آموزش تخصصی آمار و معادلات ساختاری

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

آموزش تخصصی آمار و معادلات ساختاری

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

آموزش تخصصی آمار و معادلات ساختاری

تحلیل آماری یک ابزار بسیار مفید برای دستیابی به راهکارهای مناسب در زمانی که فرآیندهای واقعی تحلیل به شدت پیچیده یا در شکل واقعی آن ناشناخته است. می‌باشد. تحلیل آماری، فرآیند جمع آوری، بررسی، خلاصه سازی و تفسیر اطلاعات کمّی را برای ارائه ی دلایل زیربنایی، الگوها، روابط، و فرآیندها پوشش می دهد.

*********
اینجانب سیدسعید انصاری فر دارای لیسانس و فوق لیسانس مهندسی صنایع، فوق لیسانس مدیریت دولتی گرایش MIS و دانشجو دکترا مدیریت دولتی گرایش تصمیم‌گیری و خط مشی‌گذاری عمومی می‌باشم. برخی از سوابق علمی پژوهشی به شرح زیر است:

1- دارای بیش از 40 مقاله در موضوعات مختلف (کنفرانس های بین المللی و مجلات علمی پژوهشی و ژورنال ISC)
2- مولف سه کتاب (مبانی سازمان و مدیریت، آموزش مدل سازی معادلات ساختاری و SPSS، نگهداری کارکنان، چالش ها و نظریه ها)
3- مشاوره آماری و انجام تجزیه و تحلیل آماری در بیش از 700 پایان نامه ارشد و 50 پایان نامه دکترا
4- رتبه 7 کنکور دکترا
5- تدریس خصوصی آمار توصیفی و استنباطی و نرم افزارهای SPSS، AMOS، Smart PLS، LISREL
6- کسب رتبه پژوهشگر برتر و برگزیده در جشنواره علمی پژوهشی شهرداری اصفهان

*********
تماس با ما:
ایمیل: ansarifar2020@gmail.com
شماره همراه: 09131025408
شبکه اجتماعی ایتا: 09131025408

*********
گروه علمی آموزشی پژوهشگران برتر:
این گروه با بهره مندی از کادری مجرب آمادگی تجزیه و تحلیل کیفی و داده های کمی آماری در موضوعات مختلف با استفاده از نرم افزارهای مختلفی چون SPSS ، Smart PLS، LISREL،R ، AMOS، Nvivo، Max QDA را دارد.

همکاران:
1-مجید دادخواه
دکتری مدیریت از دانشگاه آزاد اصفهان
2- مرسا آذر:
دکتری مدیریت از دانشگاه آزاد اصفهان
3- زهرا وحیدی:
دکتری مدیریت آموزشی، مدرس تحلیل کیفی
4-محمد مهدی مقامی:
دکتری آمار از دانشگاه اصفهان
5- طناز فریدنی:
کارشناسی ارشد آمار و ریاضی از دانشگاه اصفهان
6- زینب احمدی:
کارشناسی ارشد روان شناسی از دانشگاه اصفهان


***********
از دلایلی که پژوهشگران انجام تحلیل آماری را به ما می سپارند:
- تیم حرفه ای و با تجربه
- متخصص در زمینه انواع نرم افزارهای تحلیل آماری با بیش از 10 سال تجربه
- پشتیبانی و آموزش حضوری به صورت رایگان

۲ مطلب در ارديبهشت ۱۴۰۰ ثبت شده است

تحلیل مضمون در تحقیقات کیفی

تحلیل مضمون Thematic analysis شیوه ای در روش پژوهش کیفی است که بر شناسایی، تحلیل و تفسیر الگوی معانی داده‌های کیفی تمرکز دارد. مضمون یا تِم Theme عنصر کلیدی در این روش است. مضمون ها پر ارزش ترین واحدهایی هستند که در تجزیه و تحلیل محتوا باید مدنظر قرار گیرند و منظور از مضامین معنای خاصی است که از یک کلمه یا جمله یا پاراگراف مستفاد می شود. این مضمون ها فضای خاص و مشخصی را اشغال نمی کنند، چون یک جمله ممکن است چند مضمون داشته باشد و یا چند پاراگراف متن، ممکن است فقط یک مضمون داشته باشد. این روش نیز مانند سایر روش‌های تحلیل کیفی در مدیریت علوم اجتماعی رشد چشمگیری داشته است.

