این سایت تابع قوانین جمهوری اسلامی ایران است

آموزش تخصصی آمار و مدل معادلات ساختاری(SEM)


متغیر تعدیل گر Moderation چیست؟

مدل تعدیل به بررسی این سوال می‌پردازد که آیا پیش بینی یک متغیر وابسته (Y)، از روی یک متغیر مستقل (X)، در سطوح مختلف یک متغیر سوم (مثلا Z) متفاوت است؟

تعدیل

بارون و کنی (۱۹۸۶) متغیر تعدیل کننده را این‌گونه تعریف نموده‌اند: ” یک متغیر کیفی (به عنوان مثال، جنس، نژاد، طبقه) یا یک متغیر کمی (مانند سطح پاداش) است که جهت و یا شدت رابطه بین یک متغیر پیش‌بین و یک متغیر ملاک را تحت تأثیر قرار می دهد” (صفحه‌ی ۱۱۷۴): افزایش، کاهش و یا تغییر تاثیر پیش بینی کننده.

مثال:

می‌خواهیم ببینیم آیا جنسیت می‌تواند بر رابطه‌ی بین حمایت اجتماعی (X) و افسردگی (Y) تأثیر بگذارد. در اینجا جنسیت به عنوان متغیر تعدیل کننده (Z) معرفی می‌شود. سئوالی که در اینجا مطرح می‌شود این است که آیا رابطه بین حمایت اجتماعی (X) و افسردگی (Y) در ن و مردان متفاوت است؟

به طور خاص در قالب تجزیه و تحلیل همبستگی، متغیر تعدیل کننده یک متغیر سوم است که همبستگی مرتبه صفر بین دو متغیر دیگر را تحت تاثیر قرار می دهد.

اثر تعدیل کننده را در چارچوب تجزیه و تحلیل واریانس (ANOVA) نیز می‌توان تعریف کرد. اثرات تعدیل معمولا تحت عنوان تعامل بین عوامل یا متغیرها مورد بحث قرار می‌گیرد، که در آن اثر یک متغیر به سطوح متغیر دیگر موجود در تجزیه و تحلیل بستگی دارد. به بیان دیگر، تعدیل به بررسی تعامل آماری بین دو متغیر مستقل در پیش بینی یک متغیر وابسته گفته می‌شود (شکل ۱).

شکل ۱: نمودار مسیر برای مدل تعدیل

تعدیل

اثرات تعدیل را با استفاده از رگرسیون چندگانه نیز می‌توان آزمون کرد که در آن برای آزمون فرضیه تعدیل ارائه شده یک رگرسیون چندگانه با سه عبارت پیش‌بین انجام می‌دهیم: (۱) X، (۲) Z و (۳) عبارت تعامل یعنی XZ (شکل ۱).

معادله‌ی رگرسیون نیز به صورت زیر خواهد بود:

تعدیل

β۱: ضریب مسیر بین X و Y وقتی ۰=Z

β۲: ضریب مسیر بین Z و Y وقتی ۰=X

i1: عرض از مبدأ معادله

e1: باقیمانده معادله

ضریب رگرسیون مربوط به عبارت تعامل (β۳) برآوردی از اثر تعدیل فراهم می‌کند. چنانچه β۳ تفاوت معنی‌داری با صفر داشته باشد، تعدیل رابطه Y – X در داده ها معنادار است. ترسیم اثر تعاملی به تفسیر تعدیل کمک می‌کند. این نمودار نشان می‌دهد که چگونه متغیر تعدیل کننده شیب خط  رگرسیون برای پیش‌بینی Y براساس مقادیر X را تحت تاثیر قرار می‌دهد.

منبع:        Jose, Paul E. (2013). Doing Statistical Mediation and Moderation. Guilford Press


مشخصات

متغیر میانجی mediation

میانجی

مدل میانجی چگونگی یا چرایی رابطه دو متغیر را توصیف می‌کند. در این مدل فرض بر این است که متغیر میانجی به عنوان رابط بین متغیر مستقل یا پیش‌بین و متغیر وابسته یا ملاک قرار می‌گیرد و رابطه متغیرهای مستقل و وابسته را تحت تاثیر قرار می‌دهد. با ورود متغیر میانجی به مدل، اثر غیرمستقیم مطرح می‌شود. بنابراین بایستی اثرات مستقیم، غیر مستقیم و اثر کل مورد بررسی قرار گیرند.

متغیر میانجی، متغیری است که برای رابطه بین متغیر پیش‌بین و ملاک دلیل ارائه می‌کند” (بارون و کنی، ۱۹۸۶، ص ۱۱۷۶).

ریشه و خاستگاه تکنیک میانجی mediation” در حوزه علوم اجتماعی به ابداع شیوه تحلیل مسیر باز می‌گردد.

متغیر میانجی (M)، متغیری است که واجد شرایط زیر باشد:

  1. متغیر مستقل باید همبستگی معناداری با متغیر میانجی داشته باشد.
  2. متغیر میانجی باید همبستگی معناداری با متغیر وابسته داشته باشد.
  3. هرگاه مسیرهای a و b کنترل شوند؛ رابطه بین متغیر مستقل و وابسته که پیشتر معنادار بوده؛ دیگر معنادار نباشد؛ ضمن اینکه هرگاه مسیر c صفر باشد؛ قوی‌ترین رابطه‌ی میانجی نمایان خواهد شد.

مثال

در یک تحقیق انتظار می‌رود که هر چه افراد رخدادهای مثبت بیشتری را در زندگی تجربه نمایند، شادی درونی بیشتری خواهند داشت. افزون بر این محقق پیش‌بینی می‌کند که قدرشناسی به عنوان یک میانجی سبب شادی درونی هرچه بیشتر در زندگی شود. به بیان دیگر، مقدار قابل توجهی از واریانس مشترک بین رخدادهای مثبت زندگی و شادی درونی به وسیله مسیر غیرمستقیم و با واسطه قدرشناسی تبیین می‌شود. یعنی این که اگر افراد در زندگی خویش وقایع و رخدادهای مثبت بیشتری را تجربه نمایند؛ سپاس‌گزارتر و قدرشناس‌تر بوده و در نتیجه خود را شاد‌تر احساس می‌کنند.

معادلات رگرسیون برای مدل میانجی

در مطالعات اولیه بارون و کنی (۱۹۸۶) روش‌های علی را برای آزمون میانجی پیشنهاد کردند. اما در بیشتر تحقیقات اخیر از آزمون هایی استفاده شده است که براساس ضرایب حاصل از معادلات رگرسیون زیر به دست می‌آید:

(۱)‌‌             Y=i1+cX+e1
(۲)      Y=i2+c ́X+bM+e2
(۳)             M=i3+aX+e3

نمودار مسیر برای مدل میانجی

میانجی مدل مسیر

C: اثر کل  X بر Y

Ć: اثر X بر Y با کنترل M

b: اثر متغیر میانجی بر Y

a: اثر X بر متغیر میانجی

i1، i2  و i3: مقدار ثابت یا عرض از مبدأ هر معادله

e1، e2 و e1: باقی‌مانده های مربوط به هر معادله

 

 

البته باید به این نکته توجه داشت که میانجی هنگامی رخ می‌دهد که با اضافه شدن متغیر میانجی، شدت رابطه اصلی بین متغیرهای پیش‌بین (X) و ملاک (Y) کاهش پیدا کند.


مشخصات

تحلیل مسیر چیست؟

تحلیل مسیر که برای نخستین بار توسط سوول رایت در سال ۱۳۹۴  جهت مطالعات علوم اجتماعی توسعه یافت ,تعمیم یافته روش رگرسیون چند متغیره در ارتباط با تدوین مدلهای علی است(هومن,۴۵:۱۳۸۴) .تحلیل مسیر یک روش پیشرفته آماری است که به کمک آن می توانیم علاوه بر تاثیرات مستقیم,تاثیرات غیرمستقیم هر یک از متغیرهای مستقل بر متغیر وابسته را نیز شناسایی کنیم.بنابراین,مهم ترین مزیتی که استفاده از روش تحلیل مسیر نسبت به روش تحلیل رگرسیون دارد,این است که در روش تحلیل رگرسیون,تنها قادر به شناسایی تاثیر مستقیم هر متغیر بر متغیر وابسته بودیم,اما در روش تحلیل مسیر,علاوه بر تاثیر مستقیم,امکان شناسایی تاثیرات غیر مستقیم هر یک از متغیرهای مستقل بر متغیر وابسته نیز وجود دارد.به همین خاطر , در تحلیل مسیر,با چندین معادله خط رگرسیونی استاندارد شده مواجه هستیم,در حالی که در تحلیل رگرسیون,تنها یک معادله خط رگرسیونی استانداردشده داشتیم(منصورفر,۲۰۸:۱۳۸۵).


مشخصات

آزمون تحلیل کووارایانس ANCOVA جیست؟

در تحلیل واریانس یک راهه(ANOVA) متغیرهای مستقل کمّی می توانند به عنوان متغیرهای کمکی درنظر گرفته شوند.در این صورت این طرحها به عنوان تحلیل کواریانس در نظر گرفته می شوند.

از تحلیل کوواریانس به عنوان یک کنترل آماری نام برده می شود. این تحلیل ترکیبی از تحلیل واریانس و تحلیل رگرسیون است و زمانی قابل استفاده است که در آن متغیر وابسته کمی بوده ، چند متغیر مستقل کمی و کیفی وجود داشته باشد.

تحلیل کوواریانس در چارچوب رگرسیون تفاوتی با تحلیل واریانس ندارد جز ‌آن که اثر متغیر کمکی از متغیر وابسته حذف می شود. متغیر کمکی را در چارچوب رگرسیون می توان یک متغیر مستقل دانست که در تبیین تغییرات متغیر وابسته بر سایر متغیر های مستقل پیشی می گیرد.

در تحلیل رگرسیون می توان به راحتی با کنترل برخی از متغیرها اثرات سایر متغیرهای مستقل را در تبیین متغیر وابسته بدست آورد.

فرض این است که متغیر کمکی منبع تغییراتی در متغیر وابسته علاوه بر متغیر مستقل باشدو از طریق تحلیل کواریانس اثرات ناشی از متغیرهای کمکی تعدیل شود.

متغیر کمکی موثر در تحلیل کواریانس  متغیری است که همبستگی بالایی با متغیر وابسته داشته ولی با متغیرهای مستقل همبستگی نداشته باشد چون متغیرهای کمکی پارامتری یا کمّی در طرح های تجربی و مطالعه پیمایشی به منظور حذف و از بین بردن اثرات خارجی بر متغیر وابسته و افزایش دقت اندازه گیری مورد استفاده قرار میگیرند.

می دانیم که رد یک فرض نادرست توان آزمون نامیده می شودو به چندین عامل بستگی دارد از جمله: حجم نمونه، میزان تغییر پذیری در متغیر وابسته، طرح پژوهش و روش تحلیل آماری و سطح معناداری انتخاب شده توسط پژوهشگر.

برخی از این روش ها در اختیار پژوهشگر نیست یا مستم صرف وقت و هزینه بالایی است، ولی انتخاب طرح آزمایشی، تحلیل آماری یا هر دو می تواند توان آماری را بدون صرف هزینه زیاد افزایش دهد. تحلیل کوواریانس موثرترین وسیله برای این منظور است و کل پراش را به سه بخش، پراش تبیین شده توسط کاربندی، پراش تبین شده توسط همپراش و پراش پسماند تقسیم می کند. اگر متغیر کمکی با پیامد همبستگی قوی داشته باشد پراش پسماند کوچک خواهد بود و توان آماری به شکل اساسی افزایش خواهد یافت.

پیش فرضهای لازم برای اجرای آزمون تحلیل کواواریانس عبارتند از :
1-    نرمال بودن.
2-    همگنی واریانس ها.
3-    رابطه بین متغیر وابسته با متغیر کمکی خطی فرض شود.و یا رابطه بین متغیر وابسته و متغیر کمکی معنادار باشد.
4-    ضرایب خطوط رگرسیون با هم برابر باشند. و یا متغیر مستقل و کمکی با هم تعامل نداشته باشند.


مشخصات

رگرسیون لجستیک

همان طور که می‌دانیم در رگرسیون خطی، متغیر وابسته یک متغیر کمی در سطح فاصله‌ای یا نسبی است و پیش‌ بینی کننده‌ ها از نوع متغیرهای پیوسته، گسسته یا ترکیبی از این دو هستند. اما هنگامی که متغیر وابسته در کمی نباشد، یعنی به صورت دو یا چندمقوله‌ای باشد، از رگرسیون لجستیک استفاده می‌کنیم که امکان پیش‌بینی عضویت گروهی را فراهم می­کند. این روش موازی روش­های تحلیل تشخیصی و تحلیل لگاریتمی است. برای مثال، پیش بینی مرگ و میر نوزادان بر اساس جنسیت نوزاد، دوقلو بودن و سن و تحصیلات مادر.

رگرسیون لجستیک

بسیاری از مطالعات پژوهشی در علوم اجتماعی و علوم رفتاری، متغیرهای وابسته از نوع دو مقوله ای را بررسی می­کنند. مانند: رأی دادن یا ندادن در انتخابات، مالکیت (مثلاٌ داشتن یا نداشتن کامپیوتر شخصی) و سطح تحصیلات (مانند: داشتن یا نداشتن تحصیلات دانشگاهی) ارزیابی می­شود. از جمله حالت­ های پاسخ دوتایی عبارتند از: موافق- مخالف، موفقیت – شکست، حاضر – غایب و جانبداری – عدم جانبداری.

 

متغیرهای تحلیل رگرسیون لجستیک

در تحلیل رگرسیون لجستیک، همیشه یک متغیر وابسته و معمولا مجموعه ای از متغیرهای مستقل وجود دارند که ممکن است دو مقوله ای، کمی یا ترکیبی از آن ها باشند. به علاوه لازم نیست متغیرهای دو مقوله ای به طور واقعی دوتایی باشند. به عنوان مثال ممکن است پژوهشگران متغیر وابسته کمی دارای کجی شدید را به یک متغیر دومقوله ای که در هر طبقه آن تعداد موردها تقریباً مساوی است تبدیل کنند. مانند آن چه که در مورد رگرسیون چندگانه دیدیم، برخی از متغیرهای مستقل در رگرسیون لجستیک می­ توانند به عنوان متغیرهای همپراش (covariates) مورد استفاده قرار گیرند تا پژوهشگران بتوانند با ثابت نگه داشتن یا کنترل آماری این متغیرها اثرات دیگر متغیرهای مستقل را بهتر ارزیابی کنند.

 

پیش فرض های رگرسیون لجستیک

با این که رگرسیون لجستیک در مقایسه با رگرسیون خطی پیش فرض­ های کمتری دارد (به عنوان مثال پیش فرض­ های همگنی واریانس و نرمال بودن خطاها وجود ندارد)، رگرسیون لجستیک نیازمند موارد زیر است:

  1. هم خطی چندگانه کامل وجود نداشته باشد.
  2. خطاهای خاص نباید وجود داشته باشد (یعنی، همه متغیرهای پیش­ بین مرتبط وارد شوند و پیش­ بین­ های نامربوط کنار گذاشته شوند).
  3. متغیرهای مستقل باید در مقیاس پاسخ تراکمی یا جمع پذیر (cumulative response scale)، فاصله ای یا سطح نسبی اندازه­ گیری شده باشند (هر چند که متغیرهای دو مقوله ای نیز می­ توانند مورد استفاده قرار گیرند).

برای تفسیر درست نتایج، رگرسیون لجستیک در مقایسه با رگرسیون خطی نیازمند نمونه های بزرگتری است. با این که آماردان­ ها در خصوص شرایط دقیق نمونه توافق ندارند. بسیاری پیشنهاد می­ کنند تعداد افراد نمونه حداقل باید ۳۰ برابر تعداد پارامترهایی باشند که برآورد می­ شوند.


