پایایی ابزار اندازه گیری (Reliability)

پایایی ابزار اندازه گیری (Reliability) یا قابلیت اعتماد با این امر سروکار دارد که ابزار اندازه‌گیری در شرایط یکسان تا چه اندازه نتایج یکسانی به دست می‌دهد. به این معنی که اگر ابزار اندازه‌گیری را در یک فاصله زمانی کوتاه چندین بار به یک گروه واحد از افراد بدهیم، در نتایج به دست آمده اختلاف چندانی مشاهده نکنیم. برای اندازه‌گیری پایایی شاخصی به نام ضریب پایایی استفاده می‌کنیم. دامنه ضریب پایایی از صفر (عدم پایایی) تا ۱+ (کامل کامل) است. ضریب پایایی صفر معرف عدم پایایی و ضریب پایایی یک معرف پایایی کامل است. پایایی کامل به ندرت دیده می‌شود و در صورت مشاهده باید به دیده تردید به آن نگریست.

پایایی دو جنبه دارد. جنبه اول پایایی، تکرارپذیری ابزار اندازه گیری است.  بدین معنی که اگر اگر مطالعه ای در همان گروه نمونه برای بار دوم انجام شود، به همان نتایج قبلی دست یابد. جنبه دیگر پایایی، همسانی یا سازگاری میان سؤالات پرسشنامه یا ابزار اندازه گیری است. به عنوان مثال اگر همه سؤالات پرسشنامه شما رضایت شغلی را می‌سنجد، انتظار می‌رود که همه پاسخ‌ها تقریباً سازگار و نامتناقض باشند.

بر این اساس، برای محاسبه ضریب پایایی ابزار اندازه‌گیری، روشهای مختلفی به کار برده می‌شود که عبارتند از:

الف) آزمون – آزمون مجدد یا روش بازآزمایی (test – retest):

در این روش آزمون را در نمونه واحدی از آزمودنی‌ها در دو زمان متفاوت تحت شرایط یکسان اجرا می‌کنیم. سپس ضریب همبستگی بین نمرات بدست آمده از دو آزمون محاسبه می‌شود که به آن ضریب ثبات یا پایایی آزمون گفته می‌شود. روش بازآزمایی برای اندازه گیری خصایصی مانند هوش مناسب است که در طول زمان تغییر نمی‌کنند. البته به یاد داشته باشید که نتایج دو آزمون عینا مثل هم نمی‌شوند. زیرا می‌توانند تحت تاثیر تمرین (تجربه) و حافظه آزمودنیها و یا افت انگیزه، رغبت، عوامل محیطی و … قرار بگیرند.

ب) روش موازی یا روش آزمونهای همتا (parallel test):

در این روش آزمون دارای دو فرم همتاست. یعنی هر دو برای اندازه گیری خصیصه واحدی تهیه شده اند. این دو آزمون از نظر قدرت تشخیص، سطح دشواری و محتوای درونی یکسان ولی از نظر شکل ظاهری تفاوتهایی با هم دارند. بهترین روش برای ارزیابی قابلیت اعتماد در آزمون‌های روانی و پیشرفت تحصیلی است.

ضریب پایایی بر اساس همبستگی نمرات دو آزمون همتا به دست می‌آید.

ج) روش دونیمه کردن آزمون (split – half method):

برخلاف روش موازی، این آزمون فقط یک بار در یک گروه نمونه اجرا می‌شود. بعد آن را به دو نیمه  تقسیم و هر نیمه به طور جداگانه نمره گذاری می‌شود. سپس همبستگی بین نمرات این دو نیمه محاسبه می‌شود. برای محاسبه ضریب پایایی کل آزمون از فرمول اسپیرمن- براون استفاده می‌شود. این روش شکلی از همسانی درونی آزمون است و به خصوص زمانی مناسب است که آزمون بسیار طولانی است.

اگر سطح دشواری سوالها در سراسر آزمون یکسان باشد، می‌توان همبستگی نیمه اول را با نیمه دوم حساب کرد. اما اگر سطح دشواری یکسان نباشد، ضریب همبستگی بین سوالهای زوج و فرد محاسبه می‌شود.

د) روش کودر _ ریچاردسون (Kuder – Richardson):

کودر و ریچاردسون روشی را برای محاسبه ضریب همبستگی بین دو نیمه آزمون ابداع کردند که همسانی درونی محتوای آزمون را نشان می‌دهد. این روش برخلاف روش دونیمه کردن و استفاده از فرمول اسپیرمن- براون مستلزم یکسانی واریانس دو نیمه آزمون نمی‌باشد.

ه) روش آلفای کرونباخ (Cronbach Alpha):

یکی دیگر از روشهای بررسی همسانی درونی فرمول کرونباخ است. این روش نشان می‌دهد که سئوالات آزمون تا چه اندازه خصیصه واحدی را اندازه گیری می کنند. ضریب آلفا برای آزمون‌هایی مناسب است که پاسخها نگرش افراد را روی یک پیوستار از مخالفت کامل تا موافقت کامل نشان می‌دهند.

 

 اندازه ضریب پایایی

در تحقیقات علوم اجتماعی غالبا ضریب پایایی بالاتر از ۰.۷۰ قابل قبول است. البته میزان ضریب اعتبار به هدف اندازه گیری نیز بستگی دارد. اگر آزمون برای هدفهای پژوهشی به کار می‌رود یا آزمون‌هایی که ریسک بالایی ندارند، ضریب پایایی بین ۰.۷۰ تا ۰.۸۰ کافی است. در حالی که در در مطالعات بالینی یا آزمونهایی که ریسک بالایی دارند، به عنوان مثال پذیرش دانشگاه این مقدار باید بیشتر از ۰.۸۵ باشد. همچنین، به زعم برخی از نویسندگان هنگام تصمیم گیری درباره اینده افراد، این رقم باید بیش از ۰.۹۵ باشد.

 

عوامل موثر بر ضریب پایایی

ضریب پایایی یک آزمون را می‌توان به روشهای زیر افزایش داد:

۱- افزایش تعداد سئوالات: با افزایش تعداد سئوالها، احتمال اینکه آزمون معرف واقعی خصیصه مورد اندازه گیری باشد بیشتر می شود. برای مثال ضریب پایایی یک آزمون ۳۰سوالی می‌تواند بیشتر از یک آزمون ۲۰ سوالی باشد.

۲- سوال های مشابه از نظر محتوا و با سطح دشواری متوسط، قابلیت اعتماد آزمون را افزایش می‌دهد.

۳- حذف سئوالات ناهمساز: با حذف سئوالاتی که همبستگی پایینی با کل آزمون دارند، می‌توان ضریب پایایی را افزایش داد. زیرا به احتمال زیاد این سئوالات چیزی غیر از خصیصه موردنظر را می‌سنجند.

لازم به ذکر است که ضریب قابلیت اعتماد در تفسیر نتایج مهم بوده و شرط اساسی در انتخاب یک ابزار اندازه گیری است.

منبع: فائزه حجتی | آذر ۱۲, ۱۳۹۷ - www.toptahlil.com

علت برازش نشدن مدل های ساختاری

برازش نشدن مدل های ساختاری

برازش نشدن مدل های ساختاری علت های فراوانی دارد که در ادامه سعی می شود شایع ترین علت برازش نشدن مدل های ساختاری را تشریح کنیم.

کافی نبودن حجم نمونه

انجام معادلات ساختاری به حجم نمونه بزرگ نیاز دارد. انتخاب حجم نمونه برای تحلیل عاملی، از قاعده بیش تر، بهتر است پیروی می‌کند. یعنی هر چه حجم نمونه بیشتر باشد، نتایج تحلیل عاملی دقیق‌تر و معتبرتر است.

در تحلیل عاملی اکتشافی برای هر متغیر، 10 تا 20 نمونه توصیه شده است. برخی منابع به حجم نمونه حداقل 200 نفر برای تحلیل عاملی اکتشافی اشاره ‌کرده‌اند.

در تحلیل عاملی تاییدی تعیین حجم نمونه بر اساس تعداد عامل توصیه شده است وجود 20 نمونه برای هر عامل(متغیر مفهومی) کافی است.

برای تعیین حجم نمونه در معادلات ساختاری توافق کلی وجود ندارد اما از نظر بسیاری از پژوهشگران داشتن حداقل 200 نمونه برای معادلات ساختاری لازم است.

