روش های آماری

در عصر حاضر استفاده از روش های آماری جهت تفسیر، تبیین و تحلیل نتایج به دست آمده از تحقیقات امری اجتناب ناپذیر محسوب می شود. همچنین، پردازش داده ها و تبدیل آنها به اطلاعات مورد نیاز، زمینه اخذ تصمیم را برای مدیران سازمان ها فراهم می کند. روش‌های آماری یکی از مهمترین ابزارها جهت انجام پایان نامه ارشد و رساله دکترا و کسب نتایج ملموس از داده‌های خام می باشد. به طور معمول در روش تحقیق کمی با توجه به ماهیت مسئله، از آزمون‌های آماری مختلفی استفاده می شود. آشنایی با نحوه کارکرد تکنیک های آماری امری ضروری است زیرا ممکن است جهت آزمون فرضیات آماری از یک یا چند روش آماری استفاده شود. بطور کلی، روش های آماری بصورت آمار توصیفی و استنباطی مورد بررسی قرار می گیرند. آمار توصیفی از طریق محاسبه شاخص های پراکندگی نظیر دامنه تغییرات، دامنه میان چارکی، انحراف متوسط از میانگین، واریانس، انحراف معیار، ضریب پراکندگی یا پارامترهای مرکزی مانند میانگین حسابی، میانگین هندسی، میانگین هارمونیک، مد، نما، چارک ها… در راستای تبیین خصوصیات قابل رویت یک مجموعه از داده‌ها بررسی می شود و آمار استنباطی جهت ‌پیش‌بینی‌ها درباره یک مجموعه داده بزرگ‌تر بر اساس یک نمونه از داده های ذکر شده تفسیر می شود. بنابراین، در صورتی که بخشی از اعضای جامعه، بجای کل آن، با استفاده از فنون نمونه‌گیری انتخاب شود و مورد مطالعه قرار گیرد و نتایج حاصل از آن به کل جامعه تعمیم داده شود، از روش‌های آمار استنباطی استفاده می شود.

در این مقاله جامع آموزشی به صورت کاربردی مباحث اصلی مربوط به روش های آماری از منظر، جامعه و نمونه، روش های نمونه گیری، ابزار گردآوری اطلاعات، اعتبارسنجی محاسبات، انواع تکنیک ها و … مورد بررسی قرار می گیرد، همچنین شما عزیزان جهت آشنایی با اصول نگارش فصل سوم، چهارم و پنجم می توانید مقاله دانلود رایگان نمونه فصل چهارم پایان نامه، دانلود رایگان نمونه فصل سوم پایان نامه و دانلود رایگان نمونه فصل پنجم پایان نامه را مطالعه و در صورت داشتن هر نوع سوال در رابطه با مفاهیم آماری می توانید از طریق صفحه ارتباط با ما سوالات خودتان را مطرح کنید.

جامعه آماری

به مجموعه از افراد یا اشیاء و … که برای مساله ای خاص در نظر گرفته شده باشند و حداقل از یک خصوصیت مشترک برخوردار باشند، جامعه گفته می شود. بر این اساس، جامعه آماری (Population) نیز مجموعه افراد یا واحدهائی می باشند که حداقل در یک صفت مشترک بوده و به صورت بالقوه واجد صفت مورد بررسی باشند. جامعه آماری می بایست که از سویی با توجه به نقطه نظر زمانی و مکانی همه واحدهای مورد مطالعه را دربرگیرد و از طرف دیگر واحدهایی که نباید به مطالعه آن ها پرداخته شود را نادیده بگیرد.

در صورتی که اعضای جامعه آماری و انواع داده‌های آن قابل شمارش باشند، جامعه آماری متناهی است. به عنوان مثال هنگامی که وضعیت رضایت زناشویی در منطقه ۴ تهران مورد بررسی قرار گیرد، یک جامعه آماری متناهی تشکیل می شود. از سوی دیگر، در حالتی که اعضای جامعه آماری، نامعلوم و غیر شمارش باشد، جامعه آماری نامتناهی شکل می گیرد. برای مثال ممکن است تا ابد طول بکشد تا در پرتاب یک تاس عدد ۶ مشاهده شود. در این حالت یک جامعه آماری نامتناهی تشکیل شده است، زیرا تعداد اعضای این جامعه آماری نامشخص است. در هر تحقیق پژوهشگر قصد دارد تا درباره صفت های متغیر واحدهای یک جامعه آماری به مطالعه بپردازد و نتایج تحقیق را از نمونه به جامعه آماری تعمیم دهد.

نمونه آماری

هنگامی که پژوهشگران به جامعه آماری دسترسی داشته باشند و از جنبه های مالی، زمانی، دسترسی به جامعه آماری و … محدودیتی نداشته باشند، از روش سرشماری (Census) جهت توصیف پدیده ها استفاده می شود. در صورتی که این شرایط وجود نداشته باشند، از روش های نمونه‌گیری استفاده می شود. نمونه‌ های بزرگتر می‌تواند به منجر به نتایج دقیق‌تر شود، با اینحال افزایش حجم نمونه معمولاً هزینه‌بر و مشکل می باشد.

روش های مختلفی برای تعیین حجم نمونه های آماری مانند فرمول کوکران، جدول مورگان، فرمول کوهن و … وجود دارند. با توجه به اینکه فرمول کوکران پرکاربردترین شیوه در تعیین حجم نمونه است. در این بخش به کاربرد این فرمول در شرایط مختلف پرداخته می شود. این روش توسط ویلیام کوکران William Cochran در سال ۱۹۳۱، جهت تعیین حداقل حجم نمونه لازم برای یک جامعه آماری استفاده می شود.

