المتغيرات الترتيبية والفاصلة والنسبة

المتغيرات الترتيبية والفاصلةوالنسبة

وتم نشره في عام 1946.

تعريفات

A القاطع المتغير، وتسمى أيضا متغير الاسمي، هو يستبعد بعضها بعضا، ولكن ليس أمر والفئات. على سبيل المثال ، قد تقارن دراستك خمسة أنماط وراثية مختلفة. يمكنك ترميز الأنماط الجينية الخمسة بأرقام إذا أردت ، ولكن الترتيب عشوائي وأي حسابات (على سبيل المثال ، حساب المتوسط) ستكون بلا معنى.

و ترتيبي متغير، هو واحد حيث يهم الترتيب ولكن ليس الفرق بين القيم. على سبيل المثال ، قد تطلب من المرضى التعبير عن مقدار الألم الذي يشعرون به على مقياس من 1 إلى 10. تعني الدرجة 7 ألمًا أكثر من الدرجة 5 ، وهذا يعني أكثر من درجة 3. لكن الفرق بين 7 و 5 قد لا تكون هي نفسها بين 5 و 3. القيم تعبر ببساطة عن أمر. مثال آخر هو تقييمات الأفلام ، من * إلى *****.

و الفاصل المتغير هو واحد حيث الفرق بين القيمتين هو مفيد. الفرق بين درجة حرارة 100 درجة و 90 درجة هو نفس الفرق بين 90 درجة و 80 درجة.

و نسبةمتغير ، له جميع خصائص متغير الفاصل الزمني ، ولكن له أيضًا تعريف واضح لـ 0.0. عندما يساوي المتغير 0.0 ، لا يوجد أي من هذا المتغير. المتغيرات مثل الطول والوزن ونشاط الإنزيم هي متغيرات النسبة. درجة الحرارة ، معبراً عنها في F أو C ، ليست متغير نسبة. لا تعني درجة الحرارة التي تبلغ 0.0 على أي من هذين المقياسين "لا حرارة". ومع ذلك ، فإن درجة الحرارة في كلفن هي متغير نسبة ، حيث أن 0.0 كلفن تعني حقًا "لا حرارة". مثال مضاد آخر هو الرقم الهيدروجيني. إنه ليس متغير نسبة ، حيث أن الرقم الهيدروجيني = 0 يعني فقط 1 مولار من H +. وتعريف الضرس تعسفي إلى حد ما. لا يعني الرقم الهيدروجيني 0.0 "عدم وجود حموضة" (على العكس تمامًا!). عند العمل باستخدام متغيرات النسبة ، وليس متغيرات الفاصل الزمني ، يمكنك النظر إلى نسبة قياسين. وزن 4 جرام ضعف وزن 2 جرام ، لأن الوزن متغير نسبي. درجة حرارة 100 درجة مئوية ليست ضعف درجة حرارة 50 درجة مئوية ، لأن درجة الحرارة C ليست متغيرًا نسبيًا. الرقم الهيدروجيني 3 ليس ضعف حمضية الرقم الهيدروجيني 6 ، لأن الرقم الهيدروجيني ليس متغيرًا نسبة.

الفئات ليست واضحة كما تبدو. ما نوع المتغير هو اللون؟ في بعض التجارب ، يمكن اعتبار الألوان المختلفة اسمية. ولكن إذا تم تحديد اللون من خلال الطول الموجي ، فسيتم اعتبار اللون متغيرًا نسبيًا. مخطط التصنيف غير واضح إلى حد ما.

ما هو مقبول لحساب

موافق للحساب	اسمى، صورى شكلى، بالاسم فقط	ترتيبي	فترة	نسبة
التوزيع بتكرار	نعم	نعم	نعم	نعم
الوسيط والنسب المئوية	لا	نعم	نعم	نعم
مجموع أو فرق	لا	لا	نعم	نعم
يعني ، الانحراف المعياري ، الخطأ المعياري للمتوسط	لا	لا	نعم	نعم
النسبة أو معامل الاختلاف	لا	لا	لا	نعم

هل يهم؟

من المهم أن تخضع لامتحان في الإحصاء ، لأن هذا هو نوع المفهوم الذي يسهل اختباره.

هل يهم لتحليل البيانات؟ غالبًا ما تكون المفاهيم واضحة جدًا ، لكن وضع الأسماء على أنواع مختلفة من المتغيرات يمكن أن يساعد في منع الأخطاء مثل أخذ متوسط ​​مجموعة من الرموز البريدية (الرمز البريدي) ، أو أخذ نسبة قيمتين من قيم الأس الهيدروجيني. علاوة على ذلك ، فإن وضع العلامات على الأنواع المختلفة من المتغيرات لا يساعدك حقًا في التخطيط لتحليلاتك أو تفسير النتائج.

