اصول کاربردی ضریب همبستگی

نحوه انجام تحلیل همبستگی پیرسون در spss

استفاده از ضریب همبستگی رتبه ای اسپیرمن در بررسی کارایی چند شاخص خشکسالی اقلیمی

با استفاده از پرداخت اینترنتی بسیار سریع و ساده می توانید اصل این مقاله را که دارای 6 صفحه است به صورت فایل اصول کاربردی ضریب همبستگی PDF در اختیار داشته باشید.

مشخصات نویسندگان مقاله استفاده از ضریب همبستگی رتبه ای اسپیرمن در بررسی کارایی چند شاخص خشکسالی اقلیمی

چکیده مقاله :

آگاهی از وضعیت خشکسالی می تواند خطر زیان های ناشی ازاین پدیده را تا حد قابل توجهی کاهش دهد هدف ازاین تحقیق بررسی کارایی چند شاخص خشکسالی اقلیمی با استفاده از ضریب همبستگی اسپیرمن بود تا باانتخاب بهترین شاخص بتوانیم وضعیت خشکسالی را بررسی نماییم برای این منظور از داده های بارندگی سالانه ایستگاه هواشناسی شیراز در یک دوره آماری 43 ساله (1393-1351) استفاده شد . شاخص های مورد استفاده شامل شاخص های درصد نرمال بارش (PNPI) دهک های بارندگی (DPI) ناهنجاری های بارش (RAI) وبارش استاندارد (SPI) بودند.

کلیدواژه ها:

کد مقاله /لینک ثابت به این مقاله

کد یکتای اختصاصی (COI) این مقاله در پایگاه سیویلیکا AARC01_050 میباشد و برای لینک دهی به این مقاله می توانید از لینک زیر استفاده نمایید. این لینک همیشه ثابت است و به عنوان سند ثبت مقاله در مرجع سیویلیکا مورد استفاده قرار میگیرد:

نحوه استناد به مقاله :

در صورتی که می خواهید در اثر پژوهشی خود به این مقاله ارجاع دهید، به سادگی می توانید از عبارت زیر در بخش منابع و مراجع استفاده نمایید:

پارسامهر، امیر حسین و خسروانی، زهرا و زارعی، عبدالرسول،1394،استفاده از ضریب همبستگی رتبه ای اسپیرمن در بررسی کارایی چند شاخص خشکسالی اقلیمی،اولین کنفرانس سالانه تحقیقات کشاورزی ایران ،شیراز،https://civilica.com/doc/605377

در داخل متن نیز هر جا که به عبارت و یا دستاوردی از این مقاله اشاره شود پس از ذکر مطلب، در داخل پارانتز، مشخصات زیر نوشته می شود.
برای بار اول: ( 1394، پارسامهر، امیر حسین؛ زهرا خسروانی و عبدالرسول زارعی )
برای بار دوم به بعد: ( 1394، پارسامهر؛ خسروانی و زارعی )
برای آشنایی کامل با نحوه مرجع نویسی لطفا بخش راهنمای سیویلیکا (مرجع دهی) را ملاحظه نمایید.

مراجع و منابع این مقاله :

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :

• بهشتی راد، م. 1393. پایش و پیش‌بینی خشکسالی در استان . [ مقاله کنفرانسی ]
• I3] شایق، ا.، سلطانی، س، 1390. "مقایسه شاخص های خشکسالی .
• وفاخواه، م.، رجبی، م. 1384. کارایی نمایه‌های خشکسالی هواشناسی برای .
• قمرنیا، ه، روشندل، ف، 1391، "بررسی مقایسه ای وضعیت خشکسالی . [ مقاله کنفرانسی ]
• انوحه‌گر، . و محمود آبادی، س. 1391. اآرزیابی چند شاخص .
• پیری، ح.راهداری، _ و ملکی، س. 1392. "مقایسه بررسی و .
• پارسامهر، ا، خسروانی، ز، 1393. "آرزیابی کارایی چند شاخص خشکسالی .
• Van Rooy, M. P., 1965. A rainfall anomaly index independent .
• کریمی، ی.، 1383." آمار غیر پارامتری برای علوم رفتاری، انتشارات .
• بی‌همتا، م. ر، و زارع‌چاهوکی، م. ع. 1390." اصول آمار .
• مهدوی، م.، 1371. "هیدرولوژی کاربردی"، جلد اول، انتشارات دانشگاه تهران، . [ مقاله کنفرانسی ]
• جوادی، م. ر، باقری، م. میرزا جان‌سمسار، ع. 1390. ثبررسی . [ مقاله کنفرانسی ]
• Palmer, W. C., 5691. Meteorological Drought, U. S. Weather Bureau .
• Hayes, M., 0222. Drought indices. National drought mitigation center. L., .
• Loukas, A., Vasiliades, L. and Dalezios, N. R. 0227. Inter .
• Cancelliere, A., Mauro, G., Bonaccorso, B. and G., Rossi. 0223. .
• Willeke, G., Hosking, J.R.M., Wallis, J.R., and Guttman, N.B. 1994. .
• McKee, T. B., N.J. Doeskin, and J. Kleist, 1993. The .
• Gibbs, W. J. and J.V. Maher. 1967. Rainfall deciles as .

