ضريب همبستگي چيست؟

تصویر 4: نمودار پراکندگی دو بُعدی برای نمایش رابطه بین دو متغیر

محاسبه ضریب همبستگی پیرسون در متلب به همراه مثال (pearson in matlab)

ضریب همبستگی پیرسون ، یکی از معیار های شباهت می باشد که به بررسی میزان شباهت بین دو آیتم یا بردار می پردازد. در ادامه به نحوه محاسبه ضریب همبستگی پیروسون در متلب می پردازیم.

فرض کنید که میخواهیم معیار پیرسون بین دو بردار زیر را محاسبه کنیم:

برای محاسبه ضریب همبستگی پیروسون در متلب میتوانیم از دستور corr به صورت زیر استفاده کنیم:

به این ترتیب میزان شباهت دو بردار a و b بر اساس معیار پیرسون محاسبه میشود و در x قرار میگیرد.

در مباحث آماری، ضریب همبستگی پیرسون یا ضریب همبستگی حاصل‌ضرب-گشتاور پیرسون ، میزان همبستگی خطی بین دو متغیر تصادفی را می‌سنجد.

مقدار این ضریب بین ۱- تا ۱ تغییر می‌کند که:

• «۱» به معنای همبستگی مثبت کامل،
• «۰» به معنی نبود همبستگی،
• و «۱-» به معنی همبستگی منفی کامل است.

این ضريب همبستگي چيست؟ ضریب که کاربرد فراوانی در آمار دارد، توسط کارل پیرسون بر اساس ایدهٔ اولیهٔ فرانسیس گالتون تدوین شد.

ضریب همبستگی پیرسون بین دو متغیر تصادفی برابر با کوواریانس آنها تقسیم بر انحراف معیار آنها تعریف می‌شود.

برای آشنایی بیشتر با ضریب پیرسون در ویکیپدیا مراجعه کنید.

محاسبه ضریب همبستگی پیرسون در سیستم توصیه گر در متلب

یکی از کاربردهای مهم ضریب همبستگی پیرسون در سیستم های توصیه گر می باشد. در سیستم های توصیه گر فیلتر مشارکتی ، برای محاسبه میزان شباهت دو کاربر از معیار پیرسون استفاده میشود.

برای آشنایی با سیستم های توصیه گر ، حتما مقاله “سیستم توصیه گر یا Recommender System ” را مطالعه کنید.

نکته ای که وجود دارد این است که اگر شما میخواهید از ضریب همبستگی Pearson در سیستم های توصیه گر استفاده کنید ، باید بردار ورودی به دستور corr را اصلاح کنید و آیتم های مشترک بین دو کاربر را فقط در نظر بگیرید.

بعنوان مثال با فرض اینکه دو بردار a و b ای که در بالا تعریف کردیم امتیازات دو کاربر به آیتم های موجود باشد ، اگر شما برای محاسبه معیار شباهت پیروسون در متلب دستور زیر را وارد کنید اشتباه کرده اید:

تحلیل ضریب همبستگی اسپیرمن در SPSS

در آمار، برای نمایش میزان وابستگی بین دو یا چند متغیر، از شاخص‌های مختلفی استفاده می‌شود. یکی از معمول‌ترین این شاخص‌ها، ضرایب همبستگی است که میزان وابستگی را به صورت استاندارد شده نمایش می‌دهند. معمولا ضرایب همبستگی مقداری در بازه ۱- تا ۱ دارند. هر چه مقدار قدرمطلق این ضریب‌ها به یک نزدیک‌تر باشد، میزان وابستگی بین متغیرها بیشتر است. در این بین ضریب همبستگی اسپیرمن به علت ساختار مطلوبی که برای داده‌های رتبه‌‌ای دارد، در مباحث روانشناسی، مدیریت و آمار به کار گرفته می‌شود.

