‫أساليب تحليل البيانات‬

‫‪SPSS , AMOS‬‬

‫‪2018‬‬
 ‫المقاييس‬
‫تقسم المقاييس‪:‬‬

‫‪ ‬الصالحية‬
‫‪ ‬الثبات‬
‫‪ ‬قابلية التعميم‬

‫الصالحية‪:‬‬
‫‪ ‬صالحية المحتوى (‪)Nomo logical Validity‬‬
‫‪ ‬صالحية البناء )‪ ) construct validity‬و تتم بشكلين ‪:‬‬
‫‪ o‬التحليل العاملي االستكشافي بواسطة ‪SPSS‬‬
‫‪ o‬التحليل العاملي التوكيدي ‪ confirmatory factor analysis‬بواسطة ‪AMOS‬‬

‫صالحية البناء ‪ :‬هل فعال بتقيسه ؟ وهل فعال مرتبطة ببعض؟‬

‫‪ ‬الصالحية المعيارية ‪criterion validity‬‬

‫‪ o‬صالحية التالزم‬
‫‪ o‬صالحية التنبؤ‬

‫(مالحظة منحكي عن صالحية التالزم والتنبؤ يلي بيعتمدو عاالنحدار و االرتباط )‬

‫الثبات‬
‫‪Chrobach’s alpha‬‬

‫مقياس الوالء للعالمة التجارية ‪latent variable or construct‬‬

‫‪7 6 5 4 3 2 1‬‬ ‫أحب هذه العالمة‬

‫سأستمر بشراءها‬

‫هي خياري األول‬

‫أنصح اآلخرين بشراء هذه العالمة‬

‫ما سبق يسمى العبارات المقاسة ‪measured items‬أو ‪measured variables‬‬

 ‫هي عبارة عن الخصائص الموجودة لدى المستجوبين و التي تم قياسها فعلياً‪.‬‬

‫الوالء للعالمة التجارية ‪:‬‬

‫هو المتغير الكامن أو الخفي خلف هذه العبارات ‪ .‬وهو تم قياسه بشكل غير مباشر بواسطة العبارات المقاسة ‪.‬‬

‫‪ -‬بعض الخصائص البسيطة مثل الجنس ‪ /‬الدخل ‪ /‬العمر ‪ /‬حجم االنتاج ‪ /‬كمية المبيعات تقاس بأدوات قياس‬
‫بسيطة مكونة من عبارة واحدة فقط مثال ‪:‬‬

‫الجنس ‪ :‬ذكر ‪ ،‬إنثى ‪.‬‬

‫‪ -‬وبعض الخصائص معقدة وغنية فكرياً ال يمكن قياسها بعبارة واحدة مثل‪:‬‬

‫جودة الخدمة له ‪ 25‬ل‪ 30‬عبارة لـ ‪ 5‬أبعاد (تعاطف ‪ ،‬مصداقية ‪ ،‬موثوقية ‪ ...‬إلخ )‬

‫مثال عن نتائج استبيان مكون من ‪ 10‬عبارات‬

‫عبارات‬

‫‪10‬‬ ‫‪9‬‬ ‫‪8‬‬ ‫‪7‬‬ ‫‪6‬‬ ‫‪5‬‬ ‫‪4‬‬ ‫‪3‬‬ ‫‪2‬‬ ‫‪1‬‬

‫‪1‬‬ ‫‪7‬‬ ‫‪2‬‬ ‫‪1‬‬ ‫‪3‬‬ ‫‪7‬‬ ‫‪2‬‬ ‫‪3‬‬ ‫‪6‬‬ ‫‪7‬‬ ‫‪1‬‬

‫مستجوب‬
‫‪2‬‬ ‫‪3‬‬ ‫‪4‬‬ ‫‪5‬‬ ‫‪6‬‬ ‫‪7‬‬ ‫‪2‬‬ ‫‪4‬‬ ‫‪5‬‬ ‫‪3‬‬ ‫‪100‬‬

‫‪4‬‬ ‫‪5‬‬ ‫‪6‬‬ ‫‪7‬‬ ‫‪7‬‬ ‫‪3‬‬ ‫‪3‬‬ ‫‪2‬‬ ‫‪5‬‬ ‫‪7‬‬ ‫‪200‬‬

‫مين العبارات يلي مرتبطة مع بعض ؟ عم تزيد مع بعض وعم تنخفض مع بعض ؟‬
 ‫تكون نتائج التحليل العاملي كالشكل التالي‬
‫للتوضيح‪:‬‬

‫تم تجميع العبارات ‪ 8- 7- 1‬وتحميلها‬

‫على متغير واحد‬

‫مالحظة ‪:‬‬
‫أول شي منعمل اختبارات صالحية البناء‬
‫بعدين الثبات‬
‫آخر شي التوكيدي مع اختبار الفرضيات‬
‫عادي أنو نترك عبارة لحالها و خصوصي إذا كتير هامة‬

‫مفهوم التحليل العاملي‬

‫‪ -‬هو عبارة عن طريقة لتحديد العوامل ( المتغيرات أو البنى التي تمثل العالقات بين المتغيرات المقاسة‪.‬‬
‫" لما قول متغير ما بقصد أبداً عبارة مجرد قلتلك‪ variable‬يعني ‪" construct‬‬

‫‪ -‬هو عبارة عن تقنية تحول االرتباطات بين مجموعة من العبارات المقاسة إلى عد أقل من العوامل والتي‬
‫تحتوي كل المعلومات األساسية حول العالقات الخطية المتداخلة بين اإلجابات األساسية للمستجوبين ‪.‬‬

‫إذاً تحتوي العوامل المستخلصة (‪ )factors‬على المعلومات األساسية حول العالقات الخطية بين العبارات ‪.‬‬

‫‪ ‬الهدف من التحليل العاملي ‪:‬‬

‫تبسيط و ضغط قدر كبير من المقاييس أو العبارات المرتبطة إلى عدد قليل من العوامل أو المتغيرات‪.‬‬

‫‪ ‬أنواع التحليل العاملي ‪:‬‬

‫‪ -1‬تحليل المكونات األساسية (‪: ) principal component analysis‬‬
‫يحاول هذا التحليل أن يشتق رياضياً عدد أقل من المتغيرات تمثل أكبر قدر ممكن من معلومات‬
‫المتغيرات المقاسة (العبارات ) – يستخدم بشكل أساسي عند تصميم مقاييس جديدة كلياً ‪.‬‬

‫‪ -2‬التحليل العاملي االستكشافي( ‪: )exploratory factor analysis‬‬

‫يفترض وجود عدد أقل من المتغيرات الخفية أو الكامنة التي تمثل المتغيرات المقاسة ( العبارات ) ‪.‬‬
 ‫‪ ‬شروط استخدام التحليل العاملي ‪:‬‬
‫‪ -1‬المتغيرات المقاسة أو العبارات المقاسة بياناتها من نوع ‪. scale‬‬
‫‪ -2‬إذا كان لدى الباحث معرفة مسبقة حول العبارات التي تمثل كل متغير ( في حالة استخدام مقاييس سابقة‬
‫) يفضل أال يقل عدد عبارات كل متغير عن ‪ ( , 5‬معنا مرونة ببعض األحيان) وسطيا بين الـ‪ 6‬و ‪8‬‬
‫ممتاز !‬
‫‪ -3‬حجم العينة ال يقل عن ‪ 100‬مستجوب (معيار ضعيف ويفضل استخدام معيار أقوى وهو ‪ 10‬مستجوبين‬
‫لكل عبارة ) مثال ‪ 40 :‬عبارة فحجم العينة ‪400‬‬
‫‪ -4‬عبارات المقياس تتبع التوزيع الطبيعي والعالقة فيما بينها خطية ( شرط الخطية يمكن الحصول عليه من‬
‫خالل التحليل العاملي ) أما التوزيع الطبيعي سيتم مناقشته الحقاً‬
‫‪ -5‬أن تعكس العبارات بشكل منطقي و علمي يتناسب مع االختصاص المتغير الكامن وهذا الشرط على‬
‫درجة عالية من األهمية ‪.‬‬
‫‪ -6‬تجانس العينة من حيث المواصفات الديموغرافية إما ذكور أو إناث أي فيما يتعلق بالجنس‬
‫مستوى الدخل ( مرتفع أو متوسط أو محدود ) وإال يجب على الباحث أن ينجز التحليل العاملي وفقاً لكل‬
‫فئة من فئات المتغيرات الديموغرافية ‪.‬‬
‫‪ -7‬تحقيق عدد من الشروط خالل خطوات إنجاز التحليل العاملي ‪.‬‬

‫‪Analysis →dimension reduction→ factor‬‬

‫نؤشر على العبارات المراد تحليلها عامليا ثم ندخلها في قائمة ‪variables‬‬

‫نضغط على ‪ descriptive‬و نؤشر على كل من‬

‫‪ Univariate descriptive‬التحاليل الفردية لكل عبارة على حدى ( متوسط و االنحراف المعياري )‬

‫‪( Coefficients‬معامالت االرتباط)‬

‫‪( Significance levels‬مستويات معنوية االرتباط)‬

‫‪( Determinant‬معامل تحديداالرتباط )‬

‫‪ kaiser meyer olkin ( Kmo and bratelett’s test of sphericity‬نسبة للعلماء ) ثم نضغط على‬
‫‪continue‬‬
 ‫نضغط على ‪ extraction‬و نؤشر على ‪Scree plot‬‬

‫‪ -‬إذا كان الباحث يصمم مقياس جديد نختار من ‪ method‬طريقة ‪principal components‬‬
‫‪ -‬وإذا كان يستخدم مقياس سابق نستخدم طريقة ‪principal axis factory‬‬

‫نضغط على ‪continue‬‬

‫نضغط على ‪rotation‬‬

‫نختار طريقة ‪ varimax‬لتحسين الحل العامل إذا افترضنا عدم ارتباط العوامل الناجمة عن التحليل مع بعضها‬
‫البعض ونختار ‪direct oblimin‬إذا افترضنا ارتباط العوامل مع بعضها البعض نؤشر على ‪loading plots‬‬
‫ونضغط ‪continue‬‬

‫‪ Options‬نؤشر على ‪ replace with mean‬وهي تعني استبدال البيانات المفقودة بمتوسط العبارة‬

‫ونؤشر على ‪ sortied by size‬حتى يرتب لنا‪ SPSS‬معامالت ارتباط العبارات بكل عامل تنازلياً‪.‬‬

‫نؤشر على ‪ Suppress small coefficients‬حتى يقوم البرنامج بحذف معامالت ارتباط العبارات بالعامل‬
‫‪ absolute value below‬بـ ‪ 30.‬نضغط‬ ‫والتي تقل عن ‪ %30‬حيث يجب على الباحث أن يستبدل قيمة‬
‫على ‪ continue‬ثم ‪ ok‬بالقائمة الرئيسية‬

‫شرح النتائج ‪:‬‬

‫‪ ‬الجدول األول ‪ the descriptive statistic‬يشير هذا الجدول إلى متوسط كل عبارة (االنحراف المعياري –‬
‫عدد المستجوبين الذين جاوبو على العبارة ‪ -‬القيم المفقودة )‬
‫‪ ‬الجدول الثاني ‪ correlation matrix‬مصفوفة االرتباطات بين العبارات‬

‫يشير هذا الجدول إلى معامل ارتباط كل عبارة مع غيرها من العبارات‬

‫جب ان تكون قيمة ‪ determinant‬أكبر من ‪ 1‬بـ ‪10000‬‬

‫إذا كانت قيمتها صفر أو قريبة جدا من الصفر نقول بأنه كل عبارة من العبارات تشكل متغير و ال يمكن تجميعها‬
‫مع بعضها البعض (‪ )singularity‬الفردية‬

‫‪ ‬الجدول الثالث ‪: kmo‬‬

‫تشير قيمة ‪ kaiser meyer olkin‬إلى مدى كفاية العبارات المممثلة لكل عامل ويجب أن تكون القيمة المقابلة‬
‫ال تقل عن ‪ %70‬ويبدو أن لكل عامل عدد كافي من العبارات الممثلة له ‪.‬‬
 ‫يشير اختبار ‪ Bartlett’s test of sphericity‬إلى مدى وجود عدد كاف من االرتباطات بين عبارات‬
‫المستخدمة بشكل يبرر إنجاز التحليل العاملي يجب أن تكون قيمة ‪ sig‬معنوية عند ‪ 1%‬أو ‪%5‬‬

‫‪ ‬الجدول الرابع ‪ communalities‬التباين المشترك ‪:‬‬

‫يشير إلى مقدار ارتباط كل عبارة على العوامل الناتجة عن التحليل العاملي‬

‫‪ ‬الجدول الخامس جدول التباين اإلجمالي المفسر ‪Total variance explaind‬‬

‫يبدو من الجدول وجود ثالثة أقسام رئيسية ‪:‬‬

‫‪Initial eigenvalues‬نتائج التحليل العاملي قبل تحسين الحل (‪ )rotation‬أما القسم الثالث فهو خاص بما بعد‬
‫التدوير و تحسين الحل‬

‫تشير قيمة ‪ % of variance‬المقابلة لكل عامل إلى مقدار التباين الذي يستطيع هذا العامل تفسيره في إجمالي‬
‫بيانات العبارات وتشير قيمة ‪ cumulative%‬إلى تباين مفسر التجميعي (تباين الحالة مع يلي قبله)‬

‫يستطيع العامل األول تفسير ما يقارب ‪16.141‬‬

‫تشير نتائج الجدول إلى أن الـ‪ 44‬عبارة يمكن تمثيلها ب ‪ 10‬عوامل تستطيع تفسير ‪ %57.32‬من التباين‬
‫االجمالي للعبارات وبالتالي سيكون الحل مكوناً من ‪ 10‬عوامل و لكن لغاية اآلن ال نعرف عبارات كل عامل ‪.‬‬

‫‪ ‬ويبدو من شكل ‪ scree plot‬بأن العدد االمثل للعوامل المستخلصة ‪ 10‬ويبدو بشكل غير دقيق بأن المؤشر‬
‫بدأ باالستقامة بعد العامل ‪ 10‬ومن غير الممكن االعتماد على ‪ scree plot‬دون جدول ‪Total variance‬‬
‫‪explained‬‬
‫‪ ‬الجدول السابع ‪ Component matrix‬تشير هذه المصفوفة إلى معامالت ارتباط كل عبارة بالعوامل‬
‫المستخلصة ويبدو من شكلها بأنها غير قابلة للتفسير بسبب عشوائية توزيع األحمال (االرتباطات) للعبارات‬
‫على العوامل وتحميل عدد كبير من العبارات على أول و ثاني عامل لذا يصبح من الضروري تحسين الحل‬
‫من خالل ‪ rotation‬التدوير‪.‬‬
‫‪ ‬الجدول الثامن ‪ Rotated component matrix‬هي عبارة عن مصفوفة تحسين الحل والتي تحدد بشكل‬
‫نهائي العبارات التي يتكون منها كل عامل ليأتي دور الباحث بتسمية كل عامل‬

‫رتبت معامالت االرتباط للعبارات بكل عامل تنازلياً وتشير الفراغات الموجودة في الجدول إلى أن معامل االرتباط‬
‫للعبارة بالعامل أقل من ‪%30‬‬
 ‫‪2‬‬

‫اختبارات المقاييس‬
‫ً‬
‫‪ -1‬تصميم مقياس جديد كليا‬
‫وتتم على الشكل التالي ‪:‬‬

‫‪-1‬الصالحية ‪:‬‬
‫‪ -‬صالحية البناء ‪:‬‬
‫يتم التأكد فيها باستخدام برنامج ‪ AMOS‬والتحليل العاملي ‪.‬‬
‫‪ -‬الصالحية المعيارية‪:‬‬
‫يتم التأكد من صالحية التنبؤ وصالحية التالزم باستخدام االرتباط واالنحدار‬
‫‪-2‬الثبات ‪:‬‬
‫إعادة اختبار باستخدام االرتباط‬
‫اختبار االتساق الداخلي باستخدام معامل ‪Cronbach's alpha‬‬
‫ً‬
‫‪ -2‬اختبار مقياس موجود مسبقا‬
‫‪-1‬صالحية البناء‬
‫يتم التأكد منها باستخدام‬
‫التحليل العاملي االستكشافي ‪SPSS...‬‬
‫التحليل العاملي التوكيدي ‪AMOS...‬‬
‫‪-2‬الثبات ‪:‬‬
‫اختبار االتساق الداخلي ‪Cronbach's alpha‬‬

‫يتمتع باالتساق الداخلي | عدم اتساق داخلي (هدول العبارات بقيسوا شي واحد )‬
 ‫اختبارات الثبات‬
‫كما ورد معنا بشكل مسبق تتم اختبارات الثبات بواسطة اختبار االتساق الداخلي واختبار إعادة االختبار‬
‫س نناقش اآلن االتساق الداخلي على أن يتم مناقشة اختبار إعادة االختبار في محاضرة االرتباط‬
‫اختبار االتساق الداخلي ‪:‬‬
‫إن اختبار االتساق الداخلي شرط ضروري لتقييم المقاييس سواء كان جديداً أم مصمم بشكل مسبق وهو يستخدم‬
‫حصرياً للعبارات التي تشكل متغير ما و إن تكون البيانات من نوع ‪ scale‬باإلضافة إلى ما سبق عدد العبارات ال‬
‫يقل عن ‪ 3‬عبارات وفي حال كان أقل من ‪ 3‬عبارات بستخدم اختبار االرتباط‬
‫على فرض اختبار االتساق الداخلي للعبارات من ‪2‬لـ‪ 6‬التي تعبر عن متغير رضا العميل‬
‫كانت قيمة ‪81.2 Cronbach's alpha‬‬
‫وهي > ‪ %60‬إذاً تتمتع عبارات هذا المتغير باالتساق الداخلي‬
‫وبلغت قيمة ____ > ‪ 0.33‬وهي تشير إلى أنه ال يوجد ضرورة لحذف أي عبارة من العبارات ‪.‬‬
‫_____ مقدار التباين المفسر في المتغير باستخدام هذه العبارة ‪.‬‬
‫مالحظة ‪ :‬إذا بلغت قيمة _____ أقل من ‪ 0.33‬تلغى العبارة من المتغير و تعالج كمتغير منفصل ‪.‬‬
‫إضافي ‪** :‬‬
‫يوجد نوعين من اختبارات الثبات ‪:‬‬
‫الثبات الداخلي ( االتساق) ‪ :‬يتم عن طريق اختبار ‪cronpbachs lpha‬‬
‫الثبات الخارجي يتم عن طريق ( اختبار إعادة اختبار )‬

‫‪Analyze→Scale→Reliability Analysis‬‬
‫نظلل العبارات التي تمثل المتغير المستهدف ثم ندخلها في نافذة ‪items‬‬
‫نضع اسم المتغير الجديد المفترض في ‪scale label‬‬
‫نضغط على ‪ statistics‬نؤشر على خيار ‪ scale if items deleted‬ثم ‪ continue‬ثم ‪ok‬‬
‫ولتجميع العبارات التي تقيس متغير محدد‬
‫مثال‪ :‬يرغب الباحث في تجميع العبارات من ‪ 2‬لـ ‪ 6‬التي تقيس متغير رضا المستهلك ‪ ،‬يتم التجميع بعد اختبارات‬
‫التحليل العاملي و الثبات على الشكل التالي ‪:‬‬
‫‪Transform→compute variable→ target variable‬‬
‫نضع اسم المتغير في ال‪target variable‬‬
‫نضع ‪ All‬في ‪function group‬‬
‫و دبل كليك على ‪ mean‬في قائمة ‪function and special variable‬‬
 ‫ندخل العبارة رقم ‪ 2‬بدل اشارة االستفهام األولى المظللة في قائمة ‪ ،Numeric expression‬نظلل الثانية‬
‫وندخل ‪)... item3‬‬
‫يستخدم المتغير الجديد في كافة التحاليل واالختبارات اإلحصائية ‪.‬‬

‫اختبار العالقة الخطية بين متغيرات‬

‫يستخدم هذا االختبار بشكل واسع كشرط مسبق للعديد من االختبارات اإلحصائية مثل االرتباط و االنحدار ‪ ،‬حيث‬
‫تشترط االختبارات األخيرة وجود عالقة خطية بين المتغيرات حتى يتم تنفيذها ‪.‬‬
‫‪ ‬شروط اختبار الخطية ‪:‬‬
‫أن تكون المتغيرات من نوع ‪scale‬‬
‫اختبار الالخطية ‪:‬‬
‫فرضية العدم ‪ :‬العالقة خطية‬
‫الفرضية البديلة ‪ :‬العالقة ال خطية‬
‫(يمكن هون ناقصني شي تأكدوا )‬
‫مالحظة ‪:‬‬
‫مستوى المعنوية ‪ :‬احتمال الخطأ ‪%5‬‬
‫العالقة الخطية يجب أن تكون في متغيرات وليس عبارات !‬

‫‪Analyze→ compare means → means‬‬

‫‪item 2 → dependent list‬‬
‫‪item 3 → independent list‬‬
‫‪option →test for linearity→continue →ok‬‬
‫يظهر للباحث ‪ 3‬جداول والهام منها قيم ‪ Deviation from linearity‬في ‪ANOVA Table‬‬
‫إذا كانت قيمة ‪ sig‬المقابل لها < أو = الـ ‪ 5‬نقول ال يمكن رفض فرضية العدم (العالقة غير خطية )‬
‫إذا كانت قيمة ‪ sig‬المقابل لها > أو = الـ ‪ 5‬نقول نرفض فرضية العدم ونقبل البديلة (العالقة خطية )‬
 ‫‪3‬‬
‫إذا طلع معي عبارة ارتباطها سالب شو تفسيرها ؟‬

‫معامالت االرتباط بالقيمة المطلقة‪.‬‬

‫سؤال ‪ :‬ماذا يفعل الباحث إذا كان معامل ارتباط عبارة ما على أحد العوامل إشارته سالبة ؟‬

‫إن اإلشارة السالبة لمعامل ارتباط العبارة على العامل يعني بأن اتجاه هذه العبارة مغاير التجاه باقي العبارات‬
‫والمتغير الكامن خلفها على سبيل المثال ‪:‬‬

‫‪ -‬أنا احب هذه العالمة التجارية‬

‫‪ -‬هي خياري األول‬
‫‪ -‬هي األفضل بالنسبة لي‬
‫‪ -‬لن أشتري هذه العالمة التجارية بالمرات القادمة‬

‫يبدو بأن العبارة الرابعة بعكس اتجاه العبارات األخرى وبالتالي المتغير الكامن خلف هذه العبارات ‪latent‬‬
‫‪ variables or construct‬مالهم ‪ item‬وسيكون معامل االرتباط بهذه الحالة بين العبارة المذكورة و العامل‬
‫سالباً‪.‬‬

‫إن الحل لهذه المشكلة هو بعكس فئات العبارة المذكورة على النحو التالي‪:‬‬
‫اقلب العبارة ‪ variable‬بحيث ‪...‬‬

‫العبارة المعدلة‬ ‫العبارة األساسية‬

‫‪5‬‬ ‫‪1‬‬

‫‪4‬‬ ‫‪2‬‬

‫‪3‬‬ ‫‪3‬‬

‫‪2‬‬ ‫‪4‬‬

‫‪1‬‬ ‫‪5‬‬
 ‫طريقة إعادة الترميز ‪:‬‬

‫‪variables record‬‬
‫‪Transform‬‬
‫‪record different variables‬‬
‫تظهر النافذة‬

‫ندخل العبارة المرغوب إعادة ترميزها إلى قائمة ‪ numeric variables‬سهم ‪output variables‬‬

‫نسمي العبارة الجديدة في نافذة ‪ name‬أسفل قائمة ‪ output variables‬بشكل يوحي إلى العبارة القديمة ‪item‬‬
‫‪2 reversed‬‬

‫نضغط على ‪ change‬ثم على ‪ old and new values‬ندخل القيمة ‪ 5‬في نافذة ‪ value‬أسفل قائمة ‪old‬‬
‫‪.value‬‬

‫ثم ندخل القيمة المقابلة لها الجديدة في نافذة ‪ value‬أسفل قائمة ‪ new value‬ونضغط على ‪add‬‬

