سرفصل های دوره جامع SPSS

هفته اول: مبانی و نظری

• تاریخچه علم آمار
• اهمیت علم آمار
• اهمیت تحلیل های آماری
• مفاهیم و واژه های کاربردی
• مراحل مختلف یک تحلیل آماری
• آمار کلاسیک در برابر آمار فضایی
• نکات طلایی در یادگیری آمار
• مهم ترین پژوهش های آماری
• پایان نامه ها و رساله ها
• آمار در مقالات علمی
• “چه نوع تحلیل آماری ”، “چرا” و “چگونه ”
• رسالت اصلی یک تحلیلگر آماری
• یادگیری سریع آمار
• مراحل انجام یک تحلیل آماری
• مدیریت زمان و تحلیل آماری
• آنچه که به شما نگفته اند …

هفته دوم: روش انجام یک پروژه آماری

• ایجاد مشکل و مسئله
• مشورت با کارشناسان و نخبگان
• جمع آوری داده ها
• چک کردن داده ها و صحت سنجی
• انتخاب نرم افزار
• وارد کردن داده ها به نرم افزار
• انتخاب ابزار مناسب
• انتخاب روش مناسب
• پردازش
• تصمیم سازی
• تصمیم گیری
• ارزیابی پروژه

هفته سوم: وارد کردن داده ها:یادگیری نحوه وارد کردن داده ها در SPSS

• توضیح متغیرها:متغیرهای مستقل،وابسته، واسطه و تعدیل کننده
• نوع داده(عددی):تعریف نام،عرض، اعشاری و لیبل های متغیرها
• نوع متغیر:کاما و نقطه
• نوع متغیر:علامت های علمی
• نوع متغیر: تنظیم تاریخ و تایم
• نوع متغیر:دلار
• نوع متغیر: Custom Currency
• نوع متغیر:String
• نوع متغیر:عدد محدود
• تعریف داده های ناپدید شده: Discrete, Range & System-Missing Values
• ستون ها و همراستایی string
• تعریف سنجه ها: مقیاس های اندازه گیری

هفته چهارم:کار کردن با انواع فایلها در SPSS

• انواع فایلهای داده در SPSS
• باز کردن فایل داده های اکسل در SPSS
• باز کردن فایل CSV در SPSS
• تبدیل داده ها در SPSS:Recode وسایر توابع تبدیل
• مجموعه داده ها و منابع: عملکرد RECODE
• تابع Variable COMPUTE: چیست و چه کاری می تواند برای ما انجام دهد؟
• محاسبه کل با استفاده از تابع COMPUTE
• تمرین: کار کردن با COMPUTE با استفاده از IF
• تابع RECODE: چرا کدگذاری مجدد (recode) متغیر را انجام می دهیم؟
• چرا دو تابع RECODE داریم؟
• چگونه می توان RECODE INTERFERENT VARIABLE را در SPSS انجام داد؟
• محاسبه کل بعد از RECODE
• ثبت در متغیر مشابه

هفته پنجم:آمار توصیفی با استفاده از SPSS

• آماده کردن داده ها برای تجزیه و تحلیل توصیفی
• انواع آمار توصیفی
• آشنایی با سه tab مختلف توصیفی در SPSS
• محاسبه فرکانس ها
• تجزیه و تحلیل توصیفی با استفاده از Crosstab
• اندازه گیری گرایش مرکزی(میانگین): میانگین ، حالت متوسط ، mode – مفهوم و موارد استفاده
• محاسبه و تفسیر میانگین ، حالت متوسط و mode
• تأیید mode با فرکانس ها
• گزینه explore: محاسبه مشخصات توصیفی گروهی
• گزینه Explore : تفسیر میانگین گروهی و میانگین اطمینان 95٪
• 5٪ میانگین اصلاح شده: مفهوم ، استفاده و تفسیر
• متوسط ، انحراف معیار ، واریانس ، حداقل ، حداکثر و دامنه
• Quartiles و Inter-Quartile Range با استفاده از گزینه Explore
• Skewness و Kurtosis: مبانی
• محاسبه و تفسیر سطح معنی داری چولگی
• Kurtosis: محاسبه ، تفسیر و شناخت سطح معنی داری
• خطای استاندارد میانگین: مفهوم ، محاسبه و تفسیر

