نام علمی پارامتر های مدل سازی معادلات ساختاری

وقتی محققین عزیز مدل سازی معادلات ساختاری می آموزند بعد از جمع آوری داده های پژوهش خویش به سراغ اجرای مدل در نرم افزار های مختلف مدل سازی معادلات ساختاری می روند و مدل خویش را بر اساس متغیر ها و شاخص های مختلف پژوهش خود نام گذاری می کنند. این عزیزان نباید فراموش کنند که همانطور که در دوره های مختلف آموزشی  به آن ها توصیه شده، باید مقالات مختلفی که در کلاس ها به آن ها ارائه شده را مطالعه نمایند. نکته اینجاست که برای مطالعه این کتاب ها و مقالات باید نامگذاری یونانی پارامتر های یک مدل را بدانند زیرا تمامی کتاب ها و مقالات مرجع این حوزه بر اساس همین نامگذاری ها شروع به بحث پیرامون موارد مختلف کرده اند. در این مقاله تلاش شده نامگذاری صحیح تمامی پارامتر های مدل سازی معادلات ساختاری را با روش علمی بیان نماییم. البته علائم یونانی همه در شکل این مقاله مشخص هستند.

1. متغیر مکنون برونزا: متغیر های مکنون برونزا ، متغیر های مکنونی هستند که در نقش علت( متغیر مستقل) بر متغیر های دیگر اثر می گذارند. در مدل سازی معادلات ساختاری آن ها را کسای(xi) یا ξ نامگذاری می کنند.
2. متغیر مکنون درونزا: متغیر های مکنونی هستند که تحت اثر متغیر های مکنون برونزا می باشند. در مدل سازی معادلات ساختاری آن ها را اتا(eta)  یا η نامگذاری می کنند.
3. متغیر های آشکار اندازه گیری کننده متغیر های مکنون برونزا: این متغیر های آشکار در مدل به متغیر های مکنون برونزا متصل هستند. در مدل سازی معادلات ساختاری آن ها را ایکس یا X نامگذاری می کنند.
4. متغیر های آشکار اندازه گیری کننده متغیر های مکنون درونزا: این متغیر های آشکار در مدل به متغیر های مکنون درونزا متصل هستند. در مدل سازی معادلات ساختاری آن ها را وای یا Y نامگذاری می کنند.
5. خطاهای اندازه گیری شاخص های متغیر های مکنون برونزا: هر یک از سوالات متصل به متغیر های مکنون برونزا دارای خطای اندازه گیری هستند که به صورت عام فارغ از برونزا و یا درونزا بودن متغیر مکنون مربوطه در تحقیقات مختلف آن ها را با e نشان می دهند اما به صورت علمی در مدل سازی معادلات ساختاری آن ها را دلتا(delta)  یا δ نامگذاری می کنند.
6.  خطاهای اندازه گیری شاخص های متغیر های مکنون درونزا: هر یک از سوالات متصل به متغیر های مکنون درونزا دارای خطای اندازه گیری هستند که به صورت عام فارغ از برونزا و یا درونزا بودن متغیر مکنون مربوطه در تحقیقات مختلف آن ها را با e نشان می دهند اما به صورت علمی در مدل سازی معادلات ساختاری آن ها را اپسیلون (xi) یا ε نامگذاری می کنند.
7. بار عاملی: یک ضریب همبستگی بین متغیر های مکنون و متغیر های آشکار است که به صورت علمی در مدل سازی معادلات ساختاری این پارامتر را لاندا(lambda)  یا λ نامگذاری می کنند.
8. کواریانس ها: همواره بین متغیر های برونزا در مدل به جهت اینکه این متغیر ها نباید با هم همخطی داشته باشند کواریانس وجود دارد. به صورت علمی در مدل سازی معادلات ساختاری این پارامتر را فی(phi)  یا φ نامگذاری می کنند.
9. ضرایب مسیر از متغیر های مکنون برونزا به درونزا: معمولا در حالت معمول بین این ضرایب مسیر با ضرایب مسیری که از یک متغیر درونزا به متغیر درونزای دیگر است تفاوتی قائل نمی شوند. اما در کتاب های مرجع معادلات ساختاری این دو نوع ضریب مسیر متفاوت نامگذاری می شوند. به صورت علمی در مدل سازی معادلات ساختاری این پارامتر را گاما(Gamma)  یا γ نامگذاری می کنند.
10. ضرایب مسیر از متغیر های مکنون درونزا به درونزا: معمولا در حالت معمول بین این ضرایب مسیر با ضرایب مسیری که از یک متغیر برونزا به متغیر درونزای دیگر است تفاوتی قائل نمی شوند. اما در کتاب های مرجع معادلات ساختاری این دو نوع ضریب مسیر متفاوت نامگذاری می شوند. به صورت علمی در مدل سازی معادلات ساختاری این پارامتر را بتا(Beta)  یا β نامگذاری می کنند.
11. خطای باقی مانده: در نهایت باید گفت که هدف از مدل سازی معادلات ساختاری پیش بینی رفتار یا واریانس متغیر های درونزا در مدل است. میزان این پیش بینی را شاخص R² مشخص می کند و میزان عدم تبیین واریانس این متغیر ها را خطای باقی مانده مشخص می کند. به صورت علمی در مدل سازی معادلات ساختاری این پارامتر را زتا(Zeta)  یا ζ نامگذاری می کنند.

البته در پایان خاطر نشان می شوم که نامگذاری به صورت های ساده دیگر یا هر نام گذاری دیگری در محاسبات تفاوتی ایجاد نمی کند اما اگر شما عزیزان قصد مطالعه کتاب ها و مقالات مرجع را داشته باشید باید این نامگذاری علمی را بدانید.

محسن مرادی

p value در نرم افزار لیزرل

بعد از اجرای مدل در نرم افزار لیزرل( اعم از مدل اندازه گیری یا ساختاری)، در قسمت پایین نرم افزار دو شاخص برازش chi square  و RMSEA توسط نرم افزار گزارش می شود. همچنین مقدار df درجه آزادی و نیز p value برای مقدار chi square گزارش می گردد. p value همان سطح معناداری یا خطایی است که محقق در رد فرض H0 مرتکب می شود و آن را در آژمون های آماری با sig نیز نمایش می دهند که اگر این مقدار کوچکتر از ۰٫۰۵ باشد در سطح اطمینان ۹۵ درصد و اگر کمتر از ۰٫۰۱ باشد در سطح اطمینان ۹۹ درصد فرض H0 رد و فرض H1 پذیرفته می شود.

