دانلود پایان نامه درمورد رگرسیون، ضریب همبستگی، معادلات ساختاری، تحلیل عاملی تأییدی

دانلود پایان نامه ارشد

بکار می‌رود (β) بتا است. در معادله رگرسیون چندگانه هر B نمایانگر تغییر منتظره در متغیر وابسته y به ازای یک واحد تغییر در متغیر مستقل مربوط است، در شرایطی که سایر متغیرهای مستقل کنترل شده یا ثابت نگه داشته شده باشند. تعریفβ نمایانگر تغییر غیرمنتظره در متغیر وابسته‌ای است که به صورت نمرات استاندارد بیان شده است و به ازای یک انحراف معیار تغییر در متغیر مستقل مربوطه به وجود می‌آید، در شرایطی که سایر متغیرهای مستقل کنترل شده یا ثابت نگه داشته شده باشد. مقدار B تحت تأثیر مقیاس اندازه‌گیری متغیرهای مستقل قرار می‌گیرد در حالی ‌که این امر در مورد بتا صادق نیست. رابطه β یا بتا به صورت زیر است.
β= sx/sy B (3-4)
با این حال ممکن است وزن‌های β به خودی خود چیز خیلی زیادی به ما ندهند؛ بنابراین ضریب رگرسیون چندگانه که عبارت است از مجذور ضریب همبستگی بین y و بهترین ترکیب خطی متغیرهای پیش بین (ryŷ) ارائه می‌شود. این ضریب با R2 نمایش داده می‌شود. در واقع R برابر است با ضریب همبستگی پیرسون نمرات پیش‌بینی‌شده از روی معادله رگرسیون ŷ و نمرات مشاهده‌شده (y). R2 سهم متغیرهای مستقل را در تبیین واریانس متغیر وابسته نشان می‌دهد، یعنی درصد واریانس تبیین شده متغیر وابسته توسط متغیرهای مستقل برابر R2 است.

آزمون‌های موجود در رگرسیون چندگانه
1-آزمون معناداری ضریب رگرسیون (آزمون t)
به منظور پی بردن به معنی‌داری آماره‌های محاسبه ‌شده در معادله رگرسیون می‌توان از آزمون‌های آماری استفاده کرد و فرضیه صفر در هر مورد این است که متغیرهای پیش بین مقدار معناداری از واریانس y را تبیین نمی‌کنند. اولین چیزی که باید بدانیم محاسبه خطای استاندارد ضریب است یا به عبارتی تعیین اینکه مقدار آن احتمالاً در جریان تکرار نمونه‌گیری چقدر تغییر می‌کند. با تقسیم ضریب بر خطای استاندارد، آماره t بدست می‌آید که می‌توان با مراجعه به جدول مربوطه و درجه آزادی (N-P-1) معناداری آن را بررسی کرد (تعداد متغیرهای پیش بین = p). در واقع این آزمون نشان می‌دهد که آیا ضرایب معادله رگرسیون (B) معنی‌دار بوده و در برآورد مقدار متغیر وابسته موثر می‌باشد یا خیر؟

2- تحلیل واریانس یک عامله (ANOVA) و محاسبه آماره F
جدول تحلیل واریانس در رگرسیون منبع تغییرات وابسته در دو منبع رگرسیون و باقیمانده را نشان می‌دهد. منبع رگرسیون اطلاعات مربوط به میزان تغییرات متغیر وابسته را که در نتیجه مدل تحقیق است نشان می‌دهد. منبع باقیمانده مربوط به میزان تغییرات متغیر وابسته که خارج از مدل تحقیق است را نشان می‌دهد. هر چه مقدار مجموع مجذورات باقیمانده کوچک‌تر از مجموع مجذورات رگرسیون باشد نشان‌دهنده قدرت تبیین‌کنندگی بالای مدل در توضیح تغییرات متغیر وابسته می‌باشد.
مقدار F نشان‌دهنده آن است که آیا مدل رگرسیونی تحقیق مدل مناسبی است یا خیر؟ به عبارتی آیا متغیرهای مستقل قادرند به خوبی تغییرات متغیر وابسته را توضیح دهند یا خیر. تشخیص این موضوع با معنی‌داری مقدار F در سطح خطای کوچک‌تر یا بزرگ‌تر از 05/0 امکان‌پذیر می‌باشد. مقدار F از تقسیم میانگین توان‌های دوم رگرسیون (MSR) بر میانگین توان‌های دوم باقیمانده (MSE) بدست می‌آید. میانگین توان‌های دوم از تقسیم مجموع توان‌های دوم هر منبع بر درجه آزادی همان منبع حاصل می‌گردد. آماره F در واقع رابطه خطی بین متغیرها را نشان می‌دهد.
3-آزمون دوربین-واتسون
یکی از آزمون‌های تعیین استقلال بین متغیرهای تحقیق می‌باشد. یکی از شرایط برای استفاده از رگرسیون مستقل بودن متغیرهای مستقل و وابسته می‌باشد. مقدار این آزمون اگر بین 5/1 تا 5/2 باشد داده‌ها از هم مستقل می‌باشند.

