Forwarded from تغیر ایدی داریم
@TaglilAmarii....TTEST.pdf
763.8 KB
✅مطالب مفید و تکمیلی در مورد آزمونهای تی در #spss همراه با مثالهای کاربردی
📕📕📕📕📕📕📕📕
https://telegram.me/joinchat/BtMduj9Rt2oIXj-ZpShMcA
📕📕📕📕📕📕📕📕
https://telegram.me/joinchat/BtMduj9Rt2oIXj-ZpShMcA
Forwarded from اتچ بات
Telegram
attach 📎
Forwarded from اتچ بات
Telegram
attach 📎
Forwarded from تغیر ایدی داریم
✅نرمال کردن در #spss
✍✍پس از بررسی عادی یا نرمال بودن کشیدگی و یا چولگی توزیع داده هایتان، به سراغ آزمون شاپیرو ویلک بروید تا از نرمال بودن داده هایتان مطمئن گردید . برای این کار از مسیر زیر وارد کادر محاوره ی زیر شود:تصویر 1
Analyze /Descriptive Statistics /Explore
‼️‼️بطور مثال دو متغیر سن age و los را مطابق شکل (تصویر1)وارد لیست متغیر های وابسته می کنیم و سایر جاها را خالی می گذاریم. سپس به منوی plots رفته و گزینه ی Normality plots with tests را تیک دار کنید( تصویر 2)
👌👌خروجی تنظیمات فوق شامل جدولی است(تصویر 3) بنام Tests of Normality که دو مقدار سطح معناداری را برای هر کدام از متغیر ها به طور مجزا ارائه می دهد. این مقادیر در تشخیص نرمالیتی داده ها بسیار تعیین کننده است.
👌👌معمولا چنانچه سطح معناداری در آزمون Shapiro-Wilk که در این جدول با sig . نمایش داده می شود بیشتر از 5صدم باشد میتوان داده ها را با اطمینان بالایی نرمال فرض کرد. در غیر این صورت نمی توان گفت که داده ها توزیع شان نرمال است. با توجه به جدول فوق و مقادیر سطح معناداری برای متغیرهای age و los می توان گفت که توزیع متغیر los می تواند با احتمال خوبی نرمال باشد اما متغیر age نرمال نخواهد بود.
‼️‼️‼️‼️‼️‼️دو نکته مهم
🔴سطح معناداری بخش Kolmogorov-Smirnov را هم برای بررسی نرمال بودن داده ها استفاده کنیم.
🔴برای تست نرمالیتی روی نمونه های بین 1 تا 2000 تایی از آزمون Shapiro-Wilk و برای نمونه های با حجم بیشتر از 2000 از آزمون Kolmogorov-Smirnov استفاده می کنیم.
📕📕📕📕📕📕📕📕
https://telegram.me/joinchat/BtMduj9Rt2oIXj-ZpShMcA
✍✍پس از بررسی عادی یا نرمال بودن کشیدگی و یا چولگی توزیع داده هایتان، به سراغ آزمون شاپیرو ویلک بروید تا از نرمال بودن داده هایتان مطمئن گردید . برای این کار از مسیر زیر وارد کادر محاوره ی زیر شود:تصویر 1
Analyze /Descriptive Statistics /Explore
‼️‼️بطور مثال دو متغیر سن age و los را مطابق شکل (تصویر1)وارد لیست متغیر های وابسته می کنیم و سایر جاها را خالی می گذاریم. سپس به منوی plots رفته و گزینه ی Normality plots with tests را تیک دار کنید( تصویر 2)
👌👌خروجی تنظیمات فوق شامل جدولی است(تصویر 3) بنام Tests of Normality که دو مقدار سطح معناداری را برای هر کدام از متغیر ها به طور مجزا ارائه می دهد. این مقادیر در تشخیص نرمالیتی داده ها بسیار تعیین کننده است.
👌👌معمولا چنانچه سطح معناداری در آزمون Shapiro-Wilk که در این جدول با sig . نمایش داده می شود بیشتر از 5صدم باشد میتوان داده ها را با اطمینان بالایی نرمال فرض کرد. در غیر این صورت نمی توان گفت که داده ها توزیع شان نرمال است. با توجه به جدول فوق و مقادیر سطح معناداری برای متغیرهای age و los می توان گفت که توزیع متغیر los می تواند با احتمال خوبی نرمال باشد اما متغیر age نرمال نخواهد بود.
‼️‼️‼️‼️‼️‼️دو نکته مهم
🔴سطح معناداری بخش Kolmogorov-Smirnov را هم برای بررسی نرمال بودن داده ها استفاده کنیم.
