تحلیل رگرسیون و ضریب همبستگی

• رتبه 1 آزمون کشوری دکترا آمار
• نویسنده کتاب روش‌های پیشرفته آماری و کاربردهای آن (کتاب سال)
• دارای رتبه RG Score = 63.45 در ResearchGate
• در رده دو درصد برتر پژوهشگران و محققان ResearchGate

تحلیل رگرسیون و ضریب همبستگی

خلاصه
هدف. پژوهش حاضر با هدف تعیین نقش فشار مراقبت، استرس زناشویی و ذهن­آگاهی در پیش­بینی سطح سازش روانی اجتماعی افراد با بیماری قلبی عروقی در شهر ارومیه انجام شد.
زمینه . بیماری قلبی عروقی و اثرات ناشی از آن محدود به بیمار نیست و تاثیر قابل توجهی بر زندگی مراقبت­کنندگان دارد.
روش کار: این پژوهش از نوع توصیفی همبستگی بود. جامعه آماری پژوهش، افراد با بیماری عروق کرونر مراجعه­کننده به بیمارستان­ها و مراکز درمانی شهرستان ارومیه در نیمه اول سال 1396 بودند که از بین آنها، 130 نفر با استفاده از روش نمونه­گیری دردسترس به عنوان نمونه تحقیق انتخاب شدند. برای گردآوری داده­ها از پرسشنامه­های فشار مراقبت، استرس زناشویی، مهارت­های ذهن­آگاهی کنتاکی و سازگاری روانی­اجتماعی با بیماری استفاده شد. تحلیل داده­ها در نرم افزار SPSS با استفاده از ضریب همبستگی پیرسون و تحلیل رگرسیون گام به گام صورت گرفت.
یافته ­ ها . نتایج نشان داد که فشار مراقبت و استرس زناشویی رابطه منفی معناداری با سازش روانی با بیماری دارند. از بین مولفه­های ذهن­آگاهی، تنها توصیف­گری دارای رابطه مثبت معنادار با سازش روانی با بیماری بود (0/04 P= ) . تحلیل رگرسیون گام به گام نشان داد که مدل پژوهش توانست 57 درصد از سازش روانی با بیماری را در افراد با بیماری قلبی تبیین کند. این یافته­ها نشان می­دهند که فشار مراقبت و استرس زناشویی نقش مهمی در سازش روانی بیماران قلبی با بیماری دارند.
نتیجه گیری . کاهش فشار مراقبت و استرس زناشویی نقش مهمی در پیشگیری اولیه و حتی ثانویه بیماری قلبی دارند و انجام مداخلات مبتنی بر نتایج این پژوهش برای بیماران قلبی توصیه می شود.

Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:

Vahidi A, Shaker Dioulagh A. The role of caregiver burden, marital stress, and mindfulness in predicting psychosocial adjustment to illness in people with coronary artery disease. پرستاری قلب و عروق 2018; 7 (1) :50-59
URL: http://journal.icns.org.ir/article-1-521-fa.html

وحیدی اسماء، شاکر دولق علی. نقش فشار مراقبت، استرس زناشویی و ذهن‌آگاهی در پیش‌بینی سطح سازش روانی اجتماعی افراد با بیماری قلبی عروقی. نشریه پرستاری قلب و عروق 1397; 7 (1) :59-50

تحلیل رگرسیون و ضریب همبستگی

در رگرسیون، پژوهشگر به دنبال آن است که بتواند کمیت متغیر مجهول را با استفاده از متغیرهای معلوم، تعیین و پیش بینی کند، در حالی که در همبستگی فقط به دنبال روابط بین دو متغیر است.

در رگرسیون، از وجود رابطه بین دو متغیر برای پیش بینی کردن مقدار یک متغیر (وابسته) از روی متغیر دیگر (مستقل) استفاده می شود که جنبه پیش بینی کننده دارد.

در همبستگی درجه رابطه دو متغیر با یک عدد بیان می شود که به عنوان ضریب همبستگی شناخته می شود ولی در رگرسیون، هدف آن است که بعضی از مشخصات از روی آگاهی در مورد سایر مشخصات، برآورد یا پیش بینی شود که این کار از طریق معادله رگرسیون انجام می گیرد که در این معادله، هریک از ضرایب رگرسیون به عنوان وزن بتا شناخته می شود و بعلاوه باقیمانده ها از اهمیت زیادی برخوردار است.

