مثال پژوهشی برای آموزش رگرسیون خطی چند متغیره در spss: بررسی رابطه ی ساده و چندگانه ویژگی های شخصیتی (روان نژندی، برون گرایی، توافق جویی، روشن فکری و وظیفه شناسی) و عزت نفس با رانندگی مخاطره آمیز در رانندگان فرضیه های تک متغیری پژوهش:

1- روان نژندی با رانندگی مخاطره آمیز رابطه ی مثبت دارد.

2- برون گرایی با رانندگی مخاطره آمیز رابطه ی منفی دارد.

3- توافق جویی با رانندگی مخاطره رابطه ی منفی دارد.

4- روشن فکری با رانندگی مخاطره آمیز رابطه ی منفی دارد.

5- وظیفه شناسی با رانندگی مخاطره آمیز رابطه ی منفی دارد.

6- عزت نفس با رانندگی مخاطره آمیز رابطه ی منفی دارد.

فرضیه ی ترکیبی یا چندگانه ی پژوهش:

بین پنج بعد شخصیتی و عزت نفس با رانندگی مخاطره آمیز رابطه ی چند گانه وجود دارد.

در مقاله مربوط به همبستگی ساده ی میان هوش و معدل تحصیلی، نسبت به اهمیت مفهوم همبستگی و نقش آن در پیش بینی پدیده های مطالبی بیان شد.

در همبستگی پیرسون فقط رابطه ی میان متغیر (پیش بین و ملاک) بررسی می شود، بنابراین، این نکته روشن است که یک متغیر پیش بین به تنهایی نمی تواند تمام واریانس متغیر ملاک را پیش بینی کند و راه گشای ما در مقاصد کاربردی از معادله ی رگرسیون باشد.

رگرسیون چندگانه یک روش مستقل آماری پیشرفته است که همزمان نقش ترکیب چند متغیر پیش بین (مستقل) را بر یک متغیر ملاک (وابسته) بررسی می کند و امکان پیش بینی آن پدیده را بهتر از همبستگی تک متغیری فراهم می سازد.

اینک مثالی مطرح می شود تا به کمک آن اهمیت رگرسیون چند متغیری و نقش کاربردی آن در پیش بینی روشن تر شود.

فرض کنید یک شرکت حمل و نقل و باربری می خواهد رانندگانی را استخدام کند که احتمال تصادف و رانندگی مخاطره آمیز در آن ها پایین باشد.

پژوهشگری که توسط این شرکت استخدام می شود تا این مهم را انجام دهد، با مطالعه و بررسی های دقیق و مطالعه ی ادبیات روانشناسی درباره ی حوادث، عوامل پیش بین حوادث رانندگی را شناسایی می کند.

برای نمونه، این پژوهشگر به این نتیجه می رسد که حواس پرتی، مخاطره جویی، وزن توده ی بدن، روان نژندی و عزت نفس دارای نقش کلیدی در بروز حوادث رانندگی هستند.

این پژوهشگر پژوهشی را بر روی 300 نفر راننده که دارای سابقه ای بیش از 10 سال رانندگی هستند، انجام می دهد و تمام اطلاعات لازم و مربوط به متغیر های حواس پرتی، مخاطره جویی، وزن توده ی بدن، روان نژندی، عزت نفس و میزان حوادث جزیی و شدید آن ها را به کمک پرسش نامه و با دقت بسیاری گرد آوری می کند.

بررسی روابط ساده میان متغیر های پیش بین با نرخ حوادث نشان می دهد که رابطه ی میان تمام متغیر های پیش بین، به جز عزت نفس، با نرخ حوادث مثبت و تنها رابطه ی عزت نفس با متغیر ملاک منفی می باشد.

همچنین، کاربرد رگرسیون چند متغیری در این پژوهش نشان می دهد که تمامی این متغیر های مستقل واجد نقش معنی داری در پیش بینی نرخ حوادث رانندگی هستند.

ماحصل این پژوهش چند متغیری به یک معادله ختم می شود که به کمک آن می توان میزان احتمالی تصادفات رانندگی کسانی را که در شرف استخدام هستند، مشخص کرد و نسبت به جذب یا نپذیرفتن آن ها تصمی گیری کند.

به کمک رگرسیون چند متغیری، می توان نرخ طلاق، خودکشی، بیماری روانی، سیگاری شدن، خشنودی شغلی، اشتباهات محاسباتی کارممندان بانک، کفایت شغلی معلمان و پدیده های گوناگون دیگر را پیش بینی و در جهت کاهش پدیده های منفی و یا افزایش پدیده های مثبت اقدام کرد.

نکته ی مهم:

معادله ی رگرسیون از گروهی دست می آید که دچار حادثه، سیگاری شدن، طلاق و. شده اند.

یعنی این معادله از پژوهش های پس رویدادی به دست می آید. بنابراین، این معادله برای خود آن ها سود چندانی ندارد، اما برای کسانی که تازه می خواهند در این راه گام بگذارند، بسیار مهم است و از لحاظ فردی می تواند آن ها را به یک خودشناسی خوبی برساند.

حجم نمونه:

به طور کلی هر چند حجم نمونه افزایش پیدا کند، ثبات یافته های پژوهش و به تبع آن، توان آماری آزمون (رد صحیح فرض صفر غلط) افزایش پیدا می کند.

به قول کرلینجر برخی عقیده دارند که در تحلیل رگرسیون چند متغیری حجم نمونه نباید از 400 نفر کمتر باشد.

البته برآوردهای آماری نشان می دهد اگر حجم نمونه در ازای هر متغیر مستقل از 15 نفر به 30 نفر افزایش یابد، برآورد R به طور قابل ملاحظه ای افزایش پیدا می کند.

در ازای هر متغیر مستقل، تغییر حجم نمونه از 30 نفر به 50 نفر تغییر محصوصی در R ایجاد نمی کند.

بنابراین، چندین اظهار نامه عالمانه وجود دارد که نسبت متغیرهای مستقل بر حجم نمونه را 1/15، 1/30 و 1/50 توصیه می کنند؛ به عبارت دیگر، اگر در یک پژوهش تعداد متغیرهای مستقل برابر 5 باشد، طبق معیار 1/15 حجم نمونه نباید از 75 نفر کمتر شود و اگر معیار 1/30 را بپذیریم، حجم نمونه باید دست کم 150 نفر باشد، اما از آن جا که در تحلیل های رگرسیون چند متغیری گاه نیاز به وارسی مقطعی اعتبار پیش می آید (تقسیم نمونه به دو خرده نمونه و بررسی ضرایب رگرسیون در دو نمونه)، انتخاب نمونه های بزرگ این نیاز را تأمین می کند.

برای تحلیل این مثال پژوهشی (بررسی رابطه ی ساده و چند گانه ی ویژگی های شخصیتی (روان نژندی، برون گرایی، توافق جویی، روشن فکری و وظیفه شناسی) و عزت نفس با رانندگی مخاطره آمیز در رانندگان) کاربرد رگرسیون خطی چند متغیری مناسب است.

اولاً هدف از تحلیل رگرسیون خطی چند متغیری در این مثال این است که بر حسب ترکیب خطی 6 متغیر پیش بین، واریانس متغیر وابسته را پیش بینی کنیم.

ثانیاً، به کمک این شیوه ی آماری می توان وزن نسبی هر متغیر را به صورت اختصاصی روشن کرد.

فهم وزن اختصاصی متغیرها از روی همبستگی ساده آن ها با متغیر ملاک امکان پذیر نیست.

در ادامه علاوه بر نمایش آرایش بخشی از داده ها در شکل1، روند اجرایی رگرسیون چند متغیری بیان می شود و پس از اجرای تحلیل، نکاتی در خصوص اصطلاخات فنی این روش آماری با توجه به خروجی های SPSS تشریح می شود.

داده های این مثال پژوهشی از یک تحقیق واقعی روی کارکنان بانک، مخابرات و سازمان آب و برق یکی از شهرستان های استان خوزستان دست آمده اند.

همان گونه که در شکل 1، ملاحظه می شود، تعدادی از آزمودنی ها در پنج عامل شخصیتی روان نژندی، برون گرایی، توافق جویی، روشن فکری و وظیفه شناسی، عزت نفس و رانندگی مخاطره آمیز در صفحه اصلی SPSS وارد شده است.

روند اجرایی تحلیل رگرسیون چند متغیری با روش سلسله مراتبی به قرار زیر است:

- از سربرگ Analyze گزینه ی Regression و از انشعاب آن گزینه ی Linear را انتخاب کنید.

- متغیر وابسته را از جعبه ی سمت چپ به جعبه ی: Dependent منتقل کنید.

- متغیر های پیش بین را از جعبه ی سمت چپ با توجه به اهمیت نظری آن ها که در پژوهش ها به آن اشاره شده است و یا درجه اهمیت آن ها که برای خودتان مفروض است را به جعبه ی: Independent انتقال دهید و بر گزینه ی Next کلیک کنید و سپس متغیر بعدی را به این جعبه منتقل و بر گزینه ی Next کلیک کنید.

همین رویه را تا اتمام متغیرهای مستقل انجام دهید.

در مثال حاضر، به ترتیب عزت نفس، روان نژندی، وظیفه شناسی، برون گرایی، روشن فکری و توافق وارد جعبه ی Independent(s) شدند.

- بر گزینه ی Statistics کلیک کنید و علاوه بر پیش گزیده های SPSS، گزینه های R squared change، Descriptives، Durbin-Watson و Part and partial correlations را علامت دار نمایید.

- با کلیک بر دکمه های Ok و Continue از کادر های ارتباطی تحلیل رگرسیون خارج شوید تا فرمان اجرا شود.

کادرهای ارتباطی تحلیل رگرسیون خطی در شکل های 2 و 3 ارائه شده است.

شاخص های آماری درخواس شده از تحلیل رگرسیون چند متغیری با روش سلسله مراتبی در 6 جدول مجزا تحت عنوان خروجی های 1الی 6 ارائه می شوند.

همان گونه که در خروجی 1 مشاهده می شود، شاخص های آماری شامل میانگین، انحراف استاندارد و تعداد نمونه برای متغیرهای پژوهش ارائه شده است.

در خروجی 2، ماتریس ضرایب همبستگی پیرسون، سطوح معنی داری و تعداد نمونه درج شده است.

این جدول پاسخ مناسب برای فرضیه های ساده (ارتباط میان متغیرهای پیش بین و ملاک) را فراهم می سازد.

همان گونه که ملاحظه می شود، همبستگی ساده (پیرسون) میان رانندگی مخاطره آمیز با عزت نفس برابر با 521/.- =r و در سطح 0001/0>P معنی دار است.

بنابراین، فرضیه دال بر ارتباط منفی عزت نفس با رانندگی مخاطره آمیز تأیید می شود؛ به عبارت دیگر، هر چه عزت نفس افزایش پیدا کند، گرایش به رانندگی مخاطره آمیز کاهش پیدا می کند.

بنابراین جدول، تمام متغیرهای شخصیتی با رانندگی مخاطره آمیزارتباط معنی دار دارند.

بیشترین همبستگی و کمترین آن به ترتیب مربوط به رابطه ی عزت نفس (r=-0.521) و گشاده ذهنی یا روشن فکری (r=-0.189) با رانندگی مخاطره آمیز است.

در جدول Model Summary در خروجی 3، شاخص های مهمی از تحلیل رگرسیون وجود دارد. در نخستین ستون سمت چپ، شماره ترتیب ورود متغیرهای به معادله ی رگرسیون نشان داده شده است.

در ستون دوم (R) همبستگی چندگانه وجود دارد.

برای نمونه، مقدار 521/0 مربوط به رابطه ی ساده میان عزت نفس و رانندگی مخاطره آمیز است.

ضرایب چند گانه علامت منفی نمی گیرند. بنابراین، علامت ضرایب ساده میان متغیرها را باید در خروجی 2 پیدا کرد.

- R Square: این ستون مجذور ستون R را نشان می دهد. مجذور 521/0 برابر با 271/0 است.

به بیان دیگر، در حدود 27 درصد واریانس رانندگی مخاطره امیز توسط عزت نفس آزمودنی ها قابل پیش بینی است.

- Adjusted R Square: این ستون مجذور همبستگی چندگانه تعدیل شده است.

برآورد واریانس تبیین شده از یک نمونه همیشه بیشتر از حد واقعی در آن جامعه است.

مجذور همبستگی تعدیل شده به مقدار واقعی آن در جامعه نزدیک تر است.

- Std. Error of the Estimate: این ستون خطای معیار برآورد رگرسیون است که همانند خطای معیار میانگین، میزان تغییر آماره ی آزمون را از یک نمونه به نمونه ی دیگر برآورد می کند.

