SPSS- AMOS- LISREL- Smart PLS- Warp PLS- R

نرم افزار Smart PLS و مدل سازی معادلات ساختاری واریانس محور

یکی از نرم افزارهای معادلات ساختاری که به بررسی آزمون فرضیات مربوطه می پردازد، نرم افزار pls می باشد.  در سال 2005 توسط رینگل و همکاران وی در دانشگاه هامبورگ آلمان طراحی شده است. این نرم افزار قابلیت پردازش و تحلیل داده های خام را داراست. همچنین طراحی و آزمون مدل در آن به صورت کاملا گرافیکی انجام می شود. خروجی نرم افزار را می توان در قالب صفحات وب، اکسل و لاتکس مشاهده نمود.

از مدل‌یابی معادلات ساختاری با کمک روش حداقل مربعات جزیی و نرم افزار PLS، جهت آزمون فرضیات و صحّت مدل استفاده میشود. پی‌ال‌اس نگرشی مبتنی بر واریانس است که در مقایسه با تکنیکهای مشابه معادلات ساختاری همچون آموس و- لیزرل شروط کمتری دارد.  به طور مثال بر خلاف لیزرل، مدل‌یابی مسیر پی‌ال‌اس برای کاربردهای واقعی مناسب‌تر است، به ویژه هنگامی که مدلها پیچیده‌تر هستند، بهره‌گیری از این نگرش مطلوبتر خواهد بود. مزیت اصلی آن در این است که این نوع مدل‌یابی نسبت به لیزرل به تعداد کمتری از نمونه نیاز دارد. محدودیت حجم نمونه ندارد و نمونه انتخاب شده می تواند برابر یا کمتر از 30 باشد، که در این صورت نتایج نیز معتبر است. همچنین به عنوان متدی قدرتمند مطرح می‌شود، در شرایطی که تعداد نمونه‌ها و آیتم‌های اندازه‌گیری محدود است و توزیع متغیرها میتواند نامعین باشد.

روش حداقل مربعات جزئی (PLS) یک راهکار جایگزین برای رگرسیون چندگانه و مدل‌سازی معادلات ساختاری مبتنی بر کوواریانس است. در حقیقت ‍PLS اغلب به‌عنوان یک روش معادلات ساختاری مبتنی بر مؤلفه (Component-Based SEM) یا معادلات ساختاری مبتنی بر واریانس (Variance-Based SEM) برخلاف روش‌های مبتنی بر کوواریانس که توسط نرم‌افزارهای لیزرل، اموس انجام می‌گیرد، نامیده می‌شود. تحلیل ‍ PLS بر اساس مجموعه‌ای از متغیرهای مستقل که بر مجموعه‌ای متغیرهای وابسته تأثیر می‌گذارند، بکار گرفته می‌شود

روش PLS به‌عنوان یک مدل رگرسیونی جهت پیش‌بینی یک یا چند متغیر وابسته از طریق مجموعه‌ای از یک یا چند مؤلفه مستقل تعریف می‌شود و یا می‌توان به‌عنوان یک مدل مسیر جهت تفسیر تأثیرات متغیرهای مستقل بر متغیرهای وابسته (پاسخ) در نظر گرفت. 

روش PLS بیشتر مواقع برای اهداف پژوهشی که از نوع مدل‌های پیش‌بینی و اکتشافی است مناسب است. به‌طورکلی مدل‌سازی معادلات ساختاری مبتنی بر کوواریانس در مواقعی که اهداف پژوهش از نوع مدل‌های تأییدی (Confirmatory Modeling) است توصیه می‌شود. برخلاف مدل یابی معادلات ساختاری مبتنی بر کوواریانس که میزان برازش مدل مفروض را ارزیابی می‌کند و درنتیجه برآورد مدل در جهت تبیین، آزمون و تأیید نظریه است، روش PLS پیش‌بینی مدار بوده، به نظریه قوی نیاز ندارد و به‌عنوان روش ساخت نظریه می‌تواند به کار رود.

از مزایای روش PLS می‌توان به موارد زیر اشاره کرد:

–  توانایی مدل کردن متغیرهای وابسته چندگانه بر اساس متغیرهای مستقل چندگانه؛

–  توانایی کنترل هم خطی‌های متعدد بین متغیرهای مستقل؛

–  یک روش مقاوم در مقابل داده‌های مفقودشده؛

–  ایجاد متغیرهای پنهان مستقل تأثیرگذار بر متغیر (های) وابسته به‌منظور تعیین پیش‌بینی کننده‌های قوی‌تر.

 نحوه تفسیر نتایج ضریب مسیر و مقدار آماره  تی در نرم افزار smart pls

مدلسازی معادلات ساختاری به روش حداقل مربعات جزئی یا همان نرم افزار smart pls چند مدتی است که بعلت وجود  مزیت های این نرم افزار بسیار مورد توجه محققین، اساتید و دانشجویان قرار گرفته است.وقتی از این نرم افزار استفاده می شود دو خروجی بسیار مهم و حیاتی وجود دارد.

۱- مقدار آماره تی

۲- ضرایب مسیر(بارهای عاملی)

اگر مقدار بارعاملی بین سوالات پرسشنامه و متغیرهای مکنون بیشتر از ۰٫۴ باشد نتیجه می گیریم که سوالی که برای آن سازه به کار برده ایم به خوبی متغیر مکنون مورد نظر را سنجیده است.مقدار آماره تی در واقع ملاک اصلی تایید یا رد فرضیات است.اگر این مقدار آمار به ترتیب از ۱٫۶۴ ، ۱٫۹۶ و ۲٫۵۸ بیشتر باشد نتیجه می گیریم که آن فرضیه در سطوح ۹۰، ۹۵ و ۹۹ درصد تایید می شود.همچنین باید گفت که اگر مقدار ضریب مسیر بین متغیر مکنون مستقل و متغیر مکنون وابسته مثبت باشد نتیجه می گیریم که با افزایش متغیر مستقل شاهد افزایش در متغیر وابسته خواهیم بود.و بالعکس اگر مقدار ضریب مسیر بین متغیر مکنون مستقل و متغیر مکنون وابسته منفی باشد نتیجه می گیریم که با افزایش متغیر مستقل شاهد کاهش در متغیر وابسته خواهیم بود

در محاسبه اثرات متغیر میانجی و تعدیلگر نیز می توان از این نرم افزار استفاده کرد.

هزینه انجام تحلیل آماری با SmartPLS به عوامل زیر بستگی دارد :

  • تعداد فرضیه ها و پیچیدگی مدل
  • تعداد متغیرهای میانجی
  • تعداد متغیرهای تعدیلی
۱۴ ارديبهشت ۰۰ ، ۱۹:۴۱ ۰ نظر موافقین ۰ مخالفین ۰
سید سعید انصاری فر

مقالات بسیار مهم reference نرم افزار SMART PLS

 

SmartPLS multigroup analysis: Chean, J./ Ramayah, T./ Memon, M.A./ Chuah, F./ Ting, H.: Multigroup Analysis using SmartPLS: Step-by-Step Guidelines for Business Research, Asian Journal of Business Research, Volume 10 (2020), Issue 3, pp. 1-19

PLS-SEM and future time perspectives: Chaouali, W./ Souiden, N./ Ringle, C.M.: Elderly Customers’ Reactions to Service Failures: The Role of Future Time Perspctive, Wisdom and Emotional Intelligence, Journal of Services Marketing, forthcoming.

Predictive model selection test: Liengaard, B./ Sharma, P N./ Hult, G.T.M./ Jensen, M.B./ Sarstedt, M./ Hair, J.F./ Ringle, C.M.: Prediction: Coveted, Yet Forsaken? Introducing a Cross-validated Predictive Ability Test in Partial Least Squares Path Modeling, Decision Sciences, forthcoming.

Prediction Metrics: Hair, J.F.: Next-generation Prediction Metrics for Composite-based PLS-SEM, Industrial Management & Data Systems, forthcoming.

No need for PROCESS: Sarstedt, M./ Hair, J.F./ Nitzl, C./ Ringle, C.M./ Howard, M.C.: Beyond a Tandem Analysis of SEM and PROCESS: Use of PLS-SEM for Mediation Analyses!, International Journal of Market Research, forthcoming.

Weighted PLS-SEM (WPLS): Cheah, J.-H./ Roldán, J. L./ Ciavolino, E./ Ting, H./ Ramayah, T.: Sampling Weight Adjustments in Partial Least Squares Structural Equation Modeling: Guidelines and Illustrations, Total Quality Management & Business Excellence, forthcoming.

PLS-SEM in Higher Education: Ghasemy, M./ Teeroovengadum, V./ Becker, J.-M./ & Ringle, C. M.: This Fast Car Can Move Faster: A Review of PLS-SEM Application in Higher Education Research. Higher Education, forthcoming.

Predictive model selection: Sharma, P.N./ Shmueli, G./ Sarstedt, M./ Danks, N./ Ray, S.: Prediction-oriented Model Selection in Partial Least Squares Path Modeling, Decision Sciences (2020), forthcoming.

Causal-predictive PLS-SEM: Chin, W./ Cheah, J.-H./ Liu, Y./ Ting, H./ Lim, X.-J./ & Cham Tat, H.: Demystifying the Role of Causal-predictive Modeling Using Partial Least Squares Structural Equation Modeling in Information Systems Research, Industrial Management & Data Systems, Volume 120 (2020), Issue 12, pp. 2161-2209.

Necessary condition analysis (NCA) and PLS-SEM: Richter, N.F./ Schubring, S./ Hauff, S./ Ringle, C.M./ Sarstedt, M.: When Predictors of Outcomes are Necessary: Guidelines for the Combined Use of PLS-SEM and NCA, Industrial Management & Data Systems, Volume 120 (2020), Issue 12, pp. 2243-2267.

PLS-SEM results assessment: Sarstedt, M./ Ringle, C.M./ Cheah, J.H./ Ting, H./ Moisescu, O.I./ Radomir, L.: Structural Model Robustness Checks in PLS-SEM, Tourism Economics, Volume 26 (2020), Issue 4, pp. 531-554.

Fit criteria: Cho, G./ Hwang, H./ Sarstedt, M./ Ringle, C.M.: Cutoff Criteria for Overall Model Fit Indexes in Generalized Structured Component Analysis, Journal of Marketing Analytics, Volume 8 (2020), Issue 4, pp. 189-202.

PLS-SEM and GSCA: Hwang, H./ Sarstedt, M./ Cheah, J. H./ Ringle, C.M.: A Concept Analysis of Methodological Research on Composite-Based Structural Equation Modeling: Bridging PLSPM and GSCA, Behaviormetrika, Volume 47 (2020), pp. 219-241.

IPMA application in hospitality management: Nunkoo, R./ Teeroovengadum, V./ Ringle, C.M./ Sunnassee, V.: Service Quality and Customer Satisfaction: The Moderating Effects of Hotel Star Rating, International Journal of Hospitality Management, Volume 91(2020), Issue 102414.

More common factor issues: Rhemtulla, M./ van Bork, R./ Borsboom, D.: Worse Than Measurement Error: Consequences of Inappropriate Latent Variable Measurement Models, Psychological Methods, Volume 25 (2020), Issue 1, pp. 30-45.

Different views on CCA: Crittenden, V., Sarstedt, M., Astrachan, C., Hair, J., and Lourenco C. E.: Guest Editorial: Measurement and Scaling Methodologies. Journal of Product & Brand Management, Volume 29 (2020), Issue 4, pp. 409-414.

CCA: Hair, J.F./ Howard, M.C./ Nitzl, C.: Assessing Measurement Model Quality in PLS-SEM Using Confirmatory Composite Analysis, Journal of Business Research, Volume 109 (2020), pp. 101-110. Also take a look here: https://www.unibw.de/ciss-en/methodpaper-nitzl-et-al

PLS-SEM and GSCA: Hwang, H./ Sarstedt, M./ Cheah, J.H./ & Ringle, C.M.: A Concept Analysis of Methodological Research on Composite-based Structural Equation Modeling: Bridging PLSPM and GSCA, Behaviormetrika, Volume 47 (2020), pp. 219–241.

PLS-SEM in HRM: Ringle, C.M./ Sarstedt, M./ Mitchell, R./ Gudergan, S.P.: Partial Least Squares Structural Equation Modeling in HRM Research, The International Journal of Human Resource Management, Volume 31 (2020), Issue 12, pp. 1617-1643.

Common factor issue: Rigdon, E.E., Becker, J.-M./ Sarstedt, M.: Factor Indeterminacy as Metrological Uncertainty: Implications for Advancing Psychological Measurement, Multivariate Behavioral Research, Volume 54 (2019), Issue 3, 429-443.

PLS-SEM software review: Sarstedt, M./ Cheah, J.-H.: Partial Least Squares Structural Equation Modeling Using SmartPLS: A Software Review, Journal of Marketing Analytics, Volume 7 (2019), Issue 3, pp 196–202.

Higher-order models: Sarstedt, M./ Hair, J.F./ Cheah, J.-H./ Becker, J.-M./ Ringle, C.M.: How to Specify, Estimate, and Validate Higher-order Constructs in PLS-SEM, Australasian Marketing Journal, Volume 27 (2019), Issue 3, pp. 197-211.

How to use PLSpredict?! Shmueli, G./ Sarstedt, M./ Hair, J.F./ Cheah, J.-H./ Ting, H./ Vaithilingam, S./ Ringle, C.M.: Predictive Model Assessment in PLS-SEM: Guidelines for Using PLSpredict, European Journal of Marketing, Volume 53 (2019), Issue 11, pp. 2322-2347.

PLS-SEM research networks: Khan, G.F./ Sarstedt, M./ Shiau, W.L., Hair, J.F./ Ringle, C.M./ Fritze, M.P.: Methodological Research on Partial Least Squares Structural Equation Modeling (PLS-SEM): An Analysis Based on Social Network Approaches, Internet Research, Volume 29 (2019), Issue 3, pp. 407-429.

Some rethinking of the PLS-SEM rethinking: Hair, J.F. / Sarstedt, M. / Ringle, C.M.: Rethinking Some of the Rethinking of Partial Least Squares, European Journal of Marketing, Volume 53, Issue 4, pp. 566-584.

More on predictive model selection: Sharma, P.N./ Shmueli, G./ Sarstedt, M./ Thiele, K.O.: PLS-based Model Selection: The Role of Alternative Explanations in MIS Research, Journal of the Association for Information Systems, Volume 20 (2019), Issue 4, pp. 346-397.

PLS-SEM in marketing: Ahrholdt, D.C./ Gudergan, S./ Ringle, C.M.: Enhancing Loyalty: When Improving Consumer Satisfaction and Delight Matters, Journal of Business Research, Volume 94 (2019), Issue 1, pp. 18-27.

PLS-SEM in environmental management: Kotilainen, K./ Saari, U.A./ Mäkinen, S.J./ Ringle, C.M. Exploring the Microfoundations of End-user Interests Toward Co-creating Renewable Energy Technology Innovations, Journal of Cleaner Production, Volume 229 (2019), pp. 203-212.

Something for PLS-SEM haters: Petter, S.: “Haters Gonna Hate”: PLS and Information Systems Research, ACM SIGMIS Database: the DATABASE for Advances in Information Systems, Volume 49, Issue 2, “Haters Gonna Hate”: PLS and Information Systems Research, May 2018.

Data from Experiments and PLS-SEM: Hair, J.F./ Ringle, C.M./ Gudergan, S.P./ Fischer, A./ Nitzl, C./ Menictas, C.: Partial Least Squares Structural Equation Modeling-based Discrete Choice Modeling: An Illustration in Modeling Retailer Choice, Business Research (2018).

Convergent valdity: Cheah, J.-H./ Sarstedt, M./ Ringle, C. M./ Ramayah, T./ Ting, H.: Convergent Validity Assessment of Formatively Measured Constructs in PLS-SEM: On Using Single-item versus Multi-item Measures in Redundancy Analyses, International Journal of Contemporary Hospitality Management, Volume 30 (2018), Issue 11, pp. 3192-3210.

Patient satisfaction: Rosenbusch, J./ Ismail, I.R./ Ringle, C.M.: The Agony of Choice for Medical Tourists: A Patient Satisfaction Index Model, Journal of Hospitality and Tourism Technology, Volume 9 (2018), Issue 3, pp. 267-279.

Endogeneity in PLS-SEM: Hult, G.T.M./ Hair, J.F./ Proksch, D./ Sarstedt, M./ Pinkwart, A./ Ringle, C.M.: Addressing Endogeneity in International Marketing Applications of Partial Least Squares Structural Equation Modeling, Journal of International Marketing, Volume 26 (2018), Issue 3, pp. 1-21.

Moderation: Becker, J.-M./ Ringle, C.M./ Sarstedt, M.: Estimating Moderating Effects in PLS-SEM and PLSc-SEM: Interaction Term Generation x Data Treatment, Journal of Applied Structural Equation Modeling, Volume 2 (2018), Issue 2, pp. 1-21.

PLS-SEM in hospitality research: Ali, F./ Rasoolmanesh, S.M./ Sarstedt, M./ Ringle, C.M./ Ryu, K.: An Assessment of the Use of Partial Least Squares Structural Equation Modeling (PLS-SEM) in Hospitality Research, The International Journal of Contemporary Hospitality Management, Volume 30 (2018), Issue 1, pp. 514-538.