الحاجة إلى عينات مستقلة

تستند الاختبارات الإحصائية على افتراض أن كل موضوع (أو كل وحدة تجريبية) قد تم أخذ عينات منها بشكل مستقل عن الباقي. تكون البيانات مستقلة عندما يؤثر أي عامل عشوائي يتسبب في أن تكون القيمة عالية جدًا أو منخفضة جدًا على تلك القيمة الواحدة فقط. إذا كان هناك عامل عشوائي (عامل لم تحسبه في تحليل البيانات) يمكن أن يؤثر على أكثر من قيمة واحدة ، ولكن ليس كل القيم ، فإن البيانات ليست مستقلة.

قد يكون من الصعب فهم مفهوم الاستقلال. ضع في اعتبارك المواقف الثلاثة التالية.

•أنت تقيس ضغط الدم لدى الحيوانات. لديك خمسة حيوانات في كل مجموعة ، وقم بقياس ضغط الدم ثلاث مرات في كل حيوان. ليس لديك 15 قياسًا مستقلًا. إذا كان لدى حيوان واحد ضغط دم أعلى من البقية ، فمن المحتمل أن تكون جميع القياسات الثلاثة في ذلك الحيوان عالية. يجب عليك متوسط ​​القياسات الثلاثة في كل حيوان. الآن لديك خمس قيم متوسطة مستقلة عن بعضها البعض.

•لقد أجريت تجربة كيميائية حيوية ثلاث مرات ، كل مرة في ثلاث نسخ. ليس لديك تسع قيم مستقلة ، لأن الخطأ في تحضير الكواشف لتجربة واحدة يمكن أن يؤثر على الثلاث نسخ. إذا متوسطت الثلاث نسخ ، فلديك ثلاث قيم متوسطة مستقلة.

•أنت تقوم بدراسة سريرية وتوظف 10 مرضى من مستشفى داخل المدينة و 10 مرضى آخرين من عيادة في الضواحي. لم تقم بأخذ عينات بشكل مستقل من 20 موضوعًا من مجموعة سكانية واحدة. قد تكون البيانات المأخوذة من مرضى داخل المدينة العشرة أكثر تشابهًا مع بعضها البعض مقارنةً ببيانات مرضى الضواحي. لقد أخذت عينة من مجموعتين وتحتاج إلى حساب ذلك في تحليلك.

إجراء وتفسير تحليل عامل (factoranalysis)

ما هو تحليل العامل؟

يشبه التحليل العنقودي إلى حد كبير تجميع الحالات المتشابهة ، يتضمن تحليل العوامل تجميع المتغيرات المتشابهة في أبعاد. تُستخدم هذه العملية لتحديد المتغيرات أو التركيبات الكامنة. الغرض من تحليل العوامل هو تقليل العديد من العناصر الفردية إلى عدد أقل من الأبعاد. يمكن استخدام تحليل العامل لتبسيط البيانات ، مثل تقليل عدد المتغيرات في نماذج الانحدار.

في أغلب الأحيان ، يتم تدوير العوامل بعد الاستخراج. يحتوي تحليل العامل على العديد من طرق الدوران المختلفة ، ويضمن بعضها أن العوامل متعامدة (أي غير مرتبطة) ، مما يلغي مشاكل الخطية المتعددة في تحليل الانحدار.

يستخدم تحليل العامل أيضًا للتحقق من إنشاء المقياس. في مثل هذه التطبيقات ، يتم تحديد العناصر التي تشكل كل بُعد مقدمًا. غالبًا ما يستخدم هذا الشكل من تحليل العوامل في سياق نمذجة المعادلة الهيكلية ويشار إليه باسم تحليل عامل التأكيد. على سبيل المثال ، يمكن إجراء تحليل عامل تأكيدي إذا أراد الباحث التحقق من صحة هيكل عامل السمات الشخصية الخمسة الكبار باستخدام قائمة الجرد الخمسة الكبار.

يمكن أيضًا استخدام تحليل العوامل لإنشاء المؤشرات. الطريقة الأكثر شيوعًا لإنشاء فهرس هي ببساطة جمع كل العناصر في الفهرس. ومع ذلك ، قد يكون لبعض المتغيرات التي يتكون منها المؤشر قوة توضيحية أكبر من غيرها. يمكن استخدام تحليل العوامل لتبرير إسقاط الأسئلة لتقصير الاستبيانات.