مشخصات

نرم افزار (LISREL- (LInear Structural RELations

نرم افزار lisrel

نرم افزار LISREL یک محصول نرم افزاری است که به منظور برآورد و آزمون مدل‌ های معادله ساختاری طراحی شده است. این نرم‌افزار از سوی شرکت بین المللی نرم افزار علمی  (SSI: Scientific Software International) به بازار عرضه شده که از طریق وب سایت www.ssicentral.com قابل دانلود می‌باشد.

نرم افزار LISREL با استفاده از همبستگی و کوواریانس بین متغیرهای اندازه گیری شده، می‌تواند مقادیر بارهای عاملی، واریانس ها و خطاهای متغیرهای نهفته را برآورد یا استنباط کند در دهه‌ های اخیر معادلات ساختاری کوواریانس محور از جملع روش‌ هایی است که محققان و دانشجویان در سطح گسترده‌ای در تحقیقات علمی، پایان نامه‌ های کارشناسی ارشد و رساله‌های دکتری به منظور بررسی مدل‌ های مفهومی  مورد استفاده قرار می‌دهند.  از نرم افزار LISREL می‌توان برای اجرای تحلیل عاملی اکتشافی، تحلیل عاملی تأییدی، تحلیل عاملی مرتبه دوم، تحلیل مسیر، مدل‌ یابی چند سطحی و … استفاده کرد.

مدل لیزرل در سال ۱۹۷۰ برای اولین بار توسط کارل جورسکوگ (Karl Jӧreskog) ارائه و اولین برنامه لیزرل در سال ۱۹۷۵ منتشر شد. در سال ۱۹۸۶ اولین نسخه PRELIS3 منتشر شد. نسخه پرلیس پیش‌ نیاز لیزرل است که کارکرد اصلی آن محاسبه خلاصه‌ای از ساخت‌های آماری مناسب برای تجزیه و تحلیل مدل لیزرل می‌باشد. سپس نسخه SIMPLS در سال ۱۹۹۳ منتشر شد که ساختار دستور دیگری از مدل اختصاصی لیزرل است که کاربر از طریق ایجاد یک فایل دستوری که حاوی دستورالعمل‌هایی درباره برنامه است، نمودار مسیر را ترسیم می‌نماید.

در سال ۱۹۹۸ اولین و بهترین نسخه محاوره‌ای لیزرل (نسخه ۸٫۲۰ تحت ویندوز) منتشر شد که به جای تایپ دستور از قابلیت نشان دادن و کلیک کردن بر روی کادرهای گفتگو برخوردار بود. نسخه ۸٫۸۰ این نرم افزار نیز توسط در سال ۲۰۰۶ توسط جورسکوگ و سوربوم به بازار عرضه شد. LISREL 9.2 آخرین نسخه منتشر شده این نرم‌ افزار می‌باشد.


مشخصات

نرم افزار SMART_PLS

نرم‌افزار Smart-PLS نرم افزاری کاربردی برای طراحی مدل‌های معادلات ساختاری (SEM) در یک محیط کاربری گرافیکی است. این مدل‌ها می‌توانند با استفاده از روش تحلیل حداقل مربعات جزئی (PLS: Partial Least Squares) ارزیابی شوند. این نرم افزار در یک پروژه انجام شده در موسسه مدیریت عملکرد و سازمان‌ها در دانشگاه هامبورگ آلمان طراحی شده است. نرم‌افزار Smart-PLS از تکنولوژی WebStart جاوا استفاده می‌کند. بنابراین، امکان استفاده از این نرم‌افزار بر روی همه سیستم‌های عامل وجود دارد.

برخلاف مدل های مبتنی بر کواریانس، مدل یابی مسیر با استفاده از روش PLS تا سال های اخیر به ندرت در علوم اجتماعی مورد استفاده قرار گرفته است. این در حالی است که الگوریتم اساسی آن در دهه ۱۹۷۰ توسعه یافته و اولین نرم‌افزار آن با نام LVPLS از دهه ۱۹۸۰ برای استفاده در دسترس بوده است. دلایل استفاده محدود از این نرم‌افزار را می توان عدم سهولت استفاده و مشکلات روش شناختی آن دانست.

خروجی نرم‌افزار را می توان در قالب صفحات وب، اکسل و لاتکس مشاهده نمود. لازم به ذکر است که Smart-PLS نیز همانند لیزرل و آموس قابلیت پردازش داده‌های خام را دارد. این نرم‌افزار داده‌های ورودی با فرمت CSV  را که توسط SPSS  یا Excel  ایجاد می‌شود را دارد.

نرم افزار Smart-PLS نسخه ۳ شامل آخرین امکانات طراحی شده برای تحلیل است که برای مثال در این زمینه می‌توان از ماتریس تحلیل اهمیت عملکرد (IMPA)، تحلیل چند گروهی (MGA)، مدلهای جزئی سلسله مراتبی، مدل‌های مرتبه دوم، روابط غیر خطی (برای مثال تاثیرات درجه دوم)، تحلیل تاییدی چهار مرحله‌ای (CTA)، بخش بندی ترکیب محدود (FIMIX) و بخش بندی پیش‌بینی گرا (POS) نام برد. این نسخه از نرم افزار، قوی ترین و سودمندترین حالت آن نسبت به گذشته است.


مشخصات

نرم افزار AMOS

نرم افزار Amos یک نرم‌افزار آماری برای مدل‌یابی معادلات ساختاری است. این نرم‌افزار برای کاربرد ساده طراحی شده است و یک برنامه دیداری یا ترسیمی می‌باشد. با استفاده از این نرم‌افزار می‌توانیم مدل‌ها را به صورت گرافیکی و با استفاده از ابزارهای ترسیم تعریف و رسم کنیم. تقریبا هیچ پیش فرضی در مدل ترسیم شده وجود ندارد و همه چیز باید توسط کاربر تعریف شود. نرم افزار Amos به شما امکان ساخت مدل هایی بسیار دقیق تر از روش‌های آماری چند متغیره متعارف را می‌دهد.

نرم افزار Amos محاسبات را به سرعت انجام داده و نتایج را نشان می‌دهد. برآورد پارامترها در این نرم افزار به کمک روش های مختلفی مانند حداکثر درستنمایی، حداقل مربعات تعمیم یافته، حداقل مربعات غیروزنی و حداقل مربعات غیروابسته به مقیاس انجام می شود.

نرم‌افزار Amos و LISREL هر دو به نرم‌افزارهای تحلیل کوواریانس مشهورند و از لحاظ کاربرد در مدل معادلات ساختاری و تحلیل مسیر تفاوت معناداری با هم ندارند. اما شاخص‌هایی که هر کدام ارائه می‌دهند، متفاوت است. همچنین محاسبه ضرایب همبستگی دو رشته‌ای و چند رشته‌ای فقط از طریق نرم‌افزار لیزرل قابل دستیابی است.
این نرم افزار به ماژول SPSS افزوده می‌شود، تنها در سیستم ویندوز قابل دسترس است و بدون نصب SPSS نیز قابل دسترس است.


مشخصات

نرم افزار SPSS

نرم‌افزار SPSS یکی از قدیمی‌ترین برنامه‌های کاربردی در زمینه تجزیه و تحلیل آماری است که قابلیت انجام آمار توصیفی شامل محاسبه میانگین، انحراف معیار، میانه، مد، چولگی و کشیدگی و … و همچنین رسم نمودارهای گوناگون را دارا می‌باشد. این نرم‌افزار علاوه بر اجرای آزمون‌های مختلف جهت استنباط آماری از ویژگی مدیریت داده‌ها (داده کاوی: Data mining) نیز برخوردار است.

نرم‌افزار SPSS مخفف Statistical Package for the Social Science (بسته آماری برای علوم اجتماعی) است که در عین سادگی یک نرم‌افزار آماری بسیار پیشرفته و قدرتمند برای تحلیل آماری داده‌های علوم اجتماعی و رفتاری و … است. این نرم‌افزار ابتدا برای انجام تحقیقات علوم اجتماعی طراحی شد، ولی به علت سهولت در فراگیری، شکیل بودن خروجی‌ها و نمودارها وتنوع بسیار بالا در انجام روش‌های پیشرفته آماری، عمومی‌ترین نرم‌افزار آماری است که شاید بسیاری از کارشناسان و مدیران شرکت‌ها و سازمان‌ها با آن آشنایی داشته و در تحلیل‌های آماری خود از آن بهره می‌برند

این نرم‌افزار ابتدا تحت DOS تولید شد نیاز به برنامه‌نویسی داشت و سپس نسخه ویندوز آن در سال ۱۹۹۲ طراحی شد. SPSS6 اولین نسخه تحت ویندوز از این نرم‌افزار بود که روی Win3.1 نصب می‌شد و در اغلب عملگر‌ها دیگر نیازی به نوشتن دستور نبود. اما کماکان در مورد خروجی‌ها با مشکل مواجه بود. تحول عمده در نسخه‌های تحت ویندوز SPSS با ورود SPSS8 به بازار آغاز شد. نرم‌افزار SPSS در محیط ویندوز نسخه‌های زیادی از ۶ تا ۲۴ دارد که هر نسخه نسبت به نسخه‌های ماقبل مزیت‌های بسیاری دارد.

در ۲۸ جولای ۲۰۰۹ شرکت سازنده این نرم‌افزار توسط شرکت IBM خریداری و با نام PASW (Predictive Analysis Software) منتشر شد. آخرین نسخه‌ موجود از این نرم‌افزار در بازار نسخه ۲۴ است که دوباره با نام IBM SPSS Statistics منتشر شد و شامل تغییراتی از جمله شبیه سازی (Simulation)، فرمت بندی جداول بوسیله ابزار Style در منوها، Streamlin Analysis with Powerful New Algoritms و … است.


مشخصات

آزمون مجذور خی یک متغیره (نیکویی برازش)

آزمون مجذور خی (۲ χ) برای سنجش تفاوت فراوانی مشاهده شده و فراوانی مورد انتظار طبقات یک متغیر به کار برده می‌شود تا مشخص کند آیا تفاوت موجود معنی‌دار بوده یا ناشی از خطا یا تصادفی است. برای مثال فرض کنید یک بازازیاب معتقد است که میزان جذابیت ۴ برند گوشی‌های هوشمند در بین مردم یکسان است. به همین منظور او از تعدادی از درباره این‌که کدام برند را ترجیح می‌دهند، سئوال می‌کند.

پیش فرض‌های آزمون خی‌دو

۱- متغیرها باید به صورت طبقه‌ای (در سطح اسمی) باشند.
۲-  تعداد طبقات متغیر دو یا بیشتر باشد.
۳-  مجموع فراوانی‌های مورد انتظار با مجموع فراوانی‌های مشاهده شده برابر باشد.
۴-  فراوانی مورد انتظار بیش از ۲۰ درصد خانه‌های جدول کمتر از ۵ نباشد. اگر چنین باشد محقق باید خانه‌های مجاور را با هم ترکیب کند تا مقدار فراوانی مورد انتظار را به بیش از ۵ برساند.<div
۵- فراوانی‌ها یا مشاهدات مستقل از یکدیگر باشند.
۶- داده‌ها از یک نمونه تصادفی انتخاب شده باشند.

آزمونهای ناپارامتریک برای فرضیه های تفاوتی، آزمون خی‌دو تک متغیره

تصمیم‌گیری: در صورتی که مقدار ۲ χ محاسبه (مشاهده) شده از ۲ χ بحرانی جدول بزرگتر یا مساوی باشد (یا ۰٫۰۵ > p-value)، فرض صفر رد و فرض خلاف تأیید می‌شود. بنابراین با اطمینان ۹۵ درصد می‌توان نتیجه گرفت بین فراوانی مشاهده شده و فراوانی مورد انتظار طبقات متغیر مورد مطالعه تفاوت معنی‌داری وجود دارد.


مشخصات

بار عاملی در مدل های اندازه گیری

قدرت رابطه بین عامل (متغیر پنهان) و متغیر قابل مشاهده بوسیله بار عاملی نشان داده می‌شود. بار عاملی مقداری بین صفر و یک است. اگر بار عاملی کمتر از ۰٫۳ باشد رابطه ضعیف درنظر گرفته شده و از آن صرف‌نظر می‌شود. بارعاملی بین ۰٫۳ تا ۰٫۶ قابل قبول است و اگر بزرگتر از ۰٫۶ باشد خیلی مطلوب است. (کلاین، ۱۹۹۴)


مشخصات

خدمات آماری

گروه آماری ما چه خدماتی در زمینه تحلیل های مدلسازی معادلات ساختاری و مدل های اندازه گیری با نرم افزارهای Smart-PLS ، AMOS،  LISREL ارائه می دهد؟
• ارائه مشاوره های لازم جهت تدوین مدل مفهومی متناسب با ادبیات نظری
• تدوین فرضیه ها وسوالات لازم متناسب با مدل مفهومی پژوهش
• وارد کردن داده های پرسشنامه ای
• انجام تحلیل های دقیق و با کیفیت با نرم افزار های مدلسازی معادلات ساختاری
• تحلیلهای روایی واگر و همگرا با نرم افزار های مدلسازی معادلات ساختاری
• تحلیل مدل های انعکاسی و تشکیل دهنده، پایایی ترکیبی با نرم افزار های مدلسازی معادلات ساختاری
• گزارش نویسی تحلیل های مربوط به فصل چهارم پایان نامه های کارشناسی ارشد و دکتری در کلیه رشته ها
• تحلیل مدلهای تحلیل عاملی تاییدی مرتبه اول و دوم(First Order and Second Order)، مدل های معادلات ساختاری
• اصلاح کلیه ایرادات اساتید راهنما و مشاور تا مرحله تایید نهایی
• برگزاری دوره های آموزشی نرم افزار های مدلسازی معادلات ساختاری
تحلیل مدلها با نرم افزارهای Smart-PLS ، AMOS،  LISREL برای فصل چهارم پایان نامه ها برای کلیه رشته های مدیریت و روانشناسی



مشخصات

خدمات آماری

گروه آماری ما چه خدماتی در زمینه تحلیل های مدلسازی معادلات ساختاری و مدل های اندازه گیری با نرم افزارهای Smart-PLS ، AMOS،  LISREL ارائه می دهد؟

• ارائه مشاوره های لازم جهت تدوین مدل مفهومی متناسب با ادبیات نظری
 • تدوین فرضیه ها وسوالات لازم متناسب با مدل مفهومی پژوهش
 • وارد کردن داده های پرسشنامه ای
 • انجام تحلیل های دقیق و با کیفیت با نرم افزار های مدلسازی معادلات ساختاری
 • تحلیلهای روایی واگر و همگرا با نرم افزار های مدلسازی معادلات ساختاری
 • تحلیل مدل های انعکاسی و تشکیل دهنده، پایایی ترکیبی با نرم افزار های مدلسازی معادلات ساختاری
 • گزارش نویسی تحلیل های مربوط به فصل چهارم پایان نامه های کارشناسی ارشد و دکتری در کلیه رشته ها
 • تحلیل مدلهای تحلیل عاملی تاییدی مرتبه اول و دوم(First Order and Second Order)، مدل های معادلات ساختاری
• اصلاح کلیه ایرادات اساتید راهنما و مشاور تا مرحله تایید نهایی
• برگزاری دوره های آموزشی نرم افزار های مدلسازی معادلات ساختاری
تحلیل مدلها با نرم افزارهای Smart-PLS ، AMOS،  LISREL برای فصل چهارم پایان نامه ها برای کلیه رشته های مدیریت و روانشناسی

 - روش های تجزیه و تحلیل اطلاعات جهت درج در فصل سوم پایان نامه
-  تنظیم گزارش نتایج همراه با رسم جداول و نمودار های مورد نیاز و تفسیر کامل یافته ها
- ارائه توضیحات به صورت حضوری و رایگان و پشتیبانی نتایج و همراهی با دانشجو و رفع مشکلات تا روز دفاع


مشخصات

Introduction to Structural Equation Modeling

Structural Equation Modeling (SEM) is a general statistical modeling technique to establish relationships among variables. A key feature of SEM is that observed variables are understood to represent a small number of "latent constructs" that cannot be directly measured, only inferred from the observed measured variables. This course covers the theory of SEM, and includes practical work with computer software and real data. It covers the key concepts in SEM - at the conclusion of the course students will be able to specify different forms of models, using observed, latent, dependent and independent variables. Student will be able to conduct confirmatory factor analysis, and diagram SEM models.



: Preliminaries

  • LISREL software installation
  • PRELIS
  • Data entry and Data Edit issues
  • Correlation and Covariance Data Files

: Modeling

  • SEM Basics
  • Regression models
  • Diagramming Models
  • Path Analysis Models


: Measurement Models

  • Exploratory vs. Confirmatory factor analysis
  • Latent Variables
  • CFA models


: Developing Structural Equation Models

  • Combining Path and Factor Models
  • 5 Basic SEM steps
    • Model Specification
    • Model Identification
    • Model Estimation
    • Model Testing
    • Model Modification

مشخصات

تحلیل ناهمگنی داده ها در نرم افزار اسمارت پی ال اس

از زمانی که روش حداقل مربعات جریی مورد توجه و استفاده پژوهشگران در رشته های مختلف مدیریتی مانند مدیریت استراتژیک، مدیریت بازاریابی و مدیریت سیستم های اطلاعات قرار گرفته است، تا به حال یک چالش هنوز پیش روی محققین قرار داد که مطالعات زیادی نیز درباره آن انجام نشده است. این موضوع همان ناهمگنی داده ها(heterogeneity) است که باعث گردیده تا یک قسمت به طور مجزا در نرم افزارهای PLS به این موضوع اختصاص یابد.

به طور نمونه در نرم افزار Smart PLS قسمتی با نام FIMIX-PLS در منوی Calculate قرار داد. در حقیقت روش های تحلیل آماری از جمله PLS، فرض می کنند که داده های گردآوری شده برای تحلیل از یک جامعه آماری مشخص انتخاب می شوند در حالی که این فرض غیر واقعی بوده و نرم افزارهای تحلیل آماری در نسخه های جدیدتر به این موضوع توجه وییه ای کرده اند.

ناهمگنی به این موضوع اشاره دارد که ممکن است داده های رسیده به دست پژوهشگر همگی از یک جنس و از یک خانواده نباشند. بنابراین تحلیل آنها تحت یک گروه درست نیست زیرا نتایجی که بدست خواهد آمد دقیق نیست و محقق را دچار اشتباه و سردرگمی در تفسیر نتایج می سازد.

درباره اهمیت توجه به ناهمگنی داده ها محققین زیادی اطهار نموده اند. ویلیامز و همکاران(2002) ادعا نموده اند که عدم توجه به موضوع ناهمگنی داده ها در دو قسمت مدلسازی معادلات ساختاری یعنی بخش مدل اندازه گیری و بخش مدل های ساختاری، محقق را دچار مشکل می سازد. در مطالعات مربوط به سنجش رضایت مشتری، جدیدی و همکاران(1997)، هان و همکاران(2002) و همچنین سارستد و همکاران(2009) نشان داده اند که نتایج تحلیل داده ها در مواقعی که تفاوت معناداری بین مقادیر تخمین زده شده در گروه های مختلف وجود دارد، می تواند گمراه کننده باشد.

بنابراین توجه به این موضوع و بررسی ناهمگنی داده ها بسیار حائز اهمیت است و پژوهشگرانی که از روش مدل سازی معادلات ساختاری استفاده می کنند باید برای اطمینان از اینکه تحلیل کل داده ها در تحقیق آنها تحت تاثیر ناهمگنی داده ها قرار نگرفته است، از این روش استفاده کرد و نتایج را گزارش دهند.


مشخصات

نگارش چکیده مطلوب

چکیده
بعد از تکمیل فهرست مطالب، فهرست جداول و نمودار، نوبت به تدوین چکیده می رسد. چکیده اولین بخش از یک کار پژوهشی است که مورد استفاده سایر پژوهشگران قرار می گیرد. با توجه به این که در وب سایت ها و بانک های اطلاعاتی، تنها مطالب چکیده مورد استفاده قرار می گیرد، باید در تهیه آن بسیار دقت شود.
ویژگی های یک چکیده خوب:
1- چکیده زمانی خوب تدوین شده است که کاملا یکدست، مربوط و دقیق باشد.
2- مسایل مقدماتی یا زمینه، اهداف، مواد و روش ها، یافته ها، نتایج و توصیه ها به طور منطقی تدوین شده باشند.
3- پیوندهای منطقی بین قسمت های مختلف آن وجود داشته باشد.
4- اطلاعات اضافه تر از متن اصلی نداشته، بلکه خلاصه ای از نوشته اصلی و منحصرا بازتابی از اطلاعات نوشته اصلی باشد.
5- قابل فهم باشد.
6- بیشتر با افعال گذشته یا مجهول نگاشته شده باشد.

گام های لازم برای نگارش چکیده مطلوب:

چکیده در حقیقت یک پایان نامه یا رساله مختصر است. لازم است ابتدا گزارش پژوهش خاتمه یابد و سپس برای نگارش چکیده اقدام شود. برخی از پژوهشگران تصویر می نمایند که با حذف بخش های اضافه از پژوهش اصلی، می توانند به چکیده پژوهش خود دست یابند. در حالی که این عمل بسیار دشوار خواهد بود. چکیده باید به صورت مستقل و از ابتدا به نگارش درآمده و در حذف مطالب اضافه، باید نهایت استفاده را نمود. نکاتی که در این کار باید رعایت شود، به شرح زیر است:

1-از زمان گذشته افعال یا فعل مجهول در چکیده استفاده کنید.

2- جملات را به صورت کوتاه بنویسید.

3- جملات را به طور کامل بنویسید.

4- به زبان ساده و قابل فهم بنویسید.

5- به جای نام های محلی، از اسم های علمی استفاده کنید.

6- با همان زبان وتأکیدی که در متن اصلی مطالب ارایه شده است، چکیده را تدوین کنید.

7- توانمندی خود را در خلاصه کرئن مطالب نشان دهید و از کپی کردن عینی جملات پژوهش اصلی خودداری نمایید.

8- از علائم اختصاری استاندارد استفاده نمایید.

9- دقیق باشید و از نگاشتن نکات مبهم خودداری نمایید.

10- ساختار نوشته خود را تنظیم نموده و نقاط ضعف آن را برطرف سازید.

11- از ارایه اطلاعات غیرضروری خودداری نمایید.

12- اشتباهات نگارشی را رفع نموده و علایم نگارشی را اصلاح کنید.

13- نسخه نهایی گزارش خود را قبل از ارایه، حتما یکبار دیگر مطالعه نمایید.


مشخصات

محتوای فصل دوم پایان نامه

برای فصل دوم، با عنوان «سابقه تاریخی/ مبانی نظری/ ادبیات پژوهش» نیاز به صرف وقت زیاد و کار بیشتری دارید. آنچه که قبلا برای پیشنهاد پژوهش خود تهیه نموده اید، پایه کار است، ولی باید در حد گسترده ای توسعه یابد.

در برخی از پژوهش ها و به ویژه پایان نامه ها و رساله ها، فصل دوم می تواند هر دو بخش سابقه تاریخی و مبانی نظری با عناوین جداگانه درج شود. گاه ممکن است بنا به ضرورت و یا عدم دسترسی به منابع مربوط، یکی از این بخش ها را حذف نمایید. اما بخش سوم، یعنی ارایه مرور بر پژوهش های مربوط، در تمام پایان نامه ها، رساله ها و پروژه های پژوهشی اامی است.

در بخش سابقه تاریخی، باید در مورد گذشته دور و نزدیک پدیده عنوان یا پدیده های موجود در عنوان تا قبل از زمان پژوهش خویش و براساس دوره های زمانی (از گذشته تا به حال) به ارایه سابقه امر بپردازد. بی تردید، می دانید که ارایه مطالب باید همراه با استناد باشد تا مشخص گردد که این مطالب را از کجا گرفته اید.

در بخش چارچوب نظری، به منظور روشنگری مفاهیم نظری و هویت مفاهیم، با برشمردن ویژگی ها و ابعاد آن، اقدام به ارایه این بخش می نمایید. بدین نحو که مفاهیم اصلی و بنیادی مربوط به پژوهش خود را مشخص نموده و با بهره گیری از آثار و نوشته های اندیشمندان و نویسندگان مختلف و حتما با استناد و با رعایت نظمی معقول، به توصیف و تشریح این مفاهیم در چارچوبی علمی می پردازید.

 

توجه داشته باشید که چارچوب نظری به طوری که از نام آن پیداست، به مفاهیمی که به نوعی با هم ارتباط مشترک دارند، اطلاق می شود.

فصل دوم با موضوع مرور پژوهش های مربوط در داخل و خارج از کشور” خاتمه می یابد. دراین قسمت باید براساس اصولی که در بخش اول کتاب تشریح شد، مرور پژوهش ها را به انجام رسانید و به تفکیک درج نمایید. ابتدا پژوهش های داخل کشور و در ادامه پژوهش های خارج کشور را مطرح نمایید. دقت نمایید که مطالب براساس تاریخ انتشار و از جدید به قدیم تنظیم شوند. به عبارت دیگر، اولین پژوهش مطرح شده در هر دو قسمت داخل و خارج کشور، جدیدترین پژوهش خواهد بود.

به طور خلاصه فصل دوم با عنوان پیشینه یا ادبیات پژوهش شامل موارد زیر خواهد بود:

1- مقدمه (حدود یک پاراگراف)

2- بررسی متون، نظریه ها و تاریخچه

3-بررسی پژوهش های انجام شده در ایران

4- بررسی پژوهش های انجام شده در سایر کشورهای جهان


مشخصات

بنیان‏های مدل سازی معادله ساختاری

1- تدوین مدل:

بکار بردن کلیۀ نظریه‏ های مرتبط، پژوهش‏ها و اطلاعات در دسترس در جهت تدوین و طرح مدل نظری و مفهومی تحقیق

2- تشخیص مدل:

سه سطح برای تشخیص مدل وجود دارد که عبارتند از: مدل فرومشخص، مدل کاملاً مشخص، مدل فرامشخص

T<S/2

T: مجهولات، تعداد پارامترهایی که باید تخمین زده شوند.

S: معلومات است که بصورت زیر محاسبه می‏شود:

S= (p + q)(p + q +1)

p: تعداد متغیرهای y

q: تعداد متغیرهای x

نکته: اموس فقط مدل‏های را آزمون می‏کند که تعداد معلومات بزرگ‏تر یا مساوی با تعداد محهولات باشد

انواع مدل:

* t>s/2: مدل فرومشخص(Under-Identified): قابل آزمون نیست.

* t=s/2: مدل کاملاً مشخص (Just- Identified): قابل آزمون است.

* t<s/2: مدل فرامشخص (Over-Identified): قابل آزمون است.

3- آزمون مدل:

 در این مرحله پژوهشگر باید تعیین کند که داده ‏ها حاصل از جامعۀ آماری تا چه حد با مدل نظری یا مفهومی تدوین شده سازگاری یا برازش دارند. به عبارت دیگر، تا چه اندازه مدل نظری یا مفهومی تدوین شده به وسیله داده‏ های گردآوری شده حمایت می‏شود. برای این کار از شاخص های برازش مدل استفاده می‏کنیم.

 علاوه بر بررسی برازش مدل، در این مرحله روابط بین متغیرهای نهفتۀ تحقیق نیز در قالب مدل مفهومی یا نظری مورد آزمون قرار می‏گیرد و مشخص می‏شود که چه میزان واریانسی از متغیر وابسته (درون‏زا) توسط متغیرهای مستقل (برون‏زا) تبیین می‏شود.

برازش مدل

 منظور از برازش مدل این است که تا چه حد یک مدل نظری یا مفهومی تدوین شده با داده‏های به دست آمده از جامعۀ آماری سازگاری و توافق دارد.

* بررسی برازش مدل:

-استفاده از شاخص‏های:

1- RMSEA: ریشه میانگین مربعات خطای تقریب (کم‏تر از 0/8 قابل قبول).

2- X2: کای اسکویر (معنی‏دار نباشد).

3- X2/df: کای اسکویر بر درجه آزادی (کم‏تر از 3 باشد).

4- GFI: شاخص برازندگی (بیش‏تر از 0/90 باشد).

5- AGFI: شاخص برازندگی تعدیل یافته (بیش‏تر از 0/90 باشد).

6- NFI: شاخص برازش نرم (بیش‏تر از 0/90 باشد).

7- NNFI: شاخص برازش نرم‏نشده (بیش‏تر از 0/90 باشد).

8- CFI: شاخص برازش مقایسه‏ای (بیش‏تر از 0/90 باشد).

4- اصلاح مدل:

اگر برازش مدل به قوتی نبود که انتظار داشتیم (که معمولاً در مورد مدل اولیه رخ می دهد) آن گاه، گام بعدی، اصلاح مدل و ارزیابی مدل جایگزین و اصلاح شده است.


مشخصات

آزمون نرمال بودن داده ها با SPSS

توزیع نرمال ، یکی از مهمترین توزیع های احتمالی پیوسته ” در تئوری احتمالات است. علت نام گذاری و اهمیت توزیع نرمال،هم خوانی بسیاری از مقادیر حاصل شده، هنگام نوسان های طبیعی و فیزیکی پیرامون یک مقدار ثابت با مقادیر حاصل از این توزیع است. دلیل اصلی این پدیده، نقش توزیع نرمال در قضیه حد مرکزی است. به زبان ساده، در قضیه حد مرکزی نشان داده میشود که تحت شرایطی، مجموع مقادیر حاصل از متغیرهای مختلف که هرکدام میانگین و پراکندگی متناهی دارند، با افزایش تعداد متغیرها، دارای توزیعی بسیار نزدیک به توزیع نرمال است. این قانون که تحت شرایط و مفروضات طبیعی نیز برقرار است، سبب شده که برایند نوسان های مختلفِ تعداد زیادی از متغیرهای ناشناخته، در طبیعت به صورت توزیع نرمال آشکار شود. بعنوان مثال، با اینکه متغیرهای زیادی بر میزان خطای اندازه گیریِ یک کمیت اثر میگذارند، )مانند خطای دید، خطای وسیله اندازه گیری، شرایط محیط و …( اما با اندازه گیری های متعدد، برایند این خطاها همواره دارای توزیع نرمال است که حول مقدار ثابتی پراکنده شده است.مثال های دیگری از این نوسان های طبیعی، طول قد، وزن یا بهره هوشی افراد است . این توزیع گاهی به دلیل استفاده کارل فردریک گاوس از آن در کارهای خود با نام توزیع یا تابع گوسی )گاوسی( نامیده می شود؛

همچنین به دلیل شکل تابع احتمال این توزیع، با نام انحنای زنگوله ای Bell-Shaped  نیز معروف است .

تابع احتمال این توزیع دارای دو پارامتر است که یکی تعیین کننده مکان (μ) و دیگری تعیین کننده مقیاس (σ) توزیع هستند.

همچنین میانگین توزیع با پارامتر مکان و پراکندگی آن با پارامتر مقیاس برابر است. منحنی تابع احتمال حول میانگین توزیع متقارن است.

این کار را می توان از مسیر زیر در spss  انجام داد:

Analyze> Descriptive Statistics> Descriptives

در پنجره ای که باز می شود متغیر هایی که می خواهید چولگی و کشیدگیشان را آزمون کنید را به کادر سفید انتقال دهید.