مدیریت اطلاعات پژوهشی

اطلاعات استنادی این مقاله را به نرم افزارهای مدیریت اطلاعات علمی و استنادی ارسال نمایید و در اصول کاربردی ضریب همبستگی تحقیقات خود از آن استفاده نمایید.

برآورد شوری خاک با استفاده از داده‌های دورسنجی و آمار مکانی در منطقه سبزوار

1 دانشیار ژئومورفولوژی گروه جغرافیای طبیعی، دانشگاه خوارزمی تهران.

2 استادیار ژئومورفولوژی گروه جغرافیای طبیعی، دانشگاه خوارزمی تهران.

3 استادیار مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی خراسان رضوی.

4 دانشجوی دکتری مخاطرات ژئومورفولوژی، گروه جغرافیای طبیعی، دانشگاه خوارزمی تهران.

چکیده

شوری خاک یکی از عوامل محدودکننده رشد گیاهان و تخریب اراضی است. شناخت تغییرات مکانی و زمانی آن تأثیر به‌سزایی در مطالعات خاک‌شناسی، ژئومورفولوژی و هیدرولوژی دارد. برآورد شوری خاک با استفاده از داده‌های دورسنجی و آمار مکانی امکان تفکیک پارامترها را با دقت بالاتر فراهم نموده و شاخص‌ها با ضریب اطمینان بیشتری خود را نشان می‌دهند. هدف از این پژوهش، کاربردی ساختن و دسترسی به پایگاه‌های دور یا بیرون از اصول کاربردی ضریب همبستگی دسترس شوری خاک در مناطق خشک و نیمه‌خشک با استفاده از تکنیک‌های سنجش‌ازدور است. منطقه سبزوار در غرب استان خراسان‌رضوی از لحاظ شرایط اقلیمی، خشک و نیمه‌خشک است و مسئله شور شدن خاک‌ها و تسریع روند آن در سال‌های اخیر یکی از چالش‌های اساسی این منطقه است؛ لذا شناخت شوری در این شرایط از اهمیت ویژه‌ای برخوردار است. در این پژوهش، 48 نمونه خاک منطبق با نقشه واحد کاری (ژئومورفولوژی) از منطقه برداشت شد، سپس به بررسی رابطه همبستگی بین مقادیر هدایت الکتریکی(EC) با متغیرهای بدست آمده از تصاویر ماهواره‌ای لندست شامل شاخص‌های شوری، شاخص‌های پوشش گیاه، شاخص روشنایی، باندهای تصویرسازهای TM,ETM+,OLI، شاخص مؤلفه‌های اصلی و شاخص انتقال طیفی، اقدام گردید. در محیط spss روش رگرسیون چند متغیره در قالب 5 روش رگرسیونی، رگرسیون چندگانه گام‌به‌گام، رگرسیون چندگانه پس حذف رو، رگرسیون چندگانه پیشرو، رگرسیون چندگانه وارد شونده، رگرسیون چندگانه عزل انجام گرفت. در محیط GIS10.2.2 ARC با استفاده از مدل‌های آمارمکانی، شاخص موران و خوشه‌بندی حداقل – حداکثر به بررسی رابطه همبستگی آن‌ها پرداخته شد. همبسته‌ترین متغیرها با محاسبه عامل تورم واریانس و ضریب پیرسون مشخص شدند. نتایج نشان می‌دهد الگوی همبستگی فضایی مثبت و مدل‌ها از ضریب همبستگی مناسبی برخوردارند. در این پژوهش روش‌های دورسنجی و مدل‌های پیش‌بینی کننده، توانایی مناسبی برای تخمین شوری سطحی خاک نشان دادند.