شروط استفاده از رگرسیون:
برای استفاده از روش‌های تحلیل رگرسیون باید شرایط برای انجام آن فراهم باشد. این شرایط به قرار زیر می‌باشند:
1-مقیاس اندازه‌گیری همه متغیرها (حداقل) رتبه‌ای ‌باشد. در این تحقیق از طیف لیکرت استفاده شده است.
2- توزیع مقادیر متغیر وابسته نرمال باشد که با توجه به آزمون کولموگروف-اسمیرنف، توزیع همه متغیرها نرمال بود.
3- وجود رابطه خطی بین متغیرها با آزمون تحلیل واریانس (ANOVA) و محاسبه آمارهF تایید شود. معنی‌داری بودن معادله رگرسیون با استفاده از آزمون F در هر دو گروه محاسبه شده است.در این آزمون، فرض H1 خطی بودن رابطه بین متغیرها را نشان می‌دهد.
4-مستقل بودن مشاهدات نیز با آزمون دوربین-واتسون (Durbin-Watson)، مشخص می‌شود. اگر مقدار این آزمون بین 5/2-5/1 باشد، مشاهدات از هم مستقل‌اند. مقدار این آزمون در جدول مربوط به ضرایب رگرسیون آورده شده است که در محدوده مناسب قرار دارد.

ضرایب در تحلیل رگرسیون به دو بخش تقسیم می‌شوند:
1-ضریب همبستگی چندگانه
2-ضریب تعیین
ضریب همبستگی چندگانه (R) در جدول زیر شدت رابطه بین متغیرهای مستقل با متغیر وابسته را نشان می‌دهد. این مقدار همواره بین 0 و 1+ می‌باشد. مقدار ضریب تعیین (R2) نشان می‌دهد که حدود چند درصد از تغییرات متغیر وابسته ناشی از متغیرهای مستقل تحقیق می‌باشد؛ و بقیه به عوامل دیگر بستگی دارد؛ اما این آماره تعداد درجه آزادی را در نظر نمی‌گیرد. به همین دلیل از ضریب تعیین استاندارد استفاده می‌گردد.

-ضرایب معادله رگرسیون به دو بخش تقسیم می‌گردند:
1-ضریب تأثیر غیراستاندارد (B)
1-ضریب تأثیر استاندارد (Beta)
ضرایب غیراستاندارد یعنی ضرایب B برای نوشتن معادله رگرسیون می‌باشند و از آن‌ها برای نوشتن معادله رگرسیون استفاده می‌شود. بر این اساس معادله رگرسیون برای هر مرحله نوشته می‌شود
اما برای نشان دادن اهمیت متغیرهای مستقل در پیش‌بینی متغیر وابسته و به طور کلی در پیشگویی معادله رگرسیون باید به مقادیر استاندارد (Beta) توجه نمود چرا که مقیاس اغلب متغیرهای مستقل از واحدهای مختلفی می‌باشد و با راحتی نمی‌توان به مقایسه سهم هر متغیر مستقل در تبیین تغییرات یا واریانس متغیر وابسته پرداخت. از این رو ضریب تأثیر استاندارد شده به ما در تعیین سهم نسبی هر متغیر مستقل در تبیین تغییرات متغیر وابسته کمک می‌نماید.

