آمار توصیفی چیست؟

گاهی در انجام تحقیق یا انجام پایان نامه هدف بررسی شناخت کلی و نحوه توزیع کمیت­ هایی در یک جامعه آماری است. در این حالت آمار توصیفی کارائی زیادی در خلاصه سازی اطلاعات و توصیف آن دارد. در این مقاله سعی گردیده به آمار توصیفی بپردازیم، گروه تحقیقاتی تزیازان در این مقاله به خوبی به این امر پرداخته است.

در سال های نه چندان دور، حوزه توجه اصلی آمار به خلاصه یا توصیف داده­های معطوف می­شد. این عرصه، که امروزه فقط یکی از بخش‌های رشته آمار نوین است، آمار توصیفی Descriptive statisticsنامیده می‌شود. به بیان ساده­ تر، میتوان گفت: آمار توصیفی، مجموعه روش‌هایی است که برای سازماندهی و خلاصه­ کردن و توصیف اطلاعات به کار می‌رود. نرم افزار Spss به گونه ­ای طراحی شده است که قادر به انجام سریع و ساده طیف است زیرا قبل از آنالیز داده­ ها می­ بایست اقدامات مقدماتی مشخصی انجام شود.

زمانی که محقق با حجمی از اطلاعات کمّی گردآوری شده برای تحقیق روبرو می­ شود، لازم است نسبت به  سازماندهی و خلاصه­ نمودن آنها به صورت معنی ­دار و قابل درک اقدام نماید تا نکات پنهان داده­ ها آشکار شود و قبل از انتخاب مستقیم آزمون ­های آماری، ابتدا به بررسی اکتشافی داده­ ها و سپس انتخاب و مطالعه صحیح مقاله آزمون­ های آماری بپردازد. تنظیم و طبقه‌بندی داده‌ها، نمایش ترسیمی، و محاسبه مقادیری از قبیل نما، میانگین، میانه و … از موضوعات قابل بررسی آمار توصیفی می‌باشد که حاکی از مشخصات یکایک اعضای جامعه مورد بحث است. به‌طور کلی از سه روش در آمار توصیفی برای خلاصه‌سازی داده‌ها استفاده می‌شود: استفاده از جداول، استفاده از نمودار و محاسبه مقادیری خاص که نشان‌دهنده خصوصیات مهمی از داده‌ها باشند.

نظر به افزایش سطح علمی دانشجویان و به دنبال آن افزایش سطح علمی مقالات و پایان نامه­ها و رساله­ها، امکان انجام تحلیل آماری با سپری کردن پند واحد درسی در دانشگاه برای انجام پایان­نامه کارشناسی ارشد و دکتری امکان­پذیر نیست و به همین دلیل مشاوره و همکاری یک کارشناس در بحث آمار جهت یک تحلیل درست و منطقی برای مقالات و پایان نامه­ها و رساله­ها، ضروری و اجتناب ناپذیر است. انجام این کار دشوار و بسیار مهم را می­توانید به متخصصان ما بسپارید. مؤسسه تزیازان که بهترین  پایگاه انجام پایان نامه است،  با در اختیار داشتن متخصصانی در این زمینه، قادر به انجام این تحلیل آماری پایان نامه  با بهترین کیفیت و پایین ترین قیمت هستند.

این آموزش شامل سرفصل­ های زیر است :

 

ترسیم یا گزارش ویژگی ­های موجود در داده ­ها دو روش در آمار توصیفی هستند.

  1. جداول آمار: متشکل از شاخص­ های آماری است.
  1. نمودارهای آماری: انواع مختلفی دارد و بنا به نوع داده­ ها و اهداف محقق مورد استفاده قرار میگیرد.

 

الف) فشرده­ کردن داده­ ها در قالب جداول آماری

ب) نمایش آن ها به وسیله ­ی نمودار

 

میزان پراکندگی مقادیر هر متغیر در اطراف میانگین توسط شاخص­ های پراکندگی نشان داده می­شود. پراکندگی داده­ ها در اطراف نقطه تمرکز هدف ما برای استفاده از این شاخص است که مهمترین شاخص های پراکندگی عبارتند از: انحراف استاندارد، واریانس، ضریت تغییرات و دامنه تغییرات.

اندازه­گیری فاصله میان بزرگترین و کوچکترین مقادیر در مجموعه داده ها از کاربردهای این شاخص است. هر چه دامنه طولانی­ تر باشد، مجموعه داده­ ها گسترده ­تر است. دامنه نیز همانند میانگین تحت تأثیر داده­ های پرت قرار می­گیرد 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 می­شود، معمولاً معیار رضایت بخشی برای پراکندگی به حساب نمی­آید.

