روش های تحلیل چند متغیره
)HMR با تاکید بر تحلیل رگرسیونی چند متغیره سلسله مراتبی(
و
رضایت مندی سکونتی
استاد : دکتر شهابیان
دانشجویان :
ایمان عطایی
نیلوفر گرامی
میثم نوری
1-
مقدمه:
2
همانطور که در تعریف رشته شهرسازی که در اکثر منابع ذکر شده، شهرسازی رشته ای است میان رشته ای. از این رو در اکثر مباحثی که در شهر با آن مواجه هستیم با فاکتورها،عوامل و شاخصه های بسیاری که هر کدام از یک جنس متفاوت می باشند روبرو هستیم.
در برخی تحقیقات به دلایل مختلف با حجم زیادی از متغیرها روبرو هستیم. برای تحلیل دقیق تر و رسیدن به نتایج علمی و در عین حال عملیاتی تر، پژوهشگر به دنبال کاهش حجم متغیرها و تشکیل ساختار جدیدی برای آنها است و به این منظور از روش های تحلیل چند متغیره استفاده می شود.
نجیبی،مزراعی،1387:9
اهداف بررسی های علمی بوسیله تحلیل چند متغیره:
3
نجیبی،مزراعی،1387:12
انواع تحلیل های چند متغیره:
4
زارع،محمد علی:1389:5
5
مقدمه
کاربرد
روش کار
اصطلاح تحلیل خوشه ای اولین بار توسط Tryon در سال 1939 برای روش های گروه بندی اشیایی که شبیه بودند مورد استفاده قرار گرفت.
تجزیه خوشه ای ابزار میانبر تحلیل داده ها است که هدف آن نظم دادن به اشیاء مختلف به گروه هایی که درجه ارتباط بین دو شیء اگر ، به یک گروه تعلق داشته باشند حداکثر و در غیر این صورت حداقل است.
به عبارت دیگر تحلیل خوشه ای ساختار داده ها را بدون توضیح اینکه چه وجود دارد را نشان می دهد.
زارع،محمد علی:1389:16
مدل خوشه ای
مدل عاملی
مدل رگرسیون چند متغیره
6
مقدمه
روش کار
کاربرد
تحلیل خوشه ای یک ابزار اکتشاف است و نتایج آن به شرح زیر است :
در تعریف یک طرح طبقه بندی مانند رده بندی حیوانات، حشرات یا گیاهان مفید باشد.
قواعدی برای اختصاص موارد جدید به طبقه ها به منظور شناسایی و تشخیص به دست دهد.
حدود تعریف، اندازه و تنوع و تعریف، برای آنچه قبلا به شکل مفاهیم وسیعی بوده است فراهم آورد.
نمونه هایی برای معرفی طبقه ها بیابد.
مدل های آماری برای توصیف جامعه ها ارائه دهد.
هدف اصلی از خوشه بندی داده ها آن است که مشاهدات را به گروه های متجانس تقسیم کنیم، به طوری که مشاهدات هرگروه بیشترین شباهت و مشاهدات گروه های مختلف کمترین شباهت را باهم داشته باشند.
(همان)
مدل خوشه ای
مدل عاملی
مدل رگرسیون چند متغیره
7
مقدمه
روش کار
کاربرد
مدل خوشه ای در شهرسازی:
یکی از روش های پرکاربرد در مطالعات جغرافیای ناحیه ای است.
روشی برای سطح بندی مناطق، شهرها، روستاها و … است. ( به طوری که در این سطح بندی، مکان های واقع در یک سطح شباهت زیادی با یکدیگر داشته، اما تفاوت قابل توجهی با مکان های سطوح دیگر دارد.
3. تحلیل خوشه ای به دو روش سلسله مراتبی و غیر سلسله مراتبی صورت می گیرد که در شهرسازی و جغرافیا روش خوشه ای سلسله مراتبی بیشتر مورد استفاده است.
حکمت نیا: 1385:236
مدل خوشه ای
مدل عاملی
مدل رگرسیون چند متغیره
8
مقدمه
کاربرد
روش کار
مفاهیم اساسی در مدل خوشه ای :
مفهوم فاصله : اندازه ای است که نشان می دهد دو مشاهده تا چه حد جدا از یکدیگرند.
مفهوم تشابه: شاخص نزدیکی دومشاهده به یکدیگر است.
پژوهشگر قبل از تحلیل، نخست باید یک مقیاس کمی را که بر پایه همخوانی(تشابه) بین مشاهده ها اندازه گرفته می شود را انتخاب کند.
این شاخص ها باتوجه به الگوریتم تشکیل خوشه ها، ماهیت متغیرها(پیوسته، گسسته یا دو ارزشی) و مقیاس اندازه گیری انتخاب می شوند.
در نرم افزار SPSS به منظور تجزیه خوشه ای از دستور زیر استفاده می شود:
Analyze>Classify>Cluster analysis
(همان)
مدل خوشه ای
مدل عاملی
مدل رگرسیون چند متغیره
9
فراهانی، فاطمه1391:313
مقدمه
کاربرد
روش کار
روش های طبقه بندی در نرم افزار ُSPSS
K-means Cluster ( خوشه ای k میانگین(
Hierarchical Cluster… (خوشه ای سلسله مراتبی)
Discriminate… (ممیزی)
هر کدام از روش های بالا در حالات خاصی از اطلاعات استفاده می شوند. برای مثال :
در روش خوشه ای K میانگین از این فرمان برای گروه بندی مشاهداتی که تعداد گروه ها از قبل معین است به کار می ورد.در این روش خوشه های مورد نظر محقق محاسبه و استخراج می شود.
فرمان Hierarchical …. زمانی استفاده می شود که تعداد خوشه ها از قبل گروه بندی نشده باشد. این روش در قالب یک نمودار برحسب فاصله، خوشه ها را در یک سلسله مراتب مرتب می کند. این روش زمانی مفید خواهد بود که از گروه ها و خوشه ها اطلاع نداشته باشیم و بخواهیم تعداد خوشه ها را برحسب تناسب آن ها استخراج شوند.
تفاوت روش سوم با روش اول و دوم در این است که در تحلیل تبعیضی باید نمونه های مناسبی را در اختیار داشته باشیم اما در دو روش قبلی نیازی به وجود گروهبندی اولیه نیست.
مدل خوشه ای
مدل عاملی
مدل رگرسیون چند متغیره
10
کاربرد
روش کار
مقدمه
تحلیل عاملی اصطلاحی است کلی برای تعدادی از تکنیک های ریاضی و آماری مختلف اما مرتبط با هم به منظور تحقیق درباره ماهیت روابط بین متغیرهای یک مجموعه معین.
تحلیل عاملی از جمله روشهای چند متغیره است که در آن، متغیرهای مستقل و وابسته مطرح نیست، زیرا این روش جزء تکنیک های هم وابسته محسوب می گردد و کلیه متغیرها نسبت به هم وابسته اند.
