متغیرهای تک سوالی در مدلسازی معادلات ساختاری

معمولا در دوره های مدلسازی معادلات ساختاری زمانی که تفاوتهای دو دسته از نرم افزار کواریانس محور و واریانس محور بیان می شود مشاهده می شود یکی از این تفاوتها این است که تنها نرم افزار واریانس محور اسمارت پی ال اس است که می تواند گونه خاصی از سازه ها را برآورد نماید که تنها توسط یک سوال یا سنجه اندازه گیری می شود. همواره دانشجویان آکادمی تحلیل آماری سوالاتی پیرامون این نوع متغییرهای تک سوالی در ذهن دارند که بهتر دیدیم در مطلبی جداگانه از پروفسور هیر آن را تشریح نماییم.

نسبت به استفاده از متغییرهای چند سواله برای سنجش یک سازه، برخی مواقع محققان استفاده از یک آیتم را انتخاب می کنند. متغیرهای تک سوالی مزایای عملی مثل سادگی کاربرد، اختصار و هزینه های پایین تر مرتبط با استفاده از آن را دارد. بر خلاف مقیاس های طولانی و پیچیده که اغلب منجر به درک پایین و خستگی ذهنی پاسخگویان می شوند، متغییرهای تک سوالی نرخ پاسخگویی بالاتر را از آنجا که سوالات به سادگی و به سرعت پاسخ داده می شوند، تشویق می کند(فاچز و دیامنتوپولوس،۲۰۰۹؛ سارستد و ویلزینسکی،۲۰۰۹). به هر حال متغیرهای تک سوالی به ندرت پیشنهاد می شوند.

برای مثال متغیرهای تک سوالی محققان را با درجه آزادی کمتر هنگام افراز داده به زیرگروه ها، تنها می گذارد. زیرا برای تخصیص مشاهدات به گروه ها، مقادیر فقط از یک متغییر در دسترس هستند. به طور مشابه، هنگام استفاده از روش های ایمپیوت برای برخورد با مقادیر گمشده اطلاعات اندکی وجود دارد. در پایان از دیدگاه روان سنجی، متغیرهای تک سوالی امکان تنظیم خطای اندازه گیری را نمی دهند(چیزی که برای متغییرهای چند سواله وجود دارد) ، و این عموما پایایی آنها را کاهش می دهد. توجه داشته باشید که بر خلاف باورهای عموم، متغیر تک سوالی قابل برآورد است.(لو،۲۰۰۲؛ ونوس و دیگران،۱۹۹۷).

امید بستن به متغییر تک سوالی در بیشتر زمینه های تجربی وقتی درصدد روایی پیش بین هستیم تصمیم خطرناکی است. بخصوص، بسیار بعید است که در عمل رخ دهند. این نتیجه گیری حتی بیشتر برای PLS وارد است، زیرا به کارگیری تعداد اندکی از آیتم ها برای اندازه گیری سازه(در نهایت، استفاده از متغییر تک سوالی) با خواست کاهش گرایش  PLS به گسترش برآوردهای اریبی دار(بیش برآورد روابط مدل اندازه گیری و کم برآورد روابط مدل ساختاری؛ اریبی PLS) ناسازگار است.

به یاد داشته باشید که با PLS وقتی تعداد معرف ها و یا تعداد مشاهدات افزایش می یابد این اریبی کاهش می یابد(سازگاری در بزرگی). طبق دستورالعمل دیامنتوپولوس و دیگران(۲۰۱۲) متغییرهای تک سوالی تنها زمانی باید مورد ملاحظه قرار گیرند که

• حجم نمونه کم باشد(کمتر از ۵۰)
• انتظار ضرایب مسیری(ضرایب پیوند سازه ها در مدل ساختاری) ۰٫۳ یا کمتر وجود داشته باشد
• آیتم های مقیاس چند سوالی اساسا بسیار همگن باشند(آلفای کرونباخ بیشتر از ۰٫۹)
• آیتم ها دارای افزونگی معنایی زیادی هستند.

دکتر محسن مرادی

آموزش تحلیل متغیر میانجی در مدل

متاسفانه برایند اطلاعاتی که از کارهای دانشجویان عزیز به ما می رسد این است که در آموزش تحلیل متغیر میانجی در مدل و حتی شناخت آن کج روی های بنیادی وجود دارد و حتی در بسیاری از رساله ها و مقاله ها این تحلیل با تحلیل متغیر های تعدیلگر خلط مبحث می شود. بنابراین بر آن شدیم که در قالب مقاله ای با زبان ساده آموزش تحلیل میانجی در مدل را مورد بحث قرار دهیم.

به روال آموزش های کلاس های معادلات ساختاری  باید از پایه آغاز نمود و ابتدا برای محققین شرح داد متغیر میانجی چیست زیرا اکثر کج روی ها از شناخت این متغیر آغاز می گردد.

مطابق با تعریف بارون و کنی در سال ۱۹۸۶ متغیر میانجی یا mediator متغیری است که تمام یا بخشی از اثر متغیر مستقل بر وابسته را منوط به خود می کند. اشتباه دقیقا از عدم توجه به همین نکته شروع می شود. یعنی (تمام یا بخشی از اثر متغیر مستقل بر وابسته)، یعنی باید اثری بین این دو متغیر باشد که متغیر واسطه یا میانجی بتواند بخشی یا تمام آن را از خود عبور دهد(مرادی و میر الماسی، ۱۳۹۶)

فرض کنید در نقطه A  ظرف آبی قرار دارد که از لوله c به سمت B می رود. بنابراین ما مسیر آب در لوله مستقیم را داریم. حال می توان لوله ای فرعی کشید که آب ابتدا به مخزن M و بعد به مخزن B برود. دقیقا در مدل های ساختاری باید اثری از  متغیر A به سمت  B باشد که بعد متغیر میانجی M بتواند بخشی یا تمام اثر را از خود عبود دهد. بنابراین محققین عزیز در نظر داشته باشند که متغیر میانجی در شکل دوم قابل تحلیل است و شکل سوم تنها اثر غیر مستقیم بین A و B می باشد(مرادی و میر الماسی، ۱۳۹۶).

 

بنابراین برای تحلیل متغیر میانجی در مدل باید شکل مدل ساختاری پژوهش هم دارای مسیر مستقیم یعنی C و هم دارای مسیر غیر مستقیم یعنی  a×b  باشد. اکنون که می دانیم چه نوع متغیری قابلیت تحلیل میانجی را داراست به روش تحلیل و اجزای آن می رویم.

پیش از بیان تحلیل مسانجی باید گفت روش فرضیه نویسی از سال ۲۰۱۰ برای متغیر میانجی تغییر نموده است. زیرا با تفاق نظر صاحب نظران یک فرضیه باید با یک آزمون سنجش شود. یعنی وقتی به شکل ۴ نگاه میکنیم نمی توان با شیوه بسیار قدیمی بسیاری از اساتید تحلیل مسیر را انجام داد. مطابق با زنجیره گزاره های تحقیق آموزش داده شده در کلاس سه فلش تک جهته وجود دارد، بنابراین سه فرضیه نیز وجود دارد و نمیتوان آن را همانند موضوع تحقیق که کلی است و بنا بر آزمون در قالب فرضیه های مختلف است بررسی کرد. اگر بخواهم واضح تر بیان کنم برخی اساتید که با نرم افزار های آماری آشنایی کمتری دارند بیان می کنند که مثلا  متغیر مستقل بر متغیر وابسته با نقش میانجی گر M تاثیر می گذارد. این گزاره برای عنوان یک رساله میتواند قابل قبول و توجیه باشد اما برای یک فرضیه که تنها باید با یک آزمون سنجیده شود خیر. زیرا سه آزمون این سه مسیر را تخمین می زنند. بنابراین باید برای هر فلش یک فرضیه نوشت، سپس در نهایت پس از اجرای مدل در نرم افزار با انواع تحلیل های میانجی به بررسی متغیر میانجی پرداخت. (مرادی و میر الماسی، ۱۳۹۶)

اکنون محقق باید بداند از تحلیل میانجی قرار است به چه اهدافی دست یابد. هدف از تحلیل میانجی این است که بدانیم متغیر میانجی ما:

• میانجی نیست: یعنی اثر متغیر مستقل بر وابسته را به خود منوط نمی کند.
• میانجی کامل است. یعنی تمام اثر متغیر مستقل بر وابسته را منوط به حضور خود می کند.
• میانجی جزیی است : یعنی بخشی از اثر متغیر مستقل بر وابسته را منوط به حضور خود می کند.

