[section label=”Media Top” bg_color=”rgb(193, 193, 193)” bg_overlay=”rgba(255, 255, 255, 0.85)” padding=”0px”]

[row style=”large” h_align=”center”]

[col]

[ux_image id=”1924″ height=”56.25%”]

[/col]
[col span=”7″ span__sm=”12″ align=”center”]

تحلیل آماری پایان نامه با استفاده از مدلسازی معادلات ساختاری

[/col]

[/row]

[/section]

[row]

[col span__sm=”12″]

مدلسازی معادلات ساختاری یکی از پرکاربردترین روش‌های تحلیل آماری در پژوهش‌ها است. در مدلسازی معادلات ساختاری روابط بین متغیرها به طور همزمان بررسی می‌شود. به این معنی که همزمان تاثیر متغیرهای مستقل پژوهش بر متغیر وابسته مورد سنجش قرار می‌گیرد. به زبان ساده‌تر اگر بخواهیم تاثیر ویژگی‌های شخصیتی مدیران که شامل برون گرایی، داشتن روحیه توافق، وجدان کاری، ثبات عاطفی و تجربه اندوزی می‌شود را بر بهره وری عملکرد کارکنان بسنجیم از مدلسازی معادلات ساختاری استفاده می‌کنیم.
شرکت آمارپیشرو با حضور کارشناسان خبره و متخصص مسلط به نرم افزارهای LISREL, AMOS, Smart PLS پروژه های تحقیقاتی شما را با استفاده از روش مدل سازی معادلات ساختاری با بهترین کیفیت و بالاترین سرعت انجام می‌دهد.
مدلسازی معادلات ساختاری تحلیل چندمتغیری از خانواده رگرسیون چند متغیری است و کاربرد اصلی آن در موضوعات چند متغیره‌ای است که نمی‌توان آن را به صورت دو متغیره انجام داد. به زبان ساده‌تر تاثیر همزمان متغیرهای مستقل بر متغیر وابسته را می‌خواهیم مورد بررسی قرار دهیم و نمی‌خواهیم هر بار یک متغیر مستقل در مقابل متغیر وابسته مورد سنجش قرار گیرد.

معرفی نرم افزارهای مدل سازی معادلات ساختاری

مدلسازی معادلات ساختاری به بررسی مجموعه ای از روابط وابستگی به طور همزمان می پردازد. استفاده از این روش، به ویژه زمانی مفید است که یک متغیر وابسته در روابط وابستگی بعدی تبدیل به یک متغیر مستقل می شود. این مجموعه روابط، اساس مدل یابی معادلات ساختاری را تشکیل می دهد.
LISREL, AMOS, EQS, Smart PLS چهار نرم افزار پرکاربرد مدلسازی معادلات ساختاری هستند که نرم افزارهای LISREL, AMOS, EQS متعلق به نسل کواریانس محورها (نسل اول معادلات ساختاری) هستند. نرم افزار Smart PLS متعلق به نسل مولفه محورها (نسل دوم معادلات ساختاری) می‌باشد.

نسل اول مدل سازی معادلات ساختاری (Covariance-based SEM Techniques)

این روش ها که به روش های کواریانس محور معروف هستند، توسط جورسگوک (۱۹۶۹) معرفی شدند. هدف اصلی این روش ها تأیید مدل است که برای این کار به نمونه هایی با حجم بالا نیاز دارند. در این روش به تخمین ضرایب مسیرها و بارهای عاملی با استفاده از به حداقل رساندن تفاوت بین ماتریس های واریانس-کواریانس مشاهده شده و پیش بینی شده می پردازند.
ماتریس واریانس-کواریانس مشاهده شده توسط واریانس و کواریانس محاسبه شده بین متغیرهای مکنون به دست می  آید. پرکاربردترین رویکرد محاسبه ضرایب در روش های نسل اول، رویکرد تخمین حداکثر احتمال است که نیاز به داده  های مربوط به متغیرهای مشاهده شده (سوال ها) دارد که این متغیرها حتما باید از توزیع نرمال پیروی کرده باشند.