🔴برای تست نرمالیتی روی نمونه های بین 1 تا 2000 تایی از آزمون Shapiro-Wilk و برای نمونه های با حجم بیشتر از 2000 از آزمون Kolmogorov-Smirnov استفاده می کنیم.
📕📕📕📕📕📕📕📕
https://telegram.me/joinchat/BtMduj9Rt2oIXj-ZpShMcA
Forwarded from اتچ بات
✅✅✅نرمال کردن
✍✍اگر در مرحله دوم به این نتیجه رسیدید که متغیرهای شما که در گام اول چولگی و کشیدگی معمولی داشتند، نرمال نیستند، به سراغ نمودارهای خروجی Explore بروید. به طور پیش فرض نمودارهای جعبه ای ، یا Q-Q plot یا نمودار شاخ و برگ ظاهر می شود. با این حال در همان کادر محاوره Plots چک کنید که گزینه های مربوط به نمودار شاخ و برگ وسایر نمودارها تیک دار باشند.
از طریق این نمودارها می توان به طور جزیی به توزیع داده ها پی برده و علت نرمال نبودن داده ها را با دلیل ببینید:
‼️‼️ نمودار شاخ و برگ برای یک توزیع نرمال به شکل زنگوله است.(تصاویر 3➰4
👌👌در نمودار Q-Q داده های یک توزیع نرمال معمولا روی خط قرار می گیرد و داده ها روی خط بصورت مارپیچ یا S -وار نخواهند بود.(تصویر اتچ)
👌👌در نمودار جعبه ای معمولا برای توزیع نرمال در مرکز نمودار قرار می گیرد. دیدن داده های پرت ( Outliers ) (که آنها را با ستاره یا نقطه نشان می دهند) می تواند انحراف یک توزیع را از توزیع نرمال به خوبی تشریح کند.(تصویر 2)
در تصویر اتچ مشاهده می کنید که علاوه بر اینکه داده ها S –وار حول خط نرمال پخش شده اند داده هایی داریم که بسیار از خط دورافتاده اند. این داده ها همان داده های پرت می باشند.
🔴در نمودار جعبه ای تصویر 2هم مشاهده می کنید که جعبه در مرکز قرار ندارد. و علت آن می تواند وجود داده های پرتی که در بالا ی جعبه فرار دارد نیز باشد.
📕📕📕📕📕📕📕📕
https://telegram.me/joinchat/BtMduj9Rt2oIXj-ZpShMcA18930
✍✍اگر در مرحله دوم به این نتیجه رسیدید که متغیرهای شما که در گام اول چولگی و کشیدگی معمولی داشتند، نرمال نیستند، به سراغ نمودارهای خروجی Explore بروید. به طور پیش فرض نمودارهای جعبه ای ، یا Q-Q plot یا نمودار شاخ و برگ ظاهر می شود. با این حال در همان کادر محاوره Plots چک کنید که گزینه های مربوط به نمودار شاخ و برگ وسایر نمودارها تیک دار باشند.
از طریق این نمودارها می توان به طور جزیی به توزیع داده ها پی برده و علت نرمال نبودن داده ها را با دلیل ببینید:
‼️‼️ نمودار شاخ و برگ برای یک توزیع نرمال به شکل زنگوله است.(تصاویر 3➰4
👌👌در نمودار Q-Q داده های یک توزیع نرمال معمولا روی خط قرار می گیرد و داده ها روی خط بصورت مارپیچ یا S -وار نخواهند بود.(تصویر اتچ)
👌👌در نمودار جعبه ای معمولا برای توزیع نرمال در مرکز نمودار قرار می گیرد. دیدن داده های پرت ( Outliers ) (که آنها را با ستاره یا نقطه نشان می دهند) می تواند انحراف یک توزیع را از توزیع نرمال به خوبی تشریح کند.(تصویر 2)
در تصویر اتچ مشاهده می کنید که علاوه بر اینکه داده ها S –وار حول خط نرمال پخش شده اند داده هایی داریم که بسیار از خط دورافتاده اند. این داده ها همان داده های پرت می باشند.
🔴در نمودار جعبه ای تصویر 2هم مشاهده می کنید که جعبه در مرکز قرار ندارد. و علت آن می تواند وجود داده های پرتی که در بالا ی جعبه فرار دارد نیز باشد.