- R Square Change: این ستون تغییر در مجذور همبستگی، میزان تغییر یا تفاوت ناشی از متغیر اول و دوم، دوم و سوم و. وارد شده در معادله ی رگرسیون را در پیش بینی متغیر وابسته نشان می دهد.

برای مثال، مجذور همبستگی دو متغیر عزت نفس و وظیفه شناسی با متغیر وابسته برابر 304/0 است.

بنابراین، متغیر وظیفه شناسی 033/0 درصد واریانس پیش بینی شده رانندگی مخاطره امیز را بهبود بخشیده است.

همچنین، میزان تغییر مجذور همبستگی برای متغیر سوم (روان نژندی) برابر 008/0 است.

ستون سمت راست (Sig. F Chnge) معنی داری میزان مقادیر تغییر در مجذور همبستگی را نشان می دهد.

برای نمونه، میزان تغییر 033/0 که مربوط به متغیر وظیفه شناسی است، در سطح 011/ P قرار دارد و از لحاظ آماری معنی دار است، اما مقدار مربوط به متغیر روان نژندی که برابر با 008/0 است در سطح 202/0-P قرار دارد و معنی دار نیست.

از جدول خروجی 3 می توان دریافت که میزان همبستگی چندگانه ی 6 متغیر دخیل در پیش بینی رانندگی مخاطره امیز برابر با 567/0=R و مجذور آن 331/0=r2 است.

به بیان دیگر، به کمک این 6 متغیر 33 درصد واریانس رانندگی مخاطره آمیز را می توان پیش بینی کرد.

نکته ی مهم:

یکی از مفروضه های اساسی تحلیل رگرسیون چندگانه استقلال متغیرهای مستقل و یا به عبارت دیگر عدم ارتباط نمره های خطای متغیرهای مستقل با یکدیگر است، که این مفروضه توسط آزمون دوربین واتسون بررسی می شود؛ به عبارت دیگر، اگر همبستگی متغیرهای مستقل با یکدیگر زیاد باشد، کاربرد رگرسیون چندگانه زیر سئوال است.

آزمون دوربین واتسون که نتیجه ی آن در آخرین ستون سمت راست خروجی 3 آمده است این مفروض را آزمون می کند.

به طور سرانگشتی می توان گفت که اگر مقدار آماره ی این آزمون بین 5/1 الی 5/2 قرار داشته باشد، می توان استقلال مشاهدات را پذیرفت و تحلیل را دنبال کرد (تاباچنیک و فیدل، 2000). مقدار این آماره در پژوهش حاضر برابر با 109/2 است که نسان دهنده ی تأیید استقلال مشاهدات است.

آزمون دوربین واتسون علاوه بر استقلال مشاهدات، تحت تأثیر حجم نمونه و تعداد متغیرهای پیش بین است.

اینک لازم است تا ستون R Square با دقت بیشتری بررسی شود و مضامین مهم رگرسیون چند متغیری از ان درک شود.

مقدار 271/0 مربوط به نخستین متغیر یعنی عزت نفس است و مقدار 304/0 مربوط به وزن هم زمان عزت نفس و وظیفه شناسی در پیش بینی واریانس متغیر وابسته است.

اختلاف این دو مجذور همبستگی که برابر با 033/0 است، مربوط به نقش اختصاصی متغیر وظیفه شناسی پس از زدودن اثر عزت نفس از وظیفه شناسی می باشد.

به طور کلی، وقتی متغیر دوم (وظیفه شناسی) وارد معامله می شود، ابتدا رگرسیون وظیفه شناسی بر حسب عزت نفس محاسبه می گردد و با شیوه ای که پیش تر در تحلیل کوواریانس و همبستگی تفکیکی گفته شد، اثر متغیر عزت نفس از وظیفه شناسی کنترل می شود و سپس همبستگی ساده میان نمره ی باقیمانده ی وظیفه شناسی (پیراسته از عزت نفس) با متغیر وابسته محاسبه می شود و مجذور این همبستگی برابر با اختلاف میان 271/0 و 304/0 خواهد بود.

