مقالات

17.4: التحليل الكمي - الرياضيات


عندما نعمل مع عدد كبير من المتغيرات التي تصف جوانب بعض الظواهر (مثل العناصر الموجودة في الاختبار كمقاييس متعددة للسمة الأساسية لـ "إتقان الموضوع") ، فإننا غالبًا ما نركز اهتمامنا على ما تتضمنه هذه المقاييس المتعددة " مشترك". باستخدام معلومات حول التباين المشترك بين المقاييس المتعددة ، يمكننا استنتاج البعد أو العامل الأساسي ؛ بمجرد أن نفعل ذلك ، يمكننا تحديد ملاحظاتنا على طول هذا البعد. نهج تحديد أو تسجيل الحالات الفردية من حيث درجاتها على عوامل التباين المشترك بين المؤشرات المتعددة هو هدف تحليل العوامل والمكونات (وبعض تقنيات القياس الأخرى الأقل شيوعًا).

إذا فكرنا في مشكلتنا ذات الوضعين ، فيمكننا تطبيق منطق "القياس" هذا على الممثلين أو على الأحداث. وهذا يعني أنه يمكننا "قياس" أو فهرسة تشابه الممثلين من حيث مشاركتهم في الأحداث - لكن وزن الأحداث وفقًا للاختلاف المشترك بينهم. وبالمثل ، يمكننا "قياس" الأحداث من حيث أنماط المشاركة المشتركة للفاعلين - لكن نرجح الفاعلين وفقًا لتكرار حدوثها المشترك. تقنيات مثل أدوات> MDS ويمكن استخدام تحليل العوامل أو المكونات الرئيسية "لقياس" أي من الفاعلين أو الأحداث.

من الممكن أيضًا تطبيق هذه الأنواع من منطق القياس على بيانات الفاعل على حدة. تتضمن UCINET طريقتين لتحليل العوامل المرتبطين ارتباطًا وثيقًا (أدوات> 2-Mode Scaling> SVD و أدوات> 2-Mode Scaling Factor Analysis) التي تدرس التباين المشترك بين كل من الفاعلين والأحداث في وقت واحد. يشمل UCINET أيضًا أدوات> تحجيم ثنائي الوضع> مراسلة الذي يطبق نفس المنطق على البيانات الثنائية. بمجرد تحديد الأبعاد الأساسية للتباين المشترك ، يمكننا بعد ذلك "تعيين" كل من الفاعلين والأحداث في "الفضاء" نفسه. يتيح لنا ذلك معرفة الجهات الفاعلة المتشابهة من حيث مشاركتها في الأحداث (التي تم ترجيحها لتعكس الأنماط الشائعة) ، وما هي الأحداث المتشابهة من حيث ما يشارك فيه الممثلون (مرجح لتعكس الأنماط الشائعة) ، وأي الفاعلين وتقع الأحداث "قريبة" من بعضها البعض.

من الممكن أحيانًا تفسير العوامل أو الأبعاد الكامنة وراءها لاكتساب نظرة ثاقبة حول سبب تضافر الفاعلين والأحداث معًا بالطرق التي يفعلونها. بشكل عام ، قد تشكل مجموعات الممثلين والأحداث التي تقع بشكل مشابه "أنواعًا" أو "مجالات" ذات معنى من العمل الاجتماعي.

أدناه ، سنقوم بتطبيق هذه الأدوات بإيجاز شديد على البيانات الخاصة بالمانحين الكبار لمبادرات كاليفورنيا في الفترة 2000-2004. هدفنا هو توضيح منطق القياس ثنائي الوضع. المناقشة هنا قصيرة جدًا حول المعالجات التقنية للاختلافات (المهمة) بين التقنيات.

تحليل SVD ثنائي الوضع

يعد تحليل القيمة الفردية (SVD) إحدى طرق تحديد العوامل الكامنة وراء البيانات ذات الوضعين (القيمة). تختلف طريقة استخلاص العوامل (القيم المفردة) إلى حد ما عن تحليل العوامل والمكونات التقليدية ، لذلك من الجيد فحص كل من نتائج تحليل العوامل والمكونات ذات النمط الثنائي SVD.

لتوضيح SVD ، لدينا مدخلات مصفوفة من 23 مانحًا رئيسيًا (أولئك الذين قدموا ما مجموعه أكثر من 1،000،000 دولار أمريكي لخمس حملات أو أكثر) من خلال 44 مبادرة اقتراع في كاليفورنيا. يتم تسجيل كل ممثل على أنه -1 إذا ساهم في معارضة المبادرة ، +1 إذا ساهم لصالح المبادرة ، أو 0 إذا لم يساهم. المصفوفة الناتجة هي بيانات ذات قيمة يمكن فحصها باستخدام SVD وتحليل العوامل ؛ ومع ذلك ، فإن انخفاض عدد المساهمين في العديد من المبادرات ، والتباين المحدود للغاية في المقياس ليسا مثاليين.

يوضح الشكل 17.6 "القيم الفردية" المستخرجة من مصفوفة المستطيلة للمانح على حدة باستخدام أدوات> 2-Mode Scaling> SVD.

شكل 17.6: القياس ثنائي الوضع للمانحين والمبادرات في كاليفورنيا من خلال تحليل القيمة الفردية: القيم الفردية

"القيم المفردة" مماثلة لـ "القيم الذاتية" في تقنيات تحجيم العناصر والمكونات الأكثر شيوعًا. تظهر النتيجة هنا أن "الحيز" المشترك للتباين بين المانحين والمبادرات لم يتم التعرف عليه بشكل جيد من خلال التوصيف البسيط. إذا استطعنا بسهولة فهم الأنماط بأفكار مثل "اليسار / اليمين" و "المالي / المعنوي" كأبعاد أساسية ، فلن يكون هناك سوى عدد قليل من القيم الفردية التي تشرح أجزاء كبيرة من التباين المشترك. تخبرنا هذه النتيجة أن الطرق التي "يجتمع بها" الممثلون والأحداث ليست نظيفة وبسيطة وسهلة - في هذه الحالة.

مع وضع هذا التحذير المهم في الاعتبار ، يمكننا فحص كيفية "تحجيم" الأحداث والجهات المانحة أو تحديد موقعها في الأبعاد الأساسية. أولا ، مبادرات الاقتراع. يوضح الشكل 17.7 موقع أو مقياس درجات كل من مقترحات الاقتراع على الأبعاد الستة الأساسية لهذا الفضاء متعدد الأبعاد للغاية.

شكل 17.7: الجهات المانحة والمبادرات SVD لولاية كاليفورنيا: توسيع نطاق المبادرات

اتضح أن البعد الأول يميل إلى تحديد المبادرات الداعمة للإنفاق العام للتعليم والرفاهية الاجتماعية تجاه قطب واحد ، والمبادرات التي تدعم تقييد السلطة التشريعية تجاه الآخر - على الرغم من أن تفسيرات كهذه ذاتية تمامًا. يبدو أن الأبعاد الثانية والأعلى تشير إلى أنه يمكن أيضًا النظر إلى المبادرات على أنها تختلف عن بعضها البعض بطرق أخرى.

في الوقت نفسه ، تتيح لنا النتائج تحديد الجهات المانحة أو توسيع نطاقها وفقًا للأبعاد الأساسية نفسها. تظهر هذه التحميلات في الشكل 17.8.

شكل 17.8: الجهات المانحة والمبادرات SVD لولاية كاليفورنيا: توسيع نطاق المانحين

نحو النهاية الإيجابية للبعد الأول (الذي فسرناه سابقًا على أنه لصالح الإنفاق العام) نجد الحزب الديمقراطي ، ونقابات الموظفين العموميين ، ونقابات المعلمين ؛ في القطب المقابل ، نجد الجمهوريين وبعض المجموعات التجارية والمهنية.

غالبًا ما يكون من المفيد تصور مواقع الممثلين والأحداث في مخطط مبعثر محدد بواسطة درجات المقياس على الأبعاد المختلفة. توضح الخريطة في الشكل 17.9 نتائج البعدين الأولين لهذه المساحة.

شكل 17.9: الجهات المانحة والمبادرات SVD لولاية كاليفورنيا: خريطة ثنائية الأبعاد

نلاحظ أن البعد الأول (من اليسار إلى اليمين في الشكل) يبدو أن أقطابه "ترتكز" على الاختلافات بين المبادرات ؛ يبدو أن البعد الثاني (من الأعلى إلى الأسفل) محدد أكثر بالاختلافات بين المجموعات (باستثناء الاقتراح 56). لا تحدد النتيجة بشكل واضح وواضح أحداثًا معينة وفاعلين معينين على طول أبعاد خطية قوية. ومع ذلك ، فإنه ينتج بعض المجموعات المثيرة للاهتمام التي تظهر مجموعات من الجهات الفاعلة جنبًا إلى جنب مع القضايا التي تعتبر مركزية لأنماط مشاركتهم. تجمع الديمقراطيين والنقابات (أعلى اليمين) جنبًا إلى جنب مع عدد من المقترحات الخاصة التي كانوا نشطين للغاية فيها (على سبيل المثال 46 ، 63). مجموعة الشركات والبناء والمشاريع الرأسمالية (بشكل أكثر مرونة) في أسفل اليمين ، جنبًا إلى جنب مع القضايا الأساسية التي شكلت جدول أعمالها الأساسي في عملية المبادرة (على سبيل المثال الدعامة 62).

تحليل عامل ثنائي الوضع

يوفر تحليل العوامل طريقة بديلة لـ SVD لتحقيق نفس الأهداف: تحديد الأبعاد الأساسية للمساحة المشتركة للتباين بين الفاعلين والحدثين ، وتحديد أو تحديد الجهات الفاعلة والأحداث في تلك المساحة. تختلف الطريقة المستخدمة بواسطة تحليل العوامل لتحديد الأبعاد عن طريقة SVD. يوضح الشكل 17.10 القيم الذاتية (حسب المكونات الأساسية) المحسوبة بواسطة أدوات> 2-Mode Scaling> Factor Analysis.

شكل 17.10: القيم الذاتية للعوملة ثنائية النمط للمانحين والمبادرات في كاليفورنيا

هذا الحل ، على الرغم من اختلافه عن SVD ، يشير أيضًا إلى تعقيد كبير في الأبعاد في التباين المشترك بين الفاعلين والأحداث. أي أن التوصيفات البسيطة للأبعاد الأساسية (مثل "اليسار / اليمين") لا توفر تنبؤات دقيقة للغاية حول مواقع الفاعلين أو الأحداث الفردية. طريقة تحليل العامل تنتج تعقيدًا أقل إلى حد ما من SVD.

مع أخذ التحذير من الملاءمة السيئة جدًا لحل منخفض الأبعاد في الاعتبار ، دعنا نفحص مقياس الممثلين في العوامل الثلاثة الأولى (الشكل 17.11)

شكل 17.11: تحميلات المانحين

ينتج العامل الأول ، بهذه الطريقة ، نمطًا مشابهًا لـ SVD. يوجد في أحد القطبين الديمقراطيين والنقابات ، وفي الجانب الآخر توجد العديد من المجموعات الرأسمالية. ومع ذلك ، هناك بعض الاختلافات الملحوظة (مثل AFSCME). يوضح الشكل 17.12 تحميلات الأحداث.

شكل 17.12: تحميل الأحداث

تتشابه الأنماط هنا أيضًا مع نتائج SVD ، ولكنها تختلف اختلافًا كبيرًا في التفاصيل. لتصور الأنماط ، يمكن استخراج عمليات تحميل الممثلين والأحداث على الأبعاد من ملفات بيانات الإخراج ، ورسمها باستخدام مخطط مبعثر.

تحليل المراسلات ثنائية الوضع

بالنسبة للبيانات الثنائية ، لا يوصى باستخدام تحليل العوامل و SVD. تعمل طرق العوملة على مصفوفات التباين / التباين أو الارتباط بين الجهات الفاعلة والأحداث. عندما يتم قياس ارتباطات الجهات الفاعلة بالأحداث على المستوى الثنائي (وهو ما يحدث غالبًا في تحليل الشبكة) ، فإن الارتباطات قد تقلل من التباين المشترك وتجعل من الصعب تمييز الأنماط.

كبديل لتحجيم ثنائي الفاعل حسب الحدث ، فإن طريقة تحليل المراسلات (أدوات> تحجيم ثنائي الوضع> مراسلة) يمكن استعماله. يعمل تحليل المراسلات (مثل تحليل الصنف الكامن) على جدولة ثنائية متعددة المتغيرات ، وافتراضات التوزيع الخاصة به مناسبة بشكل أفضل للبيانات الثنائية.

لتوضيح تطبيق تحليل المراسلات ، قمنا بتقسيم بيانات المانح السياسي والمبادرات من خلال تعيين قيمة 1 إذا قدم أحد الفاعلين تبرعًا إما لصالح مبادرة أو ضدها ، وتخصيص صفر إذا لم يشاركوا في الحملة لمبادرة معينة. إذا أردنا أن يركز تحليلنا على الحزبية ، بدلاً من المشاركة البسيطة ، فربما نكون قد أنشأنا مجموعتين من البيانات - واحدة تستند إلى المعارضة أم لا ، والأخرى تستند إلى الدعم أم لا - وقمنا بتحليلين منفصلين للمراسلات.

يوضح الشكل 17.13 موقع الأحداث (المبادرات) على طول ثلاثة أبعاد لمساحة الحدث الفاعل المشترك المحددة بواسطة طريقة تحليل المراسلات.

شكل 17.13: إحداثيات الحدث للمشاركة المشتركة للمانحين في حملات مبادرة كاليفورنيا

نظرًا لأن هذه البيانات لا تعكس الحزبية ، بل المشاركة فقط ، لا نتوقع أن تكون النتائج موازية لتلك التي تمت مناقشتها في الأقسام أعلاه. وهم لا يفعلون ذلك. ومع ذلك ، نرى أنه يمكن استخدام هذه الطريقة أيضًا لتحديد مكان المبادرات على طول أبعاد أساسية متعددة تلتقط التباين في كل من الفاعلين والأحداث. يوضح الشكل 17.14 مقياس الممثلين.

شكل 17.14: ينسق الممثل للمشاركة المشتركة للمانحين في حملات مبادرة كاليفورنيا

البعد الأول هنا لديه بعض التشابه مع القطب الديموقراطي / النقابي مقابل أقطاب الرأسمالية. ومع ذلك ، يعني هذا الاختلاف هنا أن المجموعتين تميلان إلى المشاركة في مجموعات مختلفة من المبادرات ، بدلاً من مواجهة بعضهما البعض في نفس الحملات.

غالبًا ما يكون التصور هو أفضل نهج لإيجاد أنماط ذات مغزى (في غياب نظرية قوية). يوضح الشكل 17.15 مؤامرة الجهات الفاعلة والأحداث في البعدين الأولين لمساحة تحليل المراسلات المشتركة.

شكل 17.15: تحليل المراسلات خريطة ثنائية الأبعاد

يحتوي الربع السفلي الأيمن هنا على مجموعة ذات مغزى من الفاعلين والأحداث ، ويوضح كيف يمكن تفسير نتائج تحليل المراسلات. في أسفل اليمين لدينا بعض المقترحات المتعلقة بمقامرة الكازينو الهندية (68 و 70) واثنين من المقترحات المتعلقة بقضايا البيئة / الحفظ (40 و 50). تم تعيين اثنين من الدول الأمريكية الأصلية الرئيسية (فرق Cahualla و Morongo من Mission Indians) معًا. والنتيجة هي إظهار أن هناك مجموعة من القضايا "التي تحدث بشكل مشترك" مع مجموعة من المانحين - الجهات الفاعلة التي تحدد الأحداث ، والأحداث التي تحدد الجهات الفاعلة.


تحليل كمي ونوعي لنموذج جائحة COVID-19

تركز الجهود العالمية حول العالم على مناقشة العديد من استراتيجيات الرعاية الصحية لتقليل تأثير فيروس كورونا الجديد (COVID-19) على المجتمع. كما يتضح أن هذا الفيروس يصبح خطرا على الصحة العامة وينتشر بسهولة بين الأفراد. النماذج الرياضية مع المحاكاة الحسابية هي أدوات فعالة تساعد الجهود العالمية لتقدير معلمات النقل الرئيسية والمزيد من التحسينات للسيطرة على هذا المرض. هذا مرض معد ويمكن نمذجته كنظام من المعادلات التفاضلية غير الخطية بمعدلات التفاعل.

يقوم هذا العمل بمراجعة وتطوير بعض النماذج المقترحة لـ COVID-19 والتي يمكن أن تتناول أسئلة مهمة حول الرعاية الصحية العالمية وتقترح ملاحظات مهمة. بعد ذلك ، نقترح نموذجًا محدثًا يتضمن نظامًا من المعادلات التفاضلية مع معلمات الإرسال. يتم التحقيق في بعض عمليات المحاكاة الحسابية الرئيسية وتحليل الحساسية. أيضًا ، يتم حساب الحساسيات المحلية لكل حالة نموذجية فيما يتعلق بمعلمات النموذج باستخدام ثلاث تقنيات مختلفة: عدم التطبيع ، ونصف التطبيع ، والتطبيع الكامل.

تظهر النتائج المستندة إلى عمليات المحاكاة الحسابية أن ديناميكيات النموذج قد تغيرت بشكل كبير لمعلمات النموذج الرئيسية المختلفة. ومن المثير للاهتمام ، أننا نحدد أن معدلات الانتقال بين المصابين بدون أعراض مع كل من الأفراد المصابين بالأعراض المبلغ عنها وغير المبلغ عنها هي معلمات حساسة للغاية فيما يتعلق بمتغيرات النموذج في انتشار هذا المرض. يساعد ذلك الجهود الدولية لتقليل عدد الأفراد المصابين بالمرض ومنع انتشار فيروس كورونا الجديد على نطاق أوسع في المجتمع. حداثة أخرى في هذه الورقة هي تحديد معلمات النموذج الحرجة ، مما يجعل من السهل استخدامها من قبل علماء الأحياء الذين لديهم معرفة أقل بالنمذجة الرياضية ويسهل أيضًا تحسين النموذج للتطوير المستقبلي نظريًا وعمليًا.


تحليل انتقال COVID-19 في مقاطعة Shanxi مع حالات استيراد منفصلة للوقت

منذ كانون الأول (ديسمبر) 2019 ، انتشر تفشي الالتهاب الرئوي الناجم عن فيروس كورونا الجديد (الذي أطلق عليه اسم COVID-19) في جميع أنحاء الصين. في مقاطعة شانشي ، وصلت الحالات المؤكدة التراكمية أخيرًا إلى 133 حالة منذ ظهور أول حالة مؤكدة في 22 يناير 2020 ، ومعظمها حالات وافدة من مقاطعة هوبي. أسباب هذه الزيادة المستمرة في مقاطعة شانشي ، سواء كانت حالات مصابة مستوردة أو محلية ، غير واضحة حاليًا وتتطلب تحقيقًا عاجلاً. في هذه الورقة ، قمنا بتطوير نموذج SEIQR لمعادلة الفرق لـ COVID-19 الذي أخذ في الاعتبار الإرسال مع حالات استيراد زمنية منفصلة ، لإجراء التقييم وتحليل المخاطر. تشير النتائج التي توصلنا إليها إلى أنه إذا كان تاريخ الإغلاق في ووهان سابقًا ، فإن الحالات المعدية تكون أقل. علاوة على ذلك ، نكشف عن آثار تاريخ إغلاق المدينة على المقياس النهائي للحالات: إذا تم تقديم التاريخ لمدة يومين ، فقد تنخفض الحالات بمقدار النصف (67 ، 95٪ CI: 66-68) إذا تأخر التاريخ لـ يومين ، قد تصل الحالات إلى حوالي 196 (95 ٪ CI: 193-199). قد يكون نموذج التحقيق الخاص بنا مفيدًا في دراسة انتقال COVID-19 في مقاطعات أخرى في الصين باستثناء هوبي. على وجه الخصوص ، يمكن أيضًا استخدام الطريقة في البلدان التي تم استيراد أول حالة مؤكدة فيها.

الكلمات الدالة: COVID-19 SEIQR نموذج معادلة فرق استراتيجية إغلاق المدينة الحالات المستوردة.


ما هو التفكير والتمثيل الكمي؟

ال منطق أن العمدة الذي استخدمه في هذا السيناريو هو مثال من استخدام المنطق الكمي لحل مشكلة العالم الحقيقي. المنطق الكمي هو فعل فهم الحقائق والمفاهيم الرياضية والقدرة على تطبيقها على سيناريوهات العالم الحقيقي.

علاوة على ذلك ، ما هو التفكير النوعي والكمي؟ الشروط نوعي و كمي تنطبق على نوعين من المنظور منطق، تستخدم في أغلب الأحيان عند إجراء البحث. نوعي يركز على جودة شيء ما ، بينما كمي يركز على الكمية.

وبالتالي ، ما أهمية التفكير الكمي؟

المنطق الكمي المهارة (QR) هي القدرة على الفهم والاستخدام كمي المعلومات للتوصل إلى نتيجة قوية. يعتبر QR من بين أكثر مهم المهارات الفكرية مثل طلاقة الاتصال ومحو الأمية المعلوماتية والتفكير النقدي التي يجب أن يكتسبها جميع خريجي الجامعات.

ما هو تعريف التفكير الكمي؟

بواحد تعريف, المنطق الكمي (QR) هو تطبيق مهارات الرياضيات الأساسية ، مثل الجبر ، لتحليل وتفسير العالم الحقيقي كمي معلومات في سياق تخصص أو مشكلة متعددة التخصصات لاستخلاص استنتاجات ذات صلة بالطلاب في حياتهم اليومية.


قم بتنزيل وطباعة هذه المقالة لاستخداماتك العلمية والبحثية والتعليمية الشخصية.

شراء عدد واحد من علم مقابل 15 دولارًا أمريكيًا فقط.

علم

المجلد 331 ، العدد 6014
14 يناير 2011

أدوات المادة

الرجاء تسجيل الدخول لإضافة تنبيه لهذه المقالة.

بقلم جان بابتيست ميشيل ، يوان كوي شين ، أفيفا بريسر آيدن ، أدريان فيريز ، ماثيو ك. جراي ، فريق كتب Google ، جوزيف بي بيكيت ، ديل هويبرج ، دان كلانسي ، بيتر نورفيج ، جون أوروانت ، ستيفن بينكر ، مارتن أ. نواك ، إيريز ليبرمان أيدن

علم 14 يناير 2011: 176-182

يتم الكشف عن التغيرات اللغوية والثقافية من خلال تحليل الكلمات التي تظهر في الكتب.


أنواع مختلفة من البيانات الكمية

  1. قياس الأشياء المادية: يتعامل هذا النوع من البيانات الكمية مع قياس أي نوع من الأشياء المادية. قد يشمل ذلك قياس كل حجرة مخصصة لكل موظف في الشركة.
  2. إسقاط البيانات: يمكن إنجاز إسقاط البيانات المستقبلية من خلال تنفيذ العديد من الخوارزميات الرياضية وأدوات التحليل. على سبيل المثال ، يتعين على باحث السوق توقع زيادة المبيعات بعد إدخال خدمة أو منتج جديد من خلال التحليل.
  3. عداد: العداد مرتبط بالأسهم. على سبيل المثال ، يشير العداد إلى إجمالي عدد المستخدمين الذين قاموا بتنزيل تطبيق معين من متجر Google أو Apple.
  4. الحساب الحسي: يشير الحساب الحسي إلى عملية الاستشعار الطبيعي للمعلمات لتوليد مصدر مستمر للمعلومات. أفضل مثال على الحساب الحسي هو تحويل المعلومات الكهرومغناطيسية إلى سلسلة بيانات رقمية ثابتة.
  5. التحديد الكمي للكيانات النوعية في الطبيعة: في هذا النوع من البيانات الكمية ، يتم تحديد الأرقام في المعلومات النوعية. على سبيل المثال ، اطلب من أحد العملاء في استطلاع عبر الإنترنت التوصية بخدمة أو منتج على مقياس الأرقام من 0 إلى 10.

لماذا البيانات الكمية مهمة؟

تتحدث البيانات الكمية عن أرقام وأرقام دقيقة ، على عكس البيانات النوعية. ومن ثم يقترح الباحث تحديد المواقف والصفات والسلوك والمتغيرات الأخرى ببعض الدوافع. قد يكون الغرض الرئيسي هو معارضة أو دعم فرضية منتج أو خدمة معينة من خلال تمثيل البيانات التي تم جمعها من خلال إجراء المقابلات أو مسح العينة. لديك خيار الذهاب إلى طريقة التجميع التقليدية أو تنفيذ أحدث التقنيات لجمع المعلومات بعد البحث المناسب. كما يحتاج الباحث إلى أدوات إحصائية ورياضية وحسابية لإنهاء النتائج من البيانات الكمية.

خصائص البيانات الكمية

فيما يلي بعض أهم خصائص البيانات الكمية:

  1. التمثيل العددي: تأخذ البيانات الكمية القيم الرقمية بأكملها مع الخصائص.
  2. عملية حسابية: يمكن للباحث إجراء العمليات الحسابية الأساسية مثل الطرح أو الإضافة إلى البيانات الكمية.
  3. تحليل: يمكن فحصه باستخدام الإجراءات الإحصائية الاستنتاجية والوصفية بناءً على أهداف البحث.
  4. الأنواع: البيانات الكمية تتكون أساسًا من نوعين مستمرين ومنفصلين. يتم تصنيف البيانات المستمرة إلى بيانات النسبة والفاصل الزمني.
  5. ترتيب: هناك مقياس ترتيب لتحديد البيانات. على سبيل المثال ، يمكن تصنيف بيانات واحدة على أنها 1،2،3 بطريقة منظمة.
  6. مقياس موحد: تتضمن البيانات الكمية مقياس قياس يتضمن مقياسًا قياسيًا ولكن لا يحتوي على أمر.
  7. تصور البيانات: يمكن تحقيق تصور البيانات باستخدام بعض التقنيات التي تسمى الرسم النقطي ، والرسوم البيانية ، ومخطط التبعثر ، والمؤامرة النقطية المكدسة.

مزايا من البيانات الكمية

  • تحيز أقل: هناك العديد من الأمثلة في دراسة البحث حيث قد يكون هناك تحيز شخصي يؤدي إلى نتيجة غير حاسمة. نظرًا للقيمة الرقمية للبيانات ، يتم تقليل التحيز الشخصي إلى حد أعلى.
  • إجراء بحث متعمق: يتم شرح جميع عمليات البحث بالتفصيل لأن جميع البيانات تم فحصها إحصائيًا.النتائج الدقيقة: نظرًا لأن النتائج التي تم الحصول عليها موضوعية ، فإن البيانات دقيقة تمامًا.

عيوب البيانات الكمية

بصرف النظر عن الفوائد المذكورة أعلاه ، تأتي البيانات الكمية أيضًا مع عدد من العيوب وهي:

حسب نوع الأسئلة: ترتبط التحيزات في الأسئلة ارتباطًا مباشرًا بنوع الأسئلة التي يتم طرحها في طريقة جمع البيانات الكمية. إن معرفة سؤال الباحث وهدف البحث لهما أهمية كبيرة أثناء إجراء تحليل البيانات.

المعلومات السرية: قبل البيانات الكمية لم تكن وصفية. نتيجة لذلك ، يصبح من الصعب للغاية على المشاركين الوصول إلى استنتاج بناءً على المعلومات التي تم جمعها.

وبالتالي ، فإن البيانات الكمية تتعلق بالتفكير المتشعب أكثر من التفكير المتقارب. يتعامل بشكل أساسي مع المنطق والقيم العددية والبيانات. البيانات الكمية شاملة بطبيعتها وهي النوع الوحيد الذي يمكن أن يمثل قيمة التحليلات من حيث الرسوم البيانية والمخططات. يمكن للباحثين استنتاج نتائج دقيقة بسبب سلامة البيانات ودقتها.


خطوات في التحليل الكمي

إدارة البيانات - يتضمن ذلك التعرف على البرامج المناسبة التي تقوم بتسجيل الدخول بشكل منهجي وفحص بياناتك: إدخال البيانات في برنامج وأخيراً "تنظيف" بياناتك.

فهم أنواع المتغيرات - تتطلب أنواع البيانات المختلفة معالجة منفصلة ، لذلك من المهم أن تكون قادرًا على التمييز بين المتغيرات من خلال كل من السبب والنتيجة (تابع أو مستقل) ، ومقاييس قياسها (الاسمية ، والترتيبية ، والفاصل الزمني ، والنسبة).

تشغيل الإحصائيات الوصفية - تُستخدم هذه لتلخيص الميزات الأساسية لمجموعة البيانات من خلال مقاييس الاتجاه المركزي (المتوسط ​​، والوضع ، والوسيط) ، والتشتت (النطاق ، والربيع ، والتباين ، والانحراف المعياري) ، والتوزيع (الانحراف والتفرطح).

