تحلیل مؤلفه‌های اصلی

نقاط سبز رنگ، نمونه‌هایی از توزیع نرمال دومتغیره‌اند و محور آبی رنگ، مختصات جدید در راستای قرار گرفتن بیشترین تغییرات نمونه بر روی مؤلفه‌های اصلی است.

تحلیل مولفه‌های اصلی (Principal Component Analysis – PCA) تبدیلی در فضای برداری است، که غالباً برای کاهش ابعاد مجموعهٔ داده‌ها مورد استفاده قرار می‌گیرد.

تحلیل مولفه‌های اصلی در سال ۱۹۰۱ توسط کارل پیرسون ارائه شد. این تحلیل شامل تجزیه مقدارهای ویژهٔ ماتریس کواریانس می‌باشد.

جزئیات

تحلیل مولفه‌های اصلی در تعریف ریاضی یک تبدیل خطی متعامد است که داده را به دستگاه مختصات جدید می‌برد به طوری که بزرگترین واریانس داده بر روی اولین محور مختصات، دومین بزرگترین واریانس بر روی دومین محور مختصات قرار می‌گیرد و همین طور برای بقیه. تحلیل مولفه‌های اصلی می‌تواند برای کاهش ابعاد داده مورد استفاده قرار بگیرد، به این ترتیب مولفه‌هایی از مجموعه داده را که بیشترین تاثیر در واریانس را دارند حفظ می‌کند. برای ماتریس داده $X^{T}$ با میانگین تجربی صفر، که هر سطر یک مجموعه مشاهده و هر ستون داده‌های مربوط به یک شاخصه است، تحلیل مولفه‌های اصلی به صورت زیر تعریف می‌شود:

$Y^{T}=X^{T}W = V\Sigma$

به طوری که $V\Sigma W^{T}$ تجزیه مقدارهای منفرد ماتریس $X^{T}$ می‌باشد.

محدودیتهای تحلیل مولفه‌های اصلی

استفاده از تحلیل مولفه‌های اصلی منوط به فرضهایی است که در نظر گرفته می‌شود. از جمله:

فرض خطی بودن

ما فرض می کنیم مجموعه داده ترکیب خطی پایه‌هایی خاص است.

فرض بر این که میانگین و کواریانس از نظر احتمالاتی قابل اتکا هستند.
فرض بر این که واریانس شاخصه اصلی داده است.

محاسبه مولفه‌های اصلی با استفاده از ماتریس کواریانس

بر اساس تعریف ارائه شده از تحلیل مولفه‌های اصلی، هدف از این تحلیل انتقال مجموعه داده X با ابعاد M به داده Y با ابعاد L است. بنابرین فرض بر این است که ماتریس X از بردارهای $X_1 \dots X_N$ تشکیل شده است که هر کدام به صورت ستونی در ماتریس قرار داده شده است. بنابرین با توجه به ابعاد بردارها (M) ماتریس داده‌ها به صورت $M \times N$ است.

محاسبه میانگین تجربی و نرمال سازی داده‌ها

نتیجه میانگین تجربی، برداری است که به صورت زیر به دست می‌آید:

$u[m]=\frac{1}{N}\sum^{N}_{i=1}{X[m,i]}$

که به طور مشخص میانگین تجربی روی سطرهای ماتریس اعمال شده است.
سپس ماتریس فاصله تا میانگین به صورت زیر به دست می‌آید:

$B = X-uh$

که h برداری با اندازه $1 \times N$ با مقدار ۱ در هرکدام از درایه‌ها است.

محاسبه ماتریس کواریانس

ماتریس کواریانس C با ابعاد $M \times M$ به صورت زیر به دست می‌آید:

$C=\mathbb{E}[B\otimes B]=\mathbb{E}[B\cdot B^{\ast}]=\frac{1}{N}B\cdot B^{\ast}$

به طوری که:

$\mathbb{E}$ میانگین حسابی است.

$\otimes$ ضرب خارجی است.

$B^{\ast}$ ماتریس ترانهاده مزدوج ماتریس $B$ است.

محاسبه مقادیر ویژه ماتریس کواریانس و بازچینی بردارهای ویژه

در این مرحله، مقادیر ویژه و بردارهای ویژه ماتریس کواریانس، $C$ ، به دست می‌آید.

$V^{-1}CV=D$

V ماتریس بردارهای ویژه و D ماتریس قطری است که درایه‌های قطر آن مقادیر ویژه هستند. آنجنان که مشخص است، هر مقدار ویژه متناظر با یک بردار ویژه است. به این معنا که ماتریس V ماتریسی $M \times M$ است که ستونهای آن بردارهای ویژه می‌باشند و بردار ویژه $V_q$ در ستون qام قرار دارد و مقدار ویژه qام یعنی درایهٔ $\lambda_q = D_{q,q}$ متناظر با آن است. بازچینی بردارهای ویژه بر اساس اندازهٔ مقادیر ویژه متناظر با آنها صورت می‌گیرد. یعنی بر اساس ترتیب کاهشی مقادیر ویژه، بردارهای ویژه بازچینی می‌شوند. یعنی $p\leq q\Rightarrow \lambda_p \leq \lambda_q$

انتخاب زیرمجموعه‌ای از بردارهای ویژه به عنوان پایه

تحلیل مقادیر ویژه ماتریس کواریانس

انتخاب زیرمجموعه‌ای از بردارهای ویژه با تحلیل مقادیر ویژه صورت می‌گیرد. زیرمجموعه نهایی با توجه به بازچینی مرحله قبل به صورت $V_1\dots V_l$ انتخاب می‌شود. در اینجا می‌توان از انرژی تجمعی استفاده کرد که طبق آن

$g[m]=\sum_{q=1}^m{\lambda_q}$

انتخاب l باید به صورتی باشد که حداقل مقدار ممکن را داشته باشد و در عین حال g مقدار قابل قبولی داشته باشد. به طور مثال می‌توان حداقل l را انتخاب کرد که

$g[m=l] \leq 90%$

بنابرین خواهیم داشت:

$W[p,q] = V[p,q], p=1\dots M ,q = 1\dots l$

انتقال داده به فضای جدید

برای این کار ابتدا تبدیلات زیر را انجام می دهیم: ماتریس $s_{M,1}$ انحراف معیار مجموعه داده است که می‌تواند به صورت زیر به دست بیاید:

$s[i] =\sqrt{C[i,i]}$

سپس داده به صورت زیر تبدیل می‌شود:

$Z = \frac{B}{s}$ ‘

که ماتریسهای $C$ و $B$ در بالا توضیح داده شده اند. داده‌ها می‌توانند به ترتیب زیر به فضای جدید برده شوند:

$Y = W^{\ast}.Z$

نرم‌افزارها

در نرم‌افزار متلب تابع princomp مولفه‌های اصلی را باز می گرداند.

تجزیه مقدارهای منفرد

به عنوان یک تجزیه و فاکتورگیری ماتریسی، تجزیۀ مقدارهای منفرد یا تجزیۀ مقدارهای تکین (Singular value decomposition) قدمی اساسی در بسیاری از محاسبات علمی و مهندسی به‌حساب می‌آید.

مثال‌ها

ماتریس زیر را در نظر می‌گیریم:

$\begin{bmatrix} 1 & 0 & 0 & 0 & 2\\ 0 & 0 & 3 & 0 & 0\\ 0 & 0 & 0 & 0 & 0\\ 0 & 4 & 0 & 0 & 0\end{bmatrix}. $

یکی از تجزیۀ مقدارهای منفرد این ماتریس به صورت زیر است:

$ U = \begin{bmatrix} 0 & 0 & 1 & 0\\ 0 & 1 & 0 & 0\\ 0 & 0 & 0 & -1\\ 1 & 0 & 0 & 0\end{bmatrix} , \Sigma = \begin{bmatrix} 4 & 0 & 0 & 0 & 0\\ 0 & 3 & 0 & 0 & 0\\ 0 & 0 & \sqrt{5} & 0 & 0\\ 0 & 0 & 0 & 0 & 0\end{bmatrix} , V^* = \begin{bmatrix} 0 & 1 & 0 & 0 & 0\\ 0 & 0 & 1 & 0 & 0\\ \sqrt{0.2} & 0 & 0 & 0 & \sqrt{0.8}\\ 0 & 0 & 0 & 1 & 0\\ -\sqrt{0.8} & 0 & 0 & 0 & \sqrt{0.2}\end{bmatrix} $

یعنی داریم که

$\begin{bmatrix} 1 & 0 & 0 & 0 & 2\\ 0 & 0 & 3 & 0 & 0\\ 0 & 0 & 0 & 0 & 0\\ 0 & 4 & 0 & 0 & 0\end{bmatrix} = \begin{bmatrix} 0 & 0 & 1 & 0\\ 0 & 1 & 0 & 0\\ 0 & 0 & 0 & -1\\ 1 & 0 & 0 & 0\end{bmatrix} \cdot \begin{bmatrix} 4 & 0 & 0 & 0 & 0\\ 0 & 3 & 0 & 0 & 0\\ 0 & 0 & \sqrt{5} & 0 & 0\\ 0 & 0 & 0 & 0 & 0\end{bmatrix} \cdot \begin{bmatrix} 0 & 1 & 0 & 0 & 0\\ 0 & 0 & 1 & 0 & 0\\ \sqrt{0.2} & 0 & 0 & 0 & \sqrt{0.8}\\ 0 & 0 & 0 & 1 & 0\\ -\sqrt{0.8} & 0 & 0 & 0 & \sqrt{0.2}\end{bmatrix} $

مقدار ویژه و بردار ویژه

مسأله مقادیر ویژه (Eigenvalue problem) (یا مسأله مقادیر ذاتی) مربوط به ماتریس‌ها و عمل‌گرها از جمله اساسی‌ترین و ذاتی‌ترین، و به همین جهت، پرکاربردترین مباحث و ابزار در بسیاری از زمینه‌ها و میدان‌های علوم و فنون قدیم و جدید می‌باشد.

فضای برداری با بعد متناهی

مسأله اول در مورد فضاهای برداری با بعد متناهی است. ماتریس مربعی $A \!$ را در نظر می‌گیریم. بردار غیر صفر $x \!$ را بردار ویژه $A \!$ ، و اسکالر $\lambda \!$ را مقدار ویژه نظیر آن بردار می‌گوییم، چنانچه معادله ماتریسی زیر اقناع شود:

$A x = \lambda x\!$

در معادله ماتریسی حاضر دو مجهول وجود دارد: بردار ویژه $x \!$ و مقدار ویژه $\lambda \!$ . پس حل یکتایی برای آن وجود ندارد.

مثال:

ماتریس زیر را در نظر می‌گیریم:

$ A = \begin{bmatrix} 1 & 2 \\ 2 & 1 \\ \end{bmatrix} $

معادله ماتریسی بالا خواهد شد:

$ \begin{bmatrix} 1 & 2 \\ 2 & 1 \\ \end{bmatrix} \begin{bmatrix} x_1 \\ x_2 \\ \end{bmatrix} = \lambda \begin{bmatrix} x_1 \\ x_2 \\ \end{bmatrix} $

ابتدا معادله را به صورت همگن درآورده و بردار $ \begin{bmatrix} x_1 \\ x_2 \\ \end{bmatrix} $ را که قرار است بردار ویژه ما باشد در فاکتور قرار می‌دهیم:

$ \begin{pmatrix} \begin{bmatrix} 1 & 2 \\ 2 & 1 \\ \end{bmatrix} - \lambda \begin{bmatrix} 1 & 0 \\ 0 & 1 \\ \end{bmatrix} \end{pmatrix} \begin{bmatrix} x_1 \\ x_2 \\ \end{bmatrix} = 0 $

در واقع ما از ماتریس همانی (یکه) دوبعدی به‌خاطر حفظ طبیعت ماتریسی جمله‌ها استفاده کرده‌ایم. پس از ضرب $\lambda$ در ماتریس همانی و تفریق دو ماتریس داریم:

$ \begin{bmatrix} 1 - \lambda & 2 \\ 2 & 1 - \lambda \\ \end{bmatrix} \begin{bmatrix} x_1 \\ x_2 \\ \end{bmatrix} = 0 $

معادله ماتریسی حاصل حالتی خاص دارد. به منظور مقایسه و جهت وضوح در ادامه، معادله اسکالر بسیار ساده زیر را در نظر می‌گیریم:

$a y = 0 \!$

که در اینجا $a \!$ عددی ثابت است. متغیر مجهول $y \!$ ، تنها و تنها، زمانی جواب غیر از صفر اختیار می‌کند که داشته باشیم:

$a = 0 \!$

که در این صورت، هر عددی جواب این معادله است.

برای معادله ماتریسی هم درست همین حالات را داریم. یعنی، برای وجود جواب‌های غیر صفر به بردار ویژه $x = \begin{bmatrix} x_1 \\ x_2 \\ \end{bmatrix} $ لازم است که دترمینان ماتریس ضرایب صفر شود، و اقناع همین شرط است که به شکل‌یابی معادله مشخصه ماتریس $A \!$ می‌انجامد. پس، داریم:

$\det\begin{bmatrix} 1-\lambda & 2\\2 & 1-\lambda \end{bmatrix} = (1 - \lambda)^2 - 4 = 0.$

با حل این معادله درجه دوم دو جواب زیر برای دو مقدار ویژه ماتریس مفروض به‌دست می‌آیند:

$\lambda_1 = 3, \lambda_2 = -1 \!$

نکات و اشارات

تجزیه مقادیر ویژه را می‌توان تکنیکی بسیار مؤثر و قوی در تبدیل پیچیدگی به سادگی دانست. با نگاهی دقیق به این معادله می‌شود رمز این توانائی را تا حدودی دید:

ضرب ماتریس $A \!$ در بردار $x \!$ در سمت چپ (عملی سنگین) به ضرب تنها و تنها یک اسکالر ساده در همان بردار (عملی سبک و سریع) در سمت راست تقلیل یافته است.

فضاهای بی‌نهایت بعدی

توابع پیوسته ریاضی را می‌توان بردارهایی با تعداد بی‌نهایت مؤلفه در نظر گرفت، که در فضایی بی‌نهایت بعدی جای گرفته باشد. عمل‌گرهای قابل اعمال بر این‌گونه بردارها هم بی‌نهایت بعدی بوده و استفاده از مقدار ویژه‌های آن‌ها نقشی کارسازتر و پراهمیت‌تر به خود می‌گیرد.

عمل‌گر مشتق‌گیری

به عنوان یک مثال ساده و بسیار پر استفاده، عمل‌گر مشتق‌گیری از توابع مشتق‌پذیر ریاضی را در نظر می‌گیریم:

$\frac{d}{dx} f(x) = g(x) \!$

در این جا عمل‌گر $\frac{d}{dx} \!$ بر روی تابع مشتق‌پذیر $f(x) \!$ عمل نموده و تابع $g(x) \!$ را به دست داده است.

مقدارهای ویژه مرتبط با آن به همان صورتی که در مورد ماتریس‌ها دیدیم معرفی می‌شوند:

$\frac{d}{dx} f(x) = \lambda f(x) \!$

در این‌جا به سبب بی‌نهایت بودن بعد فضا، به جای بردار ویژه، عبارت تابع ویژه را داریم. در واقع در جستجوی توابعی هستیم که مشتق مرتبه اول آن‌ها مضربی از خودشان است. با اندکی توجه در می‌یابیم که عمومی‌ترین پاسخ در این‌جا عبارت است از:

$f(x) = e^{i \omega x}, \lambda = {i\omega} \!$

چرا که داریم:

$\frac{d}{dx} e^{i \omega x} = {i\omega} e^{i \omega x} \!$

از همین نقطه است که مهم‌ترین و فراگیرترین تبدیل فیزیک ریاضی — تبدیل فوریه — تولد می‌یابد.

مشخصات

جهت مشاهده منبع اصلی و ادامه این مطلب این مطلب کلیک کنید

آزمون تحلیل کواریانس ANCOVA

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:

۱- نرمال بودن.

۲- همگنی واریانس ها.

۳- رابطه بین متغیر وابسته با متغیر کمکی خطی فرض شود و یا رابطه بین متغیر وابسته و متغیر کمکی معنادار باشد.

۴- ضرایب خطوط رگرسیون با هم برابر باشند. و یا متغیر مستقل و کمکی با هم تعامل نداشته باشند.

مشخصات

جهت مشاهده منبع اصلی و ادامه این مطلب این مطلب کلیک کنید

آزمون تی تک نمونه ای

آزمون t تک نمونه ای زمانی مورد استفاده قرار می گیرد که یک نمونه از جامعه داریم و می خواهیم میانگین آن را با یک حالت معمول و رایج استاندارد و یا حتی یک عدد مورد انتظار مقایسه کنیم. در این آزمون فرض بر این است که نمونه ای به حجم n و میانگین m از یک جامعه انتخاب کرده‎ایم و می خواهیم بدانیم که آیا می توان این نمونه را یک نمونه تصادفی از جامعه دانست یا خیر؟

به عنوان مثال میتوان مقایسه میزان شوری آب یک دریاچه با میانگین معمول شوری آب دریاچه ها، مقایسه میانگین درآمد مردم یک شهر در مقایسه با میانگین درآمد کل کشور، مقایسه مقدار روغن موجود در یک کنسرو تن ماهی تولید شده توسط یک کارخانه با مقدار استاندارد تعریف شده روغن در یک کنسرو تن ماهی و مقایسه میانگین معدل دانش آموزان یک کلاس با یک میانگین مورد انتظار را نام برد.

مثال :

پژوهش گری در تحقیقی با عنوان "عوامل موثر بر پیشرفت تحصیلی دانش آموزان شهر تهران" فرضیه زیر را مطرح و به آزمون آن پرداخت.

"به نظر می رسد میانگین معدل های دانش آموزان شهر تهران از میانگین معدل های دانش آموزان در سراسر کشور بالاتر است".

نکته: برای اجرای آزمون t تک نمونه ای (one sample t test) دانستن مقدار مفروض و نظری ( در اینجا میانگین معدل های دانش آموزان در سراسر کشور ) ضروری است. در این مثال این مقدار برابر با 17 می باشد.

در این مثال یک نمونه 20 نفری از دانش اموزان شهر تهران تهیه شده و میانگین معدل هر کدام از دانش آموزان به شرح زیر بدست آمده است. نحوه وارد کردن داده ها به شرح زیر است.

پس از اجرا کردن دستور one sample t test مطابق با تصویر بالا، متغیر مورد را از کادر سمت چپ انتخاب کرده و به کادر سمت راست انتقال می دهیم. مقابل کادر Test Value میانگین مفروض (در اینجا 17) را تایپ کرده و OK را فشار می دهیم.

در قسمت نتایج Mean میانگین نمونه و Std deviation انحراف معیار نمونه و std error mean میزان اشتباه معیار میانگین را نشان می دهد. در جدول دوم t میزان تی محاسبه شده را نمایش می دهد، df درجه آزادی و sig. 2-tiled سطح معنی داری را نشان می دهد. مهمترین مطلب در این جدول میزان sig. می باشد که اگر این میزان از 05. کوچکتر باشد با اطمینان 95% و اگر از 01. نیز کوچکتر باشد با احتمال 99% تفاوت آماری معنی دار بین دو میانگین واقعی و مفروض وجود دارد. در مثال فوق به دلیل اینکه sig نه از 01. و نه از 05. کوچکتر نیست پس می توان نتیجه گرفت که میانگین معدل های دانش آموزان شهر تهران از میانگین معدل های دانش آموزان در سراسر کشور بالاتر نیست و همگی میانگین معدل مشابهی دارند.

مشخصات

جهت مشاهده منبع اصلی و ادامه این مطلب این مطلب کلیک کنید

نام علمی پارامتر های مدل سازی معادلات ساختاری

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

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

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

محسن مرادی

مشخصات

جهت مشاهده منبع اصلی و ادامه این مطلب این مطلب کلیک کنید

p value در نرم افزار لیزرل

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

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

H0: توزیع فراروانی مشاهده شده = توزیع فراوانی مورد نظر

H1: توزیع فراروانی مورد نظر≠ توزیع فراروانی مشاهده شده

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

یعنی توزیع فراروانی مشاهده شده = توزیع فراوانی مورد نظر

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

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

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

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

محسن مرادی

مشخصات

جهت مشاهده منبع اصلی و ادامه این مطلب این مطلب کلیک کنید

Bootstrapping (بوت استراپینگ) چیست؟

محققین عزیز که بصورت جدی تری درگیر نرم افزار های آماری مثل spss، amos، smart pls، lisrel و …هستند صد در صد در صفحات مختلف با گزینه ای به نام Bootstrap برخورد کرده اند. دانشجویانی که در در دوره های smart pls شرکت کرده اند عملا با آن درگیر بوده و آن را مورد بحث قرار داده اند. اما براستی Bootstrapping (بوت استراپینگ) چیست؟

ترجمه ای که برای آن در ادبیات آماری صورت گرفته است دستور خودگردان یا خودکار و یا خودگردان سازی بوده است. اما خودگردان سازی چیست؟ خودگردان سازی یا Bootstrap را می توان انجام نمونه گیری با جایگذاری از یک نمونه اصلی به دفعات زیاد دانست. یعنی ما از یک نمونه ثابت با حجم محدود به دفعات زیاد نمونه گیری مجدد البته با جایگذاری انجام می دهیم تا در نهایت بتوان با استفاده از نتایج کلیه ی دفعات نمونه گیری، در مجموع به یک توزیع نمونه ای دست یافت. دقت شود که هدف از نمونه گیری با جایگذاری این است که اقلام نمونه گیری شده پس از انتخاب به جامعه بازگردند تا بتوانند شانس حضور در نمونه های دیگر را پیدا کنند. در نهایت توزیع نمونه ای ایجاد شده مبنایی برای انجام تخمین ها، بویژه تخمین خطای معیار برای پارامتر های مختلف است.

در خودگردان سازی به جای آن که بر مبنای یک نمونه(نمونه اصلی) به تخمین خطای معیار دست بزنیم با انجام نمونه گیری های فرعی متعدد که اغلب بیشتر از ۲۰۰ بار است به یک توزیع نمونه ای تجربی دست میابیم که مبنای محاسبه خطای معیار قرار داده می شود. به این توزیع نمونه ای تجربی ، توزیع نمونه ای خودگردان یا Bootstrap گفته می شود(ژو، ۱۹۹۷)

مهمترین تفاوتی که باید گفته شود این است که در روش بدون Bootstrap شرط نرمال بودن توزیع داده ها وجود دارد اما در استنباط از طریق نمونه گیری خودگردان یا Bootstrap چنین شرطی وجود ندارد. یعنی اگر توزیع داده های ما نرمال نبود می توانیم از این روش برای استنباط و بررسی معناداری ضرایب آماری خود بهره ببریم(مرادی، ۱۳۹۵)

فراموش نشود که براین در مقاله خود در سال ۲۰۱۴ پیرامون مقایسه روش های مختلف با روش خودگردان سازی بحث نموده است و بیان کرده در نرم افزار های کواریانس محور مثل لیزرل و ایموس علی رغم وجود روش های خودگردان سازی بهتر است از قلب تپنده روش های کواریانس محور یعنی حداکثر درست نمایی که نیاز به حجم نمونه بالا و توزیع داده های نرمال است استفاده شود و روش خودگردان سازی را برای تحقیقات خاص با حجم نمونه کم و توزیع غیر نرمال و در جهت رویکرد های واریانس محور پیشنهاد می نماید(مرادی، ۱۳۹۵)

مشخصات

جهت مشاهده منبع اصلی و ادامه این مطلب این مطلب کلیک کنید

آزمون هم خطی

یکی از مفروضات مهم اکثر آزمونها به خصوص در آزمون های مربوط به فرضیه های علی این است که نباید بین متغییرها رابطه هم خطی وجود داشته باشد. بدین معنی که هیچ یک از متغییرهای مستقل نباید رابطه خطی با همدیگر داشته باشند. رابطه هم خطی وضعیتی است که نشان می دهد یک متغییر مستقل تابع خطی از سایر متغییرهای مستقل است. اگر هم خطی در یک معادله رگرسیون بالا باشد، بدین معنی است که بین متغییرهای مستقل همبستگی بالایی وجود دارد و در چنین حالتی با وجود بالا بودن R² مدل اعتبار بالایی ندارد. به عبارت دیگر با وجود آنکه مدل خوب به نظر می رسد ولی دارای متغییرهای مستق معنی داری نمی باشد.

برای تشخیص هم خطی متغییرهای مستقل باید هنگام محاسبه رگرسیون غیر از برآورد model fit و Estimate،collinearity diagnostic را نیز انتخاب کنیم ؛ با این شیوه در جدولی شاهد نتایج آزمونهای تولرانس و عامل تورم واریانس نیز هستیم. تولرانس نسبتی از واریانس یک متغییر مستقل است که توسط سایر متغییرهای مستقل تبیین نشده است. ضریب تولرانس که بین صفر و یک نوسان دارد،نشان می دهد که متغییرهای مستقل تا چه اندازه رابطه هم خطی با همدیگر دارند. بنابراین هرچه مقدار تولرانس بیشتر نزدیک به عدد ۱ باشد، میزان هم خطی کمتر است و برعکس هر چه مقدار تولرانس کم تر(نزدیک تر به عدد ۰) باشد، نشان می دهد که میزان هم خطی بالاست و خطای استاندارد ضرایب رگرسیونی از تورم بالایی برخوردار خواهد بود.بنابراین در هنگام اجرای رگرسیون با مشکلاتی مواجه هستیم.

شاخص دیگر عامل تورم واریانس یا VIF است که از تقسیم عدد یک بر تولرانس حاصل می شود ، هرچه مقدار عامل تورم واریانس از عدد ۲ بزرگ تر باشد میزان هم خطی بیش تر است. نتیجه و تفسیر عامل تورم واریانس، مع تولرانس است یعنی هر چه مقدار تولرانس بیش تر باشد، مقدار عامل نورم واریانس کم تر است و بر عکس. به عبارتی هر چه مقدار این ضریب افزایش یابد باعث می شود که واریانس ضرایب رگرسیونی افزایش یافته و در نتیجه مدل رگرسیون را برای پیش بینی نامناسب جلوه می دهد. بنابراین هر چه مقدار عمل تورم واریانس برای یک متغییر مستقل بیش تر باشد نتیجه می گیریم که که آن متغییر نقش زیادی در مدل ، نسبت به بقیه متغییرها ندارد(محسن مرادی)

مشخصات

جهت مشاهده منبع اصلی و ادامه این مطلب این مطلب کلیک کنید

فرضیه علّی و رابطه علّی

فرضیه علّی قضیه ای است که باید آزمون شود یا گزاره شرطی از روابط میان متغیر دو متغیر است. فرضیه‌ها ، حدس و گمان ها درباره کارکرد جهان اجتماعی هستند. ، آن ها عاری از ارزش بیان می شود کرلینجر ۱۹۷۹ در کتاب خود پیرامون فرضیه ها بیان می کند که:

اهمیت

فرضیه ها در پژوهش علمی ، فراتر از شناخت آنها و شیوه تدوین آنها است. فرضیه ها هدف بسیار مهم و ژرفی برای برانگیختن تفکر انسان ها دارند فرضیه ها ابزارهای توانمندی برای توسعه دانش می باشند که توسط انسان ها خلق می‌شوند ، ولی می‌توانند آزمون نشده و درستی یا نادرستی آنها فارغ از ارزش ها و باورهای انسان نشان داده شود.

فرضیه علّی: گزاره هایی از تببین های علّی یا قضیه ای است که حداقل دارای یک متغیر مستقل و یک متغیر وابسته بوده و در عین حال باید به طور تجربی آزمون شود.

یک فرضیه علّی دارای پنج ویژگی است به این مثال دقت نمایید: شرکت در آیین های عبادی احتمال طلاق را کاهش میدهد ، می‌بینیم که به عنوان یک پیش بینی شرکت در آیین های عبادی رفتار متغییر وابسته ی طلاق در میان زوج هایی که در آیین های عبادی شرکت کنند می تواند به پیش بینی تجربی گذارد. فرضیه باید از لحاظ منطقی به یک سوال پژوهشی و یک نظریه مرتبط باشد. پژوهشگر ها به منظور پاسخ به سوال های پژوهش یا یافتن شواهد تجربی برای یک نظریه ،

فرضیه ها را به آزمون می گذارند. گزاره‌هایی که منطقا درست می باشد و یا سوال هایی که پاسخ به آنها توسط شواهد تجربی ناممکن است برای مثال زندگی خوب چیست؟ آیا خدا وجود دارد ؟ نمی توانند فرضیه‌های علمی تلقی شوند.

پنج ویژگی فرضیه های علّی :

حداقل دارای دو متغیر است.
یک رابطه علّی یا علت و معلولی میان متغیرها بیان می کند
. می‌تواند به عنوان یک پیش بینی یا پیامد مورد انتظار بیان شود.
از لحاظ منطقی به یک سوال پژوهشی و یک نظریه مرتبط است
ابطال پذیر است ، یعنی می تواند در برابر شواهد تجربی آزمایش گردد و درستی یا نادرستی آن نمایان شود.

فرضیه‌های علّی به شکل های مختلفی بیان می شوند،گاهی اوقات از واژه علت استفاده می شود در حالیکه اامی ندارد برای مثال ، یک فرضیه علّی درباره رضایت مشتری و وفاداری او می تواند به صورت زیر بیان شود

رضایتمندی مشتری باعث افزایش سطح وفاداری مشتریان می‌شود.
رضایتمندی مشتری منجر به بالا رفتن سطح وفاداری مشتریان می‌شود.
رضایتمندی مشتری با وفاداری مشتریان رابطه ای علی دارد.
رضایتمندی مشتری بر وفاداری مشتریان تاثیر می گذارد.
رضایت مندی مشتریان با افزایش سطح وفاداری آن ها همراه است.
رضایتمندی مشتری وفاداری او را ایجاد می کند.
رضایتمندی مشتری به وفاداری مشتریان می انجامد.
اگر مشتریان راضی باشند احتمال وفاداری مشتریان افزایش خواهد یافت.
رضایت مندی مشتریان رفتار وفادارانه آن ها را پیش بینی می کند.

و …….(مرادی، ۱۳۹۷)

پژوهشگر ها هنگام آزمون فرضیه ها از به کار بردن واژه ثابت شده اجتناب می‌ورزند. معمولا این واژه در رومه‌نگاری، دادگاه‌ها و یا تبلیغات تجاری مورد استفاده قرار می گیرد. اما پژوهشگر ها به ندرت آن را به کار می‌برد بر اساس نظر هیئت منصفه یک مدرک می تواند گناه فردی را اثبات کند و یا یک تبلیغ تجاری میگوید مطالعات ثابت کرده‌اند که برخی آسپرین ها به سرعت سردرد را درمان میکند. این زبانی نیست که در پژوهش علمی کاربرد داشته باشد و خلق دانش یک فرآیند مستمر است که از نتیجه گیری پیش از موعد جلوگیری می کند بحث اثبات، بر قطعیت قول و اطمینان قاطع یا عدم وم بررسی های آتی متکی است. به کارگیری واژه اثبات در دنیای علم باید با احتیاط به کار رود . با این که شواهد و فرضیات از آن ها حمایت می کنند اما آنها را اثبات نمی کنند. حتی پس از سالها مطالعه با نتایج یکسان در مورد موضوع چون ارتباط میان استعمال سیگار و سرطان ریه دانشمندان ادعایی مبنی بر اثبات آن نکرده اند و فقط می توانند پژوهش‌ها تاکنون این فرضیه را حمایت کرده اند.

مشخصات

جهت مشاهده منبع اصلی و ادامه این مطلب این مطلب کلیک کنید

تحلیل عاملی تاییدی چیست؟

مهم ترین هدف

تحلیل عاملی تاییدی تعیین میزان توان مدل عامل از قبل تعریف شده با مجموعه ای از داده های مشاهده شده است. به عبارتی

تحلیل عاملی تاییدی درصدد تعیین این مساله است که آیا تعداد عامل ها و بارهای متغییرهایی که روی این عامل ها اندازه گیری شده اند با آنچه بر اساس تئوری و مدل نظری انتظار می رفت انطباق دارد. به عبارتی، این نوع

تحلیل عاملی به آزمون میزان انطباق و همنوایی بین سازه نظری و سازه تجربی تحقیق می پردازد. در این روش ابتدا متغییرها و شاخص های مربوطه بر اساس تئوری اولیه انتخاب می شوند و سپس ازتحلیل عاملی استفاده می شود تا ببینیم که آیا این متغییرها و شاخص ها آن طوری که پیش بینی می شد روی عامل های پیش بینی شده بار(لود) شده اند یا این که ترکیب آنها عوض شده و روی عامل های دیگری بار شده اند؟

در این نوع تحلیل عاملی پیش فرض اساسی محقق این است که هر عاملی با زیرمجموعه خاصی از شاخص ها ارتباط دارد. حداقل شرط لازم برای تحلیل عاملی تاییدی این است که محقق قبل از هر چیزی تعداد عامل های مدل را فرض کند اما در عین حال معمولا این محقق انتظارات خود را مبنی بر این که کدام عامل ها بار خواهند شد دخیل می کند. برای مثال محقق سعی می کند تا تعیین کند که آیا متغییرهایی که برای ساخت و نمایش یک متغییر پنهان به کار می روند واقعا متعلق به هم هستند یا خیر؟ کاربردهای دیگری هم برای تحلیل عاملی تاییدی قابل ترسیم است که عبارتند از:

۱-تعیین اعتبار یک مدل عاملی

۲-مقایسه توان دو مدل متفاوت که مسئول مجموعه مشابهی از داده ها هستند.

۳-آزمون معنی داری یک بار عاملی خاص

۴-آزمون رابطه بین دو یا چند بار عاملی

۵-آزمون این که آیا مجموعه عاملها با یکدیگر همبستگی دارند یا خیر؟

۶-ارزیابی میزان اعتبار هم گرای مجموعه ای از متغییرها(میزان تجانس داخلی بین آنها)

۷-سنجش اعتبار یک مقیاس یا شاخص از طریق نمایش این موضوع که گویه های همساز بر روی یک عامل بار می شوند. بنابراین به کمک این روش می توان گویه های ناهمساز مقیاس را که بر روی چندین عامل بار بسیار بالا یا پایینی دارند از مقیاس حذف کرد.چون این متغییرها را نمی توان به یک عامل مشخص انتساب داد.

نکته ۱: بسیاری از روان شناسان بر این عقیده اند که تحلیل عامل تاییدی بر تحلیل عامل اکتشافی برتری دارد زیرا روش تحلیل تاییدی، فرضیه ها را مورد آزمون قرار می دهد و این آزمون فرضیه برای هر روش علمی امری اساسی است.

نکته ۲: دستور تحلیل عامل تاییدی بر خلاف تحلیل عامل اکتشافی در نرم افزار spss وجود ندارد و انجام آن توسط نرم افزارهایی مانند لیزرل، ایموس و …انجام می شود.

محسن مرادی

مشخصات

جهت مشاهده منبع اصلی و ادامه این مطلب این مطلب کلیک کنید

ملاک های اساسی انتخاب موضوع پایان نامه

موضوع انتخابی تکراری نباشد.
عنوان نباید خیلی طولانی یا خیلی کوتاه باشد.
از به کار بردن اصطلاحات غیر رایج یا کلمات انگلیسی که معادل فارسی دارند پرهیز گردد.و از عنوانهای اختصاری استفاده نشود.
موضوع بایستی به صورت خبری نوشته شود.
در صورتی که عنوان مربوط به زمان و مکان خاصی است مکان و سال انجام تحقیق مشخص باشد.
موضوع قابلیت اجراء داشته باشد.مثلا در مکان انتخابی تمامی شرایط و امکانات جهت انجام تحقیق موجود است یا خیر؟در غیر این صورت موضوع انتخابی مناسب نیست.
موضوع باید کاربردی و مقرون به صرفه باشد.کار کردن روی موضوعی که با حداقل هزینه انجام گیرد و نتیجه ی آن برای رفع نیازهای اجتماعی مفید باشد موضوعی مناسب است.
از لحاظ ی و فرهنگی مورد تایید باشد.
موضوع بایستی منع اخلاقی نداشته باشد.

مشخصات

جهت مشاهده منبع اصلی و ادامه این مطلب این مطلب کلیک کنید

یک مفهوم از ضریب همبستگی

اگر قرار نیست کارهای مطالعاتی و تحقیقاتی پیچیده انجام دهید و فقط می‌خواهید در هنگام مطالعه‌ی متن‌های عمومی مدیریتی، درک درستی از ضریب همبستگی داشته باشید، احتمالاً توضیحات زیر برای شما کافی خواهد بود:

اگر ضریب همبستگی دو پارامتر با یکدیگر مثبت باشد، به این معناست که در فضایی که مطالعه و بررسی انجام شده، افزایش یک پارامتر با افزایش پارامتر دیگر و نیز کاهش آن پارامتر با کاهش پارامتر دیگر همراه است.
اگر ضریب همبستگی دو پارامتر با یکدیگر منفی باشد، به این معناست که در فضایی که مطالعه و بررسی انجام شده، افزایش یک پارامتر با کاهش پارامتر دیگر و کاهش آن پارامتر با افزایش پارامتر دیگر همراه است.
صفر بودن ضریب همبستگی به این معناست که دو پارامتر – در فضایی که مورد بررسی قرار گرفته – مستقل از یکدیگر بوده‌اند و بر اساس اطلاعات موجود از کاهش یا افزایش یکی، نمی‌توان در مورد کاهش یا افزایش دیگری اظهار نظر کرد.
ضریب همبستگی بین منفی یک و مثبت یک است. هر چه این ضریب از صفر دورتر شود (و به مثبت یا منفی یک نزدیک‌تر شود) می‌توان نتیجه گرفت که روند هم جهت بودن یا مخالف بودن دو پارامتر مورد بررسی، جدی‌تر است.
ضریب همبستگی هیچ ارتباطی با رابطه‌ی علت و معلول ندارد. احتمال دارد در یک جامعه‌ی آماری، بین حجم موتور ماشین و درآمد مالک ماشین، ضریب همبستگی مثبت وجود داشته باشد. اما این بدان معنی نیست که اگر ماشینی بخرید که حجم موتور بالاتری دارد، ثروت‌مندتر می‌شوید یا اگر سپرده‌ی بانکی شما افزایش یابد، حجم موتور ماشین شما رشد خواهد کرد.

مشخصات

جهت مشاهده منبع اصلی و ادامه این مطلب این مطلب کلیک کنید

چگونه مفهوم بعضی از واژه ها را در نتایج تحلیل پیدا کنیم؟؟؟؟

برای دست یابی به معانی بعضی از واژه های به کار گرفته شده در جدول های خروجی کافی است مراحل زیر را دنبال نمایید

1- روی جدول خروجی دو بار کلیک کنید تا در یک پنجره دیگری، ویرایشگر آن فعال شود.

2- در این پنجره، روی هر قسمتی که می خواهید از مفهوم آن اطلاع پیدا کنید، کلیک راست نمایید.

3- روی عبارت What's This? کلیک کنید و در بالن های باز شده، اطلاعات را مشاهده نمایید.

البته این امکان در جدول ها، فقط برای موارد ضروی گنجانده شده است.

مشخصات

جهت مشاهده منبع اصلی و ادامه این مطلب این مطلب کلیک کنید

پی ولیو و آلفا چه نقشی در تصمیم گیری آماری دارند؟

تقریبا همه نرم افزارهای آماری به جای اینکه آزمون ها را با توجه به مقدار آلفایی که کاربر در نظر دارد انجام بدهند، عددی به نام (p-value) معروف به سطح معنی داری (که در جدول های خروجی نرم افزار با Significant Level مشاهده می کنید) را محاسبه می کنند. با این کار اختیار تصمیم گیری به کاربر محول می شود. اگر فرض کنیم شما می خواهید آزمونی را در سطح 98 درصد انجام دهید (یعنی آلفا 2 درصد باشد)، حالا به p-value نگاه می کنید. اگر کمتر از 2 درصد باشد، فرض صفر رد می شود و اگر بیشتر باشد فرض صفر رد نمی شود. در این حال توجه داشته باشید که برای هر آزمونی با هر آلفایی می شود تصمیم گرفت. مثلا اگر می خواهید آزمونی را در سطح 95 درصد انجام بدهید (یعنی آلفا 5 درصد باشد)، باز به p-value نگاه می کنید. اگر کمتر از 5 درصد باشد، فرض صفر رد می شود و اگر بیشتر باشد فرض صفر رد نمی شود و قص علی هذا. در چنین وضعی دیگر نیازی هم به مشاهده و مقایسه اعداد در جدول های آماری ندارید.

مشخصات

جهت مشاهده منبع اصلی و ادامه این مطلب این مطلب کلیک کنید

تحلیل خوشه ای

تحلیل خوشه ای مجموعه ای از مشاهدات را به دو یا چند گروه نامعلوم و ناسازگار متقابل طبقه بندی می کند، که بر اساس ترکیب های از متغیرهای بازه ای قرار دارند. هدف این تحلیل کشف سیستم مشاهدات سازمانی، که معمولا مردم هستند به گروه است که در آن اعضای گروه در اموال عمومی سهیم اند. در کل از لحاظ شناختی، رفتار با افراد و پیش بینی رفتار یا مالکیت ها بر اساس مشاهدات رفتاری و مالکیت های دیگر دشوار است.

تحلیل خوشه ای، گروه های نامعلوم را طبقه بندی می کند. این روش اجازه انتخاب های زیادی درباره ی طبیعت الگوریتم برای ادغام گروه ها را می دهد.هر انتخاب ممکن است، موجب ساختار گروه بندی متفاوتی شود.

به عبارت دیگر تحلیل خوشه ای روشی اصلی برای طبقه بندی توده ای از اطلاعات به ستون های معنادار قابل اجرا می باشد.این تحلیل وسیله تقلیل داده هاست که باعث ایجاد زیرگروه هایی می شود که قابل اجراتر از داده های فردی است.

خوشه بندی تقریبا در همه جنبه های زندگی روزمره اتفاق می افتد. زیست شناسان گونه های مختلف حیوانات را طبقه بندی می کنند. در پزشکی، خوشه بندی نشانه ها یا بیماری ها منجر به طبقه بندی در مورد بیماری ها می شود. در تجارت خوشه هایی از بخش های مصرف کننده اغلب به منظور ت های مختلف بازاریابی جستجو می شود.

تحلیل خوشه ای گروه بندی های جدیدی را به وجود می آورد بدون هیچ تصوری که از قبل فرض شده باشد در مورد این که چه خوشه هایی ممکن است به وجود آیند.

تفاوت تحلیل خوشه ای و تحلیل تشخیصی

تفاوت تحلیل خوشه ای و

تحلیل تشخیصی در این است که در تحلیل تشخیصی گروه ها ( خوشه ها ) از قبل تشکیل شده اند و هدف از تحلیل آن است که ترکیب خطی آن دسته از متغیرهای مستقلی که گروه ها را به بهترین نحو از یکدیگر تفکیک می کنند تعیین شود، اما در تحلیل خوشه ای گروه ها از قبل تعیین نشده اند بلکه هدف این است که بهترین روشی را که بتوان از طریق آن متغیرها را در گروه هایی مشخص خوشه بندی کرد تعیین شود.

مشخصات

جهت مشاهده منبع اصلی و ادامه این مطلب این مطلب کلیک کنید

تحلیل های آماری و مدلسازی معادلات ساختاری

گروه علمی آموزشی پژوهشگران برتر سعی در ارائه بهترین خدمات در حوزه های آماری زیر را دارد:

1. برگزاری دوره های خصوصی، نیمه خصوصی و گروهی آموزش آمار و نرم افزارهای تحلیل های آماری
2. مشاوره آماری (تلفنی یا حضوری) در زمینه تحلیل طرح های پژوهشی، پایان نامه های دانشجویان کارشناسی ارشد و دکتری
3. انجام انواع مختلف تحلیل های آماری پایان نامه های ارشد و دکترا و طرح های پژوهشی مانند:
- تحلیل عاملی اکتشافی، تحلیل عاملی تاییدی، تحلیل مسیر، مدل معادلات ساختاری SEM، تحلیل مولفه های اصلی PCA، با استفاده از نرم افزارهای LISREL لیزرل، نرم افزار AMOS، نرم افزار Smart PLS
- تعیین حجم نمونه با استفاده از روش های مختلف مانند فرمول کوکران و جدول مورگان، ترسیم انواع نمودارهای آماری و آمار توصیفی داده ها، محاسبه پایایی پرسشنامه با استفاده از روش های مختلف مانند آلفای کرونباخ، تعیین و محاسبات مربوطبه روایی و پایایی داده های پرسشنامه ها
- آزمون های پارامتریک تحلیل واریانس ANOVA، آزمون های تعقیبی مانند توکی و دانکن و جیمز هوئل
- آزمون های همبستگی Correlation پارامتریک و ناپارامتریک مانند پیرسون، اسپریمن، کندال
- آزمون کای دو یا خی دو تک متغیره و چند متغیره Chi-Square جهت استقلال متغیرها
- آزمون نرمال بوده داده ها با استفاده از روش کلموگروف-اسمیرنوف K-S Test، آزمون یومان ویتنی Mann _Whitney جهت تفاوت بین دو گروه مستقل (جایگزین آزمون T مستقل در SPSS)، آزمون ویلکاکسونWilcoxon (ارزیابی همانندی دو نمونه وابسته با مقیاس رتبه‌ای و جانشین متناظر با آزمون t دو نمونه‌ای وابسته‌ا)؛ آزمون فریدمن Friedman (آزمون ناپارامتریک برای مقایسه چند گروه؛ تحلیل واریانس دو طرفه به روش رتبه‌بندی)؛ آزمون دو جمله ای Binomial (آزمون نسبت)؛ آزمون کروسکال-والیس Kruskal–Wallis(جانشین آزمون F در تحلیل ناپارمتریک)
- تحلیل رگرسیون؛ آزمون هم خطی در رگرسیون multicolinearity؛ آزمون دوربین واتسون در رگرسیون durbin-watson؛ نرمال بودن خطاها در رگرسیون، رگرسیون خطی، رگرسیون چندگانه؛ رگسیون لجستیک، رگرسیون گام به گام
- تحلیل خوشه بندی Clustering
- تحلیل تشخیصی Discriminant Analysis
- ضریب همبستگی کانونی

مشخصات

جهت مشاهده منبع اصلی و ادامه این مطلب این مطلب کلیک کنید

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

جهت مشاهده منبع اصلی و ادامه این مطلب این مطلب کلیک کنید

معرفی نرم افزارهای آماری spss و Lisrel و Amos و Smart PLS

نرم افزار SPSS چیست؟

نرم افزار SPSS یک نرم افزار بسیار قدرتمند در زمینه آمار می باشد. شما به راحتی می توانید انواع آمار توصیفی و استنباطی را به وسیله این نرم افزار به انجام برسانید. این نرم افزار برای افرادی که در حال انجام پایان نامه کارشناسی ارشد هستند علی الخصوص در رشته ههای علوم انسانی بسیار مفید و حتی ضروری است.

قابلیت‌های نرم افزار SPSS به ‌شرح زیر است:

تهیه خلاصه‌های آماری مانند گراف‌ها، جداول‌، آماره‌ها و …
انواع توابع ریاضی مانند قدر مطلق، تابع علامت، لگاریتم، توابع مثلثاتی و …
تهیه انواع جداول سفارشی مانند جداول فراوانی، فراوانی تجمعی، درصد فراوانی و …
انواع توزیع‌های آماری شامل توزیع‌های گسسته و پیوسته
تهیه انواع طرح‌های آماری
انجام آنالیز واریانس یکطرفه، دوطرفه، چندطرفه و آنالیز کوواریانس
تکنیک‌های تجزیه و تحلیل سری‌های زمانی
ایجاد داده‌های تصادفی و پیوسته
محاسبه انواع آماره‌های توصیفی
انواع آزمون‌های مرتبط با مقایسه میانگین بین دو یا چند جامعه مستقل و وابسته
قابلیت مبادله اطلاعات با نرم‌افزارهای دیگر
برازش انواع مختلف رگرسیون
و ……

نرم افزار smartpls چیست؟

تکنیک Partial Least Squares یا حداقل مربعات جزئی یکی از موضوعاتی است که برای دانشجویان مدیریت و مهندسی صنایع بسیار ناشناخته است. برتری لیزرل که مطمئناً شناخته شده ترین ابزار برای انجام این گونه تحلیلهاست، ناشی از این مسأله است که تمامی محققین از تکنیکهای جایگزین مدلسازی معادلات ساختاری از جمله؛ حداقل مربعات جزئی آگاه نیستند.

یکی از عمده‌ترین دلایل گرایش دانشجویان به استفاده از تکنیک حداقل مربعات جزئی این است که این تکنیک به فرض نرمال بودن جامعه و همچنین حجم نمونه متکی نیست. این در حالی است که برای انجام تکنیک معادلات ساختاری و نرم‌افزار لیزرل به حجم انبوهی از داده‌ها نیاز است. برای حل مسائل حداقل مربعات جزئی یا PLS می توانید از نرم افزار SmartPLS استفاده کنید. نرم افزار smartpls یک نرم افزار رایگان است .

بطور کلی دو نوع رویکرد برای برآورد پارامترهای یک مدل معادلات ساختاری وجود دارد که عبارتند از: رویکرد مبتنی بر کوواریانس و رویکرد مبتنی بر واریانس. رویکرد اول در تلاش است تا اختلاف بین کوواریانسهای نمونه و آنچه که مدل نظری پیشبینی کرده است را حداقل کند. بخاطر شهرت فراوان مدلسازی معادلات ساختاری مبتنی بر کوواریانس، مطالعات متعددی وجود دارند که از این تکنیک تعریفی ارائه کرده اند. برخلاف رویکرد اول، رویکرد حداقل مربعات جزئی در ابتدا توسط اچ. ولد تحت عنوان حداقل مربعات جزئی تکراری غیرخطی معرفی شد که هدف از آن حداکثرکردن واریانس متغیرهای وابستهای است که توسط متغیرهای مستقل تعریف می شوند. همانند سایر مدلهای معادلات ساختاری، مدل حداقل مربعات جزئی نیز دارای بخش ساختاری است که منعکس کننده ارتباط بین متغیرهای پنهان (مکنون) و یک جزء اندازه گیری است.

برای آزمون مدل مفهومی پژوهش می توان از PLS که یک فن مدل سازی مسیر واریانس محور است، استفاده کرد. این تکنیک امکان بررسی روابط متغیرهای پنهان و سنجه ها (متغیرهای قابل مشاهده) را بصورت همن فراهم می سازد. از این روش زمانی که حجم نمونه کوچک بوده و یا توزیع متغیرها نرمال نباشد استفاده می شود. در مدل های PLS دو مدل آزمون می شود: مدل‌های بیرونی و مدل های درونی. مدل بیرونی یا Outer Model مشابه اندازه گیری (CFA) و مدل درونی یا Inner Model مشابه تحلیل مسیر در مدل های معادلات ساختاری است . پس از آزمون مدل بیرونی لازم است تا مدل درونی که نشانگر ارتباط بین متغیرهای مکنون پژوهش است، ارایه شود. با استفاده از مدل درونی می توان به بررسی فرضیه های پژوهش مدل پرداخت.

مدل معادلات ساختاری = تحلیل عامل تائیدی + تحلیل مسیر

حداقل مربعات جزئی= مدل درونی + مدل بیرونی

نرم افزار لیزرل چیست؟

لیزرل

لیزرل بسته نرم افزاری ویژه آماری است که برآورد مدل معادلات ساختاری برای متغیرهای آشکار و نهان را در مطالعات علمی انجام می دهد. سطح نسبتا بالایی از پیچیدگی های آماری برای استفاده به طور موثر از نرم افزار لیزرل لازم است. لیزرل برای برآورد خطی روابط سازه ها و برای بسیاری از انواع دیگر از تجزیه و تحلیل چند متغیره مانند تجزیه و تحلیل عاملی، رگرسیون چند متغیره، تحلیل مسیر و تحلیل چند نمونه استفاده می شود.

مهم ترین ویژگی برنامه لیزرل فراهم کردن امکانات خود برای حل طیف گسترده ای از مدل ها برای تجزیه و تحلیل متغیرهای پنهان (LVS) است. در علوم اجتماعی و به طور فزاینده در پژوهش های سلامت پزشکی و عمومی، مدل LV یک ابزار آماری ضروری است. چارچوب مدل لیزرل بر اساس روابط میان متغیرهای پنهان بر اساس بنا نهاده شده است.

استفاده از متغیرهای مکنون کاربردهای زیادی در رشته های مختلف دارند. برای مثال در مطالعات ارزیابی جامعه لیزرل یکی از دقیق ترین ابزارهای مورد استفاده برای ارزیابی جامعه از جنبه های مختلف است. برای مثال با این نرم افزار می توان ریشه های اعتیاد در جامعه را مورد بررسی قرار داد و همچنین می توان علل طلاق در یک جامعه را مورد بررسی قرار داد.

مدل های خروجی لیزرل در عمومی ترین شکل آن شامل دو بخش است: مدل اندازه گیری و مدل معادلات ساختاری.

مدل اندازه گیری نشان می دهد متغیرهای پنهان و یا سازه فرضی توسط متغیرهای مشاهده شده با هم همبستگی دارد که آن خواص اندازه گیری(روایی و اعتبار) متغیرهای مشاهده شده را توصیف می کند.
مدل معادلات ساختاری که روابط میان متغیرهای نهفته را مشخص می کند.