تحلیل مضمون گاهی با تحلیل محتوا نیز اشتباه گرفته می‌شود و یکی از روش های ساده و کارآمد در روش تحقیق کیفی است. در واقع، تحلیل مضمون، اولین روش تحلیل کیفی است که پژوهشگران باید یاد بگیرند. این روش، مهارت های اساسی مورد نیاز برای بسیاری از تحلیل های کیفی را فراهم می کند. تحلیل مضمون، یکی از مهارت های عام و مشترک در تحلیل های کیفی است؛ به همین دلیل،  آن را نه روشی خاص بلکه ابزاری مناسب برای روش های مختلف، معرفی می کند. برخی نیز کدگذاری مضامین را فرایند پیش نیازِ تحلیل های اصلی و رایجِ کیفی، معرفی می کنند تا روشی منحصربه فرد و خاص. اما به عقیده براون و کلارک، تحلیل مضمون را باید روش ویژه ای در نظر گرفت که یکی از مزایای آن انعطاف پذیری است.

تعریف تحلیل مضمون

تحلیل مضمون، روشی برای شناخت، تحلیل و گزارش الگوهای موجود در داده های کیفی است. این روش، فرایندی برای تحلیل داده های متنی است و داده های پراکنده ومتنوع را به داده هایی غنی و تفصیلی تبدیل می کند. تحلیل مضمون، صرفاً روش کیفی خاصی نیست بلکه فرایندی است که می تواند در اکثر روش های کیفی به کار رود. به طور کلی، تحلیل مضمون، روشی است برای:

  • دیدن متن
  • برداشت و درک مناسب از اطلاعات ظاهراً نامرتبط
  • تحلیل اطلاعات کیفی
  • مشاهده نظاممند شخص، تعامل، گروه، موقعیت، سازمان و یا فرهنگ
  • تبدیل داده های کیفی به داده های کمی

تحلیل مضمون، یکی از روش های رایج کیفی است که پژوهشگران رشته های ادبیات، روان شناسی، جامعه شناسی، مردم شناسی، تاریخ، هنر، علوم سیاسی، علوم اجتماعی، اقتصاد، ریاضیات، فیزیک، شیمی، زیست شناسی و پزشکی از آن استفاده کرده اند.

تعریف مضمون

یکی از بحث های اساسی تحلیل مضمون این است که مضمون چیست؟ و چرا و چگونه در داده ها شناخته می شود؟ در این بخش، به این سؤالات پاسخ داده می شود؛ از این رو نخست، مضمون و انواع آن، معرفی و سپس به برخی روش های شناخت مضمون در میان داده های متنی اشاره می شود.

قبل از پرداختن به انواع مضمون و روش شناخت آن، باید درک درستی از معنی « مضمون » یا Theme داشته باشیم. در ادبیات روش شناسی، چندان به معنیِ این مفهوم پرداخته نشده است و غالباً از آن به مثابه الگویی که مبین نکته جالبی درباره مضوع تحقیق است و با استفاده از شعور متعارف شناخته می‌شود، یاد شده است. مضمون یا تم، مبین اطلاعات مهمی درباره داده‌ها و سوالات تحقیق است و تا حدی، منی و مفهوم الگوی موجود در مجموعه ای از داده‌ها را نشان می‌دهد. مضمون، الگویی است که در داده‌ها یافت می‌شود و حداقل به توصیف و سازماندهی مشاهدات و حداکثر به تفسیر جنبه‌هایی از پدیده می‌پردازد.

بطور کلی مضمون، ویژگی تکراری و متمایزی در متن است که به نظر پژوهشگر نشان دهنده درک و تجربه خاصی در رابطه با سوالات تحقیق است.

روش تحلیل مضمون و شناخت مضامین

شناخت مضمون، یکی از مهم ترین و حساس ترین کارها در تحقیقات کیفی است و به عبارتی، قلب تحلیل مضمون است. شعور متعارف، ارزش های پژوهشگر، جهت گیری ها و سؤالات تحقیق و تجربه پژوهشگر درباره موضوع، در نحوه شناخت مضامین، تأثیر می گذارد. از آنجا که تحلیل مضمون، تحلیلی کیفی است، پاسخ روشن و سریعی برای این وجود ندارد که مقدار داده های مناسب و مورد نیاز -که دلالت بر وجود مضمون یا اطلاق آن کند- چقدر است. بنابراین، مضمون، لزوماً به معیارهای کمی بستگی ندارد؛ بلکه به این بستگی دارد که چقدر به نکته مهمی درباره سؤالات تحقیق می پردازد.

