#آموزشی

چه زمانی از Z , T.Value و sig استفاده کنیم ⁉️⁉️⁉️

➖➖➖➖➖➖➖➖➖➖
[ z-value > 1.96]==>آمار ناپارامتریک
[T.Value > 1.96]==> آمار پارامتریک
[Sig < 0.05] =» پارا و ناپارا متریک
➖➖➖➖➖➖➖➖➖➖

➖➖➖➖➖➖➖➖➖➖
[Z-value > 2.58]==>آمار ناپارامتریک
[T.Value > 2.58]==> آمار پارامتریک
[Sig < 0.01] ==> پارا و ناپارا متریک
➖➖➖➖➖➖➖➖➖➖

شرط آمار پارامتریک
۱) متغیرها کمی باشند.
۲) متغیرها توزیع نرمال داشته باشند

💢💢نکته: آمار پارامتریک قدرت و تعمیم پذیری بالاتری دارند.

➖➖➖➖➖➖➖➖➖➖
شرط آمار ناپارامتریک
۱) حداقل یک متغیر کیفی باشند.
۲) حداقل یک متغیر توزیع غیر نرمال داشته باشند.
➖➖➖➖➖➖➖➖➖➖

🎓 @stphd
─┅─═ঊঈ 📚📚 ঊঈ═─┅─
#منابع_آمار_تحلیل_آماری

#آموزشی

سوال: چرا باید از #چولگی و #کشیدگی به جای گزارش #k-s استفاده کنیم ⁉️


✅ در بسیاری از پایان نامه ها و مقالات چاپ شده متاسفانه محققان به اشتباه برای گزارش #توزیع_دادها از #کالموگرف_اسمیرنف استفاده میکنند.
➖➖➖➖➖➖➖➖➖➖
در کتاب های Hair 2012, klin 2005,  Bryn 2005, Steven 2009 به صورت ویژه تاکید می شود که می بایست از #چولگی و #کشیدگی جهت گزارش #توزیع_داده_ها گزارش شود.
➖➖➖➖➖➖➖➖➖➖

🔴 اما دلیل این کار چیست؟
۱) کلموگروف اسمیرنف برای داده های ذاتا کمی و نمونه بالای ۳۰۰۰ عتبار دارد.

۲) نگاه به نرم افزار های #کواریانس_محور نشان از توجه طراحان به #چولگی و #کشیدگی دارد به طوری که در خروجی_های #ایموس که دقیق ترین نرم افزار کوارایانس محور است چولگی و کشیدگی بارگزاری شده است.
۳) با ظهور پرسشنامه های #انعکاسی و #ترکیبی ممکن است استفاده از کالموگروف اسمیرنف بیرون زدگی از منحنی وجود داشته باشد.
➖➖➖➖➖➖➖➖➖➖

💢💢💢 نکته
در خصوص #نرمال بودن یک متغیر اگر آماره چولگی بین ۳- و ۳ باشد و آماره کشیدگی بین ۵ و ۵- باشد و به تعبیری ۶۵℅ این بلوک ها زیر منحنی نرمال باشند #توزیع_نرمال است.
بنابراین در پرسشنامه های با تعداد سوالات بالا و تعداد نمونه تا ۳۰۰ قطعا توزیع طبیعی با استفاده از کالموگروف اسمیرنف را غیر طبیعی نشان میدهد در صورتی که ممکن است در بررسی چولگی و کشیدگی توزیع متغیرها زیر منخنی نرمال باشد. بنابراین محققین در انتخاب آزمون های #پارامتریک و #ناپارمتریک دچار اشتباه می شوند و تاسف بار تر اینکه همان آزمونها مورد تایید قرار میگیرند.

🎓 @stphd
─┅─═ঊঈ 📚📚 ঊঈ═─┅─
#منابع_آمار_تحلیل_آماری

#آموزشی
پیش پردازش داده ها

➖➖➖➖➖➖➖➖➖➖
دسته اول:
#پیش_پردازش هایی که متغیر ( ستون) جدیدی ایجاد #نمیکنند.
۱) #حذف #آدم_های #بی_تفاوت
۲) مرتب کردن یا sort کردن داده ها
۳) ادغام کردن
۴) جداسازی کیس ها یا  select cases
۵) دونیم سازی یا split کردن
۶) ترانهاد کردن یا trsport که در اینجا جای ستر و ستون عوض می شود.

➖➖➖➖➖➖➖➖➖
دسته دوم:
پیش پردازش هایی است که ستون و یا متغیر جدید ایجاد میکند.
۱) شناسایی #missing ها یا داده های #مفقوده و #مدیریت_آن_ها
۲) شناسایی داده های #پرت ( خارج از بازه)
۳) کد گذاری مجدد داده ها recode
۴) دسته بندی binning
۵) کامپیوت ( compute)
۶) رتبه بندی یا ranking
7) #آلفای_کرونباخ
۸) #نرمال_بودن_توزیع_دادها
۹) #کفایت_حجم_نمونه و #کرویت #روابط ( KMO)

شماره ۱ از دسته اول، شماره ۱ ، ۲، ۷ ، ۸، و ۹ از پیش پردازش های اساسی در تحقیقات به شمار می رود. در صورت عدم انجام این پیش پردازش ها در نرم افزار اس پی اس اس، ممکن است مدل ها در نرم افزار های معادلات ساختاری ران نشود و همچنین در نتایج آزمون های در فضای نرم افزار اس پی اس اس با خطا مواجه باشیم.

🎓 @stphd
─┅─═ঊঈ 📚📚 ঊঈ═─┅─
#منابع_آمار_تحلیل_آماری

#آموزشی

ابزار جمع آوری داده ها

در تحقیقات #کیفی :
#مصاحبه، #مشاهده، #مصاحبه_کانونی، #مصاحبه_دلفی، #فنون_فرافکنی و #کارت_های_کیو ابزار جمع آوری داده ها محسوب می شوند که با #فرمت_های، #متن، #صوت، #تصویر و #فیلم جمع آوری می گردند.

در #تحقیقات_کمی :
داده ها از طریق #پرسشنامه، #چک_لیست و #آزمایش جمع آوری می گردند که فرمت داده ها به صورت #کمی و #عددی می باشند.

🎓 @stphd
─┅─═ঊঈ 📚📚 ঊঈ═─┅─
#منابع_آمار_تحلیل_آماری

#آموزشی
#فرضیات

ممکن است فرضیات از نوع تفاوتی به صورت مستتر باشد.

مثال) احداث استخر دانشگاه بر رضایت دانشجویان تاثیر دارد. 💡💡

در فرضیه بالا به نظر می رسد این یک #فرضیه_علی است اما در واقع رضایت دانشجویان یک متغیر scale است اما احداث استخر به دو صورت قبل از احداث و پس از احداث بررسی میشود و یک متغیر کیفی یا اسمی است.
رضایت دانشجویان قبل از احداث و رضایت همان دانشجویان پس از احداث استخر مقایسه میگردد. پس نوع فرضیه تفاوتی است.

مثال ) تبلیغات بر فروش تاثیر دارد. 💡

فروش یک فرایند است بنابراین تبلیغات هم به قبل از فروش و بعد از فروش اشاره دارد. بنابراین فریب شکل فرضیات را نخوریم.

محققین در این نوع فرضیات توجه داشته باشند که حتما از همان نمونه قبل و بعد از انجام یک فرایند ( مانند تبلیغات و ساخت استخر) استفاده کنند.

🎓 @stphd
─┅─═ঊঈ 📚📚 ঊঈ═─┅─
#منابع_آمار_تحلیل_آماری

#آموزشی
دسته اول فرضیات

یک متغیر، با یک استاندارد مقایسه میشود.
              👇👇👇👇👇👇👇
مثال دسته اول:
دمای هوا با میزان استاندارش تفاوت دارد.

در این مثال که مربوط به دسته اول فرضیات تفاوتی است یک متغیر دمای هوا و یک اسناندارد بررسی می گردد.
در نتیجه می توانیم به اینگونه بنویسیم:

H0: آیا با این استاندارد مساوی نیست؟
H1: آیا با این استاندارد مساوی است؟
             👇👇👇👇👇👇👇
مثال۲:
تعهد سازمانی کارکنان وزارت ورزش مطلوب است.
تعهد سازمانی یک متغیر(scale) است و از طرفی #استاندارد در درون آن مستتر است.
در #طیف_لیکرتی که از یک تا پنج گزینه ای باشد قاعدتا استاندار تعهد سازمانی عدد ۳ می باشد.