تشغيل الإحصائيات الاستنتاجية المناسبة - يسمح هذا للباحثين بتقييم قدرتهم على استخلاص استنتاجات تتجاوز البيانات المباشرة. على سبيل المثال ، إذا كانت العينة تمثل المجتمع إذا كانت هناك اختلافات بين مجموعتين أو أكثر إذا كانت هناك تغييرات بمرور الوقت أو إذا كانت هناك علاقة بين متغيرين أو أكثر.

تأكد من اختيار الاختبار الإحصائي الصحيح - يعتمد هذا على معرفة طبيعة المتغيرات الخاصة بك مقياس قياسها وشكل توزيعها وأنواع الأسئلة التي تريد طرحها.

ابحث عن الدلالة الإحصائية - يتم التقاط هذا بشكل عام من خلال "القيمة الاحتمالية" ، والتي تقيم احتمالية أن تكون نتائجك أكثر من مجرد مصادفة. كلما انخفضت القيمة الاحتمالية ، زاد ثقة الباحثين في أن النتائج حقيقية.


التحليل الكمي باستخدام نمذجة المعادلات الهيكلية

شارك علماء هيئة المسح الجيولوجي الأمريكية (USGS) لعدد من السنوات في تطوير واستخدام نمذجة المعادلات الهيكلية (SEM). تمثل هذه المنهجية منهجًا للنمذجة الإحصائية يركز على دراسة فرضيات السبب والنتيجة المعقدة حول الآليات التي تعمل في الأنظمة. يستخدم SEM بشكل متزايد في الدراسات البيئية والبيئية ويسعى هذا الموقع إلى توفير المواد التعليمية المتعلقة بهذا المشروع. يقدم هذا الموقع برامج تعليمية وتمارين وأمثلة مصممة لمساعدة الباحثين على تعلم وتطبيق SEM. الرجاء النقر فوق علامة التبويب "العلوم" لمعرفة المزيد.

كان أحد تطبيقاتنا لـ SEM هو الكشف عن كيفية ارتباط الأنشطة البشرية بالسلامة البيئية في المتنزهات الوطنية.

كيفية استخدام هذا الموقع

يوفر هذا الموقع دروسًا وأمثلة وتمارين للراغبين في تعلم طرق نمذجة المعادلات الهيكلية الأساسية أو المتخصصة. يمكن العثور على وصف لما تم إضافته ومتى تم العثور عليه في المستند ما هو الجديد.

يمكن إرسال التعليقات على البرامج التعليمية الحالية والاقتراحات الخاصة بالبرامج التعليمية الإضافية إلى [email protected] يرجى ملاحظة أنه بينما ستتم قراءة رسائل البريد الإلكتروني إلى هذا العنوان ، لا يمكننا تقديم ردود فردية نظرًا لضيق الوقت. لهذا نعتذر ، لكننا نأمل أن تكون المواد المقدمة مفيدة.

لتلقي إشعارات التحديث

سنحتفظ بقائمة بريدية لإرسال التحديثات إلى المهتمين بمتابعة تطوير المواد الجديدة. فقط أخبرنا باهتمامك عن طريق إرسال رسالة إلى [email protected]

محتويات الموقع بي دي إف

مقدمة - ما هي نمذجة المعادلة الهيكلية (SEM)؟ فيديو بتنسيق pdf

مثال دراسة مبنية على SEM (SEM.0a) pdf

أولا - مقدمة ومعلومات أساسية

أساسيات SEM
نقاط الملخص (SEM.1.1) pdf
تشريح نماذج SE (SEM.1.2) pdf
مواصفات النموذج (SEM.1.3) pdf
تقدير (SEM.1.4) pdf
قواعد المسار (SEM.1.5) pdf
تفسير المعاملات (SEM.1.6) pdf
تفسير تأثيرات المتنبئين الفئويين (SEM.1.7) بيانات كود pdf
المعاملات التي تنطوي على متغيرات مسجلة (SEM.1.8) pdf

عمل SEM في R.
مقدمة إلى Lavaan (SEM.2.1) بيانات كود pdf
مرجع تركيب لافان (SEM.2.1a) pdf
التقدير المحلي للمعادلات (SEM.2.2) بيانات كود pdf

تقييم النموذج (SEM.3) بيانات كود pdf
نموذج تقييم تمرين بيانات كود pdf

II. العناصر الأساسية للنمذجة

نظرة عامة على عملية النمذجة (SEM.4) pdf
اختبار الوساطة (SEM.5) بيانات كود pdf
اختبار الوساطة بيانات كود pdf
بيانات كود SEM مقابل الانحدار المتعدد (SEM.6)
مراجعة مبادئ النمذجة السببية (SEM.7) pdf
SEM مقابل ANOVA و ANCOVA (SEM.8) pdf

ثالثا. النمذجة مع المتغيرات الكامنة والمركبة

النمذجة باستخدام المتغيرات الكامنة (SEM.9.1) بيانات كود pdf
تحليل عامل التأكيد (SEM.9.2) بيانات كود pdf
تمرين تحليل العامل التأكيدي على بيانات كود pdf
المركبات والمؤشرات التكوينية (SEM.10.1) كود pdf
المواد المركبة وغير الخطية الذاتية (SEM.10.2) pdf
المواد المركبة ذات التأثيرات المتعددة (SEM.10.3) pdf
المركبات ذات التأثيرات المتعددة تمرين بيانات كود pdf
المواد المركبة - مقارنة المواصفات (SEM.10.4) pdf


البيانات الكمية: طرق الجمع

نظرًا لأن البيانات الكمية في شكل أرقام ، يمكن أن يؤدي التحليل الرياضي والإحصائي لهذه الأرقام إلى إنشاء بعض النتائج الحاسمة.