در پژوهش هایی که از روش های آماری رگرسیون استفاده می شود می تواند از نوع ساده و یک متغیره (مانند رابطه بین اعتبار مصرف شده و توسعه سازمان، یا رابطه بین میزان تبلیغات و فروش و یا پیش بینی عملکرد تحصیلی دانشجویان در دانشگاه با توجه به نمرات آزمون ورودی آنان) یا از نوع رگرسیون چند گانه (مانند بررسی تعداد فروش با توجه به میزان تبلیغات و نیز تعداد فروشندگان یا در بررسی میزان پس انداز خانواده ها با توجه به میزان درآمد خانواده ها و تعداد فرزندان و یا بررسی نوع شغل، حقوق و سابقه خدمت کارمندان با متغیر ملاک یعنی رضایت شغلی) و رگرسیون لوجستیک باشد.

توضیح اینکه، رگرسیون چندگانه نوعا به مدل های رگرسیون با یک متغیر وابسته و دو متغیر پیش بین یا بیشتر اطلاق می شود.

در مقابل، در رگرسیون چند متغیره، متغیرهای وابسته چندگانه و هر تعداد متغیر مستقل وجود دارد.

لازم به ذکر چنانچه بیش از یک متغیر مستقل در رگرسیون چند متغیره و بیش از یک متغیر پیش بین وجود داشته باشد، گاه این مدل رگرسیونی، رگرسیون چندگانه چند متغیره نامیده می شود.

مثال از رگرسیون چند متغیره ارائه می گردد.

پزشکی محصولات لبنی تحلیل رگرسیون و ضریب همبستگی و شیرینی را که در هفته مصرف می شود مورد توجه قرار داده است.

در این موضوع وی قصد دارد رابطه عادات غذایی و سلامتی را بررسی نماید.

برای بررسی اینکه افراد چقدر از شغل خود لذت می برند؟ متغیرهایی چون درآمد، میزان تحصیلات، سن، جنسیت، سابقه خدمت و وضعیت اجتماعی و اقتصادی بررسی می شود.

در این مثالها سلامتی و رضایت، متغیر ملاک و عوامل یاد شده، متغیر پیش بین است.

رگرسیون و همبستگی بسیار به هم وابسته هستند.

هر دو روش آماری شامل رابطه میان دو متغیر است و هر دو از سری نمره، از یک آزمودنی استفاده می کنند.

اما در بیان تمایز آن، همبستگی به دنبال یافتن مقدار و جهت رابطه می باشد؛ تمرکز رگرسیون بر استفاده از روابط برای پیش بینی است.

اصطلاح پیش بینی به معنای آن است که اگر دو متغیر بطور کامل با یکدیگر همبستگی داشته باشند؛ پس می توان از مقدار یک متغیر، برای پیش بینی همبستگی کامل مقدار متغیر دوم استفاده نمود.

به عبارتی، اگر دو متغیر بطور معنادار با یکدیگر همبستگی داشته باشند، پژوهشگر می تواند از یک متغیر برای پیش بینی متغیر دوم استفاده کند.

در نتیجه، رگرسیون، روشی بر پیش بینی متغیرها است.

در رگرسیون، متغیرهای پیش بین و متغیر ملاک مطرح می شود و به تحلیل گر کمک می کند که توان متغیرهای پیش بین را در تبیین متغیر ملاک (وابسته) ارزیابی شود.

در این روش، مقدار بتا یا همان ضریب استاندارد شده رگرسیون، برای تعیین توان پیش بینی متغیر پیش بین با متغیر ملاک، مهم است.

در رگرسیون از چند روش استفاده می شود.

به عبارتی، در این روش، ترتیب وارد شدن متغیرهای پیش بین به درون مدل یا خارج شدن از آن بر اساس قدرت همبستگی آن ها با متغیر ملاک تعیین می شود که به چند دسته تقسیم می شود:

الف) روش هم زمان

در روش چند گانه هم زمان، تمام متغیرهای پیش بین باهم وارد تحلیل می شوند. اگر پژوهشگر مدل نظری یا تئوری ندارد یا تعداد موارد محدود است، مناسبترین روش، روش هم زمان است. اگر هیج مدل نظری مورد نظر محقق نباشد یا تعداد موارد کم است، مناسبترین روش استفاده از روش هم زمان است.

