همبستگی مثبت یا مستقیم

و صلی الله علی سیدنا محمد وآله الطاهرین

همبستگي مثبت بين فقر و جرم - نگاهی به فقر از منظر جرم شناسی نسخه متنی

با بیش از 100000 منبع الکترونیکی رایگان به زبان فارسی ، عربی و انگلیسی

نگاهی به فقر از منظر جرم شناسی - نسخه متنی

قربان نیا، ناصر

آدرس پست الکترونیک گیرنده :

آدرس پست الکترونیک فرستنده :

نام و نام خانوارگی فرستنده :

پیغام برای گیرنده ( حداکثر 250 حرف ) :

کد امنیتی را وارد نمایید

اندازه قلم

حالت نمایش

روز نیمروز شب ➟ جستجو در لغت نامه

همبستگي مثبت بين فقر و جرم

براي تبيين تأثير فقر بر ارتكاب جرم و به تعبيري اثبات وجود رابطه همبستگي بين آن دو پديده بايد همبستگي بين نوسانات اقتصادي و تغييرات تبهكاري را مورد بررسي قرار داد تا روشن گردد كه آيا همبستگي مثبت بين آن دو برقرار است يا همبستگي منفي؟

در وجود يك همبستگي مثبت بين بحرانهاي اقتصادي و افزايش بعضي از گونه هاي تبهكاري بويژه سرقت ترديدي نيست و آمارها نيز اغلب آن را تأييد كرده است. بحرانهاي اقتصادي با تأثيرگذاري بر تغييرات مواد مصرفي و ضروري اوليه، تغييرات قدرت خريد و افزايش بيكاري بر تبهكاري و بزهكاري مي افزايد.

اين همبستگي به آساني قابل توجيه است. بحرانهاي اقتصادي ناگهان تعدادي از اشخاص را از استقلال اقتصادي و حتي از ثروت محروم و دچار وابستگي و فقر مي سازد. تعداد اين اشخاص بستگي به شدت بحران دارد. هر قدر بحران شديدتر باشد، تعداد بيشتري از اشخاص دچار چنين مشكلاتي مي شوند. در ميان اين عده بعضي به دليل نداشتن تربيت صحيح ديني و حتي اجتماعي در مقابل وسوسه هاي شيطاني به اندازه اي ضعيف هستند كه ياراي مقاومت با آنها را ندارند و نمي توانند خود را با اوضاع و احوال نويني كه بر آنان بوجود آمده است تطبيق دهند؛ عنان قدرت را از دست مي دهند و براي چاره جويي به جرايم سرقت، كلاهبرداري، خيانت در امانت، ولگردي و مانند آن روي مي آورند. از طرف ديگر قحطي و گرسنگي و آينده مبهم اشخاص را به نوميدي سوق مي دهد و باعث مي شود كه در نوميدي دست به شورش، ضرب و جرح و اهانت نسبت به نمايندگان قدرت عمومي و حافظان نظم از جمله نظم اقتصادي بزنند.14 اين توجيه را به نيكي مي توان از سخنان گرانقدر پيامبر خدا صلي الله عليه و آله وسلم كه فرمود «الفقر سواد الوجه في الدارين» و «الفقر كاد ان يكون كفرا» و نيز از كلام بلند اميرالمؤمنين عليه السلام كه فرمود: «يا بني اني اخاف عليك الفقر فاستعذ بالله منه فان الفقر منقصة للدين، مدهشة للعقل، داعية للمقت» استنباط نمود. تأثير اين متون ديني بر گفتار اديبان نيز هويداست. سعدي در كتاب گلستان در جدال با مدعي در بيان فضيلت توانگري و مذمت درويشي آورده است:

«هر كجا سختي كشيده تلخي ديده اي را بيني، خود را به شره در كارهاي مخوف اندازد و از توابع آن نپرهيزد و زعقوبت ايزد نهراسد و حلال از حرام نشناسد. هرگز ديده اي دست دغايي بر كتف بسته و يا بينوايي به زندان در نشسته يا پرده معصومي دريده يا كفي از معصوم بريده الاّ به علت درويشي. محتمل است آنكه يكي را از درويشان نفس امّاره طلب كند چو قوت احصانش نباشد به عصيان مبتلي گردد. اغلب تهيدستان دامن به معصيت آلايند و گرسنگان نان ربايند. چه مايه مستوران به علت درويشي در عين فساد افتاده اند و عرض گرامي به باد زشت نامي برداده.»

«با گرسنگي قوت پرهيز نماند افلاس عنان از كف تقوا بستاند.15

افزون بر اين تأثيرات غير مستقيم فقر بر جرم را نبايد ناديده انگاشت. فقر موجب مي شود افراد در شرايط بسيار نامناسب و در محله هاي كثيف و غير بهداشتي، پرجمعيت و فقير نشين زندگي نموده و تعداد زيادي در اتاق هاي كوچك و غير بهداشتي سكونت گزينند و همين امر از يك طرف مي تواند موجبات عصبانيت و ناراحتي روحي ساكنين را فراهم نموده، موجب تصادم و نزاع بين همسايگان گردد و از طرف ديگر مانع تعليم و تربيت صحيح فرزندان شود و بديهي است كه عدم پرورش فكري و اخلاقي صحيح مي تواند آنان را به سوي ارتكاب جرم سوق دهد.

از آن گذشته بحران هاي سخت اقتصادي موجب مي شود كه افراد ضعيف النفس و كساني كه قبلاً به علت تعليم و تربيت غلط آمادگي ارتكاب اعمال ضد اجتماعي را داشته اند از موقعيت سوء استفاده نموده، به بهانه وضع بد اقتصادي خويش يا زيادي ثروت ديگران به ارتكاب سرقت و بزه هاي ديگر مبادرت ورزند.

اگر چه اين تأثير نيز ناشي از ضعف تربيت مرتكبان جرم است؛ چه آنكه ترديدي نيست كه بسياري از افراد با كمال فقر و در عين حال در نهايت شرافت زندگي نموده و هرگز گرد اعمال خلاف نگشته اند، ولي به هر حال واقعيتي است كه نمي توان آن را از نظر دور داشت.

