طريقة اختيار الاساليب الاحصائية المناسبة لتحليل البيانات في ميدان العلوم الاجتماعية

في ميدان العلوم الاجتماعية
طبيعة البيانات في الدراسات الكمية:
نلجأ إلى التحليل الاحصائي في الدراسات الكمية لكي نتمكن من الوصول إلى أغوار العوامل الديناميكية والممكنة والتي قد تلقى بعض الضوء على الجوانب التي قد تحتاج إلى فحص جديد وثمة قاعدة عامة في هذا الصدد وهي الحرص على جراسة وفحص البيانات في ضوء خصائصها وطبيعتها الأساسية قبل اختيار الطريقة الاحصائية في معالجة هذه البيانات ويجب أن يضع الباخث في نصب عينه أن البيانات نفسها هي التي تحدد طريقة الإجراء التي يجب أن يستخدم
لا شك أن لكل منهج إحصائي متطلبات خاصة تفرضها عليه طبيعة البيانات المستخدمة والتي يجب أن تكون ملائمة لهذه المتطلبت ويمكن تصنيف البيانات طبقا للأسس الأربع التالية:
أ-نوع البيانات Kind of Data :
توجد البيانات محددة ومقتطعة discrete values مستقلة بذاتها ومثال ذلك الأشخاص ، التفاح والقوميات
وتكون القيم المتصلة contimous values متصلا a continuum كما هو الحال بالنسبة لدرجات الحرارة والترتيب العمري ....... الخ
ب-مستوى القياس level of Measurement :
- البيانات الاسمية Nominal Data وهي تتميز عن غيرها من البيانات بإعطاء اسم لها كالأطفال والمزارعين ..... الخ
- البيانات القائمة على القياس الترتيبي Ordinal Measurement والتي يسند لها نظام متتابع كما هو الحال بالنسبة لأيام الأسبوع ترتب الكليات بالجامعة أو ترتيب المقياس المئوى A Percentile Scale
- البيانات القائمة على القياس الفئوي Interval Data أو الوحدات المتساوية هي تلك البيانات التي يتم قياسها في شوء الاختلاف في الوحدات القياسية ومثال ذلك درجة على أكبر 30 نقطة من درجة أخرى واحمد 5 كجم زيادة عن علي أو فاطمة طولها 3 سنتيمتر زيادة عن نشوى وهكذا
- البيانات القائمة على المقياس النسبي Ratio Scale وهي تلك البيانات التي تبين أن بندا من البنود أكبر من بند آخر إن احمد أو ذكي أقوى من شخص آخر (يذهب بعض الاحصائيون أن هذا المقياس يبدأ من درجة الصفر المطلق) ومثال ذللك المقياس المتبني A Percentage Scale
ج-عدد الجماعات التي يتم جمع البيانات عنها:
- تنشأ البيانات عن جماعة واحدة One group data من خلال جماعة متفردة من المبحوثين ويصادفنا مثل هذا النوع من البيانات عند قيامنا بإجراء دراسة قبلية أو عمدية على بعض المتغيرات خاصة جماعة واحدة من الأفراد
- تنشأ البيانات عن جماعتين Two group data عند دراسة جماعتين كما هو الحال بالنسبة للجماعة الضابطة أو الجماعة التجريبية
- تنشأ البيانات عن جماعات كثيرة Many groups data من خلال دراساتنا لجماعات سكانية متعددة Multi-group population والتي يتم فيها دراسة متغيرات متعارضة في مواقف متباينة
د- عدد المتغيرات Variables :
- هناك بيانات قائمة على متغير واحد univariate عن جماعة من الجماعات ويعد هذا النوع من الدراسات من أبسط الأنواع وهو يتنمي إلى نموذج بحثي كلاسيكي وفي هذه الحالة يتم تثبيت جميع المتغيرات ماعدا متغير واحد عند القيام بإجراءات الدراسة
- هناك بيانات تشمل القائمة على متغيرين bivariate اثنين ومثال هذا النوع من الدراسات تتمضن قياس التحصيل النسبي في مادتين لكل فرد من أفراد العينة
- هناك بيانات تشمل على متغيرات متعددة Multi variates عادة ما يتم عزلها ثم دراستها باستخدام التحليل المتعدد للمتغيرات