‫لتدخل القيمة القديمة والجديدة في نافذة ‪ old __ new‬ونكرر العملية لكل الفئات (االرقام ) نضغط على‬
‫‪ continue‬ثم ‪ ok‬لتظهر العبارة الجديدة في آخر عمود من شاشة البيانات‬
‫إن إجراء تعديل فئات متغير ما ليس هاما للتحليل العاملي و إنما بالنسبة لتحليل االتساق الداخلي‬ ‫مالحظة ‪:‬‬
‫‪ chronpacs alpha‬لذلك ال ضرورة إلعادة التحليل العاملي بعد عكس العبارة ألن معامالت االرتباط في‬
‫مصفوفة ‪ component matrix‬و ‪ rotate component matrix‬تؤخذ بالقيم المطلقة ‪.‬‬
 ‫الفرق بين اختبار التحليل العاملي & االتساق الداخلي ‪:‬‬
‫االتساق الداخلي‬ ‫التحليل العاملي‬

‫ال يعرف الباحث ما هي العبارات المرتبطة مع بعضها يعرف الباحث بشكل مسبق العبارات التي تمثل متغير‬
‫ما يدخلها يدوياً دون تدخل من البرنامج‬ ‫والتي يكمن خلفها متغير ما ويحاول إيجاد أفضل‬
‫توليفة خطية للعبارات لتشكل متغير ما يكمن خلفها‬
‫مخرجات التحليل هي يلي بتقلك العبارات يلي وراها‬
‫متغير كامن‬

‫يقيس معامل ارتباط كل عبارة مع باقي العبارات‬ ‫يقيس معامالت ارتباط كل عبارة مع المتغير الكامن‬
‫خلفها‬

‫يهتم بإشارة أو اتجاه االرتباط للعبارة مع باقي العبارات‬ ‫يهتم التحليل العاملي بارتباط العبارات بالمتغير‬
‫الكامن (العامل)‬

‫يستخدم فقط لمعرفة اتجاه العبارة فيما يتعلق بباقي‬ ‫يستخدم التحليل العاملي للتأكد من صالحية البناء‬
‫العبا ارت‬

‫تحليل إحصائي بسيط يلي اختبارات الصالحية‬ ‫التحليل العاملي أسلوب إحصائي متقدم و معقد‬
‫يسبق تحليالت الثبات و االتساق‬

‫مالحظات عملية عن التحليل العاملي ‪:‬‬

‫مالحظة ‪: 1‬‬
‫يمكن للباحث أن يخضع أحد العوامل الناجمة عن التحليل العاملي لتحليل عاملي آخر منفرد إذا أراد‬
‫الحصول على أبعاد لهذا العامل ‪.‬‬
‫مثال ‪( :‬من تسنيم )‬
‫‪F1‬‬ ‫‪1‬‬ ‫‪F3‬‬ ‫‪12‬‬ ‫‪F5‬‬ ‫‪20‬‬
‫‪2‬‬ ‫‪13‬‬ ‫‪21‬‬
‫‪3‬‬ ‫‪14‬‬ ‫‪22‬‬
‫‪4‬‬ ‫‪15‬‬ ‫‪23‬‬
 ‫‪5‬‬ ‫‪16‬‬ ‫‪24‬‬
‫‪6‬‬ ‫‪17‬‬
‫‪18‬‬ ‫‪F6‬‬ ‫‪25‬‬

‫‪F2‬‬ ‫‪7‬‬ ‫‪19‬‬ ‫‪26‬‬

‫‪8‬‬ ‫‪27‬‬
‫‪9‬‬ ‫‪28‬‬
‫‪10‬‬ ‫‪29‬‬
‫‪11‬‬ ‫‪30‬‬
‫لنفرض أنجز التحليل العاملي للباحث ‪ 5‬متغيرات وكان مقياس ‪ F3‬خاص باالتجاهات نحو العالمة التجارية ققد‬
‫يعتقد الباحث وفقاً للعبارات ونظرية ‪ ABC model‬المكونات الثالثة لالتجاهات‬

‫‪A affection‬‬

‫‪B behavior‬‬
‫‪C cognition‬‬

‫يرغب الباحث في تحديد إمكانية تقسيم ‪ f3‬إلى هذه األبعاد الثالثة وذلك من خالل إنجاز تحليل عاملي جديد فقط‬
‫لعبارات هذا المتغير‬

‫إذا نجم عن التحليل ‪ 3‬أبعاد لهذا العامل وكانت عبارات كل بعد متطابقة مع نظرية االتجاهات ( العبارات يلي‬
‫شكلت البعد التالت هي عبارات السلوك ) في هذه الحالة نقول بأن هذا المتغير (العامل) عدة أبعاد إذا كانت‬
‫نتائج التحليل خالف ذلك نعود إلى النتائح األصلية‬

‫مالحظة ‪: 2‬‬
‫للباحث مسؤولية كاملة عن تسمية العوامل ( المتغيرات ) وذلك بناء على اإلطار النظري‬

‫مالحظة ‪: 3‬‬
‫يستطيع الباحث أن يختار العدد الذي يريد الحصول عليه من العوامل نتيجة للتحليل العاملي شرط أن تحقق نتيجة‬
‫التحليل تباين إجمالي مفسر ال يقل عن ‪TOTAL EXPERNCE VALUES %50‬‬
 ‫مالحظة ‪: 4‬‬
‫يمكن للباحث رفع قيمة ‪ TEV‬التباين اإلجمالي المفسر من خالل اإلجراءات التالية ‪:‬‬

‫‪ -1‬حذف العبارات ذات االرتباط العالي على أكثر من عامل ( ‪component matrix or rotation‬‬
‫‪) component matrix‬‬
‫‪ -2‬حذف العبارات ذات االرتباط المنخفض على عدد من العوامل ( ‪component matrix or rotation‬‬
‫‪) component matrix‬‬
‫‪ -3‬وبحاجة الباحث للتضحية ببعض العبارات لصالح رفع إجمالي التباين المفسر ‪.‬‬

‫مالحظة ‪: 5‬‬
‫يمكن للباحث أن يتحكم في تبعية عبارة ما لعامل ما إذا حسنت من التفسير على سبيل المثال ‪:‬‬

‫إذا كانت العبارة ‪ 11‬مرتبطة بمقدار ‪ %33‬مع العامل ‪ 2‬و ‪ %60‬مع ‪ factor 7‬يمكمن للباحث أن يضم العبارة‬
‫إلى ‪ f7‬رغم االرتباط المنخفض إذا ساعده ذلك على تفسير العوامل وتسميتها‬

‫مالحظة ‪: 6‬‬
‫يمكن للباحث إنجاز اختبارات قابلة التعميم ‪ generalizability‬باستخدام نفس العينة من البيانات على الشكل‬
‫التالي ‪:‬‬

‫‪Data → split file →compare groups‬‬

‫ندخل المتغير المرغوب المقارنة وفقا له في قائمة‬
‫" عادة تستخدم متغيرات ديموغرافية جنس عمر دين‪...‬‬
‫ثم نضغط على ‪ok‬‬

‫ومن بعدها يمكن إنجاز التحليل العاملي الذي يظهر لي بشكل أوتوماتيكي نتائج التحليل لكل مجموعة من‬
‫مجموعات المتغير الذي تتم المقارنة وفقاً لمجموعاته‬

‫إذا حصلنا على نفس نتائج التحليل العاملي في مجموعة الذكور و اإلناث فيما يتصل بالعوامل و عباراتها نقول‬
‫بأن المقياس قابل للتعميم فيما يتعلق بالجنس ‪.‬‬
‫(يستخدم اختبار قابلية التعميم باإلضافة إلى اختبار قابلية التنبؤ واختبار التالزم فقط عند تصميم مقاييس جديدة )‬

‫اختبار التوزيع الالطبيعي ‪:‬‬

‫يستخدم اختبار التوزيع الالطبيعي كشرط إحصائي للعديد من التحاليل (االختبارات ) االحصائية مثل االرتباط‬
‫االنحدار و التحليل العاملي و غيرها العديد من التحاليل ‪.‬‬

‫إن التوزيع الطبيعي المعياري حالة مثالية نحاول من خالل االختبار إثبات أن منحني التوزيع لمتغير ما قريب إلى‬
‫التوزيع الطبيعي‬

‫رسم الشكل‬

‫فرضية العدم ‪ :‬اختبار الالخطية التوزيع طبيعي (على اعتبار االختبار سمي بالتوزيع الالطبيعي )‬

‫الفرضية البديلة ‪ :‬التوزيع غير طبيعي‬

‫تختبر الفرضيات على الشكل التالي ‪:‬‬

‫‪ ‬إذا كانت قيمة سيغ أكبر من ‪ %5‬نقول ال يمكن رفض فرضية العدم‬
‫‪ ‬إذا كانت قيمة سيغ أصغر أو تساوي ‪ %5‬نرفض فرضية العدم‬

‫شروط االختبار‪:‬‬

‫المتغير من نوع ‪scale‬‬

‫طريقة التنفيذ‪:‬‬

‫‪Analyze → nonparametrictext →leasy dialogs →1sample ks‬‬

‫ندخل العبارة أو العبارات (المتغير أو المتغيرات ) إلى قائمة ‪ test variables list‬ثم نضغط على ‪ok‬‬

‫طريقة االختبار ‪:‬‬

 ‫إنما يهم الباحث في جدول ‪ One-Sample Kolmogorov-Smirnov Test‬يلي بيهمنا القيم المقابلة ل‬
‫)‪ Asymp. Sig. (2-tailed‬وذلك بالنسبة لكل متغير‬

‫مثال ‪:‬‬
‫على فرض أن قيمة )‪ Asymp. Sig. (2-tailed‬المقابلة لمتغير او عبارة ما بلغت ‪ 0.000‬نقول بأن طالما‬
‫قيمة سيغ < من ‪ % 5‬رفضت فرضية العدم التي تنص على أن التوزيع طبيعي و قبلت الفرضية البديلة التي‬
‫تنص على أن التوزيع غير طبيعي ‪.‬‬

‫مثال ‪:‬‬
‫إذا بلغت قيمة )‪ %7 Asymp. Sig. (2-tailed‬على اعتبار أن قيمة سيغ أكبر من ‪ %5‬ال يمكن رفض‬
‫فرضية العدم التي تنص على أن التوزيع طبيعي‬

‫ترفض فرضية العدم إذا كانت قيمة سيغ أصغر من ‪%5‬‬ ‫قاعدة ‪:‬‬
‫ال يمكن رفضها إذا كانت أكبر من ‪%5‬‬

‫إذا كانت ‪ %5‬ال يمكن رفض فرضية العدم‬

‫الطريقة المعقدة‬ ‫الطريقة المعتمدة‬

‫التوزيع طبيعي‬ ‫التوزيع الطبيعي‬

‫فرضية العدم ‪ :‬التوزيع طبيعي‬
‫فرضية العدم ‪ :‬التوزيع غير طبيعي‬
‫الفرضية البديلة ‪ :‬التوزيع غير طبيعي‬
‫البديلة ‪ :‬التوزيع طبيعي‬

‫إذا بلغت قيمة ‪ > sig‬من ‪ %5‬نقول ال يمكن رفض‬ ‫إذا بلغت قيمة ‪ > sig‬من ‪ %5‬نقول ال يمكن رفض‬
‫فرضية العدم والتوزيع طبيعي‬ ‫فرضية العدم و التوزيع طبيعي‬

‫الالخطية ‪:‬‬
‫فرضية العدم العالقة خطية‬
‫الفرضية البديلة العالقة غير خطية‬
‫إذا كانت قيمة سيغ أعلى من ‪ %5‬فالعالقة ال خطية‬
‫ال يمكن رفض فرضية العدم وبالتالي العالقة خطية‬
 ‫‪4‬‬

‫اختبار ‪one sample t test‬‬

‫(اختبار العينة الواحدة )‬

‫الهدف من هذا االختبار يستخدم لتحديد فيما إذا كان متوسط متغير ما أكبر > او = أو < من قيمة مفترضة من‬
‫الباحث أو قيمة مأخوذة من مجتمع البحث‬

‫الشروط ‪:‬‬

‫‪-1‬المتغير من نوع ‪scale‬‬

‫‪-2‬يتبع المتغير التوزيع الطبيعي ويستعاض عن ذلك بتكبير حجم العينة أو باختبار تكرار العينة (‪) Bootstrap‬‬

‫‪-3‬إجابات المستجوبين مستقلة عن بعضها البعض‬

‫‪Analyze→ compare means →one sample t test‬‬

‫ندخل المتغير المراد اختبار متوسطه في قائمة ‪test variables‬‬

‫ندخل في ‪ test value‬الرقم ‪ 3‬إذا كان ليكرت خماسي و ‪ 4‬إذا كان سباعي‬

‫‪ Bootstrap‬نضغط عليه ونؤشر على ‪perform bootstrapping‬‬

‫ثم ‪bias corrected accelerated‬ثم نضغط على ‪ continue‬ثم ‪ok‬‬

‫"في ناس عم تستخدمه دائما لتتأكد من النتائج "‬

‫إذا كانت قيمة ‪ %5> sig‬نقبل الفرضية وتكون العالقة خطية (ال يمكن رفض فرضية العدم)‬
‫تتمة ‪:‬‬

‫اختبار اختالف المتوسطات ‪:‬‬

‫فرضيات االختبار‬
 ‫‪ ‬فرضية العدم ‪ :‬ال يوجد اختالف بين المتوسطات (متوسط العينة = المتوسط االفتراضي )‬

‫االفتراضي هو ‪test value‬‬

‫‪ ‬الفرضية البديلة ‪ :‬يختلف متوسط عينة عن متوسط افتراضي ما ( متوسط العينة = ال المتوسط المفترض )‬

‫أوالا ‪ :‬عندما يكون توزيع المتغير طبيعي‬

‫من اختبار ______‬
‫معنوية ‪:‬‬

‫‪ -1‬إذا كانت قيمة ‪ < sig‬أو تساوي ‪ %5‬نرفض العدم و نقبل البديلة التي تنص على أن متوسط العينة ال‬
‫يساوي ‪ test value‬ومن خالل إشارة ‪ t‬في جدول ‪ one sample test‬المقابلة للمتغير يمكن التعرف‬
‫على قيمة المتوسط فيما إذا كانت ‪:‬‬
‫موجبة ( متوسط العينة أعلى من االفتراضي )‬
‫أو سالبة ( متوسط العينة أقل من المتوسط االفتراضي )‬
‫‪ -2‬إذا كانت قيمة ‪ sig‬المقابلة للمتغير في جدول ‪ %5 > one sample test‬ال يمكن رفض فرضية العدم‬
‫وبالتالي ال يختلف متوسط العينة عن المتوسط المفترض ‪.‬‬

‫ثاني ا ‪ :‬توزيع المتغير غير طبيعي ‪.‬‬

‫‪ < Sig -1‬أو يساوي الـ ‪ %5‬أي المتوسط للعينة ال يساوي المفترض‬

‫قيمة ‪: t‬‬

‫يجب أن تكون قيمة الحد األدنى (‪ ) lower‬و الحد األعلى ( ‪ ) upper‬أكبر من الصفر دون وجود قيم سالبة‬
‫وذلك يؤكد رفض فرضية العدم يشير ذلك إلى أن الفرق بين متوسط العين والمتوسط االفتراضي لم يساوي‬
‫الصفر في العينات األلف ‪ 1000‬المأخوذة‬

‫‪ -2‬إذا كانت قيمة ‪ %5 > sig‬بما يشير إلى عدم إمكانية رفض فرضية العدم أي ‪:‬‬
‫متوسط العينة = المتوسط االفتراضي‬
‫إذا تراوحت قيمة الحد األدنى ( ‪ ) lower‬و الحد األعلى (‪ )upper‬في جدول ‪bootstrap one sample‬‬
‫‪test‬‬

‫بين القيمة السالبة والموجبة نستنتج ما يؤكد عدم إمكانية رفض فرضية العدم أي المتوسط الخاص بالعينة‬
‫يساوي المتوسط االفتراضي ألن في هذه الحالة في أحد العينات األلف على األقل سيكون الفرق بين متوسط‬
‫العينة الفرعية والقيمة االختبارية مساوياً للصفر ‪.‬‬

‫أما إذا كانت قيم الحد األعلى والحد األدنى من نفس اإلشارة نستنتج بأن الفرق بين متوسط العينات الفرعية‬
‫والقيم االفتراضية لم يساوي الصفر على اإلطالق وهذا يدفعنا إلى رفض فرضية العدم و قبول البديلة ‪.‬‬

‫أمثلة ‪:‬‬
‫مثال ‪: 1‬‬

‫‪ Item2‬يتبع التوزيع الطبيعي‬

‫يبدو من قيمة ‪ sig‬البالغة ‪ 0.000‬أن قيمة ‪ sig‬معنوية عند ‪ %1‬وهي < من ‪ %5‬إذاً يمكن رفض فرضية‬
‫العدم وقبول البديلة التي تنص على أن متوسط العينة ال يساوي الـ ‪3‬‬

‫ويبدو من إشارته الموجبة بأن متوسط هذا المتغير أكبر من ‪3‬‬

‫مثال ‪: 2‬‬

‫‪ Item2‬ال يتبع التوزيع الطبيعي‬

‫يبدو من قيمة ‪ sig‬المقابلة ل ‪ item2‬في جدول ‪ one sample test‬والبالغة ‪ 0.000‬أنها معنوية عند‬
‫مستوى ‪ %1‬وهي < من ‪ %5‬إذاً ترفض فرضية العدم وتقبل البديلة التي تنص على أن متوسط العينة ال‬
‫يساوي المتوسط ‪ 3‬وهي القيمة االختبارية و لكن بما أن التوزيع غير طبيعي نحتاج إلى إجراء ‪bootstrap‬‬

‫يبدو من جدول ‪ bootstrap for one sample test‬بأن الحد األدنى ‪ 0.76‬و الحد األعلى ‪ 1.13‬أي‬
‫أن الفرق بين متوسطات العينات األلف ‪ 1000‬والقيمة االختبارية ‪ 3‬لم يكن أبداً مساوياً للصفر و لم يمر‬
‫عبر الصفر ‪.‬‬

‫مثال ‪: 3‬‬
‫‪ Item 17‬توزيعها طبيعي‬
 ‫قيمة ‪%5 > sig‬‬

‫يبدو من قيمة ‪ sig‬في جدول ‪one sample test‬المقابلة للعبارة ‪ 17‬أنها > من ‪ ) 0.176( %5‬وهذا‬
‫يشير إلى أن الفرق بين متوسط العينة و ‪ test value‬يساوي الصفر أي ال يوجد فرق بينهما وبالتالي ال‬
‫يمكن رفض فرضية العدم ومتوسط العينة يساوي القيمة االختبارية (المفترضة ) ‪3‬‬

‫مثال ‪4‬‬

‫‪ Item 17‬التوزيع غير طبيعي‬

‫‪%5 > sig‬‬

‫يبدو من قيمة ‪ sig‬في جدول ‪ one sample test‬المقابلة ل ‪item 17‬‬

‫بأن الفرق بين متوسط المتغير و ‪ 3‬غير معنوي ألن قيمة سيغ أكبر من ‪ %5‬إذا ال يمكن رفض فرضية العدم‬
‫ومتوسط المتغير يساوي الـ ‪ 3‬ولكن ألن التوزيع غير طبيعي نحتاج للتأكد من خالل إجراء ‪ bootstrap‬حيث‬
‫تشير النتائج في جدول ‪ bootstrap for one sample test‬أن الحد األدنى للفرق بين متوسطات العينات‬
‫األلف والقيمة ‪ 0.41 – ، 3‬والحد األعلى ‪ 0.08‬أي أن الفرق بين متوسط عينة واحدة على األقل وال‪3‬‬
‫يصل للقيمة ‪0‬وهذا يدفعنا إلى تأكيد عدم إمكانية رفض فرضية العدم و فعالً المتوسط ل‪ item17‬يساوي ‪3‬‬

‫خطوات ‪ bootstrap‬في اختبار ‪one sample t test‬‬

‫‪Analyze → compare means → one sample t test‬‬

‫ندخل المتغير المراد اختباره في ‪ test valuables‬لقيمة االفتراضية في ‪ test value‬نضغط على‬
‫‪ bootstrap‬ونؤشر فيها على ‪ perform boot scraping & bier corrected‬ثم ‪continue‬ثم ‪ok‬‬

‫اختبار العالقة الخطية‬ ‫اختبار العالقة الالخطية‬

‫فرضية العدم ‪ :‬غير خطية‬ ‫فرضية العدم ‪ :‬العالقة خطية‬

‫الفرضية البديلة ‪ :‬العالقة خطية‬ ‫الفرضية البديلة ‪ :‬العالقة غير خطية‬

 ‫إذا كانت قيمة ‪ sig‬أصغر أو تساوي ‪ %5‬ترفض‬ ‫إذا كانت قيمة ‪ sig‬أصغر من ‪ %5‬إذا ترفض‬
‫فرضية العدم و تقبل البديلة وهذا الكالم خاطئ‬ ‫فرضية العدم وتقبل البديلة وبالتالي العالقة غير‬
‫العالقة تكون خطية عندما سيغ أكبر من ‪%5‬‬ ‫خطية‬

‫إذا كانت قيمة ‪ sig‬أكبر من ‪ %5‬ال يمكن رفض‬

‫فرضية العدم و العالقة خطية‬

‫مالحظة ‪ :‬دائماً و أبداً ترفض فرضية العدم إذا كانت قيمة ‪ sig‬أصغر أو تساوي ‪ %5‬وال يمكن رفضها للعدم‬
‫إذا كانت قيمة ‪ sig‬أكبر من ‪%5‬‬

‫اختبار العينات المزدوجة أو المرتبطة ‪pair sample t test :‬‬

‫الهدف ‪:‬يستخدم عندما يرغب الباحث بمعرفة فيما إذا زاد أو انخفض أو بقي كما هو متغير ما خالل فترتين‬
‫زمنيتين‬

‫مثال ‪:‬‬
‫ازداد حجم مبيعات الشركة في الشهر ‪ 11‬عن ‪، 12‬طرحت المنظمة حملة إعالنية ما وترغب بمعرفة اتجاهات‬
‫المستهلكين نحو المنتج تحسنت أو تراجعت بعد الحملة عن قبلها‬

‫شروط االختبار ‪:‬‬

‫‪ -1‬متغير واحد قيس على فترتين زمنيتين (ثالثة ما بيمشي الحال) ويمكن استخدامه لمقارنة متغيرين متلفين‬
‫عن بعضهما البعض ‪ ،‬اختالف متوسط الرضا عن متوسط الوالء‬
‫‪ -2‬المتغير قبل و بعد يتبع التوزيع الطبيعي ويمكن االستعاضة عن هذا الشرط بحجم عينة أكبر من ‪30‬‬

‫‪Analyze → compare means → paired sample t test‬‬

‫ندخل المتغير ‪ attit1‬ثم ‪ attit2‬ثم نضغط على ‪ok‬‬
 ‫التوزيع طبيعي‬

‫طريقة االختبار ‪:‬‬

‫‪ ‬فرضية العدم ‪ :‬المتوسطات متساوية‬

‫‪ ‬الفرضية البديلة ‪ :‬المتوسطات مختلفة‬

‫النتائج ‪:‬‬

‫يبدو من نتائج التحليل بأن قيم ‪ sig‬في جدول ‪ paired sample test‬معنوية عند ‪ %1‬وهي أصغر من ‪%5‬‬
‫إذا ترفض فرضية العدم و تقبل البديلة التي تنص على اختالف المتوسطات‬

‫ويبدو من إشارتي ‪ t‬و ‪ mean‬في جدول ‪ paired samples test‬بأن ‪ attitu2 > attitu1‬إذا بقدر اعتمد على‬
‫إشارة ‪ t‬أو ‪mean‬‬

