پروژه مدلسازی معادلات ساختاری کوواریانس محور با نرم افزار لیزرل

نمونه تحلیل پرسشنامه با لیزرل : در این بخش نمونه ای از تحلیل های آماری پرسشنامه با نرم افزار لیزرل بررسی می شوند. در تحلیل اطلاعات پرسشنامه با نرم افزار لیزرل ۳ بحث مهم وجود دارد .
１-    تحلیل عاملی تاییدی
２-    تحلیل مسیر
３-    محاسبه شاخص های برازش

تحلیل عاملی تاییدی در نمونه تحلیل پرسشنامه با لیزرل

در تحلیل آماری با لیزرل و در تحلیل عاملی ابتدا به بررسی معناداری کل مدل می پردازیم . در اینجا به منظور بررسی معناداری کل پرسشنامه از تحلیل عاملی تاییدی استفاده شده است . برای هر مدل تحلیل عاملی یک نمودار با بارهای عاملی برازش یافته استاندارد شده ( ضرایب رگرسیون استاندارد شده) و یک نمودار با مقادیر آماره –t استیودنت رسم شده است . هم چنین برای تعیین مناسب بودن یا مناسب نبودن برازش هر مدل از شاخص های RMSEA ،p-value و Chi-Square/ Df استفاده می شود .
شکل ۱ مدل اندازه گیری کل پرسشنامه در حالت تخمین استاندارد نشان می دهد. بارهای عاملی مدل در حالت تخمین استاندارد میزان تاثیر هر کدام از متغیرها و یا گویه ها را در توضیح و تبیین واریانس نمرات متغیر یا عامل اصلی نشان می دهد. به عبارت دیگر بار عاملی نشان دهنده میزان همبستگی هر متغیر مشاهده گر (سوال پرسشنامه) با متغیر مکنون (عامل ها) می باشد.  با توجه به شکل ۱ می توان بارهای عاملی هر یک از سوالات تحقیق را مشاهده نمود.

نمونه تحلیل پرسشنامه با لیزرل

شکل ۱.  مدل اندازه گیریپرسشنامه درحالت تخمین استاندارد

شکل ۲  مدل در حالت معناداری را نشان می دهد. همانگونه که در این شکل مشخص است، تمامی ضرایب بدست آمده از گویه ها معنادار شده اند. مقادیر آماره T بزرگتر از ۱٫۹۶ یا کوچکتر از ۱٫۹۶-  نشان دهنده معناداری بودن روابط در سطح  ۰٫۰۵ است :

نمونه تحلیل پرسشنامه با لیزرل

شکل ۲.  مدل اندازه گیریکل پرسشنامه درحالت ضریب معناداری
با توجه به نمودار بالا مشاهده می شود که مقادیر معنی داری برای تمامی شاخص  ها بیشتر از ۱٫۹۶ می باشد و در نتیجه این شاخص ها معنادار هستند .

شاخص های برازش
بطور کلی برای ارزیابی مدل تحلیل مسیر چندین مشخصه برازندگی وجود دارد. در این پژوهش برای ارزیابی از شاخص های X2، میانگین مجذور پس‌ماندها RMR، شاخص برازندگی GFI، شاخص تعدیل برازندگی AGFI، شاخص نرم‌شده برازندگی (NFI)، شاخص نرم‌نشده برازندگی (NNFI)، شاخص برازندگی فزاینده (IFI)، شاخص برازندگی تطبیقی (CFI) و شاخص بسیار مهم ریشه دوم برآورد واریانس خطای تقریب RMSEA استفاده شده است.

جدول۱.شاخص های برازندگی مدل ساختاری  

• شاخص
• میانگین مجذور پس‌ماندها RMR
• میانگین مجذور پس‌ماندها استاندارد شده SRMR
• شاخص برازندگی GFI
• شاخص نرم‌شده برازندگی (NFI)
• شاخص نرم‌نشده برازندگی (NNFI)
• شاخص برازندگی فزاینده (IFI)
• شاخص برازندگی تطبیقی (CFI)
• ریشه دوم برآورد واریانس خطا، RMSEA

• حد مطلوب
• نزدیک به صفر
• نزدیک به صفر
• در حدود ۹/۰
• در حدود ۹/۰
• در حدود ۹/۰
• در حدود ۹/۰
• در حدود ۹/۰
• کمتر از ۱/۰

• مقدار برآورد شده
• 0.020
• 0.054
• 0.95
• 0.96
• 0.96
• 0.96
• 0.96
• 0.۰۴۳

همانطور که مشخصه های برازندگی جدول نشان می دهد داده های این پژوهش با ساختار عاملی و زیربنای نظری تحقیق برازش مناسبی دارد و این بیانگر اعتبار سازه است.

مدل ساختاری (مدل تحلیل مسیر)

پس از طی مراحل تصدیق مدل اندازه گیری و محاسبات روایی سازه و تشخیصی در این مرحله می¬توان به آزمون روابط بین سازه های تحقیق، تعیین مدل نهایی و مدل ساختاری پرداخته می شود. به این منظور مدل مورد نظر در نرم افزار لیزرل پیاده می شود. با توجه به اینکه مقدار ریشه دوم برآورد واریانس خطای تقریب RMSEA برای مدلهای اندازه گیری تحقیق  کمتر از ۱/۰ گزارش شده است لذا جهت برآورد دقیق ضرایب مسیر برای آزمون فرضیات تحقیق نیاز به اصلاحات وجود ندارد. بنابراین خواهیم داشت:

نمونه تحلیل پرسشنامه با لیزرل

مدل ۳- مقدار tبرای بررسی معنی داری مدل ساختاری

راهنمای انتخاب آزمون آماری مناسب

رهبری به معنی مدیریت برقلبهاست

_ رهبران قبل از این که دست تقاضا به سوی کسی دراز کنند، دل او را به دست می آورند.