🎓 @stphd
─┅─═ঊঈ 📚📚 ঊঈ═─┅─
#منابع_آمار_تحلیل_آماری

دسته دوم فرضیات تفاوتی

☑️ یک متغیر در دو گروه #مستقل مقایسه می شود.
             👇👇👇👇👇👇👇
مثال۱) نمره تربیت بدنی عمومی دانشجویان دختر و پسر تفاوت دارد.

H0:  گروه دختران= گروه پسران
H1: گروه دختران(نامساوی)گروه پسران
       
            👇👇👇👇👇👇👇
مثال ۲) تزریق دارو بر فشار خون بیماران تاثیر دارد.
اینجا یک گروه کنترل و آزمایش داریم.


🎓 @stphd
─┅─═ঊঈ 📚📚 ঊঈ═─┅─
#منابع_آمار_تحلیل_آماری

دسته سوم فرضیات تفاوتی:

یک متغیر را در دو #بازه_زمانی مقایسه می کند.

مثال) آموزش پاس بغل پا بر مهارت دانش آموزان تاثیر دارد.

در اینجا آموزش یک فرایند است. مهارت یک متغیر است. اینجا محقق مهارت دانش آموزان را قبل از آموزش پاس بغل پا و مهارت را بعد از پاس بغل پا مورد مقایسه قرار میدهد.

🎓 @stphd
─┅─═ঊঈ 📚📚 ঊঈ═─┅─
#منابع_آمار_تحلیل_آماری

دسته چهارم فرضیات تفاوتی:

یک متغیر در بیش از دوگروه مستقل مقایسه شود.

مثال) بین تحلیل رفتگی داوران فوتبال بر اساس درجات داوری تفاوت وجود دارد.
در اینجا تحلیل رفتگی یک متغیر است و درجات داوری ببش از دو گروه یعنی درجه سه، درجه دو ، درجه یک، درجه ملی و درجه بین المللی است.

🎓 @stphd
─┅─═ঊঈ 📚📚 ঊঈ═─┅─
#منابع_آمار_تحلیل_آماری

دسته اخر فرضیات تفاوتی:
یک متغیر در بیش از دو #بازه_زمانی مقایسه می شود.

مثال) استرس ورزشکاران نزدیک روزهای مسابقات زیاد می شود.

در اینجا محقق می بایست یک ماه قبل، ۲۰ روز قبل، ۱۵ روز قبل، ۱۰ روژ قبل و پنج روز قبل و شب امتحان را از دانشجویان سوال کند و در نهایت این بازه ها را مقایسه کند. 

🎓 @stphd
─┅─═ঊঈ 📚📚 ঊঈ═─┅─
#منابع_آمار_تحلیل_آماری

آزمونهای فرضیات تفاوتی

#دسته_اول

#پارامتریک ⬅ ️#تی_تک_نمونه ای

مثال) رضایت دانشجویان دانشگاه از کلاس تربیت بدنی عمومی مطلوب است.
در این مثال ابتدا متغیر را بررسی میکنیم که آیا #کمی و #نرمال می باشد. همچنین یک #استاندارد در فرضیه مستتر است و سطح مطلوب یک استاندار را نشان میدهد. بنابراین استاندار سطح مطلوب در طیف لیکرت پنح گزینه ای عدد ۳ می باشد.
آزمون های پارامتریک تفاوتی تنها به دنبال #مقایسه_میانگین_ها می باشند. بنابراین به آن ها آزمون های مقایسه میانگین نیز می گویند.

💡دستور آزمون تی تک نمونه ای
Analyze ➡️ compare Means ➡️
one-sample T Test ➡️  متغیر را وارد پنجره سمت چپ میکنیم ➡️ در قسمت Test Value عدد سه را وارد میکنیم ➡️ ok


#ناپارامتریک ⬅️
۱) آزمون #دو_جمله ای( #بای_نامیل_تست)

💡دستور
Analyze ➡️ nonparametric Tests ➡️ Legacy Dialogs ➡️ Binomial
🔻🔻🔻🔻🔻🔻🔻🔻🔻🔻🔻
( یک متغیر اسمی دو وجهی در آن مستتر است، مانند شرکت کردن ، شرکت نکردن، موفقیت ، عدم موفقیت....) یا( احتمال را با پنجاه در صد مقایسه شود ، مثال نسبت شکست به پیروزی، نسبت تولد به فوت و ....)
H0= p=50℅
♦️ متغیر ها اسمی دو وجهی می باشد.

