اگر می خواهید تصویری را در تلگرام بگذارید لازم نیست در موتورهای جستجوگر سرچ کنید، تصاویر را می توانید مستقیما از تلگرام بگیرید و آن ها را در گروه ها یا برای اشخاص بفرستید.
ربات جستجو گر عکس که توسط شرکت bing به نام bing image search ساخته شده به ما این قابلیت را میدهد که با نوشتن موضوع عکس (به تمامی زبان ها) به صورت سریع عکس های مرتبط با موضوع شما را می آورد و شما پس از انتخاب میتوانید برای فرد مورد علاقه خود (گروه یا کانال یا افراد یا…) ارسال کنید.
برای نحوه ی کار با این ربات فیلم زیر را مشاهده کنید.
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 G*Power یک نرم افزار کاربردی و ساده آماری است که برای محاسبه حجم نمونه در مباحث جامعه و نمونه بسیار مناسب است. این نرم افزار رایگان است و بسادگی میتوان حجم نمونه لازم برای حداقل مربعات جزئی به روش محاسبه حجم نمونه با فرمول کوهن را با آن محاسبه کرد. همچنین حجم نمونه لازم برای انواع تحقیق همبستگی،انواع آزمون میانگین جامعه، حجم نمونه رگرسیون و روشهای دیگر آماری را محاسبه کرد.
استفاده از ماشین حساب G*Power
نرم افزار G*Power یک ماشین حساب حرفهای در اختیار کاربران قرار میدهد.
از منوی اصلی و بالای صفحه نرم افزار گزینه Calculator را انتخاب کنید.
روش محاسبه حجم نمونه با نرم افزار G*Power
برای محاسبه حجم نمونه با نرم افزار G*Power ابتدا از منوی Tests نوع نمونه خود را انتخاب کنید.
روشهای همبستگی و رگرسیون در منوی Correlation and Regression قابل دسترسی است.
محاسبه حجم نمونه با نرم افزار G*Power
روشهای آزمون میانگین جامعه مانند تی-تکنمونه و تی-مستقل از قسمت Means قابل دسترسی است.
پس از انتخاب آزمون موردنظر، اندازه اثر و سطح خطا را در صفحه اصلی نرم افزار مشخص کنید.
در نهایت در صفحه اصلی نرمافزار روی دکمه Calculate کلیک کنید.
روی دکمه X-Y Plot for a range of values کلیک کنید.
در نهایت در دیالوگ جدید روی دکمه Draw Plot کلیک کنید.
مشخصات مربوط به حجم نمونه به صورت گرافیکی نیز قابل مشاهده است.
فایل دانلود شده را از حالت فشرده خارج کنید. این نرم افزار نیاز به نصب دارد. فایل نصی یا setup را اجرا کنید تا عملیات نصب صورت گیرد. پس از آن میتوانید با کلیک نمودن بر فایل اجرایی برنامه آن را اجرا کنید. فایل تجرایی با لوگوی این نرم افزار نشان داده میشود.
همانطور که بسیاری از کاربران آمارافزار اطلاع دارند، در یکی از دورههای آموزشی آمارافزار، تحت عنوان «دوره محاسبه حجم نمونه و توان آماری»، که اتفاقاً در گروه دورههای پرطرفدار نیز محسوب شده، این نرم افزار و کار عملی با آن، آموزش داده میشود.
ضمناً لازم به ذکر است که در کاربردهای عملی نرم افزار G*Powerر برای محاسبه حجم نمونه مطالعات پژوهشی و همچنین مقالات علمی، امکان ارجاع به این نرم افزار وجود دارد. از منظر داوران مقالات علمی و ادیتورهای ژورنالهای معتبر، این نرم افزار قابل قبول بوده و برای مقاصد عملی میتواند جایگزین فرمولهای محاسبه حجم نمونه و حتی نرم افزارهای تجاری قوی شود. نرم افزار بسیار قوی و معتبر NCS-PASS نیز نتایج مشابهی دارد.
