ضریب همبستگی چیست و چه کاربردی دارد؟

ضریب همبستگی کندال در spss – پکیج آموزشی ضریب همبستگی کندال در اس پی اس اس (The correlation coefficient kendall)

در این پک برای شما عزیزان سه قسمت طراحی و آماده شده که شامل:1-آموزش ویدویی نرم افزار spss مرتبط با آزمون همبستگی کندال 2-وورد مربوط به ویدیو و نکات مخصوص و کاربردی این آزمون 3-فایل نرم افزار spss که در ویدیو آموزش داده شده است.

در ادامه به توضیح مختصری در رابطه با پکیج آموزشی ضریب همبستگی کندال در spss جهت آشنایی بیشتر شما مخاطبان عزیز میپردازیم.

جهت مشاهده و دانلود پکیج آزمون های آماری در SPSS کلیک کنید .

پکیج آموزشی ضریب همبستگی کندال:

ضریب همبستگی رتبه ای کندال تائو

ضریب همبستگی رتبه ای کندال تائو یک آماره ناپارامتری (در سطح سنجش ضریب همبستگی چیست و چه کاربردی دارد؟ رتبه ای) است که برای سنجش میزان تناظر یا مطابقت بین دو مجموعه رتبه و ارزیابی معنی داری این تناظر به کار می رود و به ویژه زمانی کاربرد دارد که در داده های مربوط به متغیر ها موارد هم رتبه زیاد باشد . به سخن دیگر این ضرایب قوت رابطه ی جدول هان توافقی یا متقاطع را نشان می دهد .

استفاده از ضریب کندال تائو به ویژه زمانی مهم است که متغیر ها قرینه بوده و برای پژوهشگر مهم نیست که کدامیک از متغیر های مورد مطالعه به عنوان متغیر مستقل و کدامیک به عنوان متغیر وابسته به حساب آیند . این آماره نشان می دهد که یا چه میزان افزایش یا کاهش در یک متغی با افزایش یا کاهش در متغیر دیگر همواره است .

ضریب همبستگی تائو کندال بین -1 و 1 تغییر می کند.اگر r=1 بیانگر رابطه ی مستقیم کامل بین دو متغیر است ، رایطه ی مستقیم یا مثبت به این معناست که اگر یکی از متغیرها افزایش (کاهش) یابد، دیگری نیز افزایش (کاهش) می یابد.

r=-1 نیز وجود یک رابطه ی معکوس کامل بین دو متغیر را نشان می دهد. رابطه ی معکوس یا منفی نشان می دهد که اگر یک متغیر افزایش یابد متغیردیگر کاهش می یابد و بالعکس.

زمانی که ضریب همبستگی برابر صفر است نشان می دهد که بین دو متغیر رابطه ی خطی وجود ندارد.

ضریب همبستگی کندال به ضریب تقارن معروف استو همانند همبستگی اسپیرمن برای صفات مرتب شده بکار می رود . همبستگی اسپیرمن تمامی ویژگی های کندال را داراست، با این تفاوت که در جامعه های با حجم نمونه پایین به کار می رود .

جهت مشاهده و دانلو د پکیج آزمون همبستگی پیرسون در SPSS کلیک کنید .

مثال
در ایر بخش به بررسی همبستگی بین دو متغیر منطقه سکونت و نشاط اجتماعی می پردازیم …(ادامه مثال و حل آن درون pdf و ویدیو آموزشی 10 دقیقه ای که آموزش آن به صورت رایگان در شبکه های اجتماعی و مجازی (اینستاگرام) خدمت شما عزیزان ارائه شده است).

درون پی دی اف آموزشی تحلیل ضریب همبستگی کندال :

مقدمه آزمون، تعریف ضریب همبستگی کندال ،تعریف ضریب همبستگی تاو-سی کندال ، روش محاسبه با استفاده از اعداد خام ، شیوه تفسیر شدت رابطه در همبستگی کندال، شرایط برای تحلیل ضریب همبستگی کندال، حل مثال با نرم افزار به صورت تصویری درون پی دی اف ،توضیحات کامل تحلیل ها و تفاسیر درون SPSS که به صورت تصویری درون pdf آورده شده است.

پکیج آموزشی ضریب همبستگی کندال:

با خرید این پک آموزشی به راحتی می توانید فصل 4 پایان نامه خود را با هزینه ای کمتر خودتان انجام دهید .

قیمت اصلی پک آموزش spss ( ضریب همبستگی کندال )، 4.000 تومان می باشد ولی ما این پک را با 50% تخفیف ویژه کرونایی تقدیمتون می کنیم .

رگرسیون چیست؟ پیش‌بینی در علم آمار به چه شکل است؟

به لحاظ لغوی رگرسیون به معنای بازگشت است. به بیانی دیگر این لغت یعنی پیش‌بینی و بیان تغییرات یک متغیر بر اساس اطلاعات متغیری دیگر. زمانی که بین دو متغیر همبستگی وجود داشته باشد؛ می‌توان نمره‌ی فردی را در یک متغیر از طریق متغیر دیگر برآورد یا پیش‌بینی کرد. اگر ضریب همبستگی بین متغیرها عددی بین ۱+ تا ۱- باشد و در واقع همبستگی کامل برقرار نباشد پیش‌بینی ما برآورد خوبی است اما پیش‌بینی کاملی نیست. هرچه همبستگی بین متغیرها بالاتر باشد؛ به همان اندازه پیش‌بینی دقیق‌تر است. نحوه‌ی محاسبه‌ی رگرسیون به این شکل است که اگر متغیری را که قصد پیش‌بینی آن را داریم Y و متغیری که از طریق آن پیش‌بینی صورت می‌گیرد را X بنامیم؛ نمره‌ی پیش‌بینی شده برای متغیر Y برابر است با حاصل ضرب نمره‌ی استاندارد متغیر X در ضریب همبستگی بین دو متغیر. رابطه‌ی بین متغیر پیش‌بینی شونده (y) و پیش‌بینی کننده (x) تابع علامت و شدت ضریب همبستگی است. رگرسیون به سمت میانگین پدیده‌ای بود که گالتون مطرح کرد و به معنای میل نمرات به سمت میانگین آن‌هاست. در ادامه از انواع رگرسیون‌ها نام می‌بریم و در نهایت رگرسیون خطی را شرح می‌دهیم.

پیش‌بینی

رگرسیون از جمله مطالبی است که کاملاً وابسته به بحث همبستگی است و در ادامه‌ی آن مطرح می‌شود؛ فلذا برای فهم آن باید اطلاعاتی راجع به اینکه همبستگی چیست و چه انواعی دارد؛ داشته باشید.

این مطلب از این جهت می‌تواند برای فهم دقیق و درست مطلب کاملاً مؤثر باشد.