 اگر به فرض آماری آزمون chi square که مهمترین آزمون نیکویی برازش در مدل سازی معادلات ساختاری است توجه نماییم، می بینیم که:

 

H0: توزیع فراروانی مشاهده شده = توزیع فراوانی مورد نظر

H1: توزیع فراروانی مورد نظر≠ توزیع فراروانی مشاهده شده 

 

بطور کلی نیز برازش مدل به این معنا است که تا چه اندازه مدل تخمین زده شده ما در نمونه آماری بر اساس مشاهدات با مدل مورد انتظار در جامعه تطابق دارد. بنابراین همانطور که از مفهوم برازش بر می آید بر خلاف اکثر آزمون های آماری که در آن آنچه محقق به دنبال آن است در فرض H1 قرار دارد، در آزمون chi square چیزی که محقق به دنبال آن است این است که مدل برازش داشته باشد.

 

یعنی توزیع فراروانی مشاهده شده = توزیع فراوانی مورد نظر

 

که این جمله در فرض H0 قرار دارد. بنابراین در اینجا بر خلاف بسیاری از آزمون ها ایده آل این است که p value یا همان sig بزرگتر از ۰٫۰۵ باشد و نه کوچکتر از آن.

اما دقیقا مسئله اینجاست که در بسیاری از مواقع مقدار p value کمتر از ۰٫۰۵ می شود و دوستان توجه نمی کنند که در حقیقت در این هنگام فرض H1 پذیرفته شده است و مؤید این امر است که بین مدل مشاهده شده در نمونه و مدل مورد انتظار در جامعه اختلاف معناداری وجود دارد. چگونه به این سوال باید در جلسات دفاع و یا در طرح های پژوهشی پاسخ داد؟

کلاین در سال ۲۰۰۵ در کتاب خود بیان نمود که نتایج آزمون chi square به حجم نمونه ها و نرمال بودن توزیع داده ها بسیار حساس است و زمانی که حجم نمونه ها چندان بزرگ نباشد اغلب عدم اختلاف بین مدل مشاهده شده در نمونه و مدل مورد انتظار در جامعه را حتی اگر انطباق بسیار بالایی وجود داشته باشد تشخیص نمی دهد و همچنین برعکس اگر نمونه ها بسیار بزرگ باشد اختلاف بین مدل مشاهده شده در نمونه و مدل مورد انتظار در جامعه را حتی اگر انطباق بسیار پایین وجود داشته باشد را تشخیص نمی دهد.

اساسا بخاطر همین مشکل بوده این شاخص توسط درجه آزادی تعدیل شده تا اثر حجم نمونه در آن کاسته شود و ما بجای خود کای دو شاخصی تحت عنوان کای دو به درجه آزادی را گزارش می کنیم. همچنین سایر شاخص های برازش در مدل سازی معادلات ساختاری اساسا بخاطر همین موضوع پدید آمدند.

محسن مرادی

مدل های MIMIC در مدل سازی معادلات ساختاری

مدل MIMIC که مخفف  Multiple Indicators and  MultIple Causesمی باشد و به مدل های ساختاری با معرف های چند گانه و علل چند گانه معروف می باشد. باید همین ابتدای بحث بیان کنیم که این مدل ها، مدل های خاصی هستند که مطابق با نظر هنسلر ۲۰۰۹ باید حتما ادبیات نظری قوی استفاده از آن ها را حمایت نماید. یعنی برای پژوهش هایی استفاده شود که در آن یک متغیر تحت تاثیر عوامل موثری باشد که این عوامل با یکدیگر هم خطی نداشته باشند. همچنین متغیر مکنون خود توسط گویه ها و معرف هایی در قالب یک مدل اندازه گیری انعکاسی مورد اندازه گیری قرار می گیرند و این گویه ها یا متغیر های آشکار باید  با یکدیگر همبستگی داشته باشند.

به بیان دیگر عوامل موثر متغیر های آشکاری با تبعیت از الگوی ترکیبی و معرف ها یا شاخص ها متغیر های آشکاری با تبعیت از الگوی انعکاسی باشند. اما متاسفانه بسیاری اوقات در تحقیقات داخل کشور مشاهده می شود که از این مدل استفاده شده اما این اصل اساسی در نظر گرفته نمی شود.

یکی از مزایای اصلی این مدل این است که متغیر های اثر گذار بر متغیر مکنون می توانند کیفی(اسمی، ترتیبی) نیز باشند. دانشجویان آکادمی تحلیل آماری اطلاع دارند که در مدل سازی معادلات ساختاری با نرم افزار هایی مثل ایموس و لیزرل یا پی ال اس شرط اصلی حضور متغیر ها در مدل این است که متغیر ها کمی باشند و متغیر های اسمی و رتبه ای نمی توانند به عنوان متغیر های برونزا در مدل حضور داشته باشند(مگر در حالتی که تعدیلگر باشند) اما این در این نوع مدل ساختاری خاص این امکان وجود دارد(مرادی، ۱۳۹۶)

به شکل زیر توجه شود. دو متغیر مکنون مدل تحت تاثیر دو متغیر سن و جنسیت می باشند که هر دو نیز به صورت کیفی هستند و رابطه کواریانس بین آن ها جهت بررسی عدم هم خطی آن ها ترسیم شده است. از طرفی متغیر های آشکار اندازه گیری کننده دو متغیر مکنون باید دارای روایی همگرا و واگرا باشند و کلیه آزمون های بیان شده در دوره ها برای آن ها اجرا گردد.

  

دکتر مرادی

تفاوت ماتریس کواریانس و ماتریس همبستگی

در کارگاه های مختلف معادلات ساختاری بعضا محققین عزیز تصویر درستی از ماتریس کواریانس و ماتریس همبستگی ندارند و بسیاری اوقات این دو ماتریس و یا حتی این دو مفهوم را با هم اشتباه می گیرند. در این مقاله سعی دارم که خیلی ساده این دو مفهوم را مورد بحث قرار دهم تا محققین عزیز در تحلیل های خود با درکی دقیقتر جداول مربوطه در نرم افزار های SPSS، AMOS، LISREL و ……تحلیل و تفسیر نمایند.

قبل از باز کردن بحث ماتریس کواریانس و ماتریس همبستگی با مثالی فرق کواریانس و همبستگی را بیان می کنم. شما نرم افزار ایموس را که در دوره های مختلف بر آن تسلط پیدا کردید را باز کنید و دو متغیر آشکار را در آن رسم کرده و داده های SPSS آن را فراخوانی کرده و روی شکل رسم شده درگ کنید.

می بینیم که دو متغیر وفاداری(LOYALTY) و تبلیغات شفاهی(WOM) در صفحه رسم قرار داده شده اند و یک فلش دو طرفه بین دو متغیر قرار دارد. وقتی این مدل ساده و ابتدایی ران می شود عددی روی فلش دو طرفه در دو حالت تخمین غیر استاندارد و استاندارد قرار می گیرد.

در شکل بالا عدد روی فلش کواریانس بین دو متغیر است و اعداد روی هر متغیر واریانس هر متغیر می باشد که نرم افزار در حالت تخمین غیر استاندارد گزارش می کند

در حالت تخمین غیر استاندارد این ضریب ۰٫۳۰ و در حالت تخمین استاندارد این ضریب ۰٫۵۳ است. اما این اعداد چه معنایی می دهند؟ در حالت غیر استاندارد تخمین رابطه دو متغیر در حقیقت کواریانس بین دو متغیر است و در حالت تخمین استاندارد آن ضریب همبستگی بین دو متغیر است. بنابراین ضریب همبستگی بین دو متغیر را در واقع همان کواریانس بین دو متغیر است که استاندارد شده است. یعنی کواریانس استاندارد شده ضریب همبستگی بین دو متغیر گفته می شود.

خوب همین بحث کوتاه را می توان به جداول یا ماتریس های کواریانس و همبستگی تعمیم داد. ماتریس کواریانس که در حقیقت همان اسم کوتاه شده ی ماتریس واریانس-کواریانس است در حقیقت جدولی است که روی قطر اصلی آن واریانس های هر متغیر و روی خانه های دیگر کواریانس بین متغیر ها به صورت دو به دو قرار دارد. ماتریس همبستگی در حقیقت همان استاندارد شده ی ماتریس کواریانس است که روی قطر اصلی آن عدد یک و روی خانه های دیگر همان ضرایب همبستگی بین متغیر ها، دو به دو قرار دارد.(مرادی، ۱۳۹۵)

در این مقاله آموزش می دهیم که این دو جدول را چگونه توسط SPSS و AMOS بدست آوریم و آن ها را با هم مقایسه کنیم. فایل داده ای وجود دارد که چهار متغیر اعتماد، رضایت، وفاداری و تبلیغات شفاهی را در آن مشاهده می کنیم. برای تشکیل جداول کواریانس و همبستگی راه های زیادی وجود دارد. اما یکی از ساده ترین روش ها از آدرس زیر صورت می گیرد.

Analyze > Scale > Reliability analysis

سپس در پنجره دیالوگ باز شده باید چهار متغیر را به پنجره سمت راست منتقل کنیم و بعد گزینه statistics را در سمت راست می زنیم.

سپس در پنجره inter-item باید دو تیک مربوط به covariances و correlations را می زنیم. سپس continue زده و در پنجره بعد ok را می زنیم. در خروجی کار دو جدول کواریانس و همبستگی را که توضیحات آن را ارائه کردیم می بینیم.

 

 

فراموش نکنیم در هر دو جدول تقارن وجود دارد یعنی اعداد پایین قطر اصلی و بالای قط اصلی یکی هستند زیرا رابطه ی دو متغیر در حالت غیر استاندارد و استاندارد در جداول قرار گرفته است. همچنین اعداد روی قطر اصلی در جدول کواریانس همان واریانس های متغیر هستند و اعداد روی قطر اصلی جدول همبستگی یک می باشد.

اگر بخواهیم همین جداول را در خروجی ایموس داشته باشیم باید چهار متغیر آشکار که فلش های دو طرفه بین تمام آن ها دو به دو متصل شده را رسم کنیم و بعد همین فایل spss را روی آن درگ کنیم. محققین عزیز طبق مطالب کلاس ها عمل کنند. فقط در اینجا باید در قسمت output حتما تیک sample moment و satandard estimate زده شود. زیرا اگر تخمین استاندارد را نداشته باشیم جدول همبستگی که همان حالت استاندارد جدول کواریانس است را نخواهیم داشت(مرادی، ۱۳۹۵)

بعد از run مدل شکل را در حالت تخمین غیر استاندارد و استاندارد خواهیم داشت. تخمین غیر استاندارد ضرایب کواریانس  است و حالت تخمین استاندارد ضرایب همان ضرایب همبستگی بین متغیر ها است.

 

بعد از مشاهده دو شکل غیر استادارد و استاندارد که ضرایب کواریانس و همبستگی بین هر کدام از آن ها قابل مشاهده است به سراغ خروجی ها از قسمت View Text میرویم و قسمت sample moment را میزنیم و دو جدولی که قبلا در خروجی spss دیدیم در اینجا نیز عینا مشاهده می کنیم. فراموش نشود بسیاری از عملیات نرم افزار spss در نرم افزار ایموس به صورت ترسیمی و بروز تر قابل انجام است.

https://analysisacademy.com/5125/correlation-covariance.html

دکتر محسن مرادی

آموزش رسم نمودار ماتریس پراکنش بین چند متغیر

این نمودار به صورت گرافیکی، هم بستگی بین دو متغیر کمی را در قالب نقاطی روی محور های عمودی و افقی نمایش می دهد. از طرفی از بخش correlate هم می توانستیم به ضریب همبستگی این دو متغیر دست یابیم.

اما گاهی محقق قصد دارد درست مانند ماتریس های همبستگی که حالت استاندارد شده ی ماتریس کواریانس می باشند رابطه چند متغیر کمی را با هم در نمودار های پراکنش نمایش دهند. یعنی همانطور که مثلا در یک ماتریس همبستگی رابطه ی همبستگی چند متغیر با یکدیگر و هم خطی تک تک متغیر ها و ضرایب همبستگی آن ها با یکدیگر در ماتریس بررسی می شود، در قالب نمودار های گرافیکی هم بتوان این مورد را نمایش داد.

بنابراین محققین به دستورات زیر برای رسم نمودار ماتریس پراکنش بین مثلا ۵ متغیر ارزش درک شده، اعتماد، رضایت، وفاداری و تبلیغات شفاهی که در کلاس های آکادمی انواع آزمون ها را روی آن ها اجرا کردیم، توجه نمایند.

ابتدا دستور زیر را در نرم افزار spss می رویم

سپس پنجره زیر باز می شود. در این پنجره بجای گزینه ی simple scatter که برای دو متغیر استفاده می شود از گزینه ی Matrix scatter استفاده می شود و سپس گزینه define زده می شود تا به پنجره دیالوگ اصلی وارد شویم

 

در پنجره زیر با عنوان scatterplot matrix که در حقیقت پنجره دیالوگ اصلی کار شما است ۵ متغیر کمی ارزش درک شده، اعتماد، رضایت، وفاداری و تبلیغات شفاهی را از سمت چپ به پنجره ی Matrix variables منتقل می کنیم و در پایان ok را کلیک می کنیم.

