GraphPad
2.21K subscribers
483 photos
34 videos
36 files
292 links
Download Telegram
#کای_اسکوئر

بهار سال ۱۳۸۳ و ایام نوروز که تهران شهر خوب و خلوتی می‌شد، می‌رفتم نیاوران کتابخانه وزارت امورخارجه. آن زمان به تازگی ترم اول کارشناسی آمار دانشگاه اهواز را تمام کرده بودم.

در آن‌جا و در بین انبوه کتاب‌هایی که به آن‌ها علاقمند بودم و می‌خواندم، کتابی دیدم با موضوع جنگ ایران و عراق و تحلیل داده‌های جنگ. نویسنده در فصلی از کتاب با استفاده از یک آزمون و روش آماری به نام کای-اسکوئر Chi-Square Test نشان داده بود که جنگ پدیده‌ای قابل پیش‌بینی و پس از آن قابل پیشگیری بود.

برای من که هنوز سال اولی حساب می شدم، کتاب و تحلیل‌های آن جالب توجه بود که چگونه با استفاده از یک روش آماری که البته هنوز درس آن را هم نخوانده بودم، چگونه می‌توان نتایج با اهمیت به دست آورد. سوال آن روز من این بود که اصلاَ کای اسکوئر چه ربطی به جنگ دارد؟

بعدها آموختم که Chi-Square با وجود سادگی آن، یک روش پرکاربرد در مطالعات کیفی است. هنگامی که ما با اعداد و مفاهیم قابل شمارش روبه‌رو نیستیم، مثلاَ داده‌های ما بررسی کیفیت زندگی، جنسیت، مقاطع تحصیلی، نوع صنعت، اثر بخشی درمان و یا حتی اثر بخشی انواع واکسن‌ها است، از آزمون کای اسکوئر استفاده می‌کنیم. در حالت کلی ما در این آزمون به جای مقایسه اعداد و اندازه‌ها، فراوانی‌ها و تعداد رخ‌داد پدیده‌ها را بررسی می‌کنیم.

به عنوان مثال می‌خواهیم بدانیم آیا نحوه حرف زدن و سخنرانی دو فرد با هم متفاوت است یا خیر، آیا آن‌ها از کلمات مشابهی استفاده می‌کنند؟ توزیع فراوانی کلمات به کار رفته توسط هر کدام چگونه است؟

یا به عنوان مثالی دیگر می‌خواهیم بدانیم اثر بخشی هر کدام از واکسن‌ها (مثلاَ کرونا) چقدر است؟ هر نوع واکسن به چند نفر تزریق شده است؟ از بین آن‌ها چه تعداد بیمار شده‌اند و چه تعداد مصون مانده‌اند.

در واقع ما در تمام مطالعاتی که با تعداد، شمارش و فراوانی روبه‌رو هستیم، می‌توانیم از آزمون Chi-Square استفاده کنیم.

من در لینک زیر در سایت گراف پد، سعی کردم به بیان روش انجام، برنامه‌نویسی و تحلیل داده‌های به دست آمده از روش آزمون کای اسکوئر بپردازم.
https://graphpad.ir/spss-chi-square-test-with-pairwise-z-tests/

همچنین در لینک زیر مباحث تئوری و کاربرد این آزمون را بیان کرده‌ام.
https://graphpad.ir/chi-square-graphpad-prism/
متن سخنرانی مهم را می‌دیدم. Ctrl+F زدم در آن جستجو کند.
یک کلمه معیشت ندیدم. کلمه‌ای از گرانی هم.
گیرم شما خیلی تقوا داری و به نان و آبی بسنده می‌کنی. کودکان و زنان خانه‌های گرفتار هم تقوا پیشه کنند؟

تلخی‌ و رنجش آن بود که
“خب امروز حکومت دست پیروان امیرالمؤمنین است”

خدا حفظ کند آن پیرمرد سیستانی در نجف اشرف نشسته را که جمهوری اسلامی را نه یک نظریه فقهی بلکه یک نظریه سیاسی می‌داند و می‌دانست.
#پس_بینی

سال ۱۳۹۵ و در روزهای آغاز مهرماه دوست‌داشتنی، با محقق جوانی در گروه زمین‌شناسی دانشگاه شهید بهشتی آشنا شدم که بر روی ساختار زمین و اصطلاحا ژئولوژی منطقه زاگرس ایران کار می‌کرد.

