نوشته‌ها

برای اینکه تجزیه و تحلیل اطلاعات شما دقیق باشد، ضروری است که به درستی نوع و قالب بندی هر متغیر را شناسایی کنید. SPSS دارای محدودیت های خاصی است به طوریکه تجزیه و تحلیل های آماری نمی تواند در انواع نامناسب داده ها اجرا شود: برای مثال،شما قادر نیستید هنگام اجرای آزمایش (t-test)، از یک متغیر پیوسته،به عنوان یک متغیر “گروه بندی” استفاده کنید.

اطلاعات برای نوع هر متغیر در زبانه Variable View نمایش داده می شود. در زیر ستون “Type”، به سادگی روی سلول مرتبط با متغیر مورد علاقه کلیک کنید. یک دکمه آبی “…” ظاهر خواهد شد.

 

https://s3.amazonaws.com/libapps/accounts/2515/images/spss_variable-types_cell-blue-box_opt.png

با کلیک بر روی این گزینه،پنجره Type Variable Type ظاهر خواهد شد. شما می توانید از این کادر محاوره ای برای تعریف نوع متغیر انتخاب شده و هر اطلاعات مرتبط (مثلا عرض، رقم اعشار) استفاده کنید.

https://s3.amazonaws.com/libapps/accounts/2515/images/spss_variable-types_type-window.png

دو نوع متداول از متغیرهایی که شما احتمالا مشاهده می کنید،متغیرهای عددی و رشته ای(سری) است.

عددی

متغیرهای عددی دارای مقادیر عددی هستند(در قالب استاندارد یا نشانه علمی). عدم موفقیت متغیرهای عددی در یک دوره (به عنوان مثال، “.”) ظاهر می شود. به عنوان مثال: متغیرهای پیوسته ای که می توانند بر روی هر شماره در محدوده (مانند ارتفاع، وزن، فشار خون، …) اعمال شوند،متغیرهای عددی در نظر گرفته شوند. محقق می تواند هر کجا که حس کند لازم است، تعداد ارقام اعشاری کم یا زیاد را انتخاب کند. در این وضعیت، تنظیم نقش(بخش) باید در قالب مقیاس تعریف شود؛ برای اطلاعات بیشتر، تعریف متغیرها را ببینید. این نوع خاص از متغیر عددی را می توان برای انجام محاسبات مورد استفاده قرار داد،برای مثال، ما می توانیم انحراف میانگین و اختلاف ارتفاع استاندارد را محاسبه کنیم.

مثال: شمارش ها (به عنوان مثال، تعداد پرتابهای آزاد در هر بازی) یک متغیر عددی با مکان اعشاری صفر است. در این وضعیت، تنظیم نقش(بخش) باید در قالب مقیاس تعریف شود؛ برای اطلاعات بیشتر، تعریف متغیرها را ببینید. برخی از محاسبات ریاضی زمانی که برای متغیرهای قابل شمارش(شمارشی) (به عنوان مثال، میانگین و انحراف استاندارد) اعمال می شوند معتبر هستند، درحالیکه برخی از روش های آماری (به عنوان مثال، رگرسیون خطی)معتبر نیستند.

مثال:متغیرهای قیاسی اسمی، که از لحاظ عددی کدگذاری شده اند (مثلا ثبت جنسیت موضوع به عنوان ۱ اگر مرد یا ۲ زن باشد) به عنوان متغیر عددی با رتبه اعشاری صفر، طبقه بندی می شوند. در این وضعیت، تنظیم نقش(بخش) باید در قالب Nominal(اسمی) تعریف شود؛ برای اطلاعات بیشتر، تعریف متغیرها را ببینید. ین نوع متغیر عددی هرگز نباید در محاسبات ریاضی استفاده شود.