يجب على الباحث أن ينظر عن قرب للبيانات التي تم جمعها وقبل أن يبدأ خطوة التحليل الاحصائي على أن تكون هذه النظرة تحليلية فالبيانات هي المادة الخام للبحث وكقاعدة عامة يجب أن يقوم كل باحث بفحص تلك البيانات في البداية ولا يجب أن نتجاهل أي مكونات لتلك البيانات بصرف النظر عن كونها بعيدة أو غير واضحة بالنسبة للمحور الرئيسي للدراسة
يجب أن تفحص البيانات بنفس الطريقة التي تنظر فيها إلى قطع الشطرنج وتتساءل عن كم عدد الأوضاع التي تشغلها البيانات ؟ ما هو الاختلاف الذي قد يحدث نتيجة لتغير أوضاع هذه القطع؟ يجب أن تحدد ما إذا كانت البيانات المطلوب تحليلها إحصائيا تمثل قيما محددة أو مقتطعة Discrete Values لابد أن تسأل أيضا بأي الطرق قد تم قياس هذه القيم ؟ ولا بد أن تلاحظ كم عدد الجماعات التي يتم جمع البيانات عنها كما يجب أن تحدد أو تتخيل عدد المتغيرات التي سوف يتم التحكم فيها من الدراسة؟
فقبل أن تبدأ في اختيار الاجراء الاحصائي المناسب يجب أن تنظر إلى البيانات بنظرة فاحصة بطرق متعددة قبل أن تشغل نفسك بالإجراءات الاحصائية المعقدة ولتأخذ مثالا لتوضيح هذه النقطة يجب أن تكتب ملاحظاتك بعناية بعد أن تنظر بعين فاحصة إلى البيانات التي تحت يديك ثم قم بإعادة ترتيب الدرجات حتى ترى بنفسك كيف يمكن الوصول إلى معلومات عنها قبل اخضاعها للتحليل الاحصائي فقد تتأكد من أن بعض المعلومات لا تربطها أية صلة بمشكلة البحث
- دور الاحصاء في تفسير البيانات:
يحاول الباحثون في ميدان الاحصاء فهم البيانات المشتقة عن العالم الواقعي بمساعدة الأرقام ويتم التوصل إلى هذه البيانات بطرق متعددة مثل الوقوف على حجم المجتمعات البشرية ، درجة الحرارة ومدى شدة ضغطها ودرجة الجذب المغناطيسي ككتلة من المادة كما يحاول الباحثون فهم البيانات المشتقة عن العالم غير الواقعي كما هو الحال في مستوى الذكاء ومدى قوة معتقدات فرد ما , التحصيل الأكاديمي ... الخ
وعادة ما يتم التعبير عن هذه الظواهر باستخدام الرمز الاحصائي أو قيمة احصائية ، عدد الأفراد في جماعة معينة ، درجات الحرارة ، الضغط الجوي ، ناتج مقياس الذكاء ، الدرجة الرقمية التي يحصل عليها طالب ما وهكذا يمكن التعبير عن مظاهر كثيرة في الحياة بطريقة احصائية
والاحصاء ما هو عبارة عن لغة يتم من خلالها ترجمة البيانات وعندما يتم نجد أن البيانات توضح من تلقاء نفسها العلاقات التي تربط بين متغيرات الدراسة والتي يحاول الباخث تفسيرها
ويتضح مما سبق أن هناك نوعان من الاحصاء:
· إحصاء وصفي Descriptive : يساعد في تلخيص البيانات وتبويبها وعمل الرسوم البيانية التي تمثلها
· إحصاء استدلالي Inferential : يساعد في استنتاج معلومات عن مجتمع دراسة العينات المسحوبة من هذا المجتمع
إذا استطاع الباحث أن يتفهم جيدا ما يستطيعه أو لا يستطيع عمله بالاحصاء فإنه بذلك يتفهم أيضا الدور الذي يقوم به الاحصاء كأداة للبحث فإذا كانت البيانات التي يراد تحليلها احصائيا في صيغة قيم رقمية فالاحصاء يساعد الباحث في أربع صور:
1-يستطيع الاحصاء أن يحدد النقطة المركزية التي يتجمع حولها البيانات عن طريق استخدام مقاييس النزعة المركزية
2-يشير الاحصاء إلى كيفية انتشار البيانات عن طريق حساب التشتت
3-يوضح الاحصاء العلاقة التي ترتبط بين نوع ما من البيانات وبيانات أخرى كما هو الحال في قياس الارتباط بين المتغيرات
4-يساعد الاحصاء على توفير بعض الاجراءات الاحصائية لاختيار الدرجة التي تتطابق أو تبعد عن تلك القيم المتوقعة أو مدى قربها من المقاييس المتوقعة أو مدى قربها من المقاييس المتوقعة كما هو الحال عند استخدام المقاييس الاستدلالية