او با این‌که دختر جوانی بود و با محدودیت‌های خاص خود، با این‌حال با مکان‌نگاری و ژرفاسنجی بر پایه مشاهدات شخصی در مناطق مختلف کوه‌پایه‌های زاگرس که برخی از آن‌ها سخت‌العبور بود، به دنبال اثبات این ایده بود که منطقه زاگرس در روزگاری دور و در برهه‌هایی طولانی از تاریخ، بسیار پربارش، بسیار سرد و دمایی نزدیک به صفر درجه داشته است. در این راه او سنگ‌واره‌ها، کانی‌ها و یافته‌های زمین‌شناسی بسیاری نیز به دست آورده بود.

برای اثبات ایده او، آن هم با زبان اعداد، با یک مشکل بزرگ رو‌به‌رو بودیم. ما می‌بایست با الگویی و یا روشی، دمای هوا در سال‌های دور این منطقه را به دست می‌آوردیم. در حالی که نهایت چیزی که در اختیار وجود داشتثبت داده‌های ایستگاه‌های هواشناسی از سال ۱۹۵۱ در این منطقه بود. هر چند وجود این داده‌ها در نوع خودش بیانگر دقت و توجه مردمان آن زمان به ثبت اعداد و کاربرد آن‌ها در آینده بود، (ایرانی‌ها به نظر می‌رسد از قدیم افرادی عدد دوست بوده‌اند، سیستم ثبت داده‌ها در موضوعات مختلف و قدمت آن در کشور از بسیاری کشورهای جهان سابقه بیشتری دارد.) با این حال اعداد حدود ۷۰ -۶۰ سال پیش، برای مباحث زمین‌شناسی بسیار جوان و تازه به حساب می‌آمد و بیانگر گذشته‌های دور نبود.

آن‌چه ما به صورت معمول می‌شناسیم و می‌دانیم، مفهوم پیش‌بینی و آینده‌نگری است. به معنای این‌که داده‌ها در حال حاضر کجا هستند و قرار است کجا بروند. پاسخ به این سوال که آن‌ها از کجا آمده‌اند واقعاَ سخت و پیچیده است.

امروزه ما چنین سوالی نمی‌پرسیم چون همه چیز ثبت می شود. ما می‌دانیم مثلاَ ده سال پیش ارزش یک کالا چقدر بوده یا قیمت یک محصول و یا فلز خاص به چه اندازه بوده است، چون همه آن‌ها اندازه‌گیری می شوند، اما آیا می‌توانیم به این سوال پاسخ دهیم ده هزار سال پیش دمای هوا در همان منطقه زاگرس چقدر بوده است. سیستم ثبت وقایع و اندازه‌ها وجود نداشته است.

پس چه کنیم؟ آیا راهی وجود دارد که ما گذشته‌نگری کنیم و به جای پیش‌بینی آینده به پس‌بینی گذشته بپردازیم؟
در این زمینه الگوریتم‌هایی وجود دارند که به نظرم مهم‌ترین آن‌ها
Mont Carlo Simulation Method (MCM)

است. البته واضح است آن‌ها نیز با خطا همراه هستند، اما نتایج قابل قبول و قابل اتکایی به دست می‌دهند.

در مطالعه محقق زمین‌شناس نیز از همین متد استفاده شد. نتایج آماری با یافته‌هایی و الگوهایی که
National Weather Service (NWS)

از منطقه زاگرس ایران در اختیار محقق قرار داده بود (البته واضح است که نه به صورت رایگان) مطابقت داده شد.

بر مبنای مدل MCM دما و البته میزان بارش این منطقه از گذشته‌های دور براورد شد. جالب است بدانید منظورم از گذشته‌های دور یعنی از چهل هزار سال پیش تا همان سال ۱۹۵۱ که به عنوان خط صفر قرار داده شد.

