نحوه برآورد داده‌های میسینگ در SPSS (تست Little’s MCAR) یکی از چالش‌های همیشگی و اجتناب‌ناپذیر پژوهشگران در تحلیل‌های کمی، به‌ویژه در مطالعات پیمایشی و پرسشنامه‌ای، مواجهه با خانه‌های خالی در فایل داده‌هاست. نادیده گرفتن این نقص یا حذف غیرعلمی داده ها، می‌تواند اعتبار کل پایان‌نامه یا مقاله شما را زیر سوال ببرد و نتایج را دچار سوگیری کند. بنابراین، یادگیری صحیح نحوه برآورد داده های میسینگ برای حفظ دقت علمی پژوهش حیاتی است. در این مقاله آموزشی، قصد داریم به زبانی ساده اما دقیق، مراحل استاندارد مواجهه با این چالش را مرور کنیم. ما ابتدا با استفاده از آزمون معتبر لیتل (Little’s MCAR) نوع گم‌شدگی داده‌ها را تشخیص می‌دهیم و سپس به‌صورت گام‌به‌گام و تصویری، نحوه برآورد داده‌های میسینگ در SPSS را با استفاده از الگوریتم هوشمند EM آموزش خواهیم داد تا بدون خدشه‌دار کردن ساختار داده‌ها، به یک دیتاست کامل و قابل اعتماد دست پیدا کنید. آیا داده‌های گمشده تصادفی هستند؟ (تست Little’s MCAR) قبل از هر چیز بایستی از نحوه و الگوی میس شدن دیتا اطلاع پیدا کنیم. چرا که نحوه برخورد با خانه‌های خالی (همون دیتای میسینگ) مستقیماً بر سوگیری و توان آماری پژوهش اثر می‌گذارد. آزمون لیتل با بررسی ماتریس کوواریانس متغیرها، فرض صفر مبنی بر کاملاً تصادفی بودن داده‌ها یا همان حالت MCAR را مورد سنجش قرار می‌دهد تا مشخص شود آیا الگوی میس شدن داده‌ها مستقل از مقادیر مشاهده شده و مشاهده نشده است یا خیر. اهمیت این تست در این است که اگر مقدار معناداری آن کمتر از حد مجاز (0.05) باشد، یعنی داده‌ها از الگوی تصادفی پیروی نمی‌کنند و استفاده از روش‌های حذفی باعث می‌شود که نمونه نهایی دیگر نماینده واقعی جامعه نباشد و نتایج پژوهش دچار خطای سیستماتیک شود. توضیح ساده تر: به عبارتی ساده‌تر، قبل از اینکه به سراغ پر کردن جای خالی سوالات در نرم افزار SPSS بروید، باید بفهمید که این جواب ندادن‌ها از روی حواس‌پرتی و شانس بوده یا دلیل خاصی پشت آن است. مثلاً اگر در یک پرسشنامه، فقط افراد با درآمد پایین به سوالات مربوط به پس‌انداز جواب نداده باشند، ما با یک الگوی معنادار روبرو هستیم نه یک اتفاق تصادفی. آزمون لیتل مثل یک ترازوی سنجش عمل می‌کند؛ اگر این آزمون بگوید داده‌ها تصادفی نیستند، یعنی شما اجازه ندارید به سادگی آن افراد را از تحقیق حذف کنید یا فقط یک میانگین ساده به جای آن‌ها بگذارید، چون با این کار بخشی از واقعیت جامعه را که همان افراد کم‌درآمد هستند نادیده گرفته‌اید و نتایج نهایی شما به نفع ثروتمندان تغییر می‌کند و غیرواقعی می‌شود. برای اجرای آزمون لیتل، ابتدا از منوی بالای صفحه در نرم افزار SPSS گزینه Analyze را انتخاب کرده و سپس روی Missing Value Analysis کلیک کنید. در پنجره باز شده، تمام متغیرهایی که حدس می‌زنید دارای داده گمشده هستند (سوالات پرسشنامه) را به کادر Quantitative Variables منتقل کنید. در پایین همین پنجره، در بخش Estimation، حتماً گزینه EM را فعال کنید. با کلیک بر روی دکمه OK، نرم‌افزار محاسبات را انجام داده و نتایج را در پنجره Output