الاحصاء الباراميتري واللاباراميتري:
يمكن تقسيم الاحصاء إلى نوعين:
- الاحصاء الباراميتري Parametric Statistics
- الاحصاء اللابارامتري Nonparametric Statistics
يفترض الاحصاء الباراميتري أن عينة الدراسة لها معالم أو مؤشر واحد على الأقل a parameter والمعالم أو المؤشر هو عبارة عن خاصية أو صفة تتميز بها العينة وهي طبقا لهذا المفهوم ما هي إلا عبارة عن قيمة ثابتة ولكنها متغيرة فعلى سبيل المثال إذا نظرت إلى أي دائرة فقد تجد أن المؤشر الذي يلف هذه الدائرة ما هو إلا عبارة عن نصف قطرها والذي يرتبط وظيفيا بهذه الدائرة وبذلك يكون هذا المؤشر ثابتا فهو دائما نفس الشىء بالنسبة لأية دائرة لأنه يمثل المسافة بين منتصف الدائرة وقطرها ولكن قيمة هذه المسافة تختلف تبعا لاهتلاف حجم الدائرة فالدائرة الكبيرة لها أنصاف أقطار طويلة يمكن قياسها بالسنتيمتر أو البوصة أو القدم وهي بذلك عبارة عن نتغير يمثل المسافة بين منتصف الدائرة وقطرها
ولكن ليست كل البيانات المتاحة تخضع لمتطلبات الاحصاء البارامتري الذي يفترض أن عينة الدراسة مسحوبة طبقا للمنحنى الاعتدالي الذي يتطلب حساب المتوسطات والانحراف المعياري ومعامل الارتباط .... الخ
وفي حالات كثيرة نجد أن البيانات التي يتم الحصول عليها من أفراد العينة لا تقترب من قريب أو بعيد من التوزيع المعتدل Normal Distribution في هذه الحالة يتطلب الأمر استخدام طرق الاحصاء اللاباراميترية فعادة لا تتماثل توزيع البيانات التي يتم جمعها عن أفراد العينة مع شكل الجرس كما هو الحال في التوزيع المعتدل بل تشبه إلى حد كبير شكل متدرج حيث كانت القيم عن أفراد العينة تأخذ هذا الشكل أو تأخذ أشكال بعيدة عن التوزيع المعتدل والمقصود بكلمة توزيع هو توزيع الأفراد على القيم والاجراء الاحصائي القائم على أساس التوزيع المعتدل لا يمكن تطبيقه في هذه الحالة بل يجب أن نبحث عن إجراء آخر تمدنا به مجموعة الإجراءات الاحصائية المعروفة باسم الاحصاءات اللاباراميترية
متى تستخدم الاختبارات اللابارميترية لقياس الفرق بين عينتين؟
تسخدم الاختبارات اللاباراميترية للكشف عن دلالة الفروق بين متوسطي عينتين عندما:
1- لا تتوفر شروط استخدام اختبار " ت " كأن تكون مفردات العينتين صغيرة
2- عندما يكون توزيع أحد العينيتين غير اعتدالي أو ملتوى بدرجة كبيرة
3- عندما يكون تباين العينتين Sample variance مختلف بصورة كبيرة عن بعضها
وهنا يفضل استخدام الرتب فضلا عن القيم الأصلية في حساب دلالة الفروق بين متوسطي عينتين كما يمكن اسنخدام الرتب في حساب معامل الارتباط أو قوة العلاقة بين متغيرين
ومن أشهر الاختبارات اللاباراميترية ما يلي:
1- اختبار كا2 The chi-Square Test :
ومن الاختبارات اللاباراميترية الأكثر شيوعا هو اختبار كا2 ويستخدم هذا الاختبار عندما تقارن قيمة كا2 المحسوبة (observed) بقيمة كا2 النظرية ( الجدولية ) بدرجة جرية مقدارها 1 وعند نسبة خطأ = 1 فإذا كانت كا2 المحسوبة تساوي أو أكبر من الجدولية فمعنى ذلك أن هناك ارتباط بين المتغير الأول والثاني ومن ثم يمكن رفض الفرض الصفري أما إذا كانت كا2 المحسوبة أقل من كا2 الجدولية فلا وجود لهذه العلاقة أو أن هذين المتغيرين مستقلان عن بعضهما البعض كما تستخدم كا2 لاختبار مدى اتفاق توزيع القيم مع التوزيع المتوقع Goodness of Fit
2- اختبار مان وتني يو The Mann-Whitney U Test :
