تجزیه و تحلیل منابع انسانی و آمار: مقدمه

“برای درک افکار خدا باید آمار را مطالعه کرد زیرا آنها معیار هدف او در جهان هستند” – فلورانس نایتینگل

به عنوان یک مربی آمار در اوایل کارم، می دانم که آمار چقدر می تواند خسته کننده باشد (برای اکثر ما). با این حال، درک اصول اولیه آمار برای موفقیت شما به عنوان یک متخصص منابع انسانی حیاتی است. بدون آن، شما نمی توانید از پتانسیل عظیمی که علم داده منابع انسانی ارائه می دهد، سرمایه گذاری کنید.

در این مقاله به رمزگشایی آمار منابع انسانی از طریق داستان سرایی خواهم پرداخت. من به 19 سؤالی که معمولاً توسط مدیران جوان کسب و کار و منابع انسانی پرسیده می شود که در شرف آغاز سفر تحلیلی خود هستند، پاسخ خواهم داد.

سوال 1: تجزیه و تحلیل منابع انسانی را چگونه تعریف می کنید؟

تجزیه و تحلیل ترکیبی از دو اصطلاح “تحلیل” و “آمار” است. به هر تحلیلی اشاره دارد که از طریق کاربرد آمار انجام می شود. تجزیه و تحلیل منابع انسانی، تحلیلی است که در حوزه منابع انسانی اعمال می شود. این تجزیه و تحلیل ها می توانند تجزیه و تحلیل های پیش بینی پیشرفته یا آمار توصیفی پایه باشند. این بدان معنی است که تجزیه و تحلیل منابع انسانی یک رویکرد داده محور برای مدیریت افراد در محل کار است (گال، جنسن و استین، 2017).

سوال 2: پس رشته آمار چگونه به منابع انسانی کمک می کند؟

دنیای منابع انسانی، و همچنین مردم به طور کلی، می تواند بسیار تصادفی باشد. آمار به درک، ضبط و پیش بینی تصادفی بودن جهان ما کمک می کند. می تواند با برآورد عدم قطعیت ها خطر را کاهش دهد و جنبه های پنهان در فرآیندهای روزانه منابع انسانی را آشکار کند. به عنوان مثال، با استفاده از تجزیه و تحلیل می توانید پیش بینی کنید که چه کسی به احتمال زیاد سازمان را ترک می کند، تخمین می زند که آیا به طور عادلانه به کارکنان مختلف پاداش می دهید یا خیر، و سوگیری ها را در فرآیند استخدام خود کشف کنید. بدون آن، بسیاری از اطلاعات ارزشمند مورد نیاز برای تصمیم گیری بهتر افراد را از دست می دهید.

این همیشه آمار در یک شکل به نجات است!

سوال 3: به نظر می رسد تجزیه و تحلیل آماری راه حلی برای تمام مشکلات منابع انسانی است!

ای کاش می شد. متأسفانه، مدل‌سازی آماری تنها می‌تواند بخشی از مشکل را توضیح دهد. ما در یک دنیای کامل زندگی نمی کنیم. برخلاف ریاضیات نظری که با محاسبات مستقیم سروکار دارند، آمار مربوط به احتمالات است.

مدل های آماری همیشه در معرض عوامل غیرقابل شناسایی به نام نویز و خطاهای ذاتی هستند. سر و صدا و خطاها پیش بینی های ما را کمتر قطعی می کند. با این حال، یک مدل آماری خوب بسیار ارزشمند خواهد بود و به تصمیم گیری بهتر افراد کمک می کند.
عدم قطعیت بد نیست. آنها بخشی از هر کاری هستند که ما انجام می دهیم. استفاده از آمار عدم قطعیت را به کمترین مخرج خود کاهش می دهد. این یک سیستم پشتیبانی تصمیم گیری قوی و دقیق را برای منابع انسانی فراهم می کند.