نمایش می‌دهد. تفسیر نتایج آزمون لیتل (بر اساس خروجی SPSS) پس از مشاهده نتایج در خروجی SPSS، برای تفسیر صحیح آزمون لیتل باید به مقدار Sig در انتهای جدول توجه کنید. در نمونه خروجی که مشاهده می‌کنید، مقدار سطح معناداری برابر با 0.912 گزارش شده است که این عدد مبنای اصلی تصمیم‌گیری شما خواهد بود. از آنجایی که این مقدار بسیار بزرگتر از حد آستانه 0.05 است، فرض صفر آزمون مبنی بر تصادفی بودن داده‌ها رد نمی‌شود و نتیجه می‌گیریم که مکانیزم گم‌شدگی داده‌های شما کاملاً تصادفی یا اصطلاحاً MCAR است. به عبارتی ساده‌تر، وقتی عدد Sig در جدول خروجی شما مثل این مورد 0.912 می‌شود، یعنی هیچ الگوی نگران‌کننده‌ای در میان خانه‌های خالی دیتا وجود ندارد و غیبت داده‌ها صرفاً بر اساس شانس و اتفاق بوده است. این عدد بالا به شما اطمینان می‌دهد که تفاوت سیستماتیکی بین افرادی که به سوالات پاسخ داده‌اند و کسانی که پاسخ نداده‌اند وجود ندارد؛ بنابراین شما مجاز هستید با خیالی آسوده از روش‌های پیشرفته برآورد مانند EM برای پر کردن جای خالی سوالات استفاده کنید، زیرا اطمینان دارید که این کار باعث انحراف در نتایج نهایی و سوگیری در یافته‌های پژوهش شما نخواهد شد. نتایج آزمون لیتل نتایج آزمون لیتل در SPSS

برآورد داده‌های گمشده (میسینگ) با روش EM در SPSS زمانی که آزمون لیتل تایید کرد که داده‌های شما به صورت تصادفی میس (گم) شده‌اند، الگوریتم EM، یکی از دقیق‌ترین انتخاب‌ها برای برآورد میسینگ دیتای پرسشنامه‌ای است. این روش در یک فرآیند تکرار شونده، ابتدا بر اساس داده‌های موجود، پارامترهای آماری را پیش‌بینی کرده و سپس در هر مرحله این پیش‌بینی را اصلاح می‌کند تا به واقعی‌ترین عدد ممکن برسد. برتری این متد در این است که بر خلاف میانگین‌گیری ساده، واریانس داده‌ها را به شدت کاهش نمی‌دهد و روابط همبستگی بین سوالات پرسشنامه را که در جدول خروجی لیتل مشاهده کردید، به عنوان مبنای محاسبات خود قرار می‌دهد. به عبارتی ساده‌تر، روش EM به جای اینکه برای همه افراد یک نسخه واحد بپیچد و جای خالی را با میانگین کل پر کند، برای هر فرد به صورت اختصاصی تصمیم می‌گیرد. این الگوریتم نگاه می‌کند که اگر فردی به سوال شماره ۵ پاسخ نداده، اما به سوالات ۱، ۲ و ۳ که همبستگی بالایی با سوال ۵ دارند پاسخ‌های بالایی داده است، پس احتمالاً جواب او به سوال ۵ نیز باید عددی در طیف بالا باشد. این هوشمندی باعث می‌شود که پروفایل پاسخ‌دهی هر شرکت‌کننده منحصر‌به‌فرد باقی بماند و دقت تحلیل‌های بعدی شما مثل رگرسیون یا تحلیل عامل، به شکل چشم‌گیری حفظ شود. برای اجرای این برآورد و ذخیره داده‌های جدید، در همان پنجره Missing Value Analysis که آزمون لیتل را اجرا کردید، روی دکمه EM کلیک کنید. در پنجره کوچکی که باز می‌شود، گزینه Save fitted values را فعال کرده و با انتخاب یک نام برای فایل جدید، دستور را اجرا کنید. با این کار، SPSS یک دیتاست جدید برای شما می‌سازد که تمام خانه‌های خالی آن با اعداد برآورد شده پر شده است و حالا این فایل، نسخه نهایی و تمیز شما برای شروع تحلیل‌های اصلی آمار استنباطی خواهد بود.