اولاً، شناخت مضمون هرگز به معنی صرفاً یافتن نکته جالبی در داده ها نیست، بلکه مستلزم آن است که پژوهشگر مشخص کند در داده ها باید دنبال چه چیزی باشد؟ از چه چیزهایی باید صرف نظر و چگونه باید داده ها را تحلیل و تفسیر کند؟

ثانیاً، واژه « مضمون » به طور ضمنی و تا حدی، مبین « تکرار »است؛ لذا مسئله ای را که صرفاً یکبار در متنِ داده ها ظاهر شود نمی توان « مضمون » به حساب آورد مگر آنکه نقش برجسته و مهمی در تحلیل نهایی داده ها داشته باشد. به طور معمول، تکرار به معنی مشاهده و ظاهر شدن در دو یا چند مورد در متن است.

ثالثاً، مضمون ها باید از یکدیگر متمایز باشد. با وجود اینکه هم پوشانی در میان مضامین تا حدودی اجتناب ناپذیر است اما اگر مرز کاملاً مشخص و تعریف شده ای میان مضامین مختلف وجود نداشته باشد نمی توان درک درستی از تحلیل ها و تفسیرها عرضه کرد.

روش تحلیل مضمون

روش تحلیل مضمون و شناخت مضامین

بطور کلی روش‌های مختلفی برای شناخت مضامین وجود دارد. در شکل فوق روش‌های مناسبی جهت شناخت و کشف مضامین در متن‌پژوهی از دیدگاه ریان و برنارد ارائه شده است. البته پژوهشگر باید تا حدودی منعطف باشد زیرا تبعیت صرف از قواعد در شناخت مضامین، کاربردی ندارد.

مراحل تحلیل مضمون

آشنا شدن با داده ها : هنگام شروع تحلیل مضمون، ممکن است خود پژوهشگر داده ها را جمع کند یا این که داده های تحقیق در اختیار او قرار گیرد. اگر خود پژوهشگر داده ها را (از طریق رسانه ها و منابع مختلف) جمع کند، به هنگام تحلیل، از دانش و مبنای تحلیلی اولیه برخوردار خواهد بود. اما مهم این است که پژوهشگر به گونه ای در داده ها غرق شود که با عمق و غنای محتوای آن ها کاملاً آشنا شود.

ایجاد کدهای اولیه و کدگذاری : گام دوم، زمانی آغاز می شود که پژوهشگر، داده ها را مطالعه کرده و با آن ها آشنا شده باشد. همچنین، فهرستی اولیه از ایده های موجود در داده ها و نکات جالب آن ها، تهیه کرده باشد؛ لذا این گام، مستلزم ایجاد کدهای اولیه از داده هاست.

جست وجو و شناخت مضامین : گام سوم، وقتی شروع می شود که همه داده ها، کدگذاری اولیه و گردآوری شده باشد و فهرستی طولانی از کدهای مختلف در مجموعه داده ها، شناخته شده باشد. در این گام که به تحلیل در سطحی کلان تر از کدها تمرکز دارد کدهای مختلف در قالب مضامین مرتب می شود و همه داده های کدگذاشته مرتبط با هر یک از مضامین، شناخته و گردآوری می شود. اساساً در این مرحله، کدها تجزیه و تحلیل می شود و به نحوه ترکیب و تلفیق کدهای مختلف جهت تشکیل مضمون پایه، توجه می شود. در این مرحله می توان از شکل، نمودار، جدول، نقشه های ذهنی و یا نوشتن نام هر کد همراه با توضیح خلاصه ای از آن بر روی کاغذی جداگانه و قرار دادن آن در ستون مضمون مرتبط، برای مرتب کردن کدهای مختلف در قالب مضامین بهره گرفت.

ترسیم شبکه مضامین : گام چهارم وقتی شروع می شود که پژوهشگر، مجموعه ای از مضامین را پیشنهاد و بخواهد آن ها را پالایش کند. مضامینِ شناخته، منبع اصلی تشکیل شبکه های مضامین است. طی این گام، مشخص خواهد شد که برخی مضامین پیشنهادشده، واقعاً مضمون نیستند (مثلاً اگر داده های کافی وجود نداشته باشد و یا داده های آن، خیلی متنوع باشد)، برخی مضامین با همدیگر هم پوشانی دارد (مثلاً اگر دو مضمونِ جدا، یک معنی و مفهوم داشته باشد و با هم، مضمون واحدی، تشکیل دهند) و ممکن است لازم باشد سایر مضامین به مضامین جداگانه ای تفکیک شود.

