این نام‌ها نیز شناخته می‌شود: آنوای تک‌عاملی، آنوای یک‌طرفه و آنوای بین‌عاملی.

آنالیز واریانس دوطرفه:

آنالیز واریانس دوطرفه تفاوت‌های میانگین بین گروه‌هایی را که در بین دو متغیر مستقل (عامل) تقسیم شده‌اند مقایسه می‌کند. هدف اولیه از آنالیز واریانس دوطرفه فهمیدن آن است که آیا اثر متقابل بین دو متغیر مستقل بر روی متغیر وابسته معنی‌دار است یا خیر. به عنوان مثال می‌توانیم از آنالیز واریانس دوطرفه برای بررسی این که آیا اثر متقابل بین جنسیت و سطح تحصیلات بر آزمون اضطراب دانشجویان وجود دارد استفاده کنیم که در آن جنسیت (مرد/زن) و سطح تحصیلات (لیسانس/تحصیلات تکمیلی) متغیرهای مستقل هستند و آزمون اضطراب متغیر وابسته است.

تحلیل واریانس چند متغیره:

تحلیل واریانس چندمتغیره مانوا (MANOVA) در زمره روش‌های تحلیل واریانس قرار دارد. تحلیل واریانس چندمتغیره یک‌طرفه (مانوای یک‌طرفه) برای تعیین این امر استفاده می‌شود که آیا تفاوتی بین گروه‌های یک متغیر مستقل در بیش از یک متغیر وابسته پیوسته وجود دارد یا خیر. هم چنین اگر بخواهیم اثر دو متغیر مستقل را بر بیش از یک متغیر وابسته بسنجیم، آن گاه باید از مانوای دوطرفه استفاده کنیم.

آنالیز کوواریانس:

آنالیز کوواریانس یا آنکوا، نوعی آنالیز و تحلیل همانند آنوا (ANOVA) است و هرگاه در آنالیز واریانس بخواهیم اثر متغیرهای مداخله‌گر را به روش‌های آماری حذف کنیم تا نتایج با دقت بیشتری به دست آید از آنالیز کوواریانس استفاده می‌شود. در این روش هم از کنترل آماری استفاده می‌شود و هم از واریانس، به‌عبارت‌ بهتر به جای تحلیل واریانس تحلیل کوواریانس مورد استفاده قرار می‌گیرد. درحقیقت آنکوا (ANCOVA) مدل ادغام شده آنوا (ANOVA) و همچنین رگرسیونی برای متغیرهای پیوسته است. تحلیل کوواریانس مناسبترین آزمون آماری برای طرح پیش آزمون و پس آزمون ٢ گروهی است.

آزمون رتبه‌بندی فریدمن:

آزمون رتبه بندی فریدمن (Friedman test)، معادل ناپارامتری آزمون تحلیل واریانس یک‌طرفه با اندازه‌های تکراری است. از آزمون فریدمن برای رتبه‌بندی متغیرها (گروه‌های وابسته به هم یک متغیر مستقل) نیز می‌توان استفاده کرد. فرض کنید می‌خواهیم اثربخشی یک روش جدید آموزش زبان بر یادگیری زبان را بررسی کنیم. برای این کار، زبان‌آموزان یک کلاس از یک مؤسسه آموزش زبان را به عنوان نمونه انتخاب کرده‌ایم و پیشرفت زبان‌آموزی آن‌ها را تحت روش جدید آموزشی در طی یک ماه مورد سنجش قرار داده‌ایم.

آزمون من ویتنی:

آزمون من ویتنی (Mann–Whitney U test) یک آزمون ناپارامتری است. آزمون من ویتنی معادل آزمون تی استودنت دو نمونه مستقل است. در این آزمون یک متغیر هدف داریم که می‌خواهیم بدانیم آیا بین دو گروه جداگانه از افراد یا اشیا دارای تفاوت است یا خیر. به عنوان مثال، نظر افراد راجع به طعم یک نوع بستنی را در نظر بگیرید که در قالب سه گزینه «خوب»، «متوسط» و «بد» ارائه می‌شود. حال می‌خواهیم بدانیم آیا بین نظر کودکان با نظر بزرگسالان در مورد این بستنی تفاوتی وجود دارید یا خیر. در این صورت می‌توانیم از آزمون من ویتنی استفاده کنیم.