میانگین ﻣﺠﺬور ﺗﻔﺎوت (اﻧﺤﺮاف) ﻣﯿﺎن ﻫﺮ ﯾﮏ از ﻣﻘﺎدﯾﺮ داده­ﻫﺎ ﺑﺎ ﻣﯿﺎﻧﮕﯿﻦ آﻧﻬﺎ ﻣﯽ­ﺑﺎﺷﺪ. به دلیل دشوار بودن تفسیر واریانس، شاخص انحراف استاندارد در گزارش ها و پژوهش ها جایگزین واریان سیله انحراف استاندارد تفسیر میزان پراکندگی آسان­ تر قابل درک می­باشد.

مفیدترین ومتداول ترین شاخص پراکندگی انحراف استاندارد می­باشد و علت مفید بودن آن به دلیل اندازه ­گیری میزان پراکندگی هر توزیع بر حسب واحد است. این شاخص پایاترین ودقیق­ترین شاخص پراکندگی است که استفاده از کلیه اعداد و انجام عملیات ریاضی در آن میسر است و به منظور تعیین تغییرات یا پراکندگی توزیع نمره ها به کار برده می شود. هم­چنین برای محاسبات آماری ازاین شاخص می­توان استفاده کرد و به صورت گسترده ه­ای درآمار استنباطی کاربرد دارد.

 

چارکها نقاطی بر روی مقیاس اندازه­ گیری که کلیه مشاهدات یا نمره ­ها را به چهار قسمت مساوی تقسیم می­کند:

انواع چارکها

 

کمیت­ هایی که به صورت کمی به معرفی جامعه و محل تمرکز داده­ ها می­پردازند شاخص­ های مرکزی نام دارند. همانطور که می دانید، ویژگی ها و موقعیت­ کلی داده ­ها توسط محاسبات آماری انجام و تعیین می ­شوند و برای انجام این محاسبات از شاخص­ های مرکزی کاربرد دارد. مهم­ ترین شاخص­ های مرکزی عبارتند از: مد، میانه و میانگین که هر یک کاربرد خاص خود را دارا می‌باشند. اهمیت و ارزش یک شاخص مرکزی با داشتن ویژگی های زیر سنجیده می­شود:

 

عدد یا نمره­ای که در توزیع فراوانی دارای بیشترین فراوانی است و از طریق مشاهده توزیع فراوانی و تعیین عددی که دارای بیشترین فراوانی است تعیین می شود.

 

1ـ وجود مقیاس اندازه ­گیری اسمی.

2ـ علاقه ­مند پژوهشگر به یافتن عددی که بیشتر تکرار شده است .

3ـ علاقمندی پژوهشگر جهت کسب اطلاعاتی کلی و سریع درباره گرایش های مرکزی.

 

نقطه­ ای که نیمی از توزیع نمره­ ها در بالای آن و نیم دیگر در پایین آن قرار دارد. در تحقیقاتی که مقیاس اندازه ­گیری داده‌ها رتبه‌ای یا اسمی‌ است، میانه یا نما مورد استفاده قرار می‌گیرند.

 

شناخته ­شده ­ترین و وسیع­ترین مقدار متوسطی که مورد استفاده قرار می­گیرد و بیان­ کننده مرکز توزیع فراوانی می­باشد. میانگین بهترین شاخص در تحقیقاتی است که مقیاس اندازه ­گیری داده‌ها حداقل فاصله‌ای است.

 

توزیع فراوانی عبارت است از سازمان دادن داده‌ها یا مشاهدات به صورت طبقات همراه با فراوانی هر طبقه. برای تشکیل یک جدول توزیع فراوانی لازم است دامنه تغییرات، تعداد طبقات و حجم طبقات توسط فرمولهای مربوطه محاسبه شده و سپس اقدام به نوشتن جدول توزیع شود.

 

 

 

این جداول و نمودارها ابزار مفیدی برای تنظیم و نمایش اطلاعات هستند (البته محقق قبل از تهیه جداول باید تعیین کند که آیا توزیع روش مناسبی برای توصیف اطلاعات و برقراری ارتباط هست یا نه).

 

صفت متغیر یا به اختصار یک متغیر (Variable) به هر ویژگی مربوط به یک عضو جامعه را که عملاً مورد پرسش یا اندازه‌گیری قرار می‌گیرد،(Variable)  گفته می­شود و داده‌ها (Data) مقادیر اندازه‌گیری شده متغیرها هستند.

 

  1. کمی پیوسته:کمیتی که بتواند بین دو مقدار خود تمامی اعداد حقیقی ممکن را بگیرد.
  2. کمی گسسته: کمیتی که مقادیر آن شامل مجموعه شمارش­پذیری از اعداد و یا زیر مجموعه­ای از آن را اختیار کند.

