| azsoftir.com 09367292276 09367292276 azsoftir@gmail.com azsoftir.com 09367292276 09367292276 azsoftir@gmail.com azsoftir.com تجزیه و تحلیل آماری پروژه و پایان نامه های دانشجویی | |
کلمات کلیدی آگهی: تجزیه و تحلیل آماری پایان نامه ، انجام فصل چهار پایان نامه ، تحلیل با نرم افزار اس پی اس ، تحلیل با نرم افزار آموس ، مدل معادلات ساختاری ، مدل تحلیل مسیر ، مشاوره پایان نامه ، تحلیل با نرم افزار spss ، تحلیل با نرم افزار Amos ، تحلیل با نرم افزار LISREL ، تحلیل با نرم افزار لیزرل ، برازش مدل معادلات ساختاری azsoftir.com 09367292276 09367292276 azsoftir@gmail.com azsoftir.com 09367292276 09367292276 azsoftir@gmail.com |
در مسائلی که ما قصد اندازه گیری متغیرهای مفهومی را داریم می‌بایست از تحلیل مسیر استفاده کرد. راه کارهای مختلف ابداع شده توسط دانشمندان حوزه مدل سازی معادلات ساختاری این یقین را در پژوهشگر بوجود می‌آورد که می‌تواند انواع فرضیه های کاربردی در مطالعات اجتماعی را به مدل درآورده و آن را آزمون کند در حالی که حداقل از یک نقطه ضعف بسیار مهم در روشهای آماری کلاسیک و معمول (مثل تحلیل رگرسیون) پرهیز نماید. این نقطه ضعف به حساب نیاوردن خطاهای اندازه گیری متغیرهای پنهان به هنگام آزمون فرضیه است. دلیلش این است که به هنگام آزمون فرضیه با استفاده از روشهای کلاسیک، متغیرهای پنهان(مفهومی) به گونه ای غیر واقعی به عنوان یک متغیر مشاهده شده ای در نظر گرفته می‌شود که از دقت اندازه گیری کامل برخوردار است که در واقعیت این طور نیست. اما به کمک مدل سازی معادلات ساختاری هم می‌توان خطاهای اندازه گیری متغیرهای مشاهده شده (متغیرهای پرسشنامه) و هم خطاهای ساختاری مدل(رابطه بین متغیرهای پنهان) را در مدل در نظر گرفت که در مقایسه با روشهای کلاسیک چون تحلیل رگرسیون به واقعیت نزدیک‌تر است.
قبل از اینکه مدل سازی معادلات ساختاری انجام گیرد پژوهشگر می‌بایست بر اساس چارچوب نظری پژوهش، پیشینه تحقیق و هم چنین دیدگاه های شخصی به تدوین انواع روابط بین متغیرها دست زده و به ارزیابی آنها می‌پردازد.
در تحلیل رگرسیون پژوهشگر به دنبال بررسی رابطه بین متغیرهای مستقل و وابسته است و اینکه کدامیک از متغیرهای مستقل در پیش بینی متغیر وابسته تاثیر بیشتری دارد. به عبارت دیگر در تحلیل رگرسیون یک رابطه ریاضی بین متغیرهای مستقل و وابسته تعیین می شود که به کمک آن پژوهش گر می تواند با تغییر در متغیر مستقل، تغییرات متغیر وابسته را پیش بینی کند. فرض مهم این روش، وجود نداشتن خطا در اندازه گیری متغیرهای مستقل و وابسته است.
بنابراین اگر هر کدام از سوالات پرسشنامه شما به تنهایی قادر به سنجش متغیرهای مستقل و وابسته است پیشنهاد می شود از روش تحلیل رگرسیون استفاده شود اما چنانچه هر مجموعه از سوالات یک مفهوم را اندازه گیری می کنند و شما به کمک مدل نظری پژوهش می خواهید رابطه بین متغیرهای مفهومی را مورد بررسی قرار دهید؛ بهتر است از تحلیل مسیر استفاده کنید. گرچه در این شرایط نیز می توان از تحلیل رگرسیون استفاده کرد اما با توجه به دلایل مطرح شده، تحلیل مسیر نتایج واقعی تر را نشان می دهد.
azsoftir.com
معمولاً در تحقیقات به دلایل مختلف با حجم زیادی متغیرها روبرو هستیم. برای تحلیل دقیق‌تر داده‌ها و رسیدن به نتایج علمی‌تر و در عین حال عملیاتی‌تر، پژوهشگران 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 اساس یا عامل‌ها (Factor) به منظور تبیین الگوی همبستگی بین متغیرهای مشاهده شده دارد. تحلیل عاملی نقش بسیار مهمی در شناسایی متغیرهای مکنون(Latent) 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:
تحلیل عاملی بر دو نوع است: تحلیل عامل اکتشافی (Exploratory Factor Analysis) و تحلیل عاملی تأییدی (Conformity Factor Analysis). در تحلیل عاملی اکتشافی پژوهشگر درصدد کشف ساختار زیربنایی مجموعه نسبتاً بزرگی از متغیرها است و پیش فرض اولیه پژوهشگر، آن است که هر متغیری ممکن است با هر عاملی ارتباط داشته باشد. به عبارت دیگر پژوهشگر در این روش، هیچ تئوری اولیه ندارد. در تحلیل عاملی تأییدی پیش فرض اساسی پژوهشگر آن است که هر عاملی با زیر مجموعه خاصی از متغیرها ارتباط دارد. حداقل شرط لازم برای تحلیل عاملی تأییدی این است که پژوهشگر در مورد تعداد عامل‌های مدل، قبل از انجام تحلیل، پیش فرض معینی داشته باشد، ولی در عین حال پژوهشگر می‌تواند انتظارات خود مبنی بر روابط بین متغیرها و عامل‌ها را نیز در تحلیل وارد نماید.
———————————————————————————————
چنانچه در تحلیل خود نیازمند این آزمون هستید می تواند با تکمیل فرم زیر اطلاعات خود را برای کارشناسان پایگاه ارسال نمایید تا پس از بررسی به شما اطلاع داده شود.
برای
کسب اطلاعات بیشتر تماس بگیرید
روش حداقل مربعات جزئی (Partial Least Square) به عنوان یک جایگزین برای روش های OLS رگرسیون، Canonical رگرسیون و مدل سازی معادلات ساختاری (SEM) در پژوهش هایی که متغیرهای مستقل و وابسته وجود دارد، بکار گرفته می شود. روش PLS در اغلب اوقات، معادلات ساختاری مبتنی بر مولفه (Component-Based SEM) نامیده می شود در حالی که روش معادلات ساختاری مبتنی بر کواریانس است(Covariance-Based SEM).
این روش زمانی استفاده می شود که می خواهیم تاثیرات چندین متغیر مستقل را بر یک یا چند متغیر وابسته بررسی کنیم اما پیش فرض های انجام رگرسیون یا معادلات ساختاری بر قرار نیست و یا اینکه در پژوهش به مشکلات زیر مواجه شویم:
روش حداقل مربعات جزئی می تواند تاثیرات متغیرهای مستقل را بر متغیر وابسته بصورت یک مدل رگرسیونی یا مدل ساختاری برازش کند. چنانچه هدف پژوهشگر پیش بینی یا مدل سازی اکتشافی باشد استفاده از روش PLS توصیه می شود. روش مدل سازی معادلات ساختاری(SEM) برای مقاصد تایید مدل کاربرد دارد و برای براورد پارامترهای مدل نیازمند حجم نمونه زیاد و برقرار بودن پیش فرض نرمال بودن چند متغیره است اما روش PLS چون برای مقاصد اکتشافی کاربرد دارد به هیچ گونه پیش فرضی احتیاج ندارد . در برخی از منابع ذکر شده است روش PLS با حداقل ۳۰ نمونه نیز قابل انجام است و نتایج در مقابل داده های مفقود شده(Missing value) پایدار است.
از لحاظ تکنیکی فرق روش PLS با سایر روش های رگرسیونی است این است که به جای در نظر گرفتن متغیرهای مستقل، از طریق تکنیک تحلیل مولفه های اصلی(PCA) متغیرهای مستقل در چند عامل کلی تر قرار می گیرند به گونه ای که این عامل ها بیشترین تغییرات متغیر(های) وابسته را تبیین کنند.