هفته ششم:آزمون t نمونه مستقل:مقایسه میانگین دو گروه مستقل

• آزمون t نمونه مستقل:تعریف گزینه های input
• آزمون t نمونه مستقل: تفسیر خروجی توصیفی (میانگین ، SD ، SE)
• آزمون t نمونه مستقل: تفسیر آزمون Levene ، t ، p ، SE وفاصله اطمینان 95٪
• نوشتن APA Style برای آزمون تی مستقل

هفته هفتم:آزمون t نمونه جفت شده(زوجی): مقایسه بین میانگین دو گروه وابسته

• محاسبه آزمون تی زوجی در SPSS
• تفسیر خروجی نمونه آزمون زوجی
• نوشتن APA Style برای آزمون تی زوجی

هفته هشتم:آزمون نحلیل واریانس(ANOVA) یک طرفه

• کی می توان از این آزمون استفاده کرد؟
• محاسبه ANOVA یک طرفه در SPSS
• تفسیر خروجی ANOVA: آمار توصیفی
• تفسیر خروجی: جدول خلاصه ANOVA
• انجام تجزیه و تحلیل post-hoc در ANOVA: آزمون همگنی واریانس و post-hoc
• آنالیز روند و نمایش میانگین در ANOVA
• تجزیه و تحلیل کنتراست در ANOVA

هفته نهم:رگراسیون خطی:تجزیه و تحلیل علت و معلول یک متغیر مستقل بر یک متغیر وابسته

• رگراسیون چیست؟
• چه وقت می توان از رگرسیون خطی بجای رگرسیون چندگانه استفاده کرد؟
• تعریف گزینه های ورودی SPSS برای رگرسیون خطی
• تفسیر خروجی رگرسیون خطی: متغیرها و خلاصه مدل
• تفسیر خروجی رگرسیون خطی: مقدار ثابت ، B ، Beta ، SE و t
• رگراسیون چندگانه:تاثیر چند متغیر مستقل بر متغیر وابسته
• مفروضات رگرسیون چندگانه: خطی بودن و بررسی خطی بودن در SPSS
• فرض2: استقلال خطاها / عدم همبستگی بین متغیرها و بررسی آن در SPSS
• فرض 3: همگنی خطاها و بررسی آن در SPSS
• فرض 4: نرمال بودن چند متغیره و بررسی آن در SPSS
• فرضی 5: چند خطی بودن و بررسی آن در SPSS
• انتخاب روش رگرسیون چندگانه: روش ورود داده
• انتخاب روش رگرسیون چندگانه: روش گام به گام(Stepwise) و انتخاب forward
• انتخاب روش رگرسیون چندگانه: روش حذف backward
• اجرای روش رگرسیون گام به گام و forward در SPSS
• انتخاب روش رگرسیون چندگانه: روش remove
• نجزیه و تحلیل رگراسیون سلسه مراتبی
• نجزیه و تحلیل رگراسیون سلسه مراتبی چیست و چه وقت می توان ازآن استفاده کرد؟
• آماده کردن داده ها و تعریف مدل در رگرسیون سلسله مراتبی
• بهبود مدل و شناسایی همبستگی بین متغیرها از طریق ماتریس همبستگی
• مشخص کردن داده های بد(غیرنرمال): استفاده از مقادیر بتا ، مربع R و p برای اصلاح بیشتر مدل
• تفسیر خروجی رگرسیون سلسله مراتبی