آزمون کای دو:

آزمون کای دو یا خی دو و یا مربع کای ازمونی است که فراوانی های مورد انتظار را با فراوانی های تحقیق مقایسه می کند تا مشخص شود آیا تفاوت معنا داری بین این دو فراوانی وجود دارد یا خیر. دو نوع آزمون کای ۲ وجود دارد که هر کدام به منظوری متفاوت استفاده خواهند شد.

آزمون کای دو برای نیکویی برازش که برای تحلیل یک متغیر رده‌ای به کار می‌رود. به این صورت که اگر اختلافی در فراوانی میان رده‌های پاسخ وجود داشته باشد، آزمون کای دو برای نیکویی برازش آن را نشان می‌دهد. آزمون کای دو برای استقلال که برای تعیین رابطه‌ی بین دو متغیر رده‌ای از این آزمون کای دو استفاده می‌کنیم (جدول توافقی).

آزمون کروسکال والیس:

آزمون کروسکال والیس (Kruskal–Wallis H test) یک آزمون ناپارامتری مبتنی بر رتبه است که می تواند برای تعیین تفاوت‌های آماری معنی دار بین دو یا چند گروه از یک متغیر مستقل بر یک متغیر وابسته پیوسته یا ترتیبی استفاده شود. در واقع در این آزمون می‌خواهیم بیازماییم که نمونه ها از یک توزیع پیروی می‌کنند یا خیر یا به عبارت دیگر فرض صفر ما برابر بودن میانگین گروه‌هاست و فرضیه مقابل نیز نابرابر بودن این میانگین‌ها در حداقل یک گروه است. این روش برای بررسی کردن دو یا چند گروه نمونه با تعداد نمونه‌های یکسان یا متفاوت به‌کار می‌رود.

بررسی نرمال بودن داده‌ها:

روش‌های نرمال بودن داده‌ها دارای دو نوع کلی هستند . برخی از آن‌ها بر مبنای آزمون‌های آماری و برخی دیگر بر مبنای بررسی‌های بصری هستند. آزمون‌های آماری دارای این مزیت هستند که قضاوت عینی درباره نرمال بودن را فراهم می‌کنند، اما نقص آن‌ها این است که به اندازه کافی در حجم نمونه کوچک حساس نیستند و در حجم نمونه بزرگ نیز بیش از حد حساس هستند. به همین علت، برخی از آماردان‌ها ترجیح می‌دهند از نمودارها استفاده کنند که توسط آن‌ها می‌توان قضاوت ذهنی درباره نرمال بودن انجام داد.

آزمون کلوموگروف اسمیرنوف:

آزمون کولموگروف اسمیرنف یکی از آزمون‌هایی که نام آن را برای بررسی نرمال بودن زیاد شنیده‌ایم. برای استفاده از بسیاری از روش‌های آماری معروف، لازم است داده‌ها از توزیع نرمال پیروی کنند. در حقیقت برای بسیاری از آزمون‌های پارامتری باید داده‌ها دارای توزیع نرمال باشند. به همین علت، لازم است پیش از استفاده از این آزمون‌ها، با بهره‌گیری از روش‌های آماری، درباره نرمال بودن داده‌های مورد بررسی اطمینان حاصل کنیم. بنابراین کاربرد آزمون کولموگروف اسمیرنوف در تعیین نرمال بودن داده‌ها است. اما این آزمون، تنها روش برای بررسی نرمال بودن نیست و روش‌های گوناگون دیگری نیز برای این منظور وجود دارند.

تحلیل عاملی اکتشافی:

تحلیل عاملی اکتشافی در حالتی است که پژوهشگر هیچ ایده‌ای درباره ساختار داده‌ها یا تعداد ابعاد متغیرهای خود ندارد. تحلیل عاملی اکتشافی، یکی از تکنیک‌های کاهش داده‌ها است که تعداد زیادی متغیر را به مجموعه‌ کوچکتری از عامل‌های مهم تبدیل می‌کند به‌طوری که اطلاعات ضروری موجود در متغیرها خلاصه می‌شود. اکثر اوقات، زمانی‌که محقق بخواهد ساختار مجموعه‌ای از متغیرها را خلاصه کند، تحلیل عاملی به‌عنوان یک تکنیک اکتشافی به‌کار می‌رود.

