مقاله رایگان درمورد نرم افزار، سلسله‌مراتب

باشند. درحالی‌که میانجی‌گری و تعدیل‌گری می‌تواند ازطریق مدل‌های رگرسیونی مورد آزمون قرار گیرد، استفاده از متغیرهای مکنون در الگوی مدل‌یابی معادله‌ی ساختاری، پسندیده‌تر است (ویلیامز25، 1995).
قسمت تابع ساختاری یا تحلیل مسیر، روابط مفروض بین متغیرهای مکنون را به نمایش می‌گذارد. در مدل‌یابی معادله‌ی ساختاری، سلسله‌مراتبی علّی مطرح می‌شود که در آن، یک متغیر ممکن است علت احتمالی متغیرهای دیگر باشد، اما به‌طور قطع، معلول آن‌ها نیست. به بیان دیگر، ترتیب متغیرها به‌گونه‌ای است که متغیری در بالای سلسله‌مراتب، ممکن است علت متغیر مرتبه‌ی پایین‌تر از خود باشد، اما بعید است که متغیر پایین‌تر، متغیر بالاسری خود را علت باشد. در روش‌شناسی معادله‌ی ساختاری، دو دسته ضرایب مختلف بین متغیرهای مکنون برآورد می‌شوند که عبارتند از:
الف) ضریب گاما (?)؛ که معرف ضریب رگرسیونی بین یک متغیر مکنون برون‌زا و یک متغیر مکنون درون‌زا است.
ب) ضریب بتا (?)؛ که معرف ضریب رگرسیونی بین یک متغیر مکنون درون‌زا و یک متغیر مکنون درون‌زای دیگر است.
بنابراین با توجه به مزیت های گفته شده، در این تحقیق از این تکنیک جهت آزمون فرضیات استفاده شد.
3-6-1- 1- نرم افزار مورد استفاده
برای تحلیل مدلهای معادلات ساختاری نرم افزارهای مختلفی مانند پی ال اس26، آموس27و لیزرل28 معرفی شده است که هرکدام ویژگیها و کاربردهای خاص خود را دارند. لیزرل اولین و یکی از متداول‌ترین روشها برای این منظور میباشد و اولین بار توسط جورسکاج29 در سال 1973 معرفی شده است. لیزرل از روش درست‌نمایی ماکزیمم (ام ال ای) و براساس بیشینه‌سازی کواریانس به برازش مدل می‌پردازد در حالی که این روش مستلزم چندین شرط و فرضیه زیربنایی از جمله نرمال بودن می‌باشد و این شروط نیز نیازمند حجم نمونه نسبتاً بالایی می‌باشد (در حدود 10 الی 15 پرسش‌نامه به ازای هر سؤال پرسش‌نامه). نرم افزار اموس نیز یکی از نرم افزارهای آماری مناسب برای تحلیل داده‌های پایان نامه مدیریت و علوم انسانی است. در مقایسه با سایر نرم افزارها، آموس فراتر از توانمندی های معمول نرم افزارهای مدل سازی رفته و به عنوان مثال به خوبی می تواند بر اساس جدیدترین روش های آماری در مورد نحوه برخورد با داده های مفقود شده به جایگزینی آنها دست زند. نگارش جدید آموس نه تنها کلیه ویژگی های نرم افزارهایی نظیر لیزرل را داراست بلکه خصایص منحصر به فردی دارد که آن را از سایر نرم افزارهای مدل سازی متمایز ساخته است.
آموس مدل ترسیم شده در صفحه میانجی را به عنوان مدل مدل می پذیرد و خروجی های آن به خوبی و با کیفیت بالا قابل انتقال به سایر برنامه های تحت ویندوز است. کاربر این امکان را دارد که با تغییر قلم ها، رنگ ها، ضخامت پیکان ها، اندازه پارامترها و مکان قرار گرفتن آنها مدل مدون را به زیباترین شکل و مطابق با سلیقه خود درآورد. یکی از مهم ترین خصایص این نرم افزار در ویرایش جدید این است که با استفاده از روش بیزی می تواند به برآورد پارامترها در مدل هایی بپردازد که متغیرهای حاضر در آن ها از نوع مقوله ای رتبه ای یا اسمی هستند. خصیصه ای که در نگارش اولیه این این نرم افزار وجود نداشت.