به لحاظ لغوی رگرسیون به معنای بازگشت است. به بیانی دیگر این لغت یعنی پیش‌بینی و بیان تغییرات یک متغیر بر اساس اطلاعات متغیری دیگر. زمانی که بین دو متغیر همبستگی وجود داشته باشد؛ می‌توان نمره‌ی فردی را در یک متغیر از طریق متغیر دیگر برآورد یا پیش‌بینی کرد. مثلاً چنانچه بین بهره‌ی هوشی و پیشرفت تحصیلی در دانشگاه، همبستگی مستقیم وجود داشته باشد؛ می‌توان پیش‌بینی کرد که پیشرفت تحصیلی دانشجویانی که بهره‌ی هوشی بالاتر از میانگین داشته باشند؛ بالاتر از میانگین خواهد بود.

مثلاً تصور کنید که بین میزان تماشای تلویزیون و پیشرفت تحصیلی دانش‌آموزان همبستگی وجود دارد. در اینجا می‌توان از متغیر میزان تماشای تلویزیون به عنوان یک متغیر پیش‌بینی‌کننده برای پیش‌بینی پیشرفت تحصیلی استفاده کرد. بنابراین می‌توان با استفاده از میزان تماشای تلویزیون (متغیر ملاک یا پیش‌بینی‌کننده)، پیشرفت تحصیلی دانش‌آموزان در مدرسه (متغیر بیش‌بینی‌شونده) را پیش‌بینی کرد. دقت پیش‌بینی به شدت به همبستگی بین متغیر پیش‌بینی‌کننده و پیش‌بینی‌شونده بستگی دارد. چنانچه همبستگی بین متغیرها کامل باشد (۱+ تا ۱-) پیش‌بینی به‌صورت کامل و دقیق امکان‌پذیر است. به عنوان مثال بین جرم برحسب کیلوگرم و تن همبستگی کامل وجود دارد. اگر وزن یا به لحاظ درستی لفظ علم فیزیک جرم کسی را به طور صحیح بدانیم؛ می‌توانیم وزن او را بر حسب تن محاسبه کنیم.

اگر ضریب همبستگی بین متغیرها عددی بین ۱+ تا ۱- باشد و در واقع همبستگی کامل برقرار نباشد پیش‌بینی ما برآورد خوبی است اما پیش‌بینی کاملی نیست. هرچه همبستگی بین متغیرها بالاتر باشد؛ به همان اندازه پیش‌بینی دقیق‌تر است.

پیش‌بینی نمره‌های استاندارد

رگرسیون چیست؟ پیش‌بینی در علم آمار به چه شکل است؟

نحوه‌ی محاسبه‌ی رگرسیون به این شکل است که اگر متغیری را که قصد پیش‌بینی آن را داریم Y و متغیری که از طریق آن پیش‌بینی صورت می‌گیرد را X بنامیم؛ نمره‌ی پیش‌بینی شده برای متغیر Y برابر است با حاصل ضرب نمره‌ی استاندارد متغیر X در ضریب همبستگی بین دو متغیر. رابطه‌ی بین متغیر پیش‌بینی شونده (y) و پیش‌بینی کننده (x) تابع علامت و شدت ضریب همبستگی است. به دو شکل:

• همبستگی مثبت: جهت پیش‌بینی y همانند جهت نمره‌ی استاندارد x
• همبستگی منفی: جهت پیش‌بینی y خلاف جهت نمره‌ی استاندارد x

اگر همبستگی مثبت و کامل باشد چنین پیش‌بینی می‌کنیم که نمره استاندارد فرد در متغیر x برابر نمره استاندارد او در متغیر y است. در صورتی که همبستگی کامل و منفی باشد اینطور یش‌بینی می‌کنیم که نمره‌ی استاندارد در دو متغیر مساوی اما از جهت علامت مخالف یکدیگر است.

اگر همبستگی مثبت و کمتر از ۱+ باشد پیش‌بینی ما این است که نمره‌ی استاندارد پیش‌بینی شده برای y نسبت نمره‌ی استاندارد x، به صفر نزدیک‌تر است. زمانی که همبستگی بین دو متغیر، منفی ولی کوچک‌تر از ۱- باشد پیش‌بینی ما این است که نمره‌ی استاندارد پیش‌بینی شده برای y نسبت به نمره‌ی استاندارد x به صفر نزدیک‌تر است ولی علامت آن با علامت x مخالف است. هنگامی که همبستگی بین دو متغیر کم باشد؛ نمره‌ی استانداردی که پیش‌بینی می‌کنیم نزدیک به میانگین خواهد بود. در واقع شدت همبستگی مشخص می‌کند که نمره‌های پیش‌بینی شده تا چه اندازه از میانگین فاصله دارند. چنانچه همبستگی بین دو متغیر کم باشد؛ نمره‌هایی که پیش‌بینی می‌کنیم؛ در میانگین y قرار خواهند گرفت.

رگرسیون به سمت میانگین

تاریخچه‌

اولین بار این پدیده را فرانسیس گالتون را مطرح کرد. او واژه رگرسیون را در مطالعه‌ی تأثیر وراثت در قد به کار برد. براساس یافته‌های او فرزندان والدین کوتاه قد، کوتاه قد هستند اما نه به اندازه‌ی والدینشان و به همین ترتیب فرزندان والدین بلند قد، قد بلند هستند؛ اما نه به اندازه‌ی والدین خود. در واقع قد فرزندان به سوی میانگین کلی جامعه گرایش دارد. گالتون این پدیده را رگرسیون به سمت میانگین نامیده است.

اصل ماجرا

اگر همبستگی بین متغیرها برای پیش‌بینی کامل نباشد؛ رگرسیون اتفاقی جالب است. به این دلیل که در چنین شرایطی نمره‌های پیش‌بینی شده به میانگین نمونه‌مان نزدیک‌تر است تا به نمره‌های پیش‌بینی‌کننده. چنانچه تعدادی آزمودنی را که نمره‌های آن‌ها در متغیری که از طریق آن پیش‌بینی صورت می‌گیرد؛ مساوی باشد انتخاب کنیم؛ متوجه خواهیم شد که نمره‌ی پیش‌بینی‌شده‌ی این آزمودنی‌ها به میانگین متغیری که قصد پیش‌بینی آن را داریم نزدیک‌تر است تا به متغیری که از طریق آن پیش‌بینی صورت می‌گیرد. مثلاً چنانچه دانش‌آموزانی را انتخاب کنیم که بهره‌ی هوشی‌شان بالاتر از ۱۴۰ است متوجه خواهیم شد که نمره‌ی بیشتر آن‌ها در آزمون پیشرفت تحصیلی بالاتر از میانگین است و فقط نمره‌ی تعداد محدودی از آن‌ها در آزمون پیشرفت تحصیلی با نمره‌‌های بالاتر از میانگین فاصله دارد. به همین ترتیب چنانچه آزمودنی‌هایی را انتخاب کنیم که بهره‌ی هوشی آن‌ها کم است؛ نمره‌ی بیشترشان در آزمون پیشرفت تحصیلی به نزدیک‌تر به میانگین این آزمون است تا آزمون هوش.

