وبلاگ

بارهای عاملی که بزرگتر از +-۰٫۵ باشند بسیار معنی دار تلقی می­شوند.
نتایج مریوط به تحلیل عاملی و سطح معنی­دار بودن روابط بین متغیرها در فصل بعد به صورت کامل تشریح شده است.
مدل یابی معادلات ساختاری^[۱۰۵]
لیزرل یا مدل یابی معادلات ساختاری (SEM)یک تکنیک تحلیل چند متغیری بسیار کلی و نیرومند از خانواده رگرسیون چند متغیری و به بیان دقیق تر بسط “مدل خطی کلی”^[۱۰۶] است. که به پژوهشگر امکان می دهد مجموعه ای از معادلات رگرسیون را به گونه هم زمان مورد آزمون قرار دهد. مدل یابی معادله ساختاری یک رویکرد جامع برای آزمون فرضیه هایی درباره روابط متغیرهای مشاهده شده و مکنون است که گاه تحلیل ساختاری کوواریانس، مدل یابی علّی و گاه نیز لیزرل^[۱۰۷] نامیده شده است اما اصطلاح غالب در این روزها، مدل یابی معادله ساختاری یا به گونه خلاصه SEM است.(هومن ۱۳۸۴،۱۱)

از نظر آذر (۱۳۸۱) نیز یکی از قوی ترین و مناسب ترین روش های تجزیه و تحلیل در تحقیقات علوم رفتاری و اجتماعی، تجزیه و تحلیل چند متغیره است زیرا این گونه موضوعات چند متغیره بوده و نمی توان آن‏ها را با شیوه دو متغیری (که هر بار یک متغیر مستقل با یک متغیر وابسته در نظر گرفته می‏شود) حل نمود.
اندیشه اساسی زیربنای مدل یابی ساختاری
یکی از مفاهیم اساسی که در آمار کاربردی در سطح متوسط وجود دارد اثر انتقال­های جمع پذیر و ضرب پذیر در فهرستی از اعداد است یعنی اگر هر یک از اعداد یک فهرست در مقدار ثابت K ضرب شود میانگین اعداد در همان K ضرب می‏شود و به این ترتیب ، انحراف معیار استاندارد در مقدار قدر مطلق K ضرب خواهد شد. نکته این است که اگر مجموعه ای از اعداد x با مجموعه دیگری از اعداد y از طریق معادله y=4Xمرتبط باشند در این صورت واریانس y باید ۱۶ برابر واریانس x باشد و بنابراین از طریق مقایسه واریانس های x و y می­توانید به گونه غیر مستقیم این فرضیه را که y و x از طریق معادلهY=4X با هم مرتبط هستند را بیازمایید. این اندیشه از طریق تعدادی معادلات خطی از راه های مختلف به چندین متغیر مرتبط با هم تعمیم داده می­ شود. هرچند قواعد آن پیچیده­تر و محاسبات دشوارتر می­ شود، اما پیام کلی ثابت می­ماند. یعنی با بررسی واریانس­ها و کوواریانس­های متغیرها می­توانید این فرضیه را که “متغیرها از طریق مجموعه ­ای از روابط خطی با هم مرتبط­اند” را بیازمایید(هومن، ۱۳۹۰).
توسعه مدل های علّی
توسعه مدل­های علّی متغیرهای مکنون معرف همگرایی سنتهای پژوهشی نسبتا مستقل در روان سنجی، اقتصادسنجی، زیست شناسی و بسیاری از روش­های قبلا آشناست که آن‏ها را به شکل چهارچوبی وسیع در می­آورد. مفاهیم متغیرهای مکنون^[۱۰۸] (در مقابل متغیرهای مشاهده شده^[۱۰۹]) و خطا در متغیرها، تاریخی طولانی دارد. در اقتصادسنجی آثار جهت­دار هم­زمان چند متغیر بر متغیرهای دیگر، تحت برچسب مدل­های معادله هم­زمان بسیار مورد مطالعه قرار گرفته است. در روان سنجی به عنوان تحلیل عاملی و تئوری اعتبار توسعه یافته و شالوده اساسی بسیاری از پژوهش­های اندازه ­گیری در روانسنجی می­باشد. در زیست­شناسی، یک سنت مشابه همواره با مدل­های معادلات هم­زمان (گاه با متغیرهای مکنون) در زمینه نمایش و طرح برآورده در تحلیل مسیر سر و کار دارد.
موارد کاربرد روش لیزرل
روش لیزرل ضمن آنکه ضرایب مجهول مجموعه معادلات ساختاری خطی را برآورد می­ کند برای برازش مدل­هایی که شامل متغیرهای مکنون، خطاهای اندازه ­گیری در هر یک از متغیرهای وابسته و مستقل، علیت دو سویه، هم زمانی و وابستگی متقابل می­باشد طرح ریزی گردیده است. اما این روش را می توان به عنوان موارد خاصی برای روش­های تحلیل عاملی تاییدی، تحلیل رگرسیون چند متغیری، تحلیل مسیر، مدلهای اقتصادی خاص داده ­های وابسته به زمان، مدل­های برگشت پذیر و برگشت ناپذیر برای داده ­های مقطعی/ طولی، مدل­های ساختاری کوواریانس و تحلیل چند نمونه ­ای (مانند آزمون فرضیه ­های برابری ماتریس کوواریانس­های، برابری ماتریس همبستگی­ها، برابری معادلات و ساختارهای عاملی و غیره) نیز به کار برد(هومن ، ۱۳۹۰).
نرم افزار لیزرل
لیزرل یک محصول نرم‏افزاری است که به منظور برآورد و آزمون مدلهای معادلات ساختاری طراحی و از سوی “شرکت بین المللی نرم افزار علمی" ^[۱۱۰] به بازار عرضه شده است. این نرم افزار با بهره گرفتن از همبستگی و کوواریانس اندازه گیری شده، می تواند مقادیر بارهای عاملی، واریانسها و خطاهای متغیرهای مکنون را برآورد یا استنباط کند و از آن می توان برای اجرای تحلیل عاملی اکتشافی، تحلیل عاملی مرتبه دوم، تحلیل عاملی تاییدی و همچنین تحلیل مسیر (مدل یابی علت و معلولی با متغیرهای مکنون) استفاده کرد.
تحلیل عاملی اکتشافی و تاییدی
تحلیل عاملی می تواند دو صورت اکتشافی و تاییدی داشته باشد. اینکه کدام یک از این دو روش باید در تحلیل عاملی به کار رود مبتنی بر هدف تحلیل داده هاست. در تحلیل عاملی اکتشافی ^[۱۱۱] پژوهشگر به دنبال بررسی­داده های تجربی به منظور کشف و شناسایی شاخص ­ها و نیز روابط بین آن‏هاست و این کار را بدون تحمیل هر گونه مدل معینی انجام می­دهد. به بیان دیگر تحلیل اکتشافی علاوه بر آنکه ارزش تجسسی یا پیشنهادی دارد می ­تواند ساختارساز، مدل ساز یا فرضیه ساز باشد.
همچنین اغلب برای کشف و اندازه ­گیری منابع مکنون پراش و همپراش در اندازه گیری­های مشاهده شده به کار می­رود. پژوهشگران به این واقعیت پی­برده­اند که تحلیل عاملی اکتشافی می ­تواند در مراحل اولیه تجربه یا پرورش تست­ها کاملا مفید باشد. توانش­های ذهنی نخستین ترستون ، ساختار هوش گیلفورد نمونه های خوبی برای این مطلب می باشد. اما هر چه دانش بیشتری درباره طبیعت اندازه گیری­های روانی و اجتماعی به دست آید ممکن است کمتر به عنوان یک ابزار مفید به کار رود و حتی ممکن است بازدارنده نیز باشد.
از سوی دیگر بیشتر مطالعات ممکن است تا حدی هم اکتشافی و هم تاییدی باشند زیرا شامل متغیر معلوم و تعدادی متغیر مجهول­اند. متغیرهای معلوم را باید با دقت زیادی انتخاب کرد تا حتی الامکان درباره متغیرهای نامعلومی که استخراج می­ شود اطلاعات بیشتری فراهم آید. مطلوب آن است که فرضیه­ای که از طریق روش­های تحلیل اکتشافی تدوین می­ شود از طریق قرار گرفتن در معرض روش­های آماری دقیق­تر تایید یا رد شود. تحلیل اکتشافی نیازمند نمونه­هایی با حجم بسیار زیاد می باشد.
در تحلیل عاملی تاییدی^[۱۱۲] ، پژوهشگر به دنبال تهیه مدلی است که فرض می­ شود داده ­های تجربی را بر پایه چند پارامتر نسبتا اندک، توصیف تبیین یا توجیه می­ کند. این مدل مبتنی بر اطلاعات پیش تجربی درباره ساختار داده­هاست که می ­تواند به شکل: ۱) یک تئوری یا فرضیه ۲) یک طرح طبقه بندی کننده معین برای گویه ­ها یا پاره تست­ها در انطباق با ویژگی­های عینی شکل و محتوا ، ۳)شرایط معلوم تجربی و یا ۴) دانش حاصل از مطالعات قبلی درباره داده ­های وسیع باشد.
تمایز مهم روش­های تحلیل اکتشافی و تاییدی در این است که روش اکتشافی با صرفه ترین روش تبیین واریانس مشترک زیربنایی یک ماتریس همبستگی را مشخص می­ کند. در حالی که روش­های تاییدی (آزمون فرضیه) تعیین می­ کنند که داد­ه­ها با یک ساختار عاملی معین (که در فرضیه آمده) هماهنگ­اند یا نه(هومن، ۱۳۹۰).
آزمون های برازندگی مدل کلی
با آنکه انواع گوناگون آزمون ها که به گونه کلی شاخص های برازندگی^[۱۱۳] نامیده می­شوند پیوسته در حال مقایسه، توسعه و تکامل می­باشند اما هنوز درباره حتی یک آزمون بهینه نیز توافق همگانی وجود ندارد. نتیجه آن است که مقاله­ های مختلف، شاخص­ های مختلفی را ارائه کرده ­اند و حتی نگارش­های مشهور برنامه ­های SEM مانند نرم افزارهای LISREL, Amos, EQS نیز تعداد زیادی از شاخص­ های برازندگی به دست می دهند.(هومن،۱۳۹۰ ،۲۳۵) این شاخص ها به شیوه های مختلفی طبقه بندی شده ­اند که یکی از عمده ترین آن‏ها طبقه بندی به صورت مطلق، نسبی و تعدیل یافته می­باشد. برخی از این شاخص ­ها عبارتند از:
شاخص های GFI وAGFI
شاخص ^[۱۱۴]GFI مقدار نسبی واریانس ها و کوواریانس ها را به گونه مشترک از طریق مدل ارزیابی می­ کند. دامنه تغییرات GFI بین صفر و یک می­باشد. مقدار GFI باید برابر یا بزرگتر از ۰٫۹ باشد.
شاخص برازندگی دیگر^[۱۱۵]AGFI یا همان مقدار تعدیل یافته شاخص GFI برای درجه آزادی می­باشد. این مشخصه معادل با کاربرد میانگین مجذورات به جای مجموع مجذورات در صورت و مخرج (۱ GFI) است. مقدار این شاخص نیز بین صفر و یک می­باشد. شاخص­ های GFI و AGFI را که جارزکاگ و سوربوم (۱۹۸۹) پیشنهاد کرده ­اند بستگی به حجم نمونه ندارد.
شاخص RMSEA
این شاخص, ریشه میانگین مجذورات تقریب می­باشد. شاخص RMSEA ^[۱۱۶]برای مدل های خوب برابر ۰.۰۵ یا کمتر است. مدل­هایی که RMSEA آن‏ها ۰.۱ و بالاتر باشد برازش ضعیفی دارند.
مجذور کای
آزمون مجذور کای (خی دو) این فرضیه را مدل مورد نظر هماهنگ با الگوی همپراشی بین متغیرهای مشاهده شده است را می­آزماید، کمیت خی دو بسیار به حجم نمونه وابسته می­باشد و نمونه بزرگ کمیت خی دو را بیش از آنچه که بتوان آن را به غلط بودن مدل نسبت داد, افزایش می­دهد. (هومن.۱۳۹۰٫ ۴۲۲).
شاخصNFI وCFI
شاخصNFI (که شاخص بنتلر بونت هم نامیده می­ شود) برای مقادیر بالای ۹۰/۰ قابل قبول و نشانه برازندگی مدل است. شاخص CFIبزرگتر از ۹۰/۰ قابل قبول و نشانه برازندگی مدل است. این شاخص از طریق مقایسه یک مدل به اصطلاح مستقل که در آن بین متغیرها هیچ رابطه­ای نیست با مدل پیشنهادی مورد نظر، مقدار بهبود را نیز می­آزماید. شاخص CFIاز لحاظ معنا مانند NFI است با این تفاوت که برای حجم گروه نمونه جریمه می­دهد.
شاخص­ های دیگری نیز در خروجی نرم افزار لیزرل دیده می شوند که برخی مثلAIC, CAIC ECVA , برای تعیین برازنده ترین مدل از میان چند مدل مورد توجه قرار می­گیرند برای مثال مدلی که دارای کوچکترین AIC,CAIC,ECVA باشد برازنده تر است.(هومن۱۳۹۰،۲۴۴ ۲۳۵) برخی از شاخص ها نیز به شدت وابسته حجم نمونه­اند و در حجم نمونه­های بالا می­توانند معنا داشته باشند.
تجزیه وتحلیل داده ها
مقدمه
بعد از گردآوری اطلاعات از نمونه معرف جامعه، قدم بعدی تحلیل داده­هاست، به طوری که بتوان فرضیه ­های پژوهش را مورد آزمون قرار داد. در عین حال، قبل از انجام این کار، ضروری است برخی از مراحل مقدماتی طی شود. این مراحل، به آماده کردن داده ­ها برای تحلیل کمک کرده و از اینکه داده ­های جمع شده به صورت معقولی مناسب هستند و تفسیر آن‏ها به نحو صحیحی درست است، اطمینان ایجاد می­ کند.
پس از اینکه داده ­های مربوط به پژوهش از طریق منابع کتابخآن‏های و بررسی میدانی جمع­آوری شدند (در این پژوهش پرسشنامه از طریق منابع کتابخآن‏های استخراج و داده‌ها طی عملیات میدانی در یک دوره ۳ ماهه جمع‌ آوری شدند) . نوبت به تحلیل داده ­های موجود برای بررسی فرضیه‌ها تحقیق می­رسد.
لازم به ذکر است که انتخاب حجم نمونه از طریق روش تصادفی ساده انجام پذیرفته و تعداد پرسش شوندگان برای این پایان نامه ۳۹۰ نفر در شرکت‏های نرم­افزاری در سطح تهران می­باشند.
تعیین پایایی یا قابلیت اطمینان و روایی پرسشنامه:
پایایی یک سنجه، ثبات و هماهنگی منطقی پاسخ­ها در ابزار اندازه ­گیری را نشان می­دهد و به ارزیابی درستی و خوب بودن یک سنجه کمک می­ کند.
“توانایی” یک سنجه برای حفظ ثبات در طی زمان (علی­رغم شرایط غیرقابل کنترل آزمون و وضعیت پاسخ دهندگان) شاخصی از ثبات و آسیب پذیری کم آن در برابر تغییرات است. این توانایی نشان دهنده مناسب بودن ابزار اندازه ­گیری است زیرا هر زمان که اندازه ­گیری صورت گیرد نتایج یکسان حاصل می­ شود.
با توجه به مشورت انجام شده با افراد اهل فن به این نتیجه رسیده شد که به تعداد ۳۰ پرسشنامه به ازای ۳۰ نفر از جامعه آماری این پرسش­نامه­ ها ارسال و جمع­آوری گردند.
در این پژوهش با توجه به استفاده از ۲ نرم­افزار مختلف که۱۸ IBM SPSS وLISREL 8.8 می­باشند پایایی به صورت پایایی آلفای کرون­باخ محاسبه می­شوند.
در جداول زیر مقدار پایایی بر اساس آلفای کرون­باخ از طریق نرم­افزار SPSS آمده است.