مزایای استفاده از ضریب هم بستگی


شکل 4 نمودار باقی مانده و حالت های مختلف آن

شناسایی عوامل انگیزشی، ویژگی های شخصیتی و مؤلفه های اجتماعی نیروهای داوطلبی در ورزش

هدف از این تحقیق، شناسایی عوامل انگیزشی، ویژگی های شخصیتی و نیز سنجش رابطة عضویت در نهضت داوطلبی و عوامل اجتماعی شدن داوطلبان ورزشی است. تحقیق توصیفی بوده و به شکل میدانی به اجرا درآمده است. جامعة آماری تحقیق، 260 نفر از داوطلبان ورزشی فعال در هیأت های ورزشی استان فارس بودند که 74 نفر از آنها از طریق نمونه گیری خوشه ای به عنوان نمونة آماری انتخاب شدند. اطلاعات مورد نیاز از طریق چهار پرسشنامة سنجش انگیزش داوطلبان لیات کولیک (2007)، پرسشنامة سنجش ویژگی مزایای استفاده از ضریب هم بستگی های شخصیتی (TIPI) گوسلینگ، رنتفرو و ساوان (2003)، پرسشنامة محقق ساختة سنجش سطح اجتماعی و پرسشنامة مشخصات فردی جمع آوری شد. استادان مدیریت و روانشناسی ورزشی روایی پرسشنامه ها را تایید و پایایی پرسشنامه ها در یک مطالعة راهنما و با استفاده از ضریب همبستگی آلفای کرونباخ به ترتیب81/0 و 82/0و81/0 برآورد شد. تجزیه مزایای استفاده از ضریب هم بستگی و تحلیل داده ها در دو سطح توصیفی و استنباطی سنجش و ارزیابی شد. در تحلیل استنباطی از آزمون ضریب همبستگی اسپیرمن استفاده شد. نتایح نشان داد، فاکتور حمایت از خانواده عمده ترین عامل انگیزشی داوطلبان و عامل پاداش
بی اهمیت ترین عامل است. بیشتر داوطلبان دارای ویژگی برونگرایی بودند. میانگین نمره های زنان در هر سه عامل عوامل اجتماعی بیشتر از مردان بود. عامل مذهب با عوامل اجتماعی ارتباط معنی داری داشت. عامل قدرت و تقدیر و تشکر با هیچ کدام از عوامل ارتباط معنی داری نداشت. عامل احترام به قوانین نیز با برونگرایی و سازگاری ارتباط معنی داری داشت. در نهایت می توان گفت اگر مدیران بتوانند عناصر تفریح و کار داوطلبانه را تلفیق کنند، انگیزة مشارکت کنندگان افزایش می یابد و علاوه بر مزایای اقتصادی، به توسعة شهروند خوب بودن نیز منجر می شود.

کلیدواژه‌ها

عنوان مقاله [English]

The Identification of Motivation, Personality and Social Factors in Sport Volunteers

نویسندگان [English]

  • mohammadsadegh afrozeh 1
  • mehrdad moharramzadeh 2
  • mirmohammad kashef 3
  • mohsen afrozeh 4

چکیده [English]

The aim of this study was to identify motivational and personality factors and to assess membership in volunteering and socialization factors in sport volunteers. This study was of a descriptive field nature. The population consisted of 260 sport volunteers in sport association of Fars province. 74 subjects were selected as the sample by cluster sampling. Questionnaire of motivation of volunteers by Liat Kulik (2007), Questionnaire of Ten Item Personality Inventory (TIPI) by Gosling, Rentfrow and Swann (2003) and the researcher-made questionnaire of social effect and demographic questionnaire were used to collect data. Sport management and psychology professors confirmed the validity of the questionnaires and the reliability of the questionnaires were determined as r=0.81, 0.82, 0.81) (?=0.05) in a pilot study. The collected data were analyzed by descriptive and inferential statistics such as Pearson correlation coefficient. The findings showed that family support was the most important and appreciation was the least important factor in volunteers. Most volunteers were extraverts. Females gained higher mean scores in all three factors of social effect than men did. There was a significant relationship between religion and social effect. There was no significant relationship between empowerment and appreciation with all the other variables. There was a significant relationship between respect for rules and regulations with agreeableness and extraversion. It is suggested that if managers can combine recreation and voluntary work, motivation of volunteers will improve and good citizenship and economic benefits will increase.

نحوه استفاده از همبستگی جفت ارزها در معاملات فارکس

مجله افیکس کار: همبستگی ارزها در فارکس (Currency Correlation) یعنی رفتار قیمتی یک جفت ارز با رفتار قیمتی جفت ارز دیگر همبستگی داشته باشند. حال این همبستگی میتواند مثبت یا منفی باشد. که اگر همبستگی مثبت باشد یعنی دو جفت ارز به نسبتی در یک جهت حرکت میکنند و اگر همبستگی منفی باشد یعنی دو جفت ارز به همان نسبت در خلاف جهت یکدیگر حرکت میکنند.

آشنایی با همبستگی ارزها در معاملات فارکس میتواند منجر به افزایش سود یا کاهش ضرر ناشی از یک معامله شود. برای پوشش ریسک در معاملات با توجه به همبستگی ارزها میتوان از روش هج کردن استفاده کرد.

همبستگی تنها در جفت ارزها نیست. در بازار سهام کالا و بین کالاها و یک جفت ارز یا بین جفت ارزهای دیجیتال نیز این همبستگی وجود دارد.

  • مطالعه بیشتر :آیا بین ارزهای دیجیتال و دارایی های سنتی همبستگی وجود دارد؟

ضریب همبستگی ارزها چیست؟

همانطور که گفتیم ارزش ارزها به هم وابسته هستند اما نه به یک اندازه.

ارزش ارز هر کشور بسته به شرایط اقتصادی منطقه، میزان مبادلات و دیگر شرایطی مطابق با ضریبی همبستگی دارند که میتواند در جهت مثبت یا منفی باشد.

ضریب همبستگی ارزها در فارکس یا کورولیشن یک ابزار آماری است و فرمول ریاضی مخصوص به خود را دارد. این ضریب نشان می دهد که دو سری از اعداد با چه ارتباطی نسبت به یکدیگر تغییر کرده اند.

برای مثال ممکن است یک تحلیلگر بخواهد رابطه بین میزان صادرات یک کشور و ارزش ارز آن کشور در برابر دلار را بسنجد. در این حالت، داده های هر دو متغییر در بازه های زمانی مساوی (مثلا فصلی یا سالیانه) با استفاده از فرمول ضریب همبستگی با یکدیگر مقایسه می شوند.

چند نوع ضریب همبستگی در بازار وجود دارد . در بین آن‌ها می‌توان به ضریب همبستگی درون کلاسی (Intraclass)، ضریب همبستگی رتبه‌ای (Rank) و ضریب همبستگی پیرسون (Pearson) اشاره کرد. البته در بازار فارکس ضریب همبستگی پیرسون (Pearson) بیشترین کاربرد را دارد.

ضریب همبستگی پیرسون میزان قدرت رابطه خطی که بین دو جفت ارز در فارکس وجود دارد را اندازه‌گیری می‌کند.

انجام‌دادن محاسبات همبستگی پیرسون به صورت دستی کار بسیار پیچیده‌ای است. بسیاری از معامله‌گران از نرم‌افزارهای کامپیوتری صفحه گسترده استفاده می‌کنند تا این ضریب را به‌دست آورند. فرمول ضریب همبستگی به گونه ای طراحی شده است که نتیجه آن، عددی بین ۱- و ۱+ بدست می آید.

ضریب همبستگی مثبت (1+تا 0)

وقتی ضریب همبستگی یک متغییری (در فارکس جفت ارز) عددی بین 0 تا1+ باشد یعنی تغییرات جفت ارزها در یک جهت مثبت رخ می دهد. به طور مثال اگر ضریب همبسنگی جفت ارز دوم 0.8+ جفت ارز اول باشد و جفت ارز اول در جهت مثبت حرکت کند جفت ارز دوم به اندازه 0.8+ جفت ارز اول یا 80٪ جفت ارز اول در جهت مثبت حرکت خواهد کرد.

در این حالت همبستگی +1 به معنی همبستگی مثبت کامل است. یعنی اگر یک ارز 1٪ رشد کند ارز دیگر نیز 1٪ رشد خواهد کرد.

ضریب همبستگی مثبت (0تا -1)

وقتی ضریب همبستگی یک متغییری (در فارکس جفت ارز) عددی بین 1- تا0 باشد. یعنی تغییرات جفت ارزها در یک جهت منفی رخ می دهد. به طور مثال اگر ضریب همبسنگی جفت ارز دوم 0.8- جفت ارز اول باشد و جفت ارز اول در جهت مثبت حرکت کند جفت ارز دوم به اندازه 0.8- جفت ارز اول یا 80٪ جفت ارز اول در جهت معکوس حرکت خواهد کرد.

در این حالت همبستگی 1- به معنی همبستگی منفی کامل است. یعنی اگر یک ارز 1٪ رشد کند ارز دیگر 1٪ تضعیف خواهد شد.

ضریب همبستگی 0

ضریب همبستگی 0 به معنی عدم همبستگی است . یعنی هیچ رابطه ای بین حرکت جفت ارزها با یکدیگر وجود ندارد.

استفاده از همبستگی جفت ارزها در معاملات فارکس

از همبستگی جفت ارزها میتوان با اهداف متفاوتی در بازار فارکس استفاده کرد:

استفاده از همبستگی ارزها جهت افزایس سودآوری

در بازار فارکس جفت ارزهای متعددی وجود دارد که بررسی کردن تمامی این جفت ارزها و یافتن موقعیت ورود به معامله در آن ها بسیار زمان بر است و ممکن است زمانی که مشغول بررسی یک جفت ارز هستید موقعیت ورود به معامله در جفت ارز دیگری را از دست بدهید.

اما با توجه به همبستگی ارزها در فارکس میتوانید وفتی یک موقعیت ورود در یک جفت ارز یافتید بلافاصله در جفت ارز وابسته به آن نیز وارد معامله شوید.

نیازی نیست حتما در جفت ارزهایی با همبستگی مثبت همزمان وارد معامله شوید. بلکه میتوانید در جفت مزایای استفاده از ضریب هم بستگی ارزهایی با همبستگی منفی نیز در خلاف جهت به معامله وارد شوید.

به طور مثال:

فرض کنید حرکت بعدی جفت ارز USD/CHF را پیش بینی کرده و یک موقعیت معاملاتی بر روی آن باز کرده اید.

شما می توانید بلافاصله یک موقعیت معکوس بر روی جفت ارز EUR/USD ایجاد کنید. زیرا این جفت ارزها دارای همبستگی منفی قوی هستند و یک رابطه عکس با یکدیگر دارند.

در واقع شما یک جفت ارز را بررسی می کنید اما می توانید همزمان از 2 یا حتی 3 جفت ارز کسب سود کنید.

  • مطالعه بیشتر :آشنایی با جفت ارز دلار/ین و رابطه آن با اوراق خزانه داری آمریکا و نرخ بهره

استفاده از همبستگی ارزها جهت پوشش ضرر احتمالی

میدانیم که در بازار فارکس هیچ قطعیتی وجود ندارد و استراتژی که همواره منجر به پیشبینی دقیق و سود قطعی شده است ممکن است در معاملات بعدی منجر به ضرر هنگفت شود.

به عنوان یک تریدر اگر وارد معامله ای شدید و بعد از زمان اندکی متوجه شدید پیشبنی شما اشتباه است. به منظور کاهش ضرر احتمالی میتوانید در جفت ارز دیگری که دارای همبستگی بالای منفی است در همان جهت وارد معامله شوید. در این حالت بخش زیادی از ضرر احتمالی شما پوشش داده خواهد شد.

به طور مثال:

فرض کنید روی جفت ارزی EUR/JPY معامله خرید باز کرده اید و بعد از گذشت دقایقی متوجه می شوید که پیشبینی شما از روند این جفت ارز اشتباه است. میتوانید بلافاصله روی جفت ارز USD/CAD وارد معامله خرید شوید و بخش زیادی از ضرر احتمالی را پوشش دهید.

پوشش ضرر احتمالی همان استراتژی هدجینگ است که براساس همبستگی جفت ارزها در فارکس طراحی شده است.

استفاده از همبستگی ارزها جهت تایید شکست ها

اگر شما از استراتژی نقاط پیوت جهت شناسایی سطوح حمایت و مقاومت استفاده می کنید، همبستگی ارزها می توانند در تایید پیش بینی های شما کمک کنند.

فرض کنید که EUR/USD در محدوده یک مقاومت قرار دارد. اما شما نمی دانید که قیمت می خواهد این سطح را بشکند و یا از نقطه پیوت باز گردد.

در این حالت، بررسی جفت ارزهای دیگر با همبستگی قوی می تواند به شما کمک کند. بدین ترتیب می توانید هم همبستگی های مثبت و هم همبستگی های منفی را بررسی کنید.

اگر در این بازه زمانی جفت ارز EUR/USD با با جفت ارزهای GBP/USD و AUD/USD همبستگی مثبت داشته باشد میتوانید بررسی کنید که آیا این جفت ارزها نیز در سطوح مقاومت قرار دارند یا سطوح مقاومت را شکسته اند یا از این سطوح بازگشت داشته اند.

از طرف دیگر اگر در این بازه زمانی جفت ارز EUR/USD با جفت ارزهای USD/CHF و USD/JPY همبستگی منفی داشته باشند باید بررسی کنید که آیا این جفت ارزها در سطوح حمایت قرار دارند و چه واکنشی نسبت به این سطوح نشان داده اند.

تغییر در همبستگی ارزها

همانطور که گفتیم نیازی نیست برای استفاده از همبستگی ارزها فرمول محاسباتی آن را بخاطر بسپارید. جدول همبستگی ارزها میتواند تمامی ضرایب همبستگی را به شما نشان دهد. اما ضرایب همبستگی ارزها در فارکس همیشه ثابت نیستند. در تایم فریم های مختلف ضرایب همبستگی برای یک جفت ارز متفاوت هستند.

اگر به اشتباه در تایم فریم یک ساعته بر اساس ضرایب جدول روزانه معامله کنید، به طور قطع معاملات شما با ضرر مواجه خواهد شد.

اما تفاوت ضرایب همبستگی ارزها در فارکس تنها در تایم فریم ها متفاوت نیست. بلکه در بازه زمانی متفاوت ضرایب یک تایم فریم ثابت نیز ممکن است متغییر باشد .

به طور مثال جدول ضریب همبستگی تایم فریم روزانه هفته گذشته با هفته جاری ممکن است متفاوت باشد .

این ضریب می تواند به دلایل بسیاری مانند تغییر در سیاست های اقتصادی کشورها تغییر کند.

برای مثال، افزایش نرخ بهره در آمریکا می تواند مسیر حرکتی دلار آمریکا را نسبت به دیگر ارزها تغییر دهد. یکی از فاکتورهای مهم دیگر، تغییرات در فضای سیاسی است که بر روی نرخ جفت ارزها اثر می گذارد و معادلات را تغییر می دهد.

به همین جهت بهتر است در زمان استفاده از این استراتژی جدول به روز همبستگی ارزهای موردنظر خود را بررسی کنید.

همبستگی ارزها با کالاها

برخی از ارزها با ارزهای دیگر همبستگی ندارد، بلکه ارزش آن‌ها با قیمت کالاها همبستگی دارد. این شرایط زمانی رخ می‌دهد که آن ارز متعلق به کشوری باشد که صادرکننده خالص یک کالا مثل نفت یا طلا باشد.

همبستگی دلار کانادا و نفت

  • قیمت نفت با دلار کانادا همبستگی مثبت دارد . افزایش قیمت نفت باعث افزایش ارز دلار کانادا می شود.
  • و قیمت نفت با دلار آمریکا همبستگی منفی دارد. در نتیجه افزایش قیمت نفت باعث کاهش ارزش دلار می شود.

این بدین معنی است که زمانی که قیمت دلار افزایش می‌یابد، قیمت نفت با کاهش مواجه می‌شود و بالعکس افزایش قیمت نفت باعث کاهش ارزش دلار می‌شود. در نتیجه معامله‌گران می‌توانند از این اطلاعات استفاده کنند و زمانی که قیمت نفت رو به افزایش است وارد معامله خرید ارزهایی شوند که دلار کانادا ارز پایه آن جفت ارز باشد (مثل CAD\JPY) . یا وارد معامله فروش جفت ارزهایی شوند که در آن، دلار آمریکا ارز پایه‌ است ( مثل USD\CAD).

