آزمونهای فرضیات تفاوتی

#دسته_اول

#پارامتریک ⬅ ️#تی_تک_نمونه ای

مثال) رضایت دانشجویان دانشگاه از کلاس تربیت بدنی عمومی مطلوب است.
در این مثال ابتدا متغیر را بررسی میکنیم که آیا #کمی و #نرمال می باشد. همچنین یک #استاندارد در فرضیه مستتر است و سطح مطلوب یک استاندار را نشان میدهد. بنابراین استاندار سطح مطلوب در طیف لیکرت پنح گزینه ای عدد ۳ می باشد.
آزمون های پارامتریک تفاوتی تنها به دنبال #مقایسه_میانگین_ها می باشند. بنابراین به آن ها آزمون های مقایسه میانگین نیز می گویند.

💡دستور آزمون تی تک نمونه ای
Analyze ➡️ compare Means ➡️
one-sample T Test ➡️  متغیر را وارد پنجره سمت چپ میکنیم ➡️ در قسمت Test Value عدد سه را وارد میکنیم ➡️ ok


#ناپارامتریک ⬅️
۱) آزمون #دو_جمله ای( #بای_نامیل_تست)

💡دستور
Analyze ➡️ nonparametric Tests ➡️ Legacy Dialogs ➡️ Binomial
🔻🔻🔻🔻🔻🔻🔻🔻🔻🔻🔻
( یک متغیر اسمی دو وجهی در آن مستتر است، مانند شرکت کردن ، شرکت نکردن، موفقیت ، عدم موفقیت....) یا( احتمال را با پنجاه در صد مقایسه شود ، مثال نسبت شکست به پیروزی، نسبت تولد به فوت و ....)
H0= p=50℅
♦️ متغیر ها اسمی دو وجهی می باشد.

مثال) مردم ایران در انتخابات شرکت می کنند.
شرکت کردن =۵۰٪
شرکت نکردن=۵۰٪

۲) #کای_اسکوئر
این آزمون یک متغیر ترتیبی را با #استاندار و مقدار مورد انتظار مقایسه می شود.
مثال) رضایت کارکنان دانشگاه در سطح مطلوبی قرار دارد.
در اینجا محقق با فرض بر اینکه رضایت را با مقیاس ترتیبی پرسیده است مقایسه میکند. مثلا رضایت بالا، رضایت پایین و رضایت متوسط. در اینجاست که محقق از این آزمون #ناپارمتریک برای مقایسه استفاده میکند.

💡دستور آزمون #کای_اسکوئر
Analyze ➡️ nonparametric tests ➡️ legacy Dialogs ➡️ Chi- squer
۳) آزمون #run
وقتی که در فرضیه مقوله #تصادفی مطرح می شود و محقق میخواهد بداند این پدیده تصادفی است یا خیر از این آزمون استفاده می شود. لازم به ذکر است در اینجا رجوع یک متغیر #اسمی است.
مثال) رجوع دانشجویان دانشکده تربیت بدنی برای دریافت بن کتاب تصادفی می باشد.
💡دستور
analyze ➡️ nonparametric test ➡️ legacy Dialogs ➡️ Runs


🎓 @stphd
─┅─═ঊঈ 📚📚 ঊঈ═─┅─
#منابع_آمار_تحلیل_آماری