بنابراین برای رسیدن به این اهداف باید شاخص های زیر را بشناسد:

c : مسیر مستقیم یا اثر مستقیم نام دارد.

a×b : مسیر غیر مستقیم یا اثر غیر مستقیم  نام دارد.

 + c(a×b) : مسیر کل یا اثر کل نام دارد.

اما مهمترین شاخصی که باید بیاموزد variance accounted for(VAF) یا همان شمول واریانس است. شمول واریانس در حقیقت نسبت اثر غیر مستقیم بر اثر کل است. یعنی

VAF= (a×b) / (a×b)+c

اکنون باید بدانیم از چه رویکردی می خواهیم دست به تحلیل میانجی بزنیم.

دو رویکرد بارون و کنی و سوبل در کلاس های آکادمی تحلیل آماری ایران مورد بحث قرار گرفته است اما باید بیان کرد که رویکرد بوت استرپینگ با استفاده از نمونه گیری خودکار یعنی بوت استرپینگ به دلیل اینکه نرم افزار های مختلف مدل سازی معادلات ساختاری مثل ایموس و اسمارت پی ال اس از آن بهره می برند یکی از بهترین ها برای تحلیل میانجی محسوب می شود. البته رویکرد بوت استرپینگ پیش فرضی پیرامون شکل توزیع متغیر ها و نرمال بودن آن ها ندارد و برای حجم نمونه های کوچک با اطمینان بیشتری می تواند بکار رود. اما باید بیان کرد که در زمانی که متغیر میانجی در مدل حضور ندارد باید مسیر مستقیم و اثر آن از نظر آماری معنادار باشد(ژائو و همکاران، ۲۰۱۰)

بنابراین باید یکبار مدل را بدون حضور میانجی و بار دیگر با حضور متغیر میانجی در نرم افزار اجرا نماییم و از الگوریتم زیر پیروی کنیم

مشخص است که اگر مسیر غیر مستقیم معنادار باشد که به معنای این است که هم a و b معنادار است که حاصلضرب آن ها نیز معنادار است می توان به ارزیابی VAF پرداخت و در یکی از حالت های سه گانه الگوریتم قرار گرفت. اما نباید فراموش کرد که حالت استثنایی را نیز پرفسور هایر در مطالعات خود بیان می کند. و آن زمانی است که با ورود متغیر میانجی به مدل در مدل دوم اجرایی محقق رابطه علی مسیر مستقیم تغییر جهت می دهد. یعنی مثلا قبل از ورود میانجی رابطه علی مثبت و معنادار است اما بعد از ورود آن به مدل رابطه آن ها منفی و معنادار می شود. این پدیده را suppressor effect  یا اثر سرکوبگر می خوانند که می تواند مقدار VAF را بزرگتر از یک نماید. در آن صورت دیگر آزمون دارای پاسخ کاذب بوده و قابل تفسیر نیست(مرادی، میر الماسی، ۱۳۹۶)

دکتر محسن مرادی

چرا مدلسازی معادله ساختاری عمومیت یافته است؟

حداقل چهار دلیل اصلی برای چنین عمومیتی وجود دارد. دلیل اول اینکه محققان در نیاز به کاربرد متغییرهای مشاهده شده چندگانه برای درک بهتر از حوزه علمی پژوهشی خود آگاه تر شده اند. روش های آماری مقدماتی تنها تعداد محدودی از متغییرها را به طور همزمان به حساب می آورند که ناتوان از سروکار داشتن با نظریه های  پیشرفته و پیچیده ترند. به کارگیری تعداد کمی از متغییرها، برای فهم پدیده های پیچیده موجب محدودیت است. به عنوان مثال کاربرد همبستگی های دو متغییره ساده برای آزمون مدل نظری پیچیده کارآمد نیست. در مقابل مدلسازی معادله ساختاری به پژوهشگر اجازه می دهد تا پدیده های پیچیده را به لحاظ آماری به مدل درآورده و آزمون کند. تکنیکهای مدلسازی معادله ساختاری روش هایی برای تایید یا رد مدلهای نظری به روش کمی هستند.

