منابع پایان نامه با موضوع سلسله مراتب، تحلیل عاملی، تحلیل عامل

دانلود پایان نامه ارشد

سه واريانس وجود دارد، واريانس مشترك كه به نسبتي از واريانس گفته ميشود كه به وسيله عامل هاي مشترك تبيين ميشود. واريانس خاص كه به يك متغير خاص مربوط ميشود و واريانس خطا كه ناشي از بي اعتباري و ناپايايي دادههاي جمع آوري شده است. در روش تجزية مؤلفههاي اصلي، عاملها همه واريانس هر متغير از جمله واريانس مشترك با ساير متغيرهاي مجموعه و نيز واريانس خاص متغير را توجيه ميكنند. پس تعداد عاملها در اين روش از نظر تئوري بايد با تعداد متغيرها برابر باشد، زيرا همة واريانس هر متغير بايد توسط عاملها تبيين شود. به عبارت ديگر در تجزية مؤلفههاي اصلي به تعداد متغيرها، مؤلفه وجود دارد، ولي عاملهايي استخراج ميشوند كه بيشترين مقدار واريانس را تبيين كنند.
استخراج عامل ها با توجه به معيارهاي زير انجام ميشود:
معيار مقدار ويژه: هر عامل شامل يك يا چند متغير است. مجذورات بارهاي يك عامل نشان دهندة درصدي از واريانس ماتريس همبستگي است كه به وسيلة آن عامل تبيين ميشود، اين مقدار را مقدار ويژه نامند. براي محاسبة آن كافي است ضريب همبستگي متغيرها را با يك عامل به توان برسانيم و با هم جمع كنيم تا مقدار ويژه آن عامل به دست آيد. هر چه مقدار ويژة يك عامل بيشتر باشد، آن عامل واريانس بيشتري را تبيين ميكند. بر اين اساس تعداد عاملها با توجه به مقدار ويژة هر عامل مشخص ميشود و عامل هايي كه مقدار ويژه آنها بيشتر از يك باشد، به عنوان عاملهاي معني دار در نظر گرفته ميشود. استفاده از اين معيار زماني كه تعداد متغيرها بين 20 تا 50 باشد، قابل اعتماد به نظر ميرسد، اما اگر تعداد متغيرها كمتر از 20 باشد، استفاده از اين معيار بايد با محافظه كاري انجام شود. همچنين اگر تعداد متغيرها بيش از 50 باشد، استفاده از اين معيار موجب استخراج تعداد زيادي عامل ميشود.
معيار پيشين: اين روش زماني مورد استفاده قرار ميگيرد كه تعداد عاملها را پژوهشگر مشخص ميكند.
معيار تست بريدگي: اين معيار عاملها را بر مبنايي تعيين ميكند كه هنوز ميزان واريانس خاص بر واريانس مشترك غلبه نكرده باشد، بنابراين تا زماني كه مقدار واريانس مشترك بيشتر از مقدار واريانس خاص باشد، عاملهاي معني دار استخراج ميشود. براي تعيين تعداد عاملها بر اساس اين معيار، نمودار مقدار ويژه در برابر تعداد عاملها رسم ميشود.
معيار درصد واريانس تجمعي: در اين حالت درصد واريانس تبيين شده مبناي تصميم گيري قرار ميگيرد و عاملهايي استخراج مي شوند كه درصد واريانس بالايي را در بر داشته باشند. چنانچه مقدار واريانس كمتر از 50 درصد باشد بايد متغيرهايي را كه ميزان اشتراك آنها كم است حذف كرد.
هدف اصلی استفاده از این تحلیل ، كاهش حجم دادهها و تعيين مهمترين متغيرهاي موثر در شكل گيري اقلیم استان کرمانشاه است. پارامترهاي منتخب شده با روش کرزانوفسکي با استفاده از روش کرجينگ درونيابي شده و به عنوان اطلاعات ورودي براي تحليل عاملی در نظر گرفته شدند. از روشهای تحليل عاملي، در اين مطالعه از روش تجزيه به مولفههاي اصلي استفاده شد. جهت شناسايي مهمترين عاملها، آنالیز چرخش عاملي69 با روش Varimax بر روي دادههاي ورودي اعمال گردید. بر اساس واريانسي هر عامل، نموداراسکري گراف و همچنين هدف مطالعه مقدار قدر مطلق بار عاملي مربوط به هر متغير اقليمي و مهمترين و تاثير گذارترين عاملها انتخاب شدند [21،35]. جهت شناسايي مهمترين عاملها از نرم افزار SPSS 20 استفاده شد.