مثال) مردم ایران در انتخابات شرکت می کنند.
شرکت کردن =۵۰٪
شرکت نکردن=۵۰٪

۲) #کای_اسکوئر
این آزمون یک متغیر ترتیبی را با #استاندار و مقدار مورد انتظار مقایسه می شود.
مثال) رضایت کارکنان دانشگاه در سطح مطلوبی قرار دارد.
در اینجا محقق با فرض بر اینکه رضایت را با مقیاس ترتیبی پرسیده است مقایسه میکند. مثلا رضایت بالا، رضایت پایین و رضایت متوسط. در اینجاست که محقق از این آزمون #ناپارمتریک برای مقایسه استفاده میکند.

💡دستور آزمون #کای_اسکوئر
Analyze ➡️ nonparametric tests ➡️ legacy Dialogs ➡️ Chi- squer
۳) آزمون #run
وقتی که در فرضیه مقوله #تصادفی مطرح می شود و محقق میخواهد بداند این پدیده تصادفی است یا خیر از این آزمون استفاده می شود. لازم به ذکر است در اینجا رجوع یک متغیر #اسمی است.
مثال) رجوع دانشجویان دانشکده تربیت بدنی برای دریافت بن کتاب تصادفی می باشد.
💡دستور
analyze ➡️ nonparametric test ➡️ legacy Dialogs ➡️ Runs


🎓 @stphd
─┅─═ঊঈ 📚📚 ঊঈ═─┅─
#منابع_آمار_تحلیل_آماری

آزمون های فرضیات تفاوتی

#دسته_دوم

آزمون پارامتریک
آزمون #تی_دو_نمونه_مستقل

مثال) تحلیل رفتگی داوران فوتبال بر اساس پست داوری متفاوت است.

تخلیل رفتگی متغیر کمی و پارامتریک ماست. و پست های داوری به دو دسته کمک داور و داور وسط هستند. بنابراین از آزمون های دسته دوم و آزمون پارامتریک #تی_دو_نمونه_مستقل استفاده میکنیم.
دستور
Analyze ➡️ compare means ➡️  independent-samples T- test

آزمونهای #ناپارمتریک

۱) #واکنش_حاد_موزس
مثال) نمره رکورد های دوی ۹*۴ در دانشجویان دختر و پسر متفاوت است.
یا
مثال) نمره ept زبان در آقایان و خانم ها متفاوت است.
از این آزمون برای متغیر های #کمی و #نرمالی( به طور خاص) که قرار است در دو گروه مختلف مقایسه شوند استفاده می شود. در این ازمون داده ها دو بار مورد پیرایش قرار میکیرند. یکبار کمتر پیرایش میشوند و بار دوم داده های بسیار پرت بیرون گذاشته میشوند.

۲)آزمون #یوئمن_وایتنی

در این آزمون، فرضیه ای مورد واکاوی قرار میگیرد که متغیرش ترتیبی و کمی ست.
در دوگروه مستقل مورد آزمون قرار داده شود.

مثال) نمره تربیت بدنی عمومی دانشجویان دختر و پسر متفاوت است.
دستور
Analyze ➡️ nonparametric ➡️ legacy Dialogs ➡️ Two- independent tests
در پنجره باز شده آزمون mann-# Whitney U انتخاب می شود. ویا برای مثال اول از آزمون واکنش حاد موزس استفاده میگردد.

🎓 @stphd
─┅─═ঊঈ 📚📚 ঊঈ═─┅─
#منابع_آمار_تحلیل_آماری

دسته سوم فرضیات تفاوتی

در این نوع فرضیات، متغیر در یک گروه و در #دو_بازه_زمانی مختلف مورد مقایسه قرار می گیرد.

