نگاه اجمالي
هنگامي که توده‌اي از اطلاعات کمي ‌براي تحقيق گرد آوري مي‌شود، ابتدا سازمان بندي و خلاصه کردن آنها به طريقي که به صورت معني داري قابل درک و ارتباط باشند، ضروري است. روشهاي آمار توصيفي (Descriptive Statistics) به همين منظور بکار برده مي‌شوند. غالبا مفيدترين و در عين حال اولين قدم در سازمان داده‌ها مرتب کردن داده‌ها بر اساس يک ملاک منطقي است و سپس استخراج شاخص‌هاي مرکزي و پراکندگي و در صورت لزوم محاسبه همبستگي ميان دو دسته اطلاعات و استفاده از تحليل‌هاي پيشرفته تر نظير رگراسيون (Regression) و پيش بيني (Prediction) مي‌باشد.
در يک جمعبندي با استفاده مناسب از روشهاي آمار توصيفي مي‌توان دقيقا ويژگيهاي يک دسته از اطلاعات را بيان کرد. آمار توصيفي هميشه براي تعيين و بيان ويژگيهاي اطلاعات پژوهش‌ها بکار برده مي‌شوند.
روشهاي آمار توصيفي
تشکيل جدول توزيع فراواني
توزيع فراواني عبارت است از سازمان دادن داده‌ها يا مشاهدات به صورت طبقات همراه با فراواني هر طبقه. براي تشکيل يک جدول توزيع فراواني بايد دامنه تغييرات ، تعداد طبقات و حجم طبقات توسط فرمولهاي مربوطه محاسبه شده و سپس اقدام به نوشتن جدول توزيع در دو ستون X (ستون طبقات) و F (فراواني طبقات) شود. پس از اين مرحله در صورت تمايل يا لزوم پژوهشگر مي‌تواند شاخص‌هاي ديگري نظير فراواني تراکمي‌ ، فراواني تراکمي‌ درصدي را محاسبه نمايد. تشکيل جدول توزيع فراواني يک روش اقتصادي و در عين حال آسان براي نمايش انبوهي از داده‌هاي نامنظم است. اما در طبقه بندي کردن ، برخي از اطلاعات به علت خطاي گروه بندي از دست مي‌روند که در محاسبه شاخصهاي آماري نيز منعکس مي‌شود. ولي مقدار آن ناچيز بوده و اشکال عمده‌اي ايفا نمي‌کند.
ترسيم نمودار
يکي از نقاط ضعف نمايش داده‌ها به صورت جدول فراواني عدم درک سريع اطلاعات جدول است. نمودارها ابزار مناسبي براي نمايش تصويري اطلاعات هستند. انواع مختلفي از نمودار وجود دارد که از جمله مي‌توان به نمودار هيستوگرام ، نمودار ستوني ، نمودار چند ضلعي تراکمي ‌، نمودار دايره‌اي ، نمودار سريهاي زماني و …اشاره کرد.
محاسبه شاخصهاي مرکزي
در محاسبات آماري لازم است که ويژگيها و موقعيت کلي داده‌ها تعيين شود. براي اين منظور شاخصهاي مرکزي محاسبه مي‌شوند. شاخصهاي مرکزي در سه نوع نما (Mode) ، ميانه (Median) و ميانگين (Mean) هستند که هر يک کاربرد خاص خود را دارا مي‌باشند. در تحقيقاتي که مقياس اندازه گيري داده‌ها حداقل فاصله‌اي است ميانگين بهترين شاخص است. ولي در تحقيقاتي که مقياس اندازه گيري داده‌ها رتبه‌اي يا اسمي‌ است، ميانه يا نما مورد استفاده قرار مي‌گيرند.
