در این مطلب، ویدئو SPSS – تست مجذور کای (1 متغیر و مقادیر مورد انتظار داده شده) 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: 00:04:38
تصاویر این ویدئو:
قسمتی از زیرنویس این فیلم:
00 =>03
به بخش امروزی این متدولوژی SPSS خوش آمدید،
2
03 =>06
این بار با یک واحد در
3
06 =>09
آزمون مربع XI، آزمون خی دو را
4
09 =>12
می توان در زمینه های مختلف استفاده
5
12 =>15
6
15 =>19
7
19 =>22
کرد. آزمونی بر روی
8
22 =>25
وابستگی یا استقلال تصادفی، بنابراین
9
25 =>29
میخواستیم ببینیم که آیا دو متغیر
10
29 =>34
واقعاً به خوبی با یکدیگر مرتبط هستند یا خیر،
11
34 =>37
12
37 =>40
ایده متفاوتی که
13
40 =>44
وقتی با آزمون ناپارامتریک
14
44 =>47
این نسخه نمونه یا در اینجا XI را در نظر گرفتیم، در مورد آن صحبت کردیم.
15
47 =>50
مجذوب دیالوگ های میراث که در آن
16
50 =>52
ما در مورد آزمون کای دو به
17
52 =>54
عنوان کاربرد تست خوبی برازش صحبت
18
54 =>57
کردیم، بنابراین ما یک توزیع مشخص
19
57 =>59
از ورود خود داریم و آزمایش می کنیم که آیا این
20
59 =>01:01
متغیر واقعاً از این توزیع تبعیت می کند یا خیر،
21
01:01 =>01:05
اما همان آزمون را
22
01:05 =>01:07
نیز می توان اعمال کرد. در یک نسخه کمی متفاوت
23
01:07 =>01:13
که به خوبی
24
01:13 =>01:17
توزیع مشخصی را برای رسیدن فرض نمیکنیم، اما
25
01:17 =>01:20
قبلاً مقادیر مورد انتظار را برای مقدار
26
01:20 =>01:23
معینی ارائه میکنیم. یک ورود خاص، بنابراین اگر
27
01:23 =>01:25
نگاهی بیندازیم که چگونه این
28
01:25 =>01:27
ابتدا با دیالوگهای قدیمی کار میکند و
29
01:27 =>01:31
سپس در نسخه شما جابهجا میشود، بنابراین شما اساساً
30
01:31 =>01:36
به اینجا بروید متغیر ما را برای مثال
31
01:36 =>01:39
برای شهرها انتخاب کنید، سپس با
32
01:39 =>01:42
تست خوب تناسب در اینجا، درصدها را وارد میکنیم.
33
01:42 =>01:46
برای
34
01:46 =>01:48
دسته سوم اول اول دوم و
35
01:48 =>01:52
دسته سوم اکنون می توانیم مقادیر را وارد کنیم، بنابراین
36
01:52 =>01:55
می توانیم به عنوان مثال برویم در این مورد
37
01:55 =>01:59
ما 284 مشاهده وارد می کنیم اگر فرض کنیم
38
01:59 =>02:01
برای دسته اول 100
39
02:01 =>02:03
مشاهده برای دسته دوم داریم
40
02:03 =>02:06
که انتظار داریم 100 نیز باشد. برای آخرین
41
02:06 =>02:11
مورد انتظار 84 را داریم اگر سپس روی OK کلیک کنیم، او
42
02:11 =>02:13
آزمون را با
43
02:13 =>02:16
مقادیر مورد انتظار اجرا می کند و همانطور که می بینیم در اینجا
44
02:16 =>02:21
یک معنی نامتقارن دریافت می کنیم، بنابراین
45
02:21 =>02:23
اساساً این سطح اهمیت ما
46
02:23 =>02:27
برای این آزمون خی دو است، این به ما می گوید
47
02:27 =>02:32
که اینطور است. به وضوح بزرگتر از 5% است که
48
02:32 =>02:37
ما باید فرضیه h0 خود را حفظ کنیم، بنابراین
49
02:37 =>02:40
مقادیر مشاهده شده و مقادیر مورد انتظار
50
02:40 =>02:44
نمی توانند به طور
51
02:44 =>02:47
قابل توجهی متفاوت باشند، بنابراین باید
52
02:47 =>02:51
فرض کنیم که رسیدن ما o فرکانسهای مشاهدهشده
53
02:51 =>02:55
و فرکانسهای مورد انتظار
54
02:55 =>03:00
در واقع منطبق هستند، این
55
03:00 =>03:04
نسخه با فرمان قدیمیتر خواهد بود