پایان نامه با واژگان کلیدی تحلیل عامل، تحلیل عاملی، تحلیل عاملی تأییدی، رگرسیون

دانلود پایان نامه ارشد

یک ماتریس واحد و همانی نباشد، که در این صورت ارتباط معناداری بین متغیرها وجود داشته و بنابراین امکان شناسایی و تعریف عامل‌های جدیدی بر اساس همبستگی متغیرها وجود دارد. اگر سطح معنی‌داری(sig) آزمون بارتلت کوچک‌تر از 5 درصد باشد، تحلیل عاملی برای شناسایی ساختار(مدل عاملی) مناسب است، زیرا فرض یکه(واحد) بودن ماتریس همبستگی رد می‌شود.

3-8-3-مدل‌یابی معادلات ساختاری 173(SEM)
یکی از عمده‌ترین مشکلات، توجیه باورها و نظرهایی است که درباره‌ی روابط فرضی بین متغیرها با استفاده از داده‌های غیرآزمایشی ارائه می‌دهند. مدل‌یابی معادلات ساختاری از جمله مدل‌های آماری برای بررسی روابط خطی بین متغیرهای مکنون(مشاهده نشده) و متغیرهای آشکار(مشاهده شده) است. متغیرهای آشکار یا مشاهده شده به شکل مستقیم به وسیله پژوهشگر اندازه‌گیری می‌شود درحالی‌که متغیرهای مکنون یا مشاهده نشده به شکل مستقیم اندازه‌گیری نمی‌شوند بلکه بر اساس روابط یا همبستگی‌های بین متغیرهای اندازه‌گیری شده استنباط می‌شوند‌. مدل معادلات ساختاری دو مؤلفه دارد: مدل اندازه‌گیری که در آن متغیرهای مکنون پیشنهاد و از طریق تحلیل عاملی تأییدی آزمون می‌شود. مدل ساختاری که در آن متغیرهای مکنون و نیز متغیرهای مشاهده نشده‌ای که نشانگر متغیرهای مکنون است از یک راه منطقی با هم مرتبط می‌شود(هومن، 1384).
نرم‌افزار آموس174 باEqs وحید قاسمی(1390) برای برآورد آزمون مدل‌های معادلات ساختاری طراحی شده‌اند. این نرم‌افزار با استفاده از همبستگی و کوواریانس بین متغیرهای اندازه‌گیری شده، می‌تواند مقادیر بارهای عاملی، واریانس‌ها و خطاهای متغیرهای مکنون را برآورد و یا استنباط کند و از آن‌ها می‌توان برای اجرای تحلیل عاملی اکتشافی، تحلیل عاملی تأییدی و نیز تحلیل مسیر استفاده کرد.
مدل‌‌یابی معادله ساختاری یک تکنیک تحلیل چند متغیری بسیار کلی و نیرومند از خانواده رگرسیون چند‌متغیری است که به پژوهشگر امکان می‌دهد مجموعه‌ای از معادلات رگرسیون را به‌گونه همزمان مورد آزمون قرار دهد(هومن، 1384). مدل‌سازی معادله ساختاری به‌عنوان یکی از پیشرفت‌های روش‌شناختی نویدبخش در علوم اجتماعی و رفتاری می‌تواند مدل‌های سنتی را مورد آزمون قرار دهد و درعین‌حال امکان بررسی روابط و مدل‌های پیچیده‌تری مانند تحلیل عاملی(تأییدی) را فراهم آورد(بنتلر175،1980). در این تحقیق بسته به نیاز از کاربردهای این تکنیک در مقاصد زیر استفاده میگردد:
تحلیل عاملی تأییدی و بررسی روایی سازه
مدل‌یابی علی یا تحلیل مسیر

3-8-3-1-تحلیل عاملی
یکی ازمهم‌ترین شیوه‌های تحلیل روایی سازه استفاده از تحلیل عاملی است. تحلیل عاملی نشان می‌دهد که سنجه‌ها با چه الگویی مرتبط هستند که این ارتباط توسط بارهای عاملی ارائه می‌شود. در تحلیل عاملی باید سؤالاتی که برای ارزیابی یک صفت طرح شده‌اند، دارای یک بار عاملی مشترک باشند. این شاخص‌ها را عامل176 می‌نامیم(نگهبان،1384). معمولاً در تحقیقات به دلایل مختلف با حجم زیادی از متغیرها روبرو هستیم. برای تحلیل دقیق‌تر داده‌ها و رسیدن به نتایج علمی‌تر و درعین‌حال عملیاتی‌تر، محققان به دنبال کاهش حجم متغیرها و تشکیل ساختار جدیدی برای آن‌ها می‌باشند و بدین منظور از روش تحلیل عاملی استفاده می‌کنند. تحلیل عاملی سعی در شناسایی متغیرهای اساسی یا عامل‌ها به منظور تبیین الگوی همبستگی بین متغیرهای مشاهده شده دارد. تحلیل عاملی نقش بسیار مهمی در شناسایی متغیرهای مکنون177 یا همان عامل‌ها از طریق متغیرهای مشاهده شده دارد. عامل، متغیر جدیدی است که از طریق ترکیب خطی مقادیر اصلی متغیرهای مشاهده شده برآورد می‌شود.
تحلیل عاملی دارای کاربردهای متعددی است که عبارتند از:
• کاهش داه‌ها178
• شناسایی ساختار179
• سنجش اعتبار یک مقیاس یا شاخص و غیره.
تحلیل عاملی بر دو نوع است که شامل تحلیل عامل اکتشافی180 و تحلیل عامل تأییدی181 می‌باشد. در تحلیل عاملی اکتشافی محقق درصدد کشف ساختار زیربنایی مجموعه نسبتاً بزرگی از متغیرها است و پیش‌فرض اولیه محقق آن است که هر متغیری ممکن است با هر عاملی ارتباط داشته باشد. در تحلیل عاملی تأییدی پیش‌فرض اساسی محقق آن است که هر عاملی با زیرمجموعه خاصی از متغیرها ارتباط دارد. حداقل شرط لازم برای تحلیل عاملی تأییدی این است که محقق در مورد تعداد عامل‌های مدل، قبل از انجام تحلیل، پیش‌فرض معینی داشته باشد. ولی در عین حال محقق می‌تواند انتظارات خود مبنی بر روابط بین متغیرها و عامل‌ها را نیز در تحلیل وارد نماید.
تحلیل عاملی معمولاً دارای چهار مرحله می‌باشد:
ماتریس ضرایب همبستگی تمام متغیرها محاسبه و از متغیرهایی که با سایر متغیرها همبستگی نشان داده بودند، اشتراک بدست می‌آید.
از ماتریس همبستگی، عامل‌هایی استخراج می‌شود که متداول‌ترین آن‌ها عامل‌های اصلی هستند.
چرخش عامل‌ها به منظور به حداکثر رساندن رابطه بین متغیرها و عامل‌ها(عامل‌های مورد نظر)، محاسبه نمره عامل‌ها(بار عامل‌ها) که مقدار آن باید بیش از 3/0(به اعتقاد بعضی صاحب‌نظران بیش از 4/0 باشد).
برای آن‌که بدانیم تحلیل عاملی در این بررسی مجاز است و تناسب نمونه‌گیری وجود دارد، آماره KMO(آزمون کفایت نمونه‌‌گیری) محاسبه می‌شود. این آماره شاخصی برای مقایسه مقادیر ضرایب همبستگی ساده و جزئی بر روی همه متغیرها است.

3-8-3-2-تحلیل عاملی تأییدی
این تحلیل اساساً یک روش آزمون فرضیه است، و بر این مفروضه متکی است که اندیشهای برای مؤلفههای یک متغیر مکنون وجود دارد و پژوهشگر به دنبال یافتن نشانگرها نیست. آموس این مطلب را که آیا نشانگرهایی که پژوهشگر برای معرفی سازه یا متغیر مکنون برگزیده است، واقعاً معرف آن است یا نه، میآزماید و گزارش می‌دهد که نشانگرهای انتخابی به چه دقتی معرف یا برازنده متغیر مکنون است. در حقیقت تحلیل عاملی تأییدی به بررسی این مطلب میپردازد که آیا دادههای موجود با ساختار به شدت محدود شده پیش‌تجربی که شرایط همانندی را برآورده میسازد، برازش دارد یا نه.
تحلیل عاملی تأییدی ابزاری برای ارزشیابی ماهیت روابط میان متغیرها و تحقق روایی سازه است. بنابراین برای قبول روایی یک مدل و در نتیجه روایی نشانگرهای آن سازه، لازم است نشان دهیم که میان این نشانگرها هماهنگی و همسویی وجود دارد. تحلیل عاملی تأییدی احتمالاً مفیدترین روشی است که به برآورد پارامتر و آزمونهای فرضیهها، با توجه به تعداد عامل‌های زیربنایی روابط میان مجموعه نشانگرها می‌پردازد(هومن، 1384).

3-8-4-تحليل مسير182 برقراري روابط علّي در مدل
در تحلیل رگرسیون، متغیرهای تحقیق هم‌عرض هستند و فقط به تأثیر مستقیم متغیرها میپردازد و امکان محاسبه تأثیرهای غیرمستقیم ممکن نیست. تحلیل مسیر که برای نخستین بار از سوی سوول رایت183 توسعه یافت، گسترش روابط رگرسیون و در حقیقت کاربرد رگرسیون چند متغیری در ارتباط با تدوین بارز مدلهای علی است و هدف آن به دست آوردن برآوردهای کمی روابط علی بین مجموعهای از متغیرهاست. بوسیله تحلیل مسیر میتوان به مطالعه تأثیر مستقیم و غیرمستقیم متغیرهای مستقل بر وابسته پرداخت و معمولاً آن را با نمودار مسیر نشان میدهند. بنابراین، نمودار مسیر184 وسیلهای برای به نمایش در آوردن الگوی روابط علی در میان مجموعهای از متغیرهاست(هومن، 1384). نمودارهاي مسير نقش اساسي در مدل‌یابی ساختاري دارند. معادلات ساختاري با يك نمودار مسير كه روابط نظري مورد آزمون را به نمايش مي‌گذارد، شكل مي‌گيرد. از معادلات ساختاري تعريف شده بر مبناي نمودار مسير، براي محاسبه چندين شاخص برازندگي بهره گرفته مي‌شود. بررسي پارامترهاي برآورد شده و شاخص‌هاي گوناگون برازندگي نشان مي‌دهد كه در مدل مورد مطالعه بايد چه تغييراتي انجام و در چه مواردي اصلاحات صورت گيرد؟ اصلاحات مدل بايد با احتياط صورت گرفته و از لحاظ نظري بامعنا باشد.

3-8-5-برازندگی مدل
داده‌های خام قبل از آنکه به عنوان درونداد برنامه رایانه‌ای به کار رود، معمولاً ابتدا به یک ماتریس کوواریانس یا همبستگی از روابط بین متغیرهای مشاهده‌شده تبدیل می‌شود. اندازه‌های برازندگی برای یک مدل از طریق مقایسه ماتریس کوواریانس یا همبستگی از روابط بین متغیرهای مشاهده شده تبدیل می‌شود. اندازه‌های برازندگی از طریق مقایسه ماتریس کوواریانس برآورد شده برای جامعه با ماتریس کوواریانس نمونه که از روی داده‌ها محاسبه شده است به دست می‌آید(کنی185، 2001). هیچ‌گاه پرسش این نیست که «آیا این مدل به گونه کامل برازش دارد؟»، بلکه پرسش حقیقی این است که «آیا این مدل به اندازه کافی برازش دارد که تقریب مفیدی برای واقعیت و یک تبیین مستدل و منطقی از روندهای موجود در دادهها باشد؟». بنابراین برازندگی به معنای تأیید یک مدل نیست، زیرا هرگز هیچ مدلی تأیید نمی شود و تنها میتواند رد شود(درصورتی‌که با داده‌ها برازش نداشته باشد) یا عدم تأیید آن به نتیجه نرسد(برازش یابد). از سوی دیگر، یک برازندگی خوب نیز به معنای قدرت رابطه نیست. یعنی ممکن است متغیرهای موجود در مدل، همگی ناهمبسته باشند ولی مدل دارای برازندگی خوبی باشد(هومن، 1384).
برای اندازهگیری برازندگی مدل شاخصهای متفاوتی وجود دارد. در این زمینه یک آزمون که مورد توافق همگان باشد وجود ندارد و در مقالات متفاوت شاخصهای مختلفی ارائه شده است. به‌طورکلی میتوان این شاخصها را به صورت جدول 3-2 دسته‌بندی و معرفی کرد.

3-8-5-1-شاخصهای مطلق
این شاخصها به بررسی این موضوع میپردازند که واریانس خطای تبیین نشده که پس از برازش مدل باقی میماند قابل توجه است یا خیر. یا به عبارتی دیگر این شاخصها درباره این‌که مدلهای برازش‌یافته تا چه حد به برازندگی کامل نزدیک است اطلاعات مناسبی فراهم میآورد.
مجذور کای(χ2) و نسبت χ2 / df : این شاخصها به قدر مطلق پس‌ماندها توجه دارد. باید یادآور شد که توزیع مجذور کای به گونهای است که مقدار مورد انتظار آن برابر با درجه آزادی آن است. بنابراین، نسبت χ2 / df در یک برازش ایده‌آل برابر با یک خواهد بود. اگر مقدار مجذور کای کمتر از سه برابر درجه آزادی(df) باشد یا به عبارتی دیگر نسبت χ2 / df کمتر از سه باشد برازش مناسب است.
جدول 3-2. شاخص‌های برازندگی
شاخصهای مطلق
شاخصهای نسبی
شاخصهای تعدیل یافته
مجذور کای
نسبت χ2 / df
GFI

شاخص نُرم شده برازندگی
(DELTA1 or NFI)
شاخصهای برازندگی فزاینده
(DELTA2 or IFI)
شاخص برازندگی تطبیقی
(CFI)
جذر برآورد واریانس خطای تقریب(RMSEA)

3-8-5-2-شاخصهای نسبی
شاخصهای نسبی در پی پاسخ به این سؤال هستند که یک مدل به‌خصوص، در مقایسه با سایر مدلهای ممکن، از لحاظ تبیین مجموعهای از دادههای مشاهده شده، تا چه حد خوب عمل میکنند؟ بیشتر شاخصهای نسبی، مدلی با «بدترین برازندگی» را به‌عنوان یک خط پایه ایجاد میکنند و مدل اصلی را با آن مقایسه می‌کنند.
شاخص نُرم شده برازندگی186(NFI یا DELTA1): این شاخص به سبب آن‌که تحت تأثیر حجم نمونه بوده، برای نمونههای کم حجم پیشنهاد نمی‌گردد. این شاخص را می‌توان بر پایه تابع برازندگی(F) نشان داد:
(3-4) NFI=(F_a- F_b)/F_n
که در آن a و b مدل‌های رقیب و n مدل صفر است. به عقیدۀ پژوهشگران بزرگتر بودن NFI از 9/0 به معنای برازش مناسب است ولی برخی دیگر نیز حداقل سطح پذیرش را 8/0 اعلام کرده اند.
شاخص برازندگی فزاینده(IFI): این شاخص بسیار مشابه شاخص NFI میباشد و بر اساس قرارداد باید دست‌کم 9/0 باشد تا مدل موردنظر پذیرفته شود.
شاخص برازندگی تطبیقی(CFI): این شاخص به واقع برازندگی مدل موجود را با مدل صفر که در آن فرض میشود متغیرهای مکنون موجود در مدل ناهمبسته‌اند(یعنی مدل استقلال) مورد مقایسه قرار میدهد. بر پایه قرارداد حداقل سطح پذیرش مدل برای این شاخص نیز 9/0 است.

3-8-5-3-شاخصهای تعدیل یافته
این شاخصها به بررسی این موضوع میپردازند که مدل موردنظر

پایان نامه
Previous Entries پایان نامه با واژگان کلیدی تحلیل عامل، تحلیل عاملی، روایی سازه، روایی محتوا Next Entries پایان نامه با واژگان کلیدی فراوانی تجمعی، تحلیل عاملی تأییدی، تحلیل عامل، تحلیل عاملی