يكي از محققان در گزارشي مي نويسد:

«هنگام بازديد از كليساي كوچك و فقيري در قسمت دترويت آمريكا از كشيش آن كليسا سؤال مي كند كه در سرماي سخت زمستان، چگونه موفق به گرم كردن كليسا شده است؟ كشيش پاسخ مي دهد كه وي ذغال سنگ را با قيمت بسيار ارزان از بچه هاي كوچك خريداري نموده است. محقق مزبور از وي مي پرسد: اين كودكان ذغال را از كجا تهيه مي كنند؟ كشيش در نهايت سادگي پاسخ مي دهد: از انبار راه آهن. پژوهشگر با كمال تعجب مي گويد آيا مقصود شما اين است كه كودكان ذغال سنگ را از راه آهن سرقت مي كنند؟ كشيش در پاسخ مي گويد: من اين عمل را سرقت نمي دانم. مطمئن باشيد كه من حاضر نيستم به كمترين مال حرام دست دراز كنم. ولي آخر راه آهن خيلي بزرگ است.» 16

تورستن سلين جامعه شناس آمريكايي در كتاب «تعارض بين هنجارهاي قانوني و جرم» خويش پس از بيان گزارش مذكور تفكر و تلقي بسياري از فقيران را نسبت به ثروتمندان چنين توصيف مي كند و مي گويد: آيا طرز تفكر بسياري از افراد طبقات مستمند و پايين جامعه، هنگام برخورد با منافع طبقات مرفه و ثروتمند اين گونه نيست؟ آيا اين افراد فقير آنان را بسيار ثروتمند و در عين حال خود را در ثروت آنان ذي حق نمي دانند؟ تورستن مي افزايد:

در چنين مواردي حتي دادگاهها نيز نسبت به آنان احساس ترحم و دلسوزي نموده از محكوم كردن اين چنين مرتكبان فقير جرايم امتناع مي ورزند.17

پاره اي از نويسندگان بر اين نكته تأكيد كرده اند كه «مشكلات اقتصادي، ايجاد يك فضاي نا امني در خانواده ها مي كند» زيرا فرداي مبهم و نامعين بر دستگاه رواني كودكان فشار مي آورد و بر آنان اثر نامطلوب مي نهد. احساس ناامني و ابهام ايجادگر ناپايداري و در نتيجه ناسازگاري است و بزهكاري ناشي از عدم تعادل و بروز اختلال در منش است.18

اين سخني است كه كاملاً صحيح مي نمايد؛ فقر ناراحتي و بي نظمي و اختلال خانواده را دامن مي زند و موجب بروز ستيزه جويي و انحرافاتي مي گردد كه به نوبه خود بروز جرايمي را تسهيل مي نمايد. فقر مي تواند كانون گرم خانواده را مختل سازد و انسانهاي ضعيف النفسي را به بر هم زدن آن كانون وادارد و مسلم است كه افتراق، طلاق و زندگي كودكان در خارج از خانواده از جمله عوامل بزه زا محسوب مي گردند.

از اين روست كه جرمشناسان و جامعه شناسان جنايي در بررسي عوامل جرم زا، فقر و عامل اقتصادي را مورد توجه قرار داده و پاره اي از آنان فقر را مستقيما عامل جرم دانسته و برخي ديگر براي عوامل اقتصادي در ارتكاب جرايم تأثير غير مستقيم قائلند و در هر صورت در تنظيم و تدوين سياست جنايي، براي مبارزه با جرم، به مبارزه با فقر نيز مي انديشند و اين امري بسياري بديهي است كه مادام كه فقر، بيكاري و ساير شرايط اقتصادي، اجتماعي و فرهنگي مرتبط با جرم يعني در حقيقت علل ايجاد جرم از بين نرفته است واكنش در برابر جرم چندان مؤثر نخواهد افتاد.

جيبونز دامنه جرم را متأثر از عوامل و تحولات اقتصادي دانسته، تصريح نموده است كه از آنجايي كه جرمشناسان به دنبال كشف علل جرم هستند، در مطالعه عوامل اجتماعي جرم زا بايد به اقتصاد نيز توجه ويژه مبذول دارند.19

در اوايل سال 1976 ميلادي نظر سنجي هاي مختلف حكايت از آن داشت كه مردم فرانسه از رشد بزهكاري و گسترش خشونت اجتماعي نگران بوده، احساس امنيت كمتري نسبت به گذشته مي كنند و به همين جهت كيفيت زندگي خود و فرزندانشان را در مخاطره مي بينند. بر اساس همين ملاحظات بود كه به ابتكار رئيس جمهور وقت فرانسه و به موجب تصويب نامه 1976 «كميته مطالعات پيرامون خشونت و بزهكاري» ايجاد شد و رياست آن به آقاي آلن پرفيت انديشمند و سياستمدار فرانسوي كه بعد از آن به وزارت دادگستري فرانسه نيز دست يافت، سپرده شد. اعضاء اين كميته علاوه بر رئيس، ده شخصيت علمي، دانشگاهي، قضايي، پليسي، معماري، متخصص در شهرسازي و توسعه شهري بودند، كه بعد از حدود پانزده ماه مطالعه، پژوهش و مشورتهاي گسترده، گزارش مأموريت خود را به رئيس جمهور ارائه نمودند. نكته شايان توجه اين است كه كميته مزبور در اين مدت، از نظرات و اظهارات پنجاه شخصيت كه به نوعي در زمينه تحقيق و مطالعه يا مقابله با بزهكاري داراي دانش و تجربه بودند همچون شهرداران شهرهاي بزرگ، شخصيت هاي فرانسوي و خارجي صاحب نظر، متخصصان حقوق جزا و جرمشناسي و شخصيت هايي كه در اين زمينه كار عملي مي كنند از قبيل وكلاء قضات، پليس، مسؤولان زندان و. را جمع آوري و استماع نمود. كميته به اضافه برگزاري جلسات عمومي و سمينارها، پنج گروه كاري تخصصي ايجاد كرد كه مأموريت يكي از آن گروهها بررسي «روابط بين خشونت و اقتصاد» بود.

كميته مطالعات در مدت مأموريت خود تلاش كرد تا با توجه به داده ها و آمارهاي موجود در سال 1976، وضعيت افزايش بزهكاري و اشكال مختلف خشونت مجرمانه از يك سو و ويژگيهاي احساس عمومي نا امني را از سوي ديگر بررسي و نتايج آن را تنظيم و تدوين نمايد. بنابر آمارهاي جنايي بزهكاري در سال هاي 1966 تا 1976 دو برابر شده و جرايم شديد رشد سريعتري را نشان مي دهد. از سال 1971 به اين سو، ميزان افزايش بزهكاري از نرخ رشد جمعيت تجاوز كرده است. جرايم شديد سودجويانه [سرقت هاي مسلحانه از بانكها و سرقت هاي مقرون به اذيت و آزار و سرقت از منازل] بين سالهاي 71 و 76 بيشترين ميزان افزايش را به خود ديده است. از نظر جامعه شناختي، مطالعات كميته نشان داد كه اكثر جرايم بعد مالي داشته، موضوعاتشان تملك اموال است و بزهكاري يك پديده عمدتا «مردانه و شهري» است و افراد 16 تا 30 ساله مرتكب آنها مي شوند. تحقيقات نشان مي دهد آن چه كه بيشتر موجب نگراني شهروندان مي شود وقوع جنايات شديد نيست، بلكه جرايمي چون جيب زني، سرقت از منازل، قاپ زني، خشونت در مكانهاي عمومي همچون مترو است.20

