دانلود مقالات ISI درباره تجزیه و تحلیل کمی + ترجمه فارسی

تجزیه و تحلیل کمی (به انگلیسی: Quantitative analysis) در فرآیند تحقیق، پس از گردآوری داده‌ها، گام بعدی شامل تجزیه و تحلیل داده‌ها است. تجزیه و تحلیل داده‌ها تنها به شیوه آماری نیست و تحقیقات فراوانی وجود دارد که فاقد جنبه آماری است و عمدتاً متکی به اسناد و مدارک و ادراک و تحلیل عقلانی است. این‌گونه پژوهش ها نیز از فرایند کامل تحقیق علمی تبعیت می‌کند و دارای مرحله تجزیه و تحلیل می باشند. بنابراین، تجزیه و تحلیل، ‌به طور کلی بر دو قسم است: تجزیه ‌و تحلیل کمّی و تجزیه ‌و تحلیل کیفی. برخی تجزیه ‌و تحلیل کمّی را به تحلیل توصیفی و تحلیل تبیینی (علّی) طبقه‌بندی کرده‌اند. در سطح تحلیل کمی توصیفی چگونگی توزیع داده‌های تجربی هر یک از متغیرهای مستقل و وابسته از طریق شاخص‌های آماری مناسب بیان می‌شود. در سطح تحلیل تبیینی با علت‌کاوی سروکار داریم و رابطه علّی میان متغیرها جستجو می‌شود. تحلیل کیفی نیز در سه سطح قابل انجام است: توصیف، تبیین و تفسیر. تجزیه ‌و تحلیل کمّی تحلیل توصیفی با تحقیق توصیفی و تحلیل تبیینی با تحقیق تبیینی سازگار است. با وجود این در تحقیق تبیینی، تحلیل توصیفی نیز انجام می‌شود. تحلیل کمّی در شرایطی کاربرد دارد که مفاهیم از طریق معرف‌های تجربی کمّی اندازه‌گیری شده باشد. ابزار تحلیل کمی، تکنیک‌های آماری است. در تحلیل کمی واقعه را از بیرون می‌کاویم. تحلیل کمی بی‌نیاز از تحلیل کیفی نیست. محقق به منظور تکمیل تحلیل نیازمند آن است که تحلیل کمی را با تحلیل کیفی همراه سازد. تحلیل کیفی بار معنایی یافته‌های کمی را روشن‌تر می‌نماید. در سطح تحلیل توصیفی، آماره‌های توصیفی مانند میانگین، واریانس ، انحراف استاندارد، میانه و مد مورد استفاده قرار می‌گیرد. نویسنده جاناتان کومی چند سری از بهترین تمرین‌ها را برای فهم بهتر دادهٔ کمی توصیه می‌کند که عبارتند از: • داده‌ی خام را قبل از اجرای تحلیل‌تان بررسی کنید; • محاسبات مهم، مانند بررسی ستون داده که از فرمول به دست آمده را مجدداً اجرا کنید; • کلیات را که حاصل زیرمجموعه‌ها هستند، تأیید کنید; • روابط بین اعدادی را که می‌بایست مربوط به حالتی قابل پیش‌بینی باشند، مانند نرخ‌ها در طول زمان، چک کنید; • به منظور ساده سازی مقایسه، بخش‌هایی چون تحلیل مقادیر را در هر نفر یا نسبت به تولید ناخالصی داخلی (GDP) یا به عنوان شاخص نسبی در یک سال پایه را به صورت قاعده درآورید; • مشکلات را به عوامل تحلیلی که منجر به نتیجه می‌شوند، بشکنید; برای متغیرهای تحت بررسی، تحلیل‌گران معمولاً آمار توصیفی به دست می‌آورند (مانند معدل، میانه و انحراف معیار). آن‌ها هم‌چنین ممکن است که توزیع متغیرهای کلیدی را تحلیل کنند تا چگونگی مقادیر مشخص حول میانه را ببینند. مشاوران در مکنزی اند کامپنی، روش شکستن مشکلات کمی به اجزاء آن را اصل MECE نام گذاری کردند. هر لایه می‌تواند به اجزایش شکسته شود. هر جزء باید منحصر به دیگری باشد و به صورت تجمعی به لایه بالایی‌اش اضافه شود. این رابطه به نام "متقابلاً منحصر به فرد و تجمعی کامل" یا MECE خوانده می‌شود. به طور مثال، سود طبق تعریف می‌تواند به درآمد کل و هزینه کل شکسته شود. به نوبه خود، درآمد کل می‌تواند توسط اجزای آن تحلیل شود؛ از جمله درآمد حاصل از بخش B، A و C (متقابلاً منحصر به فرداند) که باید به درآمد کل (تجمعی کامل) اضافه شوند. تحلیل‌گران ممکن است اندازه‌گیری‌های آماری قوی برای حل مشکلات تحلیلی خاص به کار ببرند. آزمون فرضیه زمانی استفاده می‌شود که فرضیه خاصی دربارهٔ حالت واقعی امور توسط تحلیل‌گر ساخته می‌شود و داده برای تعیین اینکه آیا آن حالت درست است یا غلط، به کار می‌رود. برای مثال، ممکن است فرضیه این باشد که "بیکاران اثری بر تورم ندارند" که مربوط به مفهومی اقتصادی است. آزمون فرضیه شامل در نظر گرفتن احتمال نوع I و نوع II است و مرتبط است به اینکه آیا داده فرضیه را رد می‌کند یا می‌پذیرد. تحلیل رگرسیون زمانی به کار می‌رود که تحلیل‌گر سعی دارد تعیین کند که تا چه میزان متغیرهای مستقل X بر متغیرهای وابسته Y تأثیر می‌گذارند (مثلاً تا چه حد تغییرات نرخ بیکاری X در نرخ تورم Y تأثیر دارد؟). این تلاشی برای مدل‌سازی یا برقراری خط تساوی یا منحنی داده در تابع Y به X است.