يتشابه هذا الاختبار مع اختبار T-test وهو من المقاييس الباراميترية ولكن اختبار مان ونتي يو يعد من الاختبارات اللاباميترية ويستخدم عادة لبيان عما إذا كان وسيط كل من عينيتن مستقلتين يختلفان عن بعضها البعض اختلافا جوهريا
3-اختبار ويلكوكسون للفروق بين رتب قيم مرتبطة TheWilcoson runk sum test :
وهو اختبار لاباراميتري بديل عن اختبار " ت " للقيمة المرتبطة إذا لم تستوفى البيانات التي بين أيدينا الشروط الواجب توافرها لاستخدام اختبار "ت" للقيمة المرتبطة ويمكن استخدام هذا الاختبار عندما تكون البيانات معبرا عنها في شكل رتب لاختبار الفرض بأن عينات الدراسة لها نفس توزيع المجتمع الذي تم سحب العينات منه
4-معامل ارتباط سبيرمان The Spearman Rank Order Correlation :
احيانا يسمى (Supearman's rho)وهو اختبار لاباراميتري يستخدم في الحالات التالية:
· إذا كان المتغيران كل منها ينقسم إلى فئات منفصلة كثيرة
· إذا كان المتغيران ينقسمان إلى فئات ونريد الاستعانة يرتب هذه الفئات عن الفئات نفسها
· إذا كان المتغيران كل منها متغير متصل ولكننا نفضل استخدام الرتب بدلا من القيم الخام لكل متغير
5-اختبار كيلموجوروف-سمرنوف : The kilmogorow Smirnow
يقوم بنفس عمل كا2 عند اختبار التوزيع المتوقع كما يقوم بنفس عمل اختبار ويلكوكسون للفروق بين رتب القيم لتحديد عما إذا كانت العينات العشوائية هي من نفس عينة الدراسة
6-اختبار كروسكال – والاس The Kruskal Wallis test :
ويسمى أحيانا كروسكال – والاس (H) عندما يجري الباحث تجربة ولكن بياناته التي حصل عليها لا تتوزع توزيعا اعتداليا أو أن تكون العينات صغيرة عندئذ يلجأ إلى استخدام كروسكال والاس لدراسة بين العينات
7-معامل اتفاق كندال:
وهو إجراء يمكن استخدامه عندما يكون هناك رتبا قام بها بعض الحكام المستقلين والمطلوب معرفة مدى اتفاقهم في تحديد الرتب ولقياس دلالة (W) المعنوية يمكن استخدام كا2
الاجراءات الإحصائية المتاحة في برنامج SPSS :
يتضمن هذا البرنامج العديد من الإجراءات الاحصائية الشائعة التي يستخدمها الباحثون في ميدان العلوم الاجتماعية عند دراسة الظواهر المطروحة أمامهم وسوف نبدأ بتلك الإجراءات التي يبدأ بها عادة الباحثون كخطوة أولة ثم يليها استخدام إجراءات احصائية أكثر تعقيدا وتميزا فلا يوجد بحث اجتماعي يستخدم كل الإجراءات التي سوف نشرحها مرة واحدة وإنما عادة ما يستخدم الباحث إجراء او طريقة من الطرق الإحصائية منفردة في أي وقت من الأوقات
1-التوزيع التكراري لمتغير واحد وقياس النزعة المركزية والتشتت One- Way Frequency Distribution, Measures of Central Tendency and Dispersion :
في معظم البحوث الاجتماعية فإن أول وظيفة للباحث هو فحص الصفات التوزيعية لكل المتغيرات المستقلة Independent Variable أو المتغيرات التابعة Dependent Variables تحت الدراسة ولتحقيق هذا الغرض فإن برنامج SPSS يحتوى على إجراء احصائي يسمى Descriptive Statistics :
أ-FREQUENCIES : الذي يقوم بالحساب الوصفي لينتج تقارير مجدولة للتوزيع التكراري البسيط لعدد غير كبير من الحالات المراد دراستها
ب-DESCRIPTIVES : الذي يقوم بحساب عديد من مقاييس النزعة المركزية الشائعة والتشتت للمتغيرات التي قيست باستخدام المقياس الفئوي للوحدات المتساوية والتي تجمع عددا كبيرا من الحالات التي يراد دراستها