همبستگی دلار استرالیا و طلا

ارزش ارز دلار استرالیا بعنوان صادرکننده خالص طلا، با افزایش یا کاهش قیمت طلا رابطه مستقیم دارد. به همین دلیل وقتی قیمت طلا افزایش می‌یابد جفت ارز AUD\USD نیز رشد می‌کند و زمانی که طلا با افت قیمت مواجه مزایای استفاده از ضریب هم بستگی می‌شود این جفت ارز نیز با کاهش ارزش رو‌به‌رو می‌شود.

اگر ارزش AUD\USD افزایش یابد، بدین معنی است که دلار استرالیا در برابر دلار آمریکا قوی شده‌است. به همین دلیل برای خرید یک دلار استرالیا، نیاز به فروش مقادیر بیشتری از دلار آمریکا دارید.

پس همانند رابطه نفت با دلار کانادا، طلا نیز با دلار استرالیا همبستگی مثبت دارد و دلار آمریکا با هر دوی آنها همبستگی منفی دارد.

دلار استرالیا به عنوان ارز کالایی (کالامحور) شناخته می‌شود. چون ارزش آن وابستگی شدیدی به ارزش صادرات کالاهای استرالیا مثل مس، زغال‌سنگ، محصولات کشاورزی و طلا دارد.

میزان صادرات این کالاها همچنین با ارزش دلار استرالیا همبستگی دارد. البته در بین مزایای استفاده از ضریب هم بستگی تمام کالاهای صادراتی استرالیا، طلا بیشترین همبستگی مثبت را با دلار استرالیا دارد.

همبستگی ین ژاپن و طلا

ین ژاپن همانند دلار،یورو و پوند به عنوان ارز ذخیره یا رزرو (Reserve currency) شناخته می شود. از طرف دیگر ین ژاپن به عنوان ارز امن (Safe-haven) و طلا به عنوان دارایی امن شناخته می‌شوند.

هر چند که قیمت یک واحد ین و طلا متفاوت است. اما از آنجایی که هم ین ژاپن هم طلا جزو دارایی امن محسوب می شود در زمان نوسانات یا رشد کند بازار، سرمایه گذاران دارایی خود را به یکی از این دو تبدیل می کنند که معمولا حرکت صعودی و نزولی مشابه هم دارند.

یکی دیگر از علت های همبسیگی مثبت ین ژاپن و طلا از نظر تحلیل گران تشابه نرخ بهره واقعی این دو به یکدیگر است. ( منظور از نرخ‌بهره واقعی، نرخی است که فعالان بازار بعد از محاسبه‌کردن تورم، به دست ‌می‌آورند.)

همبستگی در بورس و سایر بازارهای مالی چیست؟

همبستگی در بورس و سایر بازارهای مالی چیست؟

همبستگی (Correlation) در صنایع مالی و سرمایه‌گذاری، یک مقدار آماری محسوب می‌گردد که میزان حرکت اوراق قرضه را نسبت به یکدیگر می‌سنجد. از همبستگی در سیستم‌های پیشرفته مدیریت سبد سهام (پورتفوی) استفاده می‌شود. همبستگی را با ضریبی به نام ضریب همبستگی می‌سنجند که عددی بین 1,0 ( همبستگی کامل) و 1,0- (همبستگی کاملاً عکس) می‌باشد.نکات مهم همبستگی در بورس:

  • همبستگی، مقداری آماری می‌باشد که درجهٔ حرکت دو متغیر را نسبت به یکدیگر می‌سنجد.
  • در امور مالی، همبستگی می‌تواند حرکت یک سهم را با شاخص معیار بازار بسنجد، مانند S&P500
  • همبستگی، میزان پیوستگی را می‌سنجد ولی نشان نمی‌دهد که X موجب رخ دادن وضعیت Y می‌شود یا بالعکس، و یا نشان نمی‌دهد که این شرایط توسط فاکتورهای شخص سومیِ غیرقابل مشاهده رخ می‌دهند.

اگر به طور اتفاقی با دیجی کوینر آشنا شده اید و هیچ اطلاعاتی در مورد بازارهای مالی ندارید پیشنهاد می‌کنیم قبل از مطالعه ادامه مطلب، مقاله «بازارهای مالی چیست؟» را مطالعه نمایید.

درکِ مفهوم همبستگی در بورس

همبستگی، میزان قدرت رابطه بین دو متغیر است و به‌صورت عددی، توسط ضریب همبستگی نشان داده می‌شود. مقادیر ضریب‌های همبستگی در بین محدوده 1.0 و 1.0- قرار دارند. یک ضریب همبستگی کامل دقیقاً 1 است. این به آن معناست که اگر ارزش اوراق قرضه حرکت کند، ارزش اوراق دیگر نیز به تبعیت از آن و در مسیر مشابه به سمت بالا یا پایین حرکت می‌کند. اما یک همبستگی منفی (navigate correlation ) به آن معنا است که دو دارایی، در جهت‌های مخالف یکدیگر حرکت می‌کنند، هنگامی که عدد ضریب همبستگی 0 باشد، بر این موضوع دلالت دارد که هیچ‌گونه ارتباط خطی‌ای بین دو نمودار در کار نمی‌باشد.

برای کسب اطلاعات بیشتر در مورد بورس می‌توانید از مطلب آموزشی «بورس چیست؟» دیدن نمایید.

