در این مطلب، ویدئو متغیر طبقه بندی تبدیل داده SPSS Vid5 با زیرنویس فارسی را برای دانلود قرار داده ام. شما میتوانید با پرداخت 15 هزار تومان ، این ویدیو به علاوه تمامی فیلم های سایت را دانلود کنید. اکثر فیلم های سایت به زبان انگلیسی می باشند. این ویدئو دارای زیرنویس فارسی ترجمه شده توسط هوش مصنوعی می باشد که میتوانید نمونه ای از آن را در قسمت پایانی این مطلب مشاهده کنید.
مدت زمان فیلم: 00:05:36
تصاویر این ویدئو:
قسمتی از زیرنویس این فیلم:
00 =>04
با سلام این دکتر است. درک با
2
04 =>07
ویدیوی بعدی در مورد آموزش استفاده از
3
07 =>10
SPSS برای تجزیه و تحلیل تحقیقات و
4
10 =>15
آمار به شما ادامه می دهد، بنابراین در آخرین ویدیو
5
15 =>18
می بینید که محیط SPSS چگونه کار می کند
6
18 =>20
و چگونه می توانید داده ها را
7
20 =>23
تنظیم کنید asari متغیرها و البته در
8
23 =>27
برخی از داده ها. ویدیوی خاصی که من
9
27 =>29
قصد دارم به شما نشان دهم که چگونه میتوانیم
10
29 =>33
تبدیل دادهها را برای
11
33 =>36
متغیرهای طبقهبندی و همچنین برای متغیرهای کمی انجام دهیم،
12
36 =>39
بنابراین از یک
13
39 =>42
مجموعه داده نمونه استفاده میکنم که قبلاً در SPSS تعبیه شده است،
14
42 =>46
بنابراین میتوانید با باز کردن من را دنبال کنید.
15
46 =>49
تا SPSS و همچنین مجموعه داده
16
49 =>55
یا یک فایل به داده باز می شود و این
17
55 =>58
مجموعه داده معمولاً در درایو C
18
58 =>01:03
در زیر فایل های برنامه ذخیره می شود، بستگی دارد
19
01:03 =>01:05
که فایل های برنامه فایل های برنامه را داشته باشید یا خیر.
20
01:05 =>01:09
21
01:09 =>01:16
نسخه
22
01:16 =>01:20
آن می تواند 23 باشد یا تیم من به
23
01:20 =>01:26
نمونه های انگلیسی نگاه کند و این
24
01:26 =>01:32
مجموعه داده تنها مجموعه داده با e بزرگ
25
01:32 =>01:37
روی آن بسیار باز است و این مجموعه داده
26
01:37 =>01:41
بسیار خوب است بنابراین اولین چیزی که تغییر داده
27
01:41 =>01:45
برای دسته بندی جنسیتی است. متغییر rical
28
01:45 =>01:47
متوجه شدهاید که این متغیر طبقهبندی خاص
29
01:47 =>01:56
دارای یک مقدار M و F M و F است
30
01:56 =>02:00
که به آن اختصاص داده شده است. M مخفف F مذکر است،
31
02:00 =>02:03
زیرا یک زن حالا اگر
32
02:03 =>02:05
از آخرین ویدیویی که گفتم به یاد
33
02:05 =>02:08
داشته باشید که بهترین حالت اگر شما دسته بندی نداشته باشید.
34
02:08 =>02:11
ارزش گذاری کنید، اما شما
35
02:11 =>02:12
36
02:12 =>02:16
داده های gaku را به صورت عددی ارزیابی می کنید، بنابراین اولین کاری که می
37
02:16 =>02:19
خواهم انجام دهم این است که
38
02:19 =>02:22
متغیر را در کنار آن تنظیم می کنم، بنابراین مانند
39
02:22 =>02:25
تغییر این متغیر و تبدیل
40
02:25 =>02:28
شدن به یک متغیر جدید است، بنابراین روی متغیر کلیک کنید.
41
02:28 =>02:32
کلیک راست کنید درج شفاهی
42
02:32 =>02:34
ابتدا متغیر را تنظیم میکنم، بنابراین
43
02:34 =>02:38
روی آن دوبار کلیک کنید، این
44
02:38 =>02:43
متغیر را جنسیت سرد
45
02:43 =>02:48
میخوانم و یک برچسب عددی نگه میدارم، فقط
46
02:48 =>02:52
به آن یک نام جنسیت میدهم، آن را ثبت کنید و
47
02:52 =>02:53
مقادیر را
48
02:53 =>03:02
به عنوان یک ESPA درج کنید. نر معمولی صفر
49
03:02 =>03:07
من یک زن قرار می دهم اکنون ما
50
03:07 =>03:09
واقعاً در مورد اعشار در
51
03:09 =>03:11
این مرحله اذیت نمی شویم، بنابراین نگران
52
03:11 =>03:14
نباشید که تأثیر زیادی روی ما نخواهد گذاشت، این
53
03:14 =>03:20
یک مقیاس اسمی خواهد بود.
54
03:20 =>0