در مرتبه ی بعئ وقتی نوبت ورود متغیر سوم (روان نژندی) به معادله ی رگرسیون می رسد، ابتدا رگرسیون روان نژندی بر حسب عزت نفس و مسؤلیت پذیری محاسبه می شود و اثر این دو متغیر مقدم، از روی متغیر سوم (روان نژندی) زدوده می شود و سپس همبستگی میان نمره ی روان نژندی (پیراسته از عزت نفس و مسؤلیت پذیری) محاسبه شده و مجذور آن همبستگی با 304/0 جمع می شود.

در نتیجه واریانس تبیین شده ی سه متغیر وارده در معادله ی رگرسیون برابر با 312/0 بدست می آید.

نکته ی مهم:

متغیرهایی که در مرتبه های بعدی وارد معادله می شونند، سهم اندکی در افزایش مجذور همبستگی (r2) ایفا می کنند. علت این مسئله در این است که متغیری که در مرتبه ی اول وارد معادله می شود، اثر یا همپوشی متغیرهای دیگر در او مستتر است.

بنابراین، اگر متغیری در آخر وارد معادله شود و سم مناسبی در افزایش واریانس تبیین شده داشته باشد، یک متغیر مهم تلقی می شود؛ به عبارت دیگر، آخرین متغیری که در معادله رگرسیون وارد می شود وزن اختصاصی خود را بر ضریب تعیین وارد می کند.

در جداول بعدی این مطلب روشن خواهد شد که چگونه می توان وزن اختصاصی تک تک متغیرها را هنگامی که در آخر وارد معادله می شوند ارزیابی کرد.

از جدول Model Summary تنها می توان واریانس تبیین شده ی اختصاصی متغیر توافق جویی را (هنگامی که اثر همه متغیرهای دیگر از آن زدوده شده اند) به دست آورد.

زیرا که متغیر توافق جویی در آخر وارد معادله شده است.

همان گونه که در ستون تغییر مجذور همبستگی (R Square Change) مشاهده می شود، توافق جویی آخرین متغیری است که وارد معادله شده و کمترین واریانس تبیین شده (001/0) را به خود اختصاص داده است.

ترتیب ورود متغیرها را با نام آن ها می توان در قسمت پایین خروجی 3 مشاهده کرد.

نخستین متغیر با حرف (a)، نخستین و دومین متغیر پیش بین با حرف (b)، نخستین تا سومین متغیر با حرف (c)، نخستین تا چهارمین متغیر با حرف (d)، نخستین تا پنجمین متغیر پیش بین با حرف (e) و نخستین تا ششمین متغیر پیش بین با حرف (f) نشان داده می شوند.

نکته ی مهم:

اگر ترتیب ورود متغیرها در معادله ی رگرسیون تغییر دهیم، مجذور ضرایب همبستگی هر متغیر به شدن تغییر می کند، اما جمع کل آن ها، کماکان 331/0 خواهد بود.

جدول Anova یا خروجی 4 مربوط به معنی داری مقادیر مجذور همبستگی است.

همان گونه که در این جدول ملاحظه می شود، نسبت F برای مجذور همبستگی (r2=0.271) میان عزت نفس و رانندگی مخاطره آمیز برابر با 638/53 و در سطح 0001/0-P معنی دار است.

دومین ستون از سمت چپ این جدول مقادیر مجموع مجذورات رگرسیون، مجموع مجذورات باقیمانده ها و مجموع این دو مؤلفه یعنی مجذورات کل را نشان می دهد.

دقیقاً همانند آزمون t تست گروه های مستقل که میزان ضریب تأثیر یا همان ضریب تعیین را از تقسیم مجذورات بین گروهی بر مجموع مجذورات کل به دست می اوردیم، اینک می توان بار تقسیم مجموع مجذورات رگرسیون بر مجموع مجذورات کل، مجذور همبستگی که در حقیقت همان ضریب تأثیر است را محاسبه کرد.

مقادیر مذکور در جدول Anava (خروجی 4) ارایه شده است. اگر 657/6367 را بر مجموع مجذورات کل ناشی از رگرسیون یعنی 771/23495 تقسیم شود، میزان مجذور همبستگی میان عزن نفس و متغیر وابسته (r2=0.271) به دست می آید.

فرضیه ی چندگانه ی پژوهش از این قرار بود که میان متغیرهای شخصیتی و عزت نفس با رانندگی مخاطره آمیز رابطه ی چندگانه وجود دارد.