را فعال کنید . kurtosis و Skewness کلیک کنید

چولگی در حقیقت معیاری از وجود یا عدم وجود تقارن تابع توزیع می باشد. برای یک توزیع کاملاً متقارن چولگی صفر و برای یک توزیع نامتقارن با کشیدگی به سمت مقادیر بالاتر چولگی مثبت و برای توزیع نامتقارن با کشیدگی به سمت مقادیر کوچکتر مقدار چولگی منفی است.

کشیدگی یا کورتزیس نشان دهنده قله مندی یک توزیع است. مقدار کشیدگی را با گشتاور چهارم نرمال بر آورد کرده اند، به عبارت دیگر کشیدگی معیاری از تیزی منحنی در نقطه ماکزیمم است و مقدار کشیدگی برای توزیع نرمال برابر ۳ می باشد


مشخصات

آمار پارامتریک و ناپارامتریک

آمار پارامتریک که در خلال جنگ جهانی دوم شکل گرفت در برابر آمار ناپارامتریک قرار می گیرد.از تقسیم بندی­های رایج آمار، تقسیم بندی آن به آمار پارامتریک و ناپارامتریک است.

به ساده‌ترین بیان باید گفت که برای سنجش فرضیه­ هایی که متغیر آن کمی­ اند، از آمار پارامتریک استفاده می‌شود. متغیرهای کمی به علت کمی بودن و واحد پذیر بودن از این ویژگی برخوردارند که آنها را میانگین‌پذیر و انحراف معیار­پذیر می‌­کنند و به دلیل همین ویژگی معمولا برای استفاده از آزمون های پارامتریک، پیش فرض هایی لازم است که از جمله،‌ نرمال بودن توزیع جامعه است زیرا در حالتی که توزیع جامعه نرمال نباشد، میانگین و انحراف معیار، نمایی واقعی از داده ها را به تصویر نمی‌کشانند.

برای آزمون متغیرهای کیفی و رتبه ای از آمار ناپارامتریک استفاده می‌شود. این آزمونها که از آنها با عنوان آزمونهای بدون پیش فرض نیز یاد می‌شود به هیچ پیش فرض خاصی نیاز ندارد.آزمون های ناپارامتریک مشروط به مفروضات آمار کلاسیک نیستند و کاربرد اصلی آنها در بررسی جوامع آماری غیر نرمال ، جوامع با داده های کیفی و نمونه های کوچک آماری می باشد

درخصوص تبدیل متغیرها باید یادآور شد که می‌توان متغیرهای کمی را به متغیرهای کیفی تبدیل کرد و آنها را با آزمون­های ناپارامتریک مورد ارزیابی قرار داد ولی عکس این عمل امکانپذیر نیست.

شایان ذکر است که سطح دقت درآزمونهای آماری پارامتریک از آزمونهای آماری ناپارامتریک بیشتر است و معمولا پیشنهاد می­شود که در صورتی که استفاده از آزمونهای پارامتریک امکان پذیر باشد از آزمونهای ناپارامتریک استفاده نشود، باید توجه داشت که بیشتر متغیرهای علوم رفتاری به کمک آزمونهای ناپارامتریک مورد قضاوت قرار می‌‌گیرند.

همانطورکه می­دانید متغیر تصادفی ممکن است به یکی از چهار مقیاس اندازه­ گیری از قبیل : اسمی، ترتیبی، فاصله­ای و نسبتی تعلق گیرد. یک روش آماری را وقتی ناپارامتری گویند که حداقل یکی از شرایط زیر را وجود داشته باشد:

1-   مناسب داده ­هایی باشد که دارای مقیاس اسمی هستند.

2-   مناسب داده­ هایی باشد که دارای مقیاس ترتیبی هستند.

3-   مناسب داده­ هایی است که دارای مقیاس فاصله­ای نسبتی هستند، اما تابع توزیع جمعیت متغیر تصادفی که از آن داده­ها بدست آمده­اند مشخص نباشد.

مزایای استفاده از روش­های ناپارامتری:

1-   محاسبه روشهای غیر پارامتری معمولا آسان است.

2-   روشهای ناپارامتری را می­توان در مورد داده ­هایی بکار برد که روشهای پارامتری را نمی توان درباره آنها اعمال کرد. این وضعیت در مواردی است که مقیاس اندازه­ گیری داده ­ها اسمی یا ترتیبی باشد.

3-   در روشهای ناپارامتری لازم نیست که فرض کنیم متغیر تصادفی جمعیت  دارای توزیع احتمال خاصی است. این روشها بر مبنای توزیع نمونه­ گیری هستند، امادر شکل توزیع نمونه­ گیری لازم نیست که شکل خاصی  را برای توزیع احتمال جمعیت فرض کنیم.

4-   اگر یک روش غیر پارامتری را بتوان در مورد یک مقیاس اندازه ­گیری ضعیف بکار برد در آن صورت می­توان آن را در مورد مقیاسهای قویتر نیز بکار برد.


مشخصات

مدل استقلال و مدل اشباع شده

مدل اشباع شده

بر این مبنا که مدل اشباع شده به عنوان مدلی تعریف می شود که در آن همه مسیرهای ممکن ترسیم شده اند می توان آن را نقطه مقابل مدل استقلال دانست، اگر مدل استقلال مدلی است که در آن کای اسکوئر به حداکثر ممکن می رسد مدل اشباع مدلی است که در آن مقدار کای اسکوئر حداقل ممکن  یا صفر خواهد بود.

مدل استقلال

مدل استقلال مدلی است که در آن متغییرهای موجود در مدل فاقد هر گونه رابطه یک سویه یادو سویه با یکدیگرند و کوواریانس میان آنها صفر فرض شده است. این نوع مدلها یکی از انواع مدلهایی هستند که به نام مدل صفر خوانده می شوند و مبنایی برای ارزیابی مدل مفروض را فراهم می آورند. هر چند مطالعات کاربردی چنین مدلی به خودی خود مفید به نظر نمی رسد اما مقایسه مقدار کای اسکوئر مدل مفروض با مدل استقلال نشان می دهد که مدل تدوین شده تا چه اندازه در بهبود (کاهش) این مقدار موفق عمل کرده است و بنابراین شاخصی را برای ارزیابی برازش فراهم می آورد.


مشخصات

متغیرهای تک سوالی در مدلسازی معادلات ساختاری

 

معمولا در دوره های مدلسازی معادلات ساختاری آکادمی تحلیل آماری ایران 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. متغییرهای 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،2009؛ سارستد و ویینسکی،2009). به هر حال متغییرهای تک سوالی به ندرت پیشنهاد می شوند.

برای مثال متغییرهای 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، متغییرهای 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، متغییر تک سوالی قابل برآورد است.(لو،2002؛ ونوس و دیگران،1997).

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(2012) متغییرهای تک سوالی تنها زمانی باید مورد ملاحظه قرار گیرند که

  • حجم نمونه کم باشد(کمتر از 50)
  • انتظار ضرایب مسیری(ضرایب پیوند سازه ها در مدل ساختاری) 0.3 یا کمتر وجود داشته باشد
  • آیتم های مقیاس چند سوالی اساسا بسیار همگن باشند(آلفای کرونباخ بیشتر از 0.9)
  • آیتم ها دارای افزونگی معنایی زیادی هستند.

منبع : محسن مرادی (1395)

https://analysisacademy.com


مشخصات

تفاوت ماتریس کواریانس و ماتریس همبستگی چیست؟

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 0.30 و در حالت تخمین استاندارد این ضریب 0.53 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، 1395)

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، 1395)

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.

 

منبع : محسن مرادی (1395)

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


مشخصات

خصوصیات اصلی مدل سازی معادلات ساختاری با pls

 

خصوصیات اصلی مدل سازی معادلات ساختاری با pls

محققین عزیز آکادمی تحلیل آماری 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:

  • 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 150 تا دقت برآورد ها بالا برده و می تواند تا 97 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

  • 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.

منبع : محسن مرادی


مشخصات

نمونه گیری خوشه ای چیست؟

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؛1388)

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:

1-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

2-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 15 سال شهروندان تهرانی نظرسنجی به عمل آید می توانیم از میان کل 22 منطقه تهران مثلا 5 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.

 

منبع: https://telegram.me/analysisacademy


مشخصات

انواع متغیرها در مدل معادلات ساختاری
انجام مدل یابی معادلات ساختاری

 

به منظور انجام مدل یابی معادلات ساختاری تعریف متغیرها از اهمیت ویژه ای بر خوردار است. مهمترین نکته در انجام تحلیل آماری تعریف متغیرها در مدل یابی معادلات ساختاری است. در انجام مدل یابی معادلات ساختاری متغیر مشاهده‌پذیر یا آشکار به صورت مستطیل در نظر گرفته خواهد شد.

متغیرهای مشاهده‌پذیر یا معرف‌ها در انجام مدل یابی معادلات ساختاری

دسته اول متغیر ها در انجام مدل یابی معادلات ساختاری متغیرهای مشاهده‌پذیر یا معرف‌ها می‌باشند؛ که همان سؤال‌ها یا گویه‌های پرسشنامه می‌باشند. این دسته از متغیرها در نرم‌افزارهای معادلات ساختاری به شکل مستطیل یا مربع نمایش داده می‌شوند. در مدل‌های اندازه‌گیری که برپایه متغیرهای مشاهده‌پذیر تعریف می‌شوند؛ در انجام مدل یابی معادلات ساختاری دو نوع متغیر مشاهده‌پذیر X‌ و Y وجود دارد. مدل‌های اندازه‌گیری، مدل‌هایی هستند که روابط بین متغیرهای مشاهده‌پذیر (مستطیل‌ها) و پنهان (بیضی‌ها) را با یک پیکان نمایش می‌دهند. در انجام مدل یابی معادلات ساختاری از آنجا که دو مدل اندازه‌گیری X و Y وجود داشته که به ترتیب با نمادهای کسای و اِتای نمایش داده می‌شوند؛ متغیرهای مشاهده‌پذیر مربوط در انجام مدل یابی معادلات ساختاری به این دو مدل نیز به نام‌های مشاهده‌پذیرهای X و Y تعریف می‌شوند.

متغیر مشاهده‌پذیر یا آشکار

Observable Variable or Indicator

انجام مدل یابی معادلات ساختاری در نرم افزار smart pls و لیزرل در نرم افزار SPSS، در تمامی آزمون‌ها و تحلیل‌های خود، تمایزی بین دو متغیر فاصله‌ای و نسبتی قائل نیست و هر دوی این متغیرها را با عنوان Scale می‌شناسد.

متغیرهای مکنون (پنهان) یا سازه‌ها هنگام انجام مدل یابی معادلات ساختاری

دسته دوم متغیرها  هنگام انجام مدل یابی معادلات ساختاری متغیرهای مکنون (پنهان) یا سازه‌ها می‌باشند که بطور مستقیم قابل اندازه‌گیری نبوده و به وسیله حدقال دو یا سه متغیر مشاهده‌پذیر قابل اندازه‌گیری می‌باشد. در هنگام انجام مدل یابی معادلات ساختاری ، با دو نوع متغیر مکنون بر خورد می نماییم که با شکل بیضی نمایش داده می‌شوند.

متغیر مکنون برون‌زا (مستقل) هنگام انجام مدل یابی معادلات ساختاری

متغیر مکنون درون‌زا (وابسته) هنگام انجام مدل یابی معادلات ساختاری

متغیرهای مکنون برون‌زا  (مستقل)

هنگام انجام مدل یابی معادلات ساختاری متغیرهای مکنون برون‌زا (مستقل) نقش علّی را برعهده داشته و از آنجا که فقط مسیرهایی از آن خارج می‌شود؛ به عنوان متغیرهای برون‌زا نام برده می‌شوند.

متغیرهای مکنون درون‌زا (وابسته)

هنگام انجام مدل یابی معادلات ساختاری متغیرهای مکنون درون‌زا (وابسته) در مدل معادلات ساختاری، نقش معلول را داشته و از آنجا که مسیرهایی از سوی متغیرهای دیگر به آن وارد می‌شود، به عنوان متغیرهای درون‌زا نام برده می‌شوند. متغیرهای وابسته دیگری نیز هنگام انجام مدل یابی معادلات ساختاری وجود دارد که نقش میانجی داشته و مسیرهایی به آن هم وارد و هم از آن سمت متغیرهای دیگر خارج می‌شود؛ ولی از آنجا که در تعریف متغیرها به منظور انجام مدل یابی معادلات ساختاری ، برون‌زا و درون‌زا بودن نقش اصلی را ایفا می‌نماید، این متغیر (وابسته میانجی) چون خود علت متغیر دیگری می‌باشد، با همان نماد اِتای (متغیرهای وابسته) نمایش داده می‌شود. در واقع هنگام انجام مدل یابی معادلات ساختاری متغیر وابسته متغیری است که تغییرات آن تحت‌تأثیر متغیر مستقل قرار می‌گیرد که برای انجام مدل یابی معادلات ساختاری به متغیرهای وابسته، درون‌زا گویند. متغیر میانجی دیگر متغیر وابسته‌ای است که در رابطه بین دو متغیر مستقل و وابسته دیگر سهم دارد که همان‌طور که در بالا بدان اشاره گردید، در مدل یابی معادلات ساختاری به این نوع متغیرها نیز متغیر درون‌زا گفته می‌شود که خود نسبت به متغیر دیگری در مدل متغیر برون‌زا هستند .

تعریف متغیر میانجی

نکته ۱: متغیر میانجی در انجام مدل یابی معادلات ساختاری همان متغیر درون‌زا خوانده می‌شود، با این تفاوت که در درون مدل هم نقش درون‌زایی و هم برون‌زایی را نسبت به متغیرهای مستقل و وابسته در درون مدل می‌پذیرد. در مدل‌های حاوی متغیر میانجی، دو نوع میانجی‌‌گری ممکن است به وجود آید:

۱)            میانجی‌گری کامل

۲)            میانجی‌گری جزئی

در میانجی‌گری کامل (شکل زیر) تأثیر علّی میان متغیرهای مستقل و وابسته تنها به صورت غیرمستقیم و از طریق میانجی است.

انجام مدل یابی معادلات ساختاری
انجام مدل یابی معادلات ساختاری

 نمایش انواع متغیرها به همراه متغیر میانجی‌گری کامل در یک مدل کلّی معادلات ساختاری

ولی در متغیر میانجی‌گری جزئی، تأثیر علی میان دو متغیر مستقل و وابسته از دو طریق مستقیم و غیرمستقیم است.

نمایش انواع متغیرها به هماره متغیر میانجی‌گری جزئی در یک مدل کلی معادلات ساختاری

انجام مدل یابی معادلات ساختاری
انجام مدل یابی معادلات ساختاری

نکته ۲: در مدل مدل‌سازی معادلات ساختاری با متغیر میانجی جرئی، برای تعیین شدت اثر غیرمستقیم متغیر مستقل به نسبت اثر کل این متغیر وابسته از شاخصی به نام شاخص VAF (Variance Accounted For) استفاده می‌شود.