هفته دهم:تحلیل عامل اکتشافی

• تحلیل عامل چیست؟
• درک متغیرهای نهفته و شاخص ها در تحلیل عامل
• نمونه تحقیقاتی که از تحلیل عامل در علوم اجتماعی و مهندسی اجتماعی استفاده کرده اند
• منشأ تاریخی تحلیل عامل و کاربرد آن در آزمون سازی
• مقایسه تحلیل عامل اکتشافی با تحلیل عاملی تأییدی (EFA در مقابل CFA)
• آماده کردن داده ها برای تجزیه و تحلیل عوامل
• آشنایی با “متغیر انتخاب”
• مشخصه های توصیفی تک متغیره و راه حل های اولیه: توصیفی
• ماتریس همبستگی: ضرایب ، معنادار بودن ، عامل تعیین کننده ، KMO و بارتلت
• یادگیری Inverse ، باز تولیدی ، anti-image
• روش استخراج: تجزیه و تحلیل مو لفه اصلی
• روش استخراج: فاکتورگیری از عامل اصلی
• روش استخراج: برآورد حداکثر احتمال
• انتخاب ماتریس همبستگی و کوواریانس برای تحلیل عامل
• تفسیر ماتریس همبستگی و راه حل عامل بدون چرخش
• تعیین تعداد عوامل: استفاده از معیارهای Scree Plot و مقدار Kaiser
• چرخش فاکتور: چیست و هدف از استفاده ازآن چیست؟
• روش های چرخش: Varimax ، Quartimax ، Equamax ، Direct Oblimin ، Promax
• محاسبه امتیازات و مقادیر فاکتور: رگرسیون ، بارتلت ، اندرسون-روبین
• ماتریس ضریب امتیاز فاکتور
• تجزیه و تحلیل مقدار از دست رفته: بر اساس لیست ، به صورت جفت ، جایگزین با میانگین
• مرتب سازی بر اساس اندازه و حذف ضرایب کوچکتر
• پروژه تحلیل عاملی قسمت 1: شناسایی ابعاد شخصیت
• پروژه تحلیل عاملی قسمت 2: شناسایی ابعاد شخصیت
• پروژه تحلیل عاملی قسمت 3: شناسایی ابعاد شخصیت
• پروژه تجزیه و تحلیل فاکتورها قسمت 4: نامگذاری فاکتورها
• پروژه تجزیه و تحلیل عوامل قسمت 5: تحلیل قابلیت اطمینان فاکتورها
• پروژه تجزیه و تحلیل عامل قسمت 6: ارائه نتایج به سبک APA

هفته یازدهم:آزمون Chi-Square

• آزمون Chi Square: مقدمه – چه زمانی باید از آزمون Chi-Square استفاده کرد؟
• فرضیات آزمون Chi-Square
• فرمول محاسبه آزمون Chi-Square
• آماده کردن داده ها برای محاسبه Chi-Square با استفاده از گزینه Crosstabs
• بررسی فرضیات آزمون Chi-Square با استفاده از گزینه Crosstabs
• تفسیر خروجی آزمون Chi-Square و گزارش به سبک APA
• Chi-Square یک طرفه: چه موقع استفاده می شود و چه تفاوتی با Chi-Square دو طرفه دارد؟
• آماده کردن داده ها برای آزمون Chi Square یک طرفه
• تعیین وزن موارد ، محاسبه ، تفسیر و نوشتن APA برای Chi Square یک طرفه
• مجموعه داده های تمرینی Chi Square یک طرفه

هفته دوازدهم:تجزیه و تحلیل پایایی

• مقدمه ای بر تحلیل پایایی
• پایایی چیست؟
• مدل های مقیاسی reflective و تکوینی
• آیا باید آلفای کرونباخ یا پایایی ترکیبی را گزارش دهیم؟
• انواع پایایی: پایایی ازمون تکراری
• نوع پایایی: فرم موازی
• نوع پایایی: پایایی مبتنی بر سازگاری داخلی
• آشنایی با آلفای کرونباخ
• مفروضات آلفای کرونباخ
• فرمول آلفای کرونباخ
• محدوده آلفای کرونباخ
• محاسبه پایایی: شناخت چه مقیاسی باید در صورت حذف یک آیتم استفاده کنیم؟
• تفسیر خلاصه پردازش پرونده و ضریب آلفا
• بهبود پایایی مقیاس: شناسایی مقادیر حذف شده
• بهبود پایایی: شناسایی مقیاس و واریانس مقیاس
• بهبود پایایی: شناسایی همبستگی های آیتم و کل
• بهبود پایایی: حذف موارد مبهم و اضافی
• شاخص تمایز آیتم

