آزمون مانوا

آزمون مانوا – آزمون MANOVA

آزمون مانوا , آزمون MANOVA , آزمون مانووا , واریانس چند متغیره , مرکز داده پردازی تهران : در آمار، تحلیل واریانس چند متغیره (MANOVA) روشی است برای مقایسه روش نمونه چند متغیره. به عنوان یک روش چند متغیره، زمانی که دو یا چند متغیر وابسته وجود دارد، از آزمون مانوا استفاده می شود و به طور معمول به دنبال آزمون های اهمیت است که شامل متغیر وابسته فردی به صورت جداگانه است.

آزمون مانوا , آزمون MANOVA , آزمون مانووا

این آزمون کمک می کند تا به سوالات زیر پاسخ داده شود :

۱- آیا تغییرات در متغیر مستقل اثرات قابل توجهی بر متغیرهای وابسته دارد؟

۲- روابط میان متغیرهای وابسته چیست؟

۳- روابط بین متغیرهای مستقل چیست؟

آزمون مانوا

آزمون مانوا

آزمون مانووا یک شکل عمومی از تجزیه و تحلیل یکطرفه واریانس (ANOVA) است، اگر چه، بر خلاف ANOVA یک طرفه، از تحلیل کوواریانس بین متغیرهای وابسته در آزمون با استفاده از تفاوت های میانگین استفاده می کند.

در جایی که مقدار مربعات در تحلیل آماری واریانس یک طرفه ظاهر می شود، در تجزیه و تحلیل چند متغیره واریانس برخی از ماتریس های قطعی مثبت ظاهر می شود.

در تجزیه و تحلیل واریانس چند متغیره پیش فرض های زیر باید رعایت شوند:

1- مقیاس اندازه گیری باید نسبی یا فاصله ای باشد

2- توزیع متغیرها نرمال باشند(در صورت چولگی شدید یا خطایی بیش از ۲ استفاده نمی شود).

3- همگی واریانس ها وجود داشته باشند.

4- مشاهدات نمونه مستقل باشند

تجزیه و تحلیل MANOVA

در تجزیه و تحلیل MANOVA ، برای تفاوت های آماری در یک متغیر مستقل وابسته با یک متغیر گروه بندی مستقل بررسی می کنیم. آزمون مانوا این تحلیل را با در نظر گرفتن چندین متغیر مستقل و وابسته گسترش می دهد و آنها را به یک ترکیب خطی وزن ای یا متغیر کامپوزیت تبدیل می کند. مانووا این نتیجه را بررسی می کند که که آیا ترکیب جدید ایجاد شده توسط گروه های مختلف یا سطوح متغیر مستقل متفاوت است یا خیر. به این ترتیب، MANOVA اساسا تست می کند که آیا متغیر مستقل گروهی به طور همزمان مقدار قابل توجهی از واریانس را در متغیر وابسته توضیح می دهد یا خیر.

سوالاتی که باید با توجه به آزمون مانووا پاسخ داده شوند:

آیا ارزیابی مدارس مختلف بر اساس درجه بندی متفاوت است؟

آیا میزان فارغ التحصیلی در میان دانشگاه های دولتی خاص متفاوت است؟

کدام بیماری ها بهتر است با داروهای X یا Y دارو درمان شوند؟

مفاهیم کلیدی و اصطلاحات آزمون مانوا :

تست برابری تنوع

آماره لوین برای بررسی اینکه آیا اختلاف بین گروه های متغیر مستقل برابر است یا خیر، استفاده می شود. همچنین به عنوان همگنی واریانس شناخته می شود. مقادیر غیر قابل اندازه گیری آزمون Levene نشان می دهد که واریانس برابر بین گروه ها برابر است یا خیر.

آزمون box m

این آزمون برای دانستن برابری کوواریانس بین گروه ها استفاده می شود. این معادل یک همگرایی چند متغیره واریانس است. معمولا اهمیت این آزمون در سطح معنی داری ۱ درصد تعیین می شود، زیرا این آزمون بسیار حساس است.

Partial eta square

این آماره نشان می دهد که چه مقدار واریانس توسط متغیر مستقل توضیح داده شده است. این مقدار به عنوان اندازه اثر برای مدل MANOVA استفاده می شود.

Post-hoc تست

اگر اختلاف معنی داری بین گروه ها وجود داشته باشد، سپس آزمون های Post-hoc برای تعیین اینکه آیا اختلاف قابل توجهی وجود دارد یا خیر انجام می شود.

F-statistic چند متغیره: آمار F- اساسا با تقسیم مجموع مربع (SS) برای متغیر منبع توسط میانگین خطای متغیر منبع ME یا MSE تقسیم می شود.

خدمات تحلیل آماری داده پردازی تهران

خدمات تحلیل آماری داده پردازی تهران : خدمات متنوع شرکت داده پردازی تهران در ارتباط با نرم افزار های مختلف اماری به افراد زیر ارایه می شود:

  • دانشجویان در مقاطع مختلف لیسانس – فوق لیسانس و دکتری
  • محققان
  • مدیران شرکت ها و سازمان های دولتی و خصوصی
  • دانشجویان ایرانی خارج از کشور

مدت زمان انجام تجزیه و تحلیل آماری

خدمات تخصصی به دانشجویان محترم با توجه به نوع کار و نوع نرم افزار بین ۳ تا ۵ روز به طول می انجامد .

هزینه خدمات تحلیل اماری

تعیین میزان هزینه برای انجام خدمات تحلیل اماری به موارد زیر بستگی دارد:

  • نوع نرم افزار
  • تعداد فرضیات
  • تعداد سوالات پرسشنامه
  • فقط دریافت خروجی نرم افزار یا انجام کل کار
  • تعداد ازمون های مورد استفاده
  • تعداد نرم افزار های مورد استفاده
  • تعداد نمونه اماری
  • داده های پرسشنامه

تعرفه انجام کار نرم افزار spss در جدول زیر قابل بررسی است.

تعرفه خدمات تحلیل آماری با نرم افزار spss به شرح ذیل می باشد.

موضوع

قیمت

ازمون تی ۱۵ تومان برای هر فرضیه
ازمون نرمال بودن متغیرها ۵ تومان برای هر فرضیه
پایایی پرسشنامه ۱۵ تومان
رگرسیون خطی ۲۵ تومان برای هر فرضیه
تحلیل واریانس یک طرفه ۲۰ تومان برای هر فرضیه
تحلیل واریانس دوطرفه ۴۰ تومان برای هر فرضیه
تحلیل واریانس سه طرفه ۷۰ تومان برای هر فرضیه
ازمون های ناپارامتریک ۲۰ تومان برای هر فرضیه
تحلیل کوواریانس ۸۰ تومان برای هر فرضیه
تحلیل عاملی اکتشافی ۱۰۰ تومان
مشاوره تلفنی ۴۰ تومان برای سی دقیقه

تعرفه انجام کار نرم افزار lisrel در جدول زیر قابل بررسی است.

تعرفه خدمات تحلیل آماری با نرم افزار لیزرل به شرح ذیل می باشد.

موضوع

قیمت

تحلیل عاملی تاییدی ۸۰ تومان برای هر مدل
تحلیل مسیر ۱۲۰ تومان برای هر مدل

تحلیل آماری با لیزرل

شیوه کار مرکز داده پردازی تهران

ابتدا دانشجو باید درخواست خود را از طریق تلفنی یا ایمیل یا شبکه های اجتماعی یا از طریق خود سایت ثبت کند.حق الزحمه کار دانشجو درهمان روز براورد شده و به دانشجو اطلاع داده می شود.

دانشجو برای شروع کار میزان یک سوم کل هزینه براورد شده را به عنوان پیش پرداخت واریز کرده و کار اغاز می شود. هنگامی که کار اماده تحویل شده بخشی از کار برای دانشجو ارسال شده و دانشجو از صحت انجام کار مطلع می گردد. در انتها مبلغ کل کار تسویه شده و کار برای دانشجو ارسال می شود. بعد از تحویل کار به استاد راهنما اصلاحاتی مورد نیاز نیز انجام خواهد شد.

نمونه تحلیل پرسشنامه با لیزرل

نمونه تحلیل پرسشنامه با لیزرل

نمونه تحلیل پرسشنامه با نرم افزار spss

نمونه تحلیل پرسشنامه با نرم افزار spss :

آزمون های آماری

در این جا به طور خلاصه به ازمون های آماری مورد استفاده در یک تحقیق و تحلیل پرسشنامه با spss پرداخته می شود.

در بخش اول تحقیق باید بحث آمار توصیفی اورده شود . جداول زیر انواع امارهای توصیفی انجام شده روی متغیرهای تحقیق را بررسی می کنند.

سن افراد نمونه : جدول زیر توزیع سن افراد نمونه را نشان می دهد.

جدول (۴-۱) توزیع سن افراد نمونه

 

گروه تماشاگران بازیکنان نخبگان جمع
فراوانی درصد فراوانی فراوانی درصد فراوانی فراوانی درصد فراوانی
زیر ۲۰ سال ۱۲۰ ۳۱٫۴ ۱۱ ۱۲٫۰ ۰ ۰ ۱۳۱
۲۰ تا ۲۵ سال ۱۶۵ ۴۳٫۲ ۵۷ ۶۲٫۰ ۱ ۱۲٫۵ ۲۲۳
۲۶ تا ۳۰ سال ۷۴ ۱۹٫۴ ۱۹ ۲۰٫۷ ۳ ۳۷٫۵ ۹۶
بالاتر از ۳۰ سال ۲۳ ۶٫۰ ۵ ۵٫۴ ۴ ۵۰ ۳۲
جمع ۳۸۲ ۱۰۰ ۹۲ ۱۰۰ ۸ ۱۰۰ ۴۸۲

 

 همانطور که جدول بالا نشان می دهد، از تماشاگران،۳۱٫۴ درصد زیر ۲۰ سال، ۴۳٫۲ بین۲۰ تا ۲۵ سال،۱۹٫۴ بین ۲۶ تا ۳۰ سال و ۶٫۰ بالاتر از ۳۰ سال سن دارند. از بازیکنان ۱۲٫۰ درصد زیر ۲۰ سال،۶۲٫۰ درصد بین۲۰ تا ۲۵ سال، ۲۰٫۷درصد بین ۲۶ تا ۳۰ سال و ۵٫۴ درصد بالاتر از ۳۰ سال سن دارند. و بالاخره از نخبگان، ۰ درصد زیر ۲۰ سال، ۱۲٫۵ درصد بین۲۰ تا ۲۵ سال، ۳۷٫۵ درصد بین ۲۶ تا ۳۰ سال و ۵۰ درصد بالاتر از ۳۰ سال سن دارند.

 

نمودار(۴-۱) سن افراد نمونه

 

امار توصیفی هر یک از گویه های پرسشنامه

 

شماره متغیرها گویه ها میانگین انحراف معیار تعداد
۱ ارزشهای فرهنگی ارزش نهادن به انسان و شأن انسانی ورزشکاران، هواداران و دست اندرکاران ۳٫۳۴۳۸ .۹۲۰۶۴ ۳۸۴
۲ احترام به نظرات و اعتقادات فنی ورزشکاران، هواداران و دست اندرکاران ۳٫۳۰۲۱ ۱٫۱۰۸۹۰ ۳۸۴
۳ پیاده سازی ارزشهای فرهنگی جامعه توسط ورزشکاران، هواداران و دست اندرکاران ۲٫۷۹۱۷ ۱٫۰۳۸۸۵ ۳۸۴
۴ رفتارهای فرهنگی رعایت ادب و متانت کافی در رفتار ورزشکاران، هواداران و دست اندرکاران ۳٫۵۵۹۹ ۱٫۱۱۰۸۶ ۳۸۴
۵ رعایت انصاف و عدالت در رفتار ورزشکاران، هواداران و دست اندرکاران ۲٫۸۹۹۷ ۱٫۰۹۳۷۴ ۳۸۴
۶ رفتارهای متعادل و در حد عرفورزشکاران، هواداران و دست اندرکاران ۲٫۹۸۴۴ ۱٫۰۵۷۰۰ ۳۸۴
۷ فرهنگ ورزشی ادبیات صحیح گفت و گوی بین ورزشکاران، هواداران و دست اندرکاران ۳٫۰۶۲۵ ۱٫۱۱۰۷۱ ۳۸۴
۸ ترویج باورهای منطقی ورزشکاران، هواداران و دست اندرکاران ۳٫۰۴۹۵ ۱٫۱۶۳۰۳ ۳۸۴
۹ پرهیز از حاشیه و شاخ و برگ دادن به مسائل بین ورزشکاران، هواداران و دست اندرکاران ۳٫۳۰۴۷ ۱٫۱۰۴۶۴ ۳۸۴
۱۰ ارزشهای مذهبی شرکت در مراسم مذهبی توسط ورزشکاران، هواداران و دست اندرکاران ۳٫۲۱۳۷ ۱٫۱۲۸۸۵ ۳۸۴
۱۱ درنظر گرفتن مناسبتهای مذهبی در تاریخ برگراری مسابقات ورزشکاران، هواداران و دست اندرکاران ۲٫۸۸۰۲ ۱٫۰۷۴۸۶ ۳۸۴
۱۲ رعایت اصول و قواعد مذهبی در رفتار و عمل ورزشکاران، هواداران و دست اندرکاران ۳٫۲۸۹۱ ۱٫۰۴۸۳۳ ۳۸۴
۱۳ هنجارهای فرهنگی رعایت باید ونبایدهای درست در روابط بین ورزشکاران، هواداران و دست اندرکاران ۳٫۰۲۷۱ ۱٫۲۰۶۵۶ ۳۸۴
۱۴ حفظ حریم شخصی افراد در روابط بین ورزشکاران، هواداران و دست اندرکاران ۳٫۰۴۴۳ ۱٫۰۰۹۴۲ ۳۸۴
۱۵ رعایت هنجارهای اجتماعی در روابط بین ورزشکاران، هواداران و دست اندرکاران ۲٫۶۱۴۶ .۹۷۰۸۰ ۳۸۴
۱۶ مشارکت ورزشی کمک به برگزاری منظم مسابقات از سوی ورزشکاران، هواداران و دست اندرکاران ۳٫۰۴۴۳ ۱٫۰۶۴۸۰ ۳۸۴
۱۷ پرهیز از رفتارها یا شایعه پراکنی های دردسر سازاز سوی ورزشکاران، هواداران و دست اندرکاران ۲٫۶۳۳۲ ۱٫۱۱۷۴۷ ۳۸۴
۱۸ کمک به آموزش نوجوانان و جوانان برای ورزش حرفه ای از سوی ورزشکاران، هواداران و دست اندرکاران ۲٫۷۹۶۹ ۱٫۰۲۲۱۵ ۳۸۴
۱۹ تغییر نگرش
نسبت به ورزش
اصلاح زاویه دید ورزشکاران، هواداران و دست اندرکاران نسبت به اهمیت ورزش ۲٫۷۲۸۰ .۸۶۸۹۲ ۳۸۴
۲۰ اصلاح زاویه دید ورزشکاران، هواداران و دست اندرکاران نسبت به وظایف و مسئولیتهای خود ۳٫۲۴۴۸ ۱٫۱۲۵۳۰ ۳۸۴
۲۱ ارتقای نگرش مردم و مسئولین به ورزش بعنوان یک پدیده سازندهو درخور توجه اجتماعی ۳٫۱۰۹۴ .۹۹۵۳۰ ۳۸۴
۲۲ الگوسازی و
افزایش آگاهی
اطلاع رسانی مؤثر و صحیح درباره رویدادهای ورزشی ۳٫۵۱۴۵ .۸۷۶۹۱ ۳۸۴
۲۳ آموزش همگانی در زمینه مسائل مربوط به ورزش ۳٫۳۵۰۹ .۸۲۶۶۸ ۳۸۴
۲۴ الگوسازی درست و اصولی برای هرگونه گرایش، رفتار، قضاوت و برخورد با مسائل و ورزشکاران، هواداران و دست اندرکاران ورزش ۳٫۳۷۵۰ .۹۹۰۸۲ ۳۸۴

