تجزیه و تحلیل داده های کمی - کالج نوین

تجزیه و تحلیل داده های کمی، 2 شاخه

تجزیه و تحلیل داده های کمی یکی از مواردی است که اغلب باعث ترس در دانشجویان می شود. کاملاً قابل درک است – تحلیل کمی موضوعی پیچیده است، مملو از زبان دلهره‌آور، مانند میانه‌ها، حالت‌ها، همبستگی و رگرسیون.

تجزیه و تحلیل داده های کمی ، خبر خوب این است که در حالی که تجزیه و تحلیل داده های کمی یک موضوع مهم است، کسب درک درست از اصول اولیه کار چندان سختی نیست، حتی برای آن دسته از ما که از اعداد و ریاضی اجتناب می کنیم. در این پست، تجزیه و تحلیل کمی را به تکه‌های ساده و کوچک تقسیم می‌کنیم تا بتوانید با اطمینان به تحقیق خود بپردازید.

تجزیه و تحلیل داده های کمی
تجزیه و تحلیل داده های کمی – کالج نوین

تجزیه و تحلیل داده های کمی چیست؟

تجزیه و تحلیل داده های کمی ، علیرغم اینکه تجزیه و تحلیل داده های کمی لقمه ای است، به سادگی به معنای تجزیه و تحلیل داده هایی است که مبتنی بر اعداد هستند – یا داده هایی که می توانند به راحتی به اعداد تبدیل شوند بدون اینکه هیچ معنایی از دست بدهند.

تجزیه و تحلیل داده های کمی ، برای مثال، متغیرهای مبتنی بر دسته‌بندی مانند جنسیت، قومیت یا زبان مادری می‌توانند بدون از دست دادن معنی به اعداد «تبدیل شوند» – برای مثال، انگلیسی می‌تواند برابر با 1، فرانسوی 2 و غیره باشد.

این در تضاد با تجزیه و تحلیل داده های کیفی است، جایی که تمرکز بر کلمات، عبارات و عباراتی است که نمی توان آنها را به اعداد تقلیل داد. اگر علاقه مند به یادگیری در مورد تجزیه و تحلیل کیفی هستید، پست و ویدیوی ما را در اینجا بررسی کنید.

تجزیه و تحلیل کمی برای چه مواردی استفاده می شود؟

تجزیه و تحلیل کمی به طور کلی برای سه منظور استفاده می شود.

در مرحله اول، برای اندازه گیری تفاوت بین گروه ها استفاده می شود. به عنوان مثال، محبوبیت رنگ های مختلف لباس یا مارک های مختلف.
در مرحله دوم، برای ارزیابی روابط بین متغیرها استفاده می شود. به عنوان مثال، رابطه بین دمای آب و هوا و مشارکت رای دهندگان.
و سوم، برای آزمایش فرضیه ها به روش علمی دقیق استفاده می شود. به عنوان مثال، فرضیه ای در مورد تأثیر یک واکسن خاص.

تجزیه و تحلیل داده های کمی ، باز هم، این در تضاد با تحلیل کیفی است، که می تواند برای تجزیه و تحلیل ادراکات و احساسات افراد در مورد یک رویداد یا موقعیت استفاده شود. به عبارت دیگر، چیزهایی که نمی توان به اعداد کاهش داد.

تجزیه و تحلیل داده های کمی - کالج نوین
تجزیه و تحلیل داده های کمی – کالج نوین

تحلیل کمی چگونه کار می کند؟

خوب، از آنجایی که تجزیه و تحلیل داده های کمی در مورد تجزیه و تحلیل اعداد است، تعجبی ندارد که شامل آمار نیز می شود. روش‌های تحلیل آماری موتوری را تشکیل می‌دهند که تجزیه و تحلیل کمی را تقویت می‌کند، و این روش‌ها می‌توانند از محاسبات بسیار ابتدایی (مثلاً میانگین‌ها و میانه‌ها) تا تحلیل‌های پیچیده‌تر (مثلاً همبستگی و رگرسیون) متفاوت باشند.