هناك طريقتان رئيسيتان لجمع البيانات الكمية:

الدراسات الاستقصائية: تقليديا ، أجريت الاستطلاعات باستخدام الأساليب الورقية وتطورت تدريجيا إلى وسائل على الإنترنت. تشكل الأسئلة المغلقة جزءًا كبيرًا من هذه الاستطلاعات لأنها أكثر فعالية في جمع البيانات الكمية. يجعل الاستطلاع يشمل خيارات الإجابة التي يعتقدون أنها الأكثر ملاءمة لسؤال معين. تعد الاستطلاعات جزءًا لا يتجزأ من جمع التعليقات من الجمهور الأكبر من الحجم التقليدي. العامل الحاسم في الاستطلاعات هو أن الردود التي تم جمعها يجب أن تكون بحيث يمكن تعميمها على جميع السكان دون تناقضات كبيرة. على أساس الوقت الذي يستغرقه إكمال الاستبيانات ، يتم تصنيفها في التالي & # 8211

  • الدراسات الطولية: نوع من البحث القائم على الملاحظة الذي يجري فيه باحث السوق استطلاعات من فترة زمنية محددة إلى أخرى ، أي على مدار فترة زمنية طويلة ، يسمى المسح الطولي. غالبًا ما يتم تنفيذ هذا المسح لتحليل الاتجاه أو الدراسات حيث يكون الهدف الأساسي هو جمع وتحليل نمط في البيانات.
  • دراسات مستعرضة: يُعرف نوع من البحث القائم على الملاحظة حيث تجري أبحاث السوق استطلاعات في فترة زمنية معينة عبر العينة المستهدفة باسم المسح المقطعي. يستخدم هذا النوع من الاستبيان استبيانًا لفهم موضوع معين من العينة في فترة زمنية محددة.

لإدارة مسح لجمع البيانات الكمية ، يجب اتباع المبادئ التالية.

  • المستويات الأساسية للقياس - المقاييس الاسمية والترتيبية والفاصلة والنسبة: هناك أربعة مقاييس للقياس والتي تعتبر أساسية لإنشاء سؤال متعدد الخيارات في الاستطلاع في جمع البيانات الكمية. وهي مقاييس اسمية وترتيبية وقياس الفترات والنسب بدون أساسيات والتي لا يمكن إنشاء أسئلة الاختيار من متعدد.
  • استخدام أنواع مختلفة من الأسئلة: لجمع البيانات الكمية ، يجب استخدام الأسئلة المغلقة في المسح. يمكن أن تكون مزيجًا من أنواع متعددة من الأسئلة بما في ذلك أسئلة الاختيار من متعدد مثل أسئلة مقياس التفاضل الدلالي وأسئلة مقياس التصنيف وما إلى ذلك والتي يمكن أن تساعد في جمع البيانات التي يمكن تحليلها وفهمها.
  • توزيع المسح وجمع البيانات المسحية: في ما سبق ، رأينا عملية بناء مسح جنبًا إلى جنب مع تصميم المسح لجمع البيانات الكمية. يعد توزيع المسح لجمع البيانات هو الجانب الآخر المهم في عملية المسح. هناك طرق مختلفة لتوزيع المسح. بعض الطرق الأكثر استخدامًا هي:
    • بريد إلكتروني: يعد إرسال استطلاع عبر البريد الإلكتروني أكثر الطرق شيوعًا والأكثر فاعلية لتوزيع الاستبيان. يمكنك استخدام ميزة إدارة البريد الإلكتروني في QuestionPro لإرسال ردود الاستبيان وجمعها.
    • شراء المستجيبين: طريقة أخرى فعالة لتوزيع المسح وجمع البيانات الكمية هي استخدام عينة. نظرًا لأن المستجيبين على دراية ومنفتحون أيضًا للمشاركة في الدراسات البحثية ، فإن الردود أعلى من ذلك بكثير.
    • تضمين استطلاع في موقع على شبكة الإنترنت:يؤدي تضمين استطلاع في أحد مواقع الويب إلى زيادة عدد الردود نظرًا لأن المستفتى قريب بالفعل من العلامة التجارية عند ظهور الاستطلاع.
    • التوزيع الاجتماعي: يساعد استخدام وسائل التواصل الاجتماعي لتوزيع الاستطلاع في جمع عدد أكبر من الردود من الأشخاص الذين هم على دراية بالعلامة التجارية.
    • رمز الاستجابة السريعة: تخزن رموز QR QuestionPro عنوان URL للمسح. يمكنك طباعة / نشر هذا الرمز في المجلات أو على اللافتات أو بطاقات العمل أو في أي كائن / وسيط.
    • مسح الرسائل القصيرة: طريقة سريعة وفعالة لإجراء استطلاع لجمع عدد كبير من الردود هي مسح الرسائل القصيرة.
    • تطبيق QuestionPro: يسمح تطبيق QuestionPro بتوزيع الاستطلاعات بسرعة ويمكن جمع الردود عبر الإنترنت وغير متصل.
    • تكامل API: يمكنك استخدام تكامل API لمنصة QuestionPro للمستجيبين المحتملين لإجراء الاستبيان الخاص بك.

    مقابلات فردية: تم إجراء طريقة جمع البيانات الكمية هذه تقليديًا أيضًا وجهاً لوجه ولكنها تحولت إلى المنصات الهاتفية وعبر الإنترنت. تتيح المقابلات للمسوق فرصة جمع بيانات مكثفة من المشاركين. المقابلات الكمية منظمة بشكل كبير وتلعب دورًا رئيسيًا في جمع المعلومات. هناك ثلاثة أقسام رئيسية من هذه المقابلات عبر الإنترنت:

    • المقابلات وجها لوجه: يمكن للمحاور إعداد قائمة بأسئلة المقابلة المهمة بالإضافة إلى أسئلة الاستبيان التي تم طرحها بالفعل. بهذه الطريقة ، يقدم الأشخاص الذين تمت مقابلتهم تفاصيل شاملة حول الموضوع قيد المناقشة. An interviewer can manage to bond with the interviewee on a personal level which will help him/her to collect more details about the topic due to which the responses also improve. Interviewers can also ask for an explanation from the interviewees about unclear answers.
    • Online/Telephonic Interviews: Telephone-based interviews are no more a novelty but these quantitative interviews have also moved to online mediums such as Skype or Zoom. Irrespective of the distance between the interviewer and the interviewee and their corresponding time zones, communication becomes one-click away with online interviews. In case of telephone interviews, the interview is merely a phone call away.
    • Computer Assisted Personal Interview: This is a one-on-one interview technique where the interviewer enters all the collected data directly into a laptop or any other similar device. The processing time is reduced and also the interviewers don’t have to carry physical questionnaires and merely enter the answers in the laptop.