بنابراین تاز مانی که دو متغیر به‌صورت کامل همبسته نباشند؛ این گرایش وجود دارد که نمره‌های گروهی از آن‌ها در اولین متغیر به دومین متغیر نزدیک باشد. این اثر در نمره‌ها تأثیر رگرسیون نامیده می‌شود و غالباً چون رگرسیون به به طرف میانگین دومین متغیر است؛ آن را رگرسیون در اطراف متغیر می‌نامند. نمره‌ی پیش‌بینی شده به میانگین نزدیک‌تر است تا نمره‌هایی که از طریق آن‌ها پیش‌بینی صورت می‌پذیرد.

میزان همبستگی بین دو متغیر حدود یا مقدار رگرسیون را تعیین می‌کند. اگر نمره‌ی همبستگی کامل باشد جهت هر نمره‌ی پیش‌بینی شده با جهت هر نمره در متغیری که بر اساس آن پیش‌بینی صورت می‌پذیرد؛ همسان یا همتراز است و پدیده‌ی رگرسیون یا اتفاق نمی‌افتد یا وجود ندارد. رگرسیون زمانی اتفاق می‌افتد که همبستگی بین دو متغیر کامل نباشد.

اگر همبستگی بین متغیرها بالا باشد و نه کامل، گرایش کمی وجود دارد که میانگین نمره‌های گروه انتخاب شده در اولین متغیر به طرف میانگین نمره‌های دومین متغیر کشیده شود. اما اگر همبستگی پایین باشد گرایش خیلی زیادی وجود دارد که میانگین نمره‌ها در اولین متغیر به طرف میانگین نمره‌های دومین متغیر کشیده شود. حالت سومی هم وجود دارد که همبستگی صفر باشد که در آن صورت رگرسیون در اطراف میانگین به‌صورت کامل اتفاق می‌افتد یا به عباریت قدرت پیش‌بینی وجود ندارد و بهترین پیش‌بینی میانگین y هاست.

وقتی یک گروه به دلیل عملکرد مشابه در اولین متغیر انتخاب شده باشند؛ نمره‌های اعضای گروه در متغیر دوم دارای میانگینی مساوی با گروهی خواهد بود که دارای عملکرد یا اندازه‌های مختلف هستند.

فراموش نکنید که رگرسیون به طرف میانگین با همبستگی بین متغیرها رابطه معکوس دارد. هرچه، همبستگی بالاتر (کامل‌تر) باشد؛ رگرسیون به طرف میانگین کمتر است.

انواع رگرسیون کدام اند؟

رگرسیون چیست؟ پیش‌بینی در علم آمار به چه شکل است؟

رگرسیون خطی ساده (Simple Linear Regression)

زمانی از این آزمون استفاده می‌شود که پژوهشگر می‌خواهد تأثیر یک متغیر مستقل بر روی یک متغیر وابسته را مورد سنجش قرار دهد. به این آزمون، رگرسیون دو متغیره هم گفته می‌شود. پژوهشگر باید توجه داشته باشد؛ زمانی می‌توان از آزمون رگرسیون (ساده و چندگانه) استفاده کرد که اولاً مقیاس گردآوری داده‌ها فاصله‌ای یا نسبی باشد و دوماً ارتباط میان دو متغیر به لحاظ آماری معنادار باشد که البته نرم افزار SPSS قبل از بررسی تأثیر این رابطه را بررسی می‌کند. که در عنوان بعدی آن را به‌صورت کامل شرح می‌دهیم.

رگرسیون چند متغیره (Multiple Regression)

زمانی که تعداد متغیرهای مستقل دو و یا بیشتر باشد، دیگر رگرسیون خطی ساده نمی‌تواند نتایج دقیقی از تأثیر این متغیرها به‌ ما بدهد. در چنین شرایطی از رگرسیون چند متغیره استفاده می‌شود. رگرسیون چند متغیره به نام رگرسیون چندگانه نیز شهرت دارد. متغیرهای مستقل به ۵ روش متفاوت وارد مدل رگرسیونی می‌شوند و هر یک از این روش‌ها کاربرد متفاوتی خواهند داشت. روش هم‌زمان، روش گام به گام، روش حذفی، روش پس‌رونده و روش پیش‌رونده. این روش در مقالات بعدی به تفصیل شرح داده می‌شوند.

رگرسیون لجستیک (Logestic Regression) دو وجهی و چند وجهی:

اما گاهی اوقات اتفاق می‌افتد که متغیر وابسته تحقیق در مقیاس فاصله‌ای یا نسبی نبوده و مقیاس آن به‌صورت اسمی است. یکی از سؤالات شرکت‌کنندگان در دوره‌های کاربردی SPSS آکادمی تحلیل آماری شرکت می‌کنند این است که در چنین حالتی با توجه به اینکه پیش‌فرض اساسی تحلیل رگرسیون مقیاس فاصله‌ای /نسبی متغیر وابسته است چه باید کرد. رگرسیون لجستیک پیش‌بینی کننده متغیر وابسته دووجهی و یا چندوجهی اسمی خواهد بود. البته با توجه به بحث‌های گسترده در دوره‌های آکادمی تحلیل آماری بهتر است در این شرایط به جای استفاده از مدل‌های رگرسیون لجستیک در نرم‌افزارهایی مثل SPSS از نرم‌افزارهای با تخمین‌های مخصوص به این شرایط مثل mplus استفاده می‌کنیم.

رگرسیون تخمین منحنی (Curve Estimation) :

رگرسیون برآورد یا تخمین منحنی از خانواده تحلیل رگرسیون غیرخطی است. این نوع رگرسیون زمانی مورد استفاده قرار می‌گیرد که رابطه بین متغیر وابسته و متغیرهای مستقل به‌صورت غیرخطی است و بنابراین، نمی‌توانیم از رگرسیون‌های خطی استفاده کنیم.