تجزیه و تحلیل داده های کمی ، همانطور که اشاره کردم، تجزیه و تحلیل کمی توسط روش های تجزیه و تحلیل آماری انجام می شود. دو شاخه اصلی از روش های آماری مورد استفاده قرار می گیرند – آمار توصیفی و آمار استنباطی. در تحقیق خود، ممکن است فقط از آمار توصیفی استفاده کنید، یا ممکن است از ترکیبی از هر دو استفاده کنید، بسته به آنچه می‌خواهید بفهمید. به عبارت دیگر، بسته به سؤالات، اهداف و اهداف تحقیق شما. نحوه انتخاب روش های خود را بعداً توضیح خواهم داد.

ارتباط بین این دو شاخه آمار، شما باید دو کلمه مهم را درک کنید. این کلمات جامعه و نمونه هستند.

اول، جمعیت. در آمار، جمعیت کل گروهی از افراد (یا حیوانات یا سازمان ها یا هر چیز دیگری) است که شما علاقه مند به تحقیق در آنها هستید. به عنوان مثال، اگر شما علاقه مند به تحقیق در مورد مالکان تسلا در ایالات متحده بودید، جمعیت همه مالکان تسلا در ایالات متحده خواهند بود.

تجزیه و تحلیل داده های کمی ، بنابراین، برای جمع بندی – جمعیت کل گروه افرادی است که به آنها علاقه دارید، و نمونه زیرمجموعه ای از جمعیتی است که واقعاً می توانید به آنها دسترسی داشته باشید. به عبارت دیگر، جامعه، کیک کامل شکلاتی است، در حالی که نمونه، تکه ای از آن کیک است.

تجزیه و تحلیل داده های کمی - کالج نوین
تجزیه و تحلیل داده های کمی – کالج نوین

بنابراین، چرا این موضوع نمونه-جمعیت مهم است؟

تجزیه و تحلیل داده های کمی ، خوب، آمار توصیفی بر توصیف نمونه تمرکز دارد، در حالی که هدف آمار استنباطی پیش‌بینی در مورد جامعه براساس یافته‌های درون نمونه است. به عبارت دیگر، ما از یک گروه از روش های آماری – آمار توصیفی – برای بررسی تکه کیک و از گروهی دیگر از روش ها – آمار استنباطی – برای نتیجه گیری در مورد کل کیک استفاده می کنیم. دوباره به تشبیه کیک می پردازم…

با این حال، اجازه دهید نگاهی دقیق تر به هر یک از این شاخه ها با جزئیات بیشتری بیندازیم:

شاخه 1: آمار توصیفی -تجزیه و تحلیل داده های کمی

تجزیه و تحلیل داده های کمی ، آمار توصیفی نقش ساده اما بسیار مهمی را در تحقیقات شما ایفا می کند – برای توصیف مجموعه داده های شما – از این رو نام آن است. به عبارت دیگر، آنها به شما کمک می کنند تا جزئیات نمونه خود را درک کنید. برخلاف آمار استنباطی (که به زودی به آن خواهیم رسید)، هدف آمار توصیفی استنتاج یا پیش‌بینی در مورد کل جمعیت نیست – آنها صرفاً به جزئیات نمونه خاص شما علاقه دارند.

تجزیه و تحلیل داده های کمی ، هنگامی که تجزیه و تحلیل خود را می نویسید، آمار توصیفی اولین مجموعه آماری است که قبل از رفتن به آمار استنباطی پوشش می دهید. اما، با توجه به اهداف تحقیق و سوالات تحقیق شما، ممکن است تنها نوع آماری باشد که استفاده می کنید. کمی بعد آن را بررسی خواهیم کرد.

بنابراین، معمولاً چه نوع آماری در این بخش پوشش داده می شود؟

برخی از آزمون های آماری رایج مورد استفاده در این شاخه عبارتند از:

میانگین – این به سادگی میانگین ریاضی طیفی از اعداد است.
میانه – زمانی که اعداد به ترتیب عددی مرتب می شوند، این نقطه میانی در طیفی از اعداد است. اگر مجموعه داده یک عدد فرد را تشکیل دهد، میانه عدد درست در وسط مجموعه است. اگر مجموعه داده یک عدد زوج را تشکیل دهد، میانه نقطه وسط بین دو عدد وسط است.
حالت – این به سادگی رایج ترین عدد در مجموعه داده است.