    All of the above quantitative data collection methods can be achieved by using surveys, questionnaires and polls.

    Quantitative Data: Analysis Methods

    Data collection forms a major part of the research process. This data however has to be analyzed to make sense of. There are multiple methods of analyzing quantitative data collected in surveys . They are:

    • Cross-tabulation:Cross-tabulation is the most widely used quantitative data analysis methods. It is a preferred method since it uses a basic tabular form to draw inferences between different data-sets in the research study. It contains data that is mutually exclusive or have some connection with each other.
    • Trend analysis:Trend analysis is a statistical analysis method that provides the ability to look at quantitative data that has been collected over a long period of time. This data analysis method helps collect feedback about data changes over time and if aims to understand the change in variables considering one variable remains unchanged.
    • MaxDiff analysis: The MaxDiff analysis is a quantitative data analysis method that is used to gauge customer preferences for a purchase and what parameters rank higher than the others in this process. In a simplistic form, this method is also called the “best-worst” method. This method is very similar to conjoint analysis but is much easier to implement and can be interchangeably used.
    • Conjoint analysis: Like in the above method, conjoint analysis is a similar quantitative data analysis method that analyzes parameters behind a purchasing decision. This method possesses the ability to collect and analyze advanced metrics which provide an in-depth insight into purchasing decisions as well as the parameters that rank the most important.
    • TURF analysis:TURF analysis or Total Unduplicated Reach and Frequency Analysis, is a quantitative data analysis methodology that assesses the total market reach of a product or service or a mix of both. This method is used by organizations to understand the frequency and the avenues at which their messaging reaches customers and prospective customers which helps them tweak their go-to-market strategies.
    • Gap analysis:Gap analysis uses a side-by-side matrix to depict quantitative data that helps measure the difference between expected performance and actual performance. This data analysis helps measure gaps in performance and the things that are required to be done to bridge this gap.
    • SWOT analysis:SWOT analysis , is a quantitative data analysis methods that assigns numerical values to indicate strength, weaknesses, opportunities and threats of an organization or product or service which in turn provides a holistic picture about competition. This method helps to create effective business strategies.
    • Text analysis:Text analysis is an advanced statistical method where intelligent tools make sense of and quantify or fashion qualitative and open-ended data into easily understandable data. This method is used when the raw survey data is unstructured but has to be brought into a structure that makes sense.

    Learn More: MaxDiff Analysis vs Conjoint Analysis

    Steps to conduct Quantitative Data Analysis

    For Quantitative Data, raw information has to presented in a meaningful manner using data analysis methods. Quantitative data should be analyzed in order to find evidential data that would help in the research process.

    • Relate measurement scales with variables: Associate measurement scales such as Nominal, Ordinal, Interval and Ratio with the variables. This step is important to arrange the data in proper order. Data can be entered into an excel sheet to organize it in a specific format.
    • Connect descriptive statistics with data: Link descriptive statistics to encapsulate available data. It can be difficult to establish a pattern in the raw data. Some widely used descriptive statistics are:
        1. Mean- An average of values for a specific variable
        2. Median- A midpoint of the value scale for a variable
        3. Mode- For a variable, the most common value
        4. Frequency- Number of times a particular value is observed in the scale
        5. Minimum and Maximum Values- Lowest and highest values for a scale
        6. Percentages- Format to express scores and set of values for variables
    • Decide a measurement scale: It is important to decide the measurement scale to conclude descriptive statistics for the variable. For instance, a nominal variable score will never have a mean or median and so the descriptive statistics will correspondingly vary. Descriptive statistics suffice in situations where the results are not to be generalized to the population.
    • Select appropriate tables to represent data and analyze collected data: After deciding on a suitable measurement scale, researchers can use a tabular format to represent data. This data can be analyzed using various techniques such as Cross-tabulation or TURF .

    Learn More: Data analysis in research


    Label-Free Molecular Vibrational Imaging for Cancer Diagnosis

    Liang Gao , Stephen T.C. Wong , in Cancer Theranostics , 2014

    Data Analysis

    Quantitative analysis was performed to separate cancer from noncancer samples, supporting the potential of the system in determining surgical margins. To this end, a semiautomatic segmentation algorithm was developed to precisely delineate boundaries of cell nucleus ( Figure 11.3(a) ). The algorithm consists of one manual step and four automatic steps to obtain an accurate nuclear boundary, as shown in Figure 11.3(b) through (f) . Following nuclear segmentation, 5 cellular features were calculated, including nuclear size, maximum, minimum, and average neighbor distance of a cell in the Delaunay triangulation graph [27] and variation of nuclear orientation between adjacent cells as defined in Gao et al. [25] . Because of the diversity among different cells within each image, the measurement of each feature resulted in producing a unique distribution. To characterize these distributions, we then made use of the mean value and standard deviation of each distribution, leading to a total of 10 quantitative features (a 10-element vector) to represent each sample. A principal components analysis (PCA) [28] was further performed to reduce the data dimensionality and reach immediate visualization of the data distribution.

    Figure 11.3 . Overview of the nuclear segmentation process and the resulting Delaunay triangulation graph. (a) through (f) are five illustrative steps for nuclear segmentation. (g) Delaunay triangulation on the segmented image.


    شاهد الفيديو: التحليل الكمي الباب الثاني تالتة ثانوي (شهر نوفمبر 2021).