سواء كانت المعدات المستخدمة في المكاتب أو البرامج المستخدمة للتواصل، فإن القليل جداً من الأشياء تبدو كما كانت من قبل. فلقد تغير متوسط الأعمال بشكل جذري خلال العقد الماضي. أما الشيء الآخر المختلف تماماً هو مقدار البيانات التي لدينا في متناول أيدينا. ما كان نادراً في يوم من الأيام هو الآن كمية هائلة من البيانات على ما يبدو. ولكن، سيكون الأمر مربكاً فقط إذا كنت لا تعرف كيفية تحليل بيانات عملك للعثور على معنى حقيقي وثاقب.
إذن، كيف تنتقل من النقطة أ، مع وجود كمية هائلة من البيانات، إلى النقطة ب، لتكون قادراً على تفسير تلك البيانات بدقة؟ يعود الأمر كله إلى استخدام الأساليب الصحيحة للتحليل الإحصائي، وهي الطريقة التي نعالج بها ونجمع عينات من البيانات للكشف عن الأنماط والاتجاهات.
بالنسبة لهذا التحليل، هناك خمسة أساليب للاختيار من بينها وهم: المتوسط والانحراف المعياري والانحدار واختبار الفرضيات وتحديد حجم العينة.
ليس هناك من ينكر أن العالم أصبح مهووساً بالبيانات الضخمة، بغض النظر عما إذا كنت عالم بيانات أم لا. لهذا السبب، عليك أن تعرف من أين تبدأ. هذه الطرق الخمس أساسية وفعالة في الوصول إلى استنتاجات دقيقة تعتمد على البيانات.
الطريقة الأولى المستخدمة لإجراء التحليل الإحصائي هي طريقة المتوسط، والتي يشار إليها بشكل أكثر شيوعاً بالوسيط. فعندما تبحث لحساب المتوسط، فإنك تضيف قائمة من الأرقام ثم تقسم هذا الرقم على العناصر الموجودة في القائمة. فعند استخدام هذه الطريقة، فإنها تسمح بتحديد الاتجاه العام لمجموعة البيانات، فضلاً عن القدرة على الحصول على عرض سريع ومختصر للبيانات. فيستفيد مستخدمو هذه الطريقة أيضاً من الحساب المبسط والسريع.
يأتي المتوسط الإحصائي مع النقطة المركزية للبيانات التي تتم معالجتها. وتتم الإشارة إلى النتيجة على أنها متوسط البيانات المقدمة. ففي الحياة الواقعية، عادة ما يستخدم الناس الوسيلة فيما يتعلق بالبحث والأكاديميين والرياضة. على سبيل المثال/ فكر في عدد المرات التي تتم فيها مناقشة معدل ضرب اللاعب في لعبة البيسبول؛ هذا معنيهم.
كيف تجد المتوسط الإحصائي:
للعثور على متوسط بياناتك، عليك أولاً جمع الأرقام معاً، ثم قسمة المجموع على عدد الأرقام الموجودة ضمن مجموعة البيانات أو القائمة. على سبيل المثال/ لإيجاد متوسط 6 و 18 و 24، عليك أولاً جمعهم معاً. 6+18+24 = 48 ثم اقسم على عدد الأرقام في القائمة أي على (3)، 48/3=16 فالمتوسط هو 16.
الجانب السلبي في استخدام أول الأساليب الإحصائية في البحوث (المتوسط):
عندما يكون استخدام الوسيلة أمراً رائعاً، لا يوصى به كطريقة تحليل إحصائي قائمة بذاتها. هذا لأن القيام بذلك يمكن أن يدمر الجهود الكاملة وراء الحساب، نظراً لأنه مرتبط أيضاً بالوضع (القيمة التي تحدث غالباً) والوسيط في بعض مجموعات البيانات.
فعندما تتعامل مع عدد كبير من نقاط البيانات أو من القيم المتطرفة (نقطة بيانات تختلف اختلافاً كبيراً عن غيرها) أو توزيع غير دقيق للبيانات، فإن المتوسط لا يعطي النتائج الأكثر دقة في التحليلات الإحصائية لقرار محدد.
الانحراف المعياري هو أسلوب التحليل الإحصائي الذي يقيس انتشار البيانات حول المتوسط. فعندما تتعامل مع انحراف معياري مرتفع، فهذا يشير إلى البيانات المنتشرة على نطاق واسع من المتوسط. وبالمثل، يوضح الانحراف المنخفض أن معظم البيانات تتماشى مع المتوسط ويمكن أيضاً تسميتها بالقيمة المتوقعة للمجموعة. فيستخدم الانحراف المعياري بشكل أساسي عندما تحتاج إلى تحديد تشتت نقاط البيانات (سواء كانت مجمعة أم لا).
لنفترض أنك مسوق أجرت مؤخراً استبياناً للعملاء. فبمجرد حصولك على نتائج الاستطلاع، فأنت مهتم بقياس موثوقية الإجابات من أجل التنبؤ بما إذا كان لدى مجموعة أكبر من العملاء نفس الإجابات. فإذا حدث انحراف معياري منخفض، فسيظهر أنه يمكن توقع الإجابات على مجموعة أكبر من العملاء.
كيفية إيجاد الانحراف المعياري:
هذه هي الصيغة لحساب الانحراف المعياري، ففي هذه الصيغة:σ 2 = Σ (× - μ ) 2 / n
رمز الانحراف المعياري هو σ، و Σ تعني مجموع البيانات. وتشير x إلى قيمة مجموعة البيانات، و μ تعني متوسط البيانات، و σ2 تعني التباين وتشير n إلى عدد نقاط البيانات في المجتمع.
للعثور على الانحراف المعياري: عليك أن توجد متوسط الأرقام ضمن مجموعة البيانات، ولكل رقم ضمن مجموعة البيانات. ومن ثم اطرح المتوسط وربّع النتيجة وهو هذا الجزء من الصيغة (x - μ) 2، ومن ثم أوجد متوسط هذه الفروق التربيعية وخذ الجذر التربيعي للإجابة النهائية.
إذا استخدمت نفس الأرقام الثلاثة في مثالنا للمتوسط 6 و 18 و 24، فإن الانحراف المعياري، سيكون 7.483.
الجانب السلبي لاستخدام ثاني الأساليب الإحصائية (الانحراف المعياري):
في ملاحظة مماثلة للجانب السلبي لاستخدام المتوسط، فيمكن أن يكون الانحراف المعياري مضللاً عند استخدامه كأسلوب وحيد في تحليلك الإحصائي. على سبيل المثال/ إذا كانت البيانات التي تعمل بها تحتوي على عدد كبير جداً من القيم المتطرفة أو نمط غريب مثل منحنى غير عادي. فلن يوفر الانحراف المعياري المعلومات اللازمة لاتخاذ قرار مستنير.
عندما يتعلق الأمر بالإحصاءات، فإن الانحدار هو العلاقة بين متغير تابع (البيانات التي تريد قياسها) ومتغير مستقل (البيانات المستخدمة للتنبؤ بالمتغير التابع). فيمكن تفسيره أيضاً من خلال كيفية تأثير أحد المتغيرات على متغير آخر. أو التغييرات في متغير تؤدي إلى تغييرات في متغير آخر، وهي السبب والنتيجة أساساً. كما إنه يعني أن النتيجة تعتمد على متغير واحد أو أكثر.
يشير الخط المستخدم في الرسوم البيانية لتحليل الانحدار إلى ما إذا كانت العلاقات بين المتغيرات قوية أم ضعيفة، بالإضافة إلى إظهار الاتجاهات على مدى فترة زمنية محددة. وتستخدم هذه الدراسات في التحليل الإحصائي لعمل تنبؤات وتوقعات للاتجاهات. على سبيل المثال/ يمكنك استخدام الانحدار للتنبؤ بكيفية بيع منتج أو خدمة معينة لعملائك.
صيغة الانحدار:
صيغة الانحدار المستخدمة لمعرفة كيف يمكن أن تبدو البيانات في المستقبل هي: ص = أ + ب (س). ففي هذه الصيغة: يشير الرمز أ إلى تقاطع ص، قيمة ص عندما س = صفر. حيث س هو المتغير التابع، ص هو المتغير المستقل. ويشير ب إلى المنحدر، أو الارتفاع على المدى.
الجانب السلبي لاستخدام ثالث الأساليب الإحصائية(الانحدار):
تتمثل إحدى عيوب استخدام الانحدار كجزء من تحليلك الإحصائي في أن الانحدار ليس مميزاً للغاية. مما يعني أنه على الرغم من أهمية القيم المتطرفة في مخطط مبعثر (أو رسم بياني لتحليل الانحدار)، فإن أسباب هذه القيم متطرفة. ويمكن أن يكون هذا سبب أي شيء خطأ في تحليل البيانات التي يتم تحجيمها بشكل غير مناسب.
ويمكن أن تمثل نقطة البيانات التي تم تمييزها على أنها خارجية، مثل المنتج الأكثر مبيعاً. فيحثك خط الانحدار على تجاهل هذه القيم المتطرفة ورؤية الاتجاهات في البيانات فقط.
في التحليل الإحصائي يعد اختبار الفرضيات المعروف أيضاً باسم "اختبارT"، مفتاحاً لاختبار مجموعتي المتغيرات العشوائية ضمن مجموعة البيانات. فتدور هذه الطريقة حول اختبار ما إذا كانت حجة أو استنتاج معين صحيحاً لمجموعة البيانات. ويسمح بمقارنة البيانات مع الفرضيات والافتراضات المختلفة. ويمكن أن يساعد أيضاً في التنبؤ بكيفية تأثير القرارات المتخذة على الأعمال.
في الإحصاء، يحدد اختبار الفرضية الكمية وفقاً لافتراض معين. فتفسر نتيجة الاختبار ما إذا كان الافتراض صحيحاً أو ما إذا كان الافتراض قد انتهك. ويشار إلى هذا الافتراض باسم الفرضية الصفرية. فأي فرضية أخرى من شأنها أن تنتهك الفرضية الصفرية تسمى الفرضية الأولى. فعند إجراء اختبار فرضية، تكون نتائج الاختبار مهمة للإحصاءات إذا كانت النتائج دليلاً على أنه لا يمكن أن يحدث من خلال حدث عشوائي أو صدفة.
على سبيل المثال/ قد تفترض أنه كلما استغرق تطوير المنتج وقتاً أطول، زاد نجاحه، مما يؤدي إلى زيادة المبيعات عن أي وقت مضى. فقبل تنفيذ ساعات عمل أطول لتطوير منتج ما، يضمن اختبار الفرضيات وجود اتصال فعلي بين الاثنين.
صيغة اختبار الفرضيات:
يجب تفسير نتائج اختبار الفرضية الإحصائية لتقديم مطالبة محددة، والتي يشار إليها بالقيمة p ، لنفترض أن ما تريد تحديده لديه فرصة بنسبة 50% في أن يكون صحيحاً.
صيغة اختبار الفرضية هذا هي: H0: P = 0.5، H1: P ≠ 0.5.
الجانب السلبي لاستخدام رابع الأساليب الإحصائية في البحوث (الفرضيات):
يمكن في بعض الأحيان أن يكون اختبار الفرضيات مبهماً ومشوهاً بسبب الأخطاء الشائعة، مثل تأثير الدواء الوهمي. فيحدث هذا عندما يتوقع المحللون الإحصائيون الذين يجرون الاختبار نتيجة معينة بشكل خاطئ ثم يرون هذه النتيجة، بغض النظر عن الظروف.
هناك أيضاً احتمال انحراف تأثير هوثورن، والمعروف باسم تأثير المراقب. ويحدث هذا عندما يقوم المشاركون الذين تم تحليلهم بتحريف النتائج لأنهم يعرفون أنهم قيد الدراسة.
أكاديـمـيـا جلـــــوب
طريقك لمستقبل أكاديمى واعد
معلومات الاتصال
تواصل مع اكاديميا جلوب من خلال مواقع التواصل الاجتماعى او ارسل لنا بريد الالكترونى لتستقبل كل جديد
طرق الدفع
تابعنا على تويتر
academiaglobe.com@gmail.com