كميته مطالعات پيرامون خشونت و بزهكاري در زمينه سياست جنايي فرانسه، صد و پنج توصيه ارايه نمود. تدابير همبستگی مثبت یا مستقیم و اقدامهايي كه بر اساس نتايج مطالعات و تحقيقات كميته اتخاذ و اعمال شد، هم جنبه كيفري داشت و هم جنبه پيشگيرانه. جهت گيري بسياري از توصيه ها و تنوع پيشنهادها نشان از اين باور كميته دارد كه به منظور كاستن از احساس ناامني شهروندان، توجه جدي به كيفيت مادي و معنوي زندگي مردم، آسان سازي زندگي روزانه و متنوع كردن اوقات فراغت مردم و تضمين آينده شغلي جوانان و. در كنار كنترل بزهكاري اموري بسيار ضروري تلقي مي شوند.

توصيه شماره 39 و 40 كميته مزبور كه در قسمت مربوط به حمايت از خانواده قرار دارد، شايان توجه ويژه است.

توصيه شماره 39: توسعه اقتصاد خانواده و تلاش براي سازماندهي هماهنگ و موثر زندگي خانوادگي، به منظور برآوردن نيازهاي خانواده و هر يك از اعضاء آن در ارتباط با جامعه. / 8

رگرسیون چیست؟ پیش‌بینی در علم آمار به چه شکل است؟

به لحاظ لغوی رگرسیون به معنای بازگشت است. به بیانی دیگر این لغت یعنی پیش‌بینی و بیان تغییرات یک متغیر بر اساس اطلاعات متغیری دیگر. زمانی که بین دو متغیر همبستگی وجود داشته باشد؛ می‌توان نمره‌ی فردی را در یک متغیر از طریق متغیر دیگر برآورد یا پیش‌بینی کرد. اگر ضریب همبستگی بین متغیرها عددی بین ۱+ تا ۱- باشد و در واقع همبستگی کامل برقرار نباشد پیش‌بینی ما برآورد خوبی است اما پیش‌بینی کاملی نیست. هرچه همبستگی بین متغیرها بالاتر باشد؛ به همان اندازه پیش‌بینی دقیق‌تر است. نحوه‌ی محاسبه‌ی رگرسیون به این شکل است که اگر متغیری را که قصد پیش‌بینی آن را داریم Y و متغیری که از طریق آن پیش‌بینی صورت می‌گیرد را X بنامیم؛ نمره‌ی پیش‌بینی شده برای متغیر Y برابر است با حاصل ضرب نمره‌ی استاندارد متغیر X در ضریب همبستگی بین دو متغیر. رابطه‌ی بین متغیر پیش‌بینی شونده (y) و پیش‌بینی کننده (x) تابع علامت و شدت ضریب همبستگی است. رگرسیون به سمت میانگین پدیده‌ای بود که گالتون مطرح کرد و به معنای میل نمرات به سمت میانگین آن‌هاست. در ادامه از انواع رگرسیون‌ها نام می‌بریم و در نهایت رگرسیون خطی را شرح می‌دهیم.

پیش‌بینی

رگرسیون از جمله مطالبی است که کاملاً وابسته به بحث همبستگی است و در ادامه‌ی آن مطرح می‌شود؛ فلذا برای فهم آن باید اطلاعاتی راجع به اینکه همبستگی چیست و چه انواعی دارد؛ داشته باشید.

این مطلب از این جهت می‌تواند برای فهم دقیق و درست مطلب کاملاً مؤثر باشد.

به لحاظ لغوی رگرسیون به معنای بازگشت است. به بیانی دیگر این لغت یعنی پیش‌بینی و بیان تغییرات یک متغیر بر اساس اطلاعات متغیری دیگر. زمانی که بین دو متغیر همبستگی وجود داشته باشد؛ می‌توان نمره‌ی فردی را در یک متغیر از طریق متغیر دیگر برآورد یا پیش‌بینی کرد. مثلاً چنانچه بین بهره‌ی هوشی و پیشرفت تحصیلی در دانشگاه، همبستگی مستقیم وجود داشته باشد؛ می‌توان پیش‌بینی کرد که پیشرفت تحصیلی دانشجویانی که بهره‌ی هوشی بالاتر از میانگین داشته باشند؛ بالاتر از میانگین خواهد بود.

مثلاً تصور کنید که بین میزان تماشای تلویزیون و پیشرفت تحصیلی دانش‌آموزان همبستگی وجود دارد. در اینجا می‌توان از متغیر میزان تماشای تلویزیون به عنوان یک متغیر پیش‌بینی‌کننده برای پیش‌بینی پیشرفت تحصیلی استفاده کرد. بنابراین می‌توان با استفاده از میزان تماشای تلویزیون (متغیر ملاک یا پیش‌بینی‌کننده)، پیشرفت تحصیلی دانش‌آموزان در مدرسه (متغیر بیش‌بینی‌شونده) را پیش‌بینی کرد. دقت پیش‌بینی به شدت به همبستگی بین متغیر پیش‌بینی‌کننده و پیش‌بینی‌شونده بستگی دارد. چنانچه همبستگی بین متغیرها کامل باشد (۱+ تا ۱-) پیش‌بینی به‌صورت کامل و دقیق امکان‌پذیر است. به عنوان مثال بین جرم برحسب کیلوگرم و تن همبستگی کامل وجود دارد. اگر وزن یا به لحاظ درستی لفظ علم فیزیک جرم کسی را به طور صحیح بدانیم؛ می‌توانیم وزن او را بر حسب تن محاسبه کنیم.

اگر ضریب همبستگی بین متغیرها عددی بین ۱+ تا ۱- باشد و در واقع همبستگی کامل برقرار نباشد پیش‌بینی ما برآورد خوبی است اما پیش‌بینی کاملی نیست. هرچه همبستگی بین متغیرها بالاتر باشد؛ به همان اندازه پیش‌بینی دقیق‌تر است.