مقدار این شاخص بین ۰ تا ۱ بوده که مقادیر نزدیک به ۱ نشان می‌دهد که تأثیر متغیر میانجی در رابطه بین متغیر مستقل و وابسته قوی می‌باشد. این شاخص از طریق فرمول زیر محاسبه می‌شود:

که در آن داریم:

a: ضریب مسیر بین متغیر مستقل و میانجی

b: ضریب مسیر بین متغیر میانجی و وابسته

c: ضریب مسیر بین متغیر مستقل و وابسته

مدل‌های مدل‌سازی معادلات ساختاری

هنگام انجام مدل یابی معادلات ساختاری در مدل‌سازی معادلات ساختاری شاهد ۳ نوع مدل اساسی می‌باشیم که روابط بین متغیرها (مکنون و مشاهده‌پذیر) این سه مدل را از هم متمایز می‌نماید:

۱)            مدل اندازه‌گیری

۲)            مدل ساختاری

۳)            مئل عمومی معادلات ساختاری (مدل مسیری- ساختاری)

 

منبع: http://www.amartahlil.com


مشخصات

تحلیل عاملی تاییدی و اکتشافی و تفاوت های آنها

درجه آزادی

تحلیل عاملی

تحلیل عاملی از جمله روشهای چند متغیره است که در آن متغیرهای مستقل و وابسته مطرح نیست، زیرا این روش جزء تکنیک‌های هم وابسته محسوب می‌گردد و کلیه متغیرها نسبت به هم وابسته‌اند. تحلیل عاملی نقش بسیار مهمی در شناسایی متغیرهای مکنون یا همان عامل‌ها از طریق متغیرهای مشاهده شده دارد. عامل (factor) متغیر جدیدی است که از طریق ترکیب خطی مقادیر اصلی متغیرهای مشاهده شده برآورد می‌شود. روﺵ ﺗﺤﻠﻴﻞ عاملی ﺑﺮﺍﻱ ﺳﺎﺧﺖ ﺁﺯﻣـﻮﻥﻫـﺎ ﺍﻭﻟـﻴﻦ ﺑـﺎﺭ ﺗﻮﺳـﻂ ﺎﺭﻟﺰ ﺍﺳﻴﺮﻣﻦ ﺑﻪ ﻛﺎﺭ ﺑﺮﺩﻩ ﺷـﺪﻩ ﺍﺳـت. ﺑـﻪ ﻫﻤـﻴﻦ ﺩﻟﻴـﻞ ﻭﻱ ﺭﺍ ﻣﺒﺘﻜـﺮ ﺭﻭﺵ ﺗﺤﻠﻴــﻞ عاملی ﻣــی‌ﻧﺎﻣﻨـﺪ.

ﺗﺤﻠﻴــﻞ عاملی ﻳﻜــﻲ ﺍﺯ ﺭﻭﺵﻫﺎﻱ ﻴﺸﺮﻓﺘﻪ ﺁﻣﺎﺭﻱ ﺍﺳﺖ که بر مبنای آن متغیرها به گونه‌ای دسته بندی می‌شوند که در نهایت به دو یا چند عامل که همان مجموعه متغیرها هستند، محدود می‌گردند، بنابراین هر عامل را می‌توان متغیری ساختگی یا فرضی در نظر گرفت که از ترکیب چند متغیر که از وجوهی به هم شباهت دارند، ساخته شده است. داده‌های اولیه برای تحلیل عاملی، ماتریس همبستگی بین متغیرها است و متغیرهای وابسته از پیش تعیین شده‌ای ندارد.

 کاربردهای تحلیل عاملی

  • کاهش داده‌ها (Data Reduction): یکی از بیشترین کاربردهای تحلیل عاملی، کاهش داده‌ها در تهیه آزمون‌ها است. در برخی از پژوهش‌ها وجود متغیر زیاد انجام تحلیل نهایی را دچار مشکل می‌کند. تحلیل عاملی اکتشافی به محقق کمک می‌کند تا حجم زیادی از متغیرها به تعداد مجدودی از عامل‌ها کاهش دهد. 
  • شناسایی ساختار (Structure Detection): ساختار زیربنایی مجموعه‌ای از متغیرها در یک حوزه مفهومی مشخص شناسایی می‌شود. به عبارت دیگر متغیرهای مورد استفاده در تحقیق بر اساس صفات مشترکشان به دو یا چند دسته محدود شده و این دسته‌ها را عامل می‌نامیم. پس از آن روابط بین عاملها بدست آمده و در هر عامل نیز روابط بین متغیرهای آن محاسبه شده و در نهایت هدف اصلی تحقیق که روابط بین متغیرهای تحقیق است، محاسبه می‌شوند.
  • سنجش اعتبار (روایی) پرسشنامه یا یک مقیاس: به معنی این که آیا گویه‌های طرح شده درون عامل‌ها قرار می‌گیرند یا نه. برای مثال فرض کنید پرسشنامه‌ای با ۲۰ سوال (یا گویه) تنظیم کرده و می‌خواهید عوامل را استخراج کنید. روایی یعنی آیا ابزار شما، مفهوم موردنظر را به درستی می‌سنجد؟

رویکردهای تحلیل عاملی

رویکردهای تحلیل عاملی را می‌توان به دو دسته کلی تقسیم کرد:

  • تحلیل عاملی اکتشافی (Exploratory Factor Analysis)
  • تحلیل عاملی تاییدی (Confirmatory Factor Analysis)

اینکه کدام یک از این دو روش باید در تحلیل عاملی به کار رود مبتنی بر هدف تحلیل داده‌هاست. تمایز مهم روش‌های تحلیل عاملی اکتشافی و تاییدی در این است که روش اکتشافی با صرفه‌ترین روش تبیین واریانس مشترک زیربنایی یک ماتریس همبستگی را مشخص می‌کند. در حالی که روش‌های تاییدی (آزمون فرضیه) تعیین می‌کنند که داده‌ها با یک ساختار عاملی معین (که در فرضیه آمده) هماهنگ هستند یا نه. به طور کلی، تحلیل عاملی اکتشافی (EFA) ممکن است در حوزه‌های تحقیقاتی کمتر بالغ که در آن سئوالات اندازه‌گیری اساسی هنوز حل نشده انتخاب بهتری باشد. این روش همچنین در مقایسه با CFA نیاز به پیش‌فرض‌های کمتری دارد. در پژوهش‌های ارزیابی، EFA معمولاً در مطالعات اولیه و CFA در مطالعات بعدی همان حوزه استفاده شود.

 

تفاوت تحلیل عاملی اکتشافی و تحلیل عاملی تاییدی 

  • مدل‌های اندازه‌‌گیری که هیچ‌گونه قید و شرطی بر آن‌ها اعمال نشده است، با استفاده از تحلیل عاملی اکتشافی (EFA) و مدل‌های اندازه‌گیری مقید با استفاده از تحلیل عاملی تاییدی(CFA) تجزیه و تحلیل می‌شوند. به این معنا که محقق باید ارتباط بین عامل‌ها و شاخص‌های مربوط با آن‌ها را به وضوح مشخص نماید.
  • در EFA مرحله تشخیص مدل وجود ندارد. به عبارت دیگر هیچ مجموعه منحصر به فردی از برآورد پارامترها برای یک مدل خاص وجود ندارد. برعکس درCFA مدل‌ها باید از قبل مشخص شوند. به همین دلیل در CFA گام چرخش وجود ندارد.
  • در EFA فرض بر این است که واریانس مربوط به هر شاخص با واریانس شاخص دیگری به اشتراک گذاشته نمی‌شود. در مقابل، بسته به مدل موردنظر، CFAمی‌تواند ارزیابی کند که آیا واریانس مربوطه بین دو شاخص‌ به اشتراک گذاشته می‌شود یا نه.
  • در CFA خروجی برنامه‌های کامپیوتری، تعدادی آماره برازش ارائه می‌کند که برازش یا به عبارتی میزان تطابق کل مدل را با داده‌ها ارزیابی می‌کنند. درحالی‌که، این آماره‌ها معمولاً در روش‌های متداول EFA (از جمله تحلیل مؤلفه اصلی (principle components analysis) و عامل‌‌یابی محور اصلی (principle axis factoring) که توسط نرم‌افزارهای کامپیوتری مانند SPSS وSAS/STAT انجام می‌شوند، وجود ندارند. البته برخی از برنامه‌های کامپیوتری تخصصی‌تر مانند Mplus ممکن است برخی از آماره‌های برازش را برای روش‌های خاصی از EFA ارائه کنند.
  • EFA با استفاده از برنامه‌های کامپیوتری که برای تحلیل آماری عمومی بکار می‌روند، مانند SPSS و SAS/STAT قابل انجام است. در حالی‌که، برای انجام CFA به برنامه‌های کامپیوتری تخصصی‌تری نیاز داریم که قابلیت اجرای تکنیک مدل‌یابی معادله ساختاری (SEM) را دارا می‌باشند. چون CFA تکنیک مدل‌یابی معادله ساختاری (SEM) برای برآورد مدل‌های اندازه‌گیری مقید است. برخی ابزار‌های کامپیوتری پر کاربرد SEM عبارتند از:LISREL،Amos ،Smart-PLS و Mplus که برنامه Mplus دارای قابلیت انجام هر دو تحلیل EFA و CFA می‌باشد.

 


مشخصات

معادلات ساختاری مبتنی بر واریانس یا مبتنی بر کواریانس؟

تحلیل PLS توسط هرمن ولد ابداع شده است. تفاوت این روش شناسی نسبت به CBSEM در این است که به جای استفاده از متغیرهای مکنون، با بلوکی ازمتغیرهای مشتق شده از ترکیبات وزنی متغیرهای مشاهده شده کار میکند. به همین دلیل خود آنها هم قابل مشاهده اند. رویکرد تخمینی  PLS ، ااماً متشکل از یک توالی تکراری از رگرسیونهای OLS است که با یک تقریب خارجی آغازمیگردد، در اینجا متغیرهای مکنون مدل به وسیله ترکیب خطی معرفهایشان تقریب زده شده، و برای تعیین وزنهای مربوط به معرفهای انعکاسی و ترکیبی به ترتیب از تحلیل مولفه های اصلی و تحلیل رگرسیون استفاده میشود.

در مرحله بعد تقریب داخلی مقادیر جایگزین با استفاده از متوسط وزنی بلوکی از متغیرهای مجاور مدل ساختاری مشخص میشود. روشهای مختلفی برای تعریف مجاورت در طرحهای مختلف وزن دهی وجود دارد، اما آنچنان که بعدها مشاهده میکنیم نوع طرح انتخابی تاثیر کوچکی بر نتایج نهایی خواهد داشت. با تغییر وزنهای اولیه و ایجاد مقادیر تازه، استفاده از فرایند تقریب داخلی و خارجی تا آنجا تکرار میشود که مقادیر هر مورد به یکدیگر نزدیک شده و همگرایی حاصل شود.

تعداد معرفها در هر سازه و حجم نمونه

در تحلیل PLS ، برخلاف CBSEM به جای کار با متغیرهای مکنون از بلوکی از متغیرها استفاده می شود؛بلوکهایی که به صورت ترکیبی خطی از مجموعه معرفها بوده و خطای اندازه گیری مخصوص به خود را دارند.

پس باید نمرات تعیین شده برای هر بلوک از متغیرها، همچنین برای هر مورد و پارامترهای برآورد شده متناظر با آنها، متفاوت از یکدیگر باشند. این نمرات تنها زمانی به مقادیر واقعی جامعه نزدیک میشوند که تعداد معرفهای هر سازه و اندازه نمونه تا بینهایت افزایش یابد. بنابراین در شرایط واقعی روش شناسی PLS ، پارامترهای مدل ساختاری را کمتر از مقدار واقعی و پارامترهای مدل اندازه گیری را بیشتر از مقدار واقعی برآورد میکند.

اما در CBSEM انتظار میرود افزایش در حجم نمونه به کاهش واریانس پارامترها منجر شود. اگر تعداد خاصی از معرفها داشته باشیم افزایش نامحدود حجم نمونه موجب نا اریب شدن برآوردها نمیشود. ولی در اندازه خاصی از نمونه افزایش تعداد معرفهای هر سازه تنها میتواند منجر به کاهش بخشی از پراکندگی پارامترهای برآوردی گردد. در عوض تحلیل PLS بیشتر برای مواردی مناسب است که روش CBSEM در آنجا قابل اعمال نیست. مانند زمانی که تعداد معرفهای هر متغیر مکنون بینهایت زیاد یا حجم نمونه بسیار کوچک باشد.

اساس روش PLS به عنوان یک رویکرد منطبق بر اطلاعات محدود، مبتنی بر پیش فرضهای آماری آسان در ارتباط با ویژگی معرفهاست. از این رو در بیشتر موارد آن را نوعی تکنیک مدلسازی نرم می نامند تا از رویکرد مدلسازی سخت CBSEM متمایز شود. به ویژه که PLS تحت تاثیر توزیع یا مقیاس اندازه گیری معرفهای مورد استفاده قرار نمیگیرد و تنها ویژگی که باید برای تحلیل دادهها در این روششناسی برآورده شود، برابری بخش سیستماتیک تمام رگرسیونهای خطی OLS با امید ریاضی شرطی متغیرهای وابسته است.

این شرط که بیشتر اوقات تدوین پیش بین نامیده میشود، نشان میدهد که مدل درونی در حقیقت سیستمی از زنجیره علّی  با پسماندهای غیر همبسته است، و پسماندهای متعلق به یک متغیر مکنون درونزای خاص با متغیرهای مکنون پیشبین متناظرشان رابطه ای غیر همبسته دارند. بسیاری از دانشمندان، پایایی پارامترهای برآورد شده برای دادهه ای غیر نرمال را در روش PLS با استفاده از تکنیک شبیه سازی مونت کارلو ثابت کرده اند.

در ارتباط با بارهای عاملی معرفهای موجود در مدلهای عاملی، همان نکاتی که پیشتر در موردCBSEM گفته شد در اینجا نیز صادق است. با این حال، برای کار با سازه هایی که به شکلی نادرست عملیاتی شده اند، روش PLS قویتر از رویکرد CBSEM است. رویکرد برآورد همزمان در روش شناسی CBSEM موجب شده است که وجود یک سازه ضعیف در مدل بر مقدار تمام پارامترهای برآورد شده و متغیرهای مکنون مدل تاثیر گذارد. در صورتی که روش PLS این عامل منفی بیشتر روی همان سازه و متغیرهایی که در مجاورت با آن قرار دارند اثر خواهد داشت.

 

منبع:   https://analysisacademy.com


مشخصات

ابزارهای معادلات ساختاری

در بسیاری از موارد، پژوهشگر با مجموعه ای از پرسش های به هم پیوسته روبرو است، که برای پاسخگویی به تمامی این سوالات نیاز به بررسی روش مدل یابی معادلات ساختاری است که از بسط و توسعه مجموعه ای از تکنیک هایی چند متغیری نظیر رگرسیون چند متغیری و تحلیل عاملی شکل گرفته است.

مدل سازی معادلات ساختاری به بررسی مجموعه ای از روابط وابستگی به طور همزمان می پردازد. استفاده از این روش، به ویژه زمانی مفید است که یک متغیر وابسته در روابط وابستگی بعدی تبدیل به یک متغیر مستقل می شود. این مجموعه روابط، اساس مدل یابی معادلات ساختاری را تشکیل می دهد.(کلاین،2011)

LISREL، EQS، AMOS ،PLS چهار مورد از پرکاربردترین نرم­ افزارهای مدل­سازی معادلات ساختاری هستند که سه نرم­ افزار LISREL، AMOS و EQS متعلق به نسل اول معادلات ساختاری یعنی نسل کواریانس محورها(Covariance-Base) و نرم افزار های PLS که خود چند نوع هستند، جزو نسل دوم معادلات ساختاری یعنی نسل مولفه محور(Component-Based)  می‌باشند.

 

نسل اول روش­ های مدل­سازی معادلات ساختاری (Covariance-based SEM Techniques)

این روش­ها که به روش­های کواریانس محور معروف هستند، توسط جورسگوک (1969) معرفی شدند. هدف اصلی این روش­ها تأیید مدل است که برای این کار به نمونه ­هایی با حجم بالا نیاز دارند. در این روش به تخمین ضرایب مسیرها و بارهای عاملی با استفاده از به حداقل رساندن تفاوت بین ماتریس­های واریانس-کواریانس مشاهده شده و پیش­بینی شده می­ پردازند.

ماتریس واریانس-کواریانس مشاهده شده توسط واریانس و کواریانس محاسبه شده بین متغیرهای مکنون به دست می­ آید. پرکاربردترین رویکرد محاسبه ضرایب در روش­های نسل اول، رویکرد تخمین حداکثر احتمال است که نیاز به داده­ های مربوط به متغیرهای مشاهده شده (سوال­ها) دارد که این متغیرها حتما باید از توزیع نرمال پیروی کرده باشند.