تعيين و نامگذاري متغيرهاي هر عامل
در ماتريس عاملي هر ستون معرف يك عامل است. مقادير هر ستون نشان دهندة بارهاي عاملي هر متغير با يك عامل هستند.در خروجي نرم افزار عاملها به ترتيب از چپ به راست با شمارههاي 1، 2، 3 و الی آخر قرار میگیرند. متغيرها نيز در ستون اول از بالا به پايين فهرست ميشوند. براي شروع تفسير، پژوهشگر بايد از اولين متغير شروع كند و مقادير مربوط به آن را در عاملهاي مختلف بررسي كند. هر جا كه بيشترين مقدار مطلق بار عاملي وجود داشته باشد و از نظر آماري نيز معني دار باشد، زير آن خط بكشد. به همين ترتيب مراحل بايد براي متغيرهاي ديگر نيز انجام شود. در برخي مواقع ممكن است يك متغير بر بيش از يك عامل بار شده باشد كه اين از موارد پيچيده و بغرنج در تحليل عاملي است. اگر چه در بسياري از موارد چرخش عاملها بخشي از اين گونه مشكلات را مرتفع ميكند، اما در برخي مواقع اين گونه مشكلات هنوز بدون راه حل باقيمانده است.
هنگامي كه با بررسي ماتريس عاملي، بارهاي عاملي معنيدار مشخص شدند، بايد متغيرهايي كه بر روي هيچ يك از عاملها بار عاملي معنيدار ندارند نيز مشخص شوند. پژوهشگر ميتواند به دو شيوه با متغيرهايي كه با هيچ كدام از عاملها همبستگي معنيدار ندارند، برخورد كند. شيوة اول آن است كه اين متغيرها را به فراموشي سپرده و تنها متغيرهاي معني دار را تفسير كند. شيوة دوم آنكه پژوهشگر با اين استدلال كه همه متغيرها سهمي حتي كوچك در نتايج داشتهاند، بنابراين براي رفع اثرات متغيرهايي كه بار عاملي معنيدار نداشتهاند، آنها را از تحليل حذف و سپس تحليل عاملي را بر اساس متغيرهاي معنيدار تكرار كرده و نتايج را تفسير كند. با تشخيص متغيرهاي معنيدار هر عامل ميتوان نام مناسبي با توجه به نوع متغيرهاي هر عامل و ضرايب آنها براي عاملها تعيين كرد[21].
بررسی میزان کارایی تحلیل عاملی
قبل از انجام تحليل عاملي ابتدا بايد از کفايت دادهها برای تحلیل عاملی اطمينان حاصل کرد که آيا تعداد دادههاي موجود براي تحليل مناسب هستند يا خير. براي اين منظور از شاخص KMO و آزمون بارتلت استفاده شد که در زير توضيح داده ميشوند:
الف) شاخص KMO
اين شاخص نشان دهنده کفايت دادهها براي انجام تحيلي عاملي ميباشد به طوري که کوچک بودن همبستگي بين متغيرها را بررسي ميکند و مشخص ميسازد آيا واريانس متغيرهاي تحقيق، تحت تاثير واريانس مشترک برخي عاملهاي پنهان و اساسي است يا خير؟ اين شاخص در فاصله بين صفر و يک قرار دارد جدول (3-15). مقادير کوچک KMO بيانگر آن است که همبستگي بين زوج متغيرها نميتواند توسط متغيرهاي ديگر تبيين شود. بنابراين کاربرد تحليل عاملي متغيرها ممکن است قابل توجيه نباشد. در صورتيکه مقدار KMO کمتر از 5/0 باشد دادهها براي تحليل عاملي مناسب نخواهند بود و اگر مقدار ان بين 5/0 تا 7/0 باشد ميتوان با احتياط بيشتر به تحليل عاملي پرداخت. در صورتيکه مقدار ان بيشتر از 7/0 باشد همبستگي موجود بين دادهها براي تحليل عاملي مناسب خواهد بود [35].