پیش‌بینی نمره‌های استاندارد

رگرسیون چیست؟ پیش‌بینی در علم آمار به چه شکل است؟

نحوه‌ی محاسبه‌ی رگرسیون به این شکل است که اگر متغیری را که قصد پیش‌بینی آن را داریم Y و متغیری که از طریق آن پیش‌بینی صورت می‌گیرد را X بنامیم؛ نمره‌ی پیش‌بینی شده برای متغیر Y برابر است با حاصل ضرب نمره‌ی استاندارد متغیر X در ضریب همبستگی بین دو متغیر. رابطه‌ی بین متغیر پیش‌بینی شونده (y) و پیش‌بینی کننده (x) تابع علامت و شدت ضریب همبستگی است. به دو شکل:

• همبستگی مثبت: جهت پیش‌بینی y همانند جهت نمره‌ی استاندارد x
• همبستگی منفی: جهت پیش‌بینی y خلاف جهت نمره‌ی استاندارد x

اگر همبستگی مثبت و کامل باشد چنین پیش‌بینی می‌کنیم که نمره استاندارد فرد در متغیر x برابر نمره استاندارد او در متغیر y است. در صورتی که همبستگی کامل و منفی باشد اینطور یش‌بینی می‌کنیم که نمره‌ی استاندارد در دو متغیر مساوی اما از جهت علامت مخالف یکدیگر است.

اگر همبستگی مثبت و کمتر از ۱+ باشد پیش‌بینی ما این است که نمره‌ی استاندارد پیش‌بینی شده برای y نسبت نمره‌ی استاندارد x، به صفر نزدیک‌تر است. زمانی که همبستگی بین دو متغیر، منفی ولی کوچک‌تر از ۱- باشد پیش‌بینی ما این است که نمره‌ی استاندارد پیش‌بینی شده برای y نسبت به نمره‌ی استاندارد x به صفر نزدیک‌تر است ولی علامت آن با علامت x مخالف است. هنگامی که همبستگی بین دو متغیر کم باشد؛ نمره‌ی استانداردی که پیش‌بینی می‌کنیم نزدیک به میانگین خواهد بود. در واقع شدت همبستگی مشخص می‌کند که نمره‌های پیش‌بینی شده تا چه اندازه از میانگین فاصله دارند. چنانچه همبستگی بین دو متغیر کم باشد؛ نمره‌هایی که پیش‌بینی می‌کنیم؛ در میانگین y قرار خواهند گرفت.

رگرسیون به سمت میانگین

تاریخچه‌

اولین بار این پدیده را فرانسیس گالتون را مطرح کرد. او واژه رگرسیون را در مطالعه‌ی تأثیر وراثت در قد به کار برد. براساس یافته‌های او فرزندان والدین کوتاه قد، کوتاه قد هستند اما نه به اندازه‌ی والدینشان و به همین ترتیب فرزندان والدین بلند قد، قد بلند هستند؛ اما نه به اندازه‌ی والدین خود. در واقع قد فرزندان به سوی میانگین کلی جامعه گرایش دارد. گالتون این پدیده را رگرسیون به سمت میانگین نامیده است.

اصل ماجرا

اگر همبستگی بین متغیرها برای پیش‌بینی کامل نباشد؛ رگرسیون اتفاقی جالب است. به این دلیل که در چنین شرایطی نمره‌های پیش‌بینی شده به میانگین نمونه‌مان نزدیک‌تر است تا به نمره‌های پیش‌بینی‌کننده. چنانچه تعدادی آزمودنی را که نمره‌های آن‌ها در متغیری که از طریق آن پیش‌بینی صورت می‌گیرد؛ مساوی باشد انتخاب کنیم؛ متوجه خواهیم شد که نمره‌ی پیش‌بینی‌شده‌ی این آزمودنی‌ها به میانگین متغیری که قصد پیش‌بینی آن را داریم نزدیک‌تر است تا به متغیری که از طریق آن پیش‌بینی صورت می‌گیرد. مثلاً چنانچه دانش‌آموزانی را انتخاب کنیم که بهره‌ی هوشی‌شان بالاتر از ۱۴۰ است متوجه خواهیم شد که نمره‌ی بیشتر آن‌ها در آزمون پیشرفت تحصیلی بالاتر از میانگین است و فقط نمره‌ی تعداد محدودی از آن‌ها در آزمون پیشرفت تحصیلی با نمره‌‌های بالاتر از میانگین فاصله دارد. به همین ترتیب چنانچه آزمودنی‌هایی را انتخاب کنیم که بهره‌ی هوشی آن‌ها کم است؛ نمره‌ی بیشترشان در آزمون پیشرفت تحصیلی به نزدیک‌تر به میانگین این آزمون است تا آزمون هوش.

بنابراین تاز مانی که دو متغیر به‌صورت کامل همبسته نباشند؛ این گرایش وجود دارد که نمره‌های گروهی از آن‌ها در اولین متغیر به دومین متغیر نزدیک باشد. این اثر در نمره‌ها تأثیر رگرسیون نامیده می‌شود و غالباً چون رگرسیون به به طرف میانگین دومین متغیر است؛ آن را رگرسیون در اطراف متغیر می‌نامند. نمره‌ی پیش‌بینی شده به میانگین نزدیک‌تر است تا نمره‌هایی که از طریق آن‌ها پیش‌بینی صورت می‌پذیرد.

میزان همبستگی بین دو متغیر حدود یا مقدار رگرسیون را تعیین می‌کند. اگر نمره‌ی همبستگی کامل باشد جهت هر نمره‌ی پیش‌بینی شده با جهت هر نمره در متغیری که بر اساس آن پیش‌بینی صورت می‌پذیرد؛ همسان یا همتراز است و پدیده‌ی رگرسیون یا اتفاق نمی‌افتد یا وجود ندارد. رگرسیون زمانی اتفاق می‌افتد که همبستگی بین دو متغیر کامل نباشد.

اگر همبستگی بین متغیرها بالا باشد و نه کامل، گرایش کمی وجود دارد که میانگین نمره‌های گروه انتخاب شده در اولین متغیر به طرف میانگین نمره‌های دومین متغیر کشیده شود. اما اگر همبستگی پایین باشد گرایش خیلی زیادی وجود دارد که میانگین نمره‌ها در اولین متغیر به طرف میانگین نمره‌های دومین متغیر کشیده شود. حالت سومی هم وجود دارد که همبستگی صفر باشد که در آن صورت رگرسیون در اطراف میانگین به‌صورت کامل اتفاق می‌افتد یا به عباریت قدرت پیش‌بینی وجود ندارد و بهترین پیش‌بینی میانگین y هاست.

وقتی یک گروه به دلیل عملکرد مشابه در اولین متغیر انتخاب شده باشند؛ نمره‌های اعضای گروه در متغیر دوم دارای میانگینی مساوی با گروهی خواهد بود که دارای عملکرد یا اندازه‌های مختلف هستند.

فراموش نکنید که رگرسیون به طرف میانگین با همبستگی بین متغیرها رابطه معکوس دارد. هرچه، همبستگی بالاتر (کامل‌تر) باشد؛ رگرسیون به طرف میانگین کمتر است.

