اشتراک مبانی نظری و عملی مدل‏یابی علی (کاربرد نرم افزار LISREL در علوم تربیتی و روان‏شناسی)

بستن

پیشنهاد شگفت انگیـــــز 15.4% تخفیف

مبانی نظری و عملی مدل‏یابی علی (کاربرد نرم افزار LISREL در علوم تربیتی و روان‏شناسی)

No English Name Available
میانگین امتیاز کاربران : 0 / از 5
  • ارسال با پیک و یا پست
  • قیمت : 33,000تومان39,000تومان
توضیحات کوتاه

مبانی نظری و عملی مدل‏یابی علی (کاربرد نرم افزار LISREL در علوم تربیتی و روان‏شناسی)

امروزه علم آمار، به عنوان ابزاری کاربردی در خدمت تولید دانش در سایر رشته ها قرار گرفته و از حالت انحصاری که تنها اختصاص به متخصص علم آمار داشته باشد، خارج شده است و پژوهشگران رشته های مختلف به فراخور حال خود از آمار بهره می گیرند. یکی از کاربردهای آمار در پژوهش های علوم رفتاری، تحلیل مدل های علی است. مدل علی را می توان ترکیبی از تحلیل عاملی و رگرسیون چند متغیری تلقی کرد. در دهه های گذشته برای مدل های علی آزمونها برازندگی متعددی تدوین و توسعه یافته است. اما متاسفانه یادگیری تحلیل مدلهای علی و همچنین استفاده از آن دشوار است. این دشواری بدان سبب است که خوانندگان باید تاحدی با مفاهیم ریاضی و آماری آشنایی داشته باشند. بنابراین به خوانندگان محترم پیشنهاد می شود که قبل از مطالعه کتابهای مربوط به مدل سازی، با مفاهیم ریاضی و آماری آشنا شوند. تحلیل ساختارهای چند متغیری جدید (مدلهای علی) با تحلیل های آماری گذشته تفاوت دارند. کار عمده آمار کلاسیک مثلا تحلیل واریانس، سنجش این مطلب بود که آیا تفاوت میانگین های مشاهده شده از نظر آماری معنی دار است یا خیر. اما در مدل های علی، بر اساس پیشینه پژوهش یا نظریه، مدلی تدوین می شود و در آن مدل، روابط و اثرهای متغیرها با یکدیگر سنجیده می شود و ساختار کلی روابط به طور همزمان در بوته آزمون قرار می گیرد. مطالب فراوانی در زمینه مدل های علی وجود دارد اما در این کتاب سعی شده است که گزینش مطالب با توجه به ضرورت و اهمیت بعضی از تحلیل آماری صورت گیرد علاوه بر این در سراسر کتاب همواره بر نگرش کاربردی بودن مطالب و مثالها تاکید شده است بنابراین مثالهای مطرح شده در کتاب اقتباس از پژوهش طالبی(1391)[1] است در عین حال منابع متعددی برای آشنایی بیشتر علاقه مندان در پایان هر فصل ذکر شده است. اگرچه مطالب مطرح شده به صورت ساده در این کتاب مورد بحث قرار گرفته اما فرض نویسندگان بر این بوده است که خوانندگان حداقل پیش زمینه ای در مباحث همبستگی، رگرسیون و فرض آزمایی دارند لیکن برای مبتدیان نیز توضیح نسبتا مفصلی درباره همبستگی و رگرسیون ارائه نموده ایم که می تواند زمینه لازم را برای درک مطالب کتاب فراهم آورد. همچنین این اثر می تواند مورد استفاده پژوهشگران و دانشجویان سایر رشته ها قرار گیرد. [1]. طالبی(1391) در پژوهشی تحت عنوان ارائه مدل علی نقش متغیرهای روانشناختی در استفاده واقعی از فناوری اطلاعات و ارتباطات با تاكید بر مدل دیویس به بررسی متغیرهای موثر در میزان استفاده از فناوری اطلاعات پرداخته است.  

توضیحات

مقدمه

روشهای آماری در همه علوم به عنوان وسیله‏ای برای آزمون، تحلیل و تفسیر فرضیه ها است. این روشها و فنون در واقع مبنایی برای استنباط و استقرا بوده و قابل تکرار و تایید در پژوهش‏های علمی به شمار می‏روند. امروزه آمار از یکسو اصول و روش جمع آوری، مرتب کردن، خلاصه کردن و نمایش دادن اطلاعات اولیه و از سوی دیگر به کمک روشهای آماری، می توان به تجزیه و تحلیل رابطه، تفاوت یا تاثیر متغیرهای مطرح شده در سوالها یا فرضیه های پژوهش پرداخت و نتایج را مورد بحث قرار داد در فصل اول به کلیاتی از کتاب اشاره شده است تا خوانندگان کتاب بتوانند تصوری جامع از آنچه قرار است در کتاب مطالعه نمایند، به دست آورند.

