داده های من "نرمال" هستند یا نه؟ 🤔
اغلب پژوهشگران در مرحله تحلیل آماری با یک چالش اساسی روبرو می شوند:
توزیع نرمال داده ها (Normal Distribution). 🔔 اگر مجموعه داده های شما از این توزیع پیروی نکند، نتایج به دست آمده از آزمون های پارامتریک رایج مانند آزمون t، واریانس (ANOVA)، یا رگرسیون خطی، ممکن است اعتبار کافی نداشته باشند و منجر به نتیجه گیری های نادرست شوند. ⚠️
اما راه دقیق برای تشخیص نرمال بودن داده ها چیست؟ 🧐 در ادامه، سه روش کلیدی را معرفی می کنیم که فراتر از نگاه کردن به یک نمودار ساده، به شما کمک می کنند:
۱. 🖼️ روش بصری: نمودار QQ (Quantile-Quantile Plot)این روش سریع ترین راه برای ارزیابی اولیه و شهودی توزیع داده ها است.
•
مفهوم: نمودار QQ مقادیر واقعی مشاهده شده در داده های شما را در برابر مقادیری که انتظار می رود در یک توزیع کاملا نرمال وجود داشته باشند، مقایسه و رسم می کند.
•
تشخیص: اگر داده ها نرمال باشند، نقاط رسم شده باید تا حد امکان بر روی یک خط مورب ۴۵ درجه قرار بگیرند. 📏 هرگونه انحراف شدید یا ایجاد اشکالی مانند منحنی S شکل در انتها، نشان دهنده عدم نرمال بودن داده ها است. 📉
۲. 🔢 روش های آماری: آزمون های فرض صفراین آزمون ها یک خروجی عددی (مقدار p) ارائه می دهند که حکم قطعی را صادر می کند.
•
فرضیه صفر (H0): داده ها از توزیع نرمال پیروی می کنند. ✔️
الف) آزمون شاپیرو-ویلک (Shapiro-Wilk Test)•
کاربرد: این آزمون به عنوان قوی ترین و رایج ترین آزمون نرمالیتی شناخته می شود و به ویژه برای نمونه های با حجم کوچک (معمولاً کمتر از ۵۰ مشاهده) بسیار مناسب است. 🔬
•
نتیجه گیری: اگر مقدار p حاصل از آزمون، بزرگتر از سطح آلفای شما (اغلب ۰.۰۵) باشد (p > 0.05)، فرضیه صفر تأیید می شود، یعنی توزیع داده ها
نرمال است. 👍
ب) آزمون کلموگوروف-اسمیرنوف (Kolmogorov-Smirnov Test)کاربرد: این آزمون بیشتر در نمونه های با حجم بزرگ (بیشتر از ۵۰ مشاهده) کاربرد دارد. 🐘
نتیجه گیری: در این آزمون نیز، اگر مقدار p بزرگتر از ۰.۰۵ باشد، نرمال بودن داده ها تایید می شود. 🆗
۳. 📈 بررسی آماره های توصیفی: چولگی و کشیدگیاین دو معیار، شکل دقیق توزیع را به صورت عددی توصیف می کنند و نشان دهنده میزان انحراف از حالت نرمال هستند.
•
چولگی (Skewness): میزان عدم تقارن توزیع نسبت به میانگین. در توزیع نرمال، چولگی باید صفر یا نزدیک به صفر باشد. ⚖️
•
کشیدگی (Kurtosis): میزان بلندی یا تخت بودن قله توزیع و سنگینی دنباله ها را نشان می دهد. در توزیع نرمال، کشیدگی نیز باید نزدیک به صفر باشد. ⛰️
یک قاعده سرانگشتی آکادمیک این است که اگر هر دو مقدار چولگی و کشیدگی بین -۲ تا +۲ باشند، توزیع داده ها به قدری نزدیک به نرمال است که می توان از آزمون های پارامتریک استفاده کرد. ✅
جمع بندی کنیم: 💡
یک پژوهشگر هوشمند، تنها به یک آزمون بسنده نمی کند. برای اطمینان کامل، باید ابتدا یک ارزیابی بصری با
نمودار QQ انجام دهید، سپس با استفاده از
آزمون شاپیرو-ویلک (به ویژه در نمونه های کوچک) حکم آماری را قطعی کنید و در نهایت، با بررسی
چولگی و کشیدگی، شدت و نوع انحراف را دقیق تر بشناسید.
- تیم تولید محتوای کمیته تحقیقات دانشجویی دانشکده پرستاری گرمی 🌱