⏱ زمان مطالعه: 9 دقیقه

پردازش و تحلیل داده‌ها یکی از گام‌های اصلی در پژوهش‌های دانشگاهی، پیمایش‌های بازار و مطالعات سازمانی است. نرم‌افزار SPSS به دلیل رابط کاربری دیداری، امکانات گسترده در اجرای آزمون‌های آماری و سهولت در مدیریت داده‌ها، یکی از پرکاربردترین ابزارها برای پژوهشگران رشته‌های علوم انسانی، مدیریت، پزشکی و علوم اجتماعی به شمار می‌رود. برای دستیابی به نتایج معتبر و قابل اتکا، فرآیند تحلیل داده باید بر اساس قواعد دقیق آماری و به صورت مرحله‌به‌مرحله انجام شود.

گام اول: ورود داده‌ها و تعریف متغیرها در SPSS

پیش از آغاز هرگونه پردازش آماری، ورود صحیح داده‌ها و تعریف دقیق مشخصات متغیرها الزامی است. محیط کاری SPSS از دو برگه اصلی تشکیل شده است: Data View برای ورود مقادیر و Variable View برای تعیین ویژگی متغیرها. عدم تنظیم درست متغیرها در مرحله اول می‌تواند منجر به خروجی‌های نادرست یا عدم امکان اجرای برخی آزمون‌ها شود.

در برگه Variable View، هر سطر نماینده یک متغیر و ستون‌ها نشان‌دهنده ویژگی‌های آن هستند. مهم‌ترین ستون‌هایی که باید با دقت تنظیم شوند عبارتند از:

• Name: نام اختصاری متغیر بدون فاصله یا علامت‌های خاص (مانند Age یا Job_Satisfaction).
• Type: نوع داده که معمولاً روی Numeric (عددی) قرار می‌گیرد. حتی برای متغیرهای کیفی نیز بهتر است از کدگذاری عددی استفاده شود.
• Label: عنوان کامل متغیر که در جدول‌ها و نمودارهای خروجی ظاهر می‌شود.
• Values: تعریف کدهای عددی برای متغیرهای کیفی. برای مثال، کد ۱ برای «مرد» و کد ۲ برای «زن».
• Measure: مقیاس اندازه‌گیری متغیر که به سه دسته Scale (کمی یا فاصله‌ای/نسبی)، Ordinal (رتبه‌ای) و Nominal (اسمی) تقسیم می‌شود.

به عنوان مثال، در مطالعه‌ای که قصد بررسی رابطه میان «سطح تحصیلات» و «میزان درآمد» وجود دارد، متغیر تحصیلات باید به صورت Ordinal (کد ۱: دیپلم، کد ۲: کارشناسی، کد ۳: ارشد و بالاتر) و متغیر درآمد به صورت Scale با مقادیر واقعی ریالی تعریف شود. اشتباه در تعیین مقیاس Measure باعث می‌شود نرم‌افزار در پیشنهاد آزمون‌های متناسب دچار خطا شود یا کاربر آزمون اشتباهی را انتخاب کند.

مطلب مرتبط: نحوه نوشتن مقدمه پایان نامه

گام دوم: پیش‌پردازش و پالایش داده‌ها (Data Cleaning)

داده‌های خام جمع‌آوری‌شده از پرسشنامه‌ها یا بانک‌های اطلاعاتی معمولاً دارای خطاهایی نظیر داده‌های پرت (Outliers)، مقادیر مفقود (Missing Values) یا عدم رعایت پیش‌فرض‌های آماری هستند. اجرای مستقیم آزمون‌های آماری روی داده‌های پالایش‌نشده، اعتبار نتایج را به شدت کاهش می‌دهد.

برای بررسی و مدیریت داده‌های مفقود، مسیر Analyze > Missing Value Analysis استفاده می‌شود. در صورتی که تعداد داده‌های مفقود کمتر از ۵ درصد کل نمونه باشد، می‌توان از روش‌های جایگزینی مانند میانگین یا حذف صورت‌به‌صورت (Listwise Deletion) استفاده کرد. برای شناسایی داده‌های پرت، رسم نمودار جعبه‌ای (Boxplot) از مسیر Graphs > Chart Builder یا محاسبه نمرات استاندارد Z راهکار مناسبی است. داده‌هایی که نمره Z آن‌ها خارج از بازه ۳+ تا ۳- باشد، معمولاً به عنوان داده پرت شناسایی می‌شوند.

بررسی نرمال بودن توزیع داده‌ها یکی دیگر از مراحل کلیدی پیش‌پردازش است. این ویژگی مشخص می‌کند که باید از آزمون‌های پارامتریک استفاده شود یا ناپارامتریک. برای سنجش نرمال بودن در SPSS، از مسیر زیر اقدام می‌شود:

Analyze > Descriptive Statistics > Explore

مطلب مرتبط: نحوه دفاع از پایان نامه

در پنجره بازشده، متغیرهای کمی وارد کادر Dependent List شده و در بخش Plots، گزینه Normality plots with tests فعال می‌شود. دو آزمون اصلی در این بخش ارائه می‌شوند:

• آزمون کلموگوروف-اسمیرنوف (Kolmogorov-Smirnov): مناسب برای نمونه‌های بزرگتر از ۵۰ مورد.
• آزمون شاپیرو-ویلک (Shapiro-Wilk): مناسب برای نمونه‌های کوچکتر از ۵۰ مورد.

اگر مقدار سطح معنی‌داری (Sig.) در این آزمون‌ها بزرگتر از ۰٫۰۵ باشد، فرض نرمال بودن توزیع داده‌ها تایید می‌شود و می‌توان از آزمون‌های پارامتریک استفاده کرد. در غیر این صورت، باید به سراغ آزمون‌های ناپارامتریک رفت یا داده‌ها را تغییر شکل (Transform) داد.

گام سوم: تحلیل آمار توصیفی (Descriptive Statistics)

آمار توصیفی پایه و اساس شناخت ویژگی‌های عمومی نمونه پژوهش است. این بخش شامل شاخص‌های مرکزی (میانگین، میانه، نما) و شاخص‌های پراکندگی (انحراف معیار، واریانس، دامنه تغییرات) می‌شود.

برای محاسبه شاخص‌های توصیفی متغیرهای کمی، مسیر Analyze > Descriptive Statistics > Descriptives طی می‌شود. در صورت نیاز به بررسی چولگی (Skewness) و کشیدگی (Kurtosis) جهت اطمینان بیشتر از شکل توزیع، می‌توان از دکمه Options این شاخص‌ها را فعال کرد. اگر مقادیر چولگی و کشیدگی در بازه ۲+ تا ۲- قرار داشته باشند، توزیع داده‌ها به توزیع نرمال نزدیک است.

مطلب مرتبط: روش تحقیق در پایان نامه

برای متغیرهای کیفی (مانند جنسیت، وضعیت تأهل یا گروه سنی)، از جدول فراوانی استفاده می‌شود. مسیر اجرای آن Analyze > Descriptive Statistics > Frequencies است. خروجی این بخش شامل فراوانی مطلق، درصد و درصد تراکمی به همراه نمودارهای میله‌ای یا دایره‌ای است که نمای روشنی از وضعیت پاسخ‌دهندگان ارائه می‌دهد.

گام چهارم: انتخاب آزمون آماری مناسب (پارامتریک و ناپارامتریک)

انتخاب صحیح آزمون آماری به سه عامل اصلی بستگی دارد: هدف پژوهش (مقایسه جوامع، بررسی همبستگی یا پیش‌بینی)، مقیاس اندازه‌گیری متغیرها (کمی یا کیفی) و برقراری پیش‌فرض نرمال بودن داده‌ها. جدول زیر راهنمای مفیدی برای انتخاب آزمون متناسب با شرایط داده‌ها ارائه می‌دهد:

هدف تحلیل	نوع متغیرها	آزمون پارامتریک (توزیع نرمال)	آزمون ناپارامتریک (توزیع غیرنرمال)
مقایسه میانگین دو گروه مستقل	مستقل: کیفی دوحالته / وابسته: کمی	Independent Samples t-test	Mann-Whitney U test
مقایسه میانگین یک گروه در دو زمان (وابسته)	مستقل: زمان یا شرایط / وابسته: کمی	Paired Samples t-test	Wilcoxon Signed-Ranks test
مقایسه میانگین بیش از دو گروه	مستقل: کیفی چندحالته / وابسته: کمی	One-Way ANOVA	Kruskal-Wallis H test
بررسی رابطه و همبستگی دو متغیر	هر دو متغیر کمی یا رتبه‌ای	Pearson Correlation	Spearman Correlation
پیش‌بینی تغییرات متغیر وابسته	مستقل: کمی یا مجازی / وابسته: کمی	Linear Regression	Logistic Regression (در شرایط خاص)

گام پنجم: اجرای آزمون‌های آمار استنباطی در SPSS

آمار استنباطی به پژوهشگر اجازه می‌دهد تا بر اساس اطلاعات نمونه، درباره کل جامعه آماری استنباط و فرضیه‌آزمایی کند. در ادامه شیوه اجرای مهم‌ترین آزمون‌های کاربردی توضیح داده می‌شود.

۱. آزمون تی مستقل (Independent Samples t-test)

این آزمون برای مقایسه میانگین یک متغیر کمی در دو گروه مستقل (مانند مقایسه رضایت شغلی میان کارمندان زن و مرد) به کار می‌رود.

مطلب مرتبط: انتخاب موضوع پایان نامه

مسیر اجرا: Analyze > Compare Means > Independent-Samples T Test

متغیر کمی در کادر Test Variable(s) و متغیر گروه بندی در کادر Grouping Variable قرار می‌گیرد. با کلیک روی Define Groups، کدهای مربوط به دو گروه (مثلاً ۱ و ۲) وارد می‌شوند. در خروجی این آزمون، ابتدا جدول آزمون لون (Levene’s Test) برای همگنی واریانس‌ها بررسی می‌شود. اگر Sig. آزمون لون بزرگتر از ۰٫۰۵ باشد، واریانس دو گروه برابر فرض شده و سطر اول جدول t-test خوانده می‌شود.

۲. تحلیل واریانس یک‌طرفه (One-Way ANOVA)

زمانی که قصد مقایسه میانگین یک متغیر کمی در سه گروه یا بیشتر وجود داشته باشد (مانند مقایسه عملکرد شغلی در میان سه رده سنی مختلف)، از این آزمون استفاده می‌شود.

مطلب مرتبط: نحوه نگارش پروپوزال

مسیر اجرا: Analyze > Compare Means > One-Way ANOVA

متغیر وابسته کمی در Dependent List و متغیر گروه‌بندی در Factor قرار می‌گیرد. در صورت معنی‌دار شدن آزمون کلی (Sig. < 0.05)، برای تعیین این که تفاوت دقیقاً بین کدام دو گروه وجود دارد، باید از آزمون‌های تعقیبی (Post Hoc) نظیر Tukey یا Scheffe استفاده کرد که از بخش Post Hoc قابل فعال‌سازی هستند.

۳. تحلیل همبستگی پیرسون و اسپیرمن

برای سنجش جهت و شدت رابطه خطی میان دو متغیر از ضریب همبستگی استفاده می‌شود.

مسیر اجرا: Analyze > Correlate > Bivariate

مطلب مرتبط: رفرنس نویسی در پایان نامه

متغیرها به کادر Variables منتقل می‌شوند. اگر هر دو متغیر کمی و دارای توزیع نرمال باشند، گزینه Pearson انتخاب می‌شود. در غیر این صورت یا در صورت رتبه‌ای بودن متغیرها، گزینه Spearman علامت زده می‌شود. مقدار ضریب همبستگی بین ۱- تا ۱+ متغیر است. اعداد نزدیک به ۱+ نشان‌دهنده همبستگی مستقیم و قوی، اعداد نزدیک به ۱- نشان‌دهنده همبستگی معکوس و قوی، و اعداد نزدیک به صفر نشان‌دهنده عدم وجود رابطه خطی هستند.

۴. رگرسیون خطی ساده و چندگانه (Linear Regression)

رگرسیون جهت بررسی اثرگذاری یک یا چند متغیر مستقل بر یک متغیر وابسته کمی استفاده می‌شود.

مسیر اجرا: Analyze > Regression > Linear

متغیر پاسخ در کادر Dependent و متغیرهای پیش‌بین در کادر Independent(s) قرار می‌گیرند. در خروجی رگرسیون، شاخص R Square (ضریب تعیین) نشان می‌دهد چه درصدی از تغییرات متغیر وابسته توسط متغیرهای مستقل پوشش داده می‌شود. جدول ANOVA معنی‌دار بودن کل مدل را بررسی کرده و جدول Coefficients ضرایب بتا (Beta) و سطح معنی‌داری هر متغیر مستقل را نشان می‌دهد.

مطلب مرتبط: نوشتن بیان مسئله پروپوزال

گام ششم: تفسیم و تحلیل خروجی‌های SPSS (Output)

تحلیل خروجی در SPSS نیازمند شناخت مفاهیم کلیدی آماری است. پس از اجرای هر آزمون، پنجره جدیدی با عنوان SPSS Statistics Viewer باز می‌شود که شامل چند جدول است. مهم‌ترین مقادیری که در تمام آزمون‌ها باید بررسی شوند عبارتند از:

• سطح معنی‌داری (Sig. یا p-value): این معیار تعیین‌کننده رد یا تایید فرض صفر ($H_0$) است. در صورتی که Sig. کمتر از سطح خطای در نظر گرفته شده (معمولاً ۰٫۰۵) باشد، فرض صفر رد شده و فرضیه پژوهش تایید می‌شود. یعنی رابطه یا تفاوت مشاهده‌شده از نظر آماری معنی‌دار است.
• آماره آزمون (t, F, Z, Chi-Square): مقدار محاسبه‌شده توسط آزمون که بر اساس آن Sig. استخراج می‌شود. مقادیر مطلق بزرگتر معمولاً به معنی احتمال بالاتر معنی‌داری هستند.
• فاصله اطمینان (Confidence Interval): بازه‌ای که با احتمال ۹۵ درصد (یا ۹۹ درصد) پارامتر واقعی جامعه در آن قرار می‌گیرد. اگر فاصله اطمینان شامل عدد صفر نباشد، نشان‌دهنده معنی‌دار بودن اختلاف یا اثر است.

اشتباهات متداول در پردازش داده‌ها با SPSS

عدم رعایت برخی اصول استاندارد می‌تواند تحلیل داده‌ها را دچار انحراف کند. شناسایی این خطاهای رایج به افزایش کیفیت پژوهش کمک می‌کند:

یکی از خطاهای متداول، عدم استخراج میانگین سوالات یک طیف (مانند طیف لیکرت ۵ گزینه‌ای) قبل از اجرای آزمون‌های فرضیه‌آزمایی است. پژوهشگران گاهی به جای ساختن نمره کل متغیر از طریق مسیر Transform > Compute Variable، آزمون را روی تک‌تک گویه‌ها اجرا می‌کنند که این کار میزان خطای نوع اول را به شدت افزایش می‌دهد.

خطای دیگر، نادیده گرفتن پیش‌فرض‌های اختصاصی هر آزمون است. به عنوان مثال، اجرای آزمون رگرسیون خطی بدون بررسی هم‌خطی میان متغیرهای مستقل (Multicollinearity) از طریق شاخص‌های VIF و Tolerance، یا اجرای آزمون‌های پارامتریک روی داده‌هایی با توزیع کاملاً غیرنرمال و حجم نمونه بسیار کوچک، اعتبار تحلیل را زیر سوال می‌برد.

مطلب مرتبط: ساختار پایان نامه

همچنین تکیه مطلق بر Sig. بدون توجه به اندازه اثر (Effect Size) از موارد نادرست در گزارش‌نویسی است. معنی‌دار بودن آماری در نمونه‌های بسیار بزرگ ممکن است برای اختلافات بسیار کوچک نیز رخ دهد، در حالی که اندازه اثر نشان می‌دهد این اختلاف در عمل تا چه حد اهمیت دارد.

پرسش‌های متداول درباره تحلیل داده‌ها با SPSS

آیا برای تحلیل داده‌های پرسشنامه لیکرت باید از آزمون‌های پارامتریک استفاده کرد یا ناپارامتریک؟

اگر پاسخ‌های سوالات منفرد بررسی شوند، داده‌ها رتبه‌ای بوده و آزمون‌های ناپارامتریک مناسب‌تر هستند. اما اگر نمره‌های چند گویه‌ای که یک سازه مشخص را می‌سنجند با هم ترکیب شده و نمره کل ساخته شود، در صورت برقرار بودن پیش‌فرض نرمال بودن، می‌توان از آزمون‌های پارامتریک استفاده کرد.

معیار تصمیم‌گیری برای رد یا تایید فرضیه در خروجی SPSS چیست؟

معیار اصلی مقدار Sig. (یا همان p-value) است. اگر این مقدار کمتر از ۰٫۰۵ باشد، فرض عدم وجود رابطه یا عدم وجود تفاوت (فرض صفر) رد شده و فرضیه پژوهش با اطمینان ۹۵ درصد تایید می‌شود.

تفاوت اصلی بین آزمون Pearson و Spearman در SPSS چیست؟

آزمون همبستگی پیرسون برای متغیرهای کمی با توزیع نرمال و رابطه خطی استفاده می‌شود، در حالی که ضریب همبستگی اسپیرمن برای متغیرهای رتبه‌ای یا متغیرهای کمی که توزیع آن‌ها غیرنرمال است به کار می‌رود.