همبستگی:

همبستگی میزان و نوع ارتباط بین دو متغیر را نشان می‌دهد. فرض کنید می‌خواهیم ارتباط بین میزان هوش و نمره تحصیلی را بسنجیم. در این صورت آزمون همبستگی را انجام می‌دهیم و ضریب همبستگی را محاسبه می‌کنیم. اگر ضریب همبستگی بین دو متغیر مثبت باشد یعنی ارتباط مستقیم بین دو متغیر وجود دارد و اگر منفی باشد یعنی ارتباط معکوس بین دو متغیر وجود دارد.

همبستگی کانونی:

همبستگی کانوني شبیه رگرسیون چند متغیری است، به این معنا که در این روش ترکیبی از متغیرهای پیش بینی کننده به منظور پیش بینی متغیر ملاک به کار برده می‌شود، تفاوت این دو روش در تعداد متغیرهای ملاک است. در رگرسیون چند متغیری فقط یک متغیر ملاک وجود دارد، در صورتی که همبستگی کانوني بیش از یک متغیر ملاک دارد.

رگرسیون خطی:

در مباحث مربوط به رگرسیون ما به دنبال یافتن رابطه بین متغیر وابسته (پاسخ) و مجموعه‌ای از متغیرهای مستقل (پیشگو) هستیم. در رگرسیون خطی ساده فقط یک متغیر پیش‌بینی کننده داریم. در حالی که در رگرسیون خطی چندگانه بیش از یک متغیر پیش‌بینی کننده داریم. به عنوان مثال وقتی می‌خواهیم بررسی کنیم که آیا میزان ضریب هوشی دانش‌آموزان بر معدل آنها تاثیرگذار هست یا نه؟ از رگرسیون خطی ساده استفاده می‌کنیم.

اما زمانی که می‌خواهیم بررسی کنیم، آیا میزان ضریب هوشی و ساعت مطالعه در هفته دا‌نش‌آموزان بر معدل آنها تاثیرگذار هست یا نه؟ از رگرسیون خطی چندگانه استفاده می‌کنیم. در حالت اول برای پیش‌بینی متغیر پاسخ تنها یه متغیر مستقل داریم اما در حالت دوم برای پیش‌بینی متغیر پاسخ دو متغیر ضریب هوشی و ساعت مطالعه در هفته را داریم.

رگرسیون لجستیک:

رگرسیون لجستیک تکنیکی آماری است برای نشان دادن تاثیر متغیرهای کمی یا کیفی بر متغیر وابسته دو وجهی (دو طبقه ای). تحلیل رگرسیون لجستیک شبیه تحلیل رگرسیون خطی است ولی با این تفاوت که در رگرسیون خطی متغیر وابسته متغیری کمی است اما در رگرسیون لجستیک متغیر وابسته متغیری کیفی و دو وجهی است.

در رگرسیون لجستیک نیز متغیرهای مستقل کیفی یا باید متغیری دو وجهی باشند یا به متغیر ظاهری دو وجهی تبدیل شوند. در رگرسیون لجستیک که متغیر وابسته متغیری دو وجهی است تاثیر متغیرهای مستقل بر آن به صورت نقش هر متغیر مستقل بر احتمال وقوع یک طبقه خاص متغیر وابسته نشان داده می‌شود.

رگرسیون گام به گام:

همون‌طور که می‌دانیم رگرسیون، بررسی اثر چند متغیر مستقل بر متغیر وابسته است. به عنوان مثال بررسی تاثیر ویژگی‌های شخصیتی مدیران بر عملکرد کارکنان زیرمجموعه می‌تواند نمونه‌ای از رگرسیون باشد. در رگرسیون گام به گام (stepwise) تمامی متغیرهای مستقل وارد مدل می‌شوند و آن متغیرمستقلی که تاثیر چندانی بر متغیر وابسته نداشته باشد از مدل حذف می‌شود. روش رگرسیون گام به گام در واقع ترکیبی از دو روش پیش‌ رونده و پس‌رونده است.