 

مرحله پس از شناسایی متغیرها، اندازه­گیری آنها است. در حقیقت  زمانی که متغیرهای تحقیق شناسایی شدند، مشخص خواهد شد که هنگام اندازه‌گیری همه آنها، مقیاس اندازه‌گیری به یک صورت ممکن نیست. از نظر میزان دقت اندازه­گیری مقیاس­ها به چهار دسته تقسیم می­شوند:

افراد همانند از نظر صفت ویژه، در یک دسته قرار می‌گیرند. ملاک طبقه‌بندی در این نوع مقیاس، بر ویژگی‌های مشترک افراد یا رویدادها مبتنی است.

 

افراد یا اشیا را از لحاظ صفت ویژه، رتبه‌بندی می‌کند. بین گروهها از نظر متغیر مورد نظر برتری وجود دارد.

 

ضمن نمایان­ساختن ترتیب اشیاء، فاصله بین آنها را نیز مشخص می­سازد.

 

 

دقیق‌ترین مقیاس اندازه‌گیری که دارای صفر حقیقی می‌باشد؛ یعنی نقطه­ای در مقیاس که نمایان‌گر فقدان کامل ویژگی مورد اندازه‌گیری است. نسبت‌ها در نقاط مختلف این نوع مقیاس، قابل مقایسه‌اند.

  تحلیل داده­های کیفی (قسمت دوم)

یکی از ابزارهای آماری برای تعیین نوع و درجه رابطۀ یک متغیر کمی با متغیر کمی دیگر ضریب همبستگی (Correlation Coefficient) است. این ابزار، یکی از معیارهای مورد استفاده در تعیین همبستگی دو متغیر است. محاسبه ضرایب همبستگی تا حدود زیادی متاثر از مقیاس اندازه­گیری متغیرها است. با توجه به نوع متغیرها ضریب همبستگی می­تواند یکی از حالت­های زیر را داشته باشد:

1ـ دو متغیر اسمی

2ـ دو متغیر رتبه­ای

3ـ دو متغیر فاصله­ای ـ نسبی

4ـ متغیر اسمی و متغیر رتبه ای

5ـ متغیر اسمی و متغیر فاصله­ای ـ نسبی

6ـ متغیر رتبه­ای و متغیر فاصله­ای ـ نسبی

 

برای هر کدام از حالت­های گفته شده ضرایب همبستگی متفاوتی وجود دارند که جهت محاسه آنها از
نرم­افرارهای   spss ، lisrel و R  می­توان استفاده نمود. برای انجام تحلیل آماری پروژه­های مختلف خود، انجام پایان­نامه ارشد و انجام پایان­نامه دکترا، وقاله و … شما از هر نقطه­ای که هستید، می­توانید آن رابه کارشناسان ما واگذار نمایید تا در سریعترین زمان ممکن آن را تحویل شما دهند. در واقع بخش­های مربوط به «روش تحقیق » و «فصول سوم تا پنجم پایان نامه­ها » نیازمند بکارگیری نرم­افزارهای آماری همچون SPSS و LISREL و AMOS و EVIEWS و STATA هستند که همکاران ما با داشتن تجربه و دانش لازم قادر به انجان آن می­باشند.

چنانچه دو متغیر در مقیاس­های فاصله یا نسبی اندازه­گیری شده باشند، می­توان برای تعیین رابطه بین آنها از ضریب همبستگی گشتاوری پیرسون استفاده کرد. اما اگر در تمام مفروضات ضریب همبستگی پیرسون صادق نباشد، نمی­توان از آنها استفاده کرد و به جای آن می­توان از روش­های دیگری مانند ضریب همبستگی دو رشته­ای، و یا ضریب تتراکوریک استفاده کرد.

 

در تحقیقاتی که در سطح مقیاس­های اسمی و رتبه­ای انجام می­گیرد، باید از روش­های دیگری برای محاسبۀ همبستگی بین دو متغیر استفاده کرد. برخی از این روشها 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 (Regression) روشی برای مطالعه سهم یک یا چند متغیر مستقل در پیش بینی متغیر وابسته است. از این نوع تحلیل هم در تحقیقات توصیفی (غیر آزمایشی) و هم در تحقیقات آزمایشی می­توان استفاده نمود.

در واقع این تحلیل تکنیک و فن آماری جهت بررسی و ایجاد مدل­ ارتباط بین متغیرها است. رگرسیون تقریباً در هر زمینه­ای از جمله مهندسی، فیزیک، اقتصاد، مدیریت، علوم زیستی، بیولوژی و علوم اجتماعی برای برآورد و پیش­بینی مورد نیاز است  و پرکاربردترین روش در بین تکنیک های آماری است. نظر به نوع تحقیق و متغیرهای آن، روش متنوعی برای تحلیل رگراسیون وجود دارد که عبارتند از: رگراسیون خطی (با سه راهبرد همزمان ، گام به گام، سلسله مراتبی) ، رگراسیون انحنایی، رگراسیون لوجیستیک و تحلیل کواریانس.

 

 

 

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

 

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *