استخدام جداول التقاطعات لدراسة العلاقات الاسمية

آخر تحديث: مايو 25, 2021
أنت تتصفح:
الوقت المُقدر للقراءة: 4 دقيقة

استخدام جداول التقاطعات لدراسة العلاقات الاسمية

من أمثلة استخدام جداول التقاطعات Crosstabs لدراسة العلاقات الأسمية هو استخدامها من أجل تحديد معدلات رضا العملاء. أجرت شركة بيع بالتجزئة استطلاعات رأي لـ 582 عميلاً في 4 مواقع متاجر. من نتائج الاستطلاع، وجدت أن جودة خدمة العملاء كانت أهم عامل لرضا العميل بشكل عام. بالنظر إلى هذه المعلومات، فأنت تريد اختبار ما إذا كان كل موقع من مواقع المتاجر يوفر مستوى مشابهًا وكافيًا لخدمة العملاء.

يتم تخزين نتائج الاستطلاع في ملف satisf.sav. راجع موضوع “ملفات الأمثلة” لمزيد من المعلومات. استخدم إجراء جداول التقاطعات Crosstabs لاختبار الفرضية القائلة بأن مستويات الرضا عن الخدمة ثابتة عبر المتاجر المختلفة.

إجراء التحليل

لإجراء تحليل جداول التقاطعات أو Crosstabs:

1. اختر من القوائم: تحليل> الإحصاء الوصفي> الجداول المشتركة …

Analyze Descriptive Statistics Crosstabs…

مربع حوار جداول التقاطعات Crosstabs مع تحديد متغيرات الصف والعمود - استخدام جداول التقاطعات لدراسة العلاقات الاسمية
مربع حوار جداول التقاطعات Crosstabs مع تحديد متغيرات الصف والعمود

2. حدد المتجر Store كمتغير الصف row.

3. حدد رضا الخدمة Service satisfaction كمتغير العمود column.

4. انقر فوق إحصائيات Statistics.

مربع حوار الإحصائيات Statistics لتحليل جداول التقاطعات
مربع حوار الإحصائيات Statistics لتحليل جداول التقاطعات Crosstabs

5. حدد Chi-square، ومعامل الطوارئ، و Phi و Cramer’s V، و Lambda، ومعامل عدم اليقين.

6. انقر فوق متابعة Continue.

7. انقر فوق “موافق” OK في مربع حوار جداول التقاطعات Crosstabs.

جدول التقاطع

جدول التقاطع Crosstabs بين بيانات المتجر ورضا الخدمة
جدول التقاطع Crosstabs بين بيانات المتجر ورضا الخدمة

يُظهر التقاطع تواتر كل استجابة في كل موقع متجر. إذا كان كل موقع متجر يوفر مستوى مشابهًا من الخدمة، فيجب أن يكون نمط الردود متشابهًا عبر المتاجر.

  • في كل متجر، تحدث غالبية الاستجابات في المنتصف.
  • يبدو أن المتجر 2 يحتوي على عدد أقل من العملاء الراضين.
  • يبدو أن المتجر 3 يحتوي على عدد أقل من العملاء غير الراضين.

من خلال جدول التقاطع وحده، من المستحيل معرفة ما إذا كانت هذه الاختلافات حقيقية أم بسبب اختلاف الصدفة. تحقق من اختبار مربع كاي أو كاي تربيع chi-square test للتأكد.

اختبارات مربع كاي

اختبارات كاي تربيع Chi-Square بحسب المتجر والرضا عن الخدمة
اختبارات كاي تربيع Chi-Square بحسب المتجر والرضا عن الخدمة

يقيس اختبار مربع كاي أو كاي تربيع Chi-Square التناقض بين عدد الخلايا المرصودة وما تتوقعه إذا كانت الصفوف والأعمدة غير مرتبطة. تظهر الدلالة المقاربة ثنائية الجوانب للإحصائي مربع كاي أكبر من 0.10، لذلك من الآمن أن نقول إن الاختلافات ترجع إلى اختلاف الصدفة، مما يعني أن كل متجر يقدم نفس المستوى من خدمة العملاء.