هفته سیزدهم:نمایش تصویری وبصری سازی داده ها در SPSS

• بصری سازی داده ها با استفاده از نمودارها در SPSS: مقدمه
• کدام نمودار برای من مناسب است: قوانین ایجاد نمودارها قسمت 1
• کدام نمودار برای من مناسب است: قوانین ایجاد نمودار قسمت 2
• ایجاد نمودار میله ای در SPSS
• چگونه می توان رنگ زمینه نمودار میله ای را در SPSS تغییر داد؟
• چگونه می توان رنگ و الگوهای میله ها را در نمودار میله ای تغییر داد؟
• چگونه میله ها را در نمودار میله ای تنظیم کنیم؟
• چگونه می توان محورهای X و Y نمودار را در SPSS تغییر نام داد؟
• آشنایی با میله های خطا بر روی نمودار میله ای: چه ، چرا و چگونه؟
• چگونه نمدراهای میلیه ای را با میله های خطا در SPSS ایجاد کنیم؟
• چگونه می توان از ضرایب (خطای استاندارد و انحراف معیار) در نمودارهای میله ای استفاده کرد؟
• ایجاد نمودارهای میله ای خوشه ای در SPSS
• نمودارهای پای: شناخت و آماده کردن مجموعه داده ها
• نمودارهای پای درمقایسه با نمودار میله ای: چه زمانی از نمودار پای و نمودار میله ای استفاده کنیم؟
• نحوه ایجاد نمودار پای در SPSS
• نمودار پای: چگونه رنگ پای را تغییر دهیم؟
• نمودار پای: چگونه می توان برش ها را ادغام کرد؟

هفته چهاردهم: رگراسون لجستیک

• رگرسیون لجستیک چیست؟
• رگرسیون لجستیک (منبع خارجی)
• آشنایی با مدل رگرسیون لجستیک
• آشنایی با مدل رگرسیون لجستیک: شکل ،logit و احتمالات
• آشنایی با معادله رگرسیون لجستیک
• الزامات تجزیه و تحلیل رگرسیون لجستیک
• مفروضات رگرسیون لجستیک
• مفهوم نسبت های Odd (به طور خلاصه)
• آماده کردن داده ها و آشنایی با فایل داده
• نحوه کدگذاری متغیر وابسته باینری در رگرسیون لجستیک
• آشنایی با گزینه Block و گزینه تعامل
• انتخاب “متد” و کدگذاری متغیر غیر مستمر به عنوان متغیر “dummy”
• آشنایی با گزینه Save: احتمالات پیش بینی شده و عضویت در گروه
• آشنایی با گزینه ذخیره سازی: تأثیر – گزینه های فاصلهCook و DFBeta
• آشنایی با گزینه Save: باقیمانده(Residuals) – استاندارد شده
• اشنایی با گزینه پلات کردن طبقات
• آشنایی با آزمون برازش هومر-لمشو
• آشنایی با لیست residuals براساس آیتم
• آشنایی با گزینه همبستگی تخمین ها
• آشنایی با گزینه “Iteration History”
• آشنایی با گزینه “CI for Exp (B)”
• قراردادن مقدار ثابت در مدل
• آشنایی با “معیار تفکیک (نقطه برش)طبقه و بوت استرپینگ
• خروجی: آشنایی با خلاصه اطلاعات آیتم و کدگذاری متغیر ساختگی
• خروجی: آشنایی با Block 0 و مقایسه آن با سایر بلوک ها و سابقه تکرار
• خروجی: آشنایی با 2 Log Likelihood & R squares (Cox n Snell, Negelkerke)
• خروجی: آشنایی با جدول طبقه بندی (حساسیت و اخنصاصی بود)
• خروجی: متغیرها در معادله – تفسیر مدل پایه
• خروجی: Hosmer-Lemeshow و جدول احتمالی برای مدل پایه
• خروجی: تفسیر آزمون Hosmer-Lemeshow برای مدل پیش فرض
• خروجی: تفسیر متغیرها در معادله برای مدل پیش فرض
• خروجی: تفسیر آزمون Wald برای مدل پیش فرض
• نسبت های Odd (عمیق): قسمت 1 – مبانی ، موارد مشتق شده و محاسبه
• نسبت های Odd (عمیق): قسمت 2 – محاسبه احتمال سرطان ریه با سیگار کشیدن
• تفسیر نسبت های Odd در متغیرها در جدول معادله
• تفسیر جدول همبستگی و آشنایی با همبستگی بین متغیرهای مستقل
• پات کردن طبقه بندیها : تفسیر و کاربرد
• تفسیر لیست آیتم های residual
• تفسیر احتمالات پیش بینی شده و عضویت در گروه
• تفسیر فاصله کوک و DFBeta
• تفسیر خروجی آزمون Omnibus
• توضیح شبه مربعات R : – 2Log Likelihood, Cox & Snell and Negelkerke
• نوشتن معادله نهایی رگرسیون لجستیک
• ارائه جدول و نتایج به سبک APA
–