 

نمونه تحلیل پرسشنامه با نرم افزار spss

تحلیل آماری

 

 

چگونگی توزیع گویه های پژوهش براساس شاخصهای مرکزی، پراکندگی و شکل توزیع

 

   شاخص­های توصیف داده­ها به سه گروهِ شاخص­های مرکزی، شاخص­های پراکندگی و شاخص­های شکل توزیع تقسیم می­شوند. دراین بخش چگونگی توزیع متغیرهای پژوهش براساس مهمترین شاخص­های مرکزی (میانگین[۱])، شاخص­های پراکندگی (انحراف معیار[۲]) بررسی قرار می­گیرند.

 

میانگین انحراف معیار متغیرهای پرسشنامه
۳٫۲۲۷۸ ۱٫۲۳۱۵۴ فرهنگ پروری
۴٫۰۲۳۲ ۰٫۹۳۱۸۷ افزایش اگاهی
۴٫۰۴۲۲ ۱٫۰۴۷۶۶ تغییر نگرش نسبت به ورزش
۲٫۶۶۰۳ ۱٫۲۳۰۶۱ مشارکت ورزشی
۴٫۱۲۷۹ ۱٫۰۰۲۴۸ هنجارهای فرهنگی
۳٫۴۰۰۸ ۱٫۲۵۰۶۶ ارزش های مذهبی
۴٫۱۸۵۷ ۰٫۸۰۹۱۲ فرهنگ ورزشی
۴٫۲۰۴۶ ۰٫۹۴۵۸۴ رفتارهای فرهنگی
۳٫۴۹۷۹ ۱٫۳۴۴۰۸ ارزش های فرهنگی

آمار استنباطی:

بررسی تفاوت معنی دار بین گویه ها و متغیرهای تحقیق بین سه گروه نخبگان – تماشاچیان و بازیگران

Descriptives
تعداد میانگین انحراف معیار انحراف استاندارد سطح اطمنیان ۹۵ درصد کمترین مقدار بیشترین مقدار
پایین بالا
VAR00001 بازیکنان ۹۲ ۳٫۳۸۰۴ .۹۱۱۹۸ .۰۹۵۰۸ ۳٫۱۹۱۶ ۳٫۵۶۹۳ ۱٫۰۰ ۵٫۰۰
تماشاگران ۳۸۲ ۳٫۳۲۴۶ .۹۲۴۶۵ .۰۴۷۳۱ ۳٫۲۳۱۶ ۳٫۴۱۷۶ ۱٫۰۰ ۵٫۰۰
نخبگان ۸ ۳٫۳۷۵۰ .۷۴۴۰۲ .۲۶۳۰۵ ۲٫۷۵۳۰ ۳٫۹۹۷۰ ۳٫۰۰ ۵٫۰۰
کل ۴۸۲ ۳٫۳۳۶۱ .۹۱۸۲۳ .۰۴۱۸۲ ۳٫۲۵۳۹ ۳٫۴۱۸۳ ۱٫۰۰ ۵٫۰۰
VAR00002 بازیکنان ۹۲ ۳٫۳۲۶۱ ۱٫۱۳۰۰۹ .۱۱۷۸۲ ۳٫۰۹۲۱ ۳٫۵۶۰۱ ۱٫۰۰ ۵٫۰۰
تماشاگران ۳۸۲ ۳٫۲۹۸۴ ۱٫۰۸۶۷۶ .۰۵۵۶۰ ۳٫۱۸۹۱ ۳٫۴۰۷۸ ۱٫۰۰ ۵٫۰۰
نخبگان ۸ ۲٫۷۵۰۰ ۱٫۲۸۱۷۴ .۴۵۳۱۶ ۱٫۶۷۸۴ ۳٫۸۲۱۶ ۱٫۰۰ ۵٫۰۰
کل ۴۸۲ ۳٫۲۹۴۶ ۱٫۰۹۸۲۶ .۰۵۰۰۲ ۳٫۱۹۶۳ ۳٫۳۹۲۹ ۱٫۰۰ ۵٫۰۰
VAR00003 بازیکنان ۹۲ ۲٫۸۴۷۸ ۱٫۰۹۸۸۰ .۱۱۴۵۶ ۲٫۶۲۰۳ ۳٫۰۷۵۴ ۱٫۰۰ ۵٫۰۰
تماشاگران ۳۸۲ ۲٫۷۹۳۲ .۹۹۹۵۶ .۰۵۱۱۴ ۲٫۶۹۲۶ ۲٫۸۹۳۷ ۱٫۰۰ ۵٫۰۰
نخبگان ۸ ۲٫۳۷۵۰ ۱٫۴۰۷۸۹ .۴۹۷۷۶ ۱٫۱۹۸۰ ۳٫۵۵۲۰ ۱٫۰۰ ۵٫۰۰
کل ۴۸۲ ۲٫۷۹۶۷ ۱٫۰۲۵۷۳ .۰۴۶۷۲ ۲٫۷۰۴۹ ۲٫۸۸۸۵ ۱٫۰۰ ۵٫۰۰
VAR00004 بازیکنان ۹۲ ۳٫۶۱۹۶ ۱٫۱۱۷۷۱ .۱۱۶۵۳ ۳٫۳۸۸۱ ۳٫۸۵۱۰ ۱٫۰۰ ۵٫۰۰
تماشاگران ۳۸۲ ۳٫۵۴۷۱ ۱٫۰۹۹۵۷ .۰۵۶۲۶ ۳٫۴۳۶۵ ۳٫۶۵۷۷ ۱٫۰۰ ۵٫۰۰
نخبگان ۸ ۳٫۳۷۵۰ ۱٫۱۸۷۷۳ .۴۱۹۹۳ ۲٫۳۸۲۰ ۴٫۳۶۸۰ ۲٫۰۰ ۵٫۰۰
کل ۴۸۲ ۳٫۵۵۸۱ ۱٫۱۰۲۷۰ .۰۵۰۲۳ ۳٫۴۵۹۴ ۳٫۶۵۶۸ ۱٫۰۰ ۵٫۰۰
VAR00005 بازیکنان ۹۱ ۲٫۹۴۵۱ ۱٫۰۷۸۷۱ .۱۱۳۰۸ ۲٫۷۲۰۴ ۳٫۱۶۹۷ ۱٫۰۰ ۵٫۰۰
تماشاگران ۳۷۷ ۲٫۸۷۵۳ ۱٫۱۱۷۰۱ .۰۵۷۵۳ ۲٫۷۶۲۲ ۲٫۹۸۸۵ ۱٫۰۰ ۵٫۰۰
نخبگان ۸ ۲٫۸۷۵۰ ۱٫۱۲۵۹۹ .۳۹۸۱۰ ۱٫۹۳۳۶ ۳٫۸۱۶۴ ۱٫۰۰ ۴٫۰۰
کل ۴۷۶ ۲٫۸۸۸۷ ۱٫۱۰۷۹۶ .۰۵۰۷۸ ۲٫۷۸۸۹ ۲٫۹۸۸۴ ۱٫۰۰ ۵٫۰۰
VAR00006 بازیکنان ۹۲ ۳٫۰۲۱۷ ۱٫۰۳۷۵۲ .۱۰۸۱۷ ۲٫۸۰۶۹ ۳٫۲۳۶۶ ۱٫۰۰ ۵٫۰۰
تماشاگران ۳۸۲ ۲٫۹۴۵۰ ۱٫۰۷۶۸۹ .۰۵۵۱۰ ۲٫۸۳۶۷ ۳٫۰۵۳۴ ۱٫۰۰ ۵٫۰۰
نخبگان ۸ ۳٫۲۵۰۰ ۱٫۰۳۵۱۰ .۳۶۵۹۶ ۲٫۳۸۴۶ ۴٫۱۱۵۴ ۲٫۰۰ ۵٫۰۰
کل ۴۸۲ ۲٫۹۶۴۷ ۱٫۰۶۷۷۷ .۰۴۸۶۴ ۲٫۸۶۹۲ ۳٫۰۶۰۳ ۱٫۰۰ ۵٫۰۰
VAR00007 بازیکنان ۹۲ ۳٫۱۰۸۷ ۱٫۱۰۴۰۰ .۱۱۵۱۰ ۲٫۸۸۰۱ ۳٫۳۳۷۳ ۱٫۰۰ ۵٫۰۰
تماشاگران ۳۸۲ ۳٫۰۲۶۲ ۱٫۱۱۵۰۸ .۰۵۷۰۵ ۲٫۹۱۴۰ ۳٫۱۳۸۴ ۱٫۰۰ ۵٫۰۰
نخبگان ۸ ۳٫۱۲۵۰ .۹۹۱۰۳ .۳۵۰۳۸ ۲٫۲۹۶۵ ۳٫۹۵۳۵ ۲٫۰۰ ۵٫۰۰
کل ۴۸۲ ۳٫۰۴۳۶ ۱٫۱۰۹۴۸ .۰۵۰۵۴ ۲٫۹۴۴۳ ۳٫۱۴۲۹ ۱٫۰۰ ۵٫۰۰
VAR00008 بازیکنان ۹۲ ۳٫۰۷۶۱ ۱٫۱۵۰۵۷ .۱۱۹۹۶ ۲٫۸۳۷۸ ۳٫۳۱۴۴ ۱٫۰۰ ۵٫۰۰
تماشاگران ۳۸۲ ۳٫۰۱۵۷ ۱٫۱۸۵۹۹ .۰۶۰۶۸ ۲٫۸۹۶۴ ۳٫۱۳۵۰ ۱٫۰۰ ۵٫۰۰
نخبگان ۸ ۳٫۵۰۰۰ ۱٫۰۶۹۰۴ .۳۷۷۹۶ ۲٫۶۰۶۳ ۴٫۳۹۳۷ ۲٫۰۰ ۵٫۰۰
کل ۴۸۲ ۳٫۰۳۵۳ ۱٫۱۷۷۰۵ .۰۵۳۶۱ ۲٫۹۲۹۹ ۳٫۱۴۰۶ ۱٫۰۰ ۵٫۰۰
VAR00009 بازیکنان ۹۲ ۳٫۳۲۶۱ ۱٫۰۸۰۳۸ .۱۱۲۶۴ ۳٫۱۰۲۳ ۳٫۵۴۹۸ ۱٫۰۰ ۵٫۰۰
تماشاگران ۳۸۲ ۳٫۲۷۴۹ ۱٫۱۲۹۵۸ .۰۵۷۷۹ ۳٫۱۶۱۲ ۳٫۳۸۸۵ ۱٫۰۰ ۵٫۰۰
نخبگان ۸ ۳٫۳۷۵۰ ۱٫۰۶۰۶۶ .۳۷۵۰۰ ۲٫۴۸۸۳ ۴٫۲۶۱۷ ۲٫۰۰ ۵٫۰۰
کل ۴۸۲ ۳٫۲۸۶۳ ۱٫۱۱۷۳۳ .۰۵۰۸۹ ۳٫۱۸۶۳ ۳٫۳۸۶۳ ۱٫۰۰ ۵٫۰۰
VAR00010 بازیکنان ۹۱ ۳٫۲۵۲۷ ۱٫۱۰۱۴۵ .۱۱۵۴۶ ۳٫۰۲۳۴ ۳٫۴۸۲۱ ۱٫۰۰ ۵٫۰۰
تماشاگران ۳۷۷ ۳٫۱۶۹۸ ۱٫۱۵۲۱۷ .۰۵۹۳۴ ۳٫۰۵۳۱ ۳٫۲۸۶۴ ۱٫۰۰ ۵٫۰۰
نخبگان ۸ ۳٫۷۵۰۰ .۷۰۷۱۱ .۲۵۰۰۰ ۳٫۱۵۸۸ ۴٫۳۴۱۲ ۳٫۰۰ ۵٫۰۰
کل ۴۷۶ ۳٫۱۹۵۴ ۱٫۱۳۷۷۱ .۰۵۲۱۵ ۳٫۰۹۲۹ ۳٫۲۹۷۸ ۱٫۰۰ ۵٫۰۰
فرهنگ پروری بازیکنان ۹۲ ۲٫۶۸۴۸ ۱٫۱۶۶۶۶ .۱۲۱۶۳ ۲٫۴۴۳۲ ۲٫۹۲۶۴ ۱٫۰۰ ۵٫۰۰
تماشاگران ۳۸۲ ۳٫۴۱۶۲ ۱٫۱۹۸۰۱ .۰۶۱۳۰ ۳٫۲۹۵۷ ۳٫۵۳۶۷ ۱٫۰۰ ۵٫۰۰
نخبگان ۸ ۲٫۷۵۰۰ .۸۸۶۴۱ .۳۱۳۳۹ ۲٫۰۰۸۹ ۳٫۴۹۱۱ ۲٫۰۰ ۴٫۰۰
کل ۴۸۲ ۳٫۲۶۵۶ ۱٫۲۲۱۷۸ .۰۵۵۶۵ ۳٫۱۵۶۲ ۳٫۳۷۴۹ ۱٫۰۰ ۵٫۰۰
اگاهی بازیکنان ۹۲ ۳٫۵۹۷۸ ۱٫۲۴۰۸۸ .۱۲۹۳۷ ۳٫۳۴۰۸ ۳٫۸۵۴۸ ۱٫۰۰ ۵٫۰۰
تماشاگران ۳۸۲ ۴٫۱۰۷۳ .۸۱۷۴۶ .۰۴۱۸۲ ۴٫۰۲۵۱ ۴٫۱۸۹۶ ۱٫۰۰ ۵٫۰۰
نخبگان ۸ ۴٫۳۷۵۰ .۷۴۴۰۲ .۲۶۳۰۵ ۳٫۷۵۳۰ ۴٫۹۹۷۰ ۳٫۰۰ ۵٫۰۰
کل ۴۸۲ ۴٫۰۱۴۵ .۹۳۳۲۲ .۰۴۲۵۱ ۳٫۹۳۱۰ ۴٫۰۹۸۰ ۱٫۰۰ ۵٫۰۰
نگرش بازیکنان ۹۲ ۳٫۶۱۹۶ ۱٫۲۹۱۰۷ .۱۳۴۶۰ ۳٫۳۵۲۲ ۳٫۸۸۶۹ ۱٫۰۰ ۵٫۰۰
تماشاگران ۳۸۲ ۴٫۱۰۴۷ .۹۷۹۸۶ .۰۵۰۱۳ ۴٫۰۰۶۱ ۴٫۲۰۳۳ ۱٫۰۰ ۵٫۰۰
نخبگان ۸ ۴٫۷۵۰۰ .۴۶۲۹۱ .۱۶۳۶۶ ۴٫۳۶۳۰ ۵٫۱۳۷۰ ۴٫۰۰ ۵٫۰۰
کل ۴۸۲ ۴٫۰۲۲۸ ۱٫۰۶۰۲۹ .۰۴۸۲۹ ۳٫۹۲۷۹ ۴٫۱۱۷۷ ۱٫۰۰ ۵٫۰۰
مشارکت بازیکنان ۹۲ ۳٫۱۴۱۳ ۱٫۴۷۹۳۹ .۱۵۴۲۴ ۲٫۸۳۴۹ ۳٫۴۴۷۷ ۱٫۰۰ ۵٫۰۰
تماشاگران ۳۸۲ ۲٫۵۸۶۴ ۱٫۱۵۰۸۹ .۰۵۸۸۸ ۲٫۴۷۰۶ ۲٫۷۰۲۲ ۱٫۰۰ ۵٫۰۰
نخبگان ۸ ۲٫۰۰۰۰ .۹۲۵۸۲ .۳۲۷۳۳ ۱٫۲۲۶۰ ۲٫۷۷۴۰ ۱٫۰۰ ۴٫۰۰
کل ۴۸۲ ۲٫۶۸۲۶ ۱٫۲۳۷۳۵ .۰۵۶۳۶ ۲٫۵۷۱۸ ۲٫۷۹۳۳ ۱٫۰۰ ۵٫۰۰
هنجار بازیکنان ۹۲ ۴٫۳۵۸۷ .۹۳۲۷۰ .۰۹۷۲۴ ۴٫۱۶۵۵ ۴٫۵۵۱۹ ۱٫۰۰ ۵٫۰۰
تماشاگران ۳۷۷ ۴٫۰۳۷۱ ۱٫۰۲۵۵۸ .۰۵۲۸۲ ۳٫۹۳۳۳ ۴٫۱۴۱۰ ۱٫۰۰ ۵٫۰۰
نخبگان ۸ ۴٫۵۰۰۰ .۵۳۴۵۲ .۱۸۸۹۸ ۴٫۰۵۳۱ ۴٫۹۴۶۹ ۴٫۰۰ ۵٫۰۰
کل ۴۷۷ ۴٫۱۰۶۹ ۱٫۰۰۹۹۸ .۰۴۶۲۴ ۴٫۰۱۶۱ ۴٫۱۹۷۸ ۱٫۰۰ ۵٫۰۰
مذهب بازیکنان ۹۲ ۳٫۵۷۶۱ ۱٫۳۹۲۵۵ .۱۴۵۱۸ ۳٫۲۸۷۷ ۳٫۸۶۴۵ ۱٫۰۰ ۵٫۰۰
تماشاگران ۳۸۲ ۳٫۴۱۶۲ ۱٫۱۹۸۰۱ .۰۶۱۳۰ ۳٫۲۹۵۷ ۳٫۵۳۶۷ ۱٫۰۰ ۵٫۰۰
نخبگان ۸ ۲٫۷۵۰۰ .۸۸۶۴۱ .۳۱۳۳۹ ۲٫۰۰۸۹ ۳٫۴۹۱۱ ۲٫۰۰ ۴٫۰۰
کل ۴۸۲ ۳٫۴۳۵۷ ۱٫۲۳۵۷۳ .۰۵۶۲۹ ۳٫۳۲۵۱ ۳٫۵۴۶۳ ۱٫۰۰ ۵٫۰۰
فرهنگ بازیکنان ۹۲ ۴٫۴۳۴۸ .۷۶۰۳۴ .۰۷۹۲۷ ۴٫۲۷۷۳ ۴٫۵۹۲۲ ۱٫۰۰ ۵٫۰۰
تماشاگران ۳۸۲ ۴٫۱۰۷۳ .۸۱۷۴۶ .۰۴۱۸۲ ۴٫۰۲۵۱ ۴٫۱۸۹۶ ۱٫۰۰ ۵٫۰۰
نخبگان ۸ ۴٫۳۷۵۰ .۷۴۴۰۲ .۲۶۳۰۵ ۳٫۷۵۳۰ ۴٫۹۹۷۰ ۳٫۰۰ ۵٫۰۰
کل ۴۸۲ ۴٫۱۷۴۳ .۸۱۴۸۳ .۰۳۷۱۱ ۴٫۱۰۱۳ ۴٫۲۴۷۲ ۱٫۰۰ ۵٫۰۰
رفتار بازیکنان ۹۲ ۴٫۴۵۶۵ .۸۶۹۶۷ .۰۹۰۶۷ ۴٫۲۷۶۴ ۴٫۶۳۶۶ ۱٫۰۰ ۵٫۰۰
تماشاگران ۳۸۲ ۴٫۱۰۴۷ .۹۷۹۸۶ .۰۵۰۱۳ ۴٫۰۰۶۱ ۴٫۲۰۳۳ ۱٫۰۰ ۵٫۰۰
نخبگان ۸ ۴٫۷۵۰۰ .۴۶۲۹۱ .۱۶۳۶۶ ۴٫۳۶۳۰ ۵٫۱۳۷۰ ۴٫۰۰ ۵٫۰۰
کل ۴۸۲ ۴٫۱۸۲۶ .۹۶۵۰۲ .۰۴۳۹۶ ۴٫۰۹۶۲ ۴٫۲۶۸۹ ۱٫۰۰ ۵٫۰۰
ارزش بازیکنان ۹۲ ۴٫۰۴۳۵ ۱٫۲۳۰۶۸ .۱۲۸۳۱ ۳٫۷۸۸۶ ۴٫۲۹۸۳ ۱٫۰۰ ۵٫۰۰
تماشاگران ۳۸۲ ۳٫۳۳۷۷ ۱٫۳۳۱۴۷ .۰۶۸۱۲ ۳٫۲۰۳۸ ۳٫۴۷۱۶ ۱٫۰۰ ۵٫۰۰
نخبگان ۸ ۴٫۱۲۵۰ .۹۹۱۰۳ .۳۵۰۳۸ ۳٫۲۹۶۵ ۴٫۹۵۳۵ ۲٫۰۰ ۵٫۰۰
کل ۴۸۲ ۳٫۴۸۵۵ ۱٫۳۳۷۴۵ .۰۶۰۹۲ ۳٫۳۶۵۸ ۳٫۶۰۵۲ ۱٫۰۰ ۵٫۰۰

