شاخص ضریب تعیین و ضریب تعیین تعدیل شده

یکی از چالش برانگیزترین شاخص های ارزیابی مدلهای علی شاخص ضریب تعیین و ضریب تعیین تعدیل شده است متاسفانه گاهی فراموش می شود که این شاخص ها در فرضیات علی محقق به دنبال پیش بینی رفتار متغییر مکنون درونزا است و بسیاری از ژورنالها از این شاخص ها برای ارزیابی کیفیت تدوین مدل در مرحله پیش از ورود به نرم افزار استفاده می کنند. در واقع اگر بخواهیم با توجه به دوره های مدلسازی معادلات ساختاری درآکادمی تحلیل آماری ایران این مبحث را تشریح نماییم رایج ترین سنجه مورد استفاده برای ارزیابی مدل ساختاری ضریب تعیین یا همان مقدار R2 است. این ضریب سنجه دقت پیش بینی مدل است و برابر با توان دوم همبستگی میان مقادیر واقعی و پیش بینی شده یک سازه درونزای معین است. این ضریب اثرات چندگانه متغییرهای مکنون برونزا بر متغییر مکنون درونزا را معین می کند. از انجا که این ضریب توان دوم همبستگی مقادیر واقعی و پیش بینی شده است، مقدار واریانس سازه های درونزا را که به وسیله همه سازه های برونزای متناظر شرح داده می شود را نشان می دهد.
دامنه تغییرات R2 از صفر تا یک است و مقادیر بزرگتر سطح پیش بینی بالاتر را نشان می دهد. مساله مهم ارائه قاعده ایی قابل قبول برای ضریب تعیین در بین محققین و داوران مجلات مختلف علمی است زیرا این مقدار بستگی به پیچیدگی مدل و رشته مورد مطالعه دارد مثلا ۰/۲ در رشته هایی نظیر رفتار مصرف کننده بالا در نظر گرفته می شود در حالی که در برخی دیگر از رشته ها مثل علوم اجتماعی یا روانشناسی محققان انتظار مقادیر بالاتر از ۰/۵ را دارند بنابراین در طی این سالها محققین بسیاری مقادیر مختلفی را برای سنجش قدرت تبیین واریانس متغییرهای درونزا گزارش کرده اند.(hair,2010)
مثلا در مطالعه چین در سال ۱۹۹۸ مقادیر ۰/۱۹، ۰/۳۳ و ۰/۶۷ به ترتیب دقت کم، متوسط و زیاد پیش بینی را بیان می کند یا هیر و همکارانش در سال ۲۰۱۱ و نیز هنسلر و همکارانش در سال ۲۰۰۹ مقدار R2   برابر ۰/۲۵ ، ۰/۵۰ و ۰/۷۵ را برای مطالعات بازاریابی بیان می کنند و یا عده ایی دیگر از محققین مثل سارستد و دیگران(۲۰۱۳) معتقدند که سه مقدار هیر و همکارانش برای متغییرهای مکنون درونزایی مناسب است که با بیش از پنج متغییر مکنون برونزا تبیین رفتار می شوند.(مرادی،۱۳۹۶)
مشکلات اغلب به دلیل استفاده از مقدار R2  برای مقایسه مدلهایی که به طور متفاوت تدوین شده اند اما دارای همان سازه درونزا هستند به وجود می آیند. برای مثال اگر سازه های غیرمعنادار در یک مدل ساختاری که تنها اندکی با متغییر مکنون درونزا همبستگی دارند به مدل اضافه شوند علی رغم غیر معنادار بودن اندکی مقدار R2  افزایش می دهند.
همچنین اگر حجم نمونه نزدیک به تعداد متغییرهای مکنون برونزا باشد این نوع حالت مقدار R2  قابل توجهی خواهد داشت. بنابراین اگر از مقدارR2  به عنوان تنها قاعده فهم دقت پیش بینی مدل استفاده شود، یک اریب ذاتی به سمت انتخاب مدلهایی با تعداد سازه های برونزا زیاد به وجود می آید که در بین آنها می توان سازه های غیرمعنادار را به تعداد قابل توجه مشاهده کرد.
به هر حال نمی توان کتمان کرد که از سال ۲۰۱۰ به بعد محققان با توجه به فضای علمی حاکم بر ژورنالها به دنبال مدلهایی هستند که با حداقل متغییرهای برونزا حداکثر تبیین واریانس متغییر درونزا را داشته باشند، چنین مدلهایی را مدلهای مقتصد یا اقتصادی می نامند.
همانند رگرسیون چندگانه مقدار R2  تعدیل شده یاadj  R2   می تواند به عنوان معیاری برای اجتناب از اریب به سمت مدلهای پیچیده استفاده شود. این معیار بر اساس تعداد سازه های برونزا نصب به حجم نمونه تعدیل شده است. مقدار adj  R2   به صورت زیر تعریف می شود
 
                  R2adj = 1- (1- R2) * [(n-1) / (n-k-1)]
 
در این فرمول n حجم نمونه و k تعداد متغییرهای مکنون برونزای پیش بینی کننده رفتار متغییر مکنون درونزای تحت بررسی می باشد.
ضریب تعیین تعدیل شده مقدار R2   را به وسیله تعداد سازه های برونزا و حجم نمونه کاهش و تعدیل می کند.البته باید توجه داشت بسیاری از محققین معتقد هستند که نمی توان آن را همانند R2     تفسیر کرد.

دکتر محسن مرادی

اگر در در سنجش پایایی از طریق آلفای_کرونباخ، مقدار آن پایین تر از حد قابل قبول (0.7) باشد چکار باید کرد؟

💢#جواب: گاهی اوقات پیش می آید که در سنجش پایایی از طریق آلفای کرونباخ، مقدار آلفای کل پایین و یا حتی منفی در می آید. قبل از آنکه اقدام به تجدید نظر در طراحی مقیاس شود بهتر است این چند مورد وارسی شود:

1️⃣ مقادیر پرت و دورافتاده در متغیرها وجود داشته باشد که بعضا بخاطر اشتباه در ورود داده هاست. مثلا به جای کد 2 ممکن است 22 خورده باشد. لذا ابتدا باید از تمامی متغیرها جدول فراوانی تهیه نمود.

2️⃣ ممکن است مقادیر اشتباه (Missig value) را تعریف نکرده باشید. مثلا کدهای 99 را در Missig value منظور نکرده باشید. بعضا پیش می آید دانشجویان تعریف مقادیر اشتباه در قسمت برچسبها (Value) را حمل بر تعریف Missig value می کنند که اشتباه است.

3️⃣ ممکن است بعضی آیتم ها به صورت مثبت و بعضی دیگر به صورت منفی باشد (مخصوصا در مقیاس لیکرت و مقیاس های مشابه). در این حالت حتما ابتدا باید یک دسته از این متغیرها را با سایر متغیرها هم جهت نمود.

4️⃣ ممکن است متغیرها هیچ تناسبی با یکدیگر نداشته باشند. یعنی عقلا لزومی نداشته باشد که بین متغیرها همبستگی وجود داشته باشد.

5️⃣ برای شناسایی این متغیرها می توان به ستون همبستگی آیتم با مقیاس در خروجی اصلی آلفای کرانباخ مراجعه نمود و همانها را از حیث موارد چهارگانه فوق به دقت مورد بررسی قرار داد.

6️⃣ این مشکل ممکن است در هنگام استفاده از روش دونیمه کردن پاسخنامه و زمانی که همبستگی معکوس (ضریب همبستگی منفی) است پیش بیاید. فقط کافی است به جای ضریب همبستگی منفی از ضریب همبستگی مثبت استفاده کرد زیرا در پایایی جهت همبستگی برای ما اهمیت ندارد.

👈 درنهایت اگر موارد فوق کارساز نبود، بایستی بررسی شود که با حذف کدام پرسشها مقدارآن را می توان افزایش داد.

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.

منظور از p-value چیست ؟

🔹به‌طور خاص p-value احتمال خطایی را نشان می‌دهد که در پذیرفتن معتبر بودن نتایج مشاهده‌شده وجود دارد، معتبر به این معنا که نتیجه مشاهده‌شده به‌خوبی جامعه را بازنمایی می‌کند. مثلاً یک ۰/۰۵=p-value نشان می‌دهد که ۵ درصد احتمال دارد، رابطه‌ای که ما در نمونه مشاهده کرده‌ایم “اتفاقی” باشد.