📕📕📕📕📕📕📕📕
https://telegram.me/joinchat/BtMduj9Rt2oIXj-ZpShMcA18930
Forwarded from تغیر ایدی داریم
✅پیام روز
😊مهم نیست چه شکلی هستی
🙃مهربونی تو را زیباترین آدم دنیا میکنه
پ ن :با خودتون، با آدمای اطرافتون، از همه چی مهمتر با خداتون مهربون باشید🌹
ان شا لله روزتون پر برکت 🙈
🎓 @TahlilAmarii
😊مهم نیست چه شکلی هستی
🙃مهربونی تو را زیباترین آدم دنیا میکنه
پ ن :با خودتون، با آدمای اطرافتون، از همه چی مهمتر با خداتون مهربون باشید🌹
ان شا لله روزتون پر برکت 🙈
🎓 @TahlilAmarii
Forwarded from اتچ بات
✅رگرسیون در spss
✍✍با استفاده از تحلیل رگرسیون می توان به تعیین و پیش بینی تغییرات متغیر وابسته را از طریق متغیر یا متغیرهای مستقل پرداخت.
👌👌تحلیل رگرسیون، روش آماری است كه طی آن واریانس متغیر وابسته بر اساس متغیر یا متغیرهای مستقل تعیین و پیش بینی شود.
✅‼️رابطه رگرسیون و همبستگی:
✍✍رگرسیون رابطة نزدیكی با همبستگی دارد. بدین معنا كه برای انجام رگرسیون، باید ضریب همبستگی را محاسبه كرد.
👌👌اگر میان متغیرهای مورد مطالعه همبستگی وجود داشته باشد تنها در اینصورت می توان از رگرسیون ، برای آزمون فرضیه های تحقیق استفاده كرد.
👌👌در واقع می توان گفت: هر چقدر همبستگی بین متغیرها قوی تر باشد، پیش بینی دقیقتر است.
‼️‼️زمانی كه همبستگی صفر باشد، (همبستگی وجود نداشته باشد)، رگرسیون در اطراف میانگین بصورت كامل خواهد بود.
همبستگی چند متغیر را رگرسیون می نامیدند.
(فایل تکمیلی رگرسیون در اتچ)
📕📕📕📕📕📕📕📕📕
https://telegram.me/joinchat/BtMduj9Rt2oIXj-ZpShMcA18930
✍✍با استفاده از تحلیل رگرسیون می توان به تعیین و پیش بینی تغییرات متغیر وابسته را از طریق متغیر یا متغیرهای مستقل پرداخت.
👌👌تحلیل رگرسیون، روش آماری است كه طی آن واریانس متغیر وابسته بر اساس متغیر یا متغیرهای مستقل تعیین و پیش بینی شود.
✅‼️رابطه رگرسیون و همبستگی:
✍✍رگرسیون رابطة نزدیكی با همبستگی دارد. بدین معنا كه برای انجام رگرسیون، باید ضریب همبستگی را محاسبه كرد.
👌👌اگر میان متغیرهای مورد مطالعه همبستگی وجود داشته باشد تنها در اینصورت می توان از رگرسیون ، برای آزمون فرضیه های تحقیق استفاده كرد.
👌👌در واقع می توان گفت: هر چقدر همبستگی بین متغیرها قوی تر باشد، پیش بینی دقیقتر است.
‼️‼️زمانی كه همبستگی صفر باشد، (همبستگی وجود نداشته باشد)، رگرسیون در اطراف میانگین بصورت كامل خواهد بود.
همبستگی چند متغیر را رگرسیون می نامیدند.
(فایل تکمیلی رگرسیون در اتچ)
📕📕📕📕📕📕📕📕📕
https://telegram.me/joinchat/BtMduj9Rt2oIXj-ZpShMcA18930
Forwarded from تغیر ایدی داریم
✅‼️✅هدف تحلیل رگرسیونی
✍✍تحلیل رگرسیونی (یا تحلیل وایازش) فن و تکنیکی آماری برای بررسی و مدل سازی ارتباط بین متغیر وابسته و متغیر مستقل بوده و هدف آن پیش‌بینی متغیر وابسته از روی متغیر و یا متغیرهای مستقل میباشد .
✅‼️✅مهم‌ترین تفاوت رگرسیون و همبستگی در این است که رگرسیون ماهیت پیش‌بینی میزان متغیر وابسته از روی مدلی که متغیر مستقل یکی از مولفه‌های آن است را دارد. در
حالی که همبستگی صرفا نشان‌دهنده شدت رابطه متغیر (متغیرهای) مستقل و وابسته میباشد.