تحلیل ضریب همبستگی اسپیرمن در SPSS

ضریب همبستگی اسپیرمن یا به طور دقیق «ضریب همبستگی رتبه‌ای اسپیرمن» (Spearman rank-order correlation coefficient) اندازه یا شاخصی غیرپارامتری، جهت نمایش وابستگی بین دو متغیر ترتیبی است. البته از ضریب همبستگی اسپیرمن برای متغیرها کمی (عددی) نیز می‌توان استفاده کرد. معمولا برای نمایش ضریب همبستگی اسپیرمن از نماد r s

یا ρ (تلفظ کنید «رو») استفاده می‌شود.

شاخص همبستگی اسپیرمن به افتخار «چارلز اسپیرمن» (Charles Spearman) دانشمند روانشناس انگلیسی، نام‌گذاری شده است. او با استفاده از این ضریب همبستگی توانست نظریه‌هایش در حوزه شناخت و هوش را توسعه دهد.

تصویر ۱: «چارلز اسپیرمن»

ضریب همبستگی اسپیرمن برای متغیرهای ترتیبی یا برای داده‌های پیوسته قابل محاسبه است. البته اغلب زمانی از این ضریب همبستگی استفاده می‌شود که شرایط و فرضیه‌های لازم برای محاسبه «ضریب همبستگی پیرسون» (Peasron Correlation Coefficient) وجود نداشته باشد. به عنوان مثال، شما می‌توانید از ضریب همبستگی اسپیرمن برای درک اینکه آیا ارتباطی بین نمره آزمون و زمان صرف شده برای مطالعه وجود دارد، استفاده کنید. یا در مورد ارتباطی بین افسردگی و طول دوره بیکاری تحقیق کنید.

نکته: شاخص‌های وابستگی بین دو متغیر توسط اندازه‌های «ضریب همبستگی پیرسون»، «ضریب همبستگی رتبه‌ای اسپیرمن» یا «ضریب هماهنگی تاو کندال» (Kendall’s Tau) محاسبه می‌شوند.

شرایط و فرضیه‌های برای تحلیل ضریب همبستگی اسپیرمن

قبل از آنکه تحلیل ضریب همبستگی اسپیرمن را برای داده‌ها مورد استفاده قرار دهید، باید شرایط به کارگیری این تحلیل را بررسی کنید. در ادامه متن به فرض‌ها و شرایطی اشاره خواهیم کرد که داده‌ها برای تحلیل ضریب همبستگی اسپیرمن باید داشته باشند. البته به کمک نرم‌افزار SPSS نیز وجود این شرایط را تحقیق خواهیم کرد.

فرض شماره 1: دو متغیر شما باید بوسیله یکی از مقیاس‌های «ترتیبی» (Ordinal)، «فاصله» (Interval) یا «نسبتی» (Ratio) اندازه‌گیری شده باشند. به عنوان نمونه می‌توان متغیرهای ترتیبی که از طریق مقیاس‌های لیکرت (به عنوان مثال، مقیاس 7 مقداری لیکرت از «کاملاً موافق» تا «کاملاً مخالف») بدست آمده‌اند را در تحلیل ضریب همبستگی اسپیرمن به کار برد.

داده‌های دیگر که براساس مقیاس ترتیبی یا رتبه‌ای اندازه‌گیری می‌شوند شامل مواردی مانند، زمان مطالعه (برحسب ساعت)، ضریب هوش (برحسب نمره ضریب هوشی IQ) و نمره آزمون (امتیاز از 0 تا 100) هستند.

فرض شماره 2: داده‌هایی که برای تحلیل ضریب همبستگی اسپیرمن به کار می‌برید باید به صورت زوج-مشاهده باشند. به عنوان مثال، تصور کنید که به رابطه بین مصرف روزانه سیگار و میزان زمان ورزش افراد در هر هفته علاقمندید. یک مشاهده زوجی در این حالت، نمره هر متغیر را برای هر فرد منعکس می‌کند. در این صورت زوجی به شکل (تعداد مصرف سیگار روزانه ، میزان ساعت ورزش انجام شده هر هفته توسط) خواهیم داشت. اگر فرض کنید که ۳۰ شرکت کننده در این طرح نمونه‌گیری شده‌اند، باید ۳۰ زوج مرتب و ۶۰ داده داشته باشید.