انواع رگرسیون کدام اند؟

رگرسیون چیست؟ پیش‌بینی در علم آمار به چه شکل است؟

رگرسیون خطی ساده (Simple Linear Regression)

زمانی از این آزمون استفاده می‌شود که پژوهشگر می‌خواهد تأثیر یک متغیر مستقل بر روی یک متغیر وابسته را مورد سنجش قرار دهد. به این آزمون، رگرسیون دو متغیره هم گفته می‌شود. پژوهشگر باید توجه داشته باشد؛ زمانی می‌توان از آزمون رگرسیون (ساده و چندگانه) استفاده کرد که اولاً مقیاس گردآوری داده‌ها فاصله‌ای یا نسبی باشد و دوماً ارتباط میان دو متغیر به لحاظ آماری معنادار باشد که البته نرم افزار SPSS قبل از بررسی تأثیر این رابطه را بررسی می‌کند. که در عنوان بعدی آن را به‌صورت کامل شرح می‌دهیم.

رگرسیون چند متغیره (Multiple Regression)

زمانی که تعداد متغیرهای مستقل دو و یا بیشتر باشد، دیگر رگرسیون خطی ساده نمی‌تواند نتایج دقیقی از تأثیر این متغیرها به‌ ما بدهد. در چنین شرایطی از رگرسیون چند متغیره استفاده می‌شود. رگرسیون چند متغیره به نام رگرسیون چندگانه نیز شهرت دارد. متغیرهای مستقل به ۵ روش متفاوت وارد مدل رگرسیونی می‌شوند و هر یک از این روش‌ها کاربرد متفاوتی خواهند داشت. روش هم‌زمان، روش گام به گام، روش حذفی، روش پس‌رونده و روش پیش‌رونده. این روش در مقالات بعدی به تفصیل شرح داده می‌شوند.

رگرسیون لجستیک (Logestic Regression) دو وجهی و چند وجهی:

اما گاهی اوقات اتفاق می‌افتد که متغیر وابسته تحقیق در مقیاس فاصله‌ای یا نسبی نبوده و مقیاس آن به‌صورت اسمی است. یکی از سؤالات شرکت‌کنندگان در دوره‌های کاربردی SPSS آکادمی تحلیل آماری شرکت می‌کنند این است که در چنین حالتی با توجه به اینکه پیش‌فرض اساسی تحلیل رگرسیون مقیاس فاصله‌ای /نسبی متغیر وابسته است چه باید کرد. رگرسیون لجستیک پیش‌بینی کننده متغیر وابسته دووجهی و یا چندوجهی اسمی خواهد بود. البته با توجه به بحث‌های گسترده در دوره‌های آکادمی تحلیل آماری بهتر است در این شرایط به جای استفاده از مدل‌های رگرسیون لجستیک در نرم‌افزارهایی مثل SPSS از نرم‌افزارهای با تخمین‌های مخصوص به این شرایط مثل mplus استفاده می‌کنیم.

رگرسیون تخمین منحنی (Curve Estimation) :

رگرسیون برآورد یا تخمین منحنی از خانواده تحلیل رگرسیون غیرخطی است. این نوع رگرسیون زمانی مورد استفاده قرار می‌گیرد که رابطه بین متغیر وابسته و متغیرهای مستقل به‌صورت غیرخطی است و بنابراین، نمی‌توانیم از رگرسیون‌های خطی استفاده کنیم.

رگرسیون ترتیبی (ordinal regression):

در برخی از پژوهش‌ها و به ‌خصوص پژوهش‌های پیمایشی، ممکن است که متغیر وابسته یک متغیر ترتیبی باشد. یعنی شرط اول اجرای رگرسیون‌های چندگانه که همان فاصله‌ای یا نسبی بودن متغیر است را نداشته باشد. یعنی ما می‌توانیم که به طبقات این متغیر رتبه دهیم اما هرگز نمی‌توانیم فاصله‌ی بین رتبه‌ها را مشخص نماییم؛ مثلاً متغیر شادی به جای اینکه توسط یکسری شاخص و سؤال در پرسشنامه سنجیده شده باشد که در آخر بتوان این سؤالات را به سمت یک متغیر کمی پیوسته حرکت داد؛ جواب‌ها می‌تواند شامل یک طیف سه گزینه‌ای زیاد، متوسط و کم جهت سنجش باشد. در این شرایط نیز به جای استفاده از مدل‌های رگرسیون ترتیبی در نرم‌افزارهای مثل SPSS از نرم‌افزارهایی با تخمین‌های مخصوص به این شرایط مثل mplus استفاده می‌کنیم.

رگرسیون پروبیت (Probit Regression) :

زمانی که خروجی یا متغیر وابسته دارای دو بعد باشد از این نوع رگرسیون استفاده خواهد شد. این نوع رگرسیون با عنوان مدل‌های پروبیتنیز شناخته شده است. برای مثال، زمانی که بخواهیم متغیرهای مؤثر بر شرکت افراد در برنامه‌های فرهنگی یک سرای محله را بررسی کنیم؛ این نوع رگرسیون مناسب‌تر خواهد بود. این رگرسیون مشابه رگرسیون‌های لجستیک است.

توضیح مشروح و مفصل انواع رگرسیون را می‌توانید در مقالات بعدی ما بخوانید.

رگرسیون خطی یا خط رگرسیون

رگرسیون چیست؟ پیش‌بینی در علم آمار به چه شکل است؟

وقتی که نمره‌های استاندارد پیش‌بینی شده را در دستگاه محور مختصات ترسیم می‌کنیم؛ روی یک خط مستقیم قرار می‌گیرند. دلیل این امر آن است که برای محاسبه و پیش‌بینی نمره‌ها آن‌ها را در مقدار ثابت ضریب همبستگی ضرب می‌کنیم. این خط به دست آمده خط رگرسیون است که با توجه به تعریف آن چنانچه فاصله‌ی هر نمره را از محور y کم و سپس آن را مجذور کنیم از طریق مجموع مجذورهای محاسبه شده متوجه خواهیم شد که این مجموع کوچک‌تر از مجموع مجذور هر خط دیگری تا محور y است. این مفهوم گاهی اوقات برای تعریف خط رگرسیون به کار برده می‌شود. به همین دلیل است که گاهی اوقات خط رگرسیون، خط حداقل مجذورها تعریف می‌شود. در واقع این خط، خطی است که خطاهای پیش‌بینی را به حداقل می‌رساند.

بهترین پیش‌بینی

وقتی که نمره‌ی Y را از طریق نمره‌ی x پیش‌بینی می‌کنیم؛ نمره‌های پیش‌بینی شده روی یک خط قرار می‌گیرند که به آن خط برازش می‌گویند؛ اما نمره‌های اصلی متغیر Y بر روی این خط قرار نمی‌گیرند؛ زیرا نمره‌های پیش‌بینی شده با نمره‌های اصلی Y مساوی نیستند و بین آن‌ها اختلاف وجود دارد.