🔸مقدار  p-value هرچه کمتر باشد دقت کار  ما بالاتر است. p-value  معمولا مقادیر 0.05، 0.01، 0.001، 0.0001 و ... به خود می گیرد. به همین منظور در تحقیقات پزشکی به دلیل  اهمیت موضوع معمولا p-value  های بسیارکوچک انتخاب می کنند تا میزان خطا را به حداقل برسانند.

🔹مقدار p-value  نشان دهنده ی سطحی زیر نمودار منحنی طبیعی است (که قبلا در مورد آن پست آموزشی قرار داده شده است). هر مقداری از p-value  برابر با میزان انحراف معیاری از میانگین است که مقادیر بزرگتر از آن نشان دهنده ی احتمال خطاست . میزان انحراف معیار یا نمره ی Z متناسب به p-value در منحنی طبیعی سطح باقیمانده زیر منحنی را نشان می دهد که احتمال وقوع خطا در آن وجود دارد.

معناداری آماری چیست؟

🔹هر گاه احتمال وقوع اتفاقی به صورت تصادفی بسیار اندک بوده باشد و به عبارت دیگر به احتمال زیاد دارای دلیلی غیر از شانس بوده‌است، آن را به لحاظ آماری معنادار گویند.

🔸عبارت «از نظر آماری معنادار» معیاری است که به ما کمک می‌کند دریابیم آیا همبستگی بین دو عامل یا تفاوت بین دو گروه واقعاً قابل اعتماد است یا صرفاً به علت تصادف بوده است.

🔹زمانی یک رابطه یا تفاوت از نظر آماری «معنادار» خوانده می‌شود که به احتمال کمتر از 5% رابطه یا تفاوت مورد نظر ناشی از تصادف بوده باشد. معنی‌ این گفته این است که اگر پژوهش تکرار شود، به احتمال 95% به همان نتیجهٔ قبلی خواهد انجامید. تعیین عدد 95% دلبخواهی است؛ و استانداردی است که ما انتخاب کرده‌ایم. یک نقطهٔ قراردادی دیگر که اهمیت دارد نقطهٔ 99% است. وقتی نتیجهٔ یک آزمایش همبستگی 99% باشد، گفته می‌شود که نتیجه از نظر آماری شدیداً معنادار است.

👈 یک اشتباه رایج در مورد معناداری آماری این است که گاه حتی در نوشته‌های علمی وجود تفاوت معنی‌دار آماری به معنای وجود تفاوتی بزرگ و یا مهم تلقی می‌شود. در حالی که تفاوتی ناچیز (و احتمالاً کاملاً بدون اهمیت در عمل) برای دو جمعیت آماری بزرگ می‌تواند به معنای تفاوت معنادار آماری باشد. به این معنی  که صرفا بزرگی نمونه اندازه گیری می تواند به معناداری آماری بیانجامد.

آزمون های معنی داری و منطق سطح معناداری چیست؟

با کمک آزمون­ های معنی­ داری می ­توان پی برد که کدام تفسیر درست است. منطق این آزمون­ ها ساده است. اگر دو متغیر در جمعیّت فاقد رابطه باشند احتمال این که نمونه تصادفی ما بیان­گر رابطه ای بین این دو متغیر باشد چقدر است؟ (یعنی احتمال دقیق نبودن نمونه تصادفی ما چقدر است؟). به عنوان مثال اگر صدبار نمونه­ گیری تصادفی انجام دهیم، احتمال این که یکی از آن ها نمونه غیر معرّفی باشد، یعنی بیان­گر رابطه­ های باشد که واقعا در جمعیّت وجود ندارد چقدر است؟ معمولا گفته می­شود آنجا که احتمالا از هر صد نمونه بیش از پنج نمونه بیان­گر رابطه­ های باشند که ناشی از خطای نمونه­ گیری است، احتمال نادرست بودن نمونه بالاست. چه بسا نمونه خاص ما یکی از پنج نمونه باشد! در نتیجه باید گفت به احتمال زیاد رابطه مشاهده ­شده ناشی از خطای نمونه­ گیری است و فرض فقدان رابطه در جمعیّت واقعا صحیح است.

🔸گروهی از پژوهش­گران محتاط­ ترند و معتقدند آنجا که بیش از یکی از صد نمونه بتواند برحسب تصادف رابطه­ های به شدت رابطه مشاهده شده ایجاد کند، آن گاه احتمال خطا زیاد است. اما اگر دریابیم که صرفا شمار بسیار اندکی از نمونه­ ها ممکن است رابطه مشاهده شده را ایجاد کنند می­توانیم قبول کنیم که رابطه مشاهده شده در نمونه ما واقعی و منعکس کننده رابطه در جمعیّت است.

🔹از آن جا که هرگز صدبار نمونه­ گیری نمی ­کنیم، باید برآورد کنیم که اگر صد بار نمونه گیری می­ کردیم چقدر احتمال داشت که نمونه ما جزء یکی از نمونه ­هایی باشد که صرفا بر اساس شانس و تصادف بیان­گر رابطه ­ای به شدّت رابطه مشاهده شده در نمونه ما هستند.

🔸با کمک نظریه احتمالات می­توان احتمال واقعی نبودن رابطه مشاهده شده در نمونه را (یعنی احتمال این که ناشی از خطای نمونه­ گیری باشد) برآورد کرد. (در این جا به این نظریه نمی پردازیم و فقط متذکر می­شویم که فرض این نظریه این است که از نمونه­ های تصادفی استفاده می­کنیم). آزمون معنی­ داری آماری در واقع برآورد همین احتمال است. دامنه مقادیر این آزمون­ها از (۰)  تا (۱) است و آن­ها را سطوح معنی­ داری می­خوانند. معنای این ارقام چیست؟ گیریم سطح معنی­ داری ۵۰/. است. این بدان معناست که در ۵۰ نمونه از ۱۰۰ نمونه فقط بر اثر خطای نمونه­ گیری (شانس) رابطه­ای به قوّت رابطه ه­ای که ما در نمونه مشاهده کردیم دیده می­شود. در این صورت احتیاط حکم می­کند رابطه مشاهده شده در نمونه خود را به احتمال زیاد واقعی ندانیم و در نتیجه فرض عدم رابطه در جمعیّت رد نمی­شود(تأیید می شود).

🔹اگر سطح معنی­ داری ۰۵/. باشد بدان معناست که فقط پنج نمونه از هر ۱۰۰ نمونه برحسب تصادف به رابطه مشاهده شده در نمونه ما منجر می­شود. اگر سطح معنی­ داری ۰۱/. باشد به معنی واقعی نبودن رابطه در یک نمونه از هر ۱۰۰ نمونه و اگر ۰۰۱/. باشد به معنای یک نمونه در ۱۰۰۰ نمونه است. پیداست هر چه سطح معنی­ داری پایین­ تر باشد، میتوان اطمینان بیشتری به «واقعی» بودن رابطه مشاهده شده در نمونه داشت.

🔸در اینجا به نحوه محاسبه این آزمون­های آماری معنی­ داری نمی­ پردازیم. فرمول این­ها در کتاب­های آماری وجود دارد و با برنامه­ های کامپیوتری هم به راحتی می­توان آن­ها را حساب کرد. اما مسأله­ ای وجود دارد که برنامه­ های کامپیوتری پاسخگوی آن نیستند. اکثر برنامه­های کامپیوتری سطح معنی­ داری را بین ۰/.  تا ۰٫۰۰۱محاسبه می­کنند؛ اما در چه سطحی فرضیه عدم رابطه در جمعیّت (فرضیه صفر) رد می­شود؟ معمولا سطح معنی ­داری را ۰۵/. تا  ۰۱/. را به عنوان مبنا در نظر می­گیرند. اما این سطوح قراردادی و اختیاری هستند.