_ نمی‌توانید اشخاص را به عملی وادار کنید، مگر این که قبلا احساسات آنها را به خود جلب کرده باشید.

_ برای هدایت خود از مغز خود استفاده کنید و برای هدایت دیگران از دل.

_ مردم اول پذیرای رهبر می‌شوند، بعد بینش او را می‌پذیرند.

_ رهبر رویا را می‌بیند و سپس مردم را پیدا می‌کند. مردم رهبر را پیدا می کنند و بعد رویا را می‌بینند.

_ مردم با اشتیاق مدلی از کفش نایکی را می خرند که مایکل جوردن به آنها معرفی می کند!

_ مردم هر که را بپذیرند با او کنار می آیند.

نسل اول و دوم مدلسازی معادلات ساختاری(SEM)

نسل اول روش­ های مدل­سازی معادلات ساختاری (Covariance-based SEM Techniques)

این روش­ها که به روش­های کواریانس محور معروف هستند، توسط جورسگوک (1969) معرفی شدند. هدف اصلی این روش­ها تأیید مدل است که برای این کار به نمونه ­هایی با حجم بالا نیاز دارند. در این روش به تخمین ضرایب مسیرها و بارهای عاملی با استفاده از به حداقل رساندن تفاوت بین ماتریس­های واریانس-کواریانس مشاهده شده و پیش­بینی شده می­ پردازند.

 

ماتریس واریانس-کواریانس مشاهده شده توسط واریانس و کواریانس محاسبه شده بین متغیرهای مکنون به دست می­ آید. پرکاربردترین رویکرد محاسبه ضرایب در روش­های نسل اول، رویکرد تخمین حداکثر احتمال است که نیاز به داده­ های مربوط به متغیرهای مشاهده شده (سوال­ها) دارد که این متغیرها حتما باید از توزیع نرمال پیروی کرده باشند.

نسل دوم روش­ های مدل­سازی معادلات ساختاری (Component-based SEM Techniques)

 

روش­های مولفه محور که بعدا به روش حداقل مربعات جزئی تغییر (Partial Least Squares) تغییر نام دادند، توسط ولد (1974) ابداع شد. این روش از دو مرحله تشکیل شده است: 1) سنجش مدل های اندازه گیری با معیارهای مربوط به پایایی و روایی . 2) سنجش بخش ساختاری با استفاده از ضرایب t.

 

طی سالهای اخیر استفاده از روش PLS و نرم افزارهای مربوط به اون نسبت به روش های نسل اول و نرم افزارهای نسل اول مثل لیزرل، آموس و ای کیو اس، بیشتر شده و این به خاطر مزیت هایی است که روش PLS نسبت به روش نسل اول دارد. این رویکرد به جای باز تولید ماتریس کوواریانس تجربی، برر  بیشینه سازی واریانس متغیرهای وابسته که توسط متغیرهای مستقل پیش بینی نی شوند تمرکز دارد.

 

این رویکرد همانند رویکرد لیزرل، از بخش ساختاری که نمایانگر روابط بین متغیرهای پنهان، و بخش اندازه گیری که نشانگر روابط متغیرهای پنهان با نشانگرهایشان است، تشکیل شده است. در رویکرد (PLS) بخش ساختاری، دارای دو مدل درونی (Inner Model)و بخش اندازه گیری مدل بیرونی Outer) Model)  نام دارد. اما رویکرد PLS علاوه بر این دو بخش دارای بخش سومی نیز می باشد، که نسبت های وزنی (Weight Relations) نام دارد.

 

این بخش جهت برآورد مقادیر موردها (Case Value) برای متغیرهای پنهان مورد استفاده قرار می گیرد (نمرات افراد در متغیرهای مکنون)، (چین، 1988). برخلاف رویکرد مبتنی بر کوواریانس که ابتدا پارامترهای مدل برآورده شده و سپس مقادیر موردها از طریق برگشت دادن آنها به مجموعه تمام نشانگرها، برآورد می شود(مانند مقادیر برآورد شده برای هر متغیر پنهان در هر مجموعه از داده ها)، در رویکرد PLS ابتدا مقادیر موردها محاسبه می شود. (امانی و دیگران، 1390:45). در آموزش نرم افزارهای ایموس و اسمارت پی ال اس، تمامی این موارد به صورت تخصصی بیان میگردند.

 

مدلسازی معادله ساختاری

در بسیاری از موارد، پژوهشگر با مجموعه ای از پرسش های به هم پیوسته روبرو است، که برای پاسخگویی به تمامی این سوالات نیاز به بررسی روش مدل یابی معادلات ساختاری است که از بسط و توسعه مجموعه ای از تکنیک هایی چند متغیری نظیر رگرسیون چند متغیری و تحلیل عاملی شکل گرفته است.

 

مدل سازی معادلات ساختاری به بررسی مجموعه ای از روابط وابسنگی به طور همزمان می پردازد. استفاده از این روش، به ویژه زمانی مفید است که یک متغیر  وابسته در روابط وابستگی بعدی تبدیل به یک متغیر مستقل می شود. این مجموعه روابط، اساس مدل یابی معادلات ساختاری را تشکیل می دهد.(کلاین،2011)

 

LISREL، EQS، AMOS ،PLS چهار مورد از پرکاربردترین نرم­ افزارهای مدل­سازی معادلات ساختاری هستند که سه نرم­ افزار LISREL، AMOS و EQS متعلق به نسل اول معادلات ساختاری یعنی نسل کواریانس محورها(Covariance-Base) و نرم افزار های PLS که خود چند نوع هستند، جزو نسل دوم معادلات ساختاری یعنی نسل مولفه محور(Component-Based)  می‌باشند.