 

ANOVA
مجموع مربعات درجه ازادی میانگین مربعات مقدار f سطح معنی داری
VAR00001 بین گروهی .۲۴۳ ۲ .۱۲۲ ۲٫۱۴۴ .۰۰۶
درون گروهی ۴۰۵٫۳۰۸ ۴۷۹ .۸۴۶
کل ۴۰۵٫۵۵۲ ۴۸۱
VAR00002 بین گروهی ۲٫۴۷۰ ۲ ۱٫۲۳۵ ۱٫۰۲۴ .۳۶۰
درون گروهی ۵۷۷٫۶۹۶ ۴۷۹ ۱٫۲۰۶
کل ۵۸۰٫۱۶۶ ۴۸۱
VAR00003 بین گروهی ۱٫۶۶۸ ۲ .۸۳۴ ۱٫۷۹۲ .۰۴۴
درون گروهی ۵۰۴٫۴۰۷ ۴۷۹ ۱٫۰۵۳
کل ۵۰۶٫۰۷۵ ۴۸۱
VAR00004 بین گروهی .۶۶۲ ۲ .۳۳۱ .۲۷۱ .۷۶۲
درون گروهی ۵۸۴٫۲۱۲ ۴۷۹ ۱٫۲۲۰
کل ۵۸۴٫۸۷۳ ۴۸۱
VAR00005 بین گروهی .۳۵۸ ۲ .۱۷۹ .۱۴۵ .۸۶۵
درون گروهی ۵۸۲٫۷۴۱ ۴۷۳ ۱٫۲۳۲
کل ۵۸۳٫۰۹۹ ۴۷۵
VAR00006 بین گروهی ۱٫۰۹۸ ۲ .۵۴۹ ۲٫۴۸۱ .۰۱۹
درون گروهی ۵۴۷٫۳۰۲ ۴۷۹ ۱٫۱۴۳
کل ۵۴۸٫۴۰۰ ۴۸۱
VAR00007 بین گروهی .۵۵۹ ۲ .۲۷۹ .۲۲۶ .۷۹۸
درون گروهی ۵۹۱٫۵۲۶ ۴۷۹ ۱٫۲۳۵
کل ۵۹۲٫۰۸۵ ۴۸۱
VAR00008 بین گروهی ۲٫۰۲۷ ۲ ۱٫۰۱۴ .۷۳۱ .۴۸۲
درون گروهی ۶۶۴٫۳۷۳ ۴۷۹ ۱٫۳۸۷
کل ۶۶۶٫۴۰۰ ۴۸۱
VAR00009 بین گروهی .۲۵۸ ۲ .۱۲۹ .۱۰۳ .۹۰۲
درون گروهی ۶۰۰٫۲۳۱ ۴۷۹ ۱٫۲۵۳
کل ۶۰۰٫۴۹۰ ۴۸۱
VAR00010 بین گروهی ۳٫۰۰۸ ۲ ۱٫۵۰۴ ۱٫۱۶۳ .۰۱۴
درون گروهی ۶۱۱٫۸۲۲ ۴۷۳ ۱٫۲۹۳
کل ۶۱۴٫۸۳۰ ۴۷۵
فرهنگ پروری بین گروهی ۴۱٫۸۳۰ ۲ ۲۰٫۹۱۵ ۱۴٫۸۱۶ .۰۰۰
درون گروهی ۶۷۶٫۱۷۸ ۴۷۹ ۱٫۴۱۲
کل ۷۱۸٫۰۰۸ ۴۸۱
اگاهی بین گروهی ۲۰٫۳۰۴ ۲ ۱۰٫۱۵۲ ۱۲٫۲۰۰ .۰۰۰
درون گروهی ۳۹۸٫۵۹۴ ۴۷۹ .۸۳۲
کل ۴۱۸٫۸۹۸ ۴۸۱
نگرش بین گروهی ۲۱٫۷۵۳ ۲ ۱۰٫۸۷۶ ۱۰٫۰۳۸ .۰۰۰
درون گروهی ۵۱۸٫۹۹۶ ۴۷۹ ۱٫۰۸۳
کل ۵۴۰٫۷۴۹ ۴۸۱
مشارکت بین گروهی ۲۶٫۶۲۱ ۲ ۱۳٫۳۱۱ ۸٫۹۸۲ .۰۰۰
درون گروهی ۷۰۹٫۸۱۲ ۴۷۹ ۱٫۴۸۲
کل ۷۳۶٫۴۳۴ ۴۸۱
هنجار بین گروهی ۸٫۹۰۴ ۲ ۴٫۴۵۲ ۴٫۴۲۷ .۰۱۲
درون گروهی ۴۷۶٫۶۴۳ ۴۷۴ ۱٫۰۰۶
کل ۴۸۵٫۵۴۷ ۴۷۶
مذهب بین گروهی ۵٫۷۱۹ ۲ ۲٫۸۶۰ ۱٫۸۸۰ .۱۵۴
درون گروهی ۷۲۸٫۷۸۷ ۴۷۹ ۱٫۵۲۱
کل ۷۳۴٫۵۰۶ ۴۸۱
فرهنگ بین گروهی ۸٫۲۷۸ ۲ ۴٫۱۳۹ ۶٫۳۷۳ .۰۰۲
درون گروهی ۳۱۱٫۰۸۳ ۴۷۹ .۶۴۹
کل ۳۱۹٫۳۶۱ ۴۸۱
رفتار بین گروهی ۱۱٫۷۹۶ ۲ ۵٫۸۹۸ ۶٫۴۷۸ .۰۰۲
درون گروهی ۴۳۶٫۱۳۸ ۴۷۹ .۹۱۱
کل ۴۴۷٫۹۳۴ ۴۸۱
ارزش بین گروهی ۴۰٫۲۶۰ ۲ ۲۰٫۱۳۰ ۱۱٫۷۵۷ .۰۰۰
درون گروهی ۸۲۰٫۱۳۸ ۴۷۹ ۱٫۷۱۲
کل ۸۶۰٫۳۹۸ ۴۸۱

در مواردی که با رنگ زرد هایلات شده ند تفاوت معنی داری بین سه گروه از پاسخ دهندگان در میانگین متغیر مورد نظر وجود دارد.

