تتاي ترتيبي:

 

در سال 1974 آمارداني به نام آمور در مورد استفاده از آلفاي کرونباخ آماردانان ديگر را به چالش کشيد. استدلال او اين بود که آلفاي کرونباخ بر علاوه بر نارايب بوده (نارايبي مثبت)، بر اساس شاخص هاي تعريف و محاسبه مي گردنند که مربوط به داده هاي با مقياس فاصله اي و يا نسبتي هستند، بنابراين استفاده از آلفاي کرونباخ براي محاسبه اي ميزان پايائي پرسش نامه هاي که حاوي سوالات ترتيبي هستند دقيق به نظر نمي رسد. او براي رفع اين مشکل شاخص جديدي تحت عنوان تتاي ترتيبي به صورت زير ارائه داد.

که  بيشترين مقدار ويژه در تحليل مولفه اي اصلي مي باشد. اخيرا زامبو، گادرومن، و زيسر (2007) به مطالعه اين شاخص پرداخته و با چندين مثال شبيه سازي شده نشان دادند که ضريب آلفاي کرونباخ هميشه مقدار پاياي را کم برآورد مي کند. بنابراين توصيه مي شود که در هنگامي که داده ها ترتيبي هستنند به جاي آلفاي کرونباخ از تتاي ترتيبي استفاده شود.

 

یک راه حل کلی برای بدست آوردن کوتاهترین فاصله اطمینان در یک خانواده از توزیعها

برای بدست آوردن کوتاهترین فاصله اطمینان پارامترهای مجهول توزیعهایی که تکیه گاه آنها به پارامتر مجهول بستگی دارد٬روشهایی در کتابهای کلاسیک آمار ریاضی و برخی مقالات ارایه شده است.در این مقاله یک راه حل مناسب کلی برای یافتن کوتاهترین فاصله اطمینان  برای پارامترهای مجهول یک خانواده از توزیع ها با تکیه گاه وابسته به پارامتر مجهول ارایه می شود.

مبحث فاصله اطمینان یا برآورد فاصله ای٬یکی از مهمترین مباحث آماری است که کاربردهای گسترده ای در سایر علوم دارد.

برای درک بیشتر مطالب این مقاله توصیه می شود فصل ششم کتاب مبانی آمار ریاضی دکتر پارسیان مطالعه شود.به عنوان نمونه٬مثال شماره یک این مقاله٬ دقیقا همان مثال6 - 14 صفحه 270 کتاب دکتر پارسیان است. شما با خواندن این مقاله٬با سرعت عمل بیشتری می توانید مثال هایی از این دست را حل کنید.

کوتاهترین فاصله اطمینان(برای دانلود راست کلیک کرده و save target as)

استنباط آماري (Statistical Inference)، برآورد فاصله اطمينان ميانگين جامعه

برآورد فاصله اطمينان ميانگين جامعه :

مفهوم فاصله اطمينان :

برآورد فاصله‌اي  عبارت از تخمين فاصله‌اي است كه از  تا  كه انتظار مي‌رود ميانگين مجهول جامعه در آن فاصله قرار گيرد. اين فاصله بستگي دارد به :

1-   ميانگين نمونه تصادفي منتخب از آن جامعه، .

2-    مشخص بودن توزيع نمونه‌گيري .

نمي‌توانيم صددرصد مطمئن باشيم كه يك چنين فاصله‌اي دربرگيرنده ميانگين مجهول جامعه  است، زيرا اين فاصله بر اساس اطلاعات حاصل از يك نمونه تصادفي ساخته شده است كه معمولاً بخش كوچكي از جامعه است. برآورد فاصله اطمينان براي  آنچنان برآوردي است كه با ذكر درجه اعتماد ما به قرار گرفتن  در آن فاصله همراه است.

 

روش تحقیق کیفی بهتر است یا کمی

شما تا حالا به نوع روش تحقیق در ژایان نامه خودتان فکر کردید؟ آیا می دانستید که بیشترین تحقیقات در زمینه مدریت و علوم انسانی نمی توان با روش تحقیق کمی سنجید؟

روش تحقیق یکی از مهمترین اصول کار در پروژه شما می باشد چرا که در پیوندی است بین چهارچوب نظری و تحلیل داده هاُ به عبارتی می توان گفت که روش تحقیق عبارت از ذهن محقق و نتایج تحقیق می باشد. اگر نباید از این مطلب دور شد که کل  اجزای پروژه به هم وابسته اند.

بیشترین تحقیقات امروژی از روش تحقیق کمی استفاده کرده اند و چند سال اخیر دیده می شود که دانشگاهیان و اساتید به روش تحقیق کیفی اهمیت می دهند و آن را اساس تایید پروپوزال می دانند. دلیل که به این متن در وبلاگ خودم اهمیت می دهم این است که روش تحقیق بستگی به اهداف پروژه دارد. اما می توان گفت اموژه با سرعت پیشرفت تکنولوژی و ایجاد تغییرات فرهنگی در جامعه ما نیازمند این هستیم که روش تحقیق کیفی را توسعه بدهیم چرا که محققی که با روش تحقیق کیفی به انجام مراحل پروژه می پردازد بهتر و اساسی تر می تواند به جمع آوری اطلاعات دست یابد. تحقیق کیفی را می توان به ذهنیت افراد و نگرشهای آنان نسبت به پدیده های اجتماعی نزدیکتر دانست. اگر خیلی از امار و اطلاعات وجود دارند که با استفاده از آنها ما می توانیم به اطلاعات و تفسیر نتایج بهتری دست یابیم. بیشترین تحقیقات کیفی با انجام مراحل جمع آوری نیازمند نرم افزار آماری  برای تفسیر نتایج می باشند. تجربه اینجانب در راهنمایی های مختلف در پایان نامه ها نشان می دهد که محققان با انجام روش تحقیق کمی در انتهای پایان نامه یا مقاله خودشان دچار یک سردرگمی می باشند. چرا که انتخاب نوع روش تحقیق می تواند در نتایج و تحلیل اطلاعات تاثیر بسزایی داشته باشد.