وجود نداشتن پشتوانه علمی برای مدل

در معادلات ساختاری باید مدل ها پیشتوانه نظری و علمی داشته باشد یعنی بر اساس پیشینه تحقیق و ادبیات نظری هم بتوانیم روابط بین متغیرها را توجیه کنیم. بنابراین اگر روابط بین متغیرها پشتوانه نظری و علمی نداشته باشد ممکن است ارتباط بین متغیرها در مدل معنادار نشود.

پرسشنامه استاندارد نباشد

در صورتی پرسشنامه برای سنجش متغیرها استاندارد نباشد و روایی نداشته باشد در این شرایط بارعاملی سنجه ها ضعیف بدست می اید در نتیجه مدل تایید نمی شود.

داده ها مطلوب نباشد

گاهی اوقات پرسشنامه استاندارد است و مدل هم علمی است اما جامعه آماری مناسب انتخاب نشده است در این شرایط یا پاسخگویان بر سوالات پرسشنامه اشراف ندارند و یا بدون دقت و حوصله پرسشنامه را پر می کنند که در این شرایط مدل های اندازه گیری تایید نمی شود.

وجود داده های پرت

وجود داده های پرت باعث می شود نرمال بودن چند متغیره برقرار نشود و یا باعث ایجاد انحراف در محاسبه پارامترهای مدل می شود در این صورت شاخص های برازش مدل مطلوب بدست نمی آید.

 

وجود روابط خیلی زیاد و نامتعارف در مدل ساختاری

گاهی اوقات تعداد فرضیات زیاد است و پژوهشگر سعی می کند همه فرضیات را در یک مدل ساختاری نشان دهد در این شرایط تعداد روابط خیلی زیاد می شود و مدل به علت تعداد زیاد روابط، برازش خود را از دست می دهد. در مدل ساختاری سعی شود تعداد روابط در حد متعارف و منطبق با مدل نظری باشد بگونه ای که مدل کاملا خوانا باشد و مدل شبیه کلاف در هم نباشد.

ترسیم نادرست مدل ساختاری در نرم افزار AMOS

گاهی اوقات پژوهشگر مدل را بطور صحیح در نرم افزار AMOS ترسیم نمی کند در این صورت مدل اجرا نمی شود مثلا خطاهای اندازه گیری و خطاهای ساختاری را فراموش می کند در مدل ترسیم کند یا مدل حالت نامعین دارد و فراموش می کند مدل را از حالت نامعین خارج کند.

آموزش نرم افزار تخصصی SPSS

سرفصل دوره مقدماتی و متوسطه آموزش SPSS

• درس اول : آشنایی با محیط نرم افزار و آماده سازی فایل داده ها

1. آشنایی با نرم افزار SPSS
2. معرفی مفاهیم آماری پایه
3. آشنایی با محیط نرم افزار
4. نحوه ی تعریف متغیرها
5. نحوه ی وارد کردن داده ها
6. پاکسازی داده ها
7. اعمال تغییرات در طبقه بندی متغیرهای پیوسته و طبقه ای

• درس دوم: آماره های توصیفی و رسم نمودارها

1. تقسیم بندی علم آمار و روش های آماری
2. معرفی انواع آماره های توصیفی برای داده های کمی و کیفی
3. معرفی انواع نمودارها و چگونگی رسم آنها در نرم افزار
4. آشنایی با توزیع نرمال داده ها و ویژگی های آن

• درس سوم: آشنایی با تحلیل داده های پرسشنامه ای

1. ویژگی ها و اجزای پرسشنامه
2. روایی و پایای
3. به دست آوردن آماره های توصیفی پرسشنامه
4. کدگذاری مجدد سوال های معکوس در پرسشنامه
5. محاسبه ی نمره ی مقیاس کلی از زیرمقیاس ها

• درس چهارم : آزمون همبستگی و انواع آزمون های رگرسیون

1. تعریف همبستگی
2. جهت و شدت رابطه متغیر ها
3. انواع آزمون های همبستگی(پیرسون و اسپیرمن) و موارد کاربرد هرکدام
4. همبستگی تفکیکی
5. مفروضات کلی رگرسیون
6. رگرسیون خطی ساده
7. رگرسیون چندگانه
8. رگرسیون لجستیک

