یک بانک بزرگ می خواهد بینش رضایت شغلی کارمندان خود را بدست آورد. آنها یک نظرسنجی انجام دادند ، نتایج آن در bank_clean.sav است. این نظرسنجی شامل برخی از اظهارات مربوط به رضایت شغلی است که برخی از آنها در زیر نشان داده شده است.
سوال تحقیق
سوال اصلی تحقیقاتی امروز این است که چه عواملی (بیشترین) نقش رادر رضایت شغلی کلی دارند؟ به طور کلی (“من از کارم راضی هستم”) اندازه گیری شده است. روش روتین برای پاسخ به این ، پیش بینی رضایت شغلی از این عوامل با تجزیه و تحلیل رگرسیون خطی چندگانه است. 2،6 این آموزش هر مرحله را توضیح می دهد و نشان می دهد و ما شما را تشویق می کنیم که با بارگیری فایل داده ، این مراحل را خودتان اجرا کنید.
بررسی داده ها 1 - کدگذاری
یکی از بهترین روشهای SPSS این است که قبل از اجرای هرگونه تجزیه و تحلیل بر روی آنها ، از ایده موجود در داده های خود اطمینان حاصل کنید. تجزیه و تحلیل کلی از طریق q9 استفاده می شود و برچسب های متغیرهاشان معنی آنهارا به ما می گوید. حال ، اگر به این متغیرها در نمای داده نگاه کنیم ، می بینیم که آنها دارای مقادیر 1 تا 11 هستند.
بنابراین این مقادیر به چه معناست و آیا این برای همه متغیرها یکسان است؟ یک روش عالی برای فهمیدن این است که دستورزیر را اجرا کنید.
*Check coding: higher values indicate positive or negative sentiment?.
display dictionary
/variables overall to q9.
نتیجه
اگر به سرعت این جدول ها را بررسی کنیم ، دو چیز مهم را می بینیم:
- برای همه ی عبارات، ارزش بالاتر نشان دهنده معاهده قوی تر است.
- همه گفته ها مثبت هستند (“دوست داشتن” به جای “دوست نداشتن”): معاهده بیشتر بیانگر احساس مثبت تر است.
با جمع آوری این یافته ها ، انتظار می رود بین همه این متغیرها همبستگی مثبت (و نه منفی) وجود داشته باشد. در یک دقیقه خواهیم دید که داده های ما این را تأیید می کنند.
بررسی داده ها 2 – توزیع ها
جدول قبلی ما نشان می دهد که همه متغیرها مقادیر 1 تا 11 و 11 (“بدون پاسخ”) را دارند قبلاً به عنوان یک مقدار از دست رفته کاربر تنظیم شده است. حال بیایید ببینیم آیا توزیع این متغیرها با اجرای برخی هیستوگرام ها روی آنها منطقی است.
*Check distributions.
frequencies overall to q9
/format notable
/histogram.
بررسی داده ها 3 – مقادیر از دست رفته
اولین و مهمترین ، توزیع همه متغیرها مقادیر 1 تا 10 را نشان می دهند و قابل قبول به نظر می رسند. با این حال ، ما در مجموع 464 مورد داریم اما هیستوگرام های ما اندازه نمونه ها را کمی پایین تر نشان می دهند. این به دلیل مقادیرازدست رفته است. برای درک سریع میزان کمبود مقادیر ، یک جدول DESCRIPTIVES سریع بر روی آنها اجرا خواهیم کرد.
*1. Show only variable labels in output.
set tvars labels.
*2. Check for missings and listwise valid n.
descriptives overall to q9.
نتیجه
در حال حاضر ، ما به N ، تعداد مقادیر معتبر برای هر متغیر نگاه می کنیم. ما دو چیز مهم را می بینیم:
- کمترین میزان N از 464 مورد 430 است که مربوط به (“فضای کاری من خوب است”)می باشد. تقریباً 7٪ از مقادیر موجود نیست.
- فقط 297 مورد دارای مقدارگمشده صفر در تمام متغیرهای این جدول هستند.
همبستگی ها
همانطور که در زیر نشان داده شده است ، همبستگی بین متغیرهای خود را بررسی خواهیم کرد.
در گفتگوی بعدی ، همه متغیرهای مربوطه را انتخاب می کنیم و همه موارد دیگر را به حال خود رها می کنیم. سپس بر روی Paste کلیک کرده و دستور زیر را بدست می آوریم.
*Inspect correlations.
CORRELATIONS
/VARIABLES=overall q1 q2 q3 q4 q5 q6 q7 q8 q9
/PRINT=TWOTAIL NOSIG
/MISSING=PAIRWISE.