ب) رو به جلو

یا پیش رو در این روشی، تک تک متغیرهای مستقل وارد معادله می شود و بر اساس قدرت پیش بینی کننده برای همبستگی آن ها با متغیر ملاک، وارد مدل می شود. در نتیجه متغیرهایی که به صورت معنا داری توان موفقیت مدل را افزایش نمی دهند، حذف نمی شوند.

ج) رو به عقب

یا پس رو تمام متغیرهای مستقل یا پیش بین، ابتدا وارد معادله وسپس در صورت نداشتن معیار لازم، ضعیف ترین متغیر پیش بین تک به تک حذف و رگرسیون مجددا محاسبه می شود.

به عبارتی، اگر این عمل باعث ضعیف شدن معنا دار مدل شود آن، متغیر مجدداً وارد می شود در غیر این صورت، از متغیرها، تک به تک حذف می شوند.

این شیوه تا هنگامی که فقط متغیرهای پیش بین سودمند در مدل باقی بمانند، ادامه می یابد.

د) روش گام به گام

این روش پیچیده ترین است. زمانی از رگرسیون گام به گام استفاده می شود که پژوهش گر چند متغیر مستقل دارد و می خواهد ارتباط آن را با متغیر وابسته نشان دهد به عبارتی از متغیرهای مستقل موجود، کدام متغیر به بهترین وجه میتواند متغیر وابسته را پیش بینی کند و سهم هر متغیر چقدر است؟ و در مجموع، با همدیگر چقدر قادر به پیش بینی هستند.

این روش، ترکیبی از دو روش روبه جلو و رو به عقب است است که دران اولین متغیرهای مستقل یا پیش گویی کننده (بر اساس ملاحظات آماری یعنی بالاترین ضریب همبستگی و با توالی معین) وارد تحلیل می شود و چنانچه با ورود متغیر جدید، معنا داری خود را از دست داده باشد، از معادله خارج می شود.

در این روش، ترتیب ورود متغیرها، در اختیار پژوهشگر نیست.

به عبارتی، در این روش، هر متغیرها براساس توالی وارد شده و سپس مقدار ان تعیین می شود.

اگر اضافه شدن متغیری به مدل کمک کند، در مدل باقی مانده اما دراین حالت، کلیه متغیرهای باقی مانده در مدل، مورد آزمون مجدد قرار می گیرند تا مشخص شود که هنوز در موفقیت مدل سهیم هستند، در غیر این صورت حذف می شوند.

بنابراین در استفاده از این مدل باید اطمینان حاصل کرد که کمترین تعداد از متغیرهای پیش بین در مدل باقی بماند.

در رگرسیون قدم به قدم نسبت به روش همزمان، یک واقعیت، تردید کننده وجود دارد، بدین معنا که اضافه شدن یک متغیر مستقل دیگر می تواند نقش سایر عوامل پیش بینی کننده را بر روی واریانس متغیر وابسته کاملا تغییر دهد.

ه) روش سلسله مراتبی

در این روش ترتیب ورود متغیرها به تحلیلی، براساس یک چارچوب نظری یا تجربی مورد نظر پژوهشگر صورت می گیرد .

در این روش، ترتیب ورود متغیرها به تحلیل بر اساس یک چارچوب نظری یا تجربی صورت می گیرد. به عبارت دیگر پژوهشگر، درباره ترتیب ورود متغیرها به تحلیل تصمیم گیری می کند. در نتیجه اگر دلایل متقن نظری وجود نداشته باشد، استفاده از این روش توصیه نمی شود. این تصمیم گیری که قبل و شروع تحلیل اتخاذ می شود می تواند اساس سه اصل عمدہ مبتنی باشد:

- رابطه علت و معلولی:

- رابطه متغیرها در پژوهش های قبلی:

- ساختار طرح پژوهشی (برای مثال در طرح های عاملی ابتدا اثرهای اصلی و سپس اثرهای متقابل آن ها وارد تحلیل می شود).