جدول بالا مقادیر آماره های توصیفی برای هر یک از گویه های پرسشنامه به صورت مجزا بررسی شده اند.

تحلیل آماری با spss

 


[۱]Mean
[۲]Std. Deviation

 

روش ها و نرم افزارهای تحلیل آماری

روش ها و نرم افزارهای تحلیل آماری :  در این مرکز انواع تحلیل آماری با توجه به نرم افزارهای مختلف تحلیل ارایه می شوند:
SPSS
LISRE
• SMART PLS
• AMOS
• ایویوز
• EXPERT CHOICE
• SUPER DISECION

هم چنین با توجه به تکنیک های مختلف تصمیم گیری چند معیاره نیز انواع تحلیل های اماری ارایه می شوند :
AHP
ANP
• FUZZY AHP
• FUZZY ANP
• ANTROPI SHANON
• ELECTRE
• TOPSIS
• دیمتل
• دیمتل فازی
• ویکور
• ویکور فازی
قابل ذکر است با توجه به روش های مختلف تکنیک های تصمیم گیری چند معیاره ُ پرسشنامه های مقایسات زوجی با توجه به نوع معیارها و شاخص های تحقیق در این مرکز طراحی می شوند.

تحلیل پرسشنامه با spss

تحلیل پرسشنامه با spss  : بیشتر دانشجویان برای تحلیل داده های خود از نرم افزارهای مختلفی مانند spss ُ‌ لیزرل  ُ‌pls و ایموس استفاده می کنند. اینکه دقیقا از چه نرم افزاری برای تجزیه و تحلیل آماری و اطلاعات استفاده شود بستگی به نوع کاری دارد که دانشجو می خواهد انجام دهد. به عبارت دیگر با توجه به هدف تحقیق و نحوه طراحی سوالات تحقیق مشخص خواهد شد که از چه نرم افزاری برای تحلیل داده ها و پرسشنامه ها استفاده شود.
به طور کلی اگر هدف از تحلیل پرسشنامه بدست اوردن یک مدل شماتیک از نحوه رابطه بین متغیرها است پیشنهاد می شود که از یکی از تکنیک های مدل سازی معادلات ساختاری با سه نرم افزار لیزرل – ایموس و اسمارت پی ال اس استفاده شود. در غیر این صورت تحلیل آماری با spss برای تجزیه و تحلیل پرسشنامه ها استفاده می شود.

تجزیه و تحلیل پرسشنامه با spss

هنگام تحلیل پرسشنامه های تحقیق باید به نکات زیر توجه شود:
1- طیف اکثر تحلیل پرسشنامه با spss طراحی شده در تحقیقات به صورت لیکرت ۵ گزینه ای می باشد.
2- پرسشنامه طراحی شده باید بین تعداد نمونه مشخص شده توزیع گردد و داده های حاصل از پرسشنامه ها به صورت استاندارد وارد فایل اکسل شود.
3- سوالات پرسشنامه باید به صورتی طراحی شوند که بتوانند متغیرهای تحقیق را بسنجند.
4- در ابتدای کار باید پرسشنامه بین حداقل ۳۰ پاسخ دهنده توزیع گردد تا پایایی پرسشنامه محاسبه شود . برای محاسبه پایایی پرسشنامه های تحقیق روش های مختلفی وجود دارد که رایج ترین روش ها روش ضریب آلفای کرونباخ می باشد. در این روش اگر ضریب آلفای کرونباخ بیشتر از ۰.۷ بدست بیاید این نتیجه حاصل می شود که پرسشنامه تحقیق دارای پایایی لازم بوده است و می توان پرسشنامه را میان بقیه نمونه آماری توزیع کرد.
5- روایی تحلیل پرسشنامه با spss باید به یکی از سه روش روایی سازه – روایی صوری و روایی محتوی سنجیده شود.
1- تجزیه و تحلیل آماری پرسشنامه های تحقیق باید شامل آمار توصیفی و آمار استنباطی باشند.
2- در بحث آمار توصیفی مواردی نظیر جداول توصیفی – جداول فراوانی- نمودارهای فراوانی – جداول توصیفی متغیرهای جمعیت شناختی مانند سن و جنس و تحصیلات و …. بررسی می شوند.
3- در بحث آمار استنباطی که مهم ترین بخش تجزیه و تحلیل آماری می باشد ازمون های آماری مختلف بسته به هدف تحقیق مورد استفاده قرار می گیرند. مهم ترین ازمونی که باید در تجریه و تحلیل اطلاعات پرسشنامه ذکر شود ازمون نرمال بودن داده با نام کالموگروف اسمیرنوف می باشد. در این ازمون مشخص می شود که ایا متغیرها تحقیق دارای توزیع نرمال می باشند یا خیر. در صورت نرمال بودن متغیرها برای ادامه کار از ازمون های پارامتریک مانند تی تک نمونه ای – تی مستقل – تی وابسته- تحلیل واریانس یک طرفه – تحلیل مانووا – تحلیل کوواریانس – رگرسیون خطی و چند گانه و … استفاده می شود و در صورتی که متغیرها نرمال نبودند از ازمون های ناپارامتریک مانند یومن ویتنی – کروسکال والیس- آزمون علامت-همبستگی اسپیرمن و … استفاده می شود.
4- در صورتی که هدف استفاده از تکنیک های مدل سازی معادلات ساختاری باشد باید از نرم افزارهای مربوطه مانند لیزرل – ایموس و اسمارت pls استفاده شود. در بحث مدل سازی معادلات ساختاری دو مبحث وجود دارد. تحلیل عاملی تاییدی و تحلیل مسیر که هر دوی این موارد به علاوه محاسبه شاخص های برازش باید در تجزیه و تحلیل داده های پرسشنامه ذکر شوند.

ایویوز

EViews 3.1 Tutorial

by Manfred W. Keil

to Accompany

Introduction to Econometrics

by James H. Stock and Mark W. Watson

۱٫ EVIEWS: INTRODUCTION

This tutorial will introduce you to a statistical and econometric software package called EViews, or Econometric Views. EViews runs on both the Windows (9x, Me, NT 4.0 or 2000) and Macintosh platforms. It is produced by Quantitative Micro Software (QMS) in Irvine, California. You can read about various product information at the firm’s Web site, www.eviews.com. The program comes with two manuals, a User’s Guide and a Command and Programming Reference. Both manuals can be ordered separately ($40 each, $75 for the pair) by calling (949) 856-3368 or writing to sales@eviews.com. The User’s Guide is better for first-time users. There is also a cheaper student version (EViews 3.1 Student Version for Windows 9x, 2000, NT 4.0, $39.95) and EViews Basics available. The difference between the student version and the full version is in the limitation on the size of data sets (“capacity limitation” is 1,000 observations for each series and no more than 10,000 observations for all series) and the availability of some estimation methods such as ARCH (discussed in Chapter 14), GMM, SURE, FIML, 3SLS, FIML and TSLS system estimators (don’t worry what these estimation methods stand for at this point), as well as some of the estimators discussed in the appendix to Chapter 9. Furthermore, and perhaps most importantly for you right now, the student version does not allow you to run EViews in “batch mode.” This tutorial will explain the difference between interactive use and batch mode below. Once you have gone through the first series of commands in interactive, you will almost certainly run programs in batch mode.[1]

Econometrics deals with three types of data: cross-sectional data, time series data, and panel data, or longitudinal data (see Chapter 1 of the textbook). In a time series you observe the behavior of a single entity over multiple time periods. This can range from high frequency data such as financial data (hours, days); to data observed at somewhat lower (monthly) frequencies, such as industrial production rates and inflation and unemployment rates; to quarterly data (GDP) or annual (historical) data. In a cross-section you analyze data from multiple entities at a single point in time. One big difference between time series and cross-sectional analysis is that the order of the observation numbers does not matter in cross-sections. With time series, you would lose some of the most interesting features if you shuffled the observations. Finally, panel data can be viewed as a combination of time series and cross-sectional data, since multiple entities are observed at multiple time periods. EViews allows you to work with all three types of data.

EViews is the most commonly used econometrics package for time series analysis in academics, business, and government. It can also be used for cross-section and panel data. EViews allows you to save results within a program and to “retrieve” these results for further calculations. Remember how you calculated confidence intervals in statistics, say for a population mean? Basically you needed the sample mean, the standard deviation, and some value from a statistical table. In EViews you can calculate the mean and standard deviation of a sample and then temporarily “store” these. You then work with these numbers in a standard formula for confidence intervals. In addition, EViews provides the required numbers from the relevant distribution (normal, , F, etc.).

While EViews is truly interactive, you can also run a program as a “batch” job, i.e., you write a sequence of commands and then execute the program in one go. In the good old days the equivalent was to submit a “batch” of cards, each containing a single command, to a technician, who would use a card reader to enter these into the computer, and the computer would execute the sequence of statements. While you will work at first in interactive mode by clicking on buttons, you will very soon discover the advantage of running your regressions in batch mode. This method allows you to see the history of commands, and you can also analyze where exactly things went wrong if there are problems with any of your commands. This tutorial will initially explain the interactive use of EViews, since it is more intuitive. However, we will switch as soon as it makes sense into the batch mode.

EViews is not particularly good at graphing; actually, the graphs look a bit unprofessional. If you need to graph data, it is best to save it in a spreadsheet or ASCII format, which EViews allows you to do, and then to import the data into Excel (or another spreadsheet program you prefer). Even better, since EViews works in a Windows format, it allows you to cut and paste the data into any other Windows-based program.

Finally, there is a warning about the limitations of this tutorial. The purpose is to help you gain an initial understanding of how to work with EViews. I hope that the tutorial looks less daunting than the manuals. However, it cannot replace the accompanying manuals, which you will have to consult for more detailed questions (alternatively use “Help” in the program). Feel free to provide me with feedback of how we can improve the tutorial for future generations of students (manfred.keil@claremontmckenna.edu).

۲٫ CROSS-SECTIONAL DATA

Interactive Use

Let’s get started. Click on the EViews icon to begin your session. What you see next is the EViews window, with the title bar at the top, the command window immediately below and the status line at the very bottom.

(Your command window may appear smaller, but you can enlarge it using the usual windows methods.)

The results of your various operations will be displayed between the command window and the status line in the so-called work area.  In interactive use, EViews allows you to execute commands either by clicking on command buttons or by typing the equivalent command into the command window.

            In this tutorial, we will work with two data applications, one cross-sectional (student test scores and student-teacher ratio) and one time series (forecasting inflation).

Data Input and Simple Data Analysis

  1. The Easy and Tedious Way: Clicking and Entering

In Chapters 4 to 7 you will work with the California test score data set. These are cross-sectional data, referred to in EViews as “undated or irregular” data. There are 420 observations from K-6 and K-8 school districts for the years 1998 and 1999. You will not want to enter a large amount of data manually, but for the purpose of this introduction it will be useful that you become aware of this possibility. As a result, I will use a sub-sample of 20 observations from this data set.

            To start, we must establish a workfile in EViews. Click on the File pull-down menu, and then on New and Workfile. As is common in Windows programs, you will see a dialog box.

            This particular dialog box asks you for the start and end dates of your data set, and for the type of data you are entering. We are working with undated or irregular data, so check this field and enter 20 in the “End date” box. You will see a workfile window, which contains two entries. Do not worry about these for the moment. To enter the data into a format similar to the spreadsheets you have become familiar with, click on Quick in the title bar, and then on Empty Group (Edit Series).

            Next enter the variables, starting with the name, in the grey box to the immediate right of “obs.” (Click on the grey box and enter first “testscr” and “str” in the adjacent one to the right.)

Manual Data Entry

Here are the data to enter. (EViews will add zeros. You will see later how to get rid of these.)

obs          TESTSCR            STR

۱              ۶۰۶٫۸                    ۱۹٫۵

۲              ۶۳۱٫۱                    ۲۰٫۱

۳              ۶۳۱٫۴                    ۲۱٫۵

۴              ۶۳۱٫۸                    ۲۰٫۱

۵              ۶۳۱٫۹                    ۲۰٫۴

۶              ۶۳۲٫۰                    ۲۲٫۴

۷              ۶۳۲٫۰                    ۲۲٫۹

۸              ۶۳۸٫۵                    ۱۹٫۱

۹              ۶۳۸٫۷                    ۲۰٫۲

۱۰           ۶۳۹٫۳                    ۱۹٫۷

۱۱           ۶۵۳٫۵                    ۱۹٫۹

۱۲           ۶۵۳٫۵                    ۱۹٫۰

۱۳           ۶۵۳٫۶                    ۲۳٫۸

۱۴           ۶۵۳٫۷                    ۱۹٫۴

۱۵           ۶۵۹٫۳                    ۲۲٫۳

۱۶           ۶۵۹٫۴                    ۲۰٫۶

۱۷           ۶۶۵٫۳                    ۱۸٫۶

۱۸           ۶۶۵٫۷                    ۲۱٫۰

۱۹           ۶۹۵٫۳                    ۱۴٫۵

۲۰           ۶۹۶٫۶                    ۱۹٫۲

            Entering data in this way is very tedious, and you will make data input errors frequently. You will see below how to enter data directly from a spreadsheet or an ASCII file, which are the most common forms of data you will receive in the future. Also, you noticed when you entered the test score (testscr) first and then the student-teacher ratio (str) that you were automatically moved into the test score column after entering each student-teacher data point. This is an unfortunate feature, but there is no alternative unless you enter all the data by observation.

            This is what you should see after completing the data entry:

Summary Statistics

For the moment, let’s just see if we are working with the same data set. Locate the View button at the upper-left corner of the workfile, click on it, and then click on Descriptive Statistics and Common sample. You should see the following output:

            If your summary statistics differ, then check the data again. Once you have located the data problem, click the Edit+/- button on the workfile toolbar, move to the observation in question, enter the correct value, and press Enter. You may want to explore some of the other toolbar buttons to see their functions. Number, for example, allows you to get rid of unnecessary digits after the decimal point, but appears only after you “freeze” the object. Once you freeze an object, you can cut and paste it into your word processing file.