با استفاده از روش‌های آماری می‌توان حجم نمونه کافی را با در نظر گرفتن سطح اطمینان مشخص، محاسبه کرد. مهمترین شاخص هایی که در محاسبه حجم نمونه مورد توجه قرار می گیرد، مواردی چون حجم جامعه، حاشیه‌ی خطا، سطح اطمینان… می باشد که در این بخش به معرفی می شوند.

حجم جامعه:(N)

 تمامی افرادی که در پژوهش قرار دارند. به عنوان مثال، در صورتی که پژوهش در مورد کارکنان اداره مخابرات تهران باشد، حجم جامعه از تعداد کل کارکنان اداره مخابرات تهران تشکیل می شود.

حاشیه‌ی خطا (بازه اطمینان) (d):

 از آنجایی که هیچ نمونه‌ای ایده‌آل نیست، بنابراین پژوهشگر باید تصمیم بگیرد که چه میزان خطا را در اندازه‌گیری شاخص مورد نظر مجاز در نظر بگیرد. بازه اطمینان تعیین می‌کند که مقدار بالاتر یا پایین‌تر بودن میانگین نمونه‌ای از میانگین جامعه تا چه اندازه قابل چشم پوشی است.

سطح اطمینان (CI):

سطح اطمینان، فراوانی نسبی، فاصله‌‌های اطمینانی است که شامل پارامتر مجهول جامعه باشند. سطوح اطمینان رایج عبارتند از: ۹۰% اطمینان، ۹۵% اطمینان و ۹۹% اطمینان.

آماره p:

تعیین کننده درصد توزیع صفت در جامعه می باشد. به عبارتی دیگر آماره p نسبت افرادی که دارای صفت موردمطالعه می باشند را تبیین می کند.

آماره q:

تعیین کننده درصد افرادی می باشد که فاقد صفت مورد مطالعه هستند.

محاسبه حجم نمونه برای جوامع معلوم

در صورتی که حجم جامعه معلوم باشد از فرمول کوکران به صورت زیر استفاده می‌شود:

با توجه به تعاریف پارامترهای این فرمول، اگر میزان p و q مشخص نباشد از حداکثر مقدار آنها یعنی ۰/۵ استفاده می شود.

همچنین آماره z=t است و اگر به جای z از t استفاده شود نیز مشکلی وجود ندارد. درسطح خطای ۵% مقدار z برابر ۱/۹۶ و Z^۲ برابر ۳/۸۴۱۶ است.

از سوی دیگر از آنجایی که دقت نمونه‌گیری به حاشیه‌ی خطا (بازه اطمینان) (d) بستگی دارد، اگر پژوهشگر بخواهد که نمونه‌گیری دارای بیشترین دقت باشد، از حداکثر مقدار d برابر ۵% استفاده می کند.

محاسبه حجم نمونه برای جوامع نامعلوم با واریانس معلوم

در بسیاری از پژوهش ها بنا به دلایلی به حجم جامعه دسترسی نداریم. در صورتی که حجم جامعه نامعلوم باشد از فرمول کوکران در دو حالت کیفی و کمی استفاده می‌شود. متغیرهای کمی (QuantitativeVariable) قابل شمارش هستند و در اندازه گیری آن ها و برای تعیین مقدارشان از عدد استفاده می شود. از سوی دیگر، متغیرهای کیفی (Qualitative Variable) ماهیتی متفاوت از متغیرهای کمی دارند و به عبارتی غیر قابل شمارش هستند. از آنجایی که طیف لیکرت دارای درجه های مشخصی مانند ۵ درجه، ۷ درجه و … می باشد، مقیاس آن از نوع فاصله ای در نظر گرفته می شود. در واقع می توان طیف لیکرت را هم به عنوان متغیر کمّی در نظر گرفت و برای هر کدام از رتبه های آن یک عدد فرض کرد؛ و هم می توان آنرا به عنوان متغیری کیفی در نظر گرفته و روش های نمونه گیریِ مربوط به آنرا مورد استفاده قرار داد.

محاسبه حجم نمونه در تحقیقات کیفی:

محاسبه حجم نمونه در تحقیقات کمی:

در فرمول های ذکر شده، S²  همان واریانس نمونه اولیه می باشد که برای محاسبه آن تعدادی پرسشنامه اولیه در جامعه آماری توزیع واریانس نمونه اولیه محاسبه می‌شود.

مقدار Z^۲ مقداری ثابت است که به فاصله اطمینان و سطح خطا (α) بستگی دارد. معمولاً سطح خطا ۵% یا ۱% در نظر می‌گیرند. بنابراین در صورتی که سطح خطا یا سطح معناداری (significant level) برابر ۵% در نظر گرفته شود سطح اطمینان برابر با ۹۵% خواهد بود. در نتیجه مقدار Z^۲ با توجه به جدول آماری ۱/۹۶ خواهد بود.

مقدار d نیز براساس همان سطح خطا یا برابر ۰/۰۵ در نظر گرفته می‌شود.

محاسبه حجم نمونه برای جوامع نامعلوم با واریانس نامعلوم

در تحقیقاتی که حجم جامعه مشخص نیست و اطلاعی از واریانس جامعه نیز در دسترس نیست از فرمول زیر جهت برآورد حجم نمونه استفاده می شود:

از آنجایی که در این پرسشنامه از طیف لیکرت ۵ درجه استفاده شده است، بزرگ ترین مقدار ۵ و کوچک‌ترین مقدار ۱ خواهد بود بنابراین انحراف معیار آن برابر است می‌توان از مقدار ۰.۶۶ استفاده کرد. این مقدار بیشینه انحراف معیار است. همچنین سطح اطمینان ۹۵% و دقت برآورد ۰.۰۱ درنظر گرفته شده است بنابراین حجم نمونه برابر است با:

Zα/۲= ۱.۹۶

 ε = ۰.۰۱

σ=۰.۶۶ => n = 170

محاسبه حجم نمونه برای جوامع خیلی بزرگ

در تحقیقاتی که حجم جامعه خیلی بزرگ باشد از فرمول کوکران برای جوامع نامعلوم به صورت زیر استفاده می‌شود:

روش های نمونه گیری

نمونه‌گیری دارای روش‌هایی است که به طور کلی به دو دسته احتمالی و غیر احتمالی تقسیم می شود. در تصمیم‌گیری برای انتخاب نمونه‌ی احتمالی یا غیر احتمالی، محقق باید به چهار نکته توجه کند:

هدف تحقیق:

برخی تحقیقات نه برای تعمیم به جامعه، که به منظور بررسی روابط بین متغیرها یا جمع آوری داده‌های اکتشافی برای تهیه‌ی پرسشنامه یا ابزار اندازه گیری انجام می‌شوند. در این گونه موارد، اغلب، نمونه‌ی غیر احتمالی مناسب است.