کلیدواژه‌ها

20.1001.1.22519424.1398.7.4.3.7

عنوان مقاله [English]

Estimating soil salinity by using of remote sensing data and spatial statistic in sabzevar region

نویسندگان [English]

• Amir karam 1
• Tayyebeh kiani 2
• Abolghasem dadrasi sabzevar 3
• zahra davarzani 4

Soil salinity is a limiting factor for plant growth اصول کاربردی ضریب همبستگی and a serious cause of land degradation cognition change space and time every impressible in the study agrology, geomorphology, hydrology, Estimating soil salinity by using of remote sensing data and spatial statistic showed possible resolution parameter high accuracy obtain and indexes the every coefficient. goal of this research application program and access is base away and out access soil salinity in the arid and semi-arid zone by using of remote sensing techniques. sabzevar zone in the west khorasan Razavi have arid and semi-arid climate conditions and soil salinity problem and acceleration rend that is one of the greatest challenges of this zone in the resent years, so that recognizing salinity in this condition have specific important. In this research The 48 sample soil sampled which correspond with work unit map(geomorphology) the zone, After ward, acted to consider relation correlation between value electrical conductivity(EC) and variable obtain of Landsat satellite imagery included salinity indexes, vegetation indexes, brightness index, imagery bands TM, ETM+, OLI, Principal component analysis, Tasseled Cap Transformation. In SPSS, multivariate regression method was used in the form of five regression methods, step wise multiple regression, Back ward elimination, Forward multiple regression, Enter multiple regression, Stepwise multiple regression.In the Arc.GIS.10.2.2 by using spatial statistic models, Moran’s Index and High-Low clustering did consider related correlation. The most correlation determined by calculation variance Inflation factor and Pearson coefficient. The result showed pattern correlation is positive and models of have suitable correlation coefficient. In this research, remote sensing methods and anticipated models have suitable ability for estimating surface اصول کاربردی ضریب همبستگی soil salinity.

Introduction
Soil salinization and its development in arid and semi-arid zone are one of the environmental hazards that have been take into consideration in recent years and the range is creasing day by day. The main objective of this study is: To understand the spectral reflectance characteristics of saline soil in sabzevar plain, to explore the potential of Landsat satellite imagery to detect and map the soil salinity and to analysis the correlation between field and Landsat imagery. The finally, produce the soil salinity.

Methodology
In اصول کاربردی ضریب همبستگی analysis, Landsat satellite imagery in three different dates (3 April1995, 27 June 2006, 19 November2017) are used as a first step. Landsat satellite imagery TM, ETM+, OLI, provided by the United States Geological survey. Acquired from Atmospheric and radiometer correction was applied images and the flat field method, which is a relative correction method, was used for atmospheric correction of images. In the next stage, spectral indexes were used. These indices include three vegetation indices(SAVI,EVI,NDVI),four salinity indices (EC,SI1,SI2,SI3),a one brightness index(BI),three main Principal component analysis(PCA1-PCA2-PCA3),Tasseled Cap Transformation(Tasseled cap1-2-3),coincide transferred 48soil sample to soil laboratory. Finally, salinity data of the soil horizons in the ArcGIS environment, on individual variables, overlapping and cutting off given. The descriptive tables resulting from the previous step in the Excel environment were then transferred SPSS and analyzed. In the spatial spatial method were used moran’s index and High-Low clustering.

Results and discussion
One the methods for extracting information, analyzing and evaluating satellite imagery is to create a regression between the desired land parcel and its corresponding image. In all correlation models, R (Pearson correlation coefficient) is strong. The resulting (sig) value is less than 0.05. All models are meaningful and their correlation is positive. Moran’s index and High-Low clustering, validate spatial correlation and clustering of data, In addition, maps and charts show increased salinity from1995to2017.In 1995, more than 70percent of the area of the salinity area was low, while the land area would reach less than 10 percent 2017.

Conclusion
All models have acceptable calibration and the accuracy of the extracted function, Back ward elimination regression method is more than the order models. The use of spatial statistics, in addition to having the proper accuracy due to the presentation of the distribution map of the points, the error map and the lack of the need for information exchange between the soft different is superior to the classical statistical models. Landsat satellite imagery useful in detecting and monitoring the saline soil. Identify areas at risk for soil salinity is very important in the shortest possible time and with high precision for proper management practices

کلیدواژه‌ها [English]

• soil salinity
• remote sensing
• spectral indexes
• spatial statistic

مراجع

##اخضری، داود؛ می‌آبادی اسدی، احمد، 1395، تهیه نقشه شوری خاک با استفاده از تحلیل طیفی داده‌های سنجنده OLI ودادهای میدانی مطالعه موردی جنوب دشت ملایر، مجله سنجش‌ازدور و سامانه اطلاعات جغرافیایی در منابع طبیعی، سال هفتم، شماره 2، صص. 87-100.

##اژیرابی، رحیم؛ کامکار، بهنام؛ عبدی، امید، 1394، اثر شاخص‌های مختلف استخراج‌شده از تصاویر ماهواره‌ای لندست برای پهنه‌بندی شوری خاک در مزرعه نمونه ارتش گرگان، نشریه مدیریت خاک و توسعه پایدار، شماره 1، صص. 175-180.

##اسفندیاری، فریبا؛ سرمستی، نادر؛ علوی‌پناه، کاظم، 1394، پایش نمک‌زارهای مناطق خشک با پردازش داده‌های ماهواره‌ای، نشریه تحقیقات کاربردی علوم جغرافیایی، شماره 40، صص. 151-177.

##تامس لیسلند، مترجم مالمیریان، حمید،1391، اصول و مبانی سنجش‌ازدور و تفسیر تصاویر هوایی و ماهواره‌ای، سازمان جغرافیایی نیروهای مسلح، تهران.

##رومیانی، مهدیه؛ کاظمی، آزاده؛ هادی‌پور، مهرداد؛ احمدی، حسن، 1396، بررسی شاخص‌های طیفی جهت مطالعه شوری خاک، کنفرانس ملی پژوهش‌های نوین در مهندسی کشاورزی، محیط‌زیست و منابع طبیعی، صص.1-15.

##سلمان‌پور، آناهید، صالحی، محمدحسن؛ محمدی، جهانگرد، نادری، مهدی، 1395، کاربرد داده‌های ماهواره‌ای لندست در بررسی روند گسترش شوری اراضی کشاورزی حاشیه دریاچه بختگان استان فارس، نشریه مدیریت خاک و تولید پایدار، جلد 6، شماره 1، صص. 177-190.

##شورابه نادی زاده، سامان؛ کاکرودی عبداللهی، عطااله؛ سامانی، نجمه؛ مرادی‌پور، فاطمه،1397، تحلیل تاثیر تغییرات دوره ای خطوط ساحلی در گسترش نمکزارهای حاشیه دریاچه ارومیه با استفاده از تصاویر ماهواره لندست، مجله پژو هش های ژئومور فولوژی کمی، شماره 1 صص.13-29

##عسگری، علی،1390، تحلیل‌های آمار فضایی با ArcGIS، چاپ اول، انتشارات سازمان فناوری اطلاعات و ارتباطات شهرداری تهران.

##علوی‌پناه، سیدکاظم، 1394، اصول سنجش‌ازدور نوین و تفسیر تصاویر ماهواره‌ای و عکس‌های هوایی چاپ سوم، انتشارات دانشگاه تهران.

##محمودآبادی، ابراهیم؛ کریمی، علیرضا؛ حق‌نیا، غلامحسین؛ عادل، سپهر، 1396، ارزیابی عملکرد رگرسیون چند متغیره، شبکه عصبی مصنوعی و برنامه‌ریزی ژن در تخمین برخی خصوصیات خاک، نشریه پژوهش‌های حفاظت آب‌وخاک، شماره 2، صص.23-44.

##مرادیان، شیرین، نبی‌اللهی، کمال؛ مهرجردی تقی زاده، روح‌الله، 1396، پیش‌بینی شوری خاک با استفاده از رگرسیون درختی و شبکه عصبی مصنوعی در منطقه قروه استان کردستان، نشریه مدیریت خاک و تولید پایدار، جلد 7، شماره 4، صص. 115-129.

##نادیان، مرضیه؛ میرزایی، روح اله، سلطانی محمدی، سعید، 1397، کاربرد شاخص خودهمبستگی فضایی موران در تحلیل فضایی – زمانی آلاینده‌ی (PM_2.5) مطالعه موردی شهر تهران، مجله مهندسی بهداشت محیط، سال پنجم، شماره 3، صص.197-212.

##Allbed,A., kumar,L.,Sinha,P., 2014. Mapping and modelling spatial variation in soil salinity in the Al Hassa oasis based one remote sensing indication and regressio techniques n.11374-11574.