‫المتغيرات ال تتبع التوزيع الطبيعي‬

‫اختبر الباحث باختبار ‪corn gruff smel‬‬

‫"اسم االختبار ما بعرف شلون بينكتب "‬

‫وتبين أن التوزيع غير طبيعي يكون االختبار على الشكل التالي‬

‫‪Analyze → compare means → bootstrap → continue → ok‬‬

‫يبدو من قيمة سيغ في جدول ‪ paired sample test‬بأنها معنوية عند ‪ %1‬وهي أصغر من ‪ %5‬إذا ترفض‬
‫فرضية العدم و تقبل البديلة ومتوسطات ‪ attit1 , attit2‬مختلفة عن بعضها البعض ‪.‬‬

‫ولكن ألن التوزيع غير طبيعي نحتاج إلى إجراء ‪bootstrap‬‬

‫يبدو من جدول ‪ bootstrap for paired sample test‬بأن الحد األاعلى للفرق بين متوسط ‪attit1‬و ‪atti2‬‬
‫هو ‪ upper 1.19‬و الحد األدنى ‪ 0.73‬وهذا يشير بأن الفرق بين متوسط ‪ attit1‬و ‪ attit2‬ال يساوي الصفر‬
‫على اإلطالق في العينات األلف ‪1000‬المأخوذة وهذا ما يؤكد رفض فرضية العدم و قبول الفرضية البديلة التي‬
‫تنص على أن المتوسطات قبل و بعد مختلفة وبالنسبة للمتوسط األكبر كما هو معتاد من إشارة ‪ t‬أو من عمود‬
‫الفرق بين المتوسطات ‪. mean‬‬
 ‫‪5‬‬

‫اختبار العينات المستقلة ‪independent sample t test‬‬

‫مثال‪ :‬يختلف رضا العمالء عن ____ تبعاً لجنسهم‬
‫يختلف ادراك جودة سيارة ____ تبعاً لبلد المنشأ ( داخلي ‪ ،‬خارجي )‬

‫المتغير األول من نوع ‪ SCALE‬والثاني ‪" nominal or ordinal‬إجباري ثنائي الفئات "‬

‫‪Mean M‬‬ ‫>‪=،<،‬‬ ‫‪Mean F‬‬

‫هل يؤثر الجنس على‬
‫هل قد بعض أو مختلفين‬ ‫رضا العمالء ؟‬
‫عن بعض‬ ‫ال ‪ ،‬شو عرفك ؟ أنو‬

‫‪5/2‬‬ ‫مثال‬ ‫‪5/5‬‬ ‫الجنس أثر على الرضا‬

‫؟‬
‫يختلف رضا الذكور عن اإلناث ولكن ال يؤثر (ما بحقلك تقول يؤثر )‬

‫رسمة تباين متجانس (تباين رضا العمالء عبر مجموعات الجنس متجانس ) ( ‪homogeneous‬‬
‫‪)variance‬‬
‫رسمة تباين غير متجانس (تباين رضا العمالء مجموعات الجنس غير متجانس ) ( ‪heterogeneous‬‬
‫‪)variance‬‬
‫الهدف منه‪ :‬يستخدم عندما يرغب الباحث بمعرفة مدى وجود اختالفات في متغير مثل الرضا الوظيفي تبعاً لفئتي‬
‫متغير آخر مثل الجنس‪.‬‬

‫شروط االختبار‪:‬‬

‫‪ .1‬متغير كمي (‪ )scale‬واحد فقط‪.‬‬

‫‪ .2‬المتغير اآلخر مكون من فئتين فقط اسمي أو ترتيبي‪.‬‬
‫‪ .3‬التباين للمتغير الكمي (الرضا مثالً) متجانس عبر العينتين (عينة الذكور وعينة اإلناث)‪.‬‬

‫مثال‪ :‬تباين الرضا بين الذكور واالناث‪.‬‬

‫إذا كان شكل التوزيع طبيعي متشابه بين الذكور واالناث فالتباين متجانس ‪ homogenous variance‬وإذا لم‬
‫يكن متشابه يكون التباين غير متجانس ‪heterogeneous variance‬‬

‫‪ .4‬التوزيع طبيعي في كلتا العينتين ويستعاض عنها بزيادة حجم العينة ألكثر من ‪ 30‬مفردة‪.‬‬
‫يتكون اختبار العينات المستقلة من خطوتين‪:‬‬

‫الخطوة األولى‪ :‬التعرف على تباين المتغير الكمي فيما إذا كان متجانساً عبر مجموعتي المتغير الفئوي‬
‫(‪ nominal‬أو ‪.)ordinal‬‬
‫الخطوة الثانية‪ :‬اختبار متوسط المتغير الكمي عبر مجموعتي المتغير الفئوي لمعرفة فيما إذا كان متوسط المتغير‬
‫الكمي في العينة األولى (ذكور) أكبر أو أصغر أو يساوي متوسط المتغير الكمي في العينة الثانية (إناث)‪.‬‬

‫‪< Independent-samples T test < compare means < Analyze‬‬

‫‪Analyze → compare means → Independent-samples T test‬‬

‫ندخل المتغير الكمي في قائمة ‪ test variable‬ثم ندخل المتغير ثنائي الفئات في نافذة ‪grouping variable‬‬
‫ونضغط على ‪ define groups‬ونحدد الكود المستخدم لتعريف الفئة األولى (الذكور ‪ 0‬مثالً) والفئة الثانية‬
‫(اإلناث ‪ 1‬مثالً) ثم نضغط على ‪ continue‬ثم ‪ok‬‬

‫طريقة التعليق على النتائج‪:‬‬

‫القسم األول من االختبار‪:‬‬

‫اختبار عدم تجانس تباين المتغير الكمي عبر فئات المتغير الفئوي‪:‬‬

‫فرضية العدم‪ :‬التباين متجانس‬

‫الفرضية البديلة‪ :‬التباين غير متجانس‬

‫إذا كانت قيمة ‪ sig‬في جدول ‪ Levene’s Test for Equality of Variances‬أكبر من ‪ %5‬ال يمكن رفض‬
‫فرضية العدم والتباين متجانس ويق أر الباحث نتائج السطر األول في القسم الثاني من الجدول المسمى ‪T Test‬‬
‫‪for Equality of Means‬‬

‫إذا كانت قيمة ‪ sig‬أصغر أو تساوي ‪ %5‬ترفض فرضية العدم وتقبل الفرضية البديلة وتباين المتغير الكمي غير‬
‫متجانس غبر مجموعتي المتغير الفئوي وبالتالي نق أر نتائج السطر الثاني من اختبار ‪T Test for Equality of‬‬
‫‪Means‬‬

‫المرحلة الثانية ‪:‬هي اختبار اختالف متوسطات العينات المستقلة (االختبار األساسي)‬

‫فرضية العدم‪ :‬متوسطي العينتين متساويين (‪)m1 = m2‬‬

 ‫الفرضية البديلة‪ :‬متوسطي العينتين مختلفتين‬

‫إذا كانت قيمة ‪ sig‬أصغر أو تساوي ‪ %5‬ترفض فرضية العدم وتقبل البديلة والمتوسطين مختلفين‪.‬‬

‫يختلف متوسط ‪( item 2‬الرضا مثالً) تبعاً لفئات الجنس‪.‬‬ ‫مثال‪:‬‬

‫يبدو من جدول ‪ Group Statistics‬بأن متوسط ‪ item 2‬عند الذكور يبلغ ‪ 3.92‬وعند اإلناث ‪ 4.05‬ولكن ال‬
‫يمكن االعتماد على هاتين النتيجتين بسبب غياب المعنوية اإلحصائية‪.‬‬

‫المرحلة األولى لالختبار‪ :‬اختبار عدم تجانس التباين‪ :‬يبدو من قيمة ‪ sig‬البالغة ‪ 0.891‬في جدول‬
‫‪ Levene’s Test for Equality of variances‬بأنها أكبر من ‪ ، %5‬إذاً ال يمكن رفض فرضية العدم‬
‫والتباين للمتغير ‪ item 2‬متجانس عبر فئتي الجنس وبالتالي سنق أر نتائج السطر األول ( ‪Equal variances‬‬
‫‪ )assumed‬في جدول ‪t test for Equality of Means‬‬

‫المرحلة الثانية لالختبار‪ :‬يبدو من قيمة ‪ sig‬في جدول ‪ t test for Equality of Means‬والبالغة ‪0.600‬‬
‫(السطر األول) وهي أكبر من ‪ %5‬إذاً ال يمكن رفض فرضية العدم ومتوسط ‪ item 2‬متساوي عبر فئتي الجنس‬
‫وبالتالي يستنتج الباحث بعدم اختالف متوسط ‪ item 2‬تبعاً لفئات الجنس‪.‬‬

‫‪Group Statistics‬‬

‫‪Sex‬‬ ‫‪N‬‬ ‫‪Mean‬‬ ‫‪Std. Deviation‬‬ ‫‪Std. Error Mean‬‬

‫‪item2‬‬ ‫‪male 80‬‬ ‫‪3.9250‬‬ ‫‪.93829‬‬ ‫‪.10490‬‬

‫‪female 20‬‬ ‫‪4.0500‬‬ ‫‪.99868‬‬ ‫‪.22331‬‬

‫‪Independent Samples Test‬‬

‫‪Levene's Test for‬‬

‫‪Equality of‬‬
‫‪Variances‬‬ ‫‪t-test for Equality of Means‬‬

‫‪95% Confidence‬‬
‫‪Interval of the‬‬

‫‪Mean‬‬ ‫‪Std. Error‬‬ ‫‪Difference‬‬

‫‪F‬‬ ‫‪Sig.‬‬ ‫‪t‬‬ ‫‪df‬‬ ‫‪Sig. (2-tailed) Difference Difference‬‬ ‫‪Lower‬‬ ‫‪Upper‬‬

‫‪item2‬‬ ‫‪Equal variances‬‬

‫‪.019‬‬ ‫‪.891‬‬ ‫‪-.526‬‬ ‫‪98‬‬ ‫‪.600‬‬ ‫‪-.12500‬‬ ‫‪.23757‬‬ ‫‪-.59646‬‬ ‫‪.34646‬‬
‫‪assumed‬‬

‫‪Equal variances‬‬
‫‪-.507‬‬ ‫‪27.983 .616‬‬ ‫‪-.12500‬‬ ‫‪.24672‬‬ ‫‪-.63041‬‬ ‫‪.38041‬‬
‫‪not assumed‬‬
 ‫إذا كان توزيع المتغير الكمي غير طبيعي‪:‬‬

‫مالحظة‪ :‬من المفروض أن يكون الباحث قد تعرف قبل انجاز التحليل على مدى اتباع المتغير الكمي لمنحني‬
‫التوزيع الطبيعي من عدمه‪.‬‬

‫إذا كان يتبع التوزيع الطبيعي تنفذ اإلجراءات التي ذكرناها مسبقاً أما إذا كان التوزيع غير طبيعياً يقوم الباحث‬
‫بنفس الخطوات السابقة باإلضافة إلى إجراء ‪ Bootstrap‬وبعد أن يقوم بالمرحلتين األولى (تجانس التباين)‬
‫والثانية (اختبار الفروق بين المتوسطين) يحتاج الباحث إلى التأكد من خالل جدول ‪Bootstrap for‬‬
‫‪Independent Samples Test‬‬

‫‪ -1‬إذا كان التباين متجانساً على سبيل المثال و كانت قيم ‪ upper‬و ‪ lower‬التي هي عبارة عن الفرق بين‬
‫متوسطي العينتين في القيم الموجبة يستنتج الباحث بأن الفرق بين المتوسطات ال يساوي الصفر على‬
‫اإلطالق في العينات ال ‪ 1000‬وبالتالي متوسطي العينتين مختلفين‪.‬‬
‫‪ -2‬إذا كانت قيم ‪ upper‬و ‪ lower‬في القيم السالبة يستنتج الباحث بأن الفرق بين المتوسطات ال يساوي‬
‫الصف على اإلطالق في العينات ال ‪ 1000‬وبالتالي متوسطي العينتين مختلفين‪.‬‬
‫إذا كانت قيم ‪ upper‬و ‪ lower‬واحدة بالموجب و واحدة بالسالب يستنتج الباحث بأن الفرق بين متوسطي‬
‫العينتين يمر بالقيمة صفر في العينات ال ‪ 1000‬وهذا ما يؤكد عدم إمكانية رفض فرضية العدم و بالتالي‬
‫المتوسطين متساويين‪.‬‬

‫اختبار ‪ : One Way Anova‬اختبار فروق المتوسطات بين عينات مستقلة‬

‫امتداد لالختبار السابق يستخدم لما يكون عنا المتغير الفئوي أكتر من فئتيين‬

‫يختلف متوسط رضا العمالء تبعاً لمستواهم التعليمي‬

‫رضا العمالء ‪ ، scale:‬والمستوى التعليمي ‪categorical:‬‬
‫الهدف ‪ :‬يستخدم هذا االختبار لمعرفة مدى اختالف متوسط متغير كمي تبعاً لمجموعات متغير فئوي مكون من‬
‫فئتين على األقل‬

‫الشروط ‪:‬‬

‫‪ ‬المتغير كمي من نوع ‪ SCALE‬واحد فقط‬

‫‪ ‬متغير فئوي مكون من فئتين على األقل‬
‫‪ ‬المتغير الكمي يتبع التوزيع الطبيعي‬
‫‪ ‬المشاهدات مستقلة‬

‫‪Analyze→compare means→one way ANOVA‬‬

‫ندخل المتغير الكمي في قائمة ‪ dependent test‬ثم ندخل المتغير الفئوي في قائمة ‪ factor‬نضغط على‬
‫‪ options‬نؤشر على ‪homogeneity of variance test‬‬

‫ثم نؤشر على ‪ means plot‬ثم نضغط على ‪ok‬‬

‫إذا تبين للباحث وجود فروق معنوية في المتوسطات من جدول ‪ < sig ANOVA‬أو تساوي ‪ %5‬نكرر االختبار‬
‫السابق بالضغط على ‪ POST HOC‬ونؤشر على ‪Bonferroni‬في قائمة ‪ equal varices assumed‬إذا كان‬
 ‫التباين متجانسا أو ‪ Dunnett’s T3‬إذا كان التباين غير متجانسا ثم نضغط على ‪ continue‬و ‪ ok‬ليظهر‬
‫ليدنا جداول الفروق‬

‫طريقة التعليق على النتائج‪:‬‬

‫يتكون االختبار من المراحل الثالثة التالية ‪:‬‬

‫‪ -1‬المرحلة األولى ‪ :‬اختبار عدم تجانس التباين عبر المجموعات‬

‫‪ ‬فرضية العدم ‪ :‬التباين متجانس‬
‫‪ ‬الفرضية البديلة ‪ :‬التباين غير متجانس‬
‫إذا كانت ‪ %5 > sig‬ال يمكن رفض فرضية العدم و التباين متجانس‬
‫‪ -2‬المرحلة الثانية ‪ :‬اختبار فروق المتوسطات بين العينات‬
‫‪ ‬فرضية العدم ‪ :‬المتوسطات متساوية ‪m1=m2=m3=mn‬‬
‫المتوسطات غير متساوية ‪m1 :‬ال يساوي ‪ m2‬ال يساوي ‪ m3‬اليساوي ‪mn‬‬
‫إذا بلغت قيمة‪ sig‬في جدول ‪ < ANOVA‬أو تساوي ‪ %5‬نرفض العدم و نقبل البديلة فالمتوسطات غير‬
‫متساوية‬
‫من جدول ‪Homogeneity of variance test‬‬
‫‪ -3‬المرحلة الثالثة ‪ :‬إذا تبين وجود فروق معنوية في المتوسطات بجب أن نعرف مصدر هذه الفروق من‬
‫خالل ‪post huc test‬‬
‫مثال ‪:‬‬
‫‪ H1‬يختلف متوسط ‪ item11‬تبعاً لنوع الالبتوب‬
‫يرغب الباحث بمعرفة هل يختلف متوسط ‪ item2‬تبعا لفئات المتغير البتوب‬
‫التعليق‪:‬‬
‫المرحلة األولى ‪ :‬يبدو من نتائج جدول ‪ Homogeneity of variance test‬أن قيمة ‪ >sig‬من ‪%5‬‬
‫و هذا يدفع إلى عدم إمكانية رفض فرضية العدم وباتاللي التباين متجانس‬
‫المرحلة الثانية ‪ :‬يبدو من جدول ‪ ANOVA‬بأن قيمة ‪ 0.005 sig‬أضغر من ‪ %5‬وبالتالي يوجد فروق‬
‫عند مستوى معنوية ‪ %1‬في متوسط المتغير ‪ item11‬تبعاً لفئات المتغير ‪ laptop‬وهذا يدفعنا لمعرفة‬
‫مصدر الفروق‬
 ‫على اعتبار أن التباين متجانس نكرر التحليل السابق بعد أن نؤشر على خيار ‪ Bonferroni‬في قائمة‬
‫‪ equal variances assumed‬من خيار ‪ post huc‬ثم ‪ continue‬ثم ‪ok‬‬
‫التعليق على الجدول األخير ‪ post huc test‬يبدو من جدول ‪ multiple comparisons‬بأن مصدر‬
‫الفروق بين ‪ Sony‬و ‪ Toshiba‬كان هذا الفرق معنوياً من عمود ‪ sig‬عند مستوى ‪ 0.014 %5‬كما‬
‫يتبين من عمود ‪ mean difference i-j‬وجود نجمة فوق الفرق بين المتوسطات حيث يبتين أن متوسط‬
‫‪ item11‬عند عمالء ‪ Sony‬أعلى من متسوط ‪item 11‬عند عمالء ‪Toshiba‬‬
‫الحالة األخيرة التوزيع للمتغير الكمي غير طبيعي‬
‫نكرر االختبار السابق مع اختبار ‪ bootstrap‬إذا كانت قيم الحد األدنى و الحد األعلى سالبة سوية أو‬

‫موجبة سوية هذا يؤكد بأن الفرق بين المتوسطات ال يساوي الصفر أبداً‬
‫أما إذا تراوحت قيمة الحد األعلى و قيمة الحد األدنى بين القيمة السالبة والقيمة الموجبة بهذا يعني بأن‬
‫الفرق بين المتوسطات سيمر بالقيمة صفر إذا المتوسطات متساوية‬
‫شرح زيادة من الـ ‪HR‬‬

‫يختلف متوسط ‪ item 11‬تبعاً لفئات القسم الذي يعمل فيه الموظف‪ ،‬و يرغب الباحث هنا بمعرفة فيما اذا كان‬
‫متوسط ‪ item 11‬مختلف عبر مجموعات التسويق و اإلنتاج و الموارد البشرية و المحاسبة‬

‫يبدو من نتائج جدول ‪ Test of Homogeneity of Variances‬أن قيمة ‪ sig‬أكبر من ‪ 5%‬إذا ال يمكن‬
‫رفض فرضية العدم والتباين مجانس‪.‬‬

‫‪Test of Homogeneity of Variances‬‬

‫‪item11‬‬

‫‪Levene Statistic‬‬ ‫‪df1‬‬ ‫‪df2‬‬ ‫‪Sig.‬‬

‫‪.938‬‬ ‫‪3‬‬ ‫‪96‬‬ ‫‪.425‬‬

‫ويبدو من قيمة ‪ sig‬في جدول ‪ Anova‬البالغة ‪ 0.006‬بأن فروق متوسطات ‪ item 11‬عبر مجموعات األقسام‬
‫معنوية عند مستوى ‪ %1‬و طالما أن الفروق معنوية يحتاج الباحث لمعرفة مصدر هذه الفروق‪ ،‬نعود ونشغل‬
‫التحليل مرة أخرى مع اختيار اختبار ‪ Bonferroni‬في قائمة ‪ Equal Variance Assumed‬لتظهر نتائج‬
‫‪Post Hoc Tests‬‬
 ANOVA
item11

Sum of Squares df Mean Square F Sig.

Between Groups 18.475 3 6.158 4.424 .006

Within Groups 133.635 96 1.392
Total 152.110 99

‫ هو بين قسم التسويق و قسم‬item 11 ‫يبدو من جدول المقارنات المتعددة بأن مصدر الفرق في متوسطات‬
‫ يضع إشارة * عند‬SPSS ‫ مع االنتباه إلى أن‬%5 ‫االنتاج حيث كان مستوى معنوية الفرق بين هاتين الفئتين‬
‫ لإلشارة إلى الفرق المعنوي ويمكن للباحث معرفة المتوسط األعلى من األقل من خالل‬mean difference ‫قيمة‬
.‫الجداول الوصفية‬

‫ بشكل مشابه لجدول‬multiple comparisons ‫إذا كان التباين غير متجانس تظهر النتائج في جدول‬
‫ ويستدل الباحث على معنوية الفروق من إشارة النجمة للتعرف على‬sig ‫ ولكن دون ظهور عمود‬Bonferroni
.‫الفورق المعنوية‬

Multiple Comparisons
Dependent Variable: item11

Mean 95% Confidence Interval

(I) department (J) department Difference (I-J) Std. Error Sig. Lower Bound Upper Bound

Bonferroni MARKETING HUMAN

.17407 .31298 1.000 -.6691 1.0173
RESOURCES
ACCOUNTING .76667 .31298 .097 -.0765 1.6098

PRODUCTION 1.14167* .36524 .014 .1577 2.1256

HUMAN RESOURCES MARKETING -.17407 .31298 1.000 -1.0173 .6691

ACCOUNTING .59259 .32111 .408 -.2725 1.4577

PRODUCTION .96759 .37223 .065 -.0352 1.9704

ACCOUNTING MARKETING -.76667 .31298 .097 -1.6098 .0765

HUMAN
-.59259 .32111 .408 -1.4577 .2725
RESOURCES

PRODUCTION .37500 .37223 1.000 -.6278 1.3778

PRODUCTION MARKETING -1.14167* .36524 .014 -2.1256 -.1577

HUMAN
-.96759 .37223 .065 -1.9704 .0352
RESOURCES

ACCOUNTING -.37500 .37223 1.000 -1.3778 .6278

*. The mean difference is significant at the 0.05 level.
 ‫مالحظة‪ :‬إذا كان التوزيع غير طبيعي للمتغير الكمي يقوم الباحث باختبار ‪ Bootstrap‬ويتم التعليق بنفس الطريقة‬
‫التي مرت معنا في ‪Independent Sample T Test‬‬

‫‪6‬‬

‫ارتباط بيرسون‬
‫الهدف اكتشاف وجود عالقة بين متغيرين أي معرفة فيما إذا كانا يتحركان بقيمهما صعوداً و هبوطاً بشكل طردي‬
‫أو عكسي‬

‫مالحظة ‪:‬‬

‫العالقة طردية‪ :‬بين متغيرين يعني ‪ x‬و ‪ y‬تزداد قيمهما و تنخفض مع بعضهما البعض وبنفس االتجاه‬

‫العالقة العكسية ‪ :‬عندما تنخفض قيم ‪ x‬تزداد قيم ‪y‬‬

‫تستخدم عادة اختبارات االرتباط عند عدم معرفة اتجاه التأثير بين المتغيرات أي اليعرف الباحث المتغير المستقل‬
‫من التابع‬

‫شروط ارتباط بيرسون ‪:‬‬

‫‪ -1‬لكل مفردة أو حالة (سطر"مستجوب") إجابتين أو قيمتين على المتغير ‪ x‬و ‪y‬‬
‫‪ -2‬العالقة بين ‪ x‬و ‪ y‬خطية‬
‫‪ -3‬يتبع إلى المتغيرين التوزيع الطبيعي‬
‫‪ -4‬المتغيرات من نوع ‪ scale‬وتشير بعض الدراسات إلى أنه ممكن أن يكون أحدهما تصنيفة مكونة من‬
‫فئتين فقط (‪)1,0‬‬
‫‪ -5‬التباين متجانس بين المتغيرات‬

‫‪Analyze→correlate→bivariate‬‬

‫تدخل المتغيرات في قائمة ‪ variables‬ويكون نوع االرتباط مؤشر بشكل افتراضي على ‪ Pearson‬ثم ‪ok‬‬