 

نسل دوم روش­ های مدل­سازی معادلات ساختاری (Component-based SEM Techniques)

روش­های مولفه محور که بعدا به روش حداقل مربعات جزئی تغییر (Partial Least Squares) تغییر نام دادند، توسط ولد (1974) ابداع شد. این روش از دو مرحله تشکیل شده است: 1) سنجش مدل های اندازه گیری با معیارهای مربوط به پایایی و روایی . 2) سنجش بخش ساختاری با استفاده از ضرایب t.

طی سالهای اخیر استفاده از روش PLS و نرم افزارهای مربوط به اون نسبت به روش های نسل اول و نرم افزارهای نسل اول مثل لیزرل، آموس و ای کیو اس، بیشتر شده و این به خاطر مزیت هایی است که روش PLS نسبت به روش نسل اول دارد. این رویکرد به جای باز تولید ماتریس کوواریانس تجربی، بر بیشینه سازی واریانس متغیرهای وابسته که توسط متغیرهای مستقل پیش بینی نی شوند تمرکز دارد.

این رویکرد همانند رویکرد لیزرل، از بخش ساختاری که نمایانگر روابط بین متغیرهای پنهان، و بخش اندازه گیری که نشانگر روابط متغیرهای پنهان با نشانگرهایشان است، تشکیل شده است. در رویکرد (PLS) بخش ساختاری، دارای دو مدل درونی (Inner Model)و بخش اندازه گیری مدل بیرونی Outer) Model)  نام دارد. اما رویکرد PLS علاوه بر این دو بخش دارای بخش سومی نیز می باشد، که نسبت های وزنی (Weight Relations) نام دارد.

این بخش جهت برآورد مقادیر موردها (Case Value) برای متغیرهای پنهان مورد استفاده قرار می گیرد (نمرات افراد در متغیرهای مکنون)، (چین، 1988). برخلاف رویکرد مبتنی بر کوواریانس که ابتدا پارامترهای مدل برآورده شده و سپس مقادیر موردها از طریق برگشت دادن آنها به مجموعه تمام نشانگرها، برآورد می شود(مانند مقادیر برآورد شده برای هر متغیر پنهان در هر مجموعه از داده ها)، در رویکرد PLS ابتدا مقادیر موردها محاسبه می شود. (امانی و دیگران، 1390:45). در آموزش نرم افزارهای ایموس و اسمارت پی ال اس، تمامی این موارد به صورت تخصصی بیان میگردند.

 

 

شاخص

کوواریانس محور

واریانس محور

توزیع داده ها

در روش برآورد ML حتما باید داده ها نرمال باشند

به دلیل استفاده از بوت استرپ، نرمال بودن یا نبودن داده ها تفاوتی ندارد

کاربرد

برآورد پارامترهای تعیین شده و تایید مدل و فرضیه های موجود

پیش بینی و توسعه مدل

روش

کوواریانس

واریانس

هدف پژوهش

تعمیم مدل و فرضیه ها

پیش بینی

تعداد سوالات

حداقل 3 سوال برای هر متغیر

حداقل 1 سوال برای هر متغیر

قابلیت تعمیم پذیری

بالا

متوسط و پایین

حجم نمونه

حداقل 200 نمونه

حداقل 30 نمونه

میزان پیچیدگی مدل

قابلیت تحلیل مدل، با پیچیدگی های کم و متوسط

قابلیت تحلیل مدل، با پیچیدگی های بالا

مشخصات

مدل های بازگشتی یا دارای تاثیر متقابل در ایموس

بارها این سوال در کلاس های آماری پرسیده شده است که آیا در یک مدل ساختاری دو متغیر میتوانند بر یکدیگر تاثیر متقابل بگذارند. به دو شکل زیر توجه شود که مبادا این دو مدل با یکدیگر اشتباه گرفته شود.

 

 

مدل اول یک همبستگی ساده را بین دو متغیر نشان می دهد اما مدل دوم کاملا وضعیتی متفاوت است و می بینیم که دو متغیر اعتماد اجتماعی و مشارکت اجتماعی مدلی را تدوین کرده اند که در آن هم اعتماد اجتماعی بر مشارکت اجتماعی تاثیر می گذارد و هم در سوی دیگر مشارکت اجتماعی بر اعتماد اجتماعی تاثیر می گذارد. هرگز این پدیده با شکا اول که یک رابطه ی هم بستگی است نباید اشتباه گرفته شود. در حقیقت در اینجا ما بر خلاف شکل اول یک تاثیر متقابل داریم و به گونه ای یک حلقه ایجاد شده است. چنین مدل های ساختاری با این شکل تدوین مدل را مدل های بازگشتی (recursive model) می خوانند.

در واقع در مدل های ساختاری گاهی ما شاهد اثرات متقابل یا دو سویه هستیم و محققین نشان داده اند که چنین مفروضه هایی به لحاظ روش پژوهش امکان پذیر است.

اما باید دید از لحاظ نرم افزاری دوستانی که در کلاس های ایموس آکادمی شرکت نموده اند در مواجهه با چنین روابط بازگشتی چگونه باید عمل کنند.

اولا باید بدانند که در رسم شکل این نوع مدل ها در ایموس باید دو پیکان رسم نمایند. یعنی یک پیکان یک طرفه از سمت متغیر اول به دوم و بعد یک پیکان یک طرفه هم از سمت متغیر دوم به اول. خوب تا اینجای کار بدون ایراد جلو می رود اما نکته مهم اینجاست که در مدل های بازگشتی با این تاثیر های متقابل، به طور ضمنی خطاهای هر متغیر(هر متغیر وابسته یک خطای باقی مانده دارد. پس در اینگونه مدل ها، هر دو متغیر دارای خطا هستند زیرا هر دو هم زمان هم مستقل و هم وابسته هستند) با یکدیگر همبسته هستند. چرا که وقتی دو متغیر بر هم تاثیر متقابل گذارند بدیهی است که متغیر های باقی مانده ی در نظر گرفته نشده در مدل، که در کلاس ها خطای باقی مانده خوانده می شد باید با هم همبستگی داشته باشند. بنابراین مدل را بدرستی ترسیم و اجرا می کنیم.(مرادی، 1395)

تکته نهایی اینکه در کتاب کلاین 2005 که در سایت برای دانلود قرار داده شده و یکی از کتاب های مرجه مدل سازی معادلات ساختاری است بیان شده است که اتفاقا مدل های بازگشتی به جهان واقعی نزدیک تر هستند چرا که بسیاری از متغیر های جهان بر یکدیگر تاثیر متقابل و دو سویه دارند اما در نهایت به دلیل اینکه اطلاعات و مشاهدات چنین مدل هایی را باید از مطالعات پیمایشی طولی بدست آورد و همچنین بدلیل اینکه ممکن است تعداد مجهولات معادله ساختاری از تعداد معادلات آن بیشتر باشد و این باعث غیر مشخص شدن پارامتر های مدل شود محققین تمایلی به استفاده از چنین مدل هایی را ندارند(کلاین، 2005).

منبع: دکتر محسن مرادی


مشخصات

مدل یابی معادلات ساختاری

مدل یابی معادلات ساختاری یک روش منفرد آماری نیست؛ بلکه به خانواده ای از فرآیندهای مرتبط اطلاق می شود و در ادبیات موجود، معادلهای متفاوتی از جمله تحلیل ساختار کوواریانس، مدل یابی ساختار کوواریانس و مدلیابی علیتی نیز برای معرفی آن به کار رفته است.

دلیل کاربرد وسیع و محبوبیت این تکنیک در بین پژوهشگران علوم اجتماعی این است که علاوه بر فراهم نمودن یک روش کمی برای آزمون نظریه،بر دشواری تحلیل روابط بین متغیرها در پژوهشهای انسانی فائق آمده و برخلاف مدلهای خطی مورداستفاده در روشهای سنتی (همانند رگرسیون چندگانه)،قادر است خطای اندازه گیری را نیز برآورد نماید.

با این وجود پژوهشگران نیاز دارند تا قبل از به کارگیری این تکنیک، اطلاعات وسیعی را در مورد روابط بین متغیرهای تحت مطالعه در اختیار داشته باشند؛ از جمله این که کدام متغیر/متغیرها بر کدام یک از متغیر/متغیرهای دیگر تأثیر میگذارند و جهت این تأثیرگذاری چگونه است. این یک امر ساده نیست؛ به ویژه این که برخی از متغیرهای مورد علاقه و استفاده پژوهشگر در مدل پیشنهادی، به طور مستقیم قابل مشاهده و اندازه گیری نیستند؛ و پژوهشگر مجبور (یا علاقه مند) است که اندازه های مربوط به این متغیرهای مکنون یا پنهان variables Latent  یا عاملها (Factors) و یا به اصطلاح دیگر، سازه ها (Constructs )را از روی تعداد بیشتری از متغیرهای قابل مشاهده  (Indicators) شاخصها یا Observable variables برآورد نماید. تکنیکهای آماریSEM از طریق محاسبه واریانس مشترک یا عمومی بین متغیرهای آشکار این کار را انجام می دهند. در واقع محاسبه واریانس یا تغییر اندازه متغیرها، زیربنای بسیاری از تکنیکهای آماری است. به عنوان مثال پژوهشگر در یک مطالعه تجربی علاقمند است با ایجاد تغییر در متغیر مستقل، میزان تغییرات ایجاد شده در متغیر وابسته را برآورد نماید.

در تکنیک مدلیابی معادلات ساختاری پژوهشگر با مشاهده و محاسبه تغییرات همزمان (واریانس مشترک) چند متغیر قصد دارد نتیجه بگیرد که احتمالاً عامل مشترکی تبیین کننده این تغییرات همزمان است. در واقع واریانس مشترک در یک شاخص، بخشی از واریانس است که با سایر شاخصها در اشتراک بوده و توسط یک یا چند عامل تبیین میگردد.

با این وجود پژوهشگر همیشه نمیتواند به راحتی قضاوت کند که تغییرات یک یا چند متغیر مشخص تبیین کننده واریانس در متغیر یا متغیرهای موردنظر است؛ چرا که در مطالعات مربوط به علوم انسانی متغیرهای بیشماری وجود دارند که ممکن است از چشم پژوهشگر پنهان مانده و حتی ناشناخته بوده و تبیین کننده واریانس در متغیرهای مطلوب باشند. لبته چالش دیگری نیز وجود دارد، این که غالباً اندازه گیری متغیرهای انسانی همانند مهارتهای ارتباطی با درجاتی از خطا همراه است که ممکن است مربوط به ابزار اندازه گیری، خطای پژوهشگر و یا تأثیر عوامل ناشناخته باشد.

از این منظر میتوان واریانس مربوط هر شاخص یا متغیر آشکار را به دو بخش شامل الف)واریانس عمومی و ب)واریانس انحصاری variance Unique آن شاخص تقسیم نمود؛ که خود شامل ترکیبی از واریانس واقعی و واریانس خطا در شاخص اندازه گیری شده است. مدلیابی معادلات ساختاری و تکنیکهای زیر مجموعه همانند تحلیل عاملی نقش تفکیک واریانس مربوط به هر شاخص را به عهده دارد.این گونه عملیات با استفاده از نرم افزارهای مختلفی از جمله AMOS ،LISREL،PLS صورت می گیرد.

اطلاعات مورد نیاز برای تحلیل در قالب پارامترهای مدل در اختیار نرم افزار قرار داده میشوند. پژوهشگرانی که قصد استفاده از تکنیک مدلیابی معادلات ساختاری را دارند لازم است به خوبی با این مفهوم آشنا باشند. پارامترهای مدل شامل ویژگیهایی از جامعه انسانی است که قرار است در تحلیل، برآورد شده و آزمون گردند.نرم افزار، پارامترهای آشکار که توسط پژوهشگر فراهم شده را به کار میبرد تا پارامترهای مکنون را با استفاده از آنها برآورد نماید. پارامترهای آشکار شامل ویژگیهایی هستند که پژوهشگر از نمونه ها جمع آوری کرده و پارامترهای مکنون نیز ویژگیهایی هستند که پژوهشگر انتظار دارد مدل طراحی شده وبرازش یافته با داده ها، آنها را نشان دهد.

روابط بین متغیرهای مکنون و متغیرهای آشکار در مدل از جمله پارامترهای موسوم به بارهای عاملی هستند که شامل ضرایب رگرسیونی برای پیش بینی متغیرهای آشکار با استفاده از متغیرهای مکنون هستند. پارامتر دیگر شامل واریانس عامل است که همان واریانس مربوط به هر عامل در داده های حاصل از نمونه گیری است. پارامتر دیگر نیز شامل واریانس خطا  است که نشان میدهد تغییرات مشاهده شده در متغیرهای آشکار علاوه بر تأثیر اعمال شده از طرف عامل مشترک، متأثر از سایر عوامل ناشناخته است. همچنین روابط (همبستگی یا کوواریانس) بین عاملها از دیگر پارامترها هستند.

تحلیل مدل غالباً روی ماتریس واریانس-کوواریانس به عنوان ورودی تحلیل صورت میگیرد که توسط نرم افزار از داده های خام وارد شده، تولید میگردد خروجی تحلیل نیز پارامترهای برآورد شدهای هستند که حاصل برازش یافتن دادههای ورودی با مدل مشخص شده توسط پژوهشگر است.

از آنجایی که پارامترهای مدل (یا همان پارامترهای مکنون) باید از روی پارامترهای آشکار (ماحصل تحلیل اولیه نرم افزار روی داده های خام) برآورد گردند، لازم است تعداد پارامترهای آشکار بیش از تعداد پارامترهای مکنون باشند؛ یا به عبارت دیگر مدل باید مشخص (Identified )باشد؛ در غیر این صورت لازم است پژوهشگر در مدل خود تجدیدنظر نماید.گامهای کلی که پژوهشگران برای اجرای این روش لازم

است دنبال نمایند، شامل الف) قالب بندی مطالعه، ب) کنترل از نظر برقرار بودن مفروضات اجرای مدل معادله ساختاری، ج) بررسی برازش و اصلاح مدل، و د) تفسیر مناسب یافته ها هستند.

 

منبع: دکتر مرادی- اکادمی تحلیل آماری ایران


مشخصات

روایی محتوایی لاوشه CVR

 

روایی پرسشنامه

روایی محتوایی

مفهوم روایی پرسشنامه(Validity) به این سوال پاسخ می‌دهد که ابزار اندازه گیری تا چه حد خصیصه مورد نظر را می سنجد. روش‌های متعددی برای سنجش روایی وجود دارد که روایی محتوایی مرسوم ترین آنها است. در ساده ترین حالت برای سنجش روایی محتوایی، پرسشنامه در اختیار اساتید و خبرگان حوزه قرار داده می شود و از آنها در مورد اعتبار پرسشنامه نظرخواهی می شود. علاوه بر این راهکار ساده، دو روش دیگر نیز برای سنجش روایی محتوایی وجود دارد:

  • نسبت روایی محتوایی یا CVR
  • شاخص روایی محتوایی یا CVI

نسبت روایی محتوایی لاوشه : CVR

نسبت روایی محتوایی یا Content Validity Ratio; CVR یک روش سنجش روایی پرسشنامه است. این نسبت توسط لاوشه Lawshe که یک گته مردی در عرصه روش تحقیق است، طراحی شده است. جهت محاسبه این نسبت از نظرات کارشناسان متخصص در زمینه محتوای آزمون مورد نظر استفاده می شود و با توضیح اهداف آزمون برای آن ها و ارائه تعاریف عملیاتی مربوط به محتوای سؤالات به آن ها، از آن ها خواسته می شود تا هریک از سؤالات را بر اساس طیف سه بخشی لیکرت «گویه ضروری است»، «گویه مفید است ولی ضروری نیست» و «گویه ضرورتی ندارد» طبقه بندی کنند. سپس بر اساس فرمون زیر، نسبت روایی محتوایی لاوشه محاسبه می شود:

فرمول محاسبه روایی محتوایی لاوشه

فرمول محاسبه نسبت روایی محتوایی

در این فرمول داریم:

N: تعداد کل متخصصین

Ne : تعداد متخصصینی که گزینه ضروری را انتخاب کرده‌اند.