نرم افزار اموس چیست؟

Amos مخفف عبارات Analysis of moment structures می باشد. Amos را می توان یکی از موفق ترین نرم افزارهای کامپیوتری دانست که به طور خاص برای مدل سازی معادله ساختاری طراحی شده اند. هرچند هدف اصلی از طراحی این نرم افزار مدل سازی است اما قابلیت اجرای مجموعه ای از تحلیل های کمی و آماری معمول نیز بوسیله این نرم افزار وجود دارد. نرم افزار Amos توسط شرکت SPSS به بازار عرضه شده است

مقاله های موجود نشان می دهد که این برنامه به خوبی جای خود را در میان برنامه های کامپیوتری موجود در زمینه مدل سازی باز کرده و به سرعت استفاده از آن در حال گسترش است. با توجه به این که در حال حاضر به روز کردن و عرضه این نرم افزار توسط شرکت SPSS انجام می شود و این نرم افزار به همراه نگارش های ۱۶ به بعد نرم افزار SPSS عرضه می شود، این انتظار وجود دارد که عمومیت استفاده از آن به تدریج به اندازه عمومیت استفاده از نرم افزار SPSS شود.

استفاده از این نرم افزار به دو شیوه نوشتن برنامه به زبانVB.NET و همچنین استفاده از Amos Graphics امکان پذیر است. استفاده از هریک از روش های ذکر شده به لحاظ کار بر روی انواع مدل ها، استفاده از انواع شیوه های برآورد پارامترها و یا محاسبه انواع شاخص های برازندگی و اخذ خروجی های مختلف، مشابه یکدیگر است اما در عین حال استفاده از AG (Amos Graphics) تاحدودی ساده تر از برنامه نویسی است چراکه استفاده از آن برمبنای ترسیم مدل تدوین شده توسط پژوهشگر قرار دارد.

البته این روش آماری برای پژوهشهایی با حجم نمونه بالا و متغیرهای مکنون نرمال استفاده می شود.

عیوضی

مشخصات

جهت مشاهده منبع اصلی و ادامه این مطلب این مطلب کلیک کنید

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

جهت مشاهده منبع اصلی و ادامه این مطلب این مطلب کلیک کنید

موضوعات پیشنهادی مدیریتی

بررسی تاثیر خدمات پس از فروش شرکت x بر میزان رضایت مشتریان این شرکت مطالعه موردی : ……
بررسی عوامل مؤثر بر میزان صادرات محصول x
بررسی عوامل مؤثر بر صادرات محصول x دراستانهای …….
بررسی نگرش صادر کنندگان در مورد تأثیر عوامل تولید، بازاررسانی و اطلاع رسانی به بازار بر صادرات محصول x در شهرستان ……………
تجزیه و تحلیل عوامل داخلی برای کسب مزیت رقابتی در شرکت x
امکان سنجی استقرار تجارت الکترونیک در صنایع شرکت x
بررسی ارتباط همکاری و عملکرد در بین مؤسسات صنایع دستی شهر …….(مورد مطالعه : …….)
بررسی موانع توسعه و صادرات محصول x ایران
انتخاب آمیخته بازاریابی مناسب با استفاده از تکنیک AHP با رویکرد برنامه ریزی استراتژیک بازاریابی مطالعه موردی : شرکت x
بررسی تأثیر خصوصی سازی بر بهبود عملکرد واحدهای خصوصی شده شرکت مخابرات شهرستان x
مطالعه ویژگی های کارآفرینی مدیران ارشد صنایع x.
تکنولوژی اطلاعات و تأ ثیر آن بر اشتغال (مطالعه موردی: استان x)
بررسی نقش سیستم های اطلاعات بازاریابی در فرآیند تدوین استراتژی شرکتهای موجود در فهرست x
بررسی تأثیر مدیریت بازاریابی بر افزایش فروش داخلی و جهانی محصول x
بررسی عوامل مؤثر بر نگرش خریداران محصول x با نام های تجاری متفاوت در شهر x
بررسی عوامل مؤثر بر ترجیح مشتریان در انتخاب یک بانک دولتی در شهر x
بررسی اثر بخشی فعالیتهای ترویجی انجام شده در زمینه بیمه های عمر توسط صنعت بیمه
بررسی تاثیر تجارت الکترونیک بر توسعه صادرات محصول x
بررسی رابطه بین کیفیت برنامه ریزی بازاریابی با عملکردصنایع مواد غذایی در شهر x
مطالعه عوامل موثر بر ترجیح مشتریان درانتخاب محصول x با استفاده از فرایند تحلیل سلسله مراتبی مطالعه موردی:x
بررسی کارایی پرتفوی (سبد سهام) بیمه x
بررسی موقعیت و جایگاه بازار شرکت x و ارائه استراتژی های مرتبط با آن با استفاده از ماتریس ارزیابی موقعیت و اقدام استراتژیک
بررسی تأثیر مدل EFQM به عملکرد شرکت x
قیمت گذاری استراتژیک برای محصول x شرکت x در منطقه x
بررسی تاثیر تجارت الکترونیک بر توسعه صادرات صنعت x
بررسی عوامل موثر بر استنباط گردشگران خارجی در مورد وجهه ایران به عنوان یک مقصد گردشگری
بررسی تاثیر تبلیغات تجاری بر آگاهی و عمل خرید بیمه گذاران در زمینه بیمه های x در شهر x
بررسی تاثیر مدیریت با مشتری بر کسب مزیت رقابتی بانک x
بررسی آمادگی شرکت x جهت پذیرش مدیریت ارتباط با مشتری
بررسی عوامل موثر بر رضایت مشتریان بانک x در شهر x
اندازه گیری کیفیت خدمات بانکی با استفاده از مدل سروکوال در بانک x شهر x
رتبه بندی عوامل آمیخته بازاریابی در تصمیم خرید مصرف کنندگان محصول x
بررسی عوامل موثربر انگیزش کارکنان شرکت x بر اساس تئوری هرزبرگ
تعیین وضعیت مدیریت روابط با مشتری در شرکت x
بررسی عوامل مؤثر بر تصمیم خرید خودرو x
عوامل موثر بر عملکرد تیم های مراقبت پرواز در فرودگاه x
رتبه بندی عوامل بازاریابی موثر بر کانال توزیع صادرات محصول x
رابطه بین نگرش مشتریان و انتخاب آن ها در خرید محصول x
بررسی عوامل مؤثـر بر فرآیند تصمیم‌گیری خریداران صادراتی محصولات x مورد مطالعه: شرکت x 20. عوامل موثر بر وفاداری مشتریان : مطالعه موردی بر مصرف کنندگان محصول x
فضیلت های اخلاقی بازاریابی: بررسی دیدگاه متخصصین بازایابی و جامعه مصرف کننده
بررسی تأثیر مدیریت رابطه با مشتری (CRM) بر عملکرد کلی مؤسسات مالی شهر x
بررسی عوامل موثر بر قصد ترک خدمت کارکنان در شرکت x
تأثیر سودآوری در تأمین مسئولیت اجتماعی سازمان : بررسی دیدگاه کارکنان و مشتریان شرکت x
آمادگی برای پیاده سازی مدیریت روابط با مشتری؛ مطالعه ی موردی بانک x
تاثیر ابزارهای پیشبرد فروش بر واکنش‎های پس از خرید مصرف ‎کنندگان مواد غذایی (مورد مطالعه: فروشگاههای x )
رابطه بین کیفیت خدمات و ارزش نام تجاری در هتل‌های چهار ستاره و پنج ستاره استان‌های x
موانع و چالش‌های توسعه گردشگری داخلی در استان x
شکاف ‌های داخلی کیفیت خدمات و تحلیل ارتباط آن با رضایتمندی شغلی کارکنان در صنعت بیمه (مورد مطالعه: شرکت بیمه x)
تعیین و اولویت بندی عوامل رضایتمندی نمایندگی های فروش شرکت x بر اساس روش FAHP
طراحی یک مدل مفهومی برای پذیرش تجارت الکترونیک در موسسات کوچک و متوسط صنعتی شهر
ارائه یک مدل تلفیقی از تحلیل SWOT، به منظور تحلیل استرات‍‍ژیک مشتری محور مورد مطالعه : بانک
مقایسه اثربخشی شرکت‎های بیمه خصوصی و دولتی از دیدگاه رضایت بیمه‎ گذاران در شهر x با تاکید بر بخش خسارت بیمه x
عوامل مؤثر بر پذیرش تجارت الکترونیک از نظر مدیران بنگاههای کوچک و متوسط منطقه آزاد تجاری- صنعتی x
عوامل مؤثّر بر شکل گیری تصویر ذهنی مشتریان از بیمارستان های وابسته به سازمان تأمین اجتماعی و دانشگاه علوم پزشکی شهر x
تاثیر بازاریابی اینترنتی بر افزایش درآمد هتلهای شهر x
بررسی دلایل استفاده از بازاریابی رابطه مند در بین تامین کنندگان قطعات به شرکت x
بررسی تاثیر خدمات پس از فروش شرکت x بر میزان رضایت مشتریان این شرکت مطالعه موردی : ……
بررسی عوامل مؤثر بر میزان صادرات محصول x
بررسی عوامل مؤثر بر صادرات محصول x دراستانهای …….
بررسی نگرش صادر کنندگان در مورد تأثیر عوامل تولید، بازاررسانی و اطلاع رسانی به بازار بر صادرات محصول x در شهرستان ……………
تجزیه و تحلیل عوامل داخلی برای کسب مزیت رقابتی در شرکت x
امکان سنجی استقرار تجارت الکترونیک در صنایع شرکت x
بررسی ارتباط همکاری و عملکرد در بین مؤسسات صنایع دستی شهر …….(مورد مطالعه : …….)
بررسی موانع توسعه و صادرات محصول x ایران
انتخاب آمیخته بازاریابی مناسب با استفاده از تکنیک AHP با رویکرد برنامه ریزی استراتژیک بازاریابی مطالعه موردی : شرکت x
بررسی تأثیر خصوصی سازی بر بهبود عملکرد واحدهای خصوصی شده شرکت مخابرات شهرستان x
مطالعه ویژگی های کارآفرینی مدیران ارشد صنایع x.
تکنولوژی اطلاعات و تأ ثیر آن بر اشتغال (مطالعه موردی: استان x)
بررسی نقش سیستم های اطلاعات بازاریابی در فرآیند تدوین استراتژی شرکتهای موجود در فهرست x
بررسی تأثیر مدیریت بازاریابی بر افزایش فروش داخلی و جهانی محصول x
بررسی عوامل مؤثر بر نگرش خریداران محصول x با نام های تجاری متفاوت در شهر x
بررسی عوامل مؤثر بر ترجیح مشتریان در انتخاب یک بانک دولتی در شهر x
بررسی اثر بخشی فعالیتهای ترویجی انجام شده در زمینه بیمه های عمر توسط صنعت بیمه
بررسی تاثیر تجارت الکترونیک بر توسعه صادرات محصول x
بررسی رابطه بین کیفیت برنامه ریزی بازاریابی با عملکردصنایع مواد غذایی در شهر x
مطالعه عوامل موثر بر ترجیح مشتریان درانتخاب محصول x با استفاده از فرایند تحلیل سلسله مراتبی مطالعه موردی:x
بررسی کارایی پرتفوی (سبد سهام) بیمه x
بررسی موقعیت و جایگاه بازار شرکت x و ارائه استراتژی های مرتبط با آن با استفاده از ماتریس ارزیابی موقعیت و اقدام استراتژیک
بررسی تأثیر مدل EFQM به عملکرد شرکت x
قیمت گذاری استراتژیک برای محصول x شرکت x در منطقه x
بررسی تاثیر تجارت الکترونیک بر توسعه صادرات صنعت x
بررسی عوامل موثر بر استنباط گردشگران خارجی در مورد وجهه ایران به عنوان یک مقصد گردشگری
بررسی تاثیر تبلیغات تجاری بر آگاهی و عمل خرید بیمه گذاران در زمینه بیمه های x در شهر x
بررسی تاثیر مدیریت با مشتری بر کسب مزیت رقابتی بانک x
بررسی آمادگی شرکت x جهت پذیرش مدیریت ارتباط با مشتری
بررسی عوامل موثر بر رضایت مشتریان بانک x در شهر x
اندازه گیری کیفیت خدمات بانکی با استفاده از مدل سروکوال در بانک x شهر x
رتبه بندی عوامل آمیخته بازاریابی در تصمیم خرید مصرف کنندگان محصول x
بررسی عوامل موثربر انگیزش کارکنان شرکت x بر اساس تئوری هرزبرگ
تعیین وضعیت مدیریت روابط با مشتری در شرکت x
بررسی عوامل مؤثر بر تصمیم خرید خودرو x
عوامل موثر بر عملکرد تیم های مراقبت پرواز در فرودگاه x
رتبه بندی عوامل بازاریابی موثر بر کانال توزیع صادرات محصول x
رابطه بین نگرش مشتریان و انتخاب آن ها در خرید محصول x
فضیلت های اخلاقی بازاریابی: بررسی دیدگاه متخصصین بازایابی و جامعه مصرف کننده
بررسی تأثیر مدیریت رابطه با مشتری (CRM) بر عملکرد کلی مؤسسات مالی شهر x
بررسی عوامل موثر بر قصد ترک خدمت کارکنان در شرکت x
تأثیر سودآوری در تأمین مسئولیت اجتماعی سازمان : بررسی دیدگاه کارکنان و مشتریان شرکت x
آمادگی برای پیاده سازی مدیریت روابط با مشتری؛ مطالعه ی موردی بانک x
تاثیر ابزارهای پیشبرد فروش بر واکنش‎های پس از خرید مصرف ‎کنندگان مواد غذایی (مورد مطالعه: فروشگاههای x )
رابطه بین کیفیت خدمات و ارزش نام تجاری در هتل‌های چهار ستاره و پنج ستاره استان‌های x
موانع و چالش‌های توسعه گردشگری داخلی در استان x
شکاف ‌های داخلی کیفیت خدمات و تحلیل ارتباط آن با رضایتمندی شغلی کارکنان در صنعت بیمه (مورد مطالعه: شرکت بیمه x)
تعیین و اولویت بندی عوامل رضایتمندی نمایندگی های فروش شرکت x بر اساس روش FAHP
طراحی یک مدل مفهومی برای پذیرش تجارت الکترونیک در موسسات کوچک و متوسط صنعتی شهر
ارائه یک مدل تلفیقی از تحلیل SWOT، به منظور تحلیل استرات‍‍ژیک مشتری محور مورد مطالعه : بانک x
مقایسه اثربخشی شرکت‎های بیمه خصوصی و دولتی از دیدگاه رضایت بیمه‎ گذاران در شهر x با تاکید بر بخش خسارت بیمه x
عوامل مؤثر بر پذیرش تجارت الکترونیک از نظر مدیران بنگاههای کوچک و متوسط منطقه آزاد تجاری- صنعتی x
عوامل مؤثّر بر شکل گیری تصویر ذهنی مشتریان از بیمارستان های وابسته به سازمان تأمین اجتماعی و دانشگاه علوم پزشکی شهر x
تاثیر بازاریابی اینترنتی بر افزایش درآمد هتلهای شهر x
بررسی دلایل استفاده از بازاریابی رابطه مند در بین تامین کنندگان قطعات به شرکت
تاثیر تکنولوژی اطلاعات بر ساختار سازمان در موسسات صنعتی و خدماتی استان x
خط مشی های تقسیم سود و تاثیراتشان بر ارزش سهام در بورس اوراق بهادارx
بررسی ارتباط بین ریسک و بازده سهام در بورس اوراق بهادارx
بررسی روابط جو سازمانی و رضایت شغلی در بین کارکنان شرکتx
بررسی عوامل تعیین کننده و موثر بر ساختار مالی شرکتهای پذیرفته شده در بورس اوراق بهادار در شهرx
بررسی و تجزیه و تحلیل عوامل موثر بر میزان سرمایه گذاری داخلی (تولیدات صادراتی) در منطقه آزاد تجاری x
بررسی تاثیر تعمیم مارک محصول بر سهم بازار در صنایع غذایی و لوازم بهداشتی در شهر x
بررسی و تجزیه و تحلیل سیستم ارزشیابی عملکرد کارکنان دولت (مورد شرکت x
بررسی‌ کارآیی‌ داخلی‌ پخش‌ آگهی‌ بازرگانی‌ تلویزیونی‌ در صدا و سیمای‌ ج‌.ا.ا. مرکز شهر x
ارزیابی شیوه های مختلف خرده فروشی از دیدگاه مصرف کنندگان و تمایل آنها به تاسیس فروشگاههای زنجیره ای در شهر x
آزمون مدل هاکمن-الدهام در پالایشگاه x
بررسی‌ پیامدهای‌ نگرش‌ نامطلوب‌ دبیران‌ دبیرستانهای‌ دولتی‌ شهر x
نگرش کارکنان شهرداری شهر x نسبت به سیستم اطلاعاتی مکانیزه
مقایسه‌ تاثیر انگیزاننده‌ها و پاداش‌ها بر جذب‌ و نگهداری‌ منابع‌ انسانی‌ یروی‌ شرکت x
بررسی‌تاثیر فشارهای‌ شغلی‌ بر رضایت‌ شغلی‌ و عملکرد شغلی‌ در بین‌ مدیران‌ شرکت x
رابطه‌ بین‌ برداشت‌ عدم‌ تساوی‌ در پاداش‌ و رضامندی‌ شغلی‌ در شرکت x
بررسی اثر بخشی آموزش ضمن خدمت در واحدهای سازمان سیاحتی و مراکز تفریحی شرکت x
نقش‌ اطلاعات‌ حسابداری‌ در تصمیم‌ گیریهای‌ مدیران‌ عالی‌ شرکت x
تاثیر آموزش ضمن خدمت بر افزایش کارایی کارکنان در شرکت x
بررسی استراتژی های باریابی مناسب جهت توسعه صادرات در صنایع غذائی
بررسی تاثیرانگیزاننده ها و پاداشها در نگهداری کارکنان شرکت x
کاربرد مدل اطلاعاتی مدیریتی نومن در بخش سفارشات خارجی گروه صنعتی x
ارزیابی وضعیت تکنولوژی در شرکت x
بررسی تاثیر عوامل موثربر انگیزش نیروهای متخصص در صنایع x
بررسی تاثیر پاداشهای مالی بر افزایش تولید سرانه در شرکت x
بررسی‌ تاثیر مدیریت‌ ثمربخش‌ بر عملکرد کارکنان‌ (آموزش‌وپرورش‌ شهر x )
مطالعه‌ ویژگیهای‌ موثر تبلیغات‌ تجاری‌ تلویزیون‌ بریادآوری‌
ارزیابی‌ مهارتهای‌ مدیریتی‌ موردنیاز مدیران‌ صنعت‌ برق‌ در شهر x
علل نارسائیهای مرکز اطلاع رسانی از دیدگاه استفاده کنندگان اطلاعات
بررسی‌ رابطه‌ رضایت‌ شغلی‌ و تعهد سازمانی‌ : (مطالعه‌ موردی‌ کارکنان‌ شرکت x)
بررسی عوامل موثر بر ارتقاء کیفیت آموزش ضمن خدمت کارکنان بانک x شهر x
بررسی‌ عوامل‌ موثر بر رضایت‌ مشتریان‌ شرکت x در شهرx
بررسی‌ ساختار کانال‌ توزیع‌ محصول x شرکت x شهر x
ارزیابی تأثیر مدیریت مشارکتی بر اثر بخشی کارکنان در شرکت x
سرمایه گذاری در تکنولوژی اطلاعات و تاثیر آن بر عملکرد تجاری موسسات تولیدی استان x
کاربرد مدل تصمیم گیری چند معیاری برای تجزیه و تحلیل سود شرکتهای پذیرفته شده در بورس اوراق بهادار شهر x : شرکت x
مقایسه مالی (بهای تمام شده)الگوهای تولید برنامه در صدا وسیمای شهر x
عوامل موثر در بهبود عملکرد نیروی کار در کارخانجات لوازم خانگی پارس
بررسی روشهای ترویج محصولات لبنی (مطالعه موردی : شرکت x)
مطالعه ساختار بورس پیمانهای تحویل آتی کالا و ارز و پیشنهاد الگوی مناسب برای ایران
بررسی عوامل موثر بر بهبود سبک رهبری مدیران سازمان حسابرسی
بهینه سازی سبد سرمایه گذاری (پرتفوی) مورد : شرکت سرمایه گذاری x »
بررسی نقش سیستم های اطلاعات مدیریت در بهبود تصمیم گیری مدیران سازمان x
بررسی ویژگیهای استراتژیک داخلی صنایع x کشور از دیدگاه مدیران این صنایع
بررسی روشهای ارزشیابی اختیار معامله و پیشنهاد مدل مناسب برای بازار سرمایه ایران
بررسی شفافیت اهداف سازمانی بر عملکرد سرپرستان شرکت x
بررسی عوامل موثر بر میزان صادرات محصولات کارخانجات محصول x شرکت x
عوامل موثر بر تسهیلات اعطائی صادراتی بانک x به بخش خصوصی(استان x)
بررسی رابطه بین سبک رهبری مدیران(بر اساس نظریه لیکرت)و رضایتمندی کارکنان در مجتمع x شهر x
کاربرد سیستم تولید انعطاف پذیر و تاثیر آن بر سودآوری در شرکت x
راهبردهای کاهش وابستگی تکنولوژی صنعت x و تاثیر آن براشتغال زائی منطقه ای : مورد کاوی : محصول x شرکت x شهر x
ارزیابی وضعیت کیفیت زندگی کاری بر اساس نظرات کارکنان در اداره x شهر x
بررسی علل افت و خیز بهره وری در کارخانجات x
بررسی حفظ ارزش حقیقی سرمایه در موسسات بیمه، شرکت x
بررسی کاربرد مدل آلتمن برای تعیین وضعیت ورشکستگی شرکتهای پذیرفته شده در بورس اوراق بهادار شرکت x محصول x
بررسی راهکارهای جذب سرمایه‌گذاریهای خارجی در توسعه صادرات مناطق آزاد تجاری ایران(منطقه آزاد x)
بررسی نوسانات قیمت سهم از سودنقدی اعلام شده هرسهم درشرکتهای پذیرفته شده دربورس اوراق بهادارx طی سالهای x
بررسی معیارهای موثر بر انتخاب سهام در بورس اوراق بهادار x بر اساس مدل فرایند تحلیل سلسله مراتبی (AHP)
بررسی وضعیت نقدینگی و ت های سرمایه در گردش شرکتهای x پذیرفته شده در بورس اوراق بهادارx طی سالهای x
بررسی تأثیر ویژگیهای سیستم اطلاعات حسابداری بر بهبود تصمیم گیری مدیران شرکت x شهر x
بررسی تأثیر ساختار سرمایه بر هزینه سرمایه و قیمت بازاری سهام شرکت‌های صنایع غذایی پذیرفته شده در بورس اوراق بهادار x طی سالهای x
بررسی تاثیر سبک های مدیریت و مشارکت کاربر بر موفقیت سیستم های اطلاعات مدیریت در مراحل گوناگون رشد سیستم
تجزیه و تحلیل مالی شرکت فراورده های x با رویکرد مدیریت استراتژیک
بررسی بازده غیر عادی سهام تازه پذیرفته شده دربورس اوراق بهادار شهر x
بررسی میزان مشتری محور بودن عملکرد شرکت سهامی بیمه ایران در بیمه شخص ثالث و سرنشین در شهر x
برآورد نرخ بازده مورد انتظار براساس مدل قیمت‌گذاری دارایی‌های سرمایه‌ای و مقایسه آن با نرخ بازده سهام در بازار در بورس اوراق بهادار شهر x
بررسی عملکرد سرمایه گذاری شرکت های بیمه در بورس اوراق بهادار شهر x طی سال های x
بهینه سازی سبد سرمایه گذاری با استفاده از روش های برنامه ریزی خطی و ارایه یک مدل کاربردی
بررسی فرهنگ سازمانی حاکم در شرکت تولیدیx محور سایپا براساس مدل کوئین وگارث
بررسی ارتباط بین ارزش شرکت و ریستماتیک و غیرسیستماتیک آن با استفاده از شاخص Q توبین در بورس اوراق بهادار شهر x
بررسی رابطه بین اندازه و رشد درآمد خالص شرکت با هزینه سرمایه آن در میان شرکت های پذیرفته شده در بورس اوراق بهادار شهر x
بررسی الگوهای تأمین مالی و عوامل مؤثر بر انتخاب آنها در شرکت‌های پذیرفته شده در بورس اوراق بهادارx
بررسی عوامل مؤثر بر ماندگاری رسمی متاهل در شرکت x
بررسی تنگناهای سرمایه گذاری بخش خصوصی در صنایع تولیدی استان x
بررسی رابطه بین عوامل موثر و حساسیت سرمایه گذاری- جریان نقدی در شرکت های پذیرفته شده در بورس اوراق بهادار x
بررسی عوامل موثر بر جذب سرمایه افراد حقیقی در بورس منطقه ای x
بررسی معیارهای انتخاب سهم در بورس منطقه ای x (با تاکید بر تحلیل بنیادی)
ارزیابی کارایی بورس اوراق بهادار x با استفاده از ضریب تعدیل قیمت سهام
بررسی میزان صحت قیمت اولیه سهام شرکتهای پذیرفته شده در بورس اوراق بهادار x مدل سازی پیش بینی قیمت سهام در بازار بورس اوراق بهادار با استفاده از شبکه عصبی فازی و الگوریتم های ژنتیک
بررسی مقایسه ای روش مدیریت سرمایه گذاری در بورس منطقه ای x در زمینه پیش بینی بازار و انتخاب سهام
بررسی رابطه بین نرخ بازده سرمایه‌گذاری (ROI) و عملکرد اقتصادی با استفاده از شاخص Q توبین در شرکت‌های پذیرفته شده در بورس اوراق بهادار x
بررسی ارتباط میان ارزش شرکت با نرخ تورم و نرخ ارز با استفاده از شاخص Q توبین در بورس اوراق بهادار x
بررسی و شناسایی موانع خرید وفروش اینترنتی سهام در بورس اوراق بهادار در سالx
بررسی عوامل موثر بر سرمایه گذاری در محصولات مالی (سهام) در بورس اوراق بهادار در سال x
بررسی ارتباط بین سود و قیمت سهام در شرکتهای پذیرفته شده در بورس اوراق بهادار طی سال هایx
بررسی و شناسایی موانع گسترش بانکداری الکترونیکی در بانکهای شهر x
آزمون نظریه‌های رفتار مالی بر اساس عملکرد مالی شرکتهای پذیرفته شده در بورس اوراق بهادار x تحلیل ارتباط بین نسبت های مالی و نسبت قیمت به درآمد (P/E) هر سهم در شرکت های پذیرفته شده در بورس اوراق بهادار x طی سال های x
رابطه بین استقرار مدیریت کیفیت فراگیر و عملکرد و وضعیت مالی (موردکاوی: شرکت شهر x)
مقایسه روش های تحلیل تکنیکی در پیش بینی قیمت سهام در بورس اوراق بهادار x تجزیه و تحلیل عوامل موثر بر برنامه‌ریزی منابع بنگاه (ERP) در شرکت x
بررسی مقایسه ای اثربخشی سیستم آسیکودا در شرکت x
بررسی تاثیر تئوری نمایندگی بر مدیریت منابع ریسک زنجیره عرضه از دیدگاه مدیران شرکت های x
برقراری بررسی مهارت فردی مدیریت زمان با مهارت سازمانی آن در بین مدیران دبیرستانهای دولتی شهرستان X
عنوان: بررسی نگرش مدیران و دبیران دبیرستانهای دولتی پسرانه شهرستان X درباره حدود اختیار تصمیم‌گیری در مدیریت مدرسه محور و تعیین زمینه‌های تصمیم‌گیری موثر بر آموزش و یادگیری براساس طبقه‌بندی گلیکمن
طراحی و تبیین نظامات انتخاب و انتصاب مدیران با جهت‌گیری بهبود مدیریت دولتی (موضوع بند X اهداف برنامه X)
مقایسه سبک مدیریت دبیرستانهای پسرانه دولتی و غیرانتفاعی شهر X
بررسی مدیریت مالی در بیمارستانهای دولتی و خصوصی ایران
بررسی تاثیر سبک مدیریت بر میزان شناخت و توجه مدیران به عوامل انگیزشی معلمان در مدارس ابتدایی و راهنمایی (دولتی و غیرانتفاعی) پسرانه شهر X
بررسی نگرش مدیران دبیرستان‌های پسرانه دولتی شهر X نسبت به وظایف و نقش‌های مدیریت آموزشی و ارتباط آن با عملکرد آنان از نظر دبیران
بررسی رابطه بین برنامه تحصیلی دوره فوق‌لیسانس مراکز آموزش مدیریت دولتی و احتیاجات سازمانها در این زمینه با تاکید بر نظرات دانشجویان رشته مزبور
بررسی تاثیر ارائه اطلاعات حسابداری منابع انسانی در عملکرد مدیریت و از دیدگاه مدیران با سابقه سازمانهای دولتی در ایران
تاثیر بکارگیری سیستم های اطلاعاتی مکانیزه در تصمیم گیری مدیران مرکز آموزش مدیریت دولتی از دیدگاه مدیران و کارشناسان
بررسی میزان آشنایی مدیران سازمانهای دولتی استانX با مهارتهای سرپرستی و مدیریت و نقش آن در کارآیی سازمان
بررسی اثر دوره‌های آموزش ضمن خدمت مدیریت بر اثربخشی مدیران سازمانهای دولتی در استان X
بررسی تاثیر ساختار سازمانی وشیوه مدیریت بر روی شاخص های بیمارستانی وتعیین الگوی مناسب برای ارتقا آن در بیمارستانهای عمومی-دولتی ایران
مقایسه مدیریت شرکت‌های پیمانکاری دولتی : نصب پست ، ساختمان و احداث خطوط و نیروگاه (پیمانیر) با مدیریت بخش خصوصی پیمانکاری
بررسی عوامل و زمینه های تمرکز زدایی با استفاده از مدل سه شاخگی در مرکز آموزش مدیریت دولتی
بررسی مقایسه ای سلامت سازمانی مدارس زیر نظر مدیران فارغ التحصیل رشته مدیریت آموزشی با مدیران سایر رشته ها از نظر دبیران آنها در دبیرستانهای دولتی دخترانه شهرستان X
مطالعه تطبیقی پیرامون مدیریت مالی و سیستم‌های حسابداری در بخش دولتی و در بخش خصوصی و مقایسه این سیستم‌ها با یکدیگر
نظارت مالی دولت در سازمانهای دولتی و نقش آن در بهبود مدیریت سازمان
بررسی راههای افزایش اثربخشی و بهبود مدیریت در بیمارستان‏‎‎‏های دولتی (مطالعه موردی بیمارستان X)
عنوان: موسسات انتفاعی و بازرگانی دولتی از دیدگاه اقتصاد ملی و مدیریت
بررسی ارتباط بین نگرش مدیران نسبت به طبیعت انسان و سبک مدیریت آنان در دبیرستان‌های پسرانه دولتی استان X نام
بررسی رابطه اندازه سازمان و نظام مدیریت منابع انسانی (سازمانهای دولتی مستقر در مرکز استان X)
نقش سازمان امور اداری و استخدامی کشور در بهبود مدیریت وزارتخانه‌ها و سازمانهای دولتی
بررسی مدیریت موجود در مدارس متوسطه دولتی دخترانه شهر X از دیدگاه مدیران و معلمان و مقایسه آن با شاخص های مدیریت تحول
مقایسه آگاهی مدیران دبیرستانهای دخترانه‌دولتی با غیرانتفاعی از وظایف مدیریت آموزشی و مقایسه عملکرد مدیریتی‌آنها از دیدگاه دبیران در شهر X
کاربرد ‏‎QFD‎‏ ‌‏‎تامین ‎‏خواسته های مشتری به اامات آموزش در مرکز آموزش مدیریت دولتی استان X

مشخصات

جهت مشاهده منبع اصلی و ادامه این مطلب این مطلب کلیک کنید

مدل یابی معادله ساختاری (Structural equation modeling: SEM)

مدل یابی معادله ساختاری یک تکنیک تحلیل چند متغیری بسیار کلی و نیرومند از خانواده رگرسیون چند متغیری و به بیان دقیق‌تر بسط مدل خطی عمومی” (General linear model) است که به پژوهشگر امکان می‌دهد مجموعه ای از معادلات رگرسیون را به گونه هم زمان مورد آزمون قرار دهد. مدل یابی معادله ساختاری،روشهای تحلیل عاملی، همبستگی کانونی و رگرسیون چندمتغیری را با یکدیگر ترکیب می کند.

یکی از قوی‌ترین و مناسب‌ترین روشهای تجزیه و تحلیل در تحقیقات علوم رفتاری و اجتماعی، تجزیه و تحلیل چند متغیره است. زیرا ماهیت این گونه موضوعات چند متغیره بوده و نمی‌توان آنها را با شیوه دو متغیری (که هر بار یک متغیر مستقل با یک متغیر وابسته در نظر گرفته می‌شود) حل نمود. تجزیه و تحلیل چند متغیره به یک سری روشهای تجزیه و تحلیل اطلاق می‌شود که ویژگی اصلی آنها تجزیه و تحلیل همزمان k متغیر مستقل و n متغیر وابسته است. مدل یابی معادله ساختاری یک رویکرد جامع برای آزمون فرضیه‌هایی درباره روابط متغیرهای آشکار (مشاهده شده) و پنهان (نهفته یا مکنون) است که گاه تحلیل ساختاری کوواریانس، مدل یابی علّی و گاه نیز لیزرل (LISREL) نامیده شده است؛ اما اصطلاح غالب در این روزها، مدل‌یابی معادله ساختاری یا به گونه خلاصه SEM است.

از طریق این روش می‌توان قابل قبول بودن مدلهای نظری را در جامعه‌های خاص با استفاده از داده‌های همبستگی، غیر آزمایشی و آزمایشی آزمود. این روش برآوردهایی از پارامترهای مدل (ضرایب مسیر و عبارات خطا) و همچنین چند شاخص برای نیکویی برازش فراهم می‌کند و با بهره‌گیری از داده‌های تجربی امکان آزمون مدلهای تدوین شده را به عنوان یک کل فراهم آورده و با شاخصهایی که در اختیار پژوهشگر قرار می‌دهد، وی را در اصلاح و بهبود مدل راهنمایی می‌کند.

انواع مدل در مدل یابی معادله ساختاری

مدل یابی معادله ساختاری را می توان برای آزمون انواع مختلفی از مدل‌ها مانند مدل‌های رگرسیون، تحلیل مسیر، مدل‌های تحلیل عاملی تاییدی، مدل‌های عاملی مرتبه دوم، مدل‌های MIMIC (مدل‌های با شاخص‌های چندگانه و علل چندگانه)، مدل‌های چندسطحی، مدل‌های گروه‌های چندگانه و …. به کار برد.

تحلیل مسیر

سول رایت (Sewall Wright) تحلیل مسیر را به عنوان روشی برای مطالعۀ تأثیرات مستقیم و غیرمستقیم متغیرهایی که علت گرفته شده‌اند در متغیرهایی که معلول فرض شده‌اند ساخت و پرداخت. باید در نظر داشت که از تحلیل مسیر برای کشف علت‌ها استفاده نمی‌شود بلکه این روش در مورد مدل‌هایی به کار می‌رود که بر مبنای دانش و ملاحظات نظری تدوین شده باشند. تحلیل مسیر ابزار تحلیلی مهمی برای آزمودن نظریه هاست که از کاربرد آن محقق می تواند توافق الگویی از همبستگی ها را که از مجموعه ای از مشاهدات حاصل شده است، با یک مدل معین معلوم کند.

مدل مسیر: مدل مسیر دیاگرامی است که متغیرهای مستقل، میانجی یا واسطه‌ای و وابسته را به هم مرتبط می‌کند. پیکان‌های یک‌طرفه نشان دهندۀ علّیت بین متغیرهای برونزا یا واسطه‌ای و متغیرهای وابسته هستند. پیکان‌ها عبارت‌های خطا را هم به متغیرهای درونزا مخصوص خود مرتبط می‌کنند. پیکان‌های دو طرفه نشان دهنده همبستگی بین جفت‌های متغیرهای برونزا هستند.

ضرایب مسیر: ضریب مسیر یک ضریب رگرسیون استاندارد (بتا) است که اثر مستقیم یک متغیر مستقل روی یک متغیر وابسته را در مدل مسیر نشان می‌دهد. بنابراین زمانی که مدل دو یا چند متغیر علّی دارد، ضرایب مسیر ضرایب رگرسیون پاره‌ای هستند که میزان تأثیر یک متغیر روی متغیر دیگر را با کنترل سایر متغیرها در مدل اندازه می‌گیرد. برآوردهای مسیر می‌توانند توسط رگرسیون حداقل مجذورات یا بیشینه درست نمایی برآورد شوند.

اثرات مستقیم و غیرمستقیم: ضرایب مسیر می‌توانند برای تجزیه همبستگی بین دو متغیر به اثرات مستقیم و غیرمستقیم استفاده شوند. اثرهای غیرمستقیم مستم متغیرهای میانجی است.

رویکرد‌های مدل یابی معادله ساختاری (LISREL یا PLS)

به طور کلی در مدل یابی معادله ساختاری (SEM) برای برآورد پارامترهای مدل دارای دو نوع می‌باشد که عبارتند از: رویکرد مبتنی بر کوواریانس و رویکرد مبتنی بر واریانس.

رویکرد کوواریانس محور

روش کوواریانس محور که به عنوان نسل اول مدل یابی معادلات ساختاری شناخته شده است، به شدت به حجم نمونه بالا بستگی دارد و هر چه داده‌ها نرمال‌تر باشند، برازش بهتری را نشان می‌دهد. روش کوواریانس محور تلاش می‌کند تا اختلاف بین کوواریانس‌های نمونه و آنچه که مدل نظری پیش‌بینی کرده است را به حداقل برساند. نرم افزار LISREL یکی از ﻗﻮی‌ترین و ﻣﻨﺎﺳﺐﺗﺮین رویکردهای کوواریانس محور برای تجزیه و تحلیل در ﺗﺠﺰیه و تحلیل ﻨﺪ متغیره اﺳﺖ. زیرا ﻣﺎهیت این ﻮﻧﻪ ﻣﻮﺿﻮﻋﺎت، دارای چند متغیر بوده و این متغیرها نیز با هم ارتباطات پیچیده‌تری دارند و ﻧﻤﺗﻮان آﻧﻬﺎ را ﺑﺎ شیوه‌ای که ﺗﻨﻬﺎ ارتباط میان یک متغیر ﻣﺴﺘﻘﻞ ﺑﺎ یک متغیر واﺑﺴﺘﻪ بررسی می‌شود، ﺣﻞ‫ﻧﻤﻮد. روش کوواریانس محور برای توسعه نظریه مناسب‌تر است و با MPLUS ، AMOS وEQS نیز قابل اجرا می‌باشد.

مفاهیم مدل یابی معادله ساختاری کوواریانس محور

متغیر آشکار (مشاهده شده)‌

متغیرهایی که با مشاهده مستقیم رویداد بدست می‌آیند که به عنوان شاخص اندازه‌گیری یک متغیر پنهان ایفای نقش می‌کنند و در دیاگرام مسیر با مستطیل مشخص می‌شوند.

مدل یابی معادله ساختاری متغیر آشکار

متغیرهایی که مستقیماً قابل مشاهده نیستند. متغیرهای پنهان از طریق پیوند با متغیرهای قابل اندازه‌گیری (آشکار) بررسی و در دیاگرام مسیر با دایره یا بیضی مشخص می‌شوند. متغیرهای پنهان در مدل معادلات ساختاری به دو دسته بیرونی و درونی تقسیم می‌شوند.

مدل یابی معادله ساختاری متغیر پنهان

متغیرهای پنهان بیرونی: متغیرهایی هستند که علت تغییرات آن‌ها در مدل منظور نشده و تحت تأثیر متغیرهای دیگر مدل قرار ندارند.

متغیرهای پنهان درونی: متغیرهایی که تحت تأثیر یک یا چند متغیر دیگر قرار دارند.

خطای باقیمانده

خطاهای باقیمانده نشان‌دهنده خطای تصادفی متغیرهای آشکار و نیز متغیرهای پنهان هستند که درون خطوط بسته قرار نمی‌گیرند.

خطوط کشیده شده به سمت متغیرهای آشکار بیان‌گر خطاهای اندازه‌گیری هستند.

مدل یابی معادله ساختاری خطاهای اندازه‌گیری

خطوط کشیده شده به سمت متغیرهای پنهان بیان‌گر واریانس‌های باقیمانده‌ یا از دست رفته‌ هستند.

مدل یابی معادله ساختاری خطاهای اندازه‌گیری

توجه: در مدل یابی معادله ساختاری، از خطوط راست (فلش‌های یکطرفه) برای نشان دادن روابط علی یا تأثیر یک متغیر بر متغیر دیگر استفاده می‌شود.

خطوط منحنی (فلش‌های دوطرفه) برای نشان دادن همبستگی‌ها استفاده می‌شود.

فلش‌های دوطرفه

مدل اندازه‌گیری:

مدل اندازه‌گیری روابط بین متغیرهای پنهان و آشکار (مولفه‌های یک متغیر پنهان) را تعریف می‌کند. مدل اندازه‌گیری دارای دو نوع می‌باشد:

مدل اندازه‌گیری X : روابط بین متغیر پنهان مستقل و متغیرهای آشکار مربوط به آن را نشان می‌دهد.

مدل اندازه‌گیری X

شکل ۱: مدل اندازه‌گیری X برای متغیر ساختار و زمینه تیم

مدل اندازه‌گیری Y : روابط بین متغیر پنهان وابسته و متغیرهای آشکار مربوط به آن را نشان می‌دهد.شکل ۱: مدل اندازه‌گیری X برای متغیر ساختار و زمینه تیم

مدل اندازه‌گیری Y

شکل ۲: مدل اندازه‌گیری Y برای متغیر فراشناخت تیمی

مدل ساختاری (تحلیل مسیر):

مدل ساختاری، روابط بین متغیرهای پنهان را مشخص می‌کند.

شکل ۳: مدل ساختاری

مدل عمومی معادله ساختاری

این مدل ترکیب دو مدل اندازه‌گیری و ساختاری است و در آن هم روابط بین متغیرهای پنهان با متغیرهای آشکار (مدل اندازه‌گیری) و هم روابط بین متغیرهای پنهان (مدل ساختاری) مورد توجه قرار می‌گیرد.

نمونه‌ای از یک مدل عمومی معادله ساختاری

پژوهشی رابطه سه متغیر پنهان A، B وC به صورت زیر بررسی شده است:

متغیر پنهان بیرونی A متغیر مستقل است که بر هر دو متغیر پنهان درونی B و C تاثیر می‌گذارد.
برای اندازه‌گیری متغیر A از سه متغیر آشکار (شاخص) X1 ، X2 و X3 استفاده شده است.
برای اندازه‌گیری متغیر B از سه متغیر آشکار (شاخص) Y1 ، Y2 و Y3 استفاده شده است.
برای سنجش متغیر پنهان C از سه متغیر آشکار (شاخص) Y4 ، Y5 و Y6 استفاده شده است.
ضریب مسیر بین دو متغیر پنهان وابسته با β و ضریب مسیر بین متغیر پنهان مستقل و وابسته با γ نشان داده می‌شود.
ارتباط بین هر متغیر پنهان با متغیرهای آشکار مربوطه با حرف λ نشان داده که به آن‌ها بار عاملی گفته می‌شود.
ε نشان دهنده خطا (باقیمانده) برای متغیر آشکار درونی
δ نشان دهنده خطا (باقیمانده) برای متغیر آشکار بیرونی
ζ نشان دهنده واریانس خطا (باقیمانده) برای متغیر پنهان درونی

مدل عمومی معادلات ساختاری

شکل ۴: نمونه‌ای از یک مدل عمومی معادلات ساختاری براساس نمادها

مراحل مدل یابی معادله ساختاری کوواریانس محور

مرحله ۱: تدوین مدل

تدوین مدل براساس تئوری صورت می‌گیرد. در تدوین مدل، تعداد متغیرهای پنهان مدل، تعداد متغیرهای آشکار، روابط بین متغیرهای پنهان و آشکار مربوطه، الگوی روابط بین متغیرهای پنهان و محدودیت‌های مدل (مشخص‌کردن پارامترهای ثابت، آزاد و مقید مناسب) مشخص می‌شود.

تعداد متغیرها در تدوین مدل

تعداد متغیرها به موضوع مورد مطالعه، هدف تحقیق و امکان سنجش این متغیرها بستگی دارد. در مجموع هرچه مدل طراحی شده پیچیده‌تر باشد، دستیابی به برازش مدل مشکل‌تر می‌شود. ضمن اینکه باید به خاطر داشت که هرچه تعداد متغیر در یک مدل بیشتر باشد باید حجم نمونه نیز افزایش یابد. هرچند قاعده قطعی برای تعیین تعداد متغیرهای مدل وجود ندارد، اما عده‌ای معتقدند که در یک مدل نباید بیش از ۲۰ متغیر وارد کرد یعنی مثلاً ۵ یا ۶ متغیر به عنوان متغیرهای نهفته و هر متغیر ۳ تا ۴ شاخص را به خود اختصاص دهد.

مرحله ۲: تشخیص مدل (مشخص‌سازی)

تشخیص مدل یعنی آیا برای هریک از پارامترهای آزاد، می‌توان یک مقدار منحصر به فرد از روی داده‌ها به دست آورد. براساس این تعریف سه نوع مدل خواهیم داشت:

مدل‌های فرومشخص (under-identified): یک برآورد واحد برای هر پارامتر ناممکن باشد. یا به عبارتی اطلاعات مورد نیاز برای حل کردن پارامترها ناکافی باشد.

مدل‌های کاملاً مشخص (just-identified): برای هر پارامتر واحد می‌توان یک مقدار واحد برآورد کرد. یا به عبارتی تعداد معادلات با تعداد پارامترهای مورد تخمین برابر است.

مدل‌های فرامشخص (over-identified): مدل‌هایی که برای هر پارامتر بیش از یک جواب دارند. یعنی تعداد پارامترهای مدل کمتر از مشاهدات است.

قاعده حسابی برای تشخیص مدل: تعداد پارامترهایی که باید برآورد شوند (پارامترهای آزاد) نباید از تعداد واریانس‌ها و کوواریانس‌های نمونه بیشتر باشد. اگر تعداد متغیرهای مشاهده شده (شاخص‌ها) برابر P باشد، بنابراین از طریق فرمول زیر می‌توان تعداد کل واریانس‌ها و کوواریانس‌های ممکن را برآورد نمود.

p × (p+1)〉 / ۲〉= تعداد کل واریانس‌ها و کوواریانس‌های نمونه

مدل کاملا مشخص از نظر علمی مطلوب نیست. زیرا درجه آزادی (df) آن صفر می‌شود و هرگز نمی‌تواند رد شود. در عمل محققان باید مدل‌های فرامشخص که دارای درجه آزادی مثبت هستند را تجزیه و تحلیل کنند. مدل‌هایی که مشخص نیستند باید دوباره تدوین شوند.
برای این‌که مدلی مشخص باشد باید هر عامل حداقل ۳ شاخص داشته باشد.
شرط لازم و کافی برای مشخص سازی وقتی فراهم می‌شود که هر متغیر مشاهده شده (شاخص) فقط و فقط یک متغیر پنهان (عامل) را اندازه‌گیری کند.

مرحله ۳: برآورد مدل

برآورد مدل شامل تکنیک‌هایی است که برای برآورد پارامترهای مدل استفاده می‌شوند. برآورد پارامترها آنقدر تکرار می‌شود تا مدل موردنظر در یک مجموعه نهایی از پارامترهای برآورد شده همگرا شود.

روش‌های برآورد مدل

(Maximum Likelihood (ML: متداول‌ترین روش برآورد و مستقل از مقیاس داده‌ها‌ است. اگر متغیرهای مشاهده شده نرمال و خطی باشند و بیش از ۱۰۰ مورد وجود داشته باشد، از این روش می‌توان استفاده کرد.
(Generalized Least Squares (GLS: نتایجی مشابه روش ML ارائه می‌کند و با حجم نمونه‌های کوچکتر قابل کاربرد است.
(Unweighted Least Squares (ULS : زمانی مناسب است که تمام متغیرهای مشاهده شده با یک مقیاس واحد اندازه‌گیری شده باشند.
(Weighted Least Squares (WLS و (Diagonal weighted Least Squares (DWLS: وابسته به پیش فرض نرمال بودن نیستند و به حجم نمونه بسیار بالا (بیش از ۱۰۰۰ مورد) نیاز دارند.

مرحله ۴: آزمون مدل

یک بخش مهم در فرایند برآورد، ارزیابی برازش مدل است. منظور از برازش مدل این است که تا چه حد یک مدل با داده‌های نمونه سازگاری و توافق دارد. بدین منظور از شاخص‌های برازش استفاده می‌شود.

در صورتی که برازش مدل قابل قبول باشد، تخمین پارامترها مورد بررسی قرار می‌گیرند. یعنی نتایج بخش اندازه‌گیری و ساختاری مدل ارزیابی می‌شوند. نسبت تخمین هر پارامتر به خطای استاندارد آن بوسیله آماره t نشان داده می‌شود. برای این‌که پارامتر موردنظر قابل قبول یا به عبارتی معنادار باشد، باید قدرمطلق مقدار t آن بزرگتر یا مساوی ۱٫۹۶ باشد. بنابراین شاخصها از دقت لازم برای اندازهگیری سازه‌های نهفته تحقیق برخوردارند.

آزمون‌های برازندگی مدل کلی

گرچه انواع گوناگونی از آزمون‌ها که به آن‌ها شاخص‌های برازش گفته می‌شود، در حال توسعه و تکامل می‌باشند اما هنوز درباره حتی یک آزمون بهینه نیز توافق همگانی وجود ندارد. تصمیم‌گیری درباره برازش یک مدل براساس چند شاخص و نه یک شاخص انجام می‌گیرد. بنابراین برای ارزیابی برازش مدل، ضروری است تعداد متنوعی از شاخص‌ها گزارش شود. زیرا شاخص های مختلف، جنبه‌های متفاوتی از برازش مدل را انعکاس می‌دهند. برخی از این شاخص‌ها عبارتند از:

جدول۱: انواع شاخص‌های برازش مدل و مقدار مجاز آن‌ها

شاخص‌های برازش مدل

شاخص‌های دیگری نیز در خروجی نرم افزار

لیزرل دیده می‌شوند که برخی مثلAIC ،CAIC و ECVI برای تعیین برازنده‌ترین مدل از میان چند مدل مورد توجه قرار می‌گیرند برای مثال مدلی که دارای کوچکترینAIC ،CAIC و ECVI باشد برازنده‌تر است. مقدار آماره ECVI به خودی خود قابل قضاوت نیست و برای نتیجه‌گیری درباره برازش مدل با مقادیر بدست آمده برای مدل استقلال و مدل اشباع شده مقایسه می‌گردد. مدلی که دارای کوچکترین CAIC و AIC باشد (هرچه به صفر نزدیکتر باشند)، برازنده‌تر است. برخی از شاخصها نیز به شدت وابسته به حجم نمونه‌اند و در حجم نمونه‌های بالا می‌توانند معنا داشته باشند.

مرحله ۵: اصلاح مدل

گام نهایی اصلاح مدل نامیده می‌شود. در صورتی که مدل از برازش ضعیفی برخوردار باشد، با استفاده از اطلاعات حاصل از خروجی برنامه، جهت بهبود مدل تغییراتی در آن اعمال می‌شود.

منابع:

کلانتری، خلیل (۱۳۸۸). مدل یابی معادله ساختاری در تحقیقات اجتماعی-اقتصادی. تهران: انتشارات فرهنگ صبا. چاپ اول.
هومن، حیدرعلی (۱۳۸۸). مدل یابی معادله ساختاری با کاربرد نرم‌افزار لیزرل. تهران: انتشارات سمت. چاپ سوم.
شوماخر، راندال ای و لومکس، ریچارد جی (۱۳۸۸). مقدمه‌ای بر مدل‌سازی معادله ساختاری. مترجم: وحید قاسمی. تهران: انتشارات جامعه شناسان. چاپ اول. سال انتشار به زبان اصلی، ۲۰۰۴٫
میرز، گامست، و گارینو (۲۰۰۶). پژوهش چندمتغیری کاربردی طرح و تفسیر. ترجمه شریفی و همکاران ۱۳۹۱. انتشارات رشد.
کرلینجر، پدهازر (۱۹۸۲). رگرسیون چندمتعیری در پژوهش رفتاری. ترجمه حسن سرایی ۱۳۸۶. انتشارات سمت.
Bollen, K. A. (1989). Structural equations with latent variables. New York: Wiley.

رویکرد واریانس محور *یا حداقل مربعات جزئی (PLS***)

PLS یا روش حداقل مربعات جزئی (Partial Least Square) یک رویکرد واریانس محور برای مدل یابی معادله ساختاری است، این تکنیک امکان بررسی روابط متغیرهای پنهان و شاخص‌ها (متغیرهای قابل مشاهده) را بصورت همزمان فراهم می سازد. این روش را می‌توان در شرایطی که حجم نمونه کم بوده و متغیرها حالت نرمال ندارند (البته در مدل‌های ترکیبی یا Formative شرط نرمال بودن حائز اهمیت نمی‌باشد)، به کار برد. PLS شاخص‌های برازش مدل را در اختیار محقق قرار نمی‌دهد، بنابراین برای پیش‌بینی مناسب‌تر است.