🌼 نرمال بودن داده‌ها در معادلات ساختاری یکی از پیش‌فرض‌های مهم در تحلیل‌های مدل‌سازی معادلات ساختاری (SEM) و تحلیل عاملی تأییدی (CFA) این است که داده‌ها دارای توزیع نرمال (هم تک‌متغیره و هم چندمتغیره) باشند. بسیاری از نرم‌افزارهای معروف مانند نرم افزار AMOS در صورت نرمال بودن داده‌ها، نتایج دقیق‌تری ارائه می‌دهند و برازش مدل نیز بهتر تفسیر می‌شود. به همین دلیل، قبل از انجام تحلیل SEM، بررسی نرمال بودن داده‌ها گامی ضروری است. 1️⃣ بررسی نرمال بودن تک‌متغیره با چولگی و کشیدگی برای شروع تحلیل در مدل‌سازی معادلات ساختاری، نخست باید نرمال بودن هر متغیر به‌تنهایی بررسی شود. دو شاخص اصلی برای این منظور چولگی (Skewness) و کشیدگی (Kurtosis) هستند. به‌طور معمول، اگر مقدار این دو شاخص در بازه حدودی منفی ۲ تا مثبت ۲ باشد، می‌توان گفت توزیع متغیر نرمال است. این مقادیر به‌راحتی در SPSS از طریق بخش تحلیل‌های توصیفی قابل محاسبه‌اند. البته لازم به تأکید است که نرمال بودن هر متغیر به‌تنهایی، تضمینی برای نرمال بودن ترکیب چندمتغیره آن‌ها در تحلیل SEM نیست. 2️⃣ بررسی نرمال بودن چندمتغیره با ضریب ماردیا پس از اطمینان از نرمال بودن تک‌تک متغیرها، گام بعدی بررسی نرمال بودن چندمتغیره داده‌هاست؛ یعنی بررسی اینکه آیا ترکیب هم‌زمان چندین متغیر نیز از توزیع نرمال پیروی می‌کند یا نه. در نرم‌افزار AMOS، این کار با استفاده از ضریب ماردیا (Mardia) انجام می‌شود که شاخصی برای سنجش کشیدگی چندمتغیره است. در خروجی AMOS، عدد ضریب ماردیا همراه با یک نسبت بحرانی (Critical Ratio) نمایش داده می‌شود. اگر مقدار این نسبت بیشتر از ۱.۹۶ باشد، نتیجه در سطح ۹۵ درصد معنادار است و نشان می‌دهد که داده‌ها به‌احتمال زیاد از توزیع نرمال چندمتغیره پیروی نمی‌کنند. البته این آزمون به‌شدت به حجم نمونه حساس است و در نمونه‌های بزرگ، معمولاً حتی انحراف‌های جزئی نیز منجر به نتایج معنادار می‌شوند. بنابراین در تفسیر آن باید با احتیاط عمل کرد و از شاخص‌های تک‌متغیره نیز کمک گرفت. 💬 معنادار بودن ضریب ماردیا یعنی داده‌ها غیر نرمال‌ هستند؟ یکی از اشتباهات رایج در تفسیر خروجی AMOS این است که صرفاً بر اساس معنادار بودن ضریب ماردیا، نتیجه‌گیری قطعی درباره نرمال نبودن داده‌ها انجام می‌شود. در حالی که این آزمون به‌شدت تحت‌تأثیر حجم نمونه است و هرچه تعداد نمونه‌ها بیشتر باشد، احتمال معنادار شدن نتایج حتی در صورت انحراف‌های جزئی نیز افزایش می‌یابد. به همین دلیل، پژوهشگران توصیه می‌کنند ضریب ماردیا به‌تنهایی مبنای تصمیم‌گیری نباشد، بلکه در کنار آن از شاخص‌های چولگی و کشیدگی متغیرها، نمودارهای Q-Q و تحلیل‌های مکمل استفاده شود تا ارزیابی دقیق‌تری از نرمال بودن داده‌ها به دست آید. در پایان اگر دیتاها نرمال نبودند میتوانید از روش حداقل مربعات جزئی در نرم افزار SmartPLS استفاده کنید.