حداقل میزان CVR قابل قبول براساس تعداد خبرگان

بر اساس تعداد متخصصینی که سؤالات را مورد ارزیابی قرار داده اند، حداقل مقدار CVR قابل قبول بر اساس جدول زیر بایستی باشد. سؤالاتی مقدار CVR محاسبه شده برای آن ها کمتر از میزان مورد نظر با توجه به تعداد متخصصین ارزیابی کننده سؤال باشد، بایستی از آزمون کنار گذاشته شوند به علت اینکه بر اساس شاخص روایی محتوایی، روایی محتوایی قابل قبولی ندارند.

مقدار CVR قابل قبول

حداقل مقدار CVR قابل قبول بر اساس تعداد خبرگان

شاخص روایی محتوایی CVI

شاخص روایی محتوایی یا CVI Content Validity Index, نیز برای سنجش روایی پرسشنامه استفاده می شود. شاخص روایی محتوا توسط روش والتز و باسل (Waltz & Bausell) ارائه شده است. از خبرگان خواسته می شود میزان مرتبط بودن هر گویه را با طیف چهار قسمتی زیر مشخص کنند:

  • غیر مرتبط
  • نیاز به بازبینی اساسی
  • مرتبط اما نیاز به بازبینی
  • کاملاً مرتبط

تعداد خبرگانی که گزینه ۳ و ۴ را انتخاب کرده اند را بر تعداد کل خبرگان تقسیم کنید. اگر مقدار حاصل از ۰/۷ کوچکتر بود گویه رد می‌شود اگر بین ۰/۷ تا ۰/۷۹ بود باید بازبینی انجام شود و اگر از ۰/۷۹ بزرگتر بود قابل قبول است.

 

منبع : روایی محتوایی لاوشه نوشته آرش حبیبی، کتاب آموزش SPSS


مشخصات

آزمون همبستگی در SPSS

اکثر اوقات پژوهشگران مایلند بدانند بین دو یا چند متغیر چه ارتباطی وجود دارد. همبستگی، اندازه رابطه خطی بین متغیرهاست.

توجه کنید که ممکن است دو متغیر رابطه داشته باشند ولی این رابطه خطی نباشد.

 – دو متغیر می توانند انواع روابط زیر را داشته باشند:

1- رابطه مثبت داشته باشند. یعنی هر چه قدر متغیر اول زیادتر شود متغیر دوم هم زیادتر شود.

2- رابطه‌ای خطی نداشته باشند.

3- رابطه منفی داشته باشند. یعنی با افزایش متغیر اول، متغیر دوم کاهش پیدا کند.

همبستگی دو متغیر:

برای یافتن همبستگی دو متغیر، با توجه به نوع متغیر مورد مطالعه تصمیم میگیریم که از کدام روش استفاده کنیم.

در نرم افزار می‌توانیم از آزمونهای زیر برای یافتن ارتباط میان دو متغیر استفاده کنیم.

ضریب همبستگی پیرسون برای یافتن ارتباط میان دو متغیر کمی

ضریب همبستگی اسپیرمن برای یافتن ارتباط بین دو متغیر کیفی

ضریب همبستگی کندال برای یافتن ارتباط بین دو متغیر رتبه ای و اسمی

توجه:

زمانی از همبستگی پیرسون استفاده میکنیم که هر دو متغیر کمی بوده و از توزیع نرمال پیروی کند. اگر یکی از متغیر ها از توزیع نرمال پیروی نکند از ضریب همبستگی اسپیرمن استفاده می‌کنیم.

مثال:

1- آزمون پیرسون

با توجه به داده‌ها آیا رابطه‌ای بین قد و وزن افراد وجود دارد؟

مثال:

2- آزمون اسپیرمن

مثال:با توجه به داده‌ها آیا رابطه‌ای بین تحصیلات و وزن افراد وجود دارد؟

3- آزمون کندال

مثال: با توجه به داده‌ها آیا رابطه‌ای بین تحصیلات و جنسیت افراد وجود دارد؟

از منوی Analyze به ترتیب گزینه‌های Correlate و …Bivariate را انتخاب کنید. متغیرهای مورد نظر را به سمت راست انتقال دهید، اگر متغیرها از نوع کمی باشند از قسمت Correlation Coefficient گزینه‌ی Pearson را انتخاب کنید.

b46

از قسمت Test of Singnificance تنها یکی از گزینه‌ها را می‌توانید انتخاب کنید. سپس روی OK کلیک نمایید و در خروجی بر اساس سطح معناداری آزمون مربوزه را بررسی نمایید.

   – همبستگی جزئی

این ضریب، رابطه خطی بین دو متغیر در حضور یک متغیر دیگر را نشان می‌دهد. به عبارت دیگر، ضریب همبستگی دو متغیر در حضور متغیرها‌ی دیگر است. از این ضریب همبستگی بیشتر زمانی استفاده می‌شود که بخواهیم بدانیم تأثیر کدام متغیر به تنهایی از متغیرهای دیگر بیشتر است.

از منوی Analyze به ترتیب گزینه‌های Correlate و …Partial  را انتخاب کنید. متغیرها را به قسمت Variables و متغیر کنترل را به قسمت Controlling for انتقال دهید.

b47

 سپس روی OK کلیک کنید تا خروجی نمایش یابد. با توجه به سطح معناداری در خروجی، معنادار بودن متغیر کنترل را در بین دو متغیر دیگر بررسی نمایید.

   – پایایی و تحلیل عاملی اکتشافی در SPSS:

پایایی یک وسیله اندازه‌گیری، یعنی توانایی آن وسیله برای اندازه‌گیری بدون نقص چیزی که برای اندازه‌گیری آن طراحی شده باشد.پایایی در واقع پیش‌نیازی برای اعتبار آزمون است.

در این نرم افزار ضرایب پایایی مختلفی وجود دارد که یکی از آنها آلفای کرونباخ است که بر اساس میانگین همبستگی سوالات پرسشنامه بدست می‌آید.

دامنه آلفای کرونباخ بین 0 تا 1 است زیرا به عنوان یک ضریب همبستگی بیان می‌شود.

علاوه بر آلفای کرونباخ مدل‌های دیگر پایایی به صورت زیر می باشد:

 1- Split-half reliability 

سؤالات به دو نیمه تقسیم می‌شوند. اگر مقیاس کاملاً معتبر باشد دو نیمه کاملا همبسته هستند.

2- Guttman 

بر اساس دو نیمه کردن که کران‌های پایین را برای اندازه‌گیری پایایی درست محاسبه می‌کند. 

3- Parallel 

علاوه بر گزارش ضریبی برای پایایی از آزمون درست‌نمائی ماکزیمم برای تعیین برابری واریانس‌ها و خطاهای واریانس تمام سولات استفاده می‌کند.

4- Strictly parallel 

علاوه بر گزارش ضریبی برای پایایی از آزمون درست‌نمائی ماکزیمم برای تعیین برابری واریانس‌ها، خطاهای واریانس و میانگین‌های تمام سؤالات استفاده می‌کند.

از منوی Analyze به ترتیب گزینه‌های Scale و … Reliability Analysis را انتخاب کنید. تمام متغیرها را به راست منتقل نمایید. سپس بررسی کنید که فهرست کشویی Model گزینه‌ی Alpha انتخاب شده باشد.

b48

روی …Statistics کلیک کنید. از قسمت Descriptive for گزینه‌های Scale و Scale if item deleted و از قسمت Inter-Item گزینه‌ Correlations را انتخاب کنید:

b49

جدول Item Total Statistics دارای ستون‌های مهمی است که به صورت زیر تفسیر می‌شوند:

ستون Scale Mean if Item Deleted: این ستون میانگین امتیازهای مقیاس را در صورتی که آیتم مربوطه از مقیاس حذف شود، گزارش می‌دهد.

ستون Scale Variance if Item Deleted: این ستون واریانس امتیازهای مقیاس را در صورتی که آیتم مربوطه از مقیاس حذف شود، ارائه می‌دهد.

ستون Corrected ItemTotal Correlation: این ستون ضریب همبستگی پیرسون بین امتیاز آیتم مورد نظر و مجموع امتیازهای آیتم‌های باقیمانده را گزارش می‌دهد.

ستون Squared Multiple Correlation: این ستون نتیجه‌ یک رگرسیون چندگانه را ارائه می‌دهد، به طوریکه آیتم مورد نظر را به عنوان متغیر وابسته و سایر آیتمها را به عنوان متغیر مستقل در نظر می‌گیرد.

ستون Cronbach s Alpha if Item Deleted: این ستون ضریب آلفای کرونباخ را در صورتی که آیتم مربوطه از مقیاس حذف شود، گزارش می‌دهد.


مشخصات

روش محاسبه حجم نمونه برای مدل سازی معادلات ساختاری (SEM)

محاسبه گر حجم نمونه برای مدل سازی معادلات ساختاری (SEM)

همانطور که بارها در کارگاه های آماری بیان شد، استفاده از آمار استنباطی در جهت تعمیم الگو های کشف شده در در نمونه آماری به جامعه آماری، یک اصل غیر قابل تغییر است. آن اصل معرف بودن نمونه و اینکه نمونه نماینده ای تمام نما از جامعه باشد. ام چه نمونه ای معرف جامعه است و چگونه می توان مطمئن بود که مشت نمونه خروار است؟

  1. روش نمونه گیری باید احتمالی باشد ( یعنی محقق باید در نمونه گیری خود یکی از رویکرد های تصادفی ساده، سیستماتیک، خوشه ای و یا طبقه ای را استفاده کرده باشد)
  2. واحد تحلیل در نمونه گیری بر اساس مسئله پژوهش و جامعه آماری مورد نظر مشخص شده باشد.
  3. و مهمترین بخش حجم نمونه ای مناسب بر اساس روش ها و فرمول های آماری متناسب معین گشته باشد تا بتوان تعمیم پذیری و دقت نتایج را ادعا نمود.(مرادی و میر الماسی، 1396)

متاسفانه همانطور که در دوره های قبلی آماری به دانشجویان گزارش داده شد نزدیک به 98 درصد مطالعات و مستندات علمی در ایران در نمونه ای که شامل 3200 رساله و 1100 مقاله در رشته ها و مقاطع مختلف تحصیلات تکمیلی بررسی شده است، این ایراد فاحش یعنی استفاده از فرمولی مناسب در معیین نمودن حجم نمونه را با خود یدک می کشند که این امر ضربه سنگینی به اعتبار مطالعات کمی کشورمان زده است. در واقع دو روش استفاده از فرمول تعیین حجم نمونه کوکران و یا استفاده از جدول کرچسی و مورگان و یا نظر اساتید باعث این مشکل بسیار بزرگ و بسیار تلخ در تحقیقات کشورمان است. این فرمول ها تنها برای چند آزمون اولیه مقایسه میانگین مثل تی تک نمونه ای و یا دو نمونه مستقل یا دو نمونه وابسته آن هم بصورتی بسیار محدود قابل استفاده است و استفاده از این روش ها در اکثریت آزمون ها اعم از آزمون ها پارامتریک و ناپارامتریک رابطه و علی و تفاوتی کاملا نادرست و غیر منطبق با اصول علمی آماری و روش پژوهش است. در سه سال اخیر هم اکثر دانشجویان آکادمی تحلیل آماری ایران که با روش های مدرن تحقیق آشنا شده و مقالات خود را در ژورنال های معتبر دنیا به چاپ رسانیدند، جملگی یک اصلاحیه از طرف داوران به کار آن ها قبل از پذیرش اعمال می شد و این اصلاحیه چیزی نیست جز اینکه به عنوان مثال در این آزمون رگرسیون، رگرسیون لجستیک، همستگی اسپرمن، پیرسون، یو من وایت نی و …ده ها ازمون دیگر نباید از این فرمول ها و روش های بسیار ضعیف و قدیمی استفاده می شده است. بنابراین در چرخش دوره های آکادمی تحلیل آماری دوره های دو روزه حجم نمونه با نرم افزار های پیشرفته قرار داده شده است تا محققین در قالب متودی علمی روش نمونه گیری و حجم نمونه خود را مشخص و در مقالات و رساله خود گزارش نمایند.یکی از این دوره دوره ی نرم افزار SAMPLE POWER بوده است که این نرم افزار با قدرت نگارش سناریو های مختلف برای حجم نمونه تحقیق محقق را در انتخاب بهترین سناریو برای حجم نمونه آزمون پژوهشش یاری می رساند. اما از آن جا که این نرم افزار تخصصی که به ظاهر ساده اما دارای نکات بسیار زیادی در تعیین حجم نمونه است تقریبا یک روز 9 ساعته از کلاس به بیان روش تحقیق متناسب برای تعیین حجم نمونه و مفاهیم این حوزه و ارتباط این مفاهیم با هم گذشت. و مفاهیمی چون توان آژمون، اندازه اثر، درجه بندی مقیاس ها، عدم ارتباط حجم نمونه به حجم جامعه، انواع خطا، تعمیم پذیری و دقت نتایج و ….به صورت تفصیلی در آن مورد ارزیابی و بحث واقع شد. این نرم افزار و نرم افزار های مشابه برای نزدیک به 60 آزمون آماری مختلف با حالت های مختلفشان تعیین حجم نمونه می کنند. اما یکی از آزمون های آماری که برای تعیین حجم نمونه در درون این نرم افزار ها فضایی مناسب وجود ندارد، مدل سازی معادلات ساختاری کواریانس محور است. یعنی محقق زمانی که برای آزمون فرضیات خود قصد استفاده از نرم افزار های ایموس ، لیزرل، MPLUS و …. دارد باید حداقل حجم نمونه خود را با یک محاسبه گر مبتنی بر فرمولی مدرن مشخص نماید. روش های مختلفی برای این کار وجود دارد که در دوره ها بیان شده است. مثلا روش مبتنی بر Chi square و یا RMSEA .

اما در محاسبه گر زیر محققین به سادگی می توانند به حداقلی از حجم نمونه برای مدل سازی معادلات ساختاری دست یابند و دیگر به اشتباه از فرمول کوکران و یا روشهای سرانگشتی مثل ضرب عدد ده در سوالات یا عدد 50 در متغیر ها که صرفا شرط استفاده از این نرم افزارها است و نه روش تعیین نمونه، بهره گیرند(مرادی و میر الماسی، 1396)

برای تعیین حجم نمونه از اینجا وارد صفحه محاسبه گر حجم نمونه می شوید. سپس به دقت اعدادی که بیان می شود را طبق نکاتی که گفته می شود وارد می کنید.