کمی گرایی و کیفی گرایی

زمانی که بحث از روش در علوم اجتماعی پیش می آید بلافاصله یک طبقه بندی دوگانه مطرح می شود که این روش ها را به روش‌های کمی و روش های کیفی تقسیم می کنند و تا اندازه ای نیز به صورت از پیش تعیین شده روش های کمی را خاص جامعه شناسی و روش های کیفی را خاص انسان شناسی قلمداد می کنند. این امر که در ایران بسیار ریشه دار و رایج است، در کشورهای دیگر از جمله در مراکز اصلی تولید علوم اجتماعی نیز قابل مشاهده است چنانکه اگر فرانسه‏‏، امریکا یا بریتانیا را نیز بگیریم به نظر می رسد که محور اصلی مناقشات میان انسان شناسان و جامعه شناسان را مباحث روش شناختی تشکیل می دهد. با این همه شاید بتوان در تفکری عمیق تر تا اندازه ای از این دوگرایی فاصله گرفت و از ترکیبی از این دو گونه روش نام برد که بسیار بیشتر با روح بین رشته ای انسان شناسی انطباق دارد تا قرار دادن این رشته در یک قالب تقلیل دهنده و محدود کننده و الزام بخشیدن به آن برای تبعیت از روش های کیفی.

نکته ای که باید ما را از این دوگرایی تا اندازه ای ساده انگارانه جدا کند این است که بسیار گفته و شنیده ایم که طرفداران روش های کمی آنها را تنها روش های قابل اعتماد می دانند زیرا با ”عدد و رقم“ و ”واقعیت های قابل شمارش“ در آنها سروکار وجود دارد و برعکس روش های کیفی را تحقیر می کنند زیرا به باور آنها دامنه تفسیر پژوهشگر می تواند تا بی نهایت و تا حد بی معنی شدن نتایج پیش رود. و از سوی دیگر نیز گفته و شنیده ایم که طرفداران روش های کیفی، روش های کمی را به دلیل یکسان سازی تصنعی که از خلال عددی کردن موضوع به وجود می آورند فاقد اعتبار و به خصوص در همان زمینه ای که بیش از هر چیز دیگر ادعایش را دارند یعنی تعمیم پذیری انحرافی می دانند. و برعکس روش های کیفی را به دلیل ”عمیق “ و ”ژرفا نگر“ بودنشان تنها روش های قابل اعتماد می شمارند.
اما لازم است که در این صفحه تا اندازه ای از این دوگرایی و از دوگرایی های تقلیل دهنده ای از این دست پرهیز کنیم و برعکس به سوی واقعیتی برویم که فعالیت های بین رشته ای و تفکر بین رشته ای که خود رابطه ای تنگاتنگ با متکثر شدن فرهنگی جهان و افزایش ارتباطات در همه سطوح بدون توجه به اهمیت و ارزش مطلق هر سطح به وجود آمده، به صورتی ناگزیر خود را به ما تحمیل می کنند. در اکثر مطالعات جدی امروز هر دو گروه از روش ها سهم خود را دارند و هرگز به روش دیگر نگاهی تحقیر آمیز نمی اندازند، مگر آنجایی که یک روش به گونه ای مبالغه آمیز بر خود کفا و خود بسنده بودن خویش تاکید کرده و خواسته باشد از این راه روش های دیگر را تخطئه کند.

منبع :ناصر فکوهی

http://anthropology.ir/node/218

 

 

مباحث پایان نامه، discuss theis

مبحث دوم

آیا می دانید اساسی ترین بخش پایان نامه کجاست؟ آیا چارچب نظری تحقیق را می شناسید؟ چرا در اینجا من به چارچوب نظری توچه کردمُُ با توجه به مطا لعات عمیقی که بر روی کتابهای روش تحقیق داشته ام ُ چارچوب نظری از اساسی ترین بخش تحقیق به شمار می رود.

ادامه نوشته

تحليل مميزي و رده بندي Discriminate Analysis (DA) and Classification

تحليل مميزي و رده بندي  Discriminate Analysis (DA) and Classification

تحليل مميزي مربوط به يافتن قاعده اي براي تميز دادن دو يا چند جامعه چند متغيره از يكديگر مي باشد. مهمترين كاربرد تحليل مميزي رده بندي است.

تصميم گيري راجع به اينكه يك مشاهده P متغيره متعلق به كدام يك از دو جامعه يا چند جامعه رقيب است، رده بندي ناميده مي شود. به عنوان مثال فرض كنيد در يك حفاري جمجمه هاي جديدي يافت شده اند. چگونه مي توان با روشهاي آماري تصميم گرفت كه هر يك از جمجمه ها متعلق به كدام يك از پنج دوره زمين شناسي است؟ روشهاي تحليل مميزي و رده بندي به اين سوال پاسخ مي دهد. كاربردهاي متعددي براي روشهاي تحليل مميزي و رده بندي در پزشكي، قابل تصور است. در واقع در بسياري از موارد تشخيص نوع بيماري مي تواند بر اساس علائم قابل مشاهده مبتني بر روشهاي تحليل مميزي و رده بندي باشد.

کنترل کیفیت

 

 چند روزی استُ دوست دارم که در باره کنترل کیفیت تحقیق می کنم و می خواستم در باره این موضوع شما هم بدانید. کنترل کیفیت از جمله مواردی است که می تواند در صنعت تاثیر گذار می باشد.کنترل کیفیت یکی از مباحث بسیار مهم در آمار می باشد.در این قسمت ترجمه ی مقاله ی Statistical Quality Control  گرفته شده از سایت ‌ ‌WWW.Wiley.com/college/reid  ‌را داریم که آن را برای دانلود در اینجا قرار دادیم.

