خیلی خوب

۸۰/۰-۷۰/۰

خوب

۷۰/۰-۶۰/۰

متوسط

۶۰/۰-۵۰/۰

ضعیف

کمتر از ۵۰/۰

غیر قابل پذیرش

ب) آزمون بارتلت
آزمون بارتلت این فرضیه را که ماتریس همبستگی­های مشاهده شده متعلق به جامعه­ای با متغیرهای ناهمبسته است، می­آزماید. مربع کای معنی­دار بیانگر حداقل شرایط لازم برای اجرای تحلیل عاملی است. اگر sig آزمون بارتلت کوچک­تر از ۵ درصد باشد تحلیل عاملی برای شناسایی ساختار (مدل عاملی) مناسب خواهد بود [۳۵]. برای محاسبه مقدار KMO و sig از نرم افزار SPSS 20 استفاده شد. مقادیر ورودی آنالیز پارامترها منتخب درون­یابی شده برای ۶۲۲ نقطه است. این آنالیزها قسمتی از آنالیز تحلیل عاملی هستند.
(( اینجا فقط تکه ای از متن درج شده است. برای خرید متن کامل فایل پایان نامه با فرمت ورد می توانید به سایت nefo.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. ))

تعیین تعداد گروه­ ها
به منظور تعیین تعداد گروه­ ها مقدار شبه T²، شبه F و مقدار واریانس کل مربوط به گروه ­های مختلف را با روش کلاستر و نمودار درختی محاسبه شد. مقادیر ورودی به آنالیز مهمترین عامل­های تحلیل عاملی می­باشد. جهت محاسبه بهترین تعداد گروه از نرم افزار SAS 9 استفاده شد.
تحلیل خوشه­ای
تحلیل خوشه­ای شامل تعدادی روش و الگوریتم مختلف بوده که به منظور گروه بندی اشیا و یا داده ­های آماری مشابه و قرار دادن آنها در طبقه ­های مناسب به کار می­رود. به عبارت دیگر می­توان گفت تحلیل خوشه­ای یک ابزار تحلیلی داده ­ها و اطلاعات، جهت گروه بندی آنها می­باشد که اگر داده ­ها متعلق به یک گروه باشند بیشترین درجه شباهت و در غیر این صورت حداقل درجه شباهت را خواهند داشت. فرایندی که در تحلیل خوشه­ای صورت می­گیرد، جمع آوری اطلاعات و ترکیب آنها می­باشد که داده ­ها و مشاهدات به شکلی مناسب گروه بندی شوند. اهمیت این روش در درونیابی داده ­های نقطه­ای، یافتن مناطق همگن می­باشد بخصوص زمانی که تغییرات داده ها و وسعت منطقه زیاد است. اقلیم شناسان از تحلیل خوشه­ای برای شناسایی مناطق همگن در مقیاس­های مکانی متفاوت استفاده می­ کنند. به طور مثال برای تعیین مناطق هم اقلیم می­توان از عوامل میانگین بارش و دمای ماهانه ایستگاه­های منطقه استفاده کرد. در مواردی با تعداد بیشتری از عوامل (مانند رطوبت، سرعت باد و …) از روش­های تجزیه مولفه­های اصلی یا تحلیل عاملی می­توان برای کاهش داده ­ها و یافتن مولفه­های اصلی استفاده کرد. به طور کلی الگوریتم­های تحلیل خوشه­ای در دو گروه خوشه بندی سلسله مراتبی و خوشه بندی تفکیکی قرار می­گیرند. روش­های خوشه بندی سلسله مراتبی مجموعه ­ای از اجزای به هم پیوسته در یک نمودار درختی (دندروگرام) به وجود می ­آورد. در حالی که روش­های تفکیکی خوشه­های جدا شده و مجزا را به عنوان خروجی می­ دهند. هدف از خوشه بندی داده ها آن است که مشاهدات را به گروه ­های متجانس تقسیم کنیم، به طوری که مشاهدات هر گروه بیشترین شباهت و مشاهدات گروه ­های مختلف کمترین شباهت را با هم داشته باشند. تحلیل خوشه­ای یک ابزار اکتشاف است و نتایج آن ممکن است:

• در تعریف یک طرح طبقه بندی مانند رده بندی حیوانات، حشرات یا گیاهان مفید باشد

• قواعدی برای اختصاص موارد جدید به طبقه­ها به منظور شناسایی و تشخیص به دست دهد

• حدود تعریف، اندازه و تنوع و تعریف برای آنچه قبلا به شکل مفاهیم وسیعی بوده است، فراهم آورد

• نمونه­هایی برای معرفی طبقه­ها بیاید

• مدل­های آماری برای توصیف جامعه­ها ارائه دهد.