مثال: متغیرهای دسته ای مرتبه ای که از لحاظ عددی کدگذاری شده اند (مثلا یک آیتم Likert با پاسخ ها ۱ = خوب، ۲ = بهتر، ۳ = بهترین) به عنوان متغیرهای عددی با مکان دهی اعشار طبقه بندی شده اند. در این وضعیت، تنظیم نقش باید به صورت Ordinal تعریف شود؛ برای اطلاعات بیشتر، تعریف متغیرها را ببینید. به طور کلی، این نوع متغیر عددی نباید در محاسبات ریاضی استفاده شود. توجه داشته باشید که برخی از روش های SPSS نیاز دارند که متغیرهای گروهبندی به صورت عددی کدگذاری شوند. (به عنوان مثال نمونه های مستقل t-test، مکالمات میراثی برای روش های غیر پارامتری و غیره)

رشته ای

متغیرهای رشته – که همچنین متغیرهای الفبایی یا متغیرهای شخصیتی نامیده می شوند – دارای مقادیری هستند که به صورت متن پردازش می شوند. این بدان معنی است که مقادیر متغیرهای رشته ممکن است شامل اعداد، حروف یا نمادها باشد.

مثال: کد های پستی و شماره تلفن، هر چند ترکیبی از اعداد هستند، به طور معمول متغیرهای رشته ای در نظر گرفته می شوند، زیرا مقادیر آنها در محاسبات قابل استفاده نیست. برای مثال: هر متن نوشتاری یک متغیر رشته ای است، از جمله پاسخ های پاسخ آزاد به سوالات تحقیق.

چند نوع متغیر بعدی، از لحاظ فنی عددی هستند، اما قالب بندی خاصی را نشان می دهد. اگر داده های شما در یکی از این فرمت ها ثبت شده باشد، باید نوع متغیر را به طور مناسب تنظیم کنید تا SPSS بتواند متغیرها را به درستی تفسیر کند. (برای مثال، SPSS نمیتواند از محاسبات استفاده کند، مگر اینکه متغیرها به طور خاص به عنوان متغیرهای تاریخ تعریف شوند.)

کاما،ویرگول

متغیرهای عددی که حاوی کاما هستند و حدود هر سه مکان را تعیین می کنند (به سمت چپ اعشار)و از یک بازه برای تعیین حدود اعشار استفاده می کند. SPSS این مقادیر را به صورت عددی با یا بدون کاما و همچنین در نماد علمی تشخیص می دهد. مثال:سی هزار و یک دوم:۳۰،۰۰۰،۵۰

مثال: یک میلیون،دویست و سی و چهار هزار،پانصد و شصت و هفت،و ۸۹ هزار: ۱،۲۳۴،۵۶۷٫۸۹(به نظر این عدد به حروف در متن مرجع(انگلیسی)اشتباه نوشته شده است)

نقطه

متغیرهای عددی که شامل دوره(بازه) هایی است که حدود هر سه مکان را تعیین کرده و از کاما برای تعیین اعشار استفاده می کند. SPSS این مقادیر را به صورت عددی با یا بدون دوره(بازه) و همچنین در نماد علمی تشخیص می دهد. مثال:سی هزارو یک دوم:۳۰،۰۰۰،۵۰

مثال: یک میلیون،دویست و سی و چهار هزار،پانصد و شصت و هفت،و ۸۹ هزار: ۱،۲۳۴،۵۶۷٫۸۹(به نظر این عدد به حروف در متن مرجع(انگلیسی)اشتباه نوشته شده است)

به علامت کاما در مقابل نقطه توجه کنید: علامت گذاری به عنوان کاما در ایالات متحده استاندارد است. این صفحه برگرفته از اوراکل (http://docs.oracle.com/cd/E19455-01/806-0169/overview-9/index.html) فهرستی از کشورها و اینکه کدامیک از علامت ها معمولا در هر کدام از آن کشورها یافت می شود،ارائه می دهد.

نماد علمی

متغیرهای عددی که مقادیر آنها،با نماد E و توان ده(توان قدرت ده دهم)نمایش داده می شوند.نما(توان)ها می توانند با یک D یا E،با یا بدون نشانه،یا تنها با یک نشانه(غیر از Dیا E)،مشخص شوند. مثال: .۲۳E2, 1.23D2, 1.23E+2, 1.23+2.