مهم است که ، آخرین خط را یادداشت کنید -/MISSING=PAIRWISE.
نتایج
توجه داشته باشید که همه همبستگی ها مانند آنچه انتظار داشتیم مثبت هستند. بیشترین همبستگی ها – حتی کوچک – از نظر آماری معنی دار هستند چون p-valuesنزدیک به 0.000 است. این بدان معنی است که احتمال یافتن همبستگی نمونه صفر است، اگر همبستگی جامعه صفر باشد.
همبستگی ها برای تمام موارد با مقادیر معتبر شامل 2 متغیرمحاسبه شده است، به همین دلیل است که هر همبستگی دارای N متفاوت است. این به عنوان حذف زوجی مقادیر از دست رفته شناخته می شود ، پیش فرض برای همبستگی ها.
لیستی که مقادیر از دست رفته در آن وجود ندارد، از 297 مورد استفاده می کند پس مقادیر از دست رفته ای در هیچ کدام از متغیرهای مربوطه را نداریم. به همین ترتیب ، حذف زوجی از مقدار داده بیشتری نسبت به حذف لیست استفاده می کند. با حذف لیست ، تقریباً 36٪ داده هایی را که جمع آوری کرده ایم “از دست خواهیم داد”.
رگرسیون خطی چندگانه - فرضیات
“رگرسیون” معمولاً به تجزیه و تحلیل رگرسیون خطی چند متغیره (یک متغیره) اشاره دارد و به مفروضاتی نیاز دارد:
- پیش بینی خطاها نسبت به موارد مستقل است.
- پیش بینی خطاها از توزیع نرمال پیروی کند.
- پیش بینی خطاها دارای یک واریانس ثابت است (همبسته بودن).
- تمام روابط بین متغیرها خطی و افزودنی هستند.
ما معمولاً پیش از اجرای تجزیه و تحلیل ، مفروضات خود را بررسی می کنیم. با این حال ، فرضیه های رگرسیون بیشتر با بررسی برخی از نمودارهایی که هنگام اجرای تجزیه و تحلیل ایجاد می شوند ، ارزیابی می شوند.
رگرسیون
اکنون که مطمئن شدیم داده های ما کاملاً منطقی هستند ، برای تحلیل رگرسیون واقعی آماده هستیم. ما با دنبال کردن تصاویر زیر ، دستور را ایجاد خواهیم کرد.
(ما توضیح خواهیم داد که چرا هنگام بحث درباره خروجی خود ، Stepwise را انتخاب می کنیم.)
3 – 5در اینجا چند نمودار برای ارزیابی فرضیات رگرسیون انتخاب می کنیم.
7 به طور پیش فرض ، SPSS از 297 مورد کامل ما برای رگرسیون استفاده می کند. با انتخاب این گزینه ، رگرسیون ما از ماتریس همبستگی که قبلاً مشاهده کردیم استفاده می کند و بنابراین از اطلاعات بیشتری استفاده می کند.
"گام به گام" به چه معناست؟
هنگامی که روش گام به گام را انتخاب می کنیم ، SPSS فقط پیش بینی کننده های “معنی دار” را در مدل رگرسیون ما وارد میکند: اگرچه ما 9 پیش بینی کننده را انتخاب کردیم ،ولی مواردی که به طور منحصر به فرد در پیش بینی رضایت شغلی کمک نکنند ، وارد معادله رگرسیون ما نخواهند شد. این کار با انجام مراحل زیر تکرار می شود:
- پیش بینی کننده ای که بیشترین تاثیر را در پیش بینی متغیر نتیجه دارد پیدا کنید و اگر p-value آن کمتر از یک آستانه مشخص (معمولاً 0.05) باشد آن را به مدل رگرسیون اضافه کنید.
- p-values تمام پیش بینی کننده های مدل را بررسی کنید. اگر مقادیر p-values آنها از یک آستانه مشخص (معمولاً 0.10) بالاتر است ، پیش بینی ها را از مدل حذف کنید.
- این روند را تکرار کنید تا اینکه اولاً همه پیش بینی کننده های “معنی دار” در مدل قرار بگیرند و ثانیاً هیچ پیش بینی کننده “غیرمعنی داری” در مدل موجود نباشد.
نتایج رگرسیون - جدول ضرایب
جدول ضرایب ما می گوید که SPSS 4 مرحله انجام داده و در هر مرحله یک پیش بینی اضافه می کند. 1ما معمولاً فقط مدل نهایی را گزارش می دهیم. ضرایب غیر استاندارد و ثابت به ما این امکان را می دهدکه رضایت شغلی را پیش بینی کنیم.
Y’= 3.233 + 0.232 * x1 + 0.157 * x2 + 0.102 * x3 + 0.083 * x4
در این جا Y’ پیش بینی رضایت شغلی است،x1 متغیر های معنی دار است و غیره. این بدان معناست که پاسخ دهندگانی که نمره 1 را کسب می کنند ، به طور متوسط 0.23 امتیاز رضایت شغلی را افزایش میدهند.
نکته مهم ، همه پیش بینی کننده ها به طور مثبت (و نه منفی) به رضایت شغلی کمک می کنند. این منطقی است زیرا همه آنها جنبه های مثبت کار هستند.
2 اگر پیش بینی کننده های ما مقیاس های مختلفی داشته باشند – در اینجا چنین نیست – ما می توانیم نقاط قوت نسبی آنها – ضرایب بتا – را با استاندارد سازی آنها مقایسه کنیم. می بینیم که معنی داری (460.) تقریباً دو برابر همکاران (290.) یا پشتیبانی (0.242) کمک می کند.
3 همه پیش بینی کننده ها از نظر آماری معنی دار هستند (p = 0.000) ، که با توجه به حجم نمونه بزرگ ما و روش گام به گام که استفاده کردیم تعجب آور نیست.
نتایج رگرسیون - خلاصه مدل
افزودن هر پیش بینی در روش گام به گام ، دقت پیش بینی بهتری را به همراه دارد.
1 R همبستگی پیرسون بین مقادیر واقعی و پیش بینی شده برای رضایت شغلی است.
2 مربع R – مربع همبستگی – نسبت واریانس رضایت شغلی است که با مقادیر پیش بینی شده محاسبه می شود.
3 معمولاً می بینیم که معادله رگرسیون در نمونه ما ، عملکرد بهتری نسبت به جامعه ما دارد. سعی می کند دقت پیش بینی را در جامعه ما تخمین بزند و کمی کمتر از مربع R است.
ما به مدل نهایی خود بسنده میکنیم و گزارش می دهیم. ضرایب خوب به نظر می رسند و بهترین عملکرد را پیش بینی می کنند.
نتایج رگرسیون - هیستوگرام باقیمانده
به یاد داشته باشید که یکی از فرضیات رگرسیون ما این است که باقی مانده ها (خطاهای پیش بینی) به طور نرمال توزیع شوند. هیستوگرام ما نشان می دهد که این کم و بیش ثابت است ، اگرچه کمی به سمت چپ متمایل است.
نتایج رگرسیون - نمودار باقی مانده
ما همچنین یک نمودارپراکنش با مقادیر پیش بینی شده در محور x و باقیمانده در محور y ایجاد کردیم. این نمودار نقض مفروضات استقلال ، همبستگی و خطی بودن را نشان نمی دهد اما چندان واضح نیست.
ما بیشتر یک الگوی برجسته از نزول خطوط مستقیم را مشاهده می کنیم. این به این دلیل است که متغیر وابسته ما فقط مقادیر 1 تا 10 را دارد. بنابراین ، هر مقدار پیش بینی شده و باقی مانده همیشه 1 ، 2 تا 10 اضافه میکند. استانداردسازی هر دو متغیر ممکن است مقیاس نمودارپراکنش ما را تغییر دهد اما شکل آن را تغییر ندهد.
رگرسیون گام به گام- گزارش
هیچ توافق کاملی در مورد نحوه گزارش تجزیه و تحلیل رگرسیون گام به گام وجود ندارد.
- یک جدول با آمار توصیفی ؛
- ماتریس همبستگی متغیر وابسته و همه پیش بینی کننده های(داوطلب).
- جدول خلاصه مدل با مربع R و تغییر در مربع R برای هر مدل.
- جدول ضرایب با حداقل ضرایب B و β و p-values آنها.
در مورد همبستگی ها ، ما می خواهیم همبستگی های آماری معنی دار پرچم گذاری شود اما به اندازه نمونه یا p-values آنها نیاز نداریم. از آنجا که نمی توانید SPSS را ازمورد دوم منع کنید، همبستگی در قالب APA در SPSS امتحان کنید.
با کلیک راست روی جدول و انتخاب Copy special Excel Worksheet در OpenOffice یا Excel می توانید نتایج را سریع ویرایش کنید.
امیدوارم این آموزش برای شما مفید واقع شده باشد. ممنون از مطالعه شما!