✅‼️✅پیش‌فرض‌های مدل‌های رگرسیون
👌وجود مدل نظری که احتمال وجود رابطه بین متغیرها و مدل را بالا ببرد
👌نرمال‌بودن توزیع
👌مساوی بودن واریانس ها بین سطوح متغیر وابسته و مستقل
👌باید بین متغیر وابسته و مستقل مرزی وجود داشته باشد، از دو مشخصه جدا
باشند.. به بیان بهتر، نباید اشتراکی بین متغیر مستقل و وابسته وجود داشته
باشد
✅‼️✅انواع تحلیل مبتنی بر رگرسیون
در مطالعه روش های تحلیل رگرسیون 6 دسته مهم قابل ذکر هستند.
👌رگرسیون خطی ساده
👌رگرسیون خطی چند گانه
👌رگرسیون لجستیک دوگانه
👌 رگرسیون لجستیک چندگانه
👌رگرسیون به روش تخمین منحنی
👌رگرسیون رتبه‌ای
👌رگرسیون پروبیت
📕📕📕📕📕📕📕📕
https://telegram.me/joinchat/BtMduj9Rt2oIXj-ZpShMcA18930
✍✍تحلیل رگرسیونی (یا تحلیل وایازش) فن و تکنیکی آماری برای بررسی و مدل سازی ارتباط بین متغیر وابسته و متغیر مستقل بوده و هدف آن پیش‌بینی متغیر وابسته از روی متغیر و یا متغیرهای مستقل میباشد .
✅‼️✅مهم‌ترین تفاوت رگرسیون و همبستگی در این است که رگرسیون ماهیت پیش‌بینی میزان متغیر وابسته از روی مدلی که متغیر مستقل یکی از مولفه‌های آن است را دارد. در
حالی که همبستگی صرفا نشان‌دهنده شدت رابطه متغیر (متغیرهای) مستقل و وابسته میباشد.
✅‼️✅پیش‌فرض‌های مدل‌های رگرسیون
👌وجود مدل نظری که احتمال وجود رابطه بین متغیرها و مدل را بالا ببرد
👌نرمال‌بودن توزیع
👌مساوی بودن واریانس ها بین سطوح متغیر وابسته و مستقل
👌باید بین متغیر وابسته و مستقل مرزی وجود داشته باشد، از دو مشخصه جدا
باشند.. به بیان بهتر، نباید اشتراکی بین متغیر مستقل و وابسته وجود داشته
باشد
✅‼️✅انواع تحلیل مبتنی بر رگرسیون
در مطالعه روش های تحلیل رگرسیون 6 دسته مهم قابل ذکر هستند.
👌رگرسیون خطی ساده
👌رگرسیون خطی چند گانه
👌رگرسیون لجستیک دوگانه
👌 رگرسیون لجستیک چندگانه
👌رگرسیون به روش تخمین منحنی
👌رگرسیون رتبه‌ای
👌رگرسیون پروبیت
📕📕📕📕📕📕📕📕
https://telegram.me/joinchat/BtMduj9Rt2oIXj-ZpShMcA18930
Forwarded from اتچ بات
🔵رگرسیون خطی
✅‼️✅ از آنجايي كه رگرسيون و همبستگي دو موضوع به هم تنیده هستند و از سوی دیگر می شود رابطه بین متغیر مستقل و وابسته را به هر صورت ممکن نوشت، مجموعه ای از روشها نیز وجود دارند که می توان به کمک آنها یک معادله ریاضی بین متغیرها تعریف کرد و به کمک آنها مقادیر متغیر وابسته را از روی متغیر یا متغیرهای مستقل، پیش بینی نمود.
✅‼️✅در صورتی که رابطه بین متغیرها معنی دار باشد، می توان آن را با الگوهای ریاضی بیان کرد. معمولا چنین الگویی ممکن است از نوع خطی یا غیر خطی باشد. به معادله ای که رابطه بین دو متغیر مستقل و وابسته را با الگوهای خطی بیان کند معادله رگرسیون خطی و در غیر این صورت به آن معادله رگرسیون غیر خطی می گویند.
✅‼️✅در فايل آموزشي اتچ زير سعي شده تا موضوع رگرسیون خطی را بررسي و چگونگي استفاده از نرم افزار SPSS را براي تحليل این رگرسيون نیز بیان شود.
📕📕📕📕📕📕📕📕
https://telegram.me/joinchat/BtMduj9Rt2oIXj-ZpShMcA18930
✅‼️✅ از آنجايي كه رگرسيون و همبستگي دو موضوع به هم تنیده هستند و از سوی دیگر می شود رابطه بین متغیر مستقل و وابسته را به هر صورت ممکن نوشت، مجموعه ای از روشها نیز وجود دارند که می توان به کمک آنها یک معادله ریاضی بین متغیرها تعریف کرد و به کمک آنها مقادیر متغیر وابسته را از روی متغیر یا متغیرهای مستقل، پیش بینی نمود.