‫مثال‪:‬‬
‫‪ : H1‬توجد عالقة ارتباط معنوية بين ثقة العمالء بالعالمة التجارية ورضاهم عن العالمة التجارية‬
 ‫التعليق ‪:‬‬
‫يبدو من جدول ‪ correlation‬وجود عالقة معنوية عند مستوى ‪ %1‬بين الثقة بالعالمة التجارية والرضا ( ‪sig‬‬
‫‪)%1 <2tailed‬‬
‫وبلغ معامل االرتباط ‪ 0.826‬و العالقة طردية الن اشارة بيتا موجبة ‪.‬‬
‫مثال‪:‬‬
‫‪ H1‬توجد عالقة ارتباط بين الرضا عن العمل والوالء للمنظمة‪.‬‬
‫يبدو من قيمة ‪ sig‬البالغة ‪ 0.000‬بأنه يوجد عالقة ارتباط بين المتغيرين عند مستوى معنوية ‪( %1‬قيمة ‪ sig‬في‬
‫الجدول أصغر من ‪ )%1‬والعالقة طردية ألن فيمة ‪ sig‬ألن إشارة معامل االرتباط موجبة وبلغ معامل االرتباط‬
‫‪ 75.9%‬إذاً قبلت الفرضية‪:‬‬
‫‪Correlations‬‬

‫‪JobSatisfaction‬‬ ‫‪Loyalty‬‬

‫‪JobSatisfaction‬‬ ‫‪Pearson Correlation 1‬‬ ‫**‪.759‬‬

‫)‪Sig. (2-tailed‬‬ ‫‪.000‬‬

‫‪N 100‬‬ ‫‪100‬‬

‫‪Loyalty‬‬ ‫**‪Pearson Correlation .759‬‬ ‫‪1‬‬

‫‪Sig. (2-tailed) .000‬‬

‫‪N 100‬‬ ‫‪100‬‬

‫‪**. Correlation is significant at the 0.01 level (2-tailed).‬‬

‫نجمتين ‪ %1‬ونجمة وحدة ‪%5‬‬

‫يستخدم اختبار االرتباط عندما ال يعرف الباحث اتجاه العالقة بين المتغيرات ويستخدم عندما تكون‬ ‫مالحظة‪:‬‬
‫الفرضيات مصاغة على الشكل ‪ x1‬يرتبط ب ‪ x2‬على سبيل المثال‪.‬‬

‫مالحظة ‪ :2‬تشير إشارة معامل االرتباط ‪ Peta‬إلى اتجاه العالقة (إشارة سالبة أي ان العالقة عكسية و موجبة‬
‫أي أن العالقة طردية) وقيمة ‪ sig‬إذا كانت أكبر من ‪ %5‬ال يوجد عالقة ارتباط‪.‬‬

‫ارتباط سبيرمان ‪:Spearman‬‬

‫الهدف ‪ :‬يستخدم هذا االختبار عند خرق شروط اختبار ارتباط ‪ Pearson‬او عندما تكون المتغيرات من نوع‬
‫‪ordinal‬‬
 ‫الشروط‪:‬‬

‫‪ .1‬لكل مفردة في الدراسة قيمتان مقاستان ل ‪ x‬و ‪y‬‬

‫‪ .2‬المتغيرات ترتيبية أو من نوع ‪ scale‬ولكن لم تحقق شروط ارتباط ‪Pearson‬‬

‫‪Analyze→correlate→bivariate‬‬

‫يدخل المتغيرين في قائمة ‪ variables‬نزيل اشارة بيرسون و نؤشر على سبيرمان ثم نضغط على ‪ok‬‬

‫‪ H2‬يرتبط العمر معنوياً بالمستوى التعليمي‬

‫يبدو من جدول االرتباط أن العالقة معنوية عند ‪( %1‬قيمة ‪ sig‬الجدولية < ‪ )%1‬وبلغت قيمة معامل االرتباط‬
‫‪ %56.5‬و العالقة طردية ألن إشارة بيتا موجبة ‪.‬‬

‫وباستخدام إجراء ‪ bootstrap‬سواء الختبار بيرسون أو سبيرمان يجب أن تكون قيم الحد األدنى ‪ lower‬والحد‬
‫األعلى ‪ upper‬كالهما بالقيمة السالبة أو الموجبة حتى نستنتج بأن معامل االرتباط ال يساوي الصفر في العينات‬
‫األلف المأخوذة‪.‬‬
‫مثال‪:‬‬
‫‪ H2‬توجد عالقة ارتباط معنوية بين العمر والمستوى التعليمي‪.‬‬
‫يبدو من جدول االرتباط بأن العالقة بين المتغيرين معنوية عند ‪( %1‬ألن قيمة ‪ sig‬في الجدول أصغر من ‪)%1‬‬
‫وبلغت قيمة معامل االرتباط ‪ 56.5%‬والعالقة طردية ألن إشارة معامل االرتباط موجبة وبالتالي بازدياد المستوى‬
‫التعليمي يزداد العمر والعكس صحيح‪.‬‬

‫‪Correlations‬‬

‫‪age‬‬ ‫‪education‬‬

‫‪Spearman's rho‬‬ ‫‪age‬‬ ‫‪Correlation Coefficient 1.000‬‬ ‫**‪.565‬‬

‫‪Sig. (2-tailed) .‬‬ ‫‪.000‬‬

‫‪N 100‬‬ ‫‪100‬‬

‫‪education‬‬ ‫‪Correlation Coefficient‬‬ ‫**‪.565‬‬ ‫‪1.000‬‬

‫‪Sig. (2-tailed) .000‬‬ ‫‪.‬‬

‫‪N 100‬‬ ‫‪100‬‬

‫‪**. Correlation is significant at the 0.01 level (2-tailed).‬‬

‫مالحظة‪ :‬يمكن استخدام اجراء ‪ Bootstrapping‬في كال االختبارين‪ ،‬في األول ‪ Pearson‬اذا كان التوزيع غير‬
‫طبيعي او حجم العينة صغير للتأكد من النتائج كما يمكن استخدام هذا االختبار في اختبار ‪ Spearman‬أيضاً‪.‬‬

‫مثال‪:‬‬

‫يرغب الباحث بمعرفة مدى وجود عالقة بين الرضا عن العمل والوالء للمنظمة وأحد المتغيرات ال يتبع التوزيع‬
‫الطبيعي وكان االختبار على الشكل التالي‪:‬‬

‫‪Correlations‬‬

‫‪JobSatisfaction‬‬ ‫‪Loyalty‬‬

‫‪JobSatisfaction‬‬ ‫‪Pearson Correlation 1‬‬ ‫**‪.759‬‬

‫)‪Sig. (2-tailed‬‬ ‫‪.000‬‬

‫‪N 100‬‬ ‫‪100‬‬

‫‪Bootstrapb‬‬ ‫‪Bias 0‬‬ ‫‪-.001‬‬

‫‪Std. Error 0‬‬ ‫‪.048‬‬

‫‪95% Confidence Interval‬‬ ‫‪Lower 1‬‬ ‫‪.651‬‬

‫‪Upper 1‬‬ ‫‪.839‬‬

‫‪Loyalty‬‬ ‫‪Pearson Correlation‬‬ ‫**‪.759‬‬ ‫‪1‬‬

‫‪Sig. (2-tailed) .000‬‬

‫‪N 100‬‬ ‫‪100‬‬

‫‪Bootstrapb‬‬ ‫‪Bias -.001‬‬ ‫‪0‬‬

‫‪Std. Error .048‬‬ ‫‪0‬‬

‫‪95% Confidence Interval‬‬ ‫‪Lower .651‬‬ ‫‪1‬‬

‫‪Upper .839‬‬ ‫‪1‬‬

‫‪**. Correlation is significant at the 0.01 level (2-tailed).‬‬

‫‪b. Unless otherwise noted, bootstrap results are based on 1000 bootstrap samples‬‬
‫التعليق على النتائج‪:‬‬
‫يبدو أن عالقة االرتباط بين المتغيرين معنوية عند مستوى ‪ %1‬و هي طردية ألن إشارة ‪ Peta‬موجبة و تبدو‬
‫القيم العليا والدنيا لمعامل االرتباط ‪ % 65.1‬و ‪ %83.9‬على التوالي‪ ،‬أي أن معامل االرتباط بين المتغيرين ال‬
‫يمر بالقيمة ‪ 0‬على االطالق من خالل إجراء إعادة المعاينة‪.‬‬
 ‫العالقة بين المتغيرات‪:‬‬ ‫معامل االرتباط‪:‬‬

‫ضعيفة جدا‬ ‫‪0.20 – 0.01‬‬

‫ضعيفة‬ ‫‪0.40 – 0.21‬‬

‫متوسطة‬ ‫‪0.60 – 0.41‬‬

‫قوية‬ ‫‪0.80 – 0.61‬‬

‫قوية جدا‬ ‫‪1 – 0.81‬‬

‫ارتباط ‪Kendall’s tau-b‬‬

‫هو ارتباط مشابه ل سبيرمان وفي أغلب الحاالت نتائج االختبارين متشابهة‪.‬‬

‫مقارنة بين ارتباط ‪ Spearman‬و ‪:Kendall’s tau-b‬‬

‫يتشابه كال االختبارين في مبررات االستخدام وفي اغلب الحاالت نتائجهما متشابهة و يتمتع ‪Kendall’s tau-‬‬
‫‪ b‬بالمزايا التالية‪:‬‬
‫‪ .1‬توزيعه له مواصفات إحصائية أفضل‪.‬‬
‫‪ .2‬عندما تكون أزواج اإلجابات على المتغيرين ‪ x‬و ‪ y‬لمستجوب ما أقل من غيرها أو إذا كانت إجابات‬
‫مستجوب ما على المتغيرين ‪ x‬و ‪ y‬ومتباينة بشكل متعاكس من األفضل استخدام ‪Kendall’s tau-b‬‬
‫وبالنتيجة اختبار سبيرمان هو األكثر شيوع ا ‪.‬‬

‫‪ -‬ما معنى تجانس التباين بين متغيرين من نوع ‪scale‬؟‬

‫هذا يعني بأن تباين المتغير األول ثابت عبر المتغير اآلخر‪.‬‬

‫االرتباط الجزئي‬
‫يستخدم االرتباط الجزئي كأداة احصائية بسيطة تساعد الباحث على معرفة مدى االرتباط بين متغيرين عند عزل‬
‫تأثير متغير ثالث عنهما (عن طريق تثبيت قيمة هذا المتغير الثالث )‬
‫الشروط ‪:‬‬
‫‪ -1‬المتغيرات الثالثة من نوع ‪.scale‬‬
‫‪ -2‬العالقة خطية بين المتغيرات الثالثة ‪.‬‬
‫‪ -3‬أقل عدد ممكن من القيم المتطرفة في المتغيرات الثالثة ‪.‬‬
 . ‫ تتبع المتغيرات الثالثة التوزيع الطبيعي‬-4

Analyze→correlate→Partial correlation

‫ ثم‬variables ‫ندخل المتغيرات المرغوب اختبار عالقتها مع بعضها البعض بعد عزل تأثير متغير آخر في قائمة‬
controlling for ‫ندخل المتغير المرغوب عزل تأثيره في قائمة‬

ok ‫ ثم‬zero order correlation ‫ نؤشر على‬options ‫من‬

.‫ ال نق أر معامل االرتباط‬:ً‫ تكون العالقة غير معنوية إذا‬%5 ‫ اذا أكبر من‬sig ‫قيمة‬

.‫ نق أر معامل االرتباط‬:ً‫ تكون العالقة معنوية إذا‬%5 ‫ إذا أصغر او تساوي‬sig ‫قيمة‬

.)‫يرتبط الرضا عن العمل جزئياً بالوالء للمنظمة (بعد عزل تأثير بيئة العمل‬ :‫مثال‬

‫ عند مستوى‬75.9% ‫يبدو من جدول االرتباط بأن قيمة معامل االرتباط بين الرضا عن العمل والوالء المنظمي‬
.‫ و ذلك قبل عزل تأثير بيئة العمل‬%5 ‫معنوية‬

Correlations

Control Variables JobSatisfaction Loyalty JobEnvironment

-none-a JobSatisfaction Correlation 1.000 .759 .826

Significance (2-tailed) . .000 .000

df 0 98 98

Loyalty Correlation .759 1.000 .857

Significance (2-tailed) .000 . .000

df 98 0 98

JobEnvironment Correlation .826 .857 1.000

Significance (2-tailed) .000 .000 .

df 98 98 0
JobEnvironment JobSatisfaction Correlation 1.000 .176

Significance (2-tailed) . .082

df 0 97

Loyalty Correlation .176 1.000

Significance (2-tailed) .082 .

df 97 0

a. Cells contain zero-order (Pearson) correlations.

‫وبعد عزل تأثير بيئة العمل عن المتغيرين أصبحت العالقة بين المتغيرين غير معنوية (‪ sig‬تساوي ‪)0.082‬‬
‫وطالما أن التغير جوهري في طبيعة العالقة قبل العزل بالمقارنة مع بعد العزل نستنتج وجود ارتباط جزئي بين‬
‫‪ Satisfaction‬و ‪Loyalty‬‬

‫طريقة مقارنة النتائج‪ :‬يكون االرتباط جزئي بين المتغيرين في الحاالت التالية‪:‬‬

‫بعد العزل‬ ‫قبل العزل‬

‫‪ Sig‬غير معنوية‬ ‫‪ Sig‬معنوية‬ ‫الحالة األولى‬

‫‪ Sig‬معنوية‬ ‫‪ Sig‬غير معنوية‬ ‫الحالة الثانية‬

‫‪ Sig‬معنوية ايضاً ولكن قيمة‬ ‫‪ Sig‬معنوية‬ ‫الحالة الثالثة‬

‫معامل االرتباط أكبر‬

‫‪ Sig‬معنوية ايضاً ولكن قيمة‬ ‫‪ Sig‬معنوية‬ ‫الحالة الرابعة‬

‫معامل االرتباط أصغر‬

‫دالالت معامل االرتباط‬

‫من‪ %1‬لـ ‪ %20‬ضعيفة جداً‬

‫من ‪ %21‬لـ ‪ %40‬ضعيفة‬

‫من‪ %41‬لـ ‪ %60‬متوسطة‬

‫من‪ %61‬لـ ‪% 80‬قوية‬

‫من‪ %80‬لـ ‪ %100‬قوية جداً‬

‫سواء كانت – أو ‪ -( +‬عكسية ‪ + ،‬طردية ) (أهم الشي تكون العالقة معنوية )‪.‬‬
 ‫اختبار القيم الشاذة‪:‬‬

‫تحديد القيم المتطرفة ‪:‬‬

‫يعتمد الباحث على الخطوات التالية‬

‫‪Analyze → descriptive statistics → explore‬‬

‫تدخل المتغيرات المرغوب اختبار قيمها المتطرفة في قائمة ‪ dependent list‬من ‪ statistics‬يؤشر الباحث‬
‫على ‪ M-estimators‬و‪ outliers‬و ‪percentiles‬‬

‫ومن ‪ PLOT‬نضع ‪ uncheck‬الختبار‪ stem and leaf‬ثم ‪ok‬‬

‫يبدو على سبيل المثال بالنسبة للمتغير ‪ loyalty‬عدم وجود قيم متطرفة أما بالنسبة ل‪ brand trust‬كانت القيم‬
‫المتطرفة في الحاالت (المستجوبين) ‪.. ، 24، 99، 48‬ونظ اًر لعددها القليل من عينة بحجم ‪ 100‬ال يوجد‬
‫ضرورة لحذفها أما في حال كان عدد القيم المتطرفة كبير يحذف الباحث الحاالت من التحليل ‪.‬‬

‫الطريقة اليدوية ‪:‬‬

‫الحد األدنى = )‪q1-1.5 *( q3-q1‬‬

‫الحد األعلى )‪q3+1.5*(q3-q1‬‬

‫وعلى سبيل المثال يبدو كل من ‪ environment‬و ‪ satisfaction‬و ‪ loyalty‬بأنه يوجد عدد قليل من القيم‬
‫الشاذة‪:‬‬
‫بـ ‪ satisfaction‬يوجد ‪ 48‬و ‪ 99‬و ‪ 24‬و ‪ 79‬يمكن للباحث استبعاد هذه الحاالت من التحليل أما بالنسبة للوالء‬
‫للمنظمة ال يوجد قيم شاذة‪.‬‬
 ‫‪7‬‬

‫االنحدار الخطي المتعدد‬

‫‪Analyze → descriptive statistics → explore‬‬

‫يستخدم تحليل االنحدار الخطي البسيط (متغير مستقل ومتغير تابع) للتنبؤ بقيم المتغير التابع في المستقبل وفقاً‬
‫لقيم متغير مستقل ومعرفة مقدار التغير الحاصل في المتغير التابع بسبب المتغير المستقل‪.‬‬
‫يستخدم االنحدار الخطي المتعدد (عدد من المتغيرات المستقلة ومتغير تابع واحد فقط) للتنبؤ بقيم المتغير التابع‬
‫في المستقبل وفقاً لقيم متغيرات مستقلة ومعرفة مقدار التغير الحاصل في التابع بسبب المتغيرات المستقلة‪.‬‬
‫شروط االنحدار الخطي‪:‬‬

‫‪ -1‬حجم العينة ‪ n‬أكبر من (‪ *8 + 50‬عدد المتغيرات المستقلة) وفي حال استخدم الباحث طريقة ‪stepwise‬‬
‫يجب وجود ‪ 40‬استبيان لكل متغير مستقل‪.‬‬
‫‪ -2‬متغير تابع واحد فقط كمي (من نوع ‪.)scale‬‬
 ‫يسمى ببعض األحيان المتغير التابع ‪.criterion‬‬
‫‪ -3‬المتغيرات المستقلة قد تكون من نوع ‪ scale‬أو ‪ ordinal‬أو ‪ nominal‬شرط أن يكون من فئتين فقط‪.‬‬
‫‪ -4‬العالقة خطية بين المتغيرات المستقلة والمتغير التابع (ينجز هذا االختبار من خالل ‪ linearity test‬قبل تنفيذ‬
‫تحليل االنحدار الخطي‪.‬‬
‫‪ -5‬البواقي تتوزع طبيعياً‪.‬‬
‫‪ -6‬التجانس محقق للتباين بين المتغيرات المستقلة والمتغير التابع ويتم ذلك من خالل اختبار تجانس تباين‬
‫البواقي‪ .‬اختبار ‪Glesjer‬‬
‫‪ -7‬استقالل البواقي عن بعضها البعض بما معناه أن البواقي ال تشكل نمط محدد بحيث تمثل متغير جديد‪.‬‬

‫اختبار عدم تجانس التباين بين المتغيرات المستقلة والتابع‬

‫يتم االختبار وفقاً للمراحل الثالث اآلتية‪:‬‬

‫‪ -1‬حساب البواقي‪.‬‬
‫‪ -2‬حساب القيمة المطلقة للبواقي‪.‬‬
‫‪ -3‬اختبار تجانس التباين‪.‬‬
‫‪Trust‬‬

‫‪loyalty‬‬
‫‪satisfaction‬‬

‫‪commitment‬‬

‫المرحلة األولى‪ :‬حساب متغير البواقي‬

‫الفرق بين القيم الفعلية والمتوقعة (المتنبأ بها ) ‪ ،‬يقوم الباحث في هذه المرحلة بحساب متغير البواقي على الشكل‬
‫التالي‬

‫‪Analyze → regression→ linear‬‬

‫تدخل المتغيرات الثالثة في قائمة ‪independents‬‬

 ‫والمتغير ‪loyalty‬‬

‫في قائمة ‪dependent‬‬

‫من ‪save‬‬

‫نؤشر على ‪ unstandardized‬من قائمة ‪residual‬‬

‫‪Continue‬ثم ‪ok‬‬

‫يظهر متغير جديد هو البواقي في قائمة ‪data view‬‬

‫باسم ‪RES-1‬‬

‫المرحلة الثانية‪ :‬حساب القيمة المطلقة ل ‪RES-1‬‬

‫يقوم الباحث في هذه الخطوة بحساب القيمة المطلقة للبواقي وفقا لآلتي‬

‫‪Transform→ compute variables → target variable(Nome)ABS→function groupe → All‬‬

‫يضع الباحث اسم القيمة المطلقة للبواقي مثال ‪ ABS resed‬في قائمة ‪ target variables‬نعمل دبل كليك‬
‫على ‪ all‬في ‪ function group‬ثم دبل كليك على ‪ ABS‬في ‪ function variables‬لتتفعل نافذة ‪numeric‬‬
‫‪ expression‬ندخل المتغير ‪RES-1‬بدال من عالمة ? في قائمة ‪ numeric expression‬ثم ‪ok‬‬
‫لنحصل على متغير جديد ‪ABS Resed‬‬

‫المرحلة الثالثة‪:‬‬

‫اختبار عدم تجانس التباين بين المتغيرات المستقلة والتابع ويتم من خالل انحدار المتغيرات المستقلة الثالثة على‬
‫القيمة المطلقة للبواقي ‪ ABS Resed‬ويبدو من جدول ‪coefficient‬أن قيم ‪ sig‬المقابلة لكل من المتغيرات‬
‫الثالثة أكبر من ‪ %5‬إذا ال يمكن رفض فرضية العدم و التباين بين المتغيرات المستقلة والتابعة متجانس‪.‬‬

‫‪Coefficientsa‬‬

‫‪Standardized‬‬
‫‪Unstandardized Coefficients‬‬ ‫‪Coefficients‬‬

‫‪Model‬‬ ‫‪B‬‬ ‫‪Std. Error‬‬ ‫‪Beta‬‬ ‫‪t‬‬ ‫‪Sig.‬‬

‫‪1‬‬ ‫‪(Constant) .327‬‬ ‫‪.143‬‬ ‫‪2.288‬‬ ‫‪.024‬‬

‫‪JobSatisfaction -.061‬‬ ‫‪.063‬‬ ‫‪-.174‬‬ ‫‪-.976‬‬ ‫‪.332‬‬

‫‪JobEnvironment .087‬‬ ‫‪.056‬‬ ‫‪.289‬‬ ‫‪1.543‬‬ ‫‪.126‬‬

‫‪JobType -.047‬‬ ‫‪.028‬‬ ‫‪-.211‬‬ ‫‪-1.692‬‬ ‫‪.094‬‬

‫‪a. Dependent Variable: ABSResiduals‬‬

 ‫تنفيذ االنحدار الخطي المتعدد‪:‬‬
‫يرغب الباحث باختبار النموذج التالي‪" :‬اختلفت المسميات بالنموذج هون "أخدت مثال ال‪ " hr‬بس الطريقة وحدة‬

‫‪job‬‬
‫‪satisfaction‬‬
‫‪Company‬‬
‫‪loyalty‬‬
‫‪Job‬‬
‫‪environme‬‬
‫‪nt‬‬

‫‪Job Type‬‬ ‫ينفذ االنحدار الخطي على الشكل التالي‬

‫‪Analyze → regression→linear‬‬

‫ندخل المتغيرات المستقلة في قائمة ‪independent‬والمتغير التابع في ‪dependent‬‬

‫‪ part and part correlation‬و ‪Collinearity‬‬ ‫‪ ‬من ‪ statistics‬نؤشر على كل من ‪descriptive‬و‬

‫‪ diagnostics‬و ‪Durbin-Watson‬‬
‫‪ ‬من ‪plots‬‬

‫‪ ZPRED‬الي ‪ y‬و ‪ ZRESID‬الي ‪ x‬و نؤشر على ‪ Histogram‬و ‪ normal probability plot‬و‬
‫‪Produce all partial plots‬‬

‫‪ Continue‬ثم ‪ok‬‬

‫ما هي جداول وأشكال االنحدار الخطي المتعدد؟‬

‫جدول ‪descriptive statistics‬يوضح متوسطات واالنحرافات المعيارية لكل من المتغيرات‬

‫جدول ‪correlation‬يوضح معامالت االرتباط بين المتغيرات األربعة‬
‫جدول ‪variables Entered Removed‬يوضح طريقة االنحدار الخطي المتبعة‬
‫جدول ‪ model summary‬يوضح قيمة ‪ R‬و‪ R Square‬و‪ Adjusted R Square‬و ‪Durbin-‬‬
‫‪Watson‬‬
3 ‫ و‬1 ‫ بأن قيم البواقي مستقلة عن بعضها حيث يجب أن تكون قيمتها بين‬Durbin-Watson ‫يبدو من قيمة‬
‫ من التغيرات الحاصلة في الوالء يمكن تفسيرها‬%82.2 ‫ أن قيمة‬Adjusted R Square ‫ ويبدو من قيمة‬%
‫بالمتغيرات المستقلة الداخلة في النموذج‬

%1 ‫الذي يوضح معنوية النموذج أن النموذج معنوي عند مستوى‬ANOVA ‫يبدو من جدول‬

: ‫مع الجداول‬

.‫ المتوسطات الحسابية واالنحرافات المعيارية لكل من المتغيرات األربعة‬Descriptive Statistics ‫يبين جدول‬

Descriptive Statistics

Mean Std. Deviation N

Loyalty 3.5100 .94040 100

JobSatisfaction 3.9700 .73492 100
JobEnvironment 3.9460 .85699 100
JobType 2.8950 1.15316 100

‫ معامالت االرتباط بين المتغيرات األربعة ويبدو أن العالقات بين كافة المتغيرات‬Correlations ‫ويبين جدول‬
.‫معنوية‬
Correlations

Loyalty JobSatisfaction JobEnvironment JobType

Pearson Correlation Loyalty 1.000 .759 .857 .749

JobSatisfaction .759 1.000 .826 .534

JobEnvironment .857 .826 1.000 .593

JobType .749 .534 .593 1.000

Sig. (1-tailed) Loyalty . .000 .000 .000

JobSatisfaction .000 . .000 .000

JobEnvironment .000 .000 . .000

JobType .000 .000 .000 .