انحراف استاندارد – این متریک نشان می دهد که طیفی از اعداد چقدر پراکنده هستند. به عبارت دیگر، چقدر همه اعداد به میانگین (میانگین) نزدیک هستند.
در مواردی که اکثر اعداد کاملاً نزدیک به میانگین هستند، انحراف معیار نسبتاً کم خواهد بود.

برعکس، در مواردی که اعداد در همه جا پراکنده باشند، انحراف معیار نسبتاً زیاد خواهد بود.
چولگی. همانطور که از نام آن پیداست، چولگی نشان می دهد که طیفی از اعداد چقدر متقارن هستند.

به عبارت دیگر، آیا آنها تمایل دارند به شکل منحنی زنگی صاف در وسط نمودار خوشه شوند یا به سمت چپ یا راست خم می شوند؟
کمی گیج شده اید؟ بیایید به یک مثال عملی با استفاده از یک مجموعه داده کوچک نگاه کنیم.

n سمت چپ مجموعه داده است. این جزئیات وزن بدن یک نمونه 10 نفری را نشان می دهد. در سمت راست، آمار توصیفی را داریم. بیایید نگاهی به هر یک از آنها بیندازیم.

ابتدا می بینیم که میانگین وزن 72.4 کیلوگرم است. به عبارت دیگر میانگین وزن نمونه 72.4 کیلوگرم است. سرراست

بعد، می بینیم که میانه بسیار شبیه به میانگین (میانگین) است. این نشان می‌دهد که این مجموعه داده دارای توزیع متقارن معقولی است (به عبارت دیگر، توزیع نسبتاً هموار و متمرکز وزن‌ها، که به سمت مرکز دسته‌بندی شده‌اند).

از نظر حالت، هیچ حالتی در این مجموعه داده وجود ندارد. این به این دلیل است که هر عدد فقط یک بار وجود دارد و بنابراین “متداول ترین عدد” نمی تواند وجود داشته باشد. اگر دو نفر بودند که مثلاً هر دو 65 کیلوگرم وزن داشتند، حالت 65 می شد.

بعدی انحراف معیار است. 10.6 نشان می دهد که اعداد بسیار گسترده است. با نگاه کردن به خود اعداد، که از 55 تا 90 متغیر است، می‌توانیم این را به راحتی ببینیم، که از میانگین 72.4 فاصله زیادی دارد.

و در نهایت، چولگی 0.2- به ما می گوید که داده ها بسیار کمی دارای انحراف منفی هستند. این منطقی است زیرا میانگین و میانه کمی متفاوت هستند.

تجزیه و تحلیل داده های کمی ، همانطور که می بینید، این آمار توصیفی بینش مفیدی در مورد مجموعه داده ها به ما می دهد. البته، این یک مجموعه داده بسیار کوچک است (فقط 10 رکورد)، بنابراین ما نمی توانیم بیش از حد این آمار را مطالعه کنیم.

همچنین، به خاطر داشته باشید که این فهرستی از تمام آمارهای توصیفی ممکن نیست – فقط رایج ترین آنها.

اما چرا همه این اعداد اهمیت دارند؟

در حالی که این آمار توصیفی همه نسبتاً ابتدایی هستند، به چند دلیل مهم هستند:

در مرحله اول، آنها به شما کمک می کنند تا از داده های خود یک نمای ماکرو و میکرو را دریافت کنید. به عبارت دیگر، آنها به شما کمک می کنند هم تصویر بزرگ و هم جزئیات دقیق را درک کنید.

تجزیه و تحلیل داده های کمی ، ثانیاً، آنها به شما کمک می‌کنند تا خطاهای احتمالی را در داده‌ها تشخیص دهید – برای مثال، اگر میانگین بسیار بالاتر از چیزی است که انتظار دارید، یا پاسخ‌ها به یک سؤال بسیار متنوع است، این می‌تواند به عنوان یک علامت هشدار دهنده عمل کند که باید دوباره بررسی کنید. داده.

و در آخر، این آمار توصیفی به شما کمک می کند تا از کدام تکنیک های آماری استنباطی استفاده کنید، زیرا آن تکنیک ها به چولگی (به عبارت دیگر، تقارن و نرمال بودن) داده ها بستگی دارند.