ومن الأمثلة التي يتم استخدام النوع الثاني من الإجراءات الإحصائية فيها عددا يقوم الباحث بدراسة الدخل بالجنيه المصري والذي يفترض أنه عبارة عن قيمة متسلسلة a continuous value وعندما يتم وضع القيم في فئات مجمعة كما هو الحال في المثال التالي : 1001+ ، 501- 1000 ، 401-500 ، 301-400 ، 201-300 ، -200 كما يتيح إجراء FREQUENCIES الحصول على توزيع وصفي لمتغيرات اسمية كما هو الحال في توزيع العينة حسب الديانة ، الجنس ، أو الانتماء الحزبي
ويوفر إجراء Frequencies التحاليل الاحصائية التالية:
- المتوسط الحسابي Mein
- الوسيط Median
- المنوال Mode
- الانحراف المعياري Standard Deviation
- تحليل التباين Analysis of Variance
- تحليل الالتواء Skewness
- تحليل التفرطح Kurtosis
- تحليل المدى أو النطاق Range
- الخطأ المعياري Standard Error
كما يوفر إجراء FREQUENCIES الرسوم البيانية مثل الأعمدة البيانية والدوائر البيانية والمضلع التكراري
2-دراسة العلاقات بين متغيرين فئويين أو أكثر Relationship between Two or More Categorical Variables :
بعد أن يقوم الباحث بفهم خصائص كل متغير من متغيرات الدراسة فإن أول عمل يقوم به هو فحص مجموعات من العلاقات وهنا يختار إجراء أو أكثر لدراسة تلك العلاقات ويتوقف هذا بالطبع على خصائص المغيرات وأغراض البحث فالباحث قد يختار معامل الارتباط لدراسة هذه العلاقات أو قد يلجأ إلى عرض نتائج الدراسة في شكل جداول وخاصة إذا كانت المتغيرات اما اسمية أو تعكس ترتيبا معينا
ومن الإجراءات التي تتيح للباحث تحليل العلاقة بين متغيرين أو أكثر استخدام ما يسمى CROSSTABS حيث يمكن تبويب وفقا لمتغيرين فئويين وهذا الإجراء يمكن الباحث من تحليل العلاقة بين متغيرين أو أكثر من متغير بإنتاج تبويب مزدوج Cross robulation يوضح به التوزيع التكراري لمتغيرين ويمكن التعبير عن هذا التوزيع باستخدام النسب المئوية من المجموع الأفقي أو المجموع العمودي أو كنسبة من المجموع الكلي للجدول والتحليل الاحصائي الذي يستخدم عادة لدراسة العلاقة بين متغيرين من توزيع تكراري هو اختيار كا تربيع Chi-square الذي يظهر مدى الارتباط بين المتغيرين
3-تحليل الارتباط أو العلاقة بين متغيرين :
أن تحليل العلاقة بين متغيرين باستخدام إجراء Correlate الذي يمكن الباحث من استخدام طريقة لقياس الارتباط المستقيم أو الخطي Linear Relationship بين متغيرين وينتج عن هذه العملية قيمة احصائية توضح قوة واتجاه العلاقة بين المتغيرين وتعرف هذه القيمة باسم معامل الارتباط Correlation Coefficient ويحتوي برنامج SPSS على طريقتين احصائيتين لحساب هذه العلاقة
وينتج الاجراء الاحصائي الأول ارتباط بيرسون Pearson's الذي يناسب البيانات المستمدة من التوزيع المعتدل Normal Distribution والتي تخضع للمقياس Interval Scale أما الإجراء الاحصائي الثاني NOPAR CORR اللاباراميتري فهو يناسب البيانات التي تخضع للمقياس الترتيبي Ordinal Scale حيث تحتوي على فئات كثيرة عن جداول ذات تبويب مزدوج Cross Tabulation وتمكن الباحث من استخدام معامل ارتباط سبيرمان أو معامل الارتباط المعروف باسم كندال Kendall rank-order correlation أو كليهما
ويتيح الإجراءين الاحصاءين في برنامج ال SPSSPEARSON CORR- NONPAR CORR لزوجين مختارين من قائمة المتغيرات بالإضافة إلى مصفوفة متكاملة من معاملات الارتباط والتي من الممكن استخدامها عند تطبيق الطرق الاحصائية على المتغيرات المتعددة Multivariate وبالرغم من أن معامل الارتباط بين متغيرين يعطي ملخص احصائي منفرد لوصف العلاقة بين متغيرين فيوجد كثيرا من المواقف قد يرغب فيها الباحث في دراسة هذه العلاقة بشكل موسع ومفصل ويوجد في برنامج SPSS برنامج فرعي يعرف باسم SCATTEGRAM الذي ينتج رسما بيانيا بالنقاط المبعثرة Scatter plot Diagram بين المتغيرين وبذلك يمكن رؤية نمط العلاقات بشكل واضح وبالإضافة إلى هذا الرسم البياني فيوجد أيضا طرق أخرى كمعامل ارتباط بيرسون ، الخطأ المعياري Standard error