با یافتن و براورد اعداد و انطباق آن‌ها با الگوهای NWS، مدل Time Series البته این بار پس‌بین، دما و بارش منطقه زاگرس ایران از چهل هزار سال پیش به دست آمد.

نتایج تاحدود بسیاری تاییدکننده ایده‌های محقق جوان بود. من در ادامه سه گراف برایتان قرار داده‌ام. همان داده‌های سری زمانی MCM از دما، بارش و اثرمتقابل بین دما و بارش در منطقه زاگرس ایران از چهل هزار سال پیش. هر نقطه در نمودارها هم بیانگر صد سال است. در محور افقی، تایم و زمان قرار دارد. نقطه شروع ۴۰ هزار سال پیش است.
گراف گذشته نگر دمای هوا در منطقه زاگرس ایران از چهل هزار سال پیش
@GraphPad
گراف گذشته نگر میزان بارش در منطقه زاگرس ایران از چهل هزار سال پیش
@GraphPad
گراف گذشته نگر اثر متقابل دمای هوا و میزان بارش در منطقه زاگرس ایران از چهل هزار سال پیش
@GraphPad
در ریسرچ گیت، معمولاَ اهالی کشور افغانستان در تاپیک‌ها یا جلسات حرف نمی‌زنند. من تا به حال ندیدم. یعنی نه سوال می‌پرسند و نه جواب می‌دهند. فقط گوش می‌دهند. در بسیاری از تاپیک‌های ریسرچ گیت در هر فن و رشته‌ای وارد می‌شوند و آرام گوشه‌ای می‌نشینند.

چون با آن‌ها تا حدی ارتباط دارم می‌گویم، در افغانستان یک طبقه جوان حدود ۲۰ تا ۳۰ سال در حال شکل‌گیری است. به شدت از طرف خانواده‌هایشان با هر سطح درآمدی و فرهنگی، حمایت و پشتیبانی می‌شوند. خانه اگر نان نداشته باشد ایرادی ندارد، اولادش باید مدرسه برود، دانشگاه برود و درس بخواند. کار آن‌ها فقط یک چیز است. درس بخوانند و یاد بگیرند. با یکدیگر ازدواج می‌کنند و از همدیگر می‌آموزنند و مهمتر از همه بسیار با هم مهربان هستند.

اینها را گفتم که اگر سال‌های بعد سر از دیوار خانه خودمان بیرون آوردیم و دیدیم خانه همسایه شرقی چقدر آباد شده، نگوییم از کجا و چگونه. کار همین جوان‌های امروز افغانستان است. در کابل و قندهار و البته زیباتر از همه مزار شریف.
#قانون

کلاس اول ابتدایی که هیچ، از همان سال‌های ابتدایی کودکی شمارش اعداد را می آموزیم.
۱, ۲, ۳, ۴, ۵, ۶, ۷, ۸, ...

یاد می‌گیریم مثلا ۳ از ۴ کمتر است و ۶ از ۵ بیشتر است.

اینها قوانین طبیعی ریاضی و شمارش است و در همه جای دنیا هم ثابت و پذیرفته شده.

در آیین نامه داخلی شورای نگهبان، یعنی آنجایی که خیلی به مر قانون عمل می‌شود، اگر موضوعی ۵ رای مثبت داشته باشد، تایید می‌شود و اگر ۶ رای مثبت داشته باشد، تایید نمی‌شود.

خیلی ساده بگویم در آنجا پنج از شش بزرگتر است.
اندوهگین آن است که بینهایت هم ادعای قانونمداری و عمل به قانون در آن می‌کنند. اما خب، همین یک قانون واضح ریاضی در آن رعایت نمی‌شود. بقیه موارد را خداوند متعال، عالم است.

پی‌نوشت‌ها هم اینکه، اگر مطلبی پنج رای مثبت و رای دبیر شورا را داشته باشد تایید میشود و اگر مطلبی شش رای مثبت اما رای دبیر شورا را نداشته باشد، تایید نمی‌شود.
به تصویر سمت چپ که رتبه اکسا Alexa Rank سایت TSE را نشان می‌دهد، نگاه کنید. به نظر می‌رسد وارد یک محدوده تقریباَ ثابت شده و روند کاهشی آن متوقف شده است. در باکس زرد رنگ آن را مشخص کرده‌ام.