یکی از روش های آماری برای تجزیه وتحلیل اطلاعات موجود در مجموعه داده ها روش تجزیه عامل ها یا تحلیل عاملی است.
این روش ابتدا توسط کارل پیرسون(1901) و سپس چارلز اسپیرمن(1904) به منظور اندازه گیری هوش مطرح شد.
این روش برای تعیین تاثیرگذارترین متغیرها در زمانیکه تعداد متغیرهای مورد یررسی زیاد و روابط بین آنها ناشناخته باشد، استفاده می شود.
فراهانی، فاطمه1391:325
مدل خوشه ای
مدل عاملی
مدل رگرسیون چند متغیره
نمونه موردی
11
کاربرد
روش کار
مقدمه
در اوایل سال 1930، آشکار شد که مدل تک عاملی عمومی اسپیرمن برای توصیف روابط بین متغیرهای یک مجموعه همیشه کافی نیست.
ترستون احتمالا برجسته ترین تحلیلگر عاملی نوین بوده و نفوذ قابل ملاحظه ای در توسعه این روش از سال های 1930 تا کنون داشته است.
با در اختیار گرفتن کامپیوترهای پرسرعت، در اواسط تا اواخر دهه 1950، حرکتی از تئوری گرایی به سوی آنچه تحلیل اکتشافی نامیده می شود، به وجود آمد.
درک مفهومی مدل :
تحلیل عاملی تکنیکی است که کاهش تعداد زیادی از متغیرهای وابسته به هم را به صورت تعداد کوچکتری از ابعاد پنهان امکان پذیر می سازد.
زیاری، کرامت اله :1388:210
مدل خوشه ای
مدل عاملی
مدل رگرسیون چند متغیره
نمونه موردی
12
مقدمه
روش کار
کاربرد
امروزه، روش تحلیل عاملی از جمله تکنیک های تحلیل آماری است که در سطح وسیعی از شاخه های علوم مانند روانشناسی، جامعه شناسی، مدیریت، جغرافیا ، برنامه ریزی شهری و … استفاده می شود.
هدف عمده از تحلیل عاملی رعایت اصل اقتصادی و صرفه جویی از طریق کاربرد کوچکترین مفاهیم تبیین کننده به منظور تبیین بیشینه مقدار واریانس مشترک در ماتریس همبستگی است.
تحلیل عاملی دارای دو نوع می باشد :
تحلیل عاملی اکتشافی:
(( در این تحلیل پژوهشگر در صدد کشف ساختار زیربنایی مجموعه نسبتا بزرگی از متغیرهاست و پیش فرض اولیه آن است که هر متغیری ممکن است با هر عاملی ارتباط داشته باشد. به عبارت دیگر پژوهشگر در این زوش هیچ نظریه اولیه ای ندارد))
2. تحلیل عاملی تاییدی:
دز این تحلیل، پیش فرض اساسی آن است که هر عاملی با زیرمجموعه خاصی از متغیرها ارتباط دارد. حداقل شرط لازم برای تحلیل عاملی تاییدی این است که پژوهشگر در مورد تعداد عامل های مدل، قبل از انجام تحلیل، پیش فرض معینی داشته باشد.
مدل خوشه ای
مدل عاملی
مدل رگرسیون چند متغیره
نمونه موردی
(همان)
13
مقدمه
روش کار
کاربرد
کاربردهای تحلیل عاملی تاییدی:
تعیین اعتبار یک مدل عاملی
مقایسه توان دو مدل متفاوت که از داده های مشابه ساخته شده اند
آزمون معنی داری یک بار عاملی ویژه
آزمون اینکه آیا مجموعه عامل ها با یکدیگر همبستگی دارند یا خیر؟
آزمون رابطه ی بین دو یا چند بار عاملی
مدل خوشه ای
مدل عاملی
مدل رگرسیون چند متغیره
نمونه موردی
زیاری، کرامت اله :1388:212
14
کاربرد
مقدمه
روش کار
دستور تحلیل عاملی تاییدی در نرم افزار لیزرل *قابل انجام است .
تحلیل عاملی اکتشافی در نرم افزار SPSS قابل اجرا است.
* LISREL: Linear structural relationships
برخی مفاهیم کلیدی در این روش :
اشتراک: میزان واریانس مشترک بین یک متغیر یا دیگر متغیرهای به کارگرفته شده در تحلیل است.
مقدارویژه: میزان واریانس تبیین شده به وسیله هر واریانس است.
عامل: عبارت است از ترکیب خطی متغیرهای اصلی که نشان دهنده ی جنبه های خلاصه شده ای از متغیرهای مشاهده شده است.
عامل مشترک: عاملی که دو یاچند متغیر بر روی آن بار می شوندیا عاملی است که حداقل بین دو متغیر مشاهده شده است.به فرایند تعیین عامل مشترک و تفسیر آن تحلیل عاملی مشترک می گویند.
بارعاملی: عبارت است از همبستگی بین متغیرهای اصلی و عوامل.
ماتریس عاملی : جدولی است که بارهای عاملی کلیه متغیرها را در هر عامل نشان می دهد.
چرخش عاملی: فرایندی برای تعدیل محور عاملی به منظور دستیابی به عامل های معنی دار و ساده است.
نمره عاملی: یک مقدار ویژه برای یک عامل است که برای یک واحد نمونه گیری خاص محاسبه می شود. نمره عامل ها از حاصل جمع وزنی مقدار متغیرها برای آن واحد نمونه گیری بخصوص به دست می آید.
مدل خوشه ای
مدل عاملی
مدل رگرسیون چند متغیره
نمونه موردی
مومنی،قیومی، 1386:118
15
کاربرد
مقدمه
روش کار
زارع،محمد علی:1389:35
مدل خوشه ای
مدل عاملی
مدل رگرسیون چند متغیره
نمونه موردی
16
کاربرد
مقدمه
روش کار
مراحل اجرای تحلیل عاملی:
انتخاب متغیرهای مناسب:
متغیرهایی برای تحلیل عاملی مناسب ترند که در سطح سنجش فاصله ای باشند، لکن در برخی موارد از متغیرهای رتبه ای و اسمی نیز استفاده می شود.
در تحلیل عاملی انبوهی از داده ها به کار برده می شود. حداقل حجم نمونه نباید کمتر از 50 باشد.
به عنوان یک قاعده کلی تعداد نمونه باید در حدود 4 یا 5 برابر تعداد متغیرهای مورد استفاده باشد.
روش انتخاب متغیر مناسب :
ماتریس همبستگی
روش ضریب KMO
مقدار این ضریب همواره بین صفر و یک در نوسان است. و از رابطه زیر بدست می آید.