به طور کلی، از آن جا که روش تحلیل رگرسیون سلسله مراتبی با توجه به چارچوب نظری یا تجربی ویژه ای صورت می گیرد، در پژوهش های علوم رفتاری از اهمیت خاصی برخوردار است .

در تحلیل نتایج از جداول رگرسیون، علاوه بر توجه به مقدار ویژه (به منظور رد یا قبول فرضیه صفر) به چند نتیجه دیگر دقت شود:

در نتیجه گیری از مدل رگرسیون، مقدار بتا یا همان ضرایب استاندارد بتا، مهم است.

وزن های بتا مشخص می کند که با تغییر یک انحراف معیار در متغیر مستقل مورد نظر، چند انحراف معیار تغییر در متغیر وابسته رخ خواهد داد.

مقدار بتا، مقیاسی برای تعیین میزان ارتباط متغیرهای پیش بین با متغیر ملاک است.

بتا، بر اساس واحد انحراف استاندارد، اندازه گیری می شود.

برای مثال اگر مقدر بتای ۵/۲ باشد، این مقدار مشخص می کند که میزان تغییر یک انحراف استاندارد در متغیر پیش بین، منجر به تغییر ۵/۲ انحراف معیار در متغیر ملاک میشود.

توجه شود که متغیر با بیشترین وزن بتا، بیشترین همبستگی را نیز با متغیر وابسته دارد.

لذا، به هر میزان که مقدار بتا بزرگتر باشد، اثر و به عبارتی رابطه متغیر پیش بین با ملاک بیشتر خواهد بود.

اگر در پژوهشی فقط یک متغیر پیش بین وجود داشته باشد، بتا برابر با ضریب همبستگی بین متغیر پیش بین وملاک خواهد بود.

اما با حضور چند متغیر پیش بین می توان سهم هریک از متغیرهای پیش بین را با متغیر ملاک محاسبه نمود و قدرت رابطه هریک از متغیرهای پیش بین را با متغیر ملاک سنجید.

علاوه بر آن مقدار ضریب تعیین نیز مهم است. ضریب تعیین، معیاری است که می توان با آن رابط دو متغیر X و y را توضیح داد.

ضریب تعیین، تحلیل رگرسیون و ضریب همبستگی نشان می دهد که چند درصد تغییرات متغیر وابسته، قابل استناد به متغیر مستقل است و بقیه تغییرات ناشی از شانس (عوامل غیر متغیر مستقل یا X) است.

ضریب تعیین نسبن به ضریب همبستگی، معیار گویاتری است.

به عنوان مثال اگر مقدار ۸۰/۰=T باشد، ضریب تعیین ۶۴/۰ است (ضریب همبستگی به توان ۲ = ضریب تعیین). یعنی ٪۶۴ از تغییرات لا ناشی از تغییرات X است.

به طور خلاصه، ضریب تعیین، نشانگر مجذور همبستگی چند گانه در پیش بینی متغیر ملاک از روی متغیرهای پیش بین است.

یا اگر مقدار مجذور تنظیم شده ۷۵/۰ باشد، میتواند نتیجه گرفت که متغیر انتخاب شده، می تواند ۷۵٪ واریانس در متغیر ملاک را پیش بینی کند.

هم چنین میتوان از ضریب تعیین تصحیح شده که درجه آزدی را نیز محاسبه نموده است و نیز دقیق تر از ضریب تعیین می باشد، استفاده نمود.

۳. دقت شود از نتایج همبستگی و نیز رگرسیون، نمی توان روابط علی بین متغیرها را نتیجه گرفت.

