منابع پایان نامه ارشد درمورد معادلات ساختاری، مدل معادلات ساختاری، تحلیل عاملی، تحلیل عامل

دانلود پایان نامه ارشد

می‌توان تقسیم کرد:
مقاصد اکتشافی – مقاصد تاییدی
در تحلیل اکتشافی، پژوهشگر به دنبال بررسی داده‌های تجربی به منظور کشف و شناسایی شاخص‌های ویژه و نیز روابط جالب بین آنهاست، و این کار را بدون تحمیل هرگونه مدل معینی بر روی داده‌ها انجام می‌دهد (هومن، 1387).

ویژگی‌ها و الزامات تحلیل اکتشافی به شرح زیر است:
این روش، مدل ساختار عاملی را تعیین می‌کند.
این روش بیشترین واریانس را تبیین می‌کند.
این روش فاقد فرضیه بوده و خود فرضیه ساز و تئوری ساز است ( کلانتری، 1388).
در تحلیل عاملی تاییدی، محقق مطالعه خود را بر مبنای ساختار عاملی از پیش تعیین شده، دنبال می‌کند و در صدد است تا، صحت و سقم ساختار عاملی مجموعه‌ای از متغیرهای مشاهده شده را مورد آزمون قررا دهد. این تکنیک به محقق اجازه می‌دهد تا به آزمون این فرضیه که بین متغیرهای آشکار و سازه‌های نهفته، رابطه وجود دارد را مورد بررسی قرار می‌دهد. بنابراین بر اساس این تکنیک محقق ابتدا باید به تدوین مدل نظری اقدام کند تا در عمل بتواند آن را محک بزند. تحلیل عاملی تاییدی مورد ویژه‌ای از مدل معادلات ساختاری است که به ساختار کوواریانس یا مدل روابط ساختاری خطی نیز معروف است (کلانتری، 1388).
تحلیل عاملی تاییدی دارای ویژگی‌هایی است که آن را از تحلیل عاملی اکتشافی متمایز می‌کند:
این روش براساس یک مدل از قبل طراحی شده دنبال می‌شود که مبتنی بر تئوری‌ها و مطالعات قبلی است.
در این روش تعداد عامل‌ها از قبل توسط محقق پیش بینی می‌شود.
در این روش از قبل مشخص می‌شود که کدام متغیرها بر هر یک از عامل بار شده‌اند.
در این روش خطاها در مدل در نظر گرفته می‌شود (کلانتری، 1388).
در این تحقیق از میان 51 سوال موجود با انجام تحلیل عاملی بر روی آنها تعداد 35 سوال مورد پذیرش قرار گرفته است و سایر سوالات حذف شده‌اند.

3 – 20 تحلیل ماتریس کوواریانس
در تحلیل عاملی پس از تقلیل متغیرها به عامل از طریق گروه بندی متغییرهایی که بیشترین همبستگی یا همبستگی متوسط دارند، به تشکیل ماتریس کوواریانس پرداخته می‌شود. در این ماتریس، واریانس در قطر اصلی ماتریس قرار می‌گیرد و هر کدام از آنها نشان دهنده کووایانس هر متغیر با خود آن متغیر است.
بقیه قسمت‌های ماتریس (به جز قطر اصلی) مقادیر کوواریانس را نشان می‌دهد. آماره کوواریانس رابطه موجود بین دو متغیر را نشان می‌دهد.اگر بین متغیرها ارتباط خطی مثبت وجود داشته باشد، کوواریانس مثبت و اگر این ارتباط بین متغیرها عکس باشد، کووایانس منفی و اگر ارتباط خطی بین متغیرها وجود نداشته باشد، کوواریانس صفر خواهد بود (کلانتری، 1388).
همچنین ماتریس هبستگی دارای جدولی است که در آن همه متغیرها بصورت سطر و ستون نوشته شده‌اند. همبستگی بین هر متغیر با متغیر دیگر در محل تقاطع سطر و ستون مربوط نشان داده می‌شود. سپس متغیرهای دارای بیشترین همبستگی درون یک عامل قرار می گیرند (دلاور، 1385).