• درس پنجم : آزمون های پارامتری برای مقایسه گروه ها (آزمون های T)

1. معرفی آمار پارامتری و ناپارامتری
2. مفروضات کلی آزمون های پارامتری
3. آزمون فرض و انواع آزمون فرض
4. خطای نوع اول و دوم
5. معرفی انواع آزمون های پارامتری برای مقایسه ی گروه ها
6. آزمون T تک نمونه ای (one sample t-test)
7. آزمون T دو نمونه ی مستقل (independent sample t-test)
8. آزمون T دو نمونه ی وابسته (pair sample t-test)

• درس ششم : آزمون های پارامتری برای مقایسه گروه ها (آزمون های تحلیل واریانس)

1. تحلیل واریانس یک راهه بین گروهی
2. تحلیل واریانس یک راهه اندازه گیری های مکرر
3. معرفی انواع آزمون های تعقیبی
4. تحلیل واریانس یک راهه آمیخته
5. تحلیل واریانس دو راهه
6. تحلیل کواریانس و فرضیات آن

• درس هفتم : آزمون های ناپارامتری برای مقایسه گروه ها

1. کاربرد آزمون های ناپارامتری
2. آزمون مجذور کای تک نمونه ای (one sample Chi-Square)
3. آزمون مجذور کای برای استقلال و همگونی داده ها (Chi-Square Test)
4. آزمون مک نمار (McNemar’s Test)
5. آزمون Q-کوکران (Cochran’s Q Test)
6. آزمون یو من ویتنی (Mann-whitney U Test)
7. آزمون کروسکال والیس (Kruskal-Wallis Test)
8. آزمون رتبه های علامت دارویلکاکسون (Wilcoxo signed rank Test)
9. آزمون فریدمن (Friedman Test)

• درس هشتم: تحلیل عاملی (Factor Analysis)

1. معرفی روش آماری تحلیل عاملی
2. انواع تحلیل عاملی
3. آشنایی با مفاهیم آماری مربوط به تحلیل عاملی
4. معرفی مراحل تحلیل عاملی :
5. بررسی پیش فرض ها
6. استخراج عامل ها
7. چرخش عامل ها

آموزش کامل نحوه ایجاد یک نمودار ستونی با نرم افزار SPSS (گام به گام)

یک نمودار ستونی میتواند از داده های شما نمایش گرافیکی واضحی ارایه دهد. اغلب علاوه بر آمار استنباطی این نمودار میتواند برای توصیف داده ها بکار رود. مثلا اگر شما در حال تحلیل داده های خود در نمونه های مستقل با تست t یا تحلیل داده ها در نمونه های جفت شده (وابسته) با تست t هستید یا میخواهید تحلیل واریانسی یکسویه یا چند سویه انجام دهید میتوانید از این نمودار کمک بگیرید.

مقدمه

اگر بخواهیم جهت انجام یک تحلیل واریانسی ترکیبی یا دوسویه از تست کای-اسکوئر (chi-square) استفاده کنیم، باید بجای نمودار ستونی از نمودار ستونی خوشه ای کمک بگیریم. (نکته: برای رسم نمودار ستونی خوشه ای ما میتوانیم به شما کمک کنیم). هدف از این مبحث این است که به شما نشان دهیم با نرم افزار SPSS چگونه یک نمودار ستونی رسم کنید . قبل از آموزش توجه شما را به مثالی که آورده ایم جلب میکنیم.

مثال

غلظت کلسترول (نوعی اسید چرب) در خون با خطر سکته قلبی رابطه دارد. غلظت بالای آن علامت بالا بودن خطر سکته و غلظت پایین علامت کم بودن خطر سکته میباشد. اگر غلظت کلسترول در خون کم شود خطر سکته قلبی کم می شود. وزن بالا یا فعالیت فیزیکی اندک غلظت کلسترول در خون را زیاد می کند. ورزش و کاهش وزن به کاهش کلسترول کمک میکندولی مشخص نیست که کدامیک کارامدتر است. بنابراین ما در اینجا یک نمونه آماری تصادفی از آقایان با وزن بالا برای تحقیق در نظر می گیریم تا بفهمیم آیا ورزش برای کاهش سطح کلسترول بهتر عمل می کند یا کاهش وزن. این نمونه آماری به دو گروه تقسیم می شود: یک گروه ورزش و فعالیت بدنی انجام میدهند (که در نمودار ستونی عنوان این گروه را “ورزش” می گذاریم) و گروه دیگر از یک رژیم غذایی با کالری کنترل شده استفاده میکند (که در نمودار ستونی نام آن را “رژیم غذایی” قرار میدهیم).