آزمون های _پارامتریک

۱) #تی_زوج_نمونه_ای_وابسته

از این آزمون زمانی استفاده می شود که متغیری کمی و با توزیع طبیعی داده، را در دوبازه زمانی مختلف استفاده میکنیم.
مثال)استرس دانش آموزان در قبل و بعد از امتحانات تفاوت دارد.
Analyze ➡️ compare mean ➡️ independent sample T Test

آزمون های #ناپارمتریک

آزمون #مک_نمار و #آزمون _ویلکاکسون

این آزمون منسوخ شده است و در واقع جهت را نمی تواند نشان دهد.بنابراین از آزمون #ویلکاکسون جهت مقایسه متغیر ناپارمتریک که در دو بازه زمانی مقایسه میکند.
مثال) آموزش دریبل فوتبال بر مهارت دانش آموزان فوتبالیست تاثیر دارد.
آموزش( فرایند) ، مهارت ( متغیر) ، دانس اموزان فوبالیست (یک گروه)، تاثیر ( حاکی از اختلاف میانگین بین قبل از اموزش و بعد از آموزش)

مسیر دستور
Analyze ➡️ nonparametric ➡️ legacy Dialogs ➡️ 2 related samples ➡️  wilcoxon

#آزمون_علامت ( sign)
این ازمون برای زمانیست که دو شی یا نفر را با هم مقایسه میکنیم. نمرات #شهودی و #سلیقه_ای می باشد.
تنها #شرط آزمون #علامت این است که حتما میبایست  داده ها کمی باشند اما نیازی به #نرمال بودن نیست.  و این ازمون از ازمون های خاص است.

مثال) خانم الف از خانم ب زیباتر است.

مسیر دستور
Analyze ➡️ nonparametric ➡️ legacy Dialogs ➡️  2 related sample

🎓 @stphd
─┅─═ঊঈ 📚📚 ঊঈ═─┅─
#منابع_آمار_تحلیل_آماری

دسته چهار فرضیات تفاوتی

💡مقایسه یک متغیر در k گروه مستقل( تعمیم یافته دسته دو)

#آزمون_پارامتریک
آزمون #آنالیز_واریانس ( #ANOVA)
این آزمون اختلاف میانگین یک متغیر #کمی و #نرمال را در #بیشتر_از_دو_گروه_مستقل بررسی می کند. این آزمون به دلیل اینکه ناقص است آزمون تعقیبی دارد. به دلیل برابری  واریانس ها، از ۱۴ دسته آزمون های تعقیبی و همچنین ۴ دسته آزمون تعقیبی #عدم_برابری_واریانس_ها،  مناسبترین آزمون_تعقیبی با توجه به آزمون #لوین، #آزمون_های #تعقیبی #LSD و #schefe و #Tukey از ۱۴ تای اول می باشد.

مثال ) بین تحلیل رفتگی داوران فوتبال بر اساس درجات داوری اختلاف وجود دارد.

💡دستور
Analyze ➡️ compare mean ➡️ Anova 
💡آزمون های ناپارامتریک

#کروسکال_والیس

این آزمون زمانی استفاده می شود که متغیر ما #اسمی و یا #ترتیبی است و قرار است در k گروه مستقل مورد مقایسه قرار گیرد.
مثال) بین تحصیلات داوران فوتبال و درجه ی داوری آنان اختلاف وجود دارد.
مثال) بین وضعیت تاهل دانشجویان و مدرک تحصیلی آنان تفاوت وجود دارد.
دستور
Analyze ➡️ nonparametric ➡️ legacy Dialogs ➡️ k independent samples ➡️ kruskal - vallis H
همچنین از دسته ازمونهای ناپارمتریک در دسته چهارم آزمون میانه ( medean) و جانکریر ترپسترا ( jonckheere Terpstera) نیز می باشد که به دلیل عدم جهت دادن، منسوخ شده اند.

🎓 @stphd
─┅─═ঊঈ 📚📚 ঊঈ═─┅─
#منابع_آمار_تحلیل_آماری

مقایسه نمودار تورم و دزدی

هرچی تورم رفته بالا دزدی زیادتر شده

بیشتر اعلام سرقت و دزدی مسلحانه در سال ۱۴۰۰ و ۱۴۰۱


🎓 @stphd
─┅─═ঊঈ 📚📚 ঊঈ═─┅─
#منابع_آمار_تحلیل_آماری

دسته پنجم آزمونهای تفاوتی

مقایسه میانگین یک متغیر در k نمونه به هم پیوسته

💡آزمونها

#آزمون_فریدمن ( Friedman)
این آزمون با استفاده از مین رنک ( min rank)، رتبه بندی میکند.
آزمون #دبلیو_کندال ( kendall w test)
این آزمون هم مانند فریدمن, اختلاف میانگین بین متغیر و بازه های زمانی بالاتر از دو  را مشخص می کند.