3 – 21 مدل معادلات ساختاری1
یک مدل معادلات ساختاری کامل از دو مولفه تشکیل شده است:
یک مدل ساختاری که ساختار علی خاصی را بین متغیرهای مکنون مفروض می‌دارد.
یک مدل اندازه‌گیری که روابطی را بین متغیرهای مکنون و متغیرهای نشانگر (اندازه گیری شده) تعریف می‌کند (خاکی، 1387).
متغیرهای مکنون در مدل معادلات ساختاری به دو دسته برون‌زا و درون‌زا تقسیم می‌شوند. متغیرهای برون‌زا، متغیرهایی هستند که علت تغییرات آنها در مدل منظور نشده و خارج از مدل است. متغیرهای درون‌زا، متغیرهایی هستند که تغییرات آنها توسط متغییرهای موجود در مدل پیش بینی شده است (خاکی، 1387).
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 کلی است که به پژوهشگر امکان می‌دهد، مجموعه‌ای از معادلات رگرسیون را بصورت همزمان مورد آزمون قرار دهد. این تکنیک یک رویکرد آماری جامع برای آزمون فرضیه‌هایی درباره روابط بین متغیرهای مشاهده شده و مکنون است، که گاه تحلیل سازی کوواریانس، مدل‌یابی علی و گاه نیز لیزرل نامیده شده است (هومن، 1388).
مدل معادلات ساختاری بر پایه فرضیه‌هایی درباره وجود رابطه علی بین متغیرها، مدل‌های علی را با دستگاه معادله خطی آزمون می‌کند. بدین ترتیب مدل معادلات ساختاری، روابط نظری بین شرایط ساختاری معین و مفروض را می‌آزماید و برآورد روابط علی میان متغیرهای مکنون (مشاهده نشده) و نیز روابط میان متغیرها اندازه‌گیری شده (مشاهده شده) را امکان پذیر می‌سازد. متغیرهای مستقل که فرض بر آن است بدون خطا اندازه‌گیری می‌شوند، متغیرهای برونزا یا جریان دهنده، و متغیرهای ئابسته یا میانجی، متغیرهای درونزا یا جریان گیرنده نامیده می‌شود (هومن، 1388). متغیرهای مشاهده شده بصورت مستقیم، توسط پژوهشگر اندازه گیری می شوند در حالی که متغیرهای مکنون به گونه مستقیم اندازه گیری نمی‌شوند، بلکه بر اساس روابط یا همبستگی‌های بین متغیرهای اندازه گیری شده استنباط می‌شوند.
در مدل معادلات ساختاری روابط بین متغیرهای مشاهده شده و مشاهده نشده را با استفاده از نمودار مسیر نشان می‌دهند. این نمودار که نقش اساسی در مدل یابی ساختاری بازی می‌کند، مانند فلوچارت‌های رایانه‌ای است که متغیرهایی را که با خطوط بیانگر جریان علی به هم متصل شده‌اند، نشان می‌دهد. نمودار مسیر را می‌توان به عنوان وسیله‌ای برای نمایش این مطلب در نظر گرفت که کدام متغیرها موجب تغییراتی در متغیرهای دیگر می‌شود. همه متغیرهای مستقل دارای پیکانهایی هستند که به سوی متغیر وابسته نشانه می‌روند. ضریب وزنی بالای پیکان قرار می گیرد (هومن، 1388).
در مدل‌های عاملی مرتبه اول سه نوع پارامتر آزاد وجود دارد که محقق اغلب مایل به برآورد آنهاست. این پارامترها شامل پارامتر فی، پارامتر لامدا و پارامتر تتا دلتا می‌شوند.
پارامتر فی منعکس کننده واریانس‌ها و کوواریانس‌های عامل‌ها یا متغیرهای پنهان بیرونی هستند.
پارامتر لامدا که نوعی وزن رگرسیونی است در واقع نشان دهنده کوواریانس یا ضریب همبستگی بین هر متغیر آشکار با متغیر پنهانی است که بر آن بار شده است. پارامتر لامدا در واقع همان شاخصی است که به نام بار عاملی نیز خوانده می‌شود. مربع مقدار استاندارد پارامتر لامدا در واقع نوعی ضریب تعیین است و نشان می‌دهد که چند درصد از واریانس یک متغیر آشکار توسط واریانس متغیر پنهان به حساب آمده است.
پارامتر تتا دلتا نیز نشانه‌ی واریانس‌ها و کوواریانس‌های متغیر خطای مرتبط با متغیرهای آشکار و اندازه‌گیری شده هستند. واریانس‌ها یه طور پیش فرض آزاد و کوواریانس‌ها به طور پیش فرض به مقدار صفر ثابت هستند (قاسمی، 138).