 

استخراج عامل ها قسمت سوم

هدف اساسي مرحله استخراج در تحليل عامل اكتشافي مشخص ساختن حداقل تعداد عوامل مشتركي است كه به طور رضايت بخش همبستگي بين متغيرهاي مورد مشاهده را به وجود مي آورند. اگر خطاهاي اندازه گيري و نمونه گيري وجود نداشته باشند و مفروضه عليت عاملي براي داده ها مناسب باشد، تناظر واقعي بين حداقل تعداد عوامل مشترك در ماتريس همبستگي مورد نظر و ترتيب ماتريس همبستگي اصلاح شده وجود خواهد داشت. (اصلاح ماتريس همبستگي مستلزم وارد كردن اشتراكات در قطر اصلي است) يعني، بدون خطاي نمونه گيري و تناسب واقعي بين الگوي عاملي و داده ها مي توان اشتراكات (مقادير واقعي نه برآوردها) را به دست آورد. همچنين نمي توان تعداد عوامل مشترك را از طريق بررسي ترتيب ماتريس همبستگي اصلاح شده به دست آورد. با اين وجود، در هنگام وجود داشتن خطاهاي نمونه گيري "نظريه ترتيب" را نمي توان بر آن متكي ساخت. پس، هدف يافتن ملاكي است كه بتوان با آن تعداد عوامل مشترك را با وجود اين گونه خطاهاي نمونه گيري ارزيابي كرد. ملاك نهايي براي تعيين كمينه تعداد عوامل مشترك به اين صورت فرض مي شود كه عوامل مشترك مي توانند همبستگي هاي مشاهده شده را توليد نمايند. بنابراين، هدف ممكن است به عنوان حل يك مساله آماري دوباره بيان شود كه شامل يافتن ملاكي است كه چه موقع تصميم بگيريم استخراج عوامل مشترك را متوقف سازيم. با پيروي از منطق استاندارد آماري، اين كار مستلزم تعيين تفاوت بين همبستگي هاي توليد شده و همبستگي هاي مشاهده شده است، كه مي توان آن را به تغيير پذيري نمونه گيري نسبت داد.

ما با توصيف راهبرد بنيادي كه براي تعدادي از روش هاي استخراج مشترك شروع مي كنيم. اين راهبردها فرض مي كند كه براي باز آفريني همبستگي هاي مشاهده شده حداقل تعدادي عامل مشترك ضرورت دارد. بدين معنا، كه در غياب هر گونه آگاهي و شناخت، با مدل يك عاملي مشترك آغاز مي كنيم. اين فرضيه از طريق به كارگيري برخي ملاك ها براي تعيين تفاوت ناچيز بين مدل مفروض و داده ها ارزيابي مي شود. اگر چنين نباشد، يك مدل با يك عاملي مشترك بيشتر برآورد مي شود و ملاك دوباره به كار گرفته مي شود. اين كار ادامه مي يابد تا هنگامي كه تفاوت به خطاي نمونه گيري قابل نسبت دادن باشد. بايستي خاطر نشان كرد كه محاسبه واقعي الگوريتم ها ممكن نيست، به طور دقيق اين نوع ارزيابي متوالي را برآورده سازد، ليكن اصل استخراج نخستين K عامل اغلب كوواريانس هاي مشاهده شده باقيمانده معتبر را تبيين مي كند.

هر چند اين راهبرد بنيادين خطي و مستقيم است، كاربرد آن مي تواند اشكال بيشماري داشته باشد چون ملاك هاي بسياري براي بيشينه سازي تناسب (يا به حداقل رسانيدن تفاوت) وجود دارد. دو نوع راه حل اصلي وجود دارد كه مدل هاي عامل مشترك به طور يقين از آن ها پيروي مي نمايند. ما آن ها را اين چنين توصيف مي كنيم:

1- روش درست نمايي بيشينه (لاولي و ماكس ول، 1971، يوريسكوگ، 1967، يوريسكوگ ولاولي، 1968) كه متغيرهاي آن عامل يابي متعارف است (راو،1955) و روش هاي مبتني بر بيشينه سازي دترمينال ها در يك ماتريس همبستگي تفكيكي مازاد است (بروني، 1968)

2- روش كمترين مجذورات است كه متغيرهاي عامل يابي محور اصلي و اشتراكات چرخش آزمايشي (تامسون، 1934) و مازاد كمينه ها را شامل مي شود (به هارمن، 1976، نگاه كنيد)

3- افزون بر اين، سه نوع اصلي ديگر روش هاي استخراج عبارتند از: (1) عامل يابي آلفا (كيزرو گافري، 1965)، (2) تحليل وارونه (گاتمن، 1953، هريس، 1962)، و (3) تحليل مولفه اصلي (هتلينگ، 1933).

تحليل عاملي را نيز بر حسب نمونه يا جامعه بودن آزمودني ها و متغيرها به دو دسته ي توصيفي و استنباطي تقسيم مي كنند.

جدول زير انواع تكنيك هاي استخراج عامل ها را بر حسب اكتشافي – تاييدي و توصيفي – استنباطي نشان مي دهد.

 

رده بندي روش هاي استخراج عامل ها بر حسب ويژگي اكتشافي – تاييدي و توصيفي – استنباطي بودن تحليل (منبع : 1987 ، Tinsley & Tinsley)
نوع تحليل	توصيفي	استنباطي
اكتشافي	مولفه هاي اصلي عامل مشترك (عامل اصلي) تحليل تصوير تحليل حداقل پس مانده	تحليل عاملي متعارف حداكثر درستنمايي تحليل عاملي آلفا ( )
تاييدي	چند گروهي LISREL- ^*	حداكثر درست نمايي تاييدي  LISREL-^*

* Linear Structural Relationships

چرخش عامل ها

چرخاندن عامل ها، بارهاي عاملي و به همين ترتيب معناي آن ها را تغيير مي دهد، اما راه حل هاي مختلف تحليل عاملي از لحاظ رياضي در مقدار واريانسي كه در هر متغير و بنابراين در كل ماتريس تبيين مي كنند معادل هستند. بعلاوه، عامل هاي چرخش يافته، همبستگي هاي اوليه را دقيق تر از راه حل چرخش نيافته بازپديد مي آورد.

