برخی ویدئوهای آموزشی «اطمینان شرق»

برخی ویدئوهای این وب سایت را {در قالب لیست پخش ویدئو} می توانید همین جا ببینید:

• فیلم راهنمای نصب لیزرل
• فیلم راهنمای نصب ایموس
• ابتدای آموزش تحلیل عاملی تاییدی مرتبه اول
• ابتدای آموزش تحلیل عاملی تاییدی مرتبه دوم
• نحوه مشاوره تلفنی لیزرل و ایموس

راهنمای نصب لیزرل

راهنمای نصب لیزرل

راهنمای نصب لیزرل

راهنمای نصب لیزرل

راهنمای نصب لیزرل

روش معادلات ساختاری چیست؟

هنگامی که محقق بخواهد مدل خاصی را از لحاظ روابط بین متغیرهای تحت بررسی بیازماید، از روش معادلات ساختاری استفاده می کند. برای این منظور لازم است که ماتریس کواریانس متغیرهای اندازه گیری شده تحلیل شود. از جمله تحقیقاتی که در آنها ماتریس همبستگی یا کواریانس تحلیل می شود، تحلیل عاملی و مدل سازی معادلات ساختاری است.

امروزه مدل سازی معادلات ساختاری به عنوان یکی از روش های تجزیه و تحلیل اطلاعات در علوم اجتماعی، روانشناسی و همچنین علوم مدیریتی بسیار متداول و محبوب شده است. روشی که در آن از مجموعه ای از روشهای آماری استفاده شده و به پژوهشگر این امکان را می دهد که فرضیات و یا مدل نظری خود را با داده های واقعی تجزیه و تحلیل نماید.

تعریف مدل سازی معادلات ساختاری

مدل سازی معادلات ساختاری عبارتست از ارائه و بررسی مدل مفهومی با توجه به متغیرهای تحقیق.

اگر بخواهیم دقیق تر صحبت کنیم باید گفت؛

یکی از قوی ترین و مناسب ترین روشهای تجزیه و تحلیل در تحقیقات علوم رفتاری و علوم اجتماعی تجزیه و تحلیل چند متغیره است. تجزیه و تحلیل ساختارهای کواریانس یا مدل سازی علی یا مدل معادلات ساختاری یکی از اصلی ترین روش های تجزیه و تحلیل ساختارهای داده های پیچیده و چند متغیره است که ویژگی اصلی آنها، تجزیه و تحلیل همزمان چندین متغیر مستقل و وابسته است.

این روش مجموعه ای از روشهای آماری برای مدل سازی روابط بین متغیرهای مستقل و وابسته (مدل ساختاری) و متغیرهای پنهان و مشاهده پذیر (مدل اندازه گیری) می باشد که از روش های تجزیه و تحلیل عاملی، رگرسیون و یا تجزیه و تحلیل مسیر تشکیل شده است.

این روش امکان برقراری چندین رابطه را به صورت همزمان به محقق می دهد که از این رو به آن مدل رگرسیون چندگانه گفته می شود.

مدل سازی معادلات ساختاری موارد زیر را دنبال می کند:

1. مدل سازی روابط بین متغیرهای مستقل (برون زا) و وابسته (درون زا)
2. مدل سازی متغیرهای پنهان (مکنون)
3. مدل سازی خطاهای اندازه گیری متغیرهای مشاهده پذیر
4. آزمون فرضیات استنباط شده از ادبیات مورد بررسی به کمک داده های عینی (تجزیه و تحلیل مسیر)

قابل ذکر است روش پیش فرض نرم افزار لیزرل در مدل یابی معادلات ساختاری، روش بیشینه احتمال (Maximum Likelihood) می باشد.

تاریخچه مدل یابی معادلات ساختاری

هر چند مدل یابی معادلات ساختاری فقط در ۳۰  یا ۴۰ سال اخیر شکل برجسته ای برای تحلیل داده ها یافته است، اما مفهوم آن برای نخستین بار نزدیک به ۸۰ سال پیش زیست شناس معروف سووال رایت در دانشگاه شیکاگو معرفی کرد. او نشان داد که روابط خطی بین متغیرهای مشاهده شده را می توان به شکل نمودار مسیر و ضرایب مسیر همراه آن نمایش داد.

رایت توانست از طریق ترسیم ردیابی علی و مسیرهای همراه آن در نمودار، رابطه ساختاری خطی بین متغیرها را بر پایه قواعد بسیار ساده به دست آورد. رایت این روش را در ابتدا برای محاسبه همبستگی مورد انتظار بین ویژگی های مشاهده شده اشخاص مورد نظر درباره فرضیه وراثت ماندل و بعد از آن برای انواع کلی تر روابط میان اشخاص مورد استفاده قرار داد.

شکل جدید تحلیل خطی ساختاری علاوه بر نمایش نمودار مسیر شامل فرمول بندی جبری مدل نیز هست. این دو شکل معادل یکدیگرند و اجرای تحلیل در برنامه LISREL  به کاربر امکان می دهد بر پایه هر کدام از این دو نوع نمایش، مدل مورد نظر را در رایانه انتخاب کند.

رویکرد تحلیل مسیر موقعی عالی است که تعداد متغیرهای درگیر با رابطه مورد نظر در حد متوسط باشد، اما وقتی تعداد متغیرها زیاد باشد این نمودار پیچیده و پر زحمت می شود. در این صورت، نوشتن روابط به صورت نمادی راحت تر خواهد بود. دستور العمل SIMPLIS  در نرم افزار LISREL  معرف مثال هایی برای هر دو نوع نمایش است و انطباق و مشابهت بین مسیرها و معادلات ساختاری را روشن می سازد.

بررسی روش های ریاضی و آماری مورد نیاز برای مطالعه روایی سازه ها و اندازه گیری نفوذ آنها، به توسعه روشی به نام تحلیل عاملی منجر شد. شکل جدید آن تا حد بسیار زیادی مدیون کارهای ترومن کلی و ال.ال.ترستون است که تحلیل تک عاملی اسپیرمن را به تحلیل کاملا عمومی چند عاملی تبدیل کردند. کارل جارزکاگ نیر اخیرا تحلیل عاملی تاییدی را به شکل اکتشافی آن افزوده است. این دو شکل برای مقاصد مختلفی به کار می رود. تحلیل عاملی اکتشافی یک روش رسمی اکتشاف است و فرد را قادر می سازد که روابط بین متغیرهایی را که هرگز در داده های اصلی یا حتی در همبستگی های بین متغیرها آشکار نیست مشاهده کند.