رگرسیون ترتیبی (ordinal regression):

در برخی از پژوهش‌ها و به ‌خصوص پژوهش‌های پیمایشی، ممکن است که متغیر وابسته یک متغیر ترتیبی باشد. یعنی شرط اول اجرای رگرسیون‌های چندگانه که همان فاصله‌ای یا نسبی بودن متغیر است را نداشته باشد. یعنی ما می‌توانیم که به طبقات این متغیر رتبه دهیم اما هرگز نمی‌توانیم فاصله‌ی بین رتبه‌ها را مشخص نماییم؛ مثلاً متغیر شادی به جای اینکه توسط یکسری شاخص و سؤال در پرسشنامه سنجیده شده باشد که در آخر بتوان این سؤالات را به سمت یک متغیر کمی پیوسته حرکت داد؛ جواب‌ها می‌تواند شامل یک طیف سه گزینه‌ای زیاد، متوسط و کم جهت سنجش باشد. در این شرایط نیز به جای استفاده از مدل‌های رگرسیون ترتیبی در نرم‌افزارهای مثل SPSS از نرم‌افزارهایی با تخمین‌های مخصوص به این شرایط مثل mplus استفاده می‌کنیم.

رگرسیون پروبیت (Probit Regression) :

زمانی که خروجی یا متغیر وابسته دارای دو بعد باشد از این نوع رگرسیون استفاده خواهد شد. این نوع رگرسیون با عنوان مدل‌های پروبیتنیز شناخته شده است. برای مثال، زمانی که بخواهیم متغیرهای مؤثر بر شرکت افراد در برنامه‌های فرهنگی یک سرای محله را بررسی کنیم؛ این نوع رگرسیون مناسب‌تر خواهد بود. این رگرسیون مشابه رگرسیون‌های لجستیک است.

توضیح مشروح و مفصل انواع رگرسیون را می‌توانید در مقالات بعدی ما بخوانید.

رگرسیون خطی یا خط رگرسیون

رگرسیون چیست؟ پیش‌بینی در علم آمار به چه شکل است؟

وقتی که نمره‌های استاندارد پیش‌بینی شده را در دستگاه محور مختصات ترسیم می‌کنیم؛ روی یک خط مستقیم قرار می‌گیرند. دلیل این امر آن است که برای محاسبه و پیش‌بینی نمره‌ها آن‌ها را در مقدار ثابت ضریب همبستگی ضرب می‌کنیم. این خط به دست آمده خط رگرسیون است که با توجه به تعریف آن چنانچه فاصله‌ی هر نمره را از محور y کم و سپس آن را مجذور کنیم از طریق مجموع مجذورهای محاسبه شده متوجه خواهیم شد که این مجموع کوچک‌تر از مجموع مجذور هر خط دیگری تا محور y است. این مفهوم گاهی اوقات برای تعریف خط رگرسیون به کار برده می‌شود. به همین دلیل است که گاهی اوقات خط رگرسیون، خط حداقل مجذورها تعریف می‌شود. در واقع این خط، خطی است که خطاهای پیش‌بینی را به حداقل می‌رساند.

بهترین پیش‌بینی

وقتی که نمره‌ی Y را از طریق نمره‌ی x پیش‌بینی می‌کنیم؛ نمره‌های پیش‌بینی شده روی یک خط قرار می‌گیرند که به آن خط برازش می‌گویند؛ اما نمره‌های اصلی متغیر Y بر روی این خط قرار نمی‌گیرند؛ زیرا نمره‌های پیش‌بینی شده با نمره‌های اصلی Y مساوی نیستند و بین آن‌ها اختلاف وجود دارد.

اختلاف بین نمره‌ی اصلی و نمره‌ی پیش‌بینی شده خطای پیش‌بینی نامیده می‌شود که می‌تواند مثبت یا منفی باشد.

رگرسیون خطی یکی از چند روشی است که به وسیله‌ی آن می‌توان دست به پیش‌بینی زد. اما در این پیش‌بینی نیز به طبع درصدی از خطا وجود دارد. مقاله‌های بعدی در شرح بیشتر رگرسیون و انواع روش‌های آن است که به فراخور داده‌هایتان می‌تواند دقیق‌تر و با خطای کمتری باشد.

آزمونهای ناپارامتریک برای فرضیه‌های همبستگی و رابطه ای

آزمون های همبستگی برای بررسی رابطه بین دو یا چند متغیر به کار می‌روند. همبستگی به معنای هم‌تغییری دو متغیر است که از آن استنباط می‌شود افزایش یا کاهش یک متغیر با افزایش یا کاهش متغیر دیگر همراه است. به عنوان مثال، بین هوش و پیشرفت تحصیلی دانش‌آموزان رابطه مستقیم وجود دارد. یعنی هر چه هوش دانش‌آموزان بیشتر باشد، نمره پیشرفت تحصیلی آن‌ها نیز افزایش می‌یابد. آزمون های همبستگی به دو دسته آزمون های پارامتریک و ناپارامتریک تقسیم می‌شوند. در صورتی که مقیاس متغیرها فاصله ای یا تسبی و توزیع متغیرها نرمال باشد، از آزمون های همبستگی پارامتریک مانند آزمون همبستگی پیرسون و در غیر این صورت از آزمون های همبستگی ناپارامتریک استفاده می‌گردد.

آزمون‌های همبستگی ناپارامتریک

در صورتی که متغیرها از نوع اسمی و رتبه‌ای (ترتیبی) بوده و یا توزیع آماری جامعه نرمال نباشد، برای بررسی رابطه بین دو متغیر از آزمون‌های همبستگی ناپارامتریک استفاده می‌شود. این آزمون‌ها در جدول زیر ارائه شده‌اند.

آزمون‌های همبستگی ناپارامتریک

ضریب همبستگی رتبه ­ای اسپیرمن (Spearman Correlation Coefficient)

ضریب همبستگی اسپیرمن معادل ناپارامتریک ضریب همبستگی پیرسون به شمار می‌رود که میزان همبستگی دو متغیر در سطح رتبه‌ای یا یکی رتبه‌ای و دیگری در سطح فاصله‌ای را اندازه‌گیری می‌کند. یا اینکه داده‌ها فاصله‌ای باشند، ولی مفروضه‌های آمار پارامتریک رعایت نشده باشد. همچنین در مواردی که تعداد افراد نمونه کمتر از ۳۰ نفر است، به جای ضریب همبستگی پیرسون به کار برده می‌شود. و آن را با علامت r_s یا حرف یونانی ρ (رو) نشان می‌دهند.

مقدار ضریب همبستگی اسپیرمن مانند ضریب همبستگی پیرسون تفسیر می‌شود.

فرمول محاسبه ضریب همبستگی اسپیرمن

N: تعداد جفت داده‌ها

D: تفاوت بین رتبه‌های هر جفت از داده‌ها

ضریب همبستگی رتبه‌ای کندال (Kendall coefficient)

ضریب همبستگی کندال برای داده‌های رتبه‌ بندی شده زمانی‌که تعداد آزمودنی‌ها از ۱۰ نفر کمتر است، به کار می‌رود. کندال از تعداد توافق‌ها و عدم توافق‌ها در رتبه‌ بندی‌ها برای محاسبه ضریب خود استفاده می‌کند. برای مثال فرض کنید استاد روانشناسی بالینی ۱۰ نفر از دانشجویان خود را براساس دانش روانشناسی و شایستگی آن ها برای شاغل شدن در این رشته رتبه بندی کرده است. برای بررسی رابطه بین دانش روانشناسی و شایستگی می‌توانیم از ضریب همبستگی کندال استفاده کنیم.

ضریب همبستگی رتبه‌ای کندال به tau-a کندال نیز معروف است، متقارن می‌باشد و مقدار آن بین ۱+ و ۱- قرار دارد و مشابه با ضریب همبستگی پیرسون تفسیر می‌شود.

فرمول محاسبه ضریب همبستگی رتبه‌ای کندال (tau-a)

P: تعداد توافق‌ها یعنی تعداد اعداد (مواردی) که رتبه بالاتری برای هر رتبه متغیر دوم به دست آورده‌اند.

Q: تعداد عدم توافق‌ها یعنی تعداد اعداد (مواردی) که رتبه پایین‌تری برای هر رتبه متغیر دوم به دست آورده‌اند.

آموزش نرم افزار SPSS (جلسه چهاردهم )

اکثر اوقات پژوهشگران مایلند بدانند بین دو یا چند متغیر چه ارتباطی وجود دارد. همبستگی، اندازه رابطه خطی بین متغیرهاست.

توجه کنید که ممکن است دو متغیر رابطه داشته باشند ولی این رابطه خطی نباشد.

– دو متغیر می توانند انواع روابط زیر را داشته باشند:

1- رابطه مثبت داشته باشند. یعنی هر چه قدر متغیر اول زیادتر شود متغیر دوم هم زیادتر شود.

2- رابطه‌ای خطی نداشته باشند.

3- رابطه منفی داشته باشند. یعنی با افزایش متغیر اول، متغیر دوم کاهش پیدا کند.

همبستگی دو متغیر:

برای یافتن همبستگی دو متغیر، با توجه به نوع متغیر مورد مطالعه تصمیم میگیریم که از کدام روش استفاده کنیم.

در نرم افزار می‌توانیم از آزمونهای زیر برای یافتن ارتباط میان دو متغیر استفاده کنیم.

ضریب همبستگی پیرسون برای یافتن ارتباط میان دو متغیر کمی

ضریب همبستگی اسپیرمن برای یافتن ارتباط بین دو متغیر کیفی

ضریب همبستگی کندال برای یافتن ارتباط بین دو متغیر رتبه ای و اسمی

زمانی از همبستگی پیرسون استفاده میکنیم که هر دو متغیر کمی بوده و از توزیع نرمال پیروی کند. اگر یکی از متغیر ها از توزیع نرمال پیروی نکند از ضریب همبستگی اسپیرمن استفاده می‌کنیم.

1- آزمون پیرسون

با توجه به داده‌ها آیا رابطه‌ای بین قد و وزن افراد وجود دارد؟

2- آزمون اسپیرمن

مثال:با توجه به داده‌ها آیا رابطه‌ای بین تحصیلات و وزن افراد وجود دارد؟

3- آزمون کندال

مثال: با توجه به داده‌ها آیا رابطه‌ای بین تحصیلات و جنسیت افراد وجود دارد؟

از منوی Analyze به ترتیب گزینه‌های Correlate و … Bivariate را انتخاب کنید. متغیرهای مورد نظر را به سمت راست انتقال دهید، اگر متغیرها از نوع کمی باشند از قسمت Correlation Coefficient گزینه‌ی Pearson را انتخاب کنید.

از قسمت Test of Singnificance تنها یکی از گزینه‌ها را می‌توانید انتخاب کنید. سپس روی OK کلیک نمایید و در خروجی بر اساس سطح معناداری آزمون مربوزه را بررسی نمایید.

این ضریب، رابطه خطی بین دو متغیر در حضور یک متغیر دیگر را نشان می‌دهد. به عبارت دیگر، ضریب همبستگی دو متغیر در حضور متغیرها‌ی دیگر است. از این ضریب همبستگی بیشتر زمانی استفاده می‌شود که بخواهیم بدانیم تأثیر کدام متغیر به تنهایی از متغیرهای دیگر بیشتر است.

از منوی Analyze به ترتیب گزینه‌های Correlate و … Partial را انتخاب کنید. متغیرها را به قسمت Variables و متغیر کنترل را به قسمت Controlling for انتقال دهید.

سپس روی OK کلیک کنید تا خروجی نمایش یابد. با توجه به سطح معناداری در خروجی، معنادار بودن متغیر کنترل را در بین دو متغیر دیگر بررسی نمایید.

– پایایی و تحلیل عاملی اکتشافی در SPSS :

پایایی یک وسیله اندازه‌گیری، یعنی توانایی آن وسیله برای اندازه‌گیری بدون نقص چیزی که برای اندازه‌گیری آن طراحی شده باشد.پایایی در واقع پیش‌نیازی برای اعتبار آزمون است.

در این نرم افزار ضرایب پایایی مختلفی وجود دارد که یکی از آنها آلفای کرونباخ است که بر اساس میانگین همبستگی سوالات پرسشنامه بدست می‌آید.

دامنه آلفای کرونباخ بین 0 تا 1 است زیرا به عنوان یک ضریب همبستگی بیان می‌شود.

علاوه بر آلفای کرونباخ مدل‌های دیگر پایایی به صورت زیر می باشد:

1- Split-half reliability

سؤالات به دو نیمه تقسیم می‌شوند. اگر مقیاس کاملاً معتبر باشد دو نیمه کاملا همبسته هستند.

بر اساس دو نیمه کردن که کران‌های پایین را برای اندازه‌گیری پایایی درست محاسبه می‌کند.

علاوه بر گزارش ضریبی برای پایایی از آزمون درست‌نمائی ماکزیمم برای تعیین برابری واریانس‌ها و خطاهای واریانس تمام سولات استفاده می‌کند.

4- Strictly parallel

علاوه بر گزارش ضریبی برای پایایی از آزمون درست‌نمائی ماکزیمم برای تعیین برابری واریانس‌ها، خطاهای واریانس و میانگین‌های تمام سؤالات استفاده می‌کند.

از منوی Analyze به ترتیب گزینه‌های Scale و … Reliability Analysis را انتخاب کنید. تمام متغیرها را به راست منتقل نمایید. سپس بررسی کنید که فهرست کشویی Model گزینه‌ی Alpha انتخاب شده باشد.

روی … Statistics کلیک کنید. از قسمت Descriptive for گزینه‌های Scale و Scale if item deleted و از قسمت Inter-Item گزینه‌ Correlations را انتخاب کنید:

جدول Item Total Statistics دارای ستون‌های مهمی است که به صورت زیر تفسیر می‌شوند:

ستون Scale Mean if Item Deleted : این ستون میانگین امتیازهای مقیاس را در صورتی که آیتم مربوطه از مقیاس حذف شود، گزارش می‌دهد.