همبستگی در بورس و سایر بازارهای مالی چیست؟

به‌عنوان مثال، صندوق سرمایه‌گذاری شرکت‌هایی که سهم‌شان سهم زیادی از بازار بورس را دارد و سرمایه‌شان در بازار بورس درصد و رقمی قابل‌توجه است، عموماً میزان همبستگی مثبت بالایی را با شاخص (S&P500) دارد. در این موارد ضریب همبستگی تقریباً یک می‌باشد.

سهام شرکت‌هایی که ارزش سهام آن‌ها در بازار زیاد نیست و سرمایهٔ قابل‌توجهی در بورس ندارند نیز همبستگی مثبتی نسبت به شاخص (S&P500) دارند ولی این میزان به‌طور تقریبی رقمی بالاتر از 0.8 نمی‌باشد.

با این حال، قیمت‌های قرارداد اختیار فروش و قیمت دارایی پایه آنها، تمایل به داشتن همبستگی منفی نسبت به هم دارند. برای مرور، قرارداد اختیار فروش این حق را به مالک می‌دهد تا مقداری مشخص از سهام پایه را به قیمتی از پیش تعیین‌شده و در یک چارچوب زمانی معین بفروشد. قراردادهای اختیار فروش (Put Options) به هنگامی که ارزش سهام پایه کاهش پیدا کند، به سوددهی می‌رسند. به‌عبارتی دیگر، از آنجایی که قیمت سهام افزایش می‌یابد قیمت قرارداد اختیار فروش کاهش پیدا می‌کند، که این نشان‌دهندهٔ یک همبستگی منفی قوی (Negative Correlation) می‌باشد.

فرمول همبستگی به شرح زیر است:

همبستگی در بورس و سایر بازارهای مالی چیست؟

مثالی از همبستگی در بورس:

مدیران سرمایه‌گذاری، معامله‌گران و تحلیل‌گران، محاسبهٔ مقدار همبستگی را امری مهم می‌دانند. زیرا مزایای کاهش ریسک سبدهای سهام مختلف به این اعداد بستگی دارند.

فایل‌های اکسل مالی و نرم‌افزارها می‌توانند به‌سرعت مقدار همبستگی را مزایای استفاده از ضریب هم بستگی محاسبه کنند.

به‌عنوان یک مثال فرضی، تصور کنید یک تحلیل‌گر نیاز به‌حساب همبستگی برای این دو مجموعه داده دارد:

(X: (41, 19, 23, 40, 55, 57,33

(Y: (94, 60, 74, 71, 82, 76, 61

‌ سه قدم برای پیدا کردن میزان همبستگی وجود دارد. اولین قدم، جمع تمام ارقام X برای پیدا کردن مجموع (X)ها و بعد، جمع تمام ارقام Y برای گردآوری مجموع (Y) و ضرب ارقام X در ارقام متناظر در مجموعه Y و در نهایت جمع کردن آنها با یکدیگر برای به‌دست آوردن مجموع (X, Y) می‌باشد.

SUM(X) = (41 + 19 + 23 + 40 + 55 + 57 + 33) = 268

SUM(Y) = (94 + 60 + 74 + 71 + 82 + 76 + 61) = 518

SUM(X,Y) = (41 x 94) + (19 x 60) + (23 x 74) + … (33 x 61) = 20,391

قدم بعدی این است که باید هر رقم X را به توانِ 2 برسانیم و مجموع این ارقام را برای پیدا کردن مجموع X^2) ) با هم جمع کنیم. عمل مشابه باید برای ارقام مجموعه Y اجرا شود.

SUM(X^2) = (41^2) + (19^2) + (23^2) + … (33^2) = 11,534

SUM(Y^2) = (94^2) + (60^2) + (74^2) + … (61^2) = 39,174

با توجه به اینکه تعداد داده‌های ما 7 می‌باشد (n=7) ، از فرمول زیر می‌توان برای محاسبهٔ ضریب همبستگی (r) استفاده شود:

همبستگی در بورس و سایر بازارهای مالی چیست؟

در این مثال میزان ضریب همبستگی برابر خواهد بود با:

r = (7 x 20,391 – (268 x 518) / [SquareRoot((7 x 11,534 – 268^2) x (7 x 39,174 – 518^2))] = 3,913 / 7,248.4 = 0.54

تیم تحریریه دیجی کوینر

این مقاله به کوشش هیئت تحریریه دیجی کوینر تولید شده است. تک تک ما امیدواریم که با تلاش خود، تاثیری هر چند کوچک در آگاه سازی فعالان حوزه رمز ارزها و بازارهای مالی داشته باشیم.

کالیبراسیون و رگرسیون

دستگاه HPLC - waters 2695 با دتکتور PDA و فلورسانس و Autosampler - فوری فروشی فروش HPLC - waters 2695

جهت کسب اطلاعات با ما تماس بگیرید جهت کسب اطلاعات با ما تماس بگیرید

کالیبراسیون به مجموعه کارهایی که بر اساس یک روش مشخصی برای مقایسه نتایج یک دستگاه با یک دستگاه دقیق تر یا یک روش استاندارد (ابزار دقیق) برای تشخیص خطا، تنظیم دستگاه و یکسان سازی گزارشات آنالیزی به کار می روند، اطلاق می شود. به طور کلی هدف از کالیبراسیون اطمینان از صحت (accuracy) نتایج مشاهده شده روش آنالیزی است. کالیبراسیون و رگرسیون در روش های آنالیزی در مفاهیمی نزدیک به هم دارند.

