محاسبه تحلیل تشخیصی (DA) در SPSS

محاسبه تحلیل تشخیصی

تحلیل تشخیصی جهت ساخت و طراحی یک مدل پیش بینی از عضویت گروه ها بر اساس ویژگی های مشاهده شده برای هر مورد است. به عنوان مثال شرکت تبلیغاتی می خواهد مطالعه کند متغیر های اصلی تفکیک کننده سه گروه مشتریان دائم، تقریبا دائم و دوره ای به چه شکلی است. یا اگر بخواهیم دانش آموزان را به دو گروه با هوش و تقریبا با هوش بر اساس وضعیت نمرات آنها در سه درس داشته باشیم باید از این تحلیل اسفاده شود. به کمک این تابع می توان عضویت هر یک از افراد را با استفاده از نمره این سه درس در یکی از دو گروه پیش بینی نمود. به این دلیل که در این مثال فقط دو گروه داری لذا فقط یک تابع تشخیصی استخراج می شود. این روش به سه طریق مستقیم یا Direct سلسله مراتبی یا Hierarchical و گام به گام Stepwise انجام می شود که روش گام به گام به این دلیل که متغیر های مستقل را به ترتیب قدرت پیش بینی وارد مدل می کند از کاربرد بیشتری در بین محققان برخوردار است.

برای حل این مثال در SPSS ابتدا داده های سه درس را وارد ستون ها نموده و در ستون چهارم با مقادیر 1 و 2 گروه های با هوش و نسبتا با هوش را مشخص می کنیم.

حال به مسیر زیر در نرم افزار رفته و تنیمات را طبق دستور ها انجام می دهیم.

در پنجره باز شده متغیر گروه را در قسمت مربوطه وارد نموده و با تعریف گروه ها آنها را از هم تفکیک می کنیم. متغیر های نمره سه درس را نیز به عنوان متغیر های مستقل وارد قسمت Independent می کنیم.

گزینه Stepwise را نیز فعال می کنیم.

حال بر روی کلید Statistics کلیک کرده تا گزینه Discriminant analysis: Statistics فعال شود. در این پنجره Univariate ANOVAs انتخاب و Continue را انتخاب می کنیم. مطابق پنجره زیر باید این گزینه فعال شود.

حال کلید Classify را انتخاب نموده و تنظیمات را مانند زیر انجام می دهیم. حال Continue و سپس OK را انتخاب می کنیم. در دو خروجی اول اطلاعات توصیفی و وضعیت قرار گیری هر یک از گروه ها مشخص می شود.

در خروجی بعدی آماره لامبدای ویلکز ظاهر می شود که جهت مطالعه معنی داری و برازش تابع مورد استفاده قرار می گیرد. نتایج نشان می دهد که حداقل یک متغیر مستقل در تفکیک این گروه ها وجود دارد.

در خروجی بعدی می توان معنی داری پارامتر های وارد شده در هر یک از مراحل امده است.

در این مرحله می توان میزان کاهش آماره لامبدا در ورود هر متغیر پیش بین مورد استفاده قرار می گرد. در نهایت می توان متغیر های وارد شده به هر یک از مراحل بر اساس ورود گام به گام متغیر های مستقل را پیش بینی می کند. نتایج نشان می دهد که آخرین متغیر در گام سوم وارد نشده است. دو متغیر زبان خارجی و نمره ریاضی به عنوان متغیر های پیش بین وارد شده و مقدار نمره علوم تاثیری ندارد.

در این مرحله برای بررسی برازش تابع و قابلیت تکرار آن از ضریب کانونی استفاده می شود.

نتایج نشان می دهد که متغیر های وارد شده در مدل با ضرایب خود از قابلیت تفکیک بسیار بالایی برای جدا سازی دو گروه با هوش و تقریبا با هوش دارند. در خروجی بعدی ضریب مربوط به هر یک از متغیر های تحقیق آورده شده است.

در نهایت با بررسی مجدد و تفکیک داده های موجود بر اساس ضریب فوق مشخص می شود که تا 83 درصد تفکیک بر این اساس و دو متغیر نمره ریاضیات زبان خارجی برای تفکیک این دو گروه کافی است.

با نگاهی به جدول فوق مشخص می شود که فقط یک نفر از افراد بسیار با هوش در گروه نسبتا با هوش با این تابع به اشتباه قرار گرفته است و چهار نفر از افرادی که نسبتا با هوش بودند در گروه با هوش ها به اشتباه قرار گرفتند. نتایج نشان می دهد که این تابع از قدرت تفکیکی مناسبی برای جدا سازی گروه ها برخوردار است. ضریب متغیر نمره زبان خارجی 482/0 و ضریب نمره ریاضیات 309/0 می باشد.