 

مشاهده می شود که درست مثل ماتریس های همبستگی نموداری گرافیکی از همبستگی متغیر های وارد شده در ماتریس داریم که دو به دو با هم رسم شده اند.بر اساس این نمودار ها پراکنش می توان شدت و جهت همبستگی بین متغیر ها را مشاهده نمود و درست مثل قطر اصلی ماتریس همبستگی که عدد ۱ می باشد می توان دید قطر اصلی نمودار ماتریس پراکنش بین چند متغیر خالی است که همان رابطه هر متغیر با خود می باشد.

 

به دانش پژوهان عزیز پیشنهاد می شود که در پروژه های خود که دارای فرضیات رابطه ای و یا علی هستند از این نمودار ها در کنار ماتریس های همبستگی استفاده نمایند.

محسن مرادی

اگر 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.

فصل بندی پایان نامه به صورت روتین برای اکثر رشته ها به چه صورتی است؟

1️⃣ فصل اول:

1. مقدمه

2. بیان کلی درباره مساله

3. بیان پرسش ها هدف ها و فرضیه های پژوهش

4. تعریف مفاهیم

2️⃣ فصل دوم:

1. بررسی پیشینه پژوهش

2. مروری بر تئوری ها و مطالعات پیشین

3. بیان پژوهش جاری

4. خلاصه پژوهش

3️⃣ فصل سوم:

1. روش

2. توصیف آزمودنی ها (جامعه و نمونه آماری)

3. توصیف ابزار اندازه گیری

4. اعتبار روایی اندازه ها

5. روش ها و طرح پژوهش

4️⃣ فصل چهارم:

1. یافته های پژوهش

2. مروری بر روش های آماری

3. توصیف یافته های جاری برای پاسخ به پرسش هدف یا فرضیه ها

4. یافته های فرعی

5️⃣ فصل پنجم:

1. بحث و تفسیر

2. نتیجه گیری

3. خلاصه پژوهش

4. محدودیت های پژوهش

5. پیشنهادات

چگونگی طراحی پرسشنامه

#پرسشنامه یک مقاله یا پایان نامه به دو صورت است :

1️⃣ نوع اول پرسش نامه "#استاندارد" است. این نوع پرسش نامه قبلا توسط محققان صوت گرفته است و به گونه ای استاندارد در دسترس همه قرار دارد.

2️⃣ نوع دوم از پرسشنامه ها، پرسش نامه های "#خودساخته" است. در این نوع پرسش نامه، حالت استانداردی وجود ندارد. خود محقق می تواند بدون در نظر گرفتن روایایی و پویایی یک تحقیق اقدام به پرسش کند. محقق در این پرسش نامه ها هم می تواند از نو سوالات را طراحی کند و هم می تواند تلفیقی از چند پرسش نامه استاندارد به کار ببرد.

🔸مراحل تهیه پرسشنامه :

ابتدا یکی از اساتید را به عنوان راهنما انتخاب نمایید. این مرحله یکی از مراحل دشوار است .چرا که اغلب اساتید اذعان به این دارند که ما وقت نداریم. پس از تعیین استادتان با وی مشورت کنید. در صورتی که استاد به تحقیقاتتان ایرادی وارد نمود، سعی کنید در آن دیدارها عصبانی نشوید و لجوجانه جواب ندهید. مودبانه و متواضعانه با وی سخن بگویید. به کمک وی کلیت پرسشنامه ها را تبیین کنید. 

⚡️در طراحی پرسشنامه ها نکات زیر را در نظر بگیرید :

1️⃣ برای نگرش به یک موضوع که پرسشی به ذهنتان نمی رسد، مولفه های آن را در نظر بگیرید.

2️⃣ پرسش شماحتی المقدور خلاصه و مفید باشد.

3️⃣ از آوردن سوالات تکراری خود داری کنید.

4️⃣ تعدادی پرسش هایتان نباید به گونه ای باشد که مخاطبین شانسی جواب آن را بدهند.

5️⃣ پرسش نامه هایتان باید سیر سریالی داشته باشند. یعنی یک موضوع در سوالات پشت سرهم و ترتیبی پرسیده شوند.

🔰پس از این مراحل، پرسش نامه خود را اجرا کنید و در میان 30 تا 40 نفر به آزمون بگذارید.

متغیر تعدیلگر چیست و نحوه بررسی آن چگونه است؟

🔸اگر جهت یا شدت رابطه ی میان متغیر مستقل و وابسته در سطوح گوناگون یک متغیر سوم، بطور قابل ملاحظه ای تغییر کند، به آن متغیر سوم متغیر تهدیلگر گفته می شود.بدین لحاظ ، متغیر تعدیلگر در یک چهار چوب تحلیل همبستگی بعنوان یک متغیر سوم تلقی می شود که همبستگی مرتبه صفر میان متغیر مستقل و وابسته را بطور معنی داری تغییر می دهد.

👈باورن و کنی(1986) در مقاله خود چهار حالت گوناگون از وضعیت متغیر مستقل و تعدیلگر را به شرح زیر بررسی کردند:

🔺حالت اول: هر دو متغیر مستقل و تعدیلگر از نوع طبقه ای باشند.

🔺حالت دوم: متغیر تعدیلگر از نوع طبقه ای و متغیر مستقل پیوسته باشد.

🔺حالت سوم: متغیر تعدیلگر پیوسته و متغیر مستقل از نوع طبقه ای باشد.

🔺حالت چهارم: هر دو متغیر تعدیلگر و مستقل پیوسته باشند.

1️⃣ نحوه بررسی حالت اول

حالت اول ساده ترین نوع است.در این حالت اثر یک متغیر مستقل چند مقوله ای را بر روی متغیر وابسته، بعنوان تابعی از یک متغیر چند مقوله ای دیگر را تغییر می کند.بطور مثال، مقایسه پیشرفت تحصیلی دختران و پسران در سطوح گوناگون طبقات اجتماعی از این نوع است. روش تحلیل واریانس دو راهه برای بررسی حالت اول مناسب است.

2️⃣ نحوه بررسی حالت دوم

در حالت دوم، متغیر تعدیلگر یک متغیر طبقه ای و متغیر مستقل پیوسته است.برای مثال ، جنسیت بعنوان یک متیر تعدیلگر ،ممکن است رابطه ی میان متغیر مستقل ( استرس) و متغیر وابسته ( سلامت روانی) را تعدیل و تغییر بدهد.

شیوه مرسوم برای بررسی نقش تعدیلگری این حالت، بررسی تفاوت همبستگی بین متغیر مستقل و وابسته در سطوح مختلف متغیر تعدیلگر می باشد. که این روش دارای معایبی بوده که آماردانان استفاده از ضرایب رگرسیونی را به جای همبستگی توصیه می کنند.