 

شاخه 2: آمار استنباطی -تجزیه و تحلیل داده های کمی

همانطور که اشاره کردم، در حالی که آمار توصیفی همه چیز در مورد جزئیات مجموعه داده های خاص شما – نمونه شماست – هدف آمار استنباطی استنباط در مورد جمعیت است. به عبارت دیگر، از آمار استنباطی برای پیش‌بینی در مورد آنچه که انتظار دارید در کل جمعیت پیدا کنید، استفاده خواهید کرد.

می پرسی چه نوع پیش بینی هایی؟ خوب، دو نوع رایج پیش‌بینی وجود دارد که محققان سعی می‌کنند با استفاده از آمار استنباطی انجام دهند:

اول، پیش‌بینی‌هایی درباره تفاوت‌های بین گروه‌ها – برای مثال، تفاوت‌های قد بین کودکان که بر اساس غذای مورد علاقه یا جنسیت گروه‌بندی شده‌اند.
و دوم، روابط بین متغیرها – برای مثال، رابطه بین وزن بدن و تعداد ساعاتی که فرد در هفته یوگا انجام می دهد.

به عبارت دیگر، آمار استنباطی (در صورت انجام صحیح)، به شما این امکان را می دهد که نقاط را به هم متصل کنید و بر اساس آنچه در داده های نمونه خود مشاهده می کنید، در مورد آنچه که انتظار دارید در جمعیت جهان واقعی ببینید، پیش بینی کنید.

به همین دلیل، از آمار استنباطی برای آزمون فرضیه ها استفاده می شود – به عبارت دیگر، برای آزمایش فرضیه هایی که تغییرات یا تفاوت ها را پیش بینی می کنند.

البته، وقتی با آمار استنباطی کار می کنید، ترکیب نمونه شما واقعا مهم است. به عبارت دیگر، اگر نمونه شما به طور دقیق جمعیتی را که در حال تحقیق هستید نشان نمی‌دهد، یافته‌های شما لزوماً مفید نخواهد بود.

به عنوان مثال، اگر جمعیت مورد علاقه شما ترکیبی از 50٪ مرد و 50٪ زن باشد، اما نمونه شما 80٪ مرد باشد، نمی توانید بر اساس نمونه خود استنباطاتی در مورد جمعیت داشته باشید، زیرا نماینده نیست.

این بخش از آمار، نمونه‌برداری نامیده می‌شود، اما ما آن سوراخ خرگوش را در اینجا پایین نمی‌آوریم (این یک سوراخ عمیق است!) – آن را برای پست دیگری ذخیره می‌کنیم.

معمولا در این شاخه از چه آماری استفاده می شود؟

روش‌های تحلیل آماری بسیار بسیار زیادی در شاخه استنباطی وجود دارد و برای ما غیرممکن است که همه آنها را در اینجا مورد بحث قرار دهیم. بنابراین ما فقط به برخی از رایج ترین روش های آماری استنباطی نگاهی می اندازیم تا نقطه شروع محکمی داشته باشید.

اول T-Test ها هستند. آزمون‌های تی میانگین (میانگین) دو گروه داده را برای ارزیابی اینکه آیا آنها از نظر آماری تفاوت معنی‌داری دارند، مقایسه می‌کنند. به عبارت دیگر آیا میانگین ها، انحرافات معیار و چولگی به طور قابل توجهی متفاوت هستند.

این نوع آزمایش برای درک اینکه دو گروه از داده ها چقدر شبیه یا متفاوت هستند بسیار مفید است. برای مثال، ممکن است بخواهید میانگین فشار خون را بین دو گروه از افراد مقایسه کنید – یکی که داروی جدیدی مصرف کرده است و دیگری که مصرف نکرده است – تا ارزیابی کنید که آیا تفاوت قابل توجهی دارند یا خیر.

با بالا بردن سطح، ANOVA را داریم که مخفف “تحلیل واریانس” است. این تست شبیه آزمون تی است که میانگین‌های گروه‌های مختلف را مقایسه می‌کند، اما ANOVA به شما امکان می‌دهد چندین گروه را تجزیه و تحلیل کنید، نه فقط دو گروه، بنابراین اساساً یک تست t روی استروئیدها است.

بعد، تحلیل همبستگی داریم. این نوع تحلیل رابطه بین دو متغیر را ارزیابی می کند. به عبارت دیگر، اگر یک متغیر افزایش یابد، آیا متغیر دیگر نیز افزایش، کاهش یا ثابت می ماند؟

به عنوان مثال، اگر میانگین دما بالا برود، آیا میانگین فروش بستنی هم افزایش می یابد؟ ما انتظار داریم نوعی رابطه بین این دو متغیر به طور شهودی وجود داشته باشد، اما تجزیه و تحلیل همبستگی به ما اجازه می دهد تا آن رابطه را به صورت علمی اندازه گیری کنیم.

در نهایت، ما تحلیل رگرسیون داریم – این کاملاً شبیه همبستگی است زیرا رابطه بین متغیرها را ارزیابی می‌کند، اما برای درک علت و معلول بین متغیرها، نه فقط اینکه آیا آنها با هم حرکت می‌کنند، یک قدم فراتر می‌رود.

به عبارت دیگر، آیا یک متغیر واقعاً باعث حرکت دیگری می‌شود یا اتفاقاً به لطف نیروی دیگری به طور طبیعی با هم حرکت می‌کنند؟ فقط به این دلیل که دو متغیر با هم مرتبط هستند لزوماً به این معنی نیست که یکی باعث دیگری می شود.

تجزیه و تحلیل داده های کمی ، به عنوان مثال، برخی از روش ها فقط با داده های توزیع شده معمولی (پارامتری) کار می کنند، در حالی که روش های دیگر به طور خاص برای داده های غیر پارامتری طراحی شده اند.

و دقیقاً به همین دلیل است که آمار توصیفی بسیار مهم است – آنها اولین قدم برای دانستن اینکه از کدام تکنیک‌های استنتاجی می‌توانید استفاده کنید و نمی‌توانید استفاده کنید، است.

نحوه انتخاب روش تحلیل مناسب

تجزیه و تحلیل داده های کمی ، برای انتخاب روش های آماری مناسب، باید به دو عامل مهم فکر کنید:

نوع داده های کمی که دارید (به طور خاص، سطح اندازه گیری و شکل داده ها). و،
سوالات و فرضیه های تحقیق شما
بیایید نگاهی دقیق تر به هر یک از این موارد بیندازیم.

عامل 1 – نوع داده
اولین چیزی که باید در نظر بگیرید نوع داده ای است که جمع آوری کرده اید (یا نوع داده ای که جمع آوری خواهید کرد). با انواع داده ها، من به چهار سطح اندازه گیری اشاره می کنم – یعنی اسمی، ترتیبی، فاصله و نسبت.

اگر با این زبان انگلیسی آشنایی ندارید، این پست را بررسی کنید که هر یک از چهار سطح اندازه گیری را توضیح می دهد.

چرا این مهم است؟

خوب، زیرا روش ها و تکنیک های مختلف آماری به انواع مختلفی از داده ها نیاز دارند. این یکی از «فرض‌هایی» است که قبلاً به آن اشاره کردم – هر روشی در مورد نوع داده مفروضات خود را دارد.

برای مثال، برخی از تکنیک‌ها با داده‌های طبقه‌بندی کار می‌کنند (مثلاً سؤالات نوع بله/خیر، یا جنسیت یا قومیت)، در حالی که برخی دیگر با داده‌های عددی پیوسته (مثلاً سن، وزن یا درآمد) کار می‌کنند – و البته، برخی با انواع داده های متعدد کار می‌کنند.

اگر سعی کنید از یک روش آماری استفاده کنید که از نوع داده ای که دارید پشتیبانی نمی کند، نتایج شما تا حد زیادی بی معنی خواهد بود. بنابراین، مطمئن شوید که درک روشنی از انواع داده هایی که جمع آوری کرده اید (یا جمع آوری خواهید کرد) دارید.

تجزیه و تحلیل داده های کمی ، هنگامی که این را دارید، می توانید بررسی کنید که کدام روش های آماری از انواع داده های شما پشتیبانی می کند.

اگر هنوز داده‌های خود را جمع‌آوری نکرده‌اید، می‌توانید برعکس کار کنید و ببینید کدام روش آماری مفیدترین بینش را به شما می‌دهد و سپس استراتژی جمع‌آوری داده‌های خود را برای جمع‌آوری انواع داده‌های صحیح طراحی کنید.

