پیش‌بینی سطح رضایت زناشویی دانشجویان زن بر اساس سبک‌های دلبستگی: مقایسه توانمندی رگرسیون لجستیک و شبکه‌های عصبی مصنوعی

پورشهریار, حسین

پیش‌بینی سطح رضایت زناشویی دانشجویان زن بر اساس سبک‌های دلبستگی: مقایسه توانمندی رگرسیون لجستیک و شبکه‌های عصبی مصنوعی

نوع مقاله : مقاله پژوهشی

نویسنده

حسین پورشهریار

دانشگاه شهید بهشتی

چکیده

هدف پژوهش حاضر مقایسه توانمندی رگرسیون لجستیک و شبکههای عصبی مصنوعی در پیشبینی سطوح رضایت زناشـویی دانشجویان زن بر اساس سـبکهای دلبستگی آنها بود. دادههای مربوط به پرسشنامه رضایت زناشویی (انریچ) و مقیاس دلبستگی بزرگسالان که توسط 300 دانشجوی زن متأهل تکمیل شده بود با استفاده از دو روش یاد شده تحلیل شدند و نسبت موفقیت هریک از مدلها از طریق آزمون مک نمار مورد مقایسه قرار گرفتند. نتایج نشان داد اگرچه مدل شبکههای عصبی مصنوعی موفقتر از مدل رگرسیون لجستیک بود، اما با کاهش تعداد عوامل پیشبینیکننده به سه عبارت، بین توانمندی مدلهای یاد شده تفاوت معنیداری مشاهده نشد. بر این اساس میتوان گفت مدل شبکههای عصبی مصنوعی در شرایطی که تعداد عوامل پیشبینیکننده افزایش یافته و از چند سطح فراتر میرود، از مدل رگرسیون لجستیک موفقتر عمل میکند.

کلیدواژه‌ها

عنوان مقاله [English]

Prediction of Marital Satisfaction Level of Female Students based on Attachment Styles: Comparing the Power of Logistic Regression and Artificial Neural Networks

نویسنده [English]

Hossein Purshahriar

چکیده [English]

The aim of the present study was to compare the power of logistic regression and artificial neural network in the prediction of marital satisfaction of female students based on their attachment styles. Data were collected through the marital satisfaction questionnaire (ENRICH) and adult attachment Inventory that was completed by 300 female married students and were analyzed by the mentioned methods. Proportions of correct prediction of the two methods were compared using McNemar test as well. Results showed that although the artificial neural network model was more successful than the other, reducing number of the predictors into three items, there was no significant difference between the mentioned models. Hence, it could be proposed that when the number of predicting factors is in creased and goes beyond some levels, the artifical neural network model would be more successful than the logistic regression model.

کلیدواژه‌ها [English]