آمار توصیفی چیست؟

قبل از اجرای آزمون‌های پیشرفته آماری، باید داده‌ها را بشناسیم.

یعنی بدانیم:

• چند مشاهده داریم؟
• میانگین متغیرها چقدر است؟
• داده‌ها تا چه اندازه پراکنده هستند؟
• کدام پاسخ بیشتر تکرار شده است؟
• حداقل و حداکثر مقادیر چیست؟
• توزیع داده‌ها چه شکلی دارد؟

این مرحله را آمار توصیفی می‌نامیم.

آمار توصیفی یکی از پایه‌ای‌ترین بخش‌های تحلیل داده است و تقریباً در تمام پایان نامه‌ها، مقاله‌های علمی و گزارش‌های پژوهشی استفاده می‌شود.

اما آمار توصیفی چیست؟

آمار توصیفی مجموعه‌ای از روش‌ها برای خلاصه‌سازی، سازمان‌دهی و نمایش داده‌ها است.

در آمار توصیفی هدف اصلی این نیست که درباره کل جامعه نتیجه‌گیری کنیم، بلکه داده‌های موجود را به شکلی قابل فهم توصیف می‌کنیم.

اگر هنوز با مفاهیم پایه آمار آشنا نیستید، ابتدا مقاله «آمار چیست؟ مفاهیم کلیدی و کاربردهای آن» را مطالعه کنید.

آمار توصیفی چیست؟

آمار توصیفی یا Descriptive Statistics بخشی از علم آمار است که برای خلاصه کردن ویژگی‌های اصلی یک مجموعه داده استفاده می‌شود.

فرض کنید از ۳۰۰ مشتری درباره میزان رضایت آن‌ها پرسشنامه جمع‌آوری شده است.

به جای اینکه پاسخ هر ۳۰۰ نفر را جداگانه بررسی کنیم، می‌توانیم از شاخص‌هایی مانند:

• میانگین
• میانه
• نما
• انحراف معیار
• حداقل
• حداکثر
• فراوانی
• درصد

استفاده کنیم.

در نتیجه یک مجموعه بزرگ از داده‌ها به چند شاخص قابل فهم تبدیل می‌شود.

هدف آمار توصیفی چیست؟

مهم‌ترین هدف آمار توصیفی، ساده کردن داده‌ها است.

داده خام معمولاً به تنهایی اطلاعات زیادی به پژوهشگر نمی‌دهد.

برای مثال تصور کنید نمرات ۵۰۰ دانشجو در یک فایل ثبت شده باشد.

مشاهده مستقیم این ۵۰۰ عدد چندان مفید نیست.

اما اگر بدانیم:

میانگین = 15.8

میانه = 16

انحراف معیار = 2.1

حداقل = 8

حداکثر = 20

تصویر بسیار واضح‌تری از داده‌ها خواهیم داشت.

تفاوت آمار توصیفی و آمار استنباطی چیست؟

آمار توصیفی و آمار استنباطی دو بخش اصلی علم آمار هستند.

آمار توصیفی فقط داده‌های موجود را خلاصه می‌کند.

اما آمار استنباطی تلاش می‌کند بر اساس داده‌های نمونه درباره جامعه نتیجه‌گیری کند.

برای مثال:

در آمار توصیفی می‌گوییم:

«میانگین رضایت ۲۰۰ مشتری بررسی‌شده برابر ۳.۸ بود.»

در آمار استنباطی ممکن است بررسی کنیم:

«آیا میانگین رضایت مشتریان در کل جامعه بیشتر از ۳.۵ است؟»

برای این نوع نتیجه‌گیری از روش‌هایی مانند «آزمون فرض آماری» استفاده می‌شود.

مهم‌ترین شاخص‌های آمار توصیفی

آمار توصیفی شامل چند گروه اصلی از شاخص‌ها است:

• شاخص‌های گرایش مرکزی
• شاخص‌های پراکندگی
• شاخص‌های موقعیت
• فراوانی و درصد
• شاخص‌های شکل توزیع
• جدول‌ها و نمودارها

هر کدام بخش متفاوتی از داده‌ها را توضیح می‌دهند.