توضیح کوتاه اینکه این گراف تعداد و فراوانی افراد و کاربران سایت TSE را نشان می‌دهد و از آنجا که تمام سفارشات در بستر اینترنت انجام می‌شود، معیار و ابزار خوبی از نمای بیرون معاملات را در اختیار ما قرار می‌دهد.

به عبارت ساده به نظر می‌رسد تعداد افراد و مدت زمان بازدید در سایت در حال رسیدن به محدوده تعادل است. البته واقع‌بینانه بخواهم بگویم سه چراغ سایت TSE یعنی

Daily Page views per Visitor

Daily Time on Site

Bounce rate

همچنان خاموش و قرمز است. در تصویر سمت راست می‌توانید آن را ببینید.
#نرمال

مهم‌ترین توزیع آماری با نام توزیع نرمال
Normal Distribution
نامیده می‌شود. اهمیت این توزیع تا بدان حد است که پیش‌فرض انجام بسیاری از تحلیل‌های آماری نرمال بودن داده‌ها، دانسته می‌شود.

به عنوان مثال معمولاَ هنگامی می‌توان از انواع تحلیل‌ها و آزمون‌های مقایسه پارامتری استفاده کرد که داده‌ها دارای توزیع نرمال باشند.

جهت نرمال کردن داده‌ها روشهای مختلفی وجود دارد. اما عمده آنها پارامترهای اصلی نمونه یعنی میانگین و انحراف معیار را مخدوش می‌کنند.

من در لینک زیر روش و فرایندی جهت نرمال کردن داده‌ها و تبدیل داده‌های غیرنرمال به داده‌های نرمال بیان کرده‌ام که هم دیتا را نرمال کند و هم پارامترهای اصلی نمونه را ثابت نگه دارد.

ابزار کار ما در این متن، نرم‌افزار SPSS خواهد بود. این کار در دو مرحله یعنی ابتدا مفهومی به اسم
Rank Cases
و سپس
Compute Variable
توضیح داده شده است.

https://graphpad.ir/transform-data-to-normal-distribution/
GraphPad
#داده‌سازی فرض کنید پروژه یا تحقیقی دارید که بر مبنای آن باید دیتا و داده‌های جمع‌آوری کنید. مثلاَ یک کار پرسشنامه‌ای دارید و باید از افرادی نظرخواهی کنید. یا مثلاَ یک کار اعتبارسنجی دارید و باید افراد را قبل و بعد از آزمون مورد ارزشیابی قرار دهید. یا حتی…
👆

لطفاً ابتدا متن بالا را بخوانید.

امروز سه شنبه ۲۵ خرداد، یک کلاس درس #داده‌سازی بود.

آن هم به قول نرم‌افزار Prism، با مقادیر احتمال یا همان P value های چهار ستاره.

آزمون‌های
Run Test
Mann-Kendall Test

به وضوح قدرت بالای داده‌سازها را نشان می‌داد.

البته به نظرم چیز مهمی نیست، آنچه مهمتر است این است که به احتمال زیاد تا شهریور ماه، مهمان ما هستند.
#ساده

فرض کنید هیچ چیزی بلد نیستیم (البته که برخی مواقع خیلی هم بهتر است چیزی بلد نباشیم) و فقط رنگ‌های سبز و قرمز را تشخیص می‌دهیم. می‌دانیم سبز یعنی مثبت و قرمز یعنی منفی. البته اعداد را هم تشخیص می‌دهیم و شمارش هم بلد هستیم. در همین حد کافی است، بدانیم.

هیت مپ Heat Map ارزهای دیجیتالی مانند

XLM، ETH، ETC، XRP، LTC، TRX، EOS

(نام آن‌ها را گروه الف می‌گذاریم)

و در مرتبه کمی پایین‌تر

BTC، ، BCH، BNB و DOGE

(به آن‌ها گروه ب می‌گوییم)

پررنگ است. به معنای اینکه روند و رفتار حرکتی آن‌ها در تایم‌‌های کوتاه یک دقیقه‌ای تاحد زیادی مشابه با یکدیگر است.

حال به پاراگراف ابتدا این متن برگردیم که گفتم فرض کنیم، چیزی بلد نیستیم.
چندین مدل رگرسیونی من نشان می‌دهد، لیدر و خط دهنده ارزهایی که در بالا نام بردم، یک ارز کوچک با MKT CAP حدود 5.26 B است. نام آن TRX است که در ایران به آن ترون می‌گوییم.

در واقع R Square مدل رگرسیونی بین ترون حال حاضر با حدود یک تا دو ساعت آینده ارزهایی که در بالا نام بردم، تا حد خوب و قابل قبولی است.

اجازه دهید ساده‌تر بگویم. رنگ سبز یا قرمز به همراه درصد مثبت یا منفی که برای TRX در هر لحظه می‌بینید، می‌تواند با تقریب خوبی، حدود یک تا دو ساعت بعد ارزهای گروه ب و با تقریب بهتری ارزهای گروه الف را پیش‌بینی کند. به عبارت ساده‌تر، به نظر می‌رسد ترون چند گام زمانی از سایر ارزها جلوتر باشد.

به عنوان مثال اگر اکنون ترون مثبت است و سایر ارزها منفی، در بازه زمانی حدود یک تا دو ساعت بعد، این ارزها نیز مثبت و یا از اندازه منفی بودن آن‌ها کاسته می‌شود.

اگر ترون اکنون منفی است و سایر ارزها مثبت، در بازه زمانی حدود یک تا دو ساعت بعد، این ارزها نیز منفی و یا از اندازه مثبت بودن آن‌ها کاسته می‌شود.

اگر هم ترون و هم ارز مورد نظر شما مثبت است. ببینید اندازه مثبت بودن کدام بیشتر است. اگر ترون عدد مثبت بزرگتری دارد، ارز شما نیز مثبت‌تر خواهد شد و اگر ارز شما مثبت بزرگتری دارد، پس افت قیمتی خواهد داشت و اندازه مثبت آن کمتر می شود.

حال اگر اگر هم ترون و هم ارز مورد نظر شما منفی است. ببینید اندازه منفی بودن کدام بیشتر است. اگر ترون عدد منفی بزرگتری دارد، ارز شما نیز منفی‌تر خواهد شد و اگر ارز شما منفی بزرگتری دارد، پس افزایش قیمتی خواهد داشت و اندازه منفی آن کمتر می شود.

پس خیلی ساده. همواره در واچ لیست خود TRX داشته باشید. سبز، قرمز، اعداد مثبت و منفی آن، پیش‌بینی کننده خوبی از اتفاقات یکی دو ساعت آینده سایر ارزهایی است که در بالا نام بردم.
#صلیب_مرگ

به قول ایندیپندنت
بر خلاف نامش، اغلب نشانه خوبی است از اینکه بازار بدترین وضعیت خود را پشت سر گذاشته است.

صلیب مرگ از آخرین نشانه‌های منفی است و در واقع از روی الگوی آن می‌توانیم بفهمیم که بخش اعظم روند کاهشی را پشت سر گذاشته‌ایم.

پی‌نوشت‌. متن بالا درباره #بیت_کوین است.
#مدل_احتمالی

فرض کنید برای نمادی قیمت پایانی و درصد قیمت پایانی آن را می‌دانیم.

مثلا برای امروز یک‌شنبه 6 تیرماه 1400 درصد قیمت پایانی فملی برابر با 1.61-% شده است.

من درصد قیمت پایانی را P0 نامگزاری می‌کنم.
به P0 درصد قیمت پایانی مشاهده شده می‌گوییم.

حال فرض کنید، بر مبنای مدل احتمالی که آن را طراحی کرده‌ایم، درصد قیمت پایانی نماد برابر با P1 به دست می‌آید.

به P1 درصد قیمت پایانی مورد انتظار می‌گوییم.