نسل دوم مدل سازی معادلات ساختاری(Component-based SEM Techniques)

روش های مولفه محور که بعدا به روش حداقل مربعات جزئی (Partial Least Squares) تغییر نام دادند، توسط ولد (۱۹۷۴) ابداع شد. این روش از دو مرحله تشکیل شده است: ۱) سنجش مدل های اندازه گیری با معیارهای مربوط به پایایی و روایی . ۲) سنجش بخش ساختاری با استفاده از ضرایب t.
طی سالهای اخیر استفاده از روش PLS و نرم افزارهای مربوط به اون نسبت به روش های نسل اول و نرم افزارهای نسل اول مثل لیزرل، آموس و ای کیو اس، بیشتر شده و این به خاطر مزیت هایی است که روش PLS نسبت به روش نسل اول دارد. این رویکرد به جای باز تولید ماتریس کوواریانس تجربی، بر بیشینه سازی واریانس متغیرهای وابسته که توسط متغیرهای مستقل پیش بینی نی شوند تمرکز دارد.
این رویکرد همانند رویکرد لیزرل، از بخش ساختاری که نمایانگر روابط بین متغیرهای پنهان، و بخش اندازه گیری که نشانگر روابط متغیرهای پنهان با نشانگرهایشان است، تشکیل شده است. در رویکرد (PLS) بخش ساختاری، ندل درونی (Inner model) و بخش اندازه گیری مدل بیرونی (Outer model) نام دارد. اما رویکرد (PLS) علاوه بر این دو بخش دارای بخش سومی نیز می باشد، که نسبت های وزنی(Weight relations) نام دارد.
این بخش جهت برآورد مقادیر موردها(Case value) برای متغیرهای پنهان مورد استفاده قرار می گیرد (نمرات افراد در متغیرهای مکنون). برخلاف رویکرد مبتنی بر کوواریانس که ابتدا پارامترهای مدل برآورده شده و سپس مقادیر موردها از طریق برگشت دادن آنها به مجموعه تمام نشانگرها، برآورد می شود(مانند مقادیر برآورد شده برای هر متغیر پنهان در هر مجموعه از داده ها)، در رویکرد (PLS) ابتدا مقادیر موردها محاسبه می شود.

[ux_banner height=”100%” bg=”1821″ bg_size=”original” bg_overlay=”rgba(0, 0, 0, 0.7)” bg_pos=”76% 42%”]

[text_box width=”94″ scale=”106″ position_x=”50″ position_y=”85″]

خدمات آمار پیشرو به چه کسانی ارائه می گردد؟

[divider align=”center” margin=”0.3em”]

خدمات متنوع شرکت آمارپیشرو در خصوص نرم افزارهای Amos, Lisrel, Smart PLS به دانشجویان، محققان و اساتید در داخل و خارج از کشور و همچنین مسئولین و مدیران دستگاه‌های دولتی و شرکت‌های خصوصی ارئه می گردد

[divider align=”center” margin=”0.3em”]

خدمات آمار پیشرو در خصوص نرم افزارهای Amos, Lisrel, Smart PLS

[gap]

[row_inner style=”collapse” col_style=”dashed” width=”full-width”]

[col_inner span=”4″]

[featured_box img=”1690″ pos=”center” font_size=”small”]

آموزش به صورت حضوری یا مجازی (خصوصی و گروهی ) روش‌های معادلات ساختاری

[/featured_box]

[/col_inner]
[col_inner span=”4″]

[featured_box img=”1930″ pos=”center” font_size=”small”]

مشاوره تلفنی مرتبط با نصب و خروجی نرم افزارها

[/featured_box]

[/col_inner]
[col_inner span=”4″]

[featured_box img=”1931″ pos=”center” font_size=”small”]

انجام تحلیل عاملی تاییدی، برازش مدل و تحلیل مسیر

[/featured_box]

[/col_inner]

[/row_inner]

[/text_box]

[/ux_banner]
[gap]

[/col]

[/row]

با نرم افزارهای معادلات ساختاری چه کارهایی می‌توان انجام داد؟

تحلیل عاملی تاییدی

در مدل‌های عاملی فرض بر این است که نمرات هر مورد مطالعه در یک متغیر، در واقع منعکس کننده وضعیت آن مورد در یک عامل زیربنایی‌تر است که به دلیل پنهان بودنش امکان اندازه‌گیری مستقیم آن وجود ندارد. به زبان ساده‌تر در تحلیل عاملی تاییدی به دنبال آن هستیم که آیا مدلی با تعداد عامل‌های درنظر گرفته شده بر اساس تئوری و مبانی نظری با مدل مشاهده شده و بارهای عاملی به‌دست آمده انطباق دارد یا خیر؟
مدل‌های عاملی تاییدی (مرتبه اول و یا مرتبه بالاتر) می‌توانند تک عاملی، ‌دوعاملی، ‌سه عاملی و یا با تعداد عامل‌های بیشتر باشند. تعداد عامل‌ها در یک مدل عاملی در واقع به تعریف عملیاتی پژوهشگر از مفاهیم مورد نظرش در پژوهش مربوط می‌شود.