ومع ذلك، لم يكن جميع العملاء الذين شملهم الاستطلاع على اتصال فعليًا بممثل الخدمة. لن تعكس التقييمات من هؤلاء العملاء الجودة الفعلية للخدمة في المتجر، لذلك يمكنك أيضًا إجراء التصنيف التبادلي cross-classify من خلال ما إذا كانوا قد اتصلوا بممثل الخدمة أم لا.

إضافة الاتصال بالموظف كمتغير طبقة

  1. استدع مربع الحوار جداول التقاطعات Crosstabs.
  2. حدد الاتصال بالموظف Contact with employee كمتغير طبقة layer variable.
  3. انقر فوق “موافق” OK في مربع حوار جداول التقاطعات Crosstabs.

جدول التقاطعات Crosstabulation Table

جدول تقاطعات المتاجر بحسب الرضا عن الخدمة مع التحكم في جهة الاتصال - استخدام جداول التقاطعات لدراسة العلاقات الاسمية
جدول تقاطعات المتاجر بحسب الرضا عن الخدمة مع التحكم في جهة الاتصال

يقسم جدول التقاطع الآن جدول التقاطع السابق إلى قسمين. الآن بعد أن تم فرز العملاء الذين ليس لديهم اتصال، يبدو أن هناك ارتباطًا كبيرًا بين المتجر 2 وانخفاض مستوى الرضا عن الخدمة. تحقق من اختبار مربع كاي للتأكد.

اختبارات مربع كاي

اختبارات Chi-Square للمتاجر بحسب الرضا عن الخدمة مع التحكم في جهة الاتصال
اختبارات Chi-Square للمتاجر بحسب الرضا عن الخدمة مع التحكم في جهة الاتصال

يتم إجراء اختبار مربع كاي chi-square بشكل منفصل للعملاء الذين اتصلوا ولم يكن لديهم اتصال بممثل المتجر.

قيمة أهمية الاختبار للعملاء الذين لم يكن لديهم اتصال هي 0.052. هذا دليل موحٍ، ولكنه ليس قاطعًا، على وجود علاقة بين المتجر والرضا عن الخدمة لهؤلاء العملاء. على الرغم من عدم ارتباطه مباشرة بجودة الخدمة المقدمة من موظفيك، يمكنك التفكير في تحليل منفصل لهؤلاء العملاء لتحديد ما إذا كان هناك عامل آخر يفسر هذه العلاقة.

قيمة أهمية الاختبار للعملاء الذين كانوا على اتصال مع موظف هي 0.012. نظرًا لأن هذه القيمة أقل من 0.05، يمكنك استنتاج أن العلاقة التي لوحظت في جدول التقاطع حقيقية وليست ناتجة عن الصدفة.

في حين أن اختبار مربع كاي مفيد في تحديد ما إذا كانت هناك علاقة، إلا أنه لا يخبرك بقوة هذه العلاقة. تحاول المقاييس المتماثلة Symmetric Measures تحديد ذلك.

المقاييس المتماثلة

المقاييس المتماثلة Symmetric Measures للمتاجر حسب الرضا عن الخدمة، مع التحكم في جهة الاتصال
المقاييس المتماثلة Symmetric Measures للمتاجر حسب الرضا عن الخدمة، مع التحكم في جهة الاتصال

يتم التقرير عن المقاييس المتماثلة Symmetric Measures بشكل منفصل للعملاء الذين اتصلوا وكذلك الذين لم يكن لديهم اتصال بممثل المتجر. تستند هذه القياسات إلى إحصاء مربع كاي.

  • Phi هي نسبة إحصاء مربع كاي إلى العدد الإجمالي المرجح للملاحظات. إنه أكثر المقاييس “تفاؤلاً” من بين المقاييس المتماثلة، وعلى عكس معظم مقاييس الارتباط، لا يحتوي على حد أعلى نظري عندما يكون لأي من المتغيرات أكثر من فئتين.
  • Cramer’s V هو إعادة قياس قيمة phi بحيث تكون القيمة القصوى الممكنة دائمًا 1. مع زيادة عدد الصفوف والأعمدة، يصبح Cramer’s V أكثر تحفظًا فيما يتعلق بـ phi.
  • يأخذ معامل الطوارئ contingency coefficient قيمًا بين 0 و SQRT [(k-1) / k]، حيث k = عدد الصفوف أو الأعمدة، أيهما أصغر. يصبح أكثر تحفظًا فيما يتعلق بـ phi حيث تصبح الارتباطات بين المتغيرات أقوى.

قيم الأهمية لجميع المقاييس الثلاثة هي 0.012، مما يشير إلى علاقة ذات دلالة إحصائية. ومع ذلك، فإن قيم جميع المقاييس الثلاثة أقل من 0.3، لذلك فإنه وعلى الرغم من أن العلاقة ليست بسبب الصدفة، إلاّ أنها أيضًا ليست قوية جدًا.

وفي حين أن هذه التدابير تعطي بعض الإحساس بقوة الارتباط، إلا أنها، بشكل عام، ليس لها تفسير بديهي. لتكوين فكرة أوضح عن ذلك، انظر إلى المقاييس الاتجاهية directional measures.

المقاييس الاتجاهية

المقاييس الاتجاهية directional measures للمتاجر حسب الرضا عن الخدمة، مع التحكم في جهة الاتصال
المقاييس الاتجاهية directional measures للمتاجر حسب الرضا عن الخدمة، مع التحكم في جهة الاتصال

تحدد المقاييس الاتجاهية directional measures التخفيض في خطأ التنبؤ بقيمة متغير الصف عندما تعرف قيمة متغير العمود، أو العكس. كل مقياس له ببساطة تعريف مختلف لـ “الخطأ”.

  • تُعرِّف لامبدا Lambda الخطأ على أنه سوء تصنيف للحالات، ويتم تصنيف الحالات وفقًا للفئة الشكلية (الأكثر شيوعًا).
  • يعرّف تاو Tau الخطأ بأنه سوء تصنيف للحالة، ويتم تصنيف الحالات في الفئة j مع احتمال مساوٍ للتردد الملحوظ للفئة j.
  • يُعرّف معامل عدم اليقين uncertainty coefficient الخطأ بأنه الانتروبيا entropy، أو: P(category j) * ln(P(category j))، مجمعة فوق فئات المتغير. يُعرف معامل عدم اليقين أيضًا باسم Theil’s U.

بالنسبة للعملاء الذين كانوا على اتصال، فإن قيمة tau لـ Goodman و Kruskal البالغة 0.031 مع الاعتماد على المتجر تعني أن هناك انخفاضًا بنسبة 3.1٪ في سوء التصنيف. تشير المقاييس الأخرى إلى قيم صغيرة متساوية، مما يشير إلى أن الارتباط بين المتجر والرضا عن الخدمة يرجع فقط تقريبًا إلى الخدمة السيئة في المتجر 2.

خلاصة استخدام جداول التقاطعات لدراسة العلاقات الاسمية

باستخدام مقاييس جداول التقاطع Crosstabs للبيانات الاسمية مع البيانات الاسمية nominal-by-nominal، وجدت في البداية أن كل متجر يقدم جودة مماثلة لخدمة العملاء. ومع ذلك، بمجرد فصل العملاء الذين لم يكن لديهم اتصال بممثل الخدمة، ظهرت علاقة بين المتجر والرضا عن الخدمة. لحسن الحظ، هذه العلاقة ضعيفة نوعًا ما، مما يشير إلى أنه على الرغم من وجود اختلاف ملموس في جودة الخدمة بين المتاجر، فمن المحتمل أن يكون ذلك بسبب الخدمة السيئة لمتجر واحد بدلاً من الاختلاف الأكثر جدية على مستوى الشركة في صورة المتجر.

نتيجة لذلك، تلقى الموظفون في المتجر 2 تدريبًا على خدمة العملاء لجعل جودة خدمتهم تتماشى مع المتاجر الأخرى.

المصدر

تصفح كل موضوعات التحليل الإحصائي باستخدام برنامج SPSS، في مركز المساعدة أو المراجع التعليمية

مركز المساعدة أو المراجع التعليمية – مركز البحوث والدراسات متعدد التخصصات – MDRS Center
هل كان الموضوع مفيدًا؟
لا 0
المشاهدات: 24

الاستمرار في القراءة

السابق: تحليل تقاطعات البيانات باستخدام Crosstabs
التالي: استخدام Crosstabs في قياس الخطر النسبي لحدث ما