3 – 22 شاخص های برازندگی1 مدل
شاخص‌های متفاوتی جهت تعیین برازندگی مدل با واقعیت وجود دارد، به طور کلی این شاخص‌ها به سه دسته تعلق دارند: مطلق، نسبی و تعدیل یافته. شاخص‌های مطلق به واریانس خطا یا واریانس تعدیل شده می‌پردازند که پس از برازش مدل باقی می‌ماند. شاخص‌های نسبی، درباره مقایسه یک مدل با مدل‌های ممکن دیگر می‌پردازند و در نهایت شاخص‌های تعدیل یافته به این مطالب می‌پردازند که مدل مورد نظر چگونه برازندگی و صرفه‌جویی را باهم ترکیب می‌کند، یعنی در عین داشتن برازندگی خوب از گستردگی بدون دلیل مدل نیز جلوگیری می‌شود (هومن، 1388).

کای اسکوئر:
هر چه درجه آزادی مدل از درجه آزادی یک مدل اشباع شده (برابر صفر) دور شود و به درجه آزادی یک مدل استقلال (برابر 21) نزدیک شود مطلوب‌تر تلقی می‌شود. نمی‌توان کوچک بودن کای اسکوئر مدل را به تنهایی نشانه مطلوبی تلقی کرد. در مقابل وجود درجه آزادی بالا در کنار کوچک بودن مقدار کای اسکوئر می‌تواند نشانه‌ی مطلوبی تلقی شود (قاسمی، 1388).

تعداد پارامترهای آزاد در ستون NPAR
این مقدار نشان دهنده این امر می‌باشد که با آزاد گذاشتن چه تعداد پارامتر مشخص در مدل می‌توان به مقدار کای اسکوئر صفر دست یافت. مدلی که مقدار کای اسکوئر آن در بهترین وضعیت و درجه آزادی آن در بدترین وضعیت است. در این حالت شاخص‌های مطلق به طور کلی مطلوب و شاخص‌های مقتصد کاملاً نامطلوب تفسیر می‌شوند (قاسمی، 1388).

نسبت کای اسکوئر به درجه آزادی (MIN/DF)
در جهت قضاوت درباره مدل تدوین شده و حمایت داده‌ها از آن شاخص مناسب‌تری است. این شاخص که مقادیر 1 تا 5 برای آن مناسب و مقادیر نزدیک به 2 تا 3 بسیار خوب تفسیر می‌شود (قاسمی، 1388).
بررسی شاخص‌های تطبیقی، این شاخص‌ها مقادیری بین صفر تا یک را به خود می‌گیرند و مقایر بالاتر از 90/0 در اغلب منابع به عنوان مقادیر قابل قبول تفسیر شده‌اند. بر این مبنا می‌توان گفت که شاخص برازش افزایشی (IFI)، شاخص برازش توکر – لویس (TLI) شاخص برازش تطبیقی (CFI) حاکی از قابل قبول بودن مدل هستند. شاخص برازش هنجار شده بنتلر – بونت (NFI) و شاخص برازش نسبی (RFI) نیز اصلاحاتی جزئی در مدل را پیشنهاد می‌کند.
شاخص برازش هنجار شده مقتصد (PNFI) و شاخص برازش تطبیقی مقتصد (PCFI) دارای مقادیر 50/0 و بالاتر برای این دو شاخص مقادیر قابل قبول تلقی می‌‌‌شوند (قاسمی، 1388).
ریشه دوم میانگین مریعات باقیمانده (RMSEA) این شاخص که بصورت اعشاری گزارش می‌شود، مبتنی بر پارامتر غیر مرکزی است. اگر کوچکتر از درجه آزادی باشد، ریشه خطای میانگین مجذورات تقریب برابر صفر بدست می‌آید. این شاخص برای مدل‌های خوب برابر 05/0 یا کمتر است. مدل‌هایی که ریشه خطای میانگین مجذورات تقریب آنها 10/0 یا بیشتر باشد برازش ضعیفی دارند. برای این شاخص می‌توان فاصله اعتماد محاسبه کرد. ایده‌آل آن است که حد پایین فاصله اعتماد نزدیک به صفر باشد و حد بالایی آن خیلی بزرگ نباشد (هومن، 1388).