با وجود اين آشكار است كه عامل هاي چرخش يافته ممكن است هر وضعيتي را در فضاي عاملي اشغال كنند و از اين رو، عملا بي نهايت راه حل وجود دارد. از آنجا كه اين راه حل ها از لحاظ رياضي معادل هستند، هيچ دليل رياضي جهت رجحان يكي بر ديگري وجود ندارد و دقيقا به اين دليل است كه نبايد نتايج حاصل از اولين تلخيص را، با هر روشي كه باشد، به عنوان راه حل نهايي تلقي كرد. از اين رو، لازم است كه چگونگي انتخاب يك راه حل از ميان آرايه اي از چرخشهاي ممكن مورد بحث قرار گيرد.

چرخش هاي نموداري. در واقع هنگامي كه تحليل عاملي به تازگي باب شده بود، عامل ها به صورت نموداري چرخش داده مي شدند. اما زماني كه عوامل زيادي در دست است، انجام اين كار فرآيندي خسته كننده و طولاني است. به همين دليل، براي چرخش عامل ها روش هاي تحليل رياضي به وجود آمده و در اين روش ها، محاسبات به وسيله رايانه انجام مي گيرد.

چرخش هاي متعامد. در چرخش هاي متعامد عوامل طوري چرخانده مي شوند كه نسبت به هم هميشه يك زاويه قائمه داشته باشند. اين بدان معنا است كه عامل ها ناهمبسته هستند(cos 90=0). همانطور كه كتل (1978) استدلال كرده، در جستجوي عامل هايي كه براي فهم پديده هاي رواني، ابعاد اساسي هستند، بعيد است كه عامل ها ناهمبسته باشند. براي مثال در شخصيت كه تبيين كننده هاي محيطي-ژنتيكي بر آن موثرند، يافتن عامل هاي متعامد بسيار عجيب خواهد بود.

چرخش ها متمايل. در چرخش هاي متمايل، محورهاي عاملي مي توانند هر وضعيتي را در فضاي عاملي داشته باشند و علت نامگذاري اين چرخش ها نيز همين مساله است. كسينوس زاويه بين محورهاي عاملي نشان دهنده همبستگي بين آن ها است. چرخش متمايل عامل ها، در مقايسه با چرخش متعامد كه محدوديت ناشي از متعامد بودن وجود دارد، آزادي بيشتري در انتخاب وضعيت عامل ها در فضاي عاملي وجود دارد.

معرفی منابعی برای تحلیل عاملی

   راهنماي تحليل عاملي

 نوشته: پل كلاين

 ترجمه: دكتر سيد جلال صدرالسادات و اصغر مينايي

2.     مقدمه اي بر تحليل عاملي و شيوه بكارگيري آن

  تاليف: جي-ان كيم و چارلزو . مولر 

 ترجمه: دكتر صادق بختياري – دكتر هوشنگ طالبي

3.     تحليل داده هاي چند متغيري در پژوهش رفتاري

 نوشته دكتر حيدر علي هومن

۴.     مقاله تحلیلی از ساختار صنعت در استان اصفهان

 نوشته دکتر صادق بختیاری, محسن ایروانی

 نیرالسادات دانشور حسینی

۵.     فرازي بر SPSS 14

  مترجمين: دكتر سيد علي رضا افشاني

 مهندس مرتضي نوريان

 زينب حسيني رامشه

۶. کاربرد نرم افزار SAS در تجزیه های آماری

تالیف: افشین سلطانی

تحلیل عاملی قسمت اول

تحليل عاملي اصطلاحي است كلي براي تعدادي از تكنيك هاي رياضي و آماري مختلف اما مرتبط با هم به منظور تحقيق درباره ماهيت روابط بين متغيرهاي يك مجموعه معين. مساله اساسي تعيين اين مطلب است كه آيا يك مجموعه متغير را مي توان برحسب تعدادي از «ابعاد» يا «عامل هاي» كوچكتري نسبت به تعداد متغيرها توصيف نمود و هر يك از ابعاد ( عامل ها ) معرف چه صفت يا ويژگي است.

نخستين كار درباره تحليل عاملي توسط چارلز اسپيرمن (1940) صورت گرفت، كه به گونه كلي « پدر» اين روش شناخته شده است. بعد از او كارل پيرسن (1901)، روش «محورهاي اصلي» را پيشنهاد كرد و هتلينگ (1933) آن را به گونه كاملتري توسعه داد

بسياري از كارهاي نخستين در تحليل عاملي، يعني در طول سال هاي 1900 تا 1930، به كاربرد مدل اسپيرمن در بسياري از مسايل عملي و بررسي شرايط مناسب براي استفاده از آن مدل اختصاص يافته است. در طول اين دوره، علاوه بر خود اسپيرمن، دانشمندان ديگري مانند سيريل برت، كارل هليزينگر، ترومن كلي، كارل پيرسن و گادفري تامسون، كمك هاي شاياني به ادبيات تحليل عاملي كرده اند. در اوايل سال 1930، آشكار شد كه مدل تك عاملي عمومي اسپيرمن براي توصيف روابط بين متغيرهاي يك مجموعه هميشه كافي نيست.

ترستون احتمالا برجسته ترين تحليلگر عاملي نوين بوده و نفوذ قابل ملاحظه اي در توسعه اين روش از سال هاي 1930 تا كنون داشته است. مسئوليت توسعه روش «سانتروئيد» با اوست كه در مقياس گسترده اي قبل از ظهور كامپيوترهاي پر سرعت به كار رفته است. او همچنين مسئول مفهوم ساختار ساده است كه توسط بيشتر تحليلگران به عنوان معرف يك راه حل تحليل عاملي ايده آل در نظر گرفته شده است.

كارهاي اوليه در تحليل عاملي  كه توسط دانشمندان ياد شده انجام گرفته ، بيشتر توجيه نظري دارد، هر چند هيچ يك از آن ها آماده براي آزمون هاي آماري فرضيه هاي خاص درباره ساختارهاي عاملي مجموعه هاي معيني از متغيرها نبوده است. اما، وقتي كامپيوترهاي پر سرعت در اختيار قرار گرفت در اواسط تا اواخر سال هاي 1950، حركتي از تئوري گرائي به سوي آنچه تحليل عاملي اكتشافي ناميده مي شود، به وجود آمد. اين حركت به گونه آشكار از طريق تئوري عامل مشترك ترستون تشويق، و از طريق فرمول بندي عمومي هتلينگ (1993)، درباره عمليات رياضي مولفه هاي اصلي كه قبل از آن به دليل محاسبات فوق العاده پيچيده و پرزحمت آن ، به كار نرفته بود تسهيل شد. چنين به نظر مي رسد كه در طول سال هاي 1950 و 1960، تقريبا هر كس، هر چيزي را تحليل عاملي مي كرده است، به اين اميد كه روابط پيچيده ظاهري بين متغيرهاي يك مجموعه را مي توان ساده كرد و به گونه ساده تري تفسير نمود (ليندمن و همكاران، 1980). در طول اين دوره همچنين تعداد روشهاي تحليل عاملي با ابداع تحليل تصوير (گاتمن، 1953)، تحليل عاملي بنيادي (رائو، 1955 و هريس، 1962)، تحليل عاملي آلفا (كيسر و كافري، 1965) و روش كمترين پس ماند (هامن و جونز، 1966)، به گونه قابل توجهي توسعه يافت. با اين وجود، روشهاي تحليل اكتشافي نتوانست آن گونه كه انتظار مي رفت، كمك موثري براي آزمون و پالايش تئوري روان شناختي باشد.

مقاله هتلينگ (1933) درباره تحليل مولفه هاي اصلي نخستين كمك قابل توجه يك آماردان را به تحليل عاملي معرفي كرد، و اين وضعيت تا موقعي ادامه داشت كه مقاله لاولي (1940) درباره روش بيشينه احتمال (ML) منتشر شد. لاولي نشان داد كه تحليل عاملي مي تواند به عنوان يك تكنيك آماري جالب در بسياري از موقعيت هاي پژوهشي كاربرد داشته باشد. واكنش هاي له و عليه اين روشها نيز تا وقتي كه آزمون فرضيه هاي خاص درباره پارامترهاي مدل تحليل عاملي مورد توجه قرار گرفت (مثلا جارزكاگ، 1984)، همچنان ادامه داشت. هر چند كارهاي جارزكاگ اساسا مبتني بر روش ML لاولي بود، اما بسياري از مسايل محاسباتي و تفسيري را كه لاولي با آن مرتبط نبود، روشهاي باك و بارگمن (1966) و جارزكاگ (1984) به سبب تاكيد بر آزمون فرضيه، به عنوان روشهاي تحليل عاملي تاييدي طبقه بندي مي شود. هر چند توليد فرضيه هايي كه بايد آزمون شود اغلب دشوار است، اما اين روشها به وضوح بر تحليل عامل اكتشافي به سبب توسعه و آزمون تئوري مزيت دارد. البته براي تدوين چنين فرضيه هايي مي توان ابتدا تحليل عاملي اكتشافي را اجرا كرد و سپس اين فرضيه ها را از طريق تحليل عاملي تاييدي آزمود.

درك مفهومي تحليل عاملي و كاربرد آن

بنا بر آنچه گفته شد، تحليل عاملي تكنيكي است كه كاهش تعداد زيادي از متغيرهاي وابسته به هم را به صورت تعداد كوچكتري از ابعاد پنهان يا مكنون امكان پذير مي سازد. هدف عمده آن رعايت اصل اقتصاد و صرفه جويي از طريق كاربرد كوچكترين مفاهيم تبيين كننده به منظور تبيين بيشينه مقدار واريانس مشترك در ماتريس همبستگي است. مفروضه اساسي تحليل عاملي اين است كه عامل هاي زيربنايي متغيرها را مي توان براي تبيين پديده هاي پيچيده به كاربرد و همبستگي هاي مشاهده شده بين متغيرها حاصل اشتراك آنها در اين عامل ها است. هدف تحليل عاملي تشخيص اين عامل هاي مشاهده ناپذير بر پايه مجموعه اي از متغيرهاي مشاهده پذير است. عامل، متغير جديدي است كه از طريق تركيب خطي نمره هاي اصلي متغيرهاي مشاهده شده بر پايه فرمول زير برآورد مي شود:

F_j=∑W_jiX_i=W_j1X₁+W_j2X₂+…+W_jpX_p

كه در آن W ها بيانگر ضرايب نمره عاملي و P معرف تعداد متغيرها است. اين عامل ها، في نفسه، سازه هاي فرضي يا نظري هستند كه به تفسير ثبات و هماهنگي در مجموعه داده ها كمك مي كنند. بنابراين ارزش تحليل عاملي اين است كه طرح سازماني مفيدي به دست مي دهد كه مي توان آن را براي تفسير انبوهي از رفتار با بيشترين صرفه جويي در سازه هاي تبيين كننده، به كار برد.

اميد اين است كه تعداد كمي از اين عامل ها (يعني تركيب هاي خطي نمره هاي اصلي متغيرهاي مشاهده شده) بتواند تقريبا همه اطلاعاتي را كه توسط مجموعه بزرگتري از متغيرها به دست مي آيد در برگرفته در نتيجه توصيف ويژگي هاي فرد را ساده سازد. از اين گذشته اميدوار هستيم كه با توسعه صحيح عامل ها، متغيرهايي به وجود آوريم كه دلالت بر يك سازه روشن و با معناي روان شناختي داشته باشد به گونه اي كه توصيف ما از شخص نه فقط ساده تر، بلكه روشن تر و قاطع تر باشد.

چگونه باید پایان نامه خود را اداره کنیم

 

مبحث اول:

تا حالا شده که به روش تحقیق پایان نامه خودتان فکر کنید،و آن را مورد ارزیابی قرار دهید، من با دانشجویانی زیادی در امر تحقیق سرو کار داشته ام و دیده که در روش تحقیق و نوشتن پایان نامه مشکل دارند. چرا ما پایان نامه می نویسیم، ایا پایان نامه در زندگی ما اثر دارد؟ اینها تمام سوالاتی است که یک دانشجو از خودش می پرسد.

ذر اینجا می خواهم مبحث جدیدی را شروع کنم. برای نوشتن پایان نامه چه چیزهای لازم است به عبارتی ما برای نوشتن پایان نامه به چه نکاتی نیازمندیم؟

 

ادامه نوشته

نمودار باكس - ويسكر (جعبه‌اي)

نمودار باكس - ويسكر (جعبه‌اي)
نمودار باكس – ويسكر نموداري است كه به كمك معيارهاي مركزي و پراكندگي، موقعيت مجموعه داده ها را به شكلي بسيار گويا و مفيد ارائه مي دهد. اين نمودار ابتدا توسط آمار شناس معروف توكي ارائه گرديد و با استفاده از يك مستطيل (باكس) در دو خط در دو طرف مستطيل (ويسكر) و به وسيله ميانه، چاركهاي اول و سوم و كمترين و بيشترين اندازه مشاده شده رسم مي شود. با استفاده از اين نمودار مي توان مركزيت،‌ پراكندگي و چولگي داده ها را تفسير نمود. چگونه یک نمودار باکس-ویسکر برای مجموعه داده های زیر رسم کنیم؟ 4.3, 5.1, 3.9, 4.5, 4.4, 4.9, 5.0, 4.7, 4.1, 4.6, 4.4, 4.3, 4.8, 4.4, 4.2, 4.5, 4.4 گام اول: مرتب کردن داده ها به صورت صعودی، براي اين منظور مي توان از نمودار شاخه و برگ نيز استفاده نمود.: 3.9, 4.1, 4.2, 4.3, 4.3, 4.4, 4.4, 4.4, 4.4, 4.5, 4.5, 4.6, 4.7, 4.8, 4.9, 5.0, 5.1 گام دوم: مشخص کردن میانه داده ها: به دلیل اینکه تعداد داده ها 17 است، بنابراین 9 امین مقدار در میان اعداد مرتب شده میانه داده ها خواهد بود 3.9, 4.1, 4.2, 4.3, 4.3, 4.4, 4.4, 4.4, 4.4, 4.5, 4.5, 4.6, 4.7, 4.8, 4.9, 5.0, 5.1 میانه عبارت است از: Q2 = 4.4 گام سوم: مشخص کردن میانه داده های هر یک از دو دسته زیر(چاركهاي اول و سوم داده ها): 3.9, 4.1, 4.2, 4.3, 4.3, 4.4, 4.4, 4.4 و 4.5, 4.5, 4.6, 4.7, 4.8, 4.9, 5.0, 5.1 دسته اول دارای 8 مقدار است، بنابراین میانه داده های دسته اول(چارک اول) برابر است با میانگین دو داده وسطی، یعنی: Q1 = (4.3 + 4.3)/2 = 4.3 میانه داده های دسته دوم(چارک سوم) برابر است با Q3 = (4.7 + 4.8)/2 = 4.75 گام چهارم: رسم يك خط افقي و مدرج کردن آن بطوری كه بتوان همه داده ها را روي آن نشان داد.
گام پنجم: مکان كوچكترين عدد مشاهده شده ، بزرگترين عدد مشاهده شده ، میانه Q2 ، چارک اول Q1 و چارک سوم Q3 را تعيين مي كنيم.
گام ششم: بالاي خط مدرج شده مستطيلي رسم مي كنيم كه طول آن برابر با Q3- Q1 (برد چاركها) بوده و از نقطه Q1 شروع و به Q3 ختم شود و عرض مستطيل به اندازه معقول در نظر گرفته مي شود. اين مستطيل را باكس مي ناميم. اندازه ميانه را به صورت خطي به موازات عرض مستطيل رسم نموده و مستطيل را به وسيله يك خط منقطع به موازات خط مدرج شده به دو قسمت تقسيم مي كنيم.
گام هفتم: مرزهاي داخلي و خارجي داده ها با توجه به روابط زير تعيين می کنیم. مرز داخلی پایین= Q1 – 1.5 *( Q3- Q1) = 3.625 مرز داخلی بالا= Q3+ 1.5 *( Q3- Q1) = 5.425 مرز خارجی پایین= Q1 – 3 *( Q3- Q1) = 2.95 مرز خارجی بالا= Q3+ 3 *( Q3- Q1) = 6.1
گام هشتم: با استفاده از داده هاي مرتب شده، دو اندازه كوچكترين و بزرگترين داده را كه داخل مرزهاي داخلي قرار دارند، تعيين كرده و خط منقطع وسط مستطيل را تا اين دو نقطه به صورت خط پر ادامه مي دهيم. اين خطوط را ويسكر مي نامند كه از چاركها شروع و به نقاط فوق ختم مي شوند.
نکته هر عددي كه خارج از مرزهاي داخلي قرار گرفته باشد را يك دادة پرت ناميه و چنانچه بين مرزهاي داخلي و خارجي قرار گيرد آن را داده پرت ضعيف ناميده و با علامت ○ نشان مي دهيم و چنانچه خارج از مرزهاي خارجي قرار گرد آن را داده پرت قوي ناميده و با علامت ● نشان مي دهيم. با استفاده از نمودار باكس - ويسكر مي توان اطلاعات زير را در مورد داده ها كسب نمود. الف) اگر ميانه نزديك وسط مستطيل (باكس) باشد توزيع داده ها تقريباً متقارن است. ب) اگر ميانه در طرف چپ وسط مستطيل باشد توزيع چوله به راست و اگر ميانه در طرف راست وسط مستطيل قرار گيرد توزيع چوله به چپ است. ج) اگر خطوط دو طرف مستطيل (ويسكرها) تقريباً برابر باشند توزيع داده ها به توزيع متقارن نزديك بوده و در صورت نامساوي بوده خطوط توزيع داراي چولگي است. د) در مقايسه نمودار باكس - ويسكر دو مجموعه از داده ها مي توان پراكندگي آنها را با توجه به طول مستطيل هاي نمودار با يكديگر مقايسه نمود. مستطيلي كه طول بزرگتري دارد داراي پراكندگي بيشتر مي باشد. ه) داده هاي پرت ضعيف و داده هاي پرت قوي را با استفاده از نمودار باكس - ويسكر مي توان تعيين نمود.

ضريب آلفاي کرونباخ؛ مفاهيم، کارکرد و شيوه هاي نوين آن

 

چکيده :

بي شک همه ي ما درطول دوران زندگي خود حداقل يکبار پرسشنامه پرکرده ايم. تا بحال ازخود پرسيده ايد که اين پرسشنامه ها چگونه تهيه مي شوند و نيز معياري براي بررسي ميزان قابليت اطمينان آنها وجود دارد يا خير؟ بديهي است که چنين مقياسي وجود دارد، چرا که بسياري از بررسي ها ي آماري درسطوح وسيع ابتدا درقالب پرسش نامه پايه گذاري مي شوند، پس مي بايست ملاکي براي نظارت  بر قابليت  اعتماد  آنها  وجود داشته باشد.

در اين مقاله، ابتدا به مفهوم ضريب آلفاي کرونباخ و کارکرد آن، شيوه محاسبه آن با استفاده از نرم افزارهاي آماري مي پردازد. نهايتا به معرفي تتاي ترتيبي  و ارائه برنامه ای جهت محاسبه آن (با استفاده از نرم افزار R)خواهيم پرداخت.

مفهوم ضريب آلفاي کرونباخ:

ضريب آلفاي کرونباخ توسط کرونباخ ابداع شده و يکي ازمتداولترين روشهاي اندازه گيري اعتماد پذيري و يا پايائي پرسش نامه هاست. منظور از اعتبار يا پايايي پرسش نامه اين است که اگر صفت هاي مورد سنجش با همان وسيله و تحت شرايط مشابه و در زمانهاي مختلف مجددا اندازه گيري شوند، نتايج تقريبا يکسان حاصله شود.

 ضريب آلفاي کرونباخ، براي سنجش ميزان تک بعدي بودن نگرشها، عقايد و ... بکار مي رود. در واقع مي خواهيم ببينيم تا چه حد برداشت پاسخگويان از سوالات يکسان بوده است. اساس اين ضريب بر پايه مقياسهاست. مقياس عبارتند از دسته اي از اعداد که بر روي يک پيوستار به افراد، اشيا يا رفتارها در جهت به کميت کشاندن کيفيت ها اختصاص داده مي شود. رايج ترين مقياس که در تحقيقات اجتماعي بکار مي رود مقياس ليکرت است. در مقياس ليکرت اساس کار بر فرض هم وزن بودن گويه ها استوار است. بدين ترتيب به هر گويه نمراتي (مثلا از1 تا 5 براي مقياس ليکرت 5 گويه اي) داده مي شود که مجموع نمراتي که هر فرد از گويه ها مي گيرد نمايانگر گرايش او خواهد بود.

آلفاي کرونباخ بطورکلي با استفاده از يکي روابط  زيرمحاسبه مي شود.

 يا 

که دراين روابط  k تعداد سوالات،  واريانس سوال i ام،  واريانس مجموع کلي سوالات، ميانگين کواريانس بين سوالات، و  واريانس ميانگين سوالات مي باشند (برگرفته شده از آلن و ين، 2002).

با استفاده از تعريف آلفاي کرونباخ مي توان نتيجه گرفت: (1) هرقدرهمبستگي مثبت بين سوالات بيشتر شود، ميزان آلفاي کرونباخ بيشتر خواهد شدو بالعکس، (2) هر قدر واريانس ميانگين سوالات بيشتر شود آلفاي کرونباخ کاهش پيدا خواهد کرد، (3) افزايش تعداد سوالات تاثيرمثبت و يا منفي (بسته به نوع همبستگي بين سوالات) بر ميزان آلفاي کرونباخ خواهد گذاشت، (4) افزايش حجم نمونه باعث کاهش واريانس ميانگين سوالات در نتيجه باعث افزايش آلفاي کرونباخ خواهد شد.

بديهي است هرقدر شاخص آلفاي کرونباخ به 1نزديکترباشد، همبستگي دروني بين سوالات بيشتر و در نتيجه پرسشها همگن ترخواهند بود. کرونباخ ضريب پايايي %45 را کم، %75 را متوسطو قابل قبول، و ضريب %95 را زياد پيشنهاد کرده (کرونباخ، 1951). بديهي است درصورت پايين بودن مقدارآلفا، بايستي بررسي شود که با حذف کدام پرسشها مقدارآن را مي توان افزايش داد.

برخی از نرم افزارهای آماری عبارتند از : نرم افزار DE ، نرم افزار PQ Method ، نرم افزار Liseral 8.5 ،

نرم افزار DE:
 توضيحات: نرم افزار ي برا ي ورود داده هاي آماري به رايانه است و خروجي آن به صورت مجموعه اي از داده ها است که در محيط نرم افزاري مختلف مانند SAS,SPSS و ... قابل استفاده است و درصد خطاي ورود اطلاعات در اين نرم افزار بسيار کم است.

ادامه نوشته

داده‌هاي استاندارد

در اين بخش به معرفي يكي از كاربردهاي مفيد ميانگين و انحراف استاندارد در مقايسة واحدهاي جمعیت براي موضوعات مختلف مي پردازيم.
فرض كنيد متغيرهاي مشاهده‌اي با ميانگين و انحراف استاندارد باشند. داده‌هاي را داده‌هاي استاندارد نامند.
كاربرد داده‌هاي استاندارد در مثال زير واضح‌تر است:

مثال : نمره كاركنان يك كلاس اموزشي در آزمون كامپيوتر داراي ميانگين 72 و انحراف‌استاندارد 15 و در آزمون نگارش داراي ميانگين 50 و انحراف استاندارد 20 است.
اگر نمره فردA در كامپيوتر 60 و در نگارش 35 باشد،آن‌گاه معلومات فردA در كدام موضوع بيشتر است؟
چون اين دو آزمون با مقياسهاي مختلف به‌عمل آمده‌اند، مقايسه اعداد 60 و 35 مفهومي ندارند. اگر نمره‌هاي دو آزمون تقريبأ داراي منحني فراواني نرمال باشند، تنها بعد از استاندارد كردن مي‌توان آنها را با هم مقايسه كرد.

بنابراين نمره فردA در آزمون نگارش بهتر مي‌باشد، زيرا داريم

برجستگي

ميزان كشيدگي يا پخي منحني فراواني را نسبت به منحني نرمال استاندارد، برجستگي آن مي نامند. فرض كنيدگشتاور مركزي چهارم و انحراف استاندارد باشد. چون بر اساس خصوصيات توزيع فراواني نرمال استاندارد مقدار به عدد 3 نزديك است، معيار برجستگي را از رابطة زير محاسبه ميكنند.

به دست مي‌آورند. بر حسب آنكه k مثبت يا منفي باشد منحني فراواني نسبت به منحني نرمال استاندارد كشيده يا پخ مي‌باشد. اكر k نزديك صفر باشد، برجستگي منحني فراواني طبيعي است.

مثال: در بررسي طول عمر صد باطري اتومبيل اگر ميانگين، ميانه و انحراف استاندارد 5/3 و 48/3 و 65/1 سال مي باشد.در بارة شكل توزيع (نمودار هيستوگرام يا چندبر فراواني) آن چه مي‌توان گفت؟
با اطلاعات داده شده ضريب چولگي دوم پيرسون عبارتند از


بنابراين منحني فراواني طول عمر باطري ها كمي چوله به راست مي باشد. با محاسبة ضريب برجستگي داريم

بنابراين منحني فر اواني عمر باطري‌ها نسبت به منحني نرمال استاندارد پخ تر مي‌باشد.
همانگونه كه ديديد با استفاده از اين سه معيار مي توانيم شكل عمومي عملكرد باطري ها را تاحدود زيادي تشخيص دهيم.

چولگي

ميزان عدم تقارن منحني فراواني را چولگي مي‌نامند. فرض كنيد ميانگين، ميانه، نما و انحراف استاندارد و گشتاور مركزي سوم باشند. هركدام از فرمولهاي زير را مي‌توان به عنوان معيار چولگي به كار برد:

استفاده از در مخرج، به اين دليل است كه ضرائب فوق به واحد اندازه‌گيري بستگي نداشته باشد.
در‌صورتيكه داده‌ها نسبت به ميانگين متقارن باشند، ضرايب بالا برابر صفر هستند. البته توجه داشته باشيد كه عكس اين موضوع لزومي ندارد صحت داشته باشد. برحسب اينكه مثبت يا منفي باشند، منحني فراواني چوله به راست يا چوله به چپ است. معمولا بواسطة اينكه محاسبة نما در عمل با دقت كافي مشكل است از اندازة استفاده مي‌شود.

حجم نمونه مورد نیاز برای پژوهش های Multiple Regression

یک سوال خیلی مهم این است که در یک مطالعه از نوع مالتیپل رگرشن (یعنی مطالعاتی که شما چند تا متغیر مستقل دارید که می خواهید ببینید که این متغیرها کدامشان و هرکدام با چه قدرتی متغیر وابسته موردمطالعه شما را پردیکت می کنند) ، Sample size چقدر باشد که نتایج پژوهش قابلیت تعمیم را داشته باشد و اگر با همان حجم نمونه مجددا اجرا شود تفاوتی در نتایج آنالیز نداشته باشیم؟ این داستان به چند مشخصه بستگی دارد که در ادامه ذکر کرده ام:

ادامه نوشته

آزمودن تئوری

از عبارت آزمودن تئوری دو معنا می توان برداشت کرد:

1- اشتقاق بدیهی یا Axiomatic derivation

2- جایگزینی واژه ها یا Replacement of terms

منظور از شماره یک این است که اگر مثلا زیاد شدن الف باعث زیاد شدن ب بشود و زیاد شدن ب هم باعث زیاد شدن ج بشود بنابراین بطور بدیهی می توان یک رابطه دیگر را هم ازاین داستان مشتق کرد و یا نتیجه گیری کرد و آن این است که زیاد شدن الف باعث زیاد شدن ج می شود.

مثلا دو عبارت زیر را درنظر می گیریم:

1-  افزایش تلاش باعث افزایش در آمد می شود.

2- افزایش درآمد باعث افزایش خرج می شود.

بنابراین بدیهی است که میتوان نتیجه گرفت که:

3 - افزایش تلاش باعث افزایش خرج می شود.

منظور از بخش دوم تست کردن تئوری نیز این است که بتوان یک واژه یا term جنرال تر را با یک سمبل اختصاصی تری ازآن ( a specific instance)  جایگزین کرد. مثلا اگر واژه A درتئوری ما اشاره به اعتیاد دارویی داشته باشد ، بتوان آن را با A1 ( بخوانید A اندیس یک )  که می تواند مصرف هروئین باشد جایگزین کرد.

سطوح مختلف یک پژوهش کمی

یک پژوهش کمی ( Quantitative Research) می تواند ازیکی از 3 سطح زیر برخوردار باشد:

1- سطح تئوری Theoretical Level

2- سطح مفهومی Conceptual Level

3- سطح کاربردی