:: هنا مـناقـــشـــــة ومراجـعـة مــادة طـــرق البحث والتصــميم ::

[سرااااااااااااب]

Lecture 12

Your research variables

Your research Variables

1) How many variables are centrally involved?

We are not counting here the variables you might want to exclude the effects of… see later, just those that are central to a RQ or RH. So is this a one variable design, two variable, three variable etc. design? In the jargon: univariate, bivariate or beyond two variables it may be either factorial or multivariate (As a rough guide, it would be called factorial only where there are two or more explanatory variables in categories, see below for explanation, otherwise it would be called multivariate).

In this course we stick to two-variable designs, since understanding them properly is the key to understanding more complicated ones. In fact often a study with many variables can be broken down into a whole lot of RQs each dealt with as a two variable design. E.g. in a questionnaire you ask Taiwan senior high school learners of English their gender and also how often they use 20 different reading strategies; you also give them Nation’s Levels test to check their vocab proficiency. You then potentially have a whole lot of two variable analyses (each with its own research Q or H!), involving gender in relation to each of the 20 strategies and vocab prof in relation to each of the 20 strategies (so 40 two-variable designs are analysed).

متغيرات البحث

1) كيف العديد من المتغيرات وتشارك مركزياً؟

ونحن لا نعول هنا المتغيرات التي قد تحتاج إلى استبعاد الآثار.. انظر لاحقاً، فقط تلك التي المركزية إلى RQ أو RH. هل هذا تصميم متغير واحد، اثنين من متغير، ثلاثة إلخ متغير التصميم؟ بلغة: وحيد المتغير، المتغيرين أو ما بعدة متغيرات اثنين قد يكون مضروب أو متغير (كدليل الخام، سوف يطلق عليه مضروب فقط حيث هناك اثنين أو أكثر من المتغيرات التفسيرية في فئات، انظر أدناه للتفسير، إلا أنه سيطلق متعدد المتغيرات).

في هذه الدورة ونحن عصا للتصاميم متغيرين، منذ فهم لهم بشكل صحيح هو المفتاح لفهم أكثر تعقيداً منها. في الواقع كثيرا ما دراسة مع العديد من المتغيرات يمكن أن تقسم إلى مجموعة كبيرة من كل التعامل معها كاثنين من تصميم متغير. مثلاً في استبيان تسأل تايوان المدارس الثانوية العليا المتعلمين من اللغة الإنجليزية على أساس الجنس، وأيضا كيف في كثير من الأحيان أنها تستخدم استراتيجيات القراءة مختلفة 20؛ يمكنك أيضا منحهم مستويات الاختبار الأمة للتحقق من كفاءتها vocab. ثم يحتمل أن تكون لديك مجموعة كبيرة من تحليلين متغير (مع الخاصة به كل البحوث ف أو ح!)، التي تشمل الجنسين فيما يتعلق بكل من استراتيجيات 20 وزين vocab فيما يتعلق بكل من استراتيجيات 20 (حيث يتم تحليل 40 متغيرين التصاميم).

2) What roles do the central variables each play?

Often we think of one or more variables as potentially 'explaining' or 'causing' or 'affecting' or 'predicting' one or more of the others. For instance gender would be regarded as 'explaining' any differences in use of strategies we find. It would be odd to regard strategy use as somehow affecting people's gender! In the jargon, the 'explaining' variable (or variables) is perhaps most neutrally labelled the 'explanatory variable' (EV, as I prefer), but many call it the 'independent variable' (IV), or in some special design circumstances 'factor' or 'predictor'. The other variables are then 'dependent variables' (DV) or sometimes called 'response variables' etc. Sometimes there is no obvious EV - DV distinction among variables, e.g. if you are interested in the relationship between learners' grammatical proficiency and vocabulary size it is not obvious that either one is potentially affecting the other. Then regard the design as having DVs only.

There is a reason for talking in weaker terms and saying that one variable ‘explains’ another, or just ‘is related to’ it, rather than more strongly saying it ‘causes’ it or ‘affects’ it. Much language research is not experimental in the true sense, and the conventional wisdom is that it is only in a proper experiment that cause and effect can definitely be demonstrated.

2) ما هي الأدوار التي تفعل المتغيرات وسط كل اللعب؟

كثيرا ما نفكر في واحد أو أكثر من المتغيرات كما يحتمل أن تكون 'شرح' أو 'التسبب' أو 'تؤثر' أو 'توقع' واحد أو أكثر من الآخرين. وعلى سبيل المثال بين الجنسين تعتبر 'شرح' أي اختلافات في استخدام استراتيجيات نجد. فإنه سيكون من الغريب إلى اعتبار استخدام الاستراتيجية التي تؤثر على نحو ما في بين الجنسين الشعبية! في المصطلحات، 'شرح' المتغير (أو المتغيرات) هو ربما الأكثر محايد المسمى 'متغير تفسيري' (EV، كما يفضل)، ولكن العديد من يطلق عليه 'المتغير المستقل' (رابعا)، أو في بعض الظروف الخاصة تصميم 'عامل' أو 'توقع'. المتغيرات الأخرى ثم يتم 'تعتمد على متغيرات' (DV) أو في بعض الأحيان تسمى 'استجابة المتغيرات' إلخ. هناك في بعض الأحيان لا EV واضحة-DV التمييز بين المتغيرات، مثلاً إذا كنت مهتما بالعلاقة بين الكفاءة النحوية المتعلمين وحجم المفردات ليست واضحة أما أن واحدة يحتمل أن تؤثر على الآخر. ثم اعتبار التصميم بعد DVs فقط.

هناك سببا للحديث في شروط أضعف وقائلا أن متغير واحد 'يشرح' آخر، أو مجرد 'مرتبط إلى' أنه، بدلاً من أكثر بشدة قائلا أنها 'الأسباب' أو 'تؤثر'. الكثير من البحوث اللغوية ليست تجريبية بالمعنى الحقيقي، والحكمة التقليدية أنه فقط في تجربة سليم أنه يمكن بالتأكيد إثبات السبب والنتيجة.

3) Is this an experiment, in the strict sense?

هذا تجربة، المعني الدقيق للكلمة؟

5) What variables are or should be considered additionally to the central EVs and DVs?

These are variables that you might need to control, in the sense of 'exclude the effects of' (which I call CVs!). They may well not be mentioned in the research question/hypothesis, but are nevertheless crucial. They are things that may otherwise interfere with the results and make it hard to interpret what you discover about the central variables in the design.

You can 'control' or eliminate such variables in various ways. One is by making them constant. E.g. you choose only people in their twenties for a study comparing men and women, thus eliminating the age variation factor; for an experiment where people read two types of text (narrative and argumentative) you make all the texts at the same level of vocabulary difficulty. Another way is to randomise the variable (or, more often, claim it is as good as random, even though you have not strictly randomised it…): to eliminate age you pick men and women randomly of all ages, so hopefully you will not get a lot more older people in one group than in the other. We have already seen also the 'stratified sampling' solution to this sort of problem, where you would pick equal numbers of people of different age groups in each gender, and the use of the 'matched subjects design' which also eliminates this, if age is chosen as one of the variables to be used for matching.

If you fail to make sure relevant variables are controlled, then you may have what is called a 'confounded' design. E.g. you want to compare people's strategies depending on the rhetorical type of the text they read (narrative vs argumentative), but you use texts where the difficulty of language and unfamiliarity of topic is greater in the latter texts than the former. Then if you find a difference between text types in the strategies readers use, a critic afterwards will say 'maybe your result really shows a difference between easy and hard texts, not narrative and argumentative ones'. You will have failed to 'control' language and topic difficulty and have 'confounded' these variables with your targeted EV.

5) ما هي المتغيرات هي، أو ينبغي أن يعتبر بالإضافة إلى ذلك في المركبات الكهربائية وسط DVs

هذه هي المتغيرات التي قد تحتاج إلى التحكم في الشعور باستثناء 'الآثار' (الذي اسمية السير الذاتية!). كذلك لا يمكن ذكر في السؤال/فرضية البحث ولكنهم مع ذلك ذات أهمية حاسمة. وهي الأمور التي قد تتداخل مع النتائج خلاف ذلك وتجعل من الصعب تفسير ما تكتشف حول المتغيرات المركزية في التصميم.

يمكنك 'السيطرة' أو القضاء على هذه المتغيرات في طرق مختلفة. واحد عن طريق جعلها ثابتة. مثلاً يمكنك اختيار فقط من الناس في العشرينات لدراسة المقارنة بين الرجل والمرأة، وبالتالي القضاء على عامل التباين في السن؛ لتجربة حيث يقرأ الناس نوعين من النص (السردي وجدلية) يمكنك جعل كافة النصوص بنفس المستوى من صعوبة المفردات. طريقة أخرى هي أن العشوائية في المتغير (أو أكثر في كثير من الأحيان، يدعى أنها جيدة كما عشوائية، حتى ولو كنت لا المعشاه الصارم به...): للقضاء على سن اختيار الرجال والنساء من جميع الإعمار عشوائياً، لذا نأمل أنك لن تحصل الكثير من كبار السن في مجموعة واحدة مما في غيرها. وقد شهدنا بالفعل أيضا الحل 'أخذ العينات الطبقية' لهذا النوع من المشكلة، حيث أن اختيار أعدادا متساوية من الناس من مختلف الفئات العمرية في كل من الجنسين، واستخدام تصميم المواضيع المتطابقة والتي أيضا يلغي هذا، إذا تم اختيار العمر كأحد المتغيرات لاستخدامها لمطابقة.

إذا فشلت في التأكد من أن يتم التحكم في المتغيرات ذات الصلة، ثم قد يكون لديك ما يسمى بتصميم 'مرتبك'. مثلاً تريد أن تقارن الاستراتيجيات الشعبية اعتماداً على نوع النص الخطابي يقرأون (جدلية السرد مقابل)، ولكن يمكنك استخدام النصوص حيث صعوبة اللغة وعدم الإلمام للموضوع أكبر في نصوص هذا الأخير من السابق. ثم إذا وجدت فرق بين أنواع النص في استخدام استراتيجيات القراء، ناقد بعد ذلك سيقول 'ربما الخاص بك حقاً يعرض النتيجة اختلاف بين النصوص سهلة وصعبة، وليس منها السرد وجدلية'. وقد فشلت في 'السيطرة' صعوبة اللغة والموضوع وقد 'مرتبك' هذه المتغيرات مع EV المستهدفة الخاصة بك.

In much language research ideal control is not possible. In theory, it is only in experiments that it could be fully achieved. E.g. suppose you study learner behaviour going on in classes in a school taught by two different means (which could be either naturally occurring means or ones you experimentally impose). You will typically have to use existing classes ('intact groups') rather than take students and randomly assign them to the two method groups. Hence you cannot control whether, say, more proficient students get into one group than another. The best you can do here is to at least record as much as you can about the subjects in the two classes with a little background questionnaire. Then you can afterwards use the information about proficiency, for example, to help interpret the findings, and maybe analyse the data with the effects of prof statistically taken into account and discounted (by treating the offending variable as a ‘covariate’ in the analysis, but that is an advanced topic). Obviously the 'alternative' research paradigms do not lend themselves to control and rely heavily on delicate interpretation by the researcher of how all the uncontrolled factors might have affected what is observed.

في الكثير من البحوث اللغوية لا يمكن التحكم المثالي. ومن الناحية النظرية، فقط في التجارب أن ذلك يمكن أن يتحقق بشكل كامل. مثلاً افترض أن قمت بدراسة سلوك المتعلم يحدث في فصول دراسية في مدرسة تدرس من قبل اثنين من وسائل مختلفة (التي يمكن أن تكون أما الوسائل التي تحدث بشكل طبيعي أو تلك التي يمكنك فرض تجريبيا). سيكون لديك عادة استخدام الفئات الموجودة (مجموعات سليمة) بدلاً من اتخاذ الطلاب وعشوائياً تعيينها إلى مجموعات الأسلوب اثنين. ومن ثم لا يمكنك التحكم ما إذا كان، أقول، أكثر كفاءة الطلاب الحصول على داخل مجموعة واحدة من آخر. أفضل ما يمكن القيام به هنا للسجل على الأقل قدر ما يمكنك حول المواضيع في الفئتين مع استبيان خلفية قليلاً. ثم يمكنك بعد ذلك استخدام المعلومات حول الكفاءة، فعلى سبيل المثال، للمساعدة في تفسير النتائج التي توصل إليها، وربما تحليل البيانات مع آثار زين إحصائيا في الاعتبار ومخفضة (باعتبار متغير المخالف 'كل' في التحليل، ولكن هذا هو أحد مواضيع متقدمة). ومن الواضح أن نماذج البحث 'البديلة' لا تصلح للتحكم وتعتمد اعتماداً كبيرا على التفسير الدقيق من قبل الباحث كيف جميع العوامل غير المنضبط قد أثرت وما يتم ملاحظته.

[سرااااااااااااب]

Lecture 13

Results

RESULTS IN GENERAL: THREE STATISTICAL THINGS TO DO WITH RESULTS

(a) Presentation. Mainly presentation consists of making easy to understand tables, and especially graphs of various sorts, to go in the main text and show the key features of the results (e.g. histograms, bar charts, scatterplots, line graphs of various sorts). For these tables and/or graphs, frequencies of people falling in a category may be converted to %, etc., for easy understanding, and often what will be presented are descriptive statistics derived from the data (see b), rather than scores or whatever of each case separately.

نتائج:
نتائج عامة: ثلاثة الإحصائية مما ينبغي فعله مع النتائج (عرضاً). يتكون أساسا من العرض التقديمي من مما يجعل من السهل أن نفهم الجداول، والرسوم البيانية خاصة من مختلف الأنواع، الذهاب في النص الرئيسي، وإظهار الملامح الرئيسية للنتائج (مثل رسوم بيانية، المخططات الشريطية، سكاتيربلوتس، خط الرسومات البيانية بأنواعها المختلفة). قد يتم تحويل هذه الجداول و/أو الرسوم البيانية، ترددات الناس التي تقع في فئة %، إلخ، لفهم سهل، وغالباً ما سيتم عرضه وصفية الإحصاءات المستمدة من البيانات (انظر ب)، بدلاً من عشرات أو أيا كان لكل حالة على حدة

(b) Descriptive statistics. These are figures you (get the computer to) calculate from a lot of specific figures which arise from data. Essentially they summarise certain facts just about the specific cases you studied. Hence they are referred to as 'statistical measures' based on 'observed' data, sometimes referred to as O (=observed) figures for short (cf. 'statistical tests' in c which go beyond just what has been observed about samples). Mainly they are of one of the following types, depending on what kind of thing about your people/words/etc. they measure:

(ب) إحصاءات وصفية. هذه هي الأرقام تحصل (جهاز الكمبيوتر) على حساب من الكثير من الأرقام المحددة التي تنشأ من البيانات. أساسا أنها تلخص وقائع معينة فقط عن الحالات المحددة لك درس. ومن ثم يشار إليها ك 'التدابير الإحصائية' استناداً إلى بيانات 'المشاهدة'، يشار إليها أحياناً بس (= لاحظ) الأرقام لفترة قصيرة (انظر 'الاختبارات الإحصائية' في ج التي تذهب إلى أبعد من مجرد ما قد لوحظ حول عينات). وأساساً من أحد الأنواع التالية، اعتماداً على أي نوع من الشيء الخاص بك الناس/الكلمات/إلخ أنها تقيس:

-- (b1) Measures of centrality. These in some way indicate the one score or category that you might choose to represent a whole set of scores or categorisations for one group of cases on one variable. These are mostly familiar measures from everyday life. One example is the "average" score of a set of interval scores (technically the Mean). Another, where you have cases that have been put in categories, is the category that the greatest proportion of people chose or fell in

(b1) تدابير لمركزية. هذه بطريقة تشير إلى 01:20 ص أو الفئة التي قد تختار لتمثيل مجموعة كاملة من عشرات أو categorisations لمجموعة واحدة من الحالات على متغير واحد. هذه معظمها من تدابير مألوفة من الحياة اليومية. مثال واحد هو درجة "متوسط" من مجموعة من عشرات الفاصل الزمني (يعني من الناحية التقنية). آخر، حيث لديك الحالات التي وضعت في فئات، هي الفئة التي أكبر نسبة من الناس اختيار أو سقطت

-- (b2) Measures of variation. These summarise how far the individual scores were closely spread round some central measure, how far they were widely spread. In a way they measure how closely the scores (or people who scored the scores) "agreed" within a group, on a scale running upwards from 0. The higher the figure, the greater the variation. Examples of such measures are the Standard Deviation (and related notions Variance and Error) for scores, Index of Commonality for categories.

-التدابير (b2) من التباين. وتلخص هذه مدى انتشرت عشرات الفردية عن كثب جولة المركزية قدرا، كيف الآن أنها كانت منتشرة على نطاق واسع. بطريقة أنها تقيس مدى قرب عشرات (أو الأشخاص الذين سجل العشرات) "المتفق عليها" ضمن مجموعة ما، في نطاق يمتد صعودا من 0. كلما ارتفع الرقم، كلما زاد التباين. أمثلة لمثل هذه التدابير هي الانحراف المعياري (والمفاهيم المتصلة الفرق والخطأ) لعشرات، "فهرس القواسم المشتركة" لفئات.

(b3) Measures of difference. These summarise the amount of difference between pairs of samples or groups measured, or between scores the same group obtained in different conditions, usually by a figure that is the 'difference between two means', or the 'difference between two percentages' (percentage difference). Again such figures normally run upwards from 0 (= no difference) to any size.

(b3) تدابير للفرق. تلخص هذه مقدار الفرق بين أزواج من العينات أو المجموعات قياس، أو بين درجات نفس المجموعة التي تم الحصول عليها في ظروف مختلفة، عادة بهذا رقم الذي هو 'الفرق بين وسيلتين'، أو 'الفرق بين النسب المئوية اثنين' (الفرق بالنسبة المئوية). مرة أخرى هذه الأرقام عادة تشغيل صعودا من 0 (= لا فرق) إلى أي حجم.

(b4) Measures of relationship. These quantify the amount of relationship between two (or more) variables as measured in the same group of people or whatever. They are usually on a scale 0-1 (in some instances they run from -1 through 0 to +1). I.e. if such a measure comes out near 1 (or -1 where relevant), that indicates that those cases that scored a particular value on one variable also tended to score a particular value on the other. E.g. those who scored high on motivation also scored high on proficiency. If it comes out near 0, that indicates that cases that scored a particular way on one variable scored all over the other variable, and vice versa. Examples are the Pearson 'r' Correlation Coefficient, the Spearman 'rho' Correlation Coefficient, Kendall's W, the 'phi' Correlation Coefficient, Kruskal's 'gamma'. (Remember that relationship and difference are really the same thing looked at from different points of view. If there is a difference between men and women - the two values of the gender variable - in attitude to RP accent, then there is a relationship between the variables gender and attitude to RP accent. It is just that for technical reasons sometimes statistics approaches the matter more via measuring difference, sometimes via measuring relationship).

(b4) تدابير للعلاقة. هذه تحديد مقدار العلاقة بين المتغيرات اثنين (أو أكثر) كما يقاس في نفس المجموعة من الناس أو أيا كان. وهم عادة في نطاق 0-1 (في بعض الحالات أنها تخترق من-1 0 إلى + 1). أي إذا كان هذا تدبير يخرج 1 القريب (أو-1 حيثما كان ذلك مناسباً)، التي تشير إلى أن تلك الحالات التي سجلت قيمة معينة في متغير واحد تميل أيضا إلى نقاط قيمة معينة على أخرى. مثل أولئك الذين سجل بارتفاع الدافع أيضا سجل عالية في الكفاءة. إذا كان يأتي القرب من 0، الذي يشير إلى أن الحالات التي سجل طريقة معينة على متغير واحد وسجل في جميع أنحاء المتغير الآخر، والعكس بالعكس. ومن أمثلة ث بيرسون 'r' معامل الارتباط، معامل الارتباط سبيرمان 'رو' كيندال، 'phi' معامل الارتباط، 'غاما كروسكال 's'. (تذكر أن العلاقة والفرق هي في الحقيقة نفس الشيء ينظر إليها من وجهات نظر مختلفة. إذا كان هناك فرق بين الرجال والنساء--اثنين قيم متغير نوع الجنس-في الموقف إلى اكسنت RP، ثم هناك علاقة بين متغيرات الجنس والموقف من اكسنت RP. أنها مجرد أنه لأسباب فنية في بعض الأحيان إحصاءات تقترب هذه المسألة أكثر عن طريق قياس الفرق في بعض الأحيان عن طريق قياس العلاقة).

If you are only interested in the particular cases or groups of cases you measured in themselves (e.g. because they are the whole population of interest), then (a) and (b) probably provide the answer to any questions or hypotheses you had about them. But usually in research you have not measured everyone/thing of interest directly, but only samples, and wish to generalise, hence inferential statistics are also needed.

إذا كنت مهتما فقط في حالات معينة أو مجموعات من الحالات يمكنك قياسه في حد ذاتها (مثلاً لأنها جميع السكان لمصلحة)، ثم (أ) و (ب) ربما توفر الإجابة على أي أسئلة أو الفرضيات التي كنت قد حول لهم. لكن عادة في البحث كنت قد لا يقاس كل شخص/شيء من الفائدة مباشرة، ولكن فقط عينات، والرغبة في التعميم، إحصاءات استنتاجي ومن ثم هناك حاجة أيضا إلى

(c) Inferential statistics. These in some way enable you to generalise from the specific sample(s) you measured, and the descriptive measures of them (O's), to a wider 'population' that you sampled (if that is of interest to you, of course). Most descriptive statistical measures have associated inferential statistics.

In effect then, the input to inferential

- the level of certainty is about what inferential stats tells you that you will be satisfied with. No inferential stats give you 100% certainty of anything. I.e. statistics can never tell you that, based on the difference between 3rd graders and 4th graders you found in your samples, it is 100% certain that there is a difference between 3rd and 4th graders in the populations your samples represent. You have to choose to be satisfied with something less than 100%. 95% is commonly taken as adequate in language research: this is the same as choosing the .05 (or 5%) level of significance as the one you will be satisfied with. (Statistics actually works with the chances of being wrong about a difference rather than being correct, hence 5% not 95%). If you adopt that level, then if a statistical test comes up with a significance of less than .05 for some difference or relationship you are interested in, then that is the same as saying that there is a 95% or more certainty that there is a population difference/relationship, not just one in the sample. So you will take it that a difference or relationship is proved to be real in the population(s) as well as the sample(s). If you adopted .01 as the threshold then you would only be satisfied if the test came out with a significance smaller than that (You would be demanding 99% or more certainty).

(ج) Inferential الإحصاءات. هذه طريقة تمكنك من التعميم من sample(s) محددة يمكنك قياسه، والتدابير وصفي منهم (يا)، على نطاق أوسع 'سكان' التي قمت بالنسخ (إذا كان هذا من مصلحة لكم، بطبيعة الحال). وقد انضم المقاييس الإحصائية الوصفية الأكثر استنتاجي الإحصاءات.
سارية المفعول بعد ذلك، مدخلاً استنتاجي-مستوى اليقين حول ما يقول لك التي سوف تكون راضية عن إحصائيات استنتاجي. لا توجد إحصائيات استنتاجي تعطيك اليقين 100 ٪ من أي شيء. أي إحصاءات يمكن ابدأ أن أقول لكم أن، على أساس الفرق بين طلاب السنة الثالثة وطلاب الصف الرابع كنت وجدت في العينات الخاصة بك، 100 ٪ معينة من أن هناك فرقا بين طلاب السنة الثالثة والرابعة في السكان في العينات الخاصة بك تمثل. عليك أن تختار أن تكون راضية عن ما هو أقل من 100%. 95% هو عادة المتخذة كافية في بحوث اللغة: هذا هو نفس اختيار.05 (أو 5 في المائة) مستوى من الأهمية كواحد سوف تكون راضية. (إحصائيات يعمل فعلا مع فرص يجري خاطئ عن فرق بدلاً من أن تكون صحيحة، ومن ثم 5% لا 95%). إذا كنت تعتمد هذا المستوى، ثم إذا كان اختبار إحصائية حتى يأتي مع ذو أهمية أقل من.05 لبعض الفرق أو العلاقة التي كنت مهتما في، ثم هذا هو نفس القول بأن هناك 95 في المائة أو قدرا أكبر من اليقين أن هناك سكان فرق/علاقة، لا مجرد واحدة في العينة. حتى يمكنك سوف اعتبر أن الفرق أو العلاقة ثبت الحقيقية في طوعيين، فضلا عن sample(s). إذا كنت اعتمدت 01 العتبة، ثم يكون إلا راضيا إذا خرج الاختبار مع دلالة أصغر من ذلك (هل سوف يكون يطالب 99% أو قدرا أكبر من اليقين).

Significance tests. These deal with hypotheses about 'differences' or 'relationships', which is why it was a good idea to think in these terms when formulating hypotheses and planning what to do in the first place - before actually starting gathering data. They tell us if a difference or relationship we have observed in samples is strong enough to indicate a 'real' difference/ relationship in the populations sampled or not.

أهمية الاختبارات. هذه التعامل مع فرضيات حول 'الخلافات' أو 'علاقات'، الذي السبب في أنها فكرة جيدة التفكير في هذه الشروط عند صياغة الفرضيات وتخطيط ما يجب فعله في المقام الأول-قبل البدء فعلياً بجمع البيانات. يقولون لنا إذا الفرق أو العلاقة أننا لاحظنا في عينات قوية بما يكفي للإشارة إلى فارق 'حقيقية'/العلاقة في السكان عينات أو لا.

Suppose you are comparing the attitudes of men and women to RP. You find an observed difference between the results for two samples (one of men and one of women) - i.e. the sample difference between the two average scores for attitude to RP English is not zero. So clearly the samples are, descriptively, different, but what can you say about the hypothesis about the populations of men and women that you sampled (since it is this "large-scale" hypothesis that you are really interested in)? Common sense says that you could get small differences between samples of men and women without there being any real population difference between men and women, just because samples from populations don't exactly reflect those populations in microcosm. Something called 'sampling error' always comes in. What you want (though you may not realise it!) is to be told a probability: you need to know the probability that you would get a difference the size of your observed one between samples if there were no population difference. If the probability is remote (say 5% or less (p<.05) - the common threshold chosen), then you will conclude that your samples are evidence for a population difference and will say that the difference is, technically, 'significant'. But if the probability is reasonably large (bigger than 5%, p>.05 say), then it is not safe to regard the "no difference" hypothesis as rejectable. The main bit of information you get from any significance test is therefore a probability, which may be referred to as p or sig.

لنفترض أنك مقارنة مواقف الرجال والنساء إلى البرنامج العادي. يمكنك العثور فرق الملاحظ بين النتائج للعينات اثنين (واحد من الرجال) وواحدة من النساء-أي عينة الفرق بين عشرات متوسط اثنين للموقف إلى الإنجليزية RP ليست صفراً. ذلك بوضوح العينات، صفيا، مختلفة، ولكن ماذا يمكن القول حول الفرضية حول السكان من الرجال والنساء أن قمت بالنسخ (نظراً لأنها هذه الفرضية "الواسعة النطاق" التي كنت مهتما حقاً)؟ الحس السليم يقول أن يمكن أن تحصل الخلافات الصغيرة بين عينات رجال والنساء دون وجود أي اختلاف السكان الحقيقية بين الرجل والمرأة، فقط لعينات من السكان لا تعكس بالضبط هؤلاء السكان في صورة مصغرة. ويأتي ما يسمى 'خطأ أخذ العينات' دائماً. ما تريد (على الرغم من أن كنت قد لا يدركون ذلك!) أن يقال احتمالاً: أنت بحاجة إلى معرفة احتمالية أن تحصل فرق حجم الخاص بك واحد ملاحظتها بين العينات إذا كان هناك أي اختلاف السكان. إذا كان الاحتمال بعيد (نقول 5% أو أقل (ف <.05)-عتبة المشترك المختار)، ثم يمكنك سيتم استنتاج أن العينات الخاصة بك أدلة لاختلاف سكان وسوف أقول أن الفرق، من الناحية الفنية، 'كبير'. ولكن إذا كان الاحتمال كبير معقول (أكبر من 5%، ف > قل 05)، ثم أنها ليست آمنة لاعتبار فرضية "لا فرق" ريجيكتابل. بت الرئيسية من المعلومات التي تحصل عليها من أي اختبار أهمية هو ذلك احتمال، التي قد يشار إليها باسم p أو sig.

http://privatewww.essex.ac.uk/~scholp/onevardesc.htm

بعدين فتح السايت وكان فيه رسم بياني ارجوا الاطلاع على الرسم ومهم تسمعون المحاضرات لان في اشياء كثيرة تنقال بالمحاضرة زايدة على اللي مكتوب تقبلوا جهدي المتواضع
المحاضرة 14 مراجعة

[~Mr-Dunhill]

[Angel human]

Up

I need it

[Mr.Literature]

الله يعطيك العافيه سرااااب

[زينب العلي]

السلام
احد عنده المحاضرات من 8 - 14 في ملف وورد ؟
شكرا مقدما

[~Mrs.ENGLI$H~]

سراب

مجهووووووووووووووووود عملاق

هذا كلام الشرايح بس والا معاه شرح الاخ فريدان ؟

[3HOOD]

شخبار هالماده عساها تنهضم ؟!

[KEKO]

كيف تتذاكر المادة سؤال؟ الله يعافيكم
لازم اشوف المحاضرات ولا بس اكتفي بالمحتوى من غير المحاضرات
لان ماكان عندي وقت اذاكرها

[AL-HARBI ' e ']

كيف تتذاكر هالماده كلها ورقتين ...!

أكرهـ مواد الفريدان .... مدري ليش