دلیل دوم، به توجه محققان درباره اهمیت بالای اعتبار و قابلیت اعتماد نمرات مشاهده از ابزارهای اندازه گیری مربوط است. به ویژه خطای اندازه گیری تبدیل به موضوعی اساسی در همه رشته های علمی شده است؛ اما در روش های آماری کلاسیک، خطای اندازه گیری و تحلیل آماری داده ها به طور جداگانه انجام می شوند. هنگامی که داده ها به لحاظ آماری تحلیل می شوند تکنیکهای مدل سازی معادله ساختاری، خطاهای اندازه گیری را نیز به حساب می آوردند.

دلیل سوم برای رشد و توسعه مدلسازی معادله ساختاری در سی سال اخیر به ویژه به توان تحلیل مدلهای نظری ساختاری پیشرفته مربوط است. به عنوان مثال تفاوتهای گروهی در مدل نظری ساختاری پیشرفته تر مربوط است. به عنوان مثال تفاوتهای گروهی در مدلهای نظری می توانند از طریق مدلهای معادله ساختاری با گروههای چندگانه مورد ارزیابی قرار گیرند. علاوه بر آن جمع آوری داده های آموزشی در بیشتر از یک سطح، به عنوان مثال از دانش آموزان، معلمان و مدارس و تحلیل آنها با به کار بردن مدلسازی معادله ساختاری چندسطحی امکان پذیر است. به عنوان یک نمونه نهایی اجزای تعاملی اکنون می تنوانند در یک مدل ساختاری وارد شوند به نحوی که اثرات اصلی و اثرات تعاملی آزمون شوند. این مدلها و تکنیکهای پیشرفته توان محققان را در تحلیل مدلهای نظری پیچیده تر برای پدیده های پیچیده افزایش داده و نیاز وابستگی آنان را به مدل های آماری پایه کاهش داده است.

در نهایت برنامه های مدلسازی معادلات ساختاری با سهولت هر چه بیشتری قابل استفاده اند. به عنوان مثال تا سال ۱۹۹۳ کاربران LISREL باید داده هایشان را با استفاده از دستورالعمل های متناسب با مدلشان به وسیله نمادگذاری یونانی و نشانه گذاری ماتریسی وارد می کردند. در آن زمان بسیاری از پژوهشگران به دنبال کمک بودند چرا که نیازمند دانش برنامه نویسی پیچیده و دانش مربوط به برنامه نویسی مدلسازی ساختاری بودند. امروزه اکثریت برنامه های نرم افزاری، تحت ویندوز و ترسیمی بوده و به طور درون زا دستورالعمل های برنامه خود را تولید می کنند. بنابراین برنامه های نرم افزاری مدل سازی معادله ساختاری در حال حاضر برای استفاده ساده ترند و دارای ویژگی هایی شبیه سایر بسته های نرم افزاری تحت ویندوز هستند. در هر حال با وجود چنین در کاربرد به منظور اجتناب از اشتباهات و خطاها در تحلیل مدل های نظری پیچیده و دقیق، فراگیری روش های آماری و برنامه های نرم افزاری از طریق دوره ها و کارگاه های تحلیل آماری اجتناب ناپذیر است.

مدل سازی معادله ساختاری چیست؟

مدل معادلات ساختاری (SEM) تحلیل چند متغیری بسیار نیرومند از خانواده رگرسیون چند متغیری است که به محقق امکان میدهد مجموعهای از معادلات رگرسیون رابه طور همزمان مورد آزمون قرار دهد. مدل سازی معادله ساختاری دیدگاهی است که در آن الگوهای فرضی از ارتباطات مستقیم وغیرمستقیم در میان یک مجموعه از متغیرهای مشاهده شده و پنهان بررسی می شود.

کاربرد اصلی آن در موضوعات چند متغیره ای است که نمی توان آنها را به شیوه دو متغیری با در نظر گرفتن هربار یک متغیر مستقل با یک متغیر وابسته انجام داد. مدل معادله ساختاری اساسا ترکیب مدل های مسیر و مدل های تحلیل عاملی تاییدی است.

تحلیل مسیر بطور کامل با متغیرهای آشکار تعریف شده است اما در آن چند متغیر مستقل آشکار و چند متغیروابسته آشکار بکار می رودورابطه علی بین مجموعه ای ازمتغیرهای مستقل ووابسته را ارزیابی می کند.

تحلیل عاملی شامل متغیرهای آشکاری است که فرض شده یک یاچند متغیر پنهان را اندازه گیری می کنند. 

SEM هردومدل فوق را شامل می شود.

شجره نامه معادلات ساختاری را میتوان به شکل زیر نمایش داد:

 

به طور خلاصه و ساده، معادلات ساختاری را به دو بخش میتوان تقسیم نمود:

1. مدل اندازه گیری: شامل ارتباط بین گویه ها یا همان سوالات پرسشنامه با سازه ها. این مدل شامل متغیرهای مشاهده شده (یا همان سوال های پرسشنامه) و متغیرهای مکنون (پنهان) یا همان سازه های مدل می شود.
2. مدل ساختاری: شامل ارتباط بین سازه ها یا همان متغیرهای اصلی مدل. این مدل، شامل متغیرهای برونزا (Exogenous) و متغیرهای درونزا (Endogenous) می گردد.

متغیرهای برونزا، متغیرهایی هستند که حداقل بر یک سازه دیگر اثر می‌گذارند، ولی از هیچ سازه ای اثر نمی پذیرند.

متغیرهای درونزا، متغیرهایی هستند که حداقل از یک سازه دیگر اثر می‌پذیرند، و می‌توانند بر سازه های دیگر اثرگذار باشند و یا نباشند.

نمونه گیری خوشه ای

اگر در گروه بندی جامعه، واریانس بین طبقات کم ولی در داخل طبقات زیاد باشد(عکس نمونه گیری مطبق)، از روش نمونه گیری خوشه ای استفاده می شود . یعنی اگر در گروه بندی جامعه بین طبقات مختلف تفاوت زیادی وجود نداشته باشد، ولی بین افراد هر طبقه تفاوت زیادی وجود داشته باشد در این صورت از روش نمونه گیری خوشه ای بهره می گیریم در این جا هر طبقه را خوشه می نامند. بر عکس نمونه گیری تصادفی طبقه ای که در آن گروههای همگن هستند در نمونه گیری خوشه ای گروهها ناهمگن هستند و به ویژه این روش زمانی به کار می رود که فهرستی از افراد جامعه در دسترس نیست و یا توزیع جغرافیایی افراد بسیار پراکنده و گسترده است در این نمونه گیری واحد نمونه گیری فرد نیست بلکه شامل گروه یا خوشه ای از افراد است.(میزانی؛۱۳۸۸)
در این نمونه گیری خوشه ای، واحد انتخابی مثل بقیه افراد نیست، بلکه گروهی از افراد می باشد. یعنی تعدادی از افراد بر اساس خصوصیات، متغییرهای مورد مطالعه گروهی را تشکیل می دهند. البته نمونه گیری خوشه ای از نظر اجرا به دو صورت تقسیم می شوند:
۱-نمونه گیری خوشه ای یک مرحله ای که در آنها خوشه ها در مرحله اول انتخاب و از همه عناصر خوشه های انتخاب شده استفاده می شود
۲-نمونه گیری خوشه ای چند مرحله ای که خوشه ها در بیش از یک مرحله اجرا می شوند و در طی مرحله ها برای انتخاب عناصر هر یک از خوشه های انتخاب شده از فن نمونه گیری تصادفی استفاده می شود.
 به عنوان مثال اگر قرار است که در بین افراد بالای ۱۵ سال شهروندان تهرانی نظرسنجی به عمل آید می توانیم از میان کل ۲۲ منطقه تهران مثلا ۵ منطقه را به عنوان نمونه خوشه ای انتخاب کرده و به همین ترتیب در داخل هر منطقه یک یا دو حوزه و در داخل هر حوزه یک یا دو بلوک و داخل هر بلوک، از چند خانوار نظرسنجی کنیم.
 البته نمونه گیری خوشه ای دقت، ظرافت و اعتبار انواع دیگر نمونه گیری تصافی را ندارد ولی می توان تا حدودی این نقیصه را با انتخاب نمونه های بزرگتر جبران کرد.

دکتر محسن مرادی

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.