‫‪ 021‬نکته برای تحلیل آماری با‬

‫‪SPSS‬‬
‫تأليف‬
‫دکتر علی شهنوازی‬

‫محتوی آموزشی در کانال تلگرام‬

‫‪@drshahnavazi‬‬
‫در دسترس میباشد‪.‬‬
 ‫‪SPSS‬‬

‫□ نکته ‪1‬‬
‫معرفی نرمافزار ‪SPSS‬‬
‫‪ SPSS‬مخفف ‪ Statistical Package for the Social Sciences‬میباشد‪ .‬با خرید ‪SPSS‬‬
‫توسط ‪ IBM‬از نسخه ‪ ۹۱‬به بعد نام آن بهطور رسمی به ‪ IBM SPSS‬تغییر یافت‪.‬‬

‫نکته ‪۲‬‬ ‫□‬

‫انواع فایل در ‪SPSS‬‬
‫‪ ‬فایل داده یا ‪ data‬با پسوند ‪.sav‬‬
‫‪ ‬فایل خروجی یا ‪ output‬با پسوند ‪.spv‬‬
‫‪ ‬فایل سینتکس یا ‪ syntax‬برای کد نویسی با پسوند ‪.sps‬‬

‫نکته ‪۳‬‬ ‫□‬

‫نمایش پسوند فایلها‬
‫در ویندوز ‪ ۷‬مسیر ‪ Control Panel→Folder Options→View Tab‬و سپس گزینه ‪Hide known‬‬
‫‪ file types‬را بررسی نمایید‪.‬‬

‫□ نکته ‪۴‬‬
‫پنجره معرفی داده‬

‫شکل ‪ :۹‬پنجره معرفی داده‬

 ‫‪SPSS‬‬

‫نکته ‪5‬‬ ‫□‬

‫پنجره ‪variable view‬‬

‫شکل ‪ :2‬پنجره ‪variable View‬‬

‫نکته ‪6‬‬ ‫□‬

‫اجزای پنجره ‪variable view‬‬
‫این پنجره برای تعیین ویژگیهای متغیرها در فایل داده بوده و شامل ‪ ۹۹‬قسمت ‪،Width ،Type ،Name‬‬
‫‪ Measure ،Align ،Columns ،Missing ،Values ،Label ،Decimals‬و ‪ Role‬میباشد‪.‬‬

‫نکته ‪۷‬‬ ‫□‬

‫‪Name‬‬
‫‪ ‬توضیح مختصر ولی قابل تشخیص از متغیر میباشد‪.‬‬
‫حداکثر تا ‪ 46‬کاراکتر مجاز بوده و رها نمودن فضای خالی )‪ (spaces‬و استفاده از کاراکترهای ویژه‬ ‫‪‬‬
‫)‪(special characters‬مجاز نمیباشد‪.‬‬
‫‪ ‬تنها استفاده از حروف و اعداد توصیه شده است‪.‬‬
 ‫‪SPSS‬‬

‫نکته ‪8‬‬ ‫□‬

‫‪Type‬‬
‫‪ ‬نوع متغیر بوده و میتواند عددی‪ ،‬حرفی یا تاریخ باشد‪.‬‬
‫‪ ‬پیشفرض نوع متغیر در ‪ SPSS‬عددی (‪ )Numeric‬بوده و تغییر آن توصیه نمیشود‪.‬‬
‫‪ ‬بهعنوانمثال بجای استفاده از حروف ‪ f‬و ‪ m‬برای تفکیک جنسیت از اعداد ‪ ۹‬و ‪ 2‬استفاده گردد‪.‬‬

‫نکته ‪9‬‬ ‫□‬

‫‪Width‬‬
‫‪ ‬هر چه عدد بزرگتر باشد به پهنای بیشتری نیاز خواهد بود‪.‬‬
‫‪ ‬پهنای پیشفرض‪ 8 ،‬میباشد‪.‬‬
‫‪ ‬چنانچه پهنای انتخاب شده کمتر از میزان مورد نیاز باشد‪ SPSS ،‬اعداد را گرد خواهد کرد‪.‬‬
‫‪ ‬تغییر پهنای متغیر تأثیری بر دقت محاسبات نمیگذارد‪.‬‬

‫نکته ‪11‬‬ ‫□‬

‫‪Decimals‬‬
‫‪ ‬این گزینه تعداد اعشار را در پنجره ‪ Data View‬مشخص میسازد‪.‬‬
‫تعداد اعشار بهطور پیشفرض‪ 2 ،‬میباشد‪.‬‬ ‫‪‬‬
‫‪ SPSS ‬محاسبات را تا ‪ ۹4‬رقم اعشار بدون توجه به تعداد اعشار مشخص شده انجام میدهد‪.‬‬

‫نکته ‪11‬‬ ‫□‬

‫‪Label‬‬
‫‪ ‬برچسب عبارتی (‪ )phrase‬برای توضیح بیشتر متغیر میباشد‪.‬‬
‫معموالً چنانچه نام متغیر بهاندازه کافی گویا (‪ )descriptive‬باشد‪ ،‬از این گزینه صرف نظر میشود‪.‬‬ ‫‪‬‬
‫‪ SPSS ‬برچسب را تفسیر نمیکند و صرفاً در برونداد‪ ،‬کنار نام متغیر گزارش میدهد‪.‬‬

‫نکته ‪1۲‬‬ ‫□‬

‫‪Values‬‬
‫‪ ‬برچسبهای مقداری در متغیرهای اسمی و ترتیبی کاربرد دارند‪.‬‬
 ‫‪SPSS‬‬

‫‪ ‬در تفکیک جنسیت‪ ،‬منطقه جغرافیایی یا دین ضروری است از برچسب مقداری استفاده نماییم‪.‬‬
‫‪ ‬استفاده از این نوع برچسب برای متغیرهای فاصلهای و اسمی ضرورتی ندارد‪.‬‬

‫نکته ‪1۳‬‬ ‫□‬

‫‪Missing‬‬
‫‪ ‬مقادیر ازدسترفته هنگامی کاربرد دارد که علت مفقودی مهم میباشد‪.‬‬
‫‪ ‬بهصورت گسسته بهتنهایی یا در ترکیب با گسترهای از مقادیر ازدسترفته میشود استفاده نمود‪.‬‬
‫‪ ‬عدد استفاده شده نباید در محدوده دادههای معتبر باشد‪.‬‬

‫نکته ‪1۴‬‬ ‫□‬

‫‪Columns‬‬
‫‪ ‬بهمنظور تنظیم عرض ستون در پنجره ‪ View Data‬کاربرد دارد‪.‬‬
‫‪ ‬با کاهش عرض ستون تعداد بیشتری از متغیرها بدون تغییر در نوار پیمایش مشاهده میشود‪.‬‬
‫‪ ‬توصیه میشود عرض ستون کمتر از تعداد کاراکترهای نام متغیر نباشد‪.‬‬

‫نکته ‪15‬‬ ‫□‬

‫‪Align‬‬
‫‪ ‬برای تنظیم متن در خانه جدول مشاهده داده )‪ (Data View‬کاربرد دارد‪.‬‬
‫‪ ‬گزینههای راست‪ ،‬چپ و وسطچین قابل انتخاب هستند‪.‬‬
‫‪ ‬پیشفرض راستچین میباشد‪.‬‬

‫نکته ‪16‬‬ ‫□‬

‫‪Measure‬‬
‫‪ ‬سطح اندازهگیری متغیرها مشخص میشود ‪.‬‬
‫‪ ‬گزینههای موجود اسمی)‪ ، (Nominal‬ترتیبی )‪ (Ordinal‬و نسبی و فاصلهای )‪ (Scale‬هستند‪.‬‬
‫‪ ‬تنظیم سطح اندازهگیری هنگام ایجاد نمودارهای تعاملی کاربرد دارد‪.‬‬
 ‫‪SPSS‬‬

‫نکته ‪1۷‬‬ ‫□‬

‫‪Role‬‬
‫‪ ‬نقشهای مختلفی )‪ (Input, Target, Both, None, Partion & Split‬به متغیرها میتوان داد‪.‬‬
‫‪ ‬پیشفرض ‪ Input‬میباشد که اجازه میدهد متغیر بهطور کامل در تحلیل وارد شود‪.‬‬
‫‪ ‬تغییری در پیشفرض داده نمیشود‪.‬‬

‫نکته ‪18‬‬ ‫□‬

‫مفاهیم آماری‪ :‬دادهها‪ ،‬متغیرها و موارد‬
‫‪ ‬مشاهدات کمّی یا کیفی ثبت شده که بر اساس آنها نتایج حاصل میشوند را دادههای پژوهش مینامند‪.‬‬
‫‪ ‬متغیر مقداری است که اندازه آن متفاوت و درعینحال قابلاندازهگیری میباشد ‪.‬‬

‫نکته ‪19‬‬ ‫□‬

‫مفاهیم آماری‪ :‬سطوح اندازهگیری‬
‫‪ ‬مقیاس یا روش ثبت دادهها‪ ،‬سطوح اندازهگیری را مشخص میسازند ‪.‬‬
‫‪ ‬سطوح اندازهگیری منعکس کننده قابلیتهای آماری دادهها هستند‪.‬‬
‫‪ ‬سطوح در ‪ SPSS‬شامل اسمی‪ ،‬ترتیبی و مقیاسی میباشد‪.‬‬

‫نکته ‪۲1‬‬ ‫□‬

‫سطوح اندازهگیری‪ :‬دادههای اسمی‬
‫‪ ‬دادههای اسمی تنها برچسب بوده و معنی خاصی ندارند‪.‬‬
‫‪ ‬برای تبدیل دادههای کیفی به کمّی مورد استفاده قرار میگیرند‪.‬‬
‫‪ ‬در این نوع دادهها نمیشود میانگینگیری نمود ولی فراوانی قابل گزارش میباشد ‪.‬‬
‫‪ ‬جنسیت‪ ،‬تأهل‪ ،‬شاغل بودن و سابقه بیماری داده اسمی هستند‪.‬‬
 ‫‪SPSS‬‬

‫نکته ‪۲1‬‬ ‫□‬

‫سطوح اندازهگیری‪ :‬دادههای ترتیبی‬
‫‪ ‬این دادهها برای رتبهبندی ویژگی خاص استفاده میشوند‪.‬‬
‫‪ ‬تفاوت مطلق میان رتبهها مشخص نمیباشد ‪.‬‬
‫‪ ‬طیف لیکرت یکی از روشهای سنجش دادههای ترتیبی هست ‪.‬‬
‫‪ ‬احساس درد‪ ،‬میزان رضایت‪ ،‬خشکی یا سفتی جزء دادههای ترتیبی میباشند‪.‬‬

‫نکته ‪۲۲‬‬ ‫□‬

‫سطوح اندازهگیری‪ :‬دادههای فاصلهای و نسبی‬
‫‪ ‬دادههای فاصلهای دارای صفر قراردادی میباشند (نمره درسی)‬
‫‪ ‬صفر در دادههای نسبی مطلق بوده و بیانگر میزان صفت مورد سنجش هست (درآمد)‬
‫‪ SPSS ‬با هر دو داده به یک شیوه (مقیاسی یا ‪ )Scale‬رفتار میکند‪.‬‬

‫نکته ‪۲۳‬‬ ‫□‬

‫مفاهیم آماری‪ :‬طرحهای وابسته و غیر وابسته‬
‫‪ ‬در طرحهای وابسته یا همبسته چند ویژگی گروهی خاص (مرد یا زن) در یک مقطع زمانی یا در طول زمان اندازه‬
‫گرفته میشود‪.‬‬
‫‪ ‬در طرحهای غیر وابسته یا غیرهمبسته ویژگیهای گروههای خاص (مرد و زن یا گروههای خونی مختلف) بررسی‬
‫میشوند‪.‬‬
‫‪ SPSS ‬به شیوه متفاوت دادههای این طرحها را بررسی میکند‪.‬‬