شاخصهای برازش این رویکرد مربوط به بررسی کفایت مدل در پیشبینی متغیرهای وابسته میشوند؛ مانند شاخصهای اشتراک (Communality) و افزونگی (Redundancy) یا شاخصGOF می باشد. در واقع این شاخصها نشان می دهند که برای مدل اندازه گیری شاخص‌ها تا چه حد توانائی پیشبینی سازه زیربنایی خود را دارند و برای مدل ساختاری، متغیرهای بیرونی تا چه حد و با چه کیفیتی توانائی پیشبینی متغیرهای درنی مدل را دارند. رویکرد واریانس محور با نرم‌افزارهایی مانند پی ال اس گراف (PLS Graphing)، اسمارت پی ال اس (Smart- PLS)، رپ پی ال اس (Warp PLS) و ویژوال پی ال اس (Visual PLS) قابل اجرا می‌باشد.

حجم نمونه در روش حداقل مربعات جزئی PLS

در مدل‌یابی معادله ساختاری به روش حداقل مربعات جزئی برخلاف روش قبلی به حجم نمونه بالایی نیاز نداریم.

چین و نیوزتد (۱۹۹۹) در یک مطالعه شبیه‌سازی مونت کارلو بر روی PLS با نمونه‌های کوچک نشان دادند که این رویکرد می‌تواند برای حجم نمونه ۲۰ تایی نیز اطلاعاتی درباره تناسب شاخص‌ها فراهم آورد. با این حال با در نظر گرفتن مشکل پایداری در مقیاس بزرگ، هنوز این مدل با محدودیت هایی روبروست. با وجود این‌که PLS برای نمونه‌های خیلی کوچک و یا موقعی که موارد نسبت به متغیرهای مشاهده شده کمتر باشد قابل استفاده است، اما تکیه بر نمونه‌های کوچک می‌تواند نتایج ضعیفی فراهم کند. نمونه‌های بزرگتر، برآوردهای PLS را قابل اطمینان‌تر می‌سازد. میانگین میزان خطای مطلق در PLS با افزایش حجم نمونه کاهش می یابد. حجم نمونه کوچک برای ضرایب مسیر کوچک کافی نیست، در چنین مواردی حجم نمونه برابر با روش کوواریانس محور مورد نیاز است.

محققان دو روش را برای تعیین حداقل نمونه لازم در PLS پیشنهاد می‌کنند:

حجم نمونه بزرگتر یا مساوی ۱۰ برابر تعداد شاخص‌های مدل اندازه‌گیری‌ای که دارای بیشترین شاخص در میان مدل‌های اندازه‌گیری مدل اصلی پژوهش است.
حجم نمونه بزرگتر یا مساوی ۱۰ برابر بیشترین تعداد مسیرهای ساختاری که به یک متغیر (سازه) در مدل مسیر درونی ختم می‌شوند.

مدل‌های اندازه‌گیری انعکاسی (Reflective) و مدل‌های ترکیبی (Formative)

یکی از مهمترین تفاوتهای عمده بین مدلهای کوواریانس محور و PLS در شاخص‌های انعکاسی (Reflective) و ترکیبی (Formative) می‌باشد. در روش‌های کوواریانس محور، مدل ترکیبی وجود ندارد.

مدل اندازه‌گیری انعکاسی ریشه در نظریه آزمون کلاسیک و روان‌سنجی دارد. این مدل شامل متغیرهای پنهانی است که نشان‌گر صفات، شخصیت یا نگرش‌ها هستند و نمود آن ها توسط متغیرهای دیگر نشان داده می‌شوند. در این نوع مدل ها جهت پیکان از متغیر پنهان (سازه) به سمت متغیرهای مشاهده شده است؛ یعنی فرض بر این است که اندازه‌گیری‌های مشاهده شده، تغییر در متغیر پنهان را منعکس می‌کنند. به عبارت دیگر تغییر در متغیر پنهان سبب تغییر در متغیرهای مشاهده شده می‌شود. در مدل‌های انعکاسی باید همبستگی مثبت و نسبتا بالایی بین متغیرهای مشاهده شده وجود داشته باشد.

مدل اندازه‌گیری انعکاسی

شکل ۵: نمونه‌ای از یک مدل اندازه‌گیری انعکاسی

مدل‌های اندازه‌گیری ترکیبی شامل متغیرهای مشاهده شده‌ای هستند که علت یا ایجاد کننده متغیرهای پنهان می‌باشند. یعنی متغیرهای تشکیل‌دهنده به عنوان متغیرهای علی در نظر گرفته شده‌اند که بر شکل‌گیری متغیر پنهان تاثیر دارند. در مقابل مدل‌های انعکاسی، در مدل‌های ترکیبی بین متغیرهای مشاهده شده، همبستگی می‌تواند مثبت، منفی یا صفر باشد. به عنوان مثال متغیر پنهان استرس زندگی را درنظر بگیرید. این متغیر می‌تواند از ترکیب متغیرهای مشاهده شده‌ای مانند از دست دادن شغل، طلاق یا حوادث ناگوار در زندگی تشکیل شود. یعنی این عوامل بر استرس زندگی تاثیر می‌گذارند. اما نمره سازه مورد نظر از نمره سئوالات آن به دست می‌آید. جهت پیکان از متغیرهای مشاهده شده به سمت متغیر پنهان (سازه) است؛ یعنی تغییر در متغیرهای مشاهده شده سبب تغییر در متغیر پنهان می‌شود.

مدل اندازه‌گیری ترکیبی

شکل ۶: نمونه‌ای از یک مدل اندازه‌گیری ترکیبی

مدل‌ درونی (Inner Model) و مدل بیرونی (Outer Model)

در مدل های PLS دو مدل آزمون می شود: مدل‌های بیرونی و مدل های درونی. بخش اندازه‌گیری مدل که نمایشگر روابط بین متغیرهای پنهان با شاخص‌هایشان به دو صورت ترکیبی و انعکاسی می‌باشد، مدل بیرونی و بخش ساختاری مدل که نمایانگر رابطه بین متغیرهای مکنون است، مدل درونی نام دارد.

ارزیابی مدلها با استفاده از PLS

بررسی برازش مدلهای واریانس محور یا همان PLS در سه مرحله صورت میگیرد:

ارزیابی مدل اندازه گیری (مدل بیرونی) انعکاسی یا ترکیبی: تعیین پایایی و روایی
ارزیابی مدل ساختاری (مدل درونی)
آزمون مدل کلی PLS

ارزیابی مدل اندازه گیری (مدل بیرونی)

در این مرحله، روای و پایایی مدل برحسب نوع مدل یعنی انعکاسی یا ترکیبی بودن آن تعیین می‌شود. معیارهای ارزیابی مدل اندازه‌گیری در جدول زیر ارائه شده است.

جدول ۲: معیارهای ارزیابی مدل اندازه گیری (مدل بیرونی)

معیارهای ارزیابی مدل اندازه گیری (مدل بیرونی)

ارزیابی مدل ساختاری (مدل درونی)

در یک مدل مسیر فقط یک مدل ساختاری وجود دارد. پس از ارزیابی برآوردهای روایی و پایایی مدل‌های اندازه‌گیری نوبت به ارزیابی مدل ساختاری می‌رسد. معیار‌های آزمون مدل ساختاری در جدول زیر ارائه شده‌اند:

جدول ۳: معیارهای ارزیابی مدل ساختاری (مدل درونی)

معیارهای ارزیابی مدل ساختاری (مدل درونی)

آزمون مدل کلی PLS

در PLS برخلاف روش کوواریانس محور شاخصی برای سنجش کل مدل وجود ندارد. البته تننهاوس و همکاران (۲۰۰۵) یک شاخص کلی به نام نیکویی برازش (GOF) را برای بررسی برازش مدل معرفی کرده‌اند. این شاخص را می توان با محاسبه متوسط R² و متوسط مقادیر اشتراکی (Communality) از طریق فرمول زیر بدست آورد:

البته باید توجه داشت که این شاخص توانایی پیش‌بینی کلی مدل را مورد بررسی قرار می‌دهد. یعنی این‌که آیا مدل آزمون شده در پیش‌بینی متغیرهای پنهان درون زا موفق بوده است یا نه. وتزلس و همکاران (۲۰۰۹) مقادیر ۰٫۰۱، ۰٫۲۵ و ۰٫۳۶ را به ترتیب به عنوان مقادیر ضعیف، متوسط و قوی برای GOF معرفی نموده‌اند.

منابع:

محسنین، شهریار و اسفیدانی، محمد رحیم. (۱۳۹۳). معادلات ساختاری مبتنی بر رویکرد حداقل مربعات جزیی – به کمک نرم افزار Smart-PLS. تهران: مهربان نشر. چاپ اول.
Henseler, Jörg; Ringle, Christian M; Sinkovics, Rudolf R. (2009). The use of partial least squares path modeling in international marketing, in Rudolf R. Sinkovics, Pervez N. Ghauri (ed.) New Challenges to International Marketing (Advances in International Marketing, Volume 20) Emerald Group Publishing Limited, pp.277 – ۳۱۹
Nunnally, J. C., & Bernstein, I. H. (1994). Psychometric theory (3rd ed.). New York, NY: McGraw-Hill.

مشخصات

جهت مشاهده منبع اصلی و ادامه این مطلب این مطلب کلیک کنید

شرحی بر تفاوت نرم افزار AMOS با LISREL

آرکوبلAmos را برنامه ای توصیف می کند که برای کاربرد ساده طراحی شده است و خصیصه اصلی آن این است که مدل سازی معادله ساختاری را به شیوه ای ترسیمی ارائه می دهد به نحوی که می توان به سرعت مدل ها را تعریف ، محاسبات را انجام و در صورت نیاز آنها را به سادگی اصلاح کرد.در این نرم افزار جعبه ابزاری وجود دارد که به کاربر در ترسیم انواع نمادها یاری رسانده و به خوبی امکان تغییر و اصلاح مدل ترسیم شده را فراهم می آورد.

Amos در ابتدا با این هدف طراحی شد ه که به امر آموزش مدل سازی معادله ساختاری یاری رساند و شاید به همین دلیل است که تقریبا هیچ پیش فرضی در مدل ترسیم شده وجود ندارد و همه چیز باید توسط کاربر تعریف شود.این چنین خصیصه ای هر چند در ابتدا ممکن است در ابتدا مشکل ساز به نظر برسد اما در واقع پس از انجام چند تمرین کاربر به خوبی با انواع پارامترهای موجود در یک مدل تدوین شده آشنا می شود.موضوعی که در LISREL به علت پیش فرض بودن بسیاری از پارامترها اتفاق نمی افتد.

نخستین نسخهٔ این نرم‌افزار در سال ۱۹۶۸ پس از تاسیس نرمن نی» منتشر شد، شرکت سازنده این نرم افزار همان شرکت سازنده نرم افزار spss می باشد که از ورژن ۱۶ به بعد نرم افزار spss این نرم افزار نیز بر روی آن موجود است.

ویژگی های Amos :

آموس فراتر از توانمندی های معمول نرم افزارهای مدل سازی رفته و به عنوان مثال به خوبی می تواند بر اساس جدیدترین روش های آماری در مورد نحوه برخورد با داده های مفقود شده به جایگزینی آنها دست زند. نگارش جدید آموس نه تنها کلیه ویژگی های نرم افزارهایی نظیر لیزرل را داراست بلکه خصایص منحصر به فردی دارد که آن را از سایر نرم افزارهای مدل سازی متمایز ساخته است.

آموس مدل ترسیم شده در صفحه میانجی را به عنوان مدل می پذیرد و خروجی های آن به خوبی و با کیفیت بالا قابل انتقال به سایر برنامه های تحت ویندوز است.کاربر این امکان را دارد که با تغییر قلم ها، رنگ ها، ضخامت پیکان ها، اندازه پارامترها و مکان قرار گرفتن آنها مدل مدون را به زیباترین شکل و مطابق با سلیقه خود درآورد.یکی از مهم ترین خصایص این نرم افزار در ویرایش جدید آن است که با استفاده از روش بیزی می تواند به برآورد پارامترها در مدل هایی بپردازد که متغیرهای حاضر در آن ها از نوع مقوله ای رتبه ای یا اسمی هستند.خصیصه ای که در نگارش اولیه این این نرم افزار وجود نداشت. به طور کلی مدل سازی معادله ساختاری بیزی از خصایص بسیار مهم و جذابAmos است.

از دیگر ویژگی های این نرم افزار عبارتند از:

-امکان مدیریت داده ها به اشکال مختلف را داراست و به خوبی می تواند داده ها را در قالب های مختلف چه به شکل خام و چه به شکل ماتریس های واریانس- کوواریانس یا همبستگی از سایر نرم افزارها فراخواند.

-توانایی مدیریت داده های چند گروهی است به نحوی که می توان مدل ها را برای نمونه های مختلف مورد آزمون قرار داد و نتایج را به سادگی با یکدیگر مقایسه کرد.

-به خوبی از توانایی وارسی نرمال بودن تک متغیره و چند متغیره برخوردار است

– می تواند به خوبی با داده های پرت رفتار کند.

-امکان برآورد پارامترها با روشهای مختلف را داراست که از جمله آنها می توان به حداکثر درست نمایی، حداقل مربعات تعمیم یافته، حداقل مربعات غیر وزنی و حداقل مربعات غیر وابسته به مقیاس اشاره کرد.

-در این نرم افزار همچنین امکان استفاده از روش خودگردان سازی برای برآورد اعتبار پارامترهای برآورد شده، مقایسه مدل های مختلف با داده های یکسان و مقایسه روش های مختلف برآورد برایانتخاب بهترین آنها در یک موقعیت خاص پژوهشی وجود دارد

-علاوه بر موارد ذکر شده زیبایی و جذابیت این نرم افزار به علاوه وجود یک جعبه ابزار متنوع و کاربردی را باید به خصایص ذکر شده افزود.

خروجی های این نرم افزار بسیار مفصل است و به طور خاص در رابطه با برآوردهای انجام شده برای پارامترهای مختلف امکان مقایسه نتایج با مدل های استقلال و اشباع شده را فراهم می آورد.چنین ویژگی در تفسیر نتایج حاصله به محقق بسیار کمک می کند. در مجموع در خروجی های متنی جداول بسیار متنوعی ارائه می شود که می تواند نیاز کاربران با اهداف متفاوت را به خوبی برآورده سازد( قاسمی، ۱۳۸۹)

تفاوت بین AMOS و LISREL

یکی از سوالات مطرح شده تفاوت بین لیزرل و آموس است. پژوهش ها نشان می دهد در کاربرد مدل معادلات ساختاری و تحلیل مسیر این دو نرم افزار با هم تفاوت معناداری ایجاد نمی کنند. بنابراین کاربر می تواند به جای استفاده از لیزرل از نرم افزار آموس استفاده نمایید. اما شاخص هایی که هر کدام ارائه می دهند متفاوت است. علاوه بر این نرم افزار لیزرل کاربرد های دیگری دارد که آموس فاقد آن است به عنوان مثال ضرایب همبستگی دو رشته ای و چند رشته ای فقط از طریق نرم افزار لیزرل قابل دستیابی است.

انواع نگارش نرم افزار آموس:

آموس دارای دو نگارش دانشجویی و کامل است : نگارش دانشجویی آن مجانی و از طریق وب سایت زیر در دسترس است: www.amos.development.com/download و محدودیت آن این است که بیش از هشت متغیر مشاهده شده نمی توانیم داشته باشیم .

کاربردهای این نرم افزار :

– تعیین روابط بین متغیر ها

– یافتن مدل مناسب برای دادها

– استفاده از نمودارها برای تعیین روابط

-کاربرد جالب ان برای چگونگی و چرایی دادها

– فضایی برای مجال استفاده از موارد گرافیکی

– تحلیل چند گانه

– قابلیت ترکیب مدل ها

هر چند هدف اصلی از طراحی این نرم افزار، مدل سازی است اما قابلیت اجرای مجموعه ای از تحلیل های کمی و آماری معمول نیز به وسیله آن وجود دارد.

دو نوع متغیر اصلی در ترسیم مدل وجود دارد:

۱. متغیر های پنهان: نمی توان آنها را مستقیما مشاهده یا مورد سنجش قرار داد .متغیرهای پنهان به طور غیر مستقیم مشاهده و اندازه گیری می شوند

۲. متغیر های مشاهده شده : مجموعه متغیر هایی هستند که ما به منظور تعریف یا استنباط متغیرهای پنهان یا سازه به کار می بریم .

نرم افزار تحلیل آماری آموس جهت محاسبات تحلیل عامل و مدل معادلات ساختاری استفاده می‌شود. خروجی نرم‌افزار آموس به صورت گرافیکی بوده و لذا درک مطلب را تسهیل می‌کند.

امکانات نرم افزاری و سخت افزاری جهت اجرای Amos :

۱- سیستم عامل Microsoft Windows XP یا Microsoft Windows Vista

۲-حداقل ۲۵۶ مگابایت RAM و ۱۲۵ مگابایت فضای آزاد

شروع به کار آموس:

چندین روش برای شروع به کار با آموس وجود دارد:

صفحه اصلی آموس:

این صفحه به چهار قسمت فرعی قابل تقسیم است:

– فهرست اصلی در قسمت بالا که از چپ به راست شامل گزینه های File تا Help است و هر کدام شامل گزینه های متعددی می شوند.

پرکاربردترین گرینه های فهرست اصلیviewو analysis هستند که امکانات مختلفی برای انجام محاسبات لازم در اختیار کاربر قرار می دهند.

– جعبه ابزار در سمت چپ که به ویژه امکان ترسیم و اصلاح مدل تدوین شده را توسط کاربر فراهم می آورد.

– صفحه میانجی در سمت راست که فضای لازم را برای ترسیم مدل تدویین شده در اختیار کاربر قرار میدهد.نتایج یا خروجی ها در قالب نمودار نیز بر روی همین صفحه نمایان می شوند.

– قسمت میانی با کادرهای شش گانه

مراحل اجرایی استفاده از آموس :

– تهیه فایل داده ها با استفاده از SPSS : فایل داده های مورد نظر باید شامل کلیه متغیرهای مشاهده ای باشد.

– ترسیم مدل تدوین شده در صفحه میانجی AG

– مشخص کردن جزئیات تحلیل شامل موارد مورد نیاز در خروجی و تغییر شیوه برآورد پارامترها

– اجرای تحلیل و برآورد پارامترها

تهیه فایل داده ها با استفاده ازSPSS :

فایل داده ها به سه شکل می تواند تهیه گردد:

– فایل حاوی داده های خام

– فایل حاوی ماتریس واریانس- کوواریانس برگرفته از داده های خام

– فایل حاوی ماتریس همبستگی، میانگین و انحراف معیار برگرفته از داده های خام

ترسیم مدل تدوین شده در Amos Graphics

– رسم متغیر پنهان با استفاده از نماد بیضی

– رسم متغیرمشاهده شده با استفاده از نماد مستطیل

– افزودن متغیر خطا های مرتبط با متغیرهای پنهان و مشاهده شده

– نامگذاری متغیرهای پنهان و مشاهده شده

محسن مرادی

مشخصات

جهت مشاهده منبع اصلی و ادامه این مطلب این مطلب کلیک کنید

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:

β_۱: ضریب مسیر بین X و Y وقتی ۰=Z

β_۲: ضریب مسیر بین Z و Y وقتی ۰=X

i₁: عرض از مبدأ معادله

e₁: باقیمانده معادله

ضریب رگرسیون مربوط به عبارت تعامل (β_۳) برآوردی از اثر تعدیل فراهم می‌کند. چنانچه β_۳تفاوت 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

جهت مشاهده منبع اصلی و ادامه این مطلب این مطلب کلیک کنید

آزمون Z سوبل (Sobel Z) برای محاسبه میانجی

میانجی هنگامی رخ می‌دهد که با اضافه شدن متغیر میانجی، شدت رابطه اصلی بین متغیرهای پیش‌بین (X) و ملاک (Y) کاهش پیدا کند. سوبل در سال ۱۹۸۲ مقاله‌ای منتشر کرد که در آن یک آزمون آماری به منظور بررسی معناداری اندازه کاهش ارائه نمود. آزمون پیشنهادی سوبل در واقع آزمون معناداری اثر غیرمستقیم ab نیز نامیده شده است. زیرا نقش میانجی از طریق اثر غیرمستقیم ab تعیین می‌شود. این آزمون شناخته شده‌ترین و پر کاربردترین روش است. بر اساس این آزمون می‌توانیم نتیجه گیری کنیم که آیا کاهش در اندازه اثر مستقیم متغیر X بر روی متغیر Y به آن اندازه بوده که بتوان آن را به لحاظ آماری معنادار در نظر گرفت!

a*b گرچه در برآورد میزان اثر غیرمستقیم کمک می‌کند، اما دارای خطای سوگیری است. همچنین در صورت استفاده از آزمون سوبل در داده‌های غیر نرمال می‌تواند منجر به برآوردهای سودار شود. بنابراین پیشنهاد می‌شود که پژوهشگران اثر غیرمستقیم را با استفاده از تکنیک بوت‌استرپینگ برآورد کنند که برای توزیع‌های کوچک و یا غیر نرمال مناسب است.

فرمول Z سوبل به صورت زیر است:

میانجی z سوبل

a: ضریب رگرسیون غیراستاندارد برای مسیر X به M

b: ضریب رگرسیون غیراستاندارد برای مسیر M به Y (در رگرسیون همزمان متغیرهای X و M به عنوان پیش‌بین‌های Y)

S_a: خطای معیار مسیر a

S_b: خطای معیار مسیر b

پس از محاسبه مقدار z باید به جدول مقادیر z در کتاب‌های آمار یا برنامه‌های کاربردی آنلاین که مقادیر z را به p-value تبدیل می‌کنند، مراجعه کرد.

گرچه این معادله را به روش دستی می‌توان محاسبه کرد. البته یک روش آنلاین نیز وجود دارد که می‌توانید با وارد کردن مقادیر به دست آمده از خروجی دو مدل رگرسیونی، مقدار عدد z سوبل را به دست آورید.

از طریق سایت http://quantpsy.org/sobel/sobel.htm به محاسبه آنلاین مقدار عدد z سوبل بپردازید.

مشخصات

جهت مشاهده منبع اصلی و ادامه این مطلب این مطلب کلیک کنید

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:

متغیر مستقل باید همبستگی معناداری با متغیر میانجی داشته باشد.
متغیر میانجی باید همبستگی معناداری با متغیر وابسته داشته باشد.
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_وe₁: 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

جهت مشاهده منبع اصلی و ادامه این مطلب این مطلب کلیک کنید

شاخص روایی واگرا HTMT

همانطور که در دوره های مدل سازی معادلات ساختاری واریانس محور با نرم افزار SMART PLS در آکادمی تحلیل آماری ایران بیان شد برای اینکه اصالت داده های جمع آوری شده در یک پژوهش توسط ابزار های جمع آوری اطلاعات ، بررسی شود باید ابتدا بررسی کرد آیا داده های جمع آوری شده از پرسش نامه پژوهش دارای روایی است یا خیر؟ روایی یعنی ابزار محقق همان چیزی را بسنجد که قرار بوده مورد سنجش قرار دهد. همانطور که در کلاس ها آموزش داده شده

روایی سازه بعد از جمع آوری داده ها در کنار روایی ظاهری و

روایی محتوا که پیش از جمع آوری داده ها توسط محقق روایی ابزار ما را می سنجد، مهمترین شاخص کیفیت سنجی یک پژوهش است. روایی سازه به دو بخش روایی واگرا و همگرا طبقه بندی می شود و در کلاس ها بیان شد که متاسفانه تحقیقات ایران به صورت اسمی این روایی را دارند اما متاسفانه در طی تحقیق موسسه آکادمی تحلیل آماری ایران روی ۳۲۰۰ رساله دکتری کاملا خلا وجود آن و نحوه ارزیابی درست آن مشاهده می شود. اما در بین این دو دسته روایی واگرا از وضعیت نابسامان تری برخوردار است و اتفاقا معنای علمی روایی یا اعتبار ابزار در همین بخش خلاصه می شود. از سال ها پیش در بخش

مدل سازی واریانس محور شاخص های مشهوری مثل بارهای عرضی و آزمون فورنل و لارکر این روایی یعنی اعتبار تشخیصی یا واگرا را مورد سنجش قرار می دهد. اما این دو آزمون نقص هایی به همراه دارند که در کلاس ها به صورت تفصیلی برای عزیزان این موارد بحث شد. اما در سال ۲۰۱۵ هنسلر و همکارانش شاخص یا آزمونی را ارائه کردند که به سرعت جای خود را در داوری های ژورنال ها باز نمود و اکنون به جرئت میتوان بیان کرد که مدل سازی معادلات ساختاری واریانس محور بدون آن فاقد اعتبار است و آن شاخص روایی واگرا HTMT یا شاخصmultitrait-multimethod matrix ماتریس چند خصیصه و چند روش است.

محسن مرادی

مشخصات

جهت مشاهده منبع اصلی و ادامه این مطلب این مطلب کلیک کنید

آموزش تحلیل متغیر میانجی در مدل معادلات ساختاری

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

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

مطابق با تعریف بارون و کنی در سال ۱۹۸۶

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

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

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

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

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

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

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

c : مسیر مستقیم یا اثر مستقیم نام دارد.

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

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

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

VAF= (a×b) / (a×b)+c

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

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

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

الگوریتم تحلیل میانجی

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

محسن مرادی

مشخصات

جهت مشاهده منبع اصلی و ادامه این مطلب این مطلب کلیک کنید

جامعه آماری و نمونه آماری چیست؟

جامعه آماری و نمونه آماری یکی از مباحث اولیه در تحقیق می‌باشد. پژوهشگران معمولاً کار خود را با توصیف اطلاعات شروع نموده (آمار توصیفی)‌ و سعی می‌کنند آن‌چه را از بررسی گروه نمونه به دست آورده‌اند، به گروه‌های مشابه بزرگ‌تر یا جامعه آماری تعمیم دهند (امار استنباطی). بدین منظور در این مبحث با مفاهیم جامعه و نمونه آماری و و موضوعات مرتبط با آن‌ها آشنا می شویم.

جامعه آماری
نمونه آماری
نمونه گیری
انواع نمونه‌گیری
تعیین حجم نمونه
نکاتی که در تعیین حجم نمونه باید توجه نمود
روشهای برآورد حجم نمونه

جامعه آماری

جامعه آماری عبارتست از مجموعه تمام افراد، گروه‌ها، اشیاء و یا رویدادهایی که دارای یک یا چند ویژگی مشترک باشند. تعداد اعضای جامعه را حجم یا اندازه جامعه می‌نامند و با حرف بزرگ N نشان می‌دهند.

مثال: جامعه کارکنان شاغل در بانک تجارت شهر تهران

نمونه آماری

نمونه آماری گروه کوچکتری از جامعه است که طبق ضابطه‌ای معین برای مشاهده و تجزیه و تحلیل انتخاب میشود و باید معرف جامعه باشد. نتایج نمونه ای را که معرف جامعه نباشد نمیتوان به جامعه تعمیم داد. تعداد اعضای نمونه را با حرف کوچک n نشان می دهند.

مثال: کارکنان شاغل در بانک تجارت منطقه ۵ شهر تهران

شکل ۱: جامعه آماری و نمونه آماری

جامعه آماری و نمونه آماری

نمونه‌گیری

نمونه‌گیری به منظور گردآوری داده‌های مورد نیاز درباره افراد جامعه و برآورد مقادیر جامعه به کمک مقادیر نمونه انجام می‌شود. نمونه‌گیری باعث صرفه‌جویی در هزینه و زمان است و کار تحقیق را ساده و امکان‌پذیر می‌سازد.

به طور کلی برای گردآوری اطلاعات دو روش وجود دارد:

الف) سرشماری: اگر محقق پژوهش خود را بر تمامی افراد جامعه اجرا کند روش او سرشماری خواهد بود. یعنی محقق باید تمامی افراد جامعه را تک تک مورد برسی و آزمون قرار دهد. هزینه، نیروی انسانی و مدت زمان لازم برای انجام شمارش کامل (برای گردآوری داده ها) به میزانی است که معمولاً اجرای آن توصیه نمی شود.

ب) نمونه گیری: نمونه گیری عبارت است از انتخاب افراد گروه نمونه از میان اعضای یک جامعه ی تعریف شده ی آماری براساس اصول و قواعد خاص». در این شیوه داده‌ها از همه افراد جامعه گردآوری نمی شود.

انواع نمونه‌گیری

نمونه‌گیری تصادفی یا احتمالی: در نمونه‌گیری تصادفی احتمال انتخاب شدن برای همه اعضای جامعه یکسان و معلوم است. هیچ عاملی جز شانس و تصادف در انتخاب شدن افراد نمونه از جامعه دخالت ندارد. نمونه‌گیری تصادفی انواع مختلفی دارد که عبارتند از: نمونه‌گیری تصادفی ساده، نمونه‌گیری منظم (سیستماتیک)، نمونه‌گیری طبقه‌ای (یا نسبی) و نمونه‌گیری خوشه‌ای (تک مرحله‌ای و چند مرحله‌ای). پژوهشگر می‌تواند بنا بر ویژگی‌های جامعه آماری خود یکی از این روش‌ها را برگزیند.

نمونه‌گیری غیر تصادفی یا غیر احتمالی: در نمونه‌گیری غیر تصادفی، احتمال انتخاب شدن برای همه اعضای جامعه نامعین و نامعلوم است. نمونه انتخاب شده به این روش معرف جامعه نیست و نمی‌توان نتایج حاصل از آن را به جامعه تعمیم داد. نمونه‌گیری غیرتصادفی شامل نمونه‌گیری اتفاقی (یا در دسترس)، هدفمند (یا قضاوتی)، سهمیه‌ای و شبکه‌ای (یا گلوله برفی) می‌باشد.

جدول۱: روش‌های نمونه‌گیری براساس قابلیت تعمیم

روش‌های نمونه‌گیری تصادفی	روش‌های نمونه‌گیری غیر تصادفی
۱. تصادفی ساده: همه افراد شانس برابر و مستقل برای انتخاب شدن دارند.	۱. در دسترس: افراد فقط به دلیل سهولت، سادگی و در دسترس بودن انتخاب می‌شوند.
۲. منظم (سیستماتیک): شکل اصلاح شده روش تصادفی ساده است. اما در این روش، نمونه با نظم خاصی بر اساس فهرستی که از قبل تنظیم شده انتخاب می‌شود. یعنی انتخاب افراد مستقل از یکدیگر نیست.	۲. هدفمند (یا قضاوتی): نمونه براساس قضاوت شخصی و هدف‌های مطالعه انتخاب می‌شود.
۳. طبقه‌ای (یا نسبی): در این روش، نمونه به گونه‌ای انتخاب می‌شود که زیرگروه‌های آن به همان نسبتی که در جامعه وجود دارند، در نمونه نیز حضور داشته باشند.	۳. سهمیه‌ای: معادل نمونه‌گیری طبقه‌ای است که محقق سعی می‌کند نسبت یا ویژگی‌های جامعه در نمونه نیز وجود داشته باشد.
۴. خوشه‌ای: در این روش واحد نمونه‌گیری گروه یا خوشه‌ای از افراد است. خوشه‌ای چند مرحله‌ای: فهرست نمونه‌گیری دو بار یا بیش از دو بار تهیه می‌شود.	۴. شبکه‌ای (یا گلوله برفی): زمانی که شناخت اعضای یک جامعه دشوار باشد و نمونه‌ها از یکدیگر شناخت داشته باشند، هر یک از افراد جامعه عضو دیگر را به پژوهشگر معرفی می‌کند.

تعیین حجم نمونه

هر چه حجم نمونه بزرگتر باشد، میزان اشتباهات در نتیجه‌گیری کاهش می‌یابد و بر عکس. حجم نمونه ارتباط بسیار نزدیکی با آزمون فرضیه پوچ (صفر) دارد. بدین ترتیب که هر چه اندازه گروه نمونه بزرگتر باشد محقق با قاطعیت بیشتری فرض پوچ را که واقعاّ نادرست است رد می‌کند.

نکاتی که در تعیین حجم نمونه باید توجه نمود:

هر قدر حجم جامعه کوچکتر باشد نسبت بیشتری از جامعه باید در نمونه وجود داشته باشد و هر قدر حجم جامعه بزرگتر باشد نسبت کمتری از جامعه باید در نمونه وجود داشته باشد. اگر حجم جامعه ۳۰ نفر یا کمتر باشد محقق تقریباً باید کل جامعه را به عنوان نمونه انتخاب کند. یعنی از روش سرشماری استفاده نماید.
اگر حجم جامعه بزرگ باشد، باید نمونه بزرگتری انتخاب شود. همچنین توجه داشته باشید که با افزایش حجم جامعه، حجم نمونه با میزان کمتری افزایش می یابد. در حجم جامعه بالاتر از ۳۸۰ نفر، حجم نمونه تقریباً ثابت می ماند.
هر چه جامعه ناهمگون‌تر و یا به عبارت دیگر واریانس آن بیشتر باشد، محقق باید نمونه بزرگتری را انتخاب کند.
محققان باید همیشه نمونه ای بزرگتر از آنچه که واقعاً میخواهند انتخاب کنند چرا که همیشه احتمال ریزش و افت آزمودنیها وجود دارد. افت آزمودنیها به ویژه در تحقیقات پانل (panel) روی می دهد. تحقیقاتی که در آن یک گروه از آزمودنیها در طول زمان چندین بار مورد اندازه گیری قرار میگیرند. معمولاً محقق باید قبل از انجام تحقیق انتظار ۱۰ تا ۲۵ درصد ریزش نمونه را داشته باشد.
حجم نمونه تا حد زیادی به هدف و روش تحقیق بستگی دارد. در تحقیقات قوم‌شناسی یا کیفی معمولاً از نمونه کوچک استفاده می‌شود. برای پژوهشهای توصیفی، مانند مطالعات میدانی و زمینه‌یابی، نمونه‌ای به حجم حداقل ۱۰۰ نفر نیاز است. در پژوهشهای همبستگی برخی منابع حداقل حجم نمونه را ۳۰ نفر و برخی دیگر ۵۰ نفر ذکر کرده‌اند. در پژوهش‌های از نوع آزمایشی و علّی- مقایسه‌ای، حجم نمونه حداقل ۱۵ نفر در هر گروه توصیه میشود. در تحقیقاتی که نیاز به طبقه‌بندی جامعه برای نمونه‌گیری می‌باشد، حداقل نمونه هر طبقه بین ۲۰ تا ۵۰ نفر است.
هنگامیکه پیش‌بینی تفاوت یا همبستگی پایین است، اندازه نمونه باید بزرگ باشد. در تحقیقاتی که انتظار داریم برای گروههای مختلف تفاوت اندکی در متغیر وابسته بدست آوریم. یا در مطالعاتی که به منظور تعیین ارتباط صورت می‌گیرند و همبستگی پایین مورد انتظار است.
زمانی که گروههای انتخاب شده باید به زیرگروههای دیگری تقسیم شوند و سپس این زیرگروهها مقایسه گردند، لازم است نمونه بزرگ باشد. تا زیرگروهها تعداد کافی آزمودنی را دربرگیرند.
زمانی که در تحقیق متغیرهای کنترل نشده زیادی وجود دارند، انتخاب نمونه با اندازه بزرگ ضروری است.
در برخی از تحقیقات، انتخاب نمونه ای با اندازه‌گیری کوچک مناسبتر از انتخاب یک نمونه با اندازه‌گیری بزرگ است. این بیشتر در مورد تحقیقاتی که هدف آنها اجرای نقش، مصاحبه های عمیق و اندازه گیریهای ذهنی است، صدق میکند.
زمانی که وسیله پایایی برای اندازه گیری متغیر وابسته وجود ندارد. پایایی ابزار اندازه گیری بدان معنا است که هر گاه این ابزار در شرایط و زمانهای مختلف بکار رود، آزمودنیهای یکسان دارای نمره‌های مشابهی گردند.
نوع مقیاس اندازه‌گیری در تعیین حجم نمونه موثر است. برای داده‌هایی که از مقیاس اسمی به دست می‌آیند، در مقایسه با مقیاس فاصله‌ای و نسبی به نمونه بزرگتری نیاز داریم.
سطح اطمینان و خطای نمونه‌گیری در تعیین حجم نمونه موثر است. زمانی که محقق سطح بالاتری از اطمینان یا معنی دار بودن آماری مثلاّ ۹۹ درصد اطمینان با خطای ۱ درصد را ملاک ارزیابی اطلاعات تحقیق خود قرار می‌دهد لازم است حجم نمونه او بزرگتر انتخاب شود.
در تحقیقات چندمتغیره، حجم نمونه باید چند برابر (ترجیحاً ۱۰ برابر) تعداد متغیرها در پژوهش باشند.

روشهای برآورد حجم نمونه

۱- برآورد حجم نمونه برای متغیر وابسته کیفی:

حجم نمونه

چنانچه نسبت ۰٫۰۵= n/N باشد، از رابطه بالا استفاده می‌کنیم، اما اگر این نسبت از ۰٫۰۵ بیشتر باشد، حجم نمونه را تعدیل کرده و از طریق فرمول زیر محاسبه می‌شود:

(n0= n/(1+n/N

۲- برآورد حجم نمونه برای متغیر وابسته کمی :

حجم نمونه

۳- محاسبه حجم نمونه از طریق فرمول کوکران در جامعه محدود

حجم نمونه کوکران

مطالب مرتبط:

محاسبه آنلاین حجم نمونه با فرمول کوکران (مشاهده)

۴- محاسبه حجم نمونه از طریق فرمول کوکران در جامعه نامحدود

حجم نمونه

۵- اصلاح جمعیت محدود

حجم نمونه

۶- محاسبه حجم نمونه برحسب α و β (سطح اطمینان و توان آزمون آماری)

حجم نمونه

برای مقایسه دو گروه از یک جامعه (مانند گروههای آزمایش و کنترل)، حجم نمونه مورد نیاز برای هر گروه از فرمول زیر به دست می‌آید:

حجم نمونه

۷- محاسبه حجم نمونه در مطالعات زمینه‌یابی

حجم نمونه

۸- حجم نمونه در مطالعات کیفی

در رویکردهای کیفی برخی از متون پژوهشی تعداد واحدهای نمونه را برای گروههای همگون ۶ الی ۸ واحد و برای گروههای ناهمگون بین ۱۲ تا ۲۰ پیشنهاد می‌کنند. نمونه‌ها اغلب بین ۴ تا ۴۰ نفر آگاهی دهنده را شامل می‌شود.

۹- تعیین حجم نمونه از روی حجم جامعه با استفاده از جدول مورگان

زمانی که نه از واریانس جامعه و نه از احتمال موفقیت یا عدم موفقیت متغیر اطلاع دارید و نمی‌توان از فرمولهای آماری برای برآورد حجم نمونه استفاده کرد، از جدول مورگان استفاده می‌کنیم. این جدول توسط کرجسی و مورگان تهیه شده است.

حجم جامعه N	حجم نمونه S	حجم جامعه N	حجم نمونه S	حجم جامعه N	حجم نمونه S	حجم جامعه N	حجم نمونه S	حجم جامعه N	حجم نمونه S
۱۰	۱۰	۱۰۰	۸۰	۲۸۰	۱۶۲	۸۰۰	۲۶۰	۲۸۰۰	۳۳۸
۱۵	۱۴	۱۱۰	۸۶	۲۹۰	۱۶۵	۸۵۰	۲۶۵	۳۰۰۰	۳۴۱
۲۰	۱۹	۱۲۰	۹۲	۳۰۰	۱۶۹	۹۰۰	۲۶۹	۳۵۰۰	۳۴۶
۲۵	۲۴	۱۳۰	۹۷	۳۲۰	۱۷۵	۹۵۰	۲۷۴	۴۰۰۰	۳۵۱
۳۰	۲۸	۱۴۰	۱۰۳	۳۴۰	۱۸۱	۱۰۰۰	۲۷۸	۴۵۰۰	۳۵۱
۳۵	۳۲	۱۵۰	۱۰۶	۳۶۰	۱۸۶	۱۱۰۰	۲۸۵	۵۰۰۰	۳۵۷
۴۰	۳۶	۱۶۰	۱۱۳	۳۸۰	۱۸۱	۱۲۰۰	۲۹۱	۶۰۰۰	۳۶۱
۴۵	۴۰	۱۷۰	۱۱۸	۴۰۰	۱۹۶	۱۳۰۰	۲۹۷	۷۰۰۰	۳۶۴
۵۰	۴۴	۱۸۰	۱۲۳	۴۲۰	۲۰۱	۱۴۰۰	۳۰۲	۸۰۰۰	۳۶۷
۵۵	۴۸	۱۹۰	۱۲۷	۴۴۰	۲۰۵	۱۵۰۰	۳۰۶	۹۰۰۰	۳۶۸
۶۰	۵۲	۲۰۰	۱۳۲	۴۶۰	۲۱۰	۱۶۰۰	۳۱۰	۱۰۰۰۰	۳۷۳
۶۵	۵۶	۲۱۰	۱۳۶	۴۸۰	۲۱۴	۱۷۰۰	۳۱۳	۱۵۰۰۰	۳۷۵
۷۰	۵۹	۲۲۰	۱۴۰	۵۰۰	۲۱۷	۱۸۰۰	۳۱۷	۲۰۰۰۰	۳۷۷
۷۵	۶۳	۲۳۰	۱۴۴	۵۵۰	۲۲۵	۱۹۰۰	۳۲۰	۳۰۰۰۰	۳۷۹
۸۰	۶۶	۲۴۰	۱۴۸	۶۰۰	۲۳۴	۲۰۰۰	۳۲۲	۴۰۰۰۰	۳۸۰
۸۵	۷۰	۲۵۰	۱۵۲	۶۵۰	۲۴۲	۲۲۰۰	۳۲۷	۵۰۰۰۰	۳۸۱
۹۰	۷۳	۲۶۰	۱۵۵	۷۰۰	۲۴۸	۲۴۰۰	۳۳۱	۷۵۰۰۰	۳۸۲
۹۵	۷۶	۲۷۰	۱۵۹	۷۵۰	۲۵۶	۲۶۰۰	۳۳۵	۱۰۰۰۰۰	۳۸۴

۱۰- جدول تعیین حجم نمونه از روی حجم جامعه با توجه به سطح اطمینان و خطای نمونه‌گیری

همانطور که در جدول زیر مشاهده می‌شود به منظور فزایش سطح اطمینان و کاهش خطای نمونه‌گیری، محقق به حجم نمونه بالاتری نیاز دارد تا نمونه انتخابی معرف جامعه باشد.

حجم جامعه N	حجم نمونهS (با سطح اطمینان ۹۵٪ و خطای نمونه‌گیری ۵٪)	حجم نمونهS (با سطح اطمینان ۹۹٪ و خطای نمونه‌گیری ۱٪)
۵۰	۴۴	۵۰
۱۰۰	۷۹	۹۹
۲۰۰	۱۳۲	۱۹۶
۵۰۰	۲۱۷	۴۷۶
۱۰۰۰	۲۷۸	۹۰۷
۲۰۰۰	۳۲۲	۱۶۶۱
۵۰۰۰	۳۵۷	۳۳۱۱
۱۰۰۰۰	۳۷۰	۴۹۵۰
۲۰۰۰۰	۳۷۷	۶۵۷۸
۵۰۰۰۰	۳۸۱	۸۱۹۵
۱۰۰۰۰۰	۳۸۳	۸۹۲۶
۱۰۰۰۰۰۰	۳۸۴	۹۷۰۶

۱۱- تعیین حجم نمونه برای رگرسیون چندگانه

از دیدگاه جیمز استیونس در تحلیل رگرسیون چندگانه با روش معمولی کمترین مجذورات استاندارد، باید به ازای هر متغیر پیش‌بین ۱۵ مورد در نظر گرفت (هومن، ۱۳۸۴).

قاعده سرانگشتی گرین (۱۹۹۱) برای تعیین حجم نمونه موردنیاز در در تحلیل رگرسیون به صورت زیر است:

حجم نمونه

با اینحال در صورتی که شرایط اجازه می‌دهد، درصورتی‌که به ازای هر متغیر پیش‌بین تقریباّ ۳۰ شرکت کننده وجود داشته باشد، محقق توان بهتری برای نمایان ساختن یک اندازه اثر کوچک خواهد داشت.

هنگامی‌که متغیر وابسته دارای کجی و اندازه اثر کوچک باشد، خطای اندازه‌گیری زیاد و یا از رگرسیون گام به گام استفاده شود، حجم نمونه باید بزرگتر انتخاب شود.

۱۲- تعیین حجم نمونه برای مدل‌یابی معادلات ساختاری

تعیین حداقل حجم نمونه لازم قبل از گردآوری داده‌های مربوط به مدل‌‌یابی معادلات ساختاری بسیار با اهمیت است. درحالی‌که پژوهشگران با یکدیگر توافق دارند که در SEM برای دستیابی به توان آماری کافی و برآوردهای دقیق حجم نمونه‌های بزرگ لازم است، اما یک توافق کلی درباره روش مناسب برای تعیین تعیین حجم نمونه وجود ندارد. البته حجم نمونه به عواملی مانند نرمالیتی داده‌ها و روش برآوردی که پژوهشگر استفاده می‌کند، دارد. در رابطه با تعیین حجم نمونه در مدل‌یابی معادلات ساختاری دیدگاه‌های متفاوتی وجود دارند:

حداقل حجم نمونه باید ۲۰۰ مورد باشد (بومسما)
به دلیل شباهت مدل‌یابی معادلات ساختاری با رگرسیون چندمتغیری می‌توان ۱۵ مورد برای هر متغیر پیش‌بین در نظر گرفت (استیونس).
۵ یا ۱۰ مورد به ازای هر پارامتر تخمینی (البته در صورت نرمال بودن داده‌ها و عدم وجود داده‌های گمشده و موارد پرت و ….) (بنتلر و چو).
عده‌ای نیز نشان داده‌اند که در برخی از موارد حتی ۵۰۰۰ نفر نیز ناکافی است.
قاعده سرانگشتی: ۱۰ تا ۲۰ واحد نمونه به ازای هر متغیر

البته این قواعد با مشکلاتی مواجه می‌باشند. با توجه اینکه در این قواعد مدل مورد آزمون در نظر گرفته نشده است، درنتیجه ممکن است حجم نمونه کمتر یا بیشتر از حد لازم برآورد شود. عواملی مانند تعداد متغیرهای پنهان در مدل، تعداد شاخصها، شدت بارهای عاملی و ضرایب رگرسیون، نوع مدل و داده‌های گمشده بر حجم نمونه تأثیر می‌گذارند. همچنین توان آماری نیز مهم است. معمولاً مدل‌هایی که در آن شاخص‌های بیشتری برای هر عامل وجود دارد و بارهای عاملی بزرگتری دارند، در نمونه‌های بزرگ از احتمال همگرایی بیشتری برخوردار می‌باشند.

۱۳- تعیین حجم نمونه برای تحلیل عاملی

تحلیل عاملی یکی از رویکردهای آماری با نمونه بزرگ است که باید تعداد آزمودنی‌ها بیشتر از متغیرها باشد. نسبتهای مختلفی برای این منظور بیان شده است. یکی از آن‌ها نسبت ۱۰ به ۱ است یعنی به ازای هر متغیر به ۱۰ نمونه نیاز داریم. نسبت قوی‌تر در مورد تعیین حجم نمونه در تحلیل عاملی نسبت ۲۰ به ۱ یعنی حداقل ۲۰ نمونه به ازای هر متغیر است.

اشکال عمده این دستورالعمل‌ها این است که در تحلیل عاملی اکتشافی (EFA)، درباره نسبت بهینه تعداد موارد به تعداد شاخص‌ها اتفاق نظر وجود ندارد. حجم نمونه به مدل عاملی جامعه (یا واقعی) بستگی دارد. بویژه اینکه هنگامی‌که هر عامل دارای حداقل ۳ تا ۴ شاخص و متوسط اشتراکات در بین شاخصها ۰٫۷ و بالاتر باشد، تعداد موارد کمتری لازم است. یعنی نسبت ۱۰ به ۱ کافی است.

البته به یاد داشته باشید که در تحلیل عاملی حجم نمونه کمتر از ۱۰۰ غیرقابل دفاع است. برخی معتقدند که حداقل حجم نمونه در تحلیل عاملی ۲۰۰ نفر است.

به عقیده کامری و لی (۱۹۹۲) کفایت اندازه‌های مختلف نمونه برای تحلیل عاملی به صورت زیر است:

۵۰ خیلی ناچیز (بسیار کم)

۱۰۰ ناچیز (کم)

۲۰۰ مناسب

۳۰۰ خوب

۵۰۰ خیلی خوب

۱۰۰۰ عالی

برای به دست آورن حجم نمونه در تحلیل عاملی تأییدی (CFA) از این نسبتها استفاده نمی‌شود. حجم نمونه در تحلیل عاملی تأییدی به تعداد پارامترها در کل مدل اندازه‌گیری بستگی دارد. این پارامترها عبارتند از: ضرایب الگو، واریانس‌های خطا، کوواریانس‌های خطا (برای خطاهای همبسته)، واریانس‌ها و کوواریانس‌های عامل‌ها. بنابراین تحلیل عاملی تأییدی مستم تعداد برآوردهای بیشتری است و در نتیجه به حجم نمونه بزرگتری نیاز داریم تا نتایج از دقت و معقولیت لازم برخوردار باشند.

حجم نمونه در تحلیل عاملی تأییدی به نوع روش برآورد و ویژگیهای توزیع نمونه نیز بستگی دارد. اگر روش برآورد حداکثر درستنمائی (Maximum Likelihood) و توزیع نرمال باشد، به حجم نمونه کمتری نیاز است که در این صورت نسبت ۲۰ به ۱ توصیه می‌شود. به عنوان مثال در یک مدل تحلیل عاملی تأییدی با ۱۰ پارامتر ممکن است حجم نمونه ۲۰۰ نفر کافی باشد. اما در صورتی‌که جهت برآورد مدل روشی به غیر از حداکثر درستنمائی به کار برده شود و توزیع متغیرها دارای انحراف جدی از توزیع نرمال باشند، باید حجم نمونه بسیار بزرگتر باشد.

فهرست منابع

۱- حسن زاده، رمضان. (۱۳۸۳). روشهای تحقیق در علوم رفتاری. تهران: نشر ساوالان. چاپ سوم.

۲- دلاور، علی. (۱۳۸۸). مبانی نظری و عملی پژوهش در علوم انسانی و اجتماعی. تهران: انتشارات رشد. چاپ هفتم.

۳- سعدی پور، اسماعیل. (۱۳۹۳). روشهای تحقیق در روانشناسی و علوم تربیتی. تهران: نشر دوران. جلد اول.

۴- شوماخر، راندال ای و لومکس، ریچارد جی (۱۳۸۸). مقدمه‌ای بر مدل‌سازی معادله ساختاری. مترجم: وحید قاسمی. تهران: انتشارات جامعه شناسان. چاپ اول. سال انتشار به زبان اصلی، ۲۰۰۴٫

۵- فراهانی، حجت الله و عریضی، حمیدرضا. (۱۳۸۸). روش‌های پیشرفته پژوهش در علوم انسانی. اصفهان: انتشارات جهاد دانشگاهی. چاپ دوم.

۶- گنجی، کامران و حجتی، فائزه. (۱۳۹۴). سئوالهای آمار و روش تحقیق آزمون دکتری تخصصی مدیریت آموزشی. تهران: انتشارات رشد. چاپ اول.

۷- میرز، لاورنس اس، گامست، گلن و گارینو، ا. جی. (۱۳۹۱). پژوهش چندمتغیری کاربردی. (مترجمان: حسن‌پاشا شریفی، سیمین دخت رضاخانی، حمیدرضا حسن‌آبادی، بلال ایزانلو و مجتبی حبیبی). تهران: انتشارات رشد. چاپ دوم.

۸- هومن، حیدرعلی. (۱۳۸۸). مدل‌یابی معادلات ساختاری با استفاده از نرم افزار لیزرل. تهران: انتشارات سمت. چاپ سوم.

۹- هومن، حیدرعلی. (۱۳۹۳). شناخت روش علمی در علوم رفتاری. تهران: انتشارات سمت. چاپ ششم.

۱۰- Wilson Van Voorhis, Carmen R. and Morgan, Betsy L. (2007). Power and Rules of Thumb for Determining Sample Sizes. Tutorials in Quantitative Methods for Psychology, 3 (2), 43‐۵۰٫

۱۱- Kline, Rex. (2013). Exploratory and Conrmatory Factor analysis. retrieved from psychology.concordia.ca/fac/kline/library/k13b.pdf

مشخصات

جهت مشاهده منبع اصلی و ادامه این مطلب این مطلب کلیک کنید

رگرسیون

رگرسیون به پیش بینی مقدار یک متغیر وابسته از روی مقادیر یک یا چند متغیر مستقل اشاره می‌کند. در رگرسیون به جای متغیر وابسته از اصطلاحاتی مانند متغیر ملاک، نتیجه، برونداد و … و به جای متغیر مستقل از اصطلاحاتی مانند متغیر پیش بین، اثر، درونداد و … استفاده می‌شود. به عنوان مثال، پیش بینی نشاط افراد براساس میزان امید به آینده، تحصیلات و درآمد. به طور کلی، اهداف تحلیل رگرسیون عبارتند از:

محاسبه رفتار متغیر Y براساس متغیر X : یعنی با تغییر نمرات X در آزمودنی‌ها، متغیر Y چه رفتاری را از خود نشان می‌دهد. که این رفتار ممکن است در نمونه‌ای خطی و یا اینکه شکل منحنی داشته باشد.
پیش بینی بر اساس داده‌ها برای نمونه‌های آینده، که هدف اصلی در داده کاوی از طریق متدهای آماری است. مثلا از روی اطلاعاتی مثل داشتن کارت اعتباری یک فرد جدید، نوع جنسیت او، سن فرد و میزان درآمد سالیانه او بتوان حدس زد که این فرد از بیمه عمر استفاده می‌کند یا خیر. و یا اینکه با داشتن اطلاعات در مورد داشتن یا نداشتن کارت اعتباری و بیمه عمر و سن فرد بتوان جنسیت فرد را تعیین کرد.
برآورد اهمیت نسبی هر یک از متغیرهای مستقل در پیش‌بینی متغیر وابسته
کنترل. با استفاده از رگرسیون چند متغیره می‌توان اثر منحصر به فرد یک یا چند متغیر پیش‌بین را پس از کنترل یک یا چند متغیر کمکی مورد بررسی قرار داد.