تاریخ

متغیرهای عددی که در هر تاریخ استاندارد تقویم یا فرمت زمانبندی نمایش داده می شوند. فرمت استاندارد ممکن است شامل کاما، فضاهای خالی، خطوط ربط، دوره ها(بازه)ها یا ممیزها در قالب تحدید کنندگان(حائلان) فضا باشد. مثال:تاریخ ها: ۰۱/۳۱/۲۰۱۳, ۳۱٫۰۱٫۲۰۱۳

مثال:زمان: ۰۱:۰۲:۳۳٫۷

دلار

متغیرهای عددی که حاوی علامت دلار (i.e.، $) قبل از اعداد است.کاما ممکن است برای تعیین حدود هر سه مکان،مورد استقاده قرار گیرد،و یک بازه می تواند تعیین حدود اعشار مورد استفاده قرار گیرد.

مثال:سی و سه هزار دلار و ۳۳ سنت: $۳۳,۰۰۰٫۳۳

مثال:۱ میلیون دلار و ۱۲۳ سنت.: $۱,۰۰۰,۰۰۰٫۱۲۳

ارز سفارشی(گمرک)

متغیرهای عددی که در قالب ارز سفارشی نمایش داده می شوند. شما باید ارز سفارشی را در پنجره متغیر نوع تعریف کنید. کاراکترهای ارز سفارشی در ویرایشگر داده نمایش داده می شوند، اما نمی توانند در هنگام ورود داده ها استفاده شوند.

تعداد محدود(متناهی)

متغیرهای عددی که مقادیر آنها به عدد صحیح غیر منفی (در قالب استاندارد یا نماد علمی) محدود می شوند. این مقادیر با هدایت صفرهای پیشنهادی تا حداکثر ارقام متغیر نمایش داده می شوند.

مثال: ۰۰۰۰۰۱۲۳۴۵۶ (۱۱ رقم)

 

نرم افزار SPSS یکی از نرم افزارهای آماری است که به کمک آن می‌توان تحلیل‌های آماری انجام داد. برای انجام صحیح تحلیل‌های آماری باید اطلاعاتی دربارهٔ سطح اندازه گیری متغیرها، کاربردی‌ترین فرایندها و مراحل تحلیل آماری داشته باشید تا بتوانید بهترین چکیده و شکل را برای تحلیل‌هایتان انتخاب کنید.

اصطلاحات آماری

به جدول زیر دقت کنید تا با تعاریف رایج‌ترین و کاربردی‌ترین اصطلاحات آماری آشنا شوید.

متغیر اسمی متغیر ترتیبی متغیر مقیاسی
تعریف غیر ترتیبی ترتیبی فاصله‌ای و نسبی
مثال جنسیت، موقعیت جغرافیایی، شغل رتبه بندی میزان رضایت، درآمد، ترجیحات دفعات خرید، میزان کلسترول، سن
شاخص تمایل به مرکز مد میانه میانه یا مد
شاخص پراکندگی ندارد مینیمم/ماکسیمم/درجه بندی مینیمم/ماکسیمم/درجه بندی/انحراف معیار/واریانس
شکل نمودار دایره‌ای یا میله‌ای نمودار میله‌ای هیستوگرام

رابطه بین دو متغیر

قبل از انتخاب شکل و نمودار برای نشان دادن روابط بین چند متغیر باید اطلاعاتی درباره سطح اندازه گیری متغیرها داشته باشیم. جدول زیر به شما کمک می‌کند تا برای متغیرهای مختلف، بهترین شکل و نمودار را انتخاب کنید.

 

متغیر طبقه‌ای وابسته متغیر مقیاسی وابسته
متغیر طبقه‌ای مستقل نمودار میله‌ای خوشه بندی شده یا نمودار دایره‌ای نوار خطا یا نمودار جعبه‌ای
متغیر مقیاسی مستقل نوار خطا یا نمودار جعبه‌ای نمودار نقطه‌ای

بررسی منوهای فرعی آنالیز در SPSS

در جدول زیر با کاربردی‌ترین فرایندها و قابلیت‌های منوی Analyze در نرم افزار SPSS بیشتر آشنا می‌شوید.

منوی فرعی کاربرد
Code Book Reports مرور کلی تمام متغیرها
Frequency Descriptive مناسب متغیرهای طبقه‌ای.اجرای همزمان تمام متغیرها. مشخص کردن تعداد هر طبقه
Descriptive Descriptive به دست آوردن اطلاعات مقیاسی مثل میانگین و میانه
Explore Descriptive بهترین گزینه برای مرور کلی انواع متغیرها و متغیرهای جفتی
Crosstabs Descriptive آزمونی که وابسته یا مستقل بودن متغیرهای طبقه‌ای از یکدیگر را مشخص می‌کند
Means Compare Means محاسبه میانگین زیرمجموعه‌ها برای متغیرهای وابسته، با وجود یک یا چند متغیر مستقل
One-Sample T-Test Compare Means آزمونی که میانگین یک متغیر را با یک ارزش مشخص مقایسه می‌کند (رابطهٔ بین یک روش یادگیری جدید با معدل مدرسه)
Independent Sample T-Test Compare Means آزمونی که میانگین دو گروه مختلف را با یک متغیر وابسته و پیوسته مقایسه می‌کند (مقایسه درآمد مردان و زنان)
Paired Sample T-Test Compare Means آزمونی که میانگین دو شرایط مختلف را ارزیابی می‌کند (مقایسه قبل و بعد، مقایسه حالت نشسته و ایستاده)
One way ANOVA Compare Means آزمونی که میانگین دو یا چند گروه را با یک ارزش مشخص مقایسه می‌کند (مقایسه اثر سه داروی مختلف روی افسردگی)
Linear Regression Regression یک تکنیکی آماری که متغیر وابسته و پیوسته را از یک یا چند متغیر مستقل و پیوسته تشخیص می‌دهد.

تحلیل سطح معناداری در SPSS

تحلیل نتایج آماری از اهمیت بسیار بالایی برخوردار است. بیشتر مردم بلافاصله پس از اجرای یک آزمون، به قسمت خروجی آزمون مراجعه می‌کنند و به دنبال پاسخ‌هایی مثل “نتیجهٔ آزمون معنادار است” یا “نتیجهٔ آزمون معنادار نیست” می گردند. اما فراموش نکنید که نتیجهٔ آزمون‌های آماری فقط در این دو جمله خلاصه نمی‌شوند.

ممکن است در دنیای واقعی رابطه‌ای بین دو متغیر وجود نداشته باشد، اما نتیجه آزمون معنادار باشد. به این حالت خطای “مثبت کاذب” گفته می‌شود، زیرا به اشتباه نتیجهٔ آزمون را مثبت ارزیابی کرده‌اید.

از طرفی دیگر ممکن است در دنیای واقعی بین دو متغیر رابطه وجود داشته باشد، اما نتیجه آزمون معنادار نباشد. به این حالت خطای “منفی کاذب” گفته می‌شود، زیرا به اشتباه نتیجهٔ آزمون را منفی ارزیابی کرده‌اید.

اگر در دنیای واقعی نتیجهٔ آزمون معنادار نباشد (P بزرگتر از ۰٫۵) نتیجهٔ آزمون معنادار باشد (P کوچکتر از ۰٫۵)
دو گروه متفاوت نباشند فرضیهٔ متفاوت نبودن دو گروه اثبات می‌شود مثبت کاذب
دو گروه متفاوت باشند منفی کاذب فرضیه متفاوت بودن دو گروه اثبات می‌شود

در این مطلب به طور کامل با فرمت‌ها و انواع مختلف متغیر در نرم افزار SPSS آشنا می‌شوید تا با دقت، اطمینان و سرعت بیشتری آزمون‌های آماری را انجام دهید.

spss-variable-types-and-formats-in-data-view.png

انواع متغیرها در SPSS

نرم افزار SPSS دو نوع متغیر دارد:

  • متغیر عددی: همانطوری که از اسم این متغیر پیداست، این متغیر فقط شامل اعداد است و بیشتر در محاسبات جمع و ضرب استفاده می‌شود.
  • متغیر رشته‌ای: این متغیر شامل حروف، اعداد و کاراکترهای دیگر است. حتی اگر متغیرهای رشته‌ای فقط شامل اعداد باشند، باز هم نمی‌توان با آنها محاسبات ریاضی انجام داد.

نرم افزار SPSS جزواین دو متغیر، متغیر دیگری ندارد و نباید فرمت‌های دیگر متغیر عددی را با انواع متغیر در SPSS اشتباه گرفت.

بهترین روش تبدیل کردن متغیر رشته‌ای به متغیر عددی (و بالعکس)، آن است که نوع متغیر را تغییر دهید. اگرچه چند روش مختلف دیگر برای این کار وجود دارد که در ادامه به آنها خواهیم پرداخت.

متغیر رشته‌ای بهتر است یا متغیر عددی؟

یکی از قوانین کلی در SPSS این است که:

در نرم افزار SPSS فقط متغیرهای اسمی می‌توانند در ردهٔ متغیرهای رشته‌ای قرار بگیرند.

اسم افراد، آدرس ایمیل، شماره پاسپورت و… جزو متغیرهای اسمی هستند. اگرچه این متغیرها اطلاعات مفیدی به شما می‌دهند، اما معمولاً این اطلاعات آنالیز نمی‌شوند. فراموش نکنید که متغیرهای عددی در مواردی خاص مثل ملیت، گروه خونی یا حرفه می‌توانند آنالیز می‌شوند. قضیه متغیرهای رشته‌ای کمی متفاوت است، به عنوان مثال رشته‌ای بودن متغیر وابسته در تحلیل واریانس (Anova) به دستوری که استفاده می‌کنید بستگی دارد، به همین دلیل ممکن است هنگام کار کردن با متغیرهای رشته‌ای کمی گیج شوید، بنابراین با تبدیل کردن متغیر رشته‌ای به متغیر عددی، کارتان راحت‌تر می‌شود.

تشخیص نوع متغیر در SPSS

حالا چطور تشخیص بدهیم که متغیری عددی است یا رشته‌ای؟ در ورژن ۲۴ و ورژن های بالاتر نرم افزار SPSS، آیکونی کوچکی در کنار نام متغیر قرار دارد که اطلاعاتی درباره نوع، فرمت و حتی سطح اندازه گیری متغیر فراهم می‌کند. در صورتی که آیکون متغیر اسمی شامل حرف “a” باشد، یعنی آن متغیر رشته‌ای است. به جدول زیر دقت کنید:

spss-variable-type-format-icons-in-variable-names.png

در ورژن ۲۳ و ورژن های پایین‌تر SPSS برای تشخیص متغیر رشته‌ای و عددی از قاعدهٔ زیر استفاده کنید:

  • اگر در قسمت Type(نوع متغیر) عبارت String(رشته‌ای) نوشته شده باشد، آن متغیر رشته‌ای (String Variables) است.
  • اگر در قسمت Type(نوع متغیر) عبارت String(رشته‌ای) نوشته نشده باشد، آن متغیر عددی (Numeric Variable) است.

spss-string-versus-numeric-variable-in-variable-view.png

اگرچه تاریخ (Date) و دلار (Dollar) جزو فرمت‌های متغیرها هستند، اما نرم افزار SPSS به اشتباه این دو را جزو انواع متغیرها دسته بندی می‌کند.

فرمت متغیرها در SPSS

ابتدا نگاهی به جدول زیر بیندازید:

spss-variable-types-and-formats-1.png

با توجه به جدول قبلی می دانیم که متغیر شماره ۱ جزو متغیرهای رشته‌ای و متغیرهای شماره ۲ تا ۷ جزو متغیرهای عددی هستند.

عبارت‌هایی مثل “۲۶-Jan-2015” جزو فرمت‌های SPSS محسوب می‌شوند.

تشخیص فرمت متغیرها در SPSS

spss-variable-formats-display-dictionary.png

در ستون Print/Write Format جدول بالا می‌توانید فرمت‌های مختلف متغیرها را مشاهده کنید.

  • وجود حرف A در ابتدای فرمت به معنای رشته‌ای بودن متغیراست.
  • وجود حرف F در ابتدای فرمت به معنای عددی بودن متغیر است.

اعداد انتهایی فرمت‌ها بیانگر تعداد کاراکترها است. اعدادی که بعد از نقطه قرار گرفته‌اند، تعداد اعداد بعد از اعشار را نشان می‌دهند. به مثال زیر دقت کنید:

spss-format-components.png

عدد ۶ بیانگر تعداد اعداد است و عدد ۲ تعداد اعداد بعد از اعشار را نشان می‌دهد.

فرمت‌های رایج متغیرها در SPSS

از فرمت‌های رایج متغیر رشته‌ای می‌توان به A10 و از فرمت‌های رایج متغیر عددی می‌توان به F5.2،Data11(تاریخ) و Time8(زمان) اشاره کرد.

تنظیم فرمت متغیرها در SPSS

فرمت متغیرهای عددی را می توان با اجرای یک دستور ساده تغییر داد. برای مثال برای تبدیل کردن فرمت متغیرهای عددی به فرمت وزن باید از دستور زیر استفاده کنید:

فرمت وزن: ۳٫f4

فراموش نکنید که با عوض کردن فرمت متغیرها، تغییری در داده‌هایتان ایجاد نمی‌شود. در SPSS چیزی که می‌نویسید؛ با چیزی که نرم افزار می‌خواند فرق دارد. به عنوان مثال نرم افزار SPSS عبارت ۲۰٫۳۷$ را به صورت ۲۰٫۳۷ می‌خواند و علامت دلار تاثیری در نتیجهٔ کار ایجاد نمی‌کند.

سخن پایانی

اگرچه نکات گفته شده در این آموزش بیشتر جنبهٔ تئوری داشتند، اما با کمی تمرین و تکرار می‌توانید در عمل نیز در نرم افزار SPSS حرفه‌ای شوید.

قبل از انجام هر گونه تست آماری باید مطمئن شوید که داده‌هایتان به طور نرمال توزیع شده باشند. آزمون نرمال بودن داده‌ها در SPSS این امکان را به شما می‌دهد تا اطلاعات بیشتری درباره داده‌هایتان کسب کنید تا بهترین آزمون را انتخاب کنید.

روش انجام آزمون نرمال بودن توزیع داده‌ها در SPSS

برای انجام آزمون نرمال بودن توزیع داده‌ها به یک سری دادهٔ آماری نیاز داریم. در جدول زیر با دو متغیر سن و جنسیت سر و کار داریم و نیمی از جامعه آماری از مردان و نیمی دیگر از زنان تشکیل شده است.

SPSS-normality-dataset.jpg

اجرای آزمون نرمال بودن توزیع داده‌ها

چندین آزمون مختلف برای تشخیص نرمال بودن توزیع داده‌ها در SPSS وجود دارد. اگر تا به حال این آزمون را انجام نداده‌اید، پیشنهاد می‌کنیم از آزمون شاپیروـ ویلک برای تشخیص نرمال بودن توزیع داده‌ها استفاده کنید:

۱ ـ ابتدا مسیر Analyze>Descriptive Statistics>Explore را دنبال کنید.

SPSS-normality-explore.jpg

۲ ـ با این کار پنجرهٔ Explore باز خواهد شد. برای تشخیص دادن نرمال بودن توزیع داده‌ها ابتدا باید متغیر مورد نظرتان (مثلاً سن) را در کادر Dependent List وارد کنید.

SPSS-normality-explore-setup.jpg

۳ ـ سپس روی گزینهٔ Plot کلیک کنید تا یک پنجرهٔ دیگر باز شود. درپنجره باز شده، گزینهٔ Normality plot with tests و Histogram را تیک دار کنید.

SPSS-normality-plots-setup.jpg

۴ ـ سپس در پنجرهٔ Plot روی Continue و در پنجرهٔ Explore روی Ok کلیک کنید.

خروجی آزمون

حالا اگر به قسمت خروجی (Output) نگاهی بیندازید می‌توانید اطلاعات زیادی کسب کنید. اولین جدول (Case Processing Summary) اطلاعاتی دربارهٔ تعداد نمونه‌های تحقیق و جدول بعدی (Descriptive) نیز اطلاعاتی دربارهٔ داده‌ها، میانگین، اطمینان فاصله‌ای و انحراف معیار فراهم می‌کند. برای دیدن نتیجهٔ آزمون نرمال بودن توزیع داده‌ها به جدول Tests of Normality نیاز داریم.

SPSS-normality-output.jpg

نرم افزار SPSS برای انجام آزمون نرمال بودن توزیع داده‌ها، دو تست مختلف با نام‌های کلوموگورف- اسمیرنوف و شاپیرو- ویلک انجام می‌دهد. به طور کلی اگر جامعه آماری کوچک باشد (۲۰۰۰ نفر) باید از تست کلوموگورف- اسمیرنوف و اگر بزرگ باشد باید از تست شاپیرو- ویلک استفاده کنیم.

به همین دلیل در این مثال از نتایج تست شاپیرو- ویلک استفاده می‌کنیم.

  • Statistic: مقدار w
  • df: درجهٔ آزادی در تحلیل
  • Sig.: سطح معناداری یا ارزش احتمال

اگر مقدار sig. کوچک‌تر از ۰٫۰۵ باشد، یعنی داده‌ها به طور نرمال توزیع نشده‌اند و اگر بیشتر از ۰٫۰۵ باشد، یعنی داده‌ها به طور نرمال توزیع شده‌اند.

تفسیر نتایج

در مثال بالا مقدار sig. در تست شاپیرو- ویلک ۰٫۲۶۲ است. بنابراین داده‌های متغیر سن در این نمونه به طور نرمال توزیع شده است.

نتایج نرمال بودن توزیع داده‌های در یک گروه

از طریق آزمون نرمال بودن داده‌ها در SPSS می‌توانید دربارهٔ نرمال بودن توزیع داده‌ها در یک گروه نیز تصمیم بگیرید.

برای این کار مرحلهٔ ۱ و ۲ را مطابق مراحل بالا تکرار کنید. سپس در کادر Factor List نام گروه مورد نظرتان (مثلاً جنسیت) را قید کنید.

SPSS-normality-explore-setup-by-group.jpg

با این کار نتایج و خروجی آزمون طبق گروه تفکیک خواهد شد (زن و مرد).

SPSS-normality-explore-setup-by-group-output.jpg

در اینجا هم اگر مقدار sig. کوچک‌تر از ۰٫۰۵ باشد، یعنی داده‌ها به طور نرمال توزیع نشده‌اند و اگر بیشتر از ۰٫۰۵ باشد، یعنی داده‌ها به طور نرمال توزیع شده‌اند.

آزمون T مستقل یا آزمون T جفت نشده یکی از آزمون‌های پارامتریک آماری است و هدف آن این است که رابطهٔ بین دو متغیر پیوسته در گروه‌های غیر مرتبط را پیدا کند. به عنوان مثال، مقایسهٔ اختلاف قد بین زنان و مردان.

مفروضات آزمون T مستقل

قبل از اجرای آزمون T مستقل در SPSS باید نکات زیر را در نظر داشته باشید:

۱ ـ متغیرهای وابسته باید با یک مقیاس پیوسته اندازه گیری شوند (مثل متغیرهای فاصله‌ای یا نسبی).

۲ ـ برای انجام آزمون T مستقل باید دو متغیر وابسته از دو گروه غیرمرتبط (مستقل) وجود داشته باشد.

۳ ـ در جمع آوری داده برای ارزیابی متغیرها هیچ پرتی نباید وجود داشته باشد.

۴ ـ متغیرهای وابسته باید توزیع نرمال داشته باشتد.

۵ ـ متغیرهای وابسته باید واریانس‌های یکسانی داشته باشند. به بیانی دیگر انحراف معیار دو متغیر وابسته تقریباً باید یکسان باشد. برای ارزیابی برابری واریانس دو متغیر می‌توانید از آزمون لوین استفاده کنید.

نحوهٔ اجرای آزمون T مستقل در SPSS

برای درک بهتر نحوهٔ اجرای آزمون T مستقل در SPSS از مثال اختلاف قد بین زن و مرد استفاده می‌کنیم.

همانطوری که در عکس زیر می‌بینید، دو ستون داده داریم. عدد ۱ در ستون Group بیانگر جنسیت مرد و عدد ۲ بیانگر جنسیت زن است. ستون Height قد هر یک از نمونه‌ها را نشان می‌دهد. جنسیت و قد به ترتیب جزو مقیاس‌های اسمی و پیوسته محسوب می‌شوند.

SPSS-independent-t-test-data.jpg

فرضیات این آزمون عبارتند از:

“هیچ اختلافی بین قد مردان و زنان وجود ندارد.”

یا

“بین قد مردان و زنان اختلاف وجود دارد.”

اجرای آزمون در SPSS

۱ ـ ابتدا مسیر Analyze>Compare Means>Independent-Sample T-Test را دنبال کنید.

SPSS-independent-t-test.jpg

۲ ـ در صفحهٔ باز شده در قسمت Test Variable(s) باید نام متغیر (قد) و در قسمت Grouping Variable، گروه را انتخاب کنید.

SPSS-independent-t-test-options.jpg

۳ ـ سپس روی گزینهٔ Define Groups کلیک کرده و در پنجرهٔ باز شده، در جلوی عبارت Group 1 و Group 2 به ترتیب عدد ۱ و ۲ را وارد کنید. در واقع با این کار به نرم افزار SPSS دستور انجام مقایسه بین دو گروه مرد (گروه ۱) و زن (گروه ۲) را می‌دهید.

SPSS-independent-t-test-define-groups.jpg

۴ ـ روی گزینهٔ Continue کلیک کنید.

۵ ـ سپس روی OK کلیک کنید تا آزمون T مستقل اجرا شود.

خروجی

حالا در پنجرهٔ خروجی با دو جدول با عنوان‌های Group Statistics و Independent Sample Test مواجه می‌شوید. جدول اول دربارهٔ هر یک از متغیرها یک سری اطلاعات توصیفی فراهم می‌کند (مثل میانگین، تعداد نمونه‌ها و انحراف معیار). برای ارزیابی نتیجهٔ آزمون به جدول دوم نیاز داریم.

SPSS-independent-t-test-output-2-1068x203.jpg

به کمک جدول Independent Sample Test می‌توانید اطلاعات با ارزشی به دست بیاورید. به عنوان مثال:

تست لوین برای برابری واریانس‌ها

  • F– مقدار F در تست واریانس
  • Sig.- سطح معناداری تست برابری واریانس

آزمون T مستقل برای برابری میانگین‌ها

  • t ـ مقدار T
  • df ـ درجه آزادی
  • (Sig. (2-tailed– سطح معناداری آزمون T مستقل در تحلیل‌های دو دنباله‌ای
  • Mean Differences ـ اختلاف میانگین بین دو متغیر
  • Error Differences ـ خطای استاندارد برای اختلاف بین دو متغیر
  • ۹۵% Confidence Interval of the Differences ـ دامنهٔ بیشترین و کمترین فاصلهٔ اطمینان ۹۵% برای اختلاف بین دو متغیر

تفسیر نتایج

قبل از تصمیم گیری دربارهٔ اختلاف آماری باید دربارهٔ برابری واریانس‌های داده‌های زنان و مردان باخبر شوید. برای این کار باید نگاهی به نتایج تست لوین بیندازید. اگر عدد Sig. بیشتر از ۰٫۰۵ باشد، یعنی واریانس دو متغیر یکسان است و اگر کمتر از ۰٫۰۵ باشد، یعنی واریانس دو متغیر یکسان نیست. در این مثال عدد Sig. برابر ۰٫۷۷۶ است و این به آن معناست که واریانس دو متغیر تقریباً یکسان هستند.

مقدار ۰٫۰۰۰ در قسمت Sig. (2-tailed) کمتر از ۰٫۰۵ است و این به آن معناست که بین قد مردان و زنان، اختلاف معناداری وجود دارد. بنابراین فرضیهٔ اول رد و فرضیهٔ دوم پذیرفته می‌شود.

گزارش نتایج

در نوشتن گزارش نتیجهٔ آزمون T مستقل بهتر است برای هر متغیر اطلاعاتی دربارهٔ میانگین و انحراف معیار را نیز قید کنید تا خواننده تفاوت بین دو گروه را بهتر متوجه شود. همچنین بهتر است در پایان گزارش، مقدار t، درجهٔ آزادی و سطح معناداری را هم بنویسید. به عنوان مثال:

قد مردان بلندتر (۴٫۵ ۱۸۱٫۱ سانتی متر) از قد زنان (۵٫۱ ۱۶۳٫۴) است، ۷٫۱۵۴=(۱۴)t، ۰٫۰۰۱>P.
Reporting-unpaired-t-test-results-1068x293.jpg

  • Mean: میانگین
  • SD: انحراف معیار
  • Df: درجهٔ آزادی
  • T Statistic: مقدار t
  • P Value: سطح معناداری