سوال 4: به غیر از نویز و خطا، آیا ایرادات دیگری در کاربرد آمار منابع انسانی وجود دارد؟

بله تعصب! سوگیری می تواند عامل مهمی در هر تحلیل آماری باشد. این می تواند به دلیل نمونه گیری ضعیف، اطلاعات انتخابی یا حتی فقدان داده های کافی باشد.
مثال محبوب بچه مدرسه ای را در نظر بگیرید که در یک مسابقه مقام سوم را کسب کرد. کار عالی، بچه! با این حال، این مسابقه تنها 3 شرکت کننده داشت. شاید در نهایت یک عملکرد کمتر از ستاره ای باشد. این نمونه ای از اطلاعات انتخابی است و با جمع آوری اطلاعات بیشتر قابل حل است.
در دنیای واقعی، سوگیری های نمونه گیری می تواند مقدار قابل توجهی از اطلاعات انتخابی را تزریق کند. حتی می‌تواند عمداً به‌جای نمایش حقایق، به نفع طرف‌های ذی‌نفع طراحی شود. این با حسابدارانی که سوابق مالی را تهیه می کنند تفاوت چندانی ندارد، اینطور نیست؟

سوال 5: تا اینجا خیلی خوب است. حال، آیا می توانید بدون استفاده از جبر، از جنبه های فنی آمار با قیاس های دنیای واقعی ابهام زدایی کنید؟

خوب، بازی ادامه دارد!
آمار فقط سه بخش اصلی دارد، همین. این سه تفنگدار (به صورت جداگانه یا ترکیبی!) می توانند با هر راه حل مبتنی بر داده برای منابع انسانی در زیر نور خورشید مقابله کنند!

سه بخش عبارتند از:

• آمار توصیفی
• آمار استنباطی
• مدل سازی آماری

سوال 6: آیا لازم است هر سه را جداگانه یاد بگیریم؟

نه، آنها در لگن وصل شده اند! اجازه دهید هر سه را از طریق یک قیاس در دنیای واقعی روشن کنم:

تصور کنید هر دوی ما وارد یک سالن ورزشی می شویم و یک سبد حاوی 4 توپ ورزشی در وسط پیدا می کنیم. در این مثال، دو توپ تنیس، یک توپ والیبال و یک توپ فوتبال وجود دارد. ما می توانیم به این به عنوان مجموعه داده خود اشاره کنیم.

اکنون هر دوی ما به صورت جداگانه وظیفه داریم توپ ها را بر اساس محیط آنها گروه بندی کنیم. البته ما گروه بندی های یکدیگر را رعایت نمی کنیم.

من 2 گروه را بر اساس دور تشخیص می دهم:
دوباره آنها را داخل سبد گذاشتم. شما تمرین من را تکرار کنید و 3 گروه را بر اساس دور مشخص کنید.
هر دوی ما به طور ناخواسته از آمار توصیفی هنگام گروه بندی توپ بر اساس محیط استفاده کرده ایم. سپس گروه ها را با تعداد کل توپ ها مقایسه کردیم و راه حل های منحصر به فرد خود را ارائه دادیم. با این حال، سؤال مهم این است: چرا ما آنها را به طور متفاوتی گروه بندی کردیم؟

حال این جوهر آمار استنباطی است.

سوال 7: خوب، آیا یکی از ما آنها را به اشتباه گروه بندی کرده است؟

نه، این زیبایی آمار استنباطی است. هر دوی ما درست می گوییم، فقط استنباط ما کمی متفاوت بود. توپ فوتبال 98 درصد از محیط والیبال بود.

برای من این 2 درصد اختلاف سایز ناچیز به نظر می رسید. بنابراین آنها را به همان گروه اختصاص دادم. برای شما، تفاوت 2٪ در اندازه قابل توجه به نظر می رسید، که باعث شد دو توپ را به دو گروه مختلف اختصاص دهید.

ببینید چگونه ما از اصطلاحات “اهمیت” و “استنتاج” در مکالمه انگلیسی استفاده کردیم؟ این شرایط برای ستون فقرات هر تجزیه و تحلیل آماری است.

سوال 8: بنابراین، تفاوت برای من مهم است اما برای شما نه. اهمیت یک موضوع هوس فردی است، اینطور است؟

آها، این فقط تا حدی درست است! تصمیم حتی با همان سطح اهمیت می تواند تغییر کند. چگونه؟ بیایید کمی عمیق تر کاوش کنیم و ببینیم ایده سطح اعتماد از کجا نشات می گیرد.

بگو، به جای فقط یک فوتبال و والیبال، ما از هر نوع 10 توپ داشتیم. سپس باید محیط متوسط 10 واحد (هر دو نوع توپ) را در نظر بگیریم. حالا میانگین 10 توپ فوتبال 99 درصد محیط میانگین 10 توپ والیبال است. ارتقاء از 98 درصد، اینطور نیست؟

در اینجا تفاوت 1 درصدی در اندازه برای هر دوی ما ناچیز است. بنابراین، ما هر دو توپ را به یک گروه اختصاص می دهیم. ببینید تصمیم ما با حجم نمونه بزرگتر چگونه تغییر کرد؟ مهم است که توجه داشته باشید که ما در مورد استنباط خود با حجم نمونه بزرگتر نیز اطمینان بیشتری داریم. این سطح اطمینان یک اصطلاح مهم است که اغلب در آمار استفاده می شود.

مقادیر پرت از نظر آماری معنی دار

در نهایت، اجازه دهید 100 واحد از هر نوع توپ را به طور میانگین محاسبه کنیم. حالا توپ فوتبال 100 درصد میانگین دور والیبال است. حالا شکاک ترین ما هم شکی نخواهند داشت که دور ست توپ فوتبال و ست والیبال یکسان است.

این آمار را به طور خلاصه توضیح می دهد. همه چیز در مورد سطوح استنباط است (که می توان آنها را تنظیم کرد) و اینکه چگونه ما در مورد استنباط های خود اطمینان بیشتری داریم هر چه حجم نمونه بزرگتر باشد.

سوال 9: اگر به همین سادگی است، چرا برای محاسبه مقادیر p، سطوح اهمیت، فواصل اطمینان، ANOVA و غیره به معیارهایی نیاز داریم؟

دو دلیل اساسی وجود دارد که چرا محاسبات آماری بسیار پیچیده تر هستند

1. در بسیاری از فرآیندهای واقعی – از جمله منابع انسانی – در مقایسه با مثال قبلی ما، تنوع بسیار بیشتری بین واحدهای فردی وجود دارد.
2. ما در حال اندازه گیری تفاوت بین دو گروه از توپ ها هستیم – و نه بین توپ های فردی. مربوط به منابع انسانی: ما تفاوت بین دو تیم استخدام کننده (و نه بین استخدام کنندگان فردی) را اندازه گیری می کنیم.

در مثال قبلی، توپ‌های فوتبال و سایر انواع توپ‌ها تحت کنترل کیفی دقیقی در تولید خود قرار می‌گیرند. این باعث می شود که آنها کمترین تنوع را داشته باشند. با این حال، مردم تحت “کنترل کیفیت دقیق” در “تولید” خود قرار نمی گیرند. افراد بسیار متنوع تر هستند و بین هر واحد منفرد تنوع بسیار بیشتری دارند.

با این حال، هر دو مثال تقریباً یک توزیع نرمال در زندگی واقعی را نشان می دهند.

سوال 10: بسیار خوب، من قبلاً در مورد این موضوع شنیده بودم، اما واقعاً طبیعی بودن چیست؟

بیایید قیاس توپ فوتبال را با استفاده از شکل آن به بعد دیگری ببریم. توزیع فرآیندهای واقعی (مانند بهره وری به ازای هر کارمند، یا مسافت طی شده در روز) هنگامی که بر روی نمودار ترسیم می شود، خود را به اشکال مختلف نشان می دهد. با این حال، از آنجایی که نمرات به میانگین می چسبند، همیشه از یک الگو پیروی می کنند. آنها بیشتر شبیه توپ راگبی هستند.

برای ساده ترین توضیح ممکن، بیایید نگاهی به ساعت شنی شنی بیندازیم.

دانه های ریز که از شیشه می افتند، از نظر اندازه و وزن تفاوت کوچکی دارند. با این حال، هرم همیشه از یک توزیع نرمال تقریبی، بارها و بارها پیروی می کند ( جناس در نظر گرفته شده). شبیه به نیم توپ راگبی. این بدان معناست که الگوهای واریانس بین واحدهای مختلف به طور طبیعی در محدوده خاصی قرار دارند.

برای توضیح دیگری در مورد توزیع عادی، به این کلیپ درخشان یوتیوب نگاه کنید. برای شروع روی ویدیو کلیک کنید – اگرچه به نظر خاکستری است، اما کار می کند!

این دقیقا همان چیزی است که بیشتر داده های واقعی به نظر می رسند. با این حال، برخی از فرآیندها بیشتر شبیه یک ساعت شنی در یک سفر دریایی طوفانی هستند. به عنوان مثال رتبه بندی عملکرد را در نظر بگیرید. اینها به یک طرف منحرف می شوند زیرا مدیران دوست ندارند به مردم رتبه های پایینی بدهند. اینها توزیع نرمال را تشکیل نمی دهند. سخت است که افراد را از هم متمایز کنیم وقتی که همه آنها امتیاز یکسانی دارند، به همین دلیل یکی از مسائل اصلی در آمار، تست نرمال بودن است. تصویر زیر توزیع عملکرد اریب و میانگین (متوسط)، میانه (مقدار در وسط) و حالت (متداول ترین مقدار در مجموعه داده) را نشان می دهد.

هر بار که داده ها را تجزیه و تحلیل می کنیم، باید بررسی کنیم که آیا داده های منابع انسانی ما از این توزیع ساعت شنی در دریای آرام پیروی می کند یا خیر.

سوال 11: بنابراین، آیا این به سادگی به این معنی است که در یک توزیع نرمال واریانس باید در محدوده قابل قبول باشد؟

دقیقا. توزیع نرمال کامل به 66.6٪ از مجموعه داده ها در 2 انحراف استاندارد از میانگین و 99.7٪ در 3 انحراف استاندارد ترجمه می شود. انحراف معیار معیاری از پراکندگی است، شبیه اندازه گیری واریانس عرض یک توپ راگبی از مرکز آن.
اگر داده‌های منابع انسانی ما دقیقاً از شکل توزیع نرمال پیروی کنند، می‌توانیم مطمئن باشیم که هر استنتاج آماری معیار خوبی برای دقت خواهد داشت.

سوال 12: بنابراین، اگر توپ راگبی ما – متاسفم، داده های منابع انسانی – عادی نباشد، چه؟ آیا این پایان تجزیه و تحلیل آماری قابل اعتماد است؟

خیر، فقدان نرمال بودن غیرطبیعی نیست. در اینجا یک مصالحه کاری وجود دارد. می توانیم به جای میانگین از میانه استفاده کنیم. میانه تخمین مرکزیت مشابه با میانگین است. ما می‌توانیم از روش‌های ناپارامتریک برای اجرای تجزیه و تحلیل آماری خود استفاده کنیم، اما گفته می‌شود که نتایج در سناریوهای واقعی کمتر قوی هستند.

با این حال، به عنوان یک آمارگیر، من احساس می کنم روش های ناپارامتریک یکی از ساده ترین و کم استفاده ترین جنبه های آمار هستند.