«سوگیری روش مشترک» (Common Method Bias) يكي از آزمون هاي سطح بالا و معتبر در مقالات قوي و پژوهش هاي غني آزمون تک‌عاملی هارمن (Harman’s one-factor test) مي باشد. زمانی که برای گردآوری داده‌های مربوط به متغیرهای وابسته و مستقل، از یک ابزار سنجش واحد استفاده شده باشد، اين آزمون مورد استفاده قرار مي گيرد. چگونه می‌توان این کار را در نرم‌افزار SPSS انجام داد؟ در SPSS، مسیر Analyze → Dimension Reduction → Factor اگر کل واریانس استخراج‌شده توسط یک عامل از ۵۰ درصد فراتر رود، «سوگیری روش مشترک» (Common Method Bias) در مطالعه شما وجود دارد. منبع: https://analysisinn.com/post/harman-s-one-factor-test-for-common-method-bias/

جزوه كامل در مورد محاسبه cvi و cvr

سلام و عرض ادب خدمت عزیزان متاسفانه کانال تلگرامی بنده با تعداد اعضای قابل توجه از دوستانی که نیاز به آموزش آمار و نرم افزارهای آماری داشتن حذف شد و از دسترس خارج شده است... ممنون میشم اگر به دانشجویان و پژوهشگران کانال ایجاد شده را معرفی کنید لینک دعوت👇👇👇👇👇 https://eitaa.com/sem_spss

طیف لیکرت 📋 #نکات_آماری ✅طیف یا «مقیاس لیکرت» (Likert Scale)، قالبی است که در آن دامنه پاسخ‌ها در یک پرسشنامه، امتیاز‌بندی یا نمره گذاری می‌شوند. شرکت کنندگان در طرح تحقیقی وقتی با یک پرسشنامه با سوالاتی با پاسخ‌های بسته به شکل طیف لیکرت مواجه می‌شوند، میزان توافق یا عدم توافق خود را در یک مقیاس متقارن از سطوح مختلف موافقت و مخالفت مشخص می‌کنند. بنابراین، دامنه شدت احساسات یا انتخاب‌های آنها توسط پرسشنامه برای یک مورد یا سوال خاص ثبت می‌شود. ✅با توجه به تنوع و تعداد گزینه‌های انتخابی در مقیاس‌های لیکرت، گونه «دو قطبی» (Bipolar) با تعداد گزینه‌های فرد (۳، ۵ و ۷) بیشتر در روانشناسی و علوم اجتماعی و همچنین تجارت و بازاریابی به کار گرفته می‌شوند. البته در نظر سنجی‌ها از سوالاتی با طیف لیکرت با تعداد پاسخ‌های زوج (۲، ۴ و ۶) استفاده می‌شود. ✅این مقیاس، در پایان نامه دکتری «رنیسی لیکرت» (Renisi Likert) محقق و دانشمند روانشناسی اجتماعی (Social Psychologist) در سال ۱۹۳۲ مطرح شد و امروزه به عنوان یکی از محبوب‌ترین شیوه‌های امتیازدهی یا مقیاس بندی پاسخ‌های بسته، به کار برده می‌شود. ✅امتیاز پرسشنامه یا سازه امتیاز‌بندی با مقیاس لیکرت به معنی مجموع پاسخ‌های چندین سوال با طیف لیکرت یا «مورد لیکرت» (Likert Item) است. هر مورد لیکرت، گزاره‌ای است که از پاسخ دهنده خواسته می‌شود تا با دادن مقداری کیفی، با سطوح مختلف از توافق کامل تا عدم توافق کامل، نظر خود را بیان کند. مورد یا اقلام لیکرتی که به خوبی طراحی شده باشند، هم «تقارن» (Symmetry) و هم «تعادل» (Balance) را نشان می‌دهند. ✅تقارن به این معنی است که پاسخ‌ها، حاوی تعداد مساوی موقعیت‌های مثبت و