ستون Scale Variance if Item Deleted : این ستون واریانس امتیازهای مقیاس را در صورتی که آیتم مربوطه از مقیاس حذف شود، ارائه می‌دهد.

ستون Corrected ItemTotal Correlation : این ستون ضریب همبستگی پیرسون بین امتیاز آیتم مورد نظر و مجموع امتیازهای آیتم‌های باقیمانده را گزارش می‌دهد.

ستون Squared Multiple Correlation : این ستون نتیجه‌ یک رگرسیون چندگانه را ارائه می‌دهد، به طوریکه آیتم مورد نظر را به عنوان متغیر وابسته و سایر آیتمها را به عنوان متغیر مستقل در نظر می‌گیرد.

ستون Cronbach s Alpha if Item Deleted : این ستون ضریب آلفای کرونباخ را در صورتی که آیتم مربوطه از مقیاس حذف شود، گزارش می‌دهد.

ضریب همبستگی چیست و چه کاربردی دارد؟

1. در مطالعات همبستگی، پژوهشگر هیچ یک از متغیرهای مستقل را دستکاری نمی کند، بلکه تنها دو یا چند متغیر را اندازه گیری نموده، سپس مشخص می سازد که آیا بین آنها رابطه همبستگی وجود دارد یا خیر، در راستای همین ویژگی عدم دستکاری و تغییر متغیرها، در مطالعات همبستگی، آزمودنیها نیز به صورت تصادفی به گروههای مختلفی که بر اساس متغیر وابسته تشکیل می شوند، واگذار نمی گردند؛ برای مثال ممکن است پژوهشگر آزمودنیهایش را بر اساس نمره اضطراب آنها به سه گروه اضطراب بالا، اضطراب متوسط و اضطراب پایین طبقه بندی نماید.

دقت نمایید که در اینجا آزمودنیها بر اساس نوع پاسخی که به آزمون اضطراب پژوهشگر داده اند، برای گروههای مختلف انتخاب شده اند. در واقع نمره اضطراب در یک آزمون نمی تواند متغیر مستقل محسوب شود، چرا که در اینجا آزمودنيها، و نه شخص محقق، شرایط ورود به هر گروه را تعیین می کنند.

٢. تعيين وجود رابطه همبستگی بین متغیرها، احتمال پیش بینی مقادیر یک متغیر را از روی مقادیر متغیر دیگر امکان پذیر می سازد؛ برای مثال، اگر شما بدانید که اضطراب امتحان با موفقیت تحصیلی همبستگی دارد، آنگاه می توانید با استفاده از نمرات اضطراب امتحان افراد، موفقیت تحصیلی آنها را پیش بینی نمایید.

٣. متغیری که به هنگام استفاده از مطالعات همبستگی برای پیش بینی به کار می رود امتغیر پیش بین، و متغیری که مقادیرش پیش بینی می شود متغير ملاک نامیده می شود، متغیرهای پیش بین و ملاک، شبیه متغیرهای مستقل و وابسته در مطالعات تجربی است، با این تفاوت مهم که در مطالعات تجربی می توان مشخص نمود که آیا متغیری مستقل باعث ایجاد تغییراتی در متغیر وابسته می شود یا خیر، اما در مطالعات همبستگی فقط می توان نشان داد که متغیرهای پیش بین تغییرات متغير ملاک را پیش بینی می کنند؛ اما اینکه این پیوند بین متغیرهای پیش بین و ملاک یک پیوند علی است یا نه، همچنان بی پاسخ می ماند.

موارد استفاده از پژوهشهای همبستگی با وجود محدودیتها و مشکلاتی که در تفسیر نتایج مطالعات همبستگی وجود دارد، ممکن است این سؤال به طور جدی مطرح شود که دلیل استفاده از این نوع پژوهشها چیست و فایده عملی آن کدام است؟ باید توجه داشت که با در نظر داشتن تمامی محدودیتهای مذکور، مطالعات همبستگی کاربردهای فراوانی دارد و برای به کار بردن آن دلایل مقتضی وجود دارد. در اینجا به سه موقعیت که استفاده از پژوهشهای همبستگی بسیار مفید و ضروری است، اشاره می کنیم.

1. جمع آوری اطلاعات در مراحل اولیه پژوهش

در مرحله اولیه و اکتشافی طرح تحقیق، توانمندی روی آورد همبستگی در نشان دادن پتانسیل وجود روابط على بین پدیده های مورد مطالعه، می تواند منبعی غنی برای فرضیه پژوهش فراهم سازد که در مراحل بعدی به طور تجربی مورد آزمون قرار گیرد. به نمونه زیر توجه کنید در مطالعهای اولیه صاحبی و منزيس (۱۹۹۶a) دریافتند که بین عملکرد ضعیف در امتحان و نمونه افکار ناخواسته در جلسه امتحان همبستگی وجود دارد.

در مرحله بعدی مطالعه با همان آزمودنیها، نتایج نشان داد که بین بد کاری توجه یا عدم توانایی در تمرکز توجه افراد و میزان تجربه افکار ناخواسته (افکار منفی درباره نتایج احتمالی آزمون) رابطه و همبستگی وجود دارد. پژوهشگران نتایج به دست آمده را بر روی گروه دیگری از افراد مبتلا به اضطراب اضطراب تعمیم یافته) نیز تکرار کردند.

نتایج حاصل یافته های پیشین را تأیید نمود. در گام بعدی صاحبی و منزیس (۱۹۹۶) با دستکاری عوامل توجه و فراوانی افکار ناخواسته توانستند به طور تجربی عواملی را که در ایجاد حمله اضطرابی در موقعیتهای خاصی چون امتحان، اجرای موسیقی، مسابقات ورزشی و موقعیتهای رقابتی نقش ایفا می کند شناسایی کنند.

این پژوهشگران برای بررسی نقش بد کاری توجه در تجربه اضطراب و بالعكس نقش توانایی تمرکز توجه در کنترل افکار اضطراب زا یک مطالعه تجربی بر روی گروهی از افراد مضطرب که به طور تصادفی به دو گروه 1) آموزش تمرکز توجه (دستکاری توجه و ۲) فهرست انتظار تقسیم شده بودند، انجام دادند.

در این مطالعه آزمودنیها برای ۱۰ جلسه تحت مداخلات درمانی قرار گرفتند. نتایج پس آزمون نشان داد که گروهی که فقط آموزش تمرکز توجه دریافت کرده بودند دستکاری توجه)، نسبت به گروه فهرست انتظار (عدم دستکاری توجه به طور قابل توجهی بهبودی یافته اند (تغییر در فراوانی افکار منفی)؛ تفاوت دو گروه به لحاظ آماری معنادار بود.