N Loyalty 100 100 100 100

JobSatisfaction 100 100 100 100

JobEnvironment 100 100 100 100

JobType 100 100 100 100

.‫ ابسط طريقة‬Enter ‫ طريقة االنحدار المستخدمة وهي طريقة‬Variables Entered/Removed ‫يوضح جدول‬

Variables Entered/Removeda

Variables Variables
Model Entered Removed Method

1 JobType,
JobSatisfaction,
. Enter
JobEnvironment
b

a. Dependent Variable: Loyalty

b. All requested variables entered.

‫ على اعتبار أن االنحدار الخطي متعدد (أكثر من متغير مستقل) نعتمد على قيمة‬Model Summary ‫جدول‬
‫ بأن البواقي‬2.054 ‫ البالغة‬Durbin Watson ‫ ويبدو من قيمة‬82.2% ‫ والتي بلغت‬Adjusted R Square
‫ و بهذا يتحقق الشرط السابع وهو استقالل البواقي‬3 ‫ و‬1 ‫مستقلة عن بعضها حيث يجب أن تكون هذه القيمة بين‬
.‫عن بعضها البعض‬

Model Summaryb

Adjusted R Std. Error of the

Model R R Square Square Estimate Durbin-Watson

1 .910a .828 .822 .39648 2.054

a. Predictors: (Constant), JobType, JobSatisfaction, JobEnvironment

b. Dependent Variable: Loyalty

:ANOVA ‫جدول‬

%1 ‫ أن النموذج معنوي عند مستوى‬sig ‫يبدو من قيمة‬

ANOVAa

Model Sum of Squares df Mean Square F Sig.

1 Regression 72.459 3 24.153 153.645 .000b

Residual 15.091 96 .157

Total 87.550 99

a. Dependent Variable: Loyalty

b. Predictors: (Constant), JobType, JobSatisfaction, JobEnvironment

:‫ المعلومات التالية‬Coefficients ‫يبدو في جدول‬

 ‫‪ -‬قيم ‪( unstandardized coefficients‬قيمة ‪ )b‬وهي عبارة عن معامالت االنحدار بين المتغيرات المستقلة‬
‫والتابعة‪.‬‬
‫‪ -‬جدول ‪ :sig‬يبين األثر المعنوي للمتغير المستقل على التابع وذلك قبل انجاز اختبار االرتباط مع المتغيرات‬
‫المستقلة األخرى (‪.)collinearity tests‬‬
‫‪ Zero order correlation -‬يوضح االرتباط الوسيط بين المتغير المستقل والتابع‪.‬‬
‫‪ Partial correlation‬االرتباط بين المستقل والتابع بعد عزل تأثير المتغيرات األخرى عن المستقل والتابع‪.‬‬ ‫‪-‬‬
‫‪ Part correlation -‬االرتباط بين المستقل والتابع بعد عزل تأثير المتغيرات األخرى عن المستقل فقط‪.‬‬
‫‪ -‬ويبدو من أعمدة ‪ Collinearity Statistics‬قيمة ‪ Tolerance‬المقابلة لكل متغير مستقل والتي يجب أن‬
‫تكون أكبر من متمم ‪ ، Adjusted R Square‬يشير اختبار ‪ Collinearity‬إلى مدى ارتباط المتغير‬
‫المستقل بالمتغيرات المستقلة األخرى‪ ،‬إذا كانت قيمة ‪ Tolerance‬أكبر من متمم ‪Adjusted R Square‬‬
‫يدخل المتغير المستقل في النموذج النهائي ألن ارتباطه بالتابع أكبر من ارتباطه بالمتغيرات المستقلة األخرى‪،‬‬
‫أما إذا كانت قيمة ‪ Tolerance‬المقابلة أصغر من متمم ‪ Adjusted R Square‬يخرج المتغير من النموذج‬
‫النهائي الرتباطه العالي بالمتغيرات المستقلة األخرى أكثر من التابع‪.‬‬
‫‪-‬‬
‫‪Coefficientsa‬‬

‫‪Unstandardized‬‬ ‫‪Standardized‬‬ ‫‪Collinearity‬‬

‫‪Coefficients‬‬ ‫‪Coefficients‬‬ ‫‪Correlations‬‬ ‫‪Statistics‬‬

‫‪Zero-‬‬
‫‪Model‬‬ ‫‪B‬‬ ‫‪Std. Error‬‬ ‫‪Beta‬‬ ‫‪t‬‬ ‫‪Sig.‬‬ ‫‪order‬‬ ‫‪Partial Part‬‬ ‫‪Tolerance‬‬ ‫‪VIF‬‬

‫‪1‬‬ ‫)‪(Constant‬‬ ‫‪-‬‬

‫‪-.291‬‬ ‫‪.220‬‬ ‫‪.190‬‬
‫‪1.319‬‬

‫‪JobSatisfaction .142‬‬ ‫‪.097‬‬ ‫‪.111‬‬ ‫‪1.467‬‬ ‫‪.146 .759‬‬ ‫‪.148‬‬ ‫‪.062 .314‬‬ ‫‪3.181‬‬

‫‪JobEnvironment .602‬‬ ‫‪.087‬‬ ‫‪.549‬‬ ‫‪6.913‬‬ ‫‪.000 .857‬‬ ‫‪.577‬‬ ‫‪.293 .285‬‬ ‫‪3.509‬‬

‫‪JobType .297‬‬ ‫‪.043‬‬ ‫‪.365‬‬ ‫‪6.897‬‬ ‫‪.000 .749‬‬ ‫‪.576‬‬ ‫‪.292 .642‬‬ ‫‪1.557‬‬

‫‪a. Dependent Variable: Loyalty‬‬

‫‪-‬‬
‫‪-‬‬
‫‪Collinearity Diagnosticsa‬‬

‫‪Variance Proportions‬‬

‫‪Model‬‬ ‫‪Dimension‬‬ ‫‪Eigenvalue‬‬ ‫‪Condition Index‬‬ ‫)‪(Constant‬‬ ‫‪JobSatisfaction‬‬ ‫‪JobEnvironment‬‬ ‫‪JobType‬‬

‫‪1‬‬ ‫‪1 3.894‬‬ ‫‪1.000‬‬ ‫‪.00‬‬ ‫‪.00‬‬ ‫‪.00‬‬ ‫‪.01‬‬

‫‪2 .078‬‬ ‫‪7.049‬‬ ‫‪.09‬‬ ‫‪.01‬‬ ‫‪.00‬‬ ‫‪.79‬‬

‫‪3 .021‬‬ ‫‪13.681‬‬ ‫‪.79‬‬ ‫‪.06‬‬ ‫‪.20‬‬ ‫‪.20‬‬

‫‪4 .006‬‬ ‫‪24.715‬‬ ‫‪.12‬‬ ‫‪.93‬‬ ‫‪.79‬‬ ‫‪.01‬‬

‫‪a. Dependent Variable: Loyalty‬‬

‫‪-‬‬
‫‪-‬‬
 Residuals Statisticsa

Minimum Maximum Mean Std. Deviation N

Predicted Value .8644 4.9169 3.5100 .85552 100

Residual -.80836 1.42745 .00000 .39043 100
Std. Predicted Value -3.092 1.645 .000 1.000 100
Std. Residual -2.039 3.600 .000 .985 100

a. Dependent Variable: Loyalty

:‫ أن البواقي قريبة من شكل التوزيع الطبيعي وبالتالي تحقق الشرط الخامس‬Histogram ‫يبدو من شكل‬

‫ أيضاً إلى أن البواقي قريبة من شكل التوزيع الطبيعي ومستقلة عن بعضها‬normal PP Plot ‫ويشير الشكل‬
 :‫طريقة التعليق العملية‬

Model Summary ‫ ويبدو من جدول‬%1 ‫ أن النموذج المختبر معنوي عند مستوى‬ANOVA ‫يبدو من جدول‬
‫ من التغيرات الحاصلة في المتغير‬82.2% ‫ وهي تعني بأن‬82.2% ‫ تبلغ‬Adjusted R Square ‫أن قيمة‬
.‫التابع يمكن تفسيرها بالمتغيرات الداخلة في النموذج النهائي‬

Variables Entered/Removeda

Variables Variables
Model Entered Removed Method

1 JobType,
JobSatisfaction,
. Enter
JobEnvironment
b

a. Dependent Variable: Loyalty

b. All requested variables entered.

Model Summaryb

Adjusted R Std. Error of the

Model R R Square Square Estimate Durbin-Watson

1 .910a .828 .822 .39648 2.054

a. Predictors: (Constant), JobType, JobSatisfaction, JobEnvironment

b. Dependent Variable: Loyalty

ANOVAa

Model Sum of Squares df Mean Square F Sig.

1 Regression 72.459 3 24.153 153.645 .000b

Residual 15.091 96 .157

Total 87.550 99
a. Dependent Variable: Loyalty
b. Predictors: (Constant), JobType, JobSatisfaction, JobEnvironment

Job ‫ المقابلة ل‬sig ‫ بأن قيمة‬Coefficients ‫ يبدو من جدول‬:‫لتحديد المتغيرات الداخلة في النموذج‬
.‫ إذاً تأثيره غير معنوي وال يدخل في النموذج‬%5 ‫ أكبر من‬Satisfaction

‫ المقابلة‬Tolerance ‫ وألن قيمة‬%1 ‫ بأن تاثيره معنوي عند‬job environment ‫ المقابلة ل‬sig ‫تبدو قيمة‬
.‫ بالتالي يدخل هذا المتغير في النموذج النهائي‬Adjusted R Square ‫ أكبر من متمم‬28.5% ‫والبالغة‬
 ‫تبدو قيمة ‪ sig‬المقابلة ل ‪ job type‬بأن تأثيره معنوي عند ‪ %1‬وألن فيمة ‪ Tolerance‬المقابلة والبالغة‬
‫‪ 64.2%‬أكبر من متمم ‪ Adjusted R Square‬بالتالي يدخل هذا المتغير في النموذج النهائي‪.‬‬

‫باإلشارة إلى الشروط الواجب التأكد منها يبدو شرط استقالل البواقي محققاً من خالل قيمة ‪Durbin Watson‬‬
‫التي تقع ين ‪ 1‬و ‪ 3‬كما أن البواقي تتبع توزيعاً قريباً من التوزيع الطبيعي وتكون معادلة االنحدار على الشكل‬
‫التالي‪:‬‬

‫)‪Company loyalty = - 0.291 + 0.602 (Job Environment) + 0.297 (Job Type‬‬

‫األرقام في المعادلة هي قيم ‪ b‬في جدول ‪Coefficients‬‬

‫طريقة التعليق على المعادلة‪:‬‬

‫كل زيادة مقدارها وحدة واحدة في ‪ job environment‬مع وحدة واحدة في ‪ job type‬تؤدي إلى زيادة مقدارها‬
‫(نتيجة المعادلة) في ‪company loyalty‬‬

‫‪Coefficientsa‬‬

‫‪Unstandardized‬‬ ‫‪Standardized‬‬ ‫‪Collinearity‬‬

‫‪Coefficients‬‬ ‫‪Coefficients‬‬ ‫‪Correlations‬‬ ‫‪Statistics‬‬

‫‪Zero-‬‬
‫‪Model‬‬ ‫‪B‬‬ ‫‪Std. Error‬‬ ‫‪Beta‬‬ ‫‪t‬‬ ‫‪Sig.‬‬ ‫‪order‬‬ ‫‪Partial Part‬‬ ‫‪Tolerance‬‬ ‫‪VIF‬‬

‫‪1‬‬ ‫)‪(Constant‬‬ ‫‪-‬‬

‫‪-.291‬‬ ‫‪.220‬‬ ‫‪.190‬‬
‫‪1.319‬‬

‫‪JobSatisfaction .142‬‬ ‫‪.097‬‬ ‫‪.111‬‬ ‫‪1.467‬‬ ‫‪.146 .759‬‬ ‫‪.148‬‬ ‫‪.062 .314‬‬ ‫‪3.181‬‬

‫‪JobEnvironment .602‬‬ ‫‪.087‬‬ ‫‪.549‬‬ ‫‪6.913‬‬ ‫‪.000 .857‬‬ ‫‪.577‬‬ ‫‪.293 .285‬‬ ‫‪3.509‬‬

‫‪JobType .297‬‬ ‫‪.043‬‬ ‫‪.365‬‬ ‫‪6.897‬‬ ‫‪.000 .749‬‬ ‫‪.576‬‬ ‫‪.292 .642‬‬ ‫‪1.557‬‬

‫‪a. Dependent Variable: Loyalty‬‬

‫شروط االنحدار الخطي المتعدد ‪:‬‬

‫يبدو من قيمة ‪Watson‬البالغة ‪ 1.712‬بأن البواقي مستقلة عن بعضها البعض ومن شكل ‪histogram‬أن هذه‬
‫البواقي تتبع أو قريبة من التوزيع الطبيعي‬

‫يبدو من جدول ‪ANOVA‬أن النموذج المختبر معنوي عند ‪ %1‬بسبب قيمة ‪ sig‬الموجودة في الجدول‪.‬‬

‫وبلغت قيمة ‪ %82.2Adjusted R Square‬وهي تعني أن ‪ %82.2‬من التغيرات الحاصلة في الوالء يمكن‬
‫تفسيرها بالمتغيرات المستقلة الداخلة في النموذج‬

‫لتحديد المتغيرات الداخلة في النموذج من جدول ‪:Coefficients‬‬

‫يبدو من قيمة ‪ sig‬المقابلة ل ‪trust‬أن أثر هذا المتغير غير معنوي ألن قيمة سيغ أكبر من ‪ %5‬لذا تم استبعاده‬
‫من النموذج‬

‫يبدو من قيمة ‪ sig‬المقابلة ل ‪satisfaction‬أن أثر هذا المتغير على الوالء معنوي عند ‪ %1‬وقيمة‬
‫‪tolerance‬المقابلة ‪ 0.285‬أكبر من متمم ‪(Adjusted R Square‬حساب المتمم ‪)17.8 = 82.2 -100‬‬

‫إذا ارتباط هذا المتغير بالتابع أعلى من ارتباطه بالمتغيرات المستقلة األخرى‬

‫ويدخل بالنموذج‬

‫وتكون معادلة االنحدار المتعدد على الشكل التالي‪:‬‬

‫𝑡𝑛𝑎𝑚𝑡𝑖𝑚𝑚𝑜𝑐 × ‪𝑙𝑜𝑦𝑎𝑙𝑡𝑦 = −0.291 + 0.602 × 𝑠𝑎𝑡𝑠𝑓𝑎𝑐𝑡𝑖𝑜𝑛 + 0.297‬‬

‫بتعويض قيم المتغيرات المستقلة يمكن التنبؤ بقيمة المتغير التابع‬

‫مالحظات‪:‬‬

‫‪ -1‬الفرق بين ‪Adjusted R Square‬و ‪ R Square‬يستخدم ‪R Square‬في االنحدار الخطي البسيط‬

‫وهو يأخذ بالحسبان بأن جميع المتغيرات الداخلة في النموذج (متغير واحد) معنوية التأثير‪.‬‬
‫أما ‪ Adjusted R Square‬فهو يميز بين المتغيرات الداخلة في التحليل والمتغيرات معنوية التأثير فهو‬
‫يأخذ بالحسبان في حسابه فقط المتغيرات معنوية التأثير و ليس جميع المتغيرات الداخلة في التحليل مثل‬
‫‪. R Square‬‬
‫‪ -2‬أول قيمة يهتم بها الباحث هي معنوية النموذج في جدول ‪ANOVA‬إذا كانت غير معنوية تصبح باقي‬
‫الجداول غير ذات معنى‬
‫‪ -3‬تعبر إشارة ‪ B‬في جدول‪ Unstandardized Coefficients‬عن إذا ما كانت ‪ +‬إشارة طردية – إشارة‬
‫عكسية‬

‫مالحظة‪:‬‬

‫إذا كانت قيمة ‪ sig‬المقابلة لمتغير ما في جدول ‪ coefficients‬غير معنوية فهو لن يدخل في النموذج بغض‬
‫النظر عن قيمة ‪.tolerance‬‬

‫لمحة سريعة عن طرق االنحدار الخطي المتعدد ‪:Methods‬‬

‫‪ Adjusted‬معامل التحديد المعدل‬

‫طريقة ‪ :Enter‬هي أبسط الطرق‪ :‬تدخل جميع المتغيرات المستقلة إلى المعادلة بنفس الوقت دون تمييز‪.‬‬
 ‫طريقة ‪ :Stepwise‬هي الطريقة األفضل يدخل البرنامج وفقا لها المتغير المستقل في االرتباط األقوى مع التابع‬
‫شرط أن يكون معنوياً ثم يدخل المتغير المستقل في االرتباط الجزئي األعلى مع التابع بعد استبعاد أثر المتغيرات‬
‫المستقلة األخرى التي دخلت في المعادلة مع فحص معادلة االنحدار فيما إذا أصبح أحد المتغيرات فيها تأثيره‬
‫غير معنوياً إذا بقيت جميعها في المعادلة تأثيرها معنوي يضاف المتغير الجديد أما إذا أصبح أحد المتغيرات في‬
‫المعادلة في هذه المعادلة تأثيره غير معنوي يحذف هذا المتغير وتتوقف إضافة المتغيرات‬

‫يختار الباحث في ‪stepwise‬النموذج صاحب معامل التحديد المعدل األعلى ومع ذلك يمكن في بعض الحاالت‬
‫أن يختار الباحث نموذج بمعامل تحديد أقل نسبياً إذا تضمن متغيرات مستقلة يرغبها الباحث‬

‫مالحظة‪ :‬إذا كانت المتغيرات ال تتبع التوزيع الطبيعي نقوم بإجراء ‪Bootstrap‬‬

‫إذا قام الباحث بإجراء ‪ Bootstrap‬تظهر الحدود الدنيا والعليا لمعامالت االرتباط بين المتغيرات في جدول‬
‫االرتباطات‪.‬‬

‫تقدير شكل العالقة بين متغيرين ‪carve estimation‬‬

‫يسمح هذا االجراء بمعرفة طبيعة العالقة بين زوج فقط من المتغيرات‪.‬‬
‫يتم التنفيذ على الشكل التالي‪:‬‬
‫‪ < Curve Estimation < Regression < Analyze‬ندخل المتغير التابع في قائمة ‪ Dependent‬والمستقل‬
‫في ‪ Variable‬و نؤشر على جميع خيارات شكل العالقة ثم ‪ok‬‬
‫يبدو من جدول ‪ Model Summary‬قيمة ‪ R Square‬المقابلة لكل شكل من أشكال العالقة تكون قيمة ‪R‬‬
‫‪ Square‬األعلى مقابلة لنموذج العالقة بين المتغيرات ثم نعوض قيم ‪ b0 b1 b2 …….‬في المعادلة المقابلة‬
‫للنموذج‪.‬‬
‫مالحظة‪ :‬أشكال العالقات تمثل ‪ T‬المتغير المستقل‪:‬‬
 ‫‪8‬‬
‫طريقة تحويل المتغيرات االسمية إلى المتغير ثنائي الفئات (‪dummy )1،0‬‬
‫الهدف من هذا اإلجراء تحويل متغير اسمي مكون من عدة فئات بشكل يسمح باستخدام الفئات الجديدة بتحاليل‬
‫مثل االنحدار الخطي البسيط أو المتعدد‬

‫إذا رغب الباحث بتحويل متغير ‪ laptops‬إلى ‪ dummy‬وكانت فئات ‪ laptops‬على الشكل التالي‬
‫‪Sony 1‬‬
‫‪Dell2‬‬
‫‪Apple 3‬‬
‫‪Toshiba 4‬‬
‫‪Acer 5‬‬
‫‪Hp 6‬‬
‫‪Windows 7‬‬
‫‪Lenovo 8‬‬
‫سينجم عن التحويل ‪ 8‬متغيرات جديدة كل منها قيمته إما ‪ 1‬أو ‪0‬‬
‫يتم التحويل على الشكل التالي‬
‫‪Transform → record into different variables‬‬
‫ندخل قيمة ‪ laptop‬في قائمة ‪numeric variables‬نضع اسم أول فئة من ‪ laptops‬في قائمة ‪name‬‬
‫نضغط على ‪change‬ليتفعل االسم الجديد ونضغط على ‪old and new values‬في جهة ‪old values‬‬
‫نضع القيمة المقابلة لـ ‪ sony‬في متغير ‪laptop‬وفي جهة ‪ new value‬نضع القيمة ‪ 1‬أيضاً ثم نضغط على‬
‫‪add‬‬
‫نؤشر على ‪all other values‬في جهة ‪old value‬وفي ‪new value‬نضع القيمة ‪0‬‬
‫بما معناه أن البرنامج سيحول أي قيمة ‪ 1‬إلى ‪ 1‬وأي قيمة أخرى من ‪ 2‬لـ ‪ 8‬إلى ‪0‬‬
‫نضغط على ‪continue‬وثم ‪ok‬ليظهر متغير جديد باسم ‪sony‬‬
‫تكرر العملية بالنسبة لـ ‪ dell‬على النحو التالي‬
‫‪Transform→ record into different variables‬‬
‫نضع ‪ dell‬في قائمة ‪name‬وثم ‪change‬‬
‫‪ Old and new value‬نضع في ‪ old value‬القيمة ‪ 2‬و في ‪ new value‬القيمة ‪1‬‬
‫‪ Add‬ثم نؤشر على ‪all other values‬في جهة ‪old value‬وفي ‪new value‬نضع القيمة ‪0‬‬
‫بما معناه أن البرنامج سيحول أي قيمة ‪ 1‬إلى ‪ 1‬وأي قيمة أخرى من ‪ 2‬لـ ‪ 8‬إلى ‪، 0‬نضغط على ‪continue‬وثم‬
‫‪ok‬ليظهر متغير جديد باسم ‪dell‬‬

‫تحليل االنحدار اللوجستي الثنائي‬

‫‪Binary logistic regression‬‬
‫الهدف‪:‬‬
‫يستخدم هذا التحليل الختبار أثر واحد أو أكثر من المتغيرات المستقلة على متغير تابع واحد مكون من فئتين فقط‬
‫(التابع مكون من فئتين)‬
‫شروط االختبار‪:‬‬
‫‪ -1‬العالقة الخطية بين كل من المتغيرات المستقلة الكمية والتابع من خالل اختبار العالقة الالخطية بين‬
‫تفاعل المستقل مع لوغاريتمه من جهة والتابع من جهة أخرى‪.‬‬
‫‪ -2‬إجابات المستجوبين مستقلة عن بعضها البعض‪.‬‬
‫‪ -3‬عدم وجود ارتباط عالي بين المتغيرات المستقلة‪ ،‬ويتم ذلك كم خالل اختبار‪collinearity --‬‬
‫‪ -4‬المتغي ارت المستقلة من جميع األنواع والتابع واحد من فئتين فقط‪.‬‬
‫مراحل التنفيذ‪:‬‬
‫‪ -1‬اختبار الالخطية‪.‬‬
‫‪ -2‬اختبار االرتباط العالي بين المتغيرات المستقلة‪.‬‬
‫‪ -3‬اختبار االنحدار الخطي اللوجستي الثنائي‪.‬‬
‫‪ -1‬اختبار الالخطية‪:‬‬
‫يتم هذا االختبار من خالل اختبار العالقة بين تفاعل المتغير المستقل الكمي مع لوغاريتمه من جهة مع‬
‫المتغير الفئوي من جهة أخرى ويتم ذلك على الشكل التالي‪:‬‬
‫‪ ‬حساب لوغاريتم المتغير الكمي وفقا لآلتي‪:‬‬
‫‪Transform → compute variables‬‬
‫نضع اسم المتغير الجديد في ‪ target variables‬ويسمى عادة ‪ ln‬متبوعاً بالمتغير األساسي‬
‫نضغط على ‪ all‬في ‪ function group‬ثم دبل كليك على ‪ ln‬في قائمة ‪function and special‬‬
‫‪variables‬‬
‫ندخل المتغير المراد حساب الـ ‪ ln‬له بدل عالمة االستفهام ‪..‬‬
‫ثم ‪ ok‬ليظهر المتغير الجديد ‪.‬‬
‫‪ ‬اختبار الالخطية‬
 ‫يتم اختبار العالقة الالخطية باستخدام االنحدار اللوجستي الثنائي على الشكل التالي ‪:‬‬
‫‪Analyze→ regression→ binary logistic‬‬
‫يدخل المتغير التابع ‪ intention‬في قائمة ‪ dependent‬ثم نظلل كل متغير مع الـ ‪ ln‬الخاص به‬
‫ثم نضغط‬
‫نكرر العملية لكل زوج (المتغير مع ‪ ln‬الخاص به) ثم ‪ok‬‬
‫يبدو من جدول ‪Variables in the Equation step1‬‬
‫يجب أن تكون قيمة ‪ sig‬المقابلة لكل تفاعل أكبر من ‪ %5‬حتى ال يكون باإلمكان رفض فرضية العدم التي‬
‫تنص على أن العالقة خطية‬

‫‪Variables in the Equation‬‬

‫‪B‬‬ ‫‪S.E.‬‬ ‫‪Wald‬‬ ‫‪df‬‬ ‫‪Sig.‬‬ ‫)‪Exp(B‬‬

‫‪Step 1a‬‬ ‫‪JobSatisfaction by‬‬

‫‪-.175‬‬ ‫‪.229‬‬ ‫‪.583‬‬ ‫‪1‬‬ ‫‪.445‬‬ ‫‪.840‬‬
‫‪Ln_JobSatisfaction‬‬

‫‪Ln_Loyalty by Loyalty .136‬‬ ‫‪.185‬‬ ‫‪.537‬‬ ‫‪1‬‬ ‫‪.464‬‬ ‫‪1.145‬‬

‫‪Constant -1.044‬‬ ‫‪.863‬‬ ‫‪1.464‬‬ ‫‪1‬‬ ‫‪.226‬‬ ‫‪.352‬‬

‫‪a. Variable(s) entered on step 1: JobSatisfaction * Ln_JobSatisfaction , Ln_Loyalty * Loyalty .‬‬

‫‪ -2‬اختبار االرتباط العالي بين المتغيرات المستقلة ‪– collinearity‬‬

‫يستخدم الباحث تحليل االنحدار الخطي لمعرفة مدى االرتباط العالي بين المتغيرات المستقلة من خالل‬
‫اختبار ‪ collinearity diagnostic‬حيث يقوم الباحث بإدخال كل المتغيرات المستقلة في معادلة‬
‫االنحدار على المتغير التابع الفئوي وهذا مسموح ألن الهدف مجرد معرفة االرتباط العالي بين المتغيرات‬
‫المستقلة‬
‫مالحظة‪:‬‬
‫إذا كان في المتغيرات المستقلة متغير اسمي مكون من عدة فئات يحول إلى ‪dummy variables‬قبل إنجاز‬
‫االنحدار الخطي‬
‫‪ -3‬اختبار االنحدار الخطي اللوجستي الثنائي‪.‬‬
‫يرغب الباحث باختبار‬
‫رسم نموذج (من لينا)‬
‫طريقة تحليل االنحدار اللوجستي االسمي الثنائي ‪:‬‬

‫‪Analyze→ regression→ binary logistic regression‬‬

‫ندخل المتغير التابع في قائمة ‪ dependent‬والمتغيرات المستقلة في قائمة ‪conference‬‬
 ‫أو ‪block 1of 1‬‬
‫إذا كان لدينا متغيرات فئوية نضغط على ‪ categorical‬ندخلها في قائمة ‪categorical coference‬‬
‫ثم نؤشر على ‪ first‬في ‪( ...‬أنا بدي اطلب منه ال‪ edu‬بالنتائج فـ ‪ edu1‬بدو يقارنلي بين التانية واألولى‬
‫بس لو خليتها ‪ last‬حيصير يقارن مع الرابعة) ثم نضع ‪Change‬‬
‫‪ Continue‬ثم ‪ok‬‬
‫التعليق على الجداول‪:‬‬
‫‪ ‬يبدو من جدول ‪ Categorical Variables Codings‬التي تشير إلى أزواج المقارنات بين فئات‬
‫المتغير الفئوي على اعتبار أننا اخترنا ‪ first :reference category‬سيقوم البرنامج بعقد ثالثة مقارنات‬
‫على الشكل التالي‪:‬‬
‫الفئة الثانية من ‪ education‬مع األولى‬
‫الفئة الثالثة مع األولى‬
‫الفئة الرابعة مع األولى‬

‫‪Variables not in the Equation‬‬

‫‪Score‬‬ ‫‪df‬‬ ‫‪Sig.‬‬

‫‪Step 0‬‬ ‫‪Variables‬‬ ‫‪JobEnvironment .386‬‬ ‫‪1‬‬ ‫‪.534‬‬

‫‪education 10.027‬‬ ‫‪3‬‬ ‫‪.018‬‬

‫‪education(1) .306‬‬ ‫‪1‬‬ ‫‪.580‬‬

‫‪education(2) 4.691‬‬ ‫‪1‬‬ ‫‪.030‬‬

‫‪education(3) 9.219‬‬ ‫‪1‬‬ ‫‪.002‬‬

‫‪Overall Statistics 11.469‬‬ ‫‪4‬‬ ‫‪.022‬‬

‫‪ ‬يشير جدول ‪ Variables not in the Equation‬إلى أثر كل متغير مستقل على حدى حيث تكون‬
‫قيمة ‪ sig‬أصغر أو تساوي ‪ %5‬ليكون األثر معنوي وهذا الجدول غير هام طالما نرغب باختبار النموذج‪.‬‬
‫يجب أن تكون قيمة ‪ sig‬المقابلة ل‪ model‬في جدول ‪Omnibus Tests of Model Coefficients‬‬
‫معنوية عند ‪ 5‬أو ‪ %1‬وإال فإن كافة النتائج األخرى غير قابلة للقراءة‪.‬‬
‫‪ ‬يحتوي جدول ‪ model summary‬على‪ Cox & Snell R Square‬على قيمة ‪ R Square‬التي ال‬
‫تبلغ ‪ %100‬و ‪ Nagelkerke R Square‬هي قيمة ‪ R Square‬المعدلة‪.‬‬
‫إذا بلغت قيمة ‪ Nagelkerke R Square‬مثالً ‪ %16.8‬هذا يعني أن ‪ 16.8‬بالتغيرات الحاصلة في‬
‫المتغير التابع (بدو يشتري‪ ،‬مابدو يشتري) يمكن تفسيرها بالمتغيرات الداخلة بالنموذج (‪ 16.8‬معامل‬
‫تحديد كتير منخفض)‬
 ‫‪ ‬ويبدو من جدول ‪ Variables in the Equation‬ثالثة أعمدة هامة للباحث‪:‬‬
‫عمود ‪ :sig‬الذي يحدد األثر المعنوي للمتغير من عدمه‪.‬‬
‫عمود ‪ B‬الذي يشير إلى نوع العالقة بين المتغيرين طردية أم عكسية تبعاً لإلشارة‪.‬‬
‫عمود )‪ : EXP(B‬الذي يحدد احتمال أو أرجحية االنتقال من الفئة األولى للمتغير التابع إلى فئته الثانية ‪.‬‬

‫‪Variables in the Equation‬‬

‫‪B‬‬ ‫‪S.E.‬‬ ‫‪Wald‬‬ ‫‪df‬‬ ‫‪Sig.‬‬ ‫)‪Exp(B‬‬

‫‪Step 1a‬‬ ‫‪JobEnvironment -.415‬‬ ‫‪.317‬‬ ‫‪1.713‬‬ ‫‪1‬‬ ‫‪.191‬‬ ‫‪.660‬‬

‫‪education‬‬ ‫‪9.444‬‬ ‫‪3‬‬ ‫‪.024‬‬

‫‪education(1) -1.603‬‬ ‫‪1.443‬‬ ‫‪1.234‬‬ ‫‪1‬‬ ‫‪.267‬‬ ‫‪.201‬‬

‫‪education(2) -1.100‬‬ ‫‪.933‬‬ ‫‪1.391‬‬ ‫‪1‬‬ ‫‪.238‬‬ ‫‪.333‬‬

‫‪education(3) .986‬‬ ‫‪1.039‬‬ ‫‪.900‬‬ ‫‪1‬‬ ‫‪.343‬‬ ‫‪2.679‬‬

‫‪Constant .942‬‬ ‫‪1.646‬‬ ‫‪.327‬‬ ‫‪1‬‬ ‫‪.567‬‬ ‫‪2.565‬‬

‫‪a. Variable(s) entered on step 1: JobEnvironment, education.‬‬

‫مثال مفترض‪:‬‬
‫إذا كانت قيمة ‪ B‬تساوي ‪ 0.1‬وقيمة )‪EXP(B‬تساوي ‪ 3.2‬نقول بأنه كلما زاد المتغير المستقل بمقدار وحدة‬
‫واحدة (إشارة ‪ B‬موجبة) يزيد احتمال التحول من الفئة األولى للمتغير التابع إلى الفئة الثانية بمقدار ‪3.2‬‬

‫تحليل االنحدار االسمي اللوجستي المتعدد‪:‬‬

‫الهدف منه‪ :‬التنبؤ بمتغير تابع اسمي مكون من أكثر من فئة باستخدام مجموعة من المتغيرات المستقلة مختلفة‬
‫األنواع وهو يستخدم عندما يكون التابع االسمي مكون من فئتين ألنه إذا كان من فئتين فقط يستخدم تحليل‬
‫االنحدار اللوجستي الثنائي‪.‬‬
‫يسمح باستخدام متغيرات مستقلة كمية وغير كمية كما يسمح باكتشاف التفاعالت بين المتغيرات المستقلة وأثرها‬
‫على التابع‪.‬‬
‫شروط االختبار‪:‬‬
‫‪ .1‬المتغير التابع اسمي أكثر من فئتين‪.‬‬
‫‪ .2‬واحد أو أكثر من المتغيرات المستقلة بمختلف أنواعها‪.‬‬
‫‪ .3‬إجابات المستجوبين مستقلة‪.‬‬
‫‪ .4‬عدم وجود ارتباط عالي بين المتغيرات المستقلة وهذا يتطلب إجراء تحليل االنحدار الخطي لكل المتغيرات‬
‫المستقلة على المتغير التابع وإنجاز اختبار ‪ Collinearity Diagnostics‬مع مالحظة ضرورة تحويل‬
‫المتغيرات المستقلة االسمية إلى ‪Dummy Variables‬‬
‫‪ .5‬وجود عالقة خطية بين كل من المتغيرات المستقلة الكمية و المتغير التابع وذلك بحساب لوغاريتم المتغير‬
‫الكمي ومعرفة العالقة الخطية بين تفاعل المتغير مع لوغاريتمه من جهة والمتغير التابع من جهة أخرى‪.‬‬
‫بعد أن يقوم الباحث بالتأكد من الشرطين الرابع والخامس يتم تنفيذ االنحدار االسمي المتعدد‪.‬‬
‫يرغب الباحث بمعرفة واختبار النموذج التالي‪:‬‬

‫‪Analyze→ regression→ multinomial logistic regression‬‬

‫ندخل المتغير التابع وهو ‪ laptop selection‬في قائمة ‪ dependent‬المتغيرات الفئوية في قائمة ‪factors‬‬
‫(اسمية أو ترتيبية) والمتغيرات الكمية في قائمة ‪coverers‬ولسهولة التفسير من ‪ reference category‬نؤشر‬
‫على ‪( first category‬نطلب من البرنامج ان يقارن الفئة األولى من المتغير التابع مع باقي الفئات)‬
‫يمكن للباحث اختبار األثر البسيط لكل مستقل على التابع أو التفاعل من خالل الدخول إلى ‪ model‬وتأشير‬
‫‪ costume stepwise‬وطلب التفاعالت المرغوبة ثم ‪ok‬‬
‫تفسير النتائج‪:‬‬
‫‪ ‬يشير جدول ‪Model Fitting Information‬من خالل قيمة ‪ sig‬إلى معنوية النموذج بالمقارنة بعدم‬
‫وجود نموذج‬
‫إذا كانت قيمة ‪ sig‬أكبر من ‪ %5‬يكون النموذج غير معمول وال نحتاج لقراءة باقي النتائج‬
‫‪ ‬يشير جدول ‪ Pseudo R-Square‬إلى كل من قيم ‪ Cox and Snell‬و ‪ Nagelkerke‬و‬
‫‪ McFadden‬ونهتم نحن بقيمة ‪ McFadden‬التي تحدد نسبة التفسير في المتغير التابع من خالل‬
‫المتغيرات المستقلة الداخلة في النموذج‪.‬‬
‫‪ ‬يشير جدول ‪ Likelihood Ratio Tests‬إلى المتغيرات المعنوية الداخلة في النموذج النهائي ولكن‬
‫الجدول عبارة عن تقييم إجمالي ال يخبرنا عن طبيعة التأثير‬
‫‪ ‬جدول ‪ Parameter Estimates‬وهو أهم جدول من الجداول يستخدم بنفس طريقة ‪VARIBLES IN‬‬
‫‪ THE EQUATION‬في االنحدار اللوجستي الثنائي وتق أر نتائجه باستخدام ثالثة أعمدة‬
‫‪ -1‬عمود ‪ sig‬الذي يحدد األثر المعنوي أم ال‪.‬‬
‫‪ -2‬عمود ‪ B‬الذي يحدد طبيعة العالقة طردية أم عكسية من خالل إشارته‬
‫‪ -3‬عمود )‪ exp(B‬الذي يحدد احتمال تغير المتغير التابع من فئة إلى أخرى وفقاً لتغيرات المتغير‬
‫المستقل ‪.‬‬
‫التعليق على النتائج بالتفصيل مع جداول ‪:‬‬
‫حسنت المتغيرات المستقلة من القدرة على التنبؤ‬
‫يشير جدول ‪ Model Fitting Information‬فيما إذا ّ‬
‫بالمتغير التابع بالمقارنة مع عدم وجود نموذج‪ ،‬ويجب أن تكون قيمة ‪ Sig‬معنوية عند ‪%5‬‬

‫‪Model Fitting Information‬‬

‫‪Model‬‬
‫‪Fitting‬‬
‫‪Criteria‬‬ ‫‪Likelihood Ratio Tests‬‬

‫‪-2 Log‬‬ ‫‪Chi-‬‬

‫‪Likeliho‬‬ ‫‪Squa‬‬ ‫‪Si‬‬
‫‪Model‬‬ ‫‪od‬‬ ‫‪re‬‬ ‫‪df‬‬ ‫‪g.‬‬

‫‪Interce‬‬
‫‪270.903‬‬
‫‪pt Only‬‬
‫‪Final‬‬ ‫‪.0‬‬
‫‪30.43‬‬
‫‪240.471‬‬ ‫‪21‬‬ ‫‪8‬‬
‫‪2‬‬
‫‪4‬‬

‫تشير قيم جدول ‪ Pseudo R-Square‬إلى التالي‪:‬‬

‫قيمة ‪ McFadden‬إلى ‪ R Square‬في التحليل اللوجستي االسمي المتعدد حيث بلغت في مثالنا ‪11.2%‬‬
‫أي أن ‪ 11.2%‬من التغيرات الحاصلة في المتغير ‪ Department Selection‬يمكن تفسيرها‬
‫بالمتغيرات الداخلة في النموذج‬

‫‪Pseudo R-Square‬‬

‫‪Cox and‬‬ ‫‪.2‬‬

‫‪Snell‬‬ ‫‪62‬‬
‫‪Nagelke‬‬ ‫‪.2‬‬
‫‪rke‬‬ ‫‪81‬‬
‫‪McFadd‬‬ ‫‪.1‬‬
‫‪en‬‬ ‫‪12‬‬

‫يظهر جدول ‪ Likelihood Ratio Tests‬أي من المتغيرات الداخلة في النموذج وفق قيمة ‪ Sig‬المقابلة‬
‫(يجب أن تكون معنوية عند ‪)%5‬‬
 Likelihood Ratio Tests

Model
Fitting
Criteria Likelihood Ratio Tests

-2 Log
Likeliho
od of Chi-
Reduce Squa
Effect d Model re df Sig.

Intercept 240.471
.000 0 .
a

JobSatisf
242.067 1.596 3 .660
action
Loyalty 250.031 9.560 3 .023
JobEnviro
241.792 1.321 3 .724
nment
JobType 247.833 7.362 3 .061
education 14.94
255.411 9 .093
0

The chi-square statistic is the difference in -2 log-likelihoods between the

final model and a reduced model. The reduced model is formed by omitting
an effect from the final model. The null hypothesis is that all parameters of
that effect are 0.
a. This reduced model is equivalent to the final model because omitting the
effect does not increase the degrees of freedom.

‫ إلى طبيعة العالقة بين المتغير المستقل والتابع إذا كانت طردية‬Parameter Estimates ‫يشير جدول‬
‫ إلى مقدار الزيادة في المتغير المستقل وما يرافقها من‬Exp(B) ‫ وتشير قيمة‬B ‫أو عكسية إذا كانت إشارة‬
.‫احتمال انتقال بين فئات المتغير التابع‬
‫ وكانت الفئة‬3.17 :Exp(B) ‫ مثالً و‬0.18 :Job Satisfaction ‫ المقابلة ل‬B ‫ إذا كانت قيمة‬:‫مثال‬
.‫ قسم التسويق‬:‫ قسم اإلنتاج و الفئة التي تقارن بها‬:‫المرجعية بالمتغير التابع‬
:‫تفسر النتيجة على الشكل اآلتي‬
‫ يزداد احتمال اختيار الموظفين لقسم التسويق ب‬Job Satisfaction ‫كل زيادة مقدارها وحدة واحدة في‬
.‫ مرة بالمقارنة مع قسم اإلنتاج‬3.17
 Parameter Estimates

95% Confidence Interval for Exp(B)

DepartmentSelectiona B Std. Error Wald df Sig. Exp(B) Lower Bound Upper Bound

MARKETING Intercept -.576 2.586 .050 1 .824

JobSatisfaction -.819 .801 1.045 1 .307 .441 .092 2.118

Loyalty 1.701 .983 2.992 1 .084 5.481 .797 37.667

JobEnvironment -.378 .872 .188 1 .664 .685 .124 3.786

JobType -.287 .491 .343 1 .558 .750 .287 1.963

[education=1.00] -17.858 6043.947 .000 1 .998 1.755E-8 .000 .b

[education=2.00] .934 1.555 .361 1 .548 2.543 .121 53.550

[education=3.00] 18.905 1.450 169.918 1 .000 162272641.419 9457267.370 2784357163.833

[education=4.00] 0c . . 0 . . . .
HUMAN Intercept .660 2.552 .067 1 .796
RESOURCES JobSatisfaction -.160 .839 .036 1 .849 .852 .165 4.411
Loyalty 2.303 1.004 5.265 1 .022 10.002 1.399 71.502
JobEnvironment -.963 .916 1.103 1 .293 .382 .063 2.301
JobType -1.071 .511 4.398 1 .036 .342 .126 .932
[education=1.00] -.295 1.614 .033 1 .855 .745 .031 17.603
[education=2.00] -.875 1.358 .415 1 .519 .417 .029 5.970
[education=3.00] 16.813 1.332 159.300 1 .000 20044172.826 1472550.885 272838696.700
[education=4.00] 0c . . 0 . . . .
ACCOUNTING Intercept 1.468 2.431 .365 1 .546

JobSatisfaction -.051 .757 .004 1 .947 .951 .215 4.194

Loyalty .342 1.004 .116 1 .733 1.408 .197 10.071

JobEnvironment -.222 .858 .067 1 .796 .801 .149 4.301

JobType -.234 .504 .215 1 .643 .792 .295 2.125

[education=1.00] -.947 1.690 .314 1 .575 .388 .014 10.652

[education=2.00] -.578 1.386 .174 1 .677 .561 .037 8.489

[education=3.00] 18.378 .000 . 1 . 95821374.384 95821374.384 95821374.384

[education=4.00] 0c . . 0 . . . .

a. The reference category is: PRODUCTION.

b. Floating point overflow occurred while computing this statistic. Its value is therefore set to system missing.
c. This parameter is set to zero because it is redundant.