بلایندفولدینگ Blindfolding یک تکنیک استفاده مجدد از نمونه است. این تکنیک امکان محاسبه شاخص استون-گیزر Stone-Geisser را فراهم میکند. معیار استون- گیزر یا شاخص Q2 قدرت پیشبینی مدل را مشخص میسازد. شاخص استون-گیزر معیاری برای ارزیابی روایی متقاطع در مدل حداقل مجذورات جزیی است. شاخص ضریب تعیین R2 دقت پیشبینی را مشخص میکند و شاخص Q2 رابطهمند بودن پیشبینی را تعیین میکند. چناچه مقدار شاخص استون-گیزر مثبت باشد روایی پیشبینی مورد تایید است.
کاربرد : محاسبه شاخص برای ارزیابی روایی متقاطع Cross-Validity
ضریب تعیین یا ضریب تشخیص Coefficient Of Determination قدرت توضیح دهندگی مدل را نشان میدهد. ضریب تعیین نشان میدهد که چند درصد از تغییرات متغیر وابسته توسط متغیرهای مستقل توضیح داده میشود. تغییرات کل متغیر وابسته برابر است با تغییرات توضیح داده شده توسط رگرسیون بعلاوه تغییرات توضیح داده نشده. این شاخص یکی از شاخصهای برازش مدل است که قدرت پیشبینی متغیر وابسته (ملاک) براساس متغیرهای مستقل (پیشبین) را نشان میدهد. مقدار این شاخص بین صفر تا یک میباشد و اگر از ۰/۶ بیشتر باشد نشان میدهد متغیرهای مستقل تا حد زیادی توانستهاند تغییرات متغیر وابسته را تبیین کنند.
ضریب تشخیص در معادلات رگرسیونی با علامت R2 نشان داده میشود و بیانگر میزان احتمال همبستگی میان دو دسته داده در آینده میباشد. این ضریب در واقع نتایج تقریبی پارامتر موردنظر در آینده را بر اساس مدل ریاضی تعریف شده که منطبق بر دادههای موجود است، بیان میدارد. در واقع معیاری است از این که خط رگرسیون، چقدر خوب خواندهها را معرفی میکند. اگر خط رگرسیون از تمام نقاط بگذرد توانائی معرفی همه متغیرها را دارد و هرچه از نقاط دورتر باشد نشان دهنده توانائی کمتر است. در این مقاله روش استفاده از این شاخص در رگرسیون، حداقل مربعات جزئی و مدل معادلات ساختاری توضیح داده شده است.
فرمول محاسبه ضریب تعیین (تشخیص) از نظر آماری
با توجه به اینکه
SST: مجموع توان دوم خطاها زمانی که از متغیرهای مستقل (X ها) استفاده نشود.
SSE: مجموع توان دوم خطاها زمانی که از متغیرهای مستقل (X ها) استفاده شود.
پارامتر SSR را مجموع توان دوم رگرسیون نامید و کاهش در مجموع توان دوم خطاها به خاطر استفاده از متغیرهای مستقل (x ها) را نشان میدهد. هر چه SSR بزرگتر باشد بهتر است و اگر SSR = 0 باشد رابطه رگرسیونی اصلا کاربرد نداشته است.
SSR = SST – SSE
می دانیم SSR کاهش تغییر پذیری (خطا) به خاطر استفاده از متغیرهای مستقل است. نسبت این کاهش را با R2 نشان داده و ضریب تعیین مینامیم.
R2 = SSR/SST
بنابراین مقادیری که R2 میتواند اختیار کند بین صفر و یک میباشد:
اگر R2 = 1 باشد آن گاه SSR=SST یا به عبارتی SSE = 0 یعنی زمانی که از متغیرهای مستقل استفاده کنید هیچ خطای وجود ندارد که این بهترین حالت ممکن است.
اگر R2 = 0 باشد آن گاه SSR=0 یا به عبارتی SSE = SSR یعنی استفاده از متغیرهای مستقل هیچ تاثیری بر برآورد خط رگرسیونی ندارد.
محاسبه ضریب تـعیین در SPSS
برای این منظور از رگرسیون خطی استفاده میشود.
از منوی Analyze گزینه Regression فرمان Linear را اجرا کنید.
متغیر وابسته تعهد را به کادر Dependent وارد کنید. در تکنیک رگرسیون خطی فقط میتوان یک متغیر را به کادر Dependent وارد کنید.
متغیر یا متغیرهای مستقل را به کادر Independent وارد کنید.
با تایید این کار چندین جدول در خروجی ظاهر خواهد شد.
برای مشاهده ضریب تعیین از جدول Model Summary استفاده کنید.
جدول ضریب تعیین در SPSS
براساس نتایح این جدول متغیرهای پیش بین توانستهاند ۲۸% از تغییرات در متغیر وابسته را تبیین کنند.
تفاوت ضریب تعیین و ضریب تعیین تعدیلشده
ضریب تعیین فرض میکند که هر متغیر مستقل مشاهده شده در مدل، تغییرات موجود در متغیر وابسته را تبیین میکند. بنابراین درصد نشان داده شده توسط این شاخص با فرض تاثیر همه متغیرهای مستقل بر متغیر وابسته میباشد. در صورتی که درصد نشان داده شده توسط R2 تعدیل شده فقط حاصل از تاثیر واقعی متغیرهای مستقل مدل بر وابسته ( نه همه متغیرهای مستقل) است. تفاوت دیگراین است که مناسب بودن متغیرها برای مدل توسط R2 حتی با وجود مقدار بالا قابل مشخص نیست در صورتی که میتوان به مقدار براورد شده ضریب تعیین تعدیل شده اعتماد کرد.
ضریب تعیین تعدیلشده
در این رابطه N تعداد کل مشاهدات، P تعداد متغیرهای پیشبین و R2 ضریب تعیین است. این شاخص نیز در جدول خلاصه مدل در خروجی رگرسیون قابل مشاهده است.
آیا ضریب تعیین معیار مناسبی برای تبیین میزان تاثیر متغیر مستقل بر متغیر وابسته است؟
خیر. چون با افزایش مشاهدات و هم چنین با افزایش متغیرهای مستقل میزان R2 افزایش مییابد این افزایش ممکن است کاذب باشد.
برای رفع این مشکل به R2 تعدیل شده نیاز داریم. مقدار تعدیل شده میزان R2 را با توجه به متغیرهای مستقل اضافه شده به خط رگرسیون و با توجه به عرض از مبداهای جدید، تعدیل و اصلاح میکند. هرچه تفاوت بین R2 و R2 تعدیل شده کمتر باشدنشان میدهد که متغیرهای مستقل که به مدل اضافه شدهاند به درستی انتخاب شدهاند.
محاسبه ضریب تعیین در PLS
ضریب تعیین یکی از پنج معیار اصلی برازش مدل در روش حداقل مربعات جزئی است. این شاخص بیانگر میزان تغییرات هر یک از متغیرهای وابسته مدل است که به وسیله متغیرهای مستقل تبیین میشود. گفتنی است که مقدار R2 تنها برای متغیرهای درونزای مدل ارائه میشود و در مورد سازههای برونزا مقدار آن برابر صفر است. هرچه مقدار R2 مربوط به سازههای درونزای مدل بیشتر باشد، نشان از برازش بهتر مدل است.
چین (۱۹۹۸) سه مقدار ۰/۱۹، ۰/۳۳ و ۰/۶۷ را به عنوان مقدار ملاک برای مقادیر ضعیف، متوسط و قوی بودن برازش بخش ساختاری مدل به وسیله معیار R2 تعریف کرده است. همچنین در نرمافزار نسخه شماره ۳ این نرمافزار هم ضریب تعیین و هم ضریب تعیین تعدیلشده محاسبه میگردد. برای مطالعه بیشتر به بحث شاخصهای برازش حداقل مجذورات جزئی رجوع کنید.
منبع: محاسبه ضریب تعیین (تشخیص) نوشته آرش حبیبی کتاب آموزش SPSS
منبع: آموزش محاسبه شاخص HTMT برای سنجش روایی گرا نوشته آرش حبیبی نشر الکترونیک پارسمدیر
هنسلر و همکاران (۲۰۱۵) شاخص جدیدی به نام Heterotrait-Monotrait Ratio یا HTMT برای ارزیابی روایی واگرا ارائه کردهاند. این شاخص در کانون تحلیل آماری پارس مدیر با عنوان نسبت روایی یگانه-دوگانه ترجمه شده است. شاخص HTMT جایگزین روش قدیمی فورنل-لارکر شده است. امکان محاسبه این معیار در نرم افزار Smart PLS 3 وجود دارد اما استفاده از روایی واگرا در همه روشهای رگرسیونی و مدل معادلات ساختاری کاربرد دارد. در این نوشتار قصد داریم تا روش محاسبه این شاخص را در نرم افزار اکسل و به صورت دستی آموزش دهیم.
فرمول محاسبه شاخص HTMT
فرمول محاسبه شاخص HTMT به صورت زیر است:
فرمول محاسبه شاخص HTMT
اگرچه فرمول پیچیده به نظر میرسد اما من اینجا هستم تا این فرمول را برای شما ساده کنم. این فرمول از سه قسمت تشکیل شده است.
میانگین همبستگی سوالات دو متغیر باهم (A)
میانگین همبستگی سوالات متغیر اول (B)
میانگین همبستگی سوالات متغیر دوم (C)
بنابراین کافی است B را در C ضرب کنید. از عدد حاصل جذر بگیرید. سپس A را بر این عدد تقسیم کنید.
مثال عددی محاسبه HTMT
فرض کنید رابطه دو متغیر اعتماد و رضایت را با یک پرسشنامه بررسی میکنید. اعتماد دارای ۵ سوال و رضایت دارای ۳ سوال است. ضریب همبستگی سوالات این دو متغیر را محاسبه کنید.
مثال عددی محاسبه HTMT
این شکل را با شکل بالای صفحه و فرمول نوشته شده مقایسه کنید. بسیار ساده تر از آن چیزی بود که فکر میکردید.
میانگین مقادیر مثلث اول یا همبستگی سوالات متغیر اول (B) = 0/690
میانگین مقادیر مثلث اول یا همبستگی سوالات متغیر دوم (C) = 0/420
مجذور حاصلضرب میانگین دو مثلث = ۰/۵۳۸
میانگین مقادیر مربع آبی رنگ یعنی میانگین همبستگی سوالات دو متغیر باهم (A) = 0/388
مقدار HTMT روایی واگرا = ۰/۷۲۰
در نرم افزار PLS برای محاسبه شاخص HTMT کافیست رویه بوتاستراپینگ کامل را اجرا کنید. حد مجاز معیار HTMT میزان ۰/۸۵ تا ۰/۹ میباشد. اگر مقادیر این معیار کمتر از ۰/۹ باشد روایی واگرا قابل قبول است.
روایی واگرا Discriminant validity معیاری است که نشان میدهد چقدر سنجههای عوامل متفاوت واقعا باهم تفاوت دارند. در یک پرسشنامه برای سنجش عوامل مختلف سوالات متعددی مطرح میشود بنابراین لازم است که مشخص شود این سوالات از یکدیگر متمایز بوده و باهم همپوشانی ندارند.
این معیار در برابر روایی همگرا یا Convergent validity قرار میگیرد و گاهی به عنوان Divergent validity نیز در مقالههای علمی از آن یاد میشود. روایی همگرا به همبستگی سوالات یک سازه باهم اشاره دارد و روایی واگرا بر عدم همبستگی بین سوالات یک سازه با سوالات سازه دیگر دلالت دارد.
یکی از مهمترین مسائل در پژوهشها، تعیین میزان روایی و پایایی ابزار گردآوری دادههای پژوهش است. در بخش اعتبار یا روایی پرسشنامه Reliability، پژوهشگر در پی آن است که مشخص سازد آیا یافتههای بدست آمده از پژوهش را میتوان به کل جامعه یا گروههای مشابه آن تعمیم داد یا خیر؟ برخلاف پایایی یا اعتماد که مسئلهایی کمی است و اندازهگیری آن سادهتر است اعتبار پرسشنامه، مسألهای کیفی است و اندازهگیری و ارزیابی آن مشکلتر است. روایی به این سوال پاسخ میدهد که ابزار اندازهگیری تا چه حد خصیصه مورد نظر را میسنجد.
در نرم افزار Smart PLS و تکنیک حداقل مربعات جزیی سه روش برای محاسبه روایی وجود دارد:
روایی سازه
روایی همگرا
روایی واگرا
تعریف روایی واگرا
روایی واگرا نشان میدهد چقدر سوالات یک عامل با سوالات سایر عوامل تفاوت دارند. این معیار یکی از معیارهای اصلی برازش مدلهای اندازهگیری در روش PLS است و براساس بارهای عاملی مربوط به گویههای هر سازه تعیین میشود. روایی واگرا بر همبستگی پایین سنجههای یک متغیر پنهان با یک متغیر غیر مرتبط با آن (از نظر پژوهشگر) اشاره دارد. این معیار در روش حداقل مربعات جزئی از دو طریق سنجیده میشود. یکی روش بارهای عاملی متقابل است که میزان همبستگی بین شاخصهای یک سازه را با همبستگی آنها با سازههای دیگر مقایسه میکند و روش دیگر معیار پیشنهادی فورنل و لارکر Fornell & Larcker است که در این پژوهش مورد استفاده قرار گرفته است.
کلاس فورنل و دیوید لارکر
روایی واگرا یا در برابر روایی همگرا validity قرار دارد. فورنل و لارکر (۱۹۸۱) بیان کردند روایی واگرا وقتی در سطح قابل قبول است که میزان AVE برای هر سازه بیشتر از واریانس اشتراکی بین آن سازه و سازههای دیگر (یعنی مربع مقدار ضرایب همبستگی بین سازهها) در مدل باشد. بر این اساس روایی واگرای قابل قبول یک مدل اندازهگیری حاکی از آن است که یک سازه در مدل تعامل بیشتری با شاخصهای خود دارد تا با سازههای دیگر. در روش حداقل مربعات جزئی و مدلیابی معادلات ساختاری، این امر به وسیله یک ماتریس صورت میگیرد که خانههای این ماتریس حاوی مقادیر ضرایب همبستگی بین سازهها و قطر اصلی ماتریس جذر مقادیر AVE مربوط به هر سازه است.
در نرم افزار Smart PLS از قسمت Latent Variable Correlations در فایل خروجی استفاده میشود. قطر اصلی هم از مجذور AVE استفاده میشود.
روایی تشخیصی چیست؟
منظور از روایی تشخیصی همان روایی واگرا است. در زبان لاتین از دو اصطلاح Discriminant validity و Divergent validity استفاده میشود. این اصطلاح هر دو معادل هم استفاده میشوند و در مقالههای مختلف به جای هم به کار میروند. در زبان فارسی واژه Discriminant به معنای مشخصکننده یا تفکیک کننده ترجمه میشود. واژه Divergent نیز به صورت منشعب یا واگرا ترجمه میشود. بنابراین هر دو اصطلاح یکسان هستند و روایی تشخیصی چیز جدیدی نیست.
سه نگردد بریشم ار او را —– پرنیان خوانی و حریر و پرند
اگر به ابریشم بگویید پرند، پرنیان و حریر بازهم همان ابریشم است.
روایی واگرای یگانه-دوگانه HTMT
معیار Heterotrait-Monotrait Ratio یا شاخص HTMT در کانون تحلیل آماری پارس مدیر با عنوان معیار روایی یگانه-دوگانه ترجمه شده است. این معیار توسط هنسلر و همکاران (۲۰۱۵) برای ارزیابی روایی گرا ارائه شده است. معیار HTMT جایگزین روش قدیمی فورنل-لارکر شده است. حد مجاز معیار HTMT میزان ۰/۸۵ تا ۰/۹ میباشد. اگر مقادیر این معیار کمتر از ۰/۹ باشد روایی واگرا قابل قبول است. امکان محاسبه شاخص HTMT در نرم افزار Smart PLS 3 وجود دارد. برای این منظور باید رویه بوتاستراپینگ کامل را اجرا کنید.
تکنیک Partial Least Squares یا حداقل مربعات جزئی یکی از موضوعاتی است که برای دانشجویان مدیریت و مهندسی صنایع بسیار ناشناخته است. برتری لیزرل که مطمئناً شناخته شده ترین ابزار برای انجام این گونه تحلیلهاست، ناشی از این مسأله است که تمامی محققین از تکنیکهای جایگزین مدلسازی معادلات ساختاری از جمله؛ حداقل مربعات جزئی آگاه نیستند.
یکی از عمدهترین دلایل گرایش دانشجویان به استفاده از تکنیک حداقل مربعات جزئی این است که این تکنیک به فرض نرمال بودن جامعه و همچنین حجم نمونه متکی نیست. این در حالی است که برای انجام تکنیک معادلات ساختاری و نرمافزار لیزرل به حجم انبوهی از دادهها نیاز است. برای حل مسائل حداقل مربعات جزئی یا PLS می توانید از نرم افزار SmartPLS استفاده کنید. نرم افزار smartpls یک نرم افزار رایگان است .
بطور کلی دو نوع رویکرد برای برآورد پارامترهای یک مدل معادلات ساختاری وجود دارد که عبارتند از: رویکرد مبتنی بر کوواریانس و رویکرد مبتنی بر واریانس. رویکرد اول در تلاش است تا اختلاف بین کوواریانسهای نمونه و آنچه که مدل نظری پیشبینی کرده است را حداقل کند. بخاطر شهرت فراوان مدلسازی معادلات ساختاری مبتنی بر کوواریانس، مطالعات متعددی وجود دارند که از این تکنیک تعریفی ارائه کرده اند. برخلاف رویکرد اول، رویکرد حداقل مربعات جزئی در ابتدا توسط اچ. ولد تحت عنوان حداقل مربعات جزئی تکراری غیرخطی معرفی شد که هدف از آن حداکثرکردن واریانس متغیرهای وابستهای است که توسط متغیرهای مستقل تعریف می شوند. همانند سایر مدلهای معادلات ساختاری، مدل حداقل مربعات جزئی نیز دارای بخش ساختاری است که منعکس کننده ارتباط بین متغیرهای پنهان (مکنون) و یک جزء اندازه گیری است.
برای آزمون مدل مفهومی پژوهش می توان از PLS که یک فن مدل سازی مسیر واریانس محور است، استفاده کرد. این تکنیک امکان بررسی روابط متغیرهای پنهان و سنجه ها (متغیرهای قابل مشاهده) را بصورت همزنان فراهم می سازد. از این روش زمانی که حجم نمونه کوچک بوده و یا توزیع متغیرها نرمال نباشد استفاده می شود. در مدل های PLS دو مدل آزمون می شود: مدلهای بیرونی و مدل های درونی. مدل بیرونی یا Outer Model مشابه اندازه گیری (CFA) و مدل درونی یا Inner Model مشابه تحلیل مسیر در مدل های معادلات ساختاری است . پس از آزمون مدل بیرونی لازم است تا مدل درونی که نشانگر ارتباط بین متغیرهای مکنون پژوهش است، ارایه شود. با استفاده از مدل درونی می توان به بررسی فرضیه های پژوهش مدل پرداخت.
مدل معادلات ساختاری = تحلیل عامل تائیدی + تحلیل مسیر
حداقل مربعات جزئی= مدل درونی + مدل بیرونی
ابزار مدل سازی معادلات ساختاری SEM
در مطالعات حوزه ي علوم انساني و اجتماعي، تجزيه و تحليل داده هاي پژوهش طبق فرآيندي با قالب کلي مشخص و يکسان صورت مي پذيرد که مرتبط با آن روش تحليل آماري متعددي تا به حال معرفي شده است. در اين ميان، مدل سازي معادلات ساختاري (SEM) که در اواخر دهه شصت ميلادي معرفي شد، ابزاري در دست محققين جهت بررسي ارتباط ميان چندين متغير در يک مدل را فراهم مي ساخت. قدرت اين تکنيک در توسعه نظريه ها باعث کاربرد وسيع آن در علوم مختلف از قبيل بازاريابي، مديريت منابع انساني، مديريت استراتژيک و سيستم اطلاعاتي شده است.
دلایل استفاده از SEM
يکي از مهمترين دلايل استفاده زياد پژوهشگران از SEM، قابليت آزمودن تئوري ها در قالب معادلات ميان متغيرهاست. دليل ديگر لحاظ نمودن خطاي اندازه گيري توسط اين روش است که به محقق اجازه مي دهد تا تجزيه و تحليل داده هاي خود را با احتساب خطاي اندازه گيري گزارش دهد.
دو نسل از مدل سازی معادلات ساختاری
مدل سازي معادلات ساختاري تا اين زمان، با دو نسل روش هاي تجزيه و تحليل داده ها معرفي شده است. نسل اول روش هاي مدل سازي معادلات ساختاري روش هاي کوواريانس محور هستند که هدف اصلي اين روش ها تاييد مدل بوده و براي کار به نمونه هايي با حجم بالا نياز دارند. نرم افزارهاي LISREL، AMOS، EQS و MPLUS چهار عدد از پرکاربردترين نرم افزارهاي اين نسل هستند.
چند سال پس از معرفي روش کوواريانس محور، به دليل نقاط ضعفي که در اين روش وجود داشت، نسل دوم روش هاي معادلات ساختاري که مولفه محور بودند، معرفي شدند. روش هاي مولفه محور که بعدا به روش حداقل مربعات جزئي تغيير نام دادند، براي تحليل داده ها روش هاي متفاوتي نسبت به نسل اول ارائه دادند.
پس از معرفي روش حداقل مربعات جزئي، اين روش از علاقه مندان بسياري برخوردار شد و پژوهشگران متعددي تمايل به استفاده از اين روش پيدا کردند. مهمترين نرم افزار براي اين روش Smart PLS مي باشد.
دلايل استفاده از روش pls و SmartPls در پایان نامه ها
محققين دلايل متعددي را براي استفاده از روش پي ال اس (PLS) ذکر نموده اند. مهمترين دليل، برتري اين روش براي نمونه هاي کوچک ذکر شده است. دليل بعدي داده هاي غيرنرمال است که محققين و پژوهشگران در برخي پژوهش ها با آن سر و کار دارند در نهايت دليل آخر استفاده از روش پي ال اس (PLS)، روبرون شدن با مدل هاي اندازه گيري سازنده است.
دلايل استفاده از روش معادلات ساختاري پي ال اس (PLS – SEM) به شرح زير است:
حجم کم نمونه
داده هاي غير نرمال
مدلهاي اندازه گيري از نوع سازنده
قدرت پيش بيني مناسب
پيچيدگي مدل ( تعداد زياد سازه ها و شاخص ها)
تحقيق اکتشافي
توسعه تئوري و نظريه
استفاده از متغيرهاي طبقه بندي شده
بررسي همگرايي
آزمودن تئوري و فرضيه
آزمودن فرضيات شامل متغيرهاي تعديلگر
بهترين دليل استفاده از PLS
با توجه به موارد بالا، حجم نمونه اندک بهترين دليل استفاده از PLS است. روش هاي نسل اول مدل سازي معادلات ساختاري که با نرم افزارهايي نظير LISREL، EQS و AMOS اجرا مي شدند، نياز به تعداد نمونه زياد دارند، در حالي که PLS (پي ال اس) توان اجراي مدل با تعداد نمونه خيلي کم را دارا مي باشد.
حداقل مربعات جزئی
حداقل مربعات جزئی راهکاری برای آزمون فرضیه ها است و زمانی بکار میرود که حجم نمونه محدود باشد یا داده ها نرمال نباشند. بدون اینکه فرض هایی مانند فرضهای توزیع، و یا مقیاسهای اسمی، ترتیبی، و فاصلهای برای متغیرها، وجود داشته باشند، نتایج کار قابل استفاده میباشد. البته باید این نکته را نیز در ذهن داشت که حداقل مربعات جزئی هم همانند تمامی تکنیکهای آماری، نیازمند فرضهای خاصی است. مهمترین فرضیه، تشخیص “پیش بینی کننده” است. این الزام عنوان میکند که باید بخش سیستماتیک رگرسیون خطی را از روی انتظارات موقعیتی از متغیر وابسته تعریف کرد تا بتوان بر اساس رگرسیون نتیجه گیری کرد. با این حال، مشکل ثبات و پایداری در مقیاس بزرگ همچنان وجود دارد.
با توجه به مشکل سازگاری در نمونه های بزرگ، میتوان در مورد مناسب بودن حداقل مربعات جزئی دچار تردید شد و پرسید که چرا این تکنیک نمیتواند یکی از خصوصیت های کلیدی یک مدل آماری (پایداری برآوردکننده ) را تضمین کند. پاسخ این است که این رویکرد با اصول خودش وارد وضعیتهای مختلف میشود .هدف از مدلسازی معادلات ساختاری مبتنی بر کوواریانس ، تعیین ماتریس پارامترهای مدل Φ است که ماتریس کوواریانس پیش بینی شده توسط مدل نظری Σ(Φ)احتمال بسیار نزدیکی به ماتریس کوواریانس نمونه S دارد. برای این منظور باید تابع F(S, Σ) تعریف شود. وقتی S=Σ است، این تابع ارزش صفر را به خود اختصاص میدهد سایر موارد که ارزش تابع مثبت است، تفاوت بین Σ و S افزایش مییابد. با توجه به اینکه ماتریس کوواریانس نمونه، مبتنی بر احتمال شاخص اندازهگیری شده است، تابعی که بسیار در این خصوص استفاده می شود، تابع حداکثر کردن نرمال نظری است.
علت انجام تحلیل آماری با استفاده از SmartPLS
اصلی ترین دلایل استفاده از نرم افزار Smartpls به شرح زیر است :
1- حجم نمونه کم باشد.
2- داده ها نرمال نباشند.
در صورتی که حجم دیتاها زیاد و یا داده ها نرمال باشند نیز میتوان از این روش استفاده کرد.
ویژگی های تحلیل آماری با نرم افزار SmartPLS
1-روش معادلات ساختاری مبتنی بر واریانس بر پیش بینی عوامل تمرکز دارد.
2-روش معادلات ساختاری مبتنی بر واریانس برای اکتشاف تئوری کاربرد دارد.
3-با حجم نمونه کوچک نیز قابل انجام است.
4-برای مدل های انعکاسی و تکوینی کاربرد دارد.
5-از عوامل با یک گویه پشتیبانی می کند.
6-مشکلی برای برازش داده ای که دارای مقادیر گم شده است، ندارد.
7-از داده های دارای چند-همخطی پشتیبانی می کند.
جدول تفاوت نرم افزار SmartPLS و AMOS و Lisrel
Lisrel, Amos, Eqs, Mplus
SmartPLS, PLS Graph
تئوری
قوی
پیچیده
توزیع
نرمال چندمتغیره
ناپارامتریک
تعداد نمونه
بزرگ (حداقل 200 نمونه)
کوچک (بین 30-100)
تمرکز تحلیل
تایید روابط فرض شده در تئوری
پیش بینی و شناسایی روابط میان عوامل
تعداد نشان گرها در هر شاخص
به صورت ایده آل بیشتر از 4
یک یا بیشتر
نشانگرهای هر شاخص
در اصل انعکاسی
انعکاسی و تکوینی
نوع اندازه گیری
فاصله ای یا نسبتی
داده های رسته ای، نسبتی
مراحل تحلیل آماری با SmartPLS
رسم مدل و براورد ضرایب رگرسیون
اندازه گیری مقادیر آماره تی-استودنت و مقایسه آن با عدد 1.96
بررسی پایایی(آلفای کرونباخ و ضریب پایایی ترکیبی) مدل معادلات ساختاری
بررسی روایی همگرا مدل(شاخص AVE)
بررسی روایی افتراقی(شاخص فورنل-لارکر)
بررسی شاخص های نیکویی برازش مدل معادلات ساختاری
بررسی شاخص استون-گیسر جهت تایید تناسب پیش بین مدل معادلات ساختاری