جدول (3-15): قضاوت در مورد ضريب KMO [35]
مقدار KMO
تناسب دادهها براي تحليل عاملي
بزرگتر يا مساوي 90/0
عالي
90/0-80/0
خيلي خوب
80/0-70/0
خوب
70/0-60/0
متوسط
60/0-50/0
ضعيف
کمتر از 50/0
غير قابل پذيرش
ب) آزمون بارتلت
آزمون بارتلت اين فرضيه را كه ماتريس همبستگيهاي مشاهده شده متعلق به جامعهاي با متغيرهاي ناهمبسته است، ميآزمايد. مربع كاي معنيدار بيانگر حداقل شرايط لازم براي اجراي تحليل عاملي است. اگر sig آزمون بارتلت کوچکتر از 5 درصد باشد تحليل عاملي براي شناسايي ساختار (مدل عاملي) مناسب خواهد بود [35]. برای محاسبه مقدار KMO و sig از نرم افزار SPSS 20 استفاده شد. مقادیر ورودی آنالیز پارامترها منتخب درونیابی شده برای 622 نقطه است. این آنالیزها قسمتی از آنالیز تحلیل عاملی هستند.

تعيين تعداد گروهها
به منظور تعيين تعداد گروهها مقدار شبه T2، شبه F و مقدار واریانس کل مربوط به گروههای مختلف را با روش کلاستر و نمودار درختی محاسبه شد. مقادیر ورودی به آنالیز مهمترین عاملهای تحلیل عاملی میباشد. جهت محاسبه بهترين تعداد گروه از نرم افزار SAS 9 استفاده شد.
تحليل خوشهاي
تحليل خوشهاي شامل تعدادي روش و الگوريتم مختلف بوده كه به منظور گروه بندي اشيا و يا دادههاي آماري مشابه و قرار دادن آنها در طبقههاي مناسب به كار ميرود. به عبارت ديگر ميتوان گفت تحليل خوشهاي يك ابزار تحليلي دادهها و اطلاعات، جهت گروه بندي آنها ميباشد كه اگر دادهها متعلق به يك گروه باشند بيشترين درجه شباهت و در غير اين صورت حداقل درجه شباهت را خواهند داشت. فرايندي كه در تحليل خوشهاي صورت ميگيرد، جمع آوري اطلاعات و تركيب آنها ميباشد كه دادهها و مشاهدات به شكلي مناسب گروه بندي شوند. اهميت اين روش در درونيابي دادههاي نقطهاي، يافتن مناطق همگن ميباشد بخصوص زماني كه تغييرات دادهها و وسعت منطقه زياد است. اقليم شناسان از تحليل خوشهاي براي شناسايي مناطق همگن در مقياسهاي مكاني متفاوت استفاده ميكنند. به طور مثال براي تعيين مناطق هم اقليم ميتوان از عوامل ميانگين بارش و دماي ماهانه ايستگاههاي منطقه استفاده كرد. در مواردي با تعداد بيشتري از عوامل (مانند رطوبت، سرعت باد و …) از روشهاي تجزيه مولفههاي اصلي يا تحليل عاملي ميتوان براي كاهش دادهها و يافتن مولفههاي اصلي استفاده كرد. به طور كلي الگوريتمهاي تحليل خوشهاي در دو گروه خوشه بندي سلسله مراتبي و خوشه بندي تفكيكي قرار ميگيرند. روشهاي خوشه بندي سلسله مراتبي مجموعهاي از اجزاي به هم پيوسته در يك نمودار درختي (دندروگرام) به وجود ميآورد. در حالي كه روشهاي تفكيكي خوشههاي جدا شده و مجزا را به عنوان خروجي ميدهند. هدف از خوشه بندي دادهها آن است كه مشاهدات را به گروههاي متجانس تقسيم كنيم، به طوري كه مشاهدات هر گروه بيشترين شباهت و مشاهدات گروههاي مختلف كمترين شباهت را با هم داشته باشند. تحليل خوشهاي يك ابزار اكتشاف است و نتايج آن ممكن است:
در تعريف يك طرح طبقه بندي مانند رده بندي حيوانات، حشرات يا گياهان مفيد باشد
قواعدي براي اختصاص موارد جديد به طبقهها به منظور شناسايي و تشخيص به دست دهد
حدود تعريف، اندازه و تنوع و تعريف براي آنچه قبلا به شكل مفاهيم وسيعي بوده است، فراهم آورد
نمونههايي براي معرفي طبقهها بيايد
مدلهاي آماري براي توصيف جامعهها ارائه دهد.