تحلیل مسیر:

تحلیل مسیر تکنیکی آماری است که با استفاده از معادلات رگرسیون خطی استاندارد (معادلات رگرسیون خطی بر حسب ضرایب رگرسیون استاندارد) به میزان انطباق یک مدل علی نظری با واقعیت (داده‌ها) می‌پردازد. به عبارت دیگر تحلیل مسیر تکنیکی برای آزمون تجربی مدل علی نظری است. علاوه بر این اگر مدل علی نظری با داده‌های جمعیتی معین انطباق داشته باشد می‌توان انواع اثرات (اثر مستقیم و غیرمستقیم و کاذب و خالص) تک تک متغیرهای مستقل بر متغیر وابسته مدل علی نظری را نیز حساب کرد.

روش دلفی:

برای تدوین پرسشنامه نیاز به متغیرها و یا شاخص‌هایی داریم که برای ارزیابی فرضیات از آنها استفاده کنیم. گاهی اوقات برای بررسی اهداف، پرسشنامه‌های استاندارد با شاخص‌های مشخصی وجود دارد اما زمانی که برای تصمیم‌گیری شاخص‌ها اطلاعات کافی در اختیار نداریم از روش دلفی استفاده می‌کنیم.

مدل‌سازی معادلات ساختاری:

مدل سازی معادلات ساختاری (SEM) روشی آماری است که در بسیاری از رشته‌ها از جمله روان‌شناسی، علوم رفتاری، جامعه‌شناسی، علوم اجتماعی، اقتصاد، حسابداری، پزشکی و … مورد استفاده قرار می‌گیرد. این روش می‌تواند به عنوانی ترکیبی از تحلیل عاملی و رگرسیون یا تحلیل مسیر در نظر گرفته شود. نکته جالب در مورد مدل‌های معادلات ساختاری، همان سازه‌های نظری (theoretical constructs) آن هستند که توسط متغیرهای پنهان نشان داده می‌شوند.

تحلیل عاملی تاییدی:

تحلیل عاملی تاییدی یکی از دو نوع اصلی تحلیل عاملی است. تحلیل عاملی تاییدی که به طور مخفف CFA نامیده می‌شود، تعیین توانایی یک مدل از پیش تعیین‌شده در برازش به داده‌ها را سنجش می‌کند. تحلیل عاملی تاییدی برای حالتی است که ایده‌ای خاص درباره این که ساختارها داده‌ها چگونه است و تعداد ابعاد حاضر در متغیرها داریم. در این حالت، تحلیل عاملی تأییدی برای بررسی و تأیید ایده ما به کار می‌رود.

طرح آزمایشات:

طرح آزمایشات الگوهای ابداع شده‌ای هستند که برای انجام آزمایشات مقایسه‌ای مورد استفاده قرار می‌گیرند. آزمایش در اینجا به کلیه عملیاتی اطلاق می‌شود که برای رد یا قبول یا تکمیل فرضیه‌ای بکار می‌روند.

تحلیل سلسله مراتبی:

فرآيند تحليل سلسله مراتبي (AHP) براي تصميم‌گيري با معيارهاي چندگانه به‌کار می‌رود زیرا با استفاده از این مدل می‌توان معیارها را به صورت سلسله مراتبی با هم مقایسه کرد. این معیارها می‌توانند کمی و یا کیفی باشند. به عنوان مثال می‌خواهیم چندین مکان را برای احداث سالن ورزشی با هم مقایسه کنیم. این مکان‌ها دارای ویژگی‌های متفاوت هستند. تمام معیارهایی که برای انتخاب یک سالن ورزشی مناسب باید در نظر گرفته شود را بررسی کرده‌ایم. می‌خواهیم با استفاده از این معیارها زمین‌های مناسب را شناسایی و اولویت بندی کنیم. برای اینکار از روش تحلیل سلسله مراتبی استفاده می‌کنیم و با توجه به نظرات خبرگان تصمیم‌گیری چندمعیاره را انجام می‌دهیم.

تحلیل خوشه‌ای:

طبقه بندی پدیده‌ها یا متغیرها از ارکان هر علمی است و تحلیل خوشه‌ای یکی از روش‌های تحلیل چند متغیره است که برای طبقه بندی عناصر یا متغیرها و تشخیص گروه‌های همگن به کار می‌رود. تحلیل خوشه‌ای طبقه بندی عناصر یا متغیرها به گروه‌های همگن است به گونه‌ای که عناصر (یا متغیرهای) هر گروه دارای بیشترین شباهت با هم و کمترین شباهت با عناصر (یا متغیرهای) گروه‌های دیگر باشند.