تحلیل عاملی مرتبه اول

در تحلیل عاملی تاییدی مرتبه اول (First order confirmatory factor analysis) رابطه بین عامل یا عامل‌ها (متغیرهای پنهان) با گویه‌ها (متغیرهای مشاهده‌پذیر) مورد سنجش قرار می‌گیرد. در تحلیل عاملی مرتبه اول رابطه بین متغیرهای پنهان مورد بررسی قرار نمی‌گیرد. در واقع تنها یک لایه از متغیر یا متغیرهای پنهان در مدل وجود دارد. در این مدل متغیر مورد نظر به عنوان یک عامل پنهان، خود بعدی از ابعاد یک عامل پنهان در مرتبه بالاتر نیست. جهت پیکان‌ها از سمت متغیر در نقش یک عامل پنهان به سمت ابعاد چندگانه به این دلیل با اهمیت روش شناختی صورت می‌گیرد که بالا یا پایین بودن نمره افراد در ابعاد چندگانه مورد نظر در واقع منعکس کننده بالا یا پایین بودن متغیر پنهان مورد نظر برای آن گروه از افراد است. به عبارت دیگر می‌توان گفت به این دلیل که افراد اگر در متغیر پنهان دارای نمره بالایی باشند در ابعاد نیز نمره بالایی می‌گیرند (و بالعکس).

تحلیل عاملی مرتبه دوم

در تحلیل عاملی تاییدی مرتبه دوم (Second order confirmatory factor analysis) یک سازه بزرگ خود از چند متغیر پنهان تشکیل شده است. مدل عاملی مرتبه دوم را به عنوان نوعی از مدل‌های عاملی تعریف می‌کنیم که در آن عامل‌های پنهانی که با استفاده از متغیرهای مشاهده شده اندازه‌گیری می‌شوند خود تحت تاثیر یک متغیر زیربنایی‌تر و به عبارتی متغیر پنهان، اما در یک سطح بالاتر قرار دارند. چنین موقعیتی باعث می‌شود تا نوع متغیرهای حاضر در یک مدل عاملی مرتبه دوم و همچنین پارامترهای آزاد آن در مقایسه با مدل عاملی مرتبه اول تفاوت قابل توجهی داشته باشد. در تحلیل عاملی تاییدی مرتبه دوم علاوه بر بررسی رابطه متغیرهای مشاهده‌پذیر با متغیرهای پنهان، رابطه متغیرهای پنهان با سازه اصلی خود نیز بررسی می‌شود. مدل‌های عاملی مرتبه دوم با وجود کاربردی بودن کمتر مورد استفاده پژوهشگران قرار می‌گیرند که یکی از دلایل مهم آن مشکلاتی است که این نوع از مدل‌ها در مرحله تشخیص مدل با آن مواجه می‌شوند. در مرحله تشخیص، ‌امکان برآورد پارامترها با توجه به اطلاعات موجود در ماتریس کوواریانس مشاهده شده بررسی می‌شود. اگر تنها یکی از پارامترها امکان برآورد نداشته باشند آن پارامتر را نامشخص می‌نامند. چنانچه در یک مدل تنها یک پارامتر نامشخص وجود داشته باشد آن مدل نامشخص بوده و نرم افزارهای مدل‌سازی امکان برآورد سایر پارامترهایی که در مدل مشخص هستند را نیز ندارند. در چنین وضعیتی معمولا پژوهشگر مایل است برخی از پارامترهای آزاد در مدل را به عنوان پارامتر ثابت فرض کند تا مدل مشخص شده و امکان برآورد پارامترها فراهم شود.

برازش مدل‌های اندازه‌گیری(Measurable Models Goodness Fit )

یکی از روش‌های جامع و مفید که نویسندگان اغلب برای انتخاب نوع مدل‌های اندازه‌گیری در مدل مفهومی پژوهش خود از آن استفاده می‌کنند روش چهار قاعده ای جارویس و همکاران است. این چهار قاعده برای مدل‌های سازنده و انعکاسی به شرح زیر است:
جهت رابطه علت و معلولی بین سازه و شاخص:
جهت رابطه علت و معلولی در مدل سازنده از سوال پرسشنامه به متغیر تحقیق ترسیم می‌گردد در حالی که در مدل انعکاسی این جهت از سمت متغیر به سمت سوال پرسشنامه می‌باشد. در این تحقیق مدل انعکاسی می‌باشد.
همبستگی متقابل بین سوال‌های هر متغیر:
در مدل سازنده همبستگی متقابل بین سوالات حتمی نیست در حالی که در مدل انعکاسی سوالات حتما همبستگی زیادی با هم دارند.
تغییر همزمان سوالات با هم:
در مدل سازنده تغییر در یک سوال، لزوما تغییر در سوالات دیگر را به همراه ندارد در حالی که در مدل انعکاسی انتظار می‌رود که با تغییر در یک سوال، آثار تغییر در تمامی سوالات دیگر نیز نمایان شود.
پیش‌بین‌ها و پیامدهای سوالات یک متغیر:
در مدل سازنده لزوما سوالات پیش‌بین‌ها و پیامدهای یکسانی ندارند در حالی که در مورد مدل انعکاسی سوالات حتما پیش‌بین‌ها و پیامدهای یکسانی دارند.

برازش مدل ساختاری Structure Model Goodness Fit

بعد از بررسی برازش مدل‌های اندازه‌گیری نوبت به برازش مدل ساختاری پژوهش می‌رسد. همانگونه که قبلا اشاره شد، بخش مدل ساختاری بر خلاف مدل‌های اندازه‌گیری، به سوالات (متغیرهای آشکار) کاری ندارد و تنها متغیرهای پنهان همراه با روابط میان آنها بررسی می‌گردد.

برازش مدل کلیTotal Model Goodness Fit

مدل کلی شامل هر دو بخش مدل اندازه گیری و ساختاری می شود و با تایید برازش آن، بررسی برازش در یک مدل کامل می شود.
معیار GOF) Goodness Of Fit):
معیار GOF مربوط به بخش کلی مدل های معادلات ساختاری است. بدین معنی که توسط این معیار محقق می تواند پس از بررسی برازش بخش اندازه گیری و بخش ساختاری مدل کلی پژوهش خود، برازش بخش کلی را نیز کنترل نماید. معیار GOF توسط تننهاوس و همکاران (Tenenhaus et al) در سال ۲۰۰۴ ابداع گردید و فرمول آن در زیر آمده است.
Communality (مقادیر اشتراکی) = این مقدار از میانگین مجذور بارهای عاملی هر متغیر به دست می آید.

Communality (مقادیر اشتراکی) = این مقدار از میانگین مجذور بارهای عاملی هر متغیر به دست می آید.

Communality √= از میانگین مقادیر اشتراکی هر متغیر درون زای مدل به دست می آید.

R² =میانگین مقادیر R Square متغیرهای درون زای مدل است.

تحلیل مسیر

تحلیل مسیر یا path analysis جهت و شدت رابطه بین متغیرها را نشان می‌دهد. به زبان ساده تر در تحلیل مسیر به بیان روابط بین متغیرهای تحقیق می‌پردازیم. آن مقادیری که جهت و میزان تاثیر بین متغیرها را نشان می‌دهد ضریب مسیر نام دارد.

[section padding__sm=”0px”]

[row]

[col span__sm=”12″]

[gap height=”25px”]

[ux_banner height=”500px” bg=”1936″ bg_overlay=”rgba(63, 89, 94, 0.26)” bg_pos=”51% 61%”]

[text_box width=”35″ width__sm=”75″ position_x=”5″ position_x__sm=”10″ position_y=”90″ text_align=”left”]

در حال از دست دادن زمان هستید!!!

کار خودتان را راحت کنید

همین الان می توانید با کارشناسان ما به صورت کاملا رایگان مشاوره کنید و یا سفارش خود را ثبت و ادامه کار را به تیم توانمند آمار پیشرو بسپارید و از این همکاری لذت ببرید

[row_inner style=”collapse”]

[col_inner span=”4″ span__sm=”3″ padding=”0px 0px 0px 0px” margin=”0px 0px 0px 0px” align=”left”]

[button text=”مشاوره رایگان” color=”white” style=”underline” link=”https://amarpishro.com/free-consultation-with-amar-pishro/”]

[/col_inner]
[col_inner span=”4″ span__sm=”2″ padding=”0px 10px 0px 0px” align=”center”]

[button text=”ثبت سفارش” color=”white” style=”underline” link=”https://amarpishro.com/statistic-service-analysis-order/”]

[/col_inner]

[/row_inner]

[/text_box]

[/ux_banner]

[/col]

[/row]

[/section]