هزینه در مقابل ارزش:

نمونه باید با کمترین هزینه، بیش‌ترین اثربخشی را داشته باشد. اگر هزینه‌ی نمونه‌ی احتمالی با توجه به نوع و مقدار اطلاعات جمع‌آوری شده بیش از حد باشد، بهتر است از نمونه‌ی غیر احتمالی استفاده شود.

محدودیت‌های زمانی:

در بسیاری از موارد، با توجه به این که نمونه گیری احتمالی، زمان بر است، از نمونه گیری غیر احتمالی استفاده می‌شود.

مقدار خطای مورد پذیرش:

در مطالعات مقدماتی یا ضربتی که کنترل خطا اهمیت چندانی ندارد، اغلب، نمونه‌ی غیر احتمالی مناسب است.

انواع نمونه گیری احتمالی

– نمونه گیری تصادفی ساده (Simple Random Sampling):

در این روش افراد جامعه شانس برابری برای انتخاب شدن دارند. در روش نمونه گیری تصادفی ساده افراد یا اشیای مورد نیاز از فهرست جامعه آماری پس از شماره گذاری به صورت تصادفی انتخاب می‌شوند. بر اساس قانون احتمال، افراد انتخاب شده باید از ویژگی هایی مانند جامعه‌ای که از آن انتخاب شده‌اند برخوردار باشند.

– نمونه گیری تصادفی منظم (سیستماتیک) (Systematic Random Sampling):

این روش نیز تاحدودی نزدیک به نمونه گیری تصادفی ساده می باشد، با این تفاوت که در این روش انتخاب هر عضو مستقل از انتخاب سایر اعضاء جامعه نمی باشد، بنابراین به صورتی غیر تصادفی است. در این روش تعیین نمونه با هزینه کمتر، سرعت بیشتر و احتمال انتخاب یکسان تر انجام می شود.

– نمونه گیری تصادفی طبقه ای (Stratified sampling):

این روش نمونه گیری، شکل اصلاح شده ای از روش نمونه گیری تصادفی ساده و سیستماتیک می باشد و هدف آن، رسیدن به نمونه های دقیق تر است. در نمونه‌گیری طبقه‌ای، واحدهای جامعه‌ی مورد مطالعه در طبقه‌هایی که از نظر صفت متغیر همگن‌تر هستند، گروه بندی می‌شوند، تا تغییرات آن‌ها در درون گروه‌ها کمتر شود. پس از آن از هر یک از طبقه‌ها تعدادی نمونه انتخاب می‌شود.

– نمونه گیری تصادفی خوشه‌ای (Cluster sampling):

نمونه برداری خوشه‌ای نوعی نمونه برداری تصادفی ساده است که هر واحد آن را یک دسته (یا خوشه) از عناصر تشکیل می‌دهد. هنگامی از این نوع نمونه برداری استفاده می‌شود که جامعه مورد پژوهش، از دسته های جداگانه ای تشکیل شده و عناصر آن جامعه در این دسته‌ها توزیع شده باشد. در این روش جامعه به گروه هایی تقسیم و از بین آن ها یک یا چند گروه انتخاب می شوند.

– نمونه گیری تصادفی چند مرحله ای (Multistage sampling):

این روش شکل گسترده یافته ی نمونه گیری خوشه ای می باشد. چنانچه جامعه پژوهش بزرگ باشد، عملی‌ترین و در ضمن مطلوب‌ترین راه حل، معمولاً انجام نمونه برداری چند مرحله ای است. در نمونه گیری چند مرحله ای افراد جامعه با توجه به سلسله مراتبی (از واحدهای بزرگ‌تر به کوچک‌تر) از انواع واحدهای جامعه انتخاب می‌شوند.

انواع نمونه گیری غیر احتمالی

– نمونه گیری در دسترس (اتفاقی) (Convenience Sampling):

این روش یکی از متداول ترین روش های نمونه‌گیری غیر احتمالی می باشد. اساس این روش بر سادگی دسترسی به نمونه استوار است و بسیاری معتقدند نمونه‌گیری با این روش معرف جامعه پژوهشی نیست. بنابراین روش چندان قابل اعتمادی نیست و نتایج آن فقط در مورد افرادی که بررسی شده اند، قابل تعمیم می باشد. این موجب ناتوانی در نتیجه‌گیری آماری قابل توجه از یافته‌های بدست آمده می‌شود. در مواردی که نیازی به تعمیم دادن به جامعه بزرگتری نباشد، با استفاده از کمترین هزینه و تلاش، این روش موثر است.

– نمونه گیری سهمیه ای (Quota Sampling):

در نمونه گیری سهمیه ای، محقق افراد یا گروه هایی را بر مبنای یک سلسله معیارهای مشخص انتخاب می کند. از آنجاییکه در روش نمونه گیری در دسترس پژوهشگران نمی دانند که نمونه چگونه و از چه نظر جهت دار است، می توان این مشکل را با استفاده از نمونه گیری سهمیه ای حل کرد.