تجزیه و تحلیل داده های کمی ، فاکتور مهم دیگری که باید در نظر بگیرید شکل داده های شما است. به طور خاص، آیا توزیع نرمال دارد (به عبارت دیگر، منحنی زنگوله‌ای شکل است که در مرکز قرار دارد) یا خیلی به سمت چپ یا راست متمایل است؟ باز هم، تکنیک‌های آماری مختلف برای اشکال مختلف داده‌ها کار می‌کنند – برخی برای داده‌های متقارن طراحی شده‌اند در حالی که برخی دیگر برای داده‌های کج طراحی شده‌اند.

این یادآوری دیگری است که چرا آمار توصیفی بسیار مهم است – آنها همه چیز را در مورد شکل داده های شما به شما می گویند.

فاکتور 2: سوالات تحقیق شما
تجزیه و تحلیل داده های کمی ، نکته بعدی که باید در نظر بگیرید سؤالات تحقیقی خاص شما و همچنین فرضیه های شما (در صورت داشتن برخی از آنها) است. ماهیت سؤالات تحقیق و فرضیه های تحقیق شما به شدت بر روش ها و تکنیک های آماری که باید استفاده کنید تأثیر می گذارد.

اگر فقط به درک ویژگی های نمونه خود علاقه مند هستید (در مقایسه با کل جمعیت)، احتمالاً آمار توصیفی تنها چیزی است که نیاز دارید. به عنوان مثال، اگر فقط می خواهید میانگین (متوسط) و میانه (نقاط مرکزی) متغیرها را در گروهی از افراد ارزیابی کنید.

تجزیه و تحلیل داده های کمی ، از سوی دیگر، اگر هدفتان درک تفاوت‌های بین گروه‌ها یا روابط بین متغیرها و استنتاج یا پیش‌بینی نتایج در جامعه است، احتمالاً به آمار توصیفی و آمار استنباطی نیاز خواهید داشت.

بنابراین، واقعاً مهم است که در مورد اهداف تحقیق و سؤالات تحقیق و همچنین فرضیه های خود کاملاً واضح باشید – قبل از اینکه شروع به بررسی تکنیک های آماری استفاده کنید.

تجزیه و تحلیل داده های کمی ، هرگز یک تکنیک آماری خاص را فقط به این دلیل که آن را دوست دارید یا تجربه ای در مورد آن دارید، وارد تحقیق خود نکنید. انتخاب روش‌های شما باید با تمام عواملی که در اینجا پوشش داده‌ایم، مطابقت داشته باشد.

زمان جمع بندی…-تجزیه و تحلیل داده های کمی

نکات کلیدی را مرور کنیم:

تجزیه و تحلیل داده های کمی همه چیز در مورد تجزیه و تحلیل داده های مبتنی بر عدد (که شامل داده های طبقه ای و عددی است) با استفاده از تکنیک های آماری مختلف است.
دو شاخه اصلی آمار عبارتند از آمار توصیفی و آمار استنباطی. توصیفی ها نمونه شما را توصیف می کنند، در حالی که استنباطی ها در مورد آنچه در جامعه پیدا خواهید کرد، پیش بینی می کنند.

تجزیه و تحلیل داده های کمی ، روش های رایج آماری توصیفی شامل میانگین (متوسط)، میانه، انحراف معیار و چولگی است.
روش های رایج آمار استنباطی شامل آزمون های t، ANOVA، همبستگی و تحلیل رگرسیون می باشد.

تجزیه و تحلیل داده های کمی ، برای انتخاب روش‌ها و تکنیک‌های آماری مناسب، باید نوع داده‌هایی را که با آنها کار می‌کنید، و همچنین سؤالات و فرضیه‌های تحقیق خود را در نظر بگیرید.

این مقاله را مطالعه کنید  پنج مرحله در فرآیند تحقیق

دیدگاه‌ خود را بنویسید

نشانی ایمیل شما منتشر نخواهد شد.

هفده − 2 =

شروع گفتگو
نیاز به کمک دارید؟
سلام
چطور می تونم کمکتون کنم؟