انجام تجزیه و تحلیل آماری فصل چهارم پایان نامه با smart pls

تجزیه تحلیل آماری پرسشنامه در فصل چهارم پایان نامه و تحلیل آماری مقاله و پروژه با استفاده از نرم افزار smart pls

جزییات ادامه مطلب

ادامه مطلب

انجام تجزیه و تحلیل فصل چهارم پایان نامه با smartpls

مدل سازی معادلات ساختاری با مد نظر قرار دادن حداقل مربعات جزئی (PLS-SEM) اولین بار توسط ولد (Wold) به سال 1974 بیان می شود، سپس لمولر (Lohmoller) بدان می پردازد و به سال 1989 روش توسعه یافته تری از آن را مطرح می کند. مدل سازی معادلات ساختاری با مد نظر قرار دادن حداقل مربعات جزئی (PLS-SEM) نسل دوم مدل سازی معادلات ساختاری می باشد و در مقایسه با روشهای نسل گذشته که کواریانس محور (Covariance Based) بودند برتریهای زیادی به این شرح دارد. توان آزمون صحیح آماری با حجم نمونه کم، یا با داده های غیر نرمال، اجرای مدل های اندازه گیری از نوع سازنده، توان و قدرت پیش بینی برتر نسبت به نسل گذشته، توان اجرای مدل های هر چه پیچیده تر، تحقیق اکتشافی، توسعه تئوری و نظریه، آزمودن تئوری و فرضیه، آزمودن فرضیات شامل متغییرهای تعدیل گر، استفاده از متغیرهای طبقه بندی شده، بررسی همگرایی. دیگر برتری مهم، امکان استفاده از مدل های اندازه گیری با یک شاخص (سوال) می باشد.که این روش به محقق این امکان را می دهد که بتواند در مدل تحقیقی خود از مدل های اندازه گیری با یک سوال هم استفاده کند.

نسل اول مدل سازی معادلات ساختاری (Covariance-based SEM techniques)

این روش ها - روش های کواریانس - توسط جورسگوک (Joreskog) به سال 1969معرفی می شوند که مقصود اصلی آن تایید مدل بود، و برای این کار به نمونه هایی با حجم بالا نیاز داشت. به تخمین ضرایب مسیر و بارهای عاملی با استفاده از به حداقل رساندن تفاوت بین ماتریس های واریانس – کواریانس مشاهده شده و پیش بینی شده می پرداخت. پرکاربردترین رویکرد محاسبه ضرایب در نسل اول، رویکرد تخمین حداکثر احتمال بود که نیاز به داده های مربوط به متغیرهای مشاهده شده یا سوالات پرسشنامه داشت که این متغیرها حتما می بایست از توزیع نرمال پیروی می کردند. و معروف ترین نرافزارهای این گروه (Amos,EQS,Lisrel) می باشند.

نسل دوم روش های مدل سازی معادلات ساختاری (Component based SEM techniques)

روش های مولفه محور (Component based) که بعدا به روش حداقل مربعات جزئی (Partial Least Squares) تغییر نام داد، توسط ولد 1974 ابداع شد. روش پی ال اس (PLS) از دو مرحله اصلی تشکیل شده است: الف: بررسی برازش مدل های اندازه گیری، مدل ساختاری و مدل کلی ب: آزمودن روابط میان سازه ها. بررسی مقالات و پژوهش های انتشار یافته در دهه اخیر نشان از وسعت رو به رشد استفاده از پی ال اس (PLS) برای تجزیه و تحلیل آماری مقالات و پایان نامه ها و ... دارد. که از بین دلایل برشمرده بالا، مهمترین دلیل، برتری این روش برای نمونه های کوچک ذکر شده است دلیل بعدی مربوط به عدم مشکل غیر نرمال بودن داده ها است که محققین در برخی پژوهش ها با آن روبرو می شوند. در نهایت دلیل آخر استفاده از این روش، سروکار داشتن با مدل های اندازه گیری از نوع سازنده (Formative) است. در نسل اول مدل سازی معادلات ساختاری که با نرم افزارهایی چون (Amos,EQS,Lisrel) اجرا می شد، نیاز به تعداد نمونه زیاد بود. به طور نمونه بومسما و هوگلاند (Boomsma&hoogland(2001)) تعداد 200 به بالا را برای اجرای مدل های معادلات ساختاری توسط این نرم افزارها مناسب می دانند در حالی که پی ال اس (PLS) توان اجرای مدل با تعداد نمونه خیلی کمتر را داراست.

روش ارزیابی مدل

اولین عاملی که در ارزیابی مدل، باید مورد توجه قرار گیرد، تک بعدی بودن شاخص های مدل است. بدین معنی که هر شاخص در مجموع شاخص ها، باید با یک مقدار بار عاملی بزرگ, تنها به یک متغیر نهفته، بارگذاری گردد. بدین منظور باید مقدار بار عاملی بزرگتر از 0/60 باشد. لازم به ذکر است که مقدار بار عاملی کوچکتر از 0/40 کوچک محسوب شده و باید از مجموعه شاخص ها خذف گردد. این امر به صورت دستی با حذف شاخص هایی که دارای بار عاملی کمتر از 0/40 می باشند، انجام می شود (گیفن و استراب ، 2005، گربیک و اندرسون ، 1988).