همان گونه که در خروجی 3 مشخص است، میزان این همبستگی چندگانه برابر با 567/0=R است که به کمک آخرین سطر خروجی 4 می توان معنی داری این همبستگی را مشاهده کرد.

مقدار F متناظر با این همبستگی برابر با 481/11 و در سطح 0001/0-P از لحاظ آماری معنی دار است.

بنابراین، فرضیه ی چندگانه ی پژوهش تأیید می شود.

نکته ی مهم:

سطوح معنی داری Sig در جدول ANOVA مربوط به همبستگی های چندگانه است نه بخش اختصاصی متغیرها.

برای نمونه، مقدار F (239/31) مربوط به همبستگی چندگانه ی عزت نفس و مسؤلیت پذیری در پیش بینی رانندگی مخاطره امیز است نه مربوط به متغیر مسؤلیت پذیری که در مرتبه ی دوم وارد معادله شده است.

به طور قطع خروجی 5 انبوهی از اطلاعات مهم تحلیل رگرسیون چند متغیری را در اختیار قرار می دهد. نخستین ستون جدول ضرایب رگرسیون (Coefficients) به نام های متغیر ها اختصاص دارد.

همین گونه که این ستون نشان می دهد، متغیرها در6 بلوک وارد تحلیل رگرسیون شده اند.

دومین ستون، ضرایب غیر استاندارد را تحت عنوان (B) نشان می دهد.

این ضرایب از تحلیل رگرسیون روی نمره های خام به دست می آیند و برای ساختن معادله ی رگرسیون روی نمره های خام به دست می آیند و برای ساختن معادله ی رگرسیون که در حقیقت مهم ترین کاربرد این روش آماری است، مناسبت دارند.

برای نمونه، اگر از ضریب غیر استاندارد عزت نفس که برابر 011/1- و عرض از مبدأ آن که 977/99 است استفاده کنیم، می توانیم نمره ی رانندگی مخاطره آمیز را برای رانندگان پیش بینی کنیم.

معادله ی رگرسیون برای این یک متغیر بدین نحو نوشته می شود. Y^'=a+(b_1×X_1) =99.977+(〖-1.011〗_1×X_1) نمره ی پیش بینی شده ی رانندگی مخاطره آمیز در معادله ی مذکور نمره ی هر فرد در متغیر عزت نفس قابل محاسبه است.

ستون Std. Error عبارت است از خطای معیار ضرایب رگرسیون.

در خروجی5، ستون (Beta) Standardaized coefficients ضرایب اختصاصی هر متغیر هستند که با تحلیل رگرسیون بر روی نمره های استاندارد متغیرها حاصل شده اند.

برای نمونه، در نخستین بلوک(یا نخستین معادله) وزن استاندارد رگرسیون برای متغیر عزت نفس برابر با 521/0- است.

این وزن که در نخستین بلوک قرار دارد، برابر با صریب همبستگی ساده ی این متغیر با متغیر وابسته است.

در بلوک دوم، وزن اختصاصی متغیر عزت نفس، پس از ورود متغیر وظیفه شناسی به مقدار 475/0- کاهش پیدا می کند؛ به عبارت دیگر، مقدار 475/0- را می توان ضریب تأثیر متغیر عزت نفس بر رانندگی مخاطره آمیز، پس از کنترل یا زدودن اثر متغیر وظیفه شناسی از متغیر عزت نفس و متغیر رانندگی مخاطره آمیز دانست.

همچنین، ضریب رگرسیون وظیفه شناسی (186/0-)، نشان دهنده ی ارتباط وزن میان متغیر وظیفه شناسی با رانندگی مخاطره آمیز، پس از زدودن اثر متغیر عزت نفس از متغیر وظیفه شناسی و متغیر رانندگی مخاطه آمیز است.

در بلوک سوم از این جدول، وزن اختصاصی متغیر روان نژندی 108/0 است.

به بیان دیگر، این وزن (108/0) تأثیر متغیر روان نژندی بر رانندگی مخاطره آمیز، پس از کنترل یا زدودن اثر متغیرهای مقدم در تحلیل، یعنی عزت نفس و وظیفه شناسی از روی متغیرهای روان نژندی و رانندگی مخاطره آمیز را نشان می دهد.

 ادامه دارد.

آموزش رگرسیون خطی چند متغیره در spss با مثال -قسمت دوم