شاخص‌های گرایش مرکزی

شاخص‌های گرایش مرکزی نشان می‌دهند داده‌ها حول چه مقداری متمرکز شده‌اند.

مهم‌ترین آن‌ها عبارت‌اند از:

• Mean
• Median
• Mode

یا:

• میانگین
• میانه
• نما

این سه شاخص کاربردهای متفاوتی دارند.

برای مثال میانگین در داده‌های کمی بسیار پرکاربرد است، اما در داده‌های دارای مقادیر پرت ممکن است میانه مناسب‌تر باشد.

برای توضیح کامل این موضوع می‌توانید مقاله «میانگین، میانه و نما چیست؟» را مطالعه کنید.

میانگین در آمار توصیفی

میانگین از تقسیم مجموع مقادیر بر تعداد مشاهدات به دست می‌آید.

برای مثال:

10، 12، 14، 16، 18

میانگین برابر است با:

14

میانگین یکی از پرکاربردترین شاخص‌ها در پایان نامه‌ها است و معمولاً همراه با انحراف معیار گزارش می‌شود.

میانه در آمار توصیفی

میانه مقدار وسط داده‌های مرتب‌شده است.

برای مثال:

3، 5، 7، 9، 11

میانه برابر:

7

است.

میانه به‌خصوص برای داده‌های چوله و دارای مقادیر پرت مفید است.

نما در آمار توصیفی

نما پرتکرارترین مقدار یک متغیر است.

برای مثال:

2، 3، 3، 3، 4، 5

نما برابر:

3

است.

نما برای داده‌های اسمی نیز قابل استفاده است.

برای مثال اگر رایج‌ترین نوع محصول خریداری‌شده موبایل باشد، نما برابر با موبایل است.

شاخص‌های پراکندگی در آمار توصیفی

شاخص‌های مرکزی به تنهایی کافی نیستند.

ممکن است دو گروه میانگین یکسانی داشته باشند اما میزان پراکندگی داده‌های آن‌ها متفاوت باشد.

برای اندازه‌گیری پراکندگی از شاخص‌هایی مانند:

• انحراف معیار
• واریانس
• دامنه تغییرات
• فاصله بین چارکی

استفاده می‌شود.

انحراف معیار در آمار توصیفی

انحراف معیار یا Standard Deviation نشان می‌دهد داده‌ها تا چه اندازه حول میانگین پراکنده هستند.

اگر انحراف معیار کوچک باشد، داده‌ها معمولاً به میانگین نزدیک‌تر هستند.

اگر انحراف معیار بزرگ باشد، پراکندگی بیشتر است.

برای مثال:

گروه اول:

Mean = 50
SD = 2

گروه دوم:

Mean = 50
SD = 15

هر دو میانگین یکسان دارند، اما گروه دوم پراکندگی بسیار بیشتری دارد.

برای توضیحات کامل مقاله «واریانس و انحراف معیار چیست؟» را مطالعه کنید.

دامنه تغییرات چیست؟

دامنه تغییرات یا Range از اختلاف بین بزرگ‌ترین و کوچک‌ترین مقدار محاسبه می‌شود.

برای مثال اگر:

حداقل = 10

حداکثر = 40

باشد:

Range = 30

دامنه تغییرات شاخص ساده‌ای است، اما چون فقط به دو مقدار حداقل و حداکثر وابسته است، نسبت به داده‌های پرت حساس است.

حداقل و حداکثر در تحلیل توصیفی

Minimum و Maximum نیز از شاخص‌های ساده اما مهم آمار توصیفی هستند.

این دو مقدار می‌توانند در شناسایی مشکلات داده کمک کنند.

برای مثال اگر متغیری باید بین ۱ تا ۵ باشد اما در خروجی مقدار:

Maximum = 55

دیده شود، احتمالاً خطای ورود داده وجود دارد.

به همین دلیل تحلیل توصیفی یکی از مراحل مهم کنترل اولیه کیفیت داده است.

فراوانی چیست؟

فراوانی یا Frequency نشان می‌دهد هر مقدار یا گروه چند بار در داده‌ها تکرار شده است.

برای مثال در نمونه ۲۰۰ نفری:

زن = 120 نفر

مرد = 80 نفر

فراوانی زنان:

120

فراوانی مردان:

80

خواهد بود.

فراوانی بیشتر برای متغیرهای طبقه‌ای کاربرد دارد.

درصد در آمار توصیفی

در بسیاری از گزارش‌ها فراوانی همراه با درصد گزارش می‌شود.

در مثال قبل:

زنان:

120 / 200 × 100 = 60%

مردان:

40%

گزارش درصد باعث می‌شود مقایسه گروه‌ها ساده‌تر شود.

برای متغیرهایی مانند:

• جنسیت
• تحصیلات
• وضعیت تأهل
• شغل

معمولاً فراوانی و درصد از مناسب‌ترین شاخص‌های توصیفی هستند.

جدول فراوانی چیست؟

جدول فراوانی اطلاعات مربوط به تعداد و درصد پاسخ‌ها را به صورت خلاصه نمایش می‌دهد.

مثال:

سطح تحصیلات	فراوانی	درصد
کارشناسی	90	45
کارشناسی ارشد	80	40
دکتری	30	15

این جدول نشان می‌دهد بیشتر افراد نمونه دارای مدرک کارشناسی هستند.

درصد معتبر در SPSS چیست؟

در خروجی Frequencies نرم‌افزار SPSS ممکن است دو ستون دیده شود:

Percent

و:

Valid Percent

اگر داده گمشده وجود نداشته باشد، این دو معمولاً یکسان هستند.

اما اگر برخی افراد به سوال پاسخ نداده باشند، Valid Percent فقط بر اساس پاسخ‌های معتبر محاسبه می‌شود.

این تفاوت در تحلیل پرسشنامه اهمیت دارد و باید هنگام گزارش نتایج به آن توجه شود.

آمار توصیفی برای متغیرهای کمی و کیفی

نوع متغیر تعیین می‌کند چه شاخصی مناسب است.

برای متغیرهای کیفی مانند:

• جنسیت
• شغل
• نوع محصول

معمولاً از:

فراوانی و درصد

استفاده می‌شود.

برای متغیرهای کمی مانند:

• سن
• درآمد
• نمره
• فروش

می‌توان از:

• میانگین
• انحراف معیار
• حداقل
• حداکثر

استفاده کرد.

بنابراین نباید همه متغیرها را به یک شکل توصیف کرد.

چولگی چیست؟

چولگی یا Skewness نشان می‌دهد توزیع داده‌ها تا چه اندازه متقارن یا نامتقارن است.

اگر توزیع تقریباً متقارن باشد، مقدار چولگی به صفر نزدیک است.

اگر دنباله توزیع به سمت راست کشیده شده باشد، چولگی مثبت است.

اگر دنباله توزیع به سمت چپ کشیده شده باشد، چولگی منفی است.

برای مثال در داده‌های درآمد معمولاً چند مقدار بسیار بزرگ وجود دارد و این موضوع می‌تواند باعث چولگی مثبت شود.

بررسی چولگی می‌تواند به پژوهشگر کمک کند شکل توزیع را بهتر بشناسد، اما نباید به تنهایی برای تصمیم‌گیری درباره نرمال بودن داده‌ها استفاده شود.

برای بررسی کامل‌تر توزیع می‌توانید مقاله «آزمون نرمال بودن داده‌ها چیست؟» را مطالعه کنید.

کشیدگی چیست؟

کشیدگی یا Kurtosis یکی دیگر از شاخص‌های شکل توزیع است.

این شاخص درباره میزان تمرکز داده‌ها در مرکز و رفتار دنباله‌های توزیع اطلاعات ارائه می‌دهد.

در خروجی SPSS معمولاً مقدار Kurtosis برای متغیرهای کمی قابل مشاهده است.

مقادیر بسیار بزرگ یا بسیار کوچک می‌توانند نشانه‌ای باشند که توزیع از شکل معمول فاصله دارد.

با این حال، تفسیر کشیدگی بهتر است همراه با نمودارها و سایر شاخص‌های توزیع انجام شود.

