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.