GraphPad
2.21K subscribers
483 photos
34 videos
36 files
292 links
Download Telegram
علاقمند بودم یک فایل قدیمی آموزشی از گراف پد پریسم (ورژن شماره 4 آن مربوط به سال‌های 1999-2003) را ارایه کنم. خواندن مجموعه آموزشی پریسم که با نام GraphPad Prism Version 4.0 Step-by-Step Examples منتشر شده است را به شما توصیه می‌کنم. ☺️
خواندن کتاب‌های قدیمی نرم‌افزار با توجه به ادبیات تئوریک آن‌ها در استحکام و فهم دقیق مفاهیم کمک بسیار شایانی خواهد کرد. حتی بیشتر از کتاب‌های جدید. 😊
PrismExamples 4-2.pdf
1.6 MB
یک کتاب قدیمی از آموزش Prism
@GraphPad
@GraphPad_Admin
تحلیل‌های مقایسه Compare به دو دسته پارامتری و  ناپارامتری تقسیم می‌شوند. با وجود آن‌که آزمون‌های پارامتری نسبت به آزمون‌های ناپارامتری دقیق‌تر و از استحکام بیشتری برخوردار هستند، اما گاهی اوقات به دلیل کم بودن تعداد نمونه‌ها، مجبور هستیم از آزمون‌های ناپارامتری استفاده کنیم.
معادل با هر آزمون پارامتری نیز یک آزمون ناپارامتری وجود دارد. به عنوان مثال معادل آزمون پارامتری T Test Independent، آزمون ناپارامتری Mann-Whitney و یا معادل آزمون پارامتری One-Way ANOVA آزمون ناپارامتری Kruskal-Wallis قرار دارد.
نکته. آزمون‌های ناپارامتری اغلب به نام اسامی دانشمندان و محققان طراحی کننده این آزمون‌ها، نام‌گزاری شده‌اند. تصویر دو نفر از دانشمندان که آزمون ناپارامتری کروسکال-والیس، به نام آنهاست را میبینید. 👇
یکی از مزایای گراف پد پریسم این است که به صورت اتوماتیک و پیش‌فرض انتخاب آزمون پارامتری یا ناپارامتری را برای شما انجام می‌دهد. تنها کافی است داده‌ها را به صورت صحیح در نرم‌افزار وارده کنید.
یک موضوع مهم در مطالعات مربوط به مقایسه چند گروه با یکدیگر علاوه بر بررسی اثرات اصلی Main Effect، اثرات متقابل Interaction است. به عنوان مثال فرض کنید می‌خواهید علاوه بر اینکه دو عامل A و B را  با  یکدیگر مقایسه کنید، تاثیر متقابل آن‌ها بر روی یکدیگر یعنی A*B را  نیز در گروه‌ها مورد مقایسه قرار دهید. این کار در نرم‌افزاری مانند SPSS یا حتی Minitab کمی پیچیده است.
با این حال انجام مقایسات بین Interactionها در گراف پد پریسم به سادگی و به صورت پیش‌فرض انجام می‌شود. 
در این زمینه تاپیک های زیر را نگاه کنید.
کلاس آموزش و تحلیل با گراف پد پریسم. ثبت نام در سایت
https://graphpad.ir/prism-class-student-day/
یکی از موضوعات مورد توجه در هر مطالعه تحقیقاتی، اطلاعات و داده‌هایی است که به هر دلیل اندازه‌گیری نمی‌شوند و یا از بین می‌روند و یا اصلاً پاسخی به آن‌ها داده نمی‌شود. به این اطلاعات به دست نیامده، داده‌های گمشده Missing Values گفته می‌شود. گاهی اوقات وجود این داده های گمشده و حجم آن‌ها می‌تواند خود حامل موارد و اطلاعات مفیدی باشد. نام این داده‌های گمشده را داده‌های گمشده خوب Good Missing Values می‌نامیم.
با این حال چنانچه نخواهیم داده‌های گمشده از مطالعه ما خارج شوند، مقادیر مختلفی را بسته به ماهیت و نوع تحقیق، می‌توانیم به ازای داده‌های گمشده، قرار دهیم. در واقع با یک روند علمی صحیح، به جای داده‌های گمشدهMissing Values داده‌های درست Valid Values قرار می‌دهیم.