آزمون #کیو_کوکران ( Cochran's Q)
فرق این آزمون با آزمون #فریدمن و دبلیو کندال این است که آزمون کیو کوکران متغیرهای اسمی دو وجهی را در k بازه زمانی مختلف مقایسه می کند.

🎓 @stphd
─┅─═ঊঈ 📚📚 ঊঈ═─┅─
#منابع_آمار_تحلیل_آماری

فرضیات به سه صورت در تحقیق مطرح می شوند:

✅ فرضیات #رابطه ای: در این نوع فرضیه ارتباط یک متغیر با متغیر دیگر مورد بررسی قرار می گیرد.

✅ فرضیات #مقایسه ای: این نوع فرضیات، بیشتر یا کمتر بودن یک ویژگی را در یک گروه نسبت به گروه های دیگر اشاره می کند.

✅  #فرضیات_علی: در این نوع فرضیات، شرایط زیر مصداق پیدا میکند:

1⃣ یک متغیر #مستقل، رفتار یک متغیر #وابسته را پیش بینی میکند.
2⃣ پیش از بررسی #تاثیر متغیر ها، رابطه سنجیده می شود.
3⃣ تاثیر متغیر ها در متغیر های دیگر در قالب یک #مدل قابل ارائه است.
4⃣ #شدت_تاثیر را به ما میگوید.
5⃣ #جهت_تاثیر را به ما میگوید.
6⃣ #برازش تاثیر را به ما میگوید.

🎓 @stphd
─┅─═ঊঈ 📚📚 ঊঈ═─┅─
#منابع_آمار_تحلیل_آماری

🔴اطلاعیه سازمان سنجش : وسایل مجاز و غیرمجاز برای شرکت در کنکور سراسری اعلام شد


🎓 @paphd
─┅─═ঊঈ 📚📚 ঊঈ═─┅─
#منابع_پروپوزال_مقاله_پایاننامه

#آمار_و_ارقام

از هر دو ازدواج یک مورد به طلاق می انجامد.
اوضاع طلاق وحشتناک شد!
🔻 داده های موجود در سایت سازمان ثبت احوال نشان می‌دهد نسبت طلاق به ازدواج در سه‌ماهه ابتدایی سال جاری به شدت افزایش یافته است.
🔻 از ابتدای سال تاکنون ٧٩٢۶٠ ازدواج و ٣٧٧٠١ طلاق ثبت شده که نسبت طلاق به ازدواج را به عدد ۴٧/۵ درصد رسانده است.
🔻 نسبت طلاق به ازدواج در استان‌هایی چون البرز، مازندران، سمنان، تهران و مرکزی بحرانی‌تر از سایر نقاط کشور است.
🔻 در ١٢ استان کشور به ازای هر دو ازدواج حداقل یک طلاق ثبت شد.


🎓 @stphd
─┅─═ঊঈ 📚📚 ঊঈ═─┅─
#منابع_آمار_تحلیل_آماری

#آمار_و_ارقام

‏بیشترین طلاق با ۲۵-۳۰٪ در بین پزشکان است.
روان‌پزشکان بالاترین نرخ طلاق را دارند.
‏بعد از روانپزشکان و جراحان ، سه تخصص دیگر کمی کمتر از جراحان طلاق میگیرند، توضیح دلیل طلاق بیشتر پزشکان نیز شرح داده شده.

منبع: کاپلان ٢٠٢٢


🎓 @engphd
─┅─═ঊঈ 📚📚 ঊঈ═─┅─
#منابع_زبان_ارشد_دکترا

شماتیک فرایند تحقیق در سبک های مختلف


🎓 @stphd
─┅─═ঊঈ 📚📚 ঊঈ═─┅─
#منابع_آمار_تحلیل_آماری