‫نکته ‪۲۴‬‬ ‫□‬

‫مفاهیم آماری‪ :‬آمار توصیفی‬
‫‪ ‬آمار توصیفی به شرح وضعیت وجود پرداخته و به دالیل تفاوتها توجهی نمیکند‪.‬‬
‫‪ ‬از این آمار برای خالصه نمودن دادهها در چند شاخص استفاده میشود (میانگین‪ ،‬نما‪ ،‬میانه‪ ،‬فراوانی‪ ،‬دامنه‪،‬‬
‫حداقل و حداکثر)‪.‬‬
 ‫‪SPSS‬‬

‫‪ ‬این آمار به شفاف شدن چارچوب مطالعه یاری میرساند‪.‬‬

‫□ نکته ‪۲5‬‬
‫مفاهیم آماری‪ :‬آمار استنباطی‬
‫‪ ‬روشهای آماری با توجه به اهداف پژوهش انتخاب میشوند‪.‬‬
‫‪ ‬پاسخهایی تجربی و متکی به شواهد برای فرضیهها تهیه میشود‪.‬‬
‫‪ ‬تعیین میزان تفاوت‪ ،‬کیفیت ارتباط و بررسی روابط علّی و معلولی از خروجیهای آمار استنباطی هستند‪.‬‬

‫نکته ‪۲6‬‬ ‫□‬

‫مفاهیم آماری‪ :‬فرضیهها و فرض صفر‬
‫‪ ‬پیشبینی نتایج پژوهش بر اساس اطالعات موجود میباشد‪.‬‬
‫‪ ‬فرضیهها با نامهای فرضیههای پژوهش (‪ ،)Research Hypothesis‬تجربی ( ‪Experimental‬‬
‫‪ )Hypothesis‬و جایگزین (‪ )Alternative Hypothesis‬شناخته میشوند‪.‬‬
‫‪ ‬فرضیه صفر برخالف فرضیه پژوهش طراحی میشود‪.‬‬

‫نکته ‪۲۷‬‬ ‫□‬

‫مفاهیم آماری‪ :‬فرضیههای یک و دوطرفه‬
‫‪ ‬در فرضیههای یکطرفه همزمان معنیداری و جهت ارتباط آزمون میشود‪.‬‬
‫‪ ‬در فرضیههای دوطرفه توجه بر وجود ارتباط است‪.‬‬
‫‪ ‬آزمونهای یکطرفه بهندرت استفاده میشوند‪.‬‬

‫نکته ‪۲8‬‬ ‫□‬

‫مفاهیم آماری‪ :‬جامعه و نمونه‬
‫‪ ‬جامعه (‪ )Population‬همه مشاهدات محتمل برای متغیر مورد بررسی را در بر میگیرد‪.‬‬
‫‪ ‬نمونه (‪ )Sample‬بخشی از جامعه بوده و نتایج حاصل از آن به جامعه تعمیم داده میشود‪.‬‬
‫‪ ‬چنانچه عناصر جامعه محدود باشد‪ ،‬تمام شماری انجام میشود‪.‬‬
 ‫‪SPSS‬‬

‫نکته ‪۲9‬‬ ‫□‬

‫مفاهیم آماری‪ :‬پارامترها و آمارهها‬
‫‪ ‬پارامترها مقادیر واقعی ویژگیهای جامعه میباشند‪.‬‬
‫‪ ‬آمارهها روشهای آماری برای برآورد یا آزمون پارامترها با استفاده از اطالعات نمونه هستند‪.‬‬
‫‪ ‬پارامترها ناشناخته بوده‪ ،‬در نتیجه دقت برآورد اهمیت مییابد‪.‬‬

‫نکته ‪۳1‬‬ ‫□‬

‫مفاهیم آماری‪ :‬احتماالت‬
‫‪ ‬نمونه تا چه اندازه نمایندهای واقعی از جامعه مورد بررسی میباشد‪.‬‬
‫‪ ‬تفاوت مشاهده شده تا چه اندازه به شانسی بودن فرآیند نمونهگیری مربوط است‪.‬‬
‫‪ ‬در آزمونهای آماری میزان احتمال یا مقدار ‪ p‬گزارش میشود‪.‬‬

‫□ نکته ‪۳1‬‬
‫مفاهیم آماری‪ :‬معنیداری‬
‫‪ p ‬میزان احتمال اینکه نتیجه به چه میزان میتواند شانسی باشد را مشخص میسازد (صحت فرض صفر)‪.‬‬
‫‪ ‬چنانچه ‪ p‬محاسباتی کمتر از پنج درصد باشد‪ ،‬شانسی بودن نتایج را نمیتوان قبول کرد‪.‬‬
‫‪ ‬با رد فرضیه صفر‪ ،‬نتایج معنیدار (‪ )Significant‬گزارش میشوند‪.‬‬

‫نکته ‪۳۲‬‬ ‫□‬

‫مفاهیم آماری‪ :‬معنیداری مجانبی‬
‫‪ ‬معنیداری مجانبی (‪ )Asymptotic‬در مقابل یک توزیع مجانبی آزمون میشود‪.‬‬
‫‪ ‬توزیع مجانبی توزیعی است که احتمال مقادیر بسیار باال یا بسیار پائین هیچگاه صفر نمیشود‪.‬‬
‫‪ ‬توزیع نرمال یک توزیع مجانبی است‪.‬‬
 ‫‪SPSS‬‬

‫نکته ‪۳۳‬‬ ‫□‬

‫مفاهیم آماری‪ :‬معنیداری واقعی‬
‫‪ ‬استفاده از توزیعهای مجانبی برای نمونههای بزرگ پیشنهاد شده است‪.‬‬
‫‪ ‬برای نمونههای کوچک از معنیداری واقعی استفاده میشود (مانند آزمون دقیق فیشر یا ‪Fisher’s exact‬‬
‫‪.)test‬‬
‫‪ ‬در تحلیل نتایج به استفاده از آزمون واقعی اشاره میگردد‪.‬‬

‫نکته ‪۳۴‬‬ ‫□‬

‫مفاهیم آماری‪ :‬سطوح اطمینان‬
‫‪ ‬استفاده از سطوح اطمینان بهجای برآوردهای نقطهای توصیه شده است‪.‬‬
‫‪ ‬سطوح اطمینان دارای حد باال و حد پائین هستند‪.‬‬
‫‪ ‬حدود باال و پائین دامنهای که انتظار میرود مقدار واقعی در آن قرار گیرد را تعیین میکنند‪.‬‬

‫نکته ‪۳5‬‬ ‫□‬

‫مفاهیم آماری‪ :‬مثال سطوح اطمینان‬
‫‪ ‬چنانچه در سطح اطمینان ‪ ،۱9/0‬حد پائین و باالی متغیری به ترتیب ‪ 2‬و ‪ 3‬باشد‪ ،‬در آن صورت احتمال قرارگیری‬
‫پارامتر مورد بررسی در دامنه مذکور ‪ ۱9‬درصد میباشد‪.‬‬
‫‪ ‬یعنی چنانچه ‪ ۹00‬بار نمونهگیری انجام داده شود‪ ،‬در ‪ ۱9‬مورد پارامتر در محدوده ‪ 2‬و ‪ 3‬قرار خواهد گرفت‪.‬‬

‫نکته ‪۳6‬‬ ‫□‬

‫مفاهیم آماری‪ :‬مزایای کاربرد سطوح اطمینان‬
‫‪ ‬دامنه برآورد از مقدار واقعی پارامتر مشخص میگردد‪.‬‬
‫‪ ‬با استفاده از سطوح اطمینان میتوان میزان همپوشانی متغیرهای مختلف را هنگام رسم میانگینها بررسی نمود‪.‬‬
‫‪ ‬امکان آزمون فرضیه بهسادگی فراهم میشود‪.‬‬
 ‫‪SPSS‬‬

‫نکته ‪۳۷‬‬ ‫□‬

‫مفاهیم آماری‪ :‬اندازه اثر ()‪effect size‬‬
‫‪ ‬اندازه اثر‪ ،‬میزان تأثیر متغیر مستقل بر متغیر وابسته را اندازهگیری میکند (اندازه تفاوت میانگینها)‪.‬‬
‫‪ ‬معنیداری همواره به معنی اثرگذاری قابلتوجه نمیباشد‪ .‬این مطلب با اندازه اثر سنجیده میشود‪.‬‬
‫‪ d ‬کوهن (‪ )Cohen’s d‬برای محاسبه اندازه اثر بکار میرود‪.‬‬

‫نکته ‪۳8‬‬ ‫□‬

‫مفاهیم آماری‪ d :‬کوهن‬
‫‪ 0/9 ،0/2‬و ‪ 0/8‬به ترتیب اندازه اثر کم‪ ،‬متوسط و زیاد شناخته میشوند‪ .‬چنانچه انحراف معیار دو گروه‬
‫‪ ۹2‬و ‪ ۹3‬تایی به ترتیب ‪ 9/68‬و ‪ 9/۱۹‬و تفاوت میانگین آنها‪ -۷/88‬باشد‪ ،‬در آن صورت ‪ d‬کوهن به شکل زیر‬
‫محاسبه میشود‪:‬‬
‫الف) محاسبه میانگین وزنی انحراف معیارها‪:‬‬
‫)‪(5.484 ∗ 12) + (5.911 ∗ 13‬‬
‫‪= 5.706‬‬
‫‪12 + 13‬‬
‫ب) تعیین ‪ d‬کوهن‪:‬‬
‫‪−7.878‬‬
‫=‪Cohen’s d‬‬ ‫‪=-1.38‬‬
‫‪5.706‬‬
‫میانگین مشاهدات گروه اول بیش از یک برابر انحراف معیار از گروه دوم کمتر بوده و اندازه اثر بهطور‬
‫قابلتوجهی بزرگ است‪.‬‬

‫نکته ‪۳9‬‬ ‫□‬

‫مفاهیم آماری‪ :‬اندازه اثر (نکات)‬
‫‪ ‬در مداخالت حیاتی اندازه اثر کم‪ ،‬بسیار با ارزش میتواند باشد‪.‬‬
‫‪ ‬اندازه اثر با هزینه انجام مداخله مقایسه میشود‪.‬‬
‫‪ ‬گزارش اندازه اثر در نتایج تحلیلی آمار استنباطی هنگام معنیداری متغیرها توصیه شده است‪.‬‬
 ‫‪SPSS‬‬

‫نکته ‪۴1‬‬ ‫□‬

‫مفاهیم آماری‪ :‬توان آماری‬
‫‪ ‬توان آماری (‪ )Statistical Power‬میزان قدرت آزمون در تشخیص بین صحت یا اشتباه بودن فرض صفر را‬
‫تعیین میکند‪.‬‬
‫‪ ‬توان آماری تحت تأثیر اندازه اثر و حجم نمونه میباشد‪.‬‬
‫‪ ‬چنانچه فرض صفر رد نشود میتوان آن را به صحت فرض یا پائین بودن توان آماری نسبت داد‪.‬‬

‫نکته ‪۴1‬‬ ‫□‬

‫مفاهیم آماری‪ :‬تساوی عملی‬
‫‪ ‬چنانچه اجرا پذیری میدانی نتیجه اهمیت داشته باشد‪ ،‬در آن صورت موضوع تساوی عملی (‪)Equivalence‬‬
‫مطرح میگردد‪.‬‬
‫‪ ‬با عدم تأمین حداقل میزان اندازه اثر مورد نیاز‪ ،‬روش جدید با وجود معنیداری‪ ،‬پذیرفتهنشده و گزارش میشود‬
‫تساوی عملی وجود دارد‪.‬‬

‫نکته ‪۴۲‬‬ ‫□‬

‫مفاهیم آماری‪ :‬تساوی عملی (نکات)‬
‫‪ ‬چنانچه توان آماری برای اندازه اثر مطلوب حدود ‪ 0/8‬باشد‪ ،‬گزارش میشود میان روشها تفاوت عملی وجود‬
‫ندارد‪.‬‬
‫‪ ‬اگر توان آماری مورد نیاز برای اندازه اثر درخواستی کمتر از ‪ 9/0‬هست‪ ،‬گزارش میشود ارزشمندی روش‬
‫جدید هنوز نامشخص میباشد‪.‬‬

‫نکته ‪۴۳‬‬ ‫□‬

‫مفاهیم آماری‪ :‬آزمونهای پارامتری و نا پارامتری‬
‫‪ ‬آزمونهای پارامتری (‪ )Parametric‬و نا پارامتری (‪ )Non Parametric‬جزء آمار استنباطی هستند‪.‬‬
‫‪ ‬آزمونهای پارامتری توان آماری بیشتری نسبت به آزمونهای نا پارامتری دارند‪.‬‬
‫‪ ‬آزمونهای نا پارامتری به پیشفرضهای کمتری نیاز دارند‪.‬‬
 ‫‪SPSS‬‬

‫نکته ‪۴۴‬‬ ‫□‬

‫مفاهیم آماری‪ :‬آزمونهای پارامتری (شرایط الزم)‬
‫‪ ‬دادهها در مقیاس فاصلهای یا نسبی اندازهگیری شدهاند‪.‬‬
‫‪ ‬توزیع احتمالی دادهها تصادفی‪ ،‬نرمال یا طبیعی هست‪.‬‬
‫‪ ‬گروهها یا نمونههای مورد مقایسه دارای واریانس برابر میباشند (واریانس همسان)‪.‬‬
‫‪ ‬دقت پیشبینی‪ ،‬وابسته به سطح متغیر مستقل نیست‪.‬‬

‫نکته ‪۴5‬‬ ‫□‬

‫وارد کردن داده در ‪IBM SPSS‬‬
‫‪ ‬با فعال کردن ‪ SPSS‬در رایانه ابتدا شکل ‪ ،3‬ظاهر میشود‪.‬‬
‫‪ ‬در این مرحله امکان انتخاب فایلهای قبلی از قسمت ‪ Open another file‬در ‪ Recent Files‬یا وارد کردن‬
‫مستقیم داده با انتخاب ‪ New Dataset‬در ‪ New Files‬وجود دارد‪.‬‬
‫‪ ‬با انتخاب ‪ New Dataset‬پنجره ‪ Data Editor‬ظاهر میشود‪.‬‬

‫شکل ‪ :3‬نحوه انتخاب فایلهای قبلی یا واردکردن مستقیم داده‬

 ‫‪SPSS‬‬

‫نکته ‪۴6‬‬ ‫□‬

‫وارد کردن داده در ‪( IBM SPSS‬مثال)‬
‫‪ ‬درآمد ماهانه ‪ 60‬نفر زن و مرد جمعآوریشده است‪.‬‬
‫‪ ‬درآمد با ‪ income‬و جنسیت با ‪ gender‬مشخص شده است‪.‬‬
‫‪ ‬دادههای درآمد‪ ،‬نسبی و جنسیت‪ ،‬اسمی (‪ ۹‬و ‪ )2‬میباشد‪.‬‬
‫‪ ‬دادههای مورد نظر در فایل ‪ ،dataentry.sav‬آمده است‪.‬‬
‫‪ ‬شکل ‪ ،6‬نمایی از ‪ Variable View‬میباشد‪.‬‬

‫شکل ‪ :6‬معرفی ویژگیهای دادههای مورد بررسی‬

‫نکته ‪۴۷‬‬ ‫□‬

‫آمار توصیفی (‪)Descriptive Statistics‬‬
‫‪ ‬معیارهای وضعیت نسبی‪ :‬فراوانی‪ ،‬رتبه درصدی‪ ،‬صدک ها و چارکها‬
‫معیارهای گرایش مرکزی‪ :‬میانگین‪ ،‬میانه و نما‬ ‫‪‬‬
‫‪ ‬معیارهای پراکندگی‪ :‬دامنه تغییرات‪ ،‬واریانس و انحراف معیار‬
‫‪ ‬کجی‪ :‬در توزیع متقارن کجی صفر هست‪ .‬چنانچه دامنه توزیع به سمت راست پخش شده باشد‪ ،‬توزیع دارای‬
‫کجی مثبت و در حالت عکس‪ ،‬کجی منفی خواهد بود‪.‬‬
‫کشیدگی‪ :‬بیانگر میزان بلندا و پهنای توزیع میباشد‪.‬‬ ‫‪‬‬
 ‫‪SPSS‬‬

‫نکته ‪۴8‬‬ ‫□‬

‫فراوانی (‪)Frequencies‬‬
‫‪ ‬با دستور فراوانی مقادیر متغیر‪ ،‬طبقهبندی میشود‪.‬‬
‫‪ ‬در جدول فراوانی‪ ،‬فراوانی نسبی (‪ ،)Percent‬درصد معتبر (‪ )Valid Percent‬و درصد تجمعی‬
‫(‪ )Cumulative Percent‬ارائه میشود‪.‬‬
‫‪ ‬بهمنظور اجرای دستور مراحل زیر انجام داده میشود‪:‬‬
‫‪Analyze → Descriptive Statistics → Frequencies‬‬

‫نکته ‪۴9‬‬ ‫□‬

‫فراوانی‪ :‬تعاریف‬
‫‪ ‬فراوانی‪ :‬تعداد مشاهدات هر مورد یا گروه را مشخص میسازد‪.‬‬
‫‪ ‬درصد معتبر‪ :‬نسبت تعداد مشاهدات هر گروه به کل دادههای معتبر (کل مشاهدات بهجز دادههای مفقود) میباشد‪.‬‬
‫‪ ‬درصد تجمعی‪ :‬تجمیع پیوستهای از درصدهای معتبر میباشد و برای دادههای اسمی کاربرد ندارد‪.‬‬

‫نکته ‪51‬‬ ‫□‬

‫فراوانی‪ :‬مثال‬
‫الف) برای متغیر طبقهای یا ‪ CATEGORICAL VARIABLES‬جنسیت که با ‪ gender‬مشخص شده‬
‫است‪.‬‬
‫ب) برای متغیر کمّی یا ‪ QUANTITATIVE VARIABLES‬درآمد که با ‪ income‬تعریف شده است‪.‬‬
 ‫‪SPSS‬‬

‫شکل ‪ :9‬تعریف متغیر طبقهای‬

‫جدول ‪ :۹‬نتایج‬

‫نکته ‪51‬‬ ‫□‬

‫فراوانی‪ :‬متغیر طبقهای (گزارش دهی)‬
‫تعداد نمونه مورد مطالعه ‪ 60‬نفر بود که از میان آنها ‪ 20‬نفر زن و ‪ 20‬نفر مرد میباشند‪ .‬داده مفقود مشاهده‬
‫نشده‪ ،‬لذا درصد معتبر با فراوانی نسبی تفاوتی ندارد‪ .‬در مطالعه حاضر سهم زنان و مردان از نمونه مساوی و هر‬
‫یک برابر با ‪ 90‬درصد میباشد‪.‬‬

‫نکته ‪5۲‬‬ ‫□‬

‫فراوانی‪ :‬متغیر کمّی (‪)QUANTITATIVE VARIABLES‬‬
‫‪ ‬فایل ‪ frequencies.sav‬را باز کنید‪.‬‬
‫‪ ‬از منوی اصلی (‪ )main menu‬مسیر زیر را انتخاب نمایید‪.‬‬
 ‫‪SPSS‬‬

‫‪Analyze ➔Descriptive Statistics ➔ Frequencies‬‬

‫‪ ‬متغیر ‪ income‬را به پانل متغیر(ها) یا ‪ Variable(s) panel‬بهصورت شکل زیر انتقال دهید‪.‬‬

‫شکل ‪ :4‬فراوانی متغیر کمّی‬

‫‪ Display frequency tables‬را انتخاب نمایید‪.‬‬ ‫‪‬‬

‫‪ ‬دکمه (‪ )pushbutton‬آمارهها یا ‪ Statistics‬را انتخاب کنید‪.‬‬
‫کادر گفتگوی آمارهها (‪ )Statistics screen‬بهصورت شکل زیر ظاهر میشود‪.‬‬ ‫‪‬‬

‫شکل ‪ :۷‬کادر گفتگوی آمارهها‬

 ‫‪SPSS‬‬

‫‪ ‬در سمت چپ و باال زیر عنوان ‪ ،Percentile Values‬چارکها (‪ )Quartiles‬را انتخاب نمایید‪.‬‬
‫‪ ‬سمت راست و باال زیر عنوان گرایش مرکزی یا ‪ ،Central Tendency‬میانگین (‪ )Mean‬و میانه (‪)Median‬‬
‫را انتخاب کنید‪.‬‬
‫‪ ‬زیر عنوان پراکندگی یا ‪ ،Dispersion‬انحراف معیار (‪ ،)Std. deviation‬حداقل (‪ ،)Minimum‬حداکثر‬
‫(‪ )Maximum‬و انحراف معیار میانگین (‪ )S.E. mean‬را انتخاب نمایید‪.‬‬
‫‪ ‬زیر عنوان توزیع یا ‪ ،Distribution‬کجی یا چولگی (‪ )Skewness‬و کشیدگی (‪ )Kurtosis‬را انتخاب‬
‫کنید‪.‬‬

‫نکته ‪5۳‬‬ ‫□‬

‫فراوانی‪ :‬نمودارها (‪)charts‬‬
‫‪ ‬در کادر گفتگوی آمارهها‪ ،‬دکمه ادامه یا ‪ Continue‬را انتخاب نمایید تا به کادر گفتگوی اصلی ( ‪main‬‬
‫‪ )dialog window‬بازگردید‪.‬‬
‫‪ ‬دکمه نمودارها (‪ )Charts‬را انتخاب و در پنجره نمودارها (‪ ،)Charts window‬هیستوگرام (‪)Histograms‬‬
‫نمایید‪.‬‬

‫شکل ‪ :8‬پنجره نمودارها‬

 ‫‪SPSS‬‬

‫‪ ‬با انتخاب دکمه ادامه یا ‪ Continue‬ابتدا به پنجره اصلی گفتگو برگشته و سپس با تائید ‪ OK‬تحلیل نتایج آغاز‬
‫میشود‪.‬‬
‫‪ ‬آمار توصیفی متغیر درآمد بهصورت زیر در پنجره مشاهده گر (‪ )Viewer Window‬نمایش داده میشود‪.‬‬

‫جدول ‪ :2‬آمار توصیفی متغیر کمّی‬

‫نکته ‪5۴‬‬ ‫□‬

‫آمار توصیفی متغیر کمّی‪ :‬خطای معیار میانگین‬
‫خطای معیار میانگین (‪ )Std. Error of Mean‬از تقسیم انحراف معیار دادهها (‪ )Std. Deviation‬به ریشه‬
‫دوم ( ‪ )Square Root‬تعداد مشاهدات معتبر (‪ )N‬محاسبه میشود‪:‬‬
‫‪1.30745‬‬
‫= ‪Std. Error of Mean‬‬ ‫‪= 0.21210‬‬
‫‪√38‬‬

‫نکته ‪55‬‬ ‫□‬

‫خطای معیار میانگین‪ :‬کاربرد‬
‫‪ ‬خطای معیار میانگین‪ ،‬برآوردی از انحراف معیار میانگینهای نمونههای فرضی تصادفی ‪ N‬تایی از جامعه میباشد‪.‬‬
‫‪ ‬توزیع احتمالی میانگین‪ ،‬نرمال فرض میشود‪.‬‬
‫‪ ‬خطای معیار میانگین در محاسبه فاصله اطمینان (‪ )Confidence Interval‬کاربرد دارد‪.‬‬
 ‫‪SPSS‬‬

‫نکته ‪56‬‬ ‫□‬

‫خطای معیار میانگین‪ :‬مثال‬
‫فاصله اطمینان ‪ ۱9‬درصدی برای میانگین درآمد بهصورت زیر محاسبه میشود‪:‬‬
‫‪Lower confidence value=6.415- (1.96*0.2121)=5.9993‬‬
‫‪Upper confidence value= 6.415+ (1.96*0.2121)=6.8307‬‬
‫‪ ۹/۱4‬مقدار ‪ z‬برای ‪ ۱9‬درصد بوده و ‪ 4/6۹‬میانگین درآمد و ‪ 0/2۹‬خطای معیار میانگین است‪.‬‬

‫نکته ‪5۷‬‬ ‫□‬

‫خطای معیار میانگین‪ :‬تحلیل‬
‫‪ ‬سطح پائین اطمینان (‪ )Lower confidence value‬و سطح باالی اطمینان (‪)Upper confidence value‬‬
‫برای میانگین درآمد به ترتیب ‪ 9/۱۱‬و ‪ 4/83‬میباشد‪.‬‬
‫‪ ‬چنانچه نمونهگیری بهدفعات انجام شود در ‪ ۱9‬درصد موارد میانگین در فاصله ‪ 9/۱۱‬الی ‪ 4/83‬قرار خواهد گرفت‪.‬‬

‫نکته ‪58‬‬ ‫□‬

‫کجی‪ :‬توضیح‬
‫‪ ‬کجی یا ‪ Skewness‬میزان عدم تقارن توزیع را نشان میدهد‪.‬‬
‫‪ ‬منحنی نرمال دارای کجی صفر میباشد‪.‬‬
‫چنانچه بیشتر اعداد نمونه کوچک باشند‪ ،‬کجی مثبت (‪ )Positive Skewness‬و دنباله توزیع ( ”‪The “tail‬‬ ‫‪‬‬
‫‪ )of the distribution‬به سمت مقادیر مثبت محور ‪ X‬خواهد بود‪.‬‬

‫نکته ‪59‬‬ ‫□‬

‫کجی‪ :‬مثال‬
‫‪ ‬اگر بیشتر اعداد نمونه ارقام بزرگی هستند‪ ،‬کجی منفی (‪ )Negative Skewness‬و دنباله توزیع به سمت‬
‫مقادیر منفی محور ‪ X‬خواهد بود‪.‬‬
‫‪ ‬کجی متغیر درآمد‪ -/0۹8 ،‬میباشد که بیانگر کجی منفی توزیع احتمالی است‪.‬‬
 ‫‪SPSS‬‬

‫نکته ‪61‬‬ ‫□‬

‫کشیدگی‪ :‬توضیح‬
‫‪ ‬کشیدگی (‪ )Kurtosis‬میزان فشردگی (‪ )Compression‬یا پهنی (‪ )Flattening‬توزیع را نسبت به منحنی‬
‫نرمال (‪ )Normal Curve‬مشخص میسازد‪.‬‬
‫‪ ‬کشیدگی منحنی نرمال صفر بوده و ‪ mesokurtosis‬نامیده میشود‪.‬‬

‫نکته ‪61‬‬ ‫□‬

‫کشیدگی مثبت‬
‫‪ ‬کشیدگی مثبت (‪ )Positive Kurtosis‬هنگامی است که توزیع نسبت به منحنی نرمال حول مرکز فشردگی‬
‫(‪ )more compressed toward the center‬بیشتری دارد‪.‬‬
‫‪ ‬کشیدگی مثبت‪ leptokurtosis ،‬نامیده میشود‪.‬‬

‫نکته ‪6۲‬‬ ‫□‬

‫کشیدگی منفی‬
‫‪ ‬زمانی که توزیع نسبت به منحنی نرمال پهنتر باشد‪ ،‬گفته میشود کشیدگی منفی (‪)Negative Kurtosis‬‬
‫وجود دارد‪.‬‬
‫کشیدگی منفی به نام ‪ platykurtosis‬شناخته میشود‪.‬‬ ‫‪‬‬
‫‪ ‬کشیدگی مثال فوق ‪ -0/۱4‬محاسبه شده است‪.‬‬

‫نکته ‪6۳‬‬ ‫□‬

‫کشیدگی‪ :‬تحلیل‬
‫‪ ‬چنانچه کشیدگی در فاصله ‪ -۹‬تا ‪ +۹‬باشد‪ ،‬گفته میشود توزیع بیش از اندازه کشیدگی ندارد‪.‬‬
‫‪ ‬اگر کشیدگی در فاصله ‪ -0/9‬تا ‪ +0/9‬باشد‪ ،‬محققین از عبارت ‪ a bit of compression‬برای توضیح وضعیت‬
‫استفاده میکنند‪.‬‬
‫‪ ‬برای کشیدگی ‪ -۹‬یا ‪ +۹‬واژه ‪ mild compression‬کاربرد دارد‪.‬‬
 ‫‪SPSS‬‬

‫نکته ‪6۴‬‬ ‫□‬

‫کشیدگی‪ :‬مثال‬
‫‪ ‬کشیدگی متغیر درآمد ‪ -0/۱4‬است‪ ،‬لذا کشیدگی منفی داشته و نسبت به محنی نرمال پهنتر میباشد‪.‬‬
‫‪ ‬خطای معیار کشیدگی‪ 0/۷9 ،‬است که در فاصله اعتماد ‪ ۱9‬درصدی‪ ،‬دامنه پائین و باالی آن (‪−0/۱4۹ ±‬‬
‫‪ -2/63 ،)۹/۱4 × 0/۷90‬و ‪ 0/9۹‬خواهد بود‪.‬‬

‫شکل ‪ :۱‬هیستوگرام‬
 ‫‪SPSS‬‬

‫جدول ‪ :3‬جدول فراوانی‬

‫ویدیوی ‪ :1‬فراوانی متغیر کمی‬

‫قابلدسترس در سی دی و کانال تلگرام ‪@drshahnavazi‬‬

‫نکته ‪65‬‬ ‫□‬

‫آمار توصیفی متغیر کمّی‪ :‬گزارش دهی‬
‫از ‪ 60‬نمونه جمعآوریشده‪ 38 ،‬مورد معتبر (‪ )Valid‬و ‪ 2‬مورد مفقوده (‪ )Missing‬هستند‪ .‬میانگین مشاهدات‬
‫معتبر ‪ 4/6۹‬میباشد که با توجه به خطای معیار میانگین ‪ 0/02۹‬حد پائین و حد باالی فاصله اعتماد ‪ ۱9‬درصدی‬
‫به ترتیب ‪ 9/۱۱‬و ‪ 4/83‬خواهد بود‪ .‬میانه مشاهدات ‪ 4/43‬بوده و انحراف معیار آنها ‪ ۹/3۹‬میباشد‪ .‬کجی متغیر‬
‫درآمد‪ -0/0۹8 ،‬بوده که بیانگر تقارن نسبی توزیع احتمالی میباشد (در محدوده ‪ ±۹‬قرار گرفته است) ولی با‬
‫کشیدگی ‪ ،-0/۱4‬کشیدگی منفی‪ ،‬محسوس هست‪ .‬حداقل و حداکثر دادهها نیز به ترتیب ‪ 6/63‬و ‪ ۱‬میباشد‪.‬‬

‫نکته ‪66‬‬ ‫□‬

‫آمارههای توصیفی (‪)Descriptives‬‬
‫‪ ‬آمارههای توصیفی برای متغیرهای کمّی (‪ )Quantitative Variables‬کاربرد دارد‪.‬‬
 ‫‪SPSS‬‬

‫‪ ‬آمارههای این قسمت بهجز درصدها (‪ )Percentiles‬و گرافها (‪ )Graphic Output‬مشابه قسمت فراوانی‬
‫(‪ )Frequencies‬است‪.‬‬
‫‪ ‬امکان تبدیل متغیرها به مقادیر استاندارد وجود دارد‪.‬‬

‫نکته ‪6۷‬‬ ‫□‬

‫آمارههای توصیفی‪ :‬مثال‬
‫‪ ‬فایل ‪ frequencies.sav‬را باز کنید‪.‬‬
‫‪ ‬از مسیر زیر متغیر درآمد (‪ )income‬را انتخاب نمایید‪.‬‬
‫‪Analyze ➔Descriptive Statistics ➔Descriptives ‬‬
‫‪ ‬دکمه گزینهها (‪ )Options pushbutton‬را برگزینید‪.‬‬
‫‪ ‬آمارههای میانگین‪ ،‬انحراف معیار‪ ،‬حداقل‪ ،‬حداکثر‪ ،‬خطای معیار میانگین‪ ،‬کشیدگی و کجی را انتخاب نمایید‪.‬‬

‫شکل ‪ :۹0‬مسیر دستور آمار توصیفی‬

 ‫‪SPSS‬‬

‫شکل ‪ :۹۹‬انتخاب متغیر آمار توصیفی‬

‫شکل ‪ :۹2‬انتخاب آمارههای توصیفی‬

 ‫‪SPSS‬‬

‫جدول ‪ :6‬نتایج توصیفی‬

‫نکته ‪68‬‬ ‫□‬

‫آمارههای توصیفی‪ :‬تحلیل‬
‫بر اساس اطالعات جدول میتوان گفت که از ‪ 60‬داده موجود ‪ 38‬مورد معتبر بوده و حداقل و حداکثر آن به‬
‫ترتیب ‪6/63‬و ‪ ۱‬هست‪ .‬میانگین متغیر ‪ 4/6۹‬با خطای معیار ‪ 0/2۹‬میباشد‪ .‬انحراف معیار متغیر ‪ ۹/3۹‬بوده و دارای‬
‫توزیعی به نسبت متقارن با کشیدگی منفی است‪.‬‬

‫ویدیوی ‪ :۲‬آمارههای توصیفی‬

‫قابلدسترس در سی دی و کانال تلگرام ‪@drshahnavazi‬‬

‫نکته ‪69‬‬ ‫□‬

‫اکتشاف‬
‫‪ ‬فرمان اکتشاف یا ‪ Explore‬برای دادههای کمّی که از طرحهای مستقل جمعآوریشدهاند‪ ،‬کاربرد دارد‪.‬‬
‫‪ ‬امکان توصیف دادهها به تفکیک گروههای مختلف را فراهم میسازد‪.‬‬
‫‪ ‬برای استفاده از امکانات این فرمان مسیر زیر را انتخاب نمایید‪:‬‬
‫‪Analyze ➔Descriptive Statistics ➔ Explore‬‬
 ‫‪SPSS‬‬

‫شکل ‪ :۹3‬مسیر دستور اکتشاف‬

‫نکته ‪۷1‬‬ ‫□‬

‫اکتشاف‪Statistics :‬‬
‫‪ ‬در این قسمت حد پائین و باالی میانگین با انتخاب ‪ Descriptives‬و تعیین فاصله اطمینان برای میانگین‬
‫(‪ )Confidence Interval for Mean‬محاسبه میشود‪.‬‬
‫‪ ‬با انتخاب ‪ Percentiles‬مجموعهای از صدک ها به همراه چارکها یا ‪ Quartiles‬گزارش میشود‪.‬‬

‫نکته ‪۷1‬‬ ‫□‬

‫اکتشاف‪Plots :‬‬
‫‪ ‬در این قسمت امکان ترسیم نمودارهای جعبهای و ویسکرز (‪ )box and whiskers plot‬وجود دارد‪.‬‬
‫‪ ‬نمودارهای جعبهای برای بررسی نحوه توزیع و شناسایی دادههای پرت و افراطی کاربرد دارد‪.‬‬
‫‪ ‬این نمودارها توسط توکی در سال ‪ ۹۱۷۷‬معرفی شدند‪.‬‬

‫نکته ‪۷۲‬‬ ‫□‬

‫اکتشاف‪ :‬اصطالحات‬
‫‪ ‬فاصله چارکی یا )‪ ،Interquartile Range (IQR‬اختالف مطلق چارک اول (درصد ‪ 29‬ام) با چارک سوم‬
‫(درصد ‪ ۷9‬ام) است‪.‬‬
 ‫‪SPSS‬‬

‫‪ ‬میانگین اصالح شده ‪ 9‬درصدی (‪ )5% Trimmed Mean‬با حذف پنج درصد دادهها از هر طرف محاسبه‬
‫میشود‪.‬‬
‫‪ Exclude cases pairwise ‬امکان انجام محاسبه با حداکثر داده معتبر را فراهم میسازد‪.‬‬

‫شکل ‪ :۹6‬انتخاب متغیرهای اکتشافی‬

‫شکل ‪ :۹9‬انتخاب آمارههای اکتشافی‬

 ‫‪SPSS‬‬

‫شکل ‪ :۹4‬انتخاب گرافهای اکتشافی‬

‫شکل ‪ :۹۷‬گزینههای اکتشافی‬

 ‫‪SPSS‬‬

‫ویدیوی ‪ :۳‬اکتشاف‬

‫قابلدسترس در سی دی و کانال تلگرام ‪@drshahnavazi‬‬

‫جدول ‪ :9‬نتایج اکتشافی‬

‫نکته ‪۷۳‬‬ ‫□‬

‫نتایج دستور اکتشاف‪ :‬خالصه (تحلیل)‬
‫از ‪ 60‬نمونه مورد مطالعه‪ 38 ،‬داده معتبر (‪ )Valid‬و ‪ 2‬داده مفقوده (‪ )Missing‬مشاهده شده است‪ .‬موارد‬
‫مفقود متعلق به گروه زنان بوده در نتیجه درصد معتبر این گروه ‪ ۱0‬درصد محاسبه شده است‪ .‬درصد دادههای‬
‫مفقود گروه زنان و مردان به ترتیب ‪ ۹0‬و ‪ 0‬درصد میباشد‪.‬‬
‫بررسی دادههای پژوهش به تفکیک گروههای مختلف نشان میدهد که میانگین درآمد زنان ‪ 9/48‬بوده و‬
‫کمتر از میانگین درآمد مردان با ‪ ۷/08‬میباشد‪ .‬میانگین اصالح شده ‪ 9‬درصدی زنان و مردان به ترتیب ‪ 9/49‬و‬
‫‪ ۷/۹2‬است که تفاوت چندانی با میانگین اصلی ندارد‪ .‬عدم وجود تفاوت قابلتوجه‪ ،‬دلیلی بر عدم وجود دادههای‬
‫پرت (‪ )Outlier‬میباشد‪.‬‬
‫دامنه (‪ )Range‬که بیانگر فاصله حداقل و حداکثر دادههاست در زنان ‪ 3‬و در مردان ‪ 6/9۷‬میباشد‪ ،‬یعنی‬
‫پراکنش درآمد در مردان بیشتر از زنان است‪ .‬میانه در گروه زنان ‪ 9/46‬و در گروه مردان ‪ ۷/02‬بوده و دادههای‬
‫گروه زنان کجی مثبت و گروه مردان کجی منفی نشان میدهند‪ .‬فاصله چارکی در زنان و مردان نیز به ترتیب ‪2‬‬
‫و ‪ ۹/68‬شده است‪.‬‬
 ‫‪SPSS‬‬

‫جدول ‪ :9‬نتایج آمار توصیفی اکتشافی‬

‫جدول ‪ :4‬صدک ها‬

‫در ردیف نخست جدول صدک های ‪ ۱0 ،90 ،29 ،۹0 ،9‬و ‪ ۱9‬گروههای زنان و مردان به تفکیک محاسبه‬
‫شده است‪ .‬صدک ‪ 29‬ام مردان نشان میدهد که ‪ 29‬درصد افراد‪ ،‬درآمدی کمتر از ‪ 4/42‬دارند‪ .‬ردیف دوم‬
‫چارکهای اول‪ ،‬دوم (میانه) و سوم توکی هستند (‪ )Tukey’s Hinges‬که در بررسی دادههای پرت کاربرد‬
‫دارند‪.‬‬
 ‫‪SPSS‬‬

‫شکل ‪ :۹8‬هیستوگرام زنان‬

‫شکل ‪ :۹۱‬هیستوگرام مردان‬

‫هیستوگرام گروه زنان نشان میدهد که فراوانی دادهها بیشتر در مقادیر پائین بوده‪ ،‬درنتیجه کجی مثبت‬
‫مشاهده میشود و دامنه توزیع به سمت مقادیر مثبت است‪ .‬کشیدگی توزیع نیز منفی بوده و خوابیدهتر از منحنی‬
‫نرمال عادی میباشد‪.‬‬
 ‫‪SPSS‬‬

‫هیستوگرام گروه مردان رفتاری متفاوت داشته و فراوانی مقادیر باال‪ ،‬قابلتوجه میباشد‪ ،‬لذا نوع کجی‬
‫منفی و دامنه توزیع به سمت مقادیر چپ است‪ .‬توزیع همچنین دارای کشیدگی مثبت بوده و ارتفاع آن بیشازحد‬
‫نرمال میباشد‪ .‬با احتیاط میشود گفت توزیع دادههای زنان و مردان چندان نامتقارن نیست‪.‬‬

‫شکل ‪ :20‬نمودار جعبهای‬

‫نکته ‪۷۴‬‬ ‫□‬

‫نمودار جعبهای (توضیح)‬
‫مستطیل وسط‪ ،‬بخش میانه توزیع (‪ )The middle portion of the distribution‬را مشخص‬
‫میسازد‪ .‬قسمت پائین و باالی آن بهطور تقریبی با چارکهای اول و سوم برابر بوده و خط پررنگ درون مستطیل‪،‬‬
‫بیانگر میانه توزیع هست‪ .‬خطوطی که از دو طرف مستطیل خارج شدهاند ویسکرز (‪ )Whiskers‬نامیده میشوند‪.‬‬

‫نکته ‪۷5‬‬ ‫□‬

‫نمودار جعبهای (کاربرد)‬
‫‪ ‬نمودار جعبهای در شناسایی دادههای پرت (‪ )Outliers‬و انتهایی (‪ )Extreme‬کاربرد دارد‪.‬‬
‫‪ ‬چنانچه دادهای در فاصله ‪ ۹/9‬تا ‪ 3‬برابری فاصله چارکی قرار گیرد با دایره (‪ )O‬مشخص شده و بیانگر پرت بودن‬
‫داده است‪.‬‬
‫‪ ‬اگر دادهای دورتر از ‪ 3‬برابر فاصله چارکی باشد‪ ،‬داده انتهایی بوده و با ستاره مشخص میشوند‪.‬‬
 ‫‪SPSS‬‬

‫شکل ‪ :2۹‬شناسایی داده پرت‬

‫شکل ‪ :22‬شناسایی داده انتهایی‬

‫نکته ‪۷6‬‬ ‫□‬

‫نمودار جعبهای (گزارش دهی)‬
‫بررسی نمودار جعبهای گروههای زنان و مردان نشان میدهد که پراکنش دادهها در گروه مردان بیشتر از‬
‫گروه زنان است‪ .‬هر دو گروه باآنکه حداقل مقدار یکسانی دارند ولی حداکثر درآمد در گروه مردان بیشتر است‪.‬‬
‫میانگین مشاهدات در گروه مردان بیشتر از گروه زنان بوده و در هیچیک از گروهها داده پرت مشاهده نمیشود‪.‬‬
 ‫‪SPSS‬‬

‫نکته ‪۷۷‬‬ ‫□‬

‫تبدیل دادهها‪ :‬مقادیر استاندارد ‪z‬‬
‫‪ ‬در قسمت ‪ Descriptives‬میتوان با انتخاب ‪ standardized values of variables Save‬مقادیر‬
‫استاندارد دادههای خام (‪ )Raw Data‬را محاسبه نمود‪.‬‬
‫‪ ‬مقادیر ‪ ،z‬میزان تفاوت داده برحسب انحراف معیار از میانگین نمونه را مشخص میسازند‪.‬‬
‫‪ ‬مقادیر استاندارد ‪ z‬از رابطه زیر محاسبه میشوند‪:‬‬
‫‪z = (X − M)/SD‬‬
‫که در آن ‪ X‬داده اصلی‪ M ،‬میانگین و ‪ SD‬انحراف معیار میباشد‪.‬‬
‫‪ ‬مقدار مثبت نشان میدهد که داده از میانگین بزرگتر و مقدار منفی بیانگر کوچک بودن داده از میانگین هست‪.‬‬

‫نکته ‪۷8‬‬ ‫□‬

‫تبدیل دادهها‪ :‬مقادیر استاندارد ‪( z‬مثال)‬
‫‪ ‬فایل ‪ frequencies.sav‬را باز کرده و از منوی اصلی (‪ )main menu‬مسیر زیر انتخاب نمایید‪:‬‬
‫‪Analyze ➔Descriptive Statistics ➔ Descriptives‬‬
‫‪ ‬سپس متغیر درآمد را به قسمت )‪ Variable(s‬منتقل و‪ standardized values of variables Save‬را‬
‫انتخاب نمایید‪.‬‬

‫نکته ‪۷9‬‬ ‫□‬

‫تبدیل دادهها‪ :‬مقادیر استاندارد ‪( z‬خروجی)‬
‫خروجی اجرای دستور از دو قسمت تشکیل یافته است‪:‬‬
‫نخست؛ جدول آمارههای توصیفی شامل حداقل‪ ،‬حداکثر‪ ،‬میانگین و انحراف معیار که دادهها بر اساس‬
‫آنها‪ ،‬به مقادیر استاندارد تبدیل میشوند‪،‬‬
‫دوم؛ متغیر ‪ Zincome‬به فهرست متغیرها اضافه میشود‪.‬‬
‫جدول ‪ :۷‬آمارههای توصیفی‬
 ‫‪SPSS‬‬

‫شکل ‪ :23‬متغیر استاندارد‬

‫ویدیوی ‪ :۴‬متغیر استاندارد‬

‫قابلدسترس در سی دی و کانال تلگرام ‪@drshahnavazi‬‬

‫نکته ‪81‬‬ ‫□‬

‫تبدیل دادهها‪ :‬رمزگذاری مجدد‬
‫‪ ‬متغیرهای اسمی و کمّی را با توجه به اهداف پژوهش میتوان رمزگذاری مجدد (‪ )Recoding‬کرد‪.‬‬
‫‪ ‬متغیرهای اسمی بیشتر رمزگذاری مجدد میشوند‪.‬‬
‫‪ ‬هنگامیکه تعداد اعضای گروهها برای انجام محاسبات کافی نباشند‪ ،‬از این روش برای تجمیع دادهها استفاده‬
‫میشود‪.‬‬
 ‫‪SPSS‬‬

‫‪ ‬در دادههای کمّی برای مدیریت مشاهدات پرت ولی واقعی میتوان از روش ‪ Recoding‬استفاده نمود و به‬
‫آنها اعداد قابل قبول اختصاص داد‪.‬‬
‫‪ ‬دو روش کدگذاری ‪ recode a variable into the same variable‬و ‪recode a variable into‬‬
‫‪ a different variable‬وجود دارد‪.‬‬
‫‪ ‬استفاده از روش ‪ recode a variable into the same variable‬به دلیل حذف دادههای اولیه‪ ،‬توصیه‬
‫نمیشود‪.‬‬
‫‪ ‬رمزگذاری مجدد برای دادههای کدگذاری شده نیز کاربرد دارد‪ ،‬برای مثال دادههای که بر حسب شهرستان‬
‫کدگذاری شدهاند را میتوان به تفکیک منطقه جغرافیایی‪ ،‬رمزگذاری مجدد نمود‪.‬‬

‫نکته ‪81‬‬ ‫□‬

‫تبدیل دادهها‪ :‬رمزگذاری مجدد (مثال‪ :‬داده کمّی)‬
‫‪ ‬فایل ‪ Recoding‬شامل متغیر سن (‪ ،)age‬تعداد مراجعه به درمانگاه (‪ )visit‬و محله سکونت (‪ )sector‬را باز‬
‫نمایید‪.‬‬
‫‪ ‬از مسیر زیر متغیر سن (‪ )age‬را به پنجره گفتگوی رمز مجدد (‪ )Recode dialog window‬بیاورید‪.‬‬
‫‪ ‬متغیر ‪ age‬را به کادر ‪ Numeric Variable ➔ Output Variable‬منتقل نمایید‪.‬‬
 ‫‪SPSS‬‬

‫شکل ‪ :26‬دادههای رمزگذاری مجدد‬

‫شکل ‪ :29‬تعریف دادهها‬

 ‫‪SPSS‬‬

‫شکل ‪ :24‬مسیر رمزگذاری مجدد‬

‫شکل ‪ :2۷‬تعریف نام متغیر برای رمزگذاری مجدد‬

‫شکل ‪ :28‬رمزگذاری مجدد‬

 ‫‪SPSS‬‬

‫ویدیوی ‪ :5‬رمزگذاری مجدد داده کمی‬

‫قابلدسترس در سی دی و کانال تلگرام ‪@drshahnavazi‬‬

‫نکته ‪8۲‬‬ ‫□‬

‫تبدیل دادهها‪ :‬رمزگذاری مجدد (مثال‪ :‬داده طبقهای)‬
‫‪ ‬فایل ‪ recoding.sav‬را باز کرده و از مسیر زیر متغیر محله سکونت (‪ )sector‬را به پنجره گفتگوی رمزگذاری‬
‫مجدد (‪ )Recode dialog window‬بیاورید‪.‬‬
‫‪ ‬متغیر ‪ sector‬را به کادر ‪ Numeric Variable ➔ Output Variable‬منتقل کنید‪.‬‬
‫‪ ‬محلههای ویالشهر (‪ )۹‬و میرداماد (‪ )2‬را در هم ادغام و طبقه ‪ ۹‬را شکل دهید‪.‬‬
‫‪ ‬محلههای رجائی شهر (‪ )3‬و دادگستری (‪ )6‬را در هم ادغام و طبقه ‪ 2‬را ایجاد نمایید‪.‬‬
‫‪ ‬محلههای الهی پرست (‪ )9‬و زعفرانیه (‪ )4‬را ادغام و طبقه ‪ 3‬را ایجاد کنید‪.‬‬

‫شکل ‪ :2۱‬رمزگذاری مجدد دادههای طبقهای‬

‫ویدیوی ‪ :6‬رمزگذاری مجدد داده طبقهای‬

‫قابلدسترس در سی دی و کانال تلگرام ‪@drshahnavazi‬‬

 ‫‪SPSS‬‬

‫نکته ‪8۳‬‬ ‫□‬

‫تبدیل دادهها‪Visual binning :‬‬
‫‪ ،Visual Binning ‬روش دیگری برای رمزگذاری مجدد دادههای کمّی به گروههای مختلف (‪)Bins‬‬
‫میباشد‪.‬‬
‫‪ ‬این روش‪ ،‬دیداری (‪ )Visual‬نامیده میشود‪ ،‬زیرا ‪ SPSS‬با نمایش هیستوگرام متغیر‪ ،‬امکان مشاهده نحوه‬
‫تقسیمبندی را فراهم میسازد‪.‬‬
‫‪ ،Visual Binning ‬باعث از بین رفتن اطالعات موجود در دادهها میشود و غیر از مواقع ضروری توصیه‬
‫نمیشود‪.‬‬
‫‪ ‬در این روش امکان گروهبندی بر اساس انحراف معیار (‪ )standard deviation‬وجود دارد‪.‬‬
‫‪ −1 SD, 0 SD, and +1 SD ‬به ترتیب معادل با صدک های ‪ 15.9, 50, and 84.1,‬میباشد‪.‬‬
‫‪ ‬رمزگذاری بر اساس انحراف معیار باعث تشکیل گروههایی با اندازههای مختلف میشود‪ .‬در این نوع گروهبندی‬
‫بیشتر دادهها در گروههای میانی متمرکز میشوند‪.‬‬
‫‪ ‬برای ایجاد گروههای با تعداد مشاهده مساوی‪ ،‬تقسیمبندی بر اساس صدک ها انجام میپذیرد‪.‬‬

‫نکته ‪8۴‬‬ ‫□‬

‫‪ :Visual binning‬مثال‬
‫‪ ‬فایل ‪ recoding.sav‬را باز کنید‪.‬‬
‫‪ ‬از منوی اصلی و مسیر ‪ Transform ➔Visual Binning‬متغیر ‪ visit‬را به قسمت ‪Variables to Bin‬‬
‫منتقل نموده و با انتخاب ‪ Continue‬به پنجره اصلی وارد شوید‪.‬‬
‫‪ ‬نام متغیر جدید (‪ )Binned Variable‬را تعریف و گروهبندی را انجام دهید‪.‬‬
 ‫‪SPSS‬‬

‫شکل ‪ :30‬مسیر دستور رمزگذاری دیداری‬

‫شکل ‪ :3۹‬انتخاب متغیر برای رمزگذاری دیداری‬

 ‫‪SPSS‬‬

‫شکل ‪ :32‬پنجره اصلی رمزگذاری دیداری‬

‫شکل ‪ :33‬انتخاب روش گروهبندی برای رمزگذاری دیداری‬

‫ویدیوی ‪ :۷‬رمزگذاری دیداری بر اساس صدک‬

‫قابلدسترس در سی دی و کانال تلگرام ‪@drshahnavazi‬‬

 ‫‪SPSS‬‬

‫ویدیوی ‪ :8‬رمزگذاری دیداری بر اساس انحراف معیار‬

‫قابلدسترس در سی دی و کانال تلگرام ‪@drshahnavazi‬‬

‫نکته ‪85‬‬ ‫□‬

‫تبدیل دادهها‪ :‬محاسبه متغیرهای جدید‬
‫‪ ‬برای تک متغیرها (‪ )Single Variable‬یا مجموعهای از متغیرها (‪ )Set of Variables‬کاربرد دارد‪.‬‬
‫‪ ‬میتوان با استفاده از این قابلیت‪ ،‬محاسبات جبری انجام داده یا ریشه دوم و میانگین متغیرها را محاسبه نمود‪.‬‬
‫‪ ‬پس از انجام محاسبات‪ ،‬متغیر جدید به انتهای فهرست متغیرهای موجود اضافه میشود‪.‬‬
‫‪ ‬چنانچه محاسبه به دالیلی مانند وجود متغیر مفقود انجام نگیرد‪system missing marker (a blank ،‬‬
‫)‪ cell‬نمایش داده میشود‪.‬‬
‫‪ ‬برای محاسبه متغیر جدید از مسیر ‪ Transform ➔ Compute Variable‬اقدام میشود‪.‬‬

‫نکته ‪86‬‬ ‫□‬

‫محاسبه متغیرهای جدید‪ :‬عبارت جبری‬
‫‪age−mean‬‬
‫= ‪ z‬محاسبه‬ ‫‪ ‬فایل ‪ recoding.sav‬را باز نموده و مقادیر استاندارد یا ‪ z‬متغیر ‪ age‬را از رابطه‬
‫‪SE‬‬
‫نمایید‪.‬‬
‫‪ ‬میانگین و انحراف معیار به ترتیب ‪ 34/۱9‬و‪ 24/93‬میباشند‪.‬‬
‫‪ ‬نتایج را با محاسبه مستقیم مقادیر ‪ z‬مقایسه نمایید‪.‬‬

‫شکل ‪ :36‬مسیر محاسبه متغیر جدید‬

 ‫‪SPSS‬‬

‫ویدیوی ‪ :9‬محاسبه متغیر جدید (عبارت جبری)‬

‫قابلدسترس در سی دی و کانال تلگرام ‪@drshahnavazi‬‬

‫ویدیوی ‪ :11‬محاسبه متغیر جدید (میانگین دو متغیر)‬

‫قابلدسترس در سی دی و کانال تلگرام ‪@drshahnavazi‬‬

‫نکته ‪8۷‬‬ ‫□‬

‫ضریب همبستگی پیرسون‬
‫‪ ‬ضرایب همبستگی (‪ )Correlation Coefficients‬شاخصی برای بررسی نحوه ارتباط متغیرهای پژوهش با‬
‫یکدیگر میباشد‪.‬‬
‫‪ ‬ضرایب همبستگی مختلفی قابل استفاده در علوم رفتاری‪ ،‬اجتماعی و پزشکی میباشند‪.‬‬
‫‪ ‬ضریب همبستگی پیرسون (‪ )Pearson Product Moment Correlation‬پرکاربردترین ضریب هست‪.‬‬

‫نکته ‪88‬‬ ‫□‬

‫ضریب همبستگی پیرسون‪ :‬فروض‬
‫‪ ‬متغیرها تقریباً فاصلهای هستند (‪.)approximately interval measurement‬‬
‫‪ ‬دادهها تقریباً از توزیع نرمال پیروی میکنند (‪.)approximately normally distributed‬‬
‫‪ ‬ضریب همبستگی پیرسون به دادههای پرت حساس میباشد‪.‬‬

‫نکته ‪89‬‬ ‫□‬

‫ضریب همبستگی پیرسون‪ :‬تاریخچه‬
‫‪ ‬ضریب همبستگی پیرسون در سال ‪ ۹8۱4‬توسط ‪ Karl Pearson‬توسعه داده شد‪.‬‬
‫‪ ‬این ضریب‪ ،‬ادامه کارهای ‪ Sir Francis Galton‬در سالهای ‪ ۹884‬و ‪ ۹888‬بود‪.‬‬
 ‫‪SPSS‬‬

‫نکته ‪91‬‬ ‫□‬

‫ضریب همبستگی پیرسون‪ :‬محدودیتها‬
‫‪ ‬ضریب پیرسون‪ ،‬درجه ارتباط خطی دو متغیر را نشان میدهد‪.‬‬
‫‪ ‬چنانچه ارتباط دو متغیر غیرخطی باشد مثالً ‪ U-shaped function‬باشد‪ ،‬ضریب پیرسون شدت ارتباط را کمتر‬
‫از میزان واقعی برآورد خواهد کرد‪.‬‬
‫‪ ‬چنانچه رابطه ‪ U-shaped function‬متقارن باشد‪ ،‬ضریب صفر محاسبه میشود‪.‬‬

‫نکته ‪91‬‬ ‫□‬

‫ضریب همبستگی پیرسون‪ :‬تحلیل‬
‫‪ ‬ارتباط دو متغیر به معنای تغییر همزمان آنها میباشد‪.‬‬
‫‪ ‬تغییر همزمان میتواند به معنای تغییر یک متغیر در نتیجه تغییر ایجاد شده در متغیر دیگر تفسیر شود (پیشبینی)‪.‬‬
‫‪ ‬توان دو ضریب همبستگی یا ‪ 𝑟 2‬شدت ارتباط (‪ )the strength of the relationship,‬را مشخص میسازد‪.‬‬

‫نکته ‪9۲‬‬ ‫□‬

‫مثال ضریب همبستگی پیرسون‪ :‬ارتباط خطی‬
‫‪ ‬ضریب همبستگی متغیرهای ‪ age‬و ‪ visit‬در فایل داده ‪ recoding.sav‬بررسی میشود‪.‬‬
‫‪ ‬مسیر ‪ Graphs➔Legacy Dialogs➔Scatter/Dot‬انتخاب میشود‪.‬‬
‫‪ ‬نمودار ‪ Simple Scatter‬انتخاب و متغیرها را بهدلخواه در محورهای عمودی و افقی قرار میدهیم‪.‬‬

‫شکل ‪ :39‬مسیر بررسی ارتباط خطی‬

 ‫‪SPSS‬‬

‫شکل ‪ :34‬انتخاب نوع ارتباط‬

‫شکل ‪ :3۷‬تعریف متغیرهای محورها‬

 ‫‪SPSS‬‬

‫شکل ‪ :38‬برازش خط رگرسیون‬

‫ویدیوی ‪ :11‬بررسی خطی بودن ارتباط متغیرها‬

‫قابلدسترس در سی دی و کانال تلگرام ‪@drshahnavazi‬‬

‫نکته ‪9۳‬‬ ‫□‬

‫مثال ضریب همبستگی پیرسون‪ :‬محاسبه‬
‫‪ ‬از مسیر ‪ Analyze➔Correlate➔Bivariate‬برای محاسبه ضریب همبستگی اقدام نمایید‪.‬‬
‫‪ ‬متغیر ‪ age‬و ‪ visit‬را به ‪ Variables Panel‬انتقال دهید‪.‬‬
‫‪ ‬با انتخاب ‪ Flag significant correlations‬معنیداری با ستاره مشخص میشود‪.‬‬
 ‫‪SPSS‬‬