هفته پازدهم:تجزیه و تحلیل میانجی و تعدیل آماری با استفاده از PROCESS Macro

• مقدمه ای بر تجزیه و تحلیل میانجی و تعدیل آماری
• داده ها ، PPT و منابع
• آشنایی با تجزیه و تحلیل تعدیل و مدل رگرسیون آن – I
• آشنایی با تحلیل تعدیل و مدل رگرسیون آن – II
• معادله آماری تعدیل
• آشنایی با میانجی آماری : تأثیر مستقیم ، غیرمستقیم و کلی
• تفاوت بین تعدیل و واسطه آماری
• بارگیری و نصب PROCESS Macro
• نمونه هایی از تعدیل: داستان Infosys و Uber
• میانجی آماری چیست: درک مدل میانجیگری
• میانجی نسبی و مطلق چیست؟
• آشنایی با Direct Indirect & Total Effects
• آزمون سوبل چیست؟
• تاثیرات غیر مستقیم تا حدی استاندارد شده در مقیسه با تاثیرات کاملاً استاندارد شده
• آشنایی با نسبت های اثر غیر مستقیم: غیر مستقیم به کل در مقابل غیر مستقیم به مستقیم
• نسبت واریانس ناشی از اثر غیرمستقیم چیست؟
• تجزیه و تحلیل تعدیل: ایجاد مجموعه داده ها و فرضیه ها
• آشنایی با شماره های مدل ها
• تعدیل: متغیرها ، بوت استرپینگ ، هم متغیرها ، تعدبل کننده های پیشنهادی W ، Z ، V ، Q
• تعدیل> گزینه ها: میانگین نتایج حاصلضرب
• تعدیل> گزینه ها: Heteroscedasticity سازگار SE ، OLS / ML CI ، پلات کردن داده ها
• تعدیل> شرطی سازی: جانسون-نیمان
• تعدیل: چند طبقه ای
• کار کردن با نام های طولانی
• توضیح خروجی تحلیل تعدیل
• پات کردن اثر تعدیل در SPSS و Excel
• نمایش اثر تعدیل ، نمودار و جدول با استفاده از سبک APA
• مدل مفهومی میانجی :آیا گلوکز عامل واسطه در بروز دیابت است؟
• بررسی مناسب بودن داده ها برای تجزیه و تحلیل میانجی
• میانجی: متغیرهای M ، شماره مدل ، نمونه بوت استرپ و متغیرها
• میانجی> گزینه ها: فاصله اطمینان و اندازه اثر OLS / ML
• میانجی> گزینه: تست سوبل
• میانجی> گزینه ها: مدل کل تأثیر ، مقایسه اثر غیر مستقیم ، چاپ مدل Cov
• میانجی: نامهای شرطی ، چند کلاسه و طولانی
• میانجی> خروجی: آشنایی با نتیجه ماتریس کوواریانس
• توضیح نتیجه میانجی – قسمت 1
• توضیح نتیجه میانجی – قسمت 2
• توضیح نتیجه میانجی- قسمت 3
• خروجی میانجی: اثرات غیرمستقیم بصورت نسبی و کامل استاندارد شده
• خروجی میانجی: نسبت غیر مستقیم به اثر کل و غیر مستقیم به اثر مستقیم
• خروجی میانجی: اندازه اثر میانجی در مربع R
• خروجی میانجی : آزمون نظریه عادی برای اثر غیرمستقیم
• خروجی میانجی:Square Cappa
• محاسبه squared cappa کلی و پریچر
• نمایش نتایج تجزیه و تحلیل میانجی با استفاده از سبک APA