تحلیل رگرسیون و ضریب همبستگی

در بسیاری از تحقیقات علوم انسانی و اجتماعی، بررسی وجود ارتباط بین متغیرهای تحقیق، مورد علاقه است. برای بررسی ارتباط بین متغیرها، معمولترین روش محاسبه و یا آزمون ضرایب همبستگی است. همبستگی به معنای وجود توافق بین دو متغیر است که یا می تواند بیانگر ارتباط مستقیم باشد و یا غیرمستقیم. اگر دو متغیر همبستگی مستقیم (مثبت) داشته باشند، افزایش یکی باعث افزایش مقدار دیگری و کاهش مقدار یکی باعث کاهش مقدار دیگری می شود (در همبستگی هایی که بین ۱- تا ۱ هستند). اگر دو متغیر همبستگی منفی داشته باشند، کاهش یکی باعث افزایش دیگری و افزایش یکی باعث کاهش دیگر می شود. بسته به نوع داده ها و شرایط آن ها ضریب همبستگی های مختلفی پیشنهاد شده است. شرایطی مثل نوع داده ها (اسمی، ترتیبی، فاصله ای یا نسبی) و نیز شرایط دیگر مثل توزیع احتمالی داده ها. مهمترین انواع ضرائب همبستگی عبارتند از: پیرسون، اسپیرمن، کندال و ضرایبی چون فی، لامبدا، کرامر و …

ضریب همبستگی پیرسون

به منظور تعیین میزان ارتباط خطی دو متغیر کمی با مقیاس های فاصله ای یا نسبی از این معیار استفاده می شود. مقدار این ضریب همبستگی همواره بین ۱- تا ۱ است. اگر ضریب همبستگی پیرسون برای دو متغیر صفر شود، بدین معناست که دو متغیر ارتباط خطی با هم ندارند. اگر مقداری منفی شد، دو متغیر با هم ارتباطی در خلاف جهت هم دارند (کاهش در یکی باعث کاهش در دیگری می شود و افزایش در یکی باعث افزایش در دیگری می شود).

نکته های ضریب همبستگی پیرسون

نکته۱: این ضریب همبستگی، ارتباط خطی دو متغیر را می سنجد، پس اگر دو متغیر همبستگی پیرسون صفر داشتند، نمی توان نتیجه گرفت که این دو متغیر ارتباطی با هم ندارند هر چند معمولاً متغیرهایی که به نحوی با هم ارتباط دارند، همبستگی آن ها صفر نمی شود.

نکته۲: برای آزمون صفر بودن ضریب همبستگی دو متغیر، باید هر کدام از متغیرها دارای توزیع نرمال باشند.

نکته۳: اگر ضریب همبستگی دو متغیر صفر باشد (ارتباط خطی با هم نداشته باشند) و دو متغیر دارای توزیع توام نرمال دومتغیره باشند، آن گاه می توان نتیجه گرفت که متغیرها مستقل از هم هستند به این مفهوم که هیچ نوع ارتباطی با هم ندارند.

نکته۴: برای انجام آزمون صفر بودن همبستگی پیرسون دو متغیر در SPSS از مسیر زیر می توان استفاده کرد:

در قسمت Correlation Coefficcients تیک Pearson زده شده باشد.

نکته۴: برای انجام آزمون صفربودن همبستگی پیرسون در R می توان از دستور زیر استفاده کرد:

(“cor.test(x, y, method = “pearson

برای اطلاع از آرگومان های دیگر این تابع می توان به راهنمای نرم افزار مراجعه کرد.

نکته ۵: قبل از انجام آزمون آماری، بهتر است از طریق نمودار پراکنش، رابطه دو تحلیل رگرسیون و ضریب همبستگی متغیر را بررسی نمود.

ویدئو آموزشی تحلیل ضرایب همبستگی با SPSS (پنجاه دقیقه)

در این کارگاه آموزشی به مبحث سنجش ارتباط و ضرایب همبستگی (Correlation Coefficients) و کاربردهای آن و همچنین روش انجام این آزمون‌ها با استفاده از نرم‌افزار آماری SPSS پرداخته شده است. ما در این بخش به بررسی سه نوع اصلی از ضرایب همبستگی یعنی پیرسن، اسپیرمن و کندال می‌پردازیم و کاربرد آن‌ را با ذکر مثال بیان می‌کنیم. با استفاده از دکمه داشته باشم می‌توانید تمام مستندات آموزشی کارگاه شامل فیلم، اسلایدها و فایل‌های نرم‌افزار را دریافت کنید. مستندات برای شما ایمیل خواهد شد و در صفحه وب جهت دریافت و دانلود قرار می‌گیرد.