از دیگر ویژگی های این نرم افزار عبارتند از:
– امکان مدیریت داده ها به اشکال مختلف را داراست و به خوبی می تواند داده ها را در قالب های مختلف چه به شکل خام و چه به شکل ماتریس های واریانس- کوواریانس یا همبستگی از سایر نرم افزارها فراخواند.
– توانایی مدیریت داده های چند گروهی است به نحوی که می توان مدل ها را برای نمونه های مختلف مورد آزمون قرار داد و نتایج را به سادگی با یکدیگر مقایسه کرد.
– به خوبی از توانایی وارسی نرمال بودن تک متغیره و چند متغیره برخوردار است
– می تواند به خوبی با داده های پرت رفتار کند.
– امکان برآورد پارامترها با روشهای مختلف را داراست که از جمله آنها می توان به حداکثر درست نمایی، حداقل مربعات تعمیم یافته، حداقل مربعات غیر وزنی و حداقل مربعات غیر وابسته به مقیاس اشاره کرد.
– در این نرم افزار همچنین امکان استفاده از روش خودگردان سازی برای برآورد اعتبار پارامترهای برآورد شده، مقایسه مدل های مختلف با داده های یکسان و مقایسه روش های مختلف برآورد برای انتخاب بهترین آنها در یک موقعیت خاص پژوهشی وجود دارد.
– علاوه بر موارد ذکر شده زیبایی و جذابیت این نرم افزار به علاوه وجود یک جعبه ابزار متنوع و کاربردی را باید به خصایص ذکر شده افزود.
3-6-1-2- شاخص های برازش در آموس
مهم‌ترین مرحله در تجزیه و تحلیل آماری در SEM ارزیابی برازش مدل دادهها است. پیش از انجام هرگونه بررسی روابط علّی میان سازهها، لازم است برازش مدل به دادهها تأیید گردد. نکته حائز اهمیت آن است که مدل‌های SEM را هرگز نمیتوان به گونه‌ی مطلق پذیرفت، تنها میتوان آن‌ها را ردّ نکرد. این مسأله موجب میشود که پژوهش‌گران، یک مدل خاص را به گونهای موقتی بپذیرند، زیرا اذعان دارند که در بیش‌تر موارد، مدلهای هم‌ارز و معادلی وجود دارد که به همان اندازه مدلی که به گونه‌ی موقت پذیرفتهاند، با دادهها برازش دارد.سؤال “دادههای گردآوری شده تا چه حد حمایت‌کننده مدلی است که به لحاظ نظری تدوین شده است؟”، سؤال کلیدی موضوع برازش دادهها به مدل را تشکیل میدهد، هرچند در روشهای آماری سنتی محقق اغلب با یک معیار منفرد برای تصمیم درباره ردّ یا تأیید فرضیه صفر مواجه است. در مدلسازی معادله ساختاری چنین معیار منفردی وجود ندارد تا تنها و تنها بر مبنای آن معیار، تصمیم بگیرد که آیا مدل نظری خود را به لحاظ علمی قابل قبول تلقی کند یا خیر (قاسمی، 1389) با آن‌که انواع گوناگون آزمونها که به گونه‌ی کلی شاخصهای برازندگی30 نامیده می‌شوند، پیوسته در حال مقایسه، توسعه و تکامل می باشند، اما هنوز درباره‌ی حتی یک آزمون بهینه نیز توافق همگانی وجود ندارد. نتیجه آن است که مقالههای مختلف، شاخصهای مختلفی را ارائه کردهاند و حتی نگارشهای مشهور برنامههای مدلیابی معادلات ساختاری مانند نرم افزارهای EQS، Amos وLisrel نیز تعداد زیادی از شاخصهای برازندگی به دست میدهند (هومن1386). این شاخصها به شیوههای مختلفی طبقهبندی شدهاند که یکی از عمدهترین آن‌ها طبقهبندی به صورت مطلق31، تطبیقی32 و مقتصد33 میباشد (قاسمی1389). شاخص‌های برازش مطلق شاخصهایی هستند که بر مبنای تفاوت واریانسها و کوواریانسهای مشاهده شده از یک طرف و واریانس ها و کوواریانسهای پیشبینیشده بر مبنای مدل تدوین شده از طرف دیگر قرار دارند. شاخصهای برازش تطبیقی درواقع گامی در جهت تکمیل شاخصهای برازش مطلق محسوب میشوند. به این ترتیب که با مبنا قرار دادن یک یا چند مدل، مدل نظری تدوین شده تحت آزمون را با آن مقایسه و نشان میدهد که آیا به لحاظ آماری قابل قبول تلقی میشود، ضعیفتر است و یا این‌که تفاوتی با آن ندارد. شاخص‌های برازش مقتصد گروه دیگری از شاخصها هستند که مبنای اصلی در این گروه از شاخصهای برازش آن است که به ازای هر پارامتر که به مدل افزوده میشود این شاخصها جریمه میشوند. با توجه به نرم افزار مورد استفاده در این تحقیق (Amos) شاخصهایی که در این پژوهش مورد استفاده قرار گرفته است، عبارتند از:
کای اسکوئر یا خی دو (?2): یکی از شاخصهای مطلق می باشد که میتوان آن را به عنوان عمومی‌ترین و پرکاربردترین شاخص برازش در مدل‌سازی معادله ساختاری تلقی کرد.مبنای محاسبه مقدار کای اسکوئر تفاوتی است که بین دو ماتریس وجود دارد: ماتریس واریانس-کوواریانس تولید شده و ماتریس واریانس-کوواریانس باز تولید شده بر مبنای پارامترهای برآوردشده در مدل تدوین شده. کمیت کای اسکوئر بسیار به حجم نمونه وابسته می‌باشد و نمونه‌ی بزرگ کمیت کای دو را بیش از آن‌چه که بتوان آن را به غلط بودن مدل نسبت داد، افزایش می دهد.
ریشه‌ی دوم میانگین مربعات باقیمانده34 یا RMR: این شاخص یکی از شاخصهای برازش مطلق است، حداقل مقدار برای این شاخص صفر است. هرچه RMR برای مدل مورد آزمون نزدیک‌تر به صفر باشد، مدل مذکور برازش بهتری دارد.
شاخص نیکویی برازش35 یا GFI: این شاخص، مقدار نسبی واریانسها و کوواریانسها را به گونه‌ی مشترک از طریق مدل، ارزیابی میکند. دامنه‌ی تغییرات آن بین صفر و یک میباشد. مقدار قابل قبول برای آن باید بزرگ‌تر از8،0 میباشد.
شاخص برازش تطبیقی36 یا CFI: یکی از شاخصهای تطبیقی است. این شاخص بر مبنای همبستگی بین متغیرهای حاضر در مدل قرار دارد به نحوی که ضرائب بالای همبستگی بین آن‌ها به مقادیر بالای شاخص برازش تطبیقی میانجامد.
ریشه‌ی میانگین مربعات خطای برآورد37 یا RMSEA: یکی از شاخصهای مقتصد است و همانند RMR این شاخص نیز بر مبنای تحلیل ماتریس باقیمانده قرار دارد. بر خلاف بسیاری از شاخص‌های برازش دیگر در سازی که تنها دارای برآورد نقطه‌ای هستند این شاخص برای فواصل اطمینان مختلف نیز قابل محاسبه است. مدلهای قابل قبول دارای مقدار 08،0 یا کوچک‌تر برای این شاخص هستند. برازش مدل‌هایی که دارای مقادیر بالاتر از 1،0 هستند ضعیف برآورد می شود.
کای اسکوئر بهنجار یا نسبی: یکی از شاخصهای عمومی برای به‌حساب آوردن پارامترهای آزاد در محاسبه شاخص برازش، کای اسکوئر بهنجار یا نسبی است که از تقسیم ساده مقدار کای اسکوئر بر درجه آزادی مدل محاسبه می‌شود و با برچسب CMIN،DF گزارش میشود. دیدگاهها برای مقدار قابل قبول‌بودن این شاخص متفاوت است. مقادیر بین 1 تا 3، 1 تا 5، 2 تا 3، 1 تا 2 را قابل قبول میدانند.
3-6-2- آزمون نرمال بودن دادهها
برای انتخاب آزمون درست برای تحلیل فرضیهها، ابتدا باید از توزیع آماری متغیری که مورد آزمون قرار می‌گیرد، اطمینان حاصل کرد. برای نمونه، پیش‌نیاز انجام آزمون‌های پارامتری، نرمال‌بودن توزیع آماری متغیرهاست. به طور کلی می‌توان گفت که آزمون‌های پارامتری، عموما بر میانگین و انحراف معیار استوارند. حال اگر توزیع جامعه نرمال نباشد، نمی‌توان استنباط درست از نتایج داشت. نتایج آزمونها نشان از نرمال بودن داده ها دارد.. در فصل چهارم به طور مفصل نتایج این بررسی تشریح شده است.
3-6-3- ضریب همبستگی
شدت وابستگی دو متغیر به هم را هم‌بستگی گویند. که معمولا آن را با ضریبی بین -? تا +? بیان می‌دارند. اگر ضریب هم‌بستگی بین دو متغیر بیش‌تر از صفر باشد، آن‌ها با هم رابطه‌ مثبت دارند. حال اگر ضریب هم‌بستگی بین آن‌ها از صفر کم‌تر باشد، رابطه بین آن‌ها منفی است. لازم به ذکر است که اگر نمونه‌گیری صورت پذیرفته باشد، ضریب هم‌بستگی باید از لحاظ آماری، معنی‌دار باشد. هم‌چنین، هم‌بستگی رابطه‌ی علت و معلولی نیست و تنها بیان‌گر شدت وابستگی دو متغیر به یکدیگر است.
آزمون‌های هم‌بستگی اسپیرمن و پیرسون، پرکاربردترین آزمون در پژوهش‌های علوم انسانی‌اند و از آن‌جا که در بیش‌تر پژوهش‌ها برای طیف‌های پرسش‌نامه فواصل مساوی در نظر گرفته می‌شود، متغیرهای اسمی و رتبه‌ای، به متغیرهای فاصله‌ای و نسبتی تبدیل می‌شوند و برای تحلیل رابطه‌ها، از این دو ضریب استفاده می‌شود. اگر توزیع نرمال باشد، از آزمون پارامتری پیرسون ودر غیر این‌صورت از آزمون اسپیرمن استفاده می‌شود.
داده‌ها و اطلاعات جمع‌آوری شده، منابعی خام هستند که باید با وسایل مناسب تجزیه و تحلیل و تشریح شده تا بتوانند بار کاربردی اطلاعاتی خود را منتقل نمایند. در تحقیقی از این دست، مناسب‌ترین وسیله برای تجزیه و تحلیل اطلاعات و داده‌های به‌دست آمده، تحلیل های آماری هستند. با تحلیل های آماری ما رابطه بین متغیرهای مختلف را پیدا کرده و در نهایت به پاسخ سؤال‌های مورد نظر خود

مطلب مرتبط :   مقاله رایگان درموردکسب و کار، سطح معنادار، عملکرد شرکت

دیدگاهتان را بنویسید