  1. در قسمت Anticipated effect size که باید اندازه اثر مورد نظر برای آزمون مدل سازی معادلات ساختاری را وارد نمایید از قانون سه مقدار Chin در سال 1998 برای مقادیر R2 استفاده می کنید. سه مقدار چین شامل 0.19 و 0.33 و 0.67 است که محقق باید اندازه اثر 0.19 را جهت تشخیص آزمون برای این اندازه اثر وارد نماید.
  2.  در گام دوم توان آزمون Desired statistical power level یا همان عکس خطای نوع دوم را باید وارد نمود که در عرف مطالعات، بخوصوص مطالعات علوم انسانی و اجتماعی این مقدار بین 80 تا 90 درصد انتخاب می شود و حداقل آزمون باید توانی برابر با 80 درصد داشته باشد.
  3. در قسمت سوم تعداد متغیر های مکنون مدل پژوهش Number of latent variables اعم از برونزا و درونزا را وارد می کنیم که در مثال کلاس ما 5 متغیر مکنون که هر یک تویسط آیتم هایی اندازه گیری می شد داشتیم. اما هر کس بر اساس مدل خود عمل کند و تعدا متغیر های مکنون خود را در آن وارد نماید.
  4. در گام چهارم تعداد متغیر های آشکار یا همان سوالات پرسش نامه یعنی Number of observed variables را وارد نمایید که در مثال ما 28 متغیر آشکار یا مشاهده پذیر وجود دارد.
  5. در نهایت هم در گام آخر میزان خطای نوع اول را جهت دستیابی به بازه اطمینان 95 یا 99 درصد را وارد نمایید یعنی بجای Probability level مقادیر 0.05 و یا 0.01 را وارد نمایید. البته بهتر است که هر دو در دو سناریو مختلف وارد شوند سپس بر اساس نوع مسئله، توان محقق، بودجه محقق و غیره یکی از حجم نمونه های تعیین شده انتخاب گردد.  سپس آی Calculate زده می شود. عدد اول ظاهر شده حجم نمونه علمی شما برای تحقیق پیش رو است.

تعیین حجم نمونه از اینجا

calsulator sample size

منبع: آکادمی تحلیل آماری ایران


مشخصات

اصطلاحات اولیه مفید در مدل سازی معادلات ساختاری

مدل سازی معادلات ساختاری (SEM) مجموعه ای از روش های آماری است که به روابط پیچیده بین یک یا چند متغیر مستقل و یک یا چند متغیر وابسته اشاره می نماید. اگر چه روشهای متعددی برای توصیف SEM وجود دارد، بیشتر به عنوان ترکیبی بین برخی از اشکال تجزیه و تحلیل واریانس (ANOVA) / رگرسیون و بعضی از انواع تحلیل عاملی در نظر گرفته شده است.

مدل سازی معادلات ساختاریStructural Equation Modeling

مدل سازی معادلات سارختاری

مدل سازی معادلات ساختاری

مدل سازی معادلات ساختاری (SEM) مجموعه ای از روش های آماری است که به روابط پیچیده بین یک یا چند متغیر مستقل و یک یا چند متغیر وابسته اشاره می نماید. اگر چه روشهای متعددی برای توصیف SEM وجود دارد، بیشتر به عنوان ترکیبی بین برخی از اشکال تجزیه و تحلیل واریانس (ANOVA) / رگرسیون و بعضی از انواع تحلیل عاملی در نظر گرفته شده است. به طور کلی می توان گفت که مدل سازی معادلات ساختاری اجازه می دهد یک نوع رگرسیون چند متغیر / ANOVA را بر روی عوامل انجام دهیم. بنابراین باید کاملا با رگرسیون چند متغیره / ANOVA و همچنین مبانی تحلیل عاملی برای اجرای Structural Equation Modeling برای تحلیل آماری پایان نامه  خود آشنا باشید.

اصطلاحات اولیه مفید در مدل سازی معادلات ساختاری

بعضی اصطلاحات اولیه نیز مفید خواهد بود. تعاریف زیر در مورد انواع متغیرهایی که در SEM اتفاق می افتد، برای توضیح دقیق تر استفاده از معادلات ساختاری مفید خواهند بود:

متغیر های بیرونی

متغیرهایی که تحت تاثیر متغیرهای دیگر در یک مدل قرار نمی گیرند، متغیرهای بیرونی (Exogenous) نامیده می شوند. به عنوان مثال، فرض کنید ما دو عامل داریم که باعث تغییر در GPA، ساعت مطالعه در هفته و IQ می شوند. فرض کنید هیچ رابطه علی بین ساعت مطالعه و IQ وجود ندارد. پس هر دو متغیر  IQ و ساعت مطالعه متغیرهای بیرونی در مدل خواهد بود.

متغیرهای دورنی

متغیرهایی که تحت تاثیر متغیرهای دیگر در یک مدل قرار می گیرند، متغیرهای درونی (Endogenous) هستند. GPA یک متغیر درونی در مثال قبلی است .

متغیر آشکار

یک متغیر که به طور مستقیم مشاهده و اندازه گیری می شود، یک متغیر آشکار (همچنین متغیر شاخص در برخی حلقه ها نامیده می شود). در مثال اول، تمام متغیرها می توانند مستقیما مشاهده شوند و بنابراین به عنوان متغیرهای آشکار ساز واجد شرایط می شوند. یک نام خاص برای یک مدل معادلات ساختاری وجود دارد که تنها متغیرهای آشکار را بررسی می کند که تجزیه و تحلیل مسیر نامیده می شود .

متغیر پنهان

متغیری که مستقیما اندازه گیری نمی شود یک متغیر پنهان (Latent) است. عوامل” در یک تحلیل عاملی، متغیرهای پنهان هستند. به عنوان مثال، فرض کنید ما همچنین به بررسی تاثیر انگیزه در GPA نیز علاقه مند بودیم. انگیزه، به عنوان یک متغیر درونی و غیر قابل مشاهده، به صورت غیرمستقیم توسط پاسخ دانشجویی بر روی یک پرسشنامه ارزیابی می شود و در نتیجه یک متغیر پنهان است.

 

نقش متغیرهای پنهان در مدل معادلات ساختاری

متغیرهای پنهان پیچیدگی یک مدل معادلات ساختاری را افزایش می دهند، زیرا باید تمام آیتم های پرسشنامه و پاسخ های اندازه گیری شده را که برای تعیین عامل” یا متغیر پنهان استفاده می شود، مورد توجه قرار دهند. در این مثال، هر آیتم در پرسشنامه یک متغیر واحد خواهد بود که به طور قابل توجهی یا ناچیز در یک ترکیب خطی متغیرهایی که بر تغییرات در عامل پنهان انگیزه تأثیر می گذارند ، وارد می شود.

تعدیل یا اصلاح در مدلسازی معادلات ساختاری

به طور خاص، به منظور اهداف SEM، تعدیل یا اصلاح به وضعیتی اطلاق می شود که شامل سه یا چند متغیر است. به طوری که حضور یکی از این متغیرها رابطه بین دو دیگر را تغییر می دهد. به عبارت دیگر، تعدیل زمانی وجود دارد که ارتباط بین دو متغیر در تمام سطوح یک متغیر سوم یکسان نیست. یک راه برای فکر کردن به اصلاح زمانی است که شما در تعامل بین دو متغیر در ANOVA مشاهده می کنید. به عنوان مثال، تنش و تنظیم روانشناختی ممکن است در سطوح مختلف حمایت اجتماعی متفاوت باشد (به عنوان مثال، این تعریف یک تعامل است).

 

به عبارت دیگر، استرس ممکن است تحت شرایط کم رویی اجتماعی در مقایسه با شرایط حمایت اجتماعی، بر میزان تعدیل بیشتر تأثیر بگذارد. اگر یک ANOVA انجام شود، این امر به معنای تعامل دو طرفه بین استرس و حمایت روانی است. شکل ۱ نمودار مفهومی تعدیل را نشان می دهد. این نمودار نشان می دهد که سه اثر مستقیم وجود دارد که فرضیه ای برای ایجاد تغییرات در تنظیم روانشناسی وجود دارد – یک اثر اصلی استرس، یک اثر اصلی حمایت اجتماعی و یک اثر متقابل استرس و حمایت اجتماعی.

مدل سازی معادلات سارختاری

مدل سازی معادلات سارختاری

میانجی در مدل سازی معادلات ساختاری

به طور خاص، برای اهداف SEM، میانجی به وضعیتی اطلاق می شود که شامل سه یا چند متغیر است، به نحوی که یک فرآیند علی بین هر سه متغیر وجود دارد. توجه داشته باشید که این مجزای از میانجی است. در مثال قبلی در می توانیم بگوییم که در مدل سه چیز جداگانه وجود دارد که باعث تغییر در تنظیم روانشناختی می شوند: استرس، حمایت اجتماعی، و تاثیر متقابل استرس و حمایت اجتماعی که هر شخص به آن متغیر توجه نمی کند.

در یک رابطه میانجی، یک متغیر مستقل بین یک متغیر مستقل و یک متغیر وابسته وجود دارد. همچنین اثرات غیر مستقیم بین یک متغیر مستقل و یک متغیر واسطه و بین متغیر واسطه و یک متغیر وابسته وجود دارد. مثال بالا را می توان دوباره به یک فرآیند میانجی، به شکل زیر نشان داده شده است. تفاوت عمده ای از مدل تعدیل شده ، این است که ما اکنون می توانیم روابط علی میان استرس و حمایت اجتماعی و حمایت اجتماعی و تعدیل روانی را بیان کنیم.

تصور کنید که حمایت اجتماعی در مدل قرار نگرفته است – ما فقط می خواستیم تاثیر مستقیم استرس و تعدیل روانی را ببینیم. ما می توانیم با استفاده از رگرسیون یا ANOVA اندازه گیری اثر مستقیم را بدست آوریم. هنگامی که از حمایت اجتماعی به عنوان میانجی استفاده می کنیم، اثر مستقیمی در نتیجه تحلیل روند علیت به اثرات غیر مستقیم تأکید بر حمایت اجتماعی و حمایت اجتماعی از تنظیم روانشناختی تغییر خواهد کرد.

 

میزان تاثیر مستقیمی که در نتیجه شامل متغیر میانجی حمایت اجتماعی مطرح می شود، به عنوان اثر مداخله گر شناخته می شود. آزمون برای عامل میانجی شامل اجرای یک سری تحلیل های رگرسیون برای همه مسیرهای علمی و برخی از روش های تخمین تغییر در اثر مستقیم است. این تکنیک در واقع در مدل سازی معادلات ساختاری دخیل است که شامل متغیرهای میانجی است .

مدل سازی معادلات سارختاری

مدل سازی معادلات سارختاری

کواریانس و همبستگی

کوواریانس و همبستگی، بلوک های ساختاری از نحوه ارائه داده ها به نرم افزار برای اجرای مدل سازی معادلات ساختاری هستند.  ماتریس کوواریانس در عمل به عنوان مجموعه داده های شما مورد تجزیه و تحلیل قرار می گیرد. در بستر SEM، کوواریانسها و همبستگی بین متغیرها ضروری هستند، زیرا آنها به شما اجازه می دهند رابطه بین دو متغیر که وما وابسته نیستند را بررسی کنید . در عمل، بیشتر مدل های معادلات ساختاری شامل روابط علیت و غیر علیت است. بدست آوردن تخمین کوواریانس بین متغیرها می تواند به منظور تخمین بهتر اثرات مستقیم و غیر مستقیم با متغیرهای دیگر، به ویژه در مدل های پیچیده با پارامترهای زیاد استفاده گردد.

مدل ساختاری

یک مدل ساختاری بخشی از کل نمودار مدل معادلات ساختاری است که شما برای هر مدل پیشنهاد می کنید. مدل ساختاری برای ارتباط همه متغیرها (پنهان و آشکار) مورد نیاز است .

مدل اندازه گیری

یک مدل اندازه گیری بخشی از کل نمودار مدل معادلات ساختاری است که شما برای هر مدل پیشنهاد می کنید. ضروری است که متغیرهای پنهان در مدل خود را داشته باشید. در این قسمت از نمودار که مشابه تحلیل عاملی است؛ شما باید تمام متغیرها یا مشاهدات را که «بار» بر روی متغیر پنهان، روابط، واریانس و خطاها قرار می دهید را شامل شود.

مدل سازی معادلات ساختاری

مدل ساختاری و مدل اندازه گیری، کل مدل معادلات ساختاری را تشکیل می دهند. این مدل شامل همه چیزهایی است که در مجموعه متغیرهایی که مورد بررسی قرار گرفته اند، اندازه گیری، مشاهده شده یا در غیر این صورت دستکاری شده اند.

معادله ساختاری بازگشتی

یک مدل معادله ساختاری بازگشتی، مدلی است که در آن یک رابطه در یک جهت واحد هدایت می شود.

منبع : stat.purdue


مشخصات

آماره و پارامتر چیست؟

پارامتر

هر پارامتر ، ویژگی عددی جامعه ای است . پارامتر ها را با حروف یونانی نشان می دهند. مثلاً میانگین اجاره بهاهای آپارتمان های دو اتاق خوابه در یک شهر معین یک پارامتر است آن را با حرف نشان می دهیم و مثلاً می نویسیم ۴۰۰۰۰=.

آماره

هر آماره ، ویژگی عددی نمونه یا زیر نمونه ای است. آماره ها را با حروف لاتین نشان می دهند. مثلاً میانگین اجاره بهاهای یک نمونه ی تصادفی ۴۰ تائی از آپارتمان های دو اتاق خوابه در یک شهر یک آماره است آن را با حرف  نشان می دهیم و مثلاً می نویسیم ۴۰۰۰۰=X بار همچنین میانگین اجاره بهاهای یک زیر نمونه ی ۲۰ تایی از آپارتمان های دو اتاق خوابه نوساز در آن شهر یک آماره است آن را هم با  نشان می دهیم. مثلاً می نویسیم ۴۵۰۰۰=X بار

تفاوت پارامتر و آماره

پارامتر جامعه مقداری است ثابت و پایدار و تا موقعی که خود جامعه تغییر نکند ، پارامتر جامعه تغییر نمی کند. مثلاً تنها یک عدد بعنوان میانگین اجاره بهاهای آپارتمان های دو اتاق خوابه ۱۰۰ متری استان مازندران وجود دارد ( مثلاً ۴۰۰۰۰ تومان ) . متأسفانه به دلیل حجم بزرگ بسیاری از جامعه های آماری مورد مطالعه پژوهشگران ، پرامتر جامعه را معمولاً به طور مستقیم نمی توان محاسبه کرد. بنابراین ، پژوهشگران آماره به دست آمده از نمونه ای را بعنوان برآوردی از پارامتر جامعه مورد استفاده قرار می دهند. مثلاً به استناد ۴۰۰۰۰=X بار  برآورد می کنند که داشته باشیم ۴۰۰۰۰= ( برآورد نقطه ای که به آن کمتر می توان اعتماد کرد ) یا ۴۵۰۰۰><35000 ( برآورد فاصله ای که به آن بیشتر اعتماد کرد. )

آماره مقداری است متغیر و ناپایدار بدین معنی که از یک نمونه به نمونه ی دیگر تغییر می کند. مثلاً اگر ما ۵ نمونه ی تصادفی ۴۰ تائی از اجاره بهاهای آپارتمانهای دو اتاق خوابه ۱۰۰ متری را در یک شهر معین برگیریم احتمالاً نمونه های ما پنج متفاوت خواهند داشت.


مشخصات

تبلیغات

محل تبلیغات شما

آخرین مطالب

آخرین ارسال ها

محل تبلیغات شما محل تبلیغات شما

آخرین وبلاگ ها

    آخرین جستجو ها

    سفیداب روشور حلما معارف سال تحصیلی : 99 - 98 حديث و نرگس هنر ایرانی گوشي بازار کانون تبلیغات دکوپاژ Kate دانلود فیلم و اهنگ و خبر

    درباره این سایت

    • این وبسایت تابع قوانین جمهوری مقدس اسلامی ایران بوده و در ستاد ساماندهی پایگاه های اینترنتی ثبت شده است.
    • تمامی محتوای موجود تماما خودکار از وبلاگ های فارسی دریافت میشود ؛ در صورت مشاهده هرگونه محتوای خلاف قوانین جمهوری اسلامی ایران ؛ گزارش دهید تا به قید فوریت حذف گردد.
      با افتخار قدرت گرفته از سیستم جامع بلاگ ریدر نسخه 6
    ©   تمامی حقوق مادی و معنوی این سایت متعلق به ساخت وبلاگ - فایر بلاگ بوده و محفوظ میباشد ، با هرگونه کپی بردای از طرح یا پوسته برخورد خواهد شد.