آیا چولگی و کشیدگی برای نرمال بودن کافی هستند؟

خیر.

چولگی و کشیدگی اطلاعات مفیدی ارائه می‌دهند، اما بهتر است همراه با سایر روش‌ها بررسی شوند.

برای مثال:

• Histogram
• Q-Q Plot
• Box Plot
• بررسی داده‌های پرت
• آزمون‌های نرمالیتی

می‌توانند تصویر کامل‌تری از داده‌ها ارائه دهند.

در نمونه‌های بزرگ نیز آزمون‌های نرمالیتی ممکن است نسبت به انحراف‌های بسیار کوچک حساس باشند، بنابراین تفسیر باید فقط به p-value محدود نشود.

نمودارها در آمار توصیفی

نمودارها یکی از مهم‌ترین ابزارهای آمار توصیفی هستند.

گاهی یک نمودار ساده می‌تواند اطلاعاتی را نشان دهد که در یک جدول بزرگ به راحتی دیده نمی‌شود.

مهم‌ترین نمودارهای توصیفی عبارت‌اند از:

• Histogram
• Bar Chart
• Pie Chart
• Box Plot
• Scatter Plot

نوع نمودار باید با نوع متغیر و هدف تحلیل هماهنگ باشد.

نمودار میله‌ای یا Bar Chart

Bar Chart بیشتر برای نمایش فراوانی یا درصد متغیرهای طبقه‌ای استفاده می‌شود.

برای مثال می‌توان تعداد افراد در مقاطع تحصیلی مختلف را نمایش داد:

• کارشناسی
• کارشناسی ارشد
• دکتری

ارتفاع هر ستون نشان‌دهنده فراوانی یا درصد همان گروه است.

این نمودار برای مقایسه گروه‌های مجزا بسیار مناسب است.

نمودار دایره‌ای یا Pie Chart

Pie Chart سهم هر گروه از کل را نشان می‌دهد.

برای مثال اگر نمونه شامل:

• ۶۰ درصد زن
• ۴۰ درصد مرد

باشد، می‌توان این نسبت را با نمودار دایره‌ای نمایش داد.

البته اگر تعداد گروه‌ها زیاد باشد، Bar Chart معمولاً خوانایی بیشتری دارد.

هیستوگرام چیست؟

Histogram برای بررسی توزیع متغیرهای کمی کاربرد دارد.

برخلاف نمودار میله‌ای، ستون‌های هیستوگرام معمولاً به یکدیگر متصل هستند و بازه‌های یک متغیر پیوسته را نشان می‌دهند.

هیستوگرام می‌تواند به پژوهشگر کمک کند موارد زیر را بررسی کند:

• شکل کلی توزیع
• تقارن
• چولگی
• وجود چند قله
• داده‌های غیرعادی

برای مثال توزیع سن، نمره یا درآمد را می‌توان با هیستوگرام بررسی کرد.

Box Plot چیست؟

Box Plot یا نمودار جعبه‌ای برای مشاهده موقعیت مرکزی، پراکندگی و داده‌های پرت مفید است.

در این نمودار معمولاً:

• میانه
• چارک اول
• چارک سوم
• دامنه بین چارکی
• مقادیر پرت

قابل مشاهده هستند.

اگر پژوهشگر بخواهد داده‌های پرت را قبل از اجرای تحلیل‌های آماری بررسی کند، Box Plot یکی از ابزارهای مفید است.

Scatter Plot چیست؟

نمودار پراکنش یا Scatter Plot برای بررسی رابطه بین دو متغیر کمی استفاده می‌شود.

برای مثال:

• سن و درآمد
• کیفیت خدمات و رضایت مشتری
• سابقه کاری و عملکرد

اگر نقاط یک الگوی تقریباً خطی داشته باشند، می‌توان وجود رابطه خطی را بررسی کرد.

Scatter Plot در تحلیل‌هایی مانند «همبستگی پیرسون» و «رگرسیون» اهمیت زیادی دارد.

آموزش آمار توصیفی در SPSS با Frequencies

یکی از ساده‌ترین ابزارها برای تحلیل توصیفی در SPSS، Frequencies است.