– نمونه گیری هدفمند (قضاوتی) (Purposive Sampling):

در این روش نمونه گیری، نتایج را با قید شرایط و با احتیاط می توان اظهار کرد و پژوهشگر با استفاده از بصیرت و آگاهی خود مناسب ترین افراد یا گروه ها را برای مطالعه انتخاب می کند. در نمونه گیری هدفمند با توجه به این که نمی توان یافته ها را به طور صد در صد تعمیم داد، به احتمال زیاد خصوصیات پیدا شده را می توان در سایر موارد نیز پیدا کرد.

– نمونه گیری گلوله برفی (Snowball Sampling):

این روش در واقع یکی از روش‌های نمونه‌گیری هدفمند است. از این روش بیشتر جهت نمونه‌گیری در مطالعات کیفی استفاده می‌شود. در روش نمونه گیری گلوله برفی پس از یافتن اولین عضو نمونه با مشخصات مورد نظر و انجام مصاحبه یا تکمیل پرسشنامه، از وی درخواست می‌شود تا فرد دیگری با مشخصات مشابه خود را معرفی کند. با مراجعه به نفر دوم و کسب اطلاعات از وی، در پایان از او نیز خواسته می‌شود تا فرد خبره بعدی را معرفی نماید. این فرایند تا رسیدن به حجم قابل قبولی از خبرگان ادامه پیدا می‌کند.

ابزار گردآوری اطلاعات

ابزارهای گردآوری داده در نرم افزارهای آماری به طور معمول بر اساس داده های کمی و پرسشنامه های کیفی می باشد. داده های مربوط به بورس و … از طریق نرم افزارهایی مانند ایویوز، استتا و … سنجیده می شوند و اطلاعات پرسشنامه از طریق نرم افزارهایی چون SPSS، لیزرل، آموس، PLS و … سنجیده می شوند. بنابراین یکی از مهمترین ابزارهای گردآوری اطلاعات در تحقیقات آماری پرسشنامه می باشد. این ابزار با طرح سوالات هدف دار و با بهره گیری از مقیاس‌های مختلف، دیدگاه افراد پاسخ دهنده را نسبت به متغیرهای تحقیق بررسی می کند. پرسشنامه ها به صورت معمول در دو فرمت باز و بسته طراحی می شوند.

در پرسشنامه های باز پاسخ دهندگان می‌توانند هر پاسخی که مد نظر دارند را بدون هیچ محدودیتی بیان کنند. با اینکه در این سبک پرسشنامه دریافت اطلاعات دقیق تر و جامع تر می باشد و از ارزش بیشتری برخوردار است اما محقق ناچار است زمان زیادی را صرف طبقه بندی و نتیجه‌گیری از آن ها کند.

در پرسشنامه های بسته برای هر سوال تعداد مشخصی گزینه لحاظ می شود و افراد پاسخ دهنده باید یکی از گزینه ها را انتخاب کنند. با اینکه در پرسشنامه های بسته اطلاعات دریافتی به اندازه پرسش نامه های باز جامع و دقیق نیستند اما با توجه به حجم گاها زیاد نمونه های آماری از فرایند تجزیه و تحلیل و طبقه بندی راحت تری برخوردار است.

محقق در هنگام طراحی پرسشنامه باید به اصولی توجه کند تا نتایج تحقیق قابل پذیرش باشد. از مهمترین این نکات می توان به موارد زیر اشاره کرد:

• تا جای ممکن پرسشنامه ها باید کوتاه باشند و تنها به ذکر سوالاتی پرداخت که مورد نیاز پژوهش باشند.
• سوالات پرسشنامه با توجه به اهداف یا سوالات پژوهش تدوین می شوند.
• سوالات پرسشنامه باید کاملا واضح باشند تا پاسخ دهندگان بتوانند اطلاعات درستی را وارد کنند.
• راهنمای تکمیل پرسشنامه جهت معرفی، مقیاس ها و نحوه پاسخگویی نیز باید همراه با پرسشنامه باشد.

جهت آشنایی کامل با انواع پرسشنامه، کاربردها و نحوه طراحی آن می توانید به مقاله پرسشنامه تحقیق رجوع کنید.

روایی پرسشنامه (Validity)

سنجش روایی یکی از ابزارهای لازم جهت اعتبارسنجی پرسشنامه ها می باشد. با بررسی این شاخص پژوهشگر متوجه می شود که ابزار مورد نظر تا چه میزان برای سنجش پدیده موردمطالعه مناسب است. در علم آمار از روش های مختلفی جهت سنجش روایی استفاده می شود که در این بخش به معرفی هرکدام از این روش ها پرداخته می شود.

روایی صوری (Face validity)

روایی صوری مشخص می کند که شاخص های مورد مطالعه به چه میزان از لحاظ ظاهری توانایی اندازه گیری مفهوم پژوهش را دارند. بررسی این نوع روایی بر مبنای ارزیابی ذهنی پژوهشگر نسبت به وسیله و ابزار اندازه گیری می باشد و معمولا در پژوهش های مختلف از نظرات خبرگانی نظیر اساتید دانشگاهی یا کارشناسان سازمان ها استفاده می شود. از این کارشناسان خواسته می‌شود تا نظرات خود را در مورد کیفیت، شکل سوالات و همچنین منطقی و متناسب بودن آن با ویژگی های پاسخ دهندگان ارائه دهند. پس از بررسی گویه ها امکان دارد صاحب‌نظران پیشنهاد دهند که برخی از سوالات تغییر کنند. در این صورت باید تغییرات اعمال شود و پرسشنامه مورد بازبینی مجدد قرار گیرد. این مراحل تا زمان دستیابی به روایی صوری ادامه پیدا می‌کند و در صورت تایید کارشناسان می توان گفت، گویه های پرسشنامه از روایی صوری برخوردار است.