‫جدول ‪ :8‬نتایج ضریب پیرسون‬

‫ویدیوی ‪ :1۲‬ضریب همبستگی پیرسون‬

‫قابلدسترس در سی دی و کانال تلگرام ‪@drshahnavazi‬‬

‫نکته ‪9۴‬‬ ‫□‬

‫ضریب همبستگی‪ :‬آزمونهای نا پارامتری‬
‫‪ ‬چنانچه فروض ضریب همبستگی پیرسون تأمین نشود‪ ،‬استفاده از ضرایب همبستگی نا پارامتری (‪non-‬‬
‫‪ )parametric correlation procedures‬ضروری میگردد‪.‬‬
‫‪ ‬آزمونهای نا پارامتری‪ ،‬پارامتر نمونه را با پارامتر جامعه مقایسه نمیکنند و اجرای آنها به فروض کمتری نیاز‬
‫دارد‪.‬‬
‫‪ ‬در این آزمونها نیازی به نرمال بودن توزیع نیست‪.‬‬

‫نکته ‪95‬‬ ‫□‬

‫ضریب همبستگی‪ :‬اسپیرمن و کندال تاو‪-‬بی‬
‫‪ ‬این آزمونها برای دادههای طبقهای و رتبهای کاربرد دارد‪.‬‬
‫‪ ‬ضرایب همبستگی اسپیرمن (‪ )Spearman rho.‬و کندال تاو‪-‬بی (‪ ،)Kendall tau-b‬جزو آزمونهای‬
‫معروف نا پارامتری هستند‪.‬‬
 ‫‪SPSS‬‬

‫‪ ‬در آزمونهای نا پارامتری ارتباط میان متغیرها ضروری است یکنواخت (‪ )monotonic relationship‬باشد‪.‬‬
‫ارتباط خطی نوعی رابطه یکنواخت میباشد‪.‬‬

‫نکته ‪96‬‬ ‫□‬

‫ضریب همبستگی اسپیرمن‬
‫‪ ‬ضریب همبستگی اسپیرمن ابتدا توسط )‪ Sir Charles Spearman (1904‬بهمنظور کاهش تأثیر دادههای‬
‫پرت بر دقت ضریب همبستگی پیرسون معرفی شد‪.‬‬
‫‪ ‬چنانچه رتبه متغیرها محاسبه و سپس با استفاده از آنها ضریب پیرسون برآورد گردد‪ ،‬عدد حاصل همان ضریب‬
‫همبستگی اسپیرمن خواهد بود‪.‬‬

‫نکته ‪9۷‬‬ ‫□‬

‫ضریب همبستگی اسپیرمن‪ :‬محاسبه‬
‫‪ ‬در محاسبه این ضریب ابتدا اختالف رتبه هر جفت داده محاسبه میشود‪ .‬سپس اعداد به توان دو رسیده و جمع‬
‫میشوند‪.‬‬
‫‪ ‬اختالفهای بزرگ با توان دو بزرگتر شده و ضریب همبستگی اسپیرمن آنها کاهش مییابد‪.‬‬
‫‪ ‬هر اندازه ضریب محاسباتی به ‪ ±۹‬نزدیک باشد‪ ،‬بیانگر تشابه بیشتر رتبه متغیرها هست (همبستگی و ارتباط بیشتر)‪.‬‬

‫نکته ‪98‬‬ ‫□‬

‫ضریب همبستگی کندال تاو‪-‬بی‬
‫‪ Maurice G. Kendall (1938, 1948) ‬ضریب همبستگی کندال تاو‪-‬بی را بهعنوان جایگزینی برای‬
‫رتبهبندی اسپیرمن معرفی کرد‪.‬‬
‫‪ ‬این ضریب سه نوع ‪ tau-b ،tau-a‬و ‪ tau-c‬دارد که ‪ IBM SPSS‬در قسمت ‪Bivariate Correlation‬‬
‫تنها ‪ tau-b‬را محاسبه میکند‪.‬‬
 ‫‪SPSS‬‬

‫نکته ‪99‬‬ ‫□‬

‫ضریب همبستگی کندال تاو‪-‬بی‪ :‬تفسیر‬
‫‪ ‬چنانچه مقدار ضریب همبستگی کندال تاو‪-‬بی به ‪ +۹‬نزدیک باشد‪ ،‬میتوان گفت مقادیر دو متغیر بسیار شبیه‬
‫یکدیگر رتبهبندی شدهاند‪.‬‬
‫‪ ‬چنانچه ضریب به ‪ -۹‬نزدیک باشد‪ ،‬بیانگر رتبهبندی معکوس متغیرها خواهد بود‪.‬‬
‫‪ ‬ضریب صفر نشانگر استقالل متغیرها هست‪.‬‬

‫نکته ‪111‬‬ ‫□‬

‫ضریب همبستگی اسپیرمن و کندال تاو‪-‬بی‪ :‬مثال‬
‫‪ ‬فایل داده ‪ spearmankendall.sav‬را باز نمایید‪.‬‬
‫‪ ‬از مسیر ‪ Analyze➔Correlate➔Bivariate‬برای محاسبه ضرایب همبستگی اقدام نمایید‪.‬‬
‫‪ ‬متغیر ‪( improving‬شاخص بهبود توان درمانی) و ‪( gender‬جنسیت) را به قسمت ‪ Variables‬انتقال دهید‪.‬‬

‫جدول ‪ :۱‬نتایج ضریب کندال و اسپیرمن‬

‫نکته ‪111‬‬ ‫□‬

‫ضریب همبستگی اسپیرمن و کندال تاو‪-‬بی‪ :‬تحلیل‬
‫ضریب همبستگی اسپیرمن و کندال تاو‪-‬بی به ترتیب در یک آزمون دوطرفه ‪ 0/68‬و ‪ 0/93‬محاسبه شده که‬
‫هر دو در سطح آماری یک درصد‪ ،‬معنیدار میباشند‪ .‬بهعبارتدیگر احتمال اینکه ارتباط میان متغیر بهبود‬
 ‫‪SPSS‬‬

‫درمانی و جنسیت تصادفی یا شانسی باشد کمتر از یک درصد است و بهبود درمانی در مردان بهتر از زنان‬
‫جواب میدهد‪.‬‬

‫ویدیوی ‪ :1۳‬ضریب همبستگی اسپیرمن و کندال‬

‫قابلدسترس در سی دی و کانال تلگرام ‪@drshahnavazi‬‬

‫نکته ‪11۲‬‬ ‫□‬

‫رگرسیون ساده خطی‬
‫‪ ‬رگرسیون ساده خطی (‪ )Simple Linear Regression‬و ضریب همبستگی پیرسون ارتباط نزدیکی با‬
‫یکدیگر دارند‪.‬‬
‫‪ ‬ضریب همبستگی میزان ارتباط متغیرها را مشخص نموده ولی رگرسیون‪ ،‬توانایی پیشبینی (‪ )Prediction‬یک‬
‫متغیر بر پایه متغیر دیگر را میسر میسازد‪.‬‬

‫نکته ‪11۳‬‬ ‫□‬

‫رگرسیون ساده خطی‪ :‬تاریخچه‬
‫‪ ‬فکر اولیه رگرسیون در سال ‪ ۹884‬ابتدا توسط ‪ Galton‬مطرح شد‪.‬‬
‫‪ ‬دو سال بعد موضوع همگرایی (‪ )Covariation‬ارائه گردید که اکنون با نام همبستگی (‪)Correlation‬‬
‫شناخته میشود‪.‬‬

‫نکته ‪11۴‬‬ ‫□‬

‫رگرسیون ساده خطی‪ :‬متغیرهای مستقل و وابسته‬
‫‪ ‬در رگرسیون‪ ،‬متغیری که پیشبینی میشود (‪ )Being Predicted‬را متغیر وابسته (‪ )Dependent‬یا خروجی‬
‫(‪ )Outcome‬مینامند و معموالً با ‪ Y‬نمایش میدهند‪.‬‬
‫‪ ‬متغیر دیگر که برای پیشبینی (‪ )Predict‬استفاده میشود را مستقل (‪ )Independent‬یا پیشبینی کننده‬
‫(‪ )Predictor‬نامیده و با ‪ X‬مشخص میکنند‪.‬‬
 ‫‪SPSS‬‬

‫نکته ‪115‬‬ ‫□‬

‫رگرسیون ساده خطی‪ :‬نامگذاری‬
‫‪ ‬رگرسیون مینامند زیرا مقادیر متغیر وابسته با استفاده از یک الگو (‪ )Model‬پیشبینی میشود‪.‬‬
‫‪ ‬ساده میباشد زیرا تنها از یک متغیر برای پیشبینی استفاده میشود‪.‬‬
‫‪ ‬خطی است زیرا ضرایب الگو خطی هستند‪.‬‬

‫نکته ‪116‬‬ ‫□‬

‫رگرسیون ساده خطی‪ :‬مثال‬
‫‪ ‬فایل ‪ recoding.sav‬را باز کنید‪.‬‬
‫‪ ‬از مسیر ‪ Analyze➔Regression➔Linear‬وارد شده و متغیر مراجعه به درمانگاه (‪ )visit‬را به قسمت‬
‫‪ Dependent‬و متغیر سن (‪ )age‬را به قسمت )‪ Independent(s‬منتقل نمایید‪.‬‬
‫‪ ‬در قسمت ‪ Statistics‬گزینههای ‪ Descriptives ،Model fit‬و ‪ Part and partial correlations‬را‬
‫انتخاب نمایید‪.‬‬

‫شکل ‪ :3۱‬مسیر دستور رگرسیون‬

‫جدول ‪ :۹0‬نتایج رگرسیون‬

 ‫‪SPSS‬‬

‫نکته ‪11۷‬‬ ‫□‬

‫رگرسیون ساده خطی‪ :‬تحلیل‬
‫ضریب همبستگی پیرسون متغیرهای سن و تعداد مراجعه در یک آزمون یکطرفه معنیدار نشده است‪ .‬این‬
‫موضوع در الگوی رگرسیون خطی نیز مشاهده میشود‪ ،‬بهنحویکه ضریب متغیر سن‪ 0/03 ،‬محاسبه شده که با‬
‫خطای معیار ‪ ،0/02‬آماره ‪ t‬مربوط ‪0/۹8‬میشود که در سطح ‪ 9‬درصد معنیدار نیست‪ .‬بهعبارتدیگر سن تأثیر‬
‫معنیداری بر تعداد مراجعه به مراکز درمانی ندارد‪.‬‬

‫ویدیوی ‪ :1۴‬رگرسیون ساده خطی‬

‫قابلدسترس در سی دی و کانال تلگرام ‪@drshahnavazi‬‬

‫نکته ‪118‬‬ ‫□‬

‫‪Centering the Predictor Variable‬‬
‫‪ ‬چنانچه صفر عدد غیرمعمول (‪ )Unusual‬یا غیر معتبر (‪ )Not valid‬برای متغیر مستقل یا پیشبینی کننده‬
‫(‪ )Predictor‬باشد‪ ،‬از تکنیک ‪ Centering‬برای مفهوم بخشی به عرض از مبدأ مدل رگرسیون استفاده‬
‫میشود‪.‬‬
‫‪ Centering ‬تأثیری بر نتایج رگرسیون نمیگذارد‪.‬‬

‫نکته ‪119‬‬ ‫□‬

‫‪ :Centering‬محاسبه‬
‫‪ Centering ‬تبدیل متغیر اصلی بهگونهای که دارای میانگین صفر باشد‪ ،‬هست‪.‬‬
‫‪ ‬این عمل با محاسبه انحراف دادهها از یک عدد مرجع (‪ )Reference Score‬مانند میانگین انجام میگیرد‪.‬‬
‫‪ ‬رابطه مورد استفاده بهصورت (‪ )Deviation Score = Obtained Score−Mean‬است‪.‬‬
 ‫‪SPSS‬‬