در واقع در اینجا مطالعه اولیه، یعنی پژوهش همبستگی که در شرایط طبیعی (و بنابراین با کنترل بسیار نازل) انجام شده بود، به پژوهشی تجربی با فرضیه ای غنی منتهی شده است.

۲. عدم قابلیت دستکاری متغیر مستقل

دلیل دوم برای ترجیح انجام مطالعه همبستگی به جای مطالعه تجربی، غیر ممکن با غیر اخلاقی بودن دستکاری متغیرهای مورد مطالعه است؛ مثلا فرض کنید پژوهشگری به تأثير مهد کودک با شیرخوارگاه در دلبستگی بین مادر و کودک علاقه مند است. دلبستگی به عنوان رابطه ای عاطفی - شناختی ویژه، که بین نوزادان و والدین طی هفت ماه اول ایجاد می شود، مقوله مهم و حساسی است که نمی توان به طور تجربی آن را دستکاری کرد.

بدین معنی که به دلایل اخلاقی و عملی نمی توان کودکان را به صورت تصادفی در گروههای مختلف جای داد و بنابر طرح پژوهشی هر گروه را برای مدت خاصی (مثلا گروه یک بین ۲۰ تا ۳۵ ساعت، گروه دوم ۱۰ تا ۲۰ ساعت و گروه سوم بین صفر تا ۵ ساعت) از مادر جدا کرد و در مهد کودک نگهداری نمود؛ اما می توان به یک مهد کودک رفت و کودکانی را که در مهد هستند بر اساس معیار مورد نظر در گروههای خاص مطالعه کرد.

باید توجه داشت که در این مطالعه کودکان از قبل بین صفر تا ۴۰ ساعت در هفته در مهد نگهداری میشوند و پژوهشگر فقط به مطالعه آنها در محیط می پردازد و بنابر دلایل واضحی نمی تواند متغیرها را دستکاری کند (ساعت حضور کودک را کم و زیاد کند). در واقع برای انجام یک مطالعه تجربی، پژوهشگر می بایست چنین کاری را انجام دهد، یعنی متغیر مستقل (ساعات حضور در مهد) را دستکاری کند و کودکان را به طور تصادفی در گروههای مختلف قرار دهد؛ متأسفانه انجام چنین مطالعه ای بسیار مشکل است.

نه تنها بسیاری از والدینی که کودکان خود را به طور پاره وقت در مهد قرار می دهند حاضر نیستند کودکانشان را برای انجام یک آزمایش به طور تمام وقت در مهد قرار دهند، برخیها هم که به طور تمام وقت کودکان را در مهد می گذارند، حاضر نیستند که برای یک آزمایش کودکان خود را زودتر از مهد بگیرند با روزهای کمتری به مهد بیاورند. بنابراین محقق فقط در چنین شرایطی باید از محیط و شرایط طبیعی موجود استفاده کند. در چنین شرایطی طرح همبستگی شاید تنها راه عملی و اخلاقی موجود باشد.

٣. بررسی رابطه طبیعی متغیرها

یکی دیگر از شرایطی که باعث انتخاب طرح همبستگی به جای طرح تجربی می شود، زمانی است که محقق می خواهد ببیند که متغیرها به طور طبیعی چگونه در عالم واقع، با هم ارتباط دارند. چنین اطلاعاتی می تواند برای انجام پیش بینیهای مفید استفاده شود، حتی اگر دلایل وجود روابط کشف شده خیلی روشن نباشد؛ مثلا معدل دوره دبیرستان، معدل دیپلم، رتبه کلاسی و نمرات فرد در بخش کلامی آزمون وکسلر با یکدیگر و با عملکرد آموزشی دوره دانشگاه به خوبی همبستگی نشان می دهند.

علم به این روابط می تواند برای پیش بینی موفقیت دانشگاهی استفاده شود. دیدگاههای نظری خاصی نیز ممکن است به دنبال ارائه این پیش بینی باشند که در عالم واقع چه متغیرهایی با چه متغیرهای دیگری می توانند همبسته باشند. این نوع پیش بینیها را می توان با استفاده از طرحهای همبستگی آزمون کرد و به طور خلاصه، طرحهای همبستگی پژوهشگر را قادر می سازد تا روابط على بالقوه بین متغیرها را شناسایی نموده و متغیرهای غیر مرتبط را مشخص نماید.

ممکن است این روی آورد در مراحل اولیه پژوهش، هنگامی که متغیرهای مهم برای مطالعات بعدی شناسایی می شوند، بر روشهای دیگر ترجیح داشته باشد. مطالعات همبسنگی همچنین در زمانی که امکان دستکاری متغیرها وجود ندارد نیز می تواند استفاده شود.

نکته آخر اینکه پژوهشهای همبستگی ممکن است هنگامی که موضوع پژوهش برای شناسایی متغیرهای پیش بین به کار می رود و برای آزمون کاربردهای عملی یک نظریه در شرایط واقعی انتخاب شوند؛ با وجود این باید توجه داشت که مطالعات همبستگی در برقراری روابط علی بین متغیرها توان ضعیفی دارد طرحهای شبه تجربی و طرحهای ترکیبی گاهی اوقات در مطالعات، برخی از متغیرهای همبستگی از قبیل جنسیت، میزان در آمد، مذهب، گرایش حزبی و یا میزان تحصيلات به عنوان متغیرهای مستقل به کار برده می شوند.

اما آنها در واقع با متغیرهای مستقل واقعی تفاوت دارند؛ چرا که در مطالعات همبستگی آزمودنیها در طرح آزمایش، از قبل به طور طبیعی و بدون دخالت آزمونگر به گروه خاصی اختصاص داده شده اند (مثلا فرد از قبل به گروه زنان با مردان تعلق دارد) یا از قبل به شرایط زندگی خاصی تعلق دارند (تحصیلات _ بالا، تحصیلات پایین، بی سواد و غیره).

اگر پژوهشگر با متغیرهای همبستگی از نوع یاد شده به عنوان متغیر مستقل رفتار نماید و داده هایش را بر همین اساس تحلیل کند، متغیر همبستگی در اینجا متغیر شبه مستقل و آزمایش مذکور اشبه آزمایش نامیده می شود، پیشوند شبه، در اینجا نمایانگر این است که متغیر با آزمایش تنها به چیز واقعی شباهت دارد.

اگرچه مطالعات شپه تجربی همانند مطالعات تجربی به نظر می رسند، باید این نکته را همواره به یاد داشت که آنها واقعا مطالعات از نوع همبستگی اند و نتایج آن نیز باید بر همین اساس تفسیر و تحلیل شود؛ برای مثال، اگر پژوهشی نشان دهد که عملکرد افراد در آزمون نوانش کلامی به طور معناداری با جنسیت رابطه دارد (در مجموع نمره زنان بهتر از مردان است)، یافته های مذکور ثابت نمی کند که تفاوتهای مشاهده ژنتیکی است.