هفته شانزدهم:مدل سازی خطی عمومی GLM) (و مدل سازی خطی تعمیم داده شده

–
• مجموعه داده ها و منابع: GLM
• مقدمه ای برمدلهای خطی عمومی )GLM
• مدلهای خطی عمومی (GLM) چیست؟
• مدلهای خطی تعمیم یافته (GLIM) چیست؟
• توزیع نمایی چیست؟
• مثالها و کاربردهای مدلهای خطی تعمیم یافته (GLIM)
• مدلهای خطی عمومی (GLM) در مقایسه با مدلهای خطی تعمیم یافته (GLIM)

هفته هفدهم:تحلیل واریانس تکراری یکطرفه

• مجموعه داده ها و منابع: اندازه گیری تحلیل واریانس تکراری یکطرفه
• طرح اندازه گیری تکراری چیست (مثال 1: مطالعه افسردگی)
• طرح اندازه گیری تکراری چیست (مثال 2: کار کردن در شرایط سر و صدا)
• طرح اندازه گیری تکراری چیست (مثال 3: مطالعه گروه کنترل)
• آیا باید Repeated Measure ANOVA یا Paired Sample t test را انجام دهم؟
• مفروضات اندازه گیری ANOVA تکراری
• توضیح آزمون های چند متغیره
• آشنایی با trace Pillai و Wilk’s Lambda
• آشنایی با trace هاتلینگ
• اشنایی با ریشه ماکزیمم Roy
• Sphericity چیست؟ توضیح با ذکر مثال
• آشنایی با آزمون Sphericity موچلی
• آشنایی با مجموعه داده
• تعریف فرضیه تحقیق بر اساس داده ها
• آشنایی با “نامگذاری فاکتورهای درون آزمودنی”
• آشنایی با گزینه “measurement Name ”
• آشنایی با گزینه های ” فاکتور بین آزمودنی و هم متغیر”
• آشنایی با نتیجه اولیه
• مدل: Full Factorial, Build/Custom Terms & Main and Interaction Effects
• توضیح مجموع مربعات نوع I ، نوع II ، نوع III و نوع IV
• کنتراست: ساده ، چند جمله ای ، تکرار شده ، انحراف ، تفاوت ، هلمرت
• تعریف نمودارها: بررسی همه گزینه ها
• مقدمه ای بر آزمونهای پس از آزمون: دو خانواده آزمون
• چه زمانی از تست های توکی و شفی استفاده کنیم؟
• توضیح تصحیح بونفرونی
• توضیح تست LSD
• Tukey، s HSD، Tukey’s WSD و SNK Test
• Waller-Duncan، Dunnett’s T، Scheffe، Sidak، Duncan، and Hochberg Gabriel’s Test
• بازی های Howell، Tamhane’s T2 و T3 Test: آزمون های غیر پارامتری Post-hoc