🔹مسأله­ای که در کاربرد سطح معنی داری ۰۵/. وجود دارد، سهولت رد فرض صفر (عدم رابطه) است: چه بسا فرض عدم رابطه در جمعیّت رد شود (فرض وجود رابطه تأیید شود) در حالی که واقعا رابطه­ های وجود نداشته باشد. چنین اشتباهی را خطای نوع اول می­خوانند و بیشتر در نمونه­ های بزرگ پیش می­آید. از این رو بهتر است در نمونه­ های بزرگ سطح معنی داری ۰۱/. را به عنوان مبنا در نظر بگیریم. اما اگر همواره از سطح ۰۱/. استفاده کنیم ممکن است کار به خطای نوع دوم بکشد - یعنی سخت­گیری بیش از حد و تصدیق فرضیه صفر در جایی که باید آن را رد کرد. احتمال چنین خطایی در نمونه­ های کوچک بیشتر است. طبق قاعده تجربی برای نمونه ­های کوچک از سطح معنی­داری ۰۵/. و برای نمونه های بزرگ از سطح ۰۱/. یا کمتر استفاده می­کنیم.

👈 نکته: سطح معنی­ داری در برنامه #SPSS به صورت #Sig گزارش می­شود که در هنگام گزارش نتایج در پایانامه ­ها و مقالات باید به صورت مقدار (P ، (P-Valueگزارش شود.

ضریب همبستگی کانونی چیست؟

همبستگی کانونی یا متعارف، شکل تعمیم یافته رگرسیون چندگانه است که بیش از یک متغیر وابسته را به معادله پیش بینی اضافه می کند.
یادآوری می شود که ضریب همبستگی چندگانه بین «بهترین» ترکیب متغیرهای مستقل و یک متغیر وابسته را نشان می داد.
همبستگی کانونی، تحلیل را به بیش از یک متغیر وابسته توسعه می دهد، به عبارت دیگر، در تحلیل همبستگی کانونی، چند متغیر مستقل و چند متغیر وابسته وجود دارد.
این ضریب هم چنین تاثیر نسبی هر یک از متغیرهای مستقل و وابسته را در همبستگی کانونی نشان می دهد، بنابراین شما می توانید مشاهده کنید که کدام متغیر در روابط بین مجموعه نمرات، بیشترین اهمیت را دارد.

تکنیک هایی جهت ارائه در جلسه دفاع_پایان_نامه یا کنفرانس

 قبل از ارائه حتما چندین بار برای دوستانتون ارائه بدید تا روی ارائه شما نظر بدن و نقاط ضعفتون رو بهتون بگن.

🔹 بدترین چیز در ارائه نداشتن مدیریت زمانی در بیان اسلاید هاست. بارها شده که به جلساتی میرم که ارائه کنندگان 10 اسلاید آخر که در واقع مهمترین بخش ارائه هستد رو به علت کمبود وقت رد میکنن و میرن سراغ نتیجه گیری!! حتما اسلاید هاتون رو هدفمند درست کنید و تا میتونید خلاصه وار حرف بزنید و چندین بارقبل از ارائه اصلی واسه خودتون ارائه کنید و زمان ارائه رو چک کنید تا بیش از 15 تا 20 دقیقه نشه. معولا متوسط وقت برای ارائه 20 دقیقه هست. تعداد نرمال اسلاید هم 20 تا 25 تا.

🔸 از مثال ، عکس و انیمیشن درحد معمول(نه زیاد) در اسلایدهاتون استفاده کنید تا کارتون جذاب بشه و خسته کننده نشه.

🔹 بجای کپی پیست کردن کل مطالب فقط نکات مهم(پاور پوینتز) رو بصورت تیتر وار در اسلایدهاتون بیان کنید. این ضعفی است که دراکثر ارائه ها دیده میشه و محققان اسلایدهایی با حجم نوشتاری بالا تهیه میکنن که باعث خستگی حضارمیشه.

🔸 رنگ پشت زمینه اسلایدهاتون رو معمولا روشن ورنگ نوشته هاتونو تیره انتخاب کنید. فونتهای نوشته هاتونو هم سعی کنید بزرگ انتخاب کنید تا مطالب خوانا باشن.

🔹 حتما اسلایدهاتون باید شماره داشته باشن تا اگر داور سوالی داشته باشه بتونه به شمارش ارجاع بده.

🔸سعی کنید قبل از ارائه حتما در چندین جلسه ارائه شرکت کنید. چیزهای که به نظر خودتون در اون ارائه جذاب میاد رو از بقیه یاد بگیرید و از انجام کارهای که بنظرتون خسته کننده میاد در ارائه خودتون بپرهیزید. یکی از خواص مفید شرکت در کنفرانس همینه. شما با نحوه ارائه آشنا میشید و تجربه کسب میکنید.

🔹اشتباهی که اکثرا در ارائه انجام میدن خوندن کلمه به کلمه از روی اسلایدهاست. اسلاید ها فقط باید نقش یاد آوری یک سری نکات به شما رو داشته باشن و شما فقط با یک نگاهی اجمالی به تیترهای موجود در اسلاید بتونین اونو خیلی خلاصه توضیح بدین!! یادتون باشه در ارائه حتما باید رابطه چشمیتون با حضار حفظ بشه. این طور کارتون جذابترو حرفه ای تر به نظر میاد و حضار هم خسته نمیشن و به شما توجه بیشتری میکنن.

🔸سعی کنید ریلکس باشد و تند تند صحبت نکنید! اینو بدونید هیچکس به اندازه شما درباره کار شما اطلاعات نداره. این راز دلگرمی شماست.

🔹 همیشه چندین اسلاید رو بعنوان پشتیبان در اسلایدهاتون داشته باشید و اونها رو مخفی کنید تا اگر داورها توضیحات بیشتری درباره یک موضوع از شماخواستن، شما سریع بتونید از اون اسلایدها کمک بگیرید. یادتون باشه شما 20 دقیقه وقت دارید ولی زمان برای داورها نامحدوده!! پس سعی کنید حسابی واسه سوالات احتمالی داوران خودتونو آماده کنید.

🔸 به سوالات و نظرات (حتی اشتباه) داوران مخصوصا در جلسه دفاع با احترام جواب بدین. اگر نظر داور کاملا اشتباهه خیلی با احترام بگید ممنون از نظر شما یا حتی چرب و نرم تر بگید ممنون از نظرات یا سوال مفید و بجای شما و خیلی محترمانه بگید حرف شما درست ولی اصل ماجرا اینه و نظر خودتون رو با استدلال منطقی بیان کنید و داور رو متقاعد کنید!! با این جواب خیلی محترمانه نظر اونو رد میکنید!! نه اینکه در جوابش بگید شما اشتباه میکنید ویا سوال شما اشتباهه!! بعضا دیده شده که در ارائه بجای جواب به سوال داور، از داور سوال میپرسن که آیا شما در این حوزه کار کردید!!(یعنی به زبان بی زبانی بهش میگید تو چیزی نمیدونی) یا به داورمیگن فکر کنم شما در این حوزه تخصص ندارید!! طبیعی هست که داور نسبت به این رفتار شما گارد میگیره. بارها شده که در ارائه پایان نامه این موضوع دیده شده و داورها پایان نامه رو رد کردن.

حجم نمونه در حداقل مربعات جزیی (PLS)

پیچیدگی کلی مدل ساختاری تاثیر اندکی بر الزامات حجم نمونه برای مدلسازی معادلات ساختاری با حداقل مربعات جزیی (PLS-SEM) دارد. دلیل آن این است که الگوریتم مدلسازی معادلات ساختاری با حداقل مربعات جزیی (PLS-SEM) همه روابط را در مدل ساختاری به طور همزمان محاسبه نمی کند. در عوض از رگرسیون های حداقل مربعات معمولی (OLS) برای برآورد روابط رگرسیون جزیی مدل استفاده می کند.

مطالعاتی که به صورت سیستماتیک عملکرد مدلسازی معادلات ساختاری با حداقل مربعات جزیی (PLS-SEM) را با حجم نمونه کم مورد بررسی قرار داده اند، آن را خوب توصیف کرده اند (Newsted, 1999; Hui & Wold, 1982). هم چنین مطالعات شبیه سازی اخیر ریناترز و دیگران (2009) نشان می دهد، هنگامی که حجم نمونه کم است مدلسازی معادلات ساختاری با حداقل مربعات جزیی (PLS-SEM) انتخاب خوبی است.