##Anselin, L.,Syabri Kho,Y., 2009. GeoDa:an introduction to spatial data analysis.Geographical Analysis ISSN.0016-7363,united state.

##Asfaw,E.and Suryabhagavan,K.v.,Argaw,M.,2016.Soil salinity modeling and mapping using remote sensing and GIS:the case of Wonji suger cane irrigation farm,Ethiopia,Jounal of the saudi society of agricultural sciences,pp.1-22.

##Azabdaftari,A.and Sunar,f.,2016.Soil salinity mapping multitemporal land sat data,The International Archives of the potogrammetry,Remote sensing and spatial imnformation sciences,volume xl-B7,PP.809-813.

##Elhag, Mohamed., 2016. Evaluation of different soil salinity mapping using remote sensing techniques in arid ecosystem saudi Arabia,J, Sens.101155/2016/7596175,pp.1-8.

##ELHarti, Abderrazak. and Lhissou, Rachid., Chokmani, Karem., Ouzemou, Jamal., Hassouna, Mohamed., Bachaoui, ELMostafa., Ghmari, Abderrahmene., 2016.Spatiotempral monitoring of soil salinization in irrigated Tadla plain (Morrocco)using satellite spectral indices, International journal of Applied earth –Observation and geoinformation, volume 50.PP. 64-73.

##Getis,A.,and Ord.J.K., 1992. The analysis of spatial association by use of distance statistics,geographical analysis voL:24,Issue3,pp.189-206.

##Gorji,Taha., and Sertel Elif., Tanik, Aysegul., 2017. Monitoring soil salinity via remote sensing technology under data scarce conditions a case study from Turkey, Ecological indicators, volume 74,pp. 384-391.

##Huo, X.N., and Lui, H., Sun. Dd.f., Zhou,L., Dand Li, B,G., 2012. Combination geostatostics with Moran’s Ianalysis for mapping soil heavy metals in Beiging, China, International Journal of environmental research and public health, volume 9, Issue3, PP.995-1017.

##Illian,J. and Penttinen Astoyan,H., Stoyan,D., 2008.Statistical analysis and modelling of spatial point patter John wiley and sons,chichester.journal of Tropical Pediatrics. volume55, Issue1,Oxford university.pp.1-69

##Jin, Pingbin. and Li, Ping heng.,Wang, Quan., Pu, Zhi., 2015, Developing and applying novel spectral feature parameters for classifying soil salt types in arid land, Ecological Indicators, volume 54,pp.116-123.

##Metternich, G.and Zinck,A., 2013. Remote sensing of soil salinity:potentials and constraints.jurnal Remote sensing of enviroment,volume85,pp.1-20.

##Periasamy, S. and Shanmugam, RS., 2017. Multispectral and microwave remote sensing models to survey soil moisture and salinity. Land Degrad, 28, pp.1412-1425.

##Mitchell,A., 2005.The ESRIguide toGISanalysis.vol2,spatial measurements and statistics.ESRI:Red lands(CA),Amazon.

##Ping,Jie.and Biswas,Asim.,Qingsong, Jiang.,Ruiying, Zhao.,Jie,Hu.,Bifeng, Hu.,Zhou,Shi., 2018. Estimating soil salinity from remote sensing and terrain data in southern Xinjiang province china,Geoderma.PP.8-22.

##Rogerson, peter. 2009. Statistical detection and surveillance of geographic clusters. C.Rcpress, United state.

##Scudiero, Elia. and Skagges, ToddH.,CorwinDennis,L.,2018.Regional–Scale soil salinity assessment using Land sat ETM + canopy reflectance, journal remote sensing Environment, volume 169,pp.335-343.

##Shoba, P. and krishnan, Rama., 2016.Modeling the contributing factors of desertification and evaluating their relationships to the soil degradation process through geometric techniques, soil Earth,7,PP. 341-354.

##Wheeler, Dand. and Paez,A., 2009. Geographically weighted regression in fischer MM,Getis A(Eds)hand book of applied spatial analysis. heidelberg and NewYork. springer. Berlin, pp.461-486.

##Whitney, Kristen. and Scudiero, Elia., El-Askary, Hesham., SkaggsTodd, H., Allali, Mohamed., Corwin Dennis, L., 2018.Validating the use of MODIS time series fore salinity assessment over agricultural soils in California, USA, Ecological indicators, volume93, PP.889-898.

##Wu, Weicheng. And Mhaimeed, AhmadS., AlShafie Waleed, M., Ziadat, Feras, Dhehibi, Boubaker., Nangia, Vinay., pau, Eddy., 2014. Mapping soil salinity changes using remote sensing in central Iraq.j geoderma Regional, volume 2-3, PP.21-31.

##Yu,H, Liu, M,DuB. Wang Z, HuL, Zhang B, 2018. Mapping soil salinity /sodicity by using land sat OLI imagery and PLSR algorithm over semi arid west Jilin province China, vloume 18(4).j sensore (Basel) pp.1-17

##Yu, R.T. and Liu,Y., Xu,c., Zhu,Q., Zhang, Z.Qu., 2010.Analysis of salinization dynamics by remote sessing in Hetao irrigation district of north china. Journal of Agricultural water management 97,pp.1952-1960.

نحوه انجام تحلیل همبستگی پیرسون در spss

یکی دیگر از تحلیل‌های آماری بسیار مهم نرم افزار spss تحلیل همبستگی پیرسون می‌باشد. تحلیل همبستگی پیرسون جهت بررسی ارتباط دو متغیر با مقیاس فاصله‌ای استفاده می‌شود و در علوم انسانی و پزشکی کاربرد بسیار زیادی دارد. تحلیل همبستگی پیرسون را می‌توان پیشامد برخی تحلیل‌های دیگر مانند تحلیل رگرسیون محسوب نمود زیرا قبل از انجام تحلیل رگرسیون معمولاً ماتریس همبستگی بین متغیرها محاسبه می‌شود تا مشخص گردد آیا بین متغیرها اصلاً رابطه‌ای وجود دارد یا خیر. بعد از مشخص شدن رابطه بین متغیرهاست که انجام تحلیل رگرسیون برای پیش‌بینی معنی پیدا می‌کند. در زیر قصد آن داریم تا به صورت کامل و مرحله به مرحله نحوه انجام تحلیل همبستگی پیرسون در spss را ذکر کنیم. با وب سایت چاپ مقاله اوج دانش همراه باشید.

کار را با ذکر مثالی شروع می‌کنیم: محققی قصد دارد به بررسی رابطه همبستگی دو متغیر امیدواری و خوش بینی بر روی یک نمونه‌ای بپردازد.

مرحله اول: بعد از جمع‌آوری داده‌ها و وارد کردن آنها به نرم افزار spps کار تحلیل داده را اینگونه شروع کنید؛ به نرم افزار spss رفته و دستور زیرا اجرا کنید:

با اجرای دستور فوق پنجره‌ای به شکل زیر باز می‌شود. این پنجره دارای دو کادر می‌باشد که کادر سمت چپ را شمار ۱ و کادر سمت راست (Variable) را کادر شماره ۲ نامگذاری می‌کنیم.

نحوه انجام تحلیل همبستگی پیرسون در spss

مرحله دوم: متغیرهای مورد نظر خود را از کادر ۱ وارد کادر ۲ نمایید. اگر سوالات دو پرسشنامه را وارد نموده‌اید و نمی‌دانید چگونه نمره کل هریک از پرسشنامه‌ها را در spss چگونه محاسبه نمایید به یکی دیگر از آموزشهای ما که در این لینک آمده مراجعه نمایید. بعد از محاسبه نمره کل دو پرسشنامه صرفا نمرات کل را وارد کادر نمایید و در پایان از قسمت پایین کادر ۱ و ۲ آزمون پیرسون (Pearson) را انتخاب نمایید. سایر گزینه‌ها آزمون کندال و اسپیرمن هستند که آزمون‌‎های جداگانه‌ای می‌باشند و به تحلیل پیرسون ربطی ندارند. بعد از انجام عملیات فوق نهایتاً می‌بایست پنجره‌ای به شکل زیر پدید آید:

نحوه انجام تحلیل همبستگی پیرسون در spss

بعد از پدیدار شدن این پنجره، دکمه OK را فشار دهید تا این تحلیل انجام شود. بعد از انجام این کار خروجی‌ها به شکل زیر ظاهر می‌شوند:

همانگونه که مشاهده می‌کنید ماتریس همبستگی برای این دو متغیر ارایه شده است. با توجه به شکل فوق، میزان r همبستگی بین دو متغیر امید و خوش‌بینی برابر با ۰/۷۵ به دست آمده که این مقدار با توجه سطح آماری معنادار نیز می‌باشد (۰/۰۰۱=p). از آن جهت بالای عدد ۰/۷۵ دو ستاره آمده است که این مقدار در سطح آماری ۰/۰۱ معنادار شده است. اگر در سطح ۰/۰۵ معنادار می‌شد فقط یک ستاره بالای آن نمایان می‌گردید (p-Value در تحلیل آماری چه اطلاعاتی به شما می دهد؟). برای گزارش جدول فوق در پایان نامه یا مقاله جدول زیر را پیشنهاد می‌کنیم:

مرکز پژوهشی اوج دانش افتحار دارد به پژوهشگرانی که قصد ترجمه نیتیو و چاپ مقاله دارند خدمات ترجمه و چاپ مقاله در معتبرترین مجلات را ارایه دهد. پژوهشگران می‌توانند جهت اطلاع از جزییات دیگر خدمات این مرکز با شماره‌های تماس و ایمیل با ما در ارتباط باشند.

ساخت و اعتباریابی پرسشنامه ابعاد رشد حرفه ای مشاوران

هدف پژوهش حاضر ساخت و اعتبار یابی پرسشنامه ابعاد رشدی مشاوران بود. این پژوهش به لحاظ هدف جز تحقیقات کاربردی و به لحاظ روش یک روش توسعه ای و از لحاظ شیوه ی جمع آوری اطلاعات توصیفی – پیمایشی بود. جامعه آماری مشاوران و روان شناسان فعال در حوضه ی مشاوره در شهر شیراز در سال 1395 بودند. نمونه گیری به شیوه‌ی خوشه ای - تصادفی انجام شد. در مجموع 305 مشاور در تحقیق حاضر شرکت کردند. برای تحلیل داده های این پژوهش از نمودار اسکری کتل ، ضریب همبستگی پیرسون، آزمون های کرویت بارتلت، کفایت نمونه برداری (KMO )، تحلیل عاملی با چرخش واریماکس، تحلیل واریانس چندمتغییره (MANOVA )، آلفای کرونباخ و ضریب تصنیف و بازآزمایی استفاده شد. روایی محتوایی آزمون با نظر 20 نفرازمتخصصان روان شناسی و مشاوره مناسب ارزیابی شد. نتیجه تحلیل عاملی با استفاده از روش واریماکس و براساس آزمون اسکری بیانگر وجود 4 عامل (دانش و پویایی، ویژگی‌ها و ارزش‌ها، آگاهی از اصول اخلاقی و استانداردها و نگرش حرفه‌ای و فرهنگی) در پرسشنامه ابعاد رشدی مشاوران بود. که در مجموع 38/40 درصد از واریانس کل آزمون را تبیین کردند، همچنین برای روایی همگرا ضریب همبستگی عوامل پرسشنامه با نمره کل 59/0 و روایی واگرا میانگین ضرایب همبستگی عوامل با یکدیگر 28/0 محاسبه گردید و روایی ملاکی نشان دهنده ی همبستگی نمره کل پرسشنامه محقق ساخته با پرسشنامه هویت حرفه ای وو (2013) در سطح خوب و معناداراست (88/0= (r. در روایی تشخیصی این مقیاس برای دو گروه از مشاوران با تجربه و کم تجربه تفاوت معناداری را میان دو گروه نشان داد. ضریب آلفای کرانباخ برای کل آزمون 91/0 و به تریتب برای 4 خرده مقیاس 94/0، 83/0، 71/0 و 61/0 و همچنین روش دو نیمه کردن( تنصیف) برای کل آزمون 92/0 و برای 4 عامل به ترتیب 90/0، 80/0، 54/0 و 43/0 محاسبه شد. ضریب بازآزمایی با فاصله زمانی دو هفته 98/0 بود.بنابرنتایج بدست آمده میتوان گفت پرسشنامه ابعاد رشدی مشاوران ابزاری معتبر، باروایی بالااست که میتواند برای ارزیابی رشدحرفه ای مشاوران بکاررود.

کلیدواژه‌ها

عنوان مقاله [English]

Construction and validity of the dimensions of development of conselors questionnaire

نویسندگان [English]

• maryam farshad 1
• katrin fekri 2

2 Assistant professor of Department of counseling, Marvdasht Branch,Islamic Azad University Marvdasht, Iran

The purpose of this study was to construct and validate of DDCQ: the Dim ensions of Development of Counselors Questionnaire. This study was included in applied research because of its purpose, it was a developmental approach in terms of method, and a descriptive – survey in terms of how to collect the information. Statistical population was the counselors and psychologists who were Active in the area of consultation in Shiraz in 2016. Sampling was done by cluster - random sampling technique. Overall, 305 counselors have participated in this study. In order to the statistical analysis of this study, Cattell’s scree plot, Pearson correlation coefficient , Bartlett's test of sphericity Olkin (KMO), factor analysis with Varimax rotation, multivariable analysis of variance (MANOVA), Cronbach's alpha coefficient , split – half and test retest methods were used. The content validity of the test was appropriately evaluated by 20 experts in psychology and counseling. As a result of factor analysis using Varimax method based on Scree test has shown that there were four factors (knowledge and dynamics, features and values, awareness of ethical principles and standards, professional and cultural attitudes) in the Dimensions of Development of Counselors Questionnaire. In total, 38/40 % of the total variance explained, and also the correlations for convergent validity of the questionnaire with a total score were 0/59, and Average divergent validity coefficients’ factors with each other were calculated 0/28. Criterion validity reflects the correlation between the total score of self-designed questionnaire (DDCQ) with Woo ‘s professional identity questionnaire (2013) is at a high level and meaningful (r=0/88). Discriminant validity of this scale for both experienced and inexperienced group of consolers has shown the significant differences between the two groups. Cronbach's alpha coefficient for total score was 0/91 and in order for subscales were 0/94, 0/83, 0/71 and 0/61. The split method (split-half) for the whole test was 0/92, and in order for subscales were calculated 0/90, 0/80, 0/54 and 0/43. Retest coefficients, with an interval of two weeks, was 0/98. Recording the results obtained, it can be said that the Dimensions of Development of Counselors Questionnaire is a valid instrument, with high reliability, can be used to assess the professional development of counselors.

اصول کاربردی ضریب همبستگی

Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:

Analysis of the Spatial Distribution of Population and Distribution Services in the Metropolitan of Tabriz Using Average Rating and Correlation Coefficient. Haft Hesar J Environ Stud. 2016; 5 (17) :5-14
URL: http://hafthesar.iauh.ac.ir/article-1-263-fa.html

پورمحمدی محمدرضا، درویشی فرزانه. تحلیلی بر پراکنش جمعیت و توزیع خدمات در سطح مناطق ده‌گانه کلان‌شهر تبریز با استفاده از میانگین رتبه‌ها و ضریب همبستگی . مطالعات محیطی هفت حصار. 1395; 5 (17) :14-5

هدف اصلی این پژوهش بررسی و تحلیل پراکنش جمعیت و توزیع خدمات در کلان‌شهر تبریز می‌باشد. پژوهش حاضر از نوع کاربردی و ازنظر روش، ترکیبی از روش‌های توصیفی– تحلیلی است و در گردآوری داده‌ها از شیوه کتابخانه‌ای و اسنادی استفاده‌شده است. مناطق ده‌گانه تبریز به‌عنوان واحدهای جغرافیایی در سنجش "عدالت فضایی" و 14 شاخص تعیین‌کننده خدمات عمومی برای نیل به این هدف انتخاب‌شده‌اند. سپس با استفاده از نظرات کارشناسان اقدام به میزان اهمیت شاخص‌ها در محیط فازی ( AHP FUZZY ) شد. برای تحلیل و رتبه‌بندی مناطق شهری از منظر برخورداری از خدمات عمومی از مدل‌هایی چون ویکور و تاپسیس فازی و برای رسیدن به یک نتیجه واحد از تحلیل داده‌ها در مدل‌های مختلف، از روش تلفیقی میانگین رتبه‌ها استفاده‌شده است. تجزیه‌وتحلیل داده‌های پژوهش نشان می‌دهد که مناطق 2 و 8 در رده کاملاً برخوردار، مناطق 5 و 6 برخوردار، مناطق 3 و 9 نیمه برخوردار، منطقه 7 برخورداری کم و مناطق 10، 4 و 1 در رده عدم برخورداری جای گرفته‌اند. سپس برای سنجش ارتباط بین جمعیت و برخورداری از خدمات شهری از آزمون همبستگی پیرسون استفاده شد. ضریب همبستگی (436/0) به‌دست‌آمده گویای این واقعیت است که ارتباط ضعیفی بین پراکنش جمعیت و توزیع خدمات وجود دارد.

نوع مطالعه: پژوهشي-مورد پژوهی | موضوع مقاله: تخصصي
دریافت: 1395/12/16 | پذیرش: 1395/12/16 | انتشار: 1395/12/16