3-8-4 تحلیل مدل معادلات ساختاری با نرم افزار LISREL 8.50
در اين پژوهش براي آزمون فرضیه‌ها و تعيين تأثير متغيرهاي مكنون از مدل يابي (SEM22)، نرم افزار لیزرل50/8 استفاده شد. مدل يابي معادلات ساختاري يك تكنيك تحليل چند متغيره نيرومند از خانواده رگرسيون چند متغيره است كه به پژوهشگران امكان می‌دهد مجموعه اي از معادلات رگرسيون را به طور همزمان مورد آزمون قرار دهد (هومن،1390). اين روش برخلاف تحليل رگرسيون براي تحليل معادلات ساختاري، روش مناسبي به حساب می‌آید، زيرا امكان سنجش روابط بين متغيرهاي مكنون را به ما می‌دهد و بررسي روابط وابسته به چند عامل را نيز فراهم می‌کند.
در پژوهش حاضر در دو بخش از معادلات ساختاری استفاده گردید. در بخش اول برای برازش مدل‌های اندازه گیری (تحلیل عاملی تأییدی) و در بخش دوم به منظور سنجش مدل و معناداری روابط بین متغیرها بهره گرفته شد.
3-8-4-1-تحلیل عاملی تأییدی و برازش مدل‌ها: قبل از ورود به مرحله‌ی آزمون فرضیه‌ها و مدل مفهومی پژوهش لازم است از صحت مدل‌های اندازه گیری اطمینان حاصل شود این کار توسط تحلیل عاملی تأییدی انجام می‌شود که یکی از روش‌های قدیمی و معتبر علمی برای اندازه گیری روایی سازه می‌باشد و روابط بین مجموعه ای از شاخص‌ها و عوامل را مورد بررسی قرار می‌دهد و به برآورد بار عاملی23 می‌پردازد. در واقع در این تحلیل ارتباط بین متغیرهای مکنون (عامل‌های بدست آمده) و متغیرهای مشاهده شده (سؤالات یا شاخص‌ها) مورد بررسی قرار می‌گیرد. بار عاملی معرف همبستگی عامل با شاخص مربوطه است در نتیجه تفسیر آن مشابه با تفسیر آزمون همبستگی می‌باشد (هومن، 1390). در واقع تحلیل عاملی تأییدی به بررسی این مطلب می‌پردازد که آیا داده های موجود با ساختار به شدت محدود شده پیش تجربی که شرایط همانندی را برآورد می‌سازد، برازش دارد یا نه (هومن،1390). تایید یا رد معناداری بارهای عاملی با توجه به مقدار (T-Value) صورت می‌گیرد. در صورتی که این میزان کوچک‌تر از 96/1- و بزرگ‌تر از 96/1 باشد، این رابطه تایید می‌شود.
3-8-4-2-تحلیل مسیر: برای برآورد پارامترهای مدل معادلات ساختاری یک مجموعه معادلات رگرسیون بر حسب متغیرهای مستقل و وابسته، مدلی تدوین می‌شود. تأثیر یک متغیر بر متغیر دیگر، هم می‌تواند مستقیم باشد و هم از طریق تأثیرگذاری بر متغیر میانجی دیگر یعنی به صورت غیر مستقیم باشد. اکثر تغییرات مستقیم همان تغییراتی هستند که در یک نمودار تحلیل مسیر به وسیله‌ی پیکان‌های یک طرفه مشخص و توسط پارامترهای مدل برآورد می‌شود. تأثیر کل عبارتست از تاثیر مستقیم بعلاوه‌ی تمامی تأثیرات غیرمستقیم که از همبستگی بین متغیرهای بیرونی و تأثیرات متقابل حاصل می‌شود. (قاسمی، 1389). یک مدل معادلات ساختاری کامل با یک نمودار مسیر که معرف روابط نظری مورد بررسی میان متغیرهای مستقل و وابسته است شروع می‌شود.