حال بیایید به عبارت

P1 - P0

توجه کنیم. برای آن دو حالت وجود دارد.

الف) 0 < P1 - P0

در این حالت درصد قیمت پایانی مورد انتظار از درصد قیمت پایانی مشاهده شده، بیشتر است.
به معنای اینکه مدل احتمالی، انتظار رفتار و عملکرد بهتری از نماد داشته است، اما نماد بدتر رفتار کرده است.

ب) 0 > P1 - P0

در این حالت درصد قیمت پایانی مورد انتظار از درصد قیمت پایانی مشاهده شده، کمتر است.
به معنای اینکه مدل احتمالی، انتظار رفتار و عملکرد بدتری از نماد داشته است، اما نماد بهتر رفتار کرده است.

خُب، حال خیلی ساده بیایید برای همه نمادهای بازار و پس از پایان روز معاملاتی، عدد
 P1 - P0 
را به دست بیاوریم.

با به دست آمدن این عدد آن هم برای همه نمادها، می‌توان تصمیم خیلی بهتر و دقیق‌تری درباره این که چه نمادهایی را فردا بخریم و یا بفروشیم به دست آورد.
خیلی ساده

پس از ماه‌ها، ورود افراد (پول) به بورس تهران
و
خروج آرام افراد (پول) از صرافی‌های داخلی خرید و فروش ارزهای دیجیتال
را مشاهده می‌کنیم.
#خروج

هر وارد شدنی، خارج شدن هم دارد. همان‌گونه که الکسا رنک، زمان ورود را نشان داد (این پست را ببینید.) از آن برای تعیین زمان خروج نیز استفاده می‌کنیم.

الکسا رنک سه شاخص دارد

Daily Page views per Visitor
Daily Time on Site
Bounce rate

البته که این شاخص‌ها همچنان قرمز هستند.

اما چه زمانی خارج شویم؟
سه شاخص بالا به مرور زمان سبز خواهند شد، وقتی هر سه سبز شدند، صبر کنید. مدتی در فضای سبز باقی خواهند ماند. معمولاً اولین نشانه قرمز شدن توسط Bounce rate رخ می‌دهد. از آن زمان کم‌کم به فکر خارج شدن باشید و با قرمز شدن هر سه, کامل خارج شوید.

اگر از من می‌پرسید, روز خروج، کاری به قیمت‌ها و سبز بودن شاخص کل نداشته باشید.

واضح است شاخص کل، آن روزی که سقف قبلی‌اش را بزند، همچنان بسیاری از نمادها با فاصله معنادار، پایین‌تر از سقف خودشان قرار دارند. بنابراین خیلی ساده, کاری به شاخص کل نداشته باشید.

پی‌نوشت. تصویر بالا Site Metrics سایت tsetmc مربوط به امروز چهارشنبه 16 تیرماه 1400 را نشان می‌دهد.

از لینک زیر می‌توانید الکسا رنک و Site Metrics سایت tsetmc را بررسی کنید.

https://www.alexa.com/siteinfo/tsetmc.com
برای فردا چهارشنبه ۲۳تیرماه، Minitab یک وبینار با موضوع

Introducing Graph Builder: Visualizations Built to Move You Forward

برگزار می‌کند. شرکت برای عموم رایگان و آزاد است. مدرس آن نیز
Jennifer Atlas
یکی از بهترین آماری های دنیا است.
علاقمند بودید در لینک زیر می‌توانید ثبت نام کنید.

https://info.minitab.com/en/resources/webinars/visualizations-to-move-you-forward-graph-builder-mss-20.3-july-14?utm_campaign=EMEIA%20ENG_Minitab%20News_UK%20IE%20Benelux%20Nordics&utm_medium=email&_hsmi=140109300&_hsenc=p2ANqtz-9nNUTDgOppsNII3K3hjY1S7-i7rd6zvxsl6dofJCL5gRvzVl-Tgg-LjEZo9zEZna8III0Q4F9ZIqdrJuxjkhEQf-wM6RCZ0mqKlHY3gM7P0CLeWE0&utm_content=140109299&utm_source=hs_email
#علم

تصویر بالا نقشه علم در تمام علوم را نشان می‌دهد. آن را در لینک زیر ببینید.

https://www.scimagojr.com/shapeofscience/

تصویر سمت چپ، همه دنیا را نشان می‌دهد. هر نقطه بیانگر سطح و دانش تولید شده است. به این گراف‌ها، کهکشان علم نیز گفته می‌شود که هر نقطه ستاره‌ای در تمام فضای علم است.