برای اینکه اجرای این برنامه های رفتاری برای هر دو گروه موثر واقع شود از غلظت های کلسترول در انتهای کار میانگین گرفته می شود.بنابراین متغیر وابسته غلظت کلسترول است و متغیر مستقل برنامه کاری این دو گروه یعنی ورزش و رژیم غذایی است. نکته این نمونه آماری شامل داده هایی است که ما از نمونه های مستقل خود با تست t بدست آورده ایم شما اگر مایل باشید می توانید از داده های مورد نظر خودتان در تست t استفاده کنید.

روش تست در SPSS :

۱۳ مرحله ای را که شما در اینجا دنبال می کنید نشان می دهد چگونه یک نمودار ستونی بدست آمده از SPSS را برای مثال بالا رسم کنید. (نکته: اگر شما برای رسم نمودار راهنمایی می خواهید این نوشتار به شما کمک می کند.)

Graphs>chart Builder … ابتدا روی Graphs وسپس روی Chart Builder در منویی که در شکل زیر می بینید کلیک کنید.

با صفحه زیر مواجه می شوید:

در برگه Gallery گزینه Bar راانتخاب کرده و آیکون نمودار ستونی ساده (ایکون بالا سمت چپ) را انتخاب کنید. این آیکون را بداخل کادر پیش نمایش نمودار کشیده و رها کنید.

در اینجا کادرهای محاوره ای زیر را مشاهده خواهید کرد : کادر Chart Builder و کادر Element Properties . بطوریکه می بینید کادر پیشنمایش با یک نمودار ستونی ساده پر میشود.

متغیر مستقل یا همان برنامه کاری را به کادری که زیر محور x است و متغیر وابسته (نتیجه) که همان غلظت کلسترول است را به درون کادر محور y انتقال دهید با کشیدن و رها کردن متغیرها از کادر Variables پیش نمایش نمودار را خواهید دید.

بطور ایده آل ما درصدد هستیم که اندازه پراکندگی داده ها را نشان دهیم و مایلیم در این مورد نوار خطایی با انحراف معیار ۱+ یا ۱- داشته باشیم برای این کار ما گزینه Display error bar را تیک میزنیم و سپس در محیط Error Bar Represent مقدار انحراف معیار را در کادر radio چک کرده و در کادر multiplier عدد ۱ را تایپ می کنیم.

نکته: اگرشما مایلید که نمودار ستونی خود را با آمار استنباطی آنالیزکنید مثلاً ( تست t نمونه های مستقل ، تست t نمونه های وابسته ، تحلیل واریانسی یکسویه و چند سویه ANOVA ) بجای آمار توصیفی میتوانید از فاصله های اطمینان کمک بگیرید. ما دلیل آنرا شرح داده و نشان میدهیم چگونه این کار را انجام دهید.رویApply کلیک کنید. صفحه نمایشی زیر را می بینید.( صفحه نوار خطا در پیش نمایش نمودار)

در این مثال لازم نیست در صفحه بعد کاری انجام دهیم این صفحه فقط چندنوع تنظیمات مفید دارد. میتوان از گزینه های و برای برگرداندن رتبه categories و از قسمت برای خارج ساختن یک categories استفاده کنید. اگر اشتباهاً یک متغیر را از داده ها خارج کردید با کلیک روی در کادر Excludeمیتوانید آنرا برگردانید.

حواستان باشد هر نوع تغییری ایجاد کردید رویApply کلیلک کنید. می خواهیم برچسب محور yراتغییر دهیم تا MEAN را حذف وواحد اندازه گیری دیگری قرار دهیم. با انتخاب “Y-Axis (Bar 1)” در کادر Edit Properties Of این کار را انجام می دهیم و سپس برچسب را بصورت زیر تغییر می دهیم.

Apply و سپس Ok را کلیک کنید.

خروجی نمودار

شما در قسمت خروجی نمودار زیر را خواهید دید: