آموزش پایان نامه روش آمار توصیفی Descriptive چیست؟

روش آمار توصیفی Descriptive چیست؟

چهارشنبه ، 21 آذر 1397
یکی از روش های آماری برای تجزیه و تحلیل داده های خام یک پژوهش می باشد که به محاسبه پارامترهای جامعه با استفاده از سرشماری تمامی عناصر جامعه می پردازد.
روش آمار توصیفی Descriptive چیست؟

در آمار توصیفی از جدول آماری و نمودارهای آماری برای نشان داده نتایج و ویژگی های موجود در داده ها استفاده می شود.

  • جداول آمار: از شاخص های آماری تشکیل شده  و شامل دو شاخص پراکندگی و مرکزی می باشد..
  • نمودار های آماری : دارای تنوع بوده و کاربرد آنها بستگی به نوع داده ها و اهداف محقق دارد.

 توصیف داده ها در آمار توصیفی شامل مراحل زیر می باشد:

  1. خلاصه کردن داده ها و توصیف الگوی کلی که می تواند در داخل جدول و یا بصورت نمودار نمایش داده شوند.
  2. محاسبه شاخص های آماری
  3. محاسبه شاخص های پراکندگی variability:

شاخص های پراکندگی میزان پراکنش هر متغیر در اطراف میانگین می باشد. این شاخص به ما نشان می دهد که میزان پراکندگی داده ها در اطراف نقطه تمرکز تا چه اندازه می باشد. از جمله مهم ترین این شاخص ها، انحراف استاندارد، واریانس، ضریت تغییرات و دامنه تغییرات می باشد. اصطلاحاتی که در آمار توصیفی بکار می رود شامل:تصویر

  • دامنه تغییرات –(Range): فاصله میان بزرگترین و کوچکترین مقادیر در مجموعه دادها را اندازه گیری می کند. هر چه دامنه طولانی تر باشد، مجموعه داده ها گسترده تر است. دامنه نیز همانند میانگین تحت تأثیر داده های پرت قرار می گیرد و در چنین حالاتی یک معیار مناسب پراکندگی نیست. به علاوه، چون برای محاسبه دامنه فقط از دو اندازه بزرگترین مشاهده و کوچکترین مشاهده استفاده می شود معمولاً معیار رضایت بخشی برای پراکندگی به حساب نمی آید.
  • وارﯾﺎﻧﺲ- (Variance): میانگین ﻣﺠﺬور ﺗﻔﺎوت( اﻧﺤﺮاف)ﻣﯿﺎن ﻫﺮ ﯾﮏ از ﻣﻘﺎدﯾﺮ داده ﻫﺎ ﺑﺎ ﻣﯿﺎﻧﮕﯿﻦ آﻧﻬﺎ ﻣﯽ ﺑﺎﺷﺪ.چون تفسیر واریانس دشوار است در گزارش ها و پژوهش ها از انحراف استاندارد به جای واریانس استفاده می شود.انحراف استاندارد تفسیر میزان پراکندگی را آسان تر قابل فهم تر می سازد.
  • انحراف استاندارد (انحراف معیار) standard deviation: انحراف استاندارد مفیدترین ومتداول ترین شاخص پراکندگی است.مفیدبودن این شاخص به این دلیل است که با این شاخص می توان میزان پراکندگی هرتوزیع پیوسته رابرحسب واحد اندازه گیری نشان داد.این شاخص پایاترین ودقیق ترین شاخص پراکندگی است،که درمحاسبه ی آن ازکلیه ی اعداداستفاده می شود.واعمال ریاضی رامی توان درمورد آن انجام داد.این شاخص به منظورتعیین تغییرات یا پراکندگی توزیع نمره ها به کار برده می شود.ازاین شاخص می توان برای محاسبات آماری استفاده کرد.و به صورت گسترده ای درآماراستنباطی به کاربرده می شود.
  • چارکها : چارکها نقاطی بر روی مقیاس اندازه گیری هستند که کلیه مشاهدات یا نمره ها را به چهار قسمت مساوی تقسیم می کند. انواع چارکها شامل : چارک اول (Q1)، چارک (Q2)، چارک (Q3).

محاسبه شاخص های مرکزی Measures of Central Tendency:

کمیت های مختلفی تعریف شده اند که بر حسب نیاز می توانند بصورت کمی، جامعه مورد مطالعه را معرفی نمایند. برخی از این کمیت ها محل تمرکز داده ها را نشان می دهند که تحت عنوان شاخص های مرکزی نامیده می شوند. با توجه به اینکه در محاسبات آماری بایستی ویژگی ها و موقعیت کلی داده ها مشخص شود، لازم است تا شاخص های مرکزی محاسبه گردد. از جمله مهم ترین این شاخص های مرکزی، نما، میانه و میانگین است که دارای کاربردهای خاصی هستند. زمانی یک شاخص مرکزی دارای ارزش است که ویژگی های زیر را داشته باشد:

  1. در محاسبه شاخص مرکزی تمامی داده‌ها مورد استفاده قرار گیرند.
  2. به سادگی قابل محاسبه باشند.
  3. محاسبه آنها به فرم ریاضی امکان پذیر باشد.
  • نما: عددی که در توزیع فراوانی، بیشترین فراوانی را داشته باشد، تحت عنوان نما نامیده می شود. نما از طریق مشاهده توزیع فراوانی و تعیین عددی که فراوانی بالایی دارد مشخص می شود. نما در موارد زیر مورد استفاده قرار میگیرد: 
  1. مقیاس اندازه گیری اسمی.
  2. یافتن عددی که بیشترین تکرار را دارد.
  3. یافتن سریع و جامع اطلاعاتی از گرایش های مرکزی
  • میانه:  نقطه تقارن بین توزیع نمره ها در بالا و پایین گفته می شود و در خصوص داده های رتبه ای و اسمی بکار می رود.
  • میانگین : میانگین توصیف­ کننده مرکز توزیع فراوانی بوده و بعنوان  شناخته ­شده ­ترین مقدار متوسطی است که مورد استفاده قرار می­ گیرد. این شاخص در تحقیقاتی که مقیاس اندازه گیری داده‌ها حداقل فاصله‌ است، استفاده می شود.

تشکیل جدول توزیع فراوانی:

هدف از ترسیم جداول توزیع فراوانی، سازمان دهی به داده ها بصورت طبقاتی همراه با فراوانی می باشد. در این جداول لازم است تا تعداد و حجم طبقات با یکسری فرمول هایی محاسبه شده و در نهایت جدول توزیع رسم شود. از عناوین مهم این جداول:

  • فراوانی مطلق: به تعداد داده‌ها در هر طبقه فراوانی مطلق آن طبقه می‌گویند و آن را با fi نشان می‌دهند.
  • فراوانی نسبی: در صورتی که فراوانی‌های مطلق را بر کل فراوانی‌ها تقسیم کنیم، فراوانی نسبی ri به دست می‌آید.
  • فراوانی تجمعی: به مجموع فراوانی‌های مطلق طبقه‌های قبل و همان طبقه، فراوانی تجمعی آن طبقه می‌گویند و آن را با Fi نمایش می‌دهند.
  • فراوانی تجمعی نسبی: می‌توان از تقسیم فراوانی های تجمعی بر تعداد داده‌ها، این فراوانی را به دست آورد. (Ri)

نمودارهای توزیع فراوانی:تصویر

  • مهمترین انواع نمودار ها:
  • نمودار هیستوگرام
  • نمودار چند ضلعی
  • نمودار میله‌ای
  • منحنی فراوانی تجمعی (اوجایو)
  • نمودار دایره‌ای یا کلوچه‌ای
  • نمودار شاخه و برگ
  • نمودار پراکنش

به ویژگی های مربوط به فردی از جامعه که مورد اندازه‌گیری قرار می‌گیرد، یک صفت متغیر یا به اختصار یک متغیر (Variable) گفته می شود. در نتیجه می تواند گفت که داده‌ها (Data) مقادیر اندازه‌گیری شده متغیرها بشمار می رود..

متغیرها و داده‌ها:

  • متغیرهای کمّی: به متغیرهایی که قابل شمارش و اندازه گیری‌ باشند، متغییرهای کمی گفته می شود که خود  شامل متغییرهای فاصله ای و متغییرهای نسبتی هستند.  مثل تعداد دانش آمزان عینکی در یک کلاس
  • متغیر کمی پیوسته: کمیتی است که می تواندمقدیر بین دو عدد را محاسبه نماید. مثل قد و یا وزن
  • متغییر کمی گسسته:این نوع متغییر می تواند مجموعه شمارش پذیری از اعداد و یا زیر مجموعه ای از آن را شامل شود.
  • متغیرهای کیفی: این متغیرها غیر قابل شمارش و اندازه گیری‌ هستند . نتیجه پذیرس آنها شامل :
  1. متغیرهای کیف اسمی
  2. متغیرهای کیفی رتبه ای

بعد از اینکه متغییرها را شناسایی نمودیم ، به سراغ اندازه گیری آن ها می رویم. با توجه به اینکه اندازه گیری متغییرها با یکدیگر متفاوت است،  از این نظر به چهار دسته تقسیم می شوند :

نوع قیاس ملاک
مقیاس اسمی ویژگی‌های مشترک افراد یا رویدادها مبتنی
مقیاس ترتیبی افراد یا اشیا از لحاظ صفت ویژه، رتبه‌بندی می‌کند
مقیاس فاصله ای ترتیب اشیا و فاصله بین آنها را مشخص می‌سازد.
مقیاس نسبتی دقیق‌ترین مقیاس اندازه‌گیری، نسبت‌ها در نقاط مختلف این نوع مقیاس، قابل مقایسه‌اند.

محاسبه همبستگی 

به منظور تعیین نوع و رابطه یک متغیر از ضریب همبستگی با متغییر دیگر  (Correlation Coefficient) استفاده می شود. محاسبه ضرایب همبستگی تا حدود زیادی متاثر از مقیاس اندازه گیری متغیر ها است. بسته به نوع متغیر ها ضریب همبستگی می­تواند یکی از حالت­های زیر را داشته باشد.

  1. دو متغیر اسمیدو متغیر رتبه­ای
  2.  دو متغیر فاصله­ای- نسبی
  3.  متغیر اسمی و متغیر رتبه ای
  4.  متغیر اسمی و متغیر فاصله­ای – نسبی
  5.  متغیر رتبه­ای و متغیر فاصله­ای – نسبی

برای هر کدام از حالت­های بالا ضرایب همبستگی متفاوتی وجود دارند  و محاسبه آنها  در نرم افزار های spss ، lisrel و R امکان پذیراست.شما عزیزان می توانید انجام تحلیل آماری پروژه های مختلف خود،انجام پایان نامه ارشد و انجام پایان نامه دکتری،مقاله و …را از هر جای ایران به کارشناسان ما بسپارید تا در سریعترین زمان ممکن آن را تحویل شما دهند. در واقع بخش های مربوط به « روش تحقیق » و « فصول سوم تا پنجم پایان نامه ها » نیازمند بکارگیری نرم  افزارهای آماری همچون SPSS و LISREL و AMOS و EVIEWS و STATA هستند که همکاران ما با داشتن دانش لازم قادرند آن را برای شما انجام دهند.

محاسبۀ همبستگی برای تحقیقات پارامتری

چنانچه دو متغیر در مقیاس های فاصله یا نسبی اندازه گیری شده باشند، می توان برای تعیین رابطه بین آنها از ضریب همبستگی گشتاوری پیرسون استفاده کرد.ولی اگر در تمام مفروضات ضریب همبستگی پیرسون صادق نباشد، نمی توان از آنها استفاده کرد و به جای آن می توان از روش های دیگری مانند ضریب همبستگی دو رشته ای، و یا ضریب تتراکوریک استفاده کرد.

محاسبۀ همبستگی برای تحقیقات ناپارامتری

در تحقیقاتی که در سطح مقیاس های اسمی و رتبه ای انجام می گیرد، باید از روش های دیگری برای محاسبۀ همبستگی بین دو متغیر استفاده کرد. برخی از این روش ها عبارتند از: ضریب همبستگی فی، ضریب کریمر ، ضریب کاپا و ضریب لامبادا جهت تحقیقات اسمی و ضریب همبستگی اسپیرمن، ضریب کندال و آماره گاما برای تحقیقات ترتیبی.

رگراسیون و پیش بینی

رگراسیون (Regression) روشی برای مطالعه سهم یک یا چند متغیر مستقل در پیش بینی متغیر وابسته است. از تحلیل رگراسیون هم در تحقیقات توصیفی (غیر آزمایشی) و هم در تحقیقات آزمایشی می‌توان استفاده کرد. در حقیقت تحلیل رگرسیونی فن و تکنیکی آماری برای بررسی و مدل سازی ارتباط بین متغیرها است. رگرسیون تقریباً در هر زمینه ای از جمله مهندسی، فیزیک، اقتصاد، مدیریت، علوم زیستی، بیولوژی و علوم اجتماعی برای برآورد و پیشبینی مورد نیاز است .می توان گفت تحلیل رگرسیونی، پرکاربردترین روش در بین تکنیک های آماری است. با توجه به نوع تحقیق و متغیرهای آن روش متنوعی برای تحلیل رگراسیون وجود دارد که برخی از آنها عبارتند از : رگراسیون خطی (با سه راهبرد همزمان ، گام به گام ، سلسله مراتبی) ، رگراسیون انحنایی ، رگراسیون لوجیستیک و تحلیل کواریانس.

تحلیل داده‌های ماتریس کواریانس

از جمله تحلیل‌های همبستگی ، تحلیل ماتریس کواریانس یا ماتریس همبستگی است. دو نوع از معروفترین این تحلیل‌ها عبارتند از : مدل تحلیل عاملی برای پی بردن به متغیرهای زیر بنایی یک پدیده در دو دسته اکتشافی و تاییدی و مدل معادلات ساختاری برای بررسی روابط علی بین متغیرها.

1975 بازدید | 0 دیدگاه
اشتراک گذاری
« فرم ارسال سفارش »
« فرم ارسال سفارش »
خدمات مورد نیازتان را انتخاب کنید
  • فایل پیوست ضروری نیست.
  • فقط فایل های PDF، ورد، فشرده و فرمت های رایج عکس قابل ارسال هستند.
041 3325 0787
0914 972 4522
pub.sina@gmail.com
041 3325 0787
0914 972 4522
pub.sina@gmail.com
  • فایل پیوست ضروری نیست.
  • فقط فایل های PDF، ورد، فشرده و فرمت های رایج عکس قابل ارسال هستند.