آموزش نرم افزار SPSS از مبتدی تا متوسط (فقط با ۲ ویدیو)

دو فیلم آموزشی زبان فارسی در این مطلب وجود دارند می توانید دانلود کنید و نرم افزار اس پی اس اس را به راحتی یاد بگیرید.

SPSS (اِس‌پی‌اِس‌اِس) یکی از شناخته‌شده‌ترین نرم‌افزارهای تحلیل آماری است. نام کامل آن در گذشته Statistical Package for the Social Sciences به معنی «بسته آماری برای علوم اجتماعی» بود، اما امروزه این نرم‌افزار با نام IBM SPSS Statistics شناخته می‌شود.

SPSS در رشته‌هایی مانند روان‌شناسی، مدیریت، علوم اجتماعی، علوم تربیتی، پزشکی، پرستاری، اقتصاد، بازاریابی و بسیاری از پژوهش‌های دانشگاهی استفاده می‌شود.

کار اصلی SPSS این است که:

داده‌ها را وارد کنیم → آن‌ها را مرتب و کنترل کنیم → تحلیل آماری انجام دهیم → نتیجه را تفسیر کنیم.

نکته بسیار مهم این است که SPSS خودش تصمیم نمی‌گیرد کدام آزمون برای پژوهش شما مناسب است. شما باید سؤال پژوهش، نوع داده و آزمون آماری مناسب را بشناسید.

داده چیست؟

داده (Data) همان اطلاعاتی است که برای تحلیل جمع‌آوری می‌کنیم.

فرض کنید از 100 دانشجو اطلاعات زیر را گرفته‌ایم:

• سن
• جنسیت
• رشته تحصیلی
• معدل
• میزان رضایت
• تعداد ساعت مطالعه

هرکدام از این موارد یک متغیر (Variable) هستند.

مثلاً:

Age

متغیر سن

و:

Score

متغیر نمره است.

هر دانشجو نیز معمولاً یک مورد یا Case محسوب می‌شود.

پس در SPSS معمولاً:

هر سطر = یک فرد یا مورد

هر ستون = یک متغیر

است.

دو بخش مهم Data View و Variable View

وقتی SPSS را باز می‌کنید، در بخش داده‌ها معمولاً دو زبانه بسیار مهم مشاهده می‌کنید.

Data View یا نمای داده

در این قسمت مقادیر واقعی داده‌ها قرار می‌گیرند.

مثلاً:

هر سطر یک فرد و هر ستون یک متغیر است.

Variable View یا نمای متغیرها

در این قسمت مشخص می‌کنیم هر متغیر چه ویژگی‌هایی دارد.

برای مثال:

• نام متغیر
• نوع داده
• توضیح
• کدگذاری
• داده‌های گمشده
• سطح اندازه‌گیری

بخش Variable View یکی از مهم‌ترین قسمت‌هایی است که مبتدیان باید به‌خوبی یاد بگیرند.

Name یا نام متغیر

در ستون:

Name یعنی نام

نام کوتاهی برای متغیر انتخاب می‌کنیم.

مثلاً:

age
gender
score
income

بهتر است نام متغیرها ساده، معنی‌دار و منظم باشند.

مثلاً به‌جای:

x1
x2
x3

بنویسید:

age
education
income

تا بعداً متوجه شوید هر ستون مربوط به چیست.

Type یا نوع داده

Type یعنی نوع متغیر از نظر نحوه ذخیره اطلاعات.

دو نوع بسیار رایج عبارت‌اند از:

Numeric یا عددی

برای اعداد.

مثلاً:

سن، نمره، درآمد.

و:

String یا متنی

برای نوشته‌ها.

مثلاً:

نام فرد یا نام شهر.

برای تحلیل آماری بهتر است بسیاری از متغیرهای گروهی به‌صورت عددی کدگذاری شوند.

مثلاً برای جنسیت:

1 = مرد
2 = زن

به‌جای اینکه در هر سطر کلمه مرد یا زن نوشته شود.

Label یا برچسب متغیر

Label یعنی توضیح کامل متغیر.

مثلاً نام متغیر:

sat1

باشد.

در بخش Label می‌توان نوشت:

میزان رضایت از کیفیت خدمات

نام متغیر کوتاه است، اما Label توضیح می‌دهد این متغیر دقیقاً چه معنایی دارد.

Values یا برچسب مقادیر

فرض کنید جنسیت را این‌گونه کدگذاری کرده‌ایم:

1 = مرد
2 = زن

در قسمت:

Values یا مقادیر

این معنی را به SPSS معرفی می‌کنیم.