فرض شماره 3: فرض بر این است که دو متغیر (مولفه اول با مولفه دوم زوج مرتب) دارای رابطه یا همبستگی هستند. به این ترتیب با محاسبه ضریب همبستگی اسپیرمن، شدت این رابطه سنجیده می‌شود. همانطور که گفتیم، مقادیر نزدیک به ۱، نشانگر شدت رابطه مستقیم و مقادیر نزدیک به ۱- رابطه ضريب همبستگي چيست؟ معکوس را نشان می‌دهند. در حالتی که رابطه مستقیم است، جهت تغییرات دو متغیر در یک راستا است. ولی در حالتی که رابطه معکوس باشد، جهت تغییرات متغیرها عکس یکدیگر خواهد بود. معمولا برای نمایش یا ارزیابی وجود رابطه بین دو متغیر از نمودار پراکندگی (scatterplot) استفاده می‌شود. ما هم در این متن در اولین اقدام، با رسم چنین نموداری، رابطه بین متغیرها را بررسی کرده، سپس به محاسبه شدت رابطه خواهیم پرداخت. در تصویر ۲، نمونه‌ای از انواع رابطه بین متغیرهای زوجی را مشاهده می‌کنید.

تصویر ۲: نمایش عدم وجود یا وجود رابطه یکنواخت مستقیم و معکوس

همانطور که در تصویر ۲ مشاهده می‌کنید، در تصویر سمت راست، هیچ رابطه «یکنواختی» (Monotonic) بین مقادیر محور افقی و عمودی دیده نمی‌شود. از طرفی در نمودار میانی، یک رابطه یکنواخت مستقیم (غیرخطی) را مشاهده می‌کنید. در نمودار سمت چپ نیز یک رابطه خطی معکوس مشاهده می‌شود.

در صورتی که رابطه بین دو متغیر یکنواخت (Monotone) باشد، می‌توان شدت آن را بوسیله ضرایب همبستگی پیرسون و اسپیرمن نشان داد. در ادامه به وسیله یک مثال از مجموعه داده‌های SPSS، به شما نشان می‌دهیم که چگونه نموداری مشابه تصویر 2 ترسیم کنید.

نکته: توجه داشته باشید که اگر شرایط مربوط به محاسبه و تحلیل ضریب همبستگی اسپیرمن برقرار نباشد، شاخص‌های وابستگی دیگر مانند ضریب کندال قابل استفاده هستند. فقط دقت کنید که شرایط استفاده از هر یک این شاخص‌های وابستگی، چیست و چه زمانی به کار گرفته می‌شوند.

از ویژگی‌های مهم برای ضریب همبستگی اسپیرمن می‌توان به عدم حساسیت به نقاط پرت اشاره کرد. در این صورت اگر داده‌های زوجی شما، دارای نقاط پرت یا دور افتاده باشند، ضریب همبستگی پیرسون دچار مشکل شده و ممکن است ارتباط بین دو متغیر را بیشتر یا کمتر از مقدار واقعی برآورد کند، در حالیکه ضریب همبستگی اسپیرمن، به علت محاسبه وابستگی برحسب رتبه‌ها، دچار این مشکل نخواهد شد.

از طرفی وجود توزیع نرمال برای بدست آوردن ضریب همبستگی اسپیرمن، ضروری نیست. در حالیکه ضریب همبستگی پیرسون، با شرط وجود رابطه خطی و ضريب همبستگي چيست؟ همچنین توزیع نرمال دو متغیره برای داده‌ها، بهتر عمل خواهد کرد. بنابراین اگر این دو شرط (خطی بودن و توزیع نرمال) وجود نداشته باشد، استفاده از ضریب همبستگی اسپیرمن ضروری خواهد بود.

در بخش بعدی با مثالی که براساس نمرات ۱۰ دانش آموز در درس ریاضی و انگلیسی ساخته شده، تحلیل ضریب همبستگی اسپیرمن را در SPSS دنبال خواهیم کرد. البته شرایط محاسبه و تحلیل را نیز مورد بررسی قرار خواهیم داد.

نمایش رابطه بین دو متغیر بوسیله نمودار پراکندگی

در این قسمت از یک فایل نمونه برای محاسبه و همچنین تحلیل ضریب همبستگی اسپیرمن در SPSS استفاده خواهیم کرد.

همچنین به منظور آشنایی با نحوه ورود داده‌ها و ویرایش خروجی‌های حاصل از نرم‌افزار SPSS، پیشنهاد می‌شود، نوشتارهای پنجره خروجی SPSS یا Output — راهنمای کاربردی و پنجره ویرایشگر داده (Data Editor) در SPSS — راهنمای کاربردی مطالعه شوند.

این داده‌ها توسط یک معلم علاقه‌مند به آمار جمع‌آوری شده است. او می‌خواهد بداند که آیا دانش‌آموزان با نمره بالا در امتحان زبان انگلیسی، در ریاضیات نیز نتیجه بهتری می‌گیرند یا خیر. برای محک زدن این موضوع، معلم نمرات 10 دانش آموز خود را در امتحانات پایان سال برای هر دو درس زبان انگلیسی و ریاضیات ثبت کرده و در فایل spearman correlation dataset ذخیره کرده است. بر این اساس، یک متغیر مربوط به نمرات انگلیسی و یک متغیر هم نمرات ریاضیات برای 10 دانش آموز اختصاص یافته است.

ابتدا به این فایل و متغیرهای موجود در آن نگاهی می‌اندازیم. همانطور که در تصویر ۳ مشاهده می‌کنید، داده‌ها در برگه Data View و متغیرهای در Variable View ظاهر خواهند شد. همانطور که مشخص است دو متغیر ایجاد کردیم تا بتوانیم داده‌های خود را وارد کنیم. مقادیر متغیر اول به نام English_Mark (یعنی نمرات انگلیسی) و متغیر دوم نیز به نام Maths_Mark (یعنی نمرات ریاضی) در این مجموعه داده به صورت دو ستون جداگانه ثبت شده است.

نکته: توجه داشته باشید که نمره (امتیاز) هر چند به صورت عدد بوده و کمی به نظر می‌رسد، ولی در حقیقت یک معیار برای رتبه‌بندی است. بنابراین می‌توانیم چنین داده‌هایی را از نوع ترتیبی (Ordinal) محسوب کنیم.

تصویر 3: مجموعه داده برای تحلیل ضریب همبستگی در spss

با توجه به داده‌های این مجموعه اطلاعاتی، به نظر می‌رسد که با افزایش نمره انگلیسی، نمره ریاضی نیز افزایش می‌یابد. برای نمایش چنین وضعیتی، بهتر است یک نمودار پراکندگی برای این دو متغیر ترسیم کنیم تا وضعیت وابستگی (یا همبستگی) بین آن‌ها را بهتر مشاهده کنیم. تصویر 4 چنین نموداری را نمایش داده است.

تصویر 4: نمودار پراکندگی دو بُعدی برای نمایش رابطه بین دو متغیر

برای رسم آن کافی است که مراحل زیر را طی کنیم.

1. از فهرست Graph گزینه Legacy Dialog، سپس Scatter/Dot را انتخاب کنید.
2. در پنجره Scatter/Dot گزینه اول از سمت چپ، یعنی Simple Scatter را برای نمایش نمودار نقطه‌ای دو متغیره، انتخاب کرده و دکمه Define را کلیک کنید.
3. در پنجره Simple Scatterplot، تنظیمات را مطابق با تصویر 5 انجام دهید.

وجود رابطه مستقیم بین این دو متغیر در نمودار به خوبی دیده می‌شود. همانطور که مشخص است با افزایش نمره زبان انگلیسی (محور افقی) مقادیر مربوط به نمره ریاضی (محور عمودی) افزایش خواهد یافت و برعکس کاهش نمره انگلیسی باعث کاهش نمره ریاضی خواهد شد.ضريب همبستگي چيست؟

تصویر 5: تنظیمات پنجره نمودار پراکندگی برای نمایش رابطه بین متغیرها

نکته: اگر می‌خواهید در محیط کدنویسی نرم‌افزار SPSS، چنین نموداری را ترسیم کنید، کافی است در پنجره Syntax، دستورات زیر را وارد کرده، سپس اجرا نمایید.

تابع Correl

در اکسل تابع CORREL مخفف Correlation به‌منظور محاسبه ضریب همبستگی بین دو پارامتر استفاده می‌شود، جهت بررسی ارتباط خطی میان آن دو پارامتر استفاده میشود. ضریب همبستگی بی بعد شده پارامتر کواریانس است. مشکل اصلی پارامتر کوواریانس در آمار واحد دار بودن آن است، لذا نمی‌توان کوواریانس دو مشخصه را با کوواریانس دو مشخصه دیگر مقایسه نمود، لذا در آمار برای مقایسه میزان ارتباط و تاثیر پذیری دو پارامتر عموما از ضریب همبستگی استفاده می‌شود تا کوواریانس. ضریب همبستگی دو متغیر همواره عددی بین اعداد ۱- تا ۱+ می‌باشد و هر چه به عدد ۱ نزدیک‌تر باشد بیانگر شدت بالای ارتباط خطی آن دو متغیر است و هر چه به صفر نزدیک‌تر باشد نشان‌دهنده پایین بودن ارتباط کم آن دو متغیر می‌باشد، از طرف دیگر مثبت بودن ضریب همبستگی بیانگر ارتباط مستقیم و منفی بودن آن بیانگر ارتباط معکوس آن دو متغیر را گزارش می‌دهد.

ورودی های تابع

این تابع دو ورودی دریافت می‌کند که در ورودی اول مجموعه اعداد پارامتر اول و در ورودی دوم مجموعه اعداد پارامتر دوم وارد می‌شود و ضریب همبستگی آن دو به‌عنوان خروجی گزارش می‌شود.

لذا به‌منظور محاسبه ضریب همبستگی دو متغیر قد و وزن، کافی است از تابع CORREL به‌صورت =CORREL(B4:B10,C4:C10) استفاده کنیم که عدد ۰٫۹ بیانگر ارتباط خطی مثبت بالا بین قد و وزن افراد می‌باشد، بدین معنی که با افزایش قد وزن هم افزایش پیدا می‌کند.

پژوهش همبستگی چیست؟

در این نوع پژوهش همبستگی، هدف آن است که مشخص شود که آیا رابطه معنی داری بین دو یا چند متغیر عمدتا کمی(قابل سنجش) در انجام پایان نام دکتری وجود دارد یا خیر؟ و اگر این رابطه وجود دارد«جهت» و «شدت» آن چقدر است. در این نوع پژوهش، تغییرات حاصل از دست کاری یک متغیر،برمتغیز دیگرمورد بررسی قرارمیگیرد.

در این نوع مطالعه، هدف بررسی و توضیح ماهیت ارتباط بوده و رابطه علیتی بین آنها مورد توجه نیست.

در بسیاری از موارد مطالعات پژوهش همبستگی، مقدمه وتولید فرضیه را برای انجام مطالعات شبه تجربی و تجربی فراهم می سازد. از آنجاکه در این پژوهش مداخله ای حادث نمی شود، لذا کاربرد متغیر مستقل و وابسته در این نوع مطالعه، بی مورد است.

ضریب همبستگی

پژوهش های همبستگی شامل کلیه پژوهش هایی است که در آنها سعی می شود رابطه بین متغیرهای مختلف با استفاده از ضریب همبستگی، کشف یا تعیین شود. هدف از پژوهش همبستگی مطالعه حدود تغییرات یک یا چند متغیر با حدود تغییرات یک یا چند متغیر دیگر است.

ارتباط: ضریب همبستگی هم بیانگر احتمال وجود رابطه است و هم نشان دهنده جهت ارتباط.

همبستگی مثبت یا مستقیم

زمانی می گویند پژوهش همبستگی مثبت است که با افزایش میزان یک متغیر، میزان متغیر مرتبط افزایش یابد. در چنین شرایط رابطه متغیرها همسو و یا مستقیم است.

به عنوان مثال، بین رقم کیلو وات ساعت برق مصرفی و مبلغ فیش برق همبستگی مثبت وجود دارد؛ یعنی با افزایش مصرف برق، هزینه افزایش و در صورت کاهش مصرف نیز کاهش می یابد و یا این که با افزایش سابقه کار، میزان حقوق کارکنان بیمارستان دولتی افزایش یافته و با پایین بودن سابقه انتظار داریم، دریافتی کارکنان پایین باشد؛ که همه این مثال ها نشان دهنده همبستگی مثبت است.

همبستگی منفی یا معکوس

زمانی این همبستگی رخ میدهد که با افزایش میزان یک متغیر، میزان متغیر مرتبط کاهش یابد و یا برعکس. در این همبستگی جهت تغییر متغیرها مخالف یا معکوس یکدیگر است.

به عنوان مثال مطالعات نشان میدهند با افزایش سابقه کار، میزان خطاهای کاری کارکنان کاهش و یا بعد از میان سالی با افزایش سن، بهره هوشی افراد کاهش می یابد.

دسته بندی پژوهش های همبستگی

الف)مطالعه همبستگی دومتغیری

ب) تحلیل رگرسیون

پ) تحلیل ماتریس همبستگی یا کوواریانس

در مطالعات همبستگی دو متغیری، هدف بررسی رابطه بین دو متغیر موجود در پژوهش است. در تحلیل رگرسیون، هدف پیش بینی تغییرات یک یا چند متغی وابسته (ملاک) با توجه به تغییرات متغیرهای مستقل (پیش بینی )است.

در بعضی از بررسی های همبستگی دو متغیری، متغیرهای موردبررسی از جدولی به نام ماتریس همبستگی یا کوواریانس استفاده میشود. در اینجا به شرح بیشتری از پژوهشهای همبستگی مزبور پرداخته می شود:

پژوهش همبستگی دو متغیری

در این گونه پژوهش ها، هدف تعیین میزان هماهنگی تغییرات متغیر است. برای این منظور برحسب مقیاس های اندازه گیری متغیرها، شاخص های مناسبی اختیار می شود.

در پژوهش های همبستگی دو متغیری که مقیاس سنجش آن نسبتی بوده و توزیع صفت نیز نرمال باشد، برای اندازه گیری متغیرها از آزمون پیرسون استفاده میشود.

تحلیل رگرسیون

در پژوهش هایی که از تحلیل رگرسیون استفاده می شود، هدف معمولا پیش بین یک یا چند متغیر ملاک از روی یک یا چند متغیر پیش ضريب همبستگي چيست؟ بین است. چنانچه هدف پیش بینی یک متغیر ملاک از چند متغیر پیش بین باشد، از مدل رگرسیون چندگانها استفاده میشود.

در صورتی که پیش بینی همزمان چند متغير ملاک از متغیرهای پیش بین یا زیرمجموعه ای از آنها هدف باشد، از مدل رگرسیون چند متغیری استفاده میشود.

در پژوهش های رگرسیون چندگانه، هدف پیدا کردن متغیرهای پیش بین است که تغییرات متغير ملاک را چه به تنهایی و چه به صورت مشترک پیش بینی کند. ورود متغیرهای پیش بین در تحلیل رگرسیون به شیوه های گوناگون، به شرح زیر صورت گیرد.

• روش همزمان
• روش گام به گام
• روش سلسله مراتبی

در روش همزمان، تمام متغیرهای پیش بین باهم تحلیل می شوند. در روش گام به گام اولین متغیر پیش بین بر اساس بالاترین ضریب همبستگی صفر مرتبه با متغير ملاک تحلیل می شود.

در روش سلسله مراتبی، ترتیب ورود متغیرها به تحلیل بر اساس یک چارچوب نظری یا تجربی موردنظر پژوهشگر صورت می گیرد. به عبارت دیگر، پژوهشگر شخص درباره ورود متغیرها به تحلیل تصمیم گیری می کند. این تصمیم گیری که قبل از شروع تحليل اتخاذ می شود، میتواند بر اساس سه اصل عمده باشد.

ضريب همبستگي چيست؟

ضریب پایایی درون طبقه ای (Intraclass Correlation Coeficient)، یک معیار ارزیابی اعتبار تحلیل کیفی است. این ضریب برای محاسبه توافق بین دو کدگذار در تحلیل کیفی استفاده می شود. فیشر (۱۹۵۴)، ضریب پایایی درون طبقه ای را برای اصلاح ضریب همبستگی پیرسون معرفی کرد. با این حال، ضریب پایایی درون طبقه ای جدید با میانگین مربعات (یعنی تخمین واریانس های جمعیت بر اساس تغییرپذیری در میان یک مجموعه معین از معیارها) محاسبه می شود که از طریق تجزیه و تحلیل واریانس به دست می آید.

این شاخص به طور گسترده در تحلیل های کیفی مرتبط با ارزیابی های بالینی در رشته پزشکی استفاده می شود. اشکال مختلفی از ICC وجود دارد که می تواند نتایج متفاوتی را در صورت اعمال بر روی یک مجموعه از داده ها ارائه دهد و روش های گزارش ICC ممکن است بین محققین متفاوت باشد. با توجه به اینکه اشکال مختلف ICC، مفروضات متمایزی دارد و به تفاسیر متفاوتی منجر می شود، مهم است که محققان از کاربرد صحیح هر یک از اشکال ICC آگاه باشند. از فرم مناسب در تجزیه و تحلیل خود استفاده کنند و فرم خود را به طور دقیق گزارش کنند.

محاسبه ضریب پایایی درون طبقه ای

این شاخص مقادیر بین صفر و یک را به دست می دهد. مقدار ICC بیشتر از ۰.۹ بیانگر توافق بالای بین دوکدگذار است. مقدار کمتر از ۰.۵، ضعیف ترین پایایی است که باید از آن صرف نظر کرد و برای به دست آوردن پایایی بیشتر، مجددا کدگذاری انجام داد. مقدار ICC بین ۰.۵ و ۰.۷۵ پایایی متوسط و بین ۰.۷۵ و ۰.۹ پایایی خوبی را نشان می دهد.

به اندازه‌های ICC کمتر از ۰.۵ اهمیت نمی‌دهیم و آن‌ها را پایایی ضعیف می‌نامیم. مقادیر ICC بین ۰.۵ و ۰.۷۵ پایایی متوسط و بین ۰.۷۵ تا ۰.۹ پایایی خوب نامیده می‌شود. برای اندازه‌های بالاتر از ۰.۹ نیز می‌گوییم پایایی ما عالی است.

آموزش محاسبه ضریب پایایی درون طبقه ای-گام ۱

پس از باز شدن پنجره، ستون‌های مربوط به نمرات هر کدگذارا را در کادر Items قرار می‌دهیم.

آموزش محاسبه ضریب پایایی درون طبقه ای-گام ۲

در سمت راست منوی Statistics را می‌زنیم. پنجره ای که در شکل زیر نشان داده شده است باز می شود. در این منو بر روی کادر کنار Intraclass Correlation Coeficient کلیک می کنیم تا فعال شود.

آموزش محاسبه ضریب پایایی درون طبقه ای-گام ۳

با فعال شدن Intraclass Correlation Coeficient، دو گزینه model و type را مانند شکل مشخص می کنیم.

آموزش محاسبه ضریب پایایی درون طبقه ای-گام ۴

آموزش محاسبه ضریب پایایی درون طبقه ای-گام ۵

در نهایت بر روی Continue کلیک کرده و سپس OK را می زنیم. در پنجره Output نرم‌افزار SPSS می‌توانیم خروجی‌ها و نتایج مشاهده می شود.

Houweling T, Bolton J, Newell D. Comparison of two methods of collecting healthcare usage data in chiropractic clinics: patient-report versus documentation in patient files. Chiropr Man Ther. ۲۰۱۴;۲۲:۳۲.

برای اطلاعات بیشتر در زمینه ضریب پایایی درون طبقه ای، می توانید بر روی فایل زیر کلیک نمایید.