رگرسیون و همبستگی رابطه نزدیکی با یکدیگر دارند.

پدیده رگرسیون تحت عنوان بازگشت به سوی میانگین نیز مطرح می‌شود. میزان همبستگی بین دو متغیر، مقدار اتفاق رگرسیون را تعیین می‌کند. رگرسیون به طرف میانگین زمانی اتفاق می‌افتد که همبستگی بین دو متغیر کامل نباشد. دقت و صحت پیش بینی به قوت همبستگی بستگی دارد. هر چه همبستگی بین متغیرها بالاتر باشد، به همان اندازه پیش بینی دقیق تر است.

اگر همبستگی کامل باشد (۱± = r)، پدیده رگرسیون اتفاق نمی‌افتد یا وجود ندارد، ولی پیش بینی کامل و با دقت تمام انجام می‌شود.

اگر همبستگی بین متغیرها صفر باشد (۰ = r)، رگرسیون به طرف میانگین به طور کامل اتفاق می‌افتد. اما در این حالت قدرت پیش بینی وجود ندارد (بهترین پیش بینی میانگین است).

اگر همبستگی بین متغیرها بین ۱- و ۱+ و کامل نباشد، پیش بینی ما برآورد خوبی است ولی کامل نیست. هر چه همبستگی بین متغیرها بالاتر باشد، به همان اندازه پیش بینی دقیق تر است.

خط رگرسیون

اگر نمرات X و مقادیر پیش‌ بینی شده متناظر با آن ها (Ŷها) را در محور مختصات دو بعدی ترسیم کنیم. از میان این نقاط خطی می‌گذرد که به آن خط رگرسیون برای پیش بینی نمرات Y از روی X می‌گویند.

هر چه همبستگی ضعیف‌تر باشد، پراکندگی نقاط مختصات بیشتر می‌شود. هر چه همبستگی قوی‌تر باشد، نمرات به خط رگرسیون نزدیک‌تر می‌شوند (بازگشت به میانگین). بنابراین، مقدار خطا در پیش بینی کمتر و پیش بینی دقیق‌تر خواهد بود. اگر ۱=r باشد، همه نقاط روی خط رگرسیون می‌افتند.

برای پیش بینی Y از روی X لازم است از دو عامل اطلاع داشته باشیم: شیب خط (b) و عرض از مبدأ (a)

شیب خط (b)، میزان تغییر در Y به ازای هر واحد تغییر در X را نشان می‌دهد.

عرض از مبدأ (a) نقطه‌ای است که در آن خط رگرسیون محور Yها را قطع می‌کند. یا به عبارتی مقدار Ŷ را به ازای ۰=X نشان می‌دهد.

نمودار ۱: نمودار خط رگرسیون

معادله خط رگرسیون (رگرسیون خطی ساده) Y= a + bx

محاسبهی ضریب b:

(b_{yx =}r_xy(S_y/ S_x

r_xy : ضریب همبستگی بین X و Y ؛ b_yx : ضریب یا شیب خط رگرسیون

S_x : انحراف استاندارد متغیر X؛ S_y : انحراف استاندارد متغیر Y

محاسبه ی a:

پیش فرض‌های رگرسیون خطی

مقیاس متغیر ملاک فاصله‌ای یا نسبی باشد.
توزیع متغیر ملاک نرمال باشد.
بین متغیر‌های مستقل و متغیر وابسته رابطه خطی وجود داشته باشد. یکی از روش هایی که می‌توان به وسیله آن رابطه بین دو متغیر را نشان داد، رسم نمودار پراکنش است. اگر در نمودار پراکنش متغیرها نقاط در اطراف یک خط راست جمع شده باشند، رابطه خطی بین متغیرها پذیرفته می‌شود
بین خطاهای مدل همبستگی وجود نداشته باشد (خطاها استقلال داشته باشند). در صورتی‌که خطاها با یکدیگر همبستگی داشته باشند، امکان استفاده از رگرسیون وجود ندارد. زیرا این مسئله باعث می‌شود که مقدار Ŷ کمتر یا بیشتر از اندازه برآورد شود. ارزیابی استقلال خطاها بوسیله آزمونی به نام دوربین- واتسون (Durbin-Watson) درصورتی‌که آماره محاسبه شده در این آزمون در بازه ۵/۱ تا ۵/۲ قرار گیرد، عدم همبستگی بین خطاها (فرض استقلال) پذیرفته می‌شود.
توزیع خطاها باید نرمال باشد. برای آزمون نرمال بودن توزیع خطاها، نمودار توزیع مقادیر استاندارد خطاها با منحنی نرمال مقایسه می‌شود. اگر توزیع خطاها نرمال باشد، منحنی توزیع آن به شکل منحنی نرمال و متقارن است. روش دیگر رسم نمودار احتمال- احتمال (P-P) باقیمانده‌ های استاندارد است که اگر توزیع خطاها نرمال باشد، نقاط در اطراف یک خط مستقیم قرار می‌گیرند. هر قدر تجمع نقاط در اطراف این خط بیشتر باشد، پیش‌ بینی دقیق‌تر است.
بین متغیرهای پیش‌ بین هم‌خطی (collinearity) وجود نداشته باشد.

هم‌خطی

هم‌خطی یعنی بین دو متغیر پیش‌بین همبستگی قوی وجود داشته باشد. هم‌خطی چندگانه (multicollinearity) اصطلاحی برای توصیف وضعیتی در رگرسیون چندمتغیری است که در آن بین دو یا چند متغیر پیش‌بین همبستگی بالایی وجود داشته باشد. در این‌ صورت ممکن است با وجود بالا بودن مقدار ضریب تعیین، مدل رگرسیون از اعتبار بالایی برخوردار نباشد. به عبارت دیگر با وجود آن‌که مدل رگرسیون خوب بنظر می‌رسد، هیچ یک از متغیرهای مستقل اثر معنی‌داری در تبیین Y نداشته نباشند. علت آن این است که اگر همبستگی بین دو متغیر بالا باشد، احتمال دارد که این متغیرها دقیقاً واریانس مشابهی را در Y تبیین کنند.

فرض کنید X₁ و X₂متغیرهای پیش‌بین و Y متغیر ملاک باشد. شکل‌ ۱ انواع مختلف رابطه بین این سه متغیر و هم‌خطی بین متغیرهای پیش‌بین را نشان می دهد.

شکل ۱: انواع مختلف هم‌خطی در رگرسیون

شاخص‌های هم‌خطی

بررسی هم‌خطی در رگرسیون چند متغیری از طریق آماره‌هایی به نام تولرانس (tolerance) و عامل تورم واریانس (Variance Inflation Factor:VIF) اندازه‌گیری می‌شود. این شاخص‌ها برای هر یک از متغیرهای پیش‌بین به طور جداگانه محاسبه می‌شود.

مقدار ضریب تولرانس بین ۰ و ۱ تغییر می‌کند. هرچه مقدار آن بزرگتر باشد (نزدیک به ۱)، میزان همپوشی با متغیرهای دیگر و در نتیجه هم‌خطی کمتر است. مقادیر نزدیک به صفر یعنی آن متغیر تقریباً یک ترکیب خطی از سایر متغیرهای پیش‌بین است و در نتیجه هم‌خطی بالاست. اگر تولرانس در دامنه ۰٫۴ باشد، جای نگرانی دارد. همچنین اگر ۰٫۱ > Tolerance باشد، مشکل آفرین است.
هرچه مقدار VIF یک متغیر پیش‌بین بیشتر باشد، نقش ٱن متغیر در مدل رگرسیون نسبت به سایر متغیرهای پیش‌بین کمتر است. عامل تورم واریانس مع تولرانس می‌باشد. یعنی با افزایش مقدار تولرانس، عامل تورم واریانس کاهش می‌یابد. هرچه مقدار عامل تورم واریانس از ۲ بزرگتر باشد، میزان هم‌خطی بیشتر است. در صورتی که ۱۰ < VIF باشد، مشکل هم‌خطی جدی وجود دارد. اگر هیچ‌ یک از متغیرهای پیش‌بین همبستگی نداشته باشند، همه VIF ها برابر یک خواهد بود.

رگرسیون چندگانه (multiple regression) و رگرسیون چندمتغیره (multivariate regression)

گرچه اصطلاحات رگرسیون چندگانه و رگرسیون چندمتغیره گاهی در ادبیات به جای یکدیگر به کار برده شده‌اند، اما به دو نوع تحلیل متفاوت اشاره می‌کنند:

الف) رگرسیون چندگانه:برای پیش بینی یک متغیر ملاک از روی چند متغیر پیش بین از مدل رگرسیون چندگانه استفاده می شود. برای مثال پیش بینی عزت نفس دانش آموزان توسط پیشرفت تحصیلی و درجه محبوبیت آنان در میان همکلاسان.

ب) رگرسیون چندمتغیره: از این روش زمانی استفاده می شود که هدف، پیش بینی همزمان چند متغیر ملاک توسط چند متغیر پیش‌ بین باشد. از رگرسیون چندمتغیره معمولاً تحت عنوان رگرسیون کانونی نیز نام برده می‌شود. به عنوان مثال، محققی علاقمند به تعیین عواملی است که بر سلامت گیاهان بنفشه آفریقایی تاثیر می‌گذارند. او داده‌هایی را در رابطه با متوسط ضخامت برگ، جرم گره ریشه و متوسط قطر شکوفه و همچنین مدت زمانی که در محفظه فعلی بوده است، جمع‌ آوری می‌کند. سپس برای متغیرهای پیش‌ بین عناصر متعددی در خاک، مقدار نور و آبی که بته دریافت می‌کند را نیز اندازه‌ گیری می‌کند.

در رگرسیون چندمتغیره باید همبستگی بین متغیرهای ملاک حداقل در حد متوسط باشد و باقیمانده مدل باید از نرمالیتی چندمتغیره برخوردار باشند. اجرای این روش در نمونه‌های کوچک توصیه نمی‌شود.

روشهای رگرسیون خطی

برای ورود متغیرها در مدل رگرسیون، ۵ روش در دسترس پژوهشگران قرار دارد که بسته به هدف خود می‌توانند یکی از آن‌ها را استفاده نمایند. این روش‌ها از قبل در داخل برنامه‌های کامپیوتری طرح ریزی شده‌اند و پژوهشگران هنگام استفاده از این روش ها به برنامه کامپیوتری اجازه می دهند که به طور خودکار تحلیل را اجرا کند. این روش ها عبارتند از:

۱) روش همزمان (Enter Method): در این روش، تمام متغیرهای مستقل با هم وارد تحلیل می‌شوند.

۲) روش گام به گام (Method Stepwise): در روش گام به گام، متغیرها را یک به یک وارد مدل می‌کند. یعنی ابتدا متغیری که بالاترین ضریب همبستگی را با متغیر وابسته دارد، وارد تحلیل میشود. در این روش ترتیب ورود متغیرها در دست محقق نیست.

۳) روش حذف (Remove Method): با این روش می‌توان متغیرهای بلوک را از مدل رگرسیونی حذف کرد. روش حذف مانند روش همزمان است؛ اما کاربرد چندانی در رگرسیون چند متغیره ندارد، چون تحلیل واریانس را انجام نمی‌دهد.

۴) روش پس رونده (Method Backward): ابتدا مانند روش همزمان، کلیه متغیرهای مستقل وارد مدل می‌شود، اما برخلاف روش همزمان به مرور متغیرهای کم اثرتر یکی پس از دیگری از معادله خارج می‌شوند تا مقدار به حداکثر برسد.

۵) روش پیش رونده (Method Forward): ابتدا همبستگی ساده بین هریک از متغیرهای مستقل را با متغیر وابسته محاسبه و سپس متغیر مستقلی که بیشترین همبستگی را با متغیر وابسته دارد، وارد تحلیل می‌کند.

رگرسیون انحنایی (Curve Regression)

در رگرسیون خطی به عنوان مثال می‌توان گفت هر چه اضطراب امتحان کمتر باشد، پیشرفت تحصیلی دانش‌ آموزان بیشتر است، یعنی با کاهش اضطراب امتحان، پیشرفت تحصیلی افزایش می‌یابد. اما در صورتی که نتوانیم رابطه‌ی میان متغیرها را به شکل خطی تبیین کنیم، از رگرسیون انحنایی استفاده می‌شود. برای مثال، بین اضطراب و عملکرد تحصیلی رابطه‌ای غیرخطی وجود دارد. کمی اضطراب هنگام امتحان به عنوان مثال ریاضی می‌تواند مفید باشد. اما اگر این اضطراب بیش از اندازه افزایش یابد، بر عملکرد دانشجو تأثیر منفی خواهد داشت. یعنی رابطه مثبت بین اضطراب کم و عملکرد تحصیلی، با افزایش میزان اضطراب به رابطه‌ای منفی گرایش پیدا می‌کند. مثالی دیگر از این نوع رابطه، همبستگی بین سن و توانایی جسمی می‌باشد. تا سن معینی با افزایش سن، توانایی جسمی افراد افرایش می‌یابد ولی از آن پس با کاهش قدرت بدنی همراه است.

رگرسیون انحنایی شامل ۱۱ نوع رگرسیون غیرخطی است که در جدول زیر ارائه شده‌اند و باید بهترین مدل رگرسیونی را که با داده‌ها برازش دارد، انتخاب کنیم.

جدول ۱: انواع مدل‌های رگرسیون


مدل رگرسیون	معادله رگرسیون
رگرسیون خطی (Linear)	Y = a + bX
رگرسیون لگاریتمی (Logarithmic)	(Y = a + (b lnX
رگرسیون مع (Inverse)	(Y = a + (b / X
رگرسیون سهمی (Quadratic)	(Y = a + (b₁X) + (b₂X²
رگرسیون درجه ۳ (Cubic)	(Y = a + (b₁X) + (b₂X²) + (b₃ X³
رگرسیون توانی (Power)	Y =aX^b1 یا (lnY = lna + (b₁ * lnX
رگرسیون مرکب (Compound)	(Y =a(b1^X
رگرسیون منحنی (s (S-curve	Y=e^a+^b₁/x
رگرسیون لجستیک (Logistic)	( Y=1/(1/u+ab₁^X , مقدار حد بالا: u
رگرسیون رشد (Growth)	Y=e^a+^b₁x
رگرسیون نمایی (Exponential)	Y=ae^b₁x

رگرسیون خطی	رگرسیون سهمی	رگرسیون درجه ۳

منابع:

حبیب پور، کرم و صفری شالی، رضا. (۱۳۹۰). راهنمای جامع کاربرد SPSS در تحقیقات پیمایشی. تهران: انتشارات متفکران. چاپ سوم.
دلاور، علی. (۱۳۹۰). احتمالات و آمار کاربردی در روانشناسی و علوم تربیتی. تهران: انتشارات رشد. چاپ هفتم.
فراهانی، حجت الله و عریضی، حمیدرضا. (۱۳۸۸). روش‌های پیشرفته پژوهش در علوم انسانی. اصفهان: انتشارات جهاد دانشگاهی. چاپ دوم.
فرگوسن، جرج اندرو و تاکانه، یوشیو. (۱۳۸۰). تحلیل آماری در روانشناسی و علوم تربیتی. مترجمان: علی دلاور و سیامک نقشبندی. تهران: نشر ارسباران. چاپ دوم.
کرلینجر، فردریک نیک. (۱۳۸۶). رگرسیون چندمتغیری در پژوهش رفتاری. ترجمه حسن سرایی. تهران: انتشارات سمت. چاپ دوم.
گنجی، کامران و حجتی، فائزه. (۱۳۹۴). سئوالهای آمار و روش تحقیق آزمون دکتری تخصصی مدیریت آموزشی. تهران: انتشارات رشد. چاپ اول.
محمدداودی، امیرحسین و حجتی، فائزه. (۱۳۹۳). کاربرد آمار استنباطی پیشرفته در علوم رفتاری (همراه با CD آموزش نرم افزار SPSS). تهران : آوای نور. چاپ اول.
میرز، لاورنس اس، گامست، گلن و گارینو، ا. جی. (۱۳۹۱). پژوهش چندمتغیری کاربردی. (مترجمان: حسن‌پاشا شریفی، سیمین دخت رضاخانی، حمیدرضا حسن‌آبادی، بلال ایزانلو و مجتبی حبیبی). تهران: انتشارات رشد. چاپ دوم.

مشخصات

جهت مشاهده منبع اصلی و ادامه این مطلب این مطلب کلیک کنید

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:

هم خطی چندگانه کامل وجود نداشته باشد.
خطاهای خاص نباید وجود داشته باشد (یعنی، همه متغیرهای پیش بین مرتبط وارد شوند و پیش بین های نامربوط کنار گذاشته شوند).
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

جهت مشاهده منبع اصلی و ادامه این مطلب این مطلب کلیک کنید

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

جهت مشاهده منبع اصلی و ادامه این مطلب این مطلب کلیک کنید

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

جهت مشاهده منبع اصلی و ادامه این مطلب این مطلب کلیک کنید

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

جهت مشاهده منبع اصلی و ادامه این مطلب این مطلب کلیک کنید

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

جهت مشاهده منبع اصلی و ادامه این مطلب این مطلب کلیک کنید

آزمون فریدمن (Friedman Test)

آزمون فریدمن برای مقایسه میانگین رتبه‌بندی گروه‌های مختلف (بیش از دو گروه وابسته) یا اولویت بندی متغیرها براساس بیشترین تأثیر بر متغیر وابسته به کار می‌رود. بنابراین گروه‌ها باید از قبل جور شده باشند. یعنی آزمودنی‌های یکسان (همتا شده) در سه موقعیت یا بیشتر شرکت می‌کنند. همچنین تعداد آزمودنی‌ها در هر یک از گروه‌ها برابر است که البته از معایب این آزمون به حساب می‌آید. آزمون فریدمن مشخص می‏کند که آیا میانگین‌ها یا حاصل جمع‏های رتبه‏ ها به طور معنی‏ داری با یکدیگر تفاوت دارند یا خیر.

در صورتی که پیش فرض‌های لازم برای انجام آزمون‌های پارامتریک تحلیل واریانس دوطرفه یا تحلیل واریانس با اندازه‌گیری‌های مکرر وجود نداشته باشد، از معادل ناپارامتریک آن‌ها یعنی آزمون فریدمن استفاده می‌شود. این روش، مفروضه‌ای درباره شباهت توزیع متغیر در ردیف‌های مختلف ندارد. بهعلاوه، تعامل را مورد بررسی قرار نمی‌دهد، زیرا بدون اندازه‌های کمی، تعامل بی‌معنی است.

برای مثال فرض کنید یک تحلیلگر بازاریابی معتقد است که اثربخشی نسبی سه نوع تبلیغ شامل ارسال پست الکترونیک، درج در رومه و مجله را مقایسه کند. این تحلیلگر یک آزمایش بلوکی تصادفی انجام می‌دهد و شرکت بازاریابی برای ۱۲ مشتری از همه انواع تبلیغات در طول یک دوره یک ساله استفاده و درصد پاسخ آن‌ها را به هر یک از انواع تبلیغات در آن سال ثبت می‌کند. او برای تعیین این‌که آیا میانه اثر آزمایش برای هر یک از انواع تبلیغات متفاوت است یا نه از آزمون فریدمن استفاده می‌کند.

پیش فرض‌های آزمون فریدمن

۱- مفروضه‌های یکسانی واریانس‌ها یا نرمال نبودن توزیع داده‌ها رعایت نشده باشد.
۲- مقیاس متغیر وابسته حداقل رتبه‌ای باشد.
۳- حداقل سه گروه وابسته وجود داشته باشد.

در آزمون فریدمن، فرضیه‌های صفر و خلاف غالباً به صورت‌های زیر تنظیم می‌شوند.

آزمونهای ناپارامتریک برای فرضیه های تفاوتی، فرمول محاسبه آزمون فریدمن

تصمیم‌گیری: برای تفسیر نتایج آزمون فریدمن دو حالت وجود دارد:

در نمونه‌های کوچک یعنی برای ۳=k و ۹ تا ۲=N و نیز ۴=k و ۴ تا ۲=N از جدول فریدمن استفاده می‌شود.
وقتی k و N بزرگتر از مقادیر فوق باشد، آزمون فریدمن تقریباً دارای توزیعی برابر با خی‌دو با درجه آزادی ۱-df= k است. از این‌رو برای آزمون H0 می‌توان از جدول توزیع خی‌دو استفاده کرد.

در صورتی که مقدار ^۲ χ محاسبه شده از مقدار ^۲ χ بحرانی جدول بزرگتر یا مساوی باشد (یا ۰٫۰۵ > p-value)، فرض صفر رد و فرض خلاف تأیید می‌شود. بنابراین در فرضیه بدون جهت با اطمینان ۹۵ درصد می‌توان نتیجه گرفت بین گروه‌های همتا در زمینه متغیر وابسته تفاوت وجود دارد یا حاصل جمع‏ های رتبه‏ ها به طور معنی‏ داری با یکدیگر تفاوت دارند.

مشخصات

جهت مشاهده منبع اصلی و ادامه این مطلب این مطلب کلیک کنید

آزمون کروسکال والیس (Kruskal-Wallis H test)

آزمون کروسکال والیس یا آزمون H معادل ناپارامتریک تحلیل واریانس یکطرفه است که تفاوت رتبه‌ای سه یا بیش از سه گروه مستقل را نشان می‌دهد. در واقع از این آزمون زمانی استفاده می‌شود که مفروضه‌های آزمون تحلیل واریانس یکطرفه مانند یکسانی واریانس‌ها یا نرمال نبودن توزیع داده‌ها رعایت نشده باشد. مقیاس متغیر وابسته حداقل رتبه‌ای و حداقل سه گروه مستقل با اندازه نمونه حداقل ۵ وجود داشته باشد.

برای مثال، شما می‌خواهید بررسی کنید که آیا وضعیت اجتماعی – اقتصادی افراد بر نگرش آن‌ها نسبت به افزایش مالیات فروش تاثیر می‌گذارد. نگرش نسبت به افزایش مالیات فروش متغیر وابسته است که در مقیاس رتبه‌ای اندازه گیری شده و وضعیت اجتماعی – اقتصادی متغیر مستقل می‌باشد که دارای سه سطح است: طبقه کارگر، طبقه متوسط و طبقه ثروتمند.

فرضیه‌های H0 و H1 به صورت زیر نوشته می‌شوند:

آزمونهای ناپارامتریک برای فرضیه های تفاوتی، فرمول محاسبه آزمون کروسکال والیس

تصمیم‌گیری: برای تفسیر نتایج آزمون کروسکال والیس دو حالت وجود دارد:

برای بیش از ۳ گروه و در هر گروه بیش از ۵ آزمودنی با استفاده از جدول خی‌دو
برای ۳ گروه و در هر گروه ۵ یا کمتر از ۵ آزمودنی با استفاده از جدول مقادیر بحرانی H
در صورتی که مقدار H محاسبه شده از مقدار مقدار بحرانی جدول بزرگتر یا مساوی باشد (یا ۰٫۰۵ > p-value)، فرض صفر رد و فرض خلاف تأیید می‌شود. بنابراین در فرضیه بدون جهت با اطمینان ۹۵ درصد می‌توان گفت رتبه‌بندی متغیر مورد مطالعه در گروه‌ها متفاوت است.

مشخصات

جهت مشاهده منبع اصلی و ادامه این مطلب این مطلب کلیک کنید

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

جهت مشاهده منبع اصلی و ادامه این مطلب این مطلب کلیک کنید

آزمون u مان- ویتنی (Mann-Whitne U test)

آزمون u مان- ویتنی یک آزمون ناپارامتریک برای مقایسه رتبه‌های دو گروه مستقل است. در واقع از این آزمون زمانی استفاده می‌شود که مفروضه‌های آزمون t مستقل مانند یکسانی واریانس‌ها یا نرمال نبودن توزیع داده‌ها رعایت نشده و مقیاس متغیر وابسته رتبه‌ای باشد. برای مثال، با استفاده از آزمون u مان- ویتنی می‌توانید بررسی کنید که آیا بین نگرش ن و مردان نسبت به تبعیض در پرداخت دستمزد تفاوت وجود دارد؟ در اینجا نگرش نسبت به تبعیض در پرداخت دستمزد متغیر وابسته می‌باشد که در مقیاس رتبه‌ای اندازه‌گیری شده است. جنسیت نیز متغیر مستقل است که دارای دو گروه ن و مردان می‌باشد. در صورتی که متغیر وابسته یعنی نگرش در مقیاس فاصله‌ای و توزیع آن نرمال نباشد، نیز می‌توانیم از این آزمون استفاده می‌کنیم.

فرضیه‌های صفر و خلاف به صورت زیر نوشته می‌شوند:

آزمونهای ناپارامتریک برای فرضیه های تفاوتی، فرمول محاسبه آزمون من ویتنی

توجه:‌ در بعضی منابع مقدار حجم نمونه n2 وn1 را ۲۰ معرفی و در نظر گرفته اند.

تصمیم‌گیری:

اگر حجم نمونه در دو گروه کوچکتر یا مساوی ۸ باشد (۸ ≥ n2 وn1)، به جدول توزیع مراجعه می‌کنیم. در صورتی که مقدار محاسبه شده از مقدار بحرانی جدول کوچکتر باشد، (یا ۰٫۰۵ > p-value) فرض صفر رد و فرض خلاف تأیید می‌شود. بنابراین با اطمینان ۹۵ درصد می‌توان نتیجه گرفت بین میزان متغیر مورد مطالعه در دو گروه تفاوت معنی‌داری وجود دارد.
اگر حجم نمونه در دو گروه بزرگتر از ۸ باشد (۸ < n2وn1)، توزیع تقریباً نرمال خواهد بود و برای تفسیر آن از جدول توزیع Z استفاده می‌شود. درصورتی که مقدار Z محاسبه شده بزرگتر یا مساوی Z جدول باشد (یا ۰٫۰۵ > p-value)، فرض صفر رد و فرض خلاف پذیرفته می‌شود. بنابراین با اطمینان ۹۵ درصد می‌توان نتیجه گرفت بین میزان متغیر مورد مطالعه در دو گروه تفاوت معنی‌داری وجود دارد.

مشخصات

جهت مشاهده منبع اصلی و ادامه این مطلب این مطلب کلیک کنید

آزمون ویلکاکسون (Wilcoxon Test)

آزمون ویلکاکسون به بررسی تفاوت بین دو گروه جور شده یا یک گروه که دو بار مورد آزمون قرار گرفته است، می‌پردازد. از این آزمون زمانی استفاده می‌شودکه مفروضه‌های آزمون t وابسته مانند یکسانی واریانس‌ها یا نرمال نبودن توزیع داده‌ها رعایت نشده باشد و متغیر وابسته پیوسته و حداقل در مقیاس رتبه‌ای باشد. برای مثال، آیا میزان مصرف روزانه سیگار قبل و بعد از یک برنامه ۶ هفته‌ای هیپنوتیسم درمانی تفاوت دارد؟ در اینجا میزان مصرف روزانه سیگار متغیر وابسته است که در مقیاس رتبه‌ای اندازه گیری شده و گروه‌های وابسته قبل” و بعد” از هیپنوتیسم درمانی می‌باشند.

فرضیه‌های بدون جهت H0 و H1 به صورت زیر نوشته می‌شوند:

آزمونهای ناپارامتریک برای فرضیه های تفاوتی، فرمول محاسبه آزمون ویلکاکسون

تصمیم‌گیری:
در صورتی که ۲۵≥N : اگر مقدار T محاسبه شده کوچکتر یا مساوی مقدار T بحرانی جدول مربوط به توزیع ویلکاکسون باشد (یا ۰۵/۰ > p-value)، فرض صفر رد و فرض خلاف پذیرفته می‌شود. بنابراین با اطمینان ۹۵ درصد می‌توان نتیجه گرفت بین میزان متغیر مورد مطالعه در دو گروه تفاوت معنی‌داری وجود دارد.
در صورتی که ۲۵<N : مقدار T به Z تبدیل می‌شود. سپس با مقدار بحرانی جدول توزیع Z مقایسه و تفسیر می‌شود. یعنی درصورتی که مقدار Z محاسبه شده بزرگتر یا مساوی Z جدول باشد (یا ۰٫۰۵ > p-value)، فرض صفر رد و فرض خلاف پذیرفته می‌شود. بنابراین با اطمینان ۹۵ درصد می‌توان نتیجه گرفت بین میزان متغیر مورد مطالعه در دو گروه تفاوت معنی‌داری وجود دارد.

مشخصات

جهت مشاهده منبع اصلی و ادامه این مطلب این مطلب کلیک کنید

تحلیل کوواریانس

تحلیل کواریانس حالت جامعی از انواع تحلیل واریانس است که در آن ضمن مقایسه میانگین‌های یک یا چند گروه و برآورد تأثیر یک یا چند متغیر مستقل، اثر یک یا چند متغیر کنترل ، مداخله گر ، همپراش و یا Covariate از معادله خارج می شود.

تحلیل کواریانس (ANCOVA) روشی آماری است که اجازه میدهد اثر یک متغیر مستقل بر متغیر وابسته مورد بررسی قرار گیرد در حالی که اثر متغیر دیگری را حذف کرده و یا از بین میبرد. تحلیل کواریانس به ما کمک می کند تا از شر اثرات مربوط به متغیر مداخله گر خلاص شویم، اثر این کار کم کردن میزان خطای واریانس است.

بهترین حالت استفاده از تحلیل کواریانس وقتی است که آزمودنیها به طور تصادفی در یکی از سطوح متغیر مستقل قرار داده شوند و متغیر تصادفی کمکی یا همان Covariate پیش از استفاده از تحلیل اندازه‌گیری شود، نه پس از آن؛ زیرا اگر پس از تحلیل اندازه‌گیری شود ممکن است با در معرض قرار گرفتن متغیر مستقل دچار تغییر گردد.

نکته : مقیاس متغیر همپراش یا کنترل یا Covariate، باید فاصله‌ای یا نسبی باشد.

از تحلیل کواریانس معمولاً در طرحهای پیش آزمون – پس آزمون استفاده میشود. در این طرحها قبل از اینکه آزمودنیها در شرایط آزمایشی قرار گیرند، یک آزمون بر روی آنها انجام میشود و سپس بعد از قرار گرفتن در شرایط آزمایشی همان آزمون بر روی آنها انجام می شود، در اینجا نمرات پیش آزمون به عنوان متغیر تصادفی کمکی یا Covariate به کار میروند. مثال: محققی را در نظر بگیرید که دو گروه گواه و تجربی را انتخاب کرده و آزمونی شبیه آزمون سنجش و اندازه‌گیری کنکور سراسری ارشد را اجرا میکند تا دانش افراد را قبل از ورود به دوره آموزش کاهش اضطراب امتحان بسنجد. در گروه تجربی علاوه بر آموزش سنجش و اندازه‌گیری، مهارت‌های کاهش اضطراب امتحان نیز به افراد آموزش داده میشود؛ در گروه گواه یا کنترل فقط درس سنجش و اندازه‌گیری آموزش داده میشود. در پایان دوره آموزشی، آزمون دیگری شبیه به آزمون اول (پیش آزمون) برگزار میکند که هدف ان بررسی اثر آموزش مهارت‌های غلبه بر اضطراب امتحان بر پیشرفت دانشجویان در درس سنجش و اندازه‌گیری است. مقایسه نمره دو گروه در آزمون دوم (تحلیل واریانس)، همراه با حذف اثر احتمالی دانش قبلی افراد که با پیش آزمون اندازه‌گیری شده ، بهترین تحلیل آماری برای این نوع طرح تحقیقاتی است.

در این مثال سه نوع متغیر وجود دارد:

۱- متغیر مستقل (گروه اسمی)، (آموزش مهارت کنترل اضطراب).

۲- متغیر وابسته (پس آزمون)، (پیشرفت در درس سنجش و اندازه‌گیری).

۳- متغیر کنترل یا همپراش (پیش آزمون)، (دانش اولیه آزمودنیها).

انواع متغیر در تحلیل کواریانس :

گروه اول : یک یا چند متغیر مستقل که گروه بندی افراد را نشان میدهند؛ مثلاً جنسیت، رشته تحصیلی، معلومات، آزمونهای گوناگون ورزشی، گروه سنی و بهره هوشی که هدف محقق بررسی اثر آنها بر متغیر وابسته است.

گروه دوم : یک یا چند متغیر وابسته که با مقیاس فاصله‌ای یا نسبی اندازه‌گیری شدهاند و هدف محقق بررسی میزان اثر متغیرهای مستقل (گروه اول) بر آنها است.

گروه سوم : یک یا چند متغیر کنترل، همپراش و یا Covariate که با مقیاس فاصله‌ای یا نسبی اندازه‌گیری شدهاند و هدف محقق حذف اثر احتمالی آنها بر متغیر یا متغیرهای وابسته (گروه دوم) است.

نکته : از تحلیل کواریانس میتوان برای همه نوع مقایسه میانگین‌ها استفاده کرد، به طور مثال آزمون Tوابسته و مستقل، تحلیل واریانس یک و چند راه‌ه (عاملی)، تحلیل واریانس از راه تکرار آزمونها و تحلیل واریانس چند متغیره. در همه این مدلهای آماری علاوه بر متغیرهای معمول، میتوان یک یا چند متغیر همپراش یا کنترل را دخالت داد که میخواهیم اثر آنها را حذف کنیم.

پیش فرضهای تحلیل کواریانس :

۱- طبیعی بودن توزیع نمرات (Normality)، با محاسبه کجی (Skewness)، و بلندی (Kurtosis)، میتوان طبیعی بودن توزیع داده‌ها را آزمایش کرد.

۲- همگونی واریانس (Homogeneity of Variance)، گروه‌های آزمودنی باید از لحاظ واریانس همگون باشند. آزمون لوین (Levene) و باکس (Box) این پیش فرض را آزمایش میکنند.

۳- پایا بودن (Reliability)، متغیر کنترل (همپراش)، آزمونی که به عنوان همپراش (پیش آزمون) انجام میشود، باید پایا باشد و متناسب با موضوع پژوهش و طرح باشد.

۴- اجرای همپراش (پیش آزمون) قبل از شروع تحقیق ؛ متغیر همپراش یا کنترل باید قبل از ارائه هر نوعی آموزش و یا اعمال متغیرهای مستقل اجرا شود تا هرگونه اثر احتمالی ناخواسته بر متغیر وابسته حذف شود.

۵- همبستگی متعارف هم‌پراشها با یکدیگر؛ اگر تحقیق شامل دو یا چند همپراش باشد، همبستگی همه هم‌پراشها با یکدیگر نباید بزرگ باشد (ضریب همبستگی آنها نباید بزرگ تر از ۸۰% باشد).

۶ – همگونی شیب رگرسیون؛ برای اثبات همگونی شیب رگرسیون باید مقدار F تعامل بین متغیر همپراش و مستقل را محاسبه کنیم، اگر این شاخص معنادار نباشد (P> 0/05)، پیش فرض ششم رعایت شده است.

۷ خطی بودن همبستگی متغیر همپراش (کنترل) و متغیر مستقل؛ برای اثبات خطی بودن همبستگی متغیر همپراش و مستقل، باید مقدار F متغیر همپراش (کنترل) را حساب کنیم، اگر این شاخص معنادار باشد (P<=.05) ، پیش فرض هفتم رعایت شده است، اگر شاخص F معنادار نباشد ، متغیر همپراش نامناسبی را برگزیده ایم.

مشخصات

جهت مشاهده منبع اصلی و ادامه این مطلب این مطلب کلیک کنید

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

جهت مشاهده منبع اصلی و ادامه این مطلب این مطلب کلیک کنید

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

جهت مشاهده منبع اصلی و ادامه این مطلب این مطلب کلیک کنید

اصول فرضیه نویسی و نوشتن صحیح فرضیه های آماری

فرضیه عبارت است از چیزی که پژوهشگر به دنبال آن می گردد. به عبارت دیگر فرضیه بیان حدسی و فرضی در بیان روابط بین دو متغیر است. در ضمن معمولا فرضیه به صورت جمله خبری آورده می شود. مثلا می گوییم عدم تفاهم در بین والدین منجر به افت تحصیلی فرزندان می شود» به عبارت دیگر فرضیه باید به صورت ادعا بیان شود به همین ترتیب قابل بررسی و تایید کردن است، در ضمن فرضیه باید دقیق، روشن و آزمون پذیر باشد.

منابع تهیه فرضیه کدامند؟

1-    از طریق مطالعه در فرهنگ و آداب و رسوم جامعه مورد تحقیق.
2-    فرضیه ممکن است از علم سرچشمه بگیرد.
3-    از طریق تجربه شخصی ناشی شود (مثل افتادن سیب از درخت و کشف جاذبه زمین توسط نیوتن).
4-    فرضیه ممکن است بر اساس حدس و گمان باشد.

بدین ترتیب باید خاطرنشان ساخت که در تحقیقات حاضر، معمولا بهترین منبع فرضیه، همان چارچوب نظری است.

فرضیه راهنمای پژوهش است چرا که وظیفه پژوهشگر را مشخص می کند که چه کاری را انجام دهد و دنبال چه چیزی بگردد. اگر مساله پژوهش وظیفه پژوهشگر را بیان می کند، فرضیه چگونگی آن را روشن می سازد، مساله مشخص می کند که پژوهشگر چه کار باید انجام دهد اما فرضیه مشخص می کند که این کار چگونه انجام گیرد. به عبارتی مساله جا را نشان می دهد و فرضیه راه را نشان می دهد. فرضیه ها قوی ترین ابزار پژوهش هستند.

اصول بیان فرضیه

فرضیه ها باید دقیقا پاسخ برای پرسشی (یا پرسش هایی) باشد که در بیان مساله طرح شده است.
فرضیه ها باید پژوهشگر را به سمت هدف پژوهش برسانند.
در هر فرضیه باید فقط پاسخ یک سوال داده شود، به عبارت دیگر در هر فرضیه باید رابطه یک متغیر مستقل و یک متغیر وابسته (و احتمالا یک متغیر تعدیل کننده یا میانجی) پیش بینی شود.
در ساخت فرضیه، پژوهشگر با متغیرها سروکار دارد. پژوهشگر قبل از تدوین فرضیه باید به این مساله بیندیشد که این متغیرها را چگونه می تواند در فرآیند آزمایش یا گردآوری اطلاعات مورد مشاهده قرار داده و تغییرات آن را اندازه گیری کند.
در پژوهش های دو متغیری، فرضیه ارتباط دو متغیر را پیش بینی می کند، گاهی هم فرضیه طوری تدوین می شود که تفاوت یک صفت را در دو گروه پیش بینی می کند.
در تدوین فرضیه باید دقت کرد که برای آزمون فرضیه روش های آماری مناسبی وجود داشته باشد. به عبارت دیگر پژوهشگر باید از ابتدا در تنظیم فرضیه، به نحوه سنجش و آزمون آن ها نیز توجه کند.

پس می توان گفت که فرضیه به روابط بین دو یا چند متغیر می پردازد. بدین ترتیب در تهیه باید موارد زیر را مدنظر قرار داد:

1- اصل صراحت،

2- اصل دقت،

3- اصل فراغت از ارزش(فرضیه نباید جانب دار باشد) و

4- اصل پژوهش پذیری فرضیه.

در ادامه تعدادی فرضیه به عنوان نمونه آورده ایم:

- بین میزان درآمد افراد و رضایت از زندگی رابطه وجود دارد.
- بین سازگاری شغلی و کیفیت زندگی کاری درکارکنان بیمه ایران رابطه وجود دارد.
- بین سبک فرزندپروری مادران شاغل و مادران خانه دار تفاوت وجود دارد(فرضیه تفاوتی یا مقایسه ای).
- سرمایه اجتماعی بر قصد کارآفرینانه تاثیر مثبت و معنادار دارد(فرضیه جهت دارد).
- رضایت مشتری از وب سایت بر اعتماد مشتری به وب سایت اثر مثبت دارد (فرضیه جهت دار).
- اعتماد برند نقش میانجی گری معناداری در رابطه رضایت برند و وفاداری برند دارد.
- متغیر سبک شناختی در تاثیر سرمایه روانشناختی بر قصد کارآفرینانه نقش تعدیل گری معناداری دارد.

منابع:
صفری شالی، رضا (1386) راهنمای تدوین طرح تحقیق (پروپوزال نویسی). تهران: انتشارات جامعه و فرهنگ

مشخصات

جهت مشاهده منبع اصلی و ادامه این مطلب این مطلب کلیک کنید

مشاوره آزمون های آماری در نرم افزارهای SPSS و LISREL و AMOS و Smart PLS

آزمون ها و روش های آماری متعدد و متنوع هستند و متناسب با نوع پژوهش، فرضیه ها و ابزار اندازه گیری و . باید اقدام به انتخاب روش آماری مناسب نمود. در کنار این امر، آشنایی با چگونگی کار با نرم افزارهای آماری (SPSS-LISREL-AMOS-Smart PLS) به خصوص در آزمون های پیشرفته نیز حائز اهمیت است. همچنین یکی از مواردی که شاید در ابتدای امر چندان مهم به نظر نرسد (اما در واقع مهم ترین بخش یک کار آماری است)، توانایی تفسیر و تحلیل نتایج آماری و ارائه یک گزارش آماری مناسب و قابل قبول اساتید است.

قطعا همه پژوهشگران با همه نرم افزارهای آماری یا روش های آماری آشنا نیستند و در پژوهش های متنوع خود در پی کسب مهارت های لازم در زمینه نرم افزارها و روش های آماری هستند. مراجعه به کتب و مقالات آموزشی یک از راه های آشنایی است اما معمولا حل مسائل خاص آماری، با استفاده از کتاب و مقالات زمان بر بوده و وقت زیادی را می گیردو مهم تر از آن معمولا مسائل خاص آماری به دلیل پیچیدگی و یا کاربردهای خاصی که دارند عموما به شیوه روان و قابل فهمی در کتب آماری ارائه نمی شود و در این زمان یا پژوهشگران باید با آزمون و خطا و صرف زمان زیاد مشکل آماری خویش را حل کنند یا به کلاس های آموزشی بروند و یا با افراد مطلع و مسلط به آزمون ها و روش های آماری م کنند.

مشخصات

جهت مشاهده منبع اصلی و ادامه این مطلب این مطلب کلیک کنید

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

جهت مشاهده منبع اصلی و ادامه این مطلب این مطلب کلیک کنید

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

جهت مشاهده منبع اصلی و ادامه این مطلب این مطلب کلیک کنید

آمار توصیفی، آمار استنباطی

آمار توصیفی

آمار توصیفی، مجموعه ای از روش هایی است که برای سازمان دهی، خلاصه کردن، تهیه جدول، رسم نمودار، توصیف و تفسیر داده های جمع آوری شده از نمونه آماری به کار گرفته می شود. یک مجموعه داده آماری شامل مجموعه ای از مقادیر یک یا چند متغیر است. بنابراین، آمار توصیفی شامل آن بخش از آمار است که به ویژگی ها و آماره های مربوط به نمونه آماری تحقیق می پردازد. این آمار اغلب در قالب آماره های توصیفی، جداول یک بعدی، نمودارها، شاخص های گرایش به مرکز (مد، میانه و میانگین)و شاخص های گرایش به پراکندگی (دامنه تغییرات، واریانس، انحراف استاندارد، چولگی، کشیدگی و چارک بندی) نمایش داده می شود.

مراحل اساسی توصیف داده ها عبارت است از:

1- خلاصه کردن داده ها و توصیف الگوی کلی

الف) فشرده کردن داده ها در قالب جدول های آماری

ب) نمایش آن ها به وسیله ی نمودار

2- محاسبه شاخص های آماری

نقش آمار توصیفی در فرآیند تحلیل آماری بسیار مهم و حیاتی است. آمار توصیفی با خلاصه کردن داده ها، ویژگی های مهم آن ها را نمایان می سازد تا ایده های لازم را در ذهن پژوهش گر برای مرحله دوم تحلیل آماری (آمار استنباطی) ایجاد کند.

آمار استنباطی

آمار استنباطی مشخص می کند که آیا الگوها وفرآیندهای کشف شده در نمونه، در جامعه آماری هم کاربرد دارد یا خیر. بنابراین، آمار استنباطی راجع به ویژگی ها و پارامترهای مربوط به جامعه آماری تحقیق و کیفیت ارتباط بین مفاهیم و متغیرها می باشد. بدین ترتیب، می توان گفت که از آمار استنباطی در تجزیه و تحلیل مقایسه ای و رابطه ای (علی – همبستگی) استفاده می شود.

تفاوت اصلی آمار توصیفی و استنباطی در این است که در آمار توصیفی هیچ گاه نمی توان نتایج به دست آمده از نمونه آماری را به کل جامعه آماری تعمیم داد. چرا که هدف در این نوع آمار، ارائه توصیفی از ویژگی های نمونه آماری تحقیق به همراه شاخص های گرایش به مرکز و یا شاخص های گرایش به پراکندگی می باشد. درحالی که در آمار استنباطی و یا تحلیلی می توان نتایج و یافته های به دست آمده از نمونه آماری را به کل جامعه آماری تحقیق تعمیم داد. به عبارتی، مفهوم کانونی آمار استنباطی، تعمیم پذیری است.

به بیانی روشن تر، تفاوت اصلی یک بررسی توصیفی با یک آمار استنباط آماری این است که نتایج اولی فقط مختص به نمونه مورد بررسی است، در حالی که آمار استنباطی نتایجی را در مورد جامعه بیان خواهد کرد. از این رو آمار توصیفی همراه با عدم قطعیت و آمار استنباطی همواره با قطعیت همراه است.

منابع:

راهنمای جامع کاربرد SPSS در تحقیقات اجتماعی، کرم حبیب پور، رضا صفری، نشر لویه

مشخصات

جهت مشاهده منبع اصلی و ادامه این مطلب این مطلب کلیک کنید

تحلیل خوشه ای چیست؟

مشخصات

جهت مشاهده منبع اصلی و ادامه این مطلب این مطلب کلیک کنید

آموزش نرم افزار تخصصی SPSS

سرفصل دوره مقدماتی و متوسطه آموزش SPSS

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

آشنایی با نرم افزار SPSS

معرفی مفاهیم آماری پایه

آشنایی با محیط نرم افزار

نحوه ی تعریف متغیرها

نحوه ی وارد کردن داده ها

پاکسازی داده ها

اعمال تغییرات در طبقه بندی متغیرهای پیوسته و طبقه ای

درس دوم: آماره های توصیفی و رسم نمودارها

تقسیم بندی علم آمار و روش های آماری

معرفی انواع آماره های توصیفی برای داده های کمی و کیفی

معرفی انواع نمودارها و چگونگی رسم آنها در نرم افزار

آشنایی با توزیع نرمال داده ها و ویژگی های آن

درس سوم: آشنایی با تحلیل داده های پرسشنامه ای

ویژگی ها و اجزای پرسشنامه

روایی و پایای

به دست آوردن آماره های توصیفی پرسشنامه

کدگذاری مجدد سوال های مع در پرسشنامه

محاسبه ی نمره ی مقیاس کلی از زیرمقیاس ها

درس چهارم : آزمون همبستگی و انواع آزمون های رگرسیون

تعریف همبستگی

جهت و شدت رابطه متغیر ها

انواع آزمون های همبستگی(پیرسون و اسپیرمن) و موارد کاربرد هرکدام

همبستگی تفکیکی

مفروضات کلی رگرسیون

رگرسیون خطی ساده

رگرسیون چندگانه

رگرسیون لجستیک

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

معرفی آمار پارامتری و ناپارامتری

مفروضات کلی آزمون های پارامتری

آزمون فرض و انواع آزمون فرض

خطای نوع اول و دوم

معرفی انواع آزمون های پارامتری برای مقایسه ی گروه ها

آزمون T تک نمونه ای (one sample t-test)

آزمون T دو نمونه ی مستقل (independent sample t-test)

آزمون T دو نمونه ی وابسته (pair sample t-test)

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

تحلیل واریانس یک راهه بین گروهی

تحلیل واریانس یک راهه اندازه گیری های مکرر

معرفی انواع آزمون های تعقیبی

تحلیل واریانس یک راهه آمیخته

تحلیل واریانس دو راهه

تحلیل کواریانس و فرضیات آن

درس هفتم : آزمون های ناپارامتری برای مقایسه گروه ها

کاربرد آزمون های ناپارامتری

آزمون مجذور کای تک نمونه ای (one sample Chi-Square)

آزمون مجذور کای برای استقلال و همگونی داده ها (Chi-Square Test)

آزمون مک نمار (McNemar’s Test)

آزمون Q-کوکران (Cochran’s Q Test)

آزمون یو من ویتنی (Mann-whitney U Test)

آزمون کروسکال والیس (Kruskal-Wallis Test)

آزمون رتبه های علامت دارویلکاکسون (Wilcoxo signed rank Test)

آزمون فریدمن (Friedman Test)

درس هشتم: تحلیل عاملی (Factor Analysis)

معرفی روش آماری تحلیل عاملی

انواع تحلیل عاملی

آشنایی با مفاهیم آماری مربوط به تحلیل عاملی

معرفی مراحل تحلیل عاملی :

بررسی پیش فرض ها

استخراج عامل ها

چرخش عامل ها

مشخصات

جهت مشاهده منبع اصلی و ادامه این مطلب این مطلب کلیک کنید

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

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

مقدمه

اگر بخواهیم جهت انجام یک تحلیل واریانسی ترکیبی یا دوسویه از تست کای-اسکوئر (chi-square) استفاده کنیم، باید بجای نمودار ستونی از نمودار ستونی خوشه ای کمک بگیریم. (نکته: برای رسم نمودار ستونی خوشه ای ما میتوانیم به شما کمک کنیم). هدف از این مبحث این است که به شما نشان دهیم با

نرم افزار SPSS چگونه یک نمودار ستونی رسم کنید . قبل از آموزش توجه شما را به مثالی که آورده ایم جلب میکنیم.

مثال

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

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

روش تست در SPSS :

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

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

Bar Charts in SPSS

با صفحه زیر مواجه می شوید:

Bar Charts in SPSS

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

Bar Charts in SPSS

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

Bar Charts in SPSS

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

Bar Charts in SPSS

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

Bar Charts in SPSS

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

Bar Charts in SPSS

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

Bar Charts in SPSS

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

Bar Charts in SPSS

Apply و سپس Ok را کلیک کنید.

خروجی نمودار

شما در قسمت خروجی نمودار زیر را خواهید دید:

Bar Charts in SPSS

مشخصات

جهت مشاهده منبع اصلی و ادامه این مطلب این مطلب کلیک کنید

خدمات آماری

• 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

جهت مشاهده منبع اصلی و ادامه این مطلب این مطلب کلیک کنید

علت برازش نشدن مدل های ساختاری

علت برازش نشدن مدل ساختاری

برازش نشدن مدل های ساختاری

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

کافی نبودن حجم نمونه

انجام

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

در تحلیل

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

در

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

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

وجود نداشتن پشتوانه علمی برای مدل

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

پرسشنامه استاندارد نباشد

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

داده ها مطلوب نباشد

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

وجود داده های پرت

وجود داده های

پرت باعث می شود نرمال بودن چند متغیره برقرار نشود و یا باعث ایجاد انحراف در محاسبه پارامترهای مدل می شود در این صورت

شاخص های برازش مدل مطلوب بدست نمی آید.

وجود روابط خیلی زیاد و نامتعارف در مدل ساختاری

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

ترسیم نادرست مدل ساختاری در نرم افزار AMOS

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

مشخصات

جهت مشاهده منبع اصلی و ادامه این مطلب این مطلب کلیک کنید

تفاوت متغیر میانجی و تعدیل گر

در این مقاله از سایت قصد داریم در مورد متغیرهای میانجی و تعدیل گر صحبت کنیم.احتمالا در پایان نامه ها و مقالات پژوهشی غیر از متغیرهای وابسته و مستقل در مورد متغیرهای میانجی و تعدیل گر هم شنیده اید .درک تفاوت بین متغیر میانجی و تعدیل گر از اهمیت بسیار بسیار بالایی در انجام پژوهش ها برخوردار می باشد. اما واقعا چه تفاوتی بین متغیر میانجی و تعدیل گر وجود دارد.

مفهوم متغیر میانجی

وقتی متغیر سومی یا سازه سومی بین دو سازه مرتبط به هم دیگر فاصله بیاندازد، اثر متغیر میانجی ایجاد می شود.شکل زیر گویای مطلب است.