چگونه میتوانید از صحت روش تجزیه و تحلیل داده ها اطمینان حاصل فرمائید؟

شاخه های مختلف علوم برای تجزیه و تحلیل داده ها از روش های مختلفی مانند روش های ذیل استفاده می نمایند:

الف) روش تحلیل محتوا

ب) روش تحلیل آماری

ج) روش تحلیل ریاضی

د) روش اقتصاد سنجی

ه) روش ارزشیابی اقتصادی

و) ... 

تمرکز این نوشتار بر روش های تجزیه و تحلیل سیستمهای اقتصادی اجتماعی و بویژه روش های تحلیل آماری می باشد. 

آمار علم طبقه بندی اطلاعات، علم تصمیم گیری های علمی و منطقی، علم برنامه ریزی های دقیق و علم توصیف و بیان آن چیزی است که از مشاهدات می توان فهمید. 

هدف ما آموزش درس آمار نیست زیرا اینگونه مطالب تخصصی را میتوان در مراجع مختلف یافت، هدف اصلی ما ارائه یک روش دستیابی سریع به بهترین روش آماری می باشد. 

یکی از مشکلات عمومی در تحقبقات میدانی انتخاب روش تحلیل آماری مناسب و یا به عبارتی انتخاب آزمون آماری مناسب برای بررسی سوالات یا فرضیات تحقیق می باشد. 

در آزمون های آماری هدف تعیین این موضوع است که آیا داده های 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. 

دکتر غلامرضا جندقی استاد یار دانشگاه تهران در مقاله ای کاربرد انواع آزمون های آماری را با توجه به نوع داده ها و وبژگی های نمونه آماری و نوع تحلیل نشان داده است که در این بخش به نکات کلیدی آن اشاره می شود:

قبل از انتخاب یک آزمون آماری بایستی به سوالات زیر پاسخ داد:

1- چه تعداد متغیر مورد بررسی قرار می گیرد؟

2- چند گروه مفایسه می شوند؟

3- آیا توزیع ویژگی مورد بررسی در جامعه نرمال است؟

4- آیا گروه های مورد بررسی مستقل هستند؟

5- سوال یا فرضیه تحقیق چیست؟

6- آیا داده ها پیوسته، رتبه ای و یا مقوله ای Categorical هستند؟

قبل از ادامه این مبحث لازم است مفهوم چند واژه آماری را یاد آور شوم که زیاد وقت گیر نیست. 

1- جامعه آماری: به مجموعه کاملی از افراد یا اشیاء یا اجزاء که حداقل در یک صفت مورد علاقه مشترک باشند ،گفته می شود.

2- نمونه آماری: نمونه بخشی از یک جامعة آماری تحت بررسی است که با روشی که از پیش تعیین شده است انتخاب می‌شود، به قسمی که می‌توان از این بخش، استنباطهایی دربارة کل جامعه بدست آورد.

3- پارامتر و آماره: پارامتر یک ویژگی جامعه است در حالی که آماره یک ویژگی نمونه است. برای مثال میانگین جامعه یک پارامتر است. حال اگر از جامعه نمونه‌گیری کنیم و میانگین نمونه را بدست آوریم، این میانگین یک آماره است.

4- برآورد و آزمون فرض: برآوردیابی و آزمون فرض دو روشی هستند که برای استنباط درمورد پارامترهای مجهول دو جمعیت به کار می روند.

5- متغیر: ویژگی یا خاصیت یک فرد، شئ و یا موقعیت است که شامل یک سری از مقادیر با دسته بندیهای متناسب است. قد، وزن، گروه خونی و جنس نمونه هایی از متغیر هستند. انواع متغیر می تواند کمی و کیفی باشد.

6- داده های کمی مانند قد، وزن یا سن درجه بندی می شوند و به همین دلیل قابل اندازه گیری می باشند. داده های کمی نیز خود به دو دسته دیگر تقسیم می شوند:

الف: داده های فاصله ای (Interval data)

ب: داده های نسبتی (Ratio data)

7- داده های فاصله ای: به عنوان مثال داده هایی که متغیر IQ (ضریب هوشی) را در پنج نفر توصیف می کنند عبارتند از: 80، 110، 75، 97 و 117، چون این داده ها عدد هستند پس داده های ما کمی اند اما می دانیم که  IQ نمی تواند صفر باشد و صفر در اینجا فقط مبنایی است تا سایر مقادیر  IQ در فاصله ای منظم از صفر و یکدیگر قرار گیرند پس این داده ها فاصله ای اند.

8- داده های نسبتی: داده های نسبتی داده هایی هستند که با عدد نوشته می شوند اما صفر آنها واقعی است. اکثریت داده های کمی این گونه اند و حقیقتاً دارای صفر هستند. به عنوان مثال داده هایی که متغیر طول پاره خط بر حسب سانتی متر را توصیف می کنند عبارتند از: 20، 15، 35، 8 و 23، چون این داده ها عدد هستند پس داده های ما کمی اند و چون صفر در اینجا واقعاً وجود دارد این داده نسبتی تلقی می شوند.

9- داده های کیفی مانند جنس، گروه خونی یا ملیت فقط دارای نوع هستند و قابل بیان با استفاده از واحد خاصی نیستند. داده های کیفی خود به دو دسته دیگر تقسیم می شوند:

الف: داده های اسمی  (Nominal data)

ب: داده های رتبه ای  (Ordinal data)

10- داده های رتبه ای Ordinal: مانند کیفیت درسی یک دانش آموز (ضعیف، متوسط و قوی) و یا رتبه بندی هتل ها ( یک ستاره، دو ستاره و ...)

