خوش آمدید
عضویت ویژهثبت نام در دوره های آموزشیانجمنفروشگاهانجمن spss
سایت تخصصی آمار: آموزش نرم افزارSPSS

جستجو پیرامون این موضوع:   
[ برگشت به صفحه اصلی | انتخاب موضوع جدید ]

نرمال سازی متغیر ها در spss

برای انجام تحلیل های آماری از جمله تحلیل های گروه T یا ANOVE و یا رگرسیون نرمال بودن داده ها یکی از فروض می باشد. نرمالسازی متغیرها با تبدیلات جانسون و کاکس باکس شیوه های بودند که قبلا مورد بررسی قرار گرفتند( کتاب تحلیل آماری با MINITAB 16 انتشارات مهرگان قلم و عابد )- در این قسمت برای نرمالسازی متغیرها از روش معکوس تابع توزیع یا تابع چگالی استفاده می شود که در فیلم پیوست آموزش آن قرار داده شده است.

این فیلم به توصیف یک رویکرد دو مرحله ای برای تبدیل  متغیر های  پیوسته  با توزیع غیر نرمال  به متغیر های با توزیع نرمال   می پردازد. مرحله 1شامل تبدیل متغیر به یک  رتبه درصدی(صدک) می باشد که منجر به  احتمالات با توزیع یکنواخت می شود. مرحله 2 از تبدیل  نرمال معکوس برای نتایج اولین مرحله برای  تشکیل یک متغیر  متشکل از نمرات توزیع نرمال  استفاده می کند. این رویکرد  در  منابع و مطالعات به غیر از منابع آماری  کم تر  شناخته  شده است و به ندرت در علوم اجتماعی  مورد استفاده قرار گرفته است(تمپلتون ، 2011)

فیلم آموزشی در ادامه مطالب....

نرمال کردن داده ها در spss

ادامه مطلب

دانلود spss 25

دوستان عزيز در همين روزا نسخه 25 spss وارد بازار شده و در آن مباحث زيادي از جمله شبيه سازي، تحلیل های بیزی، روش ماشین بردار، جنگل تصادفی،  هم اضافه شده است. قسمت هاي ديگري كه به آن اضافه شده است شامل موارد زير مي باشد: ادامه مطلب...

دانلود spss25

دانلود spss25

 

ادامه مطلب

تحلیل عاملی اکتشافی و تاییدی

امروزه اعتبار يافته هاي علمي تحت تأثير روش يا روشهاي پژوهشي است كه محققين در فرايند تحقيق از آن بهره مي گيرند. در اين فرايند استفاده تحقيقات حوزه هاي گوناگون از روش هاي آماري از يك طرف و بهره گيري ازبرنامه هاي رايانه اي.ادامه مطلب...

تحلیل عاملی تاییدی و اکتشافی

ادامه مطلب

رگرسیون PLS در SPSS

رگرسیون PLS در SPSS

نرم افزار SPSS رگرسیون PLS را در دو حالت خیلی مفید توصیه می‌کند؛ هنگامی‌که متغیرهای پیش‌بین‌ دارای همبستگی بالایی بوده یا هنگامی‌که تعداد شاخص‌های پیش‌بین‌ از تعداد موارد بیشتر باشد. به عبارت دیگر هرگاه متغیرهای مستقل دارای همخطی باشند از این رگرسیون استفاده می شود.

الگوریتم PLSیک عامل پنهان (بطور فنی؛ مولفه‌هایی از تحلیل مؤلفه‌های اصلی به‌کار برده شده) را برای مجموعه‌ای از متغیرهای مستقل و وابسته استخراج می‌کند به‌طوری که تبیین کواریانس بین دو متغیر پنهان حداکثر می‌شود.