روایی محتوایی (Content validity)

روایی محتوایی جهت بررسی اجزای تشکیل دهنده ابزارهای اندازه‌گیری به کار گرفته می‌شود. اعتبار محتوایی ابزارهای اندازه‌گیری به سوالات آن بستگی دارد. یک آزمون در صورتی دارای اعتبار محتوایی می باشد که، سوالات پرسشنامه معرف ویژگی‌هایی باشد که محقق قصد اندازه‌گیری آن‌ها را دارد. قضاوت افراد متخصص در زمینه سوالات پژوهش، مهمترین نقش را در اعتبارسنجی محتوایی آن دارد. بر این اساس جهت بررسی روایی محتوایی از دو شاخص نسبت روایی محتوایی (CVR) و شاخص روایی محتوایی (CVI) استفاده می شود.

– شاخص نسبت روایی محتوایی (CVR):

شاخص نسبت روایی محتوایی (CVR) جهت بررسی اجزای تشکیل دهنده ابزارهای اندازه‌گیری و اطمینان از انتخاب مهم‌ترین و صحیح‌ترین محتوا (ضرورت سوال) محاسبه می شود. این شاخص توسط لاوشه طراحی شده است. جهت محاسبه این شاخص از نظرات کارشناسان متخصص در زمینه محتوای آزمون مورد نظر استفاده می‌شود و با توضیح اهداف آزمون برای آن ها و ارائه تعاریف عملیاتی مربوط به محتوای سؤالات به آن ها، از آن ها خواسته می شود تا هریک از سؤالات را بر اساس طیف سه بخشی لیکرت «گویه ضروری است»، «گویه مفید است ولی ضروری نیست» و «گویه ضرورتی ندارد» طبقه بندی کنند. سپس بر اساس فرمول زیر، نسبت روایی محتوایی محاسبه می شود:

بر اساس تعداد متخصصینی که سؤالات را مورد ارزیابی قرار داده اند، حداقل مقدار CVR قابل قبول بر اساس جدول زیر بایستی باشد. سؤالاتی مقدار CVR محاسبه شده برای آن ها کمتر از میزان مورد نظر با توجه به تعداد متخصصین ارزیابی کننده سؤال باشد، بایستی از آزمون کنار گذاشته شوند به علت اینکه بر اساس شاخص روایی محتوایی، روایی محتوایی قابل قبولی ندارند.

شاخص نسبت روایی محتوایی

– شاخص روایی محتوایی (CVI):

شاخص روایی محتوایی (CVI) جهت اطمینان از اینکه سوالات ابزار به بهترین نحو جهت اندازه‌گیری محتوا طراحی شده باشد محاسبه می شود. جهت بررسی شاخص روایی محتوا از روش والتز و باسل استفاده می شود. بدین صورت که متخصصان «مربوط بودن» هر گویه را بر اساس یک طیف لیکرتی ۴ قسمتی مشخص می کنند. متخصصان مربوط بودن هر گویه را از نظر خودشان از ۱ «مربوط نیست»، ۲ «نیاز به بازبینی جدی»، ۳ «مربوط اما نیاز به بازبینی»، تا ۴ «کاملاً مربوط » مشخص می کنند.

حداقل مقدار قابل قبول برای شاخص CVI برابر با ۰/۷۹ است و اگر شاخص CVI گویه ای کمتر از ۰/۷۹ باشد آن گویه بایستی حذف شود.

همچنین شما عزیزان با استفاده از فایل نمونه فصل سوم SPSS و لیزرل با روایی محتوایی (CVR) با نحوه ی پیاده سازی روایی محتوا در طرح های آکادمیک به صورت جامع آشنا می شوید.

روایی ملاکی (Criterion validity)

روایی ملاکی جهت ارزیابی کارآمدی ابزارهای پژوهش در پیش بینی رفتار یک فرد در مواقع خاص بکار گرفته می شود. از این نوع روایی به عنوان روایی معیار یا وابسته به ملاک نیز یاد می شود. در روایی ملاکی عملکرد هر فرد در آزمون با یک ملاک مقایسه می‌شود. بنابراین می توان گفت، میزان همبستگی بین نمرات آزمون و نمره ملاک، اعتبار ملاکی یک ابزار اندازه‌گیری را مشخص می کند. روایی ملاکی به دو صورت اعتبار پیش بین و اعتبار همزمان می باشد.

روایی پیش بین (Criterion validity):

روایی پیش بین توانایی ابزار اندازه گیری را در پیش بینی رفتار افراد در آینده مورد بررسی قرار می دهد. گاهی ارزیابی همبستگی به منظور پیش بینی برای آینده می باشد و ضریب همبستگی نمره‌های حاصل از اجرای آزمون با نمره‌های متغیر ملاک، نمایانگر روایی پیش بین است. در این نوع روایی، اندازه متغیر ملاک مدتی پس از اجرای آزمون به دست می آید.

روایی همزمان (Concurrent validity):

هنگامی که داده‌های حاصله از دو اندازه‌گیری در یک زمان در دسترس باشد از روایی همزمان استفاده می شود. به عبارتی دیگر، روایی همزمان توانایی ابزار اندازه گیری در پیش بینی رفتار افراد در زمان حال را مورد بررسی قرار می دهد. در این نوع روایی، هدف جانشین کردن یک ابزار اندازه‌گیری به جای ابزار دیگری است و عملکرد در یک آزمون به عملکرد در آزمون دیگر مرتبط می‌گردد.