مفاهیم فاصله^[۷۰] و تشابه^[۷۱] از مفاهیم اساسی تحلیل خوشه­ای است. فاصله اندازه­ای است که نشان می­دهد دو مشاهده تا چه حد جدا از یکدیگرند. در حالی که تشابه شاخص نزدیکی آنها با یکدیگر است. پژوهشگر قبل از تحلیل، نخست باید یک مقیاس کمی را که بر پایه همخوانی (تشابه) بین مشاهده­ها اندازه گرفته می­ شود را انتخاب کند. این شاخص ­ها با توجه به الگوریتم تشکیل خوشه ­ها، ماهیت متغیرها (پیوسته، گسسته یا دو ارزشی) و مقیاس اندازه گیری انتخاب می­شوند.
خوشه بندی سلسله مراتبی
اگر تعداد خوشه ­ها قبل از گروه بندی مشخص نباشد، از خوشه بندی سلسله مراتبی استفاده می­ شود. خوشه بندی سلسله مراتبی با روش­های مختلفی انجام می­ شود که عبارتند از:

• Between-groups-linkage: ترکیب خوشه ­ها از کمینه کردن متوسط فاصله بین تمام زوج مشاهداتی که در خوشه­های مختلف قرار دارند، ایجاد می­ شود. در این روش از کلیه فواصل موجود بین نقاط خوشه ­ها استفاده می­ شود نه فقط نزدیکترین یا دورترین فاصله­ها.

• Within-groups linkage: در این روش سعی می­ شود مشاهدات طوری در خوشه ­ها قرار گیرند که معدل فاصله نقاط داخل خوشه ­ها از یکدیگر به کمترین مقدار برسد.

• نزدیکترین همسایه^[۷۲]: در این روش فاصله بین دو خوشه را بر حسب فاصله بین دورترین نقاط آن محاسبه می­ شود.

• دورترین همسایه^[۷۳]: در این روش فاصله بین دو خوشه را بر حسب فاصله بین دورترین نقاط آن محاسبه می­ شود.

• خوشه بندی متمرکز^[۷۴]: فاصله بین دو خوشه، فاصله بین میانگین­های آنهاست. فاصله­ای که خوشه ­ها با یکدیگر ترکیب می­شوند از مرحله­ ای به مرحله دیگر کاهش می­یابد.

• خوشه بندی میانه^[۷۵]: در این روش به دو خوشه­ای که ترکیب می­شوند، وزن­های یکسانی صرف نظر از تعداد نقاط آنها داده می­ شود. این عمل سبب می­ شود گروه ­های کوچک نسبت به دیگر گروه­ ها اثر مشابهی در ساختن خوشه­های بزرگتر داشته باشند.

• وارد: در این روش ابتدا میانگین­های متغیرها در داخل هر خوشه محاسبه می­ شود. سپس برای هر مشاهده، مربع فاصله اقلیدسی میانگین­های خوشه ­ها محاسبه می­ شود. این فاصله برای تمامی مشاهدات جمع می­ شود. در هر مرحله دو خوشه­ای ترکیب می­شوند که کوچکترین افزایش در مجموع مربعات فواصل داخل خوشه­ای را داشته باشند.

به منظور گروه بندی اشیا و یا داده ­های آماری مشابه و قرار دادن آنها در طبقه ­های مناسب از آنالیز تحلیل خوشه­ای استفاده می­ شود. [۲۱،۳۵]. برای تشخیص پهنه­های اقلیمی در استان کرمانشاه مهمترین عاملهای که در تحلیل عاملی شناخته شده مورد ارزیابی و پهنه بندی با روش خوشه بندی سلسله مراتبی با روش وارد استفاده شد. در این پژوهش عامل­های مهم در ۶۲۲ نقطه درونیابی شده با بهره گرفتن از نرم افزار SPSS در گروه ­های مجزا قرار گرفتند.