برای درک راحت تر اثر میانجی، یک مدل مسیری با اثرات مستقیم (استرس بر افسردگی) و غیر مستقیم (استرس بر گرانباری و گرانباری بر افسردگی) را مشاهده کنید. اثرات مستقیم رابطه هایی می باشند که دو سازه را به هم با پیکان ارتباط می دهد. اثر غیر مستقیم روابطی می باشند که شامل توالی روابط با حداقل یک سازه در وسط هستند. این اثر غیر مستقیم با عنوان اثر میانجی تعریف می شود. در این مدل گرانباری با عنوان متغیر میانجی شناخته می شود.
از دیدگاه نظری بیشترین کاربرد رایج متغیر میانجی شرح این مسئله است که چه رابطه ای بین متغیر سازه برون زا و درون زا است. به عنوان مثال پژوهشگر ممکن است رابطه ای میان دو سازه استرس و افسردگی مشاهده نماید ولی از چگونگی این رابطه مطمئن نباشد یا رابطه مشاهده شده تنها رابطه میان دو سازه استرس و افسردگی باشد. نقش متغیر میانجی روشن کردن یا شرح دادن رابطه میان دو سازه اصلی است.

مفهوم متغیر تعدیل گر

همسایه متغیر میانجی، متغیر تعدیل گر است. یک متغیر یا سازه تعدیل گر می تواند به صورت مستقیم رابطه میان متغیرهای مکنون برون زا و درون زا را تحت تاثیر قرار دهد. اثر تعدیل گر ی زمانی روی می دهد که تعدیل گر (یک متغیر یا سازه) قدرت یا حتی جهت رابطه میان دو سازه را در مدل تغییر دهد.
به عنوان مثال مطالعات نشان از آن دارد که درآمد اثر معنی داری بر قدرت رابطه بین رضایتمندی مشتری و وفاداری مشتری دارد. در این پژوهش درآمد نقش یک متغیر تعدیل گر رابطه بین رضایتمندی مشتری و وفاداری مشتری را بازی می کند. مطالعات نشان داده که رابطه میان رضایتمندی و وفاداری برای افرادی با درآمد بالا ضعیف تر از افرادی با درآمد پایین است. تمایز مهم بین این رابطه در این است که متغیر تعدیل گر درآمد وابسته به متغیر پیش بین (مستقل) رضایتمندی نیست.

دو نوع رابطه تعدیل گر وجود دارد.

1- متغیر تعدیل گر پیوسته یا فاصله ای

2- متغیر تعدیل گر مقوله ای یا اسمی

در مثال بالا متغیر درآمد از نوع تعدیل گر فاصله ای می باشد و متغیرهایی از نوع جنسیت، تاهل و … از نوع تعدیل گر اسمی تلقی می شوند.

به عنوان مثال اگر بخواهیم مطالعه بالا را در قالب تعدیل گر اسمی فرضیه سازی کنیم می توانیم این گونه بنویسیم:

آیا اثر رضایتمندی بر وفاداری مشتریان در بین مردان و ن تفاوت معناداری دارد.

امیدواریم از مقاله تفاوت متغیر میانجی و تعدیل گر راضی بوده باشید.

برای دریافت مشاوره اماری، انجام تحلیل آماری، و تحلیل آماری با انواع نرم افزار های آماری می توانید با ما در ارتباط باشید.

مشخصات

جهت مشاهده منبع اصلی و ادامه این مطلب این مطلب کلیک کنید

تحلیل آماری با نرم‌افزار آموس Amos

نرم افزار آموس (AMOS) یکی از نرم افزارهای بسیار مناسب و کاربردی برای تحلیل داده های پایان نامه مدیریت و علوم انسانی است. نرم افزار تحلیل آماری آموس (AMOS) جهت محاسبات تحلیل عامل و مدل معادلات ساختاری استفاده می شود. برونداد نرم افزار آموس به صورت گرافیکی بوده و لذا درک مطلب را تسهیل می کند. AMOS فراتر از توانمندی های معمول نرم افزارهای مدل سازی رفته و به عنوان مثال به خوبی می تواند به جایگزینی آنها دست زند.

تحلیل عاملی با اموس

AMOS نه تنها کلیه ویژگی های نرم افزارهایی نظیر LISREL را داراست بلکه خصایص منحصر به فردی دارد که آن را از سایر نرم افزارهای مدل سازی متمایز می کند. آموس مدل ترسیم شده در صفحه میانجی را به عنوان مدل می پذیرد و خروجی های آن به خوبی و با کیفیت بالا قابل انتقال به سایر برنامه های تحت ویندوز است. کاربران این امکان را دارند که با تغییر قلم ها، رنگ ها، ضخامت پیکان‌ها، اندازه پارامترها و مکان قرار گرفتن آنها مدل مدون را به زیباترین شکل و مطابق با سلیقه خود درآورد.

امکان مدیریت داده ها به اشکال مختلف را داراست و به خوبی می تواند داده ها را در قالب های مختلف چه به شکل خام و چه به شکل ماتریس های واریانس ـ کوراریانس یا همبستگی از سایر نرم افزارها فراخواند. از دیگر ویژگی های این نرم افزار توانایی مدیریت داده های چندگروهی است به نحوی که می‌توان مدل ها را برای نمونه های مختلف مورد آزمون قرار داد و نتایج را به سادگی با یکدیگر مقایسه کرد.

تحلیل آماری پایان نامه با آموس | تحلیل اماری با اموس

مدل بازگشتی در AMOS

مشخصات

جهت مشاهده منبع اصلی و ادامه این مطلب این مطلب کلیک کنید

نمودار مسیر و SEM

به منظور معرفی مدل در SEM از الگویی به نام نمودار مسیر» (Path Diagram) استفاده می‌شود. این نمودار شبیه یک نمودار گردش» (Flow Chart) است که در آن متغیرهای مرتبط بوسیله خطوطی در آن به یکدیگر متصل می‌شوند.

برای مثال فرض کنید که رابطه رگرسیونی خطی بین دو متغیر X و Y وجود دارد. یعنی داریم Y=aX+e که در آن a پارامتر مدل و e نیز خطای مدل محسوب می‌شوند. برای نمایش این رابطه در نمودار مسیر از شکل زیر استفاده می‌کنیم.

sem path diagram

در این نمودار، همه متغیرهای مستقل در سمت چپ قرار دارند. متغیر مربوط به خطا نیز معرفی شده است. با توجه به میزان خطا در برآورد رابطه خطی بین دو متغیر X و Y متغیر دیگری که نقش مزاحم را دارد در مدل با E‌ دیده می‌شود. با مشخص شدن پارامترهای مدل برای هر متغیر مستقل، ضریب آن متغیر روی خط ارتباطی با متغیر وابسته دیده خواهد شد. این ضریب در صورتی که

داده‌‌ها استاندارد شده باشند، می‌تواند به عنوان میزان اهمیت این متغیر در پیش‌بینی متغیر وابسته در نظر گرفته شود.

مشخصات

جهت مشاهده منبع اصلی و ادامه این مطلب این مطلب کلیک کنید

کاربرد مدل معادلات ساختاری

در SEM از مفاهیم ساده‌ای مانند واریانس و کوواریانس به عنوان معیارهایی برای اندازه‌گیری پراکندگی یا وابستگی بین متغیرها استفاده کرده و مدل مناسب با داده‌ها با کمترین متغیر یا ایجاد متغیرهای جدید، تولید می‌شود.

از کاربردهای مهم مدل معادلات ساختاری می‌توان به موارد زیر اشاره کرد:

تحلیل مسیر» (Path Analysis) یا مدلی که رابطه بین متغیرها را نشان می‌دهد.
تحلیل عاملی تاییدی» (Confirmatory Factor Analysis) که شبیه تحلیل عاملی است و آزمون‌های مربوط به وزن عامل (ضریب هر عامل) و همبستگی درونی را انجام می‌دهد.
تحلیل عاملی مرتبه دوم (Second Order Factor Analysis) که در آن ماتریس همبستگی عوامل، خود قابل تجزیه به عوامل دیگری است که عوامل ثانویه» (Second Order Factors) خوانده می‌شوند.
مدل تحلیل رگرسیونی (Regression Models)،‌ که از رگرسیونی خطی استفاده کرده و با منظور کردن وزن به هر یک از متغیرها، مدل کمترین مربعات خطا را می‌سازد.
مدل ساختار کوواریانس (Covariance Structure Models) که به بررسی ساختار و شکل ماتریس کوواریانس می‌پردازد و در مورد آن آزمون فرض انجام می‌دهد.
مدل ساختار همبستگی (Correlation Structure Models)، که آزمون‌های فرض مربوط به ساختار ماتریس همبستگی را محاسبه می‌کند.

مشخصات

جهت مشاهده منبع اصلی و ادامه این مطلب این مطلب کلیک کنید

آزمون پارامتریک و ناپارامتریک چیست؟

روش های آماری در بخش آمار استنباطی متنوع است که با توجه به ماهیت سؤال یا فرضیه های پژوهش، می توان یک یا چند روش را برگزید.

منطق استفاده از آمار استنباطی، آزمون فرض آماری (یعنی فنون آماری مناسب برای صحت و سقم فرضیه های پژوهش) و یا تخمین آماری (یعنی فنون آماری مناسب برای بررسی سؤال ها یا فرضیه های پژوهش) است.

لذا انتخاب تصادفی نمونه از جامعه، شرط اساسی برای استفاده از این نوع آمار است.

برای آزمون فرض، می توان از روش های آماری گوناگون اعم از آزمون های پارامتری استفاده کرد.

استفاده از این نوع آمار سه شرط دارد:

۱. توزیع نمره ها در جامعه به صورت طبیعی (نرمال) باشد یعنی متغیر مورد پژوهش دارای توزیع طبیعی در جامعه باشد؛

۲. واریانس های جامعه گروه های مقایسه در یک پژوهش باید تقریباً مساوی باشند یعنی آماره هایی که محاسبه می شوند برآوردی از پارامتر جامعه باشد؛

۳. مقیاس اندازه گیری حداقل باید مقیاس فاصله ای باشد.

حال اگر این پیش فرض ها در داده های پژوهش وجود نداشته باشد باید از آزمونهای غیرپارامتری (آزمون های بدون پیش فرض) استفاده کرد.

نکته مهم در پژوهش آن است که انتخاب روش آماری که مناسب با هر فرضیه یا فرضیه های پژوهش باشد، ازاهمیت زیادی برخوردار است.

به عبارتی، یکی از مسائل پژوهش از نوع میدانی انتخاب روش تحلیل آماری مناسب و یا به عبارتی انتخاب آزمون آماری مناسب، برای بررسی سؤالات یا فرضیه های پژوهش است.

قبل از انتخاب یک آزمون آماری بایستی به سؤال های زیر پاسخ داده شود:

۱. چه تعداد متغیر مورد بررسی قرار می گیرد؟

۲. چند گروه مقایسه می شوند؟

۳. آیا توزیع ویژگی مورد بررسی در جامعه نرمال است؟

۴. آیا گروه های مورد بررسی مستقل هستند؟

۵. سؤال یا فرضیه پژوهش چیست؟

6. داده ها پیوسته، رتبه ای و یا مقوله ای هستند؟

روش های آماری پارامتریک و ناپارامتریک عبارتند از :

روشهای پارامتریک :

روشهای آماری همبستگی (ضریب همبستگی پیرسون و .) ،

روش های تحلیل رگرسیون (دو متغیره و ساده، چند متغیره، چندگانه و رگرسیون لوجستیک) ، روش سلسله مراتبی ، آزمون تی t ، روش تحلیل واریانس (آنوا anova) ،تحلیل واریانس چند متغیری (مانوا manova) ، تحلیل کوواریانس (آنکووا ancova ) ، تحلیل کوواریانس چند متغیری (مانکووا mancova )، تحلیل عاملی ، تحلیل مسیر ، روش تحلیل مدل یابی معادلات ساختاری ، .

روشهای ناپارامتریک : آزمون خی دو ، آزمون کروسکال والیس ، آزمون یو من ویتنی، آزمون ویلکاکسون ، آزمون فریدمن ، آزمون اسپیرمن ، .

مشخصات

جهت مشاهده منبع اصلی و ادامه این مطلب این مطلب کلیک کنید

تحلیل های آماری

تیم تحلیل آماری پژوهشگران برتر، از بهترین و مجرب ترین متخصصان آماری تشکیل شده است. این مجموعه به شما مشتریان عزیز اطمینان می‌دهند که تحلیل آماری پژوهش‌های شما را با بهترین کیفیت و در کمترین زمان انجام دهند. این مجموعه برای انجام تحلیل آماری مربوط به فصل 4 پایان نامه های کارشناسی ارشد و دکتری، تخفیف‌های ویژه‌ای را در نظر دارد. لازم بذکر است تحلیل آماری انجام شده در قالب فایل PDF و Word که به آسانی قابل اضافه شدن به پایان نامه شما است، تهیه و برای شما ایمیل خواهد شد، همچنین آموزش کامل فصل 4 را جهت آمادگی برای روز دفاع به صورت رایگان و حضوری برای دانشجویان انجام می دهد.

برخی از خدمات ما:

طراحی و گزینش روش‌های پژوهشی
طراحی پرسشنامه و ورود داده های پرسشنامه به نرم افزار
تعیین اندازه (حجم) نمونه
تحلیل آماری با SPSS
مدل سازی حداقل مربعات جزئی با Smart-PLS
تجزیه و تحلیل آماری پرسشنامه‌ها و محاسبه پایایی و قابلیت اعتماد آنها به کمک آلفای کرونباخ
تنظیم گزارش کامل آماری همراه با رسم جداول و نمودار های مورد نیاز
تجزیه و تحلیل آماری طرح‌های تحقیقاتی و پروژه‌ها
مشاوره آماری و راهنمایی محققان و پژوهشگران با ابزار و امکانات علم آمار به جهت ارتقاء سطح طرح‌های تحقیقاتی ، پروژه‌ها
تحلیل همبستگی (ضریب همبستگی اسپیرمن- ضریب همبستگی پیرسون و …)
تحلیل رگرسیون (ساده – چندگانه – لوجستیک)
تحلیل عاملی داده‌ها و پرسشنامه‌ها جهت دسته بندی و کاهش متغیرها بر اساس عامل‌های شناسایی شده
تحلیل عاملی پرسشنامه‌ها جهت تعیین روایی عاملی پرسشنامه
تحلیل مسیر و انجام مدل سازی معادلات ساختاری به کمک نرم افزار های Lisrel و Amos
آزمون‌های فرض مقایسه میانگین‌ها (یک جامعه ، دو جامعه ، مقایسه زوجی)
آزمون نرمال بودن داده ها(کولموگروف-اسمیرنوف) به همراه رسم نمودار توزیع
تعیین و برازش توزیع داده ها به کمک آزمون های آماری
آزمون استقلال و همگونی متغیرها
آزمون های ناپارامتریک(آزمون علامت، ویلکاکسون، کروسکال والیس، فریدمن، یومن ویتنی،کای دو(خی دو))
آزمون های تعقیبی شفه و LSD
تحلیل توصیفی داده‌ها و رسم انواع نمودارها (محاسبه میانگین، واریانس، چولگی، کشیدگی، میانه، مد، چندک‌ها)
تحلیل واریانس (مقایسه میانگین‌های چند جامعه)
تحلیل خوشه (ِcluster Analysis)
ارائه خدمات به پژوهشگران، اساتید و دانشجویان غیر آماری در جهت کاهش استرس و سردرگمی‌های ناشی از ناآشنایی با روش‌های آماری و صرفه جویی در زمان به جهت تجزیه و تحلیل داده‌ها و کسب نتایج در کمترین زمان
طراحی و تحلیل آماری طرح‌ها و پژوهش‌های تحقیقاتی و دانشجویی در رشته های مختلف از جمله مدیریت، آمار ، علوم مدیریت ، روانشناسی ، جامعه شناسی ، حسابداری و …

مشخصات

جهت مشاهده منبع اصلی و ادامه این مطلب این مطلب کلیک کنید

ویژگی‌های تحلیل آماری پایان نامه

گروه علمی پژوهشگران برتر متخصص در زمینه تجزیه و تحلیل آماری و انجام فصل 4 پایان نامه های ارشد و دکترا و تحلیل های انجام شده دارای ویژگی های زیر است:

۱- انجام تمام تحلیل های موجود: یکی از خدماتی که گروه ما ارائه می‌دهد این است که همکاران ما در بخش آمار، تمام تحلیل‌های ممکن را برای شما انجام می‌دهند. یعنی علاوه بر فرضیات و تحلیل‌های مدنظر شما، تمام احتمالات موجود را بررسی و تحلیل‌های دیگری نیز انجام می‌دهند که این امر بخصوص در نگارش مقاله و استخراج مقاله از پایان نامه بسیار مفید است.

۲- توضیح و تفسیر کامل برون دادها: گروه آماری صرفاً برون داد‌های نرم افزار مربوطه را به دانشجو ارسال نمی‌کنند بلکه در فایل‌های جداگانه‌ای علاوه بر توضیح کامل روش آماری به کار برده شده، نحوه گزارش و تفسیر آن را نیز به شما ارائه می‌دهند.

۳- آموزش رایگان و حضوری در خصوص فصل 4 پایان نامه ها: گاهاً مشاهده می‌شود که برخی از پایان نامه ها روش‌های آماری نامناسب یا اشتباهی را برای تحلیل انتخاب کرده‌اند. همکاران ما علاوه بر تحلیل‌های خواسته شده، آموزش کاملی در زمینه آمار فصل 4 و روش های آماری انجام شده ارائه می دهند.

۴- استفاده از نرم افزارهای متنوع: در این زمینه نیز در صورت نیاز به استفاده از نرم افزار بهتر این کار توسط بخش آماری گروه ما استفاده می‌گردد. برای مثال برخی دانشجویان علوم انسانی برای مدلسازی معادلات ساختاری از نرم افزار SPSS استفاده می‌کنند. اگرچه این روش نیز قابل انجام است اما به دلیل وجود نرم افزارهای تخصصی مدلسازی معادلات ساختاری، استفاده از آن‌ها در اولویت است.

مشخصات

جهت مشاهده منبع اصلی و ادامه این مطلب این مطلب کلیک کنید

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

جهت مشاهده منبع اصلی و ادامه این مطلب این مطلب کلیک کنید

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

جهت مشاهده منبع اصلی و ادامه این مطلب این مطلب کلیک کنید

آزمون علامت یا نشانه

آزمون علامت یا نشانه (Sign Test) از جمله آزمون های ناپارامتری است که در این قسمت از آموزش نرم افزار spps به آن می پردازیم.

آزمون علامت را هنگامی به کار می برند که ارزشیابی متغیر مورد مطالعه با روشهای عادی یا روشهای اعمال شده قابل اندازه گیری نباشد. از آنجائیکه که در این آزمون برای پیدا کردن ناحیه بحرانی به جدول خاصی نیاز نیست، جزو آسانترین آزمونهای ناپارامتری محسوب می شود.

در این آزمون به جای مقادیر عددی از علامت (+) و (-) استفاده می شود، بدین دلیل این آزمون را آزمون علامت می نامند.

این آزمون چه جامعه مورد مطالعه نرمال باشد و چه نباشد کاربرد دارد، بنابراین شرطی در مورد توزیع ندارد. اگر آزمودنیها از یک یا دو جامعهء مختلف باشند، نیز اشکالی پیش نمی آید. تنها شرط این آزمون آن است که اولاً، توزیع متغیر مورد مطالعه پیوسته باشد و ثانیاً احتمال برابر بودن نمرهء هر زوج با یکدیگر صفر باشد. در نتیجه، زوجهائی که که نمره یا امتیاز آنها یکسان باشد از حجم نمونه حذف می شوند.

اجرای آزمون علامت

مثال:

۳۰ زوج جوان دربارهء تعداد مطلوب فرزندان مورد پرسش قرار گرفته اند، می خواهیم بدانیم که آیا میان عقیدهء مردان و ن در مورد تعداد مطلوب فرزندان تقاوت معنا داری وجود دارد یا نه؟

شماره زوجها	مرد (M)	زن (F)	شماره زوجها	مرد (M)	زن (F)
۱	۳	۱	۱۶	۴	۳
۲	۲	۲	۱۷	۱	۱
۳	۲	۳	۱۸	۱	۰
۴	۱	۳	۱۹	۱	۱
۵	۳	۲	۲۰	۲	۳
۶	۴	۲	۲۱	۳	۲
۷	۲	۳	۲۲	۲	۱
۸	۴	۳	۲۳	۱	۳
۹	۲	۳	۲۴	۰	۱
۱۰	۰	۱	۲۵	۱	۲
۱۱	۰	۰	۲۶	۲	۳
۱۲	۲	۳	۲۷	۱	۲
۱۳	۳	۲	۲۸	۲	۱
۱۴	۱	۲	۲۹	۲	۳
۱۵	۲	۳	۳۰	۳	۲

ابتدا کاربرگهای Variable View و Data View را مانند زیر تکمیل می کنیم.

آزمون علامت یا نشانه

اکنون مسیر زیر را در نرم افزار طی می کنیم و به ترتیب متغیر های F و M را در کادر Test Pairs وارد کرده و گزینه Sign را فعال کرده و بر روی دکمه OK کلیک می کنیم.

Analyze / Nonparametric Tests / Legacy Dialogs / 2 Related Samples …

آزمون علامت یا نشانه

با توجه به خروجی بدست آمده چون مقدار Sig. برابر .۵۵۶ و بزرگتر از .۰۵ است لذا فرض صفر مورد قبول است؛ یعنی تفاوت معنی داری میان زوجهای جوان در مورد تعداد مطلوب فرزندان وجود ندارد.

آزمون علامت یا نشانه

مشخصات

جهت مشاهده منبع اصلی و ادامه این مطلب این مطلب کلیک کنید

اسمارت پی ال اس

نرم افزار اسمارت پی ال اس (pls) چه کاربردی دارد؟

اهمیت روز افزون تجزیه و تحلیل داده ها در تحقیقات علمی، باعث توجه هر چه بیشتر جامعه علمی به این مقوله شده است. همان گونه که یک پژوهش علمی بدون مروری بر ادبیات موضوع و کنکاش در نظریه ها، ناقص میماند،‌ اضافه نمودن تحقیق میدانی به تئوری های مطالعه شده جلوه ی دیگری به پژوهش داده و اعتبار آن را دوصد چندان می کند. در این راستا،‌داده هایی که محقق از اعضای نمونه آماری تحقیق خود جمع آوری می نماید، احتیاج به تجزیه و تحلیل دارند تا تفسیر یافته ها و تعمیم نتایج میسر گردد.در مطالعات حوزه ی علوم انسانی و اجتماعی، تجزیه و تحلیل داده های پژوهش طبق فرآیندی با قالب کلی مشخص و یکسان صورت می پذیرد که مرتبط با آن روش تحلیل آماری متعددی تا به حال معرفی شده است. در این میان، مدل سازی معادلات ساختاری (SEM) که در اواخر دهه شصت میلادی معرفی شد، ابزاری در دست محققین جهت بررسی ارتباط میان چندین متغیر در یک مدل را فراهم می ساخت. قدرت این تکنیک در توسعه نظریه ها باعث کاربرد وسیع آن در علوم مختلف از قبیل بازاریابی، مدیریت منابع انسانی،‌ مدیریت استراتژیک و سیستم اطلاعاتی شده است. یکی از مهمترین دلایل استفاده زیاد پژوهشگران از SEM، قابلیت آزمودن تئوری ها در قالب معادلات میان متغیرهاست. دلیل دیگر لحاظ نمودن خطای اندازه گیری توسط این روش است که به محقق اجازه می دهد تا تجزیه و تحلیل داده های خود را با احتساب خطای اندازه گیری گزارش دهد.مدل سازی معادلات ساختاری تا این زمان، با دو نسل روش های تجزیه و تحلیل داده ها معرفی شده است. نسل اول روش های مدل سازی معادلات ساختاری روش های کوواریانس محور هستند که هدف اصلی این روش ها تایید مدل بوده و برای کار به نمونه هایی با حجم بالا نیاز دارند. نرم افزارهای LISREL، AMOS، EQS و MPLUS چهار عدد از پرکاربردترین نرم افزارهای این نسل هستند. چند سال پس از معرفی روش کوواریانس محور، به دلیل نقاط ضعفی که در این روش وجود داشت، نسل دوم روش های معادلات ساختاری که مولفه محور بودند، معرفی شدند. روش های مولفه محور که بعدا به روش حداقل مربعات جزئی تغییر نام دادند، برای تحلیل داده ها روش های متفاوتی نسبت به نسل اول ارائه دادند.پس از معرفی روش حداقل مربعات جزئی، این روش از علاقه مندان بسیاری برخوردار شد و پژوهشگران متعددی تمایل به استفاده از این روش پیدا کردند. مهمترین نرم افزار برای این روش Smart PLS می باشد.دلایل استفاده از روش پی ال اس PLS و نرم افزار Smart PLS در پژوهش ها:محققین دلایل متعددی را برای استفاده از روش پی ال اس (PLS) ذکر نموده اند. مهمترین دلیل، برتری این روش برای نمونه های کوچک ذکر شده است. دلیل بعدی داده های غیرنرمال است که محققین و پژوهشگران در برخی پژوهش ها با آن سر و کار دارند در نهایت دلیل آخر استفاده از روش پی ال اس (PLS)، روبرون شدن با مدل های اندازه گیری سازنده است.دلایل استفاده از روش معادلات ساختاری پی ال اس (PLS – SEM) به شرح زیر است:< ol> <li dir="RTL" style="text-align:justify">حجم کم نمونه</li> <li dir="RTL" style="text-align:justify">داده های غیر نرمال</li> <li dir="RTL" style="text-align:justify">مدلهای اندازه گیری از نوع سازنده</li> <li dir="RTL" style="text-align:justify">قدرت پیش بینی مناسب</li> <li dir="RTL" style="text-align:justify">پیچیدگی مدل ( تعداد زیاد سازه ها و شاخص ها)</li> <li dir="RTL" style="text-align:justify">تحلیل اکتشافی</li> <li dir="RTL" style="text-align:justify">توسعه تئوری و نظریه</li> <li dir="RTL" style="text-align:justify">استفاده از متغیرهای طبقه بندی شده</li> <li dir="RTL" style="text-align:justify">بررسی همگرایی</li> <li dir="RTL" style="text-align:justify">آزمودن تئوری و فرضیه</li> <li dir="RTL" style="text-align:justify">آزمودن فرضیات شامل متغیرهای تعدیلگر</li>< /ol>با توجه به موارد بالا، حجم نمونه اندک بهترین دلیل استفاده از PLS است. روش های نسل اول مدل سازی معادلات ساختاری که با نرم افزارهایی نظیر LISREL، EQS و AMOS اجرا می شدند،‌ نیاز به تعداد نمونه زیاد دارند، در حالی که PLS (پی ال اس) توان اجرای مدل با تعداد نمونه خیلی کم را دارا می باشد.یک مزیت مهم دیگر که محققین به آن استناد می کنند، امکان استفاده از مدل های اندازه گیری با یک شاخص (سوال) در روش PLS-SEM می باشد. این روش به پژوهشگر این امکان را می دهد که بتواند در مدل پژوهشی خود از مدل های اندازه گیری با یک سوال استفاده کند.هدف ما شناخت شما دوستان بر مبانی تئوریک روش مدل سازی معادلات ساختاری (sem)با رویکرد تحلیل آماری پایان نامه است . مدل سازی معادلات ساختاری یکی از بهترین روش های آماریست که ابزاری در دست پژوهشگران جهت بررسی ارتباط بین متغیرهای مستقل ،وابسته ،میانجی و تعدیلگر در مدل است .با تقدیم ادب و احترام حضور شما دوستان عزیزم میخواهم با شما دوستان خوبم در خصوص مدل سازی با این نرم افزار و بیان مزیت های اون و آموزش کلیدی جزییاتش صحبت کنم .ببینید دوستان گلم یکی از مزیت های جالبی که مدل سازی معادلات ساختاری داره بررسی اثر متغیر ها روی هم در آن واحد است .ضمنا برای شما دوستان در رشته مدیریت که حجم نمونه تحقیقتون پایینه بهتره که ازاین نرم افزار در ارائه فصل ۴ خود استفاده نمایید، چون این نرم افزار به حجم نمونه کم حساسیت نشون نمیده حتی با نمونه 50 تا 80 نفری جواب میده و مورد دیگری که میتونیم در نرم افزار pls اون رو شاخص قلمداد کنیم این است که تحلیل عاملی مرتبه دوم به بالا فقط از طریق این نرم افزار میسر است و امکان انجام تحلیل عاملی مرتبه دوم به بالا از طریق نرم افزار هایی مثل Amos،lisrelمقدور نیست و فقط از طریق نرم افزار plsامکان پذیر است .شما میتونید با استفاده از نرم افزار pls مدل مفهومی تحقیقتون رو در حالت های مختلف اندازه گیری ،ساختاری و کلی نشون بدید .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 حالیست که الگوریتم اساسی آن در دهه 1970 توسعه یافته و اولین نرم افزار آن با نام LVPLS از دهه 1980 برای استفاده در دسترس بوده است. دلایل استفاده محدود از این نرم افزار را می توان عدم سهولت استفاده و مشکلات روش شناختی آن دانست.در سال های اخیر این وضعیت تغییر کرده است و پژوهشگران می توانند برای مدل یابی به روش PLS از نرم افزارهای مختلفی مانند PLS-Graph، VisualPLS، PLS-GUI و SmartPLS استفاده نمایند. علاوه بر کاربرد آسان این نرم افزارها، نیاز به مدل یابی سازه های تشکیل شونده در علوم اجتماعی، موجب حرکت پژوهشگران به سمت روش های PLS و استفاده از این نرم افزارها شده است. از بین نرم افزارهای معرفی شده SmartPLS یکی از نرم افزارهای عمده و مهم مدل یابی مسیر با استفاده از PLS می باشد. بنابر گزارش سایت SmartPLS.de بیش از 10000 کاربر در جهان از این نرم افزار استفاده می کنند. این نرم افزار به علت داشتن رابط گرافیکی کاربر بسیار ساده و قابلیت های تحلیلی گسترده به یکی از محبوب ترین نرم افزارها در این زمینه بدل شده است.نگاهی به قابلیت های نرم افزار SmartPLS : SmartPLS در سال 2005 توسط رینگل و همکاران وی در دانشگاه هامبورگ آلمان طراحی شده است. این نرم افزار مبتنی بر جاوا می باشد که باعث می شود کاربران سیستم های عامل مختلف از قبیل ویندوز، اپل مکینتاش و لینوکس به راحتی از آن استفاده نمایند. این نرم افزار قابلیت پردازش و تحلیل داده های خام را داراست. همچنین طراحی و آزمون مدل در آن به صورت کاملا گرافیکی انجام می شود. خروجی نرم افزار را می توان در قالب صفحات وب، اکسل و لاتکس مشاهده نمود. لازم به ذکر است که SmartPLS نیز همانند لیزرل و آموس قابلیت پردازش داده های خام را دارد. این نرم افزار داده های ورودی با فرمت CSV را که توسط SPSS یا Excel ایجاد می شود را دارد.منبع : مقدمه ای بر مدل یابی معادلات ساختاری به روش PLS و کاربرد آن در علوم رفتاری / نوشته دکتر سید محمد سید عباس زاده / انتشارات دانشگاه ارومیه / 1391 .در ادامیه یک جزوه بسیار خوب که توسط جناب یحیی بابایی تهیه شده است را قرار داده ام. هر گونه مشاوره آماری، تجزیه و تحلیل و آموزش خروجی گرفتن یا تفسیر خروجی در خصوص نرم افزار اسمارت پی ال اس (Smart Pls) را از موسسه آموزشی و پژوهش آمار7 بخواهید.

اهمیت روز افزون تجزیه و تحلیل داده ها در تحقیقات علمی، باعث توجه هر چه بیشتر جامعه علمی به این مقوله شده است. همان گونه که یک پژوهش علمی بدون مروری بر ادبیات موضوع و کنکاش در نظریه ها، ناقص میماند،‌ اضافه نمودن تحقیق میدانی به تئوری های مطالعه شده جلوه ی دیگری به پژوهش داده و اعتبار آن را دوصد چندان می کند. در این راستا،‌داده هایی که محقق از اعضای نمونه آماری تحقیق خود جمع آوری می نماید، احتیاج به تجزیه و تحلیل دارند تا تفسیر یافته ها و تعمیم نتایج میسر گردد.

در مطالعات حوزه ی علوم انسانی و اجتماعی، تجزیه و تحلیل داده های پژوهش طبق فرآیندی با قالب کلی مشخص و یکسان صورت می پذیرد که مرتبط با آن روش تحلیل آماری متعددی تا به حال معرفی شده است. در این میان، مدل سازی معادلات ساختاری (SEM) که در اواخر دهه شصت میلادی معرفی شد، ابزاری در دست محققین جهت بررسی ارتباط میان چندین متغیر در یک مدل را فراهم می ساخت. قدرت این تکنیک در توسعه نظریه ها باعث کاربرد وسیع آن در علوم مختلف از قبیل بازاریابی، مدیریت منابع انسانی،‌ مدیریت استراتژیک و سیستم اطلاعاتی شده است. یکی از مهمترین دلایل استفاده زیاد پژوهشگران از SEM، قابلیت آزمودن تئوری ها در قالب معادلات میان متغیرهاست. دلیل دیگر لحاظ نمودن خطای اندازه گیری توسط این روش است که به محقق اجازه می دهد تا تجزیه و تحلیل داده های خود را با احتساب خطای اندازه گیری گزارش دهد.

مدل سازی معادلات ساختاری تا این زمان، با دو نسل روش های تجزیه و تحلیل داده ها معرفی شده است. نسل اول روش های مدل سازی معادلات ساختاری روش های کوواریانس محور هستند که هدف اصلی این روش ها تایید مدل بوده و برای کار به نمونه هایی با حجم بالا نیاز دارند. نرم افزارهای LISREL، AMOS، EQS و MPLUS چهار عدد از پرکاربردترین نرم افزارهای این نسل هستند. چند سال پس از معرفی روش کوواریانس محور، به دلیل نقاط ضعفی که در این روش وجود داشت، نسل دوم روش های معادلات ساختاری که مولفه محور بودند، معرفی شدند. روش های مولفه محور که بعدا به روش حداقل مربعات جزئی تغییر نام دادند، برای تحلیل داده ها روش های متفاوتی نسبت به نسل اول ارائه دادند.

پس از معرفی روش حداقل مربعات جزئی، این روش از علاقه مندان بسیاری برخوردار شد و پژوهشگران متعددی تمایل به استفاده از این روش پیدا کردند. مهمترین نرم افزار برای این روش Smart PLS می باشد.

دلایل استفاده از روش پی ال اس PLS و نرم افزار Smart PLS در پژوهش ها:

محققین دلایل متعددی را برای استفاده از روش پی ال اس (PLS) ذکر نموده اند. مهمترین دلیل، برتری این روش برای نمونه های کوچک ذکر شده است. دلیل بعدی داده های غیرنرمال است که محققین و پژوهشگران در برخی پژوهش ها با آن سر و کار دارند در نهایت دلیل آخر استفاده از روش پی ال اس (PLS)، روبرون شدن با مدل های اندازه گیری سازنده است.

دلایل استفاده از روش معادلات ساختاری پی ال اس (PLS – SEM) به شرح زیر است:

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

با توجه به موارد بالا، حجم نمونه اندک بهترین دلیل استفاده از PLS است. روش های نسل اول مدل سازی معادلات ساختاری که با نرم افزارهایی نظیر LISREL، EQS و AMOS اجرا می شدند،‌ نیاز به تعداد نمونه زیاد دارند، در حالی که PLS (پی ال اس) توان اجرای مدل با تعداد نمونه خیلی کم را دارا می باشد.

یک مزیت مهم دیگر که محققین به آن استناد می کنند، امکان استفاده از مدل های اندازه گیری با یک شاخص (سوال) در روش PLS-SEM می باشد. این روش به پژوهشگر این امکان را می دهد که بتواند در مدل پژوهشی خود از مدل های اندازه گیری با یک سوال استفاده کند.

هدف ما شناخت شما دوستان بر مبانی تئوریک روش مدل سازی معادلات ساختاری (sem)با رویکرد تحلیل آماری پایان نامه است . مدل سازی معادلات ساختاری یکی از بهترین روش های آماریست که ابزاری در دست پژوهشگران جهت بررسی ارتباط بین متغیرهای مستقل ،وابسته ،میانجی و تعدیلگر در مدل است .

با تقدیم ادب و احترام حضور شما دوستان عزیزم میخواهم با شما دوستان خوبم در خصوص مدل سازی با این نرم افزار و بیان مزیت های اون و آموزش کلیدی جزییاتش صحبت کنم .

ببینید دوستان گلم یکی از مزیت های جالبی که مدل سازی معادلات ساختاری داره بررسی اثر متغیر ها روی هم در آن واحد است .

ضمنا برای شما دوستان در رشته مدیریت که حجم نمونه تحقیقتون پایینه بهتره که ازاین نرم افزار در ارائه فصل ۴ خود استفاده نمایید، چون این نرم افزار به حجم نمونه کم حساسیت نشون نمیده حتی با نمونه 50 تا 80 نفری جواب میده و مورد دیگری که میتونیم در نرم افزار pls اون رو شاخص قلمداد کنیم این است که تحلیل عاملی مرتبه دوم به بالا فقط از طریق این نرم افزار میسر است و امکان انجام تحلیل عاملی مرتبه دوم به بالا از طریق نرم افزار هایی مثل Amos،lisrelمقدور نیست و فقط از طریق نرم افزار plsامکان پذیر است .

شما میتونید با استفاده از نرم افزار pls مدل مفهومی تحقیقتون رو در حالت های مختلف اندازه گیری ،ساختاری و کلی نشون بدید .

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 حالیست که الگوریتم اساسی آن در دهه 1970 توسعه یافته و اولین نرم افزار آن با نام LVPLS از دهه 1980 برای استفاده در دسترس بوده است. دلایل استفاده محدود از این نرم افزار را می توان عدم سهولت استفاده و مشکلات روش شناختی آن دانست.

در سال های اخیر این وضعیت تغییر کرده است و پژوهشگران می توانند برای مدل یابی به روش PLS از نرم افزارهای مختلفی مانند PLS-Graph، VisualPLS، PLS-GUI و SmartPLS استفاده نمایند. علاوه بر کاربرد آسان این نرم افزارها، نیاز به مدل یابی سازه های تشکیل شونده در علوم اجتماعی، موجب حرکت پژوهشگران به سمت روش های PLS و استفاده از این نرم افزارها شده است.

از بین نرم افزارهای معرفی شده SmartPLS یکی از نرم افزارهای عمده و مهم مدل یابی مسیر با استفاده از PLS می باشد. بنابر گزارش سایت SmartPLS.de بیش از 10000 کاربر در جهان از این نرم افزار استفاده می کنند. این نرم افزار به علت داشتن رابط گرافیکی کاربر بسیار ساده و قابلیت های تحلیلی گسترده به یکی از محبوب ترین نرم افزارها در این زمینه بدل شده است.

نگاهی به قابلیت های نرم افزار SmartPLS : SmartPLS در سال 2005 توسط رینگل و همکاران وی در دانشگاه هامبورگ آلمان طراحی شده است. این نرم افزار مبتنی بر جاوا می باشد که باعث می شود کاربران سیستم های عامل مختلف از قبیل ویندوز، اپل مکینتاش و لینوکس به راحتی از آن استفاده نمایند. این نرم افزار قابلیت پردازش و تحلیل داده های خام را داراست. همچنین طراحی و آزمون مدل در آن به صورت کاملا گرافیکی انجام می شود. خروجی نرم افزار را می توان در قالب صفحات وب، اکسل و لاتکس مشاهده نمود. لازم به ذکر است که SmartPLS نیز همانند لیزرل و آموس قابلیت پردازش داده های خام را دارد. این نرم افزار داده های ورودی با فرمت CSV را که توسط SPSS یا Excel ایجاد می شود را دارد.

منبع : مقدمه ای بر مدل یابی معادلات ساختاری به روش PLS و کاربرد آن در علوم رفتاری / نوشته دکتر سید محمد سید عباس زاده / انتشارات دانشگاه ارومیه / 1391 .

مشخصات

جهت مشاهده منبع اصلی و ادامه این مطلب این مطلب کلیک کنید

روش تحقیق آمیخته

کندوکاو برای شناسائی و حل مسایل مدیریت و انجام پژوهش جهت شناخت پدیده‌ها بر پایه دیدگاه‌های فلسفی معرفت-شناختی و انتخاب روش‌ تحقیق انجام می‌شود. برای این منظور پژوهشگران، به طور ضمنی یا آشکار، یک دیدگاه فلسفی‌ را مفروض داشته و مبتنی بر آن، نحوه گردآوری داده‌ها تنظیم، تلخیص و چگونگی تحلیل‌ شواهد را تعیین می‌کنند. از این‌رو، انتخاب روش تحقیق برای پی بردن به ناشناخته‌ها، بر پایه‌ دیدگاه‌های فلسفی به عمل می‌آید. روش‌های تحقیق کمی مبتنی بر دیدگاه اصالت تحصلی است‌ و روش‌های تحقیق کیفی بر سه دیدگاه دیگر استوار است. از آنجا که روش‌های تحقیق کمی و کیفی به تنهایی نمی‌توانند پیچیدگی‌های مسایل و عناصر تشکیل‌دهنده پدیده‌های مختلف را بدون اریبی مورد مطالعه قرار دهند، ترکیب این روش‌ها مورد استفاده قرار گرفته و از آن تحت عنوان روش تحقیق آمیخته یاد شده است.

از لحاظ ماهیت، روش تحقیق مورد استفاده در این مطالعه روش تحقیق آمیخته است. در تحقیقات کمی به طور ضمنی پارادایم اثبات‌گرایی (اصالت تحصلی) برای پی بردن به موقعیت نامعین استفاده می‌شود. بدین معنا که فرضیه پژوهشگر آن است درباره پدیده‌های مورد مطالعه می‌توان به طور عینی و بدون اریب به شناخت لازم دست یافت. اما باید توجه داشت که تمام پدیده‌هایی که با رفتار انسانی سروکار دارند را نمی‌توان به شیوه کاملا عینی و بدون اریب مطالعه کرد. با توجه به ضرورت یاد شده، در دهه گذشته برای انجام تحقیقات در حوزه مسائل انسانی و رفتاری مانند مقوله سازمان و مدیریت، کوشش شده است تا از ترکیبی از روش‌های کمی و کیفی استفاده شود و به آن روش تحقیق آمیخته گویند. در این مطالعه از روش‌های ترکیبی کمی (مبتنی بر پرسشنامه) و کیفی (مبتنی بر مشاهدات پژوهشگر و مصاحبه‌های تخصصی) استفاده شده است.

مشخصات

جهت مشاهده منبع اصلی و ادامه این مطلب این مطلب کلیک کنید

ضریب تعیین (تشخیص) رگرسیون

ضریب تعیین یا ضریب تشخیص Coefficient Of Determination قدرت توضیح دهندگی مدل را نشان می‌دهد. ضریب تعیین نشان می‌دهد که چند درصد از تغییرات متغیر وابسته توسط متغیرهای مستقل توضیح داده می‌شود. تغییرات کل متغیر وابسته برابر است با تغییرات توضیح داده شده توسط رگرسیون بعلاوه تغییرات توضیح داده نشده.

ضریب تشخیص در معادلات رگرسیونی با علامت R² نشان داده می‌شود و بیانگر میزان احتمال هم‌بستگی میان دو دسته داده در آینده می‌باشد. این ضریب در واقع نتایج تقریبی پارامتر موردنظر در آینده را بر اساس مدل ریاضی تعریف شده که منطبق بر داده‌های موجود است، بیان می‌دارد. ضریب تعیین، معیاری است از این که خط رگرسیون، چقدر خوب خوانده‌ها را معرفی می‌کند. اگر خط رگرسیون از تمام نقاط بگذرد توانائی معرفی همه متغیرها را دارد و هرچه از نقاط دورتر باشد نشان دهنده توانائی کمتر است.

نحوه محاسبه ضریب تعیین از نظر آماری

با توجه به اینکه

SST: مجموع توان دوم خطاها زمانی که از متغیر‌های مستقل (X ها) استفاده نشود.

SSE: مجموع توان دوم خطاها زمانی که از متغیر‌های مستقل (X ها) استفاده شود.

پارامتر SSR را مجموع توان دوم رگرسیون نامید و کاهش در مجموع توان دوم خطا‌ها به خاطر استفاده از متغیر‌های مستقل (x ها) را نشان می‌دهد. هر چه SSR بزرگتر باشد بهتر است و اگر SSR = 0 باشد رابطه رگرسیونی اصلا کاربرد نداشته است.

SSR = SST – SSE

می دانیم SSR کاهش تغییر پذیری (خطا) به خاطر استفاده از متغیرهای مستقل است. نسبت این کاهش را با R² نشان داده و ضریب تعیین می‌نامیم.

R² = SSR/SST

بنابراین مقادیری که R² می‌تواند اختیار کند بین صفر و یک می‌باشد:

اگر R² = 1 باشد آن گاه SSR=SST یا به عبارتی SSE = 0 یعنی زمانی که از متغیرهای مستقل استفاده کنید هیچ خطای وجود ندارد که این بهترین حالت ممکن است.

اگر R² = 0 باشد آن گاه SSR=0 یا به عبارتی SSE = SSR یعنی استفاده از متغیر‌های مستقل هیچ تاثیری بر برآورد خط رگرسیونی ندارد.

محاسبه ضریب تعیین در SPSS

برای این منظور از

رگرسیون خطی استفاده می شود.

از منوی Analyze گزینه Regression فرمان Linear را اجرا کنید.

متغیر وابسته تعهد را به کادر Dependent وارد کنید. در تکنیک رگرسیون خطی فقط می توان یک متغیر را به کادر Dependent وارد کنید.

متغیر یا متغیرهای مستقل را به کادر Independent وارد کنید.

با تایید این کار چندین جدول در خروجی ظاهر خواهد شد.

برای مشاهده ضریب تعیین از جدول Model Summary استفاده کنید.

جدول ضریب تعیین در SPSS

براساس نتایح این جدول متغیرهای پیش بین توانسته‌اند ۲۸% از تغییرات در متغیر وابسته را تبیین کنند.

محاسبه ضریب تعیین در PLS

ضریب تعیین یکی از سه معیار اصلی برازش مدل در روش

حداقل مربعات جزئی است. ضریب تعیین بیانگر میزان تغییرات هر یک از متغیرهای وابسته مدل است که به وسیله متغیرهای مستقل تبیین می‌شود. گفتنی است که مقدار R2 تنها برای متغیرهای درون‌زای مدل ارائه می‌شود و در مورد سازه‌های برون‌زا مقدار آن برابر صفر است. هرچه مقدار R2 مربوط به سازه‌های درون‌زای مدل بیشتر باشد، نشان از برازش بهتر مدل است. چین (۱۹۹۸) سه مقدار ۰/۱۹ ، ۰/۳۳ و ۰/۶۷ را به عنوان مقدار ملاک برای مقادیر ضعیف، متوسط و قوی بودن برازش بخش ساختاری مدل به وسیله معیار ضریب تعیین تعریف کرده است. برای مطالعه بیشتر به بحث

شاخص‌های نیکویی برازش در حداقل مجذورات جزیی رجوع کنید.

منبع: محاسبه ضریب تعیین (تشخیص) نوشته آرش حبیبی

کتاب آموزش SPSS

مشخصات

جهت مشاهده منبع اصلی و ادامه این مطلب این مطلب کلیک کنید

تعریف مفهومی سکوت سازمانی از دیدگاه ون‌داین

سکوت سازمانی Organizational Silence : سکوت سازمانی پدیده‌ای است که در آن کارکنان سازمان به علل مختلف از اظهار نظر در مورد مسایل سازمان خودداری کرده وسکوت اختیار می‌کنند. سکوت یک علامت بسیار مهم بیماری، استرس، پیری، افسردگی یا ترس در سازمان به‌شمار می‌رود و مدیران باید در اولین فرصت عامل آن را ردیابی و برطرف نمایند. بی توجهی به این موضوع می‌تواند سبب اتفاقات وخیم تر و حتی مرگ سازمان شود.

انواع سکوت سازمانی : سکوت مطیع سکوتی است که افراد از سر ناچاری و انفعال شرایط را می پذیرند. سکوت تدافعی هم که براثر ترس اتفاق می افتد. سکوت دوستانه این است که افراد سکوت پیشه می کنند که عرصه برای دیگران باز شود.

سکوت مطیع Disregardful Silence : امتناع از بیان ایده‌ها از روی اطاعت و تسلیم که نشان‌دهنده یک رفتار بی‌اعتنایی از جانب کارکنان است که امید به بهبودی در آنها از بین رفته است. این کارکنان تمایلی به تلاش برای صحبت، مشارکت یا تلاش برای تغییر وضعیت ندارند.

سکوت تدافعی Defensive Silence :پندر و هارلوز برای نخستین بار به این نوع سکوت اشاره کردند. سکوت خاموش یا تدافعی یعنی امتناع و خودداری از ارائه ایده ها به دلیل ترس و به منظور حفظ خود، چراکه صحبت کردن در این حالت اساساً امری ناپسند و نامطبوع است.

مشخصات

جهت مشاهده منبع اصلی و ادامه این مطلب این مطلب کلیک کنید

آنچه در مورد طیف لیکرت باید بدانید

طیف لیکرت یا مقیاس لیکرت، یکی از رایج‌ترین سوالات پرسشنامه‌هاست. حتی اگر نام آن به گوش شما نخورده باشد، اگر تجربه پاسخ‌دهی به پرسشنامه‌ای را داشته باشید، به احتمال زیاد به این نوع سوال برخورده‌اید. هرچند پاسخ‌دهی به سوال طیف لیکرت برای مخاطب پرسشنامه بسیار ساده است اما طراحی آن همواره دارای پیچیدگی و همراه با سوالاتی در ذهن طراح نظرسنجی است. از قبیل: در چه مواردی استفاده از طیف لیکرت مناسب است؟ مقیاس عددی طیف را چندتایی باید انتخاب کرد؟ ۳، ۵، ۷ یا بیشتر؟ کی می‌توان مقیاس عددی طیف را زوج و در چه مواردی فرد باید در نظر گرفت؟ آیا به مقیاس عددی خنثی یا گزینه وسط نیاز هست؟ آیا باید به اعداد طیف برچسب زد؟ پاسخ این سوالات را در این مطلب خواهید یافت.

موارد استفاده از طیف لیکرت(سوال طیفی)

طیف لیکرت عموما برای اندازه‌گیری دیدگاه، احساس، نظر و مواردی از این قبیل که قابل مشاهده نیستند اما می‌توانند بر رفتار مخاطب موثر باشند، بکار می‌رود. به عنوان مثال:

مقیاس عددی مناسب برای سوال طیفی

انتخاب مقیاس عددی به سوالی که پرسیده می‌شود، وابسته است. اگر برای مفهوم یا ایده‌ای که در مورد آن پرسش می‌شود، معنایی مثبت تا منفی می‌توان متصور بود، مانند سطح رضایت مشتری، انتخاب طیف ۵ یا ۷ امتیازی مناسب است. به این مفاهیم دو قطبی یا دو‌ سویه(Bipolar) گفته می‌شود و بهتر است برای اندازه‌گیری مفاهیم دو سویه از مقیاس عددی فرد استفاده شود. اگر مفهوم موردنظر یک‌سویه یا تک‌قطبی(Unipolar) باشد و معنایی از صفر تا مثبت بتوان برای آن تصور کرد، مانند اثربخشی که مقداری منفی نمی‌تواند داشته باشد، انتخاب طیف ۴ یا ۶ امتیازی مناسب است. به عبارت دیگر برای اندازه‌گیری مفاهیم یک‌سویه مقیاس عددی زوج توصیه می‌شود. بنابراین در تکمیل راهکارهای مقابله با کفایت رضایت‌مندی، طراح پرسشنامه و نظرسنجی باید در مورد مفاهیم دو سویه گزینه وسط را استفاده کند.

مطالعات مختلف نشان داده‌اند که پایایی و روایی مقیاس‌های ۲ یا ۳ امتیازی در مقایسه با مقیاس‌های امتیازی بیشتر،‌ کمتر است و سطح پایایی و روایی در مقیاس‌های امتیازی بیشتر از ۷ نیز تا حدی کاهش می‌یابد.

اگر تعداد زیادی سوال طیفی در پرسشنامه خود دارید، بهتر است آن‌ها را تا حد امکان با یک نوع مقیاس امتیازی طراحی کنید. به این ترتیب مخاطب سوالات در طی پاسخ‌دهی گیج نخواهد شد و شناسایی داده‌های ناسازگار و غیرصحیح و تحلیل داده‌ها و گزارش‌دهی نیز راحت‌تر خواهد بود.

برچسب مقیاس‌های عددی طیف

پاسخ‌دهندگان باید بتوانند امتیازات طیف را به راحتی در ذهن خود تفسیر کنند. بنابراین اگر داده‌ای با کیفیت و دقیق می‌خواهید جمع‌آوری کنید، حتما ابتدا، انتها و در صورت وجود گزینه وسط طیف را برچسب بزنید و از ابهام جلوگیری نمایید. برچسب‌هایی مانند موافقت یا مخالفتی ندارم، مطمئن نیستم، همان‌طور که انتظار داشتم و نظری ندارم معمولا برای گزینه وسط طیف استفاده می‌شوند.

نهایتا در نظر داشته باشید که برچسب‌ مقیاس‌های عددی باید به راحتی قابل تفسیر باشد و پاسخ‌دهندگان باید تفسیر یکسانی از معنای برچسب مقیاس‌های عددی داشته باشند.

طیف لیکرت یا مقیاس لیکرت چیست؟

طیف لیکرت ابزاری برای سنجش نگرش افراد است و برای تهیه پرسشنامه‌های سنجش نگرش در مدیریت و علوم انسانی کاربرد دارد.