تعداد حجم نمونه در مدلسازی معادلات ساختاری با حداقل مربعات جزیی (PLS-SEM)

اما در خصوص تعداد حجم نمونه در مدلسازی معادلات ساختاری با حداقل مربعات جزیی (PLS-SEM) روشی با عنوان قاعده 10 برابر رواج دارد.  قاعده 10 برابر  نشان می دهد که حجم نمونه باید بزرگتر از یکی از موارد زیر باشد:

1- ده برابر بیشترین تعداد معرف های تکوینی مورد استفاده برای سنجش یک سازه

2- ده برابر بیشترین تعداد مسیرهای ساختاری به سمت یک سازه خاص در مدل ساختاری

این قاعده سرانگشتی معادل این است که حداقل حجم نمونه باید ده برابر حداکثر تعداد پیکان هایی باشد که به یک متغیر مکنون در مدل مسیری  حداقل مربعات جزیی (PLS) وارد می شود.

مدلسازی معادلات ساختاری با حداقل مربعات جزیی (PLS-SEM) همانند هر تکنیک آماری دیگر به پژوهشگران تاکید می کند تا حجم نمونه را در مقابل سابقه مدل و خصوصیات داده ها مورد ملاحظه قرار دهند (هیر و دیگران، 2011). مخصوصا حجم نمونه مورد نیاز باید بوسیله تحلیل توان (Power Analysis) بر اساس قسمتی از مدل با بزرگترین تعداد پیش بین ها تعیین شود.

از آن جایی که حجم نمونه پیشنهادی در مدلسازی معادلات ساختاری با حداقل مربعات جزیی (PLS-SEM) ضرورتا بر اساس خصوصیات رگرسیون حداقل مربعات معمولی (OLS) پایه گذاری شده است، پژوهشگران می توانند به قواعد سرانگشتی متمایز بیشتری همانند آن هایی که به وسیله کوهن (1992) ارائه شده است رجوع کنند.

شکل زیر الزامات حداقل حجم نمونه لازم را برای رسیدن به حداقل مقادیر R² با مقادیر 0.10، 0.25، 0.50 و 0.75 برای هر سازه درون زای مدل ساختاری در سه سطح معناداری  1٪، 5٪ و 10٪  با فرض سطح توان آماری رایج 80٪ و سطح خاصی از پیچیدگی مدل مسیری حداقل مربعات جزیی (PLS) را نشان می دهد.

 

 

 

مدل های اشباع در مدلسازی معادلات ساختاری

پژوهشگر همواره به شاخص هایی نیاز دارد تا با کمک گرفتن از آن ها و تفسیر آن، به ارزیابی از مدل تدوین شده بر مبنای چهارچوب نظری و پیشینه تجربی دست زند. این شاخص ها که اغلب به نام شاخص های برازش (Fit Indices) نامیده می شود به دو دسته تقسیم می شود. شاخص های نیکویی برازش و شاخص های بدی برازش.

1- شاخص های نیکویی برازش (Goodness of Fit Indices): شاخص هایی که هر چه مقدارش بیشتر باشد، نشان از حمایت قوی تر از داده ها از مدل دارد.

2- شاخص های بدی برازش: (Badness of Fit Indices): شاخص هایی که هر چه مقدارش کمتر باشد، نشان از حمایت قوی تر از داده ها از مدل دارد.

شاخص های برازش گزارش شده در خروجی های آموس (Amos) به صورت پیش فرض برای 3 نوع از مدل ها تدارک دیده شده است که عبارتند از

1- مدل مفروض (Default Model)

2- مدل استقلال (Independence Model)

3- مدل اشباع شده (Saturated Model)

 

1- مدل مفروض (Default Model)
مدل مفروض را می توان به عنوان مدلی تعریف کرد که پژوهشگر بر مبنای مطالعات نظری و مرور مطالعات پیشین برای جامعه مورد مطالعه آن را به عنوان مدل تبیین کننده پدیده مورد مطالعه اش برگزیده است. در مدل مفروض برای هر متغیری که در مدل وارد شده است دلیلی نظری، تجربی وجود دارد.
به عنوان مثال پژوهشگری به دنبال بررسی و تبیین مشارکت اجتماعی در یک جامعه آماری است. به منظور تبیین این اثر  به بررسی عدالت بر اعتماد ، انسجام و مشارکت  می پردازد. مدل تدوین شده (مفروض) که مبتنی بر مطالعات پیشین بوده و مبنای نظری منسجمی دارد به صورت مدل زیر تدوین می گردد. مدل زیر مدل تدوین شده یا مدل مفروض می باشد.

 

 

 

2- مدل استقلال (Independence Model)
مدل استقلال مدلی است که در آن متغیرهای موجود در مدل فاقد هر گونه رابطه یک سویه یا دو سویه با یکدیگرند و کواریانس میان متغیرها صفر می باشد.این نوع مدل به عنوان مدل صفر نیز شناخته می شوند و مبنایی برای ارزیابی مدل مفروض را فراهم می آورد.

هر چند در مطالعات کاربردی چنین مدلی به خودی خود مفید به نظر نمی رسد اما مقایسه مقدار کای اسکوئر (خی دو) مدل مفروض با مدل استقلال نشان می دهد که مدل تدوین شده تا چه اندازه در بهبود این مقدار موفق عمل کرده است . بنابراین شاخصی برای ارزیابی برازش فراهم می آورد.

کلیه متغیرهای حاضر در مدل استقلال از نوع متغیر بیرونی است. چون هیچ پیکانی یک سویه ای به سمت متغیرها نشانه نرفته است. از طرفی دیگر نقش متغیرها در این مدل استقلال نه مستقل است و نه وابسته.

کارل جی یورسکوگ (2004) رد شدن مدل مستقل را بر مبنای داده های گردآوری شده ملاکی برای دو موضوع می داند.

1- اول این که اگر مدل استقلال رد شود می توان تدوین مدل پژوهش را به لحاظ روش شناختی منطقی قلمداد کرد.

2- دوم این که از مدل استقلال به عنوان مدل مبنا برای محاسبه شاخص های برازش تطبیقی بهره برد.

از آن جایی که هیچ مسیری بین متغیرها تعریف نشده است مقدار کای اسکوئر (خی دو) حداکثر ممکن خواهد بود.


 

 

3- مدل اشباع شده (Saturated Model)

مدل اشباع شده به مدلی گفته می شود که در آن تمامی مسیرهای ممکن بین متغیرها ترسیم شده اند و می توان مدل اشباع شده را نقطه مقابل مدل استقلال دانست.مدل استقلال مدلی است که در آن مقدار کای اسکوئر (خی دو) به حداکثر ممکن می رسد، در حالی که در مدل اشباع شده مقدار کای اسکوئر (خی دو) حداقل ممکن یا مقدار صفر خواهد بود.به عنوان مثال شکل قبل در نظر بگیرید. با ترسیم تمامی مسیرها مدل اشباع شده به صورت شکل زیر خواهد بود.
در برخی از موقعیت های پژوهشی و البته نه همه موارد، مدل اشباع شده نیز هم چون مدل استقلال می تواند به عنوان یک مدل مبنا برای تعیین موفق بودن مدل تدوین شده مورد استفاده قرار گیرد. به عنوان مثال هنگامی که پژوهشگر خواهان تبیین یک متغیر با استفاده از یک مدل مسیر است، چنان چه بتواند با تعریف مسیرهای کلیدی و صحیح و نه همه مسیرهای ممکن به مقدار کای اسکوئر (خی دو) یک مدل اشباع شده نزدیک شود می توان قصاوت کرد نشانه ای از موفقیت پژوهشگر در تدوین مدل ظاهر شده است.

 

 

 

نکته ای که نباید فراموش شود این است که شاخص کای اسکوئر (خی دو) معیار مناسبی برای قضاوت درباره مدل اشباع شده نیست. دو نمونه مهم از مدل های اشباع شده در پژوهش ها یکی مدل واریانس- کواریانس می باشد که در شکل بالا ملاحظه نمودید و دیگری مدل رگرسیونی می باشد که در آن ضریب تعیین به جای کای اسکوئر (خی دو) نقش تعیین کننده را دارد.

 

 

تفاوت متغیرهای تعدیل گر و میانجی

اثر یک متغیر سوم در رابطۀ بین متغیر مستقل و متغیر وابسته می تواند به دو صورت متمایز باشد: ۱) به عنوان متغیر تعدیل کننده (Moderater Variable)، یا ۲) به عنوان متغیر واسطه ای (Mediator variable).

متغیرهای تعدیل کننده

1. ماهیت

به طور کلی یک متغیر تعدیل کنند، یک متغیر کیفی (مانند جنس، مذهب، طبقه اجتماعی) یا کمَی (مانند بیرونی بودن مرکز کنترل یا ادراک لیاقت) است که جهت و شدت، و یا جهت یا شدت رابطه بین یک متغیر مستقل (یا پیش بین) و یک متغیر وابسته (یا ملاک) را تحت تأثیر قرار می دهد.
در پژوهش هایی از نوع هم­بستگی (غیرآزمایشی) یک متغیر تعدیل کننده، متغیر سومی است که روی همبستگی صفر مرتبه دو متغیر دیگر اثر می گذارد. این اثر می تواند به صورت کم شدن میزان همبستگی یا تغییر دادن به آن باشد. در پژوهش های آزمایشی، یک اثر تعدیل کننده را می توان با اثر متقابل بین یک متغیر مستقل اصلی و متغیر مستقل دومی در تحلیل واریانس نشان داد. این اثر متقابل می تواند به صورت منظم یا نامنظم باشد. در اثر متقابل نامنظم، ترکیب ضربدری سطوح متغیر مستقل اصلی و متغیر تعدیل کننده اثرات مغایری به دست می دهند. مثلاً در مقایسه دو روش تدریس، (a1 و a2) برای دو گروه (b1 و b2) روش a1 برای گروه b1 بهترین اثر را می دهد، در حالی که برای b2  بدترین اثر را دارد. در اثر متقابل منظم، اثر روش تدریس a1 و a2 برای دو گروه در یک جهت است، منتهی برای یک گروه اثر بارزتر است.

2. چهارچوب تحلیلی برای اندازه گیری اثر متغیر تعدیل کننده

استفاده از یک دیاگرام مسیر (pathdagram) می توان نقش متغیر تعدیل کننده را هم در مطالعات آزمایشی و هم در مطالعات همبستگی نشان داد. در مدل شکل ۱ سه مسیر علَی a، b، و c داده شده است: مسیر a  اثر یک متغیر پیش بین یا مستقل، مسیر b اثر متغیر تعدیل کننده (در صورت معنادار بودن) نشان می دهند. مطلوب است که متغیر تعدیل کننده با متغیر پیش بین و ملاک همبستگی نداشته باشد تا بهتر قابل تفسیر باشد. یکی از پیش فرض های مدل تحلیل واریانس در پژوهش های آزمایشی این است که اثر اصلی متغیرهای مستقل و اثر متقابل آن ها جمعی (additive) باشد، یعنی، تداخل نداشته باشد.

شکل۱: دیاگرام مسیر برای مدل متغیر تعدیل کننده

ویژگی دیگر متغیرهای تعدیل کننده این است که همانند متغیرهای مستقل نقش یکسانی به عنوان متغیرهای علَی نسبت به متغیر ملاک یا وابسته داشته، هر دو نسبت به آن تقدم دارند. در حالی که رابطۀ بین متغیر واسطه ای و متغیر پیش بین چنین نیست. متغیر پیش بین باید همواره نسبت به متغیر واسطه ای تقدم و نقش علَی داشته باشد. بنابراین، متغیرهای تعدیل کننده همواره نقش متغیرهای مستقل را دارند، در صورتی که نقش متغیرهای واسطه ای برحسب تمرکز تحلیل تغیر می کند، در رابطه با متغیر ملاک، نقش متغیر مستقل و در رابطه با متغیر پیش بین، نقش متغیر وابسته را دارند.

متغیرهای واسطه ای

1. ماهیت

چنان چه متغیری در رابطۀ بین دو متغیر پیش بین و ملاک، سهمی داشته باشد به عنوان متغیر واسطه ای عمل کرده است. مثلاً نشان داده شده است که فراحافظه(metamemory) و اسنادها بین آموزش راهبرد یادگیری و به خاطرآوری واسطه می شوند. به عبارت دیگر، آموزش تکالیف جدید بدون در نظر گرفتن فرا گرفتن فراحافظه و اسنادهای یادگیرندگان، روی به خاطرآوری مطالب جدید مؤثر نیست. برای تصریح معنای متغیر واسطه ای از یک دیاگرام مسیر برای نشان دادن یک مدل علَی (شکل ۲) استفاده شده است.

شکل ۲: دیاگرام مسیر یک مدل علَی سه متغیری

۲- چهارچوب تحلیلی برای اندازه گیری اثر متغیرهای واسطه ای

برای این­که متغیری به عنوان متغیر واسطه ای عمل کند باید دارای شرایط زیر باشد:

• بین متغیر واسطه ای و متغیر مستقل همبستگی معنادار باشد. (مسیر a وجود داشته باشد).
• بین متغیر واسطه ای و متغیر برآمد (وابسته) همبستگی معنادار باشد. (مسیر b وجود داشته باشد).
• با کنترل اثر متغیر واسطه ای رابطۀ بین متغیر مستقل و وابسته تضعیف شود و میزان این تضعیف با میزان اثر متغیر واسطه ای رابطه داشته باشد. هرگاه، اثر متغیر واسطه ای زیاد باشد، کنترل آن سبب از بین رفتن رابطه بین متغیر مستقل و وابسته می شود. چنان چه با کنترل اثر متغیر واسطه ای رابطه ی بین متغیر مستقل و وابسته صفر نشده ولی تضعیف شود، دال بر این است که متغیرهای واسطه ای دیگری در کارند. در اغلب زمینه های علوم رفتاری برای هر معلول ممکن است چندین علت وجود داشته باشد. لذا، واقع بینانه است که آن متغیرهای واسطه ای که به طور معناداری مسیر c را در مدل علَی شکل (۲) کاهش می دهند جستجو شوند.

۳- شیوه های مناسب برای آزمودن متغیر واسطه ای

تحلیل واریانس به طور کامل فرضیۀ وجود یک متغیر واسطه ای را مورد آزمون قرار نمی دهد. برای آزمودن اثر متغیر واسطه ای مجموعه ای از مدل های رگرسیون باید برآورد شوند.

نخست باید سه معادله رگرسیون زیر برآورد شود:

• رگرسیون متغیر واسطه ای روی متغیر مستقل
• رگرسیون متغیر برآمد (وابسته) روی متغیر مستقل
• رگرسیون متغیر برآمد روی متغیرهای مستقل و واسطه ای

در هر معادله ضرایب رگرسیون برآورد شده و مورد آزمون قرار می گیرد. برای برقراری اثر واسطه ای شرایط زیر باید وجود داشته باشد:

۱) ضریب رگرسیون در معادله اول باید معنادار باشد (همبستگی بین متغیر مستقل و واسطه ای باید معنادار باشد)، و ۲) ضریب رگرسیون متغیر واسطه ای در معادله سوم باید معنادار باشد، یعنی با کنترل متغیر مستقل بین متغیر واسطه ای و متغیر ملاک رابطه معنادار وجود داشته باشد. با کنترل متغیر واسطه ای ضریب رگرسیون متغیر وابسته روی متغیر مستقل صفر یا تضعیف شود. چنان چه ضریب رگرسیون متغیر مستقل معنادار باشد، واسطگی کامل وجود ندارد. به عبارت دیگر، در واسطگی کامل با کنترل اثر متغیر واسطه ای، رابطۀ بین متغیر مستقل و وابسته از بین می رود. البته با رگرسیون سلسله مراتبی نیز، اثر متغیر واسطه ای را می توان اندازه گیری کرد. به این صورت که متغیر واسطه ای قبل از متغیر مستقل وارد تحلیل می شود. به عبارت دیگر، با حذف اثر متغیر واسطه ای از متغیر مستقل، چنان چه رگرسیون متغیر وابسته روی متغیر مستقل معنادار نباشد، واسطگی کامل وجود دارد.

مفهوم توان آزمون آماری چیست؟

فرض کنید شما دو قطعه شمش طلا دارید که این دو مقدار کمی اختلاف وزن دارند اختلاف در حدی است که برای شما قابل قبول است ولی ممکن است ترازویی با دقت پایین نتواند این اختلاف کم، اما معنی دار را نشان دهد.

شما دو شمش طلا را با ترازوی سوپر مارکت اندازه گیری میکنید این ترازو هر دو قطعه را 50 گرم نشان می دهد. این شمش را با ترازوی طلا فروشی اندازه گیری میکنید، ترازو وزن قطعات را 50.1 و 50.6 گرم نشان می دهد. نشان میدهد که یکی از قطعات 0.5 گرم از قطعه دیگر سنگین تر است. این ترازو اختلاف وزن را توانست نشان دهد. یعنی این ترازو از توان بیشتری برای نشان دادن این اختلاف برخوردار است. اینجا ترازو همان آزمون آماری است. برخی آزمونها با وجود اختلاف معنی دار بین دو جامعه قادر به شناسایی این اختلاف نیستند و از توان کمی برخوردار هستند.

برای افزایش توان آزمون روشهای مختلفی وجود دارد. افزایش حجم نمونه، همسان سازی و استفاده از طرح مناسب در مطالعات طرح آزمایشها

کتاب مدلسازی معادلات ساختاری، تالیف: سید سعید انصاری فر

نرم افزار MICMAC در آینده پژوهی

برنامه رﻳﺰی، گرایش و خواست انسان به آینده، حل مشکلات آینده و امید ﺑﺮای آﻳﻨﺪه  است. در باب برنامه ریزی و آینده پژوهی دو ﭘﺎراداﻳﻢ ﻛﻠﻲ اﻛﺘﺸﺎﻓﻲ و ﻫﻨﺠﺎری وﺟﻮد دارد ﻛﻪ ﻫﺮ ﻛـﺪام از اﻳﻦ ﭘﺎراداﻳﻢ ﻲ ﻫﺎ از زاوﻳﺔ ﺧﺎﺻﻲ ﺑﻪ ﻣﻔﻬﻮم آﻳﻨﺪه و پژوهش پیرامون آن و  ﻧﺤﻮة رﺳﻴﺪن ﺑﻪ آن می ﻧﮕﺮﻧﺪ.(توایز، ۲۰۰۲)
 
پارادایم اکتشافی
در این پارادایم آینده نتیجه ی علی و معلولی گذشته است و نوعی جبر گرایی پنهان در آن وجود دارد. نتیجه ی این نوع نگاه به اینده، آینده ای محتوم و ثابت است که تاریخ مطابق با قوانین خود حال را به آینده تبدیل خواهد کرد.در این پارادایم انسان تنها یک ناظر بیرونی است که تنها می تواند به اکتشاف آن آینده ی محتوم بپردازد. این پارادایم بر پیش بینی مبتنی است و اکتشاف آینده تنها نتیجه ی منطقی آن است.(ناظمی، ۱۳۸۵، ۱۳)
 
پارادایم هنجاری
در این پارادایم نیروی انسان در ساخت آینده در نظر گرفته می شود و انسان جایگاه بیرونی و مشاهده گر خود را تغییر داده وبا مفهوم ساخت آینده روبرو می شود.
   در این پارادایم انسان با طیف وسیعی از آینده ها شامل آینده ی محتمل، محتمل و باور کردنی روبرو است که رسیدن به هر کدام از آن ها به سطح و کیفیت خواسته ی انسان یعنی آینده مطلوب او بستگی دارد. در این پارادایم بر خلاف پارادایم اکتشافی، جبر گرایی پنهان وجود ندارد. بلکه انسان کاملا مختار است که مسیر زندگی خویش را خودش انتخاب نماید.(ناظمی، ۱۳۸۵، ۱۳)
 
عدم قطعیت در آینده
خوب مسلما رویکرد اکتشافی در برنامه ریزی به دو دلیل با چالش روبرو شده است. یعنی یک به دلیل جزمی و صلب بودن آینده و دیگری نبود دقت کافی، بنابراین تفکر پیرامون آینده و پژوهش در آن نیاز به زبان خاص خود را دارد تابتواند آینده را در قالب عناصر قابل پیش بینی و عدم قطعیت ها بیان نماید. این ابزار همان سناریو ها هستند. سناریو ها با همدیگر عدم قطعیت آینده را نشان می دهند. روش سناریو به عنوان یکی از روش‌های مطرح در آینده پژوهی فرآیندی نظام یافته است که به کشف و بررسی عدم قطعیت در نگاه به آینده بلندمدت می‌پردازد. این روش دربردارنده مجموعه ای از توصیف‌های جایگزین از آینده است که به علل گوناگون و بنا بر تفاوت‌های موجود در حوزه های دانشی و فناوری و نیز انتظارهای متفاوت صاحبان منافع و کاربران با یکدیگر تفاوت‌های بنیادین دارند. هدف از نگارش سناریوهای مختلف، افزایش توان پیش‌بینی صحیح آینده نیست بلکه هدف آن است که درک صحیحی از نیروهای راهبر و تأثیرگذار آینده حاصل شود. توانایی برنامه ریزی در عرصه های اجرایی و واکنش به تغییر، از راه درک و شناسایی این نیروها افزایش می‌یابد.
پیشینه کاربرد روش سناریو به دهه ۱۹۷۰ باز می‌گردد آن هم هنگامی که شرکت "شل" در این زمینه پیشگام شد. برنامه ریزان این شرکت به دنبال یافتن پاسخی برای این پرسش بودند که آیا ممکن است بر اثر حادثه ای تولید و عرضه نفت کاهش یابد؟ برنامه ریزان شل در پاسخ به این پرسش، شکل گیری سازمانی مانند اوپک را یکی از عوامل احتمالی کاهش عرضه نفت شناسایی کرده و برای آگاه ساختن مدیران ارشد شرکت از این موضوع به ارایه سناریویی توصیفی از آینده اقدام کردند. این سناریو که برای نخستین بار طراحی می‌شد، با اندیشه منطقی و متعارف تضاد داشت. با این وجود مدیران شرکت پذیرفتند در صورت بروز چنین آینده ای، تغییر چشمگیری در شیوه کار خود ایجاد کنند. مدیران شل پس از شکل گیری اوپک به دلیل کسب آمادگی لازم برای واکنش توانستند به سرعت برنامه های تجاری خود را اصلاح کنند.(حجازی، ۱۳۸۸).
روش پژوهش
تئودور گوردون و هلمر روشی با عنوان مدل های ساختاری تاثیرات متقابل را در سال ۱۹۶۶ پدید آوردند و این روش یکی از روش های پیشرفته بر مبنای سناریو نویسی در تحقیقات آینده پژوهی است و بر این سوال بنا نهاده شده است که " آیا پیش بینی آینده می تواند مبتنی بر تاثیرات احتمالی متقابل اتفاقات آینده بر یکدیگر باشد؟"(گوردون، ۱۹۹۴)
نرم افزاری برای انجام این تحلیل های ساختاری بنام میک مک MICMAC وجود دارد. نرم افزار میک مک جهت انجام محاسبات سنگین ماتریس اثرات متقطع طراحی شده است. روش این نرم افزار این گونه است که ابتدا متغیر ها و مولفه های مهم در حوزه ی مورد نظر شناسایی می شوند، سپس در ماتریسی بنام ماتریس تحلیل اثرات وارد می شود و میزان ارتباط میان متغیر ها با حوزه ی مربوط، توسط خبرگان تشخیص داده می شود. متغیر های موجود در سطر بر متغیر های موجود در ستون بر اساس نمره داده شده از جانب خبرگان تاثیر می گذارند(گادت، ۲۰۰۸)

خصوصیات اصلی مدل سازی معادلات ساختاری با Smart PLS

محققین عزیز باید توجه نمایند که برای انتخاب مدل سازی معادلات ساختاری با pls#، نکاتی وجود دارد در بخش ویژگی های داده ها، مشخصات مدل ها، روش تخمین حداقل مربعات جزئئ و ارزیابی مدل ها وجود دارد که به دقت باید رعایت شوند.
مجله بسیار معتبر تئوری و تجربه بازاریابی(the journal of marketing theory and practice ) این خصوصیات را بر شمرده است و ما در اینجا آن ها را بیان می کنیم.

خصوصیات داده ها: #pls
•  در بخش حجم داده ها نسبت به حجم نمونه ی کم حساسیت ندارد و می توان تحلیل ها را با توان بالایی در حجم نمونه کم انجام داد. از طرفی حجم نمونه بالای ۱۵۰ تا دقت برآورد ها بالا برده و می تواند تا ۹۷ درصد کواریانس محور ها رساند.
•  توزیع داده ها پیش فرض و مفروضه خاصی ندارد و می تواند نرمال یا غیر نرمال باشد بنابراین PLS-SEM یک روش ناپارامتریک محسوب می شود.
•  همچنین این روش نسبت به مقادیر گمشده یا مفقوده MISSING VALUE مقاومت بالایی دارد هرچند باید این مقادیر در فرایند پیش پردازش ها مدیریت شوند.
•  مقیاس های اندازه گیری نیز باید به صورت متریک یا شبه متریک باشند.
مشخصات مدل ها #pls
•  تعداد آیتم ها یا همان شاخص های اندازه گیری کننده هر متغیر میتواند از یک تا چند آیتم باشد.
•  روابط میان متغیر های مکنون و متغیر های آشکار در مدل می تواند به صورت انعکاسی و یا ترکیبی و یا مدلی که هر دو در آن وجود دارند باشد.
•  پیچیدگی مدل ها در PLS-SEM ها می تواند از مدل های بسیار ساده تا بسیار پیچیده باشد. اما باید دقت کرد که در PLS-SEM نمیتوان مدل های بازگشتی را اجرا نمود.
مشخصات روش تخمین  #PLS
•  هدف این نوع الگوریتم مدل سازی معادلات ساختاری حداقل کردن واریانس تبیین نشده یا همان حداقل کردن خطای باقی مانده است یا اگر به زبان دیگر بگوییم هدف این نوع الگوریتم مدل سازی معادلات ساختاری حداکثر کردن واریانس تببین شده ی متغیر های مکنون درونزا یا R2  ضریب تعیین است.
•  کارایی بسیار بالای این الگوریتم بدلیل همگرایی بعد از تعداد کمی تکرار است. یعنی الگوریتمی کارا در رسیدن به راه حل بهینه
•  از این الگوریتم برای اهداف پیشگویانه بهره برده می شود و تحت تاثیر ناکافی بودن داده قرار نمیگیرد.
•  در تخمین پارامتر ها، روابط مدل ساختاری عموما با تخمین کمتر یا Underestimated همراه است و روابط مدل اندازه گیری عموما خوشبینانه تخمین زده می شود و در نهایت تخمین ها از توان آماری بالایی برخوردار هستند.
مشخصات ارزیابی مدل ها
•  در PLS-SEM معیار کلی نیکویی برازش مثل کواریانس محور ها وجود ندارد.
•  ارزیابی مدل اندازه گیری و مدل ساختاری از طریق شاخص های کیفیت سنجی روایی متقاطع انجام می گیرد.
•  در مدل ساختاری بعد از بررسی معناداری و عدم معناداری روابط علی آزمون های متنوع کیفیت سنجی انجام می گیرد.
•  غیر از تحلیل های معمول مدل سازی معادلات ساختاری، تحلیل ماتریس اثر-عملکرد، اثرات میانجی، مدل های سلسله مراتبی یا مرتبه دوم یا بیشتر، تحلیل های چند گروهی، تحلیل ناهمگنی، تحلیل های تعدیلگر و … انجام می گیرد. (دکتر مرادی، 1396)

انواع آزمون های رگرسیون

رگرسیون آزمونی است آماری که به بررسی و مدل‌سازی میان دو متغیر (مستقل و وابسته) می‌پردازد. انواع آزمون های رگرسیون به دنبال سنجش تأثیر و میزان اثرگذاری متغیر(های) مستقل بر وابسته است. بنابراین، از طریق رگرسیون می‌توان پی برد که آیا می‌توان متغیر وابسته را از روی متغیر مستقل پیش بینی کرد، و میزان این بیش بینی احتمالاً چقدر است. انواع آزمون های رگرسیون برای شرایط متفاوت پیش‌بینی شده است. در هرکدام از این انواع، ممکن است ضریب رگرسیون معنادار نباشد، یعنی آن‌که متغیر مستقل تأثیری معنادار روی متغیر وابسته نداشته باشد.که پیش از این در دوره های spss آکادمی تحلیل آماری پیرامون معناداری این ضرایب بحث مفصل انجام گرفته است. در ادامه، به رایج‌ترین انواع رگرسیون اشاره خواهد شد.
 
رگرسیون خطی ساده (Simple Linear Regression) زمانی از این آزمون استفاده می‌شود که پژوهشگر می‌خواهد تأثیر «یک» متغیر مستقل بر روی «یک» متغیر وابسته را مورد سنجش قرار دهد. به این آزمون «رگرسیون دومتغیره» (Bivariate Regression) هم گفته می‌شود. پژوهشگر باید توجه داشته باشد، زمانی می‌توان از آزمون رگرسیون (ساده و چندگانه) استفاده کرد که اولاً مقیاس گردآوری داده فاصله‌ای یا نسبی باشد و دوماً ارتباط میان دو متغیر به لحاظ آماری معنادار باشد که البته نرم افزار spss قبل از بررسی تاثیر این رابطه را بررسی می کند
رگرسیون چندمتغیره (Multiple Regression): زمانی که تعداد متغیرهای مستقل دو و یا بیشتر باشد، دیگر رگرسیون خطی ساده نمی‌تواند نتایج دقیقی از تأثیر این متغیرها به‌دست دهد. در چنین شرایطی از رگرسیون چندمتغیره استفاده می‌شود. رگرسیون چندمتغیره با نام «رگرسیون چندگانه» نیز شهرت دارد. همانطور که در دوره های آکادمی بیان شد متغیر های مستقل به ۵ روش متفاوت وارد مدل رگرسیونی می شوند و هر یک از این روش ها کاربرد متفاوتی خواهد داشت. روش هم‌زمان (Enter Method)، روش گام‌به‌گام (Stepwise Method)، روش حذفی (Remove Method)، روش پس رونده (Backward method)، و روش پیش رونده (Forward Method)  این ۵ روش ورود متغیر های مستقل به مدل رگرسیونی می باشد.
 
رگرسیون لجستیک (Logestic Regression) دو وجهی و چند وجهی: اما گاهی اوقات اتفاق می افتد که متغییر وابسته تحقیق در مقیاس فاصله ای/نسبی نبوده و مقیاس آن به صورت اسمی( دووجهی یا چندوجهی) است. یکی از سوالات شرکت کنندگان در دوره های کاربردی SPSS آکادمی تحلیل آماری شرکت می کنند این است که در چنین حالتی با توجه به اینکه پیش فرض اساسی تحلیل رگرسیون مقیاس فاصله ای /نسبی متغییر وابسته است چه باید کرد. رگرسیون لجستیک پیش بینی کننده متغیر وابسته دو وجهی و یا چند وجهی اسمی خواهد بود. البته با توجه به بحث های گسترده در دوره های آکادمی تحلیل آماری بهتر است در این شرایط بجای استفاده از مدل های رگرسیون لجستیک در نرم افزار های مثل spss از نرم افزار های با تخمین های مخصوص به این شرایط مثل mplus استفاده نماییم.
 
رگرسیون تخمین منحنی (Curve Estimation) : رگرسیون برآورد منحنی از خانواده تحلیل رگرسیون غیر خطی است. این نوع رگرسیون زمانی مورد استفاده قرار می گیرد که رابطه بین متغیر وابسته و متغیر های مستقل به صورت غیر خطی است و بنابراین، نمی توانیم از رگرسیون های خطی استفاده نماییم. در مقالات بعدی این نوع رگرسیون را بطور کامل آموزش خواهم داد.
 
رگرسیون ترتیبی (ordinal regression): در برخی از پژوهش‌ها و به‌خصوص پژوهش‌های پیمایشی، ممکن است که متغیر وابسته در سطح سنجش ترتیبی باشد. یعنی شرط اول اجرای رگرسیون‌های چندگانه که همانا کمی بودن(فاصله‌ای یا نسبی بودن) است را نداشته باشد. یعنی ما می‌توانیم که به طبقات این متغیر رتبه دهیم اما هرگز نمی‌توانیم فاصله‌ی بین رتبه‌ها را مشخص نماییم.مثلاً متغیر رضایت بجای اینکه توسط یکسری شاخص و سؤال در پرسشنامه سنجیده شده باشد که در انتها بتوان این سؤالات را با فرایند compute به سمت یک متغیر کمی پیوسته حرکت داد، خود شامل یک طیف سه گزینه‌ای رضایت بالا، متوسط یا پایین جهت سنجش است. در این شرایط نیز بجای استفاده از مدل های رگرسیون ترتیبی در نرم افزار های مثل spss از نرم افزار های با تخمین های مخصوص به این شرایط مثل mplus استفاده نماییم.
 