            Once you have entered the data, there are various things you can do with it.  First, let’s get back to the data. Click on View and then choose SpreadSheet. This allows you to see the data again. You may want to keep a hard copy of what you just entered. If so, click on the Print button.

            In general, it is a good idea to save the data and your work frequently in some form. Many of us have learned through painful experiences how easy it is to lose hours of work by not backing up data/results in some fashion. There are two ways to save data in EViews. One is to save an entire workfile (Save), and the other is to store individual series (Store).

            Press the Save button in the workfile toolbar, or click on File and then SaveAs in the main menu. Follow the usual Windows format for saving files (drives, directories, file type, etc.). If you save workfiles in EViews readable format, then you should use the extension “.WF1.” Once you have saved a workfile, you can call it up the next time you intend to use it by clicking on File and then Open. Try these operations by saving the current workfile under the name “SW20smpl.wf1.”

            Alternatively, you may want to just save a few series of the current workfile. The reason is that sometimes you use some of these original series, or transformations of these series, in a different workfile. Let’s save the test score and student-teacher series. First mark the two series in the workfile by clicking on testscr, then hold down the control button and click on str. After that, press the Store button in the workfile toolbar. Once again, a dialog box will pop up. Store the two data series in the EViews subdirectory with the extension “.db.”  Next time you need to retrieve these two series, you can simply click on the Fetch button in the workfile toolbar.

Graphical Presentations

Most often it is a good idea to generate graphs (“pictures”) to get some “feel” for the data. Although Eviews offers many graphing options, there are two that you will use most often: line graphs, where one or more variables are plotted across entities, and scatterplots (crossplots), where one variable is graphed against another.

            First set the sample to 1-20 either by clicking on the Sample button in the workfile toolbar or by entering “smpl 1 20” in the command line. Then type the command “line str” in the command line.[2] In the future, in interactive use you will most often work in the command window rather than clicking on buttons.

            After the graph appears, double click on the graph and alter it until it looks like the one below. Some of the alterations can be made in the resulting dialog box; others, such as text inserted, title of the graph, etc., have to be edited in.

            Because in general we are interested either in causal relationships between variables or in the ability of one variable to forecast another, it is a good idea to plot two variables together. Commands, such as line, can often be modified by an option in parentheses. In this case, “m” means “display multiple graphs.” Use the line command to generate the graph below.[3]

            To get an even better idea about the relationship, you can display a two-dimensional relationship in a scatterplot. The command is scat series1 series2, where series1 is used for the horizontal axis.[4] Adding the option (r) fits a linear (regression) line through the points.

Simple Regression

There is a commonly held belief among many parents that lower student-teacher ratios will result in better student performance. Consequently, in California, for example, all K-3 classes now have a maximum student-teacher ratio of 20. For the 20 school districts in our sample, we seem to have confirmed the existence of a negative relationship between large classes and poor student performance. We even included a regression line in the scatterplot, something that you should have encountered towards the end of your statistics course. However, the graph of the regression line does not allow you to make exact quantitative statements about the relationship. You may want to predict what the effect of reduction by one in the student-teacher ratio would be.

            To answer the questions relating to the more precise nature of the relationship between large classes and poor student performance, you need to estimate the regression intercept and slope. A regression line is little else than fitting a line through the observations in the scatterplot according to some principle. You could, for example, draw a line from the test score for the lowest student-teacher ratio to the test score for the highest student-teacher ratio, ignoring all the observations in between. Or you could sort the data by student-teacher ratio and split the sample in half so that the observations with the lowest ten student-teacher ratios are in one set, and the observations with the highest ten student-teacher ratios are in the other set. For each of the two sets you could calculate the average student-teacher ratio and the corresponding average test score, and then connect the two resulting points. Or you could just eyeball the relationship. Some of these principles have better properties than others to infer the true underlying (population) relationship from the given sample. The principle of ordinary least squares (OLS), for example, will give you desirable properties under certain restrictive assumptions that are discussed in Chapter 4 of the Stock/Watson textbook.

            Back to computing. If the dependent variable, Y, is only determined by a single explanatory variable X in a linear fashion of the type

                                                                                                                  i=1,2, …, N

with “u” representing the error, or random disturbance, not accounted for by the linear equation, then the task is to find some value for  and  . If you had values for these coefficients,  describes the effect of a unit increase in X on Y. Often a regression line is a linear approximation to an underlying relationship and the intercept  only has a useful meaning if observations around X=0 occur in the data. As we have seen in the scatterplot above, there are no observations around the student-teacher ratio of zero, and it is therefore better not to interpret the numerical value of the intercept at all. Your professor most likely will give you a serious penalty in the exam for interpreting the intercept here because with no students present, there is no score to record. (What would be the function of the teacher in that case?)

            There are various ways to estimate the regression line. The command for regressing a variable Y on a constant (intercept) and another variable X is: ls Y c X, where “ls” stands for least squares. Here, working with the command window,[5] type

ls(h) testscr c str

where the “h” in parentheses indicates that you are using heteroskedasticity-robust standard errors (“c” stands for the intercept). The output appears as follows:

Dependent Variable: TESTSCR                                                   

Method: Least Squares                                                   

Date: xx/xx/xx   Time: xx:xx                                                         

Sample: 1 20                                                      

Included observations: 20                                                              

White Heteroskedasticity-Consistent Standard Errors & Covariance                                                             

                                                               

Variable               Coefficient           Std. Error            t-Statistic              Prob. 

                                                               

C                             ۷۴۷٫۰۹۷۶              ۴۷٫۱۹۸۸۸              ۱۵٫۸۲۸۷۲              ۰٫۰۰۰۰

STR                        -۴٫۸۸۰۱۴۱             ۲٫۲۸۴۲۸۸              -۲٫۱۳۶۳۹۵             ۰٫۰۴۶۶

                                                               

R-squared                             ۰٫۱۸۸۲۹۷                  Mean dependent var                    ۶۴۸٫۴۷۰۰

Adjusted R-squared          ۰٫۱۴۳۲۰۳                  S.D. dependent var                       ۲۱٫۹۲۵۸۳

S.E. of regression               ۲۰٫۲۹۵۲۸                  Akaike info criterion                    ۸٫۹۵۳۲۹۴

Sum squared resid            ۷۴۱۴٫۱۷۴                  Schwarz criterion                         ۹٫۰۵۲۸۶۷

Log likelihood                    -۸۷٫۵۳۲۹۴                 F-statistic                                         ۴٫۱۷۵۶۰۹

Durbin-Watson stat          ۰٫۴۸۴۱۲۱                  Prob(F-statistic)                             ۰٫۰۵۵۹۲۹

                                                               

            According to these results, lowering the student-teacher ratio by one student per class results in an increase of almost five points, on average, in the districtwide test score. Using the notation of your textbook, you should display the results as follows:

 = ۷۴۷٫۱ – ۴٫۸۸STR

                                                                          (۴۷٫۲) (۲٫۲۸)

            Note that the result for the 20 chosen school districts is more than twice as strong as for the sample of all 420 school districts. However, this is a rather small sample and the standard error of the estimator is relatively large.

  1. a) Entering Data from a Spreadsheet

So far you entered data manually. Most often you will work with larger data sets that are external to the EViews program, i.e., they will not be included in, or be part of, the program itself. This makes sense as data sets either become very large or are generated by another program, such as a spreadsheet.

Stock and Watson present the California test score data set in Chapter 4 of the textbook. Locate the corresponding Excel file caschool.xls and open it. Next, following the procedures discussed previously, open a new EViews workfile with 420 observations, and use the Quick/Edit Group (Empty Series) procedure. Return to the Excel file and mark F2:R421. Next, using the  “copy” and “paste” commands common to Windows programs, move the data block to EViews. You presumably are familiar with this procedure. This is what you should see in EViews:

Next you need to rename Ser01 to Ser13 with the names as they appeared in the original Excel worksheet. The names were as follows:

enrl_tot teachers calw_pct meal_pct computer testscr comp_stu expn_stu str avginc el_pct read_scr math_scr

            In the EViews program, click on Ser01, type enrl_tot, and press enter. You will be asked if you want to replace SER01 with ENRL_TOT. Say yes and continue. EViews is ready to receive the second variable name (teachers), and so on. Write in all the variable names. When you are done, you are ready to save the workfile. Name it caschool.wf1.

            You can now reproduce Equation (4.7) from the textbook. Use the regression command you previously learned to generate the following output (“freeze” the output and adjust the number of digits after the decimal point).

Dependent Variable: TESTSCR

Method: Least Squares                                                                   

Sample: 1 420                                                    

Included observations: 420                                                            

White Heteroskedasticity-Consistent Standard Errors & Covariance                                                             

                                                               

Variable               Coefficient           Std. Error            t-Statistic              Prob. 

                                                               

C                             ۶۹۸٫۹                     ۱۰٫۳۶                     ۶۷٫۴۴                     ۰٫۰۰

STR                        -۲٫۲۸                       ۰٫۵۲                        -۴٫۳۹                       ۰٫۰۰

                                                               

R-squared                             ۰٫۰۵            Mean dependent var                    ۶۵۴٫۱۶

Adjusted R-squared          ۰٫۰۵            S.D. dependent var                       ۱۹٫۰۵

S.E. of regression               ۱۸٫۵۸         Akaike info criterion                    ۸٫۶۹

Sum squared resid            ۱۴۴۳۱۵٫۴۸Schwarz criterion                         ۸٫۷۱

Log likelihood                    -۱۸۲۲٫۲۵   F-statistic                                          ۲۲٫۵۸

Durbin-Watson stat          ۰٫۱۳            Prob(F-statistic)                             ۰٫۰۰

            (You can find the standard errors and the t-statistic on p. 114 of the Stock/Watson textbook. The regression , sum of squared residuals (SSR), and standard error of the regression (SER) are presented in Section 4.8.)

Importing Data Files directly into EViews

Even though the cut and paste method seemed straightforward enough, there is a second, more direct way to import data into EViews from Excel, which does not involve copying and pasting data points. Start again with a new workfile in EViews. Next press Procs / Import Data/Read Text-Lotus-Excel. A dialog box will open, and you will first have to specify the location where your data file (caschool.xls) resides. After you double click on the file, another dialog box opens. The data in your Excel file are ordered by observation, so you do not have to change the automatic setting at the top. You do have to provide names for the series though, so copy the names of the variables from cell F1 (enrl_tot) to R1 (math_scr) in your Excel file. These have to be pasted into the empty field. Finally, EViews has suggested that the first data is in cell B2. Change this to F2, the first data point corresponding to enrl_tot. Before you click OK, you need to close the Excel file. The following window is what the dialog box should look like before hitting the return button. Note that EViews also allows you to import other types of data files, e.g. STATA files, although this may be a bit more complicated.

EViews will show that the data exist in the Workfile Window. You may want to check that the data were properly retrieved by typing Show testscr str or running the same regression as above.

Finally, you can also save data in ASCII or spreadsheet format by clicking on Procs and  then Export Data.

Multiple Regression Model

Economic theory most often suggests that the behavior of a certain variable is influenced not only by another single variable, but by a multitude of factors. The demand for a product depends not only on the price of the product but also on the price of other goods, income, taste, etc. Similarly, the Phillips curve suggests that inflation depends not only on the unemployment rate, but also on inflationary expectations, productivity growth, the change in price mark-ups, etc.

An extension of the simple regression model is the multiple regression model, which incorporates more than one regressor (see Equation (5.7) in the textbook).

i = 1,…,n.

            To estimate the coefficients of the multiple regression model, you proceed in a similar way as in the simple regression model. The difference is that you now need to list the additional explanatory variables. In general, the command is: ls Y c X1 X2 … Xk. See if you can reproduce the following regression output, which corresponds to Column 5 in Table 5.2 of the textbook.

Dependent Variable: TESTSCR

Method: Least Squares                                                   

Date: xx/xx/xx   Time: xx:xx

Sample: 1 420                                                    

Included observations: 420                                                            

White Heteroskedasticity-Consistent Standard Errors & Covariance                                                             

                                                               

Variable               Coefficient           Std. Error            t-Statistic              Prob. 

                                                               

C                             ۷۰۰٫۴                     ۵٫۵                          ۱۲۶٫۴۸                   ۰٫۰۰۰

STR                        -۱٫۰۱                       ۰٫۲۷                        -۳٫۷۷                       ۰٫۰۰۰

EL_PCT               -۰٫۱۳۰                    ۰٫۰۳۶                     -۳٫۵۸                       ۰٫۰۰۰

MEAL_PCT        -۰٫۵۲۹                    ۰٫۰۳۸                     -۱۳٫۸۷                    ۰٫۰۰۰

CALW_PCT        -۰٫۰۴۸                    ۰٫۰۵۹                     -۰٫۸۲                       ۰٫۴۱۵

                                                               

R-squared                             ۰٫۷۷۵         Mean dependent var                    ۶۵۴٫۱۵۷

Adjusted R-squared          ۰٫۷۷۳         S.D. dependent var                       ۱۹٫۰۵۳

S.E. of regression               ۹٫۰۸۴         Akaike info criterion                    ۷٫۲۶۳

Sum squared resid            ۳۴۲۴۷٫۴۶۳Schwarz criterion                         ۷٫۳۱۱

Log likelihood                    -۱۵۲۰٫۱۸۸ F-statistic                                          ۳۵۷٫۰۵۴

Durbin-Watson stat          ۱٫۴۳۰         Prob(F-statistic)                             ۰٫۰۰۰

                                                               

            The interpretation of the coefficients is equivalent to that of a controlled science experiment:  it indicates the effect of a unit change in the relevant variable on the dependent variable, holding all other factors constant (“ceteris paribus”).

            Section 5.8 of your textbook discusses the F-statistic for testing restrictions involving multiple coefficients. To test whether all of the above coefficients are zero with the exception of the intercept, click on View/Coefficient Tests/Wald-Coefficient Restrictions. The regression coefficients are stored in a vector c(1) to c(k+1), where the number in parentheses indicates the order of appearance in the regression output. Thus in the example c(1) is the intercept or constant term, c(1) is the coefficient on STR, and so forth. To execute the above test, enter the following and press enter:

            The computer will generate the following output:

Wald Test:                                                          

Equation: Untitled                                                            

                                                               

Null Hypothesis: C(2)=0                                  

                C(3)=0                                  

                C(4)=0                                  

                C(5)=0                                  

                                                               

F-statistic              ۳۶۱٫۶۸۳۵                              Probability          ۰٫۰۰۰۰۰۰

Chi-square           ۱۴۴۶٫۷۳۴                              Probability          ۰٫۰۰۰۰۰۰

            See if you can generate the F-statistic of 5.43 following Equation (5.40) in the text.

Data Transformations

You will be frequently required to transform some of the raw data that you received before you run a regression. In EViews you transform variables by using the “genr” (as in generate) command. For example, Chapter 6 of the Stock/Watson textbook introduces the polynomial regression model, logarithms, and interactions between variables. Let us reproduce Equations (6.11), (6.23), and (6.37) here. The following commands generate the necessary variables:

            Next run the three regressions using the same technique as for multiple regression analysis. Finally save your workfile again and exit the workfile.

Batch Files

 

So far, you have either clicked on buttons in EViews or used the “Command Window” to type executable statements. But what if you wanted to keep a permanent record of all the transformations you made, regressions you tried, graphs you created, etc.? In that case, you would need to create a “program” that consists of line commands similar to those that you used in the “Command Window” previously. After having created such a program, you can then execute (“run”) it and view the output afterwards (if you did not make any errors).

            To create a program, click on File and then New and Program. This opens the “Program” box. Type in, or cut and paste, the following commands exactly as they appear below. Use ‘ whenever needed at the beginning of the line to indicate that you have added a comment. These flags are useful if you want to remember later what you were doing or if you want others to understand your program. Then “save [it] as” “Tutorialch4.prg” in your directory and click the “Run” button. Make sure that the workfile “caschool.wf1”  resides in the same subdirectory. EViews will execute your commands. (To save time, you may want to omit some of the variable definitions, which appear in commented lines.)

‘ Stock and Watson

‘ chapters 4-7

‘ Chapter 4

open caschool.wf1

‘ DIST_CODE          DISTRICT CODE

‘ READ_SCR           AVG READING SCORE

‘ MATH_SCR           AVG MATH SCORE

‘ COUNTY          COUTY

‘ DISTRICT        DISTRICT

‘ GR_SPAN       GRADE SPAN OF DISTRICT

‘ ENRL_TOT      TOTAL ENROLLMENT

‘ TEACHERS     NUMBER OF TEACHERS

‘ COMPUTER     NUMBER OF COMPUTERS

‘ TESTSCR        AVG TEST SCORE (=(READ_SCR+MATH_SCR)/2)

‘ COMP_STU     COMPUTERS PER STUDENT (=COMPUTER/ENRL_TOT)

‘ EXPN_STU      EXPENDITURES PER STUDENT ($S)

‘ STR                 STUDENT TEACHER RATIO (TEACHERS/ENRL_TOT)

‘ EL_PCT           PERCENT OF ENGLISH LEARNERS

‘ MEAL_PCT     PERCENT QUALIFYING FOR REDUCED-PRICE LUNCH

‘ CLW_PCT       PERCENT QUALIFYING FOR CALWORKS

‘ AVING             DISTRICT AVERAGE INCOME (IN $1,000S)

‘ Summary statistics for str and testscr in Table 4.1

‘ Define a group and give the table a name (tab4_1).

group tab4_1 str testscr

tab4_1.stats

‘ Correlation between str and testscr

‘ Again, define a group first and then give it a name (cor_str_testscr)

group cor_str_testscr str testscr

cor_str_testscr.cor

‘ Equation 4.11

‘ Here is an example of how to use OLS in the program.

‘ You first define the equation and then use the by now familiar ls command.

equation eq4_11.ls(h) testscr c str

‘ Equation 4.33

‘ Below a binary variable is defined first by setting it to zero for the entire sample

‘ then to set it to one for observations (smpl stands for sample) where the student-teacher ratio is ‘ less than 20.

genr dsize=0

smpl if str<20

genr dsize=1

smpl 1 420

equation eq4_33.ls(h) testscr c dsize

     In the “caschool.wf1” workfile, you can now click on the equations or tables you have generated. “Eq4_11,” for example, has reproduced Equation (4.11) from your textbook. This is identical to the regression generated above.

     A summary of frequently used EViews commands is given at the end of the tutorial.

 

 

۳٫ Time Series Data

Let’s leave the cross-sectional data and move on to Chapter12 in the textbook. This is where EViews is superior to other regression packages, such as SAS, SPSS, or STATA, which are more suitable for cross-sectional analysis.

            In the time series chapters of the textbook, you will use past values or lags of variables to forecast the dependent variable or for data transformations. We refer to “(t-1)” as a lag (similarly, “(t+1)” is a lead). Imagine you had entered the data for the CPI, but you wanted to forecast the inflation rate or the change in the inflation rate. The next step is therefore to transform the raw data. Specifically,

            To create past values of variables, you generate a lag by adding a “(-۱)” after the variable name in the “genr” statement. In a spreadsheet, this amounts to copying an entire data series and pasting it into a new column one observation down: the first observation becomes the second observation, etc. The procedure generalizes to higher lags: Xt-12 is X(-12).[6]

            Type or copy and paste the following lines of code into a new program and run it. See if you understand the code in terms of generating the inflation rate and its change. Because the short-run Phillips curve suggests a negative relationship between the unemployment rate and the future change in the inflation rate, we also need to calculate the change in the inflation rate, or . In the program below, this variable is called “dinf”. You need the workfile “ch12_plus_14.wf1,” which you can download from the Web site.

            After running the program, click on some of the figures and equations to view the output.

 

 

‘ Stock and Watson

‘ chapter 12_plus_14

‘ Chapter 12

open ch12_plus_14.wf1

‘ LHUR               Unemployment Rate U.S.

‘ PUNEW           Consumer Price Index U.S.

‘ FYFF                    Federal Funds Interest Rate U.S.

‘ FYGM3            ۳-Month Treasury Bill Interest Rate U.S.

‘ FYGT1             ۱-Year Treasury Bond Interest Rate

‘ EXRUK            Dollar-Pound Exchange Rate

‘ GDP_JP           Real GDP Japan

smpl 1959:1 2005:4

‘ generate the annualized inflation rate and its change

genr lpunew=log(punew)

genr inf=400*(lpunew-lpunew(-1))

genr dinf=inf-inf(-1)

genr yeardinf=inf-inf(-4)

‘ Figure 12.1

smpl 1960:1 1999:4

group Fig12_1 inf lhur

Fig12_1.line(m)

freeze(InflatUR) Fig12_1

‘ Equation 12.13

smpl 1962:1 1999:4

‘ EViews allows you to use (-i) in an equation on variables

‘ that you did not have to generate previously

equation eq12_13.ls(h) dinf c dinf(-1) dinf(-2) dinf(-3) dinf(-4)

‘ Figure 12.13

group Fig12_3 lhur(-4) yeardinf

Fig12_3.scat(r)

freeze(Phillips) Fig12_3

‘ Equation 12.17

equation eq12_17.ls(h) dinf c dinf(-1) dinf(-2) dinf(-3) dinf(-4) lhur(-1) lhur(-2) lhur(-3) lhur(-4)

 

 

۴٫ Summary of Frequently Used EViews Commands

 

 

     The command ‘genr’ creates new variables and modifies existing variables.

Examples:

genr expn=expn_stu/1000

generates the expenditure variable used in the textbook by dividing the original data by 1,000.

genr avginc2=avginc^2

genr lavginc=log(avginc)

create the square and log of average income, respectively.

     Note that commands of the type

genr testscr = testscr/100

simply modify an existing variable.

The most frequently used operators are + (addition), – (subtraction), * (multiplication), / (division), ^ (exponentiation). Log(x) calculates the natural logarithm of x (see the above example) and exp(x) computes the exponent of x.

     When working with time series data, lags are frequently used. EViews allows you to create these simply by entering (-i) immediately after the variable name:

genr dinf=inf-inf(-1)

genr yeardinf=inf-inf(-4)

The first command generates the quarterly change in the inflation rate (assuming that you work with quarterly data), while the second generates the annual change in the inflation rate.

     The sample range is set through the ‘smpl’ command. The command is of the type: smpl n1 n2, where n1 and n2 are the beginning and end dates (first and last observations) for which EViews will execute the commands that follow.

Examples are

smpl 1 420

smpl 1959:1 2001:4

In the first case, EViews is instructed to use all 420 observations of the California Test Score Data Set used in Chapters 4-7. The second example restricts the sample to the first quarter of 1959 to the last quarter of 2001.

     Note that you can work with a subsample by using relational operators.

smpl if str>=20

only looks at observations with a student-teacher ratio of less than 20.

     The most frequently used statistical operations involve running regressions (‘ls’), establishing the correlation between variables (‘cor’), and graphing variables (‘line’). EViews creates results by storing them in so-called objects. Initially, you will use the ‘equation’ object and the ‘group’ object most often, as in the following examples:

equation eq4_7.ls(h) testscr c str

equation eqtab5_2_5.ls(h) testscr c str el_pct meal_pct calw_pct

equation eq12_7.ls(h) dinf c dinf(-1)

     In each case, an equation object is declared first and a name is assigned to it. ‘ls’ then instructs EViews to use OLS estimation for the equation. The dependent variable appears first, followed by the regressors, where ‘c’ is used for the intercept (‘c’ is a reserved name in EViews, meaning that you cannot use it to generate a variable called ‘c’).

     To create a line graph or to view the correlation between variables, you first must assign the variables to a group and name this group. Next, you execute the correlation and graphing through the ‘cor’ and ‘line’ command. Examples:

group cor_str_testscr str testscr

cor_str_testscr.cor

     Here the variables str (student-teacher ratio) and testscr (testscore) are assigned to a group called cor_str_testscr (the name was chosen to indicate what the group was used for, but we could have named it almost anything alternatively), and EViews is then instructed to calculate the correlation between the variables in the group. The group can contain more than two variables.

     In the following example, inf (inflation) and lhur (unemployment rate) are assigned to a group called Fig12_1 and are then plotted (where ‘m’ is an option that allows for the display of multiple graphs).

group Fig12_1 inf lhur

Fig12_1.line(m)

۵٫ Final Note

For a complete list of commands, consult the  EViews Command and Programming Reference or the User’s Guide. Alternatively, use the “Help” command inside EViews. As mentioned before, this tutorial is not intended to replace them.

     EViews replication batch files for all the results in the Stock/Watson textbook are available from the Web site. You are invited to download these and study them.

[۱] All results in this tutorial were computed using EViews 3.1. This was done to allow the tutorial to be used by students who either have bought the EViews 3.1 Student Version and/or use EViews in labs/networks that have not upgraded from the previous version. Some of the features missing from Version 3.1 are the DF-GLS test discussed in Chapter 14 and some statistical features, such as computing summary statistics by quantiles (see, for example, Table 4.1).

[۲] Alternatively the same graph can be generated by marking the variable str first and then double clicking on it. In the resulting Series window, click on View /Line Graph.

 

[۳] Pushing buttons is relegated to footnotes from here on. You should work with commands now. If you have to, mark testscr and str this time, select View and then Graph in the Group Window (or in one graph below the other: select View and then Multiple Graphs).

[۴] Double click on the graph that displays the test score and the student-teacher ratio in the same graph. The dialog box opens. In the upper-left corner choose Scatter Graph under Graph Type. Experiment with the options, including the Freeze button, until you can replicate the graph above.

 

[۵] If you are working in a Group Window, possibly by having invoked the Show option, then click on Procs. Next press Make Equation, and a dialog box will open. If EViews has not suggested a regression of the test score on the student-teacher ratio plus a constant (“C”; this letter is reserved in EViews for the constant – actually a vector of ones – and you are not allowed to give another variable this name), then type in the variable names in that order (EViews takes the first variable as the dependent variable; it does not matter if you place the constant before the explanatory variable or after). Alternatively, start in the Main menu and click on Objects and the New Object and finally Equation. The same dialog box will open.

[۶] In mathematics, a lag is defined (loosely) through the use of  a “lag-operator” L, where Lixt= xt-i. Similarly, the “difference operator”Δ = (۱ – L), so that Δxt = xtxt–۱. See Appendix 12.3 of the textbook for more details.

انواع نمودارهای آماری

انواع نمودارهای اماری

انواع نمودارهای اماری

در این مرکز ، رسم انواع نمودارهای اماری امکان پذیر می باشد.

انواع نمودارهای آماری

انواع نمودارهای آماری عبارتند از:

نمودار میله ای

اگر نقاط متناظر با متغیرها (یا مرکز دسته ها) را روی محور xها مشخص كنیم و روی هر نقطه پاره خطی به ارتفاع فراوانی(مطلق یا نسبی) نظیر آن رسم كنیم، شكل حاصل نمودار میله ای می باشد.

این نمودار برای متغیرهای كیفی و كمی گسسته مناسب است.مانند تعداد فرزندان خانواده یا تعداد حوادث رانندگی در طول یک روز. و بیشتر برای مقایسه فراوانی ها استفاده می شود.

نموادار مستطیلی یا هیستوگرام

هیستوگرام نموداری است مرکب از چند مستطیل که از روی جدول فراوانی داده های پیوسته ساخته میشود.در این نمودار تعداد مستطیل ها برابر است با تعداد دسته ها و ارتفاع هر مستطیل برابر است با فراوانی نسبی دسته مربوطه.

اگر طول دسته ها با هم برابر برابر باشند، فراوانی دسته ای كه مسـاحت آن بـزرگتـر است، بیشتر خواهد بود. در واقع فراوانی متناسب با مساحت مستطیل هاست.

نمودار مستطیلی برای داده های كمی پیوسته مناسب است.

نمودار چندبر فراوانی

در این نمودار نقاطی از صفحه را مشخص می كنیم كه طول آنها برابر مركز دسته ها و عرض آنها، فراوانی (مطلق یا نسبی) همان دسته است. با به هم وصل كردن این نقاط نمودار چندبر فراوانی به دست می آید. در چندبر فراوانی، دو دسته با فراوانی صفر به ابتدا و انتهای ها اضافه می کنیم . به این وسیله مساحت چندبر فراوانی با مساحت نمودار مستطیلی متناظرش برابر می شود.

نمودار چندبر فراوانی برای داده كمی پیوسته مناسب است.

نمودار چند بر فراوانی را می توان با داشتن فراوانی نسبی نیز رسم كرد كـه آن را چنـدبر فرا ونـی نسـبی مـی گـوییم. در ایـن صـورت اطلاعات منسجم تری در اختیار ما قرار می گیرد. می توان فراوانی را با كل جامعه مقایسه كرد. اگر بخواهیم تغییرات متغیر را در فاصله بین دو دسته یا در خود دسته بهتر نشان دهیم از نمودار چندبر فراوانی استفاده می كنیم.

بیشتر بخوانید : تحلیل آماری

با افزایش داده یا كوچكتر شدن حدود دسته ها چندبر به یك منحنی شبیه شود می از این رو این چندبر فراوانی بـه منحنـی فراوانـی تغییر نام می دهد.

منحنی نرمال

منحنی ای ست كه در اكثر پدیده ها ی طبیعی ظاهر می شود و شكلی شبیه زنگوله دارد و سطح زیر منحنی آن برابر فراوانـی ها مطلق داده ست. (اگر منحنی را با فراوانی نسبی رسم كنیم سطح زیر منحنی برابر۱ است) این منحنی دارای ماكسیمم است و فراوانی در دو طرف این ماكسیمم به طور یكنواخت به سمت صفر میل می كند. این منحنی متقارن است.

نمودار دایره ای

برای رسم نمودار دایره ای، مساحت دایره را به وسیله قطاع هایی به نسبت فراوانی ها تقسیم می كنیم. اگر فراوانی دسته ای معلوم باشد، زاویه هر قطاع از رابطه زیر بدست می آید. نمودار دایره ای امكان مقایسه بین فراوانی ها را با سرعت بیشتر فراهم می كند.

معمولا از این نمودار برای نمایش داده هایی که بر حسب صفت کیفی بیان شده اند استفاده می شود.

نمودار تجمعی

هنگامی كه جدول توزیع فراوانی در دست است از این نمودار استفاده می كنیم.در این نمودار حدود دسته ها منطبق بر محور ها x ست و در انتهای هر دسته فراوانی تجمعی(مطلق یا نسبی) دسته متناظر قرار می گیرد. این نمودار همواره به صورت صعودی است.

نکته: نمودار تجمعی صعودی است و حتماً از مبدأ شروع می شود.

الکتره

الکتره : يکي از ايرادات روش تخصيص خطي، در نظر نگرفتن اختلاف ارزش گزينه ها در رتبه بندي آنها در هر شاخص است. روش ELECTRE اختلاف ارزشي گزينه ها در تصميم گيري در نظر گرفته مي شود.در اين روش گزينه ها دو به دو مقايسه شده، نهايتاً برتري يک گزينه به گزينه ديگر مشخص مي شود. Ak→Al يعني تصميم گيرنده ريسک عدم برتري Ak بر Al را پذيرفته است.

روش الکتره در مبحث تحلیل آماری از دسته روش های تصمیم گیری است که در ان شاخص های کمی و کیفی مورد استفاده قرار می گیرند و با مقایسه دو وجهی میان گزینه ها رتبه بندی انها بدست می اید. مسایل چند شاخصه به صورت قراردادی با یک مجموعه از گزینه ها شاخص ها و مقادیر برتری بیان می شوند. در این مسایل باید مجموعه ای از گزینه ها ارزیابی شوند که ارزیابی مورد نظر با مجموعه ای از شاخص ها صورت می گیرد. در مقابل روش های سنتی که دو رابطه ی برتری و بی تفاوتی را در مقایسه دو گزینه در نظر می گرفتند روش الکتروه مفوهم استانه بی تفاوتی – ارزش استانه برتری و روابط برتری را به شکل زیر معرفی می کند.

بنابراین به طور خلاصه می توان گفت که در یک مدل جامع برتری در روش الکتره تصمیم گیرنده با سه حالت متفاوت روبه رو است.

مراحل انجام الکتره :

  • تشکيل ماتريس تصميم بي مقياس شده وزني
  • تشکيل مجموعه هاي هماهنگ و ناهماهنگ براي ترتيب هاي دوتايي گزينه ها
  • محاسبه شاخص هاي هماهنگي و ناهماهنگي و تشکيل ماتريس هاي مربوطه
  • تشکيل ماتريس هاي هماهنک موثر و ناهماهنگ موثر
  • تشکيل ماتريس کلي موثر و مشخص کردن ترتيب ارجحيت ها

آشنایی با روش دلفی و كاربرد آن در تصميم گيری

آشنایی با روش دلفی و كاربرد آن در تصميم گيری : آينده نگري و پيش بيني تحولات از نيازهاي اساسي برنامه ريزان و مديران است. روش دلفي كه يكي از دستاوردهاي جنگ سرد است در ابتدا براي برآورده ساختن اين نياز پديد آمد. اما رفته رفته با توجه به سازوكار انجام اين روش كه مبتني بر انجام نظرسنجي از متخصصان است، براي حل مسائل پيچيده و تصميم گيري در امور بغرنج به كار آمد. در برداشت هاي جديد اين روش را فرآيندي ارتباطي دانسته اند كه اجازه مي دهد گروه براي حل يك مساله پيچيده، بدون كنش متقابل رودررو با مواجهه تك تك اعضاي گروه، به توافق برسد. هم اكنون روش دلفي ابعاد كاربردي بسياري يافته و در رشته هاي متعددي مانند بازرگاني، صنايع، سياست، و همچنين برنامه ريزي شهري و منطقه اي مورد استفاده است. اين روش در ايران چندان شناخته شده نيست. حال آنكه با توجه به پيچيده شدن امور طي سالهاي اخير تمامي افرادي كه كارشان تصميم گيري و برنامه ريزي است از روش دلفي بي نياز نيستند. افرادي مانند مديران سازمان هاي ملي، منطقه اي و محلي، شهرداران و اعضا شوراهاي اسلامي شهر.

اين مقاله قصد دارد تا به شكلي مقدماتي، مفاهيم و مباني اساسي اين روش را به خواننده معرفي كند.

مقدمه

زمان نگارش اين نوشتار آغازين روزهاي سده بيست و يكم و همچنين هزاره سوم ميلادي است. همانند سپيده دم آغاز تمدن و تفكر، انسان هاي بسياري در عرصه هايي مانند سياست، برنامه ريزي، مديريت و آموزش مشتاقند بدانند چه تحولات مهمي در سده و حتي هزاره جديد اتفاق خواهد افتاد. اين اشتياق آدمي را در معناي عام Futurism و در معناي علمي آينده نگري Prospective مي نامند. در دايره المعارف علوم اجتماعي در توضيح اين مفهوم آمده است: «از مفهوم Prospicere به معناي مقابل خود را نگريستن اخذ شده است و به معناي نگاه به آينده اي نزديك به منظور پيش بيني حوادث آن است. آينده نگري نه تنها در قلمرو دانش بلكه در حيطه هنر نيز مطرح مي شود. به زغم پي ير ماسه آينده نگري به معناي جستجوي طريقه اي نو در دانش است كه در آن آينده را به عنوان نتيجه اي از اعمال كم و بيش آزاد و واكنش هاي كم و بيش قابل پيش بيني در نظر مي گيرند» (ساروخاني. ۱۳۷۰٫ ۵۸۱)

پيش بيني آينده و آينده نگري همواره دغدغه بشر و منشاء بيم و اميد براي او بوده است. در گذشته وظيفه خبرآوري از آينده بر عهده جادوگران، پيشگويان، ستاره شناسان و فيلسوفان بود. بخش عمده اي از تعاليم پيامبران را نيز، تبشير و تنذير نسبت به آينده تشكيل مي داد. با گسترش تدريجي سپهر دانش، آينده نگري هم بخشي از دل مشغولي هاي انديشمندان گرديد و روش هايي براي آن ساخته و پرداخته شد. اين روش ها را مي توان به ترتيب زير برشمرد:

۱- روش تخيلي- فلسفي

۲- روش تاريخي- فلسفي

۳- روش فرافكني روند Extrapolation

۴- روش شبيه سازي Simulation

۵- روش بازنگري Monitoring

۶- روش صحنه سازي Scenario Cerativity

۷- روش واكنش شناسي Cross Impact Analysis

۸- روش سروش يا دلفي Delphi

۹- روش هنجاري Normative يا آينده نگري

در ميان اين روش ها، با توجه با اهميت كاربردي، روش دلفي جايگاه خاص خود را دارد. اين روش در عرصه هايي مانند سياستگذاري و برنامه ريزي كلان و همچنين دستيابي به اجماع براي شناخت و حل مسائل پيچيده ابزار دست سياستگذاران و مديران در كشورهاي توسعه يافته است. در اين مقاله تلاش مي شود تا اين روش معرفي گردد.

پيشينه

قديمي ترين ريشه هاي روش دلفي به معبد آيولون در شهر دلفي در يونان باز مي گردد. شهر دلفي در دامنه جنوبي كوه بارناسوس و بر فراز يكي از دهانه هاي بزرگ خليج كورنت قرار دارد. از نظر منظر جغرافيايي، سيماي شهر دلفي و پيرامون آن به گونه اي بود كه يونانيان قديم را به اين اعتقاد واداشت كه در آن جا خدايان زندگي مي كنند. ويل دورانت (۱۳۷۲، ۱۲۴) در كتاب تاريخ تمدن مجلد مربوط به يونان باستان مي نويسد: «بالاتر از اين صخره ها، قله هاي دوگانه كوه بارناسوس قرار دارد. يونانيان براي رسيدن به اين قله ها صدها كيلومتر از روي صخره هاي دشوار بالا مي رفتند. مه انبوه و دريايي كه اشعه خورشيد بر آن مي تابد. به آن نقطه منظره اي زيبا و خوف انگيز مي داد. از اين رو يونانيان باور داشتند كه آنجا خدايي وحشتناك سكونت مي كند. اينان زلزله هاي متعددي را كه در آن نقطه رخ داده و باعث ترس مهاجماني چون ايرانيان و مردمان فوكيس و گل شده بود، دفاع خدايان از مقر خويش تلقي مي كردند.

مومناني از ديرباز به آنجا مي رفتند تا از بادهايي كه ميان دره ها مي وزد، يا گازهايي كه از نهاد زمين برمي خيزد، آواز و اراده خدايان را بشنوند. سنگ بزرگي كه كنار مخرج گازهاي زمين قرار داشت به نظر يونانيان مركز يونان و ناف عالم بود. نزديك اين سنگ بود كه يونانيان در آغاز براي گالايا، الاهه زمين، و بعدها براي آپولون معابدي ساختند».

حوادث جهاني كه يونانيان در آن زندگي مي كردند به اراده شياطين، ارواح و خدايان بستگي داشت. پس لازم بود تا براي آگاهي از اراده خدايان، شياطين و ارواح به سراغ غيبگويان، ستاره شماران، خوابگزاران، وخش ها و غيره رفت و درباره زندگي با آنان مشورت كرد. اهميت ستاره شماران و غيبگويان تا اندازه اي بود كه گاهي به خدمت خاندان ها، ارتش ها و دولت ها در مي آمدند. در بسياري از معابد يونان، وخشهاي بسيار وجود داشتند. معززترين و مشهورترين آنها در روزگار قديم وخش معبد زئوس در دودونا، و در دوره بعد، وخش معبد آپولون در دلفي بود… يونانيان زنان را براي پذيرش وحي و الهام آماده تر مي دانستند. از اين رو، در معبد آپولونه سه پيرزن خدمت مي كردند. در اين معبد از شكافي كه در كف معبد قرار داشت گازي مرموز بيرون مي آمد. مردم مي گفتند كه اين گاز از لاشه اژدهايي به نام پوتون، كه به دست آپولون كشته شده است برمي خيزد. زن غيبگو كه براي پذيرفتن وحي آمادگي داشت پشت ميز بلند سه پايي مي نشست و گاز مقدس را كه بسيار بدبو بود استنشاق مي كرد و برگهاي تخديرآوري مي جويد و به حال بيخودي مي افتاد. سپس بريده بريده سخناني به زبان مي آورد كه به وسيله كاهنان براي حاضران ترجمه مي شود (همان، ۲۱۸). در تاريخ يونان آمده كه اشخاص مشهوري مانند هراكلس و آريستودموس شاه مسينا با وخش معبد دلفي به مشورت پرداخته اند.

اما پيشينه روش دلفي به عنوان ابزاري علمي براي پيش بيني آينده به دهه ۱۹۵۰ ميلادي برمي گردد و يكي از دستاوردهاي جنگ سرد (Cold War) است. آغاز كاربرد اين روش به پژوهشي درباره مسائل پيچيده دفاعي برمي گردد كه نورمن دالكي و اولاف هلمر (Norman Dalkey & Olat Helmer) در شركت رند (RAND) كه به عنوان خزانه فكر (Think tank) عمل مي كرد، انجام دادند. روش دلفي از نيمه دهه ۱۹۶۰ به عنوان يك روش علمي مهم در جوامع علمي شناخته شده است.

تعاريف و برداشت ها

در منابع مختلف تعاريف و برداشت هاي متعددي از روش دلفي شده است. برخي از اين تعاريف عبارتند از:

۱- «روشي براي توسعه و بهبود اجماع گروهي است».

(Anderson and others, 1975, 121)

۲- «در اين روش ما به دنبال توافق گروهي هستيم. زيرا اين اعتقاد وجود دارد كه چند كارشناس مي توانند از يك نفر در امر پيش بيني صاحب نظرتر باشند» (سيد جوادين، ۱۳۷۵، ۱۰۳).

۳- فرآيندي ارتباطي است كه اجازه مي دهد تا گروه براي حل مسأله اي پيچيده بدون كنش متقابل رودررو با مراجعه تك تك اعضاي گروه، به توافق برسد». (Ghourchian, 1994, 95)

۴- «روش دلفي براي حل مسائل و تصميم گيري به كار مي رود» (Sahkian, 1997)

۵- «روش پيش بيني رويدادهاي آتي است بر پايه نظر سنجي داوري هاي افراد متخصص درباره هر موضوع». (Javy and Julial, 1991)

عناصر مشترك اين تعاريف گرد اين موضوع است كه دلفي:

۱- روش (Method) يا فني (Technique) علمي است.

۲- براي پيش بيني آينده

۳- بر پايه اجماع نظرات متخصصاني كه با يكديگر تماس رودررو نداشته اند.

از اين رو مشخص مي گردد كه در روش دلفي، همه افراد اين شانس را ندارند تا در جريان تحقيق به عنوان پاسخگو وارد شوند و نيازي به نمونه گيري نيست. اين موضوع از وجوه تمايز اين روش يا روش هاي مرسوم مانند پيمايش (Survey) است. در اين روش بر حسب موضوع كه مي تواند سياست، آموزش يا محيط زيست باشد. بايد به سراغ متخصصان رفت. افرادي كه دانش و آگاهي كافي درباره موضوع دارند و نظرات آنان به عنوان صاحب نظر و متخصص مورد پذيرش ديگران است.

اهداف و كاربردها

هدف اصلي روش دلفي را مي توان پيش بيني آينده دانست كه بر پايه همگرايي انديشه هاي متخصصان حاصل شده است. در اين روش حدسيات فردي در مورد تكامل آينده بايد تصحيح شود. پيدايش هنجار گروهي تخصصي نتيجه مورد نظر است. اهداف مهم ديگر اين روش عبارتند از حل مسائل پيچيده و كمك به تصميم گيري در مورد مسائل بغرنج. اين روش با اين هدف طراحي شده كه براي حل مسائل پيچيده و مهمي به كار رود كه پرداختن به آن از توانايي هاي يك نفر فراتر مي رود. اين روش در امور برنامه ريزي، مديريت و مسائل اجرايي كاربرد دارد و رشته هاي متعدد دانش مانند بازرگاني، سياست، صنايع، پزشكي، برنامه ريزي آموزشي، برنامه ريزي شهري و ناحيه اي مي توانند از آن استفاده نمايند.

«اگرچه فن دلفي در كاربردهاي آغازين خود عمدتاً ابزار پيش بيني بود. در حال حاضر بيشتر به عنوان فرايندي (Process) براي بهبود ارتباطات و ايجاد توافق در حل هر مسأله پيچيده به كار مي رود» ۱۹۹۴٫ (Ghourchian, 97) روش دلفي، روشي كاربردي است و بسيار مورد استفاده رشته هايي مانند بازرگاني و آموزش است. نگاهي به عناوين كتابهاي مربوط به روش دلفي مانند:

Gazing into Oracle: The Delphi Method and its Application to Social Policy and Health (1995).

حكايت از اهميت كاربردي اين روش مي كند.

اجراي روش

روش دلفي به دنبال دريافت نظرات متخصصان است. از اين رو بيش از آغاز كار بايد برحسب موضوع، متخصصان شناسايي گردند. به اين افراد، اعضاي هيأت منصفه دلفي نيز گفته مي شود.

به طور كل، اجراي روش دلفي به شرح زير است:

الف) شركت كنندگان انتخاب مي شوند و از آنان خواسته مي شود در پاسخ به مجموعه اي از پرسش هاي يك پرسشنامه بسته به موضوع، افكار، پيشنهادها، توصيه ها يا پيش بيني هاي بي نام و نشان خود را عرضه دارند.

ب) هر شركت كننده بازخورد دوره اول مانند ميانه (Median) پاسخ هاي همه شركت كنندگان را دريافت مي كند و دور دوم پاسخگويي براي مشخص ساختن شدت سازگاري يا ناسازگاري با ميانگين پاسخ هاي گروه آغاز مي گردد.

پ) بار ديگر بازخورد به شركت كنندگان برحسب ميانه پاسخ گروه و همچنين براي مشخص ساختن اينكه چرا برخي شركت كنندگان با ميانه پاسخ ها موافق نيستند، داده مي شود.

ت) پس از بروز دلايل افكار اقليت، شركت كنندگان دوباره پاسخ مي گويند.

ث) مراحل (ب) و (ت) مي تواند تكرار شود، هرچند همگرايي (Convergence) افكار معمولاً بعد از يك دور از انجام اين دو مرحله خيلي افزايش نمي يابد.

از تحقيقاتي كه با استفاده از روش دلفي انجام شده اند مي توان به پژوهش اهل (Uhl) در سال ۱۹۷۱ درباره اهداف سازماني و تحقيقات هلمر و گوردون (Helmer & Gordon) درباره پيش بيني رويدادهاي پنجاه سال آينده اشاره كرد. در اينجا به طور خلاصه مراحل انجام اين تحقيق بيان مي شود.

در سال ۱۹۶۳ گوردون و هلمر در دور اول تحقيق خود از متخصصان خواستند تا بر اساس پرسشنامه كتبي كه برايشان ارسال شده بود، رويدادهاي پنجاه سال آينده را پيش بيني كنند. بر اساس پاسخ هاي دريافتي، فهرستي مشتمل بر ۴۹ مسأله و رويداد تهيه شد. در دور دوم اين فهرست بار ديگر براي متخصصان ارسال شد و آنان از نظرات ديگران آگاه شدند. در اين دور از شركت كنندگان خواسته شد تا بنويسند هر يك از رويدادها و مسائل با چه احتمالي به وقوع خواهد پيوست. پس از دريافت پاسخ ها مشخص شد كه شركت كنندگان در مورد چند مسأله (۱۰ مورد از ۴۹ مسأله) اتفاق نظر دارند. در دور سوم، نتايج دور دوم يعني توافق نظر درباره ۱۰ رويداد بار ديگر براي شركت كنندگان ارسال شد. از ۳۹ رويداد باقي مانده كه اختلاف نظر درباره آنها وجود داشت محققان خود ۱۷ رويداد مهم را انتخاب كردند و براي شركت كنندگان فرستادند. از متخصصان خواسته شد كه توضيح دهند چرا نظر آنان با نظرات اكثريت در مورد اين ۱۷ رويداد فرق دارد. اين اقدام سبب شد تا شركت كنندگان در مورد اين ۱۷ رويداد تعمق بيشتري كنند و آنها را به صورت جديدي بازگو نمايند. از اين طريق آنان نظراتشان را با نظرات ميانه (Median) تطبيق دادند. در پايان دور سوم تفاوت نظرها بسيار كاهش يافت و از نظر آماري پراكندگي چارك ها (Quaritle) محدودتر شد.

در دور چهارم نتايج دور سوم براي شركت كنندگان ارسال شد و تلاش شد تا مانند گذشته اتفاق نظر بيشتري به دست آيد. همچنين از شركت كنندگان پرسيده شد كه آيا آنان تك تك اين رويدادها را قابل تحقق و مفيد مي دانند؟ نتايج اين كار در تصاوير و متون مختلف بازگو شد (رفيع پور، ۱۳۶۴، ۱۱۰)

در نهايت شش مسأله مورد توافق عبارت بودند از: رشد جمعيت، نوآوري هاي علمي، اتوماسيون، برنامه هاي فضايي، پيش بيني هاي مربوط به امكان جنگ و ماهيت سيستم هاي سلاح هاي جنگي در آينده. يك وجه مهم در مراحل يا دورهاي روش دلفي، قضاوت درباره نتايج، تخمين ها و نظرات متضاد درباره دور قبل است. هريك از متخصصان شركت كننده در اين نظرخواهي كتبي، مكرر اين امكان را دارد تا نظرات شخصي خود را نظرات و عقايد ديگران مقايسه و در آنها تجديدنظر كند. در هنگام اجراي روش دلفي «افراد لزوماً يكديگر را نمي شناسند و برخورد روياروي با هم ندارند» (الواني، ۱۳۷۶، ۱۳۰). ايجاد ارتباط ميان افراد توسط شخص واسطه (Intermediary) انجام مي شود. او وظيفه دارد تا در هر دور اطلاعات را خلاصه كند و به هر يك از شركت كننده ها بدهد و پاسخ ها را دريافت دارد.

«اين نكته هم قابل ذكر است كه بسياري از مطالعاتي كه با فن دلفي انجام شده اند، از پرسشنامه استفاده كرده اند. مطالعات كمي هم هستند كه اين فن را براي كاربرد رايانه اي تطبيق داده اند و اين امكان را براي شركت كنندگان فراهم ساخته اند تا از طريق پايانه هاي جداگانه پاسخ گويند.» (Ghourchian, 1994,96)

دربرخي مطالعات مربوط به پيش بيني آينده مثلاً در زمينه محيط زيست، نياز به استفاده از نظرات متخصصان در كشورهاي مختلف است. در اين مطالعات، كار ابعاد بسيار گسترده تر مي يابد و نيازمند هزينه، زمان و سازمان كار پيچيده است. از اين رو امكان استفاده از روش دلفي با توجه به هزينه ها و امكانات تا اندازه زيادي در اختيار سازمان ها و مراكزي است كه از نظر مالي وضعيت مناسبي دارند، مانند ارتش و سازمان هاي بزرگ صنعتي و بازرگاني.

امتيازها

براي روش دلفي امتيازهاي متعددي برشمرده اند، برخي از آنها عبارتند از:

۱- در اين روش، فشار گروهي به حداقل ممكن كاهش مي يابد و افراد بدون آن كه تفكر گروهي بر نظرات و افكار آنان سايه افكند، مي توانند آزادانه نظرات و افكار و تأملات (Rellection) خود را بيان كنند.

۲- با حذف كنش متقابل رودررو. اين روش مانع از مشكلاتي مانند نفوذ افراد مسلط بر تصميمات گروهي مي گردد.

۳- در اين روش افراد فرصت مي يابند با ديدي بيطرفانه به قضاوت و داوري بپردازند.

۴- براي حل مسائل پيچيده. روش دلفي كمك مي كند تا به اجماع گروهي به جاي نظرات تك تك افراد دست يابيم.

۵- ناشناخته ماندن شركت كنندگان سبب تشويق تأملات و صداقت در بيان ايده ها و گزينه هاي نوين مي گردد.

۶- پيش بيني دلفي. يك روش تحليلي نظام پذير با عقايد و قضاوت هاي ارزشي و تحليل آنهاست. دلفي، يك تحليل پايان يافته باز است كه ممكن است نتايج به دست آمده مورد قبول واقع شود و يا مورد پذيرش قرار نگيرد…. دلفي داراي امتيازاتي است كه تحليل كمي سنتي فاقد آن است.

– از قضاوت سالم بهره مند است.

– افق هاي تازه اي را در تصميم گيري منطقي نشان مي دهد.

– به صورت زرادخانه برنامه ريزان است و وسيله اي مهم در آينده نگري مي باشد (شكوهي، ۱۳۶۴، ۷۲).

۷- مانع از دست دادن زمان و انرژي براي تصميمات نامربوط يا مغرضانه كه در بحث هاي گروهي معمول است، مي گردد.

۸- در اين روش از آمار استفاده مي شود و در اتفاق آراي آن نسبت به مسائل مختلف جبر و زور تاثير ندارد.

۹- براي پاسخ گويان امكان ارزيابي مجدد نظريات و فرصت كافي براي بررسي آنها وجود دارد.

كاستي ها

مهمترين نواقص روش دلفي را مي توان به شرح زير برشمرد.

۱- روش دلفي پايه نظري ضعيفي دارد و دانش كمي درباره متغيرهايي دارد كه بر فرايند آن مؤثرند.

فقدان چارچوب نظري را عمده ترين ضعف اين روش دانسته اند. همين موضوع سبب شده تا برخي دلفي را فن (Technique) بدانند.

۲- «فن دلفي تنها يك مرحله آغازين است و صرفاً مي كوشد تا به اجماع دست يابد. و اين اجماع ضرورتاً دقيق ترين نظر نيست» (Anderson and others. 1975,122)

۳- اين روش كار زيادي مي برد، كارهايي مانند ترسيم جدول، نگهداري اطلاعات و پست

۴- انجام اين روش هزينه زيادي در بردارد.

۵- دقت پيش بيني روش دلفي براي كوتاه مدت و ميان مدت كم است.

۶- روش دلفي از نظر روان شناسي نيز داراي نقيصه مهمي است كه آن را عملاً بي اعتبار مي سازد، زيرا در اين روش در اصل كوشش مي شود كه با نزديك كردن مصنوعي عقايد متخصصان به يكديگر از نظر آماري توزيع اطراف ميانه محدود شود (رفيع پور، ۱۳۶۴، ۱۱۳). اما نخواستن نام و پرسشنامه هاي بي نام، تأثير هنجارهاي اجتماعي و فشار به سوي همرنگي و هم شكلي (Conformity) را خنثي نخواهد كرد.

نتيجه

روش دلفي با وجود كاستي هايي كه براي آن برشمرده اند در مباحث مربوط به سياستگذاري، برنامه ريزي و مديريت جايگاه ويژه اي دارد. در حال حاضر در كشور ما برنامه هاي كلان مانند برنامه ايران ۱۴۰۰ يا برنامه پنج ساله توسعه اقتصادي، اجتماعي و فرهنگي تهيه و به اجرا گذاشته مي شود. تدوين اين برنامه ها عموماً شكل ديوان سالارانه (Bureaucratic) دارد و در مباحثي مانند شناسايي مسائل و اولويت بندي آنها كمتر از نظرات متخصصان خارج از دستگاه هاي دولتي استفاده مي شود. به نظر نمي رسد بهره گيري از نظرات كارشناسان هم چندان منظم و علمي باشد. در اينجاست كه روش دلفي به كار مي آيد و مي تواند به عنوان ابزاري كارآمد و سودمند به خدمت درآيد.

براي برنامه ريزي منطقي و واقع گرايانه (Realistic) روش دلفي مورد نياز است. در سطوح مختلف برنامه ريزي و مديريت اعم از كلان منطقه اي و محلي مي توان به تناسب از روش دلفي استفاده كرد.

اين روش تاكنون در ايران گمنام مانده و اميد است با طرح مباحث جديد از سوي انديشمندان و توجه مديران و برنامه ريزان به ابعاد كاربردي آن، جايگاه شايسته خويش را باز يابد.