‫نکته ‪111‬‬ ‫□‬

‫‪ :Centering‬مثال‬
‫‪ ‬ارتباط میان شاخص توده بدنی (‪ )Body Mass Index‬یا ‪ BMI‬و ضربان قلب (‪ )Pulse Rate‬بررسی‬
‫میشود‪.‬‬
‫‪ ‬شاخص توده بدنی در تشخیص اینکه آیا فرد اضافه وزن (‪ )Overweight‬دارد یا خیر کاربرد دارد‪.‬‬
‫‪ Adolphe Quetelet ‬این شاخص را در سال ‪ ۹832‬معرفی کرد و در سال ‪ ۹۱۷2‬توسط ‪،Ancel Keys‬‬
‫‪ BMI‬نامیده شد‪.‬‬
‫‪ BMI‬نسبت وزن به کیلوگرم به توان دو قد به متر هست‪.‬‬ ‫‪‬‬
‫‪ ‬طبقهبندی شاخص توده بدنی بهصورت زیر است‪:‬‬
‫‪ ‬کمتر از ‪ ۹8/9‬الغر (‪ ،)Underweight‬بین ‪ ۹8/9‬تا ‪ 26/۱‬عادی (‪ ،)Normal‬بین ‪ 29‬تا ‪ 2۱/۱‬اضافه وزن‬
‫(‪ ،)Overweight‬بین ‪ 30‬تا ‪ 3۱/۱‬چاق (‪ )Obese‬و بیشتر از ‪ 60‬چاقی مفرط (‪ )Morbidly Obese‬میباشد‪.‬‬
‫‪ ‬با افزایش شاخص توده بدنی ریسک سالمت (‪ )Health Risk‬افزایش مییابد‪.‬‬
‫‪ ‬یکی از شاخصهای ریسک سالمت‪ ،‬ضربان قلب (‪ )Heart Rate‬است‪.‬‬
‫‪ ‬احتماالً شاخص توده بدنی‪ ،‬توانایی پیشبینی ضربان قلب را دارد‪.‬‬

‫نکته ‪111‬‬ ‫□‬

‫مثال سنترینگ‪ :‬برآورد‬
‫‪ ‬فایل ‪ BMI.sav‬را باز کنید‪.‬‬
‫‪ ‬میانگین متغیر ‪ BMI‬را محاسبه نمایید‪.‬‬
‫‪ ‬متغیر شاخص توده بدنی را ‪ Center‬کنید‪.‬‬
‫‪ ‬رگرسیون ساده خطی بین متغیر ضربان قلب (‪ )pulse_rate‬و شاخص توده بدنی (‪ )BMI‬و شاخص توده بدنی‬
‫‪ Center‬شده (‪ )BMI_centered‬را بهطور جداگانه انجام داده و نتایج را مقایسه نمایید‪.‬‬
 ‫‪SPSS‬‬

‫جدول ‪ :۹۹‬نتایج رگرسیون سنتر شده‬

‫نکته ‪11۲‬‬ ‫□‬

‫سنترینگ‪ :‬تحلیل نتایج‬
‫ضریب زاویه هر دو رگرسیون ‪ 0/۱‬برآورد شد که نشان میدهد در جامعه مورد مطالعه با افزایش یک واحد در‬
‫میانگین شاخص توده بدنی بر میزان ضربان قلب در دقیقه‪ ،‬یک واحد افزوده میشود‪ .‬با جایگزینی عدد صفر در‬
‫مقدار متغیر شاخص توده بدنی سنتر شده‪ ،‬ضربان قلب ‪ ۷6/۱‬به دست میآید که بیانگر ضربان قلب افراد با میانگین‬
‫شاخص توده بدنی‪ 2۱ ،‬است‪.‬‬

‫ویدیوی ‪ :15‬رگرسیون سنترینگ‬

‫قابلدسترس در سی دی و کانال تلگرام ‪@drshahnavazi‬‬

‫نکته ‪11۳‬‬ ‫□‬

‫رگرسیون خطی چند متغیره‬
‫رگرسیون خطی چند متغیره یا ‪ Multiple linear regression‬توسعه رگرسیون خطی ساده میباشد‪،‬‬
‫بهنحویکه مدل شامل دو یا چند متغیر پیشبینی کننده یا ‪ predictors‬هست‪ .‬ضرایب برآوردی در رگرسیون‬
‫خطی چند متغیره ضرایب جزئی رگرسیون (‪ )partial regression coefficients‬نامیده میشوند‪ ،‬زیرا در‬
‫محاسبه آنها تأثیر متغیرهای دیگر دیده شده است‪.‬‬
‫در مواقعی با حذف متغیرهایی که معنیدار نشدهاند‪ ،‬الگوی خالصه ارائه میشود‪ .‬این اقدام با ایراداتی‬
‫همراه میباشد و الزم است حفظ یا حذف متغیرها بر اساس مبانی نظری مطالعه باشد‪ .‬رگرسیون خطی را میتوان‬
 ‫‪SPSS‬‬

‫به روشهای ‪ backward ،forward‬و ‪ stepwise‬برآورد نمود‪ .‬این روشها تنها متغیرهای معنیدار را حفظ‬
‫میکنند‪.‬‬

‫نکته ‪11۴‬‬ ‫□‬

‫روشهای برآورد رگرسیون خطی چند متغیره‬
‫‪ ‬در روش ‪ forward‬متغیرها یکی پس از دیگری وارد مدل شده و هر متغیری که معنیدار شود‪ ،‬در الگو حفظ‬
‫میشود‪.‬‬
‫‪ ‬در روش ‪ backward‬همه متغیرها ابتدا وارد شده و بهتدریج متغیرهایی که توانایی توضیح دهندگی ندارند‬
‫حذف میشوند‪.‬‬
‫‪ ‬در روش ‪ stepwise‬برخالف روش ‪ forward‬هنگامیکه توانایی توضیح دهنگی متغیر کاهش یابد از الگو‬
‫حذف شده و بعد تأثیر آن مجدد بررسی میشود‪.‬‬

‫نکته ‪115‬‬ ‫□‬

‫‪Automatic Linear Modeling‬‬
‫‪ ‬روش جایگزین برای روشهای اشاره شده‪ ،‬استفاده از روش ‪ Automatic Linear Modeling‬میباشد‪.‬‬
‫‪ ‬این روش از تحلیل ‪ all-possible-subsets‬استفاده کرده و تمامی حاالت مختلف را لحاظ میکند‪.‬‬
‫‪ ‬چنانچه ‪ p‬تعداد متغیر باشد در آن صورت به تعداد ‪ (2𝑃 )-1‬زیرمجموعه خواهیم داشت‪ .‬بهعنوانمثال برای ‪9‬‬
‫متغیر مستقل‪ 3۹ ،‬زیرمجموعه وجود خواهد داشت‪.‬‬

‫نکته ‪116‬‬ ‫□‬

‫رگرسیون خطی چند متغیره‪ :‬مثال‬
‫‪ ‬فایل داده ‪ MLR.sav‬را باز کنید‪ .‬این فایل شامل متغیر ‪( visit‬تعداد مراجعه به درمانگاه) و ‪( age‬سن بیمار)‬
‫میباشد‪.‬‬
‫‪ ‬متغیر جدید ‪ ageage‬که توان دو ‪ age‬میباشد را ایجاد نمایید‪.‬‬
‫‪ ‬رگرسیون چند متغیره ‪ stepwise ،backward ،forward‬و ‪ Automatic Linear Modeling‬را انجام‬
‫دهید‪.‬‬
‫‪ ‬نتایج را تفسیر نمایید‪.‬‬
 ‫‪SPSS‬‬

‫ویدیوی ‪ :16‬رگرسیون ‪forward‬‬

‫قابلدسترس در سی دی و کانال تلگرام ‪@drshahnavazi‬‬

‫ویدیوی ‪ :1۷‬رگرسیون ‪backward‬‬

‫قابلدسترس در سی دی و کانال تلگرام ‪@drshahnavazi‬‬

‫ویدیوی ‪ :18‬رگرسیون ‪stepwise‬‬

‫قابلدسترس در سی دی و کانال تلگرام ‪@drshahnavazi‬‬

‫ویدیوی ‪ :19‬رگرسیون اتوماتیک‬

‫قابلدسترس در سی دی و کانال تلگرام ‪@drshahnavazi‬‬

‫نکته ‪11۷‬‬ ‫□‬

‫رگرسیون خطی چند متغیره‪ :‬تحلیل‬
‫بررسی نتایج روشهای مختلف مشخص میسازد که در هر چهار روش‪ ،‬رابطه درجه دو مناسبترین‬
‫الگو برای پیشبینی تعداد مراجعه به درمانگاه با استفاده از سن بیمار میباشد‪ ،‬بهگونهای که با افزایش سن تا ‪30‬‬
‫سالگی تعداد مراجعه کاهش و سپس افزایش مییابد‪ .‬این در حالی است که در الگوی رگرسیون خطی ساده‬
‫ارتباطی میان سن و تعداد مراجعه مشاهده نشد‪.‬‬

‫نکته ‪118‬‬ ‫□‬

‫رگرسیون خطی سلسله مراتبی‬
‫‪ ‬رگرسیون خطی سلسله مراتبی (‪ )Hierarchical linear regression‬توسعه رگرسیون خطی چند متغیره‬
‫میباشد با این تفاوت که مدیریت وارد کردن متغیرها بهجای اینکه به نرمافزار سپرده شود‪ ،‬در اختیار کاربر‬
 ‫‪SPSS‬‬

‫میباشد‪ .‬متغیرها در قالب زیرمجموعهها (‪ )subsets‬یا بلوکها (‪ )blocks‬به ترتیب اولویت وارد الگو میشوند‬
‫به همین خاطر روش‪ ،‬سلسله مراتبی نامیده میشود‪.‬‬
‫‪ ‬در رگرسیون خطی سلسله مراتبی متغیرهایی که پیشتر وارد میشوند بهعنوان متغیرهای کمکی یا همپراش‬
‫(‪ )covariates‬برای متغیرهای بعدی عمل میکنند‪.‬‬
‫‪ ‬در هر بلوک میتوان روش برآورد الگو را بر اساس گزینههای موجود ‪ forward ،backward ،enter‬یا‬
‫‪ stepwise‬جداگانه مشخص کرد‪.‬‬

‫نکته ‪119‬‬ ‫□‬

‫رگرسیون خطی سلسله مراتبی‪ :‬مثال‬
‫‪ ‬بهمنظور مطالعه تأثیر روش پرتودرمانی بر وزن بیماران اقدام به جمعآوری اطالعات مربوط به وزن ثانویه‪ ،‬وزن‬
‫اولیه‪ ،‬جنسیت‪ ،‬سن‪ ،‬قد و روش معالجه برای ‪ ۹0‬بیمار گردید‪.‬‬
‫‪ ‬با تقسیم متغیرهای مستقل به سه بلوک (بلوک ‪ :۹‬وزن اولیه‪ ،‬بلوک ‪ :2‬جنسیت‪ ،‬سن و قد‪ ،‬بلوک‪ :3‬روش‬
‫پرتودرمانی) الگوی رگرسیون خطی به روش سلسله مراتبی برآورد گردید‪.‬‬

‫جدول ‪ :۹2‬نتایج رگرسیون سلسله مراتبی‬

‫ویدیوی ‪ :۲1‬رگرسیون سلسله مراتبی‬

‫قابلدسترس در سی دی و کانال تلگرام ‪@drshahnavazi‬‬

 ‫‪SPSS‬‬

‫نکته ‪1۲1‬‬ ‫□‬

‫رگرسیون لوجیت دوحالتی‬
‫هنگامیکه متغیر وابسته یا خروجی (‪ )outcome‬بهصورت طبقهای (‪ )categorical‬از قبیل قبولی یا‬
‫ردی است از رگرسیون لوجیت یا لوجستیک استفاده میشود‪ .‬هنگامیکه متغیر وابسته شامل دو گروه میباشد‬
‫نوع رگرسیون لوجستیک مورد استفاده‪ ،‬دوحالتی‪ ،‬دوتایی یا ‪ binary‬خواهد بود‪.‬‬