کالیبراسیون یک مفهوم بسیار گسترده است که کلیه مراحل آنالیز از شرایط نگهداری دستگاه آنالیزی تا چک کردن کلیه قطعات الکترونیکی و .. را شامل می شود. در اینجا به طور خاص کالیبراسیون در روش های آنالیز و به ویژه در اندازه گیری های کمی (Quantitative) مد نظر است که در آن کالیبراسیون شامل ایجاد یک رابطه بین پاسخ دستگاه و مقادیر استاندارد است.

هدف هر آنالیزی تولید داده های قابل اعتماد (reliable) با حداقل خطاست. برای بسیاری از دستگاه های آنالیزی، رسم منحنی کالیبراسیون برای اندازه گیری کمی الزامی ست. روش های کالیبراسیون برای ارزیابی و تنظیم دقت و صحت دسنگاه ها و تجهیزات اندازه گیری به کار می روند.

برای مشاوره و انجام پروژه های آمار و کمومتریکس با ما تماس بگیرید

کالیبراسیون و رگرسیون

روش های رگرسیون (Regression) یکی از عمومی ترین روش های آماری استفاده شده برای کالیبراسیون هستند. روش های رگرسیون استفاده گسترده ای در حیطه های مختلف دارند از مطالعات شیمیایی مواد و تحقیق و توسعه ترکیبات جدید تا بازاریابی و مطالعات اجتماعی و روانشناسی. رگرسیون تکنیکی ست که برای مدل سازی و آنالیز داده های عددی شامل یک متغیر وابسته (Y) و یک یا چند متغیر مستقل (X) به کار می رود. هدف هر روش رگرسیونی می تواند ارائه مدل به منظور توصیف رابطه Y و X باشد و یا پیش بینی (prediction) مقادیر Y برای نمونه های جدید.

معمولا فرض اولیه را بر خطی بودن رابطه بین متغیر های وابسته و مستقل در نظر می گیرند و بنابراین رگرسیون خطی بسیار متداول تر بوده و کاربرد بیشتری از روش رگرسیون غیرخطی دارند. مفروضات اولیه روش های رگرسیون خطی شامل وجود رابطه خطی بین متغیر وابسته و متغیرهای مستقل، توزیع نرمال خطاها و هم واریانسی (homoscedasticity) در طول بهترین خط برازش شده مستقل است.

هم واریانسی (homoscedasticity) وضعیتی را توصیف می کند که واریانس خطای پاسخ (Y) نسبت به مقادیر متغیر مستقل ثابت باشد. به عبارت دیگر تغییرات واریانس در طول بهترین خط برازش شده ثابت باشد (شکل 1 الف).

ناهم‌واریانسی (heteroscedastic) برعکس هم واریانسی، وضعیتی را توصیف می کند که واریانس خطای پاسخ نسبت به مقادیر متغیر مستقل ثابت نباشد. به عبارت دیگر تغییرات واریانس در طول بهترین خط برازش شده ثابت نیست و معمولا به شکل مخروط است (شکل1 ب).

هم واریانسی و ناهم واریانسی-کالیبراسیون و رگرسیون-آنالیوم

شکل 1 الف: هم واریانسی و ب: ناهمواریانسی

براساس تعداد متغیرهای مستقل (x) روش های کالیبراسیون به کالیبراسیون تک متغیره (Univariate calibration) و کالیبراسیون چند متغیره (Multivariate calibration) دسته تقسیم می شوند.

به طور کلی روش های کالیبراسیون در آنالیز به رابطه بین نمونه و اندازه سیگنال مرتبط است که با تابع آنالیزی ((x=fs(Q)) ساختار یک گونه شیمیایی را به مقدار یا غلظت آن مربوط می سازد.

رابطه بین کمیت آنالیت و پاسخ آشکارساز برای بسیاری از روش های آنالیزی خطی یا نزدیک به خطی ست. کالیبراسیون معمولا شامل رسم پاسخ دستگاه بر حسب مجموعه ای از نمونه ها با غلظت مشخص است. بنابراین متداول ترین روش کالیبراسیون روش رگرسیون خطی (linear regression) ست که در آن نقاط تجربی با استفاده از روش حداقل مربعات (least squares) به صورت خطی برازش می شوند. که معادله کلی آن با رابطه 1 نشان داده می شود:

در رابطه 1 β شیب (slope) خط و α عرض از مبدا (intercept) است. شیب خط و عرض از مبدا را می توان از روابط زیر به دست آورد:

در رابطه های 2 و 3 Xmean و ymean به ترتیب مقادیر میانگین X و y هستند.

در بیشتر مواقع α و β با روش روش حداقل مربعات جزیی (least squares) به دست می آیند. اساس این روش به حداقل رساندن مجموع مربعات باقی مانده (sum of squares of residuals) یا SSR است. دقت شود در روش SSR پیدا کردن بهترین منحنی (best curve) بسیار با اهمیت است.

 رگرسیون خطی-کالیبراسیون-آنالیوم

شکل 2 رگرسیون خطی و مفاهیم اولیه آن

بر اساس رابطه 1 مقادیر برازش شده (Fitted values) به دست می آید. مقدار باقی مانده برابر با اختلاف مقادیر مشاهده شده (تجربی) با مقادیر برازش شده است. شکل 2 این مفاهیم را به صورت شماتیک نشان می دهد.

برای ارزیابی مدل رگرسیون ار پارامترهای تناسب مزایای استفاده از ضریب هم بستگی برازش (goodness of fit) استفاده می شود. متداول ترین این پارامترها از روابط زیر محاسبه می شوند:

(Total SS = Σ(yobserved i– ymean) 2 (4

(Model SS = Σ(yfitted i – ymean) 2 (5

(Residual SS = Total SS – Model SS (6

(R 2 = Model SS /Total SS (7

Total SS یا مجموع مربعات کل (Total Sum of Squares)

Model SS یا مجموع مربعات مدل (Model Sum of Squares)

Residual SS مجموع مربعات باقی مانده (Residual Sum of Squares)

و R 2 مربع ضریب همبستگی (r) هستند.