✅‼️✅در صورتی که رابطه بین متغیرها معنی دار باشد، می توان آن را با الگوهای ریاضی بیان کرد. معمولا چنین الگویی ممکن است از نوع خطی یا غیر خطی باشد. به معادله ای که رابطه بین دو متغیر مستقل و وابسته را با الگوهای خطی بیان کند معادله رگرسیون خطی و در غیر این صورت به آن معادله رگرسیون غیر خطی می گویند.
✅‼️✅در فايل آموزشي اتچ زير سعي شده تا موضوع رگرسیون خطی را بررسي و چگونگي استفاده از نرم افزار SPSS را براي تحليل این رگرسيون نیز بیان شود.
📕📕📕📕📕📕📕📕
https://telegram.me/joinchat/BtMduj9Rt2oIXj-ZpShMcA18930
Forwarded from تغیر ایدی داریم
✅تحلیل رگرسیون مرحله ای است بعد از همبستگی. تحلیل رگرسیون زمانی استفاده می شود که بخواهیم مقادیر یک متغیر را از روی مقادیر متغیر دیگر پیش بینی کنیم.
‼️‼️در این مورد، متغیری که ما از بهره می گیریم تا مقدار متغیر دیگر را پیش بینی کنیم، متغیر مستقل (یا پیش بین) نام دارد. متغیری را هم که می خواهیم پیش بینی کنیم متغیر وابسته (یا ملاک) نام دارد.
✅✅✅مثال
👌یک فروشنده ی یک برند معروف ماشین، علاقه مند شده است تا بررسی کند که بین درآمد شخصی افراد وهزینه ای که آنان برای یک ماشین می پردازند رابطه ای وجود دارد یا خیر.آن ها می خواهند از این نتایج برای پیشنهاد ماشین در مناطق جدیدی که میانگین درآمد آنان مشخص است استفاده کنند.
‼️متغیر مستقل: درآمد افراد (Income)
‼️متغیر وابسته: قیمت ماشین (Price)
✅✅✅مفروضات
👌جهت استفاده از این آزمون پیش فرض های زیر می بایست محقق باشد:
-متغیر ها در سطح سنجش فاصله ای
-توزیع متغیرهای نرمال یا نزدیک به نرمال باشند.
- بین دو متغیر رابطه خطی وجود داشته باشد.
👌جهت سنجش نرمال بودن توزیع متغیر ها از آزمون Shapiro-Wilk و یاKolmogoro-smirnov استفاده می کنیم.
👌جهت سنجش وجود رابطه خطی بین دو متغیر نیز از آزمون همبستگی پیرسون استفاده می کنیم.
📕📕📕📕📕📕📕📕
https://telegram.me/joinchat/BtMduj9Rt2oIXj-ZpShMcA18930
‼️‼️در این مورد، متغیری که ما از بهره می گیریم تا مقدار متغیر دیگر را پیش بینی کنیم، متغیر مستقل (یا پیش بین) نام دارد. متغیری را هم که می خواهیم پیش بینی کنیم متغیر وابسته (یا ملاک) نام دارد.
✅✅✅مثال
👌یک فروشنده ی یک برند معروف ماشین، علاقه مند شده است تا بررسی کند که بین درآمد شخصی افراد وهزینه ای که آنان برای یک ماشین می پردازند رابطه ای وجود دارد یا خیر.آن ها می خواهند از این نتایج برای پیشنهاد ماشین در مناطق جدیدی که میانگین درآمد آنان مشخص است استفاده کنند.
‼️متغیر مستقل: درآمد افراد (Income)
‼️متغیر وابسته: قیمت ماشین (Price)
✅✅✅مفروضات
👌جهت استفاده از این آزمون پیش فرض های زیر می بایست محقق باشد:
-متغیر ها در سطح سنجش فاصله ای
-توزیع متغیرهای نرمال یا نزدیک به نرمال باشند.
- بین دو متغیر رابطه خطی وجود داشته باشد.
👌جهت سنجش نرمال بودن توزیع متغیر ها از آزمون Shapiro-Wilk و یاKolmogoro-smirnov استفاده می کنیم.
👌جهت سنجش وجود رابطه خطی بین دو متغیر نیز از آزمون همبستگی پیرسون استفاده می کنیم.
📕📕📕📕📕📕📕📕
https://telegram.me/joinchat/BtMduj9Rt2oIXj-ZpShMcA18930