• توضیحات
• تماس و پشتیبانی
• نماد اعتماد الکترونیکی خدمات
• نحوه تهیه و درخواست
• پرسش و پاسخ

توضیحات

ارتباط بین سوالات و فرضیه‌ها در یک تحقیق و طرح پژوهشی از جمله سوالات پرکاربرد و مهم به حساب می‌آید. در این بخش در پی آن هستیم که با توجه به اهمیت و کاربرد مفهوم ارتباط، وابستگی و تأثیرگذاری کمیت‌ها بر روی یکدیگر به موضوعاتی در این‌باره اشاره کنیم، ما این مفهوم را در قالب مفاهیم مؤلفه‌های عددی ضریب همبستگی پی می‌گیریم. کارگاه آموزش ضریب همبستگی در قالب پنج فایل می‌باشد.

فایل ویدئو آموزشی یک ساعت تحلیل همبستگی، فایل pdf که دارای ۳۴ اسلاید آموزشی بوده و ۳ مثال از داده‌های کاربردی در آن آمده است. همچنین داده‌های این کارگاه آموزشی نیز در قالب فایل‌های جداگانه ارایه شده است. این داده‌ها در قالب فایل‌های نرم‌افزار SPSS است.

ابزار کار در این مرحله استفاده از نرم‌افزار مطلوب و همه‌کاره SPSS خواهد بود. در ویدئو زیر می‌توانید خلاصه‌ای از مباحث کارگاه را مشاهده کنید.

مطالب ارایه شده در کارگاه آموزش ضریب همبستگی

در کارگاه آموزش ضریب همبستگی و ارتباط بین کمیت‌ها به توضیح موارد زیر با استفاده از مثال‌های آموزشی و فایل‌های داده، پرداخته شده است.

• ارتباط بین کمیت‌ها/ مولفه‌های عددی ضریب همبستگی (Correlation)
• تعریف و توضیح ضریب همبستگی پیرسن (Pearson) و موارد کاربرد آن
• تعریف و توضیح ضریب همبستگی اسپیرمن (Spearman) و موارد کاربرد آن
• چگونگی رسم نمودارهای آماری پراکنش مرتبط با ضرایب همبستگی
• ارتباط بین کمیت‌ها/ مولفه‌های عددی ضریب همبستگی
• تعریف و توضیح ضریب همبستگی کندال (Kendall’s) و موارد کاربرد آن

پشتیبانی کارگاه آموزش ضریب همبستگی

موسسه علمی پژوهشی داده پویا علامه دارای نماد اعتماد الکترونیک ایران و مجوز ثبت و شناسه ملی می‌باشد. بر این اساس تمام محصولات و کارگاه آموزشی ما دارای پشتیبانی اختصاصی و رایگان می‌باشد.

کارگاه آموزش ضریب همبستگی نیز دارای پشتیبانی اختصاصی بوده و شما می‌توانید پس از تهیه این محصول سوالات خود را با ما در میان بگذارید.

ارایه خدمات تحلیل آماری ضریب همبستگی

موسسه علمی پژوهشی داده پویا علامه ارایه خدمات تحلیل‌های آماری ضرایب همبستگی با استفاده از انواع نرم‌افزارهای آماری را انجام می‌دهد. جهت دریافت نکات بیشتر و نحوه کار می‌توانید مختصری از کار خود را ارسال نمایید. ما به سرعت تقاضای شما را بررسی و نتایج تحلیل داده‌ها را به صورت اختصاصی و کامل ارسال خواهیم کرد.

تحلیل آماری با Minitab تماس با ما تحلیل آماری با SPSS تحلیل ضریب همبستگی

جهت طرح سوال در زمینه کارگاه آموزشی ضرایب همبستگی می‌توانید با شماره 09128186605 تماس بگیرید. همچنین می‌توانید با ایمیل ما به آدرس Allameh.statist[email protected] مکاتبه نمایید. ما با علاقه پاسخگوی شما خواهیم بود.