PLS-SEM in finance: Avkiran, N.K./ Ringle, C.M. (2018): Partial Least Squares Structural Equation Modeling: Recent Advances in Banking and Finance. Berlin: Springer.

Handbook article on PLS-SEM: Sarstedt, M./ Ringle, C.M./ Hair, J.F. (2017): Partial Least Squares Structural Equation Modeling. In Homburg, C., Klarmann, M., and Vomberg, A. (Eds.), Handbook of Market Research. Heidelberg: Springer, 1-40.

Mediation: Cepeda Carrión, G./ Nitzl, C./ Roldán, J.L. (2017): Mediation Analyses in Partial Least Squares Structural Equation Modeling: Guidelines and Empirical Examples. In H. Latan & R. Noonan (Eds.), Partial Least Squares Path Modeling: Basic Concepts, Methodological Issues and Applications. Cham: Springer, pp. 173-195.

Segmentation: Sarstedt, M./ Ringle, C.M./ Hair, J.F. (2017): Treating Unobserved Heterogeneity in PLS-SEM: A Multi-method Approach. In H. Latan & R. Noonan (Eds.), Partial Least Squares Path Modeling: Basic Concepts, Methodological Issues and Applications. Cham: Springer, pp. 197-217.

 CB-SEM and PLS-SEM: Rigdon/ E. E./ Sarstedt, M./ Ringle, C. M. (2017). On Comparing Results from CB-SEM and PLS-SEM. Five Perspectives and Five Recommendations. Marketing ZFP, 39(3), 4-16.

PLS-SEM performance: Hair, J.F./ Hult, G.T.M./ Ringle, C.M./ Sarstedt, M./ Thiele, K.O. Mirror, Mirror on the Wall: A Comparative Evaluation of Composite-based Structural Equation Modeling Methods, Journal of the Academy of Marketing Science, Volume 45 (2017), Issue 5, 616-632.

Prediction: Shmueli, G./ Ray, S./ Velasquez Estrada, J.M./ Chatla, S.B. The Elephant in the Room: Evaluating the Predictive Performance of PLS Models, Journal of Business Research, Volume 69 (2016), Issue 10, pp. 4552–4564.

PLS-SEM: Richter, N.F./ Cepeda Carrión, G./ Roldán, J.L./ Ringle C.M.: European Management Research Using Partial Least Squares Structural Equation Modeling (PLS-SEM): Editorial, European Management Journal, Volume 34 (2016), Issue 6, pp. 589-97.

CB-SEM and PLS-SEM: Sarstedt, M./ Hair, J.F./ Ringle, C.M./ Thiele, K.O./ Gudergan, S.P. Estimation Issues with PLS and CBSEM: Where the Bias Lies!, Journal of Business Research, 69 (2016), Issue 10, pp. 3998-4010.

Mediation: Nitzl, C./ Roldán, J.L./ Cepeda Carrión, G.: Mediation Analysis in Partial Least Squares Path Modeling: Helping Researchers Discuss More Sophisticated Models, Industrial Management & Data Systems, Volume 119 (2016), Issue 9, pp. 1849-1864.

Importance-performance map (IPMA): Ringle, C.M./ Sarstedt, M.: Gain More Insight from Your PLS-SEM Results: The Importance-Performance Map Analysis, Industrial Management & Data Systems, Volume 119 (2016), Issue 9, 1865-1886.

Measurement invariance: Henseler, J./ Ringle, C.M./ Sarstedt, M.: Testing Measurement Invariance of Composites Using Partial Least Squares, International Marketing Review, Volume 33 (2016), Issue 3, pp. 405-431.

Weigthed PLS: Becker, J.-M./ Ismail, I. R. Accounting for Sampling Weights in PLS Path Modeling: Simulations and Empirical Examples, European Management Journal, Volume 34 (2016), Issue 6, pp. 606-617.

FIMIX-PLS segmentation: Hair, J.F./ Sarstedt, M./ Matthews, L./ Ringle, C.M.: Identifying and Treating Unobserved Heterogeneity with FIMIX-PLS: Part I – Method, European Business Review, Volume 28 (2016), Issue 1, pp. 63-76.

FIMIX-PLS tutorial: Matthews, L./ Sarstedt, M./ Hair, J.F./ Ringle, C.M.: Identifying and Treating Unobserved Heterogeneity with FIMIX-PLS: Part II – A Case Study, European Business Review, Volume 28 (2016), Issue 2, pp. 208-224.

Dynamic PLS: Schubring, S./ Lorscheid, I./ Meyer, M./ Ringle, C.M.: The PLS Agent: Predictive Modeling with PLS-SEM and Agent-based Simulation, Journal of Business Research, Volume 69 (2016), Issue 10, pp. 4604–4612.

Weighted regression segmentation: Schlittgen, R./ Ringle, C.M./ Sarstedt, M./ Becker, J.-M.: Segmentation of PLS Path Models by Iterative Reweighted Regressions, Journal of Business Research, Volume 69 (2016), Issue 10, pp. 4583–4592.

 HTMT: Henseler, J./ Sarstedt, M./ Ringle, C.M. A New Criterion for Assessing Discriminant Validity in Variance-Based Structural Equation Modeling. Journal of the Academy of Marketing Science, Volume 43 (2015), Issue 1, pp. 115-135.

Uncovering heterogeneity and prediction-oriented segmentation: Becker, J.-M./ Rai, A./ Ringle, C.M./ Völckner, F. Discovering Unobserved Heterogeneity in Structural Equation Models to Avert Validity Threats, MIS Quarterly, Volume 37 (2013), Issue 3, pp. 665-694.

The future of PLS-SEM! Sarstedt, M./ Ringle, C.M./ Henseler, J./ Hair, J.F. On the Emancipation of PLS-SEM: A Commentary on Rigdon (2012), Long Range Planning, 47 (2014), Issue 3, pp. 154-160.

Creating myths when chasing myths! Rigdon, E.E./ Becker, J.-M./ Rai, A./ Ringle, C.M./ Diamantopoulos, A./ Karahanna, E./ Straub, D.W./ Dijkstra, T.K. Conflating Antecedents and Formative Indicators: A Comment on Aguirre-Urreta and Marakas, Information Systems Research, Volume 25 (2014), Issue 4, pp. 780-784.

The silver bullet! Hair, J.F./ Ringle, C.M./ Sarstedt, M. PLS-SEM: Indeed a Silver Bullet, Journal of Marketing Theory and Practice, 19 (2011), Issue 2, pp. 139-152.

 

منبع: محسن مرادی و آیدا میرالماسی

آکادمی تحلیل آماری ایران https://analysisacademy.com/

۰۹ فروردين ۰۰ ، ۲۱:۵۵ ۰ نظر موافقین ۰ مخالفین ۰
سید سعید انصاری فر

کرسی های آزاد اندیشی دانشگاه آزاد اصفهان

۰۷ فروردين ۰۰ ، ۲۳:۵۴ ۰ نظر موافقین ۰ مخالفین ۰
سید سعید انصاری فر

تحلیل کمی و آماری فصل 4 پایان نامه های ارشد و دکترا

قبول سفارشات تحلیل آماری فصل چهار پایان نامه های مدیریت و مقالات علمی پژوهشی با

SPSS

 AMOS

Smart-PLS

LISREL

  

انجام تحلیل آماری و تحلیل های کمی فصل ۴ پایان نامه ارشد و دکتری

خدمات آماری:

1- تعیین حجم نمونه با استفاده از نرم افزار تخصصی  Sample Power

2- تحلیل آماری همبستگی پیرسون و اسپیرمن و ...

3- انجام رگرسیون ساده و چندگانه (پیش بینی)

4- اعتبارسنجی پرسشنامه های استاندارد و محقق ساخته با استفاده از مدل اندازه گیری (روایی سازه)

5-تحلیل مسیر و انجام مدل سازی معادلات ساختاری (تعیین نقش میانجی گری و تعدیل کنندگی)

6- بررسی اعتبار و پایایی پرسشنامه ها با استفاده از تحلیل عاملی تاییدی و اکتشافی و آلفای کرونباخ

7- ارائه گزارش خروجی تحلیل آماری به صورت فرمت قابل پذیرش دانشگاهی و فرمت WORD

۲۰ بهمن ۹۹ ، ۲۰:۳۵ ۰ نظر موافقین ۰ مخالفین ۰
سید سعید انصاری فر

چاپ کتاب جدیدحفظ و نگهداری کارکنان- سید سعید انصاری فر

۲۰ بهمن ۹۹ ، ۲۰:۲۴ ۰ نظر موافقین ۰ مخالفین ۰
سید سعید انصاری فر

صفر تا صد آموزش نرم افزار مدلسازی معادلات ساختاری اموس (AMOS)

در این آموزش فرض بر اینه که Amos روی رایانه شما نصب شده است. اگر هنوز نرم افزار Amos را نصب نکردید، نرم افزار را نصب کنید و حتما مراحل را یک بار خودتان در نرم افزار انجام دهید. همچنین،  تصور بر این هست که شما تجربه اساسی استفاده از برنامه های ویندوز را دارید. بدین معنی که شما می دانید که چگونه یک مورد را از منو انتخاب کنید، چگونه نشانگر ماوس را حرکت دهید، ماوس را کلیک کنید و دوبار کلیک کنید و …

پیش نیازها :

1-نصب نرم افزار Amos روی سیستم ویندوز

2-آشنایی با محیط ویندوز و کار با منوهای نرم افزاری

با مطالعه مطلب آموزش Amos می توانید :

1- با نرم افزار Amos به طور کامل آشنا شوید.

2- تحلیل آماری پایان نامه و یا مقاله تان را انجام دهید.

3- راه حل اشکالات و خطاهایی که در هنگام استفاده از نرم افزار اموس مشاهده می کنید؛ برطرف نمایید.

و …

پیش فرض های نرم افزار Amos

همونطور که میدونیم مهم ترین پیش فرض های انجام معادلات ساختاری در نرم افزار Amos به شرح زیر است :

  1. مناسب بودن تعداد نمونه ها
  2. رابطه خطی بین متغیرها
  3. عدم وجود کوواریانس با مقدار صفر در بین متغیرها
  4. عدم وجود همخطی بین متغیرها
  5. دیتاها بایستی از نوع فاصله ای باشند.
  6. نرمال بودن توزیع داده ها (گارسون، 2009)

آموزش رسم مدل معادلات ساختاری در نرم افزار Amos

آموزش رسم مدل در نرم افزار اموس

 

 

فرض کنید می خواهیم مدل معادلات ساختاری زیر را در نرم افزار Amos رسم کنیم :

نحوه رسم مدل در Amos

اولش لازمه که بدونیم هر متغیر چندتا گویه یا زیر مقیاس داره که این اطلاعات رو این پایین آوردم

گویه ها و زیر شاخص های متغیرها جهت رسم در نرم افزار Amos به شرح زیر است :

  • زیر مقیاس های متغیر شدت یائسگی شامل : نشانه های جسمانی، نشانه های روانی و نشانه های ادراری
  • زیر مقیاس های متغیر افکار اتوماتیک شامل : افکار سوء استفاده، بدنی، فقدان، شهوانی، انفعال، شکست
  • زیر مقیاس های متغیر طرحواره ها شامل : نا مطلوبیت و طرد شدگی، بی کفایتی، خود ارزشمندی، تنهایی و درماندگی
  • زیر مقیاس های متغیر عملکرد جنسی شامل : میل، تحریک، رطوبت، ارگاسم، رضایت و درد

برای رسم مدل معادلات ساختاری یاد شده مثل شکل زیر از طریق گزینه نشان داده شده تک تک متغیرهای تحقیق را رسم می کنیم. در این شکل با توجه به این که متغیر عملکرد جنسی دارای 6 زیر مقیاس است پس از انتخاب دکمه (Draw a latent variable) 6 بار بر روی صفحه سفید رنگ کلیک چپ می کنیم (تا بتونیم زیر مقیاس های مربوطه را بعدا جایگزین کنیم. در واقع الان داریم قالب متغیرها و زیر شاخص ها رو درست می کنیم.)

رسم مدل در اموس

نحوه رسم متغیر پنهان به همراه متغیرهای آشکار

آموزش تصویری اموس (Amos)

مانند تصویر بالا تمام متغیرها را رسم می کنیم. برای این که جهت متغیرها رو تغییر بدیم می تونیم از دکمه (Rotate the indicators) استفاده کنیم. همچنین برای جا به جایی متغیرها می تونیم از دکمه (Move Objects) استفاده کنیم :

آموزش جا به جایی متغیرها در Amos

البته بهتره که برای جا به جایی متغیر پنهان با گویه های مربوط به خودش، دکمه (Preserve) را فعال کنیم تا با همدیگه قابلیت جا به جا شدن را داشته باشند. حالا وقتشه که اسم متغیرها رو مشخص کنیم. برای اینکار بایستی بر روی متغیر مورد نظر کلیک راست کرده و از منوی باز شده، گزینه (Object properties) را انتخاب کنیم. حال از طریق پنجره باز شده در کادر (Variable name)، به شرح زیر نامگذاری متغیرها رو انجام میدیم.

نامگذاری متغیرها در نرم افزار Amos

توجه داشته باشید که در کادر (Variable name) امکان درج حروف فارسی وجود ندارد. برای نامگذاری فارسی بایستی از کادر (Variable label) استفاده کنیم. این کار را برای تمام متغیرها انجام می دهیم. در ادامه با استفاده از دکمه (draw paths) جهت فلش ها را مشخص می نماییم.

رسم فلش و تاثیر در Amos

پس از رسم پیکان ها در Amos می توان از طریق دکمه (Touch up a variable) (یا همون چوب جادویی خودمون) فلش های رسم شده را مرتب کرد. توجه داشته باشید که هنوز کار رسم مدل تموم نشده، مثل شکل زیر بایستی برای متغیرهایی که بهشون فلش وارد شده ارور بار تعریف کنیم. این کار رو با استفاده از دکمه (add a unique variable) انجام میدیم.

رسم نهایی مدل معادلات ساختاری در Amos

در حال حاضر رسم مدل نهایی شده و کافیه که زیر مقیاس ها و یا گویه های مربوطه رو برای هر شاخص تعریف کنیم. برای این کار لازمه که ابتدا دیتاهای مورد نظر را به نرم افزار معرفی کنیم.

نحوه ورود دیتا به نرم افزار Amos

نحوه ورود داده در نرم افزار اموس

 

  • در مرحله اول برای ورود دیتا بر روی گزینه (Select data file) همانطور که در شکل زیر نشان داده شده است کلیک کنید.
  • در پنجره باز شده بر روی گزینه (File name) کلیک کنید.
  • در پنجره جدید فایل دیتا مورد نظر با فرمت مخصوص SPSS (sav) را پیدا کرده و آن را انتخاب کنید.

نحوه ورود دیتا به Amos

پس از انتخاب دیتای مورد نظر با فرمت گفته شده بر روی گزینه OK کلیک می کنیم. تا به صفحه اصلی نرم افزار AMOS برگردیم.

نحوه ورود دیتا به AMOS

حال بر روی گزینه List Variables in Data set کلیک کرده و متغیرهای مورد نیاز را سر جای خود جایگذاری می نماییم.

آموزش وارد کردن دیتا در AMOS

پس از این که تمامی متغیرها را در جای خود قرار دادیم. لازم است متغیرهای مربوط به خطاها نام گذاری شوند.

برای نام گذاری خودکار متغیرها از طریق منوی Plugins گزینه Name Unobserved Variables را انتخاب می کنیم. با انتخاب این گزینه متغیرهای بدون اسم، نام گذاری می شوند.

نحوه نام گذاری خودکار متغیرها در amos

در شکل زیر مدل معادلات ساختاری مورد نظر پس از نام گذاری نهایی، ملاحظه می شود.

آموزش نام گذاری متغیرها در اموس

توجه داشته باشید که پس از قرار دادن متغیرهای موجود در داده ها در جای خود، به دلیل زیاد بودن طول نوشته متغیرها، از مخفف آنها در مدل استفاده کردیم. (ظاهر مدل با توجه به این که نوشته ها از کادرشون بیرون می زنند خراب میشه. البته می تونیم اندازه مستطیل و دایره ها را بزرگتر کنیم. اما بهتره که همیشه از مخفف متغیرها استفاده کنیم).

حال همه چیز آماده برای اجرای مدل و برآورد پارامترها می باشد.

 

منبع: موسسه آماری کوکرانا 

۱۷ بهمن ۹۹ ، ۲۳:۲۷ ۰ نظر موافقین ۰ مخالفین ۰
سید سعید انصاری فر

انواع کدگذاری در تحقیق کیفی

کدگذاری باز و محوری در تحقیق کیفی

در پایان نامه کیفی هدف، درک پدیده ­ها از نقطه­ نظر مشارکت کنندگان و در بستر نهادی و اجتماعی خاص آن‌ها است که این هدف هنگام کمی سازی یافته ­ها نادیده گرفته می ­شود. پایان نامه کیفی می­ تواند اثبات­ گرایی، تفسیری یا انتقادی باشد. پایان  نامه کیفی به جای اندازه­ گیری و ارزیابی پدیده سازمان، با معنای آن سروکار دارد.

فرایندهای تحقیق کیفی فرض می­گیرند که واقعیت­های سازمانی مشخص و مسلم نیستند، بلکه حاصل فرافکنی تصور انسانی هستند. کسانی که تحقیقات کیفی را ترجیح می­ دهند، اظهار می ­کنند که برای کشف دانش جدید، مداخله مستقیم در سازمان­ها و استفاده از احساسات انسانی برای تفسیر پدیده سازمان امری لازم است.

مراحل کدگذاری مورد استفاده در پایان نامه های کیفی شامل کدگذاری باز بر مبنای مقولات استخراج شده از مطالعه مقدماتی مبانی نظری تحقیق، کدگذاری محوری وکدگذاری انتخابی می باشد.

کد گذاری باز

استراوس و کوربین کد گذاری باز را اینگونه توصیف می کنند"بخشی از تحلیل که مشخصاً به نامگذاری و دسته بندی پدیده از طریق بررسی دقیق داده ها مربوط می شود".به عبارت بهتر در این نوع کدگذاری مفاهیم درون مصاحبه ها و اسناد و مدارک بر اساس ارتباط با موضوعات مشابه طبقه بندی می شوند.

نتیجه این مرحله، تقطیر و خلاصه کردن انبوه اطلاعات کسب شده از مصاحبه ها و اسناد به درون مفاهیم و دسته بندی هایی است که در این سوالات مشابه هستند. در روش کدگذاری نظری، دو گرایش برای تحلیل داده ها وجود دارد. برخی از پژوهشگران به تحلیل جز به جزمی پردازند. یعنی متون و داده ها را خط به خط و کلمه به کلمه مورد تحلیل قرار می دهند. برخی نیز به دلیل وقت گیر بودن این روش تنها نکات و مضامین کلیدی را کدگذاری می کنند.

کدگذاری محوری

هدف از کدگذاری محوری ایجاد رابطه بین مقوله های تولید شده (در مرحله کدگذاری باز) است.این عمل معمولا بر اساس الگوی پاردایمی انجام می شود وبه نظریه پرداز کمک می کند تا فرایند نظریه پردازی را به سهولت انجام دهد. اساس ارتباط دهی در کدگذاری محوری بر بسط و گسترش یکی از مقوله ها قرار دارد.

 دسته بندی اصلی (مانند ایده یا رویداد محوری )بعنوان پدیده تعریف می شود و سایر دسته بندی ها با این دسته بندی اصلی مرتبط می شوند. شرایط علّی موارد و رویدادهایی هستند که منجر به ایجاد و توسعه پدیده می گردند.

زمینه به مجموعه ای ویژه از شرایط، و شرایط مداخله گر به مجموعه گسترده تری از شرایط اشاره دارند که پدیده در آن قرار دارد. راهبرد های کنش یا تقابل، به اقدامات و پاسخهایی اشاره می کنند که بعنوان نتیجه پدیده رخ می دهند و درنهایت ستاده های -خواسته یا ناخواسته – این اقدامات و پاسخها به پیامدهااشاره دارند .

 کدگذاری انتخابی

کدگذاری انتخابی عبارت است از فرآیند انتخاب دسته بندی اصلی، مرتبط کردن نظام مند آن با دیگر دسته بندی ها، تأیید اعتبار این روابط، و تکمیل دسته بندی هایی که نیاز به اصلاح و توسعه بیشتری دارند. کدگذاری انتخابی بر اساس نتایج کدگذاری باز و کدگذاری محوری، مرحله اصلی نظریه پردازی است. به این ترتیب که مقوله محوری را به شکل نظام مند به دیگر مقوله ها ربط داده و آن روابط را در چارچوب یک روایت ارائه کرده و مقوله هایی را که به بهبود و توسعه بیشتری نیاز دارند، اصلاح می کند.

 

منبع: دکتر محسن مرادی، آکادمی تجزیه و تحلیل آماری ایران

۲۶ دی ۹۹ ، ۱۳:۵۵ ۰ نظر موافقین ۰ مخالفین ۰
سید سعید انصاری فر

ضریب هماهنگی و توافق W کندال

ضریب هماهنگی کندال

ضریب هماهنگی کندال  Kendall’s coefficient of concordance یک آزمون ناپارامتریک است و برای تعیین میزان هماهنگی میان نظرات استفاده می‌شود. این ضریب با نماد w نشان داده می‌شود و مقداری بین ۰ و ۱ است. اگر ضریب کندال صفر باشد یعنی عدم توافق کامل و اگر یک باشد یعنی توافق کامل وجود دارد. ویژگی‌های ضریب کندال یکی از مهمترین کاربردهای این آزمون را در مدیریت فراهم کرده است.

مقدار w برای تعیین درجه هماهنگی و موافقت بین چندین دسته رتبه مربوط به n پدیده است. این مقیاس همبستگی رتبه‌ای میان m مجموعه رتبه را نشان می‌دهد. همچنین نشان می‌دهد افرادی که چند مقوله را براساس اهمیت آنها مرتب کرده‌اند، بطور اساسی معیارهای مشابهی را برای قضاوت درباره اهمیت هریک از مقوله‌ها بکار برده‌اند و از این نظر با یکدیگر اتفاق نظر دارند. برای تعیین میزان وحدت نظر می‌توان از ضریب هماهنگی کندال استفاده کرد. همچنین این ضریب برای تعیین روائی دیدگاه داوران قابل استفاده است.

کاربرد ضریب کندال در تکنیک دلفی

برای پایان راندهای تکنیک دلفی می‌توان از ضریب هماهنگی کندال استفاده کرد.

اشمیت برای تصمیم‌گیری درباره توقف یا ادامه دورهای دلفی دو معیار آماری ارائه کرده است.

اولین معیار اتفاق نظر قوی میان اعضای پانل است که براساس مقدار w تعیین می‌شود.

در صورت نبود چنین اتفاق نظری، ثابت ماندن این ضریب یا رشد ناچیز ان در دو دور متوالی نشان می‌دهد که افزایشی در توافق صورت نگرفته است و فرایند نظرخواهی باید متوقف شود.

مقدار این مقیاس هنگام هماهنگی یا موافقت کامل برابر با یک و در زمان نبود کامل هماهنگی برابر با صفر است.

معناداری آماری ضریب w برای متوقف کردن فرایند دلفی کافی نیست. برای پنل‌های با تعداد بیشتر از ۱۰ عضو نیز مقادیر بسیار کوچک w نیز معنادار محسوب می‌شود.

محاسبه ضریب هماهنگی کندال در SPSS

از منوی Analyze گزینه nonparametric tests فرمان K-Related samples را اجرا کنید.

ضریب هماهنگی کندال

ضریب هماهنگی کندال

به جای گزینه Friedman گزینه Kendall’s w را تیک بزنید.

گزینه‌ها را به کادر test variables منتقل کنید.

دکمه ok را فشار دهید.

برای نمونه در مثال کتاب SPSS حبیبی مقدار آماره کندال ۰/۵۸۶ بدست آمده است که نشان می‌دهد تقریباً پنجاه درصد هماهنگی بین دیدگاه‌ها وجود دارد. مقدار معناداری نیز ۰/۰۰۰ محاسبه شده است که نشان می‌دهد ضریب هماهنگی مشاهده شده معنادار است.

 

منبع : ضریب هماهنگی کندال نوشته آرش حبیبی کتاب آموزش SPSS

۲۶ دی ۹۹ ، ۰۱:۰۲ ۰ نظر موافقین ۰ مخالفین ۰
سید سعید انصاری فر

مشاوره تحلیل آماری دکترا مدیریت

برای مشاوره تحلیل آمیخته (کیفی-کمی) دوره دکتری مدیریت با ما تماس بگیرید

1- ارائه الگوی مفهومی برای تحلیل رساله دکتری مدیریت

2- شناسایی مقوله های اصلی و فرعی الگو با روش تحلیل کیفی (کدگذاری باز و محوری)

3- اعتبارسنجی الگوها و مدل های طراحی شده با روش تحلیل کمی (تحلیل عاملی اکتشافی و تاییدی مرتبه اول و دوم و مدل معادلات ساختاری با استفاده از نرم افزارهای AMOS و Smart PLS و SPSS)

۲۵ دی ۹۹ ، ۲۱:۵۴ ۰ نظر موافقین ۰ مخالفین ۰
سید سعید انصاری فر

شاخص ماهالانوبیس در مدل سازی معادلات ساختاری

دو مشکلی اساسی هنگام استفاده از فاصله اقلیدسی وجود دارد. مشکل اول ناشی از وجود رابطه یا همبستگی بین محورها است. اگر مقدارهای مربوط به محور افقی و عمودی با یکدیگر ارتباط یا همبستگی داشته باشند، فاصله اقلیدسی بزرگتر از حالتی است که مستقل باشند. به این ترتیب به نظر می‌رسد که فاصله اقلیدسی وزن بیشتری به مشاهدات مرتبط با هم می‌دهد. به این ترتیب اطلاع از مختصات یک نقطه می‌تواند در تعیین مختصات نقطه دیگر کمک کند و به این ترتیب آگاهی از مختصات یک نقطه می‌تواند برای جایگزین اطلاعات مربوط به نقطه دیگر باشد. در حالیکه در فاصله اقلیدسی درکی نسبت به این موضوع وجود ندارد و فاصله‌ها دوباره محاسبه شده و می‌تواند در مجموع، میانگین فاصله‌ها را تحت تاثیر قرار دهد. البته از آنجایی که متغیرها یا مولفه‌های مشخص شده در مولفه‌های اصلی مستقل از یکدیگر ایجاد می‌شوند، معمولا این مشکل در این حالت بروز نمی‌کند.

مشکل دوم و اساسی هنگام استفاده از فاصله اقلیدسی، محاسبه میانگین و انحراف استاندارد داده‌ها است. اگر واقعا مجموعه داده شامل نقاط پرت باشد، میانگین و انحراف استاندارد را تحت تاثیر خود قرار داده و محاسبات را دچار مشکل می‌کنند. توجه داشته باشید که داده‌های پرت واقعا متعلق به توزیع اصلی داده‌ها نیستند. مقدارهای پرت ممکن است بر اثر خطای اندازه‌گیری یا موارد خاص بوجود آمده باشند که نمی‌توانند گویای رفتار واقعی و دائمی پدیده تصادفی باشند. برای خروج از این بحران از فاصله ماهالانوبیس استفاده می‌کنیم. این تابع فاصله توسط چاندار ماهالانوبیس، دانشمند و آمار شناسی هندی در سال 1936 میلادی معرفی شد.

Prasanta_Chandra_Mahalanobis

چاندار ماهالانوبیس- دانشمند و آمار شناس هندی

 

مدل یابی معادله ساختاری یک تکنیک تحلیل چند متغیری بسیار کلی و نیرومند از خانواده رگرسیون چند متغیری و به بیان دقیق‌تر بسط “مدل خطی عمومی” (General linear model) است که به پژوهشگر امکان می‌دهد مجموعه ای از معادلات رگرسیون را به گونه هم زمان مورد آزمون قرار دهد. مدل یابی معادله ساختاری،روش­های تحلیل عاملی، همبستگی کانونی و رگرسیون چندمتغیری را با یکدیگر ترکیب می­ کند.

یکی از قوی‌ترین و مناسب‌ترین روشهای تجزیه و تحلیل در تحقیقات علوم رفتاری و اجتماعی، تجزیه و تحلیل چند متغیره است. زیرا ماهیت این گونه موضوعات چند متغیره بوده و نمی‌توان آنها را با شیوه دو متغیری (که هر بار یک متغیر مستقل با یک متغیر وابسته در نظر گرفته می‌شود) حل نمود. تجزیه و تحلیل چند متغیره به یک سری روشهای تجزیه و تحلیل اطلاق می‌شود که ویژگی اصلی آنها تجزیه و تحلیل همزمان k متغیر مستقل و  n متغیر وابسته است. مدل یابی معادله ساختاری یک رویکرد جامع برای آزمون فرضیه‌هایی درباره روابط متغیرهای آشکار (مشاهده شده) و پنهان (نهفته یا مکنون) است که گاه تحلیل ساختاری کوواریانس، مدل یابی علّی و گاه نیز لیزرل (LISREL) نامیده شده است؛ اما اصطلاح غالب در این روزها، مدل‌یابی معادله ساختاری یا به گونه خلاصه SEM است.

از طریق این روش می‌توان قابل قبول بودن مدلهای نظری را در جامعه‌های خاص با استفاده از داده‌های همبستگی، غیر آزمایشی و آزمایشی آزمود. این روش برآوردهایی از پارامترهای مدل (ضرایب مسیر و عبارات خطا) و همچنین چند شاخص برای نیکویی برازش فراهم می‌کند و با بهره‌گیری از داده‌های تجربی امکان آزمون مدلهای تدوین شده را به عنوان یک کل فراهم آورده و با شاخصهایی که در اختیار پژوهشگر قرار می‌دهد، وی را در اصلاح و بهبود مدل راهنمایی می‌کند.

انواع مدل در مدل یابی معادله ساختاری

مدل یابی معادله ساختاری را می توان برای آزمون انواع مختلفی از مدل‌ها مانند مدل‌های رگرسیون، تحلیل مسیر، مدل‌های تحلیل عاملی تاییدی، مدل‌های عاملی مرتبه دوم، مدل‌های MIMIC (مدل‌های با شاخص‌های چندگانه و علل چندگانه)، مدل‌های چندسطحی، مدل‌های گروه‌های چندگانه و …. به کار برد.

 

تحلیل مسیر

سول رایت (Sewall Wright) تحلیل مسیر را به عنوان روشی برای مطالعۀ تأثیرات مستقیم و غیرمستقیم متغیرهایی که علت گرفته شده‌اند در متغیرهایی که معلول فرض شده‌اند ساخت و پرداخت. باید در نظر داشت که از تحلیل مسیر برای کشف علت‌ها استفاده نمی‌شود بلکه این روش در مورد مدل‌هایی به کار می‌رود که بر مبنای دانش و ملاحظات نظری تدوین شده باشند. تحلیل مسیر ابزار تحلیلی مهمی برای آزمودن نظریه هاست که از کاربرد آن محقق می تواند توافق الگویی از همبستگی ها را که از مجموعه ای از مشاهدات حاصل شده است، با یک مدل معین معلوم کند.

مدل مسیر: مدل مسیر دیاگرامی است که متغیرهای مستقل، میانجی یا واسطه‌ای و وابسته را به هم مرتبط می‌کند. پیکان‌های یک‌طرفه نشان دهندۀ علّیت بین متغیرهای برونزا یا واسطه‌ای و متغیرهای وابسته هستند. پیکان‌ها عبارت‌های خطا را هم به متغیرهای درونزا مخصوص خود مرتبط می‌کنند. پیکان‌های دو طرفه نشان دهنده همبستگی بین جفت‌های متغیرهای برونزا هستند.

ضرایب مسیر: ضریب مسیر یک ضریب رگرسیون استاندارد (بتا) است که اثر مستقیم یک متغیر مستقل روی یک متغیر وابسته را در مدل مسیر نشان می‌دهد. بنابراین زمانی که مدل دو یا چند متغیر علّی دارد، ضرایب مسیر ضرایب رگرسیون پاره‌ای هستند که میزان تأثیر یک متغیر روی متغیر دیگر را با کنترل سایر متغیرها در مدل اندازه می‌گیرد. برآوردهای مسیر می‌توانند توسط رگرسیون حداقل مجذورات یا بیشینه درست نمایی برآورد شوند.

اثرات مستقیم و غیرمستقیم: ضرایب مسیر می‌توانند برای تجزیه همبستگی بین دو متغیر به اثرات مستقیم و غیرمستقیم استفاده شوند. اثرهای غیرمستقیم مستلزم متغیرهای میانجی است.

 

رویکرد‌های مدل یابی معادله ساختاری (LISREL یا PLS)

به طور کلی در مدل یابی معادله ساختاری (SEM)  برای برآورد پارامترهای مدل دارای دو نوع می‌باشد که عبارتند از: رویکرد مبتنی بر کوواریانس و رویکرد مبتنی بر واریانس.

 

رویکرد کوواریانس محور

روش کوواریانس محور که به عنوان نسل اول مدل یابی معادلات ساختاری شناخته شده است، به شدت به حجم نمونه بالا بستگی دارد و هر چه داده‌ها نرمال‌تر باشند، برازش بهتری را نشان می‌دهد. روش کوواریانس محور تلاش می‌کند تا اختلاف بین کوواریانس‌های نمونه و آنچه که مدل نظری پیش‌بینی کرده است را به حداقل برساند. نرم افزار LISREL یکی از ﻗﻮی‌ترین و ﻣﻨﺎﺳﺐﺗﺮین رویکردهای کوواریانس محور برای تجزیه و تحلیل در ﺗﺠﺰیه و تحلیل ﭼﻨﺪ متغیره اﺳﺖ. زیرا ﻣﺎهیت این ﮔﻮﻧﻪ ﻣﻮﺿﻮﻋﺎت، دارای چند متغیر بوده و این متغیرها نیز با هم ارتباطات پیچیده‌تری دارند و ﻧﻤﯽﺗﻮان آﻧﻬﺎ را ﺑﺎ شیوه‌ای که ﺗﻨﻬﺎ ارتباط میان یک متغیر ﻣﺴﺘﻘﻞ ﺑﺎ یک متغیر واﺑﺴﺘﻪ بررسی می‌شود، ﺣﻞ‫ﻧﻤﻮد. روش کوواریانس محور برای توسعه نظریه مناسب‌تر است و با MPLUS ، AMOS وEQS  نیز قابل اجرا می‌باشد.

 

مفاهیم مدل یابی معادله ساختاری کوواریانس محور

  • متغیر آشکار (مشاهده شده)‌

متغیرهایی که با مشاهده مستقیم رویداد بدست می‌آیند که به عنوان شاخص اندازه‌گیری یک متغیر پنهان ایفای نقش می‌کنند و در دیاگرام مسیر با مستطیل مشخص می‌شوند.

مدل یابی معادله ساختاری متغیر آشکار

متغیرهایی که مستقیماً قابل مشاهده نیستند. متغیرهای پنهان از طریق پیوند با متغیرهای قابل اندازه‌گیری (آشکار) بررسی و در دیاگرام مسیر با دایره یا بیضی مشخص می‌شوند. متغیرهای پنهان در مدل معادلات ساختاری به دو دسته بیرونی و درونی تقسیم می‌شوند.

مدل یابی معادله ساختاری متغیر پنهان

متغیرهای پنهان بیرونی: متغیرهایی هستند که علت تغییرات آن‌ها در مدل منظور نشده و تحت تأثیر متغیرهای دیگر مدل قرار ندارند.

متغیرهای پنهان درونی: متغیرهایی که تحت تأثیر یک یا چند متغیر دیگر قرار دارند.

  • خطای باقیمانده

خطاهای باقیمانده نشان‌دهنده خطای تصادفی متغیرهای آشکار و نیز متغیرهای پنهان هستند که درون خطوط بسته قرار نمی‌گیرند.

خطوط کشیده شده به سمت متغیرهای آشکار بیان‌گر خطاهای اندازه‌گیری هستند.

مدل یابی معادله ساختاری خطاهای اندازه‌گیری

خطوط کشیده شده به سمت متغیرهای پنهان بیان‌گر واریانس‌های باقیمانده‌ یا از دست رفته‌ هستند.

مدل یابی معادله ساختاری خطاهای اندازه‌گیری

توجه: در مدل یابی معادله ساختاری، از خطوط راست (فلش‌های یکطرفه) برای نشان دادن روابط علی یا تأثیر یک متغیر بر متغیر دیگر استفاده می‌شود.

مدل یابی معادله ساختاری فلش یکطرفه

خطوط منحنی (فلش‌های دوطرفه) برای نشان دادن همبستگی‌ها استفاده می‌شود.

فلش‌های دوطرفه

  • مدل اندازه‌گیری:

مدل اندازه‌گیری روابط بین متغیرهای پنهان و آشکار (مولفه‌های یک متغیر پنهان) را تعریف می‌کند. مدل اندازه‌گیری دارای دو نوع می‌باشد:

مدل اندازه‌گیری X : روابط بین متغیر پنهان مستقل و متغیرهای آشکار مربوط به آن را نشان می‌دهد.

مدل اندازه‌گیری X

شکل ۱: مدل اندازه‌گیری  X برای متغیر ساختار و زمینه تیم

مدل اندازه‌گیری Y : روابط بین متغیر پنهان وابسته و متغیرهای آشکار مربوط به آن را نشان می‌دهد.شکل ۱: مدل اندازه‌گیری  X برای متغیر ساختار و زمینه تیم

مدل اندازه‌گیری Y

شکل ۲: مدل اندازه‌گیری Y برای متغیر فراشناخت تیمی

  • مدل ساختاری (تحلیل مسیر):

مدل ساختاری، روابط بین متغیرهای پنهان را مشخص می‌کند.

مدل ساختاریشکل ۳: مدل ساختاری

  • مدل عمومی معادله ساختاری

این مدل ترکیب دو مدل اندازه‌گیری و ساختاری است و در آن هم روابط بین متغیرهای پنهان با متغیرهای آشکار (مدل اندازه‌گیری) و هم روابط بین متغیرهای پنهان (مدل ساختاری) مورد توجه قرار می‌گیرد.

نمونه‌ای از یک مدل عمومی معادله ساختاری

پژوهشی رابطه سه متغیر پنهان A، B وC  به صورت زیر بررسی شده است:

  • متغیر پنهان بیرونی A متغیر مستقل است که بر هر دو متغیر پنهان درونی B و C تاثیر می‌گذارد.
  • برای اندازه‌گیری متغیر A از سه متغیر آشکار (شاخص) X1 ، X2 و X3 استفاده شده است.
  • برای اندازه‌گیری متغیر B از سه متغیر آشکار (شاخص) Y1 ، Y2 و Y3 استفاده شده است.
  • برای سنجش متغیر پنهان C از سه متغیر آشکار (شاخص) Y4 ، Y5 و Y6 استفاده شده است.
  • ضریب مسیر بین دو متغیر پنهان وابسته با β و ضریب مسیر بین متغیر پنهان مستقل و وابسته با γ نشان داده می‌شود.
  • ارتباط بین هر متغیر پنهان با متغیرهای آشکار مربوطه با حرف λ نشان داده که به آن‌ها بار عاملی گفته می‌شود.
  • ε نشان دهنده خطا (باقیمانده) برای متغیر آشکار درونی
  • δ نشان دهنده خطا (باقیمانده) برای متغیر آشکار بیرونی
  • ζ نشان دهنده واریانس خطا (باقیمانده) برای متغیر پنهان درونی

مدل عمومی معادلات ساختاری

شکل ۴: نمونه‌ای از یک مدل عمومی معادلات ساختاری براساس نمادها

 

مراحل مدل یابی معادله ساختاری کوواریانس محور

مرحله ۱: تدوین مدل

تدوین مدل براساس تئوری صورت می‌گیرد. در تدوین مدل، تعداد متغیرهای پنهان مدل، تعداد متغیرهای آشکار، روابط بین متغیرهای پنهان و آشکار مربوطه، الگوی روابط بین متغیرهای پنهان و محدودیت‌های مدل (مشخص‌کردن پارامترهای ثابت، آزاد و مقید مناسب) مشخص می‌شود.

 

تعداد متغیرها در تدوین مدل

تعداد متغیرها به موضوع مورد مطالعه، هدف تحقیق و امکان سنجش این متغیرها بستگی دارد. در مجموع هرچه مدل طراحی شده پیچیده‌تر باشد، دستیابی به برازش مدل مشکل‌تر می‌شود. ضمن اینکه باید به خاطر داشت که هرچه تعداد متغیر در یک مدل بیشتر باشد باید حجم نمونه نیز افزایش یابد. هرچند قاعده قطعی برای تعیین تعداد متغیرهای مدل وجود ندارد، اما عده‌ای معتقدند که در یک مدل نباید بیش از ۲۰ متغیر وارد کرد یعنی مثلاً ۵ یا ۶ متغیر به عنوان متغیرهای نهفته و هر متغیر ۳ تا ۴ شاخص را به خود اختصاص دهد.

 

مرحله ۲: تشخیص مدل (مشخص‌سازی)

تشخیص مدل یعنی آیا برای هریک از پارامترهای آزاد، می‌توان یک مقدار منحصر به فرد از روی داده‌ها به دست آورد. براساس این تعریف سه نوع مدل خواهیم داشت:

مدل‌های فرومشخص (under-identified): یک برآورد واحد برای هر پارامتر ناممکن باشد. یا به عبارتی اطلاعات مورد نیاز برای حل کردن پارامترها ناکافی باشد.

مدل‌های کاملاً مشخص (just-identified): برای هر پارامتر واحد می‌توان یک مقدار واحد برآورد کرد. یا به عبارتی تعداد معادلات با تعداد پارامترهای مورد تخمین برابر است.

مدل‌های فرامشخص (over-identified): مدل‌هایی که برای هر پارامتر بیش از یک جواب دارند. یعنی تعداد پارامترهای مدل کمتر از مشاهدات است.

 

قاعده حسابی برای تشخیص مدل: تعداد پارامترهایی که باید برآورد شوند (پارامترهای آزاد) نباید از تعداد واریانس‌ها و کوواریانس‌های نمونه بیشتر باشد. اگر تعداد متغیرهای مشاهده شده (شاخص‌ها) برابر P باشد، بنابراین از طریق فرمول زیر می‌توان تعداد کل واریانس‌ها و کوواریانس‌های ممکن را برآورد نمود.

p × (p+1)〉 / ۲〉= تعداد کل واریانس‌ها و کوواریانس‌های نمونه

 

  • مدل کاملا مشخص از نظر علمی مطلوب نیست. زیرا درجه آزادی (df) آن صفر می‌شود و هرگز نمی‌تواند رد شود. در عمل محققان باید مدل‌های فرامشخص که دارای درجه آزادی مثبت هستند را تجزیه و تحلیل کنند. مدل‌هایی که مشخص نیستند باید دوباره تدوین شوند.
  • برای این‌که مدلی مشخص باشد باید هر عامل حداقل ۳ شاخص داشته باشد.
  • شرط لازم و کافی برای مشخص سازی وقتی فراهم می‌شود که هر متغیر مشاهده شده (شاخص) فقط و فقط یک متغیر پنهان (عامل) را اندازه‌گیری کند.

 

مرحله ۳: برآورد مدل

برآورد مدل شامل تکنیک‌هایی است که برای برآورد پارامترهای مدل استفاده می‌شوند. برآورد پارامترها آنقدر تکرار می‌شود تا مدل موردنظر در یک مجموعه نهایی از پارامترهای برآورد شده همگرا شود.

روش‌های برآورد مدل

  • (Maximum Likelihood (ML: متداول‌ترین روش برآورد و مستقل از مقیاس داده‌ها‌ است. اگر متغیرهای مشاهده شده نرمال و خطی باشند و بیش از ۱۰۰ مورد وجود داشته باشد، از این روش می‌توان استفاده کرد.
  • (Generalized Least Squares (GLS: نتایجی مشابه روش ML ارائه می‌کند و با حجم نمونه‌های کوچکتر قابل کاربرد است.
  • (Unweighted Least Squares (ULS : زمانی مناسب است که تمام متغیرهای مشاهده شده با یک مقیاس واحد اندازه‌گیری شده باشند.
  • (Weighted Least Squares (WLS و (Diagonal weighted Least Squares (DWLS: وابسته به پیش فرض نرمال بودن نیستند و به حجم نمونه بسیار بالا (بیش از ۱۰۰۰ مورد) نیاز دارند.

 

مرحله ۴: آزمون مدل

یک بخش مهم در فرایند برآورد، ارزیابی برازش مدل است. منظور از برازش مدل این است که تا چه حد یک مدل با داده‌های نمونه سازگاری و توافق دارد. بدین منظور از شاخص‌های برازش استفاده می‌شود.

در صورتی که برازش مدل قابل قبول باشد، تخمین پارامترها مورد بررسی قرار می‌گیرند. یعنی نتایج بخش اندازه‌گیری و ساختاری مدل ارزیابی می‌شوند. نسبت تخمین هر پارامتر به خطای استاندارد آن بوسیله آماره t نشان داده می‌شود. برای این‌که پارامتر موردنظر قابل قبول یا به عبارتی معنادار باشد، باید قدرمطلق مقدار t آن بزرگتر یا مساوی ۱٫۹۶ باشد. بنابراین شاخصها از دقت لازم برای اندازه­گیری سازه‌های نهفته تحقیق برخوردارند.

 

آزمون‌های برازندگی مدل کلی

گرچه انواع گوناگونی از آزمون‌ها که به آن‌ها شاخص‌های برازش گفته می‌شود، در حال توسعه و تکامل می‌باشند اما هنوز درباره حتی یک آزمون بهینه نیز توافق همگانی وجود ندارد. تصمیم‌گیری درباره برازش یک مدل براساس چند شاخص و نه یک شاخص انجام می‌گیرد. بنابراین برای ارزیابی برازش مدل، ضروری است تعداد متنوعی از شاخص‌ها گزارش شود. زیرا شاخص های مختلف، جنبه‌های متفاوتی از برازش مدل را انعکاس می‌دهند. برخی از این شاخص‌ها عبارتند از:

جدول۱: انواع شاخص‌های برازش مدل و مقدار مجاز آن‌ها

شاخص‌های برازش مدل

شاخص‌های دیگری نیز در خروجی نرم افزار لیزرل دیده می‌شوند که برخی مثلAIC ،CAIC  و ECVI  برای تعیین برازنده‌ترین مدل از میان چند مدل مورد توجه قرار می‌گیرند برای مثال مدلی که دارای کوچکترینAIC ،CAIC  و ECVI  باشد برازنده‌تر است. مقدار آماره ECVI به خودی خود قابل قضاوت نیست و برای نتیجه‌گیری درباره برازش مدل با مقادیر بدست آمده برای مدل استقلال و مدل اشباع شده مقایسه می‌گردد. مدلی که دارای کوچکترین CAIC و AIC باشد (هرچه به صفر نزدیکتر باشند)، برازنده‌تر است. برخی از شاخصها نیز به شدت وابسته به حجم نمونه‌اند و در حجم نمونه‌های بالا می‌توانند معنا داشته باشند.

 

مرحله ۵: اصلاح مدل

گام نهایی اصلاح مدل نامیده می‌شود. در صورتی که مدل از برازش ضعیفی برخوردار باشد، با استفاده از اطلاعات حاصل از خروجی برنامه، جهت بهبود مدل تغییراتی در آن اعمال می‌شود.

 

منابع:

  • کلانتری، خلیل (۱۳۸۸). مدل یابی معادله ساختاری در تحقیقات اجتماعی-اقتصادی. تهران: انتشارات فرهنگ صبا. چاپ اول.
  • هومن، حیدرعلی (۱۳۸۸). مدل یابی معادله ساختاری با کاربرد نرم‌افزار لیزرل. تهران: انتشارات سمت. چاپ سوم.
  • شوماخر، راندال ای و لومکس، ریچارد جی (۱۳۸۸). مقدمه‌ای بر مدل‌سازی معادله ساختاری. مترجم: وحید قاسمی. تهران: انتشارات جامعه شناسان. چاپ اول. سال انتشار به زبان اصلی، ۲۰۰۴٫
  • میرز، گامست، و گارینو (۲۰۰۶). پژوهش چندمتغیری کاربردی طرح و تفسیر. ترجمه شریفی و همکاران ۱۳۹۱. انتشارات رشد.
  • کرلینجر، پدهازر (۱۹۸۲). رگرسیون چندمتعیری در پژوهش رفتاری.  ترجمه حسن سرایی ۱۳۸۶. انتشارات سمت.
  • Bollen, K. A. (1989). Structural equations with latent variables. New York: Wiley.

 

 

رویکرد واریانس محور یا حداقل مربعات جزئی (PLS)

PLS یا روش حداقل مربعات جزئی (Partial Least Square) یک رویکرد واریانس محور برای مدل یابی معادله ساختاری است، این تکنیک امکان بررسی روابط متغیرهای پنهان و شاخص‌ها (متغیرهای قابل مشاهده) را بصورت همزمان فراهم می سازد. این روش را می‌توان در شرایطی که حجم نمونه کم بوده و متغیرها حالت نرمال ندارند (البته در مدل‌های ترکیبی یا Formative شرط نرمال بودن حائز اهمیت نمی‌باشد)، به کار برد. PLS شاخص‌های برازش مدل را در اختیار محقق قرار نمی‌دهد، بنابراین برای پیش‌بینی مناسب‌تر است.

شاخص­های برازش این رویکرد مربوط به بررسی کفایت مدل در پیش­بینی متغیرهای وابسته می­شوند؛ مانند شاخص­های اشتراک (Communality) و افزونگی (Redundancy) یا شاخصGOF می ­باشد. در واقع این شاخص­ها نشان می­ دهند که برای مدل اندازه ­گیری شاخص‌ها تا چه حد توانائی پیش­بینی سازه زیربنایی خود را دارند و برای مدل ساختاری، متغیرهای بیرونی تا چه حد و با چه کیفیتی توانائی پیش­بینی متغیرهای درنی مدل را دارند. رویکرد واریانس محور با نرم‌افزارهایی مانند پی ال اس گراف (PLS Graphing)، اسمارت پی ال اس (Smart- PLS)، رپ پی ال اس (Warp PLS) و ویژوال پی ال اس (Visual PLS) قابل اجرا می‌باشد.

 

حجم نمونه در روش حداقل مربعات جزئی  PLS

در مدل‌یابی معادله ساختاری به روش حداقل مربعات جزئی  برخلاف روش قبلی به حجم نمونه بالایی نیاز نداریم.

چین و نیوزتد (۱۹۹۹) در یک مطالعه شبیه‌سازی مونت کارلو بر روی PLS  با نمونه‌های کوچک نشان دادند که این رویکرد می‌تواند برای حجم نمونه ۲۰ تایی نیز اطلاعاتی درباره تناسب شاخص‌ها فراهم آورد. با این حال با در نظر گرفتن مشکل پایداری در مقیاس بزرگ، هنوز این مدل با محدودیت هایی روبروست. با وجود این‌که PLS برای نمونه‌های خیلی کوچک و یا موقعی که موارد نسبت به متغیرهای مشاهده شده کمتر باشد قابل استفاده است، اما تکیه بر نمونه‌های کوچک می‌تواند نتایج ضعیفی فراهم کند. نمونه‌های بزرگتر، برآوردهای PLS را قابل اطمینان‌تر می‌سازد. میانگین میزان خطای مطلق در PLS با افزایش حجم نمونه کاهش می یابد. حجم نمونه کوچک برای ضرایب مسیر کوچک کافی نیست، در چنین مواردی حجم نمونه برابر با روش کوواریانس محور مورد نیاز است.

محققان دو روش را برای تعیین حداقل نمونه لازم در PLS پیشنهاد می‌کنند:

  1. حجم نمونه بزرگتر یا مساوی ۱۰ برابر تعداد شاخص‌های مدل اندازه‌گیری‌ای که دارای بیشترین شاخص در میان مدل‌های اندازه‌گیری مدل اصلی پژوهش است.
  2. حجم نمونه بزرگتر یا مساوی ۱۰ برابر بیشترین تعداد مسیرهای ساختاری که به یک متغیر (سازه) در مدل مسیر درونی ختم می‌شوند.

 

مدل‌های اندازه‌گیری انعکاسی (Reflective) و مدل‌های ترکیبی (Formative)

یکی از مهم­ترین تفاوت­های عمده بین مدل­های کوواریانس محور و PLS در شاخص‌های انعکاسی (Reflective) و ترکیبی (Formative) می‌باشد. در روش‌های کوواریانس محور، مدل ترکیبی وجود ندارد.

  • مدل اندازه‌گیری انعکاسی ریشه در نظریه آزمون کلاسیک و روان‌سنجی دارد. این مدل شامل متغیرهای پنهانی است که نشان‌گر صفات، شخصیت یا نگرش‌ها هستند و نمود آن ها توسط متغیرهای دیگر نشان داده می‌شوند. در این نوع مدل ها جهت پیکان از متغیر پنهان (سازه) به سمت متغیرهای مشاهده شده است؛ یعنی فرض بر این است که اندازه‌گیری‌های مشاهده شده، تغییر در متغیر پنهان را منعکس می‌کنند. به عبارت دیگر تغییر در متغیر پنهان سبب تغییر در متغیرهای مشاهده شده می‌شود. در مدل‌های انعکاسی باید همبستگی مثبت و نسبتا بالایی بین متغیرهای مشاهده شده وجود داشته باشد.

 

مدل اندازه‌گیری انعکاسی

شکل ۵: نمونه‌ای از یک مدل اندازه‌گیری انعکاسی

  •  مدل‌های اندازه‌گیری ترکیبی شامل متغیرهای مشاهده شده‌ای هستند که علت یا ایجاد کننده متغیرهای پنهان می‌باشند. یعنی متغیرهای تشکیل‌دهنده به عنوان متغیرهای علی در نظر گرفته شده‌اند که بر شکل‌گیری متغیر پنهان تاثیر دارند. در مقابل مدل‌های انعکاسی، در مدل‌های ترکیبی بین متغیرهای مشاهده شده، همبستگی می‌تواند مثبت، منفی یا صفر باشد. به عنوان مثال متغیر پنهان استرس زندگی را درنظر بگیرید. این متغیر می‌تواند از ترکیب متغیرهای مشاهده شده‌ای مانند از دست دادن شغل، طلاق یا حوادث ناگوار در زندگی تشکیل شود. یعنی این عوامل بر استرس زندگی تاثیر می‌گذارند. اما نمره سازه مورد نظر از نمره سئوالات آن به دست می‌آید. جهت پیکان از متغیرهای مشاهده شده به سمت متغیر پنهان (سازه) است؛ یعنی تغییر در متغیرهای مشاهده شده سبب تغییر در متغیر پنهان می‌شود.

 

مدل اندازه‌گیری ترکیبی

 شکل ۶: نمونه‌ای از یک مدل اندازه‌گیری ترکیبی

 

مدل‌ درونی (Inner Model) و مدل بیرونی (Outer Model)

در مدل های PLS دو مدل آزمون می شود: مدل‌های بیرونی و مدل های درونی. بخش اندازه‌گیری مدل که نمایشگر روابط بین متغیرهای پنهان با شاخص‌هایشان به دو صورت ترکیبی و انعکاسی می‌باشد، مدل بیرونی و بخش ساختاری مدل که نمایانگر رابطه بین متغیرهای مکنون است، مدل درونی نام دارد.

ارزیابی مدل­ها با استفاده از PLS

بررسی برازش مدل­های واریانس محور یا همان PLS در سه مرحله صورت می­گیرد:

  • ارزیابی مدل اندازه­ گیری (مدل بیرونی) انعکاسی یا ترکیبی: تعیین پایایی و روایی
  • ارزیابی مدل ساختاری (مدل درونی)
  • آزمون مدل کلی PLS

 

ارزیابی مدل اندازه­ گیری (مدل بیرونی)

در این مرحله، روای و پایایی مدل برحسب نوع مدل یعنی انعکاسی یا ترکیبی بودن آن تعیین می‌شود. معیارهای ارزیابی مدل اندازه‌گیری در جدول زیر ارائه شده است.

 جدول ۲:  معیارهای ارزیابی مدل اندازه­ گیری (مدل بیرونی)

معیارهای ارزیابی مدل اندازه گیری (مدل بیرونی)

 

ارزیابی مدل ساختاری (مدل درونی)

در یک مدل مسیر فقط یک مدل ساختاری وجود دارد. پس از ارزیابی برآوردهای روایی و پایایی مدل‌های اندازه‌گیری نوبت به ارزیابی مدل ساختاری می‌رسد. معیار‌های آزمون مدل ساختاری در جدول زیر ارائه شده‌اند:

جدول ۳:  معیارهای ارزیابی مدل ساختاری (مدل درونی)

معیارهای ارزیابی مدل ساختاری (مدل درونی)

آزمون مدل کلی PLS

در PLS برخلاف روش کوواریانس محور شاخصی برای سنجش کل مدل وجود ندارد. البته تننهاوس و همکاران (۲۰۰۵) یک شاخص کلی به نام نیکویی برازش (GOF) را برای بررسی برازش مدل معرفی کرده‌اند. این شاخص را می توان با محاسبه متوسط R2  و متوسط مقادیر اشتراکی (Communality) از طریق فرمول زیر بدست آورد:

البته باید توجه داشت که این شاخص توانایی پیش‌بینی کلی مدل را مورد بررسی قرار می‌دهد. یعنی این‌که آیا مدل آزمون شده در پیش‌بینی متغیرهای پنهان درون زا موفق بوده است یا نه. وتزلس و همکاران (۲۰۰۹) مقادیر ۰٫۰۱، ۰٫۲۵ و ۰٫۳۶ را به ترتیب به عنوان مقادیر ضعیف، متوسط و قوی برای GOF معرفی نموده‌اند.

 

منابع:

  1. محسنین، شهریار و اسفیدانی، محمد رحیم. (۱۳۹۳). معادلات ساختاری مبتنی بر رویکرد حداقل مربعات جزیی – به کمک نرم افزار  Smart-PLS. تهران: مهربان نشر. چاپ اول.
  2. Henseler, Jörg; Ringle, Christian M; Sinkovics, Rudolf R. (2009). The use of partial least squares path modeling in international marketing, in Rudolf R. Sinkovics, Pervez N. Ghauri (ed.) New Challenges to International Marketing (Advances in International Marketing, Volume 20) Emerald Group Publishing Limited, pp.277 – ۳۱۹
  3. Nunnally, J. C., & Bernstein, I. H. (1994). Psychometric theory (3rd ed.). New York, NY: McGraw-Hill.
۱۹ دی ۹۹ ، ۱۹:۱۶ ۰ نظر موافقین ۰ مخالفین ۰
سید سعید انصاری فر

روایی محتوایی پرسشنامه، ضریب لاوشه ، محاسبه CVR و CVI

 

روایی محتوایی

روایی محتوایی Content validity نشان می‌دهد یک مقیاس (پرسشنامه) تا چه میزان همه جنبه‌های سازه موردنظر را مورد سنجش قرار می‌دهد. به‌طور کلی روایی پرسشنامه (Validity) به این سوال پاسخ می‌دهد که ابزار اندازه گیری تا چه حد خصیصه مورد نظر را می سنجد. روش‌های متعددی برای سنجش روایی وجود دارد که روایی محتوایی از طریق محاسبه CVR و CVI مرسوم ترین آنها است. در ساده‌ترین حالت، پرسشنامه در اختیار اساتید و خبرگان حوزه قرار داده می شود و از آنها در مورد اعتبار پرسشنامه نظرخواهی می‌شود. علاوه بر این راهکار ساده، دو روش کمی نیز وجود دارد:

  • نسبت روایی محتوایی یا CVR
  • شاخص روایی محتوایی یا CVI

نسبت روایی محتوایی CVR

نسبت روایی محتوایی یا Content Validity Ratio; CVR یک روش سنجش روایی پرسشنامه است. این نسبت توسط لاوشه Lawshe که یک گته مردی در عرصه روش تحقیق است، طراحی شده است. جهت محاسبه این نسبت از نظرات کارشناسان متخصص در زمینه محتوای آزمون مورد نظر استفاده می شود. ابتدا اهداف آزمون برای خبرگان توضیح داده می‌شود و تعاریف عملیاتی مربوط به محتوای سؤالات بیان می‌شود. سپس از آنها خواسته می‌شود تا هریک از سؤالات را بر اساس طیف سه بخشی لیکرت طبقه بندی کنند:

  • گویه ضروری است
  • گویه مفید است ولی ضروری نیست
  • گویه ضرورتی ندارد

پس از گردآوری دیدگاه خبرگان با استفاده از رابطه زیر می‌توان CVR را محاسبه کرد:

فرمول محاسبه روایی محتوایی لاوشه

فرمول محاسبه نسبت روایی محتوایی

در این فرمول داریم:

N: تعداد کل متخصصین

Ne : تعداد متخصصینی که گزینه ضروری را انتخاب کرده‌اند.

 

حداقل میزان CVR قابل قبول براساس تعداد خبرگان

بر اساس تعداد خبرگانی که سؤالات را مورد ارزیابی قرار داده اند، حداقل مقدار CVR قابل قبول بر اساس جدول زیر تعیین می‌شود. سؤالاتی مقدار CVR محاسبه شده برای آن ها کمتر از میزان مورد نظر با توجه به تعداد خبرگان ارزیابی کننده سؤال باشد، باید از آزمون کنار گذاشته شوند. به علت اینکه بر اساس CVR بدست آمده، روایی قابل قبولی ندارند.

مقدار CVR قابل قبول

حداقل مقدار CVR قابل قبول بر اساس تعداد خبرگان

شاخص روایی محتوایی CVI

شاخص روایی محتوایی یا CVI Content Validity Index, نیز برای سنجش روایی پرسشنامه استفاده می شود. شاخص CVI توسط والتز و باسل (Waltz & Bausell) ارائه شده است. برای محسابه CVI از خبرگان خواسته می شود میزان مرتبط بودن هر گویه را با طیف چهار قسمتی زیر مشخص کنند:

  • غیر مرتبط
  • نیاز به بازبینی اساسی
  • مرتبط اما نیاز به بازبینی
  • کاملاً مرتبط

تعداد خبرگانی که گزینه ۳ و ۴ را انتخاب کرده اند را بر تعداد کل خبرگان تقسیم کنید. اگر مقدار حاصل از ۰/۷ کوچکتر بود گویه رد می‌شود اگر بین ۰/۷ تا ۰/۷۹ بود باید بازبینی انجام شود و اگر از ۰/۷۹ بزرگتر بود قابل قبول است. بنابراین در مقاله حاضر روش‌های محاسبه روایی محتوایی : محاسبه CVR و CVI آموزش داده شد.

خلاصه و جمع‌بندی

از پرسشنامه یا مقیاس سنجش نگرش برای بررسی دیدگاه نمونه آماری پیرامون پدیده مورد مطالعه استفاده می‌شود. سنجش جنبه‌های مختلف یک پدیده براساس گویه‌های مختلفی انجام می‌شود که در پرسشنامه در نظر گرفته شده است. بنابراین برای برآورد و تخمین صحیح یک پدیده نخست باید از درست بودن پرسشنامه اطمینان حاصل شود. برای این منظور از مفهوم روایی استفاده می‌شود. روائی پرسشنامه نشان می‌دهد که تا گویه‌های پرسشنامه تا چه میزان مناسب هستند. یکی از روش‌های محاسبه روائی استفاده از روایی محتوایی است.

در ساده‌ترین حالت می‌توانید پرسشنامه را به تعدادی کارشناس ارائه کنید و نظرات آنها را در مورد کیفیت سوالات جویا شوید. با این وجود روش‌های کمی نیز برای این منظور ارائه شده است. دو روش بسیار مورد استفاده در این راستا شامل محاسبه CVI و CVR می‌باشند. دقت کنید هرگز از هر دو این روش‌ها همزمان استفاده نکنید. کاربرد روش‌های موازی در آمار اشتباه است چرا که هر کدام ممکن است نتایج متفاوتی را ارائه کنند. اگر به دنبال منبعی برای این جمله هستید در هیچ کتابی آن را نخواهید یافت. این تنها یک استدلال ساده و منطقی است.

 

منبع : کتاب آموزش SPSS نوشته آرش حبیبی

۱۹ آذر ۹۹ ، ۲۱:۵۳ ۱ نظر موافقین ۰ مخالفین ۰
سید سعید انصاری فر

7 مرحله اصلی برای نگارش یک پروپوزال صحیح و اصولی

برای تهیه پروپوزال ، در هر دانشگاه یکسری فرم های مشخص وجود دارد که دانشجو باید بعد از تهیه نمودن آن و وارد کردن تمامی اطلاعات لازم ، آن را برای تصویب به دانشگاه محل تحصیل خود ارائه دهد. ما در این قسمت قصد داریم مراحل و بدنه اصلی یک پروپزوال را برای علاقمندان به تفضیل بیان نماییم.

نحوه نوشتن پروپوزال درست و اصولی

گام اول : مشخص نمودن موضوع تحقیق 

انتخاب موضوع پژوهش اولین و مهم ترین مرحله برای شروع پروپوزال نویسی می باشد. پژوهشگر باید ابتدا مشخص نماید که روی چه موضوعی قصد مطالعه و پژوهش دارد. انتخاب عنوان و موضوع درست و در سطح مناسب در نوشتن پایان نامه بسیار اهمیت دارد. متاسفانه سطح بسیار پایین موضوعات برخی از پایان نامه ها در دوره تحصیلات تکمیلی و پرداختن به موضوعات بسیار سنگین در دوره های پایین تر ، کیفیت تحقیقات ارائه شده را کاهش داده اند.

به طور کلی موضوع پروپوزال یا پایان نامه باید دارای شرایط زیر باشد:

  • نو و بدیع باشد.
  • متناسب با نیاز های روز جامعه باشد و در نهایت راهکاری برای حل مشکل ارائه نماید.
  • در راستای حوزه کاری و تخصصی فرد باشد.
  • قلمرو های مکانی و زمانی و همچنین اهداف تحقیق باید در عنوان مشخص باشند.
  • موضوع انتخابی باید قابلیت اجرایی داشته باشد.
  • به صورت جامع ، مختصر ، واضح و غیر سوالی نوشته شود.

گام دوم : بیان مسئله

بیان مسئله در واقع تشریح مشکلات و تعارضاتی می باشد که باعث ایجاد سوال در ذهن دانشجو گردیده است. در واقع می توان گفت که مسئله مطرح شده در این بخش ، همان سوالی است که ذهن پژوهشگر را درگیر خود کرده و هدف پژوهشگر از طرح سوال ریشه یابی مشکلات به وجود آمده و ارائه راهکارهایی برای رفع آن ها است.

بهترین بخش برای توضیح دلایل به وجود آمدن این سوال ، بخش بیان مسئله می باشد. در این بخش توجه به عملی بودن مسئله مورد پژوهش ، از اهمیت زیادی برخوردار می باشد. چرا که باید هیات تصمیم گیرنده متقاعد شوند که با انجام این پژوهش ، یک محقق به دستاورد های جدید خواهد رسید به همین دلیل محقق باید مطالعات خود را بر اساس مستندات انجام دهد.

گام سوم : پیشینه پژوهش

در کارهای تحقیقاتی یکی از بخش هایی که بسیار مورد توجه قرار می گیرد پیشینه تحقیق است که به آن litrature review یا مرور ادبیات می گویند. در این بخش پژوهشگران باید تحقیقات انجام شده هم راستا با پژوهش خود را بیان نمایند. که برای این کار رجوع به مدارک و اسناد حول موضوع انتخاب شده ، برای افزایش آگاهی ضروری می باشد.

از اهداف پیشینه تحقیق می توان به جلوگیری از دوباره کاری و سرقت ادبی ، بهره مندی از تجربه های پژوهشگران گذشته ، آشنایی با نقاط ضعف و قوت پژوهش های پیشین اشاره نمود.

گام چهارم : تعیین اهداف پژوهش

در این بخش پژوهشگر باید اهداف کلی و اهداف ویژه و کاربردی انجام تحقیق را به روشنی مشخص نماید. اهداف کلی اهدافی هستند که به طور مستقیم از موضوع پژوهش ناشی می شوند. اهداف کاربردی نیز اهدافی هستند که نشات گرفته از مسئله پژوهش و اهداف کلی هستند و یا به عبارتی زیر مجموعه اهداف کلی هستند. این اهداف مشخص می کنند که چه چیزهایی در این پژوهش ، تحقق می یابند و چه چیزهایی تحقق نخواهند یافت.

گام پنجم : مفروضات پژوهش

در واقع فرضیه های یک پژوهش پیشنهاد یا پیش بینی های منطقی هستند که پس از آزمون و خطا و بررسی یافته های پژوهش رد یا قبول می شوند. همانند اهداف تحقیق ، فرضیه ها نیز باید به طور کامل ، واضح و روشن و با استفاده از واژه های قابل اندازه گیری بیان شود. البته لازم به ذکر است که  پذیرش یا رد فرضیه هیچ گونه اثر سویی بر تحقیق یا محقق نخواهد داشت.

گام ششم : روش ها و مراحل اجرا پژوهش

یکی از نکات مهمی که یک محقق باید در زمان انجام پژوهش به آن توجه نماید ارائه روش های انجام تحقیق می باشد. اشاره به روش های گرد آوری داده ها ، جامعه آماری و نمونه مورد آزمایش ، روش های نمونه گیری ، ابزار و روش های جمع آوری اطلاعات و داده ها از مواردی هستند که باید در این بخش به آن پرداخته شود.

گام هفتم : منابع و مآخذ 

یکی از نکاتی که در نوشتن پروپوزال و پایان نامه باید در نظر داشته باشید استفاده از منابع علمی معتبر می باشد. تمامی داده هایی که در متن به آن اشاره شده باید با ذکر منبع در این قسمت از پروپوزال نوشته شود.

برای نوشتن پروپوزال نکات زیر را رعایت کنید

دانشجویان و پژوهشگران مقاطع کارشناسی ارشد و دکتری ، لازم است برای نوشتن طرح پژوهشی خود به نکات زیر توجه نمایند.

  • فونت استاندارد برای تایپ و نوشتن پروپوزال “Times and New Romans” با سایز 12 می باشد.
  • حداقل حجم استاندارد برای پروپوزال دوره کارشناسی ارشد 5 صفحه و برای دوره دکتری 8 صفحه می باشد.
  • در نوشتن پروپوزال سعی کنید بیشتر از منابع جدید و به روز استفاده کرده و علاوه بر منابع فارسی از منابع خارجی نیز استفاده نمایید.
  • در پروپوزال حداقل یک صفحه به پیشینه تحقیق و یک صفحه به فهرست منابع اختصاص می یابد.

منبع: https://iranmoshavere.com

۲۷ آبان ۹۹ ، ۱۷:۴۳ ۰ نظر موافقین ۰ مخالفین ۰
سید سعید انصاری فر

فرآیند انجام تحلیل کیفی و کمی در رساله دکترا

۲۳ آبان ۹۹ ، ۲۱:۰۸ ۰ نظر موافقین ۰ مخالفین ۰
سید سعید انصاری فر

مزایای استفاده از خدمات تحلیل آماری

روش های تجزیه و تحلیل داده های آماری - نرم افزار داشبورد مدیریتی RAMIX (  مبتنی بر وب )

  • انجام تحلیل ها و آزمون های آماری با کیفیت بسیار بالا
  • انتخاب روش آماری مناسب و ذکر علت استفاده از آن
  • تحلیل و تفسیر کامل فرضیات و سوالات پژوهش به زبان ساده
  • انجام مدل سازی معادلات ساختاری واریانس محور و کوواریانس محور با نرم افزارهای AMOS و Smart PLS
  • انجام تحلیل های تکمیلی جهت پربار شدن نتایج
  • انجام اصلاحات لازم پس از اعلام نظر استاد راهنما
  • ذکر منابع علمی استفاده شده در تحلیل ها
  • ارسال روش تجزیه و تحلیل داده ها جهت اضافه شدن به فصل سوم
۲۲ آبان ۹۹ ، ۱۸:۳۸ ۰ نظر موافقین ۰ مخالفین ۰
سید سعید انصاری فر

کدام آزمون آماری را انتخاب کنیم؟

انتخاب صحیح آزمون آماری

یکی از مشکلات عمومی در تحقبقات میدانی انتخاب صحیح آزمون آماری برای بررسی سوالات یا فرضیات تحقیق می‌باشد. در آزمون‌های آماری هدف این است که ببینیم آیا داده‌های نمونه شواهد کافی برای رد یک حدس یا فرضیه را دارند یا خیر؟ انتخاب نادرست آزمون آماری موجب خدشه دار شدن نتایج تحقیق می شود.

انتخاب صحیح آزمون آماری

قبل از انتخاب یک آزمون آماری بایستی به نکات زیر توجه نمود:

  • سوال یا فرضیه تحقیق چیست؟
  • چه تعداد متغیر در تحقیق شما مورد بررسی قرار می‌گیرد؟
  • مقیاس اندازه‌گیری متغیرهای مورد بررسی چگونه است (فاصله‌ای،‌ رتبه‌ای و یا اسمی هستند)؟
  • آیا توزیع متغیر مورد بررسی نرمال است؟
  • چند گروه مورد مقایسه قرار می‌گیرند؟
  • گروه‌های مورد بررسی مستقل هستند یا وابسته؟

آمار توصیفی و آمار استنباطی

آمار در دو شاخه آمار توصیفی و آمار استنباطی بحث و بررسی می شود.

هدف آمار توصیفی (descriptive) محاسبه پارامترهای جامعه با استفاده از سرشماری تمامی عناصر جامعه است. در یک پژوهش جهت بررسی و توصیف ویژگیهای عمومی پاسخ دهندگان از روش های موجود در آمار توصیفی مانند جداول توزیع فراوانی، در صد فراوانی، درصد فراوانی تجمعی و میانگین استفاده می‌گردد. در آمار استنباطی (inferential) پژوهشگر با استفاده مقادیر نمونه آماره‌ها را محاسبه کرده و سپس با کمک تخمین و یا آزمون فرض آماری، آماره‌ها را به پارامترهای جامعه تعمیم می‌دهد. برای تجزیه و تحلیل داده‌ها و آزمون فرضیه‌های پژوهش از روش‌های آمار استنباطی استفاده می شود.

آزمون‌های آماری پارامتریک و ناپارامتریک

آمار پارامتریک مستلزم پیش فرض‌هائی در مورد جامعه هدف یعنی جامعه‌ای که از آن نمونه گیری صورت گرفته می‌باشد. به عنوان مهمترین پیش فرض در آمار پارامترک فرض می شود که توزیع جامعه نرمال است، اما آمار ناپارامتریک مستلزم هیچگونه فرضی در مورد توزیع نیست.

فنون آمار پارامتریک شدیداً تحت تاثیر مقیاس سنجش متغیرها و توزیع آماری جامعه است. اگر متغیرها از نوع اسمی و ترتیبی باشند، از آزمون‌های ناپارامتریک استفاده می‌شود. اگر متغیرها از نوع فاصله‌ای و نسبی باشند، در صورت نرمال بودن توزیع آماری جامعه از آزمون‌های پارامتریک استفاده و در غیر این صورت از آزمون‌های ناپارامتریک استفاده می‌شود.

انواع آزمون‌های آماری

جدول زیر انتخاب صحیح آزمون آماری را با توجه به نوع و تعداد متغیرها و تعداد گروه‌های مورد مطالعه نشان می‌دهد.

 

جدول ۱: انواع آزمون‌های آماری

وب سایت جامع هوا و اقلیم شناسی ایران » انتخاب مناسب آزمون آماری در spss

منبع: 

http://www.ats.ucla.edu/stat/mult_pkg/whatstat

۰۹ آبان ۹۹ ، ۱۲:۳۴ ۰ نظر موافقین ۰ مخالفین ۰
سید سعید انصاری فر

جستجوی پرسشنامه استاندارد و معتبر همراه با روایی و پایایی

http://porseshname.com

در این سایت خدمات ارائه پرسشنامه های استاندارد، طراحی و تدوین پرسشنامه های محقق ساخته، ویرایش و تنظیم پرسشنامه‌های آماده انجام می‌گیرد.

موسسه سینا - تهیه پرسشنامه رشته روانشناسی

پرسشنامه پرخاشگری باس و پری - پرسشنامه مدیریت ورزشی - دسی کالا

۲۷ مهر ۹۹ ، ۱۹:۵۷ ۰ نظر موافقین ۰ مخالفین ۰
سید سعید انصاری فر

شرایط و پیش فرض های تحلیل کوواریانس (آنکووا) ANCOVA

هدف از انجام تحلیل کوواریانس

هدف از انجام تحلیل کوواریانس (ANCOVA) در مطالعات کار آزمایی بالینی مقایسه دو گروه کیس و کنترل بعد از مداخله (پس آزمون) با یکدیگر است. در صورتی که اندازه های قبلی (پیش آزمون) کنترل شده باشد. در نهایت تحلیل کوواریانس به این سوال پاسخ می دهد که آیا مداخله موثر و معنی دار بوده است یا خیر ؟

در واقع یکی از راه های کنترل اثرات نمره پیش آزمون به عنوان اثر انتقال، استفاده از آزمون آنالیز کوواریانس (ANCOVA) است. به طوری که شرایطی برای مطالعه فراهم می شود. تا اثرات درمان را جدا از اثر بالقوه نمره پیش آزمون بررسی کند.

تفاوت تحلیل کوواریانس (ANCOVA) و تحلیل واریانس (ANOVA)

آنکووا گسترش داده شده ی آنالیز واریانس است که پیش فرض های آن را نیز دارد. تفاوت آشکار بین ANOVA و ANCOVA حرف “C” است که مخفف “کواریانس” است. مانند ANOVA، “تجزیه و تحلیل کوواریانس” (ANCOVA) یک متغیر پاسخ پیوسته دارد. تحلیل کوواریانس (ANCOVA) مانند تحلیل واریانس برای تشخیص تفاوت در میانگین چند گروه متغیر مستقل، در حالی که کار کنترل متغیرهای کووریت (Covariate Variables) را انجام می دهد، استفاده می شود. متغیر کووریت معمولاً جزئی از سؤال اصلی تحقیق نیست اما می تواند متغیر وابسته را تحت تأثیر قرار دهد و بنابراین باید کنترل شود.

در حالی که آنالیز واریانس به دنبال اختلاف در بین میانگین ها است. تحلیل کوواریانس به دنبال اختلاف میانگین های تعدیل شده (به وسیله متغیر کووریت که به آن متغیر مخدوش کننده نیز می گویند) می باشد.

پیش فرض های تحلیل کوواریانس تک متغیره (ANCOVA)

قبل از معرفی پیش فرض های تحلیل کوواریانس، از این که یک یا چند پیش فرض معرفی شده در هنگام آنالیز دیتا با نرم افزار SPSS رعایت نشود تعجب نکنید ! همیشه داده استخراج شده از دنیای واقعی مانند مثال های موجود در متن کتاب ها همه چیز را مطلوب نشان نمی دهد. همچنین از این که چند پیش فرض اصلی هم رد شود نگران نشوید ! همیشه یک راه حلی باید وجود داشته باشد.

پیش فرض اول : پیوسته بودن متغیر وابسته و کووریت

متغیر وابسته و متغیر کووریت بایستی پیوسته باشد. برای مثال متغیر زمان (که با واحد ساعت اندازه گیری می شود)، نمرات IQ (امتیاز IQ) نمرات امتحان (0 تا 20) و وزن (به کیلوگرم) پیوسته و کمی می باشد. البته متغیرهای کووریت (متغیرهای مخدوش کننده) می تواند رسته ای نیز باشد (مانند جنسیت). که در این حالت آزمون ANCOVA ترجیح داده نمی شود.

پیش فرض دوم : رسته ای بودن متغیر مستقل

متغیر مستقل بایستی شامل دو یا چند سطح باشد برای مثال جنسیت که دارای دو سطح زن و مرد است. همچنین متغیر گروه تحقیق که شامل (گروه کیس و گروه کنترل) است. فعالیت فیزیکی (کم، متوسط، زیاد) نیز مثال دیگری از این قبیل می باشد.

پیش فرض سوم : استقلال مشاهدات

هیچ ارتباطی بین مشاهدات در هر گروه و یا بین گروه ها وجود نداشته باشد. همچنین هیچ یک از شرکت کننده ها (اعضای نمونه) در بیش از یک گروه نباشد. البته این موضوع بیشتر به طراحی مطالعه مربوط می شود. اگر این پیش فرض رعایت نشود نیاز به یک آزمون آماری دیگری به جای آزمون ANCOVA می باشد.

پیش فرض چهارم : عدم وجود داده پرت

در بین داده های پژوهش نباید داده پرت قابل توجهی وجود داشته باشد. چرا که وجود داده پرت ممکن است بر نتایج بدست آمده از تحلیل کوواریانس تاثیر منفی بگذارد و از اعتبار نتایج آن کاهش دهد.

پیش فرض پنجم : نرمال بودن باقی مانده ها

برای هر سطح از متغیر مستقل، باقی مانده بدست آمده تقریبا بایستی دارای توزیع نرمال باشد. به این دلیل از واژه تقریبا استفاده کردیم چون می دانیم این پیش فرض در اکثر اوقات اتفاق نمی افتد در حالی که نتایج بدست آمده از تحلیل کوواریانس معتبر باقی می ماند.

پیش فرض ششم : همگنی واریانس ها

این پیش فرض به کمک انجام آزمون لون (Levene’s test) در نرم افزار SPSS قابل بررسی است.

پیش فرض هفتم : ارتباط خطی کووریت با متغیر وابسته

در هر سطح از متغیر مستقل، متغیر کووریت رابطه خطی با متغیر وابسته دارد. این پیش فرض به کمک نرم افزار SPSS از طریق رسم Scatter plot گروه بندی شده از متغیر کووریت، پیش آزمون متغیر وابسته و متغیر مستقل بررسی می شود.

پیش فرض هشتم : همسانی واریانس

این پیش فرض به کمک نرم افزار SPSS از طریق رسم Scatter plot ار باقی مانده های رگرسیون در مقابل مقادیر پیش بینی شده بررسی می شود.

پیش فرض نهم : همگنی شیب رگرسیون

 همگنی شیب رگرسیون بدین معنی است که شیب رگرسیونی خطوط مختلف در بین گروه ها باید برابر باشد. به عبارت دیگر تعامل نمرات کووریت و متغیر مستقل در بین گروه ها نباید اختلاف معنی داری داشته باشد. به عبارتی دیگر، نیاز هست که شیب های خطوط رگرسیونی برای کووریت ها (در ارتباط با متغیر وابسته) در بین گروه ها (کیس و کنترل) یکسان باشد که به این پیش فرض همگنی شیب رگرسیون گفته می شود که می تواند با یک آزمون F بر روی تعامل متغیرهای مستقل با کووریت ها ارزیابی شود. اگر آزمون F معنادار بود، بدین معنی است که این پیش فرض نقض شده است.

ارائه مثال انجام تحلیل کوواریانس در SPSS

در یک مطالعه ای فرضی، پرسشنامه کیفیت زندگی در اختیار 60 نفر از مبتلایان به صرع شرکت کننده در پژوهش قرار داده شد تا آن را تکمیل نمایند. این 60 نفر به صورت تصادفی به دو گروه 30 (کنترل) و 30 (کیس) تقسیم بندی شدند. بیماران گروه کیس (Case) تحت مداخله (پیگیری تلفنی به صورت برقراری 10 تماس 15 دقیقه ای) در طی دو ماه قرار گرفتند. همچنین، در بیماران گروه کنترل (Control) هیچ گونه مداخله ای انجام نشده و آموزش های روتین را دریافت کردند. پس از دو ماه و حین مراجعه به درمانگاه، کیفیت زندگی در دو گروه کیس و کنترل مجددا مورد بررسی قرار گرفت.

 

نحوه ورود داده برای انجام تحلیل کوواریانس در SPSS

برای سادگی نمایش داده های وارد شده، فقط نمرات کل کیفیت زندگی را قبل و بعد از مداخله مانند شکل زیر در نرم افزار SPSS وارد کرده‌ایم. توجه داشته باشید که نمرات گروه کیس و کنترل در پیش آزمون و پس آزمون بایستی در یک ستون و زیر هم وارد نرم افزار شود و با ایجاد متغیر دو سطحی گروه تحقیق از لحاظ گروه مطالعه قابل تشخیص باشد.

ورود داده برای تحلیل کوواریانس

نحوه ورود دیتا برای ANCOVA

حال دیتا برای انجام آزمون تحلیل کوواریانس آماده شده است. از طریق مسیر زیر در نرم افزار SPSS آزمون ANCOVA را انجام می دهیم.

Analyze / General Linear Model / Univariate

مسیر انجام تحلیل کوواریانس

پس از انجام مسیر فوق پنجره زیر جهت تنظیمات تحلیل کوواریانس قابل مشاهده است.

معرفی متغیرها در تحلیل کوواریانس

همانند شکل فوق، متغیر کیفیت زندگی پس از مداخله (پس آزمون) را به عنوان متغیر وابسته در کادر Dependent Variable، متغیر کیفیت زندگی قبل از مداخله (پیش آزمون) را به عنوان متغیر کووریت (مخدوش کننده) در کادر Covariate(s) و متغیر گروه را در کادر Fixed Factor(s) به عنوان متغیر مستقل وارد می کنیم. ابتدا برای بررسی پیش فرض همگنی شیب رگرسیونی از طریق دکمه Moldel پنجره زیر را باز می کنیم.

بررسی همگنی شیب رگرسیون در تحلیل کوواریانس

مانند شکل فوق ابتدا در کادر Specify Model گزینه Build terms را فعال می‌کنیم. سپس در کادر Model متغیرهای (گروه تحقیق، پیش آزمون و متغیر ضربی پیش آزمون کیفیت زندگی * گروه تحقیق را وارد می کنیم. با کلیک بر روی دکمه Continue مجدد وارد پنجره قبلی می شویم. حال با کلیک بر روی دکمه OK خروجی نرم افزار به صورت زیر مشاهده می شود.

خروجی همگنی شیب رگرسیون تحلیل کوواریانس

با توجه به جدول فوق ملاحظه می شود سطح معنی داری متغیر گروه تحقیق*پیش آزمون کیفیت زندگی برابر 0.605 و بیشتر از 0.05 می باشد. این امر نشان دهنده این است که پیش فرض همگنی شیب رگرسیون رعایت می شود.

حال برای بررسی پیش فرض همگنی واریانس ها از طریق دکمه Moldel پنجره زیر را باز کرده و مانند شکل زیر تنظیمات لازمه را انجام می دهیم.

تنظیمات تحلیل کوواریانس

مانند شکل فوق ابتدا در کادر Specify Model گزینه Full factorial را فعال می‌کنیم. با کلیک بر روی دکمه Continue مجدد وارد پنجره قبلی می شویم.

معرفی متغیرها در تحلیل کوواریانس

در این پنجره از طریق گزینه Options پنجره زیر باز می شود.

انجام تحلیل کوواریانس با SPSS

پس از انجام تنظیمات فوق با کلیک بر روی دکمه Continue مجدد وارد پنجره قبلی می شویم. حال با کلیک بر روی دکمه OK خروجی نرم افزار به صورت زیر مشاهده می شود.

خروجی آزمون لون تحلیل کوواریانس

با توجه به سطح معنی ­داری شکل فوق (0.093) فرضیه صفر مبنی بر همگونی واریانس ­ها در دو گروه شاهد و آزمایش در سطح 5 درصد رد نمی­ گردد. در نتیجه فرضیه برابری واریانس ­ها تایید می ­شود.

جدول تحلیل کوواریانس ANCOVA

در جدول فوق فوق ملاحظه می­ شود، در پس آزمون نمرات کیفیت زندگی کل آزمایش (گروهی که پیگیری تلفنی دریافت کردند) با نمرات کیفیت زندگی در گروه گواه تفاوت معنی داری وجود دارد (سطح معنی داری کمتر از 0.05). در نتیجه می­ توان دریافت که بیمارانی که مداخله دریافت می­ کنند، نسبت به دیگر افراد، کیفیت زندگی کل بیشتری دارند. به طور کلی مشاهدات بیان می­ کند که پیگیری تلفنی بر بهبود کیفیت زندگی افراد با اندازه اثر (0.917) تاثیر گذار است.

 

منبع: https://cochrana.ir

۲۵ مهر ۹۹ ، ۱۶:۴۳ ۰ نظر موافقین ۰ مخالفین ۰
سید سعید انصاری فر

سایتهایی دارای مقالات علمی فارسی و پژوهشی جهت یافتن موضوع پایان نامه

 

بهترین سایتهایی که حاوی مقالات علمی فارسی می باشد به صورت گذرا در ذیل به حضور عزیزان بخصوص دوستانی که در کلاس سوال می فرمودند معرفی می شود. یاد آوری می شود این سایتها جزئی از سایتهایی است که دارای مقالات علمی است نه کل آنها. برای دریافت مقالات علمی از اینترنت گذشته از این سایتها شما می توانید با جستجوی حرفه ای در گوگل به مقالات علمی بیشتری دست پیدا کنید البته چون بزرگترین کشور فارسی زبان ایران است طبیعتا این سایتها نیز سایتهای ایرانی خواهد بود. درضمن باید به خاطر داشته باشیم که هنوز تحقیق کاملا علمی تنها از اینترنت بدون مراجعه به کتابخانه و منابع دیگر در کشورهای جهان سوم به دلیل عدم غنای کامل اینترنت میسّر نیست و مقالات علمی اینترنتی در حدّ راهنما و گرفتن ایده و به صورت یک منبع خوب و کاربردی کمکی باید استفاده شود نه به عنوان منبع اولیه و کامل که ما را از منابع دیگر بی نیاز نماید.

اگر خواهان مقالات علمی به زبان انگلسی باشید هرچه بخواهید به دست خواهید آور. فقط کافی است به آدرس

http://www.google.com/schhp?hl=en بروید و موضوع مورد نظر تانرا جستجو نمایید تا مقاله مورد نظر تان را به زبان انگلسی پیدا کنید.

 

سرویس ویژه گوگل برای محققین و جویندگان مقالات علمی

 به زبان فارسی

 

اگر بخواهید به عنوان یک محقق فارسی زبان به مقالات معتبر علمی به زبان فارسی دست پیدا کنید از این صفحه گوگل به این آدرس  http://scholar.google.com/advanced_scholar_search?hl=fa   استفاده فرمایید.در مورد شیوه ای جستجوی حرفه ای در گوگل برای پیدا کردن مقالات علمی یا هر موضوعی که بخواهید انشاء الله در یاد داشتی دیگری قرار فرصت خدمت دوستان خواهیم بود. اینک معرفی چند منبع علمی جامع با شرح مختصری که از سوی خودشان ارائه شده است:

 

بهترین سایتهای فارسی دارای مقالات علمی و تحقیقاتی

 

بانک اطلاعات نشریات ایران

http://www.magiran.com/

در میان سایتهای فارسی زبان بزرگتر و جامعتر از این سایت برای جستجوی مقالات علمی و تحقیقاتی نمی توان یافت. بزرگترین مرجع و نمایشگاه دائمی مطبوعات کشوردر ایران نشریات متعددی به چاپ می رسند که عموما به دلایل مختلف برای مخاطبین شناخته شده نیستند و حتی متخصصین آن رشته نیز از انتشار آنها بی اطلاع می باشند. همچنین بسیاری از علاقمندان و پژوهشگران نیازمند جستجو و مطالعه مقالات و مطالب علمی مندرج در شماره های مختلف نشریات هستند که پاسخ آنها جز با استفاده از فن آوری اطلاعات مقدور نیست..

در این راستا فعالیت سایت از سال ۱۳۸۰ آغاز گردید و ضمن مکاتبه و رایزنی های مکرر با مدیران نشریات، تا کنون موفق به پوشش و ارایه خدمات به بیش از ۱۵۰۰ نشریه در حال انتشار شده ایم. این خدمات شامل درج شناسنامه نشریه، طرح روی جلد و فهرست مطالب هر شماره و اقلام مقاله شناختی آنها با استفاده از مندرجات نشریه می‌باشد. این خدمات فقط با ارسال یک نسخه از هر شماره به نشریات ارایه می شود و کاربران می توانند با استفاده از فهرست الفبایی، فهرست موضوعی و جستجو به نشریات مورد نظر خود دست یابند.

همچنین نشریات می‌توانند متن کامل و یا گزیده مقالات خود را در این سایت در دسترس کاربران ساکن در داخل و خارج کشور قرار دهند.

پژوهشکده اطلاعات و مدارک علمی ایران

http://www.irandoc.ac.ir/

برای اینکه بدانید این سایت تاچه میزان شمارا در تحقیق و کارهای علمی یاری می کند به برخی امکانات آن توجه نمایید: 

-شامل بیش از ۶۰۰۰۰۰ رکورد اطلاعات علمی کشور:

-پایان‌نامه‌های‌ ایران‌ – دکترا و کارشناسی‌ ارشد

-پایان‌نامه‌های‌ فارغ‌التحصیلان‌ ایرانی‌ خارج‌ از کشور

-طرح‌های‌ پژوهشی‌ کشور

-مقالات‌سمینارها،کنگره‌ها و سمپوزیوم‌های‌علمی‌وفرهنگی‌ ایران‌

-مقالات‌ علمی‌ و فنی‌

-گزارش‌های‌ دولتی‌ ایران‌

-فهرستگان‌ نشریات‌ ادواری‌ لاتین‌ موجود در کتابخانه‌های‌ ایران‌

-علوم‌ تربیتی‌

-اطلاعات‌ محققین‌ و متخصصین‌ ارشد کشور

-اطلاعات‌ آب‌

-اطلاعات‌ خزر

 

پایگاه بزرگ علمی SID - جهاد دانشگاهی

http://www.sid.ir/

 

این سایت نیز از غولهای علمی اینترنت به زبان فارسی به شمار می رود. در عصر اطلاعات و جهانی که هرگونه توسعه منوط به دستیابی مستمر و علمی به اطلاعات است، ساماندهی و پردازش اطلاعات و مقالات علمی منتشر شده در نشریات علمی –پژوهشی اهمیتی خاص یافته است. بر این اساس جهاد دانشگاهی در تاریخ ۱۶ مرداد ۱۳۸۳ اقدام به افتتاح ” مرکز اطلاعات علمی جهاد دانشگاهی ” نمود. اهداف تاسیس مرکز اطلاعات علمی جهاد دانشگاهی آنچنان که در اساسنامه آن آمده است ” ترویج و اشاعه اطلاعات علمی ، گسترش و ارتقاء خدمات اطلاع رسانی به محققان ، سرعت بخشیدن به کاوش های علمی و افزیش اثر بخشی تحقیقات در کشور است." مرکز اطلاعات علمی جهاد دانشگاهی تحت نظارت شورای علمی ، خدمات خود را از طریق پایگاه اینترنتی http://www.sid.ir/ به عنوان بانک اطلاعات علمی کشور و در آینده نزدیک در سطح منطقه ارائه می دهد و تلاش نموده از تجربه های مشابه در داخل و خارج از کشور جهت بهبود ، روزآمدی و جامعیت اطلاعات استفاده کند.

خدمات عمده پایگاه SID عبارتند از :

جستجو و ارائه چکیده مقالات نشریات علمی – پژوهشی کشور

- دسترسی به متن کامل (Full Text) مقالات

- معرفی و ارائه مقالات نشریات ایرانی نمایه شده در ISI

دسترسی به مجموعه مقالات محققان ایرانی چاپ شده در نشریات بین المللی

- سرویس گزارش های استنادی نشریات علمی – پژوهشی کشور (JCR)

از طریق شاخص تاثیر (Impact Factor) و شاخص آنی (Immediacy Index)

معرفی نشریات و نویسندگان مقالات پر استناد

- سرویس ارسال الکترونیکی مقالات (Online Submission) و رهگیری پیشرفت کار توسط نویسندگان.

این بود معرفی مختصر چند سایت مفید و معتبر علمی که حاوی مقالات و مطالب ارزنده علمی و گنجینه بزرگ ازمقالات گوناگون علمی می باشد. سایت ویکی پیدیا نیز به عنوان یک دائرة‌ المعارف عمومی دارای برخی مقالات خوب علمی نیز می باشد.

همانگونه که قول داده بودم اگر فرصت دست داد مطلبی در مورد نحوه ای جستجوی حرفه ای مقالات و مطالب مورد نظر خویش در گوگل نیز نشر خواهم نمود.

برخی سایتهای مفید دیگر برای تحقیقات علمی به زبان فارسی

راستی یادم رفت بگویم:سایت کتابخانه ملی ایران، پایگاه اطلاع رسانی کتابخانه های ایران، خانه کتاب ایران  از سایتهایی است که می تواند به عنوان منابع مفیدی برای محققان و پژوهشگران در جهت آشنایی با منابع و کتابهای فارسی و غیر فارسی می باشد. گرچند در این سایتها متن کتابها و مقالات قابل دسترسی نیست اما برای پیدا کردن منبع و سرنخ در زمینه موضوع مورد نظر محققین بهترین گزینه است و یک شبه کار صد ساله را انجام می دهد.

 

مترجم گوگل در خدمت پژوهشگران علمی

 

سرویس ترجمه گوگل شاهکار دیگر گوگل عزیز برای محققان و جویندگان مطالب علمی به زبانهای غیر مادری شان است. این سرویس از اکثر زبانهای زنده دنیا بخصوص زبان فارسی به خوبی پشتیبانی می کند و واقعا دستیار ماهر و کارگشا برای محققان به حساب می آید.

برای استفاده از سرویس ترجمه گوگل به این صفحه با این درس:  http://translate.google.com/#en|fa|   بروید و درچوکات سمت چپ متن مورد نظر را کپی کرده از بالا گزینه   را بفشارید تا متن شما را به فارسی ترجمه کند. برای تعویض زبان این سرویس می توانید از گزینه های تعویض زبان که در قسمت بالای صفحه جا سازی شده است استفاده نمایید.

۲۵ مهر ۹۹ ، ۰۹:۴۸ ۰ نظر موافقین ۰ مخالفین ۰
سید سعید انصاری فر

رسم نمودار در SPSS

نمودارهای خطی (line charts):

در نمودارهای خطی شاخص آماری به شکل خط در سطوح متغیرهای طبقه ای ارائه می شود.گاهی داده ها به جای اینکه کمیت پیوسته باشند مانند وزن، شمارشی هستند مانند تعداد دندانهای خراب، تعداد فرزندان، تعداد حوادث رانندگی در روز، میزان بارندگی سالهای مختلف. اگر تعداد مقادیر متمایز زیاد نباشد برای ساختن توزیع فراوانی به جای انکه رده‎ها را فواصل منظم در نظر بگیریم هر مقدار به عنوان یک رده به کار می‎رود.

مزایای نمودار خطی:

در این است که می توان اثرات تعاملی متغیرهای طبقه ای را بر روی متغیرهای وابسته مشاهده کرد و برای متغییر های کمی مناسب است.

نمودارهای خطی فراوانی نسبی:

مقادیر متمایز به صورت نقاط روی محور افقی مشخص شده و سپس از نقاط حاصل، خط هایی عمود بر محور رسم می شود به طوریکه ارتفاع هر یک برابر با فراوانی نسبی مقدار مربوطه باشد.

در این حالت، خطوط جایگزین مستطیل ها می شوند تا بر این موضوع تاکید شود که فراوانی ها واقعا روی فاصله پخش نشده اند.

نکته رسم نمودار خطی در SPSS :

برای اطمینان از صحت و درستی نرمال بودن توزیع فراوانی باید در خروجی spss مقادیر پارامترهای skewenss (چولگی) و kurtosis (کشتاوری) را بررسی کنید:

  • اگر مقدار kurtosis یک عدد مثبت باشد، داده ها دارای یک توزیع نرمال با ارتفاع بالا هستند.
  • اگر مقدار kurtosis یک عدد منفی باشد، داده ها را یک توزیع نرمال با ارتفاع پایین هستند.
  • اگر مقادیر kurtosis و skewenss اختلاف زیادی از عدد ۵ داشته باشند، داده ها دارای توزیع نرمال نیستند

رسم نمودار خطی در spss:

  graphs/Legacy dialogs سپس line و روی کادر باز شده line charts باز می شود این نمودار به سه شکل زیر می باشد:

۱- نمودار ساده Simple

۲- نمودار چند گانه Multiple : برای نمایش توزیع دو متغییر نسبت به هم استفاده می شود.

۳- نمودار تکه خطی drop-line : که کمیه و بیشینه دو متغییر نسبت به هم نمایش می دهد.

۴- یکی از سه حالت فوق انتخاب کرده سپس define کلیک کرده و کادر مربوط به آن باز می شود

برای مثال : تعداد فرزندان در هر خانوار را ثبت نموده ایم و نمودار خطی حاصل از آن را ترسیم می نماییم.

Graphs> chart builder > ok

و در بخش نمودارها Line را انتخاب می نماییم. و متغیر مورد نظر را کشیده و به بخش پایین می بریم.

 

رسم نمودار خطی در SPSS OK کرده و نمودار حاصل بدست میاد. در جدول سمت چپ Statistics گزینه های مختلف را میتوان انتخاب کرد. Count فراوانی را در نمودار ترسیم میکند و Percentage فراوانی نسبی را در نمودار می دهد. بعد از انتخاب گزینه مد نظر در statistic باید گزینه Apply را کلیک کرد.

رسم نمودار خطی در SPSS      نمونه 

نمونه مثال:

منوی Analyze زیر منوی General Linear Model و زیرمنوی Repeated Measures چنین نموداری وجود دارد.

                                                                  رسم نمودار خطی در SPSS

 

مثلا شما از یک متغیر کمی چندحالته (مثل سطح تحصیلات) ۲ الی ۲۹ نمونه دارید و میخواهید روند آنها را با نمودار خطی در spss محاسبه کنید، بنابراین مسیر بالا را طی کرده و در جعبه گفتگوی نمایان شده، تعداد نمونه ها را وارد کرده و Add و Define کنید.

رسم نمودار خطی در SPSS

پس از آن همۀ نمونه ها را به بخش  Within subject variables و متغیر کیفی را به بخش Between subject variables انتقال داده و جعبه گفتگوی Plots را انتخاب کنید.

رسم نمودار خطی در SPSS

در مرحله باید متغیر Factor1 را به Separate Lines و متغیر کیفی را به Horizontal Axis منتقل کرده، Add و Continue نمایید. درنهایت Ok کنید.

رسم نمودار خطی در SPSS رسم نمودار خطی در SPSS

نمودارهای تعاملی:

برای ساخت نمودارهای تعاملی کافی است به جای فعال نمودن گزینه ی Simple از گزینه ی Multiple استفاده شود و جهت بررسی اثرات تعاملی متغیرهای مستقل، باید دو متغیر مستقل را به دلخواه یک در جعبه ی Category Axisو دیگری را در جعبه ی Define line by قرارد هید.

۲۵ مهر ۹۹ ، ۰۰:۴۰ ۰ نظر موافقین ۰ مخالفین ۰
سید سعید انصاری فر

تحلیل عاملی تاییدی در نرم افزار اموس (AMOS) و (LISREL)

تحلیل عاملی تاییدی اساسا یک روش آزمون فرضیه است و زمانی استفاده می شود که محقق ارتباطات شاخص ها (عوامل) با سوالات (گویه ها) را فرضیه سازی کرده و می خواهد داده ها را برای ساختار از قبل تعیین شده بسنجد. بدین صورت که مجموعه گویه های هر عامل یا شاخص (factor)، منحصرا بعد مربوط به خود را اندازه گیری می کنند.

کاربرد تحلیل عاملی تاییدی

تحلیل عاملی تاییدی این مطلب را که آیا گویه هایی (indicators) که برای معرفی هر بعد ارائه شده اند؛ واقعا معرف آن هستند یا نه، می آزماید و گزارش می دهد که گویه های انتخابی با چه دقتی معرف یا برازده عامل یا متغیر پنهان (latent variables) خود هستند.

مثال تحلیل عاملی تاییدی

در شکل فوق نمایی از مدل ساده ای از تحلیل عاملی تاییدی نشان داده شده است که در آن دایره ها نشان دهنده متغیرهای پنهان و مربع ها نشان دهنده متغیرهای آشکار هستند.

مراحل انجام تحلیل عاملی تاییدی

اولین مرحله در انجام تحلیل عاملی رسم مدل اندازده گیری در نرم افزار می باشد. پس از رسم مدل و برازش آن، بررسی بارهای عاملی و حذف گویه هایی که بار عاملی کمی دارند در مرحله دوم قرار می گیرد. در مرحله سوم، نوبت به بررسی شاخص های برازش مدل می باشد.

1-رسم مدل اندازه گیری برای تحلیل عاملی تاییدی

شکل زیر (مدل دارای دو عامل می باشد) اجزای تشکیل دهنده مدل اندازه گیری برای انجام تحلیل عاملی تاییدی در اکثر نرم افزارهای معادلات ساختاری را نشان می دهد. همانطوری که در شکل مشخص است، فلش دو طرفه بین عوامل، نشان دهنده همبستگی بین متغیرهای پنهان، اعداد روی پیکان های یک طرفه از متغیرهای پنهان به سمت متغیرهای آشکار نشان دهنده بارهای عاملی می باشند. همچنین مقدار واریانس خطا و مقدار کوواریانس بین خطاها نیز در شکل نشان داده شده است.

مدل ساده تحلیل عاملی تاییدی

2-بررسی بارهای عاملی در تحلیل عاملی تاییدی (CFA)

بارهای عاملی از طریق محاسبه مقدار ارتباط گویه های یک سازه با آن سازه محاسبه می‌شوند که اگر این مقدار برابر و یا بیشتر از مقدار 0.4 شود، مؤید این مطلب است که واریانس بین سازه و شاخص‌های آن از واریانس خطای اندازه‌گیری آن سازه بیشتر بوده و پایایی در مورد آن مدل اندازه‌گیری قابل قبول است. نکته مهم در اینجا این است که اگر محقق پس از محاسبه بارهای عاملی بین سازه و گویه های آن با مقادیری کمتر از 0.4 مواجه شد، باید آن گویه ها (سؤالات پرسش ‌نامه) را اصلاح نموده و یا از مدل تحقیق خود حذف نماید.

3-شاخص های اندازه گیری تحلیل عاملی تاییدی

پس از برازش مدل ابتدا نیاز است بررسی شود آیا مدل مورد بررسی کفایت لازم برای بررسی روابط (یعنی معنی داری ضرایب مسیر و جملات خطا) را دارد یا خیر. برای این منظور، از شاخص های نیکویی برازش استفاده می­ کنند، پژوهشگران جهت ارزیابی نیکویی برازش از سه گروه شاخص ­ها شامل شاخص­ های برازش مطلق، شاخص ­های برازش تطبیقی، شاخص ­های برازش مقتصد جهت حصول اطمینان از مدل نظری پژوهش استفاده می ­کنند.

شاخص ­های برازش مطلق

شاخص ­های برازش مطلق شاخص­ هایی هستند که بر مبنای تفاوت واریانس ­ها و کوواریانس ­های مشاهده شده از یک طرف و واریانس ­ها و کواریانس­ های برآورد شده بر مبنای پارامترهای مدل تدوین شده از طرف دیگر قرار دارند و با نزدیک شدن این مقادیر به یکدیگر این شاخص­ ها بهبود خواهند یافت. شاخص نیکویی برازش (GFI)، شاخص نیکویی برازش اصلاح شده (AGFI)، نسبت مجذور خی­ دو به درجه ­ی آزادی از این قبیل شاخص­ ها می ­باشند.

شاخص ­های برازش تطبیقی

شاخص­ های تطبیقی در واقع گامی در جهت تکمیل شاخص ­های برازش مطلق محسوب می­ شوند. به این ترتیب که با مبنا قراردادن یک یا چند مدل، مدل نظری تدوین شده تحت آزمون را با آن مقایسه و نشان می ­دهد که آیا به لحاظ آماری قابل قبول­تر تلقی می­ شود، ضعیف ­تر است و یا اینکه تفاوتی با آن ندارد.

شاخص ­های برازش مقتصد

شاخص­ های برازش مقتصد، شاخص ­هایی هستند که به وسیله آن ­ها سعی می­ شود تا مهمترین نقطه ضعف شاخص­ های برازش مطلق یعنی بهبود مقدار شاخص برازش با افزایش پارامتر به مدل جبران شود. مبنای اصلی در این گروه از شاخص ­های برازش آن است که به ازای هر پارامتری که به مدل افزوده می­ شود این شاخص ­ها جریمه می­ شوند.

شاخص ­های برازش مانند : شاخص توکر ولیوایس (TLI)، شاخص برازش این­کری­منتال (IFI)، شاخص تطبیقی برازش (CFI) و ریشه ­ی میانگین مجذور برآورد خطای تقریب (RMSEA)، کمتر تحت تاثیر عوامل مزاحم و بیرونی قرار می­ گیرند و نتیجه به­ دست آمده بیشتر مبین نقص در برازش مدل است؛ یعنی اگر یعنی، اگر در تحلیل برازش مناسبی وجود ندارد، به علت ماهیت مدل آن است و کمتر تحت تأثیر عوامل مزاحم و بیرونی است.

تحلیل عاملی تاییدی در نرم افزار لیزرل (Lisrel)

برای انجام تحلیل عاملی تاییدی در نرم افزار لیزرل فرض می کنیم پرسشنامه ای در دست محقق است که دارای سه بعد می باشد. ابتدا شاخص های پرسشنامه مورد نظر را در نرم افزار به صورت زیر رسم کرده و مدل را اجرا می کنیم :

انجام تحلیل عاملی تاییدی در لیزرل

همانطوری که از شکل مشخص است، اکثر بارهای عاملی بدست آمده از برازش مدل بالاتر از 0.4 هستند. در صورتی که تنها بار عاملی گویه a2 برابر 0.36 می باشد که اختلاف چندانی با 0.4 ندارد. حذف این گویه زمانی لازم می شود که شاخص های برازش مدل در حد قابل قبولی نبوده و با حذف این گویه بهبود یابند.

معیارهای نیکویی برازش در نرم افزار لیزرل (Lisrel)

پس از بررسی بارهای عاملی، باید نسبت به برازش مدل مفهومی تحقیق با داده های گردآوری شده نیز اطمینان حاصل نمود. به این منظور، توجه به شاخص های مندرج در زیر مدل و مقایسه آن ها با سطح قابل قبول هر یک از آن ها ضروری است. در نرم افزار معادلات ساختاری لیزرل همیشه چهار شاخص کای اسکوئر (Chi-Square)، درجه آزادی (df)، سطح معنی داری (P-Value) و جذر برآورد واریانس خطای تقریب (RMSEA)، زیر نمودار نشان داده می شود.

مانند جدول زیر اگر نسبت مجذور کای به درجه آزادی کوچکتر از 4 باشد مورد قبول است. مقدار بزرگتر از 0.05 برای سطح معنی داری و مقدار کوچکتر از 0.08 برای جذر برآورد واریانس خطای تقریب نشان دهنده برازش مدل با داده های گردآوری شده است.

شاخص نماد مقدار قابل قبول
نسبت کای اسکوئر به درجه آزادی Chi-Square/df کوچکتر از 4
سطح معنی داری P-Value بزرگتر از 0.05
جذر برآورد واریانس خطای تقریب RMSEA کوچکتر از 0.08

مهمترین شاخص های اندازه گیری تحلیل عاملی تاییدی در lisrel

معیارهای نیکویی برازش در لیزرل (lisrel)

در شکل فوق نیز مهمترین شاخص های اندازه گیری کیفیت تحلیل عاملی تاییدی هایلایت شده است که همگی در بازه قابل قبولی قرار دارند. CFI و NFI، شاخص هایی هستند که برازش مدل پیشنهاد شده به مدل مستقل (که فرض می­کند بین داده­ ها رابطه ­ای وجود ندارد) را می­ سنجد و به ترتیب در مدل برابر 1 و 0.96 هستند. با توجه به این که مقادیر 0.90 و بالاتر قابل قبول می­باشند، این اندازه­ها نیز نمایانگر برازش قابل قبول مدل هستند.

RMSEA، متوسط مانده های بین همبستگی/ کوواریانس مشاهده شده نمونه و مدل مورد انتظار برآورد شده از جامعه است که بنابر توصیه لوهلین مقدار کمتر از 0.08 به معنای برازش خوب می­ باشد. GFI نیز مقدار نسبی واریانس­ ها و کوواریانس­ ها را به گونه مشترک از طریق مدل ارزیابی می ­کند. ویژگی خاص شاخص GFI این است که به حجم نمونه بستگی ندارند. دامنه تغییرات این دو شاخص بین صفر و یک می باشد و مقدار برابر یا بزرگ تر از 0.90 نمایانگر برازش مطلوب است.

تحلیل عاملی تاییدی در نرم افزار اموس (AMOS)

انجام تحلیل عاملی تاییدی در نرم افزار اموس (AMOS) بسیار شبیه به نرم افزار لیزرل می باشد. بدین صورت که ابتدا مدل را مانند قبل رسم کرده و آن را اجرا می کنیم. برای انجام تحلیل عاملی ابتدا بایستی بارهای عاملی و بعد از آن شاخص های نیکویی برازش مدل بررسی شود.

تحلیل عاملی تاییدی با AMOS

اعداد به دست آمده بر روی فلش ها در شکل فوق، بارهای عاملی برآورد شده را نشان می دهد که بیانگر میزان همبستگی متغیرهای آشکار و پنهان می باشد. فلش های کوچکی که از بیرون به سمت متغیرهای آشکار رسم شده اند، نشان دهنده برآورد میزان خطای مربوط به هر متغیر می باشند. در نمودار فوق که مقادیر استاندارد شده روابط بین متغیرها را نشان می دهد. بارهای عاملی مندرج بر روی فلش ها بیشتر از 0.4 است و بیانگر این است که گویه های مورد نظر، سنجه های خوبی برای متغیر پنهان هستند. در صورتی که گویه ای با بار عاملی کمتر از 0.4 وجود داشته باشد لازم است با احتیاط این موارد را حذف کرده و مجددا تحلیل عاملی تاییدی را تکرار کنیم.

با توجه به شکل فوق ملاحظه می شود بار عاملی گویه a2 برابر 0.36 و کمتر از 0.4 می باشد. حتی الامکان و در صورتی که شاخص های برازش مدل در سطح قابل قبولی باشند از حذف آن صرف نظر می کنیم.

شاخص های نیکویی برازش تحلیل عاملی تاییدی در AMOS

در شکل فوق مهم ترین شاخص های نیکویی برازش مدل برای تحلیل عاملی تاییدی در نرم افزار AMOS هایلایت شده است. با توجه به مقادیر مشاهده شده همه شاخص ها در بازه قابل قبولی قرار گرفته اند.

تحلیل عاملی تاییدی در نرم افزار اسمارت پی ال اس (SmartPLS)

انجام تحلیل عاملی تاییدی در نرم افزار SmartPLS اندکی با نرم افزارهای قبل تفاوت دارد. اولین تفاوت در رسم مدل است. همانطوری که می دانیم در این نرم افزار امکان رسم فلش دو طرفه برای بیان کوواریانس وجود ندارد. مانند شکل زیر برای تحلیل عاملی تاییدی متغیرهای پنهان را به متغیر اصلی خود رسم کرده و تحلیل عاملی تاییدی مرحله دوم را انجام می دهیم.

 

تحلیل_عاملی_تاییدی_در_نرم_افزار_SmartPLS

در نرم افزار معادلات ساختاری SmartPLS شاخص های آلفای کرونباخ، ضریب پایایی ترکیبی (CR) و میانگین واریانس استخراجی (AVE) برای تحلیل عاملی تاییدی نیز گزارش می شود. که نتایج آن به شرح زیر است.

 

جدول روایی و پایایی متغیرها در نرم افزار SmartPLS

شاخص_های_بررسی_مدل_تحلیل_عاملی_تاییدی_در_اسمارت_پی_ال_اس

با توجه به اینکه اعداد آلفای کرونباخ، پایایی ترکیبی (سازگاری درونی) و AVE همگی در بازه مربوطه قرار گرفته ­اند، می­ توان مناسب بودن وضعیت پایایی و روایی همگرای مدل پژوهش را تایید کرد.

معیار مهم دیگری که با روایی واگرا مشخص می­ گردد، میزان رابطه ­ی سازه با شاخص ­هایش در مقایسه رابطه آن سازه با سایر سازه­ ها است؛ به ­گونه­ ای که روایی واگرای قابل قبول یک مدل حاکی از آن است که یک سازه در مدل تعامل بیشتری با شاخص­ های خود دارد تا با سازه ­های دیگر. نتایج جدول روایی واگرا به صورت زیر می باشد :

جدول روایی واگرا در نرم افزار SmartPLS

معیار فورنل و لارکر Smartpls

فورنل و لارکر (1981) بیان می کنند : روایی واگرا وقتی در سطح قابل قبول است که میزان AVE برای هر سازه بیشتر از واریانس اشتراکی آن سازه و سازه­ های دیگر (مربع مقدار ضرایب همبستگی بین سازه ­ها) در مدل باشد. بررسی این امر به وسیله یک ماتریس صورت می­ پذیرد که خانه ­های این ماتریس حاوی مقادیر ضرایب همبستگی بین سازه­ ها و جذر مقادیر AVE مربوط به هر سازه است. این مدل در صورتی روایی واگرای قابل قبولی دارد که اعداد مندرج در قطر اصلی از مقادیر زیرین خود بیشتر باشند.

در واقع ماتریس فورنل و لارکر همان ماتریس خروجی از نرم افزار است با این تفاوت که در قطر اصلی مقدار جزر AVE  متغیرها وارد می شود و نکته دیگر اینکه تنها متغیرهای پنهان مرتبه اول در ماتریس فورنل و لارکر وارد می شوند. همان طور که در جدول بالا مشاهده می شود، مقادیر موجود در روی قطر اصلی ماتریس، از کلیه مقادیر موجود در ستون مربوطه بزرگتر است. بنابراین نتیجه می گیریم این مدل از روایی واگرای قابل قبولی برخوردار است.

 

منبع:  https://cochrana.ir
 

۱۶ مهر ۹۹ ، ۲۳:۵۰ ۰ نظر موافقین ۰ مخالفین ۰
سید سعید انصاری فر