هفته هیجدهم:همبستگی

• مقدمه ای بر همبستگی
• همبستگی چیست؟
• انواع همبستگی: همبستگی مثبت و منفی
• آشنایی با ضریب همبستگی و دامنه آن
• کدام ضریب همبستگی و کی استفاده کنیم؟
• مقدمه ای بر همبستگی پیرسون: مبدا ، کاربرد آن
• چرا ضریب همبستگی لحظه ای محصول نامیده می شود؟
• مفروضات همبستگی لحظه ای محصول پیرسون
• محاسبه r: فرمول امتیاز انحراف
• محاسبه r: فرمول امتیاز Z
• محاسبه r: فرمول امتیاز خام
• محاسبه r: فرمول همبستگی
• محاسبه دستی r با استفاده از روش نمره خام
• اهمیت ضریب همبستگی
• همبستگی های جعلی: همبستگی به معنای علیت نیست
• ضریب همبستگی پیرسون به عنوان ضریب تغییر (مربع R)
• محاسبه r در SPSS: بررسی فرضیات
• محاسبه r در SPSS: یادگیری Pearson ، Two tailed و Bootstrapping
• تفسیر خروجی r
• بوت استرپینگ ضریب همبستگی (r)
• نمایش خروجی r با استفاده از سبک APA
• رفع اشکال Bootstrap در SPSS 25
• مقدمه ای بر همبستگی های biserial و نقطه ای
• چه موقع از Biserial و چه موقع از Point Biserial Corleation استفاده کنیم؟
• محاسبه و تفسیر ضریب همبستگی در SPSS
• نکایش نتایج خروجی همبستگی دوجانبه با استفاده از APA
• تمرین : محاسبه همبستگی نقطه ای بین جنسیت ، حقوق و دستمزد
• نحوه محاسبه ضریب تجزیه نقطه ای در SPSS
• چگونگی تفسیر انعطاف پذیری نقطه ای در SPSS
• چگونه می توان خروجی همبستگی نقطه ای را به سبک APA گزارش کرد
• مقدمه ای بر ضریب همبستگی ترتیبیSpearman (Rho)
• زمان استفاده از ضریب همبستگی مرتبه مرتبه: چهار مثال
• مفروضات ضریب همبستگی ترتیبی Spearman
• آشنایی با فرمول Rho و روش رتبه بندی
• هنگام محاسبه Rho چگونه با Tied Ranks کار کنیم؟
• آیا ابتدا باید متغیرهای خود را رتبه بندی کنم سپس Rho را محاسبه کنم؟
• محاسبه و تفسیر Rho در SPSS
• Rho در رتبه بندی داده ها: نمایش عملی
• نمایش ضریب همبستگی ترتیبی Spearman با سبک APA

