محاسبه آن لاین اثر میانجی با آزمون های سوبل[1] ، آریون[2] و گودمن[3]

[1] – The Sobel Test

[2] – Arion Test

[3] – Godman Test

آزمون سوبل و متغیر میانجی

متغیر میانجی

در بررسی روابط میان متغیرها با وجود نقش متغیر میانجی بایستی اثرات مستقیم، غیر مستقیم و اثر کل مورد بررسی قرار گیرند(رامین­مهر، حمید، ۱۳۹۲). اثر کل از مجموع اثر مستقیم و غیر مستقیم به دست می­آید(بشلیده، کیومرث، ۱۳۹۱). در صورتی که اثر غیر مستقیم بیشتر از اثر مستقیم باشد، نقش واسطه­ای متغیر میانجی پذیرفته می­شود(رامین­مهر، حمید، ۱۳۹۲).

آزمون سوبل و متغیر میانجی

متغیر میانجی M به عنوان رابط بین متغیر مستقل و متغیر وابسته قرار می‌گیرد و به صورت جداگانه میزان رابطه متغیرهای مستقل و وابسته را تحت تاثیر قرار می‌دهد. در مثال فوق متغیر «اعتماد» در رابطه «رضایت» و «تعهد» نقش میانجی دارد. بنابراین آنچه در زمینه محاسبه اثر غیرمستقیم توضیح داده شد همان نقش میانجی است. در پژوهش‌های دارای فرضیه‌های میانجی متغیر مستقل X از طریق متغیر M روی متغیر وابسته Y تأثیر می‌گذارد. یک مدل میانجی ساده در تصویر زیر نمایش داده شده است. نقش میانجی متغیر M از طریق ضریب اثر غیرمستقیم ab اندازه‌گیری می‌شود. هر چند می‌توان از راه بررسی معناداری ضرایب a و b به آزمون فرضیه میانجی پرداخت، امّا این روش توان آماری پایینی دارد. روش مناسب‌تر این است که به صورت مستقیم معناداری ضریب ab آزمون شود. یکی از پرکاربردترین روشها برای این منظور آزمون سوبل (Sobel) است.

آزمون سوبل رویکرد حاصل‌ضرب ضرایب، روش دلتا یا رویکرد نظریه نرمال هم نامیده شده است. آزمون سوبل برای انجام استنباط در مورد ضریب اثر غیرمستقیم ab، بر همان نظریه استنباط مورد استفاده برای اثر مستقیم مبتنی است. اثر غیرمستقیم ab یک برآورد خاص نمونه از اثر غیرمستقیم در جامعه (TaTb) است که در معرض واریانس نمونه‌گیری قرار دارد. با داشتن برآوردی از خطای استاندارد ab و با فرض نرمال بودن توزیع نمونه‌گیری ab می‌توان یک p-value برای ab به دست آورد.

بطور کلی در آزمون سوبل می‌توان از تخمین نرمال برای بررسی معنی‌داری رابطه استفاده کرد. با داشتن برآورد خطای استاندارد اثر غیرمستقیم می‌توان فرضیه صفر را در مقابل فرض مخالف آزمون کرد. آماره Z برابر است با نسبت ab به خطای استاندارد آن. به عبارت دیگر مقدار Z-Value را از رابطه زیر بدست می‌آوریم:

در این رابطه:
a: ضریب مسیر میان متغیر مستقل و میانجی
b: ضریب مسیر میان متغیر میانجی و وابسته 
Sa: خطای استاندارد مسیر متغیر مستقل و میانجی 
Sb: خطای استاندارد مسیر متغیر میانجی و وابسته

این برآوردگر حاصل‌ضرب مجذور خطاهای استاندارد را از دو عبارت اول معادله کم می‌کند. به دلیل این که در برآورد گودمن امکان منفی شدن خطای معیار وجود دارد استفاده از آن توصیه نمی شود. مقادیر a و b و خطاهای استاندارد آنها می‌توانند از خروجی تحلیل رگرسیون یا مدل‌سازی معادلات ساختاری استخراج شوند. در SPSS برای به دست آوردن این مقادیر باید دو تحلیل رگرسیون اجرا شود:

اجرای یک تحلیل رگرسیون که در آن متغیر مستقل X متغیر پیش بین و متغیر میانجی M متغیر ملاک است. این تحلیل مقادیر a و sa رابه شما می‌دهد. اجرای یک تحلیل رگرسیون که در آن متغیر مستقل X و متغیر میانجی M متغیر پیش بین و متغیر وابسته Y متغیر ملاک است. این تحلیل مقادیر b و sb رابه شما می‌دهد. این محاسبات به سادگی می‌تواند با دست انجام شود. با در نظر گرفتن سطح خطای ∝=۰٫۰۵ اگر مقدار Z از ۰٫۰۵ کوچکتر باشد، اثر غیرمستقیم مشاهده‌شده از نظر آماری معنادار است.

محاسبه آنلاین آزمون سوبل

منبع: کتاب آموزش کاربردی SPSS نویسنده آرش حبیبی

برگرفته از وب سایت:پارس مدیر

خواهشمند است، نظر خودتان را در پایان نوشته در سایت https://rava20.ir مرقوم نمایید. همین نظرات و پیشنهاد های شما باعث پیشرفت سایت می گردد. با تشکر 

پیشنهاد می شود مطالب زیر را هم در سایت روا 20 مطالعه نمایید:

برای تعیین حجم نمونه چه فرمول هایی وجود دارد؟

نوشته

بهترین کالاها را با تخفیف های ویژه بخرید!

نوشته

آزمون علامت تک نمونه (Sign Test)

نوشته

روش‌های آماری استفاده شده در تحقیق همبستگی

نوشته

ویرایش صدا فیلم های آموزشی با کمتازیا

تحلیل میانجی با روش بارون و کنی (1986)

تحلیل میانجی (Mediation Analysis) یکی از روش‌های آماری است که برای بررسی نقش یک متغیر میانجی (Mediator) در توضیح رابطه بین یک متغیر مستقل (Independent Variable یا IV) و یک متغیر وابسته (Dependent Variable یا DV) استفاده می‌شود. روش بارون و کنی (Baron & Kenny, 1986) یکی از رویکردهای کلاسیک و پرکاربرد در این زمینه است که بر اساس تحلیل رگرسیون خطی چندگانه بنا شده است. این روش فرض می‌کند که روابط خطی هستند و داده‌ها نرمال توزیع شده‌اند. هدف اصلی، تعیین این است که آیا متغیر میانجی رابطه بین IV و DV را “میانجی‌گری” می‌کند یا خیر.

این روش شامل چهار مرحله اصلی است که به صورت گام‌به‌گام انجام می‌شود. هر مرحله با یک مدل رگرسیون بررسی می‌شود. اگر همه مراحل برقرار باشند، میانجی‌گری تأیید می‌شود. در ادامه، مراحل را به طور کامل توصیف می‌کنم:

مراحل روش بارون و کنی

فرض کنید متغیر مستقل X (IV)، متغیر وابسته Y (DV) و متغیر میانجی M (Mediator) است.

1. مرحله اول: بررسی رابطه مستقیم بین IV و DV
   • مدل رگرسیون: Y = β₀ + β₁X + ε
   • شرط: ضریب β₁ (مسیر c، که رابطه مستقیم X با Y است) باید معنادار باشد (p < 0.05).
   • تفسیر: اگر رابطه معناداری بین X و Y وجود نداشته باشد، میانجی‌گری ممکن نیست، زیرا چیزی برای میانجی‌گری وجود ندارد. این مرحله بررسی اثر کل (Total Effect) است.
2. مرحله دوم: بررسی رابطه بین IV و Mediator
   • مدل رگرسیون: M = β₀ + β₁X + ε
   • شرط: ضریب β₁ (مسیر a، که رابطه X با M است) باید معنادار باشد.
   • تفسیر: متغیر مستقل باید بر متغیر میانجی تأثیرگذار باشد. اگر این رابطه معنادار نباشد، میانجی‌گری رد می‌شود.
3. مرحله سوم: بررسی رابطه بین Mediator و DV با کنترل IV
   • مدل رگرسیون: Y = β₀ + β₁X + β₂M + ε
   • شرط: ضریب β₂ (مسیر b، که رابطه M با Y است) باید معنادار باشد، در حالی که X کنترل شده است.
   • تفسیر: متغیر میانجی باید بر متغیر وابسته تأثیرگذار باشد، حتی وقتی اثر مستقیم X کنترل شود. همچنین، ضریب β₁ در این مدل (مسیر c’، که اثر مستقیم باقی‌مانده است) بررسی می‌شود.
4. مرحله چهارم: مقایسه اثر مستقیم قبل و بعد از افزودن Mediator
   • مقایسه: ضریب مسیر c (از مرحله اول) با مسیر c’ (از مرحله سوم) مقایسه می‌شود.
   • شرط:
     • اگر c’ به طور معنادار کوچکتر از c شود و به صفر برسد (یا نزدیک صفر و غیرمعنادار شود)، میانجی‌گری کامل (Full Mediation) است.
     • اگر c’ کوچکتر شود اما همچنان معنادار بماند، میانجی‌گری جزئی (Partial Mediation) است.
   • تفسیر: این مرحله نشان می‌دهد که چقدر از رابطه X-Y توسط M توضیح داده می‌شود. برای بررسی دقیق‌تر، می‌توان از آزمون سوبل (Sobel Test) برای معناداری اثر غیرمستقیم (a * b) استفاده کرد، هرچند بارون و کنی آن را الزامی نمی‌دانند.

نکات مهم و محدودیت‌ها:

• این روش فرض می‌کند هیچ متغیر مداخله‌گر (Confounder) دیگری وجود ندارد.
• داده‌ها باید نرمال باشند و هیچ هم‌خطی (Multicollinearity) شدیدی وجود نداشته باشد.
• در سال‌های اخیر، روش‌های پیشرفته‌تری مانند بوت‌استرپینگ (Bootstrapping) یا مدل‌سازی معادلات ساختاری (SEM) پیشنهاد شده‌اند، زیرا روش بارون و کنی ممکن است در موارد پیچیده خطا داشته باشد (مثلاً وقتی اثر کل معنادار نیست اما میانجی‌گری وجود دارد).
• برای محاسبه اثر غیرمستقیم، فرمول: اثر غیرمستقیم = a * b، و اثر کل = c = c’ + (a * b).

جدول تصمیم‌گیری روش بارون و کنی

جدول زیر مراحل تصمیم‌گیری را خلاصه می‌کند. اگر شرط هر مرحله برقرار نباشد، تحلیل متوقف می‌شود.

نمودار تصمیم‌گیری

نمودار زیر (به صورت ساده‌شده با استفاده از متن) مسیرهای تصمیم‌گیری را نشان می‌دهد. این یک نمودار مسیر (Path Diagram) استاندارد برای تحلیل میانجی است:

text

X (IV) ------------> Y (DV)

| (مسیر c: اثر کل)

|

v (مسیر a)

M (Mediator)

|

v (مسیر b)

Y (DV) <------------ (مسیر c': اثر مستقیم باقی‌مانده)

تفسیر نمودار:

• فلش مستقیم از X به Y: اثر کل (c).
• فلش از X به M (a) و سپس از M به Y (b): اثر غیرمستقیم (a * b).
• وقتی M اضافه می‌شود، فلش مستقیم باقی‌مانده (c’) باید کاهش یابد.
• اگر c’ = 0، میانجی کامل؛ اگر c’ > 0 اما کمتر از c، میانجی جزئی.

این نمودار را می‌توان در نرم‌افزارهایی مانند AMOS یا R برای مدل‌سازی واقعی ترسیم کرد.

منبع مقاله مربوطه با فرمت APA

Baron, R. M., & Kenny, D. A. (1986). The moderator–mediator variable distinction in social psychological research: Conceptual, strategic, and statistical considerations. Journal of Personality and Social Psychology, 51(6), 1173–1182. https://doi.org/10.1037/0022-3514.51.6.1173

خواهشمند است، نظر خودتان را در پایان نوشته در سایت https://rava20.ir مرقوم نمایید. همین نظرات و پیشنهاد های شما باعث پیشرفت سایت می گردد. با تشکر 

پیشنهاد می شود مطالب زیر را هم در سایت روا 20 مطالعه نمایید:

آزمون تحلیل واریانس  تحلیل واریانس چند متغیره (MANOVA):

نوشته

ضریب بتا چگونه در تحلیل رگرسیون تفسیر می‌شود؟

نوشته

آزمون تحلیل رگرسیون یا regression analysis test

نوشته

تحلیل رگرسیون چیست؟ Regression Analysis

نوشته

داده های کیفی – تعریف، انواع، تجزیه و تحلیل مثالها، روشهای جمع آوری و اهمیت داده های کیفی در پژوهش بازاریابی

همبستگی جزئی و همبستگی نیمه‌جزئی دو مفهوم مرتبط در آمار و تحلیل داده‌ها هستند که به بررسی روابط بین متغیرها کمک می‌کنند. در زیر به توضیح هر یک و تفاوت‌های آن‌ها می‌پردازیم:

1. همبستگی جزئی (Partial Correlation)

تعریف: همبستگی جزئی به بررسی رابطه بین دو متغیر در حالی که تأثیر یک یا چند متغیر دیگر کنترل می‌شود، می‌پردازد. به عبارت دیگر، همبستگی جزئی نشان‌دهنده رابطه بین دو متغیر است که با حذف اثرات متغیرهای دیگر به دست می‌آید.

استفاده: این نوع همبستگی معمولاً برای فهم دقیق‌تر روابط بین متغیرها و تعیین اینکه آیا یک رابطه واقعی وجود دارد یا خیر، استفاده می‌شود. به عنوان مثال، می‌توانید همبستگی جزئی بین دو متغیر X و Y را محاسبه کنید در حالی که تأثیر متغیر Z را کنترل می‌کنید.

2. همبستگی نیمه‌جزئی (Semi-Partial Correlation)

تعریف: همبستگی نیمه‌جزئی نیز به بررسی رابطه بین دو متغیر می‌پردازد، اما در این مورد فقط تأثیر یکی از متغیرهای دیگر کنترل می‌شود. به عبارت دیگر، همبستگی نیمه‌جزئی نشان‌دهنده رابطه بین دو متغیر است که یکی از متغیرهای دیگر کنترل شده است.

استفاده: همبستگی نیمه‌جزئی معمولاً برای بررسی تأثیر یک متغیر خاص بر رابطه بین دو متغیر دیگر استفاده می‌شود. به عنوان مثال، می‌توانید همبستگی نیمه‌جزئی بین X و Y را محاسبه کنید، در حالی که فقط تأثیر Z را کنترل می‌کنید و اثر دیگر متغیرها را نادیده می‌گیرید.

3. تفاوت‌های کلیدی

• کنترل متغیرها:
  • در همبستگی جزئی، تأثیر تمامی متغیرهای دیگر کنترل می‌شود.
  • در همبستگی نیمه‌جزئی، فقط تأثیر یک متغیر خاص کنترل می‌شود.
• نحوه محاسبه:
  • در همبستگی جزئی، معمولاً از رگرسیون‌های چندگانه برای محاسبه استفاده می‌شود.
  • در همبستگی نیمه‌جزئی، محاسبات بر اساس رگرسیون‌های ساده‌تر انجام می‌شود.
• کاربرد:
  • همبستگی جزئی بیشتر برای تحلیل دقیق روابط بین متغیرها و بررسی اثرات همزمان چند متغیر استفاده می‌شود.
  • همبستگی نیمه‌جزئی معمولاً برای ارزیابی تأثیر یک متغیر خاص در یک رابطه خاص به کار می‌رود.

نتیجه‌گیری

به طور خلاصه، همبستگی جزئی و نیمه‌جزئی دو ابزار مفید در تحلیل داده‌ها هستند که به ما کمک می‌کنند تا روابط بین متغیرها را بهتر درک کنیم. در حالی که همبستگی جزئی به بررسی روابط با کنترل اثرات تمامی متغیرهای دیگر می‌پردازد، همبستگی نیمه‌جزئی فقط یک متغیر خاص را کنترل می‌کند و به ما اطلاعات متفاوتی درباره روابط بین متغیرها می‌دهد.

خواهشمند است، نظر خودتان را در پایان نوشته در سایت https://rava20.ir مرقوم نمایید. همین نظرات و پیشنهاد های شما باعث پیشرفت سایت می گردد. با تشکر 

پیشنهاد می شود مطالب زیر را هم در سایت روا 20 مطالعه نمایید:

آزمون علامت تک نمونه (Sign Test)

نوشته

تفاوت روش‌های تعیین حجم نمونه در تحقیقات کیفی و کمّی

نوشته

آزمون کولموگرو اسمیرنف چیست؟

نوشته

تنظیم رفتاری هیجان و راهکارهای آن

نوشته

هوش مصنوعی شغل من رو هم می‌گیره! چاره چیه؟