مدل خوشه ای
مدل عاملی
مدل رگرسیون چند متغیره
نمونه موردی
چارلزو مولر1381:219
17
کاربرد
مقدمه
روش کار
جدول قضاوت در مورد ضریب KMO
(همان)
مدل خوشه ای
مدل عاملی
مدل رگرسیون چند متغیره
نمونه موردی
18
کاربرد
مقدمه
روش کار
2. استخراج عامل ها
مدل خوشه ای
مدل عاملی
مدل رگرسیون چند متغیره
الف) روش استخراج عامل ها :
برای استخراج عامل ها روش های مختلفی وجود دارد که بر حسب مقدار و نوع واریانسی که توسط متغیرهای هر عامل در مدل توجیه می شود، متفاوتند. اساسی ترین این روش ها تجزیه ی مولفه های اصلی است. روش دیگر در استخراج عامل ها «تحلیل عامل مشترک» می باشد.
تجزیه مولفه های اصلی زمانی به کار می رود که هدف محقق تلخیص متغیرها و دستیابی به تعداد محدودی عامل برای اهداف پیش بینی شده باشد.
مدل تحلیل عاملی مشترک زمانی به کار می رود که هدف، شناسایی عامل ها با ابعادی باشد که به سادگی قابل شناسایی نیستند.
* ذکر این نکته ضروری است که در تحلیل عاملی 3 واریانس وجود دارد؛
واریانس مشترک : که به نسبتی از واریانس گفته می شود که به وسیله عامل های مشترک تبیین می وشد.
واریانس خاص که به یک متغیر خاص مربوط می شود.
واریانس خطا که ناشی از بی اعتباری و ناپایایی داده های جمع آوری شده است.
* در روش تجزیه مولفه های اصلی، عامل ها همه واریانس هر متغیر از جمله واریانس مشترک با سایر متغیرهای مجموعه و نیز واریانس خاص متغیر را توجیه می کنند. پس تعداد عامل ها در این روش از نظر تئوری باید با تعداد متغیرها برابر باشد.
نمونه موردی
(همان)
19
کاربرد
مقدمه
روش کار
مدل خوشه ای
مدل عاملی
مدل رگرسیون چند متغیره
ب) معیار تعیین عامل ها :
معیار مقدار ویژه : هر عامل شامل یک یا چند متغیر است. مجذورات بارهای یک عامل نشان دهنده درصدی از واریانس ماتریس همبستگی است که به وسیله آن عامل ها تبیین می شود، این مقدار را مقدار ویژه نامند.
معیار پیشین: این روش زمانی مورد استفاده قرار می گیرد که تعداد عامل ها را پژوهشگر مشخص می کند.
معیار تست بریدگی: این معیار عامل ها را بر مبنایی تعیین می کند که هنوز میزان واریانس خاص بر واریانس مشترک غلبه نکرده است. بنابراین تا زمانی که مقدار واریانس بیشتر از مقدار واریانس خاص باشد، عامل های معنی دار استخراج می شود. برای تعیین تعداد عامل ها بر اساس این معیار، نمودار مقدار ویژه در برابر تعداد عامل ها رسم می شود.
معیار درصد واریانس تجمعی: در این حالت درصد واریانس تبیین شده مبنای تصمیم گیری قرار می گیرد و عامل هایی استخراج می شود که در صد واریانس بالایی را در بر داشته باشند.چنانچه مقدار واریانس کمتر از 50 درصد باشد، باید متغیرهایی را که میزان اشتراک آنها کم است، حذف شوند.
نمونه موردی
20
کاربرد
مقدمه
روش کار
مدل خوشه ای
مدل عاملی
مدل رگرسیون چند متغیره
3. تعیین متغیرهای هر عامل ( تفسیر ماتریس عاملی)
نمونه موردی
21
کاربرد
مقدمه
روش کار
مدل خوشه ای
مدل عاملی
مدل رگرسیون چند متغیره
4. دوران عامل ها
نمونه موردی
یکی از مفاهیم مهم در تحلیل عاملی، چرخش عامل هاست. بسیاری از آماردانان و محققان معتقدند که در بسیاری از موارد، عامل های چرخش یافته کافی نیستند. زیرا چرخش عامل ها از ورود برخی از متغیرها در عامل های مختلف جلوگیری می کند و ساختار عاملی مناسب وقابل تفسیرتری ارائه می دهد. دلیل اصلی چرخش عامل ها دستیابی به ماتریس عاملی ساده و از نظر تئوریکی معنادار و قابل تفسیر تر است.
22
کاربرد
مقدمه
روش کار
مدل خوشه ای
مدل عاملی
مدل رگرسیون چند متغیره
:SPSS اجرای تحلیل عاملی در نرم افزار
نمونه موردی
23
کاربرد
مقدمه
روش کار
مدل خوشه ای
مدل عاملی
مدل رگرسیون چند متغیره
محاسبه آمارهای توصیفی :
نمونه موردی
24
کاربرد
مقدمه
روش کار
مدل خوشه ای
مدل عاملی
مدل رگرسیون چند متغیره
با انتخاب گزینه ی KMO and Bartletts test of sphericity کفایت اندازه ی نمونه با استفاده از آزمون های KMO و بارتلت تعیین می شود. به طور کلی، این گزینه شاخصی برای مقایسه مقادیر ضرایب همبستگی ساده و جزیی بر روی همه متغیرهاست. مقادیر بزرگ KMO بر رضایت بخش بودن تحلیل عاملی دلالت می کند و آزمون بارتلت نیز فرض یکه بودن ماتریس ضرایب همبستگی را آزمون می کند، به طوریکه اگر آزمون بارتلت معنادار نباشد ( احتمال مربوطه بزرگتر از 5/. باشد)، این امکان برای ماتریس همبستگی وجود دارد که یک ماتریس یکه باشد. این امر به معنای آن است که ماتریس مذکور برای تحلیل های بعدی مناسب نیست.
با انتخاب ماتریس Inverse معکوس ماتریس ضرایب همبستگی متغیرها محاسبه می شود.
با انتخاب گزینه Reproduced ماتریسی محاسبه می شود که عناصر پایین قطر اصلی آن ضرایب همبستگی تبدیل یافته ی بین متغیرها، عناصر قطر اصلی میزان اشتراکات عامل ها و عناصر بالای قطر اصلی باقیمانده های روش تحلیل عاملی هستند. در مجموع روش تحلیل عاملی زمانی مفید است که مانده ها در این ماتریس کوچک و نزدیک به صفر باشند.
با انتخاب گزینه Anti-image ماتریسی محاسبه می شود که عناصر آن ضرایب همبستگی جزیی با علامت مخالف و عناصر قطر اصلی این ماتریس بیانگر دقت نمونه گیری هستند. این مقادیر ورود متغیرها را به مدل تایید می کند.
نمونه موردی
25
کاربرد
مقدمه
روش کار
مدل خوشه ای
مدل عاملی
مدل رگرسیون چند متغیره
شکل 2- کادر فرمان Factor analysis Descriptivs
نمونه موردی
26
کاربرد
مقدمه
روش کار
مدل خوشه ای
مدل عاملی
مدل رگرسیون چند متغیره
استخراج عوامل ها :
برای تعیین روش استخراج عاوامل روی کلید Extraction در کادر اصلی کلیک کرده تا کادری به نام Factor Analysis Extraction ظاهر شود. در سمت چپ این کادر که با عنوان Method مشخص شده است، روش های مختلف استخراج عوامل عبارتند از :
مولفه های اصلی (Principle Components)
حداکثر درستنمایی (Maximum Likelihood)
عامل یابی محور اصلی (Principle –Axis Factoring)
حداق مربعات غیروزنی (Alpha Factoring)
عامل یابی تصویری (Image Factoring)
برای انتخاب هرکدام از روش های بالا باید بر روی علامت فلش که در سمت راست جعبه قرار دارد، کلیک کرده تا فهرست آنها نمایان شود.
* در صورتیکه هدف پژوهشگر خلاصه کردن متغیرها و دستیابی به تعداد محدودی از عامل ها باشد، از روش مولفه های اصلی استفاده می شود.
در بخش Extract این مادر گزینه هایی وجود دارد که در آنها چگونگی انتخاب تعداد عامل ها مشخص می شود. با انتخاب گزینه ی Eigenvalue over تعداد عامل هایی که مقادیر ویژه آنها متناظر آنها از عدد تعیین شده در جعبه مقابل آن بیشتر است، استخراج می شوند. همچنینی اگر گزینه ی Number of Factors انتخاب شود، تعداد عامل ها را می توان به دلخواه در کادر مقابل این گزینه تعیین کرد.
نمونه موردی
27
کاربرد
مقدمه
روش کار
مدل خوشه ای
مدل عاملی
مدل رگرسیون چند متغیره
شکل 3- کادر فرمان Factor analysis Extraction
نمونه موردی
دوران عامل ها :
در این مرحله به منظور بهبود روابط بین متغیرها و عامل های اولیه تبدیلات خاص برروی عامل ها انجام می شود. با فعال کردن کلید Rotation در کادر اصلی، کادر Factor Analysis Rotation ظاهر می شود که شامل بخش های زیر است.
1. Method: روش های مختلف دوران را شامل می شود.
* به طور کلی دوروش های دوران به دو دسته متعامد و غیر متعامد(همبسته) تقسیم می شوند.
2. با انتخاب فرمان None هیچ نوع دورانی اعمال نمی شود.
3. فرمان Varimax : از جمله متداول ترین روش های دوران متعامد است که استقلال میان عامل های استخراجی را حفظ می کند. این روش متغیرهای دارای بار عاملی بزرگتر را به کمترین تعداد تقلیل می دهد. هنگامی از این روش استفاده می شود که هدف بدست آوردن عامل هایی است که دارای بار زیادی بر روی برخی از متغیرها و بار کم بر روی متغیرهای دیگرباشد.
28
کاربرد
مقدمه
روش کار
مدل خوشه ای
مدل عاملی
مدل رگرسیون چند متغیره
نمونه موردی
29
کاربرد
مقدمه
روش کار
مدل خوشه ای
مدل عاملی
مدل رگرسیون چند متغیره
دوران عامل ها :
4. فرمان Quarimax: این فرمان هنگامی مورد استفاده قرار می گیرد که مدل تحلیل عاملی به تعداد عوامل کمتری وابسته باشد. این روش از جمله روش های دوران متعامد است. هدف اصلی این روش ساده کردن سطرهای ماتریس عاملی است.
5. فرمان Equamax: از روش های دوران متعامد است که در برگیرنده اهداف هر دو روش فوق است. بدین معنی که هم سطره و هم ستون ها ساده می شود.
* در مجموع روش های متعامد فوق مقادیر نسبتا بزرگ از نظر قدر مطلق یا صفر به ستون های ماتریس ضرایب عام ها اختصاص می دهند. در چنین شرایطی عوامل به دست آمده یا با متغیرهای انتخابی وابستگی زیادی داشته یا از آنها کاملا مستقل خواهند بود .
6. فرمان Direct Oblimin: از جمله روش های دوران غیرمتعامد یا مورب است.ویژگی این روش ساده تر بودن تفسیر عامل هاست، در حالیکه عامل های به دست آمده از آن در حالت مستقل نخواهند بود.
نمونه موردی
30
کاربرد
مقدمه
روش کار
مدل خوشه ای
مدل عاملی
مدل رگرسیون چند متغیره
* برای دستیابی به یک ساختار ساده، اگر راه حل متعامد انتخاب شود، روش Varimax بهترین روش است. اما در صورت انتخاب راه حل متمایل، چرخش Direct Oblimin بهترین روش است.
* انتخب نوع روش چرخش عاملی به این بستگی دارد که آیا دلیل نظری از یک طرف بر فرض همبستگی یا استقلال عامل ها از همدیگر و از طرف دیگر برای چگونگی خوشه بندی متغیرها بر روی عامل ها قبل از چرخش وجود دارد یا خیر؟ یک روش قابل قبول آن است که ابتدا هردو روش اجرا شود. سپس نوع مناسب آن انتخاب شود.
در بخش Display گزینه های زیر وجود دارد :
در صورت انتخاب یکی از روش های دوران، گزینه Rotation Solution قابل انتخاب بوده و با انتخاب آن ماتریس ضرایب عامل های دوران یافته، ماتریس تبدیل عوامل، ماتریس الگو و ماتریس همبستگی بین برآوردهای دوران یافته عامل های مشترک محاسبه خواهد شد.
با انتخاب گزینه Loading plot(S)نمودار سه بعدی از ضرایب متغیرهای موجود در ماتریس الگو رسم خواهد شد.
در پایین این کادر گزینه Maximum Iteration for Convergence وجود دارد که حداکثر تعداد دفعات تکرار فرایند را برای همگرایی روش تحلیل عاملی مشخص می کند.
نمونه موردی
31
کاربرد
مقدمه
روش کار
مدل خوشه ای
مدل عاملی
مدل رگرسیون چند متغیره
شکل 4- کادر فرمان Factor analysis Rotation
نمونه موردی
32
کاربرد
مقدمه
روش کار
مدل خوشه ای
مدل عاملی
مدل رگرسیون چند متغیره
محاسبه نمره های عاملی
برای محاسبه نمره عاملی بر روی کلید Scores در کادر اصلی کلیک کرده تا کادری به نام Factor Analysis Factor Scores ظاهر شود. اولین گزینه آن Save as variables است که نمره های عاملی بدست آمده زا ذخیره می کند.
* روش برآورد نمره های عاملی در بخش Method تعیین می شود. در نرم افزار SPSS سه روش منظور شده است.
1. Regression: در این روش بدون توجه به نوع دوران انتخابی، تعداد عامل های وابسته برآورد می شوند. در این روش حتی زمانی که عامل ها مستقل فرض می شوند، می توانند با همدیگر همبستگی داشته باشند.
2. Bartlett: در این روش از حداقل مربعات مزنی استفاده می شود.
3.Anderson-Rubin : در این روش برای هر عامل نمره هایی با انحراف معیار یک محاسبه می کند و عامل ها مستقل از یکدیگرند. در این روش، به منظور برآورد ضرایب، روش حداقل مربعات معمولی به کار گرفته می شود.
* آخرین گزینه موجود Display Factor Score Coefficient Matrix است که انتخاب آن برآورد ماتریس ضرایب عامل های به دست آمده را نشان می دهد.
نمونه موردی
33
کاربرد
مقدمه
روش کار
مدل خوشه ای
مدل عاملی
مدل رگرسیون چند متغیره
شکل 5- کادر فرمان Factor analysis: Factor Scores
نمونه موردی
34
کاربرد
مقدمه
روش کار
مدل خوشه ای
مدل عاملی
مدل رگرسیون چند متغیره
در بخش Option بخش های زیر وجود دارد :
در بخش Missing Values آ« چگونگی برخورد با داده های گمشده مشخص می شود. در این بخش سه گزینه وجود دارد :
گزینه Exclude cases listwise: برای حذف مشاهده هایی به کار می رود که در یکی از متغیرهای خود دارای داده ی گکشده هستند.
گزینه Exclude cases pairwise: برای حذف مشاهده هایی به کار می رود که یک یا هردو آنها دارایداده گمشده اند. این فرمان بر روی عملیاتی قابل اجرا است که از دو متغیر به ظور همزمان استفاده می شود.
گزینه Replace with Mean : نه تنها مشاهده های دارای داده ی گمشده را حذف نمی کند، بلکه داده های گمشده را با میانگین دیگر مشاهده ها جایگزین می کند.
در بخش Coefficient Display Format دو گزینه زیر وجود دارد:
گزینه Sorted by size: متغیرهایی که ضرایب عاملی یا همبستگی بالایی دارند، در یک گروه جای می دهد و آنها را به ترتیب از بزرگ به کوچک مرتب می کند.
گزینه Suppress absolute values less than : ضرایبی را که قدر مطلق آنها از مقدار تعیین شده در جعبه مقابل آن کوچکتر است، از ماتریس ضرایب حذف می کند. با توجه به آنکه ضرایب عاملی بین صفر و یک هستند، عدد مندرج در جعبه مذکور باید در همین دامنه قرار داشته باشد.
نمونه موردی
35
کاربرد
مقدمه
روش کار
مدل خوشه ای
مدل عاملی
مدل رگرسیون چند متغیره
شکل 6- کادر فرمان Factor analysis:: Option
نمونه موردی
36
کاربرد
مقدمه
روش کار
مدل خوشه ای
مدل عاملی
مدل رگرسیون چند متغیره
مثال 1: در صورتیکه تحلیل عاملی بر روی ماتریسی شامل 13 متغیر در 157 واحد نمونه انجام شود و هدف تشخیص مهمترین متغیرها باشد، تفسیر نتایج به صورت زیر است :
جدول (3) میزان استراک متغیرها یا واریانس کل با میزان اشتراک عاملی متغیرها را نشان می دهد. برای مثال ملاحظه می وشد که 92.6 درصد واریانس امتیازات متغیر x3 ، واریانس عامل مشترک است. Initial گویای تمامی اشتراک های قبل از استخراج است، بنابراین تمامی آنها برابر با یک هستند.
نمونه موردی
37
کاربرد
مقدمه
روش کار
مدل خوشه ای
مدل عاملی
مدل رگرسیون چند متغیره
نمونه موردی
شکل زیر تغییرات مقادیر ویژه را در ارتباط با عامل ها نشان می دهد. این نودار برای تعیین تعداد بهینه مولفه ها به کار می رود. با توجه به این مودار مشاهده می شود که از عامل سوم به بعد تغییرات مقدار ویژه کم می شود، پس می توان سه عامل را به عنوان عوامل مهم که بیشترین نقش را درتبیین واریانس داده ها دارند، استخراج کرد.
38
کاربرد
مقدمه
روش کار
مدل خوشه ای
مدل عاملی
مدل رگرسیون چند متغیره
نمودار اسکری گراف برای تعیین تعداد عامل ها
نمونه موردی
39
کاربرد
مقدمه
روش کار
مدل خوشه ای
مدل عاملی
مدل رگرسیون چند متغیره
نمونه موردی
40
کاربرد
مقدمه
روش کار
مدل خوشه ای
مدل عاملی
مدل رگرسیون چند متغیره
جدول زیر سهم متغیرها را در عامل ها بعد از چرخش نشان می دهد. هر متغیر در عاملی قرار می گیرد که با آن عامل همبستگی بالای معنی داری داشته باشد.
نمونه موردی
41
کاربرد
مقدمه
روش کار
مدل خوشه ای
مدل عاملی
مدل رگرسیون چند متغیره
جدول ضرایب همبستگی بین عوامل را قبل و بعد از چرخش نشان می دهد.
نمونه موردی
42
کاربرد
مقدمه
روش کار
مدل خوشه ای
مدل عاملی
مدل رگرسیون چند متغیره
نمونه موردی
43
کاربرد
مقدمه
روش کار
مدل خوشه ای
مدل عاملی
مدل رگرسیون چند متغیره
نمونه موردی
ارزیابی میزان کیفیت مجتمع های سکونتی با تاکید بررویکرد رضایت مندی در محله نواب
مجتبی رفیعیان، زهرا عسگری زاده،محمد عسگری زاده
44
کاربرد
مقدمه
روش کار
مدل خوشه ای
مدل عاملی
مدل رگرسیون چند متغیره
نمونه موردی
مشخصات پروژه:
هدف پروژه:
لین پروزه با هدف ضرورت بازنگری و ارزیابی پروژه های توسعه شهری به ویژه طرح های تامین نیازهای سک.نتی اقشار کم درامد در خصوص میزان دست یافتن به اهداف مورد مطالعه صورت گرفت.
حجم نمونه :270
جمع آوری داده : از طریق پرسشنامه، مصاحبه رو در رو
تجزیه و تحلیل داده : SPSS ver 15
45
کاربرد
مقدمه
روش کار
مدل خوشه ای
مدل عاملی
مدل رگرسیون چند متغیره
نمونه موردی
رضایت مندی سکونتی:
رضایت مندی سکونتی معادل میزان رضایت درک و تجربه شده فرد یا عضوی از یک خانواده از موقعیت سکونتی فعلی خود محسوب می شود.
رضایت مندی سکونتی از آن جا که بخشی از حوزه رضایت مندی از زندگی در معنای عام می باشد، یکی از مطالعه شده ترین موضوعات در زمینه محیط مسکونی محسوب شده است.
این مفهوم نشانه ای مهم مبنی بر وجود ادراکات مثبت ساکنان نسبت به «کیفیت زندگی» خویش تلقی می شود.
مهمترین تحقیقات انجام شده در زمینه رضایت مندی در ارتباط با تحقیقات مرتبط با سنجش میزان کیفیت محیط در نواحی سکونتی مطرح شده است، به عنوان نمونه در مطالعه ای که به وسیله لنسینگ و مارلنز در سال 1969 صورت گرفت.، رضایت مندی به عناون یکی از معیارهای کلیدی سنجش میزان کیفیت محیطی مطرح شد : « یک محیط با کیفیت بالا، احساس رفاه و رضایت مندی به جمعیتش را به واسطه ویژگی هایی که ممکن است فیزیکی، اجتماعی و یا سمبلیک باشد، منتقل می کند»
نظریه رضایت مندی سکونتی برای تعیین یک چارچوب راهنما جهت شناخت خصوصیات ساختاری خانوارها و بافت محل شکونت آن ها ( اعم از خانه و محله) که بر جوانب گوناگون رضایت مندی تاثیر گذار است، به کار می رود.
46
کاربرد
مقدمه
روش کار
مدل خوشه ای
مدل عاملی
مدل رگرسیون چند متغیره
نمونه موردی
مشخصه های عینی رضایتمندی مسکونی
ویژگی های شخصیتی
مشخصه های ذهنی رضایتمندی
رضایتمندی سکونتی
مقاصد رفتاری
رفتار سازمانی
رضایت کلی از زندگی
مدل نمودار رضایت مندی سکونتی
47
کاربرد
مقدمه
روش کار
مدل خوشه ای
مدل عاملی
مدل رگرسیون چند متغیره
نمونه موردی
روش شناسی تحقیق
در ارزیابی میزان رضایت مندی از مجتمع های سکونتی نواب، از دو روش مستقیم(از طریق طرح سوالاتی کاملا مستقیم در زمینه وضعیت رضایت مندی از مجتمع های سکونتی) و روش غیر مستقیم ( مدل تجربی سلسله مراتبی سنجش میزان رضایت مندی در سه سطح) استفاده شد.
1. میزان رضایت مندی از مجتمع های سکونتی نواب
2. ممعیار رضایت مندی از مجتمع های سکونتی به 6 جزء معیار سازنده آن ( شمال امنیت مجتمع، بهداشت محیط، روابط همسایگی، ویژگی های کالبدی، دید و منظر و تسهیلات مجتمع)
3. سوالاتی راجع به هر یک از معیارها در قالب یک پرسشنامه
48
کاربرد
مقدمه
روش کار
مدل خوشه ای
مدل عاملی
مدل رگرسیون چند متغیره
نمونه موردی
49
کاربرد
مقدمه
روش کار
مدل خوشه ای
مدل عاملی
مدل رگرسیون چند متغیره
نمونه موردی
50
کاربرد
مقدمه
روش کار
مدل خوشه ای
مدل عاملی
مدل رگرسیون چند متغیره
نمونه موردی
در بررسی میزان اهمیت هر یک از عوامل سازنده رضایت مندی از روش تحلیل عاملی استفاده شده است. برای بررسی کفایت مدل از شاخص RMS استفاده شد که مقادیر کوچکتر از 05/. نشان دهنده مدل مناسب می باشد.
همچنین معیار تسهیلات مجتمع بالاترین اهمیت و دید و منظر کمترین میزان اهمیت را داشتند.
51
کاربرد
مقدمه
روش کار
مدل خوشه ای
مدل عاملی
مدل رگرسیون چند متغیره
نمونه موردی
52
کاربرد
مقدمه
روش کار
مدل خوشه ای
مدل عاملی
مدل رگرسیون چند متغیره
نمونه موردی
53
کاربرد
مقدمه
روش کار
مدل خوشه ای
مدل عاملی
مدل رگرسیون چند متغیره
نمونه موردی
نتیجه گیری :
54
کاربرد
مقدمه
روش کار
مدل خوشه ای
مدل عاملی
مدل رگرسیون چند متغیره
نمونه موردی
واژه رگرسیون در فرهنگ لغت به معنی بازگشت است و اغلب جهت رساندن مفهوم "بازگشت به یک مقدار متوسط یا میانگین” به کار می رود. بدین معنی که برخی پدیده ها به مرور زمان از نظر کمی به طرف یک مقدار متوسط میل می کنند .
رگرسیون به معنای بازگشت می باشد؛ یعنی چگونه نمره های Y به نمره های x بازگشت پیدا می کند.
بیش از ١٠٠ سال پیش در سال ١٨٧٧ فرانسیس گالتون (Francis Galton) در مقاله ای که در همین زمینه منتشر کرد اظهار داشت که متوسط قد پسران دارای پدران قد بلند ، کمتر از قد پدرانشان می باشد . به نحو مشابه متوسط قد پسران دارای پدران کوتاه قد نیز بیشتر از قد پدرانشان گزارش شده است. به این ترتیب گالتون پدیده بازگشت به طرف میانگین را در داده هایش مورد تاکید قرار داد . برای گالتون رگرسیون مفهومی زیست شناختی داشت اما کارهای او توسط کارل پیرسون (Karl Pearson) برای مفاهیم آماری توسعه داده شده . گرچه گالتون برای تاکید بر پدیده "بازگشت به سمت مقدار متوسط" از تحلیل رگرسیون استفاده کرد، اما به هر حال امروزه واژه تحلیل رگرسیون جهت اشاره به مطالعات مربوط به روابط بین متغیرها به کار برده می شود .
55
کاربرد
مقدمه
روش کار
مدل خوشه ای
مدل عاملی
مدل رگرسیون چند متغیره
نمونه موردی
در حقیقت تحلیل رگرسیونی فن و تکنیکی آماری برای بررسی و مدل سازی ارتباط بین متغیرها است. رگرسیون تقریباً در هر زمینه ای از جمله مهندسی، فیزیک، اقتصاد، مدیریت، علوم زیستی، بیولوژی و علوم اجتماعی برای برآورد و پیشبینی مورد نیاز است . می توان گفت تحلیل رگرسیونی، پرکاربردترین روش در بین تکنیک های آماری است.
نکته ای که باعث گردیده این تکنیک از جایگاه مهمی در تحلیل ها برخوردار باشد شیوه های مختلف تحلیل های رگرسیونی است. به عنوان مثال رگرسیون خطی ساده، رگرسیون خطی چندگانه، رگرسیون فازی، رگرسیون لجستیک و … نمونه هایی از انواع رگرسیون محسوب می شود. این تنوع باعث شده که بتوان به راحتی هر نوع داده ای ( اغلب از نوع داده های پیوسته ) را تحلیل کرد و به راحتی نتیجه گیری نمود. که در ادامه هر یک از این روش ها به طور کامل تبیین خواهد گردد.
علت دیگری که باعث شده این روش علاقه مندان بیشتری پیدا کند، نرم افزارهای متنوعی است که قابلیت انجام این تحلیل ها را دارند. به عنوان مثال می توان نرم افزار Excel (که ساده ترین نرم افزار است) و SPSS ، S-Plus ( S+) ، SASو … نام برد.
56
کاربرد
مقدمه
روش کار
مدل خوشه ای
مدل عاملی
مدل رگرسیون چند متغیره
نمونه موردی
نیرومند، حسینعلی،1385:142
57
کاربرد
مقدمه
روش کار
مدل خوشه ای
مدل عاملی
مدل رگرسیون چند متغیره
نمونه موردی
رگرسیون خطی ساده :
(همان)
58
کاربرد
مقدمه
روش کار
مدل خوشه ای
مدل عاملی
مدل رگرسیون چند متغیره
نمونه موردی
رگرسیون خطی چندگانه:
59
کاربرد
مقدمه
روش کار
مدل خوشه ای
مدل عاملی
مدل رگرسیون چند متغیره
نمونه موردی
60
کاربرد
مقدمه
روش کار
مدل خوشه ای
مدل عاملی
مدل رگرسیون چند متغیره
نمونه موردی
رگرسیون چند متغیره :
61
کاربرد
مقدمه
روش کار
مدل خوشه ای
مدل عاملی
مدل رگرسیون چند متغیره
نمونه موردی
سنجش کیفیت محیط مسکونی و روش های تحلیل :
62
کاربرد
مقدمه
روش کار
مدل خوشه ای
مدل عاملی
مدل رگرسیون چند متغیره
نمونه موردی
تحلیل هم پیوند ( CA):
رویکرد تحلیل هم پیوند به عنوان یک رویکرد مدلسازی تفکیکی است. تحلیل هم پیوند تکنیک چندمتغیره ای است که به ویژه برای فهم ساختار اولویت بندی مخاطبان از اهداف فیزیکی (محصولات) یا غیر فیزیکی ( خدمات، باورها)، واقعی یا فرضی به کار می رود.
این رویکرد در میانه دهه 1960 شکل گرفت.
63
کاربرد
مقدمه
روش کار
مدل خوشه ای
مدل عاملی
مدل رگرسیون چند متغیره
نمونه موردی
(همان)
64
کاربرد
مقدمه
روش کار
مدل خوشه ای
مدل عاملی
مدل رگرسیون چند متغیره
نمونه موردی
تحلیل مطلوبیت چند شاخصه:
65
کاربرد
مقدمه
روش کار
مدل خوشه ای
مدل عاملی
مدل رگرسیون چند متغیره
نمونه موردی
(همان)
66
کاربرد
مقدمه
روش کار
مدل خوشه ای
مدل عاملی
مدل رگرسیون چند متغیره
نمونه موردی
رگرسیون چند متغیره سلسله مراتبی :
67
کاربرد
مقدمه
روش کار
مدل خوشه ای
مدل عاملی
مدل رگرسیون چند متغیره
نمونه موردی
این تحلیل همچنین می تواند برای پیش بینی به کار رود.
68
کاربرد
مقدمه
روش کار
مدل خوشه ای
مدل عاملی
مدل رگرسیون چند متغیره
نمونه موردی
فرآیند آزمون در هر سه مدل
مقایسه سه مدل مطرح شده :
69
70
کاربرد
مقدمه
روش کار
مدل خوشه ای
مدل عاملی
مدل رگرسیون چند متغیره
نمونه موردی
مجتبی رفیعیان، فرزین امین صالحی، علی اکبر تقوایی
سنجش کیفیت محیط سکونت در شهرک اکباتان
71
کاربرد
مقدمه
روش کار
مدل خوشه ای
مدل عاملی
مدل رگرسیون چند متغیره
نمونه موردی
این تحقیق با هدف سنجش کیفیت محیط سکونت در مجتمع های بلند مرتبه بر آ است تا با شناسایی و ارزیابی وضعیت کیفی مولفه های سازنده کیفیت در این محیط مسکونی، علاوه بر تعیین سطح کیفیت محیط در محدوده مطالعاتی به اولویت بندی مولفه های محیطی نامطلوب محیط سکونت مورد نظر می پردازد.
محدوده مورد مطالعه : شهرک اکباتان، ناحیه 6 منطقه 5
جمعیت : 70000 نفر
حجم نمونه :320
نرم افزار :SPSS
روش تحلیل : رگرسیون چند متغیره سلسله مراتبی
72
کاربرد
مقدمه
روش کار
مدل خوشه ای
مدل عاملی
مدل رگرسیون چند متغیره
نمونه موردی
تعاریف متنوع از کیفیت محیط :
مرور و بررسی نگرش هایس متفاوت نشان دهنده دو نگرش و رویکرد متفاوت در تعریف مفهوم مورد نظر است. تعدادی از نویسندگان قایل به ماهیت مستقل این مفهوم بوده و با تاکید بر مولفه های ماهوی دوگانه ( عینی- ذهنی) کیفیت محیط، به تبیین و تشریح آن پرداخته اند.
* کیفیت محیط موضوعی پیچیده، در برگیرنده ادراکات ذهنی، نگرش ها و ارزش های گروه ها و افراد مختلف است( پروتئوس،1971)
* کیفیت محیط از برایند کیفیت اجزای تشمیل شده یک ناحیه معین حاصل می شود. (ون کامپ،2003)
اما گروهی دیگر تلقی متفاوتی از مفهوم کیفیت محیط داشته و تعریف آن را در ربط و پیوند با مفهوم کلی تر «کیفیت زندگی» ممکن می دانند.این مفهوم به معنای بازتابی از تمامی جوانب احساس رفاه فردی، شامل همه متغیرهایی که بر رضایت مندی انسان موثرند، فرض شده است(Ott,1987:371)
73
کاربرد
مقدمه
روش کار
مدل خوشه ای
مدل عاملی
مدل رگرسیون چند متغیره
نمونه موردی
مروری بر متون نظری و پژوهش های انجام شده در زمینه کیفیت محیط مسکونی نشان دهنده تاکید اکثر محققان بر نظریه رضایت مندی سکونتی به عناون رهیافتی مناسب و کارآمد در سنجش میزان کیفیت محیط است.
* یک محیط مسکونی با کیفیت القا کننده احساس رفاه و رضایت مندی به ساکنان از راه خصصیات کالبدی، اجتماعی یا نمادین است.( ون پل،1997،17)
از جمله مدل های ارائه شده از شوی محققان درباره پژوهش درباره رضایت مندی می توان به مدل آمریگو و آراگونس اشاره کرد که رویکردی روش شناختی و تئوریک در زمینه مطالعه رضایت مندی سکونتی و دیدگاهی کلی درباره تعامل مردم و محیط مسکونی ارائه می دهد.
مارانس(2003) شاخص های عینی و دهنی سنجش کیفیت زندگی را تبیین کرد. در نگاهی کلی معیارهای تعیین کننده رضایت مندی سکونتی را می توان در قالب نمودار صفحه بهد دید.
74
کاربرد
مقدمه
روش کار
مدل خوشه ای
مدل عاملی
مدل رگرسیون چند متغیره
نمونه موردی
75
کاربرد
مقدمه
روش کار
مدل خوشه ای
مدل عاملی
مدل رگرسیون چند متغیره
نمونه موردی
مدل تجربی سنجش کیفیت محیط مسکونی موسوم به درخت ارزش ساختاری سلسله مراتبی دارد که در آن معیارها، جز معیارها و متغیرهای موثر در فریند سنجش کیفیت محیط سکونت سطوح مختلف مدل را تشکیل می دهد.
76
کاربرد
مقدمه
روش کار
مدل خوشه ای
مدل عاملی
مدل رگرسیون چند متغیره
نمونه موردی
77
کاربرد
مقدمه
روش کار
مدل خوشه ای
مدل عاملی
مدل رگرسیون چند متغیره
نمونه موردی
برای بدست آوردن میزان کیفیت محیط مسکونی کلی درک شده از طرف ساکنان از آزمون T تک نمونه ای استفاده شد. ( 2.98)
ارزش گذاری سئالات پرسشنامه مبتنی بر روش طیف 5 گزینه ای لیکرت بوده است. و بر این اساس رتبه های 1 تا 5 به سوالات داده شده است.
برای بدست آوردن میزان کیفیت محیط مسکونی در هر یک از معیارهای سازنده آن در سطوح مختلف مدل تجربی سنجش کیفیت، از آزمون T تک نمونه ای استفاده شده است.
78
کاربرد
مقدمه
روش کار
مدل خوشه ای
مدل عاملی
مدل رگرسیون چند متغیره
نمونه موردی
کیفیت محیط مجتمع های مسکونی
3/02
کیفیت محیط در شهرک
3/12
امنیت / ایمنی
متغیرهای محیطی
بناها و فضاها
79
کاربرد
مقدمه
روش کار
مدل خوشه ای
مدل عاملی
مدل رگرسیون چند متغیره
نمونه موردی
نتیجه گیری :
تحقیق نشان داد که رضایت مندی افراد از وضعیت کیفیت محیط در محدود مسکونی مطالعه شده در حد متوسطی قابل ارزیابی است.(1<2/98<5) .
هم چنین ساکنین از میان معیارهای واقع در سطح دوم مدل تجربی، از معیار کیفیت محیط در شهرک نسبت به معیار کیفیت محیط مجتمع های مسکونی رضایت بیشتری دارند. (1<3/12<5) در مقابل (1<3/02<5)
بیشترین رضایت : متغیرهای محیطی 3.79 و تسهیلات بیرونی مجتمع مسکونی 3/70
کمترین رضایت : دسترسی 2/98 و هزینه های مجتمع مسکونی 2/01
اهمیت بیشتر معیار کیفیت محیط مجتمع های مسکونی نسبت به معیار کیفیت محیط در شهرک .
در جز معیارها : بیش ترین : تعاملات اجتماعی و تعلق مکانی
کمترین: ایمین و امنیت و هزینه ای مجتمع
80
نمونه پرسشنامه تحلیل رضایتمندی سکونتی بر اسا مدل آمریگو
تحلیل داده ها تحلیل داده ها بر اساس متغیرهای مختلف
81
فرضیه: رضایت از کیفیت زندگی و وضعیت سکونت در دومحله جهانشهر و مصباح در افراد با در آمد مختلف، متفاوت است.
شاخص های توصیفی مربوط به نمرات رضایت از کیفیت زندگی و وضعیت سکونت در دومحله جهانشهر و مصباح در افراد با درآمد مختلف در پنج گروه زیر 700 هزار تومان؛ 700 تا یک میلیون، یک تا دو میلیون، دو تا سه میلیون و سه میلیون و بالاتر محاسبه شد نتایج نشانگر آن است که همانگونه که ذکر شد بطور کلی میانگین رضایت از کیفیت زندگی و وضعیت سکونت در محله جهانشهر بالاتر از محله مصباح است. در محله جهانشهر و مصباح بطور کلی می توان گفت میانگین رضایت در افراد با درآمد بالاتر تا حدی بالاتر است.
تحلیل داده ها تحلیل داده ها بر اساس متغیرهای مختلف
82
به منظور بررسی معنا دار بودن تفاوت بین میانگین های نمرات رضایت از کیفیت زندگی و وضعیت سکونت در افراد با درآمد مختلف در دو محله جهانشهر و مصباح با توجه به تاثیر دو متغیر مستقل محله و درآمد مختلف بر نمرات متغیر وابسته رضایت از کیفیت زندگی و وضعیت سکونت از آزمون تحلیل واریانس دو راهه استفاده شد.
چنانکه در جدول مشاهده می شود، F های محاسبه شده در رابطه با عامل محله (072/0 = P ، 270/3= (236،1)F ) ؛ عامل درآمد ( 200/0 = P ، 511/1= (236،1)F ) و تعامل عوامل محله و درآمد ( 282/0 = P ، 281/1= (236،1)F) در سطح 05/0 معنا دار نیست. بنابراین اثر عوامل محله، تحصیلات و تعامل آنها بر رضایت از کیفیت زندگی معنادار است.
تحلیل داده ها تحلیل داده ها بر اساس متغیرهای مختلف
83
فرضیه: اهمیت کیفیت زندگی و وضعیت سکونت در دومحله جهانشهر و مصباح در افراد بادر آمد مختلف، متفاوت است.
شاخص های توصیفی مربوط به نمرات رضایت از کیفیت زندگی و وضعیت سکونت در دومحله جهانشهر و مصباح در افراد با درآمد مختلف در پنج گروه زیر 700 هزار تومان؛ 700 تا یک میلیون، یک تا دو میلیون، دو تا سه میلیون و سه میلیون و بالاتر محاسبه شد نتایج نشانگر آن است که همانگونه که ذکر شد بطور کلی میانگین اهمیت از کیفیت زندگی و وضعیت سکونت در محله جهانشهر بالاتر از محله مصباح است . بطور کل می توان گفت تا حدودی در هر دو محله با افزایش درآمد میزان اهمیت کیفیت زندگی بالاتر می شود.
تحلیل داده ها تحلیل داده ها بر اساس متغیرهای مختلف
84
به منظور بررسی معنا دار بودن تفاوت بین میانگین های نمرات اهمیت کیفیت زندگی و وضعیت سکونت در افراد با درآمد مختلف در دو محله جهانشهر و مصباح با توجه به تاثیر دو متغیر مستقل محله و درآمد مختلف بر نمرات متغیر وابسته اهمیت کیفیت زندگی و وضعیت سکونت از آزمون تحلیل واریانس دو راهه استفاده شد.
چنانکه در جدول 4-30 مشاهده می شود، F های محاسبه شده در رابطه با عامل محله ( 328/0 = P ، 96/0= (236،1)F ) و عامل درآمد ( 488/0 = P ، 86/0= (236،1)F ) و تعامل عوامل محله و درآمد ( 184/0 = P ، 64/1= (236،1)F) در سطح 05/0 معنا دار نیست. بنابراین اثر عوامل محله ، درآمد و تعامل آنها بر اهمیت کیفیت زندگی معنادار نیست.