مسیر:

Analyze

↓

Descriptive Statistics

↓

Frequencies

در این بخش می‌توانید متغیرهای مورد نظر را انتخاب کنید.

Frequencies به‌خصوص برای متغیرهای طبقه‌ای و بررسی فراوانی پاسخ‌ها مناسب است.

گزینه Statistics در Frequencies

در بخش Statistics می‌توان شاخص‌هایی مانند موارد زیر را انتخاب کرد:

• Mean
• Median
• Mode
• Standard Deviation
• Variance
• Range
• Minimum
• Maximum
• Skewness
• Kurtosis

به این ترتیب علاوه بر جدول فراوانی، شاخص‌های توصیفی نیز محاسبه می‌شوند.

اگر فقط به شاخص‌های مرکزی نیاز دارید، مقاله «میانگین، میانه و نما چیست؟» توضیحات کامل‌تری ارائه می‌دهد.

استفاده از Descriptives در SPSS

مسیر دیگر:

Analyze

↓

Descriptive Statistics

↓

Descriptives

است.

این بخش بیشتر برای متغیرهای کمی کاربرد دارد.

در خروجی معمولاً می‌توان مواردی مانند:

• N
• Minimum
• Maximum
• Mean
• Standard Deviation

را مشاهده کرد.

در بخش Options نیز شاخص‌های بیشتری قابل انتخاب هستند.

استفاده از Explore در SPSS

یکی از ابزارهای کامل‌تر برای بررسی توصیفی داده‌ها:

Analyze

↓

Descriptive Statistics

↓

Explore

است.

Explore علاوه بر شاخص‌های عددی، امکاناتی برای بررسی نمودارها و توزیع داده‌ها دارد.

برای مثال می‌توان:

• Box Plot
• Histogram
• Normality Plots

را دریافت کرد.

این گزینه زمانی مفید است که بخواهید قبل از اجرای آزمون‌های استنباطی، ساختار داده‌ها را دقیق‌تر بررسی کنید.

مثال کامل آمار توصیفی در SPSS

فرض کنید یک پژوهش درباره رضایت مشتریان انجام شده است.

تعداد پاسخ‌دهندگان:

250 نفر

خروجی SPSS برای متغیر رضایت:

N = 250

Minimum = 1.80

Maximum = 5.00

Mean = 3.92

Median = 4.00

Standard Deviation = 0.61

این نتایج نشان می‌دهند میانگین رضایت مشتریان حدود ۳.۹۲ است.

میانه ۴ نیز نشان می‌دهد مقدار مرکزی داده‌ها در محدوده بالایی مقیاس قرار دارد.

انحراف معیار ۰.۶۱ نشان می‌دهد پراکندگی پاسخ‌ها نسبت به میانگین خیلی زیاد نیست.

با این حال برای نتیجه‌گیری درباره خوب یا بد بودن این مقدار باید مقیاس پرسشنامه و مبنای نظری پژوهش در نظر گرفته شود.

نمونه جدول آمار توصیفی برای پایان نامه

یکی از جدول‌های رایج در پایان نامه به شکل زیر است:

متغیر	تعداد	حداقل	حداکثر	میانگین	انحراف معیار
کیفیت خدمات	250	1.60	5.00	3.84	0.66
رضایت مشتری	250	1.80	5.00	3.92	0.61
اعتماد	250	1.50	5.00	3.71	0.73
وفاداری	250	1.40	5.00	3.79	0.69

بعد از جدول، باید نتایج به صورت خلاصه در متن تفسیر شوند.

صرف قرار دادن جدول SPSS بدون توضیح، گزارش مناسبی برای پایان نامه محسوب نمی‌شود.

آمار توصیفی ویژگی‌های جمعیت‌شناختی

در پایان نامه‌ها معمولاً ابتدا مشخصات پاسخ‌دهندگان گزارش می‌شوند.

برای متغیرهایی مانند:

• جنسیت
• تحصیلات
• وضعیت تأهل
• شغل

بهتر است از فراوانی و درصد استفاده شود.

برای مثال:

جنسیت	فراوانی	درصد
زن	145	58
مرد	105	42

تفسیر:

۵۸ درصد پاسخ‌دهندگان زن و ۴۲ درصد مرد بوده‌اند.

این بخش به خواننده کمک می‌کند ساختار نمونه تحقیق را بهتر بشناسد.

آمار توصیفی متغیرهای اصلی پژوهش

پس از ویژگی‌های جمعیت‌شناختی، معمولاً متغیرهای اصلی تحقیق توصیف می‌شوند.

برای هر متغیر می‌توان شاخص‌هایی مانند:

• میانگین
• انحراف معیار
• حداقل
• حداکثر

را گزارش کرد.

اگر داده‌ها به شدت چوله باشند، ممکن است گزارش میانه و IQR نیز مناسب‌تر باشد.

انتخاب شاخص مناسب باید بر اساس نوع داده انجام شود.

ارتباط آمار توصیفی با آمار استنباطی

آمار توصیفی معمولاً مرحله قبل از تحلیل استنباطی است.

برای مثال قبل از اجرای رگرسیون بهتر است ابتدا:

• داده‌های گمشده
• دامنه متغیرها
• میانگین
• انحراف معیار
• داده‌های پرت
• شکل توزیع

بررسی شوند.

بعد از شناخت داده‌ها می‌توان وارد تحلیل‌هایی مانند:

• آزمون t
• ANOVA
• همبستگی
• رگرسیون
• تحلیل عاملی

شد.

بنابراین آمار توصیفی فقط برای پر کردن چند جدول اولیه پایان نامه نیست، بلکه بخشی از کنترل کیفیت تحلیل داده محسوب می‌شود.

تفاوت آمار توصیفی و آزمون فرض

آمار توصیفی فقط درباره داده‌های موجود صحبت می‌کند.

برای مثال:

«میانگین نمره گروه اول ۱۶ و گروه دوم ۱۴ بود.»

اما فقط بر اساس این دو میانگین نمی‌توان گفت تفاوت از نظر آماری معنادار است.

برای بررسی معناداری باید از آزمون مناسب استفاده شود.

برای مثال اگر دو گروه مستقل باشند، ممکن است «آزمون t مستقل» استفاده شود.

بنابراین تفاوت ظاهری در آمار توصیفی لزوماً به معنی تفاوت معنادار آماری نیست.

آیا آمار توصیفی به تنهایی برای پایان نامه کافی است؟

در بسیاری از پژوهش‌های کمی خیر.

آمار توصیفی داده‌ها را خلاصه می‌کند، اما اگر تحقیق دارای فرضیه یا سوال استنباطی باشد، باید آزمون‌های مناسب نیز اجرا شوند.

برای مثال اگر فرضیه این باشد که:

«کیفیت خدمات بر وفاداری مشتری تاثیر دارد.»

فقط گزارش میانگین کیفیت خدمات و وفاداری برای آزمون این فرضیه کافی نیست.

ممکن است به همبستگی، رگرسیون یا مدل دیگری نیاز باشد.

انتخاب روش تحلیل باید بر اساس مدل پژوهش و نوع متغیرها انجام شود.

اشتباهات رایج در آمار توصیفی

یکی از اشتباهات رایج، گزارش میانگین برای متغیرهای اسمی است.

اگر:

1 = زن

2 = مرد

باشد، میانگین عدد ۱.۴۲ تفسیر مفیدی درباره جنسیت ایجاد نمی‌کند.

در چنین متغیرهایی فراوانی و درصد مناسب‌تر هستند.

اشتباه دیگر گزارش میانگین بدون انحراف معیار برای داده‌های کمی است.

همچنین نباید از نزدیک بودن میانگین و میانه به تنهایی نتیجه گرفت که داده‌ها نرمال هستند.

اشتباه در تفسیر میانگین پرسشنامه

در برخی پایان نامه‌ها میانگین متغیر روی طیف لیکرت با عدد ۳ مقایسه می‌شود و بدون آزمون آماری نتیجه گرفته می‌شود که وضعیت متغیر «مطلوب» است.

این نوع نتیجه‌گیری همیشه صحیح نیست.

اگر قرار است بررسی شود میانگین جامعه با یک مقدار مشخص تفاوت دارد، ممکن است نیاز به آزمون آماری مناسب وجود داشته باشد.

همچنین مفهوم مطلوب یا نامطلوب باید از نظر نظری تعریف شده باشد، نه اینکه فقط بر اساس بزرگ‌تر بودن عدد از ۳ تعیین شود.

نقش آمار توصیفی در شناسایی خطای ورود داده

یکی از کاربردهای مهم آمار توصیفی، پیدا کردن خطاهای اولیه داده است.

فرض کنید یک سوال پرسشنامه بین ۱ تا ۵ کدگذاری شده باشد.

اگر خروجی نشان دهد:

Maximum = 51

مشخص است که احتمالاً خطای ورود داده وجود دارد.

بررسی Minimum، Maximum و فراوانی‌ها قبل از اجرای تحلیل اصلی می‌تواند بسیاری از این خطاها را شناسایی کند.

نتیجه‌گیری

آمار توصیفی چیست؟ آمار توصیفی مجموعه روش‌هایی برای خلاصه‌سازی، سازمان‌دهی و نمایش داده‌ها است.

مهم‌ترین شاخص‌های آن عبارت‌اند از:

• میانگین
• میانه
• نما
• انحراف معیار
• واریانس
• حداقل و حداکثر
• فراوانی
• درصد
• چولگی
• کشیدگی

همچنین نمودارهایی مانند Histogram، Bar Chart و Box Plot می‌توانند برای شناخت بهتر داده‌ها استفاده شوند.

در SPSS ابزارهای:

• Frequencies
• Descriptives
• Explore

از مهم‌ترین بخش‌ها برای تحلیل توصیفی هستند.

آمار توصیفی باید قبل از بسیاری از تحلیل‌های پیشرفته بررسی شود، زیرا به پژوهشگر کمک می‌کند کیفیت داده‌ها و ساختار اولیه آن‌ها را بشناسد.

برای تکمیل این بخش بهتر است مفاهیم «میانگین، میانه و نما» و «واریانس و انحراف معیار» نیز در کنار این مقاله مطالعه شوند.

سوالات متداول درباره آمار توصیفی

آمار توصیفی چیست؟

آمار توصیفی مجموعه‌ای از روش‌ها برای خلاصه کردن، توصیف و نمایش ویژگی‌های داده‌های موجود است.

مهم‌ترین شاخص‌های آمار توصیفی کدام‌اند؟

میانگین، میانه، نما، انحراف معیار، واریانس، فراوانی، درصد، حداقل و حداکثر از مهم‌ترین شاخص‌ها هستند.

تفاوت آمار توصیفی و استنباطی چیست؟

آمار توصیفی داده‌های موجود را خلاصه می‌کند، اما آمار استنباطی از نمونه برای نتیجه‌گیری درباره جامعه استفاده می‌کند.

آمار توصیفی در SPSS از کجا انجام می‌شود؟

از بخش Analyze > Descriptive Statistics می‌توان به ابزارهایی مانند Frequencies، Descriptives و Explore دسترسی داشت.

برای متغیر جنسیت میانگین گزارش کنیم؟

معمولاً خیر. برای متغیرهای اسمی مانند جنسیت، فراوانی و درصد مناسب‌تر هستند.

برای متغیرهای کمی چه شاخص‌هایی گزارش می‌شوند؟

معمولاً میانگین، انحراف معیار، حداقل و حداکثر گزارش می‌شوند. در داده‌های چوله می‌توان از میانه و IQR نیز استفاده کرد.

آیا آمار توصیفی معناداری تفاوت را نشان می‌دهد؟

خیر. برای بررسی معناداری آماری باید آزمون استنباطی مناسب اجرا شود.

چرا آمار توصیفی قبل از آزمون‌های اصلی مهم است؟

زیرا می‌تواند خطاهای ورود داده، داده‌های پرت، دامنه متغیرها و ویژگی‌های اولیه توزیع را مشخص کند.