اختلاف بین نمره‌ی اصلی و نمره‌ی پیش‌بینی شده خطای پیش‌بینی نامیده می‌شود که می‌تواند مثبت یا منفی باشد.

رگرسیون خطی یکی از چند روشی است که به وسیله‌ی آن می‌توان دست به پیش‌بینی زد. اما در این پیش‌بینی نیز به طبع درصدی از خطا وجود دارد. مقاله‌های بعدی در شرح بیشتر رگرسیون و انواع روش‌های آن است که به فراخور داده‌هایتان می‌تواند دقیق‌تر و با خطای کمتری باشد.

محاسبه ضریب همبستگی پیرسون در متلب به همراه مثال (pearson in matlab)

ضریب همبستگی پیرسون ، یکی از معیار های شباهت می باشد که به بررسی میزان شباهت بین دو آیتم یا بردار می پردازد. در ادامه به نحوه محاسبه ضریب همبستگی پیروسون در متلب می پردازیم.

فرض کنید که میخواهیم معیار پیرسون بین دو بردار زیر را محاسبه کنیم:

برای محاسبه ضریب همبستگی پیروسون در متلب میتوانیم از دستور corr به صورت زیر استفاده کنیم:

به این ترتیب میزان شباهت دو بردار a و b بر اساس معیار پیرسون محاسبه میشود و در x قرار میگیرد.

در مباحث آماری، ضریب همبستگی پیرسون یا ضریب همبستگی حاصل‌ضرب-گشتاور پیرسون ، میزان همبستگی خطی بین دو متغیر تصادفی را می‌سنجد.

مقدار این ضریب بین ۱- تا ۱ تغییر می‌کند که:

• «۱» به معنای همبستگی مثبت کامل،
• «۰» به معنی نبود همبستگی،
• و «۱-» به معنی همبستگی منفی کامل است.

این ضریب که کاربرد فراوانی در آمار دارد، توسط کارل پیرسون بر اساس ایدهٔ اولیهٔ فرانسیس گالتون تدوین شد.

ضریب همبستگی پیرسون بین دو متغیر تصادفی برابر با کوواریانس آنها تقسیم بر انحراف معیار آنها تعریف می‌شود.

برای آشنایی بیشتر با ضریب پیرسون در ویکیپدیا مراجعه کنید.

محاسبه ضریب همبستگی پیرسون در سیستم توصیه گر در متلب

یکی از کاربردهای مهم ضریب همبستگی پیرسون در سیستم های توصیه گر می باشد. در سیستم های توصیه گر فیلتر مشارکتی ، برای محاسبه میزان شباهت دو کاربر از معیار پیرسون استفاده میشود.

برای آشنایی با سیستم های توصیه گر ، حتما مقاله “سیستم توصیه گر یا Recommender System ” را مطالعه کنید.

نکته ای که وجود دارد این است که اگر شما میخواهید از ضریب همبستگی Pearson در سیستم های توصیه گر استفاده کنید ، باید بردار ورودی به دستور corr را اصلاح کنید و آیتم های مشترک بین دو کاربر را فقط در نظر بگیرید.

بعنوان مثال با فرض اینکه دو بردار a و b ای که در بالا تعریف کردیم امتیازات دو کاربر به آیتم های موجود باشد ، اگر شما برای محاسبه معیار شباهت پیروسون در متلب دستور زیر را وارد کنید اشتباه کرده اید:

سنجش و اندازه گیری

مبانی، روش ها و تکنیک های سنجش واندازه گیری، پژوهش، مدلبندی و تحلیل داده‏های روانشناسی و علوم وابسته

عوامل موثر بر اندازه و تفسیر ضریب همبستگی پیرسون

5- عواملی که موثر بر اندازه و تفسیر ضریب پیرسون می باشند.

در این فصل ما در باب عللی که ممکن است بر اندازه، و تفسیر پیرسون اثر بگذارند بحث می کنیم. این عوامل شامل شکل توزیع، اندازه نمونه، محدوده دامنه، تمرکز نمونه، پراکنش، شرایط بومی، خطای انداره گیری نمونه، و ارتباط با سه متغیر می باشند.

شکل توزیع:

در چند خط پیش ما ذکر کردیم که دامنه ممکن ضریب همبستگی از -1 شروع می شود و تا 1 ادامه می یابد. در این بخش، ما آن را مورد آزمایش قرار می دهیم. هر چند که فرض صفر ما برابر است با عدم تفاوت بین متغیرها و این مبحث نیز در فصل دو مورد بحث قرار گرفته شد. در مواقعی که شکل ایکس و وای به هم شبیه نباشند، ارزش ضریب همبستگی کمتر از 1 خواهد بود. و این دلیلی است که حداکثر ارزش ضریب همبستگی کمتر از 1 می باشد. شکل های توزیع یک شکل نمی باشند. و افزایش در ایکس همیشه به معنای افزایش در وای نمی باشد. و یا اینکه افزایش ایکس به معنای کاهش وای باشد. در نتیجه؛ حداکثر ضریب همبستگی که می توان در توزیع داشته باشیم کمتر از یک می باشد. و شباهت کمی بین این دو توزیع می باشد. خوانندگانی که تمایل دارند حداکثر ارزش را در شکل های مختلف توزیع محاسبه کنند باید به مقاله کارول صفحه 369 تا 370 رجوع کنند. با مقایسه کردن دو نمونه بالا، می توان این را گفت که بالاترین ارزش ضریب همبستگی برابر مثبت 1 است اگر که دو طرف توزیع به سمت یک نمره گرایش داشته باشند. هر چند که، در چنین شرایطی بدست آوردن ضریب همبستگی منفی 1 غیر ممکن می باشد. زمانی که توزیع ایکس و وای شکل یکسانی دارند، ممکن است که با افزایش یکی دیگری نیز افزایش و با کاهش یکی دیگری نیز کاهش پیدا کند. نتیجتاً اینکه، می توان همبستگی کامل را در پژوهش در بعضی مواقع همبستگی مثبت یا مستقیم بدست آورد. در مقابل، افزایش یا کاهش در ایکس با افزایش و کاهش در وای همسان نیست. بنابراین، نمی توان همبستگی کامل را بدست آورد. مشابهاً می توان بالاترین ارزش در منفی1 را داشته باشیم ، و نمرات به سمت های مخالف یکدیگر جهت دهی داشته باشند. در مجموع، شکل های توزیع محدودیت های را برای ضریب همبستگی ایجاد می کنندو و باعث تحکیم دیگر عامل های می شوند.

اندازه نمونه:

اندازه ضریب همبستگی، دقت بالایی در تخمین همبستگی جامعه دارد. پارامتر جامعه به وسیله اندازه نمونه حساس می باشد. مخصوصاً زمانی که نمونه کوچک باشد. به یاد بیاورید که در فصل 2 گفته شد ضریب استاندارد خطا هنگامی که اندازه نمونه کوچک باشد افزایش می یابد. در نتیجه، همبسگتی نمونه ای که حجم آن کم باشد در تعیین همبستگی جامعه ضعیف عمل می کند. برای مثال، هنگامی که اندازه نمونه 20 نفر باشد و سطح معناداری 95% باشد ضریب همبستگی برابر 47/- و 47/ می باشد. هر چند که پی مساوی صفر باشد در مقابل، زمانی که اندازه نمونه 102 نفر باشد ضریب همبستگی با سطح معناداری بین 20/- و 20/ قرار می گیرد. طبق گفته ویشارد (1931). ارزش انتظار r 2 وقتی که p=0، E(r 2 ) کارکردی از 1 تقسیم بر n-1 می باشد. برای مثال، e(r 2 )=1 زمانی اتفاق می افتد که دو موضوع در نمونه باشد. این مثال به صراحت نشان می دهد که دو چیز مهم هستند (x 1 . y1 ) و (x2.y2). به عبارت دیگر وقتی که اندازه نمونه کوچک باشد، ارزش انتظار r 2 نسبتاً از صفر بزرگ تر است. خوانندگان باید به این موارد در هنگامی که ضریب همبستگی را بر اساس اندازه نمونه تفسیر می کنند دقت کنند.

داده های پرت:

داده های پرت ارزش های زیاد از حد در داده ها می باشند. که اثر مهمی بر ضریب همبستگی دارد. مخصوصاً زمانی که به نظر می رسد اندازه نمونه کوچک باشد.پراکنش ها می توانند در یکی یا هر دو متغیر دیده شوند. شکل 5 نمودار پراکندگی را با ضریب هبستگی 04/. بین متغیرها ی ایکس و وای را نشان می دهد، که تعداد افراد این مورد 27 نفر می باشد. کیس 27 در شکل 5-1 پرت می باشد. و وقتی که این مورد حذف شود همبستگی بین کیس ها به 26/0 می رسد. اگر هر دو کیس 21 و 27 با یکدیگر حذف شوند، همبستگی به 37/0 ارتقاء پیدا می کند. چنانچه از این مثال بر می آید، داده های پرتی که در داده های دیگر فرض شده اند در نمونه های کوچک به آسانی بر ضریب همبستگی و جهت آن تاثیر می گذارد. در کل، زمانی که اندازه نمونه بزرگ باشد، کمتر از داده های پرت تاثیر می پذیرد.

محدوده دامنه:

همبستگی بین دو متغیر همچنین از محدوده دامنه نمرات یک متغیر یا متغیر دیگر یا هر دو متغیر تاثیر می پذیرد. نمرات شاید در محدوده معینی از یک طرف توزیع یا دو انتهای توزیع یا در وسط دامنه توزیع تجمع پیدا کند. دلایل زیادی برای اینکه نمرات محدود شوند وجود دارد. برای مثال، ابزارهای اندازه گیری به اندازه کافی دقیق نیستد تا خصیصه های متغیرها را دقیق اندازه بگیرند. علاوه بر این، افراد در کل به سوالاتی که حساسیت بالایی دارد مثل اینکه مواد مصرف می کنید یا الکل مصرف می کنید پاسخ مشخصی نمی دهند. بنابراین، توزیع ویژگی در جامعه درای کجی مثبت یا کجی منفی باشد. تحت شرایط مشخص، افراد به سوالات روان رنجورانه به طور یکسانی پاسخ نمی دهند. در نتیجه، عمده ای از پاسخ ها دراین مقیاس به سمت حد پایین توزیع کشانده می شود.مشابهاً بیشتر افراد ممکن است در مورد زندگیشان نظر مثبتی داشته باشند و عمده نمرات آنها در محدوده بالای پرسشنامه رضایت از زندگی تجمع گردد. محدوده دامنه همچنین زمانی اتفاق می افتد که محققان یک نمونه تقریبا متجانس را برای خود پژوهش خود انتخاب کنند. این نوع انتخاب در بعضی مواقع به انتخاب تصادفی باز می گردد. همگنی نمونه به این واقعیت بر می گردد که همه موضوعات ویژگی های مشترکی را در خود دارند. به عبارت دیگر، آنها به طور غیر مستقیم به سه متغیر محدود می شوند. و پژوهشگران بشتر علاقمند می شوند تا پیش زمینه این متغیرها را مقایسه کنند. برای مثال، اگر سه متغیر، در مباحث عمده ریاضی باشد، مرتبط با هوش و عمل حساب کردن می باشد. همبستگی بین هوش و عمل حساب کردن در نمونه همبستگی مثبت یا مستقیم بزرگ ریاضی تمایل دارند متفاوت باشند، به جای اینکه به صورت تصادفی باشند. اندازه همبستگی بر اساس ماهیت داده ها هم می تواند افزایش یابد و هم کاهش، هر چند که این تمایل وجود دارد که کاهش پیدا کند و این به خاطر آن است که داده ها در انتهای دامنه قرار دارد یا اینکه نمونه همگن می باشد. از طرف دیگر، محدوده دامنه خطای استاندارد را افزایش می دهد. و این باعث می شود که دقت تخمین جامعه کاهش پیدا کند. و این باعث می شود که خطای نوع دوم در ارتباط با فرض صفر افزایش پیدا کند. اگر فرض نرمال بودن توزیع را در نظر بگیریم. همبستگی بین متغیرهای ایکیس و وای تحت شرایط نامحدود را می توان به وسیله فرمول همبستگی زیر محاسبه کرد.