محاسبه شاخصهاي پراکندگي
شاخصهاي پراکندگي برخلاف شاخصهاي مرکزي هستند. آنها ميزان پراکندگي يا تغييراتي را که در بين داده‌هاي يک توزيع (نتايج تحقيق) وجود دارد، نشان مي‌دهند. دامنه تغييرات ، انحراف چارکي (Quartile Deviation) ، واريانس (Variance) و انحراف استاندارد (Standard Deviation) شاخصهايي هستند که به همين منظور در تحقيقات مورد استفاده قرار مي‌گيرند. پس از محاسبه شاخصهاي مرکزي و پراکندگي مي‌توان نمره‌هاي استاندارد را محاسبه و منحني طبيعي (Z) را ترسيم کرد
شاخص هاي پراکندگي
الف) دامنه تغييرات : اين شاخص بدترين نوع شاخص پراکندگي است زيرا تنها با دو مقدار ابتدايي و انتهايي سري داده مرتب شده در ارتباط است که توسط رابطه زير به دست مي آيد:
R=Xmax-Xmin
ب) متوسط قدر مطلق انحرافات: اين شاخص پراکندگي را با Ad نمايش داده وبه صورت زير تعريف مي کنند .
شاخص فوق به دليل ثقيل قدر مطلق توصيه نمي شود.
ج)واريانس:
به دليا اين که واريانس واحد اندازه گيري را مر بع مي کند توصيه نمي شود.
محاسبه همبستگي
تحقيقاتي وجود دارد که پژوهشگر مي‌خواهد رابطه بين دو متغير را تعيين کند و به همين منظور از روشهاي همبستگي (Correlation) استفاده مي‌کند. در محاسبه همبستگي ، نوع مقياس اندازه گيري دخالت دارد و بطور کلي به دو دسته پارامتري و ناپارامتري تقسيم مي‌شوند.
محاسبه همبستگي براي تحقيقات پارامتري : چنانچه دو متغير در مقياسهاي فاصله يا نسبي اندازه گيري شده باشند، مي‌توان براي تعيين رابطه بين آنها از ضريب همبستگي گشتاوري پيرسون استفاده کرد. ولي اگر در تمام مفروضات ضريب همبستگي پيرسون صادق نباشد، نمي‌توان از آنها استفاده کرد و به جاي آن مي‌توان از روشهاي ديگري مانند ضريب همبستگي دو رشته‌اي ( ) ، دورشته‌اي ( ) و يا ضريب تتراکوريک ( ) استفاده کرد.
محاسبه همبستگي براي تحقيقات ناپارامتري : در تحقيقاتي که در سطح مقياس‌هاي اسمي ‌و رتبه‌اي انجام مي‌گيرد، بايد از روش‌هاي ديگري براي محاسبه همبستگي بين دو متغير استفاده کرد. برخي از اين روشها عبارتند از : ضريب همبستگي في (?) ضريب کريمر (C) ، ضريب کپا (K) و ضريب لامبدا ، در تحقيقات اسمي ‌و ضريب همبستگي اسپرمن ( ) ، ضريب کندال و آماده گاما (G) براي تحقيقات ترتيبي.
رگراسيون و پيش بيني
رگراسيون (Regression) روشي براي مطالعه سهم يک يا چند متغير مستقل در پيش بيني متغير وابسته است. از تحليل رگراسيون هم در تحقيقات توصيفي (غير آزمايشي) و هم در تحقيقات آزمايشي مي‌توان استفاده کرد. با توجه به نوع تحقيق و متغيرهاي آن روش متنوعي براي تحليل رگراسيون وجود دارد که برخي از آنها عبارتند از : رگراسيون خطي (با سه راهبرد همزمان ، گام به گام ، سلسله مراتبي) ، رگراسيون انحنايي ، رگراسيون لوجيستيک و تحليل کواريانس.
تحليل داده‌هاي ماتريس کواريانس
از جمله تحليل‌هاي همبستگي ، تحليل ماتريس کواريانس يا ماتريس همبستگي است. دو نوع از معروفترين اين تحليل‌ها عبارتند از : مدل تحليل عاملي براي پي بردن به متغيرهاي زير بنايي يک پديده در دو دسته اکتشافي و تاييدي و مدل معادلات ساختاري براي بررسي روابط علي بين متغيرها.
منابع:
1-http://daneshnameh.roshd.ir
2-http://bekrizadeh.blogfa.com
/خ