روش حداقل مربعات جزئی2
تحلیل حداقل مربعات جزئی، تکنیک آماری چند متغیری است که اجازه می‌دهد تا مقایسه بین متغیرهای واکنش چندگانه و متغیرهای توضیحی چندگانه، صورت گیرد. حداقل مربعات جزئی یکی از روش‌های آماری مبتنی بر کوواریانس است که اغلب به عنوان مدل سازی معادلات ساختاری به آن اشاره شده است. این تکنیک جهت رگرسیون چند گانه، هنگامی که حجم نمونه کم بوده، مقادیر گمشده و همخطی بین متغیرهای مستقل وجود داشته باشد طراحی شده است (هومن، 1388).

فصل چهارم:

تجزیه و تحلیل داده‌های تحقیق

4 – 1 مقدمه
پس از تعیین مساله تحقیق، مراحل تعیین روش تحقیق، مشخص سازی ابزار مناسب جمع آوری داده‌ها و بکارگیری آنها در این مرحله، باید داده‌های جمع آوری شده را تجزیه و تحلیل کرد تا تکلیف فرضیه‌های پژوهش که گزاره‌های احتمالی و غیر یقینی بودند معین شوند. برای تجزیه و تحلیل داده‌های جمع آوری شده و تبدیل آنها به اطلاعاتی که با آنها بتوان فرضیه‌ها را آزمود باید مجموعه‌ای از قواعد را رعایت کرده و تکنیک‌ها و فنون آماری مناسب با داده‌ها را برگزید. تحلیل به معنی طبقه‌بندی، تنظیم، پردازش، دستکاری و خلاصه کردن داده‌ها برای یافتن پاسخ برای پرسشهای پژوهش است. هدف از تحلیل، تقلیل داده‌ها به شکل قابل فهم و قابل تفسیر است به نحوی که بتوان روابط متغیرهای گوناگون مرتبط با مساله پژوهش را مورد مطالعه قرار داد (خاکی، 1383: 324) در این تحقیق داده‌های گروه نمونه با استفاده از علم آمار و نرم‌افزارهای آماری دسته بندی و یکپارچه گردیده، سپس تجزیه و تحلیل شده و مورد تفسیر قرار گرفته‌اند. در این فصل داده‌های جمع آوری شده توسط نرم افزارهای آماری1 مورد تجزیه و تحلیل و سپس تفسیر می‌شوند.

4 – 2 توصیف داده‌ها
علم آمار به روش توصیفی و استنباطی تقسیم می‌شود. در بخش نخست تحقیق حاضر، از فنون آمار توصیفی شامل جداول فراوانی و نمودارهای دایره‌ای برای تجزیه و تحلیل داده‌های شناختی نمونه آماری استفاده شده است. در انتهای تحقیق از مدل معادلات ساختاری برای تحلیل نهایی پژوهش استفاده شده است. در این قسمت به بررسی تاثیر بین متغیرهای مورد مطالعه پرداخته شده است. با توجه به کیفی بودن متغیرهای مورد مطالعه با استفاده

پایان نامه
Previous Entries منابع پایان نامه ارشد درمورد تحلیل عامل، تحلیل عاملی، قابلیت اعتماد، تحلیل داده Next Entries منابع پایان نامه ارشد درمورد ارزش ویژه، تحلیل عامل، تحلیل عاملی، مدیریت دانش