آیا طیف لیکرت باید نقطه وسط داشته باشد؟

همیشه از طیف‌های فرد استفاده کنید و طیف زوج را انتخاب نکنید. سوالاتی مانند ممتنع، نظری ندارم و مانند آن را برای نقطه وسط در نظر بگیرید.

آیا تعداد گویه‌های پرسشنامه طیف لیکرت مشخص است؟

بطور قطعی تعداد مشخصی برای این پرسشنامه مشخص نشده است اما توصیه آن است از ۳۰ گویه بیشتر استفاده نشود.

حد وسط طیف لیکرت ۵ درجه چه عددی است؟

دقت کنید طیف لیکرت پنج درجه از یک شروع می‌شود بنابراین حد وسط آن ۳ است و ۲٫۵ را در نظر نگیرید.

انواع طیف لیکرت

طیف لیکرت ۵ درجه

خیلی کم	کم	متوسط	زیاد	خیلی زیاد
۱	۲	۳	۴	۵

طیف لیکرت ۵ درجه

کاملا مخالفم	مخالفم	ممتنع	موافقم	کاملا موافقم
۱	۲	۳	۴	۵

طیف لیکرت ۷ درجه

خیلی کم	کم	کم تا متوسط	متوسط	متوسط تا زیاد	زیاد	خیلی زیاد
۱	۲	۳	۴	۵	۶	۷

طیف لیکرت ۹ درجه

خیلی کم	خیلی کم تا کم	کم	کم تا متوسط	متوسط	متوسط تا زیاد	زیاد	زیاد تا خیلی زیاد	خیلی زیاد
۱	۲	۳	۴	۵	۶	۷	۸	۹

مشخصات

جهت مشاهده منبع اصلی و ادامه این مطلب این مطلب کلیک کنید

آموزش تحلیل t زوجی یا آزمون تی وابسته در SPSS

در مطالب قبلی درباره مقایسه دو گروه که شامل آزمون تی مستقل است و تحلیل بیش از دو گروه که شامل تحلیل واریانس یک راهه است آموزش‌های لازم ارائه شد. در مقاله حاضر آموزش تحلیل t زوجی یا آزمون تی وابسته در SPSS ارائه شده است. ابتدا باید بدانیم که این آزمون در چه شرایطی به کار می‌رود.

فرض کنید شما وزن یک گروه را امروز اندازه گرفته‌اید و می‌خواهید آن را با وزن یک ماه بعد آنان مقایسه کنید. در این شرایط از تحلیل t زوجی استفاده می‌شود. به عبارت دیگر اگر شما یک گروه داشته باشید و یک متغیر را در دو بازه زمانی در این گروه اندازه گرفته باشید می‌توانید با تحلیل t زوجی آن را مقایسه کنید. بیشتر کاربرد این تحلیل زمانی است که یک گروه تحت یک مداخله درمانی قرار گرفته باشد و ما قصد داشته باشیم نمره این گروه را قبل و بعد از مداخله درمانی با یکدیگر مقایسه کنیم و ببینیم تفاوتی در این نمره ایجاد شده است یا خیر.

نکته: اگر داده‌های شما دارای توزیع نرمال باشد از تحلیل t زوجی استفاده می‌شود و اگر دارای توزیع نرمالی نباشد از آزمون ناپارامتریک یعنی ویلکاکسون استفاده می‌شود.

نکته: برای بررسی نرمال بودن توزیع داده‌ها باید از آزمون کولموگروف اسمیرنوف استفاده نمایید. این آزمون یک آزمون مقدماتی است که به شما درباره اینکه از آزمون پارمتری یا ناپارمتری استفاده کنید یاری می‌رساند.

پیشفرض‌های تحلیل t زوجی یا آزمون تی وابسته

۱- توزیع داده‌ها باید نرمال باشد (با استفاده از آزمون کولموگروف اسمیرنوف).

۲- داده‌ها باید در مقیاس فاصله‌ای یا نسبی باشند (ماننده نمره سن، وزن، پرسشنامه و …).

۳- دو نمره به دست آمده باید از یک جامعه باشد (همانند وزن در سالمندان در دو دوره متفاوت).

اجرای تحلیل t زوجی یا آزمون تی وابسته در SPSS

فرض کنید می‌خواهیم نمره افسردگی یک گروه از دانش آموزان را در پیش از انجام درمان و پس از انجام درمان با هم مقایسه کنیم. برای این کار در منوی بالای SPSS به مسیر زیر بروید:

Analyze>Compare Means<Paired-Samples T Test

تحلیل t زوجی یا آزمون تی وابسته در SPSS

پس از رفتن به مسیر ذکر شده کادر زیر برای شما باز خواهد شد. در کادر زیر نمره اول که می‌تواند نمره پیش آزمون افسردگی یا برای مثال نمره وزن دانش آموزان در ماه مهر باشد را در کادر اول یعنی Variable1 وارد کنید و نمره دوم که می‌تواند نمره پس آزمون افسردگی یا نمره وزن دانش آموزان در ماه آبان باشد را در کادر Variable2 وارد کنید. در مرحله سوم گزینه OK را بزنید.

تحلیل t زوجی یا آزمون تی وابسته در SPSS

پس از تایید در مرحله بالا خروجی به دست آمده برای شما به نمایش در خواهد آمد. در این خروجی سه جدول ارائه شده است که در بین اعداد موجود در خروجی ۴ نمره مورد توجه ما است. نمره ۱ میانگین و نمره ۲ انحراف استانداد نمرات افراد را در پیش آزمون و پس آزمون نشان می‌دهد. نمره ۳ میزان t و نمره ۴ نیز میزان p یا معنی داری را نشان می‌دهد. همانگونه که در جدول پایین مشاهده می‌شود در این آزمون بین نمرات به دست آمده تفاوت معناداری وجود دارد که به معنی این است که پس از مداخله درمانی افسردگی در دانش آموزان کاهش یافته است.

تحلیل t زوجی یا آزمون تی وابسته در SPSS

منبع : www.irantahgig.ir

مشخصات

جهت مشاهده منبع اصلی و ادامه این مطلب این مطلب کلیک کنید

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

جهت مشاهده منبع اصلی و ادامه این مطلب این مطلب کلیک کنید

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

جهت مشاهده منبع اصلی و ادامه این مطلب این مطلب کلیک کنید

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

جهت مشاهده منبع اصلی و ادامه این مطلب این مطلب کلیک کنید

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

جهت مشاهده منبع اصلی و ادامه این مطلب این مطلب کلیک کنید

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

جهت مشاهده منبع اصلی و ادامه این مطلب این مطلب کلیک کنید

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

جهت مشاهده منبع اصلی و ادامه این مطلب این مطلب کلیک کنید

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

جهت مشاهده منبع اصلی و ادامه این مطلب این مطلب کلیک کنید

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

جهت مشاهده منبع اصلی و ادامه این مطلب این مطلب کلیک کنید

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

جهت مشاهده منبع اصلی و ادامه این مطلب این مطلب کلیک کنید

نگارش چکیده مطلوب

گام های لازم برای نگارش چکیده مطلوب:

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 کردن 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

جهت مشاهده منبع اصلی و ادامه این مطلب این مطلب کلیک کنید

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

جهت مشاهده منبع اصلی و ادامه این مطلب این مطلب کلیک کنید

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.

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

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

جهت مشاهده منبع اصلی و ادامه این مطلب این مطلب کلیک کنید

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

جهت مشاهده منبع اصلی و ادامه این مطلب این مطلب کلیک کنید

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

جهت مشاهده منبع اصلی و ادامه این مطلب این مطلب کلیک کنید

دو رویکرد در مدلسازی معادلات ساختاری- نسل اول و دوم

مدل یابی معادله ساختاری (Structural equation modeling: SEM)

انواع مدل در مدل یابی معادله ساختاری

تحلیل مسیر

رویکرد‌های مدل یابی معادله ساختاری (LISREL یا PLS)

رویکرد کوواریانس محور

مفاهیم مدل یابی معادله ساختاری کوواریانس محور

متغیر آشکار (مشاهده شده)‌

مدل یابی معادله ساختاری متغیر آشکار

مدل یابی معادله ساختاری متغیر پنهان

متغیرهای پنهان درونی: متغیرهایی که تحت تأثیر یک یا چند متغیر دیگر قرار دارند.

خطای باقیمانده

خطوط کشیده شده به سمت متغیرهای آشکار بیان‌گر خطاهای اندازه‌گیری هستند.

مدل یابی معادله ساختاری خطاهای اندازه‌گیری

خطوط کشیده شده به سمت متغیرهای پنهان بیان‌گر واریانس‌های باقیمانده‌ یا از دست رفته‌ هستند.

مدل یابی معادله ساختاری خطاهای اندازه‌گیری

خطوط منحنی (فلش‌های دوطرفه) برای نشان دادن همبستگی‌ها استفاده می‌شود.

فلش‌های دوطرفه

مدل اندازه‌گیری:

مدل اندازه‌گیری X : روابط بین متغیر پنهان مستقل و متغیرهای آشکار مربوط به آن را نشان می‌دهد.

مدل اندازه‌گیری X

شکل ۱: مدل اندازه‌گیری X برای متغیر ساختار و زمینه تیم

مدل اندازه‌گیری Y

شکل ۲: مدل اندازه‌گیری Y برای متغیر فراشناخت تیمی

مدل ساختاری (تحلیل مسیر):

مدل ساختاری، روابط بین متغیرهای پنهان را مشخص می‌کند.

شکل ۳: مدل ساختاری

مدل عمومی معادله ساختاری

نمونه‌ای از یک مدل عمومی معادله ساختاری

پژوهشی رابطه سه متغیر پنهان A، B وC به صورت زیر بررسی شده است:

متغیر پنهان بیرونی A متغیر مستقل است که بر هر دو متغیر پنهان درونی B و C تاثیر می‌گذارد.
برای اندازه‌گیری متغیر A از سه متغیر آشکار (شاخص) X1 ، X2 و X3 استفاده شده است.
برای اندازه‌گیری متغیر B از سه متغیر آشکار (شاخص) Y1 ، Y2 و Y3 استفاده شده است.
برای سنجش متغیر پنهان C از سه متغیر آشکار (شاخص) Y4 ، Y5 و Y6 استفاده شده است.
ضریب مسیر بین دو متغیر پنهان وابسته با β و ضریب مسیر بین متغیر پنهان مستقل و وابسته با γ نشان داده می‌شود.
ارتباط بین هر متغیر پنهان با متغیرهای آشکار مربوطه با حرف λ نشان داده که به آن‌ها بار عاملی گفته می‌شود.
ε نشان دهنده خطا (باقیمانده) برای متغیر آشکار درونی
δ نشان دهنده خطا (باقیمانده) برای متغیر آشکار بیرونی
ζ نشان دهنده واریانس خطا (باقیمانده) برای متغیر پنهان درونی

مدل عمومی معادلات ساختاری

شکل ۴: نمونه‌ای از یک مدل عمومی معادلات ساختاری براساس نمادها

مراحل مدل یابی معادله ساختاری کوواریانس محور

مرحله ۱: تدوین مدل

تعداد متغیرها در تدوین مدل

مرحله ۲: تشخیص مدل (مشخص‌سازی)

p × (p+1)〉 / ۲〉= تعداد کل واریانس‌ها و کوواریانس‌های نمونه

مدل کاملا مشخص از نظر علمی مطلوب نیست. زیرا درجه آزادی (df) آن صفر می‌شود و هرگز نمی‌تواند رد شود. در عمل محققان باید مدل‌های فرامشخص که دارای درجه آزادی مثبت هستند را تجزیه و تحلیل کنند. مدل‌هایی که مشخص نیستند باید دوباره تدوین شوند.
برای این‌که مدلی مشخص باشد باید هر عامل حداقل ۳ شاخص داشته باشد.
شرط لازم و کافی برای مشخص سازی وقتی فراهم می‌شود که هر متغیر مشاهده شده (شاخص) فقط و فقط یک متغیر پنهان (عامل) را اندازه‌گیری کند.

مرحله ۳: برآورد مدل

روش‌های برآورد مدل

(Maximum Likelihood (ML: متداول‌ترین روش برآورد و مستقل از مقیاس داده‌ها‌ است. اگر متغیرهای مشاهده شده نرمال و خطی باشند و بیش از ۱۰۰ مورد وجود داشته باشد، از این روش می‌توان استفاده کرد.
(Generalized Least Squares (GLS: نتایجی مشابه روش ML ارائه می‌کند و با حجم نمونه‌های کوچکتر قابل کاربرد است.
(Unweighted Least Squares (ULS : زمانی مناسب است که تمام متغیرهای مشاهده شده با یک مقیاس واحد اندازه‌گیری شده باشند.
(Weighted Least Squares (WLS و (Diagonal weighted Least Squares (DWLS: وابسته به پیش فرض نرمال بودن نیستند و به حجم نمونه بسیار بالا (بیش از ۱۰۰۰ مورد) نیاز دارند.

مرحله ۴: آزمون مدل

آزمون‌های برازندگی مدل کلی

جدول۱: انواع شاخص‌های برازش مدل و مقدار مجاز آن‌ها

شاخص‌های برازش مدل

شاخص‌های دیگری نیز در خروجی نرم افزار

مرحله ۵: اصلاح مدل

منابع:

کلانتری، خلیل (۱۳۸۸). مدل یابی معادله ساختاری در تحقیقات اجتماعی-اقتصادی. تهران: انتشارات فرهنگ صبا. چاپ اول.
هومن، حیدرعلی (۱۳۸۸). مدل یابی معادله ساختاری با کاربرد نرم‌افزار لیزرل. تهران: انتشارات سمت. چاپ سوم.
شوماخر، راندال ای و لومکس، ریچارد جی (۱۳۸۸). مقدمه‌ای بر مدل‌سازی معادله ساختاری. مترجم: وحید قاسمی. تهران: انتشارات جامعه شناسان. چاپ اول. سال انتشار به زبان اصلی، ۲۰۰۴٫
میرز، گامست، و گارینو (۲۰۰۶). پژوهش چندمتغیری کاربردی طرح و تفسیر. ترجمه شریفی و همکاران ۱۳۹۱. انتشارات رشد.
کرلینجر، پدهازر (۱۹۸۲). رگرسیون چندمتعیری در پژوهش رفتاری. ترجمه حسن سرایی ۱۳۸۶. انتشارات سمت.
Bollen, K. A. (1989). Structural equations with latent variables. New York: Wiley.

رویکرد واریانس محور *یا حداقل مربعات جزئی (PLS***)

حجم نمونه در روش حداقل مربعات جزئی PLS

در مدل‌یابی معادله ساختاری به روش حداقل مربعات جزئی برخلاف روش قبلی به حجم نمونه بالایی نیاز نداریم.

محققان دو روش را برای تعیین حداقل نمونه لازم در PLS پیشنهاد می‌کنند:

حجم نمونه بزرگتر یا مساوی ۱۰ برابر تعداد شاخص‌های مدل اندازه‌گیری‌ای که دارای بیشترین شاخص در میان مدل‌های اندازه‌گیری مدل اصلی پژوهش است.
حجم نمونه بزرگتر یا مساوی ۱۰ برابر بیشترین تعداد مسیرهای ساختاری که به یک متغیر (سازه) در مدل مسیر درونی ختم می‌شوند.

مدل‌های اندازه‌گیری انعکاسی (Reflective) و مدل‌های ترکیبی (Formative)

مدل اندازه‌گیری انعکاسی ریشه در نظریه آزمون کلاسیک و روان‌سنجی دارد. این مدل شامل متغیرهای پنهانی است که نشان‌گر صفات، شخصیت یا نگرش‌ها هستند و نمود آن ها توسط متغیرهای دیگر نشان داده می‌شوند. در این نوع مدل ها جهت پیکان از متغیر پنهان (سازه) به سمت متغیرهای مشاهده شده است؛ یعنی فرض بر این است که اندازه‌گیری‌های مشاهده شده، تغییر در متغیر پنهان را منعکس می‌کنند. به عبارت دیگر تغییر در متغیر پنهان سبب تغییر در متغیرهای مشاهده شده می‌شود. در مدل‌های انعکاسی باید همبستگی مثبت و نسبتا بالایی بین متغیرهای مشاهده شده وجود داشته باشد.

مدل اندازه‌گیری انعکاسی

شکل ۵: نمونه‌ای از یک مدل اندازه‌گیری انعکاسی

مدل‌های اندازه‌گیری ترکیبی شامل متغیرهای مشاهده شده‌ای هستند که علت یا ایجاد کننده متغیرهای پنهان می‌باشند. یعنی متغیرهای تشکیل‌دهنده به عنوان متغیرهای علی در نظر گرفته شده‌اند که بر شکل‌گیری متغیر پنهان تاثیر دارند. در مقابل مدل‌های انعکاسی، در مدل‌های ترکیبی بین متغیرهای مشاهده شده، همبستگی می‌تواند مثبت، منفی یا صفر باشد. به عنوان مثال متغیر پنهان استرس زندگی را درنظر بگیرید. این متغیر می‌تواند از ترکیب متغیرهای مشاهده شده‌ای مانند از دست دادن شغل، طلاق یا حوادث ناگوار در زندگی تشکیل شود. یعنی این عوامل بر استرس زندگی تاثیر می‌گذارند. اما نمره سازه مورد نظر از نمره سئوالات آن به دست می‌آید. جهت پیکان از متغیرهای مشاهده شده به سمت متغیر پنهان (سازه) است؛ یعنی تغییر در متغیرهای مشاهده شده سبب تغییر در متغیر پنهان می‌شود.

مدل اندازه‌گیری ترکیبی

شکل ۶: نمونه‌ای از یک مدل اندازه‌گیری ترکیبی

مدل‌ درونی (Inner Model) و مدل بیرونی (Outer Model)

ارزیابی مدلها با استفاده از PLS

بررسی برازش مدلهای واریانس محور یا همان PLS در سه مرحله صورت میگیرد:

ارزیابی مدل اندازه گیری (مدل بیرونی) انعکاسی یا ترکیبی: تعیین پایایی و روایی
ارزیابی مدل ساختاری (مدل درونی)
آزمون مدل کلی PLS

ارزیابی مدل اندازه گیری (مدل بیرونی)

جدول ۲: معیارهای ارزیابی مدل اندازه گیری (مدل بیرونی)

معیارهای ارزیابی مدل اندازه گیری (مدل بیرونی)

ارزیابی مدل ساختاری (مدل درونی)

جدول ۳: معیارهای ارزیابی مدل ساختاری (مدل درونی)

معیارهای ارزیابی مدل ساختاری (مدل درونی)

آزمون مدل کلی PLS

منابع:

محسنین، شهریار و اسفیدانی، محمد رحیم. (۱۳۹۳). معادلات ساختاری مبتنی بر رویکرد حداقل مربعات جزیی – به کمک نرم افزار Smart-PLS. تهران: مهربان نشر. چاپ اول.
Henseler, Jörg; Ringle, Christian M; Sinkovics, Rudolf R. (2009). The use of partial least squares path modeling in international marketing, in Rudolf R. Sinkovics, Pervez N. Ghauri (ed.) New Challenges to International Marketing (Advances in International Marketing, Volume 20) Emerald Group Publishing Limited, pp.277 – ۳۱۹
Nunnally, J. C., & Bernstein, I. H. (1994). Psychometric theory (3rd ed.). New York, NY: McGraw-Hill

مشخصات

جهت مشاهده منبع اصلی و ادامه این مطلب این مطلب کلیک کنید

نکات بسیار مهم آزمون های تعقیبی post hoc

POST_HOC

آزمون ANOVA یا تحلیل واریانس یک طرفه برای آزمون مقایسه میانگین یک متغیر کمی در بین بیش از دو گروه مستقل استفاده می شود. در حقیقت این آزمون تعمیم یافته همان آزمون T دو نمونه مستقل است و دارای همان پیش فرض ها می باشد و تنها تفاوت این است که میانگین متغیر های کمی در بیش از دو گروه مستقل با هم مقایسه می شوند. در مقاله
آزمون F تحلیل واریانس یک طرفه یا ANOVA این آزمون به زبانی ساده و به صورت تفصیلی به همراه تفاسیر آن و در قالب یک فصل چهار کامل آموزش داده شد. اما نکته بسیار مهم بعد از خواندن آن مقاله این است که در آن مقاله بیان شد که آزمون
تحلیل واریانس ANOVA تنها به این سوال پاسخ می دهد که آیا بین گروه های مختلف مستقل تفاوت میانگین(متغیر کمی) وجود دارد یا ندارد؟ یعنی از کیفیت تفاوت میانگین اطلاعاتی به ما نمی دهد. (کیفیت تفاوت یعنی اینکه بیان کند بین کدام گروه ها تفاوت وجود دارد و جهت این تفاوت به کدام سمت است)

بنابراین برای رفع این مشکل باید از آزمون های تعقیبی مناسب استفاده نماییم. این آزمون های مکمل را Post hoc می خوانند اما زمانی که از درون نرم افزار می خواهیم دست به انتخاب آزمون های تعقیبی post hoc بزنیم با دو مشکل و ابهام مواجه هستیم.

post_hoc شکل1) آژمون های تعقیبی post hoc

مشکل اول این است که دو دسته آزمون تعقیبی وجود دارد. 14 آزمون قسمت اول شکل 1 که با شرط برابری واریانس های گروه های مستقل متغیر کیفی می باشد و 4 آزمون قسمت دوم شکل 1 که با شرط عدم برابری واریانس های گروه های مستقل متغیر کیفی قرار داده شده است. همانطور که در مقاله

آزمون F تحلیل واریانس یک طرفه یا ANOVAآموزش داده شد آزمون لوین این مشکل را حل می کند یعنی با شرط آماری زیر دست به انتخاب از یکی از دو دسته شکل 1 می زنیم.

واریانس های دو گروه با هم برابر هستند H₀:

واریانس های دو گروه با هم برابر نیستند H₁:

اما این مقاله به مشکل دوم می پردازد که متاسفانه حتی کتاب های روش تحقیق، نرم افزار، پایان نامه ها و مقالات هم این مشکل به صورت گسترده وجود دارد. این بخش از مقاله به بررسی این 18 آزمون تعقیبی به صورت تفصیلی و به زبان ساده می پردازد. منبع این مطلب کتاب روش پژوهش آقای دکتر محسن مرادی و خانم دکتر میر الماسی است که انشالله بزودی از طریق سایت در اختیار عزیزان قرار می گیرد. این کتاب به صورت ساده و جامع تلاش کرده گامی در جهت ارتقای روش پژوهش در ایران به سمت جلو بردارد.

لطفا محققین و خصوصا دانش پژوهان

آکادمی تحلیل آماری ایران این توضیحات را با دقت مطالعه نمایند تا نکات بسیار مهم آزمون های تعقیبی post hoc که همان نحوه انتخاب ما از بین این آزمون ها می باشد را بیاموزند

آزمون های تعقیبی یا post hoc با فرض برابری واریانس های بین گروه ها

همانطور که در شکل بالا دیده می شود بعد از آزمون لوین اگر شرط H₀ تایید گردید به معنای این است که پراکندگی یا واریانس بین گروه ها با هم برابر است و محقق باید از 14 آزمون بالا با شرط برابری واریانس های بین گروه ها دست به انتخاب بزند. اما متاسفانه یک ایراد ساختاری وجود دارد که محققین به غلط عادت کرده اند که آزمونی مثل توکی را انتخاب و بدون توجه به علت و دلیل این انتخاب کار را تحلیل نمایند که این خود یک ایراد روش شناسی در بخش تجزیه و تحلیل داده ها است. اما سوال این است که کدام آزمون از این 14 آزمون را باید انتخاب نمود؟ برای پاسخ به این سوال باید با این 14 آزمون تعقیبی یا post hoc باید آشنا گردید.

آزمون :LSD

یا حداقل تفاوت معناداری فیشر: این آزمون بنا به نظر فیلد 2000 یکی از قدیمی ترین و قویترین آزمون های تعقیبی در بین 14 آزمون مربوطه است. او بیان می کند وقتی که متغیر کیفی یا factor که می خواهیم متغیر کمی خود را در بین گروه های آن مقایسه نماییم 3 وجهی باشد(مانند متغیر محل اسکان که در کلاس SPSS آکادمی تحلیل آماری به عنوان مثال مطرح شد) این آزمون مناسب ترین آزمون است و با دقت و توان بالا تفاوت میانگین بین این سه گروه و نیز جهت تفاوت را از طریق علامت های حد بالا و پایین خود تشخیص می دهد. نکته اینجاست که اگر تعداد وجه های متغیر کیفی یا همان تعداد گروه های مستقلی که در آن تفاوت سنجی انجام می شود ، بیش از 3 تا باشد، بهتر است که از آزمون های دیگر استفاده گردد.(مرادی و میر الماسی، 1398، ص 602)

آزمون بونفرونی یا Bonferroni

این آزمون نیز برای مقایسه میانگین گروه ها مستقل زیر 4 گروه مناسب است و درست مثل آزمون قبل از آماره t دو نمونه مستقل بین جفت های بین گروه ها استفاده می کند. فراموش نشود که کنتون (2019) معتقد است که آزمون بونفرونی تلاش می کند که با ایجاد تنظیم در طول آزمون مقایسه ای جفت جفت، از نمایش داده هایی که آز نظر آماری نادرست است خودداری نماید.(کنتون، 2019). مطابق با دسته بندی که در بخش قبل نمودیم این آزمون توان اندکی در قابلیت تشخیص تفاوت و تمایز بین گروه ها دارا است. یعنی تفاوت باید بسیار آشکار و چشمگیر باشد تا بتوان توسط این آزمون معناداری تفاوت بین گروه های مستقل را تاییدی نمود. این دلیلی محکم بر محافظه کار بودن این آزمون است. البته به دلیل انعطاف بالا و سادگی محاسبات در دسته آزمون های تعقیبی متداول قرار می گیرد. .(مرادی و میر الماسی، 1398، ص 602)

سیداک یا Sidak :

این آزمون نیز بر اساس آزمون t دو نمونه مستقل عمل کرده و تفاوت بین گروه های مستقل را به عنوان یک آزمون تعقیبی در بین گروه های مستقل تعیین وضعیت می کند. اما فیلد در سال 2000 در مطالعات خود بیان می کند که این آزمون در حقیقت تعدیل و اصلاح شده ی آزمون بونفرونی است و در حقیقت آزمونی میانه رو می باشد که نسبت به آزمون بونفرونی نیاز به تفاوت و تمایز کمتری بین گروه های مستقل دارد تا معناداری این تمایز را اعلام نماید، اما در دیگر ابعاد تفاوتی با آزمون بونفرونی ندارد.(اگین و باربین، 2006). برای مطالعه بیشتر جهت مقایسه دو آژمون بونفرونی و سیداک محققین عزیز آکادمی می توانند مقاله Bonferroni’s and Sidak’s modified test را که توسط اگین و باربین از برزیل منتشر شده است را مطالعه نمایید.

شفه یا scheffe

دانش پژوهان و محققین عزیز همانطور که در کلاس های آکادمی تحلیل آماری بیان شد باید قبل از اجرا آزمون آنووا ANOVA و آزمون های تعقیبی آن ابتدا یک فراوانی ساده را با SPSS از متغیر کیفی و یا FACTOR خود بگیرند تا مشخص شود که آیا تعداد مشاهدات یا داده های گروه های مستقل با هم برابر است یا خیر. زیرا در بسیاری از اوقات حجم نمونه بین گروه های مستقلی که می خواهیم متغیر کمی خود را در بین آن ها فراوانی شماری نماییم، حجم نمونه هاینابرابری دارند. در این هنگام این آزمون شفه که مناسب‌ترین و دقیقترین نتایج را در اختیار محقق قرار می دهد. (مرادی و میر الماسی، 1398، ص 603) اشکال عمده این روش، محتاطانه یا محافظه‌کارانه بودن آن است. بدین معنی که چون آزمون شفه تمامی ترکیب‌های خطی احتمالی میانگین گروه‌ها را آزمون می‌کند، بنابراین، در این آزمون، صرفاً ترکیب‌های جفتی آزمون نمی‌شوند. در نتیجه آزمون شفه نسبت به سایر آزمون‌ها محافظه‌کارتر است. به همین خاطر، برای این که تفاوت بین میانگین‌ها معنی‌دار باشد، نیازمند میزان بالایی از این تفاوت هستیم. آزمون شفه را معمولا با آزمون توکی که در بخش های بعد با آن موجه خواهیم شد، مقایسه می کنند.همچنین، آزمون شفه، در مقایسه با آزمون توکی، در یک مثال کاملا یکسان و با داده های یکسان، فرض صفر را کمتر رد می‌کند.(شریفی و نجفی زند، 1390، 238)

در جمع بندی باید گفت که که این آزمون نسبت به آزمون توکی قابلیت کاربرد برای مقایسه گروه های مستقل با حجم نمونه های متفاوت و نابرابر را دارد. همچنین در این آژمون توزیع داده های می تواند نرمال و یا غیر نرمال باشد و حتی این آزمون نسبت به شرط برابری واریانس های گروه های مستقل حساسیتی ندارد. (مرادی و میر الماسی، 1398، ص 603)

آزمون F رایان – اینوت – گبریل – ولچ یا R-E-G-W-F

در آزمون پیش شرط این است که تعداد حجم نمونه یا همان تعداد مشاهدات جمع آوری شده در گروه های مستقل از هم با هم متوازن و برابر باشند. استفانی در سال 2017 بیان می کند که در این طرح از آماره F استفاده می شود. یه صورتی که این طرح مرحله به مرحله انجام می شود. ابتدا میانگین تمام گروه های مستقل محاسبه شده و سپس آماره F برای تمایز سنجی بین بزرگترین و کوچکترین میانگین بین گروه ها بررسی می گردد. اگر این آماره معنادار باشد به مرحله بعد رفته و تمایز بین بزرگترین و کوچکترین میانگین بعدی بررسی می گردد و زمانی تحلیل متوقف می شود که تفاوت بین میانگین ها در یکی از این مراحل معنادار نباشد. . (مرادی و میر الماسی، 1398، ص 604)

آزمون Q رایان – اینوت – گبریل – ولچ یا R-E-G-W-Q

این آزمون نیز مزاحلی چون آزمون قبلی دارد و معمولاً حجم نمونه یا همان تعداد مشاهدات جمع آوری شده در گروه های مستقل از هم باید با هم متوازن و برابر باشند.البته استفانی 2017 اعتقاد دارد که این آزمون نسبت به R-E-G-W-F ازتوان بالایی در تمایز گروه‌ها از همدیگر دارد و کنترل شدیدی هم بر میزان خطای نوع اول دارد(استفانی، 2017)

نیومن-ک استودنت شده یا S-N-K

استیل و همکارانش در سال 1997 در مقاله ای پیرامون اصول آماری در روش های بایو متریک بیان کردند که که این آزمون از آزمون توکی گرفته شده است با این تفاوت که لیبرال تر است. معنای آزمون لیبرال این است که برخلاف آزمون های محافظه کار، تفاوت های اندک بین گروه های مستقل را تشخیص می دهد. یعنی در تفوت های اندک بین گروه های مستقل sig برای آن ها معنادار می شود. (مرادی و میر الماسی، 1398، ص 604) در این آزمون ابتدا میانگین‌ها از بالاترین تا پایین‌ترین مقدار مرتب می‌شوند و سپس تفاوت بین هر جفت میانگین محاسبه می‌شود. در نهایت نیز، ارزش مقایسه‌ای که برای هر جفت از میانگین‌ها به طور جداگانه محاسبه می‌شود، با هم مقایسه می‌گردند.

توکی یا Tukey

آزمون توکی یا HSD آزمون معناداری حقیقی تفاوت بین میانگین ها، یک روش مقایسه ی میانگین چند مرحله ای است. در آن ابتدا میانگین متغیر کمی در تمام گروه های مستقل از هم محاسبه شده و سپس اولویت بندی و مرتب می شوند. سپس در قالب یک روش محافظه کار میانگین تمام جفت های ممکن با هم تمایز سنجی می شوند و این تفاوت سنجی بین تمام جفت های میانگین ها مشابه با آزمون t است. این آزمون زمانی که تعداد گروه ها زیاد است یکی از بهترین آزمون های post hoc می باشد.همچنین این پیش فرض را نباید از خاطر برد که تنها زمانی میتوان از این آزمون تعقیبی بهره برد که حجم نمونه گروه ها با هم برابر باشد. (لینتون و هاردر

[13]، 2007) متاسفانه این نکته ایست که بسیاری از کسانی که کار آماری پژوهش را انجام می دهند از آن غفلت می کنند و میتوان از آن به عنوان یک اشکال ساختاری در تجزیه تحلیل واریانس یک طرفه در تحقیقات ایران نام برد(مرادی و میر الماسی، 1398، ص 605)

بی توکی
[14] Tukey’s b

این آزمون نیز یک روش مقایسه ی میانگین چند مرحله ای است. در آن ابتدا میانگین متغیر کمی در تمام گروه های مستقل از هم محاسبه شده و سپس اولویت بندی و مرتب می شوند. سپس در قالب یک روش محافظه کار میانگین تمام جفت های ممکن با هم تمایز سنجی می شوند و این تفاوت سنجی بین تمام جفت های میانگین ها مشابه با آزمون t است. تفاوت آن نسبت به آزمون توکی این است که پیش فرض برابر بودن حجم نمونه گروه ها در آن وجود ندارد. (لینتون و هاردر

[15]، 2007)

دانکن
[16]یا Duncan

در این آزمون پیش فرض برابر بودن حجم نمونه گروه ها در آن وجود ندارد. در این آزمون را که چند دامنه دانکن نیز می خوانند، به دلیل توان بالای آن در تشخیص تمایز بین میانگین در گروه های مستقل رد رشته هایی چون پزشکی، زیست، شیمی و فیزیک و …… به کرات استفاده می کنند. هرچند هایر و همکارانش در سال 2006 پیرامون این کاربرد بدلیل عدم کنتل چندان بالای این آزمون بر خطاها مورد انتقاد قرار دادند. (مرادی و میر الماسی، 1398، ص 606)

آزمون جی تی دو هاچبرگز یا
[17] Hochberg’s GT2

این آزمون نیز درست مانند آزمون توکی یک روش مقایسه ی میانگین چند مرحله ای است که در آن ابتدا میانگین متغیر کمی در تمام گروه های مستقل از هم محاسبه شده و سپس اولویت بندی و مرتب می شوند. سپس میانگین تمام جفت های ممکن با هم تمایز سنجی می شوند و این تفاوت سنجی بین تمام جفت های میانگین ها مشابه با آزمون t است. تفاوتی که این آزمون با آزمون توکی دارد، این است که از بزرگترین قدر مطلق بین میانگین متغیر کمی در گروه های مستقل استفاده می‌کند. بنابراین عملا آزمون توکی توان بالاتری نسبت به این آزمون دارد. اما این آزمون زمانی بجای توکی کاربرد دارد که حجم نمونه ی گروه های مستقل بسیار متفاوت و نابرابر باشد. استیون این اختلاف بین مشاهدات را بیش از 200 مشاهده بیان نموده است. (مرادی و میر الماسی، 1398، ص 606)

گابریل
[18] یا Gabriel

این آزمون نیز از بزرگترین قدر مطلق بین میانگین متغیر کمی در گروه های مستقل استفاده می‌کند و زمانی که حجم نمونه گروه های مستقل با هم نابرابر باشند، عموماً قوی تر از آزمون جی تی دو هاچبرگز می‌باشد. البته نباید فراموش کرد که این نابرابری نمیتواند بسیار زیاد باشد زیرا بنا به نظر استیون از دقت آزمون کاسته می شود و در آن صورت جی تی دو هاچبرگز اولویت دارد. (مرادی و میر الماسی، 1398، ص 607)

والر-دانکن
[19] یا Waller-Duncan

یکی از معدود آزمون هایی که بجای آمار کلاسیک از آمار بیزین و پیش فرض های آن استفاده می کند، آزمون والر دانکن است. این آزمون که به آزمون تی والر-دانکن نیز معروف است، زمانی که اندازه‌های نمونه ی گروه های مستقل از هم با هم برابر نباشند استفاده می شود و در آن میانگین هارمونیک متغیر کمی در هز یک از گروه های مستقل از هم محاسبه شده و سپس آزمون t برای جفت جفت گروه ها اجرا می شود. (مرادی و میر الماسی، 1398، ص 608)

دانت
[20] یا Dunnett

این آزمون که یک آزمون t جهت مقایسه چندگانه جفتی است، در این آزمون میانگین تک تک گروه ها محاسبه می شود. سپس میانگین گروه آخر را به عنوان گروه کنترل قرار می دهند و میانگین تک تک گروه ها را با آزمون t با گروه کنترل مورد مقایسه و تفاوت سنجی قرار می دهند. (مرادی و میر الماسی، 1398، ص 608)

آزمون های تعقیبی یا post hoc با فرض عدم برابری واریانس های بین گروه ها

همانطور که در شکل بالا دیده می شود بعد از آزمون لوین اگر شرط H₀ رد گردید به معنای این است که پراکندگی یا واریانس بین گروه ها با هم برابر نیست و محقق باید از 4 آزمون پایین با شرط عدم برابری واریانس های بین گروه ها دست به انتخاب بزند.

آزمون مقایسه چندگانه که فرض عدم برابری واریانس ها را می‌پذیرند، شامل 4 آزمون می‌باشند که در زیر مشاهده می شود

تی. دو تمهنه
[21] Tamhane’s T2
تی. سه دانت
[22] یا Dunntt’s T3
جیمز – هوئل
[23] یا Games-Howell
سی دانت
[24] یا Dunnett’s C

از بین چهار آزمون بالا بلا شک رایج ترین و قویترین آزمون ،. جیمز هوئل می باشد و محقق باید آن را انتخاب کند. این آزمون حساسیتی روی برابری حجم نمونه گروه های مستقل را نیز ندارد.

[1] Fisher Least Significant Difference

[2] Field

[3] Bonferroni

[4] Kenton

[5] Sidak

[6] Conagin and Barbin

[7] scheffe

[8] Ryan-Einot-Gabriel-Welsch

[9] Studentized Newman Keuls

[10] Steel & et al

[11] Tukey

[12] Honestly significant differece

[13] Linton and Harder

[14] Tukey’s b

[15] Linton and Harder

[16] Duncan

[17] Hochberg’s GT2

[18] Gabriel

[19] Waller-Duncan

[20] Dunnett

[21] Tamhane’s T2

[22] Dunntt’s T3

[23] Games-Howell

[24] Dunnett’s C

منبع:

مرادی،محسن, & میرالماسی،آیدا. (1398). روش پژوهش عملگرا (پژوهش کمی و کیفی) (اول). تهران: آکادمی تحلیل آماری ایران(مدرسه پژوهش کمی و کیفی). Retrieved from www.analysisacademy.com

مشخصات

جهت مشاهده منبع اصلی و ادامه این مطلب این مطلب کلیک کنید

مدل های MIMIC

مدل های MIMIC در مدل سازی معادلات ساختاری

مدل MIMIC که مخفف Multiple Indicators and MultIple Causesمی باشد و به مدل های ساختاری با معرف های چند گانه و علل چند گانه معروف می باشد. باید همین ابتدای بحث بیان کنیم که این مدل ها، مدل های خاصی هستند که مطابق با نظر هنسلر 2009 باید حتما ادبیات نظری قوی استفاده از آن ها را حمایت نماید. یعنی برای پژوهش هایی استفاده شود که در آن یک متغیر تحت تاثیر عوامل موثری باشد که این عوامل با یکدیگر هم خطی نداشته باشند. همچنین متغیر مکنون خود توسط گویه ها و معرف هایی در قالب یک مدل اندازه گیری انعکاسی مورد اندازه گیری قرار می گیرند و این گویه ها یا متغیر های آشکار باید با یکدیگر همبستگی داشته باشند.

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

یکی از مزایای اصلی این مدل این است که متغیر های اثر گذار بر متغیر مکنون می توانند کیفی(اسمی، ترتیبی) نیز باشند. دانشجویان آکادمی تحلیل آماری اطلاع دارند که در مدل سازی معادلات ساختاری با نرم افزار هایی مثل ایموس و لیزرل یا پی ال اس شرط اصلی حضور متغیر ها در مدل این است که متغیر ها کمی باشند و متغیر های اسمی و رتبه ای نمی توانند به عنوان متغیر های برونزا در مدل حضور داشته باشند(مگر در حالتی که تعدیلگر باشند) اما این در این نوع مدل ساختاری خاص این امکان وجود دارد(مرادی، 1396)

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

منبع: سایت آکادمی تحلیل آماری ایران

مشخصات

جهت مشاهده منبع اصلی و ادامه این مطلب این مطلب کلیک کنید

رسم نمودار در SPSS

نرم‌افزار یا بسته آماری SPSS یکی از محبوب‌ترین نرم‌افزارهای محاسبات آماری در حوزه علوم انسانی و مدیریت است. از آنجایی که کار با این نرم‌افزار ساده بوده و خروجی‌های آن به راحتی قابل تفسیر هستند، SPSS به ابزار کارآمد و همه‌پسند تبدیل شده است، بطوری که علاوه بر حوزه‌های یاد شده، در بسیاری از تحقیقات آماری و محاسبات مربوط به مهندسی صنایع و علوم اجتماعی و حتی پزشکی نیز توسط خبرگان مورد استفاده قرار می‌گیرد. هر چند در بیشتر نرم‌افزارهای آماری محاسبات به شکل یکسانی صورت می‌گیرد، ولی بعضی از روش‌های تحلیلی، بخصوص رسم نمودارهای آماری در SPSS در نوع خود بی‌نظیر هستند. در این نوشتار قصد داریم به بررسی روش‌های رسم نمودار در SPSS پرداخته و خروجی‌های دلخواه خود را از داده‌های جمع‌آوری شده در قالب نمودار و تصویر نمایش دهیم.

رسم نمودار در SPSS

بسیاری از دستورات تحلیلی در SPSS قادر به رسم نمودارهای مرتبط با آن تحلیل هستند. برای مثال به کمک دستور Frequency می‌توانید به همراه جدول فراوانی، یک نمودار فراوانی یا Histogram نیز ایجاد کنید. یا هنگام مقایسه میانگین چند جامعه در دستور Explore،

نمودارهای جعبه‌ای (Boxplot) نیز قابل ترسیم هستند. ولی در این نوشتار سعی داریم که به کمک دستوراتی که مختص رسم نمودار در SPSS هستند، عملیات را انجام دهیم و تنظمیات دلخواه روی نمودار را به کار بریم.

امروزه نمایش داده‌ها» (Data Visualization) به دانشی گفته می‌شود که به وسیله آن قادر به ظاهر کردن خصوصیاتی از داده‌ها هستیم که به وسیله جدول یا نوشتار به کندی منتقل شده یا امکان کسب آن اطلاعات عملا غیرممکن به نظر می‌رسد. روش‌های نمایش داده‌ها ممکن است به شیوه ترسیم نمودارهای ساده و کارا صورت گیرد. بنابراین هر چه بیشتر با انواع نمودارها آشنا باشیم بهتر می‌توانیم از آن‌ها برای بیان خصوصیات داده‌ها استفاده کنیم.

رسم نمودار با استفاده از Legacy Dialog

رسم نمودار در SPSS توسط پنجره‌های گفتگو (Dialog Box)،‌ از باسابقه‌ترین تکنیک‌های رسم نمودار در این ابزار است. در این بین برای رسم هر نوع نمودار تنظیماتی مشخص شده است که کاربر با تعیین مقادیر پارامترهای این تنظیمات، نمودار دلخواه خود را ترسیم می‌کند. لیستی از انواع نمودار که توسط این شیوه قابل رسم است در جدول زیر مشاهده می‌شود. در نسخه‌های جدید SPSS، این پنجره گفتگو به نام Legacy Dialog معروف است.

ردیف	شرح	نام نمودار
۱	نمودار میله‌ای	‌Bar
۲	نمودار میله‌ای سه بُعدی	3-D Bar
۳	نمودار خطی	Line
۴	نمودار سطحی	Area
۵	نمودار دایره‌ای	Pie
۶	نمودار حداکثر-حداقل	High-Low
۷	نمودار جعبه‌ای	Boxplot
۸	نمودار میله‌های خطا	Error Bar
۹	نمودار هرم جمعیتی	Population Pyramid
10	نمودار پراکندگی/نقطه‌ای	Scatter/Dot
۱۱	نمودار فراوانی	Histogram

به این ترتیب مشخص است که در SPSS قادر به رسم ۱۱ نوع نمودار متفاوت توسط گزینه Legacy Dialog هستیم. خوشبختانه تنظیمات برای ترسیم نمودار، برای بیشتر گزینه‌های این لیست شبیه به یکدیگر هستند و فقط کافی است که در بعضی از گزینه‌ها توضیحاتی را اضافه یا کم کنیم. بنابراین سه گروه نمودار را در نظر می‌گیریم.

گروه اول: در این گروه از نمودارها که معمولا دارای یک یا دو محور هستند،‌ هدف مقایسه بین گروه‌ها براساس یک متغیر کیفی است. مقدارهای محور عمودی در این نمودارها اغلب براساس شمارش مقادیر یک متغیر کیفی یا براساس محاسبه یک شاخص آماری روی یک متغیر کمی صورت می‌گیرد.

اسامی این نوع نمودارها به صورت زیر است:

نمودار ستونی – Bar
نمودار ستونی سه بعدی – 3D Bar
نمودار خطی – Line
نمودار سطح – Area
نمودار دایره‌ای – Pie
نمودار بیشترین و کمترین – High-Low

گروه دوم نمودارهایی هستند که به منظور مقایسه چندین شاخص یا متغیر همزمان به کار می‌روند. معمولا چنین نمودارهایی نیز دارای دو محور هستند ولی به علت ساختاری که دارند قادرند، بیش از یک مشخصه را نمایش دهند.

اسامی این نوع نمودارها به صورت زیر است:

نمودار جعبه‌ای – Boxplot
نمودار میله خطا – Error Bar
نمودار هرم جمعیتی – Population Pyramid

گروه سوم نیز به منظور نمایش ارتباط بین دو متغیر کمی قابل استفاده هستند. در این بین ترتیب قرار گیری مقادیر روی محور افقی نیز ملاک شکل نمودار است. بنابراین به طور خودکار مقدار روی محور افقی مرتب می‌شوند.

اسامی این نوع نمودارها به صورت زیر است:

نمودار نقطه‌ای\پراکندگی – Scatter/Dot
نمودار فراوانی – Histogram

به همین علت این نمودارهای در لیست SPSS با خطوطی از یکدیگر جدا شده‌اند. همانطور که دیده می‌شود تقریبا همه نوع نموداری در این لیست وجود دارد. از آنجایی که بیشترین تنظیمات متعلق به گروه اول است، رسم نمودارهای مربوط به این گروه را مرور خواهیم کرد. به عنوان نماینده مناسب برای رسم نمودار از این گروه نیز Bar یا نمودار ستونی را در نظر می‌گیریم و نحوه تنظیمات آن را برای رسم یک مجموعه داده شرح می‌دهیم.

مثال ۱

فرض کنید قرار است مقایسه‌ای بین میانگین حقوق دو گروه (کارمندان و مدیران) صورت گیرد. مقادیر این مجموعه داده طبق جدول زیر است.

حقوق	گروه
1500	کارمند
2500	کارمند
3000	مدیر
4500	کارمند
1800	کارمند
3500	کارمند
2500	مدیر
6500	مدیر
1250	کارمند
1350	کارمند

این داده‌ها را به صورتی که در تصویرهای زیر مشاهده می‌کنید تعریف و در نرم‌افزار SPSS وارد کرده‌ایم. مشخص است که در برگه Variable View، تعریف متغیرها صورت گرفته است. متغیر income بیانگر حقوق و group نیز دارای دو مقدار عددی ۱ و ۲ است که براساس کارمند یا مدیر بودن به هر فرد نسبت داده می‌شود.

variable view for dataset — پنجره تعریف متغیرهای مجموعه داده مثال ۱

برگه بعدی که بوسیله آن داده‌ها را ثبت و نگهداری می‌کنیم، Data View نام دارد که همانطور که در تصویر زیر دیده می‌شود، مقادیر متغیرها برای ۱۰ مشاهده (۱۰ نفر) در سطرهای مختلف ثبت شده است.

data view for dataset — مقادیر مجموعه داده مثال ۱

حال دستور Bar را از فهرست Legacy Dialogs اجرا می‌کنیم. با این کار دو گونه سوال در پنجره Bar Charts مطرح می‌شود. در مرحله اول باید به SPSS بگویید که برای چه منظوری از نمودار Bar استفاده می‌کنید و در مرحله دوم نظم اطلاعاتی مقادیر و داده‌هایتان را مشخص می‌کنید. این تنظیمات توسط پنجره‌ای که در زیر مشاهده می‌کنید صورت می‌پذیرد.

Bar chart dialog — پنجره تنظیمات رسم نمودار میله‌ای

مرحله اول

همانطور که قبلا اشاره شد، این پنجره دارای دو بخش است. در بخش اول با انتخاب گزینه Simple مشخص می‌کنید که هدف از رسم نمودار مقایسه بین شاخص‌های آماری گروه‌هایی است که توسط یک متغیر کیفی ایجاد شده‌اند. برای مثال اگر بخواهید میانگین حقوق کارمندان و مدیران را مقایسه کنید این روش بهترین گزینه برای رسم نمودار خواهد بود. اگر گزینه Clustered را فعال کنید، نمودار براساس یک متغیر کیفی دیگر نیز قابلیت ترسیم پیدا می‌کند. به این ترتیب می‌توانید مقادیر شاخص‌های آماری به تفکیک دو متغیر کیفی را رسم کرده و مقایسه کنید. برای مثال اگر بخواهیم میانگین حقوق کارمندان و مدیران را براساس جنسیت (زن و مرد) به عنوان متغیر کیفی دوم نمایش دهیم، گزینه Clustered، انتخاب مناسبی است. البته انتخاب Stacked نیز به مانند Clustered عمل کرده ولی این امکان را هم می‌دهد که مجموع کل برای شاخص آماری مورد نظر را نیز مشاهده کنید. به این ترتیب سهم هر یک از بخش‌ها در نمودار نیز قابل نمایش است. بر همین اساس مجموع حقوق پرداختی در کل شرکت مشخص شده و سهم بخش مدیریت و کارمندان به تفکیک جنسیت (زن و مرد) نیز قابل نمایش خواهد بود.

مرحله دوم

تنظیماتی که در قسمت Data in Chart Are به کار رفته است مربوط به معرفی سازمان‌دهی داده‌ها است. گزینه‌هایی که در این قسمت به کار رفته‌، در فهرست زیر معرفی و شرح داده شده‌اند.

گزینه Summaries for groups of cases: با انتخاب این گزینه مشخص می‌کنید که قرار است مقایسه بین دسته‌هایی از مشاهدات صورت گیرد. به این معنی که مقادیری که قرار است برایشان شاخص آماری محاسبه شود در یک ستون و مقادیری که مشخص کننده گروه‌ها هستند در ستون دیگر منظم شده‌اند. بنابراین در این حالت یک متغیر کیفی برای دسته‌بندی مشاهدات وجود داشته و یک متغیر کمی برای محاسبه شاخص آماری. برای مثال اگر بخواهیم برای مجموعه داده مثال ۱،‌ نموداری رسم کنیم، این گزینه مناسب است، زیرا مشاهدات (Cases) براساس متغیر group طبقه‌بندی شده و شاخص میانگین حقوق (income) محاسبه و برای هر گروه مقایسه می‌شود.
گزینه Summaries of separate variable: اگر داده‌ها به شکلی است که قرار است مقایسه بین دو متغیر صورت گیرد، بهتر است این گزینه را فعال کنید. به این ترتیب دسته‌بندی به وسیله متغیرها صورت گرفته است. مثلا در نظر بگیرید که در مجموعه داده مثال ۱، حقوق کارمندان در یک متغیر (یک ستون) و حقوق مدیران در ستون دیگری قرار داشت. برای رسم نمودار ستونی و مقایسه میانگین حقوق در این دو گروه (دو متغیر) گزینه دوم در قسمت Data in Chart Are بهترین انتخاب بود.
گزینه Values of individual cases: با انتخاب این گزینه، هیچ شاخص آماری محاسبه نشده و مقدارهای یک متغیر به ترتیب شماره مشاهدات ترسیم خواهد شد. برای داده‌های مثال ۱، انتخاب این گزینه باعث ترسیم نمودار خواهد شد که میزان حقوق هر یک از کاکنان (مدیر و کارمند) را نمایش می‌هد.