رگرسیون پروبیت (Probit Regression) : زمانی که خروجی یا متغیر وابسته دارای دو بعد باشد از این نوع رگرسیون استفاده خواهد شد. این نوع رگرسیون با عنوان «مدل‌های پروبیت» نیز شناخته شده است. برای مثال، زمانی که بخواهیم متغیرهای مؤثر بر عضو شدن یا نشدن کاربران در کتابخانه را بررسی کنیم، این نوع رگرسیون مناسب‌تر خواهد بود. این رگرسیون مشابه رگرسیون‌های لجستیک است.(دکتر مرادی، 1396)

اندازه گیری در پژوهش کمی و کیفی

هم پژوهش گرهای کمی و هم پژوهشگرهای کیفی، از روش های دقیق و نظام مندی برای گردآوری داده های با کیفیت استفاده می کنند. در هر دو شیوه کمی و کیفی داده ها شواهد تجربی مفاهیم هستند که از راه اندازه گیری به یکدیگر مرتبط می شوند. ولی تفاوت در شیوه پژوهش و نوع داده ها به معنای تفاوت در نگاه به فرآیند اندازه گیری است و طراحی سنجه ها برای اندازه گیری متغیرها مرحله مهمی در طرح ریزی یک پژوهش کمی است. پژوهشگرهای کیفی برای اندازه گیری از شیوه های متنوع تری استفاده می کنند. این دو رویکرد سه تفاوت اساسی با یکدیگر دارند:
یکی از تفاوتهای میان این دو به زمان بندی باز می گردد. پژوهش گرهای کمی ابتدا درباره متغییرها اندیشه می کند. سپس در طول مرحله برنامه ریزی که پیش از گردآوری یا تحلیل داده ها می باشد، آنها را به کنش های خاصی تبدیل می کنند. پژوهشگرهای کیفی کار اندازه گیری را در طول فرآیند گردآوری داده ها انجام می دهند.
تفاوت دوم به خود داده ها باز می گردد. پژوهشگرهای کمی از فنونی استفاده می کنند که داده ها را به ارقام تبدیل می کند. آنان قیاس را به کار می برند و از ایده ها و مفاهیم انتزاعی به سمت فنون خاص گردآوری داده ها حرکت می کنند. سپس از داده ها به اعداد و ارقام دقیق می رسند. چنین اعداد و ارقامی، ترجمان ایده های انتزاعی به زبان تجربی است. گاهی برای پژوهش گرهای کیفی داده ها به شکل عدد و رقم است اما در اغلب مواقع شامل واژگان کلامی و مکتوب، کنش ها، صداها، نمادها، اشیا مادی یا تصاویر(برای مثال نقشه ها، عکس ها، فیلم ها و مانند آن) است. پژوهشگر کیفی همه مشاهدات خود را به اعداد و ارقام تبدیل نمی کنند بلکه با استفاده از بسیاری از فرآیندهای منعطف و سیال داده ها را به صورت شکل ها و اندازه گیری های گوناگون در می آورد.
تفاوت سوم در این شیوه، به چگونگی برقراری ارتباط میان سازه و داده باز می گردد. پژوهشگرهای کمی بیش از گردآوری داده ها مفاهیمی را مدنظر قرار می دهند. آنان با استفاده از یک رشته فنون اندازه گیری پلی میان مفاهیم و داده ها برقرار می کنند.پژوهشگرهای کیفی هم پیش از گردآوری داده ها ایده هایی در ذهن دارند اما بسیاری از مفاهیم و نه همه آنها را در طول فرآیند گرداوری داده ها می سازند. آنان داده ها و مفاهیم را به طور همزمان و در تعامل با هم بررسی می کنند. پژوهش گرهای کیفی پژوهش را با گردآوری داده ها آغاز می کنند و سپس بر مبنای آنچه با آ روبه رو می شوند به سنجش آنها می پردازند. آنان به موازاتی که داده ها را گردآوری می کنند به بازاندیشی فرآیندها اقدام کرده و ایده های نویی مطرح می کنند. چنین ایده هایی به آنان جهت داده ها و راههای جدید اندازه گیری را نشان می دهد راههای جدید اندازه گیری به نوبه خود شیوه گردآوری داده ها را تعیین می کند. پژوهش گرها با این روش میان ایده ها و داده ها فرآیندی مستمر و رفت و برگشتی برقرار می کنند.

علت پایین بودن مقدار آلفای کرونباخ به لحاظ عملی چیست؟؟؟

جدای این موضوع که سوالات پرسشنامه باید یک مفهوم واحد را اندازه گیری کنند و در یک راستا باشند و .... در برخی موارد با رعایت تمامی نکات فنی مربوط به طراحی پرسشنامه، محقق پس از جمع اوری داده متوجه پایین بودن مقدار آلفای کرونباخ میشود. سوال اینجاست که دلیل این امر بر اساس فرمول الفا چیست و مفهوم ان چگونه است؟

♻️پاسخ:
به زبانی بسیار ساده و بدون ارائه فرمولهای محاسباتی باید گفت که الفای کرونباخ همبستگی درونی گویه ها را نشان می دهد...

فرض کنید در یک پرسشنامه  از طیف لیکرت 1 تا 5 گزینه ای استفاده شده است، اگر پاسخ دهندگان با پراکندگی بالا به سوالات جواب دهند الفای کرونباخ کاهش خواهد یافت و اگر پراکندگی جوابهای افراد به سوالات کم باشد ،شاهد افزایش الفای کرونباخ خواهیم بود.
پس اگر الفای کرونباخ کمتر از حد قابل بود، نشان میدهد که افراد در خصوص سوالات با پراکندگی بالا جواب داده اند. به زبان ساده متغیری با دو سوال را در نظر بگیرید. اگر فردی سوال اول را گزینه 1 زده باشد و در سوال دوم گزینه 5 را انتخاب کرده باشد موجب کاهش الفای کرونباخ خواهد شد.

مفهوم درجه آزادی در آمار چیست؟

درجه آزادی به میزان حق انتخاب اشاره دارد. فرض کنید نمونه ای شامل 5 عدد داریم که میانگین آنها 7 است. روشن است مجموع این اعداد باید عدد 35 باشد در غیر اینصورت میانگین 7 نخواهد شد. فرض کنیم که اعداد می‌توانند حقیقی (مثبت و منفی) باشند، چهار عدد اول هر مقداری می‌تواند اختیار کند اما عدد پنجم باید طوری انتخاب شود که مجموع 35 و میانگین 7 شود. درست مانند وقتی است که شما در یک چهار راه قرار دارید سه حق انتخاب دارید و حالت چهارم آن است که اجبارا برگردید.

به لحاظ آماری درجه آزادی عبارت است از حجم نمونه (n) منهای تعداد پارامترهایی که از داده‌ها برآورد می‌شود. در بیشتر مسائل آماری و البته در آزمون های میانگین جامعه مانند آزمون های t درجه آزادی از رابطه ساده n-1 قابل محاسبه است.

ضریب همبستگی کانونی چیست؟ Canonical Correlation

همبستگی کانونی یا متعارف، شکل تعمیم یافته رگرسیون چندگانه است که بیش از یک متغیر وابسته را به معادله پیش بینی اضافه می کند.
یادآوری می شود که ضریب همبستگی چندگانه بین «بهترین» ترکیب متغیرهای مستقل و یک متغیر وابسته را نشان می داد.
همبستگی کانونی، تحلیل را به بیش از یک متغیر وابسته توسعه می دهد، به عبارت دیگر، در تحلیل همبستگی کانونی، چند متغیر مستقل و چند متغیر وابسته وجود دارد.
این ضریب هم چنین تاثیر نسبی هر یک از متغیرهای مستقل و وابسته را در همبستگی کانونی نشان می دهد، بنابراین شما می توانید مشاهده کنید که کدام متغیر در روابط بین مجموعه نمرات، بیشترین اهمیت را دارد.