,0.375- = B ‫ قيمة‬:‫مثال‬
exp=3.15 ‫ و‬%5 ‫ أصغر من‬Sig
‫يشير هذا المثال إلى أن العالقة عكسية كلما زاد المتغير المستقل بمقدار وحدة واحدة يقل احتمال اختيار‬
‫ مرة‬3.15 ‫) بمقدار‬sony( ‫) بالمقارنة مع الفئة األولى‬dell( ‫الفئة الثانية‬
) ‫ ( مقارنة مستوى تعليمي أول مع مستوى رابع‬Education=1
‫ التفسير كلما انتقل المستجوب من مستوى تعليمي‬، exp=2.13 ، B=18.602 ، %5 ‫ أصغر من‬Sig
2.13 ‫ بمقدار‬dell ‫ إلى‬sony ‫أول إلى مستوى تعليمي رابع زاد احتمال االنتقال من‬
 ‫‪9‬‬

‫اختبارات التجارب‬

‫‪Factorial ANOVA‬‬
‫الهدف‪ :‬يستخدم هذا التحليل لالختبار اإلحصائي للتجارب عندما يكون لدى الباحث عدة متغيرات متحكم بها‬
‫فئوية ومتغير تابع واحد فقط‪.‬‬
‫(نوع الـ ‪ music‬ونية الشراء) (يفضل نقول متغير متحكم به وليس متغير مستقل)‬
‫الشروط‪:‬‬
‫‪ .1‬من‪ 2‬لـ ‪ 4‬من المتغيرات المتحكم بها (كل واحد منها من فئتين على األقل)‬
‫مثال ‪ :‬موسيقى صاخبة & موسيقى هادئة‬
‫سعر منخفض ‪ ،‬متوسط ‪ ،‬مرتفع‬
‫‪ .2‬متغير تابع واحد فقط من نوع ‪scale‬‬
‫‪ .3‬التصميم التجريبي من نوع ‪between-subjects design‬أي أن المختبرين موزعين على سيناريوهات‬
‫التجربة وال يشترك المستجوب المختبر الواحد إال في سناريو واحد بالنسبة لمتغير متحكم به‪.‬‬
‫‪ .4‬المتغير التابع يتبع التوزيع الطبيعي في كل فئة من فئات كل متغير متحكم به أو في مزيج المتغيرات‬
‫المتحكم بها‬
‫‪ .5‬تباين المتغير التابع متجانس عبر فئات كل متغير متحكم به أو عبر مزيجها‪.‬‬
‫‪ .6‬حد أدنى من القيم الشاذة (‪ )outliers‬في المتغير التابع‪.‬‬
‫بالنسبة الختبار الشرط الرابع يتم على الشكل التالي‪:‬‬
‫‪Analyze→ descriptive statistics→ explore‬‬
‫نضع المتغير التابع في قائمة ‪dependents list‬‬
‫والمتغير المتحكم به في قائمة ‪ factor list‬من ‪ plots‬نؤشر على ‪normality plots with test‬ونلغي‬
‫‪steam an leaf‬‬
‫ثم ‪ok‬‬
‫من نتائج االختبار يمكن االستدالل على التوزيع الطبيعي من المتغير التابع في كل فئة من فئات المتحكم‬
‫به‬
‫يبدو من جدول ‪ Tests of Normality‬اختبار ‪ Kolmogorov-Smirnov‬للعينات الكبيرة و ‪Shapiro-‬‬
‫‪ Wilk‬للعينات الصغيرة إذا كانت قيمة ‪ sig‬المقابلة للمتغير عند فئة ما أكبر من ‪ %5‬ال يمكن رفض فرضية‬
‫العدم والمتغير التابع يتبع التوزيع الطبيعي في هذه الفئة‬
 ‫أما إذا كانت قيمة ‪ sig‬أصغر أو تساوي الـ ‪ %5‬تقبل البديلة والمتغير ال يتبع التوزيع الطبيعي‪.‬‬
‫‪Tests of Normality‬‬

‫‪Kolmogorov-Smirnova‬‬ ‫‪Shapiro-Wilk‬‬

‫‪DepartmentSelection‬‬ ‫‪Statistic‬‬ ‫‪df‬‬ ‫‪Sig.‬‬ ‫‪Statistic‬‬ ‫‪df‬‬ ‫‪Sig.‬‬

‫‪item2‬‬ ‫‪MARKETING .295‬‬ ‫‪30‬‬ ‫‪.000‬‬ ‫‪.824‬‬ ‫‪30‬‬ ‫‪.000‬‬

‫‪HUMAN RESOURCES .295‬‬ ‫‪27‬‬ ‫‪.000‬‬ ‫‪.824‬‬ ‫‪27‬‬ ‫‪.000‬‬

‫‪ACCOUNTING .302‬‬ ‫‪27‬‬ ‫‪.000‬‬ ‫‪.788‬‬ ‫‪27‬‬ ‫‪.000‬‬

‫‪PRODUCTION .312‬‬ ‫‪16‬‬ ‫‪.000‬‬ ‫‪.846‬‬ ‫‪16‬‬ ‫‪.012‬‬

‫‪a. Lilliefors Significance Correction‬‬

‫بالنسبة للشرط الخامس‪:‬‬

‫من خالل تحليل ‪ Factorial Anova‬في حالة تفاعل المتغيرات المتحكم بها مع بعضها البعض فيظهر من‬
‫نتائج التحليل في جدول ‪ Livenes Test‬فيما إذا كان تباين المتغير التابع متجانساً عبر متحكم به‪*1‬متحكم به‪2‬‬
‫وهذا ممكن قبل إنجاز التحليل أو خالله‪.‬‬

‫بالنسبة للشرط السادس‪:‬‬

‫مر معنا سابقاً طريقة كشف الحاالت ذات القيم المتطرفة من األعلى إلى األسفل ويتم عالجها بحذف الحالة من‬
‫التحليل اإلحصائي‪.‬‬
‫‪Analyze→ descriptive statistics→ explore‬‬

‫‪Analyze→ general linear model→uniuverint‬‬

‫ندخل المتغير التابع في ‪dependent variables‬‬
‫والمتغيرات المتحكم بها في ‪fixed factors‬‬
‫من ‪ model‬يكون الوضع االفتراضي ‪( full factorial‬أثر كل متغير متحكم به لوحدة ومتفاعالً)‬
‫من ‪ plots‬ندخل ‪ nationality‬في ‪ horizontal axis‬والمتغير الثاني في ‪separate lines‬‬
‫نضغط على ‪ add‬لتتفعل النافذة أسفل (متحكم به ‪ *1‬متحكم به‪)2‬‬
‫‪ Continue‬من ‪ post hoc‬ندخل المتغيرات في قائمة ‪ factors‬في قائمة ‪post hoc test for‬‬
‫نؤشر على ‪ bonfirony‬في ‪equal‬‬
‫من ‪ options‬نؤشر على المتغيرات المتحكم بها دون التفاعل بينها ثم ندخلها إلى قائمة ‪display means for‬‬
‫ونؤشر على ‪ compare mean effects‬وكما نؤشر على ‪descriptive statistics‬‬
‫‪ Estimate of effects size , homogeneity test‬ثم ‪ continue‬ثم ‪ok‬‬
 :‫التعليق على النتائج‬

‫ رموز وفئات وعدد المختبرين في كل فئة من فئات‬Between-Subjects Factors ‫ يوضح جدول‬-1

‫المتغيرات المتحكم بها‬
Between-Subjects Factors

Value Label N

DepartmentSelection 1.00 MARKETING 30

2.00 HUMAN
27
RESOURCES

3.00 ACCOUNTING 27

4.00 PRODUCTION 16
education 1.00 less than
8
secondary

2.00 secondary 74

3.00 college 11

4.00 post 7

‫ إلى المتوسط واالنحراف المعياري للمتغير التابع في كل مزيج ممكن من‬Descriptive Statistics ‫ يشير‬-2
.‫فئات المتغيرات المتحكم بها‬
Descriptive Statistics
Dependent Variable: JobSatisfaction

DepartmentSelection education Mean Std. Deviation N

MARKETING secondary 4.0640 .63435 25

college 3.8000 .36515 4

post 5.0000 . 1

Total 4.0600 .62179 30

HUMAN RESOURCES less than secondary 2.9500 .83865 4
secondary 4.0667 .51791 18
college 4.7000 .42426 2
post 4.5333 .30551 3
Total 4.0000 .71683 27
ACCOUNTING less than secondary 3.7000 .14142 2
secondary 3.7444 1.10145 18
college 4.2400 .35777 5
post 4.6000 .28284 2
Total 3.8963 .94685 27
PRODUCTION less than secondary 4.1000 .14142 2
secondary 3.7846 .59700 13
post 4.6000 . 1
Total 3.8750 .57908 16
Total less than secondary 3.4250 .76672 8

secondary 3.9378 .74754 74

 college 4.1636 .47175 11

post 4.6286 .26904 7

Total 3.9700 .73492 100

‫ يمثل هذا الجدول أداة اختبار التباين غير‬Levene's Test of Equality of Error Variances -3
‫ حتى‬%5 ‫ أكبر من‬sig ‫ يجب أن تكون قيمة‬، ‫المتجانس للمتغير التابع عبر فئات المتغيرات المتحكم بها‬
.5 ‫ وبذلك يتحقق الشرط رقم‬،ً‫ال يكون من الممكن رفض فرضية العدم وليكون التباين متجانسا‬
Levene's Test of Equality of Error Variancesa
Dependent Variable: JobSatisfaction

F df1 df2 Sig.

1.846 13 86 .048

Tests the null hypothesis that the error variance of

the dependent variable is equal across groups.
a. Design: Intercept + DepartmentSelection +
education + DepartmentSelection * education

‫ إلى األثر المعنوي لكل متغير تحكم به‬Tests of Between-Subjects Effects ‫ يشير جدول‬-4
.%5‫ أو‬1 ‫ المقابلة معنوية عند‬sig ‫باإلضافة إلى أثر تفاعلهما يجب أن تكون قيمة‬
Tests of Between-Subjects Effects
Dependent Variable: JobSatisfaction

Type III Sum of Partial Eta

Source Squares df Mean Square F Sig. Squared

Corrected Model 10.842a 13 .834 1.683 .079 .203

Intercept 587.054 1 587.054 1184.364 .000 .932
DepartmentSelection .108 3 .036 .073 .974 .003
education 4.841 3 1.614 3.256 .026 .102
DepartmentSelection *
4.461 7 .637 1.286 .267 .095
education
Error 42.628 86 .496
Total 1629.560 100
Corrected Total 53.470 99

a. R Squared = .203 (Adjusted R Squared = .082)

‫ المقابلة لكل متغير متحكم به مقدار التباين المفسر في المتغير التابع‬Partial Eta Squared ‫ وتمثل‬-5
η2 ‫باستخدام المتحكم به‬
‫ إلى مصدر الفروق في المتغير التابع عبر فئات كل متغير‬Pairwise Comparisons ‫ ويشير جدول‬-6
‫ أو جداول‬one way ANOVA ‫ في‬post hoc ‫متحكم به وتعالج هذه الجداول نفس معالجة جداول‬
. ‫ إذا كان المتحكم به مكون من فئتين فقط‬independent sample t test
 Pairwise Comparisons
Dependent Variable: JobSatisfaction

95% Confidence Interval for

(I) (J) Mean Difference (I- Std. Differencec

DepartmentSelection DepartmentSelection J) Error Sig.c Lower Bound Upper Bound

MARKETING HUMAN RESOURCES .226a .326 .491 -.423 .874

ACCOUNTING .217a .332 .515 -.442 .876

PRODUCTION .126a,b .397 .751 -.663 .916

HUMAN RESOURCES MARKETING -.226b .326 .491 -.874 .423
ACCOUNTING -.009 .272 .975 -.550 .533
PRODUCTION -.099b .349 .778 -.794 .596
ACCOUNTING MARKETING -.217b .332 .515 -.876 .442
HUMAN RESOURCES .009 .272 .975 -.533 .550
PRODUCTION -.090b .355 .799 -.795 .615
PRODUCTION MARKETING -.126a,b .397 .751 -.916 .663

HUMAN RESOURCES .099a .349 .778 -.596 .794

ACCOUNTING .090a .355 .799 -.615 .795

Based on estimated marginal means

a. An estimate of the modified population marginal mean (I).
b. An estimate of the modified population marginal mean (J).
c. Adjustment for multiple comparisons: Least Significant Difference (equivalent to no adjustments).

:‫حاالت التفاعل بين المتغيرات المتحكم بها‬

‫ في حال وجود أكر من متغير واحد‬factorial ANOVA ‫تختلف قدرة الباحث في االعتماد على جداول‬
: ‫متحكم به على معنوية التفاعل بين المتغيرات المتحكم بها فيكون لدينا الحالتين‬
‫ تفاعل المتغيرات المتحكم بها معنوي إذاً يكون أثر المتحكم به األول على التابع معتمداً على المتحكم به‬-1
‫ في ما يتعلق‬factorial ANOVA ‫الثاني وبالتالي ال يمكن للباحث في هذه الحالة االعتماد على نتائج‬
‫ ألن األخيرة ال تأخذ‬multiple comparisons ‫ وجداول‬test of between subject effects ‫بجدول‬
‫ وتكون هذه الجداول مضللة ويكون الحل من‬، ‫التفاعل بالحسبان وإنما فردية لكل متحكم به على حدى‬
. ‫خالل خلق متغير جديد لتفاعل فئات المتحكم به األول مع الثاني‬
 ‫مثال ‪:‬‬
‫يوجد تفاعل بين متغير الجنس (‪ )0،1‬ومتغير ‪ )1،2،3،4( education‬يكون المتغير الجديد هو عبارة عن‬
‫تقاطع كل فئة من المتغير األول مع باقي فئات المتغير الثاني على الشكل التالي‬
‫‪Gdeducation‬‬ ‫‪gender education code‬‬
‫‪Gender‬‬ ‫‪Education‬‬
‫‪0‬‬ ‫‪1‬‬ ‫‪1‬‬
‫‪0‬‬ ‫‪2‬‬ ‫‪2‬‬
‫‪0‬‬ ‫‪3‬‬ ‫‪3‬‬
‫‪0‬‬ ‫‪4‬‬ ‫‪4‬‬
‫‪1‬‬ ‫‪1‬‬ ‫‪5‬‬
‫‪1‬‬ ‫‪2‬‬ ‫‪6‬‬
‫‪1‬‬ ‫‪3‬‬ ‫‪7‬‬
‫‪1‬‬ ‫‪4‬‬ ‫‪8‬‬

‫طريقة خلق المتغير الجديد‪:‬‬

‫‪ < Compute Variable < Transform‬نضع اسم المتغير الجديد في ‪ < Target‬و نضغط على ‪ If‬في أسفل‬
‫النافذة < نضغط على ‪ < Include if case satisfies condition‬ندخل المتغير ‪ Sex‬في قائمة المتغيرات‬
‫بعده =‪ 0‬و ثم ندخل ‪ 1= Education‬ثم ‪ Continue‬و ندخل الكود ‪ 1‬في ‪ Numeric Expression‬ثم ‪OK‬‬
‫مرة ثانية ‪ Transform‬ثم ‪ Compute Variable‬يظهر لنا الحوار السابق ونضغط على ‪ If‬ثم ‪Include if‬‬
‫‪ < case satisfies condition‬ندخل المتغيرات في القائمة < بنفس الطريقة السابقة ونضع رمز ‪ 2‬في‬
‫‪ Numeric Expression‬ثم نضغط ‪ ok‬ثم ‪ ok‬على ‪ Change Existing Variable‬و نكرر العملية حتى‬
‫نهاية الحاالت الثمانية‪.‬‬
‫وبذلك نخلق متغير جديد يمثل مزيج من سيناريوهات المتغيرين‬
‫نقوم باختبار ‪ One Way Anova‬و نطلب اجراء ‪ Post Hoc‬لمعرفة مصدر الفروق في المتغير التابع وفقاً‬
‫لفئات المتغير الجديد المكون من ثمانية‪.‬‬
‫على سبيل المثال‪ :‬قد يكون الفرق بين متوسط الرضا عند الذكور ذوي الدراسات العليا من جهة واإلناث ذوي‬
‫التعليم الجامعي من جهة أخرى‬

‫‪ANCOVA‬‬
‫‪Analysis of covarious‬‬
 ‫الهدف ‪:‬‬
‫يستخدم عندما يرغب الباحث بمعرفة أثر متغير متحكم به فئوي على متغير تابع كمي مع عزل تأثير متغير كمي‬
‫آخر يعتقد بأنه قد يؤثر على نتائج التحليل‬
‫الشروط ‪:‬‬
‫‪ -1‬المتغير التابع والمعزول تأثيره من نوع ‪scale‬‬
‫‪ -2‬المتغير المتحكم به فئوي (على األقل ‪)2‬‬
‫‪ -3‬استقالل المشاهدات أي أنه الشخص يعتبر عضو في فئة واحدة فقط من فئات المتغير المتحكم به‬
‫(‪) between subject design‬‬
‫‪ -4‬أقل عدد ممك ن من القيم الشاذة في كل من المتغير التابع و المعزول تأثيره وذلك من خالل اختبار‬
‫‪)Analyze→ descriptive statistics→ explore( outliers‬‬
‫‪ -5‬المتغير التابع يتبع التوزيع الطبيعي في كل فئة من فئات المتغير المتحكم به من خالل اختبارات اختبار‬
‫‪ Kolmogorov-Smirnov‬و ‪Shapiro-Wilk‬‬
‫‪ -6‬تجانس تباين المتغير التابع عبر فئات المتغير المتحكم به من خالل نتائج تحليل ‪ANCOVA‬‬
‫‪ -7‬تجانس معامالت االنحدار ما يعني عدم وجود تفاعل بين المتغير المعزول تأثيره و المتحكم به‬
‫‪ -8‬العالقة خطية بين التابع و المعزول (على اعتبار االثنين من نوع ‪) scale‬‬

‫‪Analyze→ general linear model→uniuverint‬‬

‫ندخل المتغير التابع في ‪dependent variables‬‬
‫والمتغيرات المتحكم بها في ‪fixed factors‬‬
‫والمرغوب عزل تأثيره في قائمة ‪covariate‬‬
‫من ‪ plots‬ندخل المتحكم به في ‪horizontal axis‬‬
‫نضغط على ‪ add‬لتتفعل النافذة أسفل (متحكم به ‪ *1‬متحكم به‪)2‬‬
‫‪Continue‬‬
‫من ‪ options‬نؤشر على المتغيرات المتحكم بها دون التفاعل بينها ثم ندخلها إلى قائمة ‪display means for‬‬
‫ونؤشر على ‪ compare mean effects‬وكما نؤشر على ‪descriptive statistics‬‬
‫‪ Estimates of effects size , homogeneity test‬ثم ‪ continue‬ثم ‪ok‬‬
 : ‫التعليق على النتائج‬
. ‫ إلى فئات و رموز و عدد مستجوبين وفقاً للمتحكم به‬between subject factor ‫ يشير جدول‬.1

Tests of Between-Subjects Effects

Dependent Variable: Loyalty

Type III Sum of Partial Eta

Source Squares df Mean Square F Sig. Squared

Corrected Model 51.416a 4 12.854 33.795 .000 .587

Intercept .135 1 .135 .354 .553 .004
JobSatisfaction 47.564 1 47.564 125.051 .000 .568
TRAININGLEVEL .982 3 .327 .861 .464 .026
Error 36.134 95 .380
Total 1319.560 100
Corrected Total 87.550 99

a. R Squared = .587 (Adjusted R Squared = .570)

‫ إلى المتوسط واالنحراف المعياري للمتغير التابع في كل فئة أو مزيج‬Descriptive Statistics ‫ يشير‬.2
.‫ممكن من فئات المتغيرات المتحكم بها‬
Descriptive Statistics
Dependent Variable: Loyalty

TRAININGLEVEL Mean Std. Deviation N

LEVEL 1 3.6667 .83066 9

LEVEL 2 3.3517 .95242 58
LEVEL 3 3.6727 .95926 22
LEVEL 4 3.8909 .84552 11
Total 3.5100 .94040 100

‫ يمثل هذا الجدول لمتغير التابع متجانس عبر‬Levene's Test of Equality of Error Variances .3
6 ‫ وبالتالي تحقق الشرط‬، ‫فئات المتغيرات المتحكم بها‬
Levene's Test of Equality of Error Variancesa

Dependent Variable: Loyalty

F df1 df2 Sig.

.081 3 96 .970

Tests the null hypothesis that the error variance of the

dependent variable is equal across groups.

a. Design: Intercept + JobSatisfaction + TRAININGLEVEL

 ‫ إلى األثر المعنوي لكل متغير تحكم به من‬Tests of Between-Subjects Effects ‫ يشير جدول‬.4
‫ إلى‬Partial Eta Squared ‫ وتشير قيمة‬%5‫ أو‬1 ‫ المقابلة معنوية عند‬sig ‫المفروض أن تكون قيمة‬
. ‫مقدار التباين المفسر للتابع بواسطة المتحكم به‬
Tests of Between-Subjects Effects
Dependent Variable: Loyalty

Type III Sum of Partial Eta

Source Squares df Mean Square F Sig. Squared

Corrected Model 51.416a 4 12.854 33.795 .000 .587

Intercept .135 1 .135 .354 .553 .004
JobSatisfaction 47.564 1 47.564 125.051 .000 .568
TRAININGLEVEL .982 3 .327 .861 .464 .026
Error 36.134 95 .380
Total 1319.560 100
Corrected Total 87.550 99

a. R Squared = .587 (Adjusted R Squared = .570)

‫ إلى المقارنات بين متوسط المتغير التابع وفقاً لفئات المتحكم‬Pairwise Comparisons ‫ ويشير جدول‬.5
. ‫به حيث يتم قراءتها واالعتماد وفقاً للطريقة المعتادة‬
Pairwise Comparisons
Dependent Variable: Loyalty

95% Confidence Interval for Differencea

(I) TRAININGLEVEL (J) TRAININGLEVEL Mean Difference (I-J) Std. Error Sig.a Lower Bound Upper Bound

LEVEL 1 LEVEL 2 .192 .221 .388 -.247 .631

LEVEL 3 -.010 .244 .968 -.494 .475

LEVEL 4 -.020 .278 .943 -.571 .532

LEVEL 2 LEVEL 1 -.192 .221 .388 -.631 .247
LEVEL 3 -.202 .155 .196 -.509 .106
LEVEL 4 -.212 .205 .304 -.619 .195
LEVEL 3 LEVEL 1 .010 .244 .968 -.475 .494
LEVEL 2 .202 .155 .196 -.106 .509
LEVEL 4 -.010 .229 .965 -.464 .444
LEVEL 4 LEVEL 1 .020 .278 .943 -.532 .571

LEVEL 2 .212 .205 .304 -.195 .619

LEVEL 3 .010 .229 .965 -.444 .464

Based on estimated marginal means

a. Adjustment for multiple comparisons: Least Significant Difference (equivalent to no adjustments).

:‫طريقة اختبار الشرط السابع وتتم على الشكل التالي‬

Analyze→ general linear model→uniuverint
 ‫ندخل نفس المدخالت السابقة وثم من ‪ model‬نضغط على ‪ costume‬وندخل المتغير المتحكم به والمعزول‬
‫متفاعلين في ‪model‬‬
‫ومن جدول ‪ Tests of Between-Subjects Effects‬يجب أن يكون تفاعل المتغير المتحكم به مع المعزول‬
‫تأثيره أكبر من ‪ %5‬حتى ال يمكن رفض فرضية العدم وليكون هناك تجانس في معامالت االنحدا‬
‫‪Tests of Between-Subjects Effects‬‬
‫‪Dependent Variable: Loyalty‬‬

‫‪Type III Sum of‬‬ ‫‪Partial Eta‬‬

‫‪Source‬‬ ‫‪Squares‬‬ ‫‪df‬‬ ‫‪Mean Square‬‬ ‫‪F‬‬ ‫‪Sig.‬‬ ‫‪Squared‬‬

‫‪Corrected Model 51.416a‬‬ ‫‪4‬‬ ‫‪12.854‬‬ ‫‪33.795‬‬ ‫‪.000‬‬ ‫‪.587‬‬

‫‪Intercept .135‬‬ ‫‪1‬‬ ‫‪.135‬‬ ‫‪.354‬‬ ‫‪.553‬‬ ‫‪.004‬‬
‫‪JobSatisfaction 47.564‬‬ ‫‪1‬‬ ‫‪47.564‬‬ ‫‪125.051‬‬ ‫‪.000‬‬ ‫‪.568‬‬
‫‪TRAININGLEVEL .982‬‬ ‫‪3‬‬ ‫‪.327‬‬ ‫‪.861‬‬ ‫‪.464‬‬ ‫‪.026‬‬
‫‪Error 36.134‬‬ ‫‪95‬‬ ‫‪.380‬‬
‫‪Total 1319.560‬‬ ‫‪100‬‬
‫‪Corrected Total 87.550‬‬ ‫‪99‬‬
‫)‪a. R Squared = .587 (Adjusted R Squared = .570‬‬

‫مالحظة ‪ :‬ينجز الباحث هذا الشرط هو والشروط األخرى السبعة قبل البدء بالتحليل‬

‫‪10‬‬
‫عندما يكون تباين المتغير التابع غير متجانس عبر مجموعات المتحكم به ال يمكن إنجاز االختبارات ‪post‬‬
‫‪hoc‬‬
‫"في نقص "‬
‫ثم نتبع نفس إجراءات ‪factorial ANOVA‬‬
‫إذا كان لدى الباحث أكثر من متحكم به يتم التحليل لكل متغير على حدى ‪.‬‬