تحليل العامل في SPSS

سؤال البحث الذي نريد الإجابة عليه من خلال تحليل العامل الاستكشافي هو:

ما هي الأبعاد الأساسية لدرجاتنا المعيارية واختبار القدرات؟ بمعنى ، كيف تشكل اختبارات الكفاءة والموحدة أبعاد الأداء؟

يمكن العثور على تحليل العامل في التحليل / تقليل الأبعاد / العامل ...

تحليل العامل

في مربع الحوار الخاص بتحليل العوامل ، نبدأ بإضافة متغيراتنا (الاختبارات الموحدة للرياضيات ، والقراءة ، والكتابة ، بالإضافة إلى اختبارات الكفاءة 1-5) إلى قائمة المتغيرات.

تحليل العامل

في مربع حوار الوصف ... نحتاج إلى إضافة بعض الإحصائيات للتحقق من الافتراضات التي وضعها التحليل العاملي. للتحقق من الافتراضات ، نحتاج إلى اختبار KMO للكروية ومصفوفة مكافحة ارتباط الصورة.

تحليل العامل

مربع الحوار استخراج ... يسمح لنا بتحديد طريقة الاستخراج وقيمة القطع للاستخراج. بشكل عام ، يمكن لـ SPSS استخراج العديد من العوامل التي لدينا متغيرات. في التحليل الاستكشافي ، يتم حساب القيمة الذاتية لكل عامل مستخرج ويمكن استخدامها لتحديد عدد العوامل المراد استخلاصها. تُستخدم قيمة القطع 1 بشكل عام لتحديد العوامل بناءً على القيم الذاتية.

تحليل العامل

بعد ذلك ، يجب تحديد طريقة الاستخراج المناسبة.  المكونات الرئيسية هي طريقة الاستخراج الافتراضية في برنامج SPSS. يستخرج مجموعات خطية غير مرتبطة من المتغيرات ويعطي العامل الأول الحد الأقصى لمقدار التباين الموضح. تشرح جميع العوامل التالية الأجزاء الأصغر والأصغر من التباين وكلها غير مرتبطة ببعضها البعض. تكون هذه الطريقة مناسبة عندما يكون الهدف هو تقليل البيانات ، ولكنها ليست مناسبة عندما يكون الهدف هو تحديد البنى الكامنة.

ثاني أكثر طرق الاستخراج شيوعًا هو تحليل المحور الرئيسي . هذه الطريقة مناسبة عند محاولة تحديد التركيبات الكامنة ، بدلاً من مجرد تقليل البيانات. في سؤال بحثنا ، نحن مهتمون بالأبعاد الكامنة وراء المتغيرات ، وبالتالي سنستخدم التحليل المحوري الرئيسي.

الخطوة التالية هي تحديد طريقة التناوب. بعد استخراج العوامل ، يمكن لبرنامج SPSS تدوير العوامل لتناسب البيانات بشكل أفضل. الطريقة الأكثر شيوعًا هي varimax .  Varimax هي طريقة تدوير متعامدة تميل إلى إنتاج عامل تحميل إما مرتفع جدًا أو منخفض جدًا ، مما يجعل من السهل مطابقة كل عنصر بعامل واحد. إذا كانت العوامل غير المتعامدة مطلوبة (أي العوامل التي يمكن ربطها) ، فإن الدوران المباشر للأوبليمين يكون مناسبًا. هنا ، نختار varimax.

تحليل العامل

في خيارات مربع الحوار ، يمكننا إدارة كيفية معالجة القيم المفقودة - قد يكون من المناسب استبدالها بالمتوسط ​​، الذي لا يغير مصفوفة الارتباط ولكنه يضمن أننا لا نفرط في معاقبة القيم المفقودة. أيضًا ، يمكننا تحديد ما إذا كنا لا نريد عرض جميع عمليات تحميل العوامل في المخرجات. تكون جداول تحميل العوامل أسهل في القراءة عندما نوقف عمليات تحميل العوامل الصغيرة. القيمة الافتراضية هي 0.1 ، لكن في هذه الحالة ، سنزيد هذه القيمة إلى 0.4. ستكون الخطوة الأخيرة هي حفظ النتائج في مربع حوار النتائج ... يؤدي هذا تلقائيًا إلى إنشاء درجات موحدة تمثل كل عامل مستخرج.

لطلب تحليل احصائي التواصل عبر الواتسب اضغط هنا