تحلیل شبکه مضامین : گام پنجم وقتی شروع می شود که پژوهشگر به شبکه مضامینِ رضایت بخشی رسیده باشد. در این حالت، می تواند مضامین پیشنهادشده جهت تحلیل داده ها را تعریف و تعدیل، و داده ها را بر اساس آن ها تحلیل کند. در این گام، شبکه های مضامین رسم شده، بررسی و تجزیه و تحلیل می شود. همان طور که قبلاً نیز اشاره شد، شبکه های مضامین، ابزاری برای تحلیل هستند، نه خود تحلیل. این شبکه ها به پژوهشگر کمک می کند تا به درک عمیق تری از معانی متون برسد و بتواند مضامین به دست آمده را تشریح کند و الگوهای آن ها را بشناسد. پس از ایجاد شبکه های مضامین، پژوهشگر باید مجدداً بهمتن اصلی، مراجعه و آن را به کمک این شبکه ها تفسیر کند .

تدوین گزارش : گام ششم، وقتی آغاز می شود که مجموعه کاملی از مضامینِ نهایی، فراهم شده باشد. در این مرحله، تحلیل و تدوین گزارشِ نهاییِ تحقیق، صورت می گیرد. هدف از نوشتن تحلیل مضمون این است که حکایت کامل و پیچیده موجود در داده ها را به گونه ای بیان شود که خواننده درباره اعتبار و صلاحیت تحلیل پژوهشگر، متقاعد شود. مهم این است که تحلیل، حکایت مختصر و منسجم و منطقی و غیرتکراری و جالبِ برآمده از داده ها را در قالب مضامین، عرضه کند. گزارش، باید شواهد کافی و مناسبی درباره مضامین موجود در داده ها فراهم کند و داده های کافی برای هر مضمون، عرضه شود.

جمع بندی بحث تحلیل مضمون

رشد سریع تحقیقات کیفی در سال های اخیر، منجر به برداشتن گامی مثبت در جهت درک عمیق تر از پدیده های اجتماعی و پویایی آن ها شده است. با این حال، هنوز ابزارهای مناسبی برای تحلیل داده های کیفی، به اندازه کافی، وجود ندارد. در حالی که به مسائل مربوط به چرایی، چگونگی و زمانِ به کارگیری روش های کیفی، توجه ویژه ای شده است؛ اما به نحوه تحلیل داده های متنی که پژوهشگران کیفی در مرحله پایانی جمع آوری داده عرضه م یکنند کمتر توجه شده است. این موضوع، یکی از مشکلات پژوهشگران، خصوصاً پژوهشگران علوم اجتماعی است که از روش های کیفی استفاده می کنند.

یکی از روش های کارامد تحقیقات کیفی، تحلیل مضمون است که هم اکنون به عنوان روش تحلیل، تجلیل و تعریف چندانی از آن نمی شود؛ چرا که این روش کمتر معرفی، ولی بیشتر استفاده شده است. این بدان معنی است که تحلیل مضمون ظاهراً روشی است که هر کسی به آسانی و بدون داشتن دانش یا مهارت خاص (که برای تحقیقات پیچیده تر و تحسین شده تر مانند نظریه داده بنیاد و تحلیل گفتمان لازم است) از آن استفاده می کند. این مقاله، چنین نگرشی را به نقد کشیده و نشان می دهد که تحلیل مضمون می تواند تحلیل های معقولی کند و به سؤالات خاص تحقیق به خوبی پاسخ دهد.

 

منبع: تحلیل مضمون و شبکه مضامین نوشته حسن عابدی و همکاران نشر الکترونیک پارس مدیر

۴ نظر موافقین ۰ مخالفین ۰ ۱۷ ارديبهشت ۰۰ ، ۲۰:۰۸
سید سعید انصاری فر

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
۰ نظر موافقین ۰ مخالفین ۰ ۱۴ ارديبهشت ۰۰ ، ۱۹:۴۱
سید سعید انصاری فر