منفی هستند که فاصله آن‌ها از یکدیگر، دو برابر فاصله هر یک با مورد «خنثی» (Neutral) است که در میان گزینه‌ها قرار گرفته است. همچنین تعادل به این معنی است که فاصله بین هر مقدار یا سطوح پاسخ، یکسان است، این امر اجازه رفتار عددی با کدهای اختصاص داده شده به اقلام لیکرت را می‌دهد. برای مثال می‌توان مقدار کدگذاری شده را با هم جمع یا میانگین گرفت. ✅به این ترتیب با جمع‌بندی اقلام یا موردهای لیکرت که مربوط به یک سازه هستند، امتیاز سازه محاسبه می‌شود. البته اگر کل پرسشنامه، مربوط به سنجش یک سازه باشد، مجموع پاسخ‌ها با طیف لیکرت، امتیاز پرسشنامه خواهد بود. ✔️برای مثال قالب یک مورد لیکرت پنج سطحی را به صورت زیر در نظر بگیرید: ⬅️کاملا مخالف، مخالف، بدون نظر، موافق، کاملا موافق➡️ اگر کدگذاری از سمت راست به چپ، ۱ تا ۵ باشد، با فرض وجود ۱۰ سوال در هر پرسشنامه، حداکثر امتیاز براساس محاسبه مجموع کدها، برابر با ۵۰ و حداقل آن برابر با ۱۰ خواهد بود. معمولا در این حالت، امتیاز بین ۳۵ تا ۵۰ را نشانه موافقت (اثر بخشی)، ۲۰ تا ۳۵ را بدون نظر (بی‌اثر) و امتیاز ۱۰ تا ۲۰ را مخالف (اثر با جهت عکس) در نظر می‌گیرند. ✅البته هنگام جمع‌بندی یا اختصاص امتیاز به پرسشنامه با موارد لیکرت، باید به این نکته نیز توجه داشت که همه سوالات با یک مقیاس سنجیده شوند. به این معنی که سازه مورد نظر با مثلا ۱۰ پرسش با پاسخ‌های ۵ گزینه‌ای لیکرت تنظیم شده باشد. در غیر اینصورت جمع‌بندی یا میانگین‌گیری مناسب نخواهد بود. بهتر است در چنین حالتی، پرسشنامه مورد بازبینی قرار گرفته یا وزن سوالات با تعداد گزینه‌های متفاوت، تغییر کند. در این مطب با مفهوم کلی و کاربرد طیف لیکرت آشنا شدیم. 🔚در کل می توان گفت: از آنجایی که پرسشنامه، ابزار مطلوبی و مقرون به صرفه‌ای برای جمع‌آوری داده‌ها است، طیف لیکرت در تحلیل‌های پرسشنامه‌ای نقش مهمی ایفا می‌کند. 🌷🌷🌷🌷🌷🌷🌷🌷🌷🌷🌷🌷 لینک دعوت به گروه👇👇👇👇👇 https://eitaa.com/sem_spss

#آموزش_spss ❌✅قواعد نام گذاری متغیرها در پنجره متغیرها در spss✅❌ 1️⃣ نباید بیشتر از هشت کارکتر شود(یک کارکتر شامل یک حرف،یک عدد یا یک نشانه است.) 2️⃣ باید با یک حرف یا @ شروع شود. 3️⃣ نباید با یک نقطه شروع شود. 4️⃣ می تواند شامل حروف، اعداد یا یکی از کارکترهای @ ، # ، _ ، یا $ باشد. 5️⃣ نباید شامل موارد زیر باشد: الف) فاصله ب) کارکترهای خاص مانند ؟ ، - و سایر مواردی غیر از کارکترهای ذکر شده در قاعده ی (4) 6️⃣ کلمات کلیدی (مانند AND، NOT ،EQ ،BY ،ALL) که SPSS به عنوان عبارات محاسباتی از آن ها استفاده می کند، نباید به کار برده شود. مثال: اسامی Univers، Avrage به وضوح دارای تمامی قواعد فوق می باشد. اما دقت کنید، در حالی که نام Avg1 نیز صحیح است، اما نام Avg 1 صحیح نیست زیرا به دلیل وجود فاصله در آن، قاعده ی 5 رعایت نشده است.

