پایان نامه با کلید واژگان معادلات ساختاری، توزیع فراوانی، رگرسیون، کمترین مربعات جزئی

دانلود پایان نامه ارشد

وابسته انجام داد. تجزیه و تحلیل چند متغیره به یکسری روش های تجزیه و تحلیل اطلاق می شود که ویژگی اصلی آنها، تجزیه و تحلیل همزمان چند متغیر مستقل با چندمتغیروابسته است. به عبارت دیگر وقتی شما می خواهید متغیر وابسته خود به عنوان مثال بزهکاری را با متغیرهای مستقلی همچون انگیزه فردی، روابط خانوادگی، سابقه بزهکاری، موقعیت اجتماعی اقتصادی و از این قبیل پیشبینی کنید بایستی به طراحی یک مدل علی و ارزیابی آن بپردازید که با استفاده از مدل یابی معادلات ساختاری قادر به آن خواهید بود.
تحلیل SEM را می توان توسط دو تکنیک انجام داد:
تحلیل ساختارهای کوواریانس یا روابط خطی ساختاری (lizrel)
2- حداقل مربعات جرئی 126
تکنیک معادلات ساختاری آمیزه دوتحلیل است:
تحلیل عاملی تائیدی (مدل اندازه گیری)
تحلیل مسیر – تعمیم تحلیل رگرسیون (مدل ساختاری)
بنابراین شما در این پژوهش برخی از موارد را به طور مستقیم اندازه‌گیری می کنید (بخش اندازه گیری مدل) که عموماً همان گویه های پرسشنامه است و برخی از موارد را با ترکیب این گویه ها بدست آورده و روابط آنها را می سنجید (بخش تحلیل مسیر مدل) تا بتوانید مدل نهایی خود را رسم کنید.
به بیان دیگر مدل یابی معادلات ساختاری یک تکنیک تحلیل چند متغیری بسیار کلی و نیرومند از خانواده رگرسیون چند متغیری و به بیان دقیق تر بسط «مدل خطی کلی» 4 است که به پژوهشگر امکان میدهد مجموعه ای از معادلات رگرسیون را به گونه ای هم زمان مورد آزمون قرار دهد.
مدل یابی معادله ساختاری یک رویکرد جامع برای آزمون فرضیه هایی درباره روابط متغیرهای مشاهده شده و مکنون است که گاه تحلیل ساختاری کوواریانس، مدل یابی علّی و گاه نیز لیزرل127 نامیده شده است. اما اصطلاح غالب در این روزها، مدل یابی معادله ساختاری یا به گونه خلاصه SEM است (هومن، ۱۳۸۴، ص ۱۱).
یکی از مفاهیم اساسی که در آمار کاربردی در سطح متوسط وجود دارد. اثر انتقالهای جمع پذیر و ضرب‌پذیر در فهرستی از اعداد است یعنی اگر هر یک از اعدادیک فهرست در مقدار ثابت K ضرب شود میانگین اعداد در همان K ضرب می شود و به این ترتیب، انحراف معیار استاندارد در مقدار قدر مطلق K ضرب خواهد شد. نکته این است که اگر مجموعه ای از اعداد x با مجموعه دیگری از اعداد y از طریق معادله y=4x مرتبط باشند در این صورت واریانس y باید ۱۶ برابر واریانس x باشد و بنابراین از طریق مقایسه واریانس های x و y می توانید به گونه غیر مستقیم این فرضیه را که y و x ازطریق معادله y=4x با هم مرتبط هستند را بیازمایید.
این اندیشه از طریق تعدادی معادلات خطی از راه های مختلف به چندین متغیر مرتبط با هم تعمیم داده می‎شود. هرچند قواعد آن پیچیده تر و محاسبات دشوارتر می شود، اما پیام کلی ثابت می ماند. یعنی با بررسی واریانسها و کوواریانسهای متغیرها می توانید این فرضیه را که «متغیرها از طریق مجموعه ای از روابط خطی با هم مرتبط اند» را بیازمایید.
توسعه مدل های علّی متغیرهای مکنون معرف همگرایی سنت های پژوهشی نسبتا مستقل در روان سنجی، اقتصادسنجی، زیست شناسی و بسیاری از روش های قبلا آشناست که آنها را به شکل چهار چوبی وسیع در می آورد. بحث در خصوص مفاهیم متغیرهای مکنون در مقابل متغیرهای مشاهده شده و خطا از موضوعات مورد بحث SEM می باشد.
براساس رویکردهای مبتنی بر مدل یابی معادلات ساختاری، محققان علوم مختلف می توانند رابطه علی میان چند متغیر پیش بین و وابسته را حتی زمانی که این روابط پیچیده باشند، بررسی کنند. این امر از طریق معادله‎های ساختاری سلسله مراتبی یا غیر سلسله مراتبی، بازگشتی یا غیر قابل بازگشتی قابل آزمون می‎باشد. علاوه بر این محققان می توانند متغیرهای مکنون و خطای مدل های اندازه گیری را تعیین نمایند و با انعطاف بیشتری مدل نظری نزدیک به واقعیت را طرح نموده و آن را در برابر داده های واقعی مورد آزمون قرار دهد. اما اصلی ترین زیربنای تمامی این عملیات برآورد پارامترهای مدل می باشد. به طور کلی برای برآورد پارامترها در مدل یابی معادلات ساختاری می توان از روش مبتنی بر کواریانس و روش مبتنی بر واریانس (یا مبتنی بر مؤلفه) استفاده نمود.
مدل یابی معادلات ساختاری مبتنی بر کواریانس : در مدل یابی معادلات ساختاری مبتنی بر کواریانس با استفاده از تابع حداکثر درستنمایی تلاش می شود تا تفاوت بین کواریانس های نمونه که به وسیله مدل نظری پیش بینی می شود کمینه گردد. بنابراین در این روش از طریق پارامترهای برآورد شده، ماتریس کواریانس داده های گردآوری شده بازتولید می شوند. علاوه بر این برقراری مفروضه های نرمال بودن چند متغیره و استقلال مشاهده ها از یکدیگر، شرط اساسی مدل یابی معادلات ساختاری است. روش مبتنی بر کواریانس در بین روش های مدل یابی معادلات ساختاری به مراتب شناخته شده تر هستند. با این وجود روش کمترین مربعات جزئی (128 (PLS نیز می تواند برای برای پژوهشگران در زمینه انجام تحلیل‎های مبتنی بر مدل یابی معادلات ساختاری می تواند مفید باشد.
 مدل یابی معادلات ساختاری مبتنی بر حداقل مربعات جزئی : پیدایش روش حداقل مربعات جزئی به زمانی برمی‎گردد که هرمان والد (1975) دو روش تکراری با استفاده برآورد کمترین مربعات برای مدل‎های یک مؤلفه ای و چند مؤلفه ای و همبستگی بنیادی را معرفی کرد. انگیزه رشد حداقل مربعات جزئی توسط والد یافتن وضعیتی بود که بین تحلیل داده ها و مدلیابی سنتی باشد. زیرا مدل یابی سنتی دارای مفروضه‎های سخت گیرانه ای در مورد توزیع احتمالی داده ها بود ولی رویکرد حداقل مربعات جزئی آزاد توزیع (نابسته به توزیع) می باشد.
کمترین مربعات جزئی روش نسبتا جدیدی از معادلات ساختاری رگرسیونی است. این روش هم برای رگرسیون تک متغیری و هم چند متغیری و با چند متغیر وابسته کاربرد دارد. برای بررسی ارتباط بین متغیرهای وابسته و متغیرهای مستقل، حداقل مربعات جزئی متغیرهای تبیینی یا مستقل جدیدی ایجاد می‎کند که غالبا عامل یا متغیر مکنون نامیده می شوند. این مؤلفه ها ترکیب خطی از نشانگرهای خود هستند. روش حداقل مربعات جزئی با هدف بهینه سازی تبیین واریانس در سازه های وابسته مدل های معادله ساختاری، ساخته شده است. این روش اغلب برای تحلیل موقعیت ها یا مدل های بسیار پیچیده ای بکار می رود که اطلاعات نظری کمی در مورد آن ها وجود دارد یا این که اساسا هدف از آزمون این مدل ها پیش بینی می‎باشد. روش حداقل مربعات جزئی به جای بازتولید ماتریس کواریانس تجربی، بر بیشترین واریانس متغیرهای وابسته به وسیله متغیرهای مستقل تمرکز دارد. همانند هر روش مدل یابی معادلات ساختاری، روش کمترین مربعات جزئی نیز از یک بخش ساختاری که ارتباط بین متغیرهای مکنون را نشان می دهد و یک قسمت اندازه گیری که نحوه ارتباط متغیرهای مکنون و نشانگرهای آن ها را منعکس می کند، تشکیل شده است. علاوه بر این، روش مذکور دارای بخش دیگری به نام (نسبت وزنی) است که برای برآورد مقادیر مورد ها یا نمره های عاملی افراد نمونه در متغیرهای مکنون به کار می رود.
برخلاف مدل یابی معادلات ساختاری مبتنی بر واریانس که میزان برازش مدل مفروض را ارزیابی می کند و در نتیجه برآورد مدل در جهت تبیین، آزمون و تأیید نظریه ها است، روش حداقل مربعات جزئی پیش بینی مدار بوده و به عنوان روش ساخت نظریه می تواند به کار رود.
روش P حداقل مربعات جزئی برای مقابله با داده های خاص مانند داده ها با حجم نمونه اندک، داده های دارای مقادیر گمشده و همچنین هنگامی که بین متغیرهای مستقل هم خطی وجود دارد، طراحی شده است. در مقابل کمترین مربعات متداول (OLS) نسبت به حجم اندک داده ها، داده های گمشده و هم خطی چندگانه مقاوم نبوده و نتایج بی ثباتی را ایجاد می کند؛ زیرا این شرایط باعث تورم خطای استاندارد ضرایب برآورد شده می گردد. از این رو گاهی به روش کمترین مربعات جزئی (مدل یابی نرم) نیز اطلاق می شود. این روش در واقع رابطه خطی بهینه بین متغیرهای مکنون را نشان می دهد و می توان از آن به عنوان بهترین ترکیب متغیرهای پیش بین در یک بررسی با وجود همه محدودیت های مفروض تعبیر کرد. البته برقراری فرض هایی مانند خطی بودن و نداشتن داده های دورافتاده در هنگام استفاده از کمترین مربعات جزئی لازم است.
باید توجه داشت که به دلیل آن که توزیع کمترین مربعات نامعلوم است، آزمون معناداری متداولی وجود ندارد. اما در هر حال معناداری مسیرها از طریق روش های خودگردان سازی، بوت استراپ، برش متقاطع یا جک نایف که از روش های بازنمونه گیری هستند، آزمون می شوند.