3️⃣ نحوه بررسی حالت سوم

حالت سوم، متغیر تعدیلگر نوعا پیوسته و متغیر مستقل طبقه ای است.در این حالت باید محقق تمام دانش و تجربه نظری خود را به کار گیرد تا متغیر تعدیلگری را به چندین طبقه تقسیم نماید و مانند حالت اول در خصوص نقش تعدیلگری اظهار نظر نماید.

4️⃣ نحوه بررسی حالت چهارم

در حالت چهارم فرض بر این است که هر دو متغیر مستقل و تعدیلگر پیوسته باشند.که معمولترین و در عین حال مهمترین حالت بررسی تقش متغیرهای تعدیلگری محسوب می شود.

در گام نخست، نمرات استاندارد متغیرهای مستقل و وابسته را محاسبه می کنیم(این عمل در نرم افزار spss براحتی قابل انجام است)

در گام دوم، نمرات استاندارد متغیر مستقل و متغیر تعدیلگر را در هم ضرب کرده و به اصطلاح جمله تعاملی را ایجاد می کنیم.

در گام سوم از رگرسیون سلسله مراتبی استفاده می شودکه در بلوگ اول متغیرهای مستقل و وابسته قرار می گیرد و در بلوک دوم جمله تعاملی وارد می شود.

🔹اگر تاثیر جمله تعاملی بلحاظ آماری تایید گرد یعنی نقش تعدیلگری مورد تایید قرار می گیرد. پس از اینکه مشخص گردید نقش تعدیلگری متغیری در ارتباط بین دو متغیر مستقل و وابسته تایید می شود، باید متغیرهای مستقل و وابسته را به سه گروه یا طبقه با ( نمره بالا ، متوسط و پایین) تقسیم نمایید و سپس با ترسیم نمودار تعاملی این دو متغیر طبقه بندی شده، میانگین متغیر وابسته را بر روی ای نمودار مشاهده نمایید.

دلایل برتری نسبی PLS نسبت به لیزرل و آموس چیست؟

مدل سازی معادلات ساختاری یکی از انواع روش های پیشرفته آماری  می باشد که امکان بررسی ارتباطات میان چندین متغیر در یک مدل  را ایجاد می کند.

محققین دلایل متعددی را برای استفاده از روش پی ال اس ذکر نموده اند.مهمترین دلیل ، برتری این روش برای نمونه های کوچک ذکر شده است.دلیل بعدی داده های غیر نرمال است که محققین و پژوهشگران در برخی پژوهش ها با آن سروکار دارند و در نهایت دلیل آخر استفاده از روش پی ال اس ، روبرو نشدن با مدلهای اندازه گیری سازنده است.دلایل استفاده از روش معادلات ساختاری به شرح زیر می باشد:

• حجم نمونه کم
• داده های غیر نرمال
• مدلهای اندازه گیری از نوع سازنده
• قدرت پیش بینی مناسب
• پیچیدگی مدل(تعداد زیاد سازه ها و شاخصها)
• تحقیق اکتشافی
• توسعه تئوری و نظریه
• استفاده از متغیرهای طبقه بندی شده
• بررسی همگرایی
• آزمون تئوری و فرضیه
• آزمودن فرضیات شامل متغیرهای تعدیلگر

با توجه به موارد بالا ، حجم نمونه اندک بهترین دلیل استفاده از پی ال اس است. نسل اول این تکنیک  معادلات ساختاری که با نرم افزارهایی مانند لیزرل ، اموس و ای کیو اس اجر می شدند ، نیاز به تعداد نمونه زیاد دارند در حالی که روش پی ال اس توان اجرای مدل با تعداد نمونه خیلی کم را دارا می باشد.یک مزیت مهم دیگر که محققین به آن استناد می کنند، امکان استفاده از مدلهای اندازه گیری با یک شاخص(سوال) در روش پی ال است می باشد.این روش به پژوهشگر این امکان را می دهد که بتواند در مدل پژوهش خود از مدلهای اندازه گیری با یک سوال استفاده کند(هنسلر،۲۰۰۹؛۲۹۱)

آزمون سوبل(Sobel Test) چیست؟

                      

برای آزمودن تاثیر یک متغیر میانجی ، یک آزمون پرکاربرد بنام آزمون سوبل نیز وجود داردکه برای معناداری تاثیر میانجی یک متغیر در رابطه میان دو متغیر دیگر بکار می رود.یکی از عیوب این آزمون این است که احتیاج به داده های زیاد برای کسب یک نتیجه دقیق و معتبر دارد.در مواقعی که حجم نمونه اندک است ، می بایست از همان فرمان بوت استرپینگ استفاده نمود و اجرای آزمون سوبل بی فایده و اضافی است(preacher & Leonardelli,2003)

در آزمون سوبل ، یک مقدار Z-value از طریق فرمول زیر بدست می آید که در صورت بیشتر شدن این مقدار از ۱٫۹۶ می توان در سطح ۹۵ درصد معنادار بودن تاثیر میانجی یک متغیر را تایید نمود.

a: مقدار ضریب مسیر میان متغیر مستقل و میانجی

b: مقدار ضریب مسیر میان متغیر میانجی و وابسته

sa: خطای استاندارد مربوط به مسیر میان متغیر مستقل و میانجی

sb: خطای استاندارد مربوط به مسیر میان متغیر میانجی و وابسته

جهت انجام آنلاین این آزمون بر روی لینک زیر کلیک کنید و تنها با وارد کردن مقادیر وارد شده مقدار z آزمون رو دریافت کنید:

http://quantpsy.org/sobel/sobel.htm

شباهتها و تفاوتهای بین تحلیل تشخیصی با تحلیل رگرسیون و تحلیل واریانس

کاربرد و تفسیر تحلیل تشخیصی تا حدود زیادی به تحلیل رگرسیون شباهت دارد و آن ترکیب خطی دو یا چند متغیر مستقل کمی برای توضیح و تبیین یک متغیر گروه بندی وابسته است.

تفاوت اصلی بین این دو روش در این نکته نهفته است که تحلیل تشخیصی زمانی مناسب می باشد که متغیر گروه بندی کیفی باشد در حالیکه در تحلیل رگرسیون متغیر وابسته از نوع کمی است.

از سوی دیگر تحلیل تشخیصی قابل مقایسه با تحلیل واریانس نیز می باشد. در تحلیل تشخیصی متغیر گروه بندی کیفی و متغیرهای مستقل کمی یا پارامتری هستند. در حالیکه در تحلیل واریانس وضعیت کاملاً عکس است و در آن یک متغیر وابسته یا متغیر اصلی پارامتری یا کمی و یک متغیر مستقل یا متغیر گروه بندی غیر پارامتری یا کیفی مورد استفاده قرار می گیرد.

آزمون بارون و کنی جهت بررسی تاثیر میانجی گری

این آزمون در کنار آزمون سوبل جهت بررسی اثرات غیرمستقیم متغیرهای مستقل بر متغیرهای وابسته استفاده میشود، که در آن برقراری شروط زیر ضروری است.

شرط اول این است که متغیّر مستقل با متغیّر وابسته رابطه‌ی معنادار داشته باشد.

شرط دوّم این است که معناداری رابطه‌ی بین متغیّرهای مستقل و واسط تأیید شود.

شرط سوّم نیز تأیید معناداری رابطه‌ی بین متغیّر واسط و وابسته می‌باشد.

شرط چهارم این است که وقتی متغیر میانجی‌گر وارد معادلات رگرسیونی می‌شود، رابطه‌ی بین متغیر مستقل و وابسته غیرمعنادار شود که در این حالت متغیر مورد نظر، میانجی‌گر کامل است و یا اینکه این رابطه در حضور متغیر میانجی‌گر کاهش یابد (حداقل ۱۰/۰) ولی همچنان معنادار باقی بماند، که در این حالت نقش متغیر میانجی‌گر، جزئی خواهد بود (شهریار عزیزی، ۱۳۹۲).

 

 

مفروضات تایید مدل میانجی گر

 

چهار شرط که  باید برقرار باشند تا بتوان گفت یک متغیر میانجی گر کامل است.

و سه شرط اول باید برقرار باشد تا امکان آزمون آماری میانجی گر جزئی فراهم شود.

این شروط به این قرارند:

1. ارتباط معنی دار میان متغیر مستقل با متغیر وابسته (یعنی مسیر c )

2. ارتباط معنی دار میان متغیر مستقل با متغیر میانجی گر .(یعنی مسیر a )

3. ارتباط معنی دار میان متغیر میانجی گر با متغیر وابسته، وقتی که متغیر مستقل و میانجی گر به طور همزمان برای پیش بینی متغیر وابسته در معادله ی رگرسیون وارد شده باشند ( یعنی مسیر b )

4. اگر متغیر میانجی گر به طور کامل رابطه ی میان متغیر مستقل با متغیر وابسته را تبیین کند، ارتباط میان متغیر مستقل با متغیر وابسته ( یعنی مسیر  c’) به صفر تقلیل می یابد. برای آزمودن میانجی گر بودن کامل ( یعنی مرحله ی۴) نیازی به محاسبات اضافی نیست.
   

رایج‌ترین دلایل اجرا نشدن مدل معادلات ساختاری در نرم‌افزارها چیست؟

خیلی از اوقات، کاربران در حین اجرای مدل در نرم‌افزارها با پیام‌های خطا و عدم اجرای مدل روبرو می‌شوند و یا حتی اگر مدل اجرا شده است، با عدم نمایش نتایج آن مواجه می‌شوند. در این پیام به طور خلاصه رایج‌ترین دلایل عدم اجرای مدل یا عدم نمایش نتایج مدل اجراشده شرح داده می‌شود:

۱- مدل به صورت صحیح تعریف نشده است. به عنوان مثال، ثابت کردن ضریب یکی از متغیرهای نشانگر مربوط به یک متغیر پنهان انجام نشده است؛ برای یک یا برخی متغیرهای درونزا (متغیرهای وابسته، چه از نوع آشکار و چه از نوع پنهان)، متغیر خطا ترسیم نشده است؛ بین متغیرهای وابسته (چه آشکار و چه پنهان) کوواریانس ترسیم شده است و … . البته در برخی نرم‌افزارها (همانند لیزرل) این امور به طور پیش‌فرض انجام می‌شود، اما در برخی دیگر از نرم‌‌افزارها از جمله آموس، این امور باید توسط کاربر انجام شوند و لذا امکان اشتباه درانجام آن‌ها وجود دارد.

۲- مدل شناسایی‌پذیر (identifiable) نیست. به زبان ساده، مدل شناسایی‌پذیر مدلی است که در آن امکان انجام محاسبات ریاضی (از قبیل حل معادلات مربوطه، محاسبه فرمول‌ها، …) وجود داشته باشد. یکی از رایج‌ترین دلایل عدم شناسایی‌پذیری یک مدل، ثابت نکردن ضریب یکی از نشانگرهای متغیرهای پنهان است که در مورد ۱ نیز بدان اشاره شد. البته عدم شناسایی‌پذیری به دلایل دیگری نیز رخ می‌دهد که باز هم به شکل تعریف مدل بستگی دارد که می‌تواند منجر به درجات آزادی منفی و دیگر مسائلی شود که نهایتاً منجر به عدم شناسایی پذیری مدل می‌گردد.

۳- محاسبه‌شدن واریانس_منفی برای برخی متغیرها که در متون از آن به نام heywood_case نیز یاد می‌شود. همان طور که می‌دانیم، واریانس به طور منطقی دارای مقادیر مثبت است، اما گاهی اوقات به دلایلی، واریانس براوردشده توسط مدل منفی می‌شود. از جمله مهم‌ترین این دلایل، وجود همخطی است. به طور خلاصه، همخطی حالتی است که در آن یک یا چند متغیر تابعی خطی (یا نزدیک به خطی) از سایر متغیرها باشند.

۴- مثبت معین نبودن ماتریس. برای مشاهده توضیحات بیشتر در این مورد، از عبارت مثبت_معین برای جست و جو در کانال استفاده کنید.

ضریب همبستگی پیرسون

اگر توزیع داده های متغیرها نرمال باشند،جهت سنجش میزان همبستگی از ضریب همبستگی پیرسون استفاده می کنیم.ضریب همبستگی پیرسون که بعنوان ضریب همبستگی گشتاوری پیرسون، ضریب همبستگی و ضریب همبستگی دوجانبه نیزمعروف است برای محاسبه درجه و میزان ارتباط خطی بین دو متغیر به کار می رود.دامنه ضرایب همبستگی از ۱- تا ۱+ تغییر می کند.هر چه مقدار این ضریب به ۱+ نزدیکتر باشد نشان از قوی بودن و مثبت بودن جهت ارتباط دو متغیر است. بعبارتی با افزایش هر یک از متغیر ها دیگری نیز کاهش می یابد و بالعکس با کاهش هریک از متغیرها دیگری نیز کاهش پیدا می کند.و هرچه مقدار این ضریب به ۱- نزدیکتر باشد نشان از قوی بودن و منفی بودن ارتباط بین دو متغیر است.بعبارتی با افزایش هرکدام از متغیرها دیگری کاهش ، و با کاهش هریک از متغیرها دیگری افزایش پیدا می کند.در واقع این آزمون به بررسی فرضیه زیر می پردازد:

فرض صفر: ضریب همبستگی بین دو متغیر صفر می باشد.