11- داده های اسمی (nominal ) که مربوط به متغیر یا خواص کیفی مانند جنس یا گروه خونی است و بیانگر عضویت در یک گروها category  خاص می باشد. (داده مقوله ای)

12- متغیر تصادفی گسسته و پیوسته: به عنوان مثال تعداد تصادفات جاده‌ای در روز یک متغیر تصادفی گسسته است ولی انتخاب یک نقطه‌ به تصادف روی دایره‌ای به مرکز مبدأ مختصات و شعاع 3 یک متغیر تصادفی پیوسته است.

13- گروه: یک متغیر می تواند به لحاظ بررسی یک ویژگی خاص در یک گروه و یا دو و یا بیشتر مورد بررسی قرار گیرد. نکته 1: دو گروه می تواند وابسته و یا مستقل باشد. دو گروه وابسته است اگر ویژگی یک مجموعه افراد قبل و بعد از وقوع یک عامل سنجیده شود. مثلا میزان رضایت شغلی کارکنان قبل و بعد از پرداخت پاداش و همچنین اگر در مطالعات تجربی افراد از نظر برخی ویژگی ها در یک گروه با گروه دیگر همسان شود.

14- جامعه نرمال: جامعه ای است که از توزیع نرمال تبعیت می کند.

15- توزیع نرمال: یکی از مهمترین توزیع ها در نظریه احتمال است. و کاربردهای بسیاری در علوم دارد.

فرمول این توزیع بر حسب دو پارامتر امید ریاضی و واریانس بیان می شود. منحنی رفتار این تابع تا حد زیادی شبیه به زنگ های کلیسا می باشد. این منحنی دارای خواص بسیار جالبی است برای مثال نسبت به محور عمودی متقارن می باشد، نیمی از مساحت زیر منحنی بالای مقدار متوسط و نیمه دیگر در پایین مقدار متوسط قرار دارد و اینکه هرچه از طرفین به مرکز مختصات نزدیک می شویم احتمال وقوع بیشتر می شود.

سطح زیر منحنی نرمال برای مقادیر متفاوت مقدار میانگین و واریانس فراگیری این رفتار آنقدر زیاد است که دانشمندان اغلب برای مدل کردن متغیرهای تصادفی که با رفتار آنها آشنایی ندارند، از این تابع استفاده می کنند. به عنوان  مثال در یک امتحان درسی نمرات دانش آموزان اغلب اطراف میانگین بیشتر می باشد و هر چه به سمت نمرات بالا یا پایین پیش برویم تعداد افرادی که این نمرات را گرفته اند کمتر می شود. این رفتار را بسهولت می توان با یک توزیع نرمال مدل کرد.

اگر یک توزیع نرمال باشد مطابق قضیه چی بی شف 26.68 % مشاهدات در فاصله میانگین، مثبت و منفی یک انحراف معیار قرار دارد. و  44.95 % مشاهدات در فاصله میانگین، مثبت و منفی دو انحراف معیار قرار دارد. و 73.99 % مشاهدات در فاصله میانگین، مثبت و منفی سه انحراف معیار قرار دارد.

نکته 1: واضح است که داده های رتبه ای دارای توزیع نرمال نمی باشند.

نکته 2: وقتی داده ها کمی هستند و تعداد نمونه نیز کم است تشخیص نرمال بودن داده ها توسط آزمون کولموگروف – اسمیرنف مشکل خواهد شد.

 16- آزمون پارامتریک: آزمون های پارامتریک، آزمون های هستند که توان آماری بالا و قدرت پرداختن به داده  های جمع آوری شده در طرح  های پیچیده را دارند. در این آزمون ها داده ها توزیع نرمال دارند. (مانند آزمون تی).

17- آزمون های غیرپارامتری: آزمون هائی می باشند که داده ها توزیع غیر نرمال داشته و در مقایسه با آزمون های پارامتری از توان تشخیصی کمتری برخوردارند.  (مانند آزمون من – ویتنی و آزمون کروسکال و والیس)

نکته3: اگر جامعه نرمال باشد از آزمون های پارامتریک و چنانچه غیر نرمال باشد از آزمون های غیر پارامتری استفاده می نمائیم.

نکته 4: اگر نمونه بزرگ باشد، طبق قضیه حد مرکزی جتی اگر جامعه نرمال نباشد می توان از آزمون های پارامتریک استفاده نمود.

مراحل مدل سازی در معادلات ساختاری

تعیین مدل

در این مرحله ابتدا ادبیات نظری پیرامون یک موضوع و مشتقات آن بررسی شده و سازه های دخیل در آن موضوع خاص شناسایی می شوند.

شناسایی سنجه سازه ها

پس از ترسیم مدل حاوی سازه ها و روابط میان آنها نوبت به ترسیم متغیرهای آشکار مربوطه به سازه ها می رسد. در واقع در این مرحله چگونگی سنجش سازه ها را مشخص می نمایند.

تخمین روابط بین مدل

بعد از ترسیم مدل با تمامی اجزا آن، نوبت به تخمین روابط حاوی متغیرهای آشکار و پنهان در مدل می رسد. این روابط در دو نوع درونی و بیرونی هستند.

با انتخاب رویکرد حداقل مربعات جزئی ( PLS) و نرم افزار Smart PLS ضرایب بار عاملی به همراه مقادیر t توسط نرم افزار محاسبه می شود و به محقق امکان تفسیر روابط بیرونی و درونی را می دهد.

ارزیابی مدل

برای اینکه بتوان نتایج حاصل از تخمین روابط مدل را تفسیر نمود، ابتدا باید میزان تناسب مدل یا برازش آن را مشخص کرد. بدین معنی که آیا مدلی که اساس مبانی نظری پیشین بوده است، با داده های گردآوری شده از نمونه آماری تحقیق متناسب بوده یا خیر؟

در این مرحله بسته به انتخاب رویکرد و نرم افزار مربوطه نحوه بررسی برازش مدل متفاوت است.

اصلاح مدل

در صورتی که نتایج ارزیابی مدل در مرحله چهارم مدل سازی در  SEM، عدم برازش و یا برازش ضعیف مدل را نشان داد،‌ می بایست اقدام به اصلاح مدل از طرق مختلف نمود.

نکته مهم در اصلاح مدل این است که تغییرات اعمال شده روی مدل برای رسیدن به برازش بهتر نباید بیش از حد باشد. زیرا مدل ساخته شده توسط محقق دارای پشتوانه ای علمی بوده و از ادبیات نظری مرتبط استخراج گردیده است.

تفسیر نتایج برآمده از مدل

پس از اصلاح مدل و اطمینان از کفایت برازش مدل، محقق مجاز است که نتایج حاصل از یافته های پژوهش را تفسیر نماید. در این مرحله اعداد و مقادیر حاصل از تحلیل دادهه ای تحقیق، به عبارات ساده و قابل فهم برای مخاطب تبدیل شده و به وی گزارش داده می شود.

مزایای مدل سازی معادلات ساختاری روش PLS

• تخمین روابط چندگانه.
• قابلیت سنجش متغیرهای پنهان.
• محاسبه خطای اندازه گیری.
• قابلیت بررسی تاثیر هم خطی.
• آزمون روابط جعلی و غیر واقعی.
  

مدلهای اندازه گیری با یک شاخص(سوال) در رویکرد PLS

با توجه به گفته های پیشین، یکی از فواید PLS  نسبت به دیگر روش ها در قابلیت سنجش مدل های اندازه گیری با کمتر از چهار شاخص (سوال) می باشد.

در مورد مدل های اندازه گیری با یک شاخص (سوال) باید اضافه نمود که انتخاب چنین مدلهایی نیاز به شرایطی دارد و اگر این شرایط اتفاق بیفتند، پژوهشگر در مورد سازه های پژوهش حتما باید از مدلهای اندازه گیری با یک شاخص به جای مدل چند شاخصه استفاده نماید.

سه شرط برای استفاده از مدل های اندازه گیری با یک شاخص در زیر بیان شده اند:

1- مقدار همبستگی بین شاخص ها کمتر از 0.3 باشد. یعنی ارتباط بین شاخص ها بسیار ضعیف باشد که بایستی شاخص ها بازبینی و حذف شوند.

2- مقدار بار عاملی بین شاخص ها و سازه ها بیشتر از 0.8 باشد. یعنی میزان همبستگی بین شاخص ها و سازه ها زیاد باشد که می تواند بیانگر شباهت زیاد شاخص ها باشد. در این حالت سوالات همگن هستند.

3-  شاخص ها زائد باشند. بدین معنی که سوالات در حقیقت یک مفهوم را می سنجند و تفاوتی با یکدیگر ندارند. در واقع سوالات تکراری هستند.

نکته جالب این است که در روش PLS   به کار بردن تنها یک سوال برای سنجش سازه در برخی اوقات نه تنها اشتباه نبوده بلکه برعکس،‌ اگر سوال های بیشتر برای آزمودن آن سازه به کار رود، پژوهشگر اشتباه کرده است.

مهمترین این موارد وقتی است که یک سازه مفهوم رسا و واضحی دارد و مخاطب تنها با یک سوال می تواند به معنای آن سازه پی ببرد. در این مواقع به کار بردن سوالات اضافی برای سنجش آن سازی کاری عبث و بیهوده است و در واقع سوالات بیشتر نقش زائد و اضافی در مدل ایفا می کنند که برای برازش مدل مناسب نیست.

تحلیل عاملی و بار عاملی در نرم افزار Smart PLS

الف- تحلیل عاملی

یکی از مشکلاتی که محققان در تحقیق خود با آن مواجه هستند، کاهش حجم متغیرها و یا تشکیل ساختاری جدید برای آنها می باشد. که بدین منظور از روش تحلیل عاملی استفاده می شود.

تحلیل عاملی بر اساس ملاک های تجربی و عملی، تعداد متغیرهایی را که خیلی زیاد هستند را به چند عامل کاهش می دهد و تجزیه و تحلیل آنها را ساده تر می کند.

تحلیل عاملی، عمل کاهش متغیرها به عامل را از طریق گروه بندی کردن متغیرهایی که با هم همبستگی متوسط و یا نسبتا زیادی دارند، انجام می دهد.

تحلیل عاملی بر دو نوع است:

الف-1- تحلیل عاملی اکتشافی (efa)

در تحلیل عاملی اکتشافی، محقق با هدف کشف ساختاری برای شکل دهی متغیرها و طبقه بندی آنهاست و پیش فرض اولیه آن است که هر متغیری ممکن است با هر عاملی ارتباط داشته باشد. به عبارت دیگر پژوهشگر در این روش هیچگونه فرضیه قبلی درباره نتایج ندارد و در پی اکتشاف عوامل تاثیر گذار است. بنابراین، تحلیل اکتشافی بیشتر به عنوان یک روش تدوین و تولید نظریه و نه آزمون نظریه در نظر گرفته می شود.

الف-2- تحلیل عاملی تأییدی (cfa)

در این روش پژوهشگر سعی می کند تأییدی بر یک ساختار عاملی فرض شده ارائه دهد. یعنی تعیین می کند که داده ها با یک ساختار عاملی معین که در فرضیه آمده است هماهنگ است یا خیر. تحلیل عاملی تأییدی برای سنجش روایی شاخص های یک سازه در پرسشنامه نیز به کار برده می شود تا معلوم گردد هماهنگی و همسویی لازم بین شاخص ها وجود دارد. به بیان دیگر، تحلیل عاملی تأییدی ابزاری است برای سنجش روایی پرسشنامه. یعنی پرسشنامه چیزی را اندازه بگیرد که برای اندازه گیری آن ساخته شده است.

برخلاف تحلیل عاملی اکتشافی، در تحلیل عاملی تأییدی پیش فرض اساسی آن است که مطابق با تئوری پیشین، هر عاملی با زیر مجموعه ی خاصی از متغیرها ارتباط دارد.

کاربرد مهم تحلیل عاملی تأییدی، بررسی برازش مدل حاوی سوال های یک متغیر است.

قابل ذکر است این شرکت، آموزش ویدئویی تحلیل عاملی تاییدی مرتبه اول و دوم، البته در نرم افزار دیگر معادلات ساختاری یعنی با نرم افزار لیزرل، تهیه نموده است. برای اطلاعات بیشتر در خصوص این آموزش و دریافت آن، این صفحه را ببینید:

تحلیل عاملی تاییدی در لیزرل

ب- بار عاملی

بار عاملی مقدار عددی است که میزان شدت رابطه میان یک متغیر پنهان و متغیر آشکار مربوطه را طی فرآیند تحلیل مسیر مشخص می کند. هرچه مقدار بار عاملی یک شاخص در رابطه با یک سازه مشخص بیشتر باشد، آن شاخص سهم بیشتری در تبیین آن سازه ایفا می کند. همچنین اگر بار عاملی یک شاخص منفی باشد، نشان دهنده تاثیر منفی آن در تبیین سازه مربوطه می باشد. به بیان دیگر سوال مربوط به آن شاخص به صورت معکوس طراحی شده است.

نرم افزار Smart PLS  تحلیل عاملی تأییدی را برای بررسی روایی پرسشنامه به صورت کامل انجام داده و از روش های مختلف روایی را بررسی می کند و همچنین در خروجی این نرم افزار بارهای عاملی و جدول همبستگی به صورت کاملا مجزا و قابل فهم ارائه می شود.

اجزاء مدل و انواع متغیرها و مدلها در رویکرد PLS

مدل نمایشی از چارچوب نظری تدوین شده بر اساس مبانی تئوریک است. چارچوب نظری نیز مجموعه ای از روابط نظام مند است که توصیفی جامع و سازگار از روابط میان چند پدیده را ارائه می نماید.

مدل های مرسوم در مدل سازی معادلات ساختاری در واقع متشکل از دو بخش هستند.

مدل اندازه گیری که چگونگی توضیح و تبیین متغیرهای پنهان توسط متغیرهای آشکار مربوطه را بررسی می نماید و مدل ساختاری که نشان می دهد چگونه متغیرهای پنهان در پیوند با یکدیگر قرار گرفته اند. البته در مطالعات مختص رویکرد حداقل مربعات جزئی که یکی از رویکردهای معادلات ساختاری است، این دو بخش بیشتر به نام های مدل درونی و مدل بیرونی شناخته می شوند. به هر حال یک مدل اندازه گیری یا مدل درونی روابط بین شاخص های یک سازه و آن سازه را مشخص می سازد در حالی که یک مدل ساختاری یا مدل بیرونی نشان دهنده روابط میان چند سازه است.

یک مدل دارای دو جزء اصلی می باشد

متغیرهای پنهان و آشکار که به ترتیب با بیضی و مستطیل نشان داده می شوند.

روابط میان متغیرهای پنهان و آشکار که در شک با پیکان های جهت دار ترسیم می شوند.

در ضمن روابط موجود در مدل های اندازه گیری و ساختاری نیز متفاوت از یکدیگر هستند. روابط موجود در مدل های اندازه گیری، بین یک متغیر پنهان و یک متغیر آشکار ترسیم می شوند در حالی که روابط تعریف شده در مدل ساختاری بین دو متغیر پنهان ترسیم می شوند. روابط موجود در مدل های اندازه گیری روابط بیرونی و روابط ترسیم شده در مدل های ساختاری روابط درونی نام دارند.

اهمیت نظریه

مدل ها باید الزاما ریشه در نظریه ای بنیادین داشته باشند و بر اساس آن ایجاد گردند. نظریه ها اغلب اهداف اصلی تحقیقات دانشگاهی می باشند اما کسانی که به صورت علمی از آنها استفاده می کنند نیز ممکن است مجموعه ای از روابط را پیشنهاد یا ایجاد نمایند که پیچیدگی این روابط به اندازه پیچیدگی های هر نظریه آکادمیکی باشند. از این رو محققان برای تحلیل این روابط نیازمند ابزارهای تحلیلی ویژه ای که مدل سازی معادلات ساختاری ارائه می نماید، هستند.

حمایت مبانی نظری در ترسیم مدل

شرط نهایی برای تایید یک رابطه علی، وجود مبانی نظری مرتبط است که صحت رابطه بین دو متغیر را در یک رابطه علی معلولی تایید نماید. با مطالعه مبانی نظری مرتبط می توان چگونگی تاثیر یک سازه بر سازه دیگر را با عمق بیشتری درک نمود. اگر مبانی نظری و ادبیات مرتبط همراه با تحلیل داده ها صورت نپذیرد، درک رابطه بین متغیر مستقل و وابسته دشوار است و چه بسا این رابطه جعلی و غیر واقعی باشد. بنابراین محاسبات مدل معادلات ساختاری برای ایجاد روابط بین متغیرها و آزمودن این روابط مفید و سودمند است ولی بدون مطالعه مبانی نظری مرتبط،‌کافی نیست.

انواع متغیرها در معادلات ساختاری و نرم افزار Smart PLS

محققان و پژوهشگران ممکن است در طراحی مدل خود با متغیرها و سازه های گوناگونی را مورد استفاده قرار دهد. آشنایی با متغیرها و شناختن نوع آنها به پژوهشگر در طراحی و تدوین یک مدل کامل و همه جانبه خود کمک بسزایی می کند.

انواع متغیرها و سازه ها را می توان از دیدگاه های متفاوتی بررسی کرد:

1- دسته بندی بر حسب ماهیت مقداری:

• متغیرهای کمی.
• متغیرهای کیفی.
• مقیاس اسمی.
• مقیاس رتبه ای.
• مقیاس فاصله ای.

2- دسته بندی از لحاظ نقش مربوطه در مدل:

• متغیرهای مستقل.
• متغیرهای وابسته.
• متغیرهای میانجی.
• متغیرهای تعدیلگر.
• متغیرهای کنترل.
• متغیرهای مزاحم.

3- دسته بندی بر اساس مشاهده پذیر بودن یا نبودن:

• متغیرهای پنهان، مشاهده ناپذیر و یا مکنون.
• متغیرهای مشاهده پذیر یا آشکار.

انواع مدل

پژوهشگر یا محققی که از مدل های معادلات ساختاری در پژوهش خود استفاده می کند با دو بخش مدل اندازه گیری و مدل ساختاری مواجه می شود. یکی از مهمترین مراحل در تدوین مدل اندازه گیری تصمیم در مورد نوع مدل اندازه گیری می باشد.

مدل اندازه گیری در معادلات ساختاری به دو دسته تقسیم می شود:

1- مدل با شاخص های بازتاب دهنده و انعکاسی

اگر در مدلی که پژوهشگر طراحی می کند، سازه، سازنده شاخص خود باشد آن مدل انعکاسی می باشد. در این نوع مدل سازه ها مقدم هستند زیرا سازنده شاخص خود می باشند و باعث به وجود آمدن آن می شوند.

2- مدل با شاخص های سازنده

در این نوع مدل اندازه گیری، شاخص ها ویژگی های تعریف کننده سازه به شمار می روند، به عبارت دیگر شاخص ها هستند که سازه را تعریف می کنند و می سازند و در نوع مدل شاخص ها مقدم هستند چون باعث به وجود آمدن سازه می شوند.

تعیین حجم نمونه لازم روش PLS

یکی از دلایل محبوبیت و پرکاربرد بودن روش PLS، عدم نیاز به استفاده از حجم بالای نمونه در پژوهش ها است. در حالی که روش های پیشین (نسل اول)، احتیاج مبرم به تعداد نمونه بالا (بیشتر از 200)  برای اجرای صحیح مدل های معادلات ساختاری داشتند.

پژوهش های با حجم نمونه اندک، باعث ایجاد دو مشکل عمده در معادلات ساختاری (SEM)   با استفاده از روش های نسل اول می شوند:

1- عدم همگرایی

2- ارائه راحل های نامناسب

در روش PLS  (پی ال اس) پژوهشگران با دو مشکل فوق مواجه نمی شوند.

عدم حساسیت PLS  به حجم نمونه تا آنجاست که حتی تعداد نمونه می تواند کمتر از تعداد کل متغیرهای پژوهش باشد.

قواعد تعیین حجم نمونه روش PLS

یکی از قواعد شناخته شده برای تعیین حداقل نمونه لازم در روش PLS، توسط بارکلای و همکاران ارائه شده است. این نویسندگان اظهار می دارند که حداقل حجم نمونه لازم برای استفاده از روش PLS، برابر است با بزرگترین مقدار حاصل از دو قاعده:

• 10 ضرب در تعداد شاخص های مدل اندازه گیری ای که دارای بیشترین شاخص در میان مدل های اندازه گیری مدل اصلی پژوهش است.
• 10 ضرب در بیشترین روابط موجود در بخش ساختاری مدل اصلی پژوهش که به یک متغیر مربوط می شوند.

البته ذکر این مطلب ضروری است که تعیین حجم نمونه مناسب برای پژوهش های مختلف به عوامل زیادی بستگی دارد و تکنیک ها و شیوه های ارائه شده تنها در مورد تعیین حداقل حجم نمونه کارایی دارند.

تعیین حجم نمونه ای که با آن بتوان مدل پژوهش را به درستی سنجید، به عوامل زیادی از جمله توزیع داده ها و تعداد داده های مفقود بستگی دارد. از رو برای تعیین حجم نمونه مناسب در تحقیقاتی که قصد استفاده از روش PLS  می باشد، باید این موارد را نیز در نظر گرفت.

انتخاب رویکرد مناسب معادلات ساختاری برای تحلیل داده ها

حال این موضوع مطرح است که محققی که قصد استفاده از معادلات ساختاری را دارد بهتر است از کدام نسل برای تحلیل داده های خود استفاده کند. به بیان دیگر با استفاده از کدامیک از رویکردهای SEM،‌ نتایج تحلیل داده ها صحیح و معتبر است.

معیارهای انتخاب رویکرد PLS برای معادلات ساختاری (SEM)

معیار اول

1- اولین معیار برای انتخاب روش های PLS وجود متغیرهای پنهان با شاخص های سازنده در مدل پژوهش است. چنانچه مدل محقق حاوی این دسته از متغیرها باشند، وی مجبور به استفاده از روش PLS   است زیرا در رویکردهای نسل اول چنین قابلیتی تعریف نشده و متعاقبا نرم افزارهایی مانند LISREL    و AMOS    نیز ناتوان در ترسیم سازه ها با شاخص های سازنده می باشند.

معیار دوم

2- معیار دوم به وجود متغیرهای پنهان مرتبه دوم به بالا در مدل پژوهش مربوطه است. این نوع متغیرها زمانی استفاده می شوند که محقق یک متغیر پنهان را در بیش از دو سطح به کار برد. در این صورت بهتر است که وی از روش   PLS استفاده کند.

معیار سوم

3- معیار سوم آشکارترین معیار انتخاب روش  PLS برای تحلیل داده هاست. فرآیند انجام تحلیل داده ها در روش   PLS و نرم افزارهای مربوطه مثل Smart PLS    به گونه ای طراحی شده است که حساسیت به حجم نمونه به حداقل برسد. به همین ترتیب نرمال بودن توزیع داده ها نیز مانعی برای استفاده از PLS   محسوب نمی شود در حالیل که یکی از پیش شرطهای استفاده از روش های نسل اول، نرمال بودن توزیع داده هاست.

معیار چهارم

4- معیار چهارم اشاره به مدل (مدل مفهومی) دارد که برای طرح فرضیه های خود از آن استفاده نموده است. اگر این مدل در مراحل اولیه توسعه باشد بدین معنی که با تازگی معرفی شده و متعاقبا تئوری های پیشین زیادی برای تایید آن وجود نداشته باشد، محقق بهتر است که از روش PLS برای تحلیل این مدل استفاده کند. روش های نسل اول که نقطه قوت آنها در تایید مدل با استفاده از معیارهای برازش مدل است، بیشتر در تحلیل مدلهایی به کار می روند که نظریات پیشین برای تأیید آنها به وفور موجود باشد ( مدل در مرحله بلوغ باشد) و محقق قصد بررسی تأیید این نوع مدل ها در جامعه آماری مورد نظر خود را داشته باشد.

انجام مدلسازی معادلات ساختاری کوواریانس محور و واریانس محور

آماده ایم تا در زمینه انجام تجزیه و تحلیل آماری با نرم افزارهای لیزرل و یا ایموس و مشاوره اجرای مدل یابی معادلات ساختاری با آن در خدمت شما محقق و دانشجوی گرامی باشیم. 09131025408

تاریخچه مدل یابی معادلات ساختاری

هر چند مدل یابی معادلات ساختاری فقط در 30  یا 40 سال اخیر شکل برجسته ای برای تحلیل داده ها یافته است، اما مفهوم آن برای نخستین بار نزدیک به 80 سال پیش زیست شناس معروف سووال رایت در دانشگاه شیکاگو معرفی کرد. او نشان داد که روابط خطی بین متغیرهای مشاهده شده را می توان به شکل نمودار مسیر و ضرایب مسیر همراه آن نمایش داد.

رایت توانست از طریق ترسیم ردیابی علی و مسیرهای همراه آن در نمودار، رابطه ساختاری خطی بین متغیرها را بر پایه قواعد بسیار ساده به دست آورد. رایت این روش را در ابتدا برای محاسبه همبستگی مورد انتظار بین ویژگی های مشاهده شده اشخاص مورد نظر درباره فرضیه وراثت ماندل و بعد از آن برای انواع کلی تر روابط میان اشخاص مورد استفاده قرار داد.

شکل جدید تحلیل خطی ساختاری علاوه بر نمایش نمودار مسیر شامل فرمول بندی جبری مدل نیز هست. این دو شکل معادل یکدیگرند و اجرای تحلیل در برنامه LISREL  به کاربر امکان می دهد بر پایه هر کدام از این دو نوع نمایش، مدل مورد نظر را در رایانه انتخاب کند.

رویکرد تحلیل مسیر موقعی عالی است که تعداد متغیرهای درگیر با رابطه مورد نظر در حد متوسط باشد، اما وقتی تعداد متغیرها زیاد باشد این نمودار پیچیده و پر زحمت می شود. در این صورت، نوشتن روابط به صورت نمادی راحت تر خواهد بود. دستور العمل SIMPLIS  در نرم افزار LISREL  معرف مثال هایی برای هر دو نوع نمایش است و انطباق و مشابهت بین مسیرها و معادلات ساختاری را روشن می سازد.

بررسی روش های ریاضی و آماری مورد نیاز برای مطالعه روایی سازه ها و اندازه گیری نفوذ آنها، به توسعه روشی به نام تحلیل عاملی منجر شد. شکل جدید آن تا حد بسیار زیادی مدیون کارهای ترومن کلی و ال.ال.ترستون است که تحلیل تک عاملی اسپیرمن را به تحلیل کاملا عمومی چند عاملی تبدیل کردند. کارل جارزکاگ نیر اخیرا تحلیل عاملی تاییدی را به شکل اکتشافی آن افزوده است. این دو شکل برای مقاصد مختلفی به کار می رود. تحلیل عاملی اکتشافی یک روش رسمی اکتشاف است و فرد را قادر می سازد که روابط بین متغیرهایی را که هرگز در داده های اصلی یا حتی در همبستگی های بین متغیرها آشکار نیست مشاهده کند.