تحقیق همبستگی

تحقیق همبستگی[۱] زیر مجموعه تحقیقات توصیفی (غیر آزمایشی) است و با این هدف انجام می‌شود که رابطه بین متغیرها [۲]را نشان دهد. تحقیق همبستگی بر اساس هدف تحقیق به سه دسته کلی تقسیم می‌شود.

دسته اول مربوط به تحقیقاتی است که به بررسی همبستگی بین متغیرها می پردازد، بدین معنی که محقق می‌خواهد رابطه متغیرهای موجود را بررسی کند این نوع رابطه مورد توجه خاص محققین و پژوهشگران است. بین دو متغیر ممکن است همبستگی مستقیم مثبت یا همبستگی مستقیم منفی و یا اصلا همبستگی وجود نداشته باشد. دو متغیر زمانی دارای همبستگی مثبت است که وقتی که مقدار یکی از متغیر‏ها ازدیاد پیدا کند، دیگری هم روندی در جهت ازدیاد به طور یکنواخت و مشابه با تغییرات متغیر اول را نشان می‏دهد. دو متغیر را در حالت کلی غیر همبسته می‏گویند که وقتی یکی از آنها تغییر کند در دیگری هیچگونه تغییری مشاهده نگردد و بالاخره دو متغیر را همبسته منفی می‏گویند که وقتی یکی از آنها تغییر کند مثلا ازدیاد پیدا کند تغییر متغیر دیگری در جهت عکس تغییر اولی باشد مثلا تنزیل یابد (زارع، طالبی و صیف، ۱۳۹۶).

دسته دوم تحقیقات مربوط به تحلیل رگرسیون[۳] را شامل می‌شود که هدف آن پیش بینی تغییرات متغیر ملاک با توجه به متغیرهای پیش بین است. در تحلیل هایی از نوع رگرسیون متغیرهای پیش بینی را می‌توان به سه روش همزمان[۴]، گام به گام [۵] و سلسله مراتبی وارد تحلیل کرد.

روش همزمان

رایج ترین نوع رگرسیون چند متغیری، رگرسیون همزمان[۶] نامیده می شود. در این روش، محقق مجموعه ای از متغیرهای پیش بینی کننده را مشخص می سازد در این روش، تمام متغیرهای پیش بین به طور هم زمان وارد تحلیل می شوند البته به دلیل ورود همزمان متغیرها، ممکن است بعضی از آنها معنا دار نباشند (مهرعلی زاده و چینی پرداز، ۱۳۸۴).

روش گام به گام

در روش گام به گام اولین متغیر پیش بین بر اساس بالاترین ضریب همبستگی صفرمرتبه با متغیر ملاک وارد تحلیل می‌شود. از آن پس سایر متغیرها پیش بین بر حسب ضریب همبستگی نیمه تفکیکی[۷] یا تفکیکی[۸] در تحلیل وارد می‌شود. در این روش پس از ورود هر متغیر جدید ضریب همبستگی نیمه تفکیکی یا تفکیکی، تمام متغیرهایی که قبلا در معادله وارد شده اند به عنوان آخرین متغیر ورودی مورد بازبینی قرار می‌گیرد و چنانچه با ورود متغیر جدید معنی داری خود را از دست داده باشد، از معادله خارج می‌شود. به طور کلی در روش گام به گام ترتیب ورود متغیرها در دست محقق نیست در رگرسیون گام به گام نباید این نکته را فراموش کرد که متغیری که در اول پیش بینی کننده خوبی است، ممکن است در گامهای بعدی حذف شود (کرلینجر و پدهازر، ترجمه سرایی، ۱۳۹۴).

روش سلسله مراتبی

در روش سلسله مراتبی ترتیب ورود متغیرها به تحلیل بر اساس یک چارچوب نظری یا تجربی مورد نظر محقق صورت می‌گیرد. به عبارت دیگر پژوهشگر شخصا درباره ترتیب ورود متغیرها به تحلیل تصمیم گیری می‌کند. این تصمیم گیری در خصوص تقدم و تاخر ورود متغیرها بر اساس رابطه متغیرها در تحقیقات پیشین یا رابطه علت و معلولی و قبل از شروع تحلیل اتخاذ می‌شود (سرمد، بازرگان و حجازی، ۱۳۹۶).

تحلیل رگرسیون را می توان به مواردی که در آن متغیر وابسته با مقیاس اسمی اندازه گیری شده، تعمیم داد. به عبارت دیگر در صورتی که متغیر وابسته اسمی باشد، با سه نوع رگرسیون متداول سروکار داریم:

تحلیل تشخیص[۹]

در این روش، تمام متغیرهای پیش بین کمی (فاصله ای یا نسبی) هستند. تحلیل تشخیص با این منظور آغاز می شود که بخواهیم دو یا چند گروه از افراد را که از لحاظ کیفی(مثلا جنسیت، شغل، رشته تحصیلی و. . . ) از یکدیگر متمایز هستند، از لحاظ آماری تفکیک کنیم.

رگرسیون لوجیستیک[۱۰]

در مواردی که متغیر وابسته دارای مقیاس اسمی و متغیرهای مستقل ترکیبی از مقیاس اسمی و مقیاس کمی (فاصله ای یا نسبی) باشد با رگرسیون لوجیستیک سرو کار داریم مثلا چنانکه بخواهیم موفقیت (با کد۱) و عدم موفقیت (با کد۲) را بر اساس متغیرهایی مانند جنسیت، سن و هوش پیش بینی کنیم باید از رگرسیون لوجیستیک را مورد استفاده قرار دهیم. زیرا متغیر وابسته متغیری اسمی (موفقیت و عدم موفقیت) و متغیر مستقل ترکیبی از متغیرهای اسمی(جنسیت) وکمی (سن و هوش) است.

تحلیل لگاریتم خطی[۱۱]

در مواردی که تمام متغیرهای مدل در مقیاس اسمی اندازه گیری شده و داده ها به صورت فراوانی باشد، روش متداول برای پی بردن به رابطه بین دو متغیر اسمی، استفاده از آزمون مجذور کای() است اما هرگاه تعداد متغیرهای اسمی بیش از دو متغیر باشد، در چنین مواردی از مدل لگاریتم خطی استفاده می شود. لازم به ذکر است که مدل لگاریتم خطی اساسا یک مدل رگرسیون خطی چندگانه است (سرمد، بازرگان و حجازی، ۱۳۹۶).

دسته سوم مربوط به تحلیل ماتریس همبستگی[۱۲] و آزمودن روابط ساختاری مبتنی بر نظریه است که در این زمینه در سالهای اخیر به صورت منسجم، کوشش های بسیاری صورت گرفته است یکی از این کوشش های نوید بخش در این زمینه، تحلیل چند متغیری[۱۳] با متغیرهای مکنون است از این روش تحت عنوان مدل معادله ساختاری یاد شده است. با توجه به هدف تحقیق و تحلیل هایی که روی این ماتریس صورت می گیرد، روش های آماری متفاوتی ارائه شده است. در اینجا سه نوع تحلیل که روی ماتریس همبستگی صورت می گیرد یعنی تحلیل عاملی، تحلیل مسیر و مدل معادلات ساختاری تشریح می شود. هر یک از این سه دسته تحقیق روش آماری خود را برای تجزیه و تحلیل لازم دارد که برخی از این روشها به دلیل پیچیدگی توسط کامپیوتر انجام می‌شود.

تحلیل عاملی

ماتریس همبستگی از نوع تحلیل عاملی[۱۴] با هدف تبیین تغییرات متغیرها در عامل های محدودتر یا تعیین خصیصه‌های زیر بنایی یک مجموعه از داده‌ها انجام می‌شود. این روش بر دو نوع تحلیل عاملی اکتشافی[۱۵] و تحلیل عاملی تاییدی[۱۶] صورت می گیرد.

اگر تحلیل عاملی را به عنوان راه چاره‌ای برای پی‌بردن به کمترین تعداد عامل هایی که می‌توانند کوواریانس مشاهده شده را توضیح دهند و نیز به عنوان ابزاری برای کشف بیشترین میزان ممکن از کاهش داده‌ها بکار بگیریم؛ این نحوه از بکارگیری تحلیل عاملی، شکل اکتشافی آن است و چنانکه تحلیل عاملی به صورت وسیله‌ای برای تأیید یک فرضیه معین و مشخص مورد استفاده قرار گیرد. آن گاه این شیوه را تحلیل عاملی تأییدی می‌نامند یعنی هدف این نوع از تحلیل عاملی بیشتر آزمون نظریه یا سنجش اعتبار شاخص‌هاست (منصورفر، ۱۳۸۲). بنابراین تحلیل عاملی می تواند به دو شکل اکتشافی و تاییدی باشد و اینکه کدام یک از این دو شکل باید به کار رود، مبتنی بر هدف تحلیل داده هاست. تحلیل عاملی اکتشافی وقتی به کار می رود که پژوهشگر شواهد کافی قبلی و پیش تجربی برای تشکیل فرضیه درباره تعداد عامل های زیر بنایی داده ها نداشته باشد و بیشتر به عنوان یک روش تدوین و تولید تئوری است نه روش آزمودن تئوری. اما تحلیل عاملی تاییدی، تعیین می کند که آیا داده ها با یک ساختار معین هماهنگ است یا خیر. به عبارت دیگر، در تحلیل عاملی تاییدی هدف آزمودن تئوری است و پژوهشگر تحلیل خود را با فرضیه قبلی آغاز می کند (هومن، ۱۳۹۵: ۴۲۰).

مولائیک[۱۷] و همکارانش(۱۹۸۹) پیشنهاد کرده اند که تمام تحلیل های اکتشافی را باید به وسیله تحلیل عاملی تاییدی تکمیل کرد. بنابراین لازم نیست که کاربرد تحلیل عاملی را به کشف ابعاد زیربنایی داده‌ها محدود کنیم؛ بلکه این روش را بسته به اطلاعات پژوهشگر، می‌توان به عنوان ابزاری برای آزمون فرضیه‌های خاص مورد استفاده قرار داد.

تحلیل مسیر

تحلیل مسیر[۱۸]، شکلی از تحلیل رگرسیون است که برای آزمون فرضیه های پیچیده استفاده می شود. با استفاده از تحلیل مسیر می توان، اثر های مستقیم و غیر مستقیم بر متغیرهای مستقل و وابسته را محاسبه کرد. این اثرها که در اصطلاح ضرایب مسیر نامیده می شود، در عمل همان ضرایب رگرسیون استاندارد (Beta) هستند (کرلینجر،ترجمه پاشا شریفی و نجفی زند،۱۳۹۶). چنانکه از دیدگاه رگرسیون چند متغیری به تحلیل مسیر نگاه کنیم، تحلیل مسیر باید با مدل یابی پیش بینی کننده ارتباط داشته باشد نه با اصطلاح مدل یابی علی، زیرا ضرایب مسیر، همان وزن های بتای حاصل از معادله پیش بینی اند. اما تحلیل مسیر در قالب مدل یابی علی، حاصل ترکیب کردن نتیجه چند تحلیل پیش بینی است.

درحقیقیت تحلیل مسیر، تعیین یک ساختاری پیش تجربی است که همه متغیرهای مورد علاقه پژوهشگر را در بر می گیرد. در این فرایند ابتدا یک سلسله مراتب علی مطرح می شود که در آن برخی متغیرها ممکن است علت احتمالی متغیرهای دیگر باشد اما بطور قطع نمی تواند معلول آن باشد. به بیان دیگر، ترتیب متغیرها به گونه ای است که متغیری که در مرتبه بالای این سلسله مراتب قرار دارد، ممکن است علت متغیر مرتبه پایین تر آن باشد اما بعید است متغیر پایین تر علت متغیر بالاتر باشد. برای نمودار های مسیر، قواعدی وجود دارد که تضمین می کند هر نمودار معرف دقیق مدلی است که به گونه ای کامل واریانس و کوواریانس همه متغیرها اعم از آشکار و مکنون را توجیه می کند (هومن، ۱۳۹۵).

مدل معادلات ساختاری

از جمله تحلیل های همبستگی، تحلیل ماتریس کوواریانس[۱۹] یا ماتریس همبستگی[۲۰] است. ماتریس همبستگی از نوع معادلات ساختاری با هدف آزمودن مدل خاصی از رابطه بین متغیرها انجام می‌شود. در این مدل داده‌ها به صورت ماتریس همبستگی یا کواریانس در آمده و یک مجموعه معادلات رگرسیون بین متغیرها تدوین می‌شود.

مدل معادله ساختاری (SEM)[۲۱] برای آزمودن مدلهای پیچیده که در آنها یک یا تعداد بیشتری متغیرهای مستقل و یک یا تعداد بیشتری متغیرهای وابسته وجود دارند، استفاده می شود (تاباچنیک و فیدل[۲۲]، ۲۰۰۰). مدل معادله ساختاری را می توان ترکیبی از تحلیل عاملی[۲۳] و تحلیل رگرسیون چند متغیری تلقی کرد و مهمترین نقطه قوت آن در این است که با این روش می توان اثرهای متغیرهای مکنون[۲۴] را بر یکدیگر و بر متغیرهای مشاهده شده ارزیابی کرد (کرلینجر،ترجمه پاشا شریفی و نجفی زند،۱۳۹۶). همچنین در مدل معادلات ساختاری اثرهای مستقیم و غیرمستقیم متغیرها به منظور شناخت روابط علی مورد محاسبه قرار می‌گیرند.

حجم نمونه در مدل‏های علی

برآورد حجم نمونه یکی از مسایل مهمی است که محققان در برنامه‌ریزی تحقیق خود با آن مواجه هستند. قانون کلّی در این مورد، بزرگترین اندازه ممکن را تصویب می‌کند. بنابراین هرچه نمونه با حجم بزرگتری انتخاب شود شاخصهای آماری محاسبه شده برآورد دقیق‌تری از پارامترهای جامعه بدست خواهند داد. ولی در اکثر طرحهای تحقیقاتی محدودیتهای مالی، زمانی و نیروی انسانی موجب می‌شود که تعداد افراد مورد مطالعه محدود گردد (دلاور، ۱۳۹۶). کرجسی و مورگان برای خطای نمونه گیری ۰۵/۰ وسطح اطمینان ۹۵/۰ از فرمول زیر استفاده نموده اند:

فرض کنید چنانکه حجم جامعه آماری مورد مطالعه ۲۶۲ نفر باشند بنابراین بر اساس فرمول کرجسی و مورگان باید تعداد ۹۶ نفر باید به عنوان نمونه انتخاب شوند:

لازم به ذکر است که در فرمول فوق برآورد نسبت صفت متغیر با استفاده از مطالعات قبلی است و چنانکه مقدار در دسترس نباشد می توان مقدار آن را مساوی ۵/۰ اختیار کرد در این حالت مقدار واریانس به حداکثر خود یعنی۲۵/۰ می رسد (طالبی، ۱۳۸۴). چنانچه تعداد نمونه (n) به دست آمده از فرمول بالا نسبت به حجم جامعه (N) کوچک باشد (۵/۰≥) حجم نمونه محاسبه شده به عنوان نمونه نهایی مورد نظر قرار می گیرد، در غیر این صورت تعداد نمونه رامی نامند و نمونه را باید برای حجم نهایی تعدیل کنید

در این رابطهحجم نمونه است که باید تعدیل شود و تعداد نمونه اولیه ۹۶=n به دست آمده است و حجم جامعه ۲۶۲=n می باشد بنابراین کسر نمونه گیری برابر است با  از این رو با استفاده از فرمول بالا، می توان حجم نمونه را تعدیل کرد:

در رگرسیون چند متغیری توان و حداقل۲R مورد نظر و تعداد متغیرهای پیش بین(p)، حجم نمونه خاصی را می طلبد در جدول۱-۲ روابط عوامل مذکور برای p=3 و p=۶ نشان داده شده است:

جدول۱-۱: بررسی حجم نمونه بر اساس توان آزمون و۲R

تعداد متغیرهای مستقل(p)
P=3p=6
   توان

 

۲R 

۰۳/۰۰۵/۰۰۷/۰۰۹/۰۰۳/۰۰۵/۰۰۷/۰۰۹/۰
۱۰/۰۳۴۵۶۸۳۱۳۲۴۷۷۴۱۰۷۱۶۹
۳۰/۰۱۱۱۷۲۵۳۷۱۷۲۴۳۳۴۸
۵۰/۰۷۱۰۱۳۱۸۱۱۱۴۱۸۲۴

همانطور که ملاحضه می کنید با افزایش تعداد متغیرها، حجم نمونه برای توان آزمون و ۲R افزایش می یابد. بر عکس با افزایش ۲R برای توان آزمون وp ثابت کاهش می یابد. در واقع رابطه ثابتی بین حجم نمونه و تعداد متغیرها وجود ندارد با دو برابر شدن تعداد متغیرها، حجم نمونه لزوما نباید دو برابر شود اگرچه یک قانون معروف ساده برای حجم نمونه این است که تعداد نمونه باید حداقل ۱۰برابر تعداد متغیرها باشد. از نظر دارلینگتون[۲۵] این قانون برای پیش بینی تا حدی قابل قبول است، ولی برای مدلهای علی هرچه نمونه بزرگتر باشد، بهتر است (سرمد، بازرگان و حجازی، ۱۳۹۶).

در زمان انجام تحلیل علی نیز حجم نمونه باید از سوی محققان مدنظر قرار گیرد در نوشته های مختلف برای تحقیقات علی، با ۱۰ تا ۱۵ شاخص، به طور متداول حجم نمونه ۲۰۰ تا ۴۰۰ مورد پیشنهاد شده است. لوهلین[۲۶]، حداقل۱۰۰ مورد و ترجیحا۲۰۰ مورد را توصیه می کند چنانکه حجم نمونه با بیش از ۱۰ متغیر، کمتر از۲۰۰ نفر باشد، موجب عدم حصول همگرایی، به دست آمدن جوابهای نامناسب و یا برآورد ناپایدار پارامتر می شود. همچنین بنتلر و چو[۲۷]، پنج مورد را برای هر پارامتر نه برای هر متغیر اندازه گیری شده توصیه کرده اند(هومن، ۱۳۹۵).

برای انجام تحلیل عاملی، برخی حجم نمونه مورد قبول را حداقل ۱۰۰ نفر و برخی ۲۰۰ نفر را پیشنهاد کرده اند، اما هرچه حجم نمونه بیشتر باشد، احتمال لینکه عامل زیر بنایی متغیرهای اندازه گیری شده آشکار شود بیشتر است و بنابراین تعداد دویست نفری به عنوان حداقل نمونه معقول است (بریس، کمپ و سلنگار، ترجمه علی آبادی و صمدی، ۱۳۹۳).

در مورد حجم نمونه باید به دو نکته توجه کرد:

  1. حجم نمونه باید از تعداد متغیرها بیشتر باشد. کلاین(۱۹۹۴، ترجمه صدرالسادات و مینایی،۱۳۹۳) حداقل نسبت را دو به یک بیان می کند اما هر چه این نسبت بزرگتر باشد، بهتر است.
  2. حجم نمونه باید بیشتر از عامل های استخراج شده باشد. کلاین حداقل نسبت بیست به یک را پیشنهاد می کند به طور کلی هر چه نمونه کوچکتر باشد، خطای معیار و همبستگی بزرگتر خواهد بود و به همین دلیل در تحلیل عاملی نیز خطای بیشتری راه خواهد یافت. نمونه های کمتر از صد گاه منتهی به نتایج گمراه کننده ای می شوند کلاین(۱۹۹۴، ترجمه صدرالسادات و مینایی،۱۳۹۳).

نرم افزارهای مربوط به مدل علی

در میان نرم افزارهای مختلف آماری، تعدادی از این نرم افزارها در مبحث مدل های علی، بیش از سایرین کاربرد دارد و مورد استفاده قرار می گیرند. در این نوشتار به معرفی و مقایسه اجمالی این نرم افزارها به نقل از قاسمی(۱۳۹۲) پرداخته می شود.

LISREL[۲۸] اولین نرم افزاری است که به منظور مدل سازی در مبحث معادلات ساختاری طراحی و مورد استفاده قرار گرفته است. این نرم افزار توسط کارل جورسکاگ و وان تیلو ساخته شده است. نگارش سوم این برنامه که در ابتدا از زبان برنامه نویسی ماتریسی با نشانه گذاری یونانی بهره می برد در سال ۱۹۷۶ برای اولین بار در اختیار عموم قرار گرفت. نرم افزار LISREL از سه قسمت تشکیل شده است و علاوه بر LISREL شامل SIMPLIS و PRELIS نیز می باشد. SIMPLIS در واقع تلاشی بوده است تا توانایی های LISREL برای برنامه نویسی را به زبان ساده تر برگرداند به نحوی که پژوهشگرانی که آشنایی چندانی با نمادگذاری ماتریسی و یونانی ندارند نیز بتوانند از امکانات این نرم افزار بهره مند شوند. PRELIS نیز عمدتا شامل مواردی است که قبل از پرداختن به مدل سازی و آزمون مدل ها باید به آن پرداخته شود. مواردی نظیر نرمال بودن توزیع داده ها، شناسایی داده های پرت یا دورافتاده و داده های گمشده(بدون پاسخ).

این نرم افزار امکان ذخیره خروجی ها به اشکال مختلف از جمله ماتریس های مختلف را داراست. PRELIS امکان انجام تحلیل های رگرسیونی مختلف نظیر رگرسیون با داده های سانسور شده، رگرسیون پروبیت و رگرسیون لجستیک را فراهم آورده است.

علاوه براین در این نرم افزار امکان فراخوانی داده ها در قالب های مختلف و بررسی اولیه داده ها با استفاده از شاخص های گرایش مرکزی و پراکندگی در قالب جداول و نمودارهای مختلف فراهم آمده است. همچنین امکان جایگزینی داده های گمشده براساس روش های مختلف در این نرم افزار تدارک دیده شده است.

از دهه ۱۹۸۰ نرم افزارهای دیگری نیز توسط افراد و شرکت های مختلف طراحی و در اختیار کاربران قرار گرفت. از جمله این نرم افزارها می توان به Amos[۲۹]، EQS، Mplus، [۳۰]PLS، Statistica و Mx اشاره کرد.

نرم افزار آماری Mx توسط مایک نیل طراحی شده است قابلیت های مختلفی در رابطه با مدل سازی داشته و در نگارش های جدید توانایی های گرافیکی مطلوبی را نیز کسب کرده است. این نرم افزار به خوبی می تواند بخشی از مدل را به عنوان مدل فرعی اتخاذ کرده و ضمن انجام محاسبات برای مدل اصلی، مدل های فرعی را نیز به آزمون گذاشته و آنها را با یکدیگر مقایسه نماید. این نرم افزار همچنین قابلیت کار با داده های رتبه ای، انجام خودگردان سازی و محاسبه برآوردهای خودگردان را نیز دارا می باشد.

EQS نیز به عنوان یکی از نرم افزارهای قدرتمند در عرصه مدل سازی شناخته شده است و مانند  Amos، LISREL و Mplus این نرم افزار نیز می تواند دستورالعمل های متنی را اجرا نماید و هم می تواند مدل تدوین شده در قالب شکل را به عنوان وروی بخواند و آن را اجراکند. این نرم افزار علاوه بر مدل سازی معادله ساختاری توان انجام آزمون های آماری معمول نظیر آزمون T، تحلیل واریانس، همبستگی، رگرسیون و تحلیل عاملی را دارد. همچنین امکان وارسی داده ها از طریق جدول فراوانی تک متغیره و چند متغیره را فراهم آورده است. اجرای آزمون ناپارامتری مختلف مانند ضرایب رتبه ای اسپیرمن و کندال، آزمون علامت، تحلیل واریانس کروسکال والیس، آزمون دو نمونه ای کالموگرف-اسمیرنف و. . . از دیگر توانایی های EQS می باشد

Mplus به عنوان یکی دیگر از برنامه های موفق در عرصه مدل سازی شناخته می شود که دارای انعطاف پذیری بالایی در تحلیل داده ها است. موتن و موتن [۳۱](۲۰۰۷) به عنوان طراحان اصلی این برنامه توضیح می دهند که Mplus امکان تحلیل داده های مقطعی و طولی، داده های تک سطحی و چندسطحی را فراهم آورده است. همچنین امکان کار بر روی متغیرهای مشاهده شده پیوسته، سانسورشده، دو مقوله ای، مقوله ای رتبه ای، مقوله ای اسمی و یا ترکیبی از آنها وجود دارد. این برنامه همچنین توانایی گسترده ای در استفاده از شبیه سازی مونت کارلو دارد که در موارد مختلف از جمله روش های بیزی برای برآورد پارامترها کاربرد دارد.

نرم افزار AMOS در برگیرنده برنامه ای است که با استفاده از آن می‌توان مدل‌های گرافیکی را به وسیله ابزارهای طراحی ساده به سرعت مشخص، بررسی و تغییرداد. واژه AMOS خلاصه شده عبارت «تحلیل ساختارهای گشتاور» می‌باشد. تحلیل ساختارهای گشتاور یک روش کلی است که برای تحلیل داده ها به کار رفته و به عنوان «مدل معادله ساختاری (SEM)[۳۲]» شناخته می‌شود. این رویکرد تحت عناوین «تحلیل ساختارهای هم پراکنش» یا «مدل سازی گشتاورها» نیز مطرح می‌باشد. این رویکرد در موارد خاص، از بسیاری تکنیک های شناخته شده متعارف و مرسوم از جمله مدل خطی کلی و تحلیل عاملی مشترک بهره می گیرد. AMOS در ابتدا با هدف یاری رساندن جهت آموزش مدل سازی معادله ساختاری طراحی شد برنامه AMOS در اصل به عنوان وسیله ای برای آموزش این روش موثر و اساساً ساده (مدل معادلات ساختاری) طراحی شد. به همین دلیل تقریبا هیچ پیش فرضی در مدل ترسیم شده وجود ندارد و همه چیز باید توسط کاربر تعریف شود. AMOS روش های بیشینه درست‌نمایی[۳۳]، حداقل مجذور غیر وزنی[۳۴]، حداقل مجذور تعمیم یافته[۳۵]، معیار مجانب نابسته به توزیع براون[۳۶]، حداقل مجذور نابسته به مقیاس[۳۷] را برای برآورد مدل های معادلات ساختاری ارایه می کند.

AMOS در مواجه با داده‌های از دست رفته[۳۸] به جای اتکا به روش های بی پایه و اساس مانند حذف از فهرست و یا حذف جفتی یا اسناد میانگین، از طریق حداکثر احتمال، پیشرفته ترین روش های ارزیابی را به کار می برد. در این برنامه می توان چندین مدل را در یک تحلیل واحد گنجاند. برخی مدل ها دوتایی هستند که در آنها یکی از مدل ها از طریق اعمال محدودیت بر پارامترهای مدل دیگر به دست آمده است، در اینگونه موارد، AMOS هر دو مدل را بررسی می کند. این برنامه برای چنین مدل هایی، چندین روش آماری مناسب را ارایه می کند. این برنامه می تواند داده های مربوط به چندین جامعه آماری را به طور همزمان تحلیل کند(آربوکلی ترجمه طالبی و همکاران، ۱۳۸۹).

نرم افزارهای PLS (نظیر Smart PLS، Warp PLS، Visual PLS، PLS Graphing ) که بعدا به روش حداقل مجذورات جزئی (PLS) تغییر نام داد روش نسبتا جدیدی از معادلات ساختاری رگرسیونی است که هم برای رگرسیون تک متغیری و هم چند متغیری با چند متغیر ملاک کاربرد دارد. باید به این نکته توجه داشت که نرم افزارهای روش مدل یابی معادله ساختاری نظیر LISREL، AMOS وEQS، نیاز به بررسی مفروضه های نرمال بودن و استقلال مشاهده ها از یکدیگر دارد اما PLS نیاز به حجم نمونه بزرگ ندارد و برای مقابله با مشکلات داده های خاص مانند حجم اندک داده ها (نمونه های کوچک)، وجود داده های گمشده[۳۹](بدون پاسخ)، تحلیل داده های غیر نرمال و چندگانگی خطی[۴۰] طراحی شده است نباید فراموش کرد که بر خلاف روش PLS، روش کمترین مجذورات متداول (OLS) [۴۱]در مقابل حجم اندک داده ها، وجود داده های گمشده و چندگانگی خطی متغیرهای مستقل مقاوم نبوده و نتایج بی ثباتی را ایجاد می کند (سیدعباس زاده، امانی، هین خضری، و پاشوی، ۱۳۹۳).

[۱] Correlation

[۲] Variables

[۳] Regression Analysis

[۴] Enter

[۵] Stepwise

[۶] Enter

[۷] Semi-partial correlation

[۸] Partial correlation

[۹] Discriminant Analysis

[۱۰] Logistic Regression

[۱۱] Log-Linear Analysis

[۱۲] Correlation Matrix Analysis

[۱۳] Multivariate Analysis

[۱۴] Factor Analysis

[۱۵] Exploratory factor analysis

[۱۶] Confirmatory factor analysis

[۱۷] Mulaik

[۱۸] Path Analysis

[۱۹] Covariance Matrix

[۲۰] Correlation Matrix

[۲۱] Structual Equational Modeling

[۲۲] Tabachnick and Fidell

[۲۳] Factor analysis

[۲۴] Latent variable

[۲۵] Darlington

[۲۶] Loehlin

[۲۷] Bentler and Chou

[۲۸] linear structural relations

[۲۹] Analysis of moment structures

[۳۰] Partial Least Squares

[۳۱] Muthén and Muthén

[۳۲]. structural equation modeling

[۳۳] -maximum likelihood

[۳۴]. Unweighted least squares

[۳۵]. GeneraliScale- free least squareszed least squares

[۳۶]. Browne’s asymptotically distribution- free criterion

[۳۷]. Scale- free least squares

[۳۸] – missing data

[۳۹] Missing value

[۴۰] چندگانگی خطی وضعیت نامطلوبی است که در آن همبستگی بین متغیرهای پیش بین(مستقل) زیاد است به منظور بررسی مساله چند گانگی خطی در نرم افزار SPSS از دو آماره رواداری یا تحمل(Tolerance) و عامل تورم واریانس(Variance Inflation Factor) استفاده  می شود. در برونداد نرم افزار SPSS اگر میزان رواداری نزدیک به یک و میزان عامل تورم و اریانس کمتر از دو باشد پدیده چند گانگی خطی بین متغیرهای مستقل وجود ندارد.

[۴۱] Ordinal Least Squares

نقد و بررسی‌ها

هیچ دیدگاهی برای این محصول نوشته نشده است.

اولین کسی باشید که دیدگاهی می نویسد “مبانی نظری و عملی مدل‏یابی علی (کاربرد نرم افزار LISREL در علوم تربیتی و روان‏شناسی)”

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

امتیازات کاربران

میانگین امتیازات کاربران به ویژگی های محصول
0 امتیاز 5 ستاره
0 امتیاز 4 ستاره
0 امتیاز 3 ستاره
0 امتیاز 2 ستاره
0 امتیاز 1 ستاره

پرسش و پاسخ

برای ارسال پرسش یا پاسخ باید در سایت وارد شوید. ورود به حساب کاربری
لطفا متن پرسش/پاسخ خود را وارد کنید

اطلاعات فروشنده

  • فروشنده: admingk
  • هنوز امتیازی دریافت نکرده است.