مفاهيم فاصله70 و تشابه71 از مفاهيم اساسي تحليل خوشهاي است. فاصله اندازهاي است كه نشان ميدهد دو مشاهده تا چه حد جدا از يكديگرند. در حالي كه تشابه شاخص نزديكي آنها با يكديگر است. پژوهشگر قبل از تحليل، نخست بايد يك مقياس كمي را كه بر پايه همخواني (تشابه) بين مشاهدهها اندازه گرفته ميشود را انتخاب كند. اين شاخصها با توجه به الگوريتم تشكيل خوشهها، ماهيت متغيرها (پيوسته، گسسته يا دو ارزشي) و مقياس اندازه گيري انتخاب ميشوند.
خوشه بندي سلسله مراتبي
اگر تعداد خوشهها قبل از گروه بندي مشخص نباشد، از خوشه بندی سلسله مراتبی استفاده ميشود. خوشه بندي سلسله مراتبی با روشهاي مختلفی انجام میشود که عبارتند از:
Between-groups-linkage: تركيب خوشهها از كمينه كردن متوسط فاصله بين تمام زوج مشاهداتي كه در خوشههاي مختلف قرار دارند، ايجاد ميشود. در اين روش از كليه فواصل موجود بين نقاط خوشهها استفاده ميشود نه فقط نزديكترين يا دورترين فاصلهها.
Within-groups linkage: در اين روش سعي ميشود مشاهدات طوري در خوشهها قرار گيرند كه معدل فاصله نقاط داخل خوشهها از يكديگر به كمترين مقدار برسد.
نزدیکترین همسایه72: در اين روش فاصله بين دو خوشه را بر حسب فاصله بين دورترين نقاط آن محاسبه ميشود.
دورترین همسایه73: در اين روش فاصله بين دو خوشه را بر حسب فاصله بين دورترين نقاط آن محاسبه ميشود.
خوشه بندی متمرکز74: فاصله بين دو خوشه، فاصله بين ميانگينهاي آنهاست. فاصلهاي كه خوشهها با يكديگر تركيب ميشوند از مرحلهاي به مرحله ديگر كاهش مييابد.
خوشه بندی میانه75: در اين روش به دو خوشهاي كه تركيب ميشوند، وزنهاي يكساني صرف نظر از تعداد نقاط آنها داده ميشود. اين عمل سبب ميشود گروههاي كوچك نسبت به ديگر گروهها اثر مشابهي در ساختن خوشههاي بزرگتر داشته باشند.
وارد: در اين روش ابتدا ميانگينهاي متغيرها در داخل هر خوشه محاسبه ميشود. سپس براي هر مشاهده، مربع فاصله اقليدسي ميانگينهاي خوشهها محاسبه ميشود. اين فاصله براي تمامي مشاهدات جمع ميشود. در هر مرحله دو خوشهاي تركيب ميشوند كه كوچكترين افزايش در مجموع مربعات

پایان نامه
Previous Entries منابع پایان نامه با موضوع تحلیل عاملی اکتشافی، روش تحلیل عاملی، تحلیل عاملی Next Entries منابع پایان نامه با موضوع استان کرمان، استان کرمانشاه، ضریب همبستگی