صفر تا صد نرم افزار لیزرل

نرم‌ افزار لیزرل یکی از مهم ترین نرم افزارهای تحلیل داده می باشد که بیشتر برای ترسیم مدل معادلات ساختاری و تحلیل عاملی تاییدی و تحلیل مسیر به کار می آید. در این مقاله با آموزش لیزرل همراه  ما باشید تا به روش کاربردی صفر تا صد برنامه لیزرل به صورت کلی بررسی می شود.

نرم افزار لیزرل چیست ؟

نرم‌ افزار LISREL یکی از پر کاربردترین نرم افزار های آماری برای تحلیل عاملی است. این نرم افزار ابتدا توسط کارل یورسکاگ (Karl Jöreskog) و دگ سوربوم (Dag Sörbom) خلق شد. لیزرل Lisrel در واقع به عبارت linear structural relations اشاره دارد که به معنی روابط ساختاری خطی می باشد. زمانی که پژوهشگر قصد دارد روایی یک آزمون را با استفاده از تحلیل عاملی (CFA) بررسی کند این نرم افزار مکمل نرم افزار spss خواهد بود. همین طور با این نرم افزار می توانید به مدل سازی معادلات ساختاری بپردازید که امکان آن در spss موجود نمی باشد.

کاربرد نرم افزار لیزرل

به صورت کلی این نرم افزار برای ترسیم معادلات ساختاری بین متغیرها و بررسی روایی ازمون ها استفاده می شود. این نرم افزار بر اساس روش همبستگی (Correlation) و روش کوواریانس (Covariance) ، بارهای عاملی که بر روی یک متغیر وجود دارد را بررسی می کند و ما می توانیم تشخیص دهیم که ان سوال را از مقیاس حذف کنیم یا نگه داریم. هیمن طور این نرم افزار واریانس و متغیرهای پنهان را برای ما مشخص می کند. در اصل ما با این نرم افزار بر اساس متغیر های قابل مشاهده (Observable) تحقیق به متغیر های پنهان تحقیق دست پیدا می کنیم. به صورت کلی اقداماتی که می توان در این نرم افزار انجام داد شامل این موارد است:

• بررسی متغیرهای پنهان
• تحلیل عاملی تاییدی
• تحلیل مسیر (مدل‌سازی علت و معلولی برای متغیرهای پنهان)
• تحلیل ساختار کوواریانس (Linear Structural Relations – LSR)
• معادلات ساختاری SEM

تحلیل عاملی با لیزرل

برای آموزش لیزرل از تحلیل عاملی شروع می کنیم. زمانی که شما قصد دارید یک مقیاس را در پژوهش کنید باید یکبار تحلیل عاملی تاکیدی را بر روی سوالات این مقیاس پیاده سازی نمایید. با استفاده از این نرم افزار می توان هر دو نوع تحلیل عاملی را بررسی کرد یعنی :

1. Exploratory Factor Analysis
2. Confirmatory Factor Analysis

مثال برای تحلیل عاملی تاکیدی (Factor Analysis)

مثلا ما یک مقیاسی را در زمینه سنجش رفتار شهروندی سازمانی طراحی کرده ایم و قصد داریم بررسی کنیم که سوالات این مقیاس چند عامل را می سنجند؟

factor analysis چیست ؟

در نظر بگیرید برای سنجش یک سازه 30 سوال را طراحی کرده ایم . در علم آمار مشخص شده است که این سوالات ممکن است سازه های دیگری را بسنجند و در اصل ما متغیر های پنهان داریم . متغیر های پنهان متغیر هایی هستند که ما در مورد آن ها اطلاعاتی نداریم ولی داریم آن ها را می سنجیم . زمانی که ساختار زیربنایی سوالات را بررسی می کنیم و از آن ها کوواریانس می گیریم مشخص می شود که هر سوالی به یک سری دیگر از سوالات ارتباط دارد و حول بک متغیر مشخص و یکسان هستند . بر حسب صفات مشترک در این سوالات یا گویه ها محقق می تواند کل سوالات را به دو يا چند دسته تقسیم کند. در آمار به اين دسته ها ، عامل گفته می شود. هر عامل یک متغیر پنهان است که از تركيب چند سوال (آن ها را هم متغیر محسوب می کنیم) که با هم رابطه بالایی دارند، ساخته می شود.  تحليل عاملي یک روش آماری است که به كشف این عامل ها در یک مقیاس می پردازد و مشخص می کند ما چند عامل داریم و کدام سوالات مربوط به کدام عامل ها است ؟

تحلیل عاملی اکتشافی

در نظر بگیرید که شما یک پرسشنامه جدید را ایجاد کرده اید . سوالی که پیش می اید این است که این گویه ها و یا سوالات مقیاس جدید شما (پرسشنامه محقق ساخته) چند عامل را بررسی می کند؟ در چنین موردی از تحلیل عاملی اکتشافی استفاده می شود . تحلیل عاملی اکتشافی (EFA ) یکی از روش های تحلیل عاملی است که در آن هدف ما بررسی این موضوع می باشد که در سئوالات مقیاس ما و به طور کلی آنچه داریم می سنجیم ، چند عامل پنهان وجود دارد؟ در واقع ما می خواهیم یک مدل برای سئوالات یا متغیر های تحقیق خود ترسیم نماییم و بار عاملی هر متغیر را بررسی کنیم (در مدلی که ترسیم می کنیم) . تحلیل عاملی اکتشافی زمانی استفاده می شود که از پیش برای روابط بین متغیرهای مقیاس ما مدلی ترسیم نشده باشد و پیش‌ فرضی وجود ندارد که چند عامل پنهان وجود دارد . هدف بررسی تحلیل عاملی این است که عامل‌هایی را پیدا کنیم که بیشترین پراکندگی متغیرها را در اطراف خود دارد و به اصطلاح بار عاملی زیر متغیرهای آن بالا باشد. روش اکتشافی بر این مبنا کار می کند که واریانس مشترک بین متغیر های تحقیق (یک مقیاس) را شناسایی می کند . روش کشف عامل ها از طریق ترسیم ماتريس همبستگي بين متغيرها بدست می باشد.

آموزش تحلیل عاملی تاییدی در نرم افزار لیزرل

تحلیل عاملی تاییدی (CFA) به بررسی مدلی که در گام قبلی توسط تحلیل عاملی اکتشافی ارایه شده می پردازد و محقق قصد دارد ، این تحلیل و مدل بدست آمده را تایید یا رد کند. عموما زمانی که شما می خواهید از مقیاس های از پیش ساخته استفاده کنید برای بررسی روایی مقیاس از تحلیل عاملی تاییدی استفاده می شود . این روش متغیر هایی را که در مدل بدست آمده موثر است را شناسایی می کند و متغیرهای فرعی را حذف می‌کند. برای اجرای تحلیل عامل تایید در لیزرل باید پس از وارد کردن داده های تحقیق در نرم افزار گزینه Path Diagram را انتخاب نمایید.

بعد از مشخص کردن مکان پروژه باید متغیرهای نهان و آشکار خود را تعریف کنید. برای این کار باید ابتدا بر روی گزینه Add/Read/variable در زیر بخش Observed variables بزنید، تا متغیرهای آشکار را تعریف کنید.

در کادر باز شده باید روی گزینه مشخص شده (گزینه دوم) کلیک نمایید. گزینه اول لیست سیستمی فایل لیزرل است که برای داده های کوواریانسی به کار می رود و گزینه دوم برای داده های خام می باشد. سپس بر روی browse کلیک کنید و فایل داده ها را فراخوانی کنید.

در مرحله بعدی باید به تعریف سازه ها یا متغیرهای پنهان یا همان عامل های تحقیق بپردازید. برای این کار باید از بخش Latent variables گزینه را Add/Read/variable را بزنید.

در پایان تعداد نمونه ها را مشخص نمایید و بر روی گزینه ok بزنید.

شما اکنون می توانید مدل خود را ترسیم کنید و با فلش متغیرها را به هم وصل نمایید.

آموزش مدل معادلات ساختاری در نرم افزار لیزرل

یکی از مبانی بررسی داده ها در نرم افزار لیزرل ، تجزیه و تحلیل ساختارهای کوواریانس بین سئوالات است که به آن مدل یابی معادلات ساختاری (Structural equation modeling) هم می گویند . هدف پیش‌ بینی و تشخیص روابط بین متغیر های مستقل و وابسته می باشد . این روش به همراه همبستگی بین متغیر ها چهار کاربرد اصل دارد :

1. این روش برای پیدا کردن روابط علت و معلولی بین متغیرها استفاده می شود (در اصل می توان با این روش تاثیرات همزمان متغیرهای مستقل روی یک متغیر وابسته را بررسی نمود )
2. همین طور جایگاه هر یک از متغیر های میانجی (کنترلی، مداخله گر و تعدیل کننده) را تشخیص داد
3. متغیرهای پنهان (Latent Variable) در تحلیل و آزمون های ما که در اصل در روش تحقیق به آن ها سازه هم گفته می شود را می توان مشخص کرد (مثلا عزت نفس یک سازه است که به صورت مستقیم نمی توان آن را سنجش نمود )
4. نقش متغیر های پنهان را در مدل پیش‌بین، می توان بررسی نمود

برای اجرای این عمل در نرم افزار لیزرل باید داده ها را در نرم افزار تعریف نمایید و سپس  LISREL project را انتخاب کنید و Path Diagram را بزنید. البته می توانید گزینه LISREL project را نیز انتخاب کنید.سپس باید اسم پروژه را وارد کنید و آن را ذخیره کنید.

سپس باید متغیرهای آشکار و پنهان خود را تعریف کنید. بر روی گزینه Add/Read/variable در زیر بخش Observed variables بزنید، تا متغیرهای آشکار را تعریف کنید. در کادر باز شده باید فایل داده ها را فراخوانی کنید تا متغیرها به لیست متغیرهای آشکار اضافه شود. در گام بعدی باید به تعریف سازه ها یا متغیرهای پنهان بپردازید. برای این کار باید از بخش Latent variables گزینه را Add/Read/variable را بزنید.

در مرحله بعدی باید تعداد نمونه تحقیق خود را وارد کنید و سپس باید روی گزینه next بزنید.

سپس باید مشخص کنید که سوالات متغیرهای مکنون و آشکار و مستقل و وابسته کدام هستند. در مرحله اول باید سوالات متغیر مکنون برون زا یا همان مستقل را به عنوان x و سوالات متغیر دورن زا یا وابسته را به عنوان y تعریف نمایید. همین کار را برای متغیرهای مکنون و آشکار نیز انجام دهید و در پایان مدل را اجرا نمایید.

آموزش تحلیل مسیر در نرم افزار لیزرل

روش تحلیل مسیر از الگوی رگرسیون چند متغیره برای تحلیل داده ها استفاده می کند و به جای استفاده از ضرایب وزنی هر گویه، میانگین وزنی گویه ها را محاسبه می کند و به جای متغیر پنهان در مدل قرار می گیرد.  برای اجرای این روش آماری باید داده ها را وارد نرم افزار spss نمایید و متغیرهای خود را تعریف کنید. در مرحله بعدی وارد نرم افزار لیزرل شوید و یک پروژه جدید تعریف نمایید.

در گام بعدی گزینه Path Diagram را انتخاب نمایید.سپس باید متغیرهای آشکار خود را تعریف نمایید.

قسمت متغیر مکنون را خالی بگذارید و گزینه next را بزنید.

تعداد نمونه را وارد کنید. سپس باید از بخش matrix to be analyzed گزینه correlation را انتخاب نمایید. در پایان روی ok بزنید.

در گام بعدی باید مدل خود را ترسیم کنید و آن ها را با فلش به هم وصل نمایید.

در نهایت بعد از وصل شدن متغیرها باید گزینه Run LISREL را بزنید.

آموزش شاخص های برازش و اصلاح مدل در لیزرل

در ادامه آموزش لیزرل باید اشاره کرد، شاخص های برازش مدل اهمیت بسیار بالایی در استفاده از نرم افزار لیزرل دارد. سوال این است که داده های گردآوری شده تا چه حد حمایت کننده مدلی است که به لحاظ نظری تدوین شده است؟

انواع شاخص های برازش مدل

• شاخص های برازش مطلق
• شاخص های برازش تطبیقی
• شاخص های برازش مقتصد

برگرفته از: کیارا آکادمی 

برای مشاهده لیست همه ی  پرسشنامه های استاندارد لطفا همین جا روی پرسشنامه استاندارد  کلیک فرمایید.

تحلیل داده های آماری برای پایان نامه و مقاله نویسی ،تحلیل داده های آماری شما با نرم افزارهای کمی و کیفی ،مناسب ترین قیمت و کیفیت عالی انجام می گیرد.نرم افزار های کمی: SPSS- PLS – Amosنرم افزار کیفی: Maxqudaتعیین حجم نمونه با:Spss samplepower

روش های تماس:Mobile :  09143444846  واتساپ – تلگرامکانال تلگرام سایت: برای عضویت در کانال تلگرام سایت اینجا کلیک کنید(البته قبلش فیلتر شکن روشن شود!!) مطالب جالب علمی و آموزشی در این کانال درج می گردد.