روایی سازه (Construct validity)

روایی سازه مشخص می کند که ابزار اندازه گیری تا چه میزان در زمان انجام آزمون اندازه‌گیری را به درستی انجام می‌دهد. با اینکه محاسبه روایی سازه نیاز به انجام محاسبات به نسبت پیچیده تری دارد اما از ارزش بالایی برخوردار است. در این نوع روایی متغیرها به‌ عنوان سازه در نظر گرفته می‌شود و زمانی روایی تایید می‌شود که پس از آنکه یک الگوی کلی از نتایج آزمون آماده شد، نتایج به‌ دست‌ آمده با سازه موردنظر هماهنگ باشند. در این راستا معمولا تعدادی فرضیه تدوین می‌شود و در صورتی که همه آن‌ها تأیید شوند می‌توان ادعا کرد که آزمون از روایی سازه برخوردار می باشد. تحلیل عاملی تائیدی (Confirmatory factor analysis) (CFA) رویکردی است که نشان می دهد چه میزان گویه های سنجش یک سازه به درستی انتخاب شده اند.
روایی سازه به دو صورت روایی همگرا و روایی واگرا مورد ارزیابی قرار می گیرد.

روایی همگرا (Convergent Validity):

روایی همگرا جهت سنجش میزان همبستگی آزمون طراحی‌شده با آزمون‌های مشابه مورد استفاده قرار می گیرد. این نوع روایی زمانی برقرار می‌شود که سؤالات تک‌تک متغیرها با یکدیگر همبستگی داشته باشند زیرا همگی از یک چارچوب نظری یکسان استخراج‌شده اند. به یان دیگر نمرات به‌دست‌آمده از دو ابزار مختلف، همان مفهومی را بسنجد که به میزان زیادی به آن مرتبط می‌شود. جهت ارزیابی روایی همگرا، میانگین واریانس استخراج شده (AVE) و پایایی ترکیبی (CR) محاسبه می‌شود.

روایی واگرا (Discriminant validity):

روایی واگرا که به آن روایی افتراقی یا روایی تشخیصی نیز گفته می شود، نشان دهنده یگانگی یک ابزار اندازه‌گیری می باشد. از آنجایی که در پرسشنامه ها جهت سنجش عوامل مختلف از سوالات مختلفی استفاده می‌شود، لازم است که مشخص شود این سوالات باهم همپوشانی ندارند و از یکدیگر متمایز هستند. بنابراین در صورتی که همبستگی پایینی میان ابزار موردنظر با ابزارهایی که مولفه های مختلف را اندازه گیری می‌کنند وجود داشته باشد آزمون از روایی واگرا برخوردار است. به بیان دیگر هنگامی که میزان AVE برای هر سازه بیشتر از واریانس اشتراکی بین آن سازه و سازه‌های دیگر (یعنی مربع مقدار ضرایب همبستگی بین سازه‌ها) در مدل باشد می توان گفت روایی واگرا در سطح قابل قبولی است.

پایایی پرسشنامه (Reliability)

پایایی یا قابلیت اعتماد پرسشنامه یکی از مفاهیمی است که نشان می‌دهد ابزار اندازه‌گیری در شرایط یکسان به چه میزان نتایج یکسانی می‌دهد. به عبارت دیگر، این مفهوم مشخص میکند در صورتی که در یک فاصله زمانی، چندین بار پرسشنامه به گروه یکسانی ارسال شود، نتایج حاصل به چه میزان می‌تواند مشابه باشد. از آنجایی که اکثر مواقع افراد پاسخ دهنده انسان هستند و در شرایط گوناگون ممکن است به یک سوال پاسخ‌های متفاوتی بدهد، نمی توان انتظار داشت که نتایج به دست آمده کاملا یکسان باشد. با توجه به این امر معمولا دامنه ضریب قابلیت از صفر (عدم ارتباط) تا ۱+ (ارتباط کامل) است. جهت بررسی اینکه ابزار اندازه‌گیری به چه میزان ویژگی‌های با ثبات آزمودنی و یا ویژگی‌های متغیر و موقتی آن را می‌سنجد از ضریب قابلیت اعتماد استفاده می شود و برای محاسبه این ضریب از روش های مختلفی مانند روش بازآزمایی، روش موازی، روش دو نیمه کردن، روش کودر-ریچاردسون، روش آلفای کرونباخ و … استفاده می شود.

روش بازآزمایی (اجرای دوباره آزمون) (test – retest)

از روش بازآزمایی جهت ارائه یک آزمون بیش از یک بار در یک گروه آزمودنی تحت شرایط یکسان استفاده می شود. بنابراین در این روش آزمون در نمونه واحدی از آزمودنی‌ها در دو زمان متفاوت تحت شرایط یکسان اجرا می شود و ضریب همبستگی بین نمرات بدست آمده از دو آزمون محاسبه می‌شود. به مقدار بدست آمده ضریب ثبات یا پایایی آزمون گفته می‌شود. با اینکه روش بازآزمایی جهت ارزیابی ثبات مولفه های یک ابزار اندازه گیری به کار گرفته می شود ولی با مشکل روبرو است که، نتایج حاصله از آزمون مجدد امکان دارد تحت تاثیر تمرین (تجربه) و حافظه آزمودنی قرار گرفته و منجر به تغییر در قابلیت اعتماد ابزار اندازه گیری شود.

روش موازی (آزمون های همتا) (parallel test)

در روش موازی آزمون از دو فرم همتا تشکیل شده است که برای اندازه گیری خصیصه واحدی تهیه شده اند. با اینکه این دو آزمون از نظر شکل ظاهری تفاوت هایی با هم دارند ولی از نظر قدرت تشخیص، سطح دشواری و محتوای درونی یکسان هستند. ضریب قابلیت اعتماد در این روش بر اساس همبستگی نمرات دو آزمون همتا به دست می‌آید. عواملی چون خطاهای اندازه‌گیری و کمبود یا عدم وجود همسانی میان دو فرم همتای آزمون (تفاوت در سوالات یا محتوای آن‌ها) قابلیت اعتماد را کاهش می‌دهد. در صورتی که فرم های همتا به صورت همزمان ارائه نگردد، قابلیت اعتماد هم شامل ثبات و همسانی می‌شود. اگر فاصله اجرای فرم های همتا زیاد باشد و تغییراتی در ضریب قابلیت اعتماد مشاهده گردد، ممکن است که این تغییر مربوط به عوامل فردی (آزمودنی ها)، همتا نبودن آزمون ها و یا ترکیبی از هر دو باشد.