4-1- مقدمه
در این فصل با بهرهگیری از تکنیکهای مناسب آماری، فرضیههای پژوهش، با توجه به دادههای جمع آوری شده توسط پرسشنامهها مورد آزمون قرار میگیرند. در ابتدا، توصیف دادههای جمعآوری شده از پرسشنامه‎ها ارائه میگردد؛ سپس با استفاده از نرم افزارهای آماری SPSS و SmartPls (حداقل مربعات جزئی) تجزیه و تحلیل دادهها انجام گرفته و در ادامه به بررسی فرضیهها با استفاده از تحلیل عاملی معادلات ساختاری پرداخته می شود.

4-2-آمار توصیفی
در این بخش به بررسی چگونگی توزیع نمونه آماری متغیرهای جمعیت شناختی پرداخته میشود. گرچه در دادههایی که بهصورت نمونهای جمعآوری شده است و پشتیبانی فنی از آن تعمیم نتیجه به کل جامعه است، تأکید بر آمار استنباطی است، اما برای ارائه یک شمای کلی از دادهها و خلاصه کردن آن، از آمار توصیفی نیز استفاده میشود. نتایج آمار توصیفی، از طریق نرم افزارSPSS22، استخراج شده و نمودارها با استفاده از نرم افزار اکسل ترسیم شدهاند.

4-2-1- متغیرهای جمعیت‌شناختی

جدول (4-1) : توزیع فراوانی و درصد مربوط به جنسیت پاسخگویان
تعداد
متغیرها
فراواني مشاهده شده
درصد مشاهده شده
مرد
328
83. 7
زن
64
16. 3
جمع
392
100

نمودار (4-1) : توزیع فراوانی مربوط به جنسیت پاسخگویان

بر اساس جدول و نمودار فوق، از 392 نفر کل نمونه، تعداد 328 نفر معادل (83. 7 درصد) پاسخگویان مرد و تعداد 64 نفر معادل (16. 3 درصد) زن بودند. داده ها بیانگر این است که بیشترین حجم نمونه آماری را مردان تشکیل می دهند.

جدول (4-2) : توزیع فراوانی و درصدی پاسخگویان بر اساس سن
تعداد
گروههای سنی
فراواني مشاهده شده
درصد فراواني مشاهده شده
کمتر از 25 سال
159
40. 6
25 تا 35سال
72
18. 4
35 تا 45 سال
123
31. 4
45 سال به بالا
38
9. 7
جمع
392
100

نمودار (4-2) : توزیع فراوانی و درصدی پاسخگویان بر اساس سن

بر اساس جدول و نمودار فوق، از تعداد 392 نفر کل نمونه، تعداد 159 نفر (40. 6 درصد) زیر 25 سال، تعداد72 نفر معادل (18. 4درصد) بین گروه‌های سنی 25 تا 35 سال، تعداد 123 نفر معادل (31. 4 درصد) بین 35تا 45 سال، تعداد 38 نفر معادل (9. 7 درصد) 45 سال به‌ بالا بودند. دادها نشان می دهد که بیشترین میانگین سنی را گروه‌های سنی زیر 25 سال تشکیل می دهند و کمترین میانگین سنی مربوط به 45 سال به بالا می باشد.
جدول (4-3) : توزیع فراوانی و درصدی پاسخگویان بر اساس میزان تحصیلات
تعداد
سواد
فراواني مشاهده شده
درصد فراوان مشاهده شده ي
دیپلم و پایین تر
115
29. 3
فوق دیپلم
191
48. 7
‌لیسانس
61
15. 6
فوق لیسانس ودکترا
25
6. 4
جمع
392
100

نمودار (4-3) : توزیع فراوانی و درصدی پاسخگویان بر اساس میزان تحصیلات

بر اساس جدول و نمودار، از تعداد 392 نفر کل نمونه، تعداد 115 نفر معادل (29. 3 درصد) دارای مدرک تحصیلی دیپلم و پایین تر، تعداد 191 نفر معادل (48. 7 درصد) دارای مدرک تحصیلی فوق دیپلم، تعداد 61 نفر معادل (15. 6 درصد) لیسانس و تعداد 25 نفر معادل (6. 4 درصد) دارای مدرک فوق لیسانس وبالاتر بودند. نتایج نشان می دهد که دارندگان مدرک تحصیلی فوق دیپلم، بیشترین حجم نمونه و دارندگان مدرک تحصیلی فوق لیسانس و بالاتر کمترین حجم نمونه را تشکیل می دادند.

پایان نامه
Previous Entries پایان نامه با کلید واژگان پرسش نامه، سفارشی سازی، وفاداری مشتری، کیفیت خدمات Next Entries منابع تحقیق درمورد سبک زندگی، طبقه اجتماعی، انتقال اطلاعات، تاثیر رسانه ها