R 2 میزان تغییرات متغیر y که می تواند توسط متغیر x تبیین شود را نشان می دهد. مقدار R 2 بین صفر و یک تغییر می کند. مقدار R 2 برابر با 1 یعنی تناسب کامل صورت گرفته و مقدار R 2 برابر با 0 یعنی هیچ رابطه ای بین داده ها وجود ندارد. شکل 3 حالت های مختلف ضریب همبستگی (r) را نشان می دهد. همان طور که در شکل 3 نشان داده شده است مقادیر بالای R 2 الزاما تضمین کننده یک مدل پیش بینی کننده خوب نیست و تایید نهایی مدل نیاز به ارزیابی دقیق تری دارد.

حالت های مختلف ضریب همبستگی- کالیبراسیون و رگرسیون- آنالیوم

شکل 3 حالت های مختلف ضریب همبستگی

بعد از رسم منحنی کالیبراسیون و برازش داده ها رسم نمودار باقی مانده برای ارزیابی منحنی کایبراسیون بسیار مفید است. برای هر غلظت مقدار باقی مانده از اختلاف پاسخ دستگاه و پاسخ پیش بینی شده از منحنی کالیبراسیون به دست می آید. شکل 4 نمودار باقی مانده و حالت های مختلف آن را نشان می دهد. نمودار باقی مانده باید به صورت پراکندگی تصادفی نقاط حول محور افقی در صفر رسم می شود (شکل4 الف). در غیر این صورت (شکل4 ب تا د) باید با برطرف کردن مشکل اقدام کرد.

نمودار باقی مانده و حالت های مختلف آن-کالیبراسیون و گرسیون- آنالیوم

شکل 4 نمودار باقی مانده و حالت های مختلف آن

کالیبراسیون تک متغیره

کالیبراسیون تک متغیره (Univariate calibration)، یا کالیبراسیون تک جزئی (single-component calibration)، روش بسیار شناخته شده و متداولی ست که سنگ بنای بسیاری از آنالیزهای کمی ست.

کالیبراسیون بر اساس رگرسیون خطی تک متغیره، چند فرض مهم را باید در نظر داشت: گزینش پذیری (Selectivity) و خطی بودن (Linearity). یک مدل کالیبراسیون تک متغیره فقط وقتی نتایج صحیحی دارد که سیگنال فقط ناشی از حضور آنالیت باشد نه عوامل دیگر. اگر عوامل یا آنالیت های دیگری سبب تغییر سیگنال شوند در روش تک متغیره هیچ راهی برای تشخیص آنها وجود ندارد و بنابراین نتایج ناصحیحی به دست خواهد آمد. باید یک رابطه خطی نیز بین مقدار کمی (غلظت) و سیگنال یا پاسخ دستگاه وجود داشته باشد. اگر رابطه خطی نباشد می توان از روش های کالیبراسیون تک متغیره غیرخطی استفاده کرد.

روش های کالیبراسیون متفاوتی برای روش های آنالیزی پیشنهاد شده است. سه روش استاندارد خارجی، افزایش استاندارد و استاندارد داخلی از روش های رایج تر و متداول در روش های آنالیزی هستند که در ادامه هر کدام به همراه معایب و مزایا هر روش مورد بررسی قرار می گیرند. دقت شود به منحنی کالیبراسیون (Calibration curve) منحنی تجزیه ای (analytical curve) یا منحنی کار (working curve) نیز می گویند.

کالیبراسیون خارجی

روش کالیبراسیون خارجی (External calibration)،متداول ترین روش در اندازه گیری های کمی ست. در این روش یک یا چند استاندارد با غلظت مشخص از آنالیت مورد نظر، تحت شرایط دستگاهی و آزمایشگاهی مشابه نمونه ها، آنالیز می شود. پاسخ دستگاه برای استانداردهای با مقادیر معلوم با پاسخ نمونه های مجهول با هم مقایسه می شوند.

برای انجام کالیبراسیون خارجی وجود شرایط زیر الزامی ست:

  • سیگنال یا پاسخ متناسب با غلظت باشد.
  • حساسیت دستگاه برای نمونه ها و استاندارد یکسان باشد.
  • سیگنال فقط در نتیجه حضور و وجود آنالیت مورد نظر باشد.
  • اثرات ماتریس نمونه و افت دستگاهی (instrumental drift) در سیگنال منظور نگردد.

برای این منظور منحنی کالیبراسیون حاصل ازپاسخ های دستگاه بر حسب مقدار آنالیت ها در استاندارد رسم می شود. با استفاده از معادله خط بدست آمده و با اندازه گیری ارتفاع یا سطح زیر پیک نمونه مجهول مقدار دقیق آنالیت محاسبه می شود.

مزیت استفاده از روش استاندارد خارجی سادگی آن است و قابلیت استفاده برای روش های مختلف را داراست اما این روش معمولا تحت تاثیر شرایط آزمایش مزاحمت ها و پایداری آشکارساز قرار می گیرد. بنابراین در مواقعی که مزاحمت عمده ای برای جزء آنالیزی وجود دارد یا نمونه ماتریس پیچیده ای دارد صحت و دقت چندان مناسبی ندارد.