در نتیجه هنگام مشاهده خروجی به‌جای عدد 1 و 2 می‌توانیم «مرد» و «زن» را ببینیم.

برای متغیرهایی مانند:

• جنسیت
• وضعیت تأهل
• سطح تحصیلات
• نوع شغل
• پاسخ‌های پرسشنامه

کدگذاری بسیار مهم است.

Missing Values یا داده‌های گمشده

گاهی بعضی افراد به یک سؤال پاسخ نمی‌دهند.

مثلاً از 200 نفر، 5 نفر سن خود را وارد نکرده‌اند.

این‌ها:

Missing Values یعنی مقادیر گمشده یا داده‌های مفقود

هستند.

نباید بدون فکر عدد صفر را جای پاسخ‌های خالی قرار دهید.

مثلاً اگر نمره فرد ثبت نشده، صفر ممکن است به معنی «نمره صفر» تلقی شود.

می‌توان عددی مانند:

999

را برای داده گمشده تعریف کرد و سپس در SPSS مشخص کرد که 999 به معنی Missing است.

البته استفاده از روش مناسب داده‌های گمشده به نوع پژوهش بستگی دارد.

سطح اندازه‌گیری متغیرها

یکی از مهم‌ترین مفاهیم آماری در SPSS، سطح اندازه‌گیری یا Measure است.

SPSS معمولاً سه سطح اصلی دارد.

Nominal یا اسمی

برای دسته‌هایی که ترتیب خاصی ندارند.

مثلاً:

• جنسیت
• شهر
• گروه خونی
• رشته تحصیلی

مثلاً تهران بالاتر یا پایین‌تر از شیراز نیست.

Ordinal یا ترتیبی

دسته‌ها دارای ترتیب هستند، اما فاصله بین آن‌ها الزاماً دقیق و برابر نیست.

مثلاً:

• کم
• متوسط
• زیاد

یا:

• دیپلم
• کارشناسی
• کارشناسی ارشد
• دکتری

Scale یا مقیاسی

در SPSS معمولاً متغیرهای فاصله‌ای و نسبی در گروه Scale قرار می‌گیرند.

مثلاً:

• سن
• وزن
• قد
• درآمد
• نمره آزمون

تشخیص درست سطح متغیر اهمیت دارد، زیرا در انتخاب آزمون آماری اثرگذار است.

آمار توصیفی چیست؟

اولین مرحله تحلیل معمولاً:

Descriptive Statistics یا آمار توصیفی

است.

هدف آمار توصیفی این است که داده‌ها را خلاصه کنیم.

چند شاخص مهم عبارت‌اند از:

Mean یا میانگین

مثلاً میانگین سن دانشجویان 23.5 سال است.

Median یا میانه

عدد وسط داده‌ها پس از مرتب‌سازی.

Mode یا نما

مقداری که بیشترین تکرار را دارد.

Standard Deviation یا انحراف معیار

نشان می‌دهد داده‌ها چقدر در اطراف میانگین پراکنده‌اند.

Minimum یا کمترین مقدار

Maximum یا بیشترین مقدار

همچنین برای متغیرهای گروهی می‌توان از:

Frequency یا فراوانی

و:

Percentage یا درصد

استفاده کرد.

مثلاً:

مرد: 45 درصد
زن: 55 درصد

Frequencies یا جدول فراوانی

یکی از اولین تحلیل‌هایی که باید یاد بگیرید:

Frequencies یعنی فراوانی‌ها

است.

از مسیر تقریبی:

Analyze
→ Descriptive Statistics
→ Frequencies

می‌توان آن را اجرا کرد.

فرض کنید متغیر تحصیلات داریم.

خروجی می‌تواند نشان دهد:

دیپلم: 20 نفر
کارشناسی: 55 نفر
کارشناسی ارشد: 25 نفر

این تحلیل برای شناخت اولیه داده بسیار مناسب است.

نمودارها در SPSS

SPSS امکان ایجاد نمودارهای مختلف را نیز دارد.

مثلاً:

Bar Chart یا نمودار میله‌ای

برای مقایسه دسته‌ها.

Pie Chart یا نمودار دایره‌ای

برای نمایش سهم گروه‌ها.

Histogram یا هیستوگرام

برای بررسی شکل توزیع یک متغیر عددی.

Scatter Plot یا نمودار پراکندگی

برای بررسی رابطه دو متغیر عددی.

نمودار فقط برای زیبایی نیست؛ گاهی قبل از اجرای آزمون آماری می‌تواند مشکل داده‌ها را آشکار کند.

Compute Variable چیست؟

گاهی لازم است از چند متغیر یک متغیر جدید بسازیم.

مثلاً سه نمره داریم:

score1
score2
score3

و می‌خواهیم میانگین آن‌ها را محاسبه کنیم.

می‌توان از:

Compute Variable یعنی محاسبه متغیر جدید

استفاده کرد.

مثلاً متغیر جدید:

average_score

برابر میانگین سه نمره شود.

این قابلیت در تحلیل پرسشنامه‌ها بسیار کاربردی است.

Recode چیست؟

Recode یعنی کدگذاری مجدد.

فرض کنید سن افراد را به‌صورت عدد واقعی داریم:

18
19
22
27
35
42

اما می‌خواهیم آن‌ها را به گروه‌های سنی تبدیل کنیم:

1 = زیر 25 سال
2 = 25 تا 35 سال
3 = بالاتر از 35 سال

از Recode استفاده می‌کنیم.

هنگام کدگذاری مجدد بهتر است در بسیاری از موارد متغیر اصلی را حفظ و یک متغیر جدید ایجاد کنیم تا داده خام از بین نرود.

آمار استنباطی چیست؟

بعد از توصیف داده‌ها، ممکن است بخواهیم درباره رابطه یا تفاوت بین متغیرها نتیجه‌گیری کنیم.

اینجا وارد:

Inferential Statistics یا آمار استنباطی

می‌شویم.

SPSS رو قورت بده! بدون کلاس، سرعت 2 برابر، ماندگاری 3 برابر، مهارت فوق العاده پولساز، خرید و دانلود!

مثلاً سؤال کنیم:

«آیا میانگین اضطراب زنان و مردان متفاوت است؟»

یا:

«آیا ساعات مطالعه با معدل رابطه دارد؟»

برای این سؤال‌ها آزمون‌های آماری مختلفی وجود دارند.

آزمون t

t-test یا آزمون تی برای مقایسه میانگین‌ها کاربرد دارد.

یکی از انواع رایج:

Independent Samples t-test یا آزمون تی دو گروه مستقل

است.

مثلاً:

آیا میانگین نمره گروه مردان با زنان متفاوت است؟

نوع دیگری:

Paired Samples t-test یا آزمون تی زوجی

است.

مثلاً:

نمره افراد را قبل و بعد از یک دوره آموزشی مقایسه کنیم.

انتخاب این دو آزمون با هم فرق دارد و نباید آن‌ها را جای یکدیگر استفاده کرد.

ANOVA چیست؟

ANOVA یا تحلیل واریانس زمانی کاربرد دارد که بخواهیم میانگین بیش از دو گروه را مقایسه کنیم.

مثلاً میانگین رضایت در سه گروه:

• کارشناسی
• کارشناسی ارشد
• دکتری

را مقایسه کنیم.

اگر فقط دو گروه داریم معمولاً t-test کافی است، اما برای سه یا چند گروه اغلب ANOVA مناسب‌تر است.

اگر ANOVA معنی‌دار شود، گاهی باید آزمون‌های تکمیلی برای مشخص‌شدن تفاوت بین گروه‌ها اجرا شود.

Chi-Square یا آزمون کای‌دو

Chi-Square که معمولاً «کای‌دو» تلفظ می‌شود برای بررسی ارتباط بین متغیرهای طبقه‌ای کاربرد دارد.

مثلاً:

آیا بین:

جنسیت

و:

انتخاب نوع محصول

رابطه‌ای وجود دارد؟

در این حالت هر دو متغیر گروهی هستند و آزمون کای‌دو می‌تواند مناسب باشد.

Correlation یا همبستگی

Correlation یعنی همبستگی.

از همبستگی برای بررسی میزان ارتباط دو متغیر استفاده می‌شود.

مثلاً:

ساعات مطالعه و معدل

اگر با افزایش ساعات مطالعه، معدل نیز افزایش پیدا کند، ممکن است همبستگی مثبت داشته باشیم.

یکی از معروف‌ترین شاخص‌ها:

Pearson Correlation یا ضریب همبستگی پیرسون

است.

ضریب همبستگی معمولاً بین:

-1 تا +1

قرار دارد.

نزدیک +1 یعنی رابطه مثبت قوی.

نزدیک -1 یعنی رابطه منفی قوی.

نزدیک صفر یعنی رابطه خطی ضعیف یا نبود رابطه خطی آشکار.

اما یک نکته بسیار مهم:

همبستگی به معنی علت و معلول نیست.

اگر دو متغیر با هم ارتباط دارند، الزاماً یکی علت دیگری نیست.

Regression یا رگرسیون

Regression یا رگرسیون برای بررسی و پیش‌بینی ارتباط بین یک متغیر وابسته و یک یا چند متغیر دیگر استفاده می‌شود.

مثلاً می‌خواهیم بررسی کنیم:

آیا ساعات مطالعه، حضور در کلاس و میزان خواب می‌توانند نمره دانشجو را پیش‌بینی کنند؟

در اینجا نمره می‌تواند متغیر وابسته باشد.

و عوامل دیگر:

متغیرهای مستقل یا پیش‌بین

هستند.

رگرسیون از موضوعات مهم‌تر SPSS است و بهتر است بعد از یادگیری آمار توصیفی، همبستگی و آزمون‌های ساده سراغ آن بروید.

مقدار Sig و p-value چیست؟

در خروجی‌های SPSS زیاد با:

Sig.

مواجه می‌شوید که معمولاً با مفهوم:

p-value یا مقدار احتمال

ارتباط دارد.

به‌صورت مقدماتی در بسیاری از پژوهش‌ها اگر:

p < 0.05

باشد، نتیجه از نظر آماری معنی‌دار در نظر گرفته می‌شود.

اما این قانون را نباید کورکورانه استفاده کرد.

معنی‌داری آماری الزاماً به معنی اهمیت واقعی یا عملی نتیجه نیست.

مثلاً ممکن است در نمونه بسیار بزرگ، تفاوت بسیار کوچکی از نظر آماری معنی‌دار شود ولی از نظر عملی ارزش زیادی نداشته باشد.

فرضیات آزمون‌ها

یکی از خطرناک‌ترین اشتباهات SPSS این است که فقط آزمون را اجرا کنیم و به عدد Sig نگاه کنیم.

آزمون‌ها معمولاً پیش‌فرض‌ها یا Assumptions دارند.

مثلاً ممکن است لازم باشد بررسی شود:

• داده‌ها تقریباً نرمال هستند؟
• گروه‌ها مستقل هستند؟
• واریانس گروه‌ها مناسب است؟
• داده پرت شدید وجود دارد؟
• نوع متغیر مناسب آزمون است؟

اگر پیش‌فرض‌ها رعایت نشوند، ممکن است آزمون دیگری مناسب‌تر باشد.

Normality یا نرمال بودن

Normality یعنی نرمال‌بودن توزیع داده‌ها.

برای بررسی آن می‌توان از:

• هیستوگرام
• نمودار Q-Q
• آزمون Shapiro-Wilk

و روش‌های دیگر استفاده کرد.

اما تصمیم‌گیری درباره نرمال بودن فقط با نگاه‌کردن به یک عدد انجام نمی‌شود و اندازه نمونه نیز مهم است.

داده پرت چیست؟

Outlier یا داده پرت مقداری است که فاصله زیادی از سایر داده‌ها دارد.

مثلاً اگر قد بیشتر افراد بین 150 تا 190 سانتی‌متر باشد و یک مقدار:

850

ثبت شده باشد، احتمالاً خطای ورود داده اتفاق افتاده است.

قبل از تحلیل آماری باید داده‌ها را بررسی و پاک‌سازی کنید.

هر داده پرت را هم نباید خودسرانه حذف کرد؛ ابتدا باید علت آن بررسی شود.

Output Viewer چیست؟

وقتی تحلیل آماری انجام می‌دهید، نتیجه در پنجره:

Output Viewer یا نمایشگر خروجی

ظاهر می‌شود.

در این بخش:

• جدول‌ها
• نمودارها
• نتایج آزمون‌ها
• هشدارها

نمایش داده می‌شوند.

نکته بسیار مهم:

SPSS فقط جدول تولید می‌کند؛ تفسیر جدول وظیفه پژوهشگر است.

برای مثال دیدن:

Sig. = 0.003

کافی نیست.

باید توضیح دهید این مقدار درباره سؤال پژوهش شما چه معنایی دارد.

Syntax چیست؟

SPSS را می‌توان از طریق منوها استفاده کرد، اما روش حرفه‌ای‌تر استفاده از:

Syntax یا دستورهای متنی SPSS

است.

مثلاً به‌جای اینکه هر بار از چند منو عبور کنید، می‌توانید دستور تحلیل را ذخیره و دوباره اجرا کنید.

مزیت Syntax:

• تحلیل‌ها قابل تکرار می‌شوند
• خطا کمتر می‌شود
• مراحل تحلیل ثبت می‌شوند
• پروژه‌های بزرگ راحت‌تر مدیریت می‌شوند

برای مبتدی بهتر است ابتدا محیط گرافیکی نرم‌افزار را یاد بگیرد و سپس کم‌کم Syntax را نیز وارد کار خود کند.

۱- فیلم اول معرفی کلیات، کاربردها و ابزارها

۲- فیلم دوم معرفی دستورات و مفاهیم لازم

   دانلود جزوه های PDF آموزش spss

فایل‌های مهم SPSS

چند نوع فایل رایج وجود دارد.

فایل داده با پسوند .sav

برای ذخیره داده‌ها.

فایل خروجی با پسوند .spv

برای ذخیره جدول‌ها و نتایج.

فایل Syntax با پسوند .sps

برای ذخیره دستورهای تحلیل.

این سه را با هم اشتباه نگیرید.

اشتباهات رایج مبتدیان

مهم‌ترین اشتباه‌ها عبارت‌اند از:

• اجرای آزمون بدون شناخت سؤال پژوهش
• کدگذاری نامنظم متغیرها
• واردکردن داده گمشده به‌عنوان صفر
• اشتباه در تعیین سطح اندازه‌گیری
• نگاه‌کردن فقط به مقدار Sig
• اجراکردن آزمون‌های متعدد تا یکی معنی‌دار شود
• کنترل نکردن داده‌های پرت
• تفسیر همبستگی به‌عنوان علت
• تغییر داده خام بدون نگهداری نسخه اصلی
• گزارش‌کردن خروجی بدون توضیح
• اعتماد کامل به نرم‌افزار

SPSS محاسبه را انجام می‌دهد، اما صحت تحلیل به تصمیم پژوهشگر وابسته است.

یک تمرین مناسب برای شروع

یک فایل با اطلاعات 30 دانشجو بسازید.

متغیرها:

id
gender
age
study_hours
score

سپس:

1. جنسیت را کدگذاری کنید.
2. میانگین سن را به دست آورید.
3. جدول فراوانی جنسیت بسازید.
4. میانگین نمره را محاسبه کنید.
5. هیستوگرام نمرات را رسم کنید.
6. رابطه ساعت مطالعه و نمره را با همبستگی بررسی کنید.
7. میانگین نمره دو گروه را مقایسه کنید.

با همین تمرین بخش زیادی از مفاهیم پایه SPSS را لمس خواهید کرد.

مسیر پیشنهادی یادگیری SPSS

برای مبتدی بهتر است این ترتیب را رعایت کنید:

آشنایی با داده و متغیر

↓

Data View و Variable View

↓

کدگذاری متغیرها

↓

Missing Values

↓

آمار توصیفی

↓

جدول فراوانی و نمودار

↓

Compute و Recode

↓

نرمال بودن و داده پرت

↓

t-test

↓

ANOVA

↓

Chi-Square

↓

Correlation

↓

Regression

↓

Syntax و گزارش نتایج

جمع‌بندی

برای یادگیری SPSS لازم نیست در ابتدا ده‌ها آزمون آماری را حفظ کنید.

ابتدا این زنجیره را خوب بفهمید:

سؤال پژوهش → نوع متغیر → ورود صحیح داده → پاک‌سازی داده → انتخاب آزمون مناسب → اجرای تحلیل → تفسیر نتیجه

اگر این منطق را یاد بگیرید، کار با خود نرم‌افزار چندان سخت نیست.

مهم‌ترین نکته این است که SPSS یک ماشین حساب آماری قدرتمند است، نه پژوهشگر. نرم‌افزار می‌تواند در چند ثانیه صدها محاسبه انجام دهد، اما نمی‌داند سؤال شما چیست، داده‌ها درست جمع‌آوری شده‌اند یا نه و نتیجه چه معنایی دارد.

بنابراین یک کاربر خوب SPSS کسی نیست که فقط مسیر منوها را حفظ کرده باشد؛ بلکه کسی است که نوع داده را می‌شناسد، آزمون مناسب را انتخاب می‌کند، پیش‌فرض‌های آن را بررسی می‌کند و خروجی نرم‌افزار را به زبان ساده و علمی تفسیر می‌کند.

3 مطلب پرطرفدارتر اس پی اس اس سایت

• نحوه وارد کردن اطلاعات پرسشنامه و تحلیل آن با spss
• آموزش کامل و تصویری آمار توصیفی در نرم افزار Spss
• معرفی اجزای اصلی و مهم Spss برای یادگیری بهتر