Professional Documents
Culture Documents
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
الثبات
Chrobach’s alpha
سأستمر بشراءها
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 :
-وبعض الخصائص معقدة وغنية فكرياً ال يمكن قياسها بعبارة واحدة مثل:
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:
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
-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 .
تبسيط و ضغط قدر كبير من المقاييس أو العبارات المرتبطة إلى عدد قليل من العوامل أو المتغيرات.
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
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
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
يشير إلى مقدار ارتباط كل عبارة على العوامل الناتجة عن التحليل العاملي
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)
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 .
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 :
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 ...
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
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 :
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 )
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 )
إذا كانت قيمة سيغ أكبر من %5نقول ال يمكن رفض فرضية العدم
إذا كانت قيمة سيغ أصغر أو تساوي %5نرفض فرضية العدم
شروط االختبار:
طريقة التنفيذ:
ندخل العبارة أو العبارات (المتغير أو المتغيرات ) إلى قائمة test variables listثم نضغط على ok
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 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
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 :
-2يتبع المتغير التوزيع الطبيعي ويستعاض عن ذلك بتكبير حجم العينة أو باختبار تكرار العينة () Bootstrap
ندخل في test valueالرقم 3إذا كان ليكرت خماسي و 4إذا كان سباعي
إذا كانت قيمة %5> sigنقبل الفرضية وتكون العالقة خطية (ال يمكن رفض فرضية العدم)
تتمة :
الفرضية البديلة :يختلف متوسط عينة عن متوسط افتراضي ما ( متوسط العينة = ال المتوسط المفترض )
-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 .
< 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
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
مثال : 2
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
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
ندخل المتغير المراد اختباره في test valuablesلقيمة االفتراضية في test valueنضغط على
bootstrapونؤشر فيها على perform boot scraping & bier correctedثم continueثم ok
مالحظة :دائماً و أبداً ترفض فرضية العدم إذا كانت قيمة sigأصغر أو تساوي %5وال يمكن رفضها للعدم
إذا كانت قيمة sigأكبر من %5
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
-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
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
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 .
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
المتغير األول من نوع SCALEوالثاني " nominal or ordinalإجباري ثنائي الفئات "
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:
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).
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
اختبار عدم تجانس تباين المتغير الكمي عبر فئات المتغير الفئوي:
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)
إذا كانت قيمة sigأصغر أو تساوي %5ترفض فرضية العدم وتقبل البديلة والمتوسطين مختلفين.
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
95% Confidence
Interval of the
F Sig. t df Sig. (2-tailed) Difference Difference Lower Upper
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.
الشروط :
ندخل المتغير الكمي في قائمة dependent testثم ندخل المتغير الفئوي في قائمة factorنضغط على
optionsنؤشر على homogeneity of variance test
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
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.
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
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
(I) department (J) department Difference (I-J) Std. Error Sig. Lower Bound Upper Bound
HUMAN
-.59259 .32111 .408 -1.4577 .2725
RESOURCES
HUMAN
-.96759 .37223 .065 -1.9704 .0352
RESOURCES
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
تستخدم عادة اختبارات االرتباط عند عدم معرفة اتجاه التأثير بين المتغيرات أي اليعرف الباحث المتغير المستقل
من التابع
-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
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.
Analyze→correlate→bivariate
يدخل المتغيرين في قائمة variablesنزيل اشارة بيرسون و نؤشر على سبيرمان ثم نضغط على ok
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
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
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
. 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
df 0 98 98
df 98 0 98
df 98 98 0
JobEnvironment JobSatisfaction Correlation 1.000 .176
df 0 97
طريقة مقارنة النتائج :يكون االرتباط جزئي بين المتغيرين في الحاالت التالية:
سواء كانت – أو -( +عكسية + ،طردية ) (أهم الشي تكون العالقة معنوية ).
اختبار القيم الشاذة:
تدخل المتغيرات المرغوب اختبار قيمها المتطرفة في قائمة dependent listمن statisticsيؤشر الباحث
على M-estimatorsو outliersو percentiles
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 .
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
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.
-1حساب البواقي.
-2حساب القيمة المطلقة للبواقي.
-3اختبار تجانس التباين.
Trust
loyalty
satisfaction
commitment
الفرق بين القيم الفعلية والمتوقعة (المتنبأ بها ) ،يقوم الباحث في هذه المرحلة بحساب متغير البواقي على الشكل
التالي
من save
Continueثم ok
باسم RES-1
يقوم الباحث في هذه الخطوة بحساب القيمة المطلقة للبواقي وفقا لآلتي
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
job
satisfaction
Company
loyalty
Job
environme
nt
Analyze → regression→linear
ZPREDالي yو ZRESIDالي xو نؤشر على Histogramو normal probability plotو
Produce all partial plots
Continueثم ok
%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
معامالت االرتباط بين المتغيرات األربعة ويبدو أن العالقات بين كافة المتغيراتCorrelations ويبين جدول
.معنوية
Correlations
Variables Entered/Removeda
Variables Variables
Model Entered Removed Method
1 JobType,
JobSatisfaction,
. Enter
JobEnvironment
b
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
:ANOVA جدول
ANOVAa
Total 87.550 99
Zero-
Model B Std. Error Beta t Sig. order Partial Part Tolerance VIF
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
-
-
Collinearity Diagnosticsa
Variance Proportions
-
-
Residuals Statisticsa
: 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
Model Summaryb
ANOVAa
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:
كل زيادة مقدارها وحدة واحدة في job environmentمع وحدة واحدة في job typeتؤدي إلى زيادة مقدارها
(نتيجة المعادلة) في company loyalty
Coefficientsa
Zero-
Model B Std. Error Beta t Sig. order Partial Part Tolerance VIF
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
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
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
مالحظات:
مالحظة:
إذا كانت قيمة sigالمقابلة لمتغير ما في جدول coefficientsغير معنوية فهو لن يدخل في النموذج بغض
النظر عن قيمة .tolerance
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.
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
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 .
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
Model
Fitting
Criteria Likelihood Ratio Tests
Interce
270.903
pt Only
Final .0
30.43
240.471 21 8
2
4
Pseudo R-Square
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
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
DepartmentSelectiona B Std. Error Wald df Sig. Exp(B) Lower Bound Upper Bound
[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
[education=4.00] 0c . . 0 . . . .
,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
Value Label N
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
post 5.0000 . 1
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
1.846 13 86 .048
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
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
< 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
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
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
.081 3 96 .970
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
(I) TRAININGLEVEL (J) TRAININGLEVEL Mean Difference (I-J) Std. Error Sig.a Lower Bound Upper Bound
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 ؟
Value Label N
2.00 secondary 74
3.00 college 11
4.00 post 7
Box's M 6.287
F .627
df1 9
df2 3581.221
Sig. .775
education 1 2 3 4
Multivariate Testsa
Partial Eta
Effect Value F Hypothesis df Error df Sig. Squared
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
x1 .374 3 96 .772
x2 .145 3 96 .933
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
Source Dependent Variable Type III Sum of Squares df Mean Square F Sig. Partial Eta Squared
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 )
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
SEM
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
عالقة ↔
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
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
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
ً
جميعا ، وشكرا أليهم بنوت على جداول ال .. SPSSالدعاء ^_^ بالتوفيق