فرض مقابل: ضریب همبستگی بین دو متغیر صفر نمی باشند.

آزمون فرضیه های پارامتریک و ناپارامتریک در Spss

■ مقایسه میانگین یک جامعه با عدد ثابت
■ One - Sample T test تی تک نمونه ای

■ مقایسه میانگین دو جامعه وابسته
■ Paired - Sample T test تی زوجی

■ مقایسه میانگین دو جامعه مستقل
■ Independent - Sample T test تی مستقل

■ مقایسه میانگین چند جامعه مستقل
■ One - Way ANOVA آنالیز واریانس

■ مقایسه میانگین چند جامعه وابسته
■ Repeated Measure طرح اندازه های مکرر

🔸 آزمون فرضیه های ناپارامتری در Spss

■ مقایسه میانه یک جامعه با عدد ثابت
■ Wilcoxon Test - Sign test

■ مقایسه میانه دو جامعه وابسته
■ Wilcoxon Test - Sign test

■ مقایسه میانه دو جامعه مستقل
■ Mann - whitney U Test

■ مقایسه میانه چند جامعه مستقل
■ Kruskal - Wallis Test

■ مقایسه میانه چند جامعه وابسته
■ Friedman Test

مفهوم و تعریف فرضیه

فرضیه عبارت است از حدس یا گمان اندیشمندانه درباره ماهیت، چگونگى و روابط بین پدیده‌ها، اشیاء و متغیرها، که محقق را در تشخیص نزدیکترین و محتمل‌ترین راه براى کشف مجهول کمک مى‌نماید؛ بنابراین، فرضیه گمانى است موقتى که درست بودن یا نبودنش باید مورد آزمایش قرار گیرد.

🔹فرضیه براساس معلومات کلى و شناخت‌هاى قبلى یا تجارب محقق پدید مى‌‌آید. این شناخت‌ها ممکن است براساس تجارب یا مطالعات قبلى باشد، از منابع شفاهى بدست آمده باشد، یا در جریان مطالعهٔ ادبیات تحقیق حاصل شده باشد.

🔸انواع فرضیه :

1️⃣ رابطه
مثال: بین متغیر X و متغیر Y رابطه معناداری وجود دارد.

2️⃣ اثر
مثال: متغیر X بر متغیر Y  تاثیر معناداری دارد.

3️⃣ مقایسه
مثال: بین متغیر X در جامعه الف و جامعه ب تفاوت معناداری وجود دارد.

🔹بنابراین فرضیه های ما از این سه حالت خارج نیستن یا رابطه ان یا اثر و یا مقایسه

👈نکته: هر فرضیه معمولا از دو متغیر تشکیل میشه مگر اینکه متغیر تعدیلگر یا میانجی وجود داشته باشد.

🔺مثال از وجود متغیر #تعدیلگر:
متغیر Z اثر متغیر X بر متغیر Y را تعدیل می کند.

🔺مثال از وجود متغیر #میانجی:
متغیرM در رابطه بین متغیر X  و متغیر Y نقش میانجی را دارا می باشد.

در مدل معادلات ساختاری ماتریس مثبت معین نیست!!

در معادلات ساختاری مثبت معین نبودن برخی ماتریس‌های مدل (ماتریس کوواریانس یا ماتریس کوواریانس مجانبی)، منجر به دریافت این پیام می‌شود. مثبت معین بودن، یکی از خواص ریاضی ماتریس‌ها است که عدم برقراری آن، منجر به اختلال در محاسبات و براوردهای معادلات ساختاری می‌شود.

🔵 رایج‌ترین دلایل مثبت معین نبودن ماتریس را می‌توان در ۵ مورد زیر خلاصه کرد:

1️⃣ وابستگی خطی: حالتی است که در آن یک یا چند متغیر تابعی خطی (یا نزدیک به خطی) از سایر متغیرها باشند. به عنوان مثال اگر در مدل دو متغیر داشته باشیم که یکی از آن‌ها طول را بر حسب متر و دیگری بر حسب سانتی‌متر بیان کرده باشد. یا دو سئوال در پرسشنامه مفهومی بسیار نزدیک به هم داشته باشند به طوری که جواب‌های آن دو بسیار نزدیک به هم باشند. یکی از اقدام‌ها برای تشخیص وابستگی خطی، بررسی ماتریس همبستگی و بررسی متغیرهایی با ضریب همبستگی بالا است. اقدام دیگر انجام رگرسیون خطی تک تک متغیرها به عنوان متغیر وابسته و سایر متغیرها به عنوان متغیر مستقل است. در این رگرسیون‌ها باید معیارهای همخطی (همانند VIF) بررسی شوند.

2️⃣ خطا در خواندن داده‌ها: در برخی نرم‌افزارها، عدم خوانده‌ شدن داده‌ها توسط نرم‌افزار یا خالی بودن آن باعث دریافت پیغام عدم مثبت معین بودن است.

3️⃣ اشتباه در داده‌ها: گاهی اوقات ممکن است هنگام ورود داده‌ها، مقادیر یک متغیر عیناً در یک متغیر دیگر وارد شده باشد و لذا دو متغیر با داده‌های یکسان وجود داشته باشند.

4️⃣ کم بودن حجم نمونه: این امر ممکن است باعث کاهش بیش از حد تغییرپذیری و لذا عدم مثبت معین بودن ماتریس شود.

5️⃣ ثابت بودن مقدار یک متغیر: ممکن است همه مقادیر یک متغیر به اشتباه با یک عدد ثابت پر شده باشد. هم چنین بعضی متغیرها مقادیر یکسان (یا تقریبا یکسان) دارند. این متغیرها برای انجام معادلات ساختاری مناسب نیستند.

چطور و تحت چه شرایطی از انواع رگرسیون ها استفاده کنیم؟

🔹#رگرسیون_ساده و #چندگانه  :
 در رگرسیون ساده یک #متغیر_مستقل (اثرگذار) و یک #متغیر_وابسته (اثرپذیر) با مقیاس کمی (فاصله‌ای و یا نسبی) وجود دارد و روابط این متغیرها در قالب علت و معلول مورد بررسی قرار می‌گیرد. این درحالی است که در رگرسیون چندگانه یک متغیر وابسته و دو یا چند متغیر مستقل وجود دارد که با استفاده از آن میزان اثرگذاری و سطح معنی‌داری متغیرهای مستقل بر متغیر وابسته بررسی می‌گردد.