✅فاصله اطمینان (Confidence Interval)✅ ☑️ محققان و تحلیلگران، اغلب در مباحث آمار و داده‌کاوی، از عبارت «فاصله اطمینان» (Confidence Interval) استفاده می‌کنند تا نشان دهند که تقریبا مطمئن هستند یک فاصله یا محدوده‌ای عددی، شامل پارامتر مورد جامعه است. پس می‌توان فاصله اطمینان را نوعی برآورد فاصله‌ای در نظر گرفت. 🔘 فاصله اطمینان با مفهوم مربوط به «سطح اطمینان» (Confidence Level) ارتباط نزدیکی دارد. منظور از سطح اطمینان، تعیین میزان شک یا یقینی است که نسبت به دربرگیری پارامتر توسط فاصله اطمینان داریم. ✔️در حقیقت این محدوده، توسط یک نمونه تصادفی محاسبه می‌شود، در نتیجه می‌توان فاصله اطمینان را یک محدوده تصادفی در نظر داشت. با انتخاب نمونه دیگر، محاسبات برای این محدوده تغییر کرده و یک فاصله اطمینان متفاوت بدست خواهد آمد. به همین علت با سطح اطمینان مشخص، خانواده‌ای از فاصله‌های اطمینان با توجه نمونه‌های مختلف تولید می‌شود. و به این ترتیب می‌توان گفت سطح اطمینان، فراوانی نسبی، فاصله‌‌های اطمینانی است که شامل پارامتر مجهول جامعه هستند. ✔️به بیان دیگر، اگر n فاصله اطمینان با سطح اطمینان ثابت ایجاد کنیم، نسبت آن‌هایی که شامل پارامتر هستند به کل فاصله‌ها، برابر با همان سطح اطمینان خواهد بود. هدف در محاسبه فاصله اطمینان، بدست آوردن حدودی برای پارامتر است که در سطح اطمینان تعیین شده، شامل پارامتر باشد. 🔳 مثال ) فرض کنید قد ۴۰ نفر که به طور تصادفی انتخاب شده‌اند، اندازه‌گیری شده است. میانگین قد این افراد برابر است با ۱۷۵ سانتی‌متر. از طرفی می‌دانیم که انحراف معیار قد در جامعه آماری ما برابر است با ۲۰ سانتی‌متر. با توجه به این موضوع، فاصله اطمینان برای میانگین قد افراد جامعه با سطح اطمینان ۹۵ درصدی برابر است با 175cm ± 6.2cm فاصله اطمینان بیان می‌کند که اگر ۱۰۰ بار نمونه‌گیری تکرار شود و ۱۰۰ فاصله اطمینان ۹۵٪ تولید شود، 95 فاصله شامل پارامتر جامعه خواهند بود و فقط 5 تا از این فاصله‌ها شامل میانگین جامعه نمی‌شوند. لینک دعوت به گروه تحلیل آماری در ایتا👇👇👇👇👇 https://eitaa.com/sem_spss