سایت ما دارای نماد اعتماد الکترونیکی از مركز توسعه تجارت الكترونیكی ایران می‌باشد. به همین دلیل ارایه خدمات ما دارای پشتیبانی بوده و از دانش علمی روز برخوردار است. نماد اعتماد الکترونیکی گروه علمی پژوهشی علامه موارد زیر را برای شما تامین خواهد کرد.
1- برخورداری از دانش علمی و تخصص بالا در ارایه خدمات
2- پشتیبانی از خدمات ارایه شده
3- تایید امنیت سایت توسط مركز ملی اعتماد ایران
4- ورود امن به تمام درگاه‌های بانکی کشور از طریق سیستم بانک مرکزی ایران و شاپرک
می‌توانید با مراجعه به سایت مركز توسعه تجارت الكترونیكی ایران و آدرس http://reg.enamad.ir/ApprovedList.aspx از صحت نماد اعتماد الکترونیکی ما اطمینان کامل به دست آورید.

به سادگی می‌توانید با استفاده از سبد خرید خود، فایل این کارگاه آموزشی را تهیه نمایید.
پس از طی مراحل خرید که به سادگی و با چند کلید امن انجام خواهد شد، فایل‌های کارگاه آموزشی بر روی صفحه قرار می‌گیرد که به راحتی می‌توانید دانلود کنید.
علاوه بر آن و در همان زمان فایل در ایمیل شما خواهد بود.

آموزش‌های مشابه

ویدئو آموزشی اندازه‌گیری توافق ضریب کاپا و رسم جداول توافقی (یک ساعت آموزش)

در این ویدئو آموزشی، به مبحث ضریب کاپای کوهن (Cohen’s kappa coefficient) و کاربردهای آن و روش انجام با استفاده از نرم‌افزار SPSS پرداخته شده است. توافق توسط ضریبی به نام ضریب کاپای کوهن (Cohen’s kappa coefficient) سنجیده می‌شود. آن‌چه که در ضریب کاپای کوهن به دنبال آن هستیم ارزیابی اندازه توافق بین دو فرد، پدیده و یا منبع تصمیم‌گیری است که هر یک به صورت جداگانه دو کمیت اصلی ما را مورد اندازه‌گیری قرار داده‌اند. در پایین صفحه می‌توانید توضیحات و سرفصل مطالب ارایه شده را به صورت کامل مشاهده کنید. با زدن کلید داشته باشم ویدئو و اسلایدهای آموزشی را دریافت خواهید کرد.

• رتبه 1 آزمون کشوری دکترا آمار
• نویسنده کتاب روش‌های پیشرفته آماری و کاربردهای آن (کتاب سال)
• دارای رتبه RG Score = 63.45 در ResearchGate
• در رده دو درصد برتر پژوهشگران و محققان ResearchGate

فصل14 : تحلیل رگرسیون / Chapter14: Regression Analysis

فصل14 : تحلیل رگرسیون / Chapter14: Regression Analysis

کتاب الکترونیکی «کاربرد رایانه در علوم اجتماعی» دکتر یحیی علی بابایی بهار 1393 فصل 14 (فصل پایانی) تحلیل رگرسیون در برنامه spss انواع رگرسیون یک متغیره، دومتغیره و چندگانه داریم. در همبستگی r پیرسون، همبستگی بین دو متغیر که باهم رابطه هم‌تغییری دارند موردبررسی قرارمی گیرد و نمی‌توان رابطه علت و معلولی بین آن دو را با r پیرسون بررسی کرد. تحلیل رگرسیون دو کارکرد دارد: 1- کارکرد پیش‌بینی 2- کارکرد تبیین رگرسیون چندگانه: درگذشته که امکان انجام رگرسیون چندگانه وجود نداشت محققان فقط از جداول دوبعدی برای سنجش تأثیر متغیرها برهم استفاده می‌کردند که در این صورت ممکن نبود اثر تعداد زیادی از متغیرها به‌طور همزمان بر متغیر وابسته موردسنجش قرار گیرد و این الگو یعنی بررسی اثر تک‌تک متغیرها بر روی متغیر وابسته متناسب با واقعیت نبود. امروزه از رگرسیون چندگانه استفاده می‌شود چون در رگرسیون چندگانه این امکان راداریم که تأثیر تعداد زیادی از متغیرها را بر متغیر وابسته بسنجیم و نسبت اهمیت هر متغیر را موردبررسی قرار دهیم.