به هر حال، هک های دیگری نیز وجود دارد که می توانید در تحلیل های آماری خود از آنها استفاده کنید. مانند تبدیل‌های باکس-کاکس، حذف نقاط پرت (برای اجبار به نرمال بودن)، و موارد دیگر. با این حال، این کمی فراتر از محدوده این پست است. لطفاً به خاطر داشته باشید که هر تحلیل آماری همیشه یک هک وجود دارد!

سوال 13: فکر می کنم دید کلی وسیعی از قابلیت ها و محدودیت های آمار دارم: توزیع نرمال، واریانس و استنتاج آماری. آیا می توانید یک مثال واقعی منابع انسانی از توزیع نرمال و تجزیه و تحلیل آماری آن به من بدهید؟

مطمئنا! بیایید دو عکس یکسان از توپ راگبی خود بگیریم. سپس، دو پرینت از آن بگیرید و به طور تصادفی صد نقطه را روی هر دو تصویر قرار دهید (تقریباً تمام سطح تصویر را می پوشاند). تصاویر توپ های راگبی یکسان هستند، اما الگوی نقاط روی هر دو توپ یکسان نیست.

چرا؟ بسیاری از 100 نقطه تصادفی روی هر دو توپ راگبی، فواصل متفاوتی از مرکز تصویر دارند (میانگین). بنابراین، تشخیص تفاوت کلی بدون اندازه‌گیری فواصل تمام نقاط دشوار است.

اکنون، 2 تصویر توپ راگبی را با 2 تیم استخدامی یک مرکز استخدام جهانی در منابع انسانی جایگزین کنید. هر تصویر یا مرکز استخدام جهانی 100 استخدام کننده دارد. نقاط تصادفی را با عملکرد استخدام هر استخدام‌کننده جایگزین کنید.

مرکز دقیق توپ راگبی نشان دهنده عملکرد متوسط هر تیم است. آیا عملکرد هر دو تیم برابر است؟ همین مورد است. همون توپ راگبی همون 100 استخدام کننده. همان منطقه کلی. با این حال، از آنجایی که نقاط به طور متفاوتی روی توپ‌های راگبی پراکنده شده‌اند، عملکرد کلی لزوماً یکسان نیست.

سوال 14: بنابراین عملکرد هر دو تیم به طور قطعی برابر نیست. این بدان معنی است که عملکرد افراد استخدام شده کلیدی می شود.

بله، دقیقاً! به جای تنها یک عامل (میانگین)، اکنون دو عامل (میانگین و واریانس) داریم که مهم هستند.

مقایسه بین میانگین و واریانس روح آمار است.

میانگین (میانگین عملکرد همه استخدام‌کنندگان) و واریانس (فاصله هر استخدام‌کننده از میانگین). به این دو مفهوم تسلط داشته باشید و بر 90 درصد آمار کاربردی تسلط دارید. منظورم این است (جناسی در نظر گرفته شده)!

همه آزمون های فرضیه در آمار، از جمله آزمون های T، ANOVA، Chi-Square و موارد دیگر، بسته به معادلات به دست آمده از:

1. میانگین یا میانه (میانگین عملکرد همه استخدام کنندگان).
2. واریانس (فاصله هر استخدام کننده از میانگین).
3. تعداد کل جمعیت (نمونه استخدام کنندگان، یعنی n).

و در برخی موارد

1. مقادیر جداول توزیع z (جدول توزیع نرمال از پیش محاسبه شده).

این تمام چیزی است که وجود دارد! همانطور که می بینید، این همه آمار را به 4 مخرج پایین آنها تقسیم می کند.

سوال 15: عالی! آیا ما معمولاً نیاز به انجام همه این آزمایش‌ها روی داده‌های منابع انسانی داریم؟

آزمایش های دقیق به نوع بینش مورد نیاز برای کسب و کار بستگی دارد. یک نقطه شروع معمولی آزمون t یا ANOVA خواهد بود. ANOVA به معنای واقعی کلمه مخفف آنالیز واریانس است. هر دوی اینها بررسی می‌کنند که آیا تفاوت کلی معنی‌داری بین میانگین دو گروه، مانند دو تیم استخدام منابع انسانی وجود دارد یا خیر.

سوال 16: آیا می توانیم یک آزمون t بر روی داده های عملکرد استخدام کننده خود انجام دهیم؟

مطمئنا ما یک مجموعه نمونه از داده های خود انتخاب می کنیم. عملکرد 30 استخدام کننده (از 100 نفر) از هر تیم را بگویید. اینها به طور تصادفی انتخاب می شوند، البته، برای از بین بردن هرگونه سوگیری.
اکنون داده ها را از نظر عملکرد متوسط (هم نمونه و هم کل) و واریانس داریم. این تمام داده هایی است که به آن نیاز خواهیم داشت.
از فرمول t-test استفاده می کنیم. این یک جبر خطی بر روی میانگین، واریانس و تعداد کل استخدام‌کنندگان است. ما منطق پشت فرمول را در مقاله بعدی توضیح خواهیم داد:

محاسبات حدود 12 دقیقه از طریق محاسبات دستی (با استفاده از یک ماشین حساب اولیه) یا چند ثانیه با استفاده از یک نرم افزار تجزیه و تحلیل آماری یا یک ماکرو Excel طول می کشد.

اکنون خروجی می تواند چیزی شبیه به: t = -3.73، p = 0.07 باشد.

مقدار t نتیجه آزمون t است. P مخفف احتمال است. در این مورد یک احتمال 0.07 (7%) وجود دارد که یافته‌های ما تصادفی هستند – و احتمال 93% وجود دارد که این یافته‌ها واقعاً درست هستند (نه ناشی از تصادفی یا تصادفی).

بر اساس همین گزارش، ما هنوز هم می‌توانیم به پاسخ‌های متفاوتی برای فرضیه خود برسیم. چرا؟

زیرا درک ما از “اهمیت تفاوت” برای p-value آزمون t متفاوت بود. به عبارت دیگر، معیار شما برای اهمیت p-value کوچکتر از 0.10 بود، در حالی که معیار من برای اهمیت کمتر از 0.05 بود.

مقدار p در تست ما 0.07 است.

بیایید مقدار p آزمون را با سطح اهمیت فردی خود مقایسه کنیم:

• 0.07 > 0.05 (ارزش اهمیت من)
• 0.07 < 0.10 (ارزش اهمیت شما)

در مورد شما، p-value آزمون کمتر از مقدار اهمیت شما بود. این به این معنی است که به گفته شما، تفاوت معنی داری در میانگین بین دو گروه وجود دارد.

در مورد من، p-value آزمون بالاتر از مقدار اهمیت خودم بود. بنابراین فکر نمی‌کنم بین این دو گروه تفاوت معناداری وجود داشته باشد.

p-value به معنای شانسی است که تفاوت بین دو گروه از شانس تصادفی ناشی می شود. همانطور که در، هیچ تفاوت واقعی بین این دو گروه وجود ندارد. در مورد ما، احتمال 7 درصد وجود دارد که اختلاف بین دو گروه به دلیل شانس باشد. همین کافی بود تا نتیجه بگیرید که بین دو گروه تفاوت معناداری وجود دارد. من استانداردهای بالاتری داشتم و بنابراین فکر نمی‌کردم که این شانس به اندازه‌ای کم باشد که بتوانم نتیجه‌گیری مشابهی را تضمین کنم.

سوال 17: اگر بخواهیم حجم نمونه را افزایش دهیم چه اتفاقی می افتد؟

جالب اینجاست که اگر حجم نمونه را از 30 به 100 تغییر دهیم، مقدار p به 0.15 افزایش می یابد. این بدان معناست که طبق استنباط هر دو ما تفاوتی در عملکرد بین دو تیم وجود ندارد.

• 0.15 > 0.05 (ارزش اهمیت من)
• 0.15 > 0.10 (ارزش اهمیت شما)

همانطور که می بینید استنتاج ها (تصمیمات) با تغییر در حجم نمونه تغییر می کنند.

سوال 18: جنبه های دیگر، مانند فواصل اطمینان، چطور؟

هر چه فاصله اطمینان کمتر باشد، ما نسبت به تحلیل خود اطمینان بیشتری داریم. اگر مجموعه داده ما از نرمال پیروی کند، عرض آن باید با حجم نمونه همبستگی معکوس داشته باشد. این از قضیه حد مرکزی پیروی می کند. این و سایر جنبه های کلیدی آزمون های آماری را در قسمت بعدی پوشش خواهم داد. این بخش فقط برای ارائه یک نمای کلی از رشته آمار کاربردی و ارتباط آن با منابع انسانی بود.

سوال 19: از کجا می توانم در مورد آمار در HR اطلاعات بیشتری کسب کنم؟

این سوال خوبی است! ما یک دوره به طور خاص در مورد آمار در منابع انسانی ایجاد کردیم. در این دوره، موضوعات متعددی را که به چهار ماژول تقسیم شده اند، پوشش خواهیم داد.

1. مقدمه ای بر آمار
2. روش شناسی
3. آزمون های آماری پایه
4. تست های آماری پیشرفته

در ماژول 1 ، یاد خواهید گرفت که چگونه استاتیک بر زندگی روزمره شما تأثیر می گذارد و چگونه می تواند به ما در HR کمک کند. با تکنیک های ساده برای درک بهتر داده ها مانند میانگین، حالت، میانه و محدوده آشنا خواهید شد. شما در مورد گسترش داده ها، چگونگی تأثیر آن بر تجزیه و تحلیل داده ها، و در نهایت، تکنیک هایی برای تمیز کردن و تجسم داده ها را خواهید آموخت. دو ماژول اول شما را برای تجزیه و تحلیل واقعی در ماژول 3 و 4 آماده می کند.

در ماژول 2 ، در مورد روش شناسی بیشتر خواهید آموخت. آمار و روش شناسی دست به دست هم می دهند. یکی بدون دیگری نمی تواند کار کند. در این ماژول با نمونه گیری، سوگیری، احتمال، آزمون فرضیه و مدل های مفهومی آشنا خواهید شد. اینها مفاهیم کلیدی هستند که باید قبل از اینکه بتوانید داده های خود را به طور دقیق تجزیه و تحلیل کنید، درک کنید.

در ماژول 3 و 4 ، تست های آماری مقدماتی و پیشرفته را یاد خواهید گرفت. ما با تجزیه و تحلیل همبستگی، آزمون t و ANOVA شروع می کنیم. در قسمت دوم با رگرسیون خطی، رگرسیون چندگانه، رگرسیون لجستیک و مدل سازی معادلات ساختاری آشنا خواهید شد.

ما یک درس کامل را به توضیح هر یک از این تست ها اختصاص می دهیم. نحوه کار این تست ها، زمانی که می توان آنها را اعمال کرد، مفروضات اصلی این تست ها را توضیح خواهیم داد و شما را به منابع مختلف برای اجرای این تست ها در نرم افزاری که استفاده می کنید پیوند می دهیم.

از آنجایی که این تست‌ها را می‌توان با استفاده از Excel، SPSS، R یا سایر بسته‌های آماری انجام داد، ما درس‌ها را بر روی فرآیند گام به گام انجام تست متمرکز می‌کنیم که مستقل از نرم‌افزار مورد استفاده شما است. این بدان معناست که شما بدون توجه به اینکه از R یا SPSS استفاده می کنید، تمام اطلاعات را برای انجام این تست خواهید داشت.