3-8-4-3 شاخص‌ها یا معیارهای برازش مدل
شاخص‌های برازش مناسب مدل بسیار هستند و تعداد آن‌ها رو به افزایش است و هیچ‌گونه توافق همگانی در مورد یک آزمون بهینه وجود ندارد. معمولاً برای تایید مدل استفاده از سه تا پنج معیار کافی است. (شوماخر و لومکس، 1388) در این پژوهش از 6 شاخص معروف و مهم استفاده نمودیم که شامل: NC24 (کای اسکوئر بهنجار یا نسبی) یکی از شاخص‌های عمومی برازش که از تقسیم ساده‌ی مقدار کای دو بر درجه‌ی آزادی محاسبه می‌شود، RMSEA25 (شاخص ریشه‌ی میانگین مربعات خطای برآورد)، NFI26 (شاخص برازش هنجارشده)،NNFI27 (شاخص برازش هنجارنشده)، GFI28 (شاخص نیکویی برازش)، RMR29 (شاخص ریشه‌ی میانگین مربعات باقیمانده) است.

کای‌اسکوئر بهنجار یا نسبی (NC)
یکی از شاخص‌های عمومی برای به حساب آوردن پارامترهای آزاد در محاسبه شاخص برازش، کای‌اسکوئر بهنجار یا نسبی است که از تقسیم ساده مقدار کای‌اسکوئر بر درجه ‌‌آزادی مدل محاسبه می‌شود. اغلب مقادیر بین 2 تا 3 را برای این شاخص قابل قبول می‌دانند. با این حال دیدگاه‌ها در این‌باره متفاوت است. شوماخر و لومکس (1388) مقادیر بین 1 تا 5، کارماینز و مک‌ایور (1981) مقادیر بین 2 تا 3، اولمن (2001) مقادیر بین 1 تا 2 و کلاین (2005) مقادیر بین 1 تا 3 را قابل قبول می‌دانند (قاسمی، 1389).

معیار ریشه دوم میانگین مربعات خطای برآورد (RMSEA)
برخلاف بسیاری از معیارهای برازش دیگر در مدل‌سازی که تنها دارای برآورد نقطه‌ای هستند، این شاخص برای فواصل اطمینان مختلف نیز قابل محاسبه است که می‌توان با استفاده از آن‌ها مشخص کرد که آیا مقدار به دست آمده برای مدل تدوین شده با مقدار 05/0 تفاوت معنادار دارد یا خیر؛ مقداری که اغلب به عنوان نقطه برش برای مدل‌های خوب و بد شناخته می‌شود. مقدار RMSEA که در حقیقت همان آزمون انحراف هر درجه آزادی است، برای مدل‌هایی که برازندگی خوبی داشته باشند، 05/0 یا کمتر است. مقادیر بالاتر از آن تا 08/0 نشان‌دهنده خطای معقولی برای تقریب در جامعه است و در مدل‌هایی که مقدار آن 1/0 یا بیشتر است برازش ضعیفی دارند. توجه به این نکته ضروری است که مقدار این معیار هنگامی که درجه آزادی کوچک است و حجم نمونه نیز بزرگ نیست می‌تواند گمراه‌کننده باشد.

معیار برازش هنجار شده بنتلر-بونت (NFI)
این شاخص اولین بار توسط بنتلر و بونت (1980) در مقاله‌ای با عنوان آزمون‌های معناداری و نیکویی برازش در تحلیل ساختارهای کوواریانس طرح شد. مهم‌ترین نقطه ضعف آن عدم حساسیتش به افزودن پارامتر به مدل است به نحوی که هر چه پارامتر به مدل افزوده شود مقدار این شاخص نیز افزایش می‌یابد. مقدار قابل قبول برای این شاخص حداقل 90/0 و مقداری که نشان‌دهنده یک برازش خوب است حداقل 95/0 د

پایان نامه
Previous Entries دانلود پایان نامه درمورد رگرسیون، رگرسیون چندگانه، ضریب همبستگی، همبستگی پیرسون Next Entries دانلود پایان نامه درمورد انحراف معیار، حسابداران، مسئولیت پذیری، رگرسیون