تصویر سمت راست را ببینید. علم تولید شده در ایران را برجسته کرده‌ام. روی آن زوم کنید.

مشاهده می‌کنید سهم ایران از تولید علم در دنیا، فقط همین چند ستاره‌ای است که تا حدی در پزشکی، شیمی و ریاضی دیده می‌شود. در روانشناسی، علوم اجتماعی و علوم انسانی و تقریباً مهندسی که کلاً هیچ.

منظورم چیست؟
این همه مثلاً پایان‌نامه، مقاله و چه و چه در آموزش عالی کشور تولید می‌شود و البته هزینه و حقوق‌های بسیار بالایی که به هیئت علمی دانشگاه‌های ایران پرداخت می‌شود. هر سال نیز بیش از سایر اقشار به آن اضافه می‌شود. با احترام به باسوادان و خوب‌های آن‌ها باید بگویم، خروجی آن‌ها فقط همین چند ستاره است.

به هر حال اگر قرار است هزینه‌ای صرف شود، شاید بهتر است برای آموزش و پرورش و کودکان و نوجوانان و البته قشر معلم و آموزگار در این کشور، استفاده شود.
#طراحی

چند وقت پیش فردی سوالی از من پرسید درباره چیزی به اسم ضریب پایایی امگا. معمولاً در همه جای دنیا رسم است و متداول شده برای محاسبه پایایی از آلفای کرونباخ استفاده می‌کنند.

با خودم گفتم این دیگر چیست؟ با این‌که امسال عید بر روی انواع و مدل‌های مختلف پایایی مطالعه کرده بودم و متن و ویدئوهای آموزشی زیادی بر روی سایت گراف پد قرار دادم, اما حتی اسم این یکی را هم نشنیده بودم. برای خودم هم جالب بود.

اولین چیزی که به ذهنم رسید این بود که خب, چون چیزی درباره پایایی‌ها است، پس به کارهای پرسشنامه‌ای مربوط است و این کارها هم در تخصص SPSS.

بنابراین با پشتیبانی شرکت سازنده SPSS یعنی IBM تماس گرفتم و درباره ضریب پایایی امگا از آن‌ها سوال کردم. پاسخ IBM جالب بود، متن زیر را ببینید.

SPSS Statistics does not currently provide any estimates of McDonald's omega. An enhancement request has been filed with SPSS Development

خود IBM می‌گفت، در حال حاضر انجام نمی‌دهیم. با این حال پیگیر آن شدم.

برنامه Synyax نویسی و سپس طراحی افزونه یا همان Extension در SPSS. مدت زیادی وقت روی آن گذاشتم. سعی کردم علاوه بر Syntax امگا، چیزهای بیشتری نیز بنویسم.

مثل پایایی آلفا کرونباخ، فواصل اطمینان، ضریب پایایی استاندارد شده، ماتریس همبستگی‌ها و Factor Analysis. در پایان نتیجه چیزی بود که بی‌نهایت برایم خوشحال کننده بود.

اضافه شدن یک منوی جدید در نرم‌افزار SPSS در ابتدای تحلیل‌های پایایی. آن هم با نام خودم. باور کردن آن سخت بود اما IBM نام من را در پنجره آزمون و تحلیل پایایی امگا نوشته بود. (تصویر سمت راست) با لوگو گراف پد در ابتدای عنوان تحلیل‌های پایایی (تصویر سمت چپ).

افزونه را در اینجا برایتان قرار داده‌ام. می‌توانید بر روی نرم‌افزار SPSS نصب کنید.

https://graphpad.ir/wp-content/uploads/2021/07/mcdonalds-omega-reliability-coefficient-spss-4-graphpad.ir_.png