فرآیندهای تجزیه و تحلیل ساختارهای کوواریانس شامل یک سری گام هایی است؛ که به محقق توصیه می شود که حتما به صورت متوالی این گام ها را انجام دهد. این گام ها عبارتند از:

1. 1. بیان مدل

1. 1. تخمین مدل

1. 1. اصلاح مدل

1. 1. آزمون فرضیه

1. 1. تفسیر مدل

1. 1. ابلاغ یا نوشتن گزارش تحقیقاتی (شمس،۱۳۸۶،ص۲۴).

در هر گام محقق باید در مورد موارد زیر تصمیماتی را اتخاذ کند.

1. 1. مدل چگونه ساخته شود؟

1. 1. 1. 1. 1. چه شاخص ها و چه تعداد شاخص برای متغیرهای مکنون مورد نیاز است؟

         (( اینجا فقط تکه ای از متن درج شده است. برای خرید متن کامل فایل پایان نامه با فرمت ورد می توانید به سایت nefo.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. ))

      ( اینجا فقط تکه ای از متن فایل پایان نامه درج شده است. برای خرید متن کامل پایان نامه با فرمت ورد می توانید به سایت feko.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. )

1. 1. چگونه می بایستی خطاهای اندازه گیری را به طور جداگانه اداره نمود؟

1. 1. چه مقدار نمونه برای تخمین مدل مورد نیاز است؟

1. 1. از چه نوع ماتریسی استفاده شود؟

در ذیل سعی می شود هر یک از مراحل به تفضیل شرح داده شود.
مرحله بیان مدل: مدل معادلات ساختاری با بیان مدلی که میخواهد تخمین زده شود؛ شروع می شود. در ساده ترین سطح، مدل یک عبارت آماری درباره روابط میان متغیرها است. این مدلها در زمینه رویکردهای مختلف تحلیلی، اَشکال مختلفی به خود می گیرند. برای مثال یک مدل در زمینه همبستگی عموماً روابط غیر جهت داری را(دو طرفه)، بین دو متغیر نشان می دهد. در حالی که رگرسیون چندگانه و تحلیل واریانس، مدل هایی را با روابط جهت دار بین متغیرها نشان می دهد(هولی،۱۹۹۵،ص۲۱). این مرحله یکی از مهم ترین مراحل موجود در مدل معادلات ساختاری است. زیرا هیچ گونه تحلیلی صورت نمی گیرد؛ مگر این که محقق ابتدا مدل خود را بیان کند. گام های موجود در این مرحله به شرح زیر است:
گام اول: ساخت یک مدل ساختاری فرضی: بیان یک مدل در واقع ترجمان یک تئوری به یک سری معادلات ساختاری(ریاضی) است. بنابراین بهتر است؛ ابتدا نمودار مسیر را ترسیم کنیم و متغیرهای درون زا و برون زا و روابط علّی بین این متغیرها را نشان دهیم.
گام دوم: انتخاب شاخص های مشاهده شده برای متغیرهای مکنون: بعد از مشخص کردن متغیرهای مکنون درون زا و برون زا ، در این گام لازم است؛ تا برای متغیرهای مکنون(متغیرهای مشاهده شده)، شاخص های مناسبی انتخاب و به آن ها وصل شود. بهتر است از چندین شاخص به جای یک شاخص برای اندازه گیری متغیر مکنون استفاده شود؛ که این کار بر اساس تعریف مفهومی و تعریف عملیاتی صورت می گیرد(همان منبع،ص۲۱).گام سوم: ارزیابی حالت تعیین مدل: قبل از مرحله تخمین و بعد از مرحله بیان حتما میبایستی حالت تعین مدل مورد ارزیابی قرار گیرد.تعین یک مدل مستلزم مطالعه شرایطی برای به دست آوردن یک راه حل منحصر به فرد برای پارامترهای بیان شده در یک مدل می باشد(هولی،۱۹۹۵،ص۲۱).
مرحله تخمین مدل: هنگامی که یک مدل بیان شد و حالت تعیین آن مورد ارزیابی قرار گرفت؛ کار بعدی به دست آوردن تخمین های پارامترهای آزاد از روی مجموعه ای از داده های مشاهده شده است. این مرحله شامل یک­سری فرآیندهای تکراری است؛ که در هر تکرار یک ماتریس کوواریانس ضمنی ساخته می شود، و با ماتریس کوواریانس داده های مشاهده شده مقایسه می گردد. مقایسه این دو ماتریس منجر به تولید یک ماتریس باقیمانده می شود، و این تکرارها تا جایی ادامه می یابد؛ که این ماتریس باقیمانده به حداقل ممکن برسد(هولی،۱۹۹۵،ص۲۲). گام های موجود در این مرحله به شرح زیر است:
گام اول: جمع آوری داده ها: در این مرحله انتخاب اندازه نمونه مهم است. زیرا بسیاری از روش های تخمین موجود در مدل معادلات ساختاری و شاخص های ارزیابی متناسب بودن مدل نسبت به اندازه نمونه حساس است. بنتلر ^[۱۱۷] پیشنهاد نموده که همواره نسبت ۱۰ به ۱ بین اندازه نمونه و تعداد پارامترهای آزاد که می بایستی تخمین زده شود وجود داشته باشد (شمس،۱۳۸۶،ص۲۰).
گام دوم: ساخت ماتریس واریانس – کوواریانس متغیرهای اندازه گیری شده: بعد از بیان مدل و جمع آوری داده ها، تخمین مدل با مجموعه ای از روابط شناخته شده بین متغیرهای اندازه گیری شده شروع می شود. این روابط در ماتریسی به نام ماتریس واریانس –کوواریانس یا ماتریس همبستگی مرتب می شود (همان منبع).
گام سوم: ایجاد یک مجموعه ای از ماتریس ها برای برنامه لیزرل و اجرای آن: در یک تخمین هم زمان، به علت این که تخمین مدل ساختاری و مدل اندازه گیری به طور هم زمان صورت می گیرد؛ ممکن است یک راه حل برای پارامترهای مدل ساختاری و مدل اندازه گیری به هم وابسته شوند. بنابراین بهتر است؛ برای جلوگیری از ابهامات تفسیری متغیرهای مکنون، ابتدا مدل اندازه گیری و سپس مدل ساختاری تخمین زده شود.
مرحله ارزیابی تناسب یا برازش: یک مدل وقتی گفته می شود؛ با یک سری داده های مشاهده شده تناسب دارد؛ که ماتریس کوواریانس ضمنی مدل با ماتریس کوواریانس داده های مشاهده شده، معادل شده باشد. بدین معنی که ماتریس نزدیک صفر باشد(هولی،۱۹۹۵،ص۱۲).تنها گام موجود در این مرحله به این شرح است: بررسی معیار کلی تناسب مدل و قابلیت آزمون پذیری مدل و ارزیابی موضوع که آیا اصلاحات مورد نیاز است یا خیر؟
هنگامی که یک مدلی تخمین زده می شود؛ برنامه نرم افزاری یک سری آمارهایی از قبیل خطای استاندارد، T – Value و غیره را درباره ارزیابی تناسب مدل با داده ها منتشر می کند. اگر مدل قابل آزمون باشد ولی با داده ها به طور مناسب تناسب نداشته باشد، شاخص­ های اصلاحی که یک وسیله معتبر برای ارزیابی تغییرات مورد نظر در بیان مدل هستند، به کار گرفته می شوند؛ تا مدل متناسب با داده ها شوند. مهم­ترین شاخص تناسب مدل، آزمون ^۲χ است، ولی به خاطر این که آزمون ^۲χ تحت شرایط خاصی عمل می کند و همیشه این شرایط محقق نمی شود؛ لذا یکسری شاخص های ثانویه ای نیز ارائه می گردد. مهم­ترین این شاخص ها عبارتند از: GFI، AGFI، RMSR .
حالت­های بهینه برای این آزمون ها به شرح زیر است:
۱- آزمون ^۲χ هر چه کمتر باشد بهتر است، زیرا این آزمون اختلاف بین داده و مدل را نشان می دهد.
۲- آزمون GFI و AGFI از ۸۰ درصد بایستی بیشتر باشد.
۳- آزمون RMSR هر چه کمتر باشد بهتر است، زیرا این آزمون یک معیار برای میانگین اختلاف بین داده های مشاهده شده و داده های مدل است.
مرحله اصلاح مدل: یکی از مهم ترین جنبه های بحث برانگیز مدل معادلات ساختاری اصلاح مدل است. اصلاح مدل مستلزم تطبیق کردن یک مدل بیان شده و تخمین زده شده است؛ که این کار از طریق آزاد کردن پارامترهایی که قبلا ثابت بوده اند؛ و یا ثابت کردن پارامترهایی که قبل از آن آزاد بوده اند؛ صورت می گیرد. این مرحله را می توان با مقایسه های تبعی یا Post Hoc در ANOVA قیاس کرد(هولی،۱۹۹۵،ص۱۳).
مهم ترین گام موجود در این مرحله به این شرح است: اگر اصلاحاتی موردنیاز باشد، مشخصات مدل (پارامترها) را ارزیابی کنید؛ و مشخصات جدیدی را وارد کنید. اصلاحات این مرحله شامل شناسایی محدودیتها و اضافه کردن پارامترهای اضافی است.
مرحله تفسیر مدل: اگر آزمون های تناسب نشان دهند؛ که مدل به طور کافی متناسب با داده ها می باشد، در این مرحله ما بر روی عوامل مشخص شده(پارامترهای مدل)، مدل متناسب شده تمرکز می-نمائیم. در این مرحله، معناداری پارامترهای مدل مورد ارزیابی قرار می گیرد . آزمون ها و مقایسه تخمین پارامترها و همچنین نمایش آن ها مستلزم تخمین های استاندارد شده ای است. به همین دلیل در این مرحله تخمین های غیر استاندارد را که عمدتا به مقیاس خود وابسته هستند؛ را به تخمین های استاندارد شده ای که وابسته به مقیاس خود نیستند؛ تبدیل می کنیم، و این کار تا حدودی برازش و پارامترهای مدل را تحت تأثیر قرار می­دهد.تنها گام این مرحله ارزیابی مدل و ضرایب پارامترهای مدل با آزمون فرض می باشد (شمس،۱۳۸۶،ص۲۲).
ابلاغ یا نوشتن گزارش تحقیقاتی: در این مرحله نتایج مدل معادلات ساختاری به شکل نمودار مسیر ارائه می گردد. نمودار مسیر، یک نمایش گرافیکی از مدل معادلات ساختاری است. سه جزء اصلی این نمودار شامل مستطیل­ها، بیضی ها و پیکان ها هستند(هولی،۱۹۹۵،ص۱۲).گام نهایی در هر تحقیق، گزارش نتایج تحقیق به روشی است؛ که سایر محققین بتوانند از منطق رویه­ ها و تجزیه و تحلیل­های تحقیق و تفسیرهای آن استفاده کنند.
آزمون‌های برازندگی مدل کلی
برازندگی، مناسب بودن و کفایت داده‌ها برای مدل مورد بررسی است. به این معنی که اگر شاخص‌های برازندگی نشان دهنده برازنده بودن مدل باشند، داده‌ها برای تجزیه و تحلیل و نتیجه‌گیری روابط موجود در مدل مناسب و کافی بوده‌اند (غفاری آشتیانی،۱۳۸۷،ص۱۲) .در دهه گذشته برای مدل‌های معادلات ساختاری آزمون‌های برازندگی متعددی ارائه شده است. با آن‌که انواع گوناگون آزمون‌ها که به گونه کلی شاخص‌های برازندگی نامیده می‌شوند؛ پیوسته در حال مقایسه، توسعه و تکامل‌اند، اما هنوز درباره حتی یک آزمون بهینه نیز توافق همگانی وجود ندارد، و این شاخص‌ها به شیوه‌های مختلفی طبقه‌بندی شده است. انواع شاخص های برازندگی مدل عبارتند از: (هومن،۱۳۸۴،ص۲۳).
شاخص مجذور­کای(^۲χ) _ نخست شاخص کای دو برای آزمون این فرضیه صفر که مدل مورد نظر در جامعه موجه است، محاسبه می‌شود. کای دو معنادار دلالت بر رد فرضیه صفر دارد که بیان می‌کند؛ آن مدل در جامعه موجه نیست. وقتی حجم گروه نمونه برابر با ۷۵ تا ۲۰۰ باشد، مقدار مجذور کای یک اندازه معقول برای برازندگی است. اما برای مدل‌های با n نمونه بزرگ‌تر، مجذور کای(همانند همه آزمون‌های معنادار بودن)، تقریباٌ همیشه از لحاظ آماری معنادار است. این مسئله با توجه به این مطلب که برای روش معادلات ساختاری(SEM)، گروه‌های نمونه با حجم زیاد توصیه می‌شود، تناقض دارد. علاوه بر این، مجذور کای تحت تأثیر مقدار همبستگی‌های موجود در مدل نیز هست. هرچه این همبستگی‌ها زیادتر باشد؛ برازش ضعیف‌تر است. به همین دلیل برای برازش مدل‌ها، اندازه‌های دیگری توسعه یافته است. یک راه‌ حل برای این مسئله توسعه شاخص‌های برازندگی است؛ که هر چند مبتنی بر مجذور کای است، اما به خاطر حجم نمونه از راهی کنترل می‌شود.
جذر برآورد واریانس خطای تقریب(RMSEA)- این اندازه که به صورت اعشاری گزارش می‌شود، مبتنی بر پارامتر غیر مرکزی است. این شاخص برای مدل‌های خوب برابر با ۰۵/۰ یا کمتر است. مدل‌هایی که RMSEA آن‌ها ۱۰/۰ یا بیشتر باشد، برازش ضعیفی دارند.
شاخص بنتلر- بونت^[۱۱۸]­یا شاخص نرم شده برازندگی(NFI)_ شاخص نرم شده برازندگی(NFI)، مدل صفر را به عنوان مدلی که در آن همه همبستگی‌ها صفر است تعریف می‌کند. چنان چه مقدار این شاخص بین ۹۰/۰ تا ۹۵/۰ باشد قابل قبول،و مقادیر بالاتر از ۹۵/۰ عالی است. عیب آن این است که اگر پارامترهای بیشتری به مدل اضافه شود، شاخص مذکور نمی تواند کوچک تر شود، بنابراین هرچه پارامترهای زیادتری به مدل افزوده شود، شاخص مذکور بزرگ تر خواهد بود .
شاخص تاکر- لویز ^[۱۱۹](TLI) یا شاخص نرم نشده برازندگی(NNFI)_ این شاخص ایراد به کاربردن شاخص نرم شده برازندگی(NFI) که برای افزودن پارامترها به مدل، جریمه‌ای وجود نداشت را با در نظر گرفتن چنین جریمه‌ای مطرح می‌کند. اگر این شاخص بزرگتر از ۰/۱ باشد، برابر با ۰/۱ قرار داده می‌شود. هم­چنین چنانچه مقدار این شاخص بین ۹۰/۰ تا ۹۵/۰ باشد؛ قابل قبول تلقی می‌گردد.
شاخص برازندگی تطبیقی(CFI)_ اگر این شاخص بزرگتر از ۰/۱ باشد؛ برابر با ۰/۱ و اگر کوچکتر از صفر باشد؛ برابر با صفر قرار داده می‌شود و همانند شاخص‌های قبلی چنان چه مقدار این کسر بین ۹۰% تا ۹۵% باشد، قابل قبول تلقی می‌گردد.
شاخص برازندگی(GFI) و شاخص تعدیل شده برازندگی(AGFI)_ ­شاخص‌های برازندگی به گونه کلی در دامنه بین صفر و یک قرار داده می‌شوند. ضرایبی که بالاتر از ۹۰% باشد؛ قابل قبول در نظر گرفته می‌شوند، هر چند این نیز مانند سطح ۰۵/۰=P ، اختیاری است. به طور کلی مقادیر شاخص‌های GFI و AGFI با نزدیک‌تر شدن به عدد ۰/۱ برازندگی خوب مدل را نشان می‌دهند. از میان شاخص‌های ذکر شده، به گونه کلی RMSEA به عنوان یک شاخص مطلوب و CFI به عنوان بهترین شاخص در نظر گرفته می‌شود.
فصل چهارم
تجزیه و تحلیل داده ها
۴-۱) مقدمه
در این تحقیق برای تجزیه و تحلیل داده های جمع آوری شده ابتدا در سطح توصیفی با بهره گرفتن از شاخص های آماری به توصیف و تلخیص ویژگی­های جمعیت شناختی افراد نمونه در تحقیق شامل جنسیت، سن، تحصیلات، وضعیت تأهل پرداخته می شود سپس آمار تحلیلی مطرح می­گردد؛ که در آن مدل اندازه ­گیری تحقیق برازش شده و بعد مدل اصلی تحقیق بررسی می­ شود. در نهایت فرضیات تحقیق از طریق معادلات ساختاری آزمون می­شوند. تجزیه و تحلیل مذکور به وسیله نرم افزار لیزرل^[۱۲۰] انجام می گیرد.