روش دو نیمه کردن (تصنیف) (split – half method)

روش دو نیمه کردن برخلاف روش موازی  تنها یک بار و در یک گروه نمونه اجرا و سپس به دو نیمه  تقسیم و هر نیمه به طور جداگانه نمره گذاری می‌شود. در مرحله بعد همبستگی میان نمرات این دو نیمه محاسبه می‌شود. این روش شکلی از همسانی درونی آزمون می باشد و هنگامی مناسب است که آزمون بسیار طولانی باشد. در صورتی که سطح دشواری سوال ها در سراسر آزمون یکسان باشد، می‌توان همبستگی نیمه اول را با نیمه دوم حساب کرد. اما اگر سطح دشواری یکسان نباشد، ضریب همبستگی بین سوال های زوج و فرد محاسبه می‌شود.

جهت محاسبه ضریب پایایی کل آزمون از فرمول  اسپیرمن- براون استفاده می‌شود:

 (۱+همبستگی بین دو نیمه) /   (۲ * همبستگی بین دو نیمه)  = ضریب قابلیت اعتماد کل آزمون

به عنوان مثال، در آزمونی با ۴۰ سوال که در میان ۲۵ پرستار پخش شده است. این آزمون به دو نیمه (۲۰ سوال) تقسیم شده است و همبستگی میان نمرات دو تست نیز ۰.۸۵ می‌باشد. در این حالت قابلیت اعتماد کل آزمون به صورت زیر محاسبه می شود:

(۱+۰.۸۵) /  (۲ * ۰.۸۵)  = ۰.۹۲

روش کودر – ریچاردسون (Kuder – Richardson)

کودر و ریچاردسون روش هایی را جهت محاسبه ضریب همبستگی بین دو نیمه آزمون ابداع کردند که برخلاف روش دو نیمه کردن مستلزم یکسانی واریانس دو نیمه آزمون نیست و می تواند همسانی درونی محتوای آزمون را محاسبه کند.

فرمول اول:

در فرمول اول برآوردی از میانگین ضرایب قابلیت اعتماد برای تمام طرق ممکن دو نیمه کردن به دست می آید که از طریق فرمول زیر ضریب همبستگی محاسبه می شود:

در این فرمول:

n: تعداد سوال ها

P: نسبت پاسخ های صحیح

q: نسبت پاسخ های غلط

S^۲: واریانس نمرات کل

فرمول دوم:

جهت بکارگیری فرمول دوم باید سطح دشواری سوال های آزمون یکسان باشد. برای محاسبه ضریب قابلیت اعتماد با این روش، نیازی به داشتن نسبت پاسخ های صحیح و غلط نیست، بلکه در دست داشتن واریانس نمره های کل و میانگین نمرات کفایت می‌کند. پس از بررسی این امر از طریق فرمول زیر ضریب همبستگی محاسبه می شود:

در این فرمول:

n : تعداد سوال ها

S^۲: واریانس نمرات کل

x̄: میانگین نمرات

روش آلفای کرونباخ (Cronbach Alpha)

روش آلفای کرونباخ یکی دیگر از روش های پرکاربرد جهت بررسی همسانی درونی می باشد. با استفاده از این روش تعیین می شود که سئوالات آزمون به چه میزان خصیصه واحدی را اندازه گیری می کنند. ضریب آلفا برای آزمون‌هایی بکار گرفته می شود که پاسخ ها نگرش افراد را روی یک پیوستار از مخالفت کامل تا موافقت کامل نشان ‌دهند. مقدار آلفا باید حداقل برابر با ۰/۷ و یا بیشتر باشد تا یک سؤال بتواند در یک ابزار باقی بماند و بسیاری از محققان نقطه ۰/۸ را برای باقی ماندن یک سؤال در ابزار ضروری می‌دانند. پایایی برابر با ۰/۷، ثبات ۷۰ درصدی امتیازات یا نمرات به دست آمده از یک ابزار را نشان می‌دهد و روشی برای محاسبه ثبات درونی بر اساس میانگین همبستگی درونی سؤالات می‌باشد و هنگامی که مقیاسی از نوع مقیاس لیکرت در ابزار اطلاعات به کار رود محاسبه مقدار ضریب آلفا جهت تعیین پایایی ثبات درونی امری ضروری است.

مقدار عددی آلفای کرونباخ برابر با متوسط مقدار ضریب پایایی است که از کل ترکیب‌های ممکن آیتم‌های ابزار، پس از آنکه به دو نیمه تقسیم شود به دست می‌آید. روش آلفای کرونباخ یکی از روش‌های سنجش پایایی است که فقط به انجام یک بار آزمون نیاز دارد تا برآوردی از پایایی آزمون را فراهم کند. در کل ضریب پایایی آلفای کرونباخ هنگامی مفید است که سؤالات یک ابزار به صورت صحیح – غلط امتیاز بندی نشده باشند و جهت سنجش ثبات درونی سؤالات در مقیاس لیکرت به کار می‌رود. به طور معمول در تحقیقات مقدار آلفای بیش از ۰/۹ را عالی، ۰/۹-۰/۸ را خوب، ۰/۸-۰/۷ را قابل قبول، ۰/۷-۰/۶ را قابل بحث، ۰/۶-۰/۵ را ضعیف و کمتر از ۰/۵ را غیر قابل قبول معرفی کردند.

در محاسبه ضریب آلفای کرونباخ ابتدا باید واریانس نمره های هر زیر مجموعه سؤال‌های پرسشنامه (یا زیر آزمون) و واریانس کل محاسبه شود و سپس با استفاده از فرمول زیر مقدار ضریب آلفا تعیین گردد:

در این فرمول:

k: تعداد زیرمجموعه پرسش های پرسشنامه

S_i: واریانس هر زیرمجموعه

S_t: واریانس کل سؤالات

آزمون های آماری

آزمون‌های آماری به صورت کلی به دو دسته آزمون های آماری پارامتریک (Parametric statistics) و آزمون های آماری ناپارامتریک (Non-parametric statistics) تقسیم می‌شوند. سطح دقت معمولا در آزمون های آماری پارامتریک نسبت به آزمون های آماری ناپارامتریک بالاتر است، بنابراین پیشنهاد می شود در صورتی که شرایط استفاده از آزمون های پارامتریک برقرار باشد، از آزمون های پارامتریک استفاده شود. همچنین در تحلیل عاملی (Factor Analysis) (FA) و مدل سازی معادلات ساختاری (SEM) مجموعه ای از روابط وابستگی به طور همزمان بررسی می شوند. در این بخش به معرفی این آزمون ها پرداخته می شود.

برای آشنایی با تفاوت های آزمون های پارامتریک و ناپارامتریک و انتخاب درست آزمون، میتوانید مقاله تفاوت آزمون های پارامتریک و ناپارامتریک را مطالعه کنید.

آزمون های پارامتریک

آزمون های پارامتریک، آزمون های استنباطی هستند که از توان آماری بالایی برخوردارند و قدرت پرداختن به داده های جمع آوری شده در طرح های پیچیده را دارند. در این آزمون ها داده ها توزیع طبیعی داشته و نمونه ها واریانس مساوی دارند. سطح دقت در آزمون های آماری پارامتریک از آزمون های آماری ناپارامتریک بیشتر است و معمولا پیشنهاد می شود که در صورتی که استفاده از آزمون های پارامتریک امکان پذیر باشد از آزمون های ناپارامتریک استفاده نشود. معمولا برای سنجش فرضیه هایی که متغیر آن ها کمی است از آمار پارامتریک استفاده می شود. برای استفاده از آزمون های پارامتریک، پیش فرض هایی لازم است که از آن جمله نرمال بودن توزیع جامعه است زیرا در حالتی که توزیع جامعه نرمال نباشد، میانگین و انحراف معیار، نمایی واقعی از داده ها را به تصویر نمی کشانند.

جهت استفاده از آزمون های پارامتریک سه پیش فرض باید وجود داشته باشد:

• متغیر اندازه گیری شده دارای توزیع نرمال در جامعه آماری باشد.
• داده ها یک مقیاس فاصله ای یا ترتیبی را نشان دهند.
• انتخاب شرکت کنندگان مستقل باشد.

بسیاری از متغیرهایی که در تحقیقات علوم اجتماعی مورد بررسی قرار می گیرند به صورت نرمال توزیع شده اند و اکثر مقیاس های مورد استفاده در تحقیقات علوم اجتماعی، مقیاس فاصله ای را نشان می دهند و استفاده از نمونه گیری تصادفی فرض انتخاب مستقل شرکت کنندگان را تحقق خواهد بخشید. از مهمترین آزمون های پارامتریک می توان به، آزمون تی تک نمونه (One Sample T Test)، آزمون t دو نمونه مستقل (Independent Samples t-Test)، تحلیل واریانس یک راهه (ANOVA)، آزمون t وابسته، آزمون t ولچ، آزمون t هتلینگ، تحلیل واریانس چندعاملی (MANOVA)، تحلیل کوواریانس چندعاملی (MANCOVA)… اشاره کرد.

آزمون های ناپارامتریک

آزمون های ناپارامتریک، آزمون های استنباطی می باشند که فرض های کمی در مورد داده ها و به ویژه توزیع آنها داشته و در مقایسه با آزمون های پارامتریک از توان کمتری برخوردارند. در صورتی که داده های به دست آمده، پیش فرض های مربوط به آزمون های پارامتریک را نداشته باشد (مثلا جامعه آماری نرمال نباشد یا توزیع آن مشخص نباشد / مقیاس متغیرها فاصله ای نباشد و ترتیبی و اسمی باشد…) محقق ملزم به استفاده از آزمون‌های ناپارمتریک است. بنابراین در مواردی که محقق نمی‌تواند از آزمون‌های پارامتریک استفاده کند، آزمون‌های ناپارامتریک ابزار مناسبی برای آزمون فرضیه‌ها می باشند. بسیاری از متغیر ها در علوم رفتاری به کمک آزمون های ناپارامتریک مورد قضاوت قرار می گیرند.

معمولا آزمون‌های ناپارامتریک هنگامی به کار گرفته می شوند که:

• مقیاس اندازه‌گیری داده ها اسمی یا رتبه‌ای باشد.
• توزیع داده ها به صورت غیرنرمال باشد.

از مهمترین آزمون های ناپارامتریک می توان به آزمون فریدمن، آزمون اسپیرمن، آزمون خی دو، آزمون کروسکال والیس، آزمون یو من-ویتنی، آزمون ویلکاکسون، نیکوئی برازش، کولموگروف-اسمیرنف… اشاره کرد.

در شکل زیر مهمترین آزمون های آماری پارامتریک و ناپارامتریک معرفی می شوند، همچنین جایگزین ناپارامتریک مربوط به هرکدام از روش های پارامتریک نیز جهت پیاده سازی در پروژه ها مشخص شده است.

همچنین شما عزیزان می توانید از فروشگاه وب سایت، با مراجعه به بخش های نمونه فصل سوم پایان نامه، نمونه فصل چهارم پایان نامه، نمونه فصل پنجم پایان نامه، با نحوه ی پیاده سازی آزمون های پارامتریک و ناپارامتریک در طرح های آکادمیک به صورت جامع آشنا شوید.