4-معامل الارتباط الجزئي Partial Correlation :
لدراسة العلاقة بين متغيرين لابد من إبجاد مقياس تقيس به مثل هذه العلاقة وهذا المقياس هو ما يسمى بمعامل الارتباط ولحساب معامل الارتباط ينبغى أن يكون لدينا متغيرات لتقيس قوة واتجاه العلاقة بينهما ومعامل الارتباط الجزئي يدرس العلاقة بين متغيرين بينما نتحكم في تأثير متغير آخر أو أكثر وفي هذه الحالة نجد أن معامل الارتباط الجزئي هو في الواقع يشبه التبويب المزدوج للمتغيرات المتصلة والبرنامج المستخدم هو إجراء PARTIAL باستخدام اما بيانات خام أو مصفوفة من معاملات الارتباط البسيط التي تم الحصول عليها باستخدام PEARSON CORR و PARTIAL CORR
5-معامل الارتباط المتعدد وتحليل الانحدار Multiple Correlation and Regression :
معامل الارتباط المتعدد هو بمثابة امتداد لمعامل الارتباط الجزئي إلى التحليل المتعدد ويمكن تحليل الانحدار المتعدد Multiple Correlation لدراسة العلاقة بين مجموعة من المتغيرات المستقلة Independem ومتغير تابع Dependem بينما يؤخذ التحليل في اعتباره العلاقات بين المتغيرات المستقلة والهدف الأساسي هذا هو استنتاج مدى تأثر المتغيرات المستقلة والهدف الأساسي هذا هو استنتاج مدى تأثير المتغيرات المستقلة والهدف الأساسي هذا هو استنتاج مدى تأثير المتغيرات المستقلة مجتمعة على المتغير التابع كما يمكن استخدام العلاقات بين المتغيرات المستقلة في التنبؤ بقيم المتغير التابع وتحديد مدى أهمية كل متغير من المتغيرات المستقلة في هذا التنبؤ ويمكن الحصول على عدد لا بأس به من معاملات الارتباط المتعددة وتحليل الانحدار باستخدام الإجراء الاحصائي REGRESSION ويمكن القيام بهذه التحليلات الاحصائية باستخدام مادة أولية خام Raw Data أو استخدام مصفوفة من معاملات الارتباط
كما يمكن هذا الاجراء الباحث من تحليل الانحدار على عدد محدود من المتغيرات أو السماح للمتغيرات بالدخول في التحليل الاحصائي بشكل متتابع حسب قدرتها في تفسير التباين
6-تحليل التباين ANOVA :
تحليل التباين هو إجراء إحصائي لتقدير تأثير مجموعة من المتغيرات المستقلة (عوامل Factors ) على متغير تابع تم قياسه بمستوى القياس القائم على الوحدات الفئوية Interval Scale وتبعا لذلك يمكن تقسيم المتغيرات ووضعها في فئات Categories طبقا لقيم كل من المتغيرات المستقلة وطبقا لدرجة اختلاف المتوسط الحسابي لهذه الفئات عن المتغير التابع وبذلك يمكن حساب تأثير المتغيرات المستقلة على المتغيرات المستقلة على المتغيرات التابعة ودرجة التفاعل بين هاتين المجموعتين
ويوفر SPSS الإجراء الإحصائي ANOVA لتحليل التباين وهو شبيه إلى حد كبير بإجراء حساب تحليل الانحدار
7-التحليل العامليين Factor Analysis :
التحليل العاملي هو إجراء إحصائي عام يستخدم في تحديد الأبعاد الرئيسية المتمثلة في عدد كبير جدا من المتغيرات أو بمعنى آخر التحليل العاملي يكتشف الأبعاد الرئيسية التي تفسر مجموعة كبيرة من المتغيرات ويستخدم في ميادين العلوم الاجتماعية لتقليل المتغيرات الكثيرة إلى عدد صغير من العوامل التي يمكن تفسيرها بها

merci kteeeeeeeeeeeeeeeer

مشكووووووووووووووووووووووووووووووووووووووووووووور