إعادة الترميز إلى متغيرات مختلفة يتيح لك مربع الحوار إعادة الترميز إلى متغيرات مختلفة Recode into Different Variables إعادة تعيين قيم المتغيرات الموجودة أو طي نطاقات القيم الموجودة إلى قيم جديدة لمتغير جديد. على سبيل المثال، يمكنك طي الرواتب إلى متغير جديد يحتوي على فئات نطاق المرتبات بدلا من المرتب نفسه. لإعادة ترميز قيم المتغير …
إعادة الترميز في نفس المتغيرات يتيح لك مربع الحوار “إعادة الترميز إلى نفس المتغيرات” Recode into Same Variables إعادة تعيين قيم المتغيرات الموجودة أو طي نطاقات القيم الموجودة إلى قيم جديدة. على سبيل المثال، يمكنك تصغير الرواتب إلى فئات نطاق الرواتب. يمكنك إعادة ترميز المتغيرات الرقمية numeric variables ومتغيرات السلسلة string variables. إذا حددت متغيرات …
تحويل القيم تقوم ميزة تحويل القيم Shift Values بإنشاء متغيرات جديدة تحتوي على قيم المتغيرات الموجودة من الحالات السابقة أو اللاحقة. الاسم Name. اسم المتغير الجديد. يجب أن يكون هذا اسمًا غير موجود بالفعل في مجموعة البيانات النشطة. احصل على قيمة من الحالة السابقة (التأخر) Get value from earlier case (lag). احصل على القيمة من …
عد تكرارات القيم داخل الحالات ينشئ مربع حوار عد تكرارات القيم داخل الحالات متغيرًا يحسب تكرارات نفس القيمة (القيم) في قائمة المتغيرات لكل حالة. على سبيل المثال، قد يحتوي الاستطلاع على قائمة من المجلات مع مربعات اختيار نعم / لا للإشارة إلى المجلات التي يقرأها كل مستجيب. يمكنك حساب عدد الردود بنعم لكل مستجيب لإنشاء …
حساب المتغيرات استخدم مربع الحوار “حساب” Compute الذي يستخدم في حساب المتغيرات، وذلك من أجل حساب قيم متغير بناءً على التحويلات الرقمية numeric transformations للمتغيرات الأخرى. خطوات حساب المتغيرات 1. من القوائم اختر: التحويل> حساب المتغير … Transform > Compute Variable… 2. اكتب اسم متغير هدف واحد. يمكن أن يكون متغيرًا موجودًا أو متغيرًا جديدًا لإضافته إلى …
استخدامات التجميع المرئي تم تصميم التجميع المرئي Visual Binning لمساعدتك في عملية إنشاء متغيرات جديدة بناءً على تجميع القيم المتجاورة للمتغيرات الموجودة في عدد محدود من الفئات المميزة. يمكنك استخدام التجميع المرئي Visual Binning من أجل: في الخطوة الأولى: 1. حدد المقياس الرقمي numeric scale و/ أو المتغيرات الترتيبية ordinal variables التي تريد إنشاء متغيرات …
الاختبارات اللامعلمية تقدم الاختبارات اللامعلمية Nonparametric Tests الحد الأدنى من الافتراضات حول التوزيع الأساسي للبيانات. يمكن تجميع الاختبارات المتوفرة في مربعات الحوار هذه في ثلاث فئات عريضة بناءً على كيفية تنظيم البيانات: استخدام الاختبارات اللامعلمية لدراسة بيانات بطاقة الائتمان تتبع دراسة افتراضية لاستخدام بطاقة الائتمان الإنفاق الشهري لكل موضوع على بطاقته الأساسية لمدة عامين، مع …
التحليل العنقودي باستخدام الخوارزمية التصنيفية التحليل العنقودي باستخدام الخوارزمية التصنيفية K-Means Cluster Analysis، هي أداة مصممة لتعيين الحالات إلى عدد ثابت K من المجموعات (المجموعات) التي لم تُعرف خصائصها بعد ولكنها تستند إلى مجموعة من المتغيرات المحددة. يكون مفيدًا للغاية عندما تريد تصنيف عدد كبير (آلاف) من الحالات. التحليل العنقودي الجيد هو تحليل يتميز بكل …
التحليل العنقودي باستخدام الخوارزمية التصنيفية قراءة المزيد »
استخدام التجزئة الهرمية لدراسة العلاقات بين خدمات الاتصالات يريد مزود الاتصالات أن يفهم بشكل أفضل أنماط استخدام الخدمة في قاعدة عملائه. إذا كان من الممكن تجميع الخدمات حسب الاستخدام، يمكن للشركة تقديم حزم أكثر جاذبية لعملائها، وذلك باستخدام التجزئة الهرمية. المتغيرات التي تشير إلى استخدام الخدمات وعدم استخدامها مضمنة في ملف telco.sav. راجع موضوع “ملفات …
التحليل العنقودي الهرمي التحليل العنقودي الهرمي أو بالإنجليزية Hierarchical Cluster Analysis أو بالرموز (HCA) هو أداة استكشافية مصممة للكشف عن التجمعات الطبيعية (أو المجموعات) clusters داخل مجموعة البيانات التي لولا ذلك لن تكون واضحة. يكون مفيدًا للغاية عندما تريد تجميع عدد صغير (أقل من بضع مئات) من الكائنات. يمكن أن تكون الكائنات في التحليل العنقودي …