‫اختبار ‪MANOVA‬‬
‫‪MULTIVARIALES ANALYSIS OF VARIANCE‬‬
‫الهدف ‪:‬‬
‫يستخدم هذا التحليل في التجارب عندما يكون لدى الباحث أكثر من متغير تابع وواحد أو أكثر من المتغيرات‬
‫المتحكم بها‬
‫شروط ‪MNOVA‬‬
‫‪ -1‬اثنين أو أكثر من المتغيرات التابعة من نوع ‪scale‬‬
 ‫‪ -2‬المتغيرات المتحكم بها فئوية (‪ )nominal or ordinal‬واحد أو أكثر (واحد متحكم به ‪one way‬‬
‫‪ MANOVA‬أما اثنين متحكم بها ‪) two way MANOVA‬‬
‫‪ -3‬التصميم التجريبي ‪ between-subject design‬أي أن المستجوب (المختبر) عضو في فئة واحدة فقط‬
‫بالنسبة لكل متحكم به‬
‫‪ -4‬عدم وجود قيم متطرفة في المتغيرات التابعة ويتم تحقيق هذا الشرط على الشكل التالي ‪:‬‬
‫من تحليل االنحدار الخطي المتعدد يدخل الباحث المتغيرات التابعة في قائمة ‪ independents‬وأحد‬
‫المتغيرات المتحكم بها في قائمة ‪( dependent‬نحن مهتمين بالقيم المتطرفة وليس بنتائج االنحدار‬
‫الخطي المتعدد ) ثم من ‪ save‬يؤشر الباحث على ‪ mahalanobis‬ثم ‪continue‬ثم ‪ok‬‬
‫ليظهر للباحث متغير جديد اسمه ‪ MAH-1‬ويجب أن تتجاوز هذه القيمة المقابلة لكل ‪ case‬قيمة حرجة‬
‫معينة وفقاً للجدول التالي ‪:‬‬
‫‪Critical value‬‬ ‫‪Degree of freedom‬‬
‫‪10.83‬‬ ‫‪1‬‬
‫‪13.88‬‬ ‫‪2‬‬
‫‪16.27‬‬ ‫‪3‬‬
‫‪18.47‬‬ ‫‪4‬‬
‫‪20.52‬‬ ‫‪5‬‬
‫‪22.46‬‬ ‫‪6‬‬
‫‪24.38‬‬ ‫‪7‬‬
‫‪26.12‬‬ ‫‪8‬‬
‫‪27.88‬‬ ‫‪9‬‬
‫‪29.59‬‬ ‫‪10‬‬

‫نقارن القيمة المقابلة لكل ‪ case‬في عمود‪ MAH-1‬وأي قيمة أكبر من ‪critical value‬مع األخذ بالحسبان عدد‬
‫فئات المتحكم به (درجات الحرية) نحذف أي ‪ case‬أكبر من ‪critical value‬‬
‫‪ -5‬التوزيع الطبيعي المتعدد ويتم ذلك لمعرفة التوزيع الطبيعي للمتغير التابع تبعاً لفئات المتحكم به وفقاً‬
‫لإلجراء الذي مر معنا مسبقاً‬
‫‪Analyze→ descriptive statistics→ explore‬‬
‫ويجب أن يكون التوزيع طبيعي للمتغير التابع عبر كل فئة من فئات المتحكم به‬
‫‪ -6‬تحقق شرط التجانس في مصفوفة التغاير‪ /‬التباين وذلك من جداول ‪MANOVA‬‬
‫‪ -7‬وجود ارتباطات متوسطة على األقل بين المتغيرات التابعة في حال عدم وجود ارتباط يقوم الباحث باختبار‬
‫‪Factorial ANOVA‬‬
‫‪ -8‬تجانس المتغيرات التابعة عبر مجموعات المتغيرات المتحكم بها وهذا يتم أيضاً عن طريق اختبار‬
‫‪MANOVA‬‬
 " ‫فالجواب أنو ال منعمل اللوجستي‬.. ‫"سأل الدكتور سؤال لو كان التابع فئوي بصير ؟‬

Analyze→ General leaner model→ multivariate

fixed ‫ في‬education‫ و‬dependent variables ‫ في‬x2 ‫و‬x1 ‫ندخل‬
continue ‫ و‬add ‫ ثم‬haoarizel ‫ في‬education ‫ ندخل‬plots ‫ومن‬
‫ و ذلك بعد ادخال‬games Howell ‫ اذا كان التباين متجانساً و‬bonefrroni ‫ نؤشر على‬post hoc ‫من‬
post hoc tests for ‫ في‬education ‫المتحكم به‬

‫ ثم شيك على‬compare mean effect ‫ نؤشر على‬..... ‫ في‬education ‫ ندخل‬option ‫من‬

homogeneity test ‫ ثم‬estimates of effect size ‫ و‬Descriptive statistics
‫التعليق على نتائج االختبار‬
‫ يحدد هذا الجدول رموز و فئات و عدد المختبرين في كل فئة‬Between-Subjects Factors ‫ جدول‬-1
. ‫للمتغير المتحكم به‬
Between-Subjects Factors

Value Label N

education 1.00 less than

8
secondary

2.00 secondary 74

3.00 college 11

4.00 post 7

Descriptive Statistics Descriptive ‫ يشير جدول‬-2

‫ إلى المتوسط و االنحراف‬Statistics
education Mean Std. Deviation N
x1 less than secondary 3.7500 .88641 8

secondary 3.8514 .98874 74 ‫المعياري لكل متغير تابع عبر فئات‬

college 4.3636 .67420 11

post 4.5714 .53452 7

‫المتحكم بهم‬
Total 3.9500 .94682 100
x2 less than secondary 3.5000 .92582 8

secondary 3.8108 1.01598 74

college 3.9091 1.04447 11

post 4.4286 .78680 7

Total 3.8400 1.00222 100

 ‫ يمثل اختبا اًر لعدم التجانس في مصفوفة‬Box's Test of Equality of Covariance Matrices ‫ جدول‬-3
‫التغاير حيث‬
‫ تجانس تغاير المتغيرات التابعة بالنسبة لفئات المتحكم به‬: ‫فرضية العدم‬
‫ ال يوجد تجانس‬: ‫الفرضية البديلة‬
‫ حتى يكون من غير المبرر رفض فرضية العدم و بالتالي التغاير‬%5 ‫ أكير من‬sig ‫يجب أن تكون قيمة‬
. ‫متجانس‬
) Covariance( ‫ هو مقدار التبدل في المتغير عندما يتبدل متغير آخر‬: ‫إن التغاير‬

Box's Test of Equality of Covariance Matricesa

Box's M 6.287
F .627
df1 9
df2 3581.221
Sig. .775

Tests the null hypothesis that the observed covariance

matrices of the dependent variables are equal across groups.
a. Design: Intercept + education

education 1 2 3 4

Covariance 1,2 1 ‫مقدار التغير في‬ = = =

2 ‫عندما يتغير في‬
sig ‫ يهتم الباحث بقيمة‬MANOVA ‫ يوضح هذا الجدول النتيجة الفعلية الختبار‬Multivariate Tests -4
‫ مما يدل على أن المتغير‬%5 ‫ المقابلة لها أكبر من‬sig ‫ ويبدو أن قيمة‬Wilks' Lambda ‫المقابلة ل‬
‫ سوي ًة‬x2‫ و‬x1 ‫المتحكم به ال يؤثر على‬

Multivariate Testsa

Partial Eta
Effect Value F Hypothesis df Error df Sig. Squared

Intercept Pillai's Trace .916 515.925b 2.000 95.000 .000 .916

Wilks' Lambda .084 515.925b 2.000 95.000 .000 .916

Hotelling's Trace 10.862 515.925b 2.000 95.000 .000 .916

Roy's Largest Root 10.862 515.925b 2.000 95.000 .000 .916

education Pillai's Trace .079 1.324 6.000 192.000 .248 .040

Wilks' Lambda .921 1.322b 6.000 190.000 .249 .040

Hotelling's Trace .084 1.319 6.000 188.000 .250 .040

Roy's Largest Root .070 2.240c 3.000 96.000 .089 .065

a. Design: Intercept + education

 b. Exact statistic
c. The statistic is an upper bound on F that yields a lower bound on the significance level.

‫ اختبار تجانس تباين كل من‬Levene's Test of Equality of Error Variances ‫ يوضح جدول‬-5
‫ أن التباين‬%5 ‫ المقابلة والتي كانت أكبر من‬sig ‫المتغيرات التابعة عبر فئات المتحكم به يبدو من قيمة‬
8 ‫متجانس وبذلك يتحقق الشرط‬

Levene's Test of Equality of Error Variancesa

F df1 df2 Sig.

x1 .374 3 96 .772
x2 .145 3 96 .933

Tests the null hypothesis that the error variance of the

dependent variable is equal across groups.
a. Design: Intercept + education

‫ الجدول الذي يحدد معنوية أثر المتحكم به على كل تابع على‬Tests of Between-Subjects Effects -6
0.331=x2‫ فاألثر غير معنوي والمقابلة لـ‬%5 ‫ أكبر من‬0.097= x1 ‫ المقابلة ل‬sig ‫حدى حيث كانت‬
‫ التي تحدد‬Partial Eta Squared ‫ أيضاً األثر غير معنوي كما يوجد في آخر عمود قيم‬%5 ‫أكبر من‬
‫مقدار تباين المفسر في كل تابع بسبب المتحكم به بشكل مفرد (يعني كل واحد على حدى) أما في جدول‬
‫ توضح مقدار التباين المفسر في المتغيرات التابعة‬Partial Eta Squared ‫ فإن‬Multivariate Tests
‫سوي ًة وفقاً لفئات المتحكم به‬

Tests of Between-Subjects Effects

Source Dependent Variable Type III Sum of Squares df Mean Square F Sig. Partial Eta Squared

Corrected Model x1 5.625a 3 1.875 2.166 .097 .063

x2 3.465b 3 1.155 1.155 .331 .035

Intercept x1 734.537 1 734.537 848.311 .000 .898
x2 657.771 1 657.771 657.944 .000 .873
education x1 5.625 3 1.875 2.166 .097 .063
x2 3.465 3 1.155 1.155 .331 .035
Error x1 83.125 96 .866
x2 95.975 96 1.000
Total x1 1649.000 100
x2 1574.000 100
Corrected Total x1 88.750 99
x2 99.440 99

a. R Squared = .063 (Adjusted R Squared = .034)

b. R Squared = .035 (Adjusted R Squared = .005)
 ‫‪ -7‬توضح جداول ‪ Pairwise Comparisons‬و ‪ Multiple Comparisons‬مصدر الفروق في‬
‫متوسطات المتغيرات التابعة‪.‬‬
‫(‪ Multiple Comparisons‬بفرق بين تجانس و عدم تجانس أما ال ‪ Pairwise Comparisons‬فال)‬

‫التحليل العنقودي‬
‫هو أسلوب مشابه للتحليل العاملي بدال من أنه يحاول تجميع العبارات فإنه يحاول تجميع الحاالت‬

‫هو أسلوب يصنف الحاالت في مجموعات (‪ )classify‬تكون المفردات أو الحاالت في كل مجموعة متشابه نسبيا بناء‬
‫على متغير ما ومختلفة عن المجموعات األخرى‪.‬‬

‫وهو تحليل يعمل على تخطيط عدد الحاالت ( ‪ )cases‬إلى مجموعات (قطاعات أو عناقيد )‬

‫أنواع التحليل العنقودي‪:‬‬

‫‪ -1‬التحليل العنقودي الهرمي‪ heliacal class tiers analysis :‬يستخدم هذا االختبار عندما يرغب الباحث بتقسيم‬
‫المستجوبين (‪ )cases‬تبعا لمتغير أو أكثر‪ ،‬وهو يفيد في تقسيم السوق أو تقسيم الموظفين بناء على معيار أو‬
‫أكثر‪.‬‬
‫‪ :Key-means -2‬يتم وفقا لهذا التحليل تقسيم المستجوبين وفقا إلجاباتهم على متغيرات محددة وذلك تبعا‬
‫لمواصفات ديموغرافية ما (متغير فئوي)‬
‫‪ :Two step cluster analysis -3‬يستخدم هذا التحليل لتقسيم متغير فئوي تبعا لمتغيرات أخرى كمية قد يكون‬
‫واحد أو أكثر‪.‬‬

‫طريقة التنفيذ‬
‫تحديد المتغيرات التي ستحلل عنقودياً‪ :‬على الباحث في البداية أن يحدد المتغيرات التي ستحلل عنقوديا حيث‬ ‫‪-1‬‬
‫يمكنه وضع أي عدد من المتغيرات ولكن يجب أن تكون هذه المتغيرات موضوعة بشكل هادف يعتمد على إطار‬
‫نظري محدد‪.‬‬
‫تحديد طريقة التقسيم‪ :‬نختار في هذه الحالة ‪ hierarchal cluster analysis‬نضع المتغير الكمي في القائمة‬ ‫‪-2‬‬
‫األولى والحاالت ‪ cases‬في قائمة ‪ cases‬حيث يجب أن يكون المتغير األخير من نوع ‪string‬‬
‫من ‪ statistics‬نؤشر على ‪ proximity matrix‬التي تبين االرتباط بين كل زوج من الحاالت‬
‫في ‪ plots‬نؤشر على ‪ dendagram‬الذي يبين بيانيا عدد القطاعات ثم ‪continue‬ثم ‪ok‬‬
‫‪ Dendagram‬الشكل البياني هام جدا في تحديد العدد النهائي في القطاعات‪.‬‬ ‫‪-3‬‬
‫تفسير المخرجات‪:‬‬ ‫‪-4‬‬
‫‪ ‬تمثل مصفوفة ‪ proximity matrix‬معامالت االرتباط أو القرب بين كل زوج من الحاالت حيث كلما‬
‫كانت القيمة صغيرة كان القرب أكبر وستدمج الحاالت مع بعضها البعض‬
‫‪ ‬يوضح جدول ‪ Agglomeration Schedule‬كيف يقوم التحليل العنقودي الهرمي بدمج القطاعات‬
‫بشكل متتابع‪ ،‬عادة يكون عدد مراحل هذا الجدول =(حجم العينة – ‪ )1‬تمثل المعامالت في كل مرحلة‬
‫المسافة بين قطاعين حيث تشير الزيادة أو االرتفاع في قيمة المعامل بنسبة كبيرة عند مرحلة ما إلى أن‬
‫هذا القطاع أكثر اختالفا من القطاع الذي قبله وبالتالي يجب التوقف عند هذه المرحلة ‪.‬‬
 ‫‪ ‬في جدول ‪ Agglomeration Schedule‬تشير قيمة ‪ 4.362= Coefficients‬إلى ضرورة التوقف‬
‫عند مرحلة ‪ 99‬أي حذف أبعد قطاع من جهة اليمين في الرسم البياني ‪Dendrogram using‬‬
‫‪Average Linkage‬‬

‫بعد أن يعرف الباحث عدد القطاعات يقوم التحليل مرة أخرى ولكن من ‪ save‬يحدد له عدد القطاعات‬
‫المرغوب حيث نؤشر على ‪ single solution‬ونضع العدد (‪ 2‬أو ‪ )3‬تبعا للمرحلة السابقة ثم‬
‫‪ continue‬ثم ‪ ok‬ليظهر لنا متغير جديد فئوي مكون من قطاعات حددناها له مسبقا ويمكن للباحث من‬
‫خالل اختبارات ‪ one way ANOVA‬و ‪ independent sample t test‬التأكد من جوهرية الفروق‬

‫‪AMOS‬‬

‫نمذجة المعادالت الخطية‬

‫‪(SEM) Structural equation modeling‬‬
‫أسلوب متعدد التباين عبارة عن مزيج من التحليل العاملي و تحليل المسار بما فيه من معامالت ارتباط و انحدار‪،‬‬
‫ويختلف بدرجة كبيرة عن االنحدار بمختلف أشكاله بأنه يسمح بوجود متغيرات وسيطة وبوجود أكثر من متغير تابع‪،‬‬
‫يوجد في هذا التحليل نوعين من المتغيرات‪:‬‬

‫‪ -1‬متغيرات مستقلة تدعى ‪ Exogenous variables‬يحدد تباينه من متغيرات خارج النموذج‬

‫‪ -2‬متغيرات تابعة تدعى ‪ ingenious variables‬يحدد تباينها من متغيرات داخل النموذج‬

‫فوائد نمذجة المعادالت الخطية ‪:‬‬

‫‪ -1‬معالجة العديد من العالقات في آن واحد‬
‫‪ -2‬يسمح بتمثيل المتغيرات والعبارات في التحليل‬
‫‪ -3‬يحدد أخطاء القياس‬

‫دور النظرية في نمذجة المعادالت الخطية‬

‫يعتمد ‪ SEM‬بشكل أساسي على النظرية بما معناه عندما يقوم الباحث باستخدام ‪ SEM‬الختبار نظرية ما هناك حاجة‬
‫كبيرة لتفسير العالقات في هذا النموذج‬

‫في ظل غياب النظرية عن ‪ SEM‬تكون النتائج غير منطقية أو عائدة للصدفة‬

‫‪SEM‬‬

‫‪outer model‬‬ ‫‪inner model‬‬

‫‪measurment model‬‬
‫(اختبار العوامل أو اختبار‬ ‫(اختبار العالقات بين‬
‫نموذج القياس )‬ ‫المتغيرات‬
 ‫‪ Outer model‬من خالل التحليل العامل التوكيدي‬

‫شروط تحليل ‪AMOS‬‬

‫اختبار النظريات‪:‬‬

‫ح جم العينة (ال يوجد قاعدة محددة لتحديد حجم العينة) حيث يتأثر بعدد المتغيرات وعدد العبارات ومدى تعقيد‬ ‫‪-1‬‬
‫النموذج أما عن الحجم األفضل فهو ‪ case20‬لكل ‪ 20 "parameter‬لكل عالقة لزوج من المتغيرات "‬
‫عدد عبارات كل متغير ‪ 3‬على األقل والعدد األمثل من ‪ 4‬لـ ‪ 7‬عبارات لكل متغير‪.‬‬ ‫‪-2‬‬
‫العالقة خطية بين المتغيرات‪.‬‬ ‫‪-3‬‬
‫التوزيع الطبيعي للمتغيرات‪.‬‬ ‫‪-4‬‬

‫رمز المتغير المقاس بدون عبارات‬

‫رمز المتغير الكامن المقاس عن طريق عبارات‬

‫رمز العبارات المقاسة‬

‫تأثير مستقل وتابع‬ ‫→‬

‫عالقة‬ ‫↔‬

‫الباقي من عدم قدرة المستقل على تفسير ‪ %100‬من‬

‫تباين التابع‬

‫نفعل إشارة المتغير الكامن ونرسم ‪ 4‬دوائر‬ ‫‪ ‬باستخدام رمز‬

‫ثم نضغطها على كل متغير كامن بعدد عباراته بالنسبة لكل المتغيرات‬ ‫‪ ‬نفعل إشارة العبارات‬
‫‪ ‬نرسم المسارات بين المتغيرات باستخدام → و ↔ دبل كليك على كل متغير كامن لتسميته (يجب عدم‬
‫استخدام أسماء مستخدمة في ملف ‪spss‬‬
 ‫كل متغير تابع في النموذج‬ ‫نضغط على ‪ add a unique variables to an existing variables‬إلى‬ ‫‪‬‬
‫في العبارات أو متمم‬ ‫من ‪ plugins‬نختار ‪name unobserved variables‬ليسمى كل خطأ تقدير‬ ‫‪‬‬
‫للمتغير التابع بشكل آلي‬
‫نختار ‪ select data file‬من ‪ file name‬نختار ملف ‪ spss‬ثم ‪ok‬‬ ‫‪‬‬
‫لتتفعل قائمة بكل عبارات و متغيرات ملف الـ ‪ spss‬ثم نلتقط كل عبارة على حدى ونفرغها في‬ ‫من‬ ‫‪‬‬
‫المستطيل الخاص بالمتغير الكامن الذي تنتمي له ‪.‬‬
‫نؤشر على أول ‪minimization history , ( 3‬‬ ‫‪ ‬بعد االنتهاء من كل العبارات من ‪analysis properties‬‬
‫…‪) standardized estimates , squared‬‬

‫‪calculate estimate‬‬ ‫‪ ‬وثم‬

‫‪ ‬إلظهار الرسم البياني مع نتائج التحليل نضغط على ‪ view the output diagram‬ليظهر النموذج مع نتائج‬
‫التحليل فوق األسهم‬
‫‪ ‬من نافذة ‪ parameters formers‬إذا ضغطنا على ‪ unstandardized estimates‬تظهر قيم معامالت‬
‫االنحدار بين كل متغيرين أما إذا ضغطنا على‪ standardized estimates‬تظهر قيم معامالت االرتباط‬

‫نضغط على ‪ estimates‬تشير القيمة ‪ SE‬إلى كفاءة المتغير‬ ‫للحصول على نتائج االختبار جدوليا ‪view text‬‬ ‫‪‬‬
‫المستقل في التنبؤ بالمتغير التابع كلما كانت القيمة أقل كان ذلك أقل ‪.‬‬
‫تشير القيمة )‪ CR (CRITICAL RASHU‬إلى اختبار معنوية المسار يجب أن تكون ‪ CR‬أكبر من ‪ 1.96-+‬وهي‬ ‫‪‬‬
‫مرافقة لقيمة ‪( P‬معنوية العالقة أو المسار )ويبدو من الشكل أن جميع المسارات الواردة في جدول ‪Regrission‬‬
‫‪ wieght‬معنوية‬
‫‪ standarized Regrission wieght‬يمثل معامالت االرتباط‬ ‫‪‬‬
‫يمثل جدول ‪ coveriance‬اختبار العالقة بين المتغيرات المستقلة وجدول ‪ corrilation‬معامالت االرتباط بين‬ ‫‪‬‬
‫المتغيرات المستقلة‬
 ‫‪ ‬يمثل ‪ square multiple correlation‬قدرة المتغيرات املستقلة على تفسير المتغير التابع من خالل القيمة‬
‫المقابلة للمتغير التابع ‪.‬‬

‫جودة النموذج‬
‫معيار ‪ )goodness of fit( GFI‬يقيس كم هو النموذج مالئم بالمقارنة مع عدم وجود نموذج تتراوح قيمته‬ ‫‪-1‬‬
‫بين(‪ 0‬عدم تالؤم )و( ‪ 1‬تالؤم جيد جدا )‬
‫‪ )rote mean square error approximations ( RMSEA‬يأخذ بالحسبان خطأ تقدير المجتمع وهو يشير‬ ‫‪-2‬‬
‫على السؤال التالي ‪ ( :‬كم النموذج مالءم لمصفوفة ارتباطات المجتمع لو كانت موجودة) يجب أن تكون هذه‬
‫القيمة أقل من ‪%5‬‬
‫‪ ) Incremental fit measure ( IFM‬تقارن النموذج المقترح مع نماذج معيارية منها ‪ TLI‬و ‪ NFI‬و ‪RFI‬‬ ‫‪-3‬‬
‫و‪ IFI‬و ‪ CFI‬تتراوح قيمها بين (‪ 0‬عدم تالؤم )و( ‪ 1‬تالؤم عال )‬
‫‪PMFI‬كلما قلت قيمته كان أفضل أي كلما اقترب من ‪ 0‬كان أفضل‬ ‫‪-4‬‬
‫‪ SRSR‬يجب أن تكون القيمة أقل من ‪%5‬‬ ‫‪-5‬‬
‫‪ RNR‬يجب أن تكون أقل من ‪%10‬‬ ‫‪-6‬‬
‫‪ NC‬حتى الـ ‪ %5‬تعتبر مقبولة‬ ‫‪-7‬‬
‫‪ RMS‬أقل من ‪%10‬‬ ‫‪-8‬‬

‫نرسم المتغيرات الكامنة الثالثة كما هو موضح في الشكل مع تسمية كل من هذه المتغيرات ووضع كل عبارة في المكان‬

‫المناسب وإضافة عبارات لكل متغير من خالل إجراء‬

‫من ‪ select data file‬ب ‪ file name‬نختار ملف ‪spss‬‬

‫نؤشر على أول ‪minimization history , standardized estimates , ( 3‬‬ ‫من ‪analysis properties‬‬
‫‪) squared multiple correlation‬‬
 ‫نفعل المتغيرات الكامنة الثالثة ثم من ‪ plugins‬نختار ‪ draw covariance‬ليرسم العالقات بين‬ ‫من إشارة‬
‫المتغيرات الكامنة وأخييرا ‪calculate estimate‬‬

‫تشير نتائج ‪ standardized estimates‬تظهر قيم معامالت االرتباط ويجب أن نتأكد من مخرجات ‪ AMOS‬من جدول‬
‫‪ Regression weights‬فيما كانت عالقة العبارة بمتغيرها الكامن معنوية من خالل قيمة ‪p‬‬

‫دائما نبدأ بالتحليل االستكشافي في ‪ spss‬وثم التوكيدي في ‪AMOS‬‬

‫أي غلط الحظتوه يا ريت تخبروا الكل‬

‫ً‬
‫جميعا ‪ ، ‬وشكرا أليهم بنوت على جداول ال ‪ .. SPSS‬الدعاء ^_^‬ ‫بالتوفيق‬