عوامل دیگر مرتبط با جنسبت از قبیل انتظارات اجتماعی نیز می تواند رابطه مشاهده شده را تعدیل نموده باشد.

ضریب همبستگی با روابط به دست آمده از طریق پژوهشهای همبستگی متعارف به تنهایی هیچ رابطه علي يا عليني را تأیید نمی کند در طرحهای مطالعه موردی و تک موردی اغلب متغیرهای شبه مستقل با متغیرهای مستقل ترکیب می شوند که به این نوع طرحها، طرحهای ترکیبی گویند.

در طرحهای ترکیبی می توان آثار متغیر مستقل را به عنوان علت تفسیر کرد، ولی بازم هم نمی توان از متغیرهای شبه تجربی چنین استنباطی نمود.

طرحهای همبستگی مطالعات همبستگی به دنبال آزمون رابطه بین دو یا چند متغیرند تا مشخص کنند که آیا این متغیرها با یکدیگر همپوشانی، همبستگی یا رابطه دارند یا خیر؟

به این نوع _ مطالعات، مشاهده منفعل یا طبیعی نیز گویند که نقطه مقابل مطالعاتی قرار می گیرند که از روشهای فعال یا دستکاری تجربی استفاده می کنند.

در مطالعات همبستگی، پژوهشگران تعدادی متغیر را بر روی هر آزمودنی به منظور بررسی ارتباط بین آنها امتحان می کنند. با وجود این، اصطلاح طرح همبستگی کم و بیش باعث گمراهی می شود؛ چرا که در نگاه اول همبستگی چنین القا می کند که روابط بین متغیرها با استفاده از ضریب همبستگی، ارزیابی می شود.

اشکال ضرایب همبستگی در این است که تنها نوع رابطه بین متغیرها یعنی رابطه خطی را می سنجد، در حالی که ما آزمون روابط غیر خطی بین متغیرها را نیز زیر همین عنوان می آوریم (اگرچه این مورد در خصوص پژوهشگرانی که می خواهند توجهشان بیشتر ضریب همبستگی چیست و چه کاربردی دارد؟ به الگوهای خطی محدود سازند، کمتر دیده می شود).

از این رو شاید واژه طرحهای ارتباطی مناسب تر باشد تا طرحهای همبستگی، ولی با وجود این فقط برای هماهنگی با پیشینه و مشون پژوهش از واژه طرحهای همبستگی استفاده می کنیم. یکی از نمونه های بسیار معروف طرحهای همبستگی، مطالعه برآون و هریس (۱۹۷۸) در خصوص منشأ افسردگی است که در این پژوهش رابطه بين افسردگی زنان و تجربه وقایع استرس زای آنها و عوامل زمینه ساز آن (همانند صمیمیت کم با همسر و از دست دادن مادر قبل از ۱۱ سالگی) مورد نظر بوده است.

مطالعات همبستگی همچنین گاهی برای بررسی تفاوتهای فردی نیز به کار می رود، مثلا برای پیش بینی اینکه چه مراجعانی به مداخلات روان شناختی بهتر پاسخ می دهند. مطالعه این گونه همبستگیها یک گام مقدماتی برای تبیین علت محسوب می شود؛ بدین گونه که ممکن است یک نفر به طور مشخص دنبال این مسئله باشد تا بداند که در یک برنامه درمانی با مشاوره در چه کسانی تغییری انجام میشود و چگونه و چرا این تغییرات انجام می گیرد (یافتن عناصر مؤثر).

پژوهشهای ساخت آزمون نیز که به دنبال ساخت، ارزیابی با اصلاح _ مقیاسهای اندازه گیری اند، از هر دو طرحهای توصیفی و همبستگی استفاده می کنند.

ساخت یک مقیاس جدید در بر گیرنده آزمون اعتباره و اروایی» است که از چهار چوب همبستگی استفاده شود؛ در حالی که فراهم ساختن داده های هنجاری برای مقیاس، نوعی مطالعه توصیفی است.

مطالعات همبستگی می تواند به صورت مقطعی انجام شود که در آن غالبية تمامی مشاهدات به طور همزمان انجام گرفته و اطلاعات در یک مقطع جمع آوری و یا به صورت طولی انجام می شود که در آن اندازه گیریها در دو یا چند مقطع زمانی مختلف انجام می شود.

در مطالعات همبستگی ممکن است از روشهای آماری ساده همانند مجذور کای و ضریب همبستگی و با روشهای چند متغیری" همانند رگرسیون چندگانه ، تحلیل عاملی و روشهای لگاریتم خطی استفاده شود.

همچنین ممکن است در طرحهای همبستگی از فنون پیشرفته تری که به دنبال ترسیم ساخت زیرین مجموعه داده های پیچیده است، استفاده شود. از این فنون تحت عناوین مختلف همانند تحلیل مسیر"، تحلیل ساخت نهفته ، الگوی علی با الگوی معادله ساختاری " نام می برند (بنتلر، ۱۹۸۰؛ فینگر، ۱۹۸۷؛ هویل، ۱۹۹۱، کنی، ۱۹۷۹). این فنون برای ارزیابی اینکه الگوهای مفهومی ایجاد شده توسط پژوهشها با نظریه های قبل تا چه اندازه با داده های عینی همخوانی دارد، به کار می رود.

تحلیل مسیر در واقع هم روش تحلیل مفهومی است و هم شیوه ای برای آزمون الگوهای علی. چهارچوب این روش ابزار بسیار مفیدی برای طراحی پژوهش است و اگر شما در واقع هیچ گاه تحلیل مسیر را به طور رسمی ضریب همبستگی چیست و چه کاربردی دارد؟ تحلیل نمی کنید، باز _ هم استفاده از آن به شما کمک می کند تا الگوی نظری خود را ارائه دهید.

این روش همچنین برای مفهوم سازی نتایج مطالعات همبستگی نیز سودمند است. اساس تحلیل مسیر روایت مسئله به شکل نمودار یا فلوچارت است که در آن نشان می دهد که کدام متغیرها بر متغیرهای دیگر اثر می گذارند. نمونه هایی از انواع مختلف رابطه علی را که در سطور بعدی خواهیم آورد، به صورت نمودارهای تحلیل مسیر ساده ارائه شده اند.

• روش تحقیق در روانشناسی و علوم تربیتی

ما می توانیم جدیدترین و بهترین موضوعات پایان نامه و پروپوزال و مقاله را درباره مبحث بالا برایتان طراحی کنیم.

تماس با ما:

پیشنهاد موضوعات جدید پایان نامه روانشناسی و مشاوره و انجام حرفه ای پروپوزال :