🔹#رگرسیون_غیرخطی :
در رگرسیون غیرخطی روابط بین دو متغیر کمی به واسطه توابع ریاضی شامل توابع توانی، نمایی، معادله درجه دو، معادله درجه سه، لگاریتمی و ... است. در این نوع رگرسیون روابط دو متغیر با مقیاس کمی واکاوی می‌گردد و مهم‌ترین تغییرات دو جانبه در بین متغیر و نقاط تغییر مشخص می‌گردد.

🔹#تحلیل_مسیر :
تحلیل مسیر روش آماری کاربرد ضرایب بتای استاندارد رگرسیون چند متغیرى در مدل‌هاى ساختاری است. هدف تحلیل مسیر به دست آوردن برآوردهاى کمى روابط علی الخصوص ( همکنشی یکجانبه) بین مجموعه‌اى از متغیرها است. ساختن یک مدل علّی لزوماً به معنای وجود روابط علّی در بین متغیرهای مدل نیست بلکه این علیت بر اساس مفروضات همبستگی و نظر و پیشینه تحقیق استوار است.

🔹#روش_تحلیل_تشخیصی :
هنگامی که متغیر وابسته گروه‌بندی باشد و متغیرهای مستقل کمی باشند، روش تحلیل تشخیصی جهت بررسی نقش متغیرهای مستقل در تفکیک متغیر وابسته گروه‌بندی به کار گرفته می‌شود. تحلیل تشخیصی راهکاری است برای آن که متغیرها را در قالب گروه‌های مجزا از هم تفکیک کنیم، به صورتی که هر گروه در عین اینکه با گروه دیگر شباهت و همبستگی دارد، از انسجام لازم نیز برخوردار باشد.

👈 در واقع تحلیل تشخیصی، تشخیص معادله‌ای است که با داشتن مشخصات هر فرد از جامعه، می‌توان با قرار دادن این مشخصات در آن معادله، پیش‌بینی کرد که وی به کدام گروه تعلق دارد. به عبارتی منظور از تحلیل تشخیصی، گروه‌بندی داده‌ها به گروه‌های متجانس است، به گونه‌ای که مشاهدات هر گروه با دیگری شبیه باشند و مشاهدات گروه های مختلف نسبت به یکدیگر کمترین شباهت را داشته باشند. لازم است گفته شود که در تحلیل تشخیصی باید از هر یک از گروه‌های مورد نظر نمونه‌های مناسبی در اختیار داشت تا بتوان با استفاده از نمونه‌های شناخته شده تابع تشخیص را معلوم کرد.

🔹#رگرسیون_لجستیک :
هنگامی که یک متغیر وابسته دو وجهی و تعدادی متغیر مستقل با مقیاس‌های کمی و کیفی وجود داشته باشد از رگرسیون لجستیک استفاده می‌شود. رگرسیون لجستیک از لحاظ محاسبات آماری شبیه رگرسیون چند گانه است اما از لحاظ کارکرد مانند تحلیل تشخیصی می باشد. در این روش عضویت گروهی بر اساس مجموعه ای از متغییرهای پیش بین انجام می شود

🔹#رگرسیون_لجستیک_ترتیبی :
هنگامی که متغیر وابسته دارای مقیاس ترتیبی باشد و متغیرهای مستقل ترکیبی از مقیاس‌های کمی و کیفی باشند رگرسیون لجستیک ترتیبی اهمیت پیدا می‌کند و در این روش به نرمال بودن داده‌ها به عنوان یک پیش‌فرض آماری برای انجام تحلیل توجه نمی‌شود.

رابطه بین روایی و پایایی

 یکی از سوالاتی که همواره در دوره های آموزشی از جانب دانشجوهای عزیز پرسیده می شود رابطه بین دو مفهوم روایی وپایایی است . باید بیان کرد که وجود پایایی شرطی برای وجود روایی بوده و تحقق آن نسبت به روایی آسانتر است.  گرچه وجود پایایی برای برخورداری از یک سنجه معتبر، مفهومی لازم است اما روایی یک سنجه را تضمین نمی کند به عبارتی پایایی برای وجود روایی نقش یک شرط لازم اما نه کافی را بازی می کند.

یک سنجه می تواند بارها و بارها نتایج مشابهی را به بار آورد به عبارتی یعنی پایایی داشته باشد، اما آنچه که اندازه گیری می کند با تعریف سازه تناسب نداشته باشد یعنی صاحب روایی نباشد.

در واقع یک سنجه شاید پایا باشد اما روایی نداشته باشد . برای مثال من بالای ترازوی منزلم می روم و خود را وزن می کنم،  هر بار که بالای ترازو می آیم و خود را وزن می کنم، ترازو وزن مشابهی را نشان  می دهد، اما هنگامی که خود را با ترازو  دقیق تری وزن می کنم، وزنم کمی بیشتر نشان داده می شود . سنجه اول یعنی ترازوی خانگی دارای پایایی است  اما وزن مرا درست نشان  نمی دهد، یعنی روایی ندارد.

روابط بین پایایی و روایی  از طریق نمودار بهتر نشان داده می شود بابی در سال ۱۹۹۸ از طریق یکسری سیبل و تشبیه رابطه این مفاهیم به یک هدف به خوبی این رابطه را تبیین کرد.

دایره ها نشان دهنده تناسب میان سنجه و تعریف سازه هستند

 

 

معمولا روایی و پایایی مکمل یکدیگر هستند. ولی در پاره ای از موقعیت های خاص با یکدیگر در تناقض هستند. گاهی هر چه روایی افزایش پیدا کند تحقق پایایی دشوارتر می شود و بر عکس. این امر زمانی رخ می دهد که تعریف سازه شدیدا انتزاعی بوده و یا به سهولت قابل مشاهده نباشد. پایایی زمانی به سهولت تحقق میابد که سنجه دقیق  و مشاهده پذیر است . بنابراین میان انتزاعی بودن سازه و اندازه گیری  آن به روش عینی تنشی وجود دارد.

برای مثال از خود بیگانگی سازه ای بسیار ذهنی و انتزاعی  است و اغلب به عنوان احساس درونی عمیق نسبت به از دست دادن خوی مردمی است که در مورد جنبه های مختلفی از زندگی افراد  مثل روابط اجتماعی  یا احساس به خویش مصداق پیدا می کند. سوالات دقیق یک پرسشنامه که برای اندازه گیری از خود بیگانگی طراحی شده است  پایایی سنجه ها را تحقق می بخشند اما نباید خطر غفلت از سرشت ذهنی سازه را از یاد برد.

محسن مرادی