افزایش استاندارد

در روش کالیبراسیون با افزایش استاندارد (standard addition calibration) مقدار مشخصی از آنالیت به نمونه ها اضافه می شود. سیگنال دستگاه به صورت تابعی از غلظت اضافه شده اندازه گیری می شود. در این روش مزاحمت های ماتریسی نمونه حذف می شوند اما کاهش حساسیت ناشی از افت دستگاه تصحیح نمی شود. شکل 5 به صورت شماتیک مراحل روش افزایش استاندارد و منحنی مربوطه را نشان می دهد.

روش افزایش استاندارد-کالیبراسیون و گرسیون- آنالیوم

شکل 5 مراحل روش افزایش استاندارد و منحنی مربوطه

استاندارد داخلی

در روش کالیبراسیون استاندارد داخلی (Internal Standard) یک ماده شناخته شده به عنوان استاندارد داخلی به همه نمونه ها و استانداردها اضافه می شود. در این روش از فاکتور پاسخ (response factor) یا فاکتور پاسخ نسبی (relative response factor) که به صورت زیر تعریف می شوند استفاده می شود.

Response factor for analyt (RFA)=(سیگنال آنالیت)/ (غلظت آنالیت)

Response factor for internal standard (RFis)=(سیگنال استاندارد داخلی)/(غلظت استاندارد داخلی)

relative response factor= RFA/ RFis

تحليل عاملي و بار عاملي در نرم افزار Smart PLS

در این مقاله در خصوص تحلیل عاملی و بار عاملی در نرم افزار اسمارت پی ال اس گفتگو می کنیم.

الف- تحليل عاملي

يکي از مشکلاتي که محققان در تحقيق خود با آن مواجه هستند، کاهش حجم متغيرها و يا تشکيل ساختاري جديد براي آنها مي باشد. که بدين منظور از روش تحليل عاملي استفاده مي شود.

تحليل عاملي بر اساس ملاک هاي تجربي و عملي، تعداد متغيرهايي را که خيلي زياد هستند را به چند عامل کاهش مي دهد و تجزيه و تحليل آنها را ساده تر مي کند.

تحليل عاملي، عمل کاهش متغيرها به عامل را از طريق گروه بندي کردن متغيرهايي که با هم همبستگي متوسط و يا نسبتا زيادي دارند، انجام مي دهد.

تحليل عاملي بر دو نوع است:

الف-1- تحليل عاملي اکتشافي (efa)

در تحليل عاملي اکتشافي، محقق با هدف کشف ساختاري براي شکل دهي متغيرها و طبقه بندي آنهاست و پيش فرض اوليه آن است که هر متغيري ممکن است با هر عاملي ارتباط داشته باشد. به عبارت ديگر پژوهشگر در اين روش هيچگونه فرضيه قبلي درباره نتايج ندارد و در پي اکتشاف عوامل تاثير گذار است. بنابراين، تحليل اکتشافي بيشتر به عنوان يک روش تدوين و توليد نظريه و نه آزمون نظريه در نظر گرفته مي شود.

الف-2- تحليل عاملي تأييدي (cfa)

در اين روش پژوهشگر سعي مي کند تأييدي بر يک ساختار عاملي فرض شده ارائه دهد. يعني تعيين مي کند که داده ها با يک ساختار عاملي معين که در فرضيه آمده است هماهنگ است يا خير. تحليل عاملي تأييدي براي سنجش روايي شاخص هاي يک سازه در پرسشنامه نيز به کار برده مي شود تا معلوم گردد هماهنگي و همسويي لازم بين شاخص ها وجود دارد. به بيان ديگر، تحليل عاملي تأييدي ابزاري است براي سنجش روايي پرسشنامه. يعني پرسشنامه چيزي را اندازه بگيرد که براي اندازه گيري آن ساخته شده است.

برخلاف تحليل عاملي اکتشافي، در تحليل عاملي تأييدي پيش فرض اساسي آن است که مطابق با تئوري پيشين، هر عاملي با زير مجموعه ي خاصي از متغيرها ارتباط دارد.

کاربرد مهم تحليل عاملي تأييدي، بررسي برازش مدل حاوي سوال هاي يک متغير است.

قابل ذکر است این مجموعه تخصصی، آموزش ویدئویی تحلیل عاملی تاییدی مرتبه اول و دوم، البته در نرم افزار دیگر معادلات ساختاری یعنی با نرم افزار لیزرل، تهیه نموده است. برای اطلاعات بیشتر در خصوص این آموزش و دریافت آن، این صفحه را ببینید:

ب- بار عاملي

بار عاملي مقدار عددي است که ميزان شدت رابطه ميان يک متغير پنهان و متغير آشکار مربوطه را طي فرآيند تحليل مسير مشخص مي کند. هرچه مقدار بار عاملي يک شاخص در رابطه با يک سازه مشخص بيشتر باشد، آن شاخص سهم بيشتري در تبيين آن سازه ايفا مي کند. همچنين اگر بار عاملي يک شاخص منفي باشد، نشان دهنده تاثير منفي آن در تبيين سازه مربوطه مي باشد. به بيان ديگر سوال مربوط به آن شاخص به صورت معکوس طراحي شده است.

نرم افزار Smart PLS تحليل عاملي تأييدي را براي بررسي روايي پرسشنامه به صورت کامل انجام داده و از روش هاي مختلف روايي را بررسي مي کند و همچنين در خروجي اين نرم افزار بارهاي عاملي و جدول همبستگي به صورت کاملا مجزا و قابل فهم ارائه مي شود.

چنانچه مایلید می توانید انجام تحلیل عاملی پایان نامه یا تحقیق خود را به این مجموعه آماری سفارش دهید: سفارش تحلیل عاملی



اشتراک گذاری

دیدگاه شما

اولین دیدگاه را شما ارسال نمایید.