هفته نوزدهم:اندازه گیری سطح رابطه

• مقدمه: تفاوت بین ارتباط و همبستگی چیست
• آشنایی با جفت ها براساس ستون و محاسبه ردیف ها
• مقدمه ای بر تاو کندال
• چه موقع باید از Tau کندال به جای Spearman’s Rho استفاده کرد
• مفروضات کندو تاو
• دامنه و تفسیر تاو کندال
• انواع ضرایب Tend Kendall: Tau a ، Tau b ، Tau c و Kendall’s W
• Kendall’s Tau b and Tau c: مقدمه و زمان استفاده از آنها
• فرمول Tau b Kendall
• Kendall’s Tau c: فرمول و زمان استفاده
• کندال Tau c: بررسی فرض
• Kendall’s Tau c: محاسبه و تفسیر در SPSS
• Kendall’s Tau c: گزارش سبک APA
• Kendall’s W: مقدمه و زمان استفاده
• کندال W:آشنایی با فرمول
• W Kendall’s in SPSS (با استفاده از عامل غیر پارامتری)
• Kendall’s W: APA Style Output Reporting
• هفتم بیستم:رفع باگ در SPSS
• رفع باگ بوت استرپ در SPPS 25
• آنکووا و: تجزیه و تحلیل یک طرفه واریانس
• مقدمه: ANCOVA چیست و چه موقع باید از آن استفاده کرد؟
• معنی کوواریانت چیست؟ آیا به معنی کنترل متغیراست؟
• راه های ANCOVA و شرایط لازم برای انجام ANCOVA
• درک مفروضات و مجموعه داده
• طرح تحقیق و مجموعه داده های مطالعه
• درک گزینه ها: DV ، عوامل ثابت و عوامل تصادفی
• آشنایی با متغیرها و وزن WLS و اینکه چرا دکمه Post-hoc غیرفعال می شود
• بررسی مفروضات
• اهمیت کنترل متغیر
• توضیح گزینه ها: مدل مجموع مربعات و کنتراست
• توضیح گزینه ها: پلات ها
• توضیح گزینه ها: براورد میانگین marginal
• توضیح گزینه ها: مقایسه تاثیرات اصلی (LSD ، Bonferroni ، Sidak) و ذخیره
• گزینه ها: توصیفی ، پارامتر اندازه اثر باقیمانده آزمون تخمین همگنی
• نمایش نتایج ANCOVA با استفاده از سبک APA

MANOVAهفته بیست و یکم:

• MANOVA چیست؟
• چه موقع از MANOVA استفاده کنیم؟
• درخت تصمیم گیری آزمون MANOVA
• مفروضات MANOVA
• سوالات تحقیق و طرح مطالعه
• تعریف فرضیه ها
• آشنایی با پنجره MANOVA در SPSS
• تعیین مدل: فاکتورهای کامل ، شرایط ساخت و شرایط سفارشی
• آشنایی با مدل مربعات
• کنتراست چیست؟
• آشنایی با کنتراست ساده
• آشنایی با کنتراست تکراری
• آشنایی با کنتراست چند جمله ای
• آشنایی با کنتراست انحراف
• تفاوت و تضاد هلمر
• شناخت estimated marginal mean
• اشنایی با گزینه Save
• آشنایی با مشخصات توصیفی ، اندازه اثر ، پارامتر غیر متمرکز
• آشنایی با برآورد پارامتر
• آشنایی با ماتریس SSCP و ماتریس SSCP residuals
• آشنایی با ماتریس تحول و تست همگنی
• آشنایی با طرح های گسترش یافته و residuals

هفته بیست و دوم:پایتون برای کاربران SPSS

• چرا متخصصان علوم اجتماعی باید برنامه نویسی یاد بگیرند؟
• گزینه های قابلیت برنامه نویسی در SPSS: پایتون ، R و ویژوال بیسیک
• دسترسی به پایتون از SPSS
• آشنایی با گزینه بسته نرم افزاری افزونه
• سه قانون نوشتن برنامه پایتون
• اولین برنامه پایتون شما در SPSS: سلام به جهان
• انواع داده در پایتون
• داده چیست؟
• انواع داده چیست؟
• ساختارهای داده چیست؟
• انواع داده در مقابل ساختارهای داده در پایتون
• انواع داده های non-primitive: Lists, Stack, Queue, Map
• انواع داده های non-primitive: Tupple, Set, Frozen Set, Dictionary
• گزینه های حسابی در پایتون: استفاده از پایتون به عنوان ماشین حساب
• تابع چاپ -واحد: راهنمای مفید – چاپ کردن نام یک میلیون بار در ثانیه
• آموزش چاپ پاراگراف در پایتون
• چاپ الگوی متن در پایتون
• Clearing Screen: نحوه تعریف تابع پاک کردن صفحه در Pycharm
• واحد: توابع در پایتون – لیست توابع ساخته شده
• عملکرد ورودی
• توابع حداقل و حداکثر