در ادامه با توجه به تنظیماتی که مطابق با تصویر بالا انجام داده‌ایم، دکمه Define را به منظور تعیین متغیرها کلیک می‌کنیم. پنجره‌ای با عنوان Define Simple Bar: Summaries for Groups of Cases ظاهر می‌شود. در این پنجره نیز باید تنظیماتی را انجام دهید. البته برای منظورمان در مثال ۱، کارهایی که باید انجام دهیم، مطابق با تصویر زیر خواهد بود. ولی برای توضیحات بیشتر هر یک از بخش‌ها را شماره‌گذاری کرده و به صورت فهرست‌وار معرفی می‌کنیم.

define simple bar — پنجره پارامترهای نحوه ترسیم نمودار ستونی برای مثال ۱

در کادر Bar Represent، تعیین می‌کنید که ارتفاع ستون‌های نمودار باید توسط چه شاخص یا رابطه‌ای محاسبه شود. با انتخاب گزینه N of cases، فراوانی‌های متغیری که در بخش ۳ در کادر Category Axis معرفی کرده‌اید، ملاک محسوب می‌شود. همچنین می‌توانید فراوانی تجمعی (Cum. N) یا فراوانی نسبی (of cases%) یا فراوانی نسبی تجمعی (% .Cum) را ملاک قرار دهید.
از آنجایی که قرار است میانگین متغیر دیگری یعنی حقوق (income) برای مقایسه به کار رود گزینه Other statistics را انتخاب کرده و متغیر income‌ را در کادر Variable قرار می‌دهیم. توجه داشته باشید که اگر می‌خواهید شاخص آماری دیگری را به جای میانگین قرار دهید از دکمه Change Statistic استفاده کنید.
متغیر طبقه‌ای که به منظور تشخیص گروه‌ها در مجموعه داده قرار دارد را در کادر Category Axis قرار دهید. به این ترتیب سطوح مختلف این متغیر در محور افقی از کم به زیاد یا برحسب اولویت ورود قرار می‌گیرند.
اگر بخواهید براساس یک یا چند متغیر طبقه‌ای دیگر، نمودار حاصل را مجزا کنید از کادر Panel by‌ استفاده کنید. به این ترتیب می‌توانید برای مثال حقوق کارکنان را برای مدیران و کارمندان به تفکیک زن و مرد ظاهر کنید. در نتیجه دو نمودار ترسیم شده که در اولی مقایسه برای خانم‌ها صورت گرفته و در نمودار مقایسه بین حقوق کارکنان برای مردان انجام شده است. این نمودارها را می‌توانید با قرار دادن متغیری مثل Gender در بخش Rows یا Columns ایجاد کنید. اگر چنین متغیری را در Rows قرار دهید، نمودارها در زیر یکدیگر ظاهر شده و در صورتی که Columns محل قرار گرفتن چنین متغیری باشد، نمودارها به منظور مقایسه راحت‌تر در کنار هم دیده خواهند شد.

در ادامه نمودار حاصل از تنظیمات انجام شده در تصویر بالا را مشاهده می‌کنید.

Bar chart output — نمودار مقایسه میانگین حقوق بین کارمندان و مدیران

نکته: برای مجموعه داده مثال 1 اگر گزینه Values of individual Cases را انتخاب کرده و متغیر income را ملاک قرار داده بودیم، حاصل نمودار مطابق با تصویر زیر می‌شد.

individual cased plot — تنظیم نمودار برای ترسیم حقوق کارکنان

individual cased chart — نمودار مقایسه حقوق کارمندان به ترتیب ورود داده‌ها

رسم نمودار با استفاده از Chart Builder

شیوه دیگر برای رسم نمودار در SPSS استفاده از دستوری است که بسیاری از تنظیمات اولیه برای رسم نمودار را از دوش کاربر برداشته و آن‌ها را به صورت خوکار و توسط نرم‌افزار انجام می‌دهد. خوشبختانه در این روش، با توجه به یک قالب آماده از نمودار انتخابی، کاربر قبل از اتمام کار، می‌تواند شکلی اولیه‌ای از نمودار را با توجه تنظیماتی که انجام داده، مشاهده کند. بنابراین شاید بتوان این تکنیک را رسم نمودار به صورت تعاملی (Interactive) در نظر گرفت.

اگر از فهرست Graphs گزینه Chart Builder را انتخاب کنید، ابتدا با یک پنجره مواجه می‌شوید که ضرورت تعیین خصوصیات متغیرها مانند مقیاس اسمی (Nominal) و ترتیبی (Ordinal) و همچنین Scale را تذکر می‌دهد زیرا انتخاب نادرست هر یک از این ویژگی‌ها برای متغیرها، ممکن است منجر به عدم رسم یا رسم نمودار نامناسب هنگام استفاده از Chart Builder شود. توجه به این نکته نیز ضروری است که باید متغیرهای طبقه‌ای (Categorical Variable) دارای برچسب مقادیر (Value Label) باشند. البته این نکته نیز مورد اشاره قرار می‌گیرد که در هنگام کار با پنجره Chart Builder می‌توانید نوع مقیاس متغیرها را به دلخواه خود به طور موقت تغییر دهد تا نمودارتان قابلیت رسم داشته باشد.

Chart builder first dialog — تعیین مقیاس متغیرها هنگام رسم نمودار

نکته: اگر از نحوه تنظیم مقیاس متغیرهایتان اطمینان دارید بهتر است گزینه Don’t show this dialog again را انتخاب کرده تا دیگر این پنجره ظاهر نشود.

اگر در این پنجره، دکمه Define Variable Properties را انتخاب کنید، ابزارهایی برای تغییر مقیاس متغیرها در اختیارتان قرار می‌گیرد ولی با فشردن دکمه OK وارد پنجره رسم نمودار در SPSS خواهید شد. به این ترتیب پنجره تنظیمات مربوط به نحوه رسم نمودار در SPSS با ابزار Chart Builder ظاهر می‌شود. این پنجره دارای چند قسمت مختلف است. در بخش Variables متغیرهایی که در مجموعه داده قرار دارند، مشاهده می‌شود. همچنین در برگه Gallery در پایین پنجره، انواع نمودارهایی که بوسیله روش Chart Builder قابلیت رسم در SPSS را دارند، دیده می‌شود. با انتخاب هر یک از گروه‌های اصلی، در کادر سمت راست، انواع نمودارهای مربوط به آن دسته نمودار، ظاهر می‌شود. همچنین برگه‌های دیگر مانند Basic Elements و Groups/Point ID همچنین Titles/Footnotes برای تعیین پارامترهای اختیاری رسم نمودار به کار می‌روند. در بخش سمت راست نیز پنجره‌ای برای قالب‌بندی بخش‌های اصلی نمودار قرار گرفته است. این پنجره شامل برگه‌های Elements Properties یا تنظیمات اجزای نمودار، Chart Appearance یا قالب‌بندی ظاهر نمودار است. در انتها نیز تنظیمات اختیاری در برگه Options قرار گرفته است که اغلب مربوط به نحوه ترسیم

داده‌های گمشده (Missing Data) است. در ادامه مراحل یا گام‌های اصلی مربوط به رسم نمودار در SPSS را به کمک Chart Builder برای مثال ۱ بیان می‌کنیم.

نکته: منظور از قالب‌بندی نمودار، انجام تغییرات ظاهری روی نمودار مانند تغییر رنگ‌ سطوح یا مقیاس‌بندی محورها است.

مثال ۲

داده‌های مربوط به مثال ۱ را در نظر بگیرید. قرار است نموداری برای مقایسه میانگین حقوق کارکنان به تفکیک مدیران و کارمندان ترسیم کنیم. این کار را توسط مراحلی که در ادامه مشاهده خواهید کرد، انجام می‌دهیم.

انتخاب نوع نمودار از قسمت Gallery و کشیدن شکلک (Icon) نمودار مورد نظر در صفحه Chart preview uses example data در مرکز پنجره Chart Builder. از آنجایی که نمودار ستونی مورد نظرمان بوده است، از قسمت Choose from گزینه Bar سپس اولین نوع نمودار یعنی Simple Bar را انتخاب کرده‌ایم و به درون ناحیه ترسیم نمودار کشیده‌ایم.
انتخاب متغیرهایی که باید روی محورهای افقی و عمودی قرار گیرند؛ باید توجه داشت که هنگام رسم نمودار ستونی (Bar Chart)، متغیر طبقه‌ای در محور افقی و متغیر کمی یا کیفی در محور عمودی قرار گیرد، در غیر اینصورت نمودار صحیح ترسیم نخواهد شد. به این ترتیب باید متغیر گروه (group) را در محور افقی X-Axis و متغیر حقوق (income) را نیز در قسمت محور عمودی یعنی Y-Axis قرار دهیم. از آنجایی که متغیر حقوق یک متغیر کمی است، SPSS ترجیح می‌دهد که شاخص میانگین حقوق را برای محور عمودی محاسبه و نمایش دهد. اگر می‌خواهید نوع محاسبه را تغییر دهید، کافی است از پنجره سمت راست، با انتخاب گزینه Bar1 از کادر Edit Properties of،‌ در قسمت Statistics لیست را باز کرده و نوع محاسبه مورد نظرتان را انتخاب کنید.
انجام تغییرات و قالب‌بندی‌های دلخواه در قسمت‌های دیگر از پنجره Chart Builder مانند Chart Appearance که در آن قادر به تغییر قالب‌بندی اجزای نمودار مانند رنگ ستون‌ها هستید.

chart builder dialog box

نکته: همانطور که مشخص است متغیر گروه با مقیاس اسمی (Nominal) مشخص شده است. نرم‌افزار SPSS این گونه متغیرها را با سه علامت دایره تو در تو نشان می‌دهد. به همین علت هنگام استفاده از آن در محور افقی برچسب‌های مقدارها قرار گرفته است در حالیکه مقدار واقعی برای این متغیر عدد 1 و 2 است. نتیجه اجرای این دستورات و تنظیمات در شکل زیر دیده می‌شود. همانطور که مشخص است، دقیقا نموداری مانند حالت قبل ایجاد شده است که مقایسه بین میانگین حقوق کارمندان و مدیران را نشان می‌دهد.

توجه داشته باشید که نمودار مقایسه میانگین حقوق بین کارمندان و مدیران» که در مثال ۱ ترسیم کردیم، به وسیله امکانات ویرایشی در پنجره Chart Edit تغییر رنگ داده شده است ولی در نموداری که توسط Chart Builder‌ ترسیم کرده‌ایم، این کار صورت نگرفته است. در ادامه با نحوه ویرایش نمودار و تغییرات قالب‌بندی آن در پنجره Chart Editor‌ بیشتر آشنا خواهیم شد.

مثال ۳

در این مثال می‌خواهیم یک نمودار دایره‌ای برای نمایش نسبت تعداد کارکنان (مدیریت و کارمند) ایجاد کنیم. به نظر می‌رسد که برای مقایسه درصدی نمودار دایره‌ای (Pie Chart) مناسب باشد. بنابراین از فهرست Chart Builder وارد شده و نوع نمودار را دایره‌ای انتخاب می‌کنیم. از آنجایی که می‌خواهیم تعداد هر گروه در نمودار با یکدیگر مقایسه شوند، متغیر group را به محور افقی می‌کشیم. به طور خودکار SPSS تابع count را برای تعیین اندازه هر یک از قطاع‌های نمودار دایره‌ای انتخاب می‌کند.

Pie chart in SPSS

با کلیک روی دکمه OK، نمودار ظاهر شده و قادر به ویرایش به منظور نمایش درصدها روی هر یک از قطاع‌ها خواهیم بود. پس روی نمودار دو بار کلیک کرده تا نمودار برای ویرایش آماده شود. در ادامه با نحوه ویرایش نمودارها بیشتر آشنا خواهیم شد.

ویرایش نمودار در SPSS

برای آنکه ظاهر نمودار دارای جلوه بهتری بوده و به چشم بیننده نیز زیباتر به نظر برسد بهتر است آن را ویرایش کنید. البته بعضی از تنظیمات ویرایشی و قالب‌بندی را در شیوه رسم نمودار در SPSS با Chart Builder فرا گرفتید. ولی اگر پس از ترسیم، لازم باشد که نمودار قالب‌بندی جدید پیدا کند باید از پنجره Chart Editor کمک بگیریم. این امر با دو بار کلیک روی نمودار در پنجره Output صورت می‌گیرد. در تصویر زیر حاصل این کار و ظاهر شدن پنجره ویرایشگر نمودار (Chart Editor) را مشاهده می‌کنید.

SPSS Chart Editor

فهرست دستورات در این پنجره نسبتا زیاد است و بعضی از آن‌ها نیز به کمک نوار ابزار Toolbar قابل اجرا است. برای مثال اگر بخواهیم روی ستون‌ها مقدار میانگین حقوق هر یک از گروه‌ها را نمایش دهیم، کافی است از فهرست Element گزینه Show Data labels را انتخاب کنید تا میانگین حقوق هر یک از گروه‌ها در وسط ستون ترسیم شده، نمایش داده شود. با استفاده از پنجره Properties نیز می‌توانید محل قرارگیری این ارقام روی ستون‌ها را نیز در قسمت Label Position تعیین کنید. تصویر زیر این گزینه‌ها به همراه نتیجه اجرای ویرایش روی نمودار را نشان می‌دهد.

chart editor elements — ویرایش نمودار بوسیله پنجره Chart Editor

اگر بخواهیم درصد کارکنان را روی نمودار دایره‌ای نیز نشان دهیم، روی نمودار دایره‌ای دو بار کلیک کرده و همین عملیات را انجام می‌دهیم. نتیجه مطابق با تصویر زیر خواهد بود.

Pie chart with labeling

نکته: به منظور یکسان‌سازی و یک شکل بودن نمودارها و همچنین صرفه‌جویی در وقت هنگام ترسیم نمودارها، می‌توان الگویی برای ترسیم آن‌ها ایجاد کرد. چنین الگوهایی برای ترسیم نمودار در SPSS را Template می‌نامند. بنابراین بعد از ویرایش و قالب‌بندی یک نمودار می‌توانید شیوه ظاهر شدن آن را به عنوان یک پرونده الگو ذخیره کنید و برای نمودارهای دیگر نیز به کار گیرید. به این منظور کافی است در پنجره Chart Editor و فهرست File دستور Save Chart Template را اجرا کنید. به این ترتیب هر گاه احتیاج بود که نموداری طبق الگوی ذخیره شده، بسازید کافی است پس از ترسیم آن در پنجره Chart Editor و فهرست File دستور Apply Chart Template را اجرا و پرونده الگو را انتخاب کنید. نمودار رسم شده دارای قالب‌بندی مشابه پرونده الگوی خواهد شد.

خلاصه و جمع‌بندی

در این نوشتار با شیوه‌های مختلف رسم نمودار در SPSS آشنا شدیم. هر یک از این روش‌ها مناسب برای رسم نمودارها داده‌های خاصی مناسب هستند و در نتیجه بهتر است از همه آن‌ها اطلاع داشته باشیم تا به موقع از آن‌ها بهره ببریم. هر چند روش Chart Builder بهتر کاربر را در نحوه ترسیم نمودار یاری می‌کند ولی در بعضی از مواقع نیاز ما برای ترسیم نمودارهای توصیفی در روش قدیمی یا Legacy Dialog بهتر برآورده می‌شود. در انتها نیز مشخص شد که استفاده از پرونده‌های الگو هنگام ترسیم نمودار، در هنگام ویرایش نمودارها صرفه‌جویی زمانی زیادی برایتان خواهد داشت.

منبع:

https://blog.faradars.org

مشخصات

جهت مشاهده منبع اصلی و ادامه این مطلب این مطلب کلیک کنید

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

جهت مشاهده منبع اصلی و ادامه این مطلب این مطلب کلیک کنید

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

جهت مشاهده منبع اصلی و ادامه این مطلب این مطلب کلیک کنید

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

جهت مشاهده منبع اصلی و ادامه این مطلب این مطلب کلیک کنید

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

جهت مشاهده منبع اصلی و ادامه این مطلب این مطلب کلیک کنید

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؟

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)
واحد تحلیل در نمونه گیری بر اساس مسئله پژوهش و جامعه آماری مورد نظر مشخص شده باشد.
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.

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.
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.
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.
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.
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

جهت مشاهده منبع اصلی و ادامه این مطلب این مطلب کلیک کنید

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 (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

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

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

جهت مشاهده منبع اصلی و ادامه این مطلب این مطلب کلیک کنید

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

جهت مشاهده منبع اصلی و ادامه این مطلب این مطلب کلیک کنید

اصطلاحات اولیه مفید در مدل سازی معادلات ساختاری

مدل سازی معادلات ساختاریStructural Equation Modeling

مدل سازی معادلات سارختاری

مدل سازی معادلات ساختاری

اصطلاحات اولیه مفید در مدل سازی معادلات ساختاری

متغیر های بیرونی

متغیرهای دورنی

متغیر آشکار

متغیر پنهان

نقش متغیرهای پنهان در مدل معادلات ساختاری

تعدیل یا اصلاح در مدلسازی معادلات ساختاری

مدل سازی معادلات سارختاری

میانجی در مدل سازی معادلات ساختاری

مدل سازی معادلات سارختاری

کواریانس و همبستگی

مدل ساختاری

مدل اندازه گیری

مدل سازی معادلات ساختاری

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

جهت مشاهده منبع اصلی و ادامه این مطلب این مطلب کلیک کنید

اصطلاحات اولیه مفید در مدل سازی معادلات ساختاری

مدل سازی معادلات ساختاریStructural Equation Modeling

مدل سازی معادلات سارختاری

مدل سازی معادلات ساختاری

اصطلاحات اولیه مفید در مدل سازی معادلات ساختاری

متغیر های بیرونی

متغیرهای دورنی

متغیر آشکار

متغیر پنهان

نقش متغیرهای پنهان در مدل معادلات ساختاری

تعدیل یا اصلاح در مدلسازی معادلات ساختاری

میانجی در مدل سازی معادلات ساختاری

مدل سازی معادلات سارختاری

کواریانس و همبستگی

مدل ساختاری

مدل اندازه گیری

مدل سازی معادلات ساختاری

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

جهت مشاهده منبع اصلی و ادامه این مطلب این مطلب کلیک کنید

منطق تحلیل عاملی

تحلیل عاملى

تحلیل عاملی یا آنالیز فاکتور یا Factor Analysis یکی از روشهای آماری چند متغیره است که بین مجموعه فراوانی از متغیرها که به ظاهر بی ارتباط هستند ، رابطه خاصی را تحت یک مدل فرضی برقرار می کند.

در تحلیل عاملی تعداد زیادی از متغیرها برحسب تعداد کمی از ابعاد یا سازه ها بیان می شود ، این سازه ، فاکتور یا عامل نامیده می شود.

تحلیل عاملىFactor Analysis

تحلیل عاملی

تحلیل عاملی چیست ؟

تحلیل عاملی یا آنالیز فاکتور یا

Factor Analysis یکی از روشهای آماری چند متغیره است که بین مجموعه فراوانی از متغیرها که به ظاهر بی ارتباط هستند ، رابطه خاصی را تحت یک مدل فرضی برقرار می کند.

در

تحلیل عاملی تعداد زیادی از متغیرها برحسب تعداد کمی از ابعاد یا سازه ها بیان می شود ، این سازه ، فاکتور یا عامل نامیده می شود.

منطق تحلیل عاملى

تحلیل عاملى براى ایجاد ارتباط بین متغیرهاى مشاهد شده و تعداد کمترى از متغیرهاى مفهومى زیرین طراحى شده است . تحلیل عاملى ، سنجه هاى مشاهده شده را برحسب عوامل مشترک ( مشاهده نشده ) به اضافه واریانس یکتا نشان مى دهد . روابط بین عوامل مشاهده نشده و سنجه هاى مشاهد شده تحت عنوان وزن ( براى مثال وزن هاى رگرسیونى ) که عامل ها را به سنجه ها ارتباط مى دهند ، تعریف مى شوند .

تعریفی دقیق از تحلیل عاملی

آنالیز فاکتور ، چرخه اى را براى حرکت از مدل مسیر مبتنى بر ” سنجه واحد براى هر سازه ” بر چند سنجه براى هر سازه یا مدل مسیر چند معرفه فراهم مى سازد . از این طریق مى توان متغیرهاى نظرى مورد توجه را در تحلیل مسیر آزمود . در این حالت متغیرها به عنوان عامل محسوب مى شوند و براى هر سازه چند سنجه وجود دارد که این عامل سبب بهبود سنجش سازه ها مى شود .

نکتهتحلیل آماری

با گسترش تحلیل مسیر ، با پیوند منطق تحلیل عاملى ، مدل سازى مسیر ، دیگر نمى توان مدل ها را از طریق تکنیک هاى رگرسیونى حداقل مربعات معمولى ( OLS ) حل نمود .

تحلیل عاملی در برابر تحلیل رگرسیونی

تحلیل عاملی

تحلیل رگرسیونى ما را به یک سنجه واحد که فکر مى کنیم بر متغیر مفهومى مورد نظر نزدیک است محدود مى کند ، در صورت داشتن سنجه هاى مختلف ، بهترین گزینه ما براى تحلیل مسیر معمولاً ترکیب گزینه هاى اندازه گیرى خواهد بود . در اصل آن سنجه باید نشانگر بهترین روایى حتى در صورتى که در برگیرنده خطاهایى از متغیرهاى جمع شده هستند ، باشد .

در مقابل ، در رویکرد تحلیل عاملى بیش از اینکه بر انتخاب بهترین سنجه فکر کنیم ، باید سنجه هاى مختلفى براى ارزیابى متغیرها انتخاب کنیم . سازه عملکرد ( عامل ) به واسطه نقاط مشترک سنجه ها تعریف مى شود . عامل عملکرد ، عاملى است که با دیگر متغیرهاى نظرى روابط درونى دارد و هر کدام از آنها عامل هایى هستند که از طریق چند سنجه تعریف مى شوند . در مدل مسیرى که خطوط یک جهته عامل ها را بر همدیگر وصل مى کند ، همبستگى ها ( کوواریانس ها ) میان عامل ها به ضرایب مسیر تغییر مى یابد ، به همان صورتى که تحلیل رگرسیونى همبستگى ها یا کوواریانس ها را به ضرایب مسیر تغییر مى دهد .

تحلیل عاملی شکل تغییر یافته رگرسیون

براى خوانندگانى که با تحلیل مسیر آشنا نیستند ؛ مى توان گفت تحلیل عاملى خیلى شبیه رگرسیون است . از آنجایى که آنالیز فاکتور نیز همانند رگرسیون جزء مدل هاى خطى کلى محسوب مى شود ، آن را مى توان به عنوان شکل تغییر یافته رگرسیونى دید .

برجسته ترین تفاوت این دو رویکرد در اینست که در تحلیل عاملى همه متغیرهاى مدل رگرسیونى سنجش نمى شوند . همچنین در تحلیل عاملى ماتریسى که مورد تحلیل قرار مى گیرد ، تحلیل همبستگى است و بنابراین راه حل مشابه رگرسیونى باید بر ضرایب استاندارد شده ( بتا ) توجه داشته باشد .

معادله ى رگرسیونى در شکل ماتریسى Y=BX+E است ، در صورتى که معادله اصلى تحلیل عاملى Y=Pf+U مى باشد . در معادله آخر ، فقط Y ها به طور واقعى سنجیده مى شوند Y ها بر حسب بردار عامل هاى f که بیانگر عامل هاى سنجش نشده مى باشد ، ماتریس وزن ها یا P که بیانگر ماتریس ضرایبى است که عامل ها را بر سنجه هاى مشاهده شده Y وصل مى کنند و بردار باقیمانده ها یعنى U ، تعریف مى شوند .

عناصر P در اصل ضرایب رگرسیونى هستند ؛ اما در واژگان تحلیل عاملى به عنوان عناصر ماتریس الگوى عاملى تعریف مى شوند . عناصر U یعنى باقیمانده هایى که بعد از تجزیه عامل مشترک وجود دارند ، یکتایى در آنالیز فاکتور نامیده مى شوند . معادله تحلیل عاملى از نظر شکل ، معادل تحلیل رگرسیونى است

راه کارهای تحلیل عاملی

تحلیل عاملی

آنالیز فاکتور همانند دیگر روشهای آماری راهی برای رسیدن پژوهشگر به اهداف خود می باشد. چنانچه هدف تحقیق کاهش و خلاصه کردن داده ها باشد ، تحلیل عاملی روش مناسبی برای این منظور خواهد بود. در این راستا پژوهشگر برای رسیدن به اهداف خود باید به این سوالات پاسخ دهد :

کدام متغیر باید در تحلیل وارد شود ؟
چه تعداد متغیر را باید در تحلیل وارد نمود ؟
متغیرها چگونه سنجیده می شوند ؟
آیا حجم نمونه برای تحلیل عاملی کافی است ؟

کارکرد اصلی تحلیل عاملی

هنگامى که محققین سنجه ها را در مورد مجموعه اى از ابعاد زیرین اولیه گردآورى مى کنند ، تحلیل عاملى بیشتر براى تأیید آزمون مدل بکار مى رود تا کشف مدل . هر چند که در عمل ، تعیین ماهیت متغیرهاى سنجش نشده همواره به وضوح مشخص نیست تا جایى که تکنیک هاى تحلیل عاملى به عنوان تکنیک هاى اکتشافى بکار گرفته شده اند . بکار بردن تکنیک آنالیز فاکتور براى مشخص سازى ابعاد سنجه هایى که به طور غیر نظرى در هم جمع یا با هم ترکیب شده اند ، مى تواند تفسیر عامل هاى سنجش نشده را دشوار سازد .

نکات مهم در تحلیل عاملی

طبیعی است که در روش تحلیل عاملی باید دقت زیادی کرد، اگر ناآگاهانه از آن استفاده شود ممکن است بسادگی نتایج ضد و نقیضی به بار آورد.

به طور کلی این تحلیل برای متغیرهای رتبه ای زیاد مناسب نیست.
تحلیل عاملی برای داده های انبوه بوده و برای متغیرهای فاصله ای بیشتر مناسب است.
نکته ی دیگر مناسب بودن داده ها برای تحلیل عاملی است ، مثل کافی بودن حجم نمونه

چهار وظیفه مهم تحلیل عاملی

به طور مشخص تحلیل عاملی چهار وظیف زیر را می تواند انجام دهد:

تشخیص یک مجمعه از ابعاد مفهومی که معمولاً از دید پژوهشگر پنهان است ( و یا به سهولت قابل مشاهده نیستند)
ارائه روش ترکیب و خلاصه کردن تعداد زیادی از افراد جامعه (یا واحدهای تحلیل ) به داخل تعدادی گروه کاملاً متمایز از بین یک جامعه بزرگ
تشخیص متغیرهای مناسب برای تحلیل های بعدی (مثلاً استفاده از آنها در تحلیل رگرسیون و تحلیل همبستگی )
ایجاد یک مجموعه از متغیرهای کاملاً جدید که تعداد آنها نسبت به متغیرهای مورد مشاهده خیلی کمتر است و قرار دادن آن به جای مجموعه متغیرهای مورد مشاهده در تحلیل های بعدی

منبع:

https://www.marketingirantalent.com/research/

مشخصات

جهت مشاهده منبع اصلی و ادامه این مطلب این مطلب کلیک کنید

تحلیل عاملی تاییدی

هدف تحلیل عاملی

هدف اغلب تحلیل های عاملی ساده کردن ماتریس همبستگی است، به گونه ای که بتوان آنها را در اغلب عوامل اصلی توصیف کرد؛ به عبارتی بتوان آنها را بر حسب تعدا کمی از عامل های زیر بنایی توضیح داد تا در نتیجه به روابط بین متغیرها پی برد. در واقع، هدف تحلیل عاملی ساده سازی مجموعه ی پیچیده ای از داده ها می باشد. زمانی که اسپرمن در سال ۱۹۰۴ این تکنیک را معرفی کرد، از ساده ترین روشهای محاسباتی استفاده شده بود. امّا با گذشته سالها و با کامل تر شدن رایانه ها، روشهای رایانه ای بسیاری به وجود آمد. در حال حاضر روشهای محاسباتی متفاوتی از تحلیل عاملی وجود دارد، که البته بعضی از آنها از لحاظ فنی نامناسب هستند و نتایج گمراه کننده است.

از تحلیل عاملی می توان بر روابط اساسی بین مقولات یا متغیرها پی برد. تحلیل عاملی مشخص می کند که در بین داده ها چه چیز عامل نامیده می شود، البته منظور از عامل همان ابعاد یا ساختار پنهانی است که محقق در پی کشف و یا آزمون آنهاست. این عامل های سازنده فرضی هستند که غالباً می توانند بین تبین داده ها مورد استفاده قرار گیرند؛ به عبارتی تحلیل عاملی، واریانس موجود در متغیرهای مختلف را بر اساس معدودی از عوامل نشان می دهد.

تحلیل عاملی گویای این سؤال است که عوامل متعدد، چگونه می توانند در یک مجموعه از داده ها قرار گیرند با آن سؤال (گویه) مرتبط شوند. در واقع، تجزیه و تحلیل عاملی روشی برای تعیین تعداد و ماهیت متغیرهای واقعی در میان تعداد زیادی از مقیاس ها می باشد. تحلیل عاملی تعداد متغیرهایی را که می باید پژوهشگر به کار گیرد کاهش می دهد؛ به سخنی دیگر یکی از اهداف اصلی تکنیک تحلیل عاملی، کاهش ابعاد داده هاست، یعنی کاهش دهنده ی تعداد متغیرها به تعداد کمتری از متغیرها یا همان عوامل پنهان است. بنابراین، هدف اصلی تکنیک های تحلیل عاملی، یافتن روش مختصر و مفید کردن اطلاعات بدست آمده از تعداد زیادی متغیر مورد مشاهده و تبدیل آنها به یک مجموعه کوچکتر از ابعاد ترکیبی جدید (عامل ها) با حداقل از دست دادن اطلاعات است. در این روش ابعاد یا سازه های اساسی که فرض می شود از لحاظ مفهومی مبنای مشترک متغیرهای مورد مشاهده هستند، مورد جستجو قرار می گیرد.

وظایف تحلیل عاملی

به طور مشخص تحلیل عاملی چهار وظیفه ی ذیل را می تواند انجام دهد:

تشخیص یک مجموعه از ابعاد مفهومی که معمولاً از دید پژوهشگر پنهان هستند ( و یا به سهولت قابل مشاهده نیستند) در بین تعداد زیادی از متغیرها. یعنی هدف آن کشف یگانگی ها در بین متغیرهای متعدد است. در واقع، در روش تحلیل عاملی می توان سازه هایی را که قبلاً نامعلوم بودند آشکار ساخت.
ارائه روش ترکیب و خلاصه کردن تعداد زیادی از افراد جامعه (یا واحدهای تحلیل) به داخل تعدادی گروه کاملاً متمایز از بین یک جامعه ی بزرگ؛ یعنی هدف آن تشخیص یگانگی در بین افراد جامعه (یا واحدهای تحلیل) است.
تشخیص متغیرهای مناسب برای تحلیل های بعدی ( مثلاً استفاده از آنها در تحلیل رگرسیون و تحلیل همبستگی) از بین تعداد زیادی متغیر مشاهده، در مورد چگونگی تشخیص انتخاب متغیرهای مناسب است.
ایجاد یک مجموعه از متغیرهای کاملاً جدید که تعداد آنها نسبت به متغیرهای مورد مشاهده خیلی کمتر است و قرار دادن آن به جای مجموعه متغیرهای مورد مشاهده در تحلیل های بعدی (مثل استفاده از آنها در تحلیل رگرسیون و یا تحلیل همبستگی)، در مورد چگونگی استفاده از این متغیرهای جدید که اصطلاحاً به آنها نمره ی عاملی گفته می شود، توضیح داده می شود.

مشخصات

جهت مشاهده منبع اصلی و ادامه این مطلب این مطلب کلیک کنید

شاخص برازش اصلاح شده مقتصد ،هنجار شده

شاخص برازش اصلاح شده مقتصد ،هنجار شده و اصلاح شده مقتصد

شاخص PGFI در سال ۱۹۸۲ توسط Mulaik and Brett ، James معرفی گردید که میزان پیچیدگی ( تعداد پارامتر های برآورده شده ) مدل تجربی را ارزیابی برازش کلی مدل لحاظ می نماید. این شاخص در راستای بهبود شاخص GFI بر اساس میزان درجه آزادی مدل تجربی و زمانی که هیچ مدلی وجود ندارد معرفی گردید.

شاخص PNFI نیز همانند شاخص NNFI به دنبال بهبود شاخص NFI معرفی گردید ، ولی از راه متفاوت تری بدنبال محاسبه آن برآمد. در واقع شاخص تعدیل یافته مذکور در راستای بهبود شاخص NFI براساس نسبت درجه آازدی مدل تجربی به مدل مستقل معرفی گردید.

برای این دو شاخص دامنه مشخصی که مبین خوب یا ضعیف بودن مدل برازش شده باشد ، ذکر نگردیده است ؛ ولی برخی مقادیر نزدیک ۵ ، ۰ را برای این دو شاخص در نظر گرفته اند.

نکته ۱٫ زمانی که از مدل سازی معادلات ساختاری به روش اندازه گیری انعکاسی یا لیزرل استفاده می نمائید ، برای اینکه مدل شما دقیق تر و با خطای کمتری برآورد گردد ؛ بهتر است حداقل حجم نمونه در نظر گرفته شده ۱۰۰ باشد ؛ تعداد نمونه بیش از ۵۰۰ برازش بهتری را برای مدل شما نمایش می دهد.

نکته ۲٫ زمانی که شرایط غیر نرمال حاکم بوده و تعداد نمونه در دسترس کمتر از ۵۰۰ است ؛ شاخص های NFI ، NNFI و CFI نسبت به شاخص کای اسکوئر برازش بهتری را نشان می دهد.

توجه . در خروجی نرم افزار لیزرل صرف بد بودن ( خوب نبودن ) چند شاخص نمی توان گفت مدل پیشنهاد شده از برازش خوبی برخوردار نیست ، لذا باید چندین شاخص را مد نظر قرار داد تا به یک اجماع کلی درباره خوب یا ضعیف بودن مدل برازش داده شده رسید.

منبع:

https://www.marketingirantalent.com/research/

مشخصات

جهت مشاهده منبع اصلی و ادامه این مطلب این مطلب کلیک کنید

شاخص برازش مقایسه ای در مدلسازی معادلات ساختاری

شاخص برازش مقایسه ای ( CFI )

شاخص برازش مقایسه ای ( CFI ) که به عنوان شاخص برازش مقایسه ای بنتلر نیز نامیده می شود ؛ امروزه یکی از پر کاربرد ترین و مناسب ترین شاخص های تفسیری پیرامون تأیید برازش خوب یا ضعیف مدل تجربی است ؛ این شاخص برازش مدل موجود را با مدل مستقل ( Null model ) مقایسه می کند. یکی از مزیت های شاخص CFI عدم حساسیت آن به میزان حجم نمونه بوده و در مواردی که حجم نمونه در دسترس پائین است ، می توان از این شاخص برای تحلیل خوب یا ضعیف بودن مدل برازش داده شده به جای شاخص RMSEA استفاده نمود. دامنه پذیرش این شاخص نیز بین ۹۰ ، ۰ تا ۱ بوده و چنانچه مقدار CFI از ۹۵ ، ۰ بیشتر باشد ، مدل موجود برازش خیلی خوبی را نشان می دهد.

منبع:

https://www.marketingirantalent.com/research/

مشخصات

جهت مشاهده منبع اصلی و ادامه این مطلب این مطلب کلیک کنید

اندیشه اساسی زیر بنای مدل یابی ساختاری

یکی از مفاهیم اساسی که در آمار کاربردی در سطح متوسط دارد اثر انتقال های جمع پذیر و ضرب پذیر در فهرستی از اعداد است. دانشجویان می آموزند که اگر هر یک از اعداد یک فهرست در مقدار ثابت K ضرب شود میانگین اعداد در همان K ضرب می شود و به همین ترتیب ، انحراف استاندارد در مقدار قدر مطلق K ضرب خواهد شد. نکته این است که اگر مجوعه ای از اعداد X با مجموعه دیگری از اعداد Y از طریق معادله Y=4 X مرتبط باشند ، در این صورت واریانس Y باید ۱۶ برابر واریانس X باشد ، و بنابر این از طریق مقایسه واریانسهای X و Y می توانید به گونه غیر مستقیم این فرضیه را که X و Y از طریق معادله Y=4 X با هم مرتبط هستند بیازمایید.

این اندیشه از طریق تعدادی از معادلات خطی از راههای مختلف به چندین متغیر مرتبط با هم تعمیم داده می شود. هر چند قواعد آن پیچیده تر و محاسبات دشوارتر می شود ، اما پیام کلی ثابت می ماند. یعنی با بررسی واریانسها و کوواریانسهای متغیر ها می توانید این فرضیه را که متغیر ها از طریق مجموعه ای از روابط خطی با هم مرتبط اند » بیازمایید.

آمار دانها برای آزمون این مطلب که آیا مجموعه ای از واریانسها و کوواریانسها در یک ماتریس با ساختار به خصوص و معینی برازش دارد روشهایی را توسعه داده اند.

برای مدل یابی ساختاری راههای ذیل دنبال می شود :

راهی را که معتقد هستید متغیر ها با هم مرتبط اند ( اغلب با به کار بردن یک نمودار مسیر ) بیان می کنید ؛
از طریق برخی قواعد درونی پیچیده ، این مسئله را که چه دلالتهایی برای واریانسها و کوواریانسهای متغیر ها دارد حل می کنید
اینکه آیا واریانسها و کوواریانسها با این مدل برازش دارد آزمون می کنید ؛
در این مرحله ، نتایج آزمون آماری و نیز برآورد های پارامتر ها و خطاهای استاندارد برای ضرایب عددی در معادله های خطی گزارش می شود ؛
بر پایه این اطلاعات ، تعیین می کنید مدل مورد نظر با داده های شما برازش دارد یا نه.

مقصود آن است که پژوهشگر برای اجرای مقدماتی تحلیل SEM ، ابتدا مدلی را بر پایه تئوری مشخص می سازد. سپس تعیین می کند که چگونه سازه ها را اندازه گیری ، داده ها را گرد آوری و آنها را وارد رایانه کند. درونداد این تحلیل معمولاً ماتریس کوواریانس متغیر های اندازه گیری شده ( مثلاً نمره های مواد یک تست یا پرسشنامه ) است ، هر چند گاهی اوقات ماتریس همبستگیها یا ماتریس کوواریانسها و میانگیها به کاربرده می شود. تحلیلگر داده ها در عمل ، معمولاً برنامه های SEM را با داده های خام تأمین ، و این برنامه ، داده های مذکور را به کوواریانسها و میانگیها برای استفاده لازم تبدیل می کند. این مدل شامل مجموعه ای از روابط بین متغیر های اندازه گیری شده است ، که به عنوان محدودیتهایی در مجموعه کلی روابط ممکن نشان داده می شود. نتایج حاصل ، علاوه بر برآورد پارامتر ها ، خطاهای استاندارد و مشخصه های آزمون برای هر یک از پارامتر های آزاد موجود در مدل ، شامل شاخصهای کلی برازندگی مدل نیز خواهد بود.

چند نکته در مورد مدل یابی معادله ساختاری

درباره این فرایند لازم است چند نکته منطقی و بسیار اساسی را به خاطر بسپارید.

نخست ، هر چند محاسبات ریاضی مورد نیاز برای انجام مدل یابی معادله ساختاری فوق العاده پیچیده است ، منطق اساسی در همان ۵ گام بالا نهفته است.
دوم ، باید بدانیم که ( به دلایل متعدد ) غیر منطقی است اگر انتظار داشته باشیم یک مدل ساختاری به گونه کامل برازش یابد. یک مدل ساختاری با روابط خطی فقط یک تقریب است.

بعید است جهان خطی باشد. روابط حقیقی بین متغیر ها احتمالاً غیر خطی است. علاوه بر این ، بسیاری از مفروضه های آماری نیز تا حدودی زیر سؤال و محل تردید است. پرسش حقیقی این نیست که آیا این مدل به گونه کامل برازش دارد ؟ » ، بلکه این است که آیا این مدل به اندازه کافی برازش دارد که تقریب مفیدی برای واقعیت ، و یک تبیین مستدل و منطقی از روند های موجود در داده ها باشد ؟ » . مدلهای SEM را هرگز نمی توان به گونه مطلق پذیرفت ؛ تنها می توان آنها را رد نکرد. این مسئله موجب می شود که پژوهشگران ، یک مدل به خصوص را به گونه موقتی بپذیرند ، زیرا اذعان دارند که در بیشتر موارد ، مدلهای هم ارز و معادلی وجود دارد که به همان اندازه مدلی که به گونه موقت پذیرفته اند ، با داده ها برازش دارد.

سوم ، باید به خاطر داشته باشیم که بیان ساده این مطلب که مدل با داده ها به خوبی برازش دارد ، بدین معنا نیست که آن مدل وماً درست است. هرگز نمی توان ثابت کرد که یک مدل ، حقیقی و درست است.

بیان این مطلب سفسطه و نتیجه را به غلط تأیید کردن است. مثلاً می توان گفت که اگر پرویز یک گربه باشد ، پرویز مو دارد. » اما بیان این مطلب که اگر یک مدل علّی درست باشد ، با داده ها برازش دارد ». اما برازش مدل با داده ها وماً دلالت بر این ندارد که آن مدل یک مدل درست است. هنوز ممکن است مدل دیگری وجود داشته باشد که با داده ها به همان اندازه و به همان خوبی برازش داشته باشد.

منبع:

https://www.marketingirantalent.com/research/

مشخصات

جهت مشاهده منبع اصلی و ادامه این مطلب این مطلب کلیک کنید

تاریخچه ی پیدایش و سیر تکاملی علم آمار

واژه ی Statistics که به معنای علم آمار است با واژه های State ( =دولت ، دولتی ) و Statist ( = دولتمرد ، تمدار که به معنای آمارگر نیز به کار می رود ) همخانواده است. علت این امر آنست که دولت ها می خواستند از امکانات انسانی و مالی قلمرو حکومت خود آگاه شوند ( مثلاً می خواستند بدانند جمعیت کشور چند نفر است ؟ چه ترکیبی دارد ؟ چند تای آنها استعداد سپاهی شدن را دارند ؟ زمین های قابل کشت چه وسعتی دارند ؟ چند رأس گاو و گوسفند در کشور وجود دارد و … ؟ )

برای بدست آوردن این آگاهی ها با روش هائی که امروزه بسیار ابتدایی به نظر می رسد به آمارگیری می پرداختند. بدین گونه تصور می شد که علم آمار فقط در دستگاه دولت مصرف دارد. بعد ها معلوم شد که آمار دانشی است که افراد و سازمان های غیر دولتی نیز می توانند از آن بهره برداری کنند.

در قرن ۱۷ رواج قمار در میان شاهزادگان و سلاطین اروپا ، موجب پیدایش و رشد تئوری احتمالات شد زیرا آنان با به خدمت گرفتن ریاضیدان هائی مانند پاسکال ، نیوتن ، لایپ نیتز ، فرما و برنولی در شناخت قوانین قمار بسیار کوشیدند.

از حدود صد سال پیش ، آماردانان به توسعه ی روش هائی همت گماشتند که امروزه علم آمار استنباطی » نامیده می شود.

هدف علم آمار

هر بررسی آماری دو هدف دارد :

هدف اول : توصیف ساده ، روشن و قابل فهم مشاهده ها که معمولاً در نمونه ی مناسبی از جامعه صورت می گیرد.

هدف دوم : تعمیم نتایج مشاهده های مزبور به جامعه ای که نمونه از آن برگرفته شده است.

مباحث علم آمار

علم آمار ، در تلاش برای تحقق اهداف خود ، شامل سه مبحث اصلی است :

آمار توصیفی ، ویژگی های کلی تعدادی از داده ها را ( که معمولاً به نمونه تعلق دارند ) در قالب یک عدد بیان می کند مثلاً در یک نمونه تصادفی ۵۰ تایی از دانشجویان یک دانشگاه قدها را اندازه می گیرد و میانگین آن ۵۰ داده را ( که مثلاً ۱۶۸ سانتی متر است ) به دست می آورد. آمار توصیفی به هدف اول بررسی های آماری خدمت می کند.
آمار استباطی ، براساس ویژگی های مشاهده شده در نمونه ، ویژگی های جامعه را برآورد می کند مثلاً چون میانگین قد یک نمونه ۵۰ تائی از دانشجویان ۱۶۸ سانتی متر است گفته می شود که میانگین قد جامعه ی دانشجویان ۱۶۸ سانتی متر است این کار یک براورد نقطه ای » است که به آن خیلی کم می توان اطمینان داشت ( مثلاً ۱% یا کمتر ) و یا گفته می شود که میانگین قد جامعه دانشجویان بین ۱۶۴ تا ۱۷۲ سانتی متر است. این کار یک برآورد فاصله ای » است که به آن بیشتر می توان اطمینان داشت ( مثلاً ۹۰ % ) . آمار استباطی هدف دوم بررسی های آماری را تأمین می کند.
احتمالات ، که خطای برآورد های آمار استنباطی را اندازه می گیرد. مثلاً معلوم می کند به این استنباط که میانگین قد جامعه دانشجویان در فاصله ی ۱۶۴ تا ۱۷۲ سانتی متر است ۹۰ درصد می توان اعتماد کرد به عبارت دیگر ، این برآورد با ۹۰% اطمینان و ۱۰ % خطا همراه است.

چون نمونه گیری با اشتباه های تصادفی اجتناب ناپذیر همراه است ، نتایج مشاهده ها درباره ی نمونه را نه با قطع و یقین بلکه با درصد اطمینان مشخصی می توان به جامعه تعمیم داد. احتمالات دانشی است برای تعیین این درصد اطمینان . در واقع تئوری احتمالات حالت پلی را دارد که گذشتن از آمار توصیفی و رسیدن به آمار استنباطی را امکان پذیر می سازد. بنابر این آمار توصیفی ، احتمالات و آمار استنباطی سه مبحث مستقل از یکدیگر نیستند. بلکه برای بهتر فهمیدن آمار استنباطی باید ابتدا آمار توصیفی و تئوری احتمالات را بفهمیم.

کاربرد علم آمار

در مبحث تاریخچه پیدایش علم آمار گفتیم که در گذشته فقط دولت ها ، آن هم به صورت بسیار ابتدائی ، از علم آمار استفاده می کردند با گذشت زمان روش های آماری تکوین و تکامل پیدا کردند ، و علم آمار ، بویژه آمار استنباطی ، به عنوان یک شیوه ی قدرتمند مورد تأیید قرار گرفت. نتایج بسیاری از بررسی علمی با بهره گیری از آمار استنباطی به دست آمده است. مروری بر یک شماره از مجلات علمی برای تأیید این حقیقت کفایت می کند.

امروزه ، به جرأت می توان گفت که بی مساعدت و همراهی علم امار انجام هر گونه تحقیق علمی نا ممکن ( یا دست کم بسیار دشوار ) خواهد بود. به طور کلی هر جا که اثبات صحت مدعائی یا فرضیه ای مورد نظر است آمار حضوری فعال و تعیین کننده دارد.

تعریف علم آمار

آمار دانشی است برای تلخیص داده ها مثلاً در قالب یک عدد و ارزیابی تأثیر عوامل تصادفی هنگامی که از نمونه ها برای رسیدن به نتایجی درباره ی جامعه ها استفاده می شود.

مفاهیم اساسی در آمار

منظور از مفاهیم اساسی ، اصطلاحاتی است که به طور مستمر و تکراری در علم آمار مورد استفاده قرار می گیرند. و عبارتند از جامعه و نمونه ؛ پارامتر و آماره ؛ صفت و انواع آن ؛ اندازه گیری و مقیاس های آن ؛ داده ها و اطلاعات. که در این مبحث به تعریف آنها خواهیم پرداخت. هر تعریفی را با دقت و حوصله باید خواند و به خاطر باید سپرد البته هنگامی که این اصطلاح ها به طور مداوم مورد استفاده قرار گیرند مفهوم آنها بیش از پیش ساده تر و قابل فهم تر خواهد شد.

منبع:

https://www.marketingirantalent.com/research/

مشخصات

جهت مشاهده منبع اصلی و ادامه این مطلب این مطلب کلیک کنید

انواع متغیرهای آماری

متغیر اسمی

از متغیر اسمی در ساده‌ترین سطح اندازه‌گیریها، (یعنی زمانی که داده‌ها براحتی در دسته‌های مختلف قرار گیرند) استفاده می‌شود. برای مثال دو متغیر "جنس" و "سابقه ابتلا به بیماری های سیستمیک" اسمی هستند.

متغیرهای اسمی که، پاسخ به آنها یا بلی» است یا خیر» را متغیرهای دو حالتی یا dichotomous می‌نامند.

بسیاری از دسته‌بندیها در پژوهشهای پزشکی با مقیاس اسمی ارزیابی می ‌شوند. پیامدهای درمان طبی یا روش جراحی اغلب به صورت انجام دادن یا انجام ندادن، مطرح می‌شود. به همین ترتیب، عاملهای خطر یا عاملهای تماس احتمالی، نیز از این نوع متغیرها می باشند. بدیهی است که در مطالعات، حالت مختلف یک متغیر می‌تواند بیشتر از دو حالت باشد. برای مثال، متغیر نوع کم خونی به سه دسته تقسیم می‌شود:

کم خونی میکروسیتیک، کم خونی ماکروسیتیک یا مگالوبلاستیک و کم خونی نرموسیتیک ( پس یک متغیر اسمی سه حالتی می باشد.)

ساده‌ترین راه برای مشخص کردن این که مشاهدات از نوع اسمی می‌باشد یا خیر، این است که سؤال شود آیا مشاهدات در گروههای مختلف تقسیم شده‌اند یا خیر؟

داده‌های در بردارندة متغیر اسمی را مشاهدات کیفی یا متغیرهای کیفی گویند؛ زیرا چنین مشاهداتی، کیفیت شخص یا شی یا مشاهدات دسته‌بندی شده را در گروههای مختلف توصیف می‌کند. معمولاً داده‌های اسمی یا کیفی، به صورت درصد یا نسبت گزارش می‌‌گردند. برای مثال اگر ا ز300 فرد مورد مطالعه، 45 نفر زن باشند، می توان اذعان داشت که 15 درصد از افراد مورد مطالعه زن هستند.

متغیر ترتیبی (رتبه‌ای)

اگر بین دسته‌ها ترتیب ذاتی وجود داشته باشد، برای اندازه‌گیری این مشاهدات از مقیاس ترتیبی استفاده می‌شود. یعنی متغیر یا مشاهده از نوع رتبه‌ای است. بنابراین در متغیر ترتیبی، دسته‌بندی با مراعات تقدم و تأخر صورت می‌گیرد. میزان تحصیلات ( بیسواد، زیر دیپلم، دیپلم و بالاتر از دیپلم) یک متغیر رتبه ای است. همچنین تومورها بر حسب درجة توسعة آنها مرحله‌بندی می‌شوند. دسته‌بندی بین‌المللی برای مشخص کردن مرحلة سرطان گردن رحم»، شامل یک متغیر ترتیبی پنج گروهی از O تاIV می‌باشد. در مرحله O سرطان از نوع این سایتو(in situ) می‌باشد. در مرحله IV سرطان به حفره لگنی پیشرفت کرده یا مخاط مثانه و رکتوم را فرا می‌گیرد. در این مقیاس همان‌طوری که ملاحظه می‌شود، مرحله IV بدترین مرحله نسبت به مرحلهO از نظر پیش‌ آگهی می‌باشد.

یکی از ویژگیهای مقیاسهای ترتیبی این است که با وجود ترتیب بین دسته‌ها، دامنه دسته‌های مختلف یکسان نیست. برای آشنایی بیشتر به بررسی نمرات آپگار که مربوط به ارزیابی تکامل نوزادان در موقع تولد می‌باشد، می‌پردازیم. در این شیوه ارزیابی، تعداد یازده دسته از صفر تا 10 وجود دارد. نمرات پایین مربوط به نوزادانی است که از نظر عملکرد قلبی ریوی و عصبی وضعیت خوبی ندارند. دسته‌های بالاتر نشانه سلامت سیستم قلبی ریوی و عصبی می‌باشد. تفاوت بین دسته 8 و10 از نظر مقدار با تفاوت بین دو گروه صفر و 2 یکسان نمی‌باشد.

لازم به تذکر است برای گزارش متغیر ترتیبی مانند مقیاس اسمی اکثراً از درصد و نسبت استفاده می‌شود. برای مثال، در داده‌های سرطان کولورکتال، %27 از بیماران دارای تومور در مرحله یک یا دو بودند. در بعضی از مواقع نتایج یک متغیر رتبه ای به صورت میانه ارائه می‌گردند. نوع جدول و نمودارهایی که برای ارائه داده‌های اسمی و داده‌های ترتیبی به کار می‌رود، یکسانند.

متغیر عددی

مشاهداتی را که تفاوت بین اعداد دارای معنا و مفهومی است، متغیر عددی یا مشاهدات کمی گویند، زیرا کمیّت یک شی را اندازه‌گیری می‌نمایند. دو نوع متغیر عددی شامل متغیر عددی پیوسته و متغیر عددی گسسته یا ناپیوسته وجود دارند؛ در مقیاس عددی پیوسته، مقادیر عددی کمیّت مورد اندازه‌گیری به صورت پیوسته (مانند سن، قد، وزن و) می‌باشند، در حالی که در مقیاس عددی گسسته، مقادیر عددی کمیّت به صورت ارقام یعنی عدد صحیح می‌باشند‌0 مانند تعداد شکستگیهای استخوان، تعداد انگشتان دست).

نکتة مهم این است که در مقیاس عددی با هر اندازه‌ دقّت، اندازه‌گیری ممکن است، در حالی که با مقیاسهای دیگر چنین امکانی وجود ندارد. برای مثال، سن بیماران در هنگام جراحی برای سرطان کولورکتال مورد بررسی قرار می‌‌گیرد. در این نوع بررسی، سن بیمار، متغیر عددی پیوسته است که می‌تواند بین سن صفر تا سن پیرترین بیمار باشد و بدین ترتیب می‌توان سن بیمار را تا آن جا که ضروری است بسیار دقیق (مثلاً بر حسب روز) یادداشت نمود. در ثبت داده‌های مربوط به تومور در مطالعات بزرگسالان، دقت در سن بیماران تا نزدیکترین سال کافی است. برای نوجوانان ثبت داده‌ها مربوط به تومور تا نزدیکترین ماه مناسبتر می‌باشد. در حالی که برای نوزادان دقت در اندازه‌گیری سن تا نزدیکترین ساعت و در بعضی اوقات تا نزدیکترین دقیقه مناسب به نظر می‌رسد و بنابراین دقت در اندازه‌گیری بستگی به هدف و طرح مطالعاتی دارد. مثالهای دیگری از داده‌های پیوسته شامل قد، وزن، طول زمان جراحی، دامنه تحرک مفاصل و بسیاری از مقادیر آزمایشگاهی مانند مقدار گلوکز، سدیم، پتاسیم یا اسید اوریک سرم می‌باشند.

در صورتی که مشاهدات تنها مقدار رقمی یا عدد صحیح را به خود نسبت دهند، مقیاس اندازه‌گیری را گسسته گویند. مثلاً تعداد اشیاء از قبیل تعداد حاملگیها، تعداد جراحیهای گذشته، تعداد شکستگیها، تعداد حملات گذران ایسکمیک مغزی(TIA) قبل از یک سکته.

مشخصات

جهت مشاهده منبع اصلی و ادامه این مطلب این مطلب کلیک کنید

آزمون کلی مدل pls

متاسفانه مدل هایی که با رویکرد واریانس محور از طریق نرم افزار های خانواده PLS مورد بررسی قرار می گیرند فاقد شاخصی کلی برای نگاه به مدل به صورت یکجا هستند. یعنی شاخصی برای سنجش کل مدل شبیه به رویکرد کواریانس محور وجود ندارد. اما در تحقیقات مختلف در این حوزه پیشنهاد شد که از شاخصی به نام GOF می توان به جای شاخص های برازشی که در رویکرد های کواریانس محور وجود دارد، استفاده نمود. این شاخص هر دو مدل ساختاری و اندازه گیری را به صورت یک جا در نظر گرفته و کیفیت آن ها را مورد آزمون قرار می دهد.(محسن مرادی، 1393)

منبع :

https://analysisacademy.com/

مشخصات

جهت مشاهده منبع اصلی و ادامه این مطلب این مطلب کلیک کنید

150 ابزار آنلاین بسیار ضروری برای هر پژوهشگر

150 ابزار آنلاین ضروری هر محقق

یک پژوهشگر برای نگارش پروژه ها و مقالات علمی خود نیاز به موتور های جستجو، بررسی ایده های جدید، تقویت رزومه خود در فضای آنلاین، دسترسی رایگان به بانک های مقالات روز، ابزار های نگارش مقالات، ترسیم نمودار ها، گرفتن بودجه و اسپانسر برای تحقیقات خود، پیدا کردن ژورنال مناسب برای ارسال مقالات خود، گرفتن بازخورد از دیگر محققان، پیدا کردن اساتید و همکاران خارجی برای کارهای خود، عضویت در شبکه های اجتماعی علمی، فضاهای ابری برای اشتراک جزوات و ارائه ها و … و صد ها ابزار دیگر دارد. این نوشتار دقیقا معادل یک کلاس و دوره سرچ و جستجو می باشد.

این مقاله و نوشتار در حقیقت یکی از نوشتار های مرجع از طرف آکادمی تحلیل آماری ایران می باشد و مدت زمان و تعداد ساعات بسیار زیادی را برای جمع آوری آن وقت صرف کرده ایم تا عزیزان به ابزار جستجو و سرچ قدرتمند مجهز شوند و تمام پایگاه هایی که در دوره سرچ قرار بر واکاوی آن ها بود را با یک توضیح یک خطی در اختیار شما عزیزان قرار می دهیم. هر محقق بیش از نیمی از پژوهش خود را در فضای اینترنت انجام می دهد اما متاسفانه سرچ و جستجوی او محدود به چند سایت معروف می باشد و در بسیاری از مواقع این پایگاه ها نیاز های او را برآورده نمی سازد. بنابراین با یک پیمایش طولانی سایت ها و پایگاه هایی که یک محقق به آن نیاز خواهد داشت را در بخش های مختلف همراه با توضیحی کوتاه در مورد آن سایت به همراه لینک آن سایت در این نوشتار قرار داده ایم. امیدواریم بتوانیم با این نوشتار در جهت ارتقای کیفیت پژوهش های عزیزان حرکت کرده باشیم.

در اینجا مجموعه ای از ابزارهای دیجیتالی طراحی شده است که به محققان کمک می کند تا میلیون ها مقاله تحقیقاتی موجود در.فضای آنلاین را پیدا نمایید. موتورهای جستجو به شما کمک می کنند که مقالات مورد علاقه خود را سریع پیدا کنید و از نظر ادبیات پژوهشی به روز باشید.

موتورهای جستجو

BibSonomy نشانک ها و لیست ادبیات را به اشتراک بگذارید.
wizdom فضایی برای استناد و کتابشناسی ایجاد کنید و گروه های تحقیقاتی خود را بر روی آن فضای ابری ایجاد کنید تا پرونده ها و منابع را به اشتراک بگذارید.
ContentMine دسترسی به بیش از 100،000،000 مطالعه بهره گیری از این ادبیات نظری
Data Elixir مجموعه ای هفتگی از بهترین اخبار علوم داده ، منابع از سراسر وب.
DeepDyve دسترسی سریع به ژورنال های مورد نیاز شما.
Delvehealth مجموعه ای از داده های کارآزمایی بالینی جهانی ، پروفایل های محقق بالینی ، انتشارات و خطوط تولید دارو.
F1000Prime متخصصان برجسته زیست پزشکی به دانشمندان در کشف ، بحث و انتشار تحقیقات کمک می کنند.
Google Scholar راهی را برای جستجوی گسترده ادبیات علمی در بین رشته ها و منابع فراهم می کند.
Labii مجموعه ای از برنامه های وب برای محققان ، از جمله یک برنامه آنلاین برای یافتن ، اظهار نظر ، رتبه بندی و مدیریت مقالات تحقیقاتی
LazyScholar افزونه Chrome برای جستجوی ادبیات شما. این افزونه را نصب کنید و مقالات مورد نیاز خود را دریافت نمایید.
LiteracyTool وبسایتی آموزشی است که کمک می کند تا در کشف ، درک و اکتشاف موضوعات علمی مورد علاقه خود اطلاعات لازم را بدست آورید.
Mendeley یک پلت فرم منحصر به فرد شامل شبکه های اجتماعی ، مدیر مرجع ، ابزارهای مطالعه مقاله.
Microsoft Academic اطلاعات مربوط به مقالات آکادمیک ، نویسندگان ، کنفرانس ها ، ژورنال ها و سازمان ها را از منابع مختلف پیدا کنید. این سایت متعلق به ماکرو سافت است و شمارا کمک بسیاری خواهد کرد.
MyScienceWork انتشار اطلاعات و دانش علمی به روشی آزاد و در دسترس تمام متن
paperity جمع آوری مقالات و مجلات دسترسی آزاد و تمام متن
Paperscape مخزن باز و آنلاین برای مقالات تحقیق علمی.
PubNiche مجری اخبار تحقیقات علمی.
PubPeer جستجوی انتشارات و ارائه بازخورد از تحقیقات منتشر شده یخود را در این سایت انجام دهید.
ReadCube این سایت مدعی است که ما فناوری هایی را توسعه می دهیم که دنیای پژوهش را در دسترس تر و متصل تر می کند.
Scientific Journal Finder این سایت در حقیقت یکی از مهمترین سایت های یابنده ژورنال مناسب برای چاپ مقالات شما می باشد. در آن عضو شوید و از امکانات آن بهره برید.
Sparrho موتور های جستجوی علمی را در این سایت خواهید یافت.
SSRN مخزن آنلاین تحقیق علمی و مطالب مرتبط در علوم اجتماعی.
Stork بر اساس کلمات کلیدی خود کاربران ، نشریات و کمکهای جدید را به کاربران اطلاع می دهد.
Wiki Journal Clubخلاصه ای از مطالعات برتر در تحقیقات پزشکی
Zotero به شما در جمع آوری ، سازماندهی ، استناد و به اشتراک گذاری منابع تحقیقاتی کمک می کند.

مدیریت مجموعه های بزرگی از داده ها و کد های برنامه نویسی در حال حاضر برای بیشتر محققان غیر قابل اجتناب است در این بخش با ابزارهایی آنلاین برای ذخیره سازی و به اشتراک گذاری داده ها و کد ها مواجه خواهیم داشت.

BioLINCC بانک اطلاعاتی نمونه بالینی.
Code Ocean بستر محاسباتی راهی برای به اشتراک گذاری ، کشف و اجرای کد منتشر شده فراهم می کند.
ContentMine یکی از سایت های مرجع در حوزه داده کاوی با دسترسی به صد ها هزار مقاله دسترسی آزاد
DataBank بانک داده های بسیار مهم در حوزه های مالی و اقتصادی و ابزار تجزیه و تحلیل که شامل مجموعه ای از داده های سری زمانی در موضوعات مختلف است.
DataCite با تهیه شناسه های مداوم برای داده ها ، دسترسی آسان تر به داده های تحقیق را برقرار کنید.
DataHub انتشار و یا ثبت نام مجموعه داده ها ، ایجاد و مدیریت گروه ها و انجمن ها
Datatrse ابزاری برای به اشتراک گذاری ، استناد ، استفاده مجدد و بایگانی داده های تحقیق.
Delvehealth مجموعه ای از داده های کارآزمایی بالینی جهانی ، پروفایل های محقق بالینی ، انتشارات و خطوط تولید دارو.
Figshare تحقیقات خود را در فضای ابری مدیریت کنید و افرادی را که با آنها به اشتراک می گذارید کنترل کنید یا آن را در دسترس عموم و قابل استناد قرار دهید
GenBank پایگاه داده ژن که توسط مرکز ملی اطلاعات بیوتکنولوژی ارائه شده است.
howcanishareit اطلاعات و ابزارهایی را پیدا کنید تا اطمینان حاصل شود که مقالات شما به سرعت و به راحتی با همکاران خود به اشتراک گذاشته می شوند.
re3data رجیستری جهانی داده های تحقیق.
SlideShare انجمن برای به اشتراک گذاشتن ارائه ها و سایر محتوای حرفه ای
Socialsci محققان را کمک کند تا داده ها را برای نظرسنجی ها و آزمایش های خود کنند .
Zenodo یک پایگاه مهم برای دسترسی به مطالعات به صورت دسترسی تمام متن در رشته های مختلف می باشد. همچنین می توان تحقیقات خود را در این پایگاه با دیگران به اشتراک گذاشت.

در ارتباط با متخصصان و محققان ، مجموعه ای از ابزارهای آنلاین وجود دارد که به محققان کمک می کند تا به محقق دیگر کمک کنند و برای همکاری های جدید تخصص پیدا کنند. این وب سایت ها و ابزار های آنلاین برای ارتباط محققین مختلف دنیا با یکدیگر می باشند.

با کارشناسان و محققان ارتباط برقرار کنید

academia مکانی برای به اشتراک گذاشتن مطالعات و پیگیری تحقیقات و پژوهشگران دیگر.
Addgene از طریق این پلت فرم به اشتراک گذاری مطالعات و کتاب ها و جزوات خود با محققان دیگر و نیز ارتباط با محققین دیگر برای انجام پژوهش های مورد نظراتان می باشد.
Cureus دسترسی رایگان و آزاد به مجله پزشکی و مکانی برای پزشکان برای تهیه CV دیجیتال.
Direct2experts شبکه ای فدرال از تخصص تحقیقات زیست پزشکی.
Expertnet به شما در یافتن متخصصان در دانشگاه های فلوریدا کمک می کند.
GlobalEventList یک فهرست جامع از رویدادهای علمی در سراسر جهان.
innocentive به محققین کمک می کند تا به سرعت ایده های جدید تولید کند و مشکلات مهم را حل کند.
briefideas مکانی را برای توصیف ایده های کوتاه – در 200 کلمه یا کمتر – ، بایگانی شده ، جستجو و قابل استناد فراهم می کند. عزیزان آکادمی تحلیل آماری حتما به این سایت رفته و ایده های خود را بیان کنید.
LabRoots شبکه اجتماعی برای محققان. در شبکه در حوزه های مختلف علمی مورد نظر خود با محققین دنیا همکاری نمایید.
LabsExplorer جستجو برای شرکای تحقیق و توسعه ، دید خود را افزایش داده و سرمایه گذاری کنید.
LabWorm دارای بهترین ابزارهای علمی که مرتبا بروز رسانی می شود.
net بستر آنلاین برای شبکه سازی حرفه ای و به اشتراک گذاری دانش در علوم زیستی.
Linkedin یک شبکه اجتماعی حرفه ای برای همه از جمله محققین که امکانات بسیاری برای دیده شدن شما ارائه می کند.
Loop یک شبکه اجتماعی و تعاملی فوق العاده برای همکاری محققین و نیز اشتراک ایده ها و مطالعات خود با دیگران
Mendeley یک پلت فرم منحصر به فرد شامل شبکه های اجتماعی ، مدیر مرجع ، ابزارهای مطالعه مقاله.
MyScienceWork انتشار اطلاعات و دانش علمی به روشی آزاد و در دسترس تمام متن
nanoHUB بستر متمرکز برای تحقیق ، آموزش و همکاری فناوری نانو
OSF یک وبسایت جامع از اطلاعات، جزوات، مقالات، کتاب ها و سایر اسنادی که محققین سراسر جهان در آنجا به اشتراک گذاشته اند و حتما به محققین آکادمی تحلیل آماری آن را پیشنهاد می دهیم.
ResearchGate شبکه اجتماعی برای محققان که نیازی به توضیحی پیرامون اهمیت فوق العاده آن برای محققین ندارد.
ScienceExchange بازار ابزار دقیق آزمایشگاهی
SocialScienceSpace شبکه اجتماعی و فضایی برای کشف ، اشتراک و شکل دادن به موضوعاتی که دانشمندان اجتماعی و رفتاری با آن روبرو هستند
Trellis یک سکوی دیجیتالی که شما را به بقیه جامعه علمی وصل می کند
Wesharescience مکانی برای به اشتراک گذاری ، جستجو ، سازماندهی ویدئو های تحقیقاتی در رشته های تحقیقاتی مختلف

دسترسی به ایده های علمی جدید و آموزش های مختلف

AcademicJoyبه اشتراک گذاری ایده ها و داستانهای تحقیقاتی در زمینه تحقیق و نوآوری.
AcaWiki ویکیپدیای آکادمیک که می تواند برای عزیزان بسیار سودمند باشد.
Animate Science به دانشمندان کمک می کند تا با استفاده از رسانه بصری ، کار خود را توسط همسالان خود و عموم مردم مورد توجه قرار دهند.
analysisacademy مدرسه پژوهش کمی و کیفی و تنها محل برگزاری دوره های بین المللی روش پژوهش با نرم افزار های تخصصی و گواهی های بین المللی از انگلیس، اتریش و آمریکا
PubDraw مقالات علمی بگیرید ، عکس بگیرید.
I Am Scientist یک فعالیت آموزشی و مشارکت در حوزه علمی است.
Kudos به محققان کمکمی کند تا نشریات خود را برای تأثیر تحقیقات بیشتر در توضیح ، غنی سازی و به اشتراک گذاری قرار دهند.
Science Simplified یک پورتال ارتباطی علمی با هدف جمع آوری کلیه انتشارات عمومی دانشگاهی و خدمت به عنوان یک کانال ارتباط مستقیم با عموم مردم.
SciWorthy یک سایت خبری علمی برای هر محقق جهت درک بهتر علم.
usefulscience خلاصه ای از آخرین علمی که در زندگی مفید است.
Wesharescience مکانی برای به اشتراک گذاری ، جستجو ، سازماندهی ویدئو های تحقیقاتی در رشته های تحقیقاتی مختلف

با داده ها و بانک های اطلاعاتی بزرگ کار کنید

Benchling پایگاهی برای تحقیق و توسعه در صنعت و همکاری با دیگران
Datazar بستر همکاری در تحقیق که در آن می توانید داده ها را به راحتی کاوش ، استفاده و به اشتراک بگذارید.
ROpenSci بسته هایی که امکان دسترسی به مخازن داده از طریق محیط برنامه نویسی آماری R را دارند.
Statcrunch تجزیه و تحلیل داده ها را از طریق وب فراهم می کند.
Sumatra نوت بوک آزمایشگاه الکترونیکی خودکار برای پروژه های محاسباتی
Sweave در این سایت می توانید تا کد R را برای تجزیه و تحلیل داده های کامل در اسناد لاتکس تعبیه کنید.
Synapse بسترهای نرم افزاری برای پشتیبانی از تجزیه و تحلیل داده های باز و مشارکتی
System in Cloud بسترهای نرم افزاری ، مشتریان را قادر می سازد به سرعت نمودار جریان داده را که در فضای ابری اجرا می شود ترسیم و اجرا کنند.
Tableau داده ها را به راحتی و به سرعت تجزیه و تحلیل کرده و به اشتراک بگذارید.
Wakari تجزیه و تحلیل داده های پایتون مبتنی بر وب.
WebPlotDigitizer ابزاری مبتنی بر وب برای استخراج داده ها از ، تصاویر و نقشه ها
Wolfram Alpha ابزارهای مبتنی بر وب برای محاسبات علمی.

جمع آوری کمک های مالی / کمک مالی

محققین در نظر گیرند که بسیاری از سایت ها هستند که علاوه بر امکان همکاری با محققین دیگر جهان که موجب ایجاد فرصت های تحصیلی و پژوهشی بسیاری برای عزیزان می شود، می توان برای ایده ها و پروژه های خود بودجه و اسپانسر های آکادمیک جذب نمود.

Grant Forward موتور جستجو برای کمکهای مالی تحقیقاتی.
Instrumentl پایگاه داده و ابزار جستجوی اطلاعاتی که در مورد پروژه های تحقیقاتی خاص اطلاعات کسب می کند و سپس آنها را با بهترین کمک های مالی موجود در اختیار شما قرار می دهد.
Pivot COS پایگاه داده ای که شامل فرصت های بودجه از همه رشته ها می شود.
Publiconn شبکه اجتماعی برای سازمانهایی که از بودجه اهداکنندگان دولتی یا خصوصی استفاده می کنند و سازمانهایی که تأمین اعتبار می کنند.

در این بخش با ابزار ها و سایت های دیجیتال برای نگارش تحقیقات و سازماندهی منابع به صورت استاندارد آشنا می شویم.

مدیریت مراجع

CitationStyles در این پایگاه سبکهای استناد دهی در مقالات خود را پیدا و ویرایش کنید.
Citavi سایت نرم افزار قدرتمند مدیریت مراجع که به زودی نسخه حرفه ای آن را به صورت فول کرک برای شما روی سایت مدرسه پژوهش کمی و کیفی ایران
analysisacademy.com قرار می دهیم.
Colwiz استناد و کتابشناسی ایجاد کنید و گروه های تحقیقاتی خود را بر روی فضای ابر ایجاد کنید تا پرونده ها و منابع را به اشتراک بگذارید.
EndNote ابزار نرم افزاری برای انتشار و مدیریت کتابشناسی ، استنادها و منابع
Mendeley یک پلت فرم منحصر به فرد شامل شبکه های اجتماعی ، مدیر مرجع ، ابزارهای مطالعه مقاله.
papers نرم افزاری قدرتمند که در آن روش کشف ، سازماندهی ، خواندن ، حاشیه نویسی ، اشتراک گذاری و استناد را به طرز چشمگیری بهبود می بخشد.
Zotero به شما در جمع آوری ، سازماندهی ، استناد و به اشتراک گذاری منابع تحقیقاتی کمک می کند

ابزار نوشتن مشارکتی

ASCIIdoctor مجموعه ای از ابزار پردازنده متن و انتشار متن برای تبدیل AsciiDoc به HTML5 ، DocBook و موارد دیگر.
Authorcafe بستر خدمات نویسندگی و نشر برای نوشتن مطالب علمی.
Authorea بستر نوشتن اسناد علمی ، دانشگاهی و فنی با همکاری.
Draftin کنترل نسخه و همکاری برای بهبود نوشتن خود.
Fidus Writer ویرایشگر مشارکتی آنلاین مخصوصاً برای دانشگاهیانی که باید از استنادها و / یا فرمولها استفاده کنند .
Overleaf ویرایشگر مشارکتی آنلاین LaTeX ، با ارسال مستقیم به چندین ناشر
Penflip نوشتن مشارکتی و کنترل مشکلات
Pensoft نویسندگی مشارکتی ، مرور و انتشار در یک مکان.
ShareLaTex ویرایشگر خط مشی مشترک برای ریاضیات یا علوم.
Stackedit ویرایشگر Markdown مبتنی بر PageDown ، کتابخانه Markdown که توسط Stack Overflow استفاده شده است.
typewrite یک محیط نوشتن مشترک در زمان واقعی.
Quip گپ ، اسناد ، صفحات گسترده ، لیست چک و موارد دیگر را برای همکاری در هر دستگاه ترکیب می کند.
write-for-students ویرایشگر متن بدون حواس پرتی برای نوشتن بهره وری.

ludwig با مقایسه کلمات خود با منابع معتبر مانند زمان نیویورک یا بی بی سی به شما در بهبود نوشتن انگلیسی کمک می کند.
Ref-n-wright افزونه ای مایکروسافت ورد که به شما در بهبود مهارت های نوشتن انگلیسی کمک می کند.
Writfull بازخورد در مورد نوشتار خود را با استفاده از داده های پایگاه داده Google Books ارائه می دهد.

سیستم Open Access یک الگوی جایگزین انتشار را ارائه می دهند و به هر کسی امکان می دهد تا آثار منتشر شده را به صورت رایگان دریافت کند. محققان همچنین می توانند با قرار دادن نسخه های اصلی مطالعات خود در این پایگاه ها ، میزان قرار گرفتن در معرض کار خود را به حداکثر برسانند همچنین این پایگاه ها ابزار هایی را در اختیار محقق برای هر چه بیشتر دیده شدن مقالات آن ها در هزاران سایت فراهم می سازد.

eLife دسترسی آزاد به امیدوار کننده ترین پیشرفت ها در علم.
GigaScience پایگاه دسترسی به داده های رایگان آنلاین
Limn پایگاه دسترسی آزاد و رایگان که به تشریح مشکلات عصر حاضر می پردازد.
PeerJ دسترسی آزاد به نسخه اولیه چاپ نشده و انتشار یافته تحقیقات علوم زیستی
Cureus دسترسی رایگان و آزاد به مجلات پزشکی و مکانی برای پزشکان برای تهیه CV دیجیتال.
ScienceOpen شبکه تحقیقاتی کاملاً در دسترس برای به اشتراک گذاری و ارزیابی اطلاعات علمی.
Winnower پلت فرم انتشار آنلاین علم با دسترسی آزاد
ArXiv نسخه های الکترونیکی تحقیقات و جزوات و کتاب ها در رشته های فیزیک ، ریاضیات ، علوم کامپیوتر ، زیست شناسی کمی ، امور مالی کمی و آمار.
biorXiv پایگاهی در حوزه زیست شناسی که در آن محققان مقالات خود را قبل از ارسال برای ژورنال ها به آنجا ارسال کرده و منتشر می شود و می توانند بازخورد و نظریات دیگر محققین را به عنوان بازخورد کار خود دریافت نمایند.
Peerage of Science پایگاهی که در آن محققان مقالات خود را قبل از ارسال برای ژورنال ها به آنجا ارسال کرده و منتشر می شود و می توانند بازخورد و نظریات دیگر محققین را به عنوان بازخورد کار خود دریافت نمایند.
PeerJ PrePrints پایگاهی در حوزه بیولوژی و پزشکی که در آن محققان مقالات خود را قبل از ارسال برای ژورنال ها به آنجا ارسال کرده و منتشر می شود و می توانند بازخورد و نظریات دیگر محققین را به عنوان بازخورد کار خود دریافت نمایند.
SlideShare انجمن برای به اشتراک گذاشتن ارائه های پاورپوینت و سایر محتوای حرفه ای.
Zenodo پایگاهی است که ، محققان را قادر می سازد تا هرگونه خروجی تحقیق خود را به اشتراک بگذارند.

پشتیبانی از نگارش و نوشتار مطالعات شما

Exec & Share کدهای برنامه نویسی و داده هایی را که پیوست تحقیقات خود قرار داده ایم ، آشکارا در این سایت به اشتراک بگذارید.
Google Chart
نمودارهایزنده و تعاملی را در مرورگر خود ایجاد کنید.
RunMyCode آشکارا کد و داده هایی را که پایه گذاری انتشارات تحقیق شما هستند به اشتراک بگذارید.
ORCID شناسه ثابت دیجیتال را فراهم می کند که شما را از هر محقق دیگر متمایز می کند. از طریق این سایت می توان برای مطالعات خود اسپانسر های مالی مناسب پیدا کرد.

در این بخش ابزار ها و وب سایت هایی ارائه شده است که به کمک آن ها می توان بررسی مجلات و ناشران و پیدا کردن ژورنال مناسب برای مقاله ای که آماده نموده اید را بیاموزید. بسیاری از عزیزان و محققین آکادمی تحلیل آماری ایران در این بخش مشکلات زیادی دارند که اینگونه برطرف خواهد شد.

Cofactor Science Journal Selector یابنده ژورنال مناسب برای پژوهش شما و نیز بهره گیری از خدمات ویرایش در این سایت وجود دارد.
Edanz راهنمای شخصی که ابزارها و خدماتی را که برای انتشار نیاز دارید توصیه می کند.
Editor lookup ابزار جستجو برای یافتن متخصصان علمی برای کارهای علمی مانند ویراستاران و داوران نسخه های علمی دستی.
Journalfinder elsevier سرویس Elsevier که به شما کمک می کند ژورنالی را پیدا کنید که بتواند برای چاپ مقاله علمی شما مناسب باشد.
journalguide راهننمایی بسیار کاربردی است برای اینکه بهترین ژورنال را برای تحقیقات خود پیدا کنید
journalreviewer کاربران اطلاعات مربوط به تجربیات خود را در مورد فرآیندهای بررسی و داوری مجلات دانشگاهی را در آن ارائه می دهند.
RoMEO درباره حق چاپ و چاپ و نشر و ت های ناشر اطلاعات کسب کنید.
SciRev تجربه خود را با روند بررسی علمی به اشتراک بگذارید و از دیگران بیاموزید که تصمیم بگیرند کجا نسخه های مقالات را ارسال کنید

ابزارهای جدید تغییرات گسترده ای در ارزیابی مطالعات ، چه از نظر ارزش علمی مقالات و چه از دستاوردهای کلی پژوهشگران.در اختیار گذارده است این ابزار ها مجموعه ای جدید است که نه تنها ارزش کار های شما را بر اساس ایمپکت فاکتور یا تعداد استنادات بررسی می کند بلکه ارزش و تأثیر کار شما را با روشهای دیگر که جدید می باشند نیز تحلیل می کند.

F1000 متخصصان برجسته زیست پزشکی به دانشمندان در کشف ، بحث و انتشار تحقیقات کمک می کنند.
is یک افزونه مفید برای مرور گر شما جهت یادداشت گذاری و هایلایت مطالب مهم علمی مورد استفاده در تحقیقات
journalreview ارزیابی و بررسی مقالات چاپ شده در ژورنال های پزشکی.
Labii مجموعه ای از برنامه های وب برای محققان ، از جمله یک برنامه آنلاین برای یافتن ، اظهار نظر ، رتبه بندی مقالات تحقیقاتی
Libre بستر بررسی مشارکتی ارزش تحقیقات (آزمایش بتا).
Peerage of Science خدمات رایگان برای بررسی دقیق علمی و چاپ و نشر مقالات
PubPeer جستجوی انتشارات و ارائه بازخورد از تحقیقات منتشر شده یخود را در این سایت انجام دهید.
Pubmed Commons نظرات و اطلاعات خود را در مورد انتشارات علمی را درون PubMed به اشتراک بگذارید.
Rubriq بررسی کننده ی مستقل مقالات شما از ژورنال ها و داورانی که کار خود را برای آن ها ارسال می کنیم. در واقع محققین می تواننند جهت بررسی کارهایشان و گرفتن نظرات تخصصی و علمی و نیز قرار گیری مطالعه خود در این فضای اشتراک آزاد مطالعه خود را در اینجا سابمیت نمایند.
ScienceOpen شبکه تحقیقاتی کاملاً در دسترس برای به اشتراک گذاری و ارزیابی اطلاعات علمی.
Wiki Journal Club خلاصه ای از مطالعات برتر در تحقیقات پزشکی
Winnower پلت فرم انتشار آنلاین مقالات علمی است. آن ها بیان می کنند که هدف ما انقلابی کردن علم از طریق شکستن موانع ارتباطات علمی از طریق انتشار مقرون به صرفه و شفاف برای محققان است. .

منبع: دکتر محسن مرادی و آیدا میر الماسی

مشخصات

جهت مشاهده منبع اصلی و ادامه این مطلب این مطلب کلیک کنید

معادلات ساختاری بیزی در AMOS

در این مقاله روش معادلات ساختاری با رویکرد بیزی در نرم افزار AMOS آموزش داده می شود. یکی از مهم ترین ویژگی های نرم افزار AMOS در ویرایش جدید، آن است که با استفاده از روش بیزی می تواند به برآورد پارامترها در مدل هایی بپردازد که متغیرهای حاضر در آن ها از نوع رتبه ای یا اسمی هستند. البته این ویژگی در نگارش اولیه این نرم افزار وجود نداشت. به طور کلی مدل سازی معادله ساختاری بیزی از ویژگی های ارزشمند نرم افزار AMOS است.

مزایای تحلیل معادلات ساختاری بیزی

1- در مواقعی که حجم نمونه کم است استفاده از رویکرد معادلات ساختاری بیزی مناسب است. در حالی که برآورد حداکثر درست نمایی نسبت به برآورد بیزی در نمونه های کوچک، تمایل بیشتری به رد مدل دارد (موتن و آسپاروهو، 2012). هنگامی که حجم نمونه زیاد است و همه ی پارامترها دارای توزیع نرمال می باشند برآورد پارامترهای بیزی و حداکثر درست نمایی یکسان خواهد بود (ون دی شوت و همکاران، 2014).

2- تجزیه و تحلیل بیزی در برخورد با پارامترهایی که توزیع آن ها نرمال نیست، می تواند دقت بیشتری داشته باشد. به عنوان مثال، برآورد بیزی جایگزین مناسبی برای استفاده از آزمون سوبل و یا انجام بوت استرپ در هنگام آزمون اثرات غیر مستقیم در مدل های دارای متغیر میانجی است (ون دی شوت و همکاران، 2014).

3- تجزیه و تحلیل بیزی می تواند در حذف پارامترهای غیر قابل قبول مفید باشد. (منفی بودن واریانس و یا بیشتر بودن مقدار همبستگی از یک).

مزایای روش معادلات ساختاری بیزی در نرم افزار AMOS

1- در نرم افزار AMOS، مواقعی که داده پرت وجود داشته باشد امکان این که از روش بوت استرپ برای آزمون اثرات غیر مستقیم استفاده شود وجود ندارد. اگر چه برای این مشکل در ادبیات پیشین راه حل هایی پیشنهاد شده است با این حال روش بیزی راه حل راحت تری برای آزمون اثرات غیر مستقیم می باشد.

2- روش معمول و استاندارد برآورد پارامتر (برای مثال روش برآورد حداکثر درست نمایی) در نرم افزار AMOS فرض می کند متغیرهای تحقیق دارای توزیع نرمال چند متغیره است. زمانی که این فرض نقض می شود به ویژه زمانی که متغیر وابسته تحقیق از نوع ترتیبی باشد، روش برآورد بیزین می تواند مفید واقع گردد.

توزیع های پیشین و پسین

آمار بیزی به طور کلی از یک توزیع خاص پیشین شروع می شود. یعنی بیان باور قبلی شخص (قبل از مشاهده داده ها) در مورد این که پارامتر مورد نظر به چه صورت در جامعه توزیع شده است (بیرن، 2016). در طول تحلیل بیزین، این باور پیشین با دیتای جدید ترکیب شده و بدین ترتیب توزیع جدیدی بدست می آید که به آن توزیع پسین گفته می شود (آربوکل، 2017). توزیع پسین بدست آمده در واقع نشان دهنده اطلاعات جدید بروز شده (به وسیله داده) در خصوص پارامتر جمعیت می باشد (ون دی شوت و همکاران، 2014).

توزیع پیشین می تواند مبتنی بر تحقیقات مهم (از جمله متا آنالیزها) و یا تجربه باشد. در این حالت پیشین محقق، پیشین آگاهی بخش (حاوی اطلاعات مفید) نام دارد. از طرف دیگر اگر اطلاعات پیش زمینه ای کمی در خصوص پارامتر جامعه وجود داشته باشد به طوری که آگاهی کمی در خصوص پارامتر دهد محقق می تواند از پیشین نا آگاهی بخش (دارای اطلاعات غیر مفید) استفاده کند. که در حقیقت یک پیشین نا آگاهی بخش، جهل (نادانی) در خصوص پارامتر جمعیت را نشان می دهد.

ارزیابی مدل معادلات ساختاری به روش بیزی

پی-مقدار پسین پیشگویانه (posterior predictive p-value) می تواند برای ارزیابی فیت یک مدل واحد استفاده شود. به عبارتی دیگر، این سؤال را مطرح می کند که چگونه داده های تولید شده (شبیه سازی یا تکرار شده) از روش بیزی با داده های مشاهده شده متناسب می باشند (کاپلان و دپائولی، 2012).

نحوه قضاوت با پی-مقدار پسین پیشگویانه (posterior predictive p-value)

موتن و آسپاروهو (2012) نشان داده اند که اگر مقدار پی-مقدار پسین پیشگویانه نزدیک به 0.5 باشد مدل تحقیق از برازش بسیار خوبی برخوردار است. با این حال آن ها هیچ نوع تئوری و یا اطلاعات تجربی در خصوص این که به چه میزان مقدار (PPP) کم باشد تا محقق مدل را رد کند ارائه نداده اند. آن ها پیشنهاد کردند که برای رد یا تایید مدل با مقدار PPP باید بیشتر شبیه به یک شاخص برازش معادلات ساختاری (مانند NFI، GFI و …) برخورد شود تا مانند یک آزمون آماری (Chi-Square). به گفته این نویسندگان، بهتر است آستانه PPP برای رد مدل، در سطوح 1 درصد، 5 درصد و یا 10 درصد در نظر گرفته شود.

همچنین برای ارزیابی مدل شاخص (DIC) وجود دارد که برای مقایسه مدل، با مدل های رقیب به روشی شبیه به رویکرد در نظر گرفته شده با معیار AIC استفاده می شود. ون دی شوت و همکاران (2017) بیان می کند که با در نظر گرفتن AIC و BIC، مدل های با مقدار DIC کمتر باید ترجیح داده شوند.” همچنین ببینید : (Bayesian Fit Measures).

ارزیابی در خصوص برآورد ضرایب و پارامترها

ارزیابی پارامترهای مدل در رویکرد معادلات ساختاری بیزی توسط فاصله های قابل قبول انجام می شود. یک فاصله قابل قبول می تواند به عنوان احتمال که پارامتر مورد نظر در یک بازه خاص قرار دارد تعبیر شود” (کاپلان و دپائولی، 2012). این تعریف می تواند با معنای فواصل اطمینان در آمار، در تضاد باشد. برای مثال در تعریف فاصله اطمینان داشتیم : 95 درصد فواصل بدست آمده پارامتر مجهول مورد نظر را دربردارند (ون دی شوت و همکاران، 2014).

آزمون فرضیه ها در خصوص معنی داری یا عدم معنی داری ضرایب رگرسیونی در روش معادلات ساختاری بیزی در نرم افزار AMOS با استفاده از این فواصل قابل قبول انجام می گیرند به طوری که اگر عدد 0 در فاصله قابل قبول ضریب مورد نظر بود، فرض صفر مبنی بر عدم معنی داری ضریب رگرسیونی (ضریب رگرسیونی برابر با صفر است) رد نمی گردد.

همگرایی مدل معادلات ساختاری با رویکرد بیزی

معادلات ساختاری بیزی از یک روش مبتنی بر شبیه سازی برای تخمین پارامترهای مدل و توزیع پسین استفاده می کند. این امر مستم این است که محقق قبل از ارزیابی مناسب بودن مدل، تعیین کند که آیا مدل همگرا شده است یا خیر (بیرن، 2016). یکی از معیارهای همگرایی در نرم افزار AMOS، معیار آماره همگرایی (CS) است. مقدار CS کمتر از 1.002 نشان دهنده همگرایی مدل است. در این مرحله می توان شبیه سازی را متوقف کرده و سپس مدل را ارزیابی نمود. (آربوکل، 2017).

نحوه انجام معادلات ساختاری بیزی در نرم افزار AMOS

برای تحلیل آماری بیزی در نرم افزار AMOS مدل فرضی زیر را در نظر می گیریم. قصد داریم پارامترهای مدل قرار داده شده را به وسیله رویکرد بیزی برآورد کنیم.

مدل بیزی در AMOS

برای برآورد بیزی لازم است تیک گزینه (Estimate means and intercepts) را از زبانه Estimation موجود در پنجره ی Analysis Properties مانند شکل زیر فعال شود.

تنظیمات تحلیل بیزی در AMOS

پس از انجام مرحله قبل لازم است که در زبانه Output موجود در پنجره ی Analysis Properties تیک گزینه های مورد نظر مانند شکل زیر فعال گردد. در اینجا ما قصد داریم مقدار اثرات مستقیم و غیر مستقیم به روش بیزی را مشاهده کنیم.

تنظیمات روش بیزین در AMOS

پس از انجام مراحل گفته شده از طریق منوی Analyze مدل را به روش بیزی تخمین می زنیم. دستور انجام تحلیل بیزی در نرم افزار AMOS به صورت زیر است :

دستور انجام تحلیل بیزی در AMOS

برآورد پارامترهای مدل به روش بیزی در AMOS

پس از اجرای دستور فوق پنجره جدیدی تحت عنوان Bayesian SEM باز می شود. در این زمان، نرم افزار در حال شبیه سازی داده برای برآورد پارامترها است. مقدار پارامترهای بدست آمده مرتبا در حال تغییر هستند و شکلک بالا سمت چپ که بیانگر همگرایی مدل است اگر در حالت ناراحت باشد نشان دهنده عدم همگرایی است و اگر در حالت لبخند باشد نشان دهنده این است که مدل همگرا شده است و می توانیم عمل شبیه سازی را متوقت کنیم و به سراغ ارزیابی مدل و پارامترها بپردازیم.

برآورد بیزی در AMOS

مانند شکل زیر پس از گذشته چند ثانیه مدل به حالت همگرا در می آید (شکلک خوشحال) و از آن به بعد برآورد پارامترها با کمترین تغییر عوض می شوند. حال وقت آن است که محقق عملیات شبیه سازی را متوقف کند.

همگرایی روش بیزی در معادلات ساختاری

پس از متوقت کردن شبیه سازی، از طریق دکمه مشخص شده در شکل بالا (Fit measures) شاخص های ارزیابی برازش مدل را بررسی می نماییم.

معیارهای نیکویی برازش مدل بیزی در SEM

همانطور که مشاهده می شود مقدار PPP برابر 0.01 بدست آمده که در سطح خطای 1 درصد قابل قبول است. هر چند همانطوری که در ابتدای مقاله به آن اشاره کردیم نباید به این شاخص به دید آزمون آماری نگاه کرد. بنابراین با مقدار بدست آمده دچار مشکل نخواهیم شد.

توزیع های پیشین و پسین در نرم افزار AMOS

پس از کلیک بر روی گزینه (Posterior) در قسمت بعدی مقادیر پسین برای پارامترهای مورد نظر مشاهده می شود.

محاسبه پسین روش بیزی در اموس

برای بدست آوردن مقدار شاخص های پسین مورد نظر (میانگین و انحراف معیار و …) لازم است که پس از باز شدن پنجره Posterior مانند شکل فوق روی پارامتر مورد نظر خود کلیک کنید. همانطوری که از نمودار هیستوگرام ضریب تاثیر شدت نشانه های یائسگی بر عملکرد جنسی مشاهده می شود، توزیع این پارامتر تقریبا دارای توزیع نرمال است.

همانطوری که در شکل فوق نشان داده شده است با کلیک بر روی دکمه Prior پنجره ای با همین نام مانند شکل زیر باز می شود. لازم است که پس از باز شدن پنجره Posterior مانند شکل زیر روی پارامتر مورد نظر خود کلیک کنید.

توزیع پیشین بیزی در AMOS

همانطوری که در شکل فوق ملاحظه می شود نرم افزار AMOS به صورت پیش فرض از پیشین نا آگاهی بخش یونیفرم (یکنواخت) استفاده می کند. از طریق کادر نشان داده شده می توان پیشین مورد نظر را انتخاب نمود. همچنین می توان توزیع آن را بر روی نمودار رسم کرد.

پس از انجام مراحل فوق وقت آن است که از طریق دکمه (Additional estimands) مقدار اثرات مستقیم و غیر مستقیم متغیرهای تحقیق مشاهده شود. نتایج در شکل زیر گزارش شده است :

اثرات مستقیم در AMOS

شکل فوق مقادیر اثرات مستقیم استاندارد شده با روش معادلات ساختاری با رویکرد بیزی را نشان می دهد. به عنوان مثال اثر مستقیم استاندارد شده تاثیر شدت نشانه های یائسگی بر طرحواره های روانشناختی برابر 0.692 بدست آمده است.

اثرات غیر مستقیم مدل

همانطوری که مشاهده می شود مقدار اثر غیر مستقیم استاندارد شده شدت نشانه های یائسگی بر عملکرد جنسی از طریق متغیر میانجی طرحواره های روانشناختی برابر 0.319- بدست آمده است.

مشخصات

جهت مشاهده منبع اصلی و ادامه این مطلب این مطلب کلیک کنید

سایت های مهم دانلود رایگان کتاب برای تحقیق

دانشجویان مجموعه بزرگی از افراد کشور هستند که به مطالعه کتب تخصصی رشته خود احتیاج دارند و یکی از مسائلی که با آن درگیرند، پیدا کردن کتاب های تخصصی شان از بین تنوع بالای کتاب های دانشگاهی می باشد که این موضوع با سایت های آنلاین که کتاب های دانشگاهی را به تفکیک رشته های گوناگون گروه بندی کرده و انواع کتاب ها را در دسترس کلیه دانشجویان قرار داده به آسانی حل شده است. از آنجایی که کتاب های دانشگاهی رشته های گوناگون بسیار حائز اهمیت هستند، ناشران بسیاری در حوزه نشر و پخش کتب دانشگاهی در بازار رقابت می کنند

اما با توجه به هزینه بالای دریافت این کتاب‌ها از سایت‌های خارجی از قبیل آمازون برای محققین عزیز، استفاده از منابعی که این کتاب‌ها را به صورت رایگان در اختیار ما قرار می‌دهند (سایت دانلود کتاب خارجی)، راه مناسبی است. دانلود رایگان کتاب و در واقع دانلود کتاب دانشگاهی و دانلود کتاب علمی در بعضی سایت‌های رایگان دانلود کتاب امکان‌پذیر است و فقط باید آن‌ها بشناسید. اگر شما هم به دنبال یافتن سایت‌هایی جهت دانلود کتاب دانشگاهی مد نظر خود یا دانلود کتاب علمی خاصی هستید، این مطلب پاسخی برای نیاز شماست.

سایت FreeBookSpot

یکی از بهترین‌ سایت های دانلود رایگان کتاب خارجیسایت

FreeBookSpot است. این وبگاه، مجموعه عظیمی از کتاب الکترونیکی رایگان در بیش از ۱۰۰ زمینه موضوعی مختلف برای کاربران فراهم کرده است. حدود ۴۵۰۰ کتاب الکترونیکی در موضوعات برنامه‌نویسی، مهندسی، ستاره‌شناسی، داستانی، علمی و … در این سایت موجود است. در این وبگاه دانلود کتاب‌ بدون نیاز به ثبت‌نام امکان‌پذیر است و شما می‌توانید کتب را بر اساس عنوان، نام نویسنده، شابک و زبان جستجو کنید. در این سایت بخش‌هایی با عنوان پرطرفدارترین کتب و آخرین کتب دانلود شده نیز موجود است.

سایت LibGen

شما می‌توانید کتاب‌های مد نظر خود را از سایت LibGen به آدرس

gen.lib.rus.ec دانلود نمایید. تقریباً هر کتاب علمی و دانشگاهی را می‌توانید در اینجا بیابید. مخصوصا اگر یکی دو سالی از انتشار آن گذشته باشد.

با داشتن نام کامل کتاب، نام نویسندگان یا شماره بین‌المللی کتاب می‌توانید از این سایت کتاب‌های تخصصی خود را دانلود کنید. فرمت کتاب‌های موجود در این کتاب pdf یا djvu بوده و برای نمایش کتاب دریافتی ممکن است به نرم‌افزار مخصوص نیاز داشته باشید. دانلود کتاب دانشگاهی و دانلود کتاب علمی از این سایت معمولاً رایگان است.

سایت Scribd

دیگر سایت دانلود رایگان کتاب خارجی

Scribd است. این سایت در واقع یک سایت اشتراک‌گذاری فایل‌های مختلف می‌باشد. شامل بیش از ۱ میلیون کتاب دیجیتال و کتاب صوتی از بیش از ۱۰۰۰ ناشر می‌باشد. علاوه بر این، بیش از ۶۰ میلیون انواع مدارک اعم از کتب غیرداستانی، حل‌المسائل و راهنماهای آموزشی، مجلات، مقالات علمی پژوهشی، کتاب صوتی، اسناد و مدارک، رومه‌ها و مجلات، مقالات و مطالب خبری، بروشورها، اسناد حقوقی و تجاری، اسناد دولتی، کمیک‌ها، خاطرات، نامه‌ها، ارائه‌ها، نوشتارهای خلاقانه، فرم‌های حقوقی، نقشه‌ها، نشریات ادواری، گزارشات، تحقیقات علمی، رزومه‌ها و سی وی‌ ها، نقد و بررسی‌ها، سخنرانی‌ها، تألیفات و کارهای درسی و را دربرمی گیرد. این وبگاه شامل بیش از ۸۰ میلیون کاربر از بیش از ۱۹۴ کشور است. دارای نرم‌افزارهای مخصوص رایانه‌های شخصی، گوشی‌های هوشمند و تبلت های آندرویدی و IOS، کیندل فایر، NOOK می‌باشد. فرمت فایل های موجود در این سایت بسیار متنوع است مانند PDF، Excel، Word، PPT، txt و …

سایت BookSee

یکی دیگر از سایت‌های معتبر برای دانلود کتاب های علمی و دانشگاهی، سایت BookSee به نشانی

booksee.org است. از طریق این سایت نیز می‌توانید با داشتن نام کتاب مد نظر خود، کتاب‌های تخصصی علمی را دانلود نمایید. بانک داده این سایت شامل نزدیک به ۲٫۵ میلیون کتاب الکترونیک است. سایت

booksee.org هم نسخه دسکتاپ و هم نسخه موبایل دارد و کار کردن با آن در دستگاه‌های موبایل نیز میسر است. دانلود کتاب علمی و دانلود کتاب دانشگاهی از سایت booksee.org نیز رایگان است.

سایت BookYards

سومین سایت معتبر برای دانلود کتاب‌های انگلیسی علمی، سایت BookYard به نشانی

bookyards.com است. این سایت بانک داده ای شامل ۲۳۰۰۰ کتاب الکترونیکی دارد و این تعداد کتاب روز به روز به کمک مخاطبان سایت در حال گسترش است. دانلود کتاب های مختلف اعم از دانشگاهی و غیر دانشگاهی از این سایت رایگان بوده و امکانات دیگری از قبیل دانلود نرم‌افزارهای موبایل رایگان نیز دارد.

سایت DOAbooks

سایت DOABooks به نشانی

doabooks.org محلی برای دسترسی به کتاب‌های آزاد است. این سایت در حقیقت یک دایرکتوری با دسترسی همگانی به کتاب هاست. افرادی که کتابی برای انتشار دارند به این وب سایت برای انتشار کتاب خود اعتماد می‌کنند و مخاطبان نیز می‌توانند از این سایت نسبت به دانلود کتاب دانشگاهی مد نظر خود اقدام کنند. اگر به دنبال دانلود کتاب از یک منبع رایگان هستید، این سایت جای خوبی برای نیاز شماست زیرا بانک داده این سایت شامل ۱۱۰۰۰ کتاب است و امکان دانلود کتاب را برای شما فراهم کرده است.

سایت BookBoon

سایت BookBoon به نشانی

bookboon.com دایرکتوری بسیار بزرگی از کتب الکترونیکی قابل دانلود در زمینه‌های مختلف علمی از قبیل مهندسی کامپیوتر و آی تی، آمار و ریاضی، علوم طبیعی، برنامه‌نویسی، مهندسی، مدیریت و حسابداری است و دانشگاهیان محترم می‌توانند کتاب مد نظر خود را به راحتی از آن دریافت کنند. همچنین لیستی شامل محبوب‌ترین کتب از نظر کاربران در سایت موجود است که می‌تواند راهنمای کسانی باشد که قصد ترجمه کتاب دارند. البته این سایت در کنار لیستی از کتاب‌ها که امکان دانلود رایگان کتاب برای آن‌ها فراهم شده است، بخشی از کتاب‌های خود را نیز به صورت اختصاصی برای اعضا منتشر می‌کند.

منبع: دکتر محسن مرادی

https://telegram.me/analysisacademy

مشخصات

جهت مشاهده منبع اصلی و ادامه این مطلب این مطلب کلیک کنید

آموزش تخصصی آمار و مدل معادلات ساختاری(SEM)

نکات مهم در طراحی پرسشنامه (پرسشنامه محقق ساخته)

مشخصات

روش‌ها و ابزارهای جمع آوری داده‌ها در پژوهش

سطوح اندازه گیری:

مشخصات

فرضیه آماری چیست؟

مشخصات

روش های نمونه گیری

مشخصات

تحلیل مؤلفه‌های اصلی

جزئیات

محدودیتهای تحلیل مولفه‌های اصلی

محاسبه مولفه‌های اصلی با استفاده از ماتریس کواریانس

محاسبه میانگین تجربی و نرمال سازی داده‌ها

محاسبه ماتریس کواریانس

محاسبه مقادیر ویژه ماتریس کواریانس و بازچینی بردارهای ویژه

انتخاب زیرمجموعه‌ای از بردارهای ویژه به عنوان پایه

انتقال داده به فضای جدید

نرم‌افزارها

تجزیه مقدارهای منفرد

مثال‌ها

مقدار ویژه و بردار ویژه

فضای برداری با بعد متناهی

نکات و اشارات

فضاهای بی‌نهایت بعدی

عمل‌گر مشتق‌گیری

مشخصات

آزمون تحلیل کواریانس ANCOVA

مشخصات

آزمون تی تک نمونه ای

مشخصات

نام علمی پارامتر های مدل سازی معادلات ساختاری

مشخصات

p value در نرم افزار لیزرل

مشخصات

Bootstrapping (بوت استراپینگ) چیست؟

مشخصات

آزمون هم خطی

مشخصات

فرضیه علّی و رابطه علّی

مشخصات

تحلیل عاملی تاییدی چیست؟

مشخصات

ملاک های اساسی انتخاب موضوع پایان نامه

مشخصات

یک مفهوم از ضریب همبستگی

مشخصات

چگونه مفهوم بعضی از واژه ها را در نتایج تحلیل پیدا کنیم؟؟؟؟

مشخصات

پی ولیو و آلفا چه نقشی در تصمیم گیری آماری دارند؟

مشخصات

تحلیل خوشه ای

تفاوت تحلیل خوشه ای و تحلیل تشخیصی

مشخصات

تحلیل های آماری و مدلسازی معادلات ساختاری

گروه علمی آموزشی پژوهشگران برتر سعی در ارائه بهترین خدمات در حوزه های آماری زیر را دارد:

مشخصات

تحلیل مسیر چیست؟

مشخصات

معرفی نرم افزارهای آماری spss و Lisrel و Amos و Smart PLS

نرم افزار SPSS چیست؟

قابلیت‌های نرم افزار SPSS به ‌شرح زیر است:

تهیه خلاصه‌های آماری مانند گراف‌ها، جداول‌، آماره‌ها و …

انواع توابع ریاضی مانند قدر مطلق، تابع علامت، لگاریتم، توابع مثلثاتی و …

تهیه انواع جداول سفارشی مانند جداول فراوانی، فراوانی تجمعی، درصد فراوانی و …

انواع توزیع‌های آماری شامل توزیع‌های گسسته و پیوسته

تهیه انواع طرح‌های آماری

انجام آنالیز واریانس یکطرفه، دوطرفه، چندطرفه و آنالیز کوواریانس

تکنیک‌های تجزیه و تحلیل سری‌های زمانی

ایجاد داده‌های تصادفی و پیوسته

محاسبه انواع آماره‌های توصیفی

انواع آزمون‌های مرتبط با مقایسه میانگین بین دو یا چند جامعه مستقل و وابسته

قابلیت مبادله اطلاعات با نرم‌افزارهای دیگر

برازش انواع مختلف رگرسیون

و ……

نرم افزار smartpls چیست؟

مدل معادلات ساختاری = تحلیل عامل تائیدی + تحلیل مسیر

حداقل مربعات جزئی= مدل درونی + مدل بیرونی

نرم افزار لیزرل چیست؟

رویکرد واریانس محور *یا حداقل مربعات جزئی (PLS***)

ارزیابی مدلها با استفاده از PLS

ارزیابی مدل اندازه گیری (مدل بیرونی)