وقتی که r به عنوان همبستگی نمونه ای تحت شرایط نامحدوم محاسبه می شود. R به عنوان همبستگی نمونه ای تحت شرایط محدود نامیده می شود. یک اندازه گیری با دامنه کاملی از نمرات پراکندگی زیادی را نسبت به یک اندازه گیری با دامنه محدود که نمرات در پایین تر و بالاترین حد توزیع پراکندگی بیشتری را نشان می دهد. به خاطر اینکه واریانس بزرگتر از 1 می باشد و همبستگی در نمونه نا محدود تمایل به این دارد که بزرگ تر از همبستگی در نمونه محدود باشد و این گفته طبق فرمول به حساب می آید. نمودار پراکندگی در شکل 5-2 دامنه کامل نمرات برای 132 فرد پرخاشگر و عصابی و سوء گیر را نشان می دهد. ضریب همبستگی بین عصبانیت و پرخاشگری تقریبا برابر 50/0 می باشد و انحراف استاندارد عصبانیت برابر 52/6 می باشد. اگر 52 مورد از حد پایین عصبانیت را حذف کنیم، محدوده دامنه در پایین تر ین حد اتفاق می افتد. انحراف استانداد آن برابر 32/4 می شود و این جریان در شکل 5-2b و نشان داده شده است. ضریب همبستگی بین عصبانیت و پرخاشگری به 23/0 تبدیل می شود. یک مورد مشهور در این باب همبستگی پایین بین GRE و GPA می باشد. این ارزش اغلب اشتباه برداشت می شود. به خاطر اینکه نمرات آزمون GRE و GPA در انتهای سطح بالای توزیع محدود شده است. با در دست داشتن نمرات پایین در GER و GPA اینکه آنها برای مطالعه پذیرفته نمی شوند رد می شود. بنابراین، همبستگی GRE و GPA معمولا کمتر از حد پیش بینی در نظر گرفته می شوند. نمونه عملی مشابه که اغلب در گزینه ها در مورد آن بحث می شود، انتخاب تست های شخصی برای پیش بینی عملکرد کارمندان می باشد. در عمل، یک یا بیش از یک آزمون معتبر فردی برای انتخاب تقاضاهای کاری انتخاب می شود. هر چند که همبستگی بین آزمون های انتخاب فردی و عملکرد شغلی در دامنه محدود گروهی برابر 3/0 می باشد اما همبستگی تخمین زده شده برای فرد 53/0 می باشد.

شکل5.2 (a) نمودار پراکندگی برای عصبانیت و پرخاشگری بدون دامنه محدودیت.(b) نمودار پراکندگی برای عصبانیت و پرخاشگری با دامنه محدودیت در حد پایین. (c) نمودار پراکندگی برای عصبانیت و پرخاشگری با دامنه محدودیت در حد وسط.

با بازگشت به مثال قبلی، اگر 54 فردی که در سطح متوسط عصبانیت حذف شوند، محدوده دامنه در حد متوسط دامنه اتفاق می افتد. چنانچه در شکل 2-5 قسمتc نشان داده شده است، ضریب همبستگی بین عصبانیت و پرخاشگری در این محدوده معمولاً بالای 63/0 می رود. با حذف نمرات حد وسط، تفاوت در محدوده نمرات معمولاً افزایش پیدا می کند. آن را با نمرات کامل دامنه مقایسه کنید. بنابراین، اندازه همبستگی در اندازه محدود احتمالاً بزرگتر از اندازه نامحدود است. از دیگر موارد مشکل سازی که می تواند اتفاق بیفتد، طرح گروههای مزدوج می باشد. برای مثال، سیاست های پژوهشی محققان حکم می کند که اگر بین نگرش در باب امنیت اجتماعی و رفتار بخشندگی ارتباطی وجود دارد: اولاً؛ محقق افرادی را به عنوان نمونه انتخاب کرده است که نگرش های مثبت یا منفی در باب سیستم امنیت اجتماعی دارند. در نتیجه؛ محقق همبستگی مثبتی بین رفتار بخشودگی و نگرش ها گزارش می همبستگی مثبت یا مستقیم کند. طرح گروههای مزدوج قدرت آماری بالایی را فراهمی می کند. بالا رفتن نتیجه مورد نظر در یافته ها به خاطر وجود طرح های است که افرادی را با نگرش های مختلف در بر می گیرد. نتیجتاً، این به محققین کمک می کند تا ارتباط نیرومند بین رفتار بخشودگی و نگرش را پیدا کند. حتی اگر اندازه ارتباط کوچک باشد.

در نظر بگیرید که اگر انحراف استاندارد نگرش در گروهی 10 باشد و در طرح گروههای مزدوج سازمان دهی شده باشد، و 5 در گروه نامحدود در دامنه. پس طبق فرمول همبستگی همبستگی بین نگرش و دفتار بخشودگی در گروه نامحدود 28/0 تخمین زده می شود.

اندیشه ها

خودکشی از نظر دورکیم عبارتست از: «هر نوع مرگی که نتیجه مستقیم یا غیرمستقیم عمل مثبت یا منفی خود قربانی است که شخصا می دانسته است که باید به همین نتیجه برسد.»
«کردار مثبت مثل اینکه انسان یک گلوله در شقیقه خویش خالی کند کردار منفی مانند اینکه انسان خانه ای را که در آتش شعله ور است ترک نکند یا آنقدر از خوردن غذا خودداری کند که بمیرد. یک اعتصاب غذای کامل که به مرگ بینجامد موردی است از خودکشی.اصطلاح مستقیم و غیرمستقیم نیز مانند همبستگی مثبت یا مستقیم عمل مثبت و منفی است. شلیک گلوله در شقیقه مستقیما به مرگ می انجامد و ترک نکردن خانه شعله ور در آتش یا اعتصاب منجر به مرگ، غیرمستقیم به مرگ می انجامد. دورکیم دو نوع همبستگی و چهار نوع خودکشی مربوط به آنها را تشخیص داده است که سه نوع آن معلول سه نوع ساختاری است که آمار خودکشی در آنها بالا است و یک نوع آن ناشی از تغییرات ساختاری است که به بی هنجاری (آنومی) می انجامد. هسته اصلی بحث دورکیم را مفهوم «همبستگی» تشکیل می دهد. به هر اندازه همبستگی اجتماعی سست گردد و ارتباط و تعلق فرد به گروه کاسته شود: او آمادگی بیشتری برای پایان دادن به حیات خود پیدا می کند. چون دورکیم دو نوع جامعه «سنتی» و «ارگانیک» را از هم متمایز کرده و خصوصیات آنها را برشمرده است. همبستگی اگر از حد تعادل زیادتر شود نیز نوعی دیگر از خودکشی را موجب می شود زیرا فرد در چنین ساختاری خود را بدون اراده می بیند.

خودکشی قدرگرایانه >———+ همبستگی در جامعه سنتی _———- ———+ همبستگی در جامعه صنعتی یا ارگانیک _———-

و صلی الله علی سیدنا محمد وآله الطاهرین

ازظلم کردن به کسی که در مقابل تو یاوری جز خدا ندارد سخت دوری کن امام باقر (ع)

هر چه بیشتر آزادی سخن گفتن را از مردم بگیرند آنها سر سختانه تر بر داشتن این حق پافشاری می کنند ( اسپینوزا)

این وبلاگ توسط محمد حسن صفدری دبير علوم اجتماعي شهرستان نجف آبادجهت بیان اندیشه ها- باورها و انتقال اطلاعات و تضارب افکار و انتقادات تهیه شده است. و آن را تقدیم می کنم به روح والدین عزیزم