رگرسیون pls

مسیر اجرای آن بصورت زیر می باشد:

Analyze >Regression >Partial Least Squares

ادامه مطلب

تحلیل مسیر

تحلیل مسیر

تحليل مسير يك رويكرد مدل­سازي براي تبيين روابط بين متغيرهاي مشاهده شده است. در رويكرد مدل­سازي تحليل مسير فرض بر اين است كه متغيرهاي مستقل هيچگونه خطاي اندازه­گيري ندارند. در مقابل، ممكن است كه متغيرهاي وابسته داراي خطاي اندازه­گيري باشند به گونه­اي كه اين مسأله در قالب مولفه­های خطا در معادلات مدل در نظر گرفته مي­شود. البته، موضوع خطاي اندازه گيري يا مولفه های خطا براي متغيرهاي وابسته در مدل­هاي تحليل مسير به اين معني است كه بخشي از واريانس آن متغيرها توسط متغيرهاي مستقل موجود در مدل قابل تبيين نمي­باشد. يكي از ويژگي­هاي مخصوص مدل­هاي تحليل مسير اين است كه در آن از متغيرهاي پنهان (مکنون )استفاده نمي­شود. تحليل مسير، سابقه نسبتاٌ طولاني دارد. اين اصطلاح براي اولين بار در اوايل دهه 1900 توسط يك زيست شناس انگليسي به نام سوول رايت مورد استفاده قرار گرفت (ريكاف و ماركولايدز ، 2006 )  گسترش،روش­هاي رگرسيون، و در حقيقت، كاربرد رگرسيون چند متغيري در ارتباط با تدوين بارز مدل­هاي علي است. هدف آن بدست آوردن برآوردهاي كمي روابط علي بين مجموعه­اي از متغيرهاست. روابط بين متغيرها در يك جهت جريان مي­يابد و به عنوان مسيرهاي متمايزي در نظر گرفته مي­شود. مفاهيم عمده تحليل مسير در بهترين صورت از طريق ويژگي عمده آن يعني نمودار مسير كه پيوندهاي علي احتمالي بين متغيرها را آشكار مي­سازد، تبيين مي­شود (هومن، 1385)

منبع: مدلسازی معادلات ساختاری در داده های پرسشنامه ای به کمک amos 22 - انتشارات مهرگان قلم

ادامه مطلب

تحلیل واریانس دوطرفه

تحلیل واریانس دوطرفه

تحلیل واریانس دوطرفه[1] نظریات اساسی تحليل واريانس یک­طرفه را با دو متغیر یا فاکتور مستقل گسترش می­دهد. وقتی دو فاکتور در محدوده­ای قرار می­گیرند که به آن طرح عاملی گفته می­شود، هر سطح از یک فاکتور با سطح فاکتور دیگر ترکیب می­شود.

تحلیل واریانس دوطرفه مثل تحلیل واریانس یک­طرفه روی متغیر وابسته­ی منفردی اجرا می­شود که روی یک بازه یا مقیاس نسبی اندازه­گیری می­شود. هدف تحلیل واریانس دوطرفه نتیجه­گیری در مورد تاثیر فاکتور­ها، به تنهایی یا به صورت ترکیبی روی میانگین متغیر وابسته است. در مثال ما که نوع فاکتور­های رویه و بارشناختی ترکیب می­شوند، در صورتیکه متغیر وابسته تعداد کلمات مطالعاتی فراخوان شده باشد، با اجرايتحلیل واریانس دو طرفه، هدف، دانستن این موضوع است که کدام نوع از رویه و بار­شناختی می­تواند روی میانگین تعداد کلمات مطالعاتی فراخوان شده، تاثیر داشته باشد.

سوالات زیادی درباره­ی اینکه فاکتور­های تحلیل واریانس دوطرفه چگونه بر مقادیر میانگین متغیر وابسته تاثیر می­گذارند، به وجود می­آید. به هر حال، با تحلیل­های ذکر شده می­توان فهمید که چه چیز­هایی به عنوان تاثیر اصلی هر فاکتور و تاثیر متقابل هر دو فاکتور شناخته می­شوند. تاثیر اصلی به صورت تاثیر یک فاکتور روی متغیر وابسته بدون توجه به تاثیر فاکتور دیگر تعریف می­شود. تاثیر اصلی یک فاکتور اساساً معادل با تحلیل واریانس یک طرفه است

منبع: کتاب تحلیل داده های پرسشنامه ای به کمک spss23 انتشارات عابد ، مهرگان قلم



[1]. Analysis of Variance (ANOVA)

ادامه مطلب

رگرسیون پواسون

رگرسیون پواسون

در آناليز رگرسيون در حالتي كه متغير وابسته گسسته و نامنفي باشد مدل رگرسيون پواسون مورد استفاده قرار مي گيرد. مدل رگرسيون پواسون به عنوان نمونه اي از مدل هاي خطي تعميم يافته است كه مدل هاي رگرسيوني را به خانواده نمايي توزيع ها بسط مي دهد كه هر دو توزيع نرمال و پواسون را شامل مي شوند. شرط اصلي استفاده از مدل رگرسيون پواسون معادل بودن ميانگين و واريانس متغير وابسته مي باشد. وقتي كه ميانگين و واريانس داده ها بطور تقريبي برابر نباشند مدل پواسون برآوردهاي ناصحيحي از واريانس جملات و استنباط هاي گمراه كننده در باره رگرسيون پواسون ايجاد مي كند. براي حل اين مشكل مي توان از مدل رگرسيوني دوجمله اي منفي استفاده كرد.

 

ساده ترین مدل برای داده های شمارشی، مدل رگرسیون پواسن می باشد. مدل رگرسیون پواسن به عنوان نمونه ای از مدل های تعمیم یافته خطی است که مدل های رگرسیونی را به خانواده نمایی توزیع هایی بسط می دهد که هر دو توزیع نرمال و پواسن را شامل می شوند.

روش رگراسیون پواسن مابین آنالیز مبتنی بر داده های پیوسته و آنالیز مبتنی بر داده های دو حالتی قرار گرفته است. در رگرسیون پواسن متغیر وابسته شمارشی بوده و دارای توزیع پواسن می باشد که این موضوع اساس استنباط را تشکیل می دهد. معادله رگرسیون پواسن؛ یک متغیر شمارشی یا یک نرخ را به یک سری متغیرهای مستقل مربوط می سازد و ساختاری را برای تحلیل آماری ارائه می دهد. در مدل رگرسیون پواسن، لگاریتم نرخ بر اساس مجموع وزنی متغیرهای مستقل(متغیرهای خطی) مدل بندی می شود. در واقع این مدل، میانگین متغیر وابسته را برحسب متغیرهای مستقل، مدل بندی می کند(دنتون و همکاران 1994)

محدوده اصلی مدل رگرسیون پواسن براین شرط استوار است که واریانس متغیر وابسته با میانگین آن برابر باشد، اما در بسیاری از پدیده ها بسیار پراکنده اند. بعبارت دیگر ممکن است واریانس به طور معنی داری بزرگتر از میانگین باشد. وقتی که میانگین و واریانس داده ها بطور تقریبی مساوی نباشند، واریانس های ضریب برآورد شده در مدل پواسن اریب خواهند بود. در این حالت دیگر بر ارزش رگرسیون پواسن برروی داده ها مناسب نمی باشد، ولی این محدودیت را با استفاده از توزیع دو جمله ای منفی از میان برداشت(گاردنر1995).

ادامه مطلب

معادلات برآوردی تعميم يافته( GEE )

معادلات برآوردی تعميم يافته

رویکرد مدل‌های خطی تعمیم یافته، مدل خطی عمومی را بسط می‌دهند به گونه ای که متعییر وابسته بطور خطی با عامل‌ها و کوواریانسها بوسیله یک تابع پیوند مشخص مرتبط می باشد. به علاوه، این مدل‌ها به متغییر وابسته اجازه می دهند که تویع غیر نرمال داشته باشند.

مدل‌های خطی تعمیم یافته بطور گسترده مدل‌های آماری پرکاربرد را در بر می‌گیرد از قبیل رگرسیون خطی برای پاسخ‌هایی که به صورت نرمال توزیع شده اند، مدل‌های لجستیک برای داده‌های دوتایی (دودویی) و مدل‌های لگاریتم خطی برای داده های شمارشی (نوعی از داده آماری که در آن مشاهدات صرفاً می‌توانند مقادیر اعداد صحیح غیر منفی بگیرند)

یکی از روش‌ها در مدل سازی داده های همبسته، روش معادلات برآوردی تعمیم یافته(GEE) است. در این روش، همبستگی میان مشاهدات درون یک فرد با فرض یک ساختار همبستگی فرضی مدل سازی می شود. کارایی برآورد پارامترها ی روش معادلات برآوردی تعمیم یافته تحت تاثیر نوع ساختار همبستگی قرار دارد. برای بهبود کارایی برآورد پارامترها، روش ترکیبیGEE، پیشنهاد شده است، که در آنGEEها با ماتریس های همبستگی مختلف با استفاده از درستنمایی تجربی(EL) با هم ترکیب شده و برآوردهای کاراتری حاصل می شود.

ادامه مطلب

مدلسازی معادلات ساختاری با pls

در فایل پیوست مبانی نظری مدلسازی معادلات ساختاری با نرم افزار smart pls بهمراه مقایسه آن با نرم افزار amos24 برای استفاده دوستان قرار داده شده است. برای دانلود به ادامه مطلب بروید.

ادامه مطلب

تحلیل بیزی در spss

تحلیلگرانی که علاقمند به توسعه نرم افزار spss ۲۴  هستند( از لحظ تکنیک های تحلیلی ) لازم است که در این نرم افزار تحلیل های بیزی هم اضافه شده است که البته باید وب پارتش را دانلود و نصب کنین
تحلیل های بیزی که اضافه شده است عبارتند از
✅تحلیل آمار توصیفی بیزی
✅تحلیل مقایسات بیزی( شامل مقایسه یک گروه؛ دو گروه و حداقل دو گروه) به عبارت دیگر t-test  بیزی یا anove بیزی یا جداول توافقی بیزی
✅رگرسیون بیزی
فردا مطالب گفته شده بصورت تصویر از منوی نرم افزار در کانال قرار خواهد گرفت
این مطالب برای اولین بار است که در اختیار دوستان قرار می گیرد و تا به حال با نرم افزار spss این تحلیل های بیزی انجام نشده است و تنها از طریق سایت تخصصی آمار ارایه می شود. 
برای انجام تحلیل های بیزی کافیست extension های مربوطه را در نرم افزار spss نصب نمایید.
 

ادامه مطلب

مدلسازی معادلات ساختاری در داده های طولی

مدلسازی معادلات ساختاری در داده های طولی

قبل از بررسی مطلب مورد نظر لازم است داده های طولی تعریف شود. داده های طولی داده هایی هستند که در گذر زمان جمع اوری می شوند بطور مثال برای یک نفر در سه زمان مختلف سه نوع داده به دست می آید. 
رویکرد ساختاری در اینگونه داده ها متفاوت از مدل سازی معادلات ساختاری معمولی است که در همه نرم افزار ها از جمله lisrelیاamos  یا eqs قابل اجرا است. 
@spss23
در رویکرد معمولی ( داده های تصادفی  غیرمتاثر از زمان) از روش mle یا maximum likelihood برای برازش مدل در مدل سازی معادلات ساختاری بر پایه کواریانس ورودی استفاده می شود ولی برای برازش داده های طولی که فقط در نرم افزار Amos قابل اجرا هست از برازش Unbiased یا نااریب بر پایه کوواریانس ورودی استفاده می شود
 

ادامه مطلب

آزمون فرض در باره میانگین های متغیرها در روش معادلات ساختاری

آزمون فرض در باره میانگین های متغیرها در روش معادلات ساختاری

در روش معادلات ساختاری تاکنون در باره تاثیر دو سازه بر همدیگر بحث شده و به شاخص های برازش مدل اشاره شده است. ولی اگر هدف بررسی میزان اثرگذاری میانگین های سازه ها بر همدیگر باشد رویکرد معادلات ساختاری عوض می شود. در این حالت به جای خود سازه میانگین سازه به عنوان سازه در نظر گرفته می شود 
از لحاظ نرم افزاری تنها نرم افزار Amos قادر به اجرای این مدل است 
که با انتخاب
Estimate means and intercepts
در سربرگ estimate  از پنجره output
قابل دسترسی هست
منبع: مدل سازی معادلات ساختاری در داده های پرسشنامه ای به کمک Amos ۲۲  : انتشارات مهرگان قلم

ادامه مطلب

آنالیز کوواریانس

آزمونهای mancova,manova,anova

انالیز واریانس (anova): مجموعه‌ای از مدل‌های آماری است که به بررسی میانگین در گروه‌ها و توابع وابسته به آنها (مثل واریانس در یک گروه یا بین چند گروه) می‌پردازد. در این روش واریانس بدست آمده از یک متغیر تصادفی به اجزاء کوچکتری که منابع واریانس هستند تقسیم می شوند. در ساده ترین شکل آن، ANOVA آزمون آماری را فراهم می کند که برابری ‌میانگین های گروه های متفاوت را می آزماید، و در نتیجه آزمون تی استیودنت (t-test) را به بیش از دو گروه تعمیم می دهد.
 
آنالیز واریانس‌ها  یا انوا
 
1)برای مقایسه‌ی میانگین‌های دو گروه یا بیشتر از آن استفاده می شود (بر خلاف نام آن آنالیز میانگین‌ها می‌باشد چون با آنالیز واریانس‌ها، میانگین‌ها را مقایسه می‌کنند).
 
2) آزمون F را می توان به جای T هم به کار برد و در اینجا , F = t2 است ،علامت F همیشه مثبت است بنابراین، امکان مقایسهٔ یک سویه از طریق آن وجود ندارد و به همین علت کاربرد خود را حفظ کرده است (اما از T به جای F نمی‌شود استفاده کرد).
 
3) تحلیل واریانس ممکن است یکه راهه، دو راهه، سه راهه و عاملی اجرا شود (منظور از راه تعداد متغیرهای مستقل در تحلیل واریانس است).
 
مفروضه ها
 
1. مقیاس اندازه گیری باید نسبی یا فاصله‌ای باشد (عدد در معنای ریاضی)
 
2. توزیع متغیر ها نرمال باشد (در صورت چولگی شدید یا خطایی بیش از 2 استفاده نمی‌شود)؛ کولموگروف-اسمیرنوف معنا دار نشد، توزیع نرمال است.
 
3. همگنی واریانس‌ها وجود داشته باشد.
 
4. مشاهدات مستقل باشند.
 

ادامه مطلب

آزمون t-test تک نمونه ای

آزمون تی تست تک نمونه ای درspss

در این آزمون میانگین نمونه با میانگین جامعه مقایسه می شود بطور مثال در فرض مقابل هدف این است که میانگین نمونه از میانگین جامعه بزرگتر است 🖋
در اینجا توجه به دو نکته ضروری هست اول اینکه هرگاه سطح معنی داری آزمون کمتر از 5 صدم باشد در سطح اطمینان 95 صدم میانگین نمونه با میانگین جامعه اختلاف دارد ( همه دوستان تا اینجا آزمون می کنند در حالیکه ناقص است!!!!!)
در مرحله دوم باید به ستون اختلاف میانگین ها نگاه کنین هرگاه در این ستون مقدار اختلاف میانگین ها کوچکتر از صفر باشد فرض صفر رد و فرض شما تایید  می شود
 

ادامه مطلب

تحلیل تشخیصی

تحلیل تشخیصی چندگانه 

تحلیل تشخیصی از جمله روش های تفکیکی است که تلاش می کندتا با بهره گیری از برخی متغیرهای مستقل افراد گروه ها را که دارای مقادیر اسمی یا ترتیبی هستند به بهترین وجه از هم تفکیک کرده و متغیرهایی که بطور مناسب گرو ه ها را از هم جدا می کنند مشخص کند.
کاربرد تحلیل تشخیصي : 
روش تحلیل تشخیصی زمانی می تواند مفید باشد که یک متغیر گروه بندی شده (کیفی) و چندین متغیر مستقل کمی در اختیار باشد.به عبارت دیگر این روش ترکیب دو یا چند متغیر مستقل را که به بهترین وجه تفاوت بین دو یا چند گروه را تبیین می کنند نشان می دهد.این موضوع از طریق حداکثر کردن واریانس بین گروه ها بر مبنای یک قاعده ی تصمیم آماری انجام می شود .
 

انتخاب متغیر برای انجام تحلیل تشخیصی :

برای انجام یک تحلیل تشخیصی محقق باید ابتدا متغیرهای مستقل و متغیر گروهبندی را تعیین کند. برای این منظور متغیر گروهبندی وابسته از نوع غیرپارامتری و کیفی دو یا چند مقوله ای و متغیرهای مستقل از نوع پارامتری می باشند. تعداد گروه های متغیر گروهبندی (طبقات) می تواند دو گروه باشد مانند زن و مرد و یا از چند گروه تشکیل شود مانند نوع شغل ، کشاورز، کارگر، کارمند یا آزاد. در مواردی نیز ممکن است محقق متغیر گروهبندی را در سطح فاصله ای اندازه گرفته باشد، اما برای استفاده از تحلیل تشخیصی آن را به مقیاس ترتیبی تبدیل کند، مانند طبقه بندی بر مبنای میزان درآمددر گروه های فقیر، متوسط یا ثروتمند. 
 

ادامه مطلب

انتقال داده از اکسل به spss

👈👈👈👈👈👈انتقال داده از اکسل به spss
 
 
یکی از اموری است که برای تکمیل فصل چهارم پایان نامه قابل استفاده است( تبدیل به فرمت SPSS 1-).
 
 پس از وارد کردن داده ها در اکسل، آن را ذخیره کرده و Excel را ببندید.
 2- SPSS را باز کنید و با قرار دادن پنجره Data Editor روی صفحه، از منوی بالای صفحه File، open، Data را کلیک کنید.
3- در قسمتی که Files of Type نام دارد Excel را انتخاب کنید.
فایل های Excel پسوند .xls دارند. فایل حاوی داده های خود را پیدا کنید.
روی آن کلیک کنید تا در قسمت File Name ظاهر شود.
4- روی کلید Open کلیک کنید.
صفحه با عنوان Opening Excel Data Source ظاهر می شود. مطمئن شوید که یک تیک در جعبه Read Variable Names From the First row of Data قرار داشته باشد.
روی ok کلیک کنید.
 داده ها روی صفحه ظاهر می شوند و نام متغیرها در بالای صفحه فهرست می شود
 

ادامه مطلب

ادغام کردن متغیرها در spss

 

💫💫💫💫ادغام مغییرها  در spss

👇👇👇👇👇👇👇👇👇
برای این منظور دستور زیر رو دنبال کنید:
 
Data -> Merge Files -> Add variables / Add Cases
 
برای ادغام موردها از Add Cases و برای ادغام متغیرها از Add Variables استفاده میکنیم.
 
نکته ای که باید مورد توجه قرار بدید اینه که متغیرهایی که قصد دارید با هم ادغامشون کنید باید از یک نوع باشند (و البته فقط عددی یا رشته‌ای). همچنین متغیرهای رشته‌ای باید دارای طول رشته‌ی مشابه باشند.
 
پنجره‌ی اول برای هر دو انتخاب (Add cases و Add Variables) مشابه است. در این پنجره فایلی که قصد داریم اطلاعاتش رو با اطلاعات فایل جاری ادغام کنیم مشخص میکنیم و با کلیک بر روی Continue به مرحله‌ی بعد میریم.
 
Add Cases:
 
در کادر Unpaired Variables لیست متغیرها رو میتونید مشاهده کنید.متغیرهای مورد نظر رو که قصد دارین داده هاشون با هم ادغام بشن رو به کادر Variables in New Active Dataset منتقل کنید. متغیرهای موجود در فایل جاری با یک علامت * و متغیرهای فایل دوم با یک علامت + نشان گذاری شدند.
 
بعد از انتخاب متغیرها و قبل از انتقال به کادر سمت راست میتونید با استفاده از  Rename اسم متغیرها رو تغییر بدید.
 
گذینه‌ی بعدی lndicate case source as variable هست که اگه تیکدار باشه در فایل جاری، بعد از ادغام یک متغیر عددی ایجاد میشه که دارای دو مقدار 0 و 1 است. به مقادیر متغیرهای فایل جاری (متغیرهایی که قبل از ادغام در فایل جاری وجود داشتند) مقدار 0 و به مقادیر متغیرهای فایل دوم مقدار 1 نسبت داده میشه. این مقادیر در متغیری با نام پیشفرض source01 نشون داده میشن. میتونید نام این متغیر رو در پنجره ی Add Cases خودتون تعیین کنید.
spss23@

ادامه مطلب

مشکل تایپ فارسی در نرم افزارspss

مشکل تایپ فارسی در نرم افزارspss

 
مرحله اول: تنظمیمات7 Windows
1- تا Control Panel را باز کنید. معمولا هنگامی که دکمه Start  را در پایین سمت چپ مانیتور می زنید می توانید دکمه Control Panel را ببینید.
2- گزینه  Regional and language  را فعال کنید.
 
در بالای پنجره باز شده برگه format را انتخاب و در قسمت Format گزینهPersian  را انتخاب و OK کنید.
 
3- در برگه Location و در قسمت کشویی گزینه Iran را انتخاب و روی OK کلیک کنید.
 
4- لازم است یک بار کامپیوتر خود را Restart کنید تا تغییرات انجام شده اعمال شوند.
 

   ادامه مطلب......

ادامه مطلب