مقدار ضریب آلفای کرونباخ (Cronbach alpha (CA))

عامل دیگر در ارزیابی قابلیت اطمینان سازگاری درونی (Internal consistency reliability) مدل، مقدار این ضریب، از 0 تا 10 متغیر است که مقادیر بالاتر از 0/70 پذیرفته و مقادیر کمتر از 0/60 نامطلوب ارزیابی می گردد (کرونباخ ، 1951).

مقدار ضریب قابلیت اطمینان ساختاری (Composit Reliability (CR))

عامل دیگر که در ارزیابی قابلیت اطمینان سازگاری درونی مدل. مقدار این ضریب نیز، از 0 تا 1 متغیر است که مقادیر بالاتر از 0/70 پذیرفته شده بوده و مقادیر کمتر از 0/60 نامطلوب ارزیابی می گردد (ورتز و همکاران، 1974) علاوه بر این، جهت حصول اطمینان از قابلیت اطمینان شاخص (Indicator Reliability) ، کلیه بارهای عاملی شاخص ها باید بزرگتر از مقدار 0/70 بوده و حداقل در سطح 0/05 معنی دار باشند (چین ، 1988). بدین منظور باید از خروجی تحلیل Bootstrapping و آماره T موجود در خروجی گزارش مربوطه استفاده نمود.

اعتبار همگرایی

همبستگی زیاد شاخص های یک سازه در قیاس با همبستگی شاخص های سازه های دیگر را بیان می کند که در مدل باید ارزیابی شود. به منظور ارزیابی اعتبار همگرایی در نرم افزار Smart pls از AVE (Average variance extracted) استفاده می شود. مقدار این ضریب نیز، از 0 تا 1 متغیر است که مقادیر بالاتر از 0/50 پذیرفته شده است (فرونل و لارکر ، 1981).

اعتبار تشخیصی

به منظور ارزیابی این نوع از اعتبار، از جدول Cross loading خروجی نرم افزار و همچنین معیار Fornell-Larcker (فرونل و لارکر، 1981) می توان استفاده نمود. روش استفاده از جدول Cross Loading به این صورت است که بزرگترین بار عاملی مربوط به هر کدام از شاخص ها باید مربوط به بعد یا متغیر نهفته مربوط به آن باشد و سایر بارهای عاملی مربوط به متغیرهای نهفته دیگر، باید از این مقدار کوچکتر باشند. به عنوان مثال، همانطور که در شکل زیر نمایش داده شده است، مقادیر بارهای عاملی متغیرهای ....و.....و..... به ترتیب برابر با 0/78، 0/67 و 0/63 می باشد که نسبت به سایر بارهای عاملی موجود در سطر مربوط به هر کدام از این متغیرها بزرگتر می باشند. برای افزایش یا کاهش دقت اعداد ارایه شده در گزارش نیز می توان از قابلیت Decrease Decimal places و Increase Decimal places استفاده نمایید. معیار Fornell-Larcker نیز اشاره به این مساله دارد که ریشه دوم مقادیر واریانس شرح داده شده (AVE) هر سازه، بزرگتر از مقادیر همبستگی آن سازه با سازه های دیگر باشد.بدین منظور، از بخش Latent variable correlations استفاده می نماییم. در این جدول، مقادیر همبستگی بین متغیرهای نهفته یا ابعاد موجود در مدل نمایش داده شده است. مشخص است که قطر اصلی این جدول، یک می باشد. به منظور ارزیابی معیار Fornell-Larcker لازم است تا این جدول را کپی نموده و به محیطی مثل اکسل انتقال دهیم. سپس، مقادیر موجود روی قطر اصلی ماتریس را با ریشه دوم مقادیر واریانس شرح داده شده AVE که در بالا گفته شد، جایگزین می نماییم، در نهایت به جدول زیر خواهیم رسید. همانطور که گفته شد، مقادیر موجود در روی قطر اصلی ماتریس، باید از کلیه مقادیر موجود در ستون مربوطه بزرگتر باشد.

روش ارزیابی مدل ساختاری

اولین معیار کلیدی که بدین منظور در نرم افزار SmartPLS مورد استفاده قرار می گیرد، ضریب تعیین R2 است. ضریب تعیین R2 ارتباط بین مقدار واریانس شرح داده شده یک متغیر نهفته را با مقدار کل واریانس آن سنجش می نماید. مقدار این ضریب نیز از 0 تا 1 متغیر است که مقادیر بزرگتر، مطلوب تر است. چین (1988)، مقادیر نزدیک به 0/67 را مطلوب، نزدیک به 0/33 را معمولی و نزدیک به 0/190 را ضعیف ارزیابی می نماید .

ارزیابی مسیر بین متغیرهای نهفته در مدل

در این مرحله، محقق، باید علامت جبری ضریب، اندازه و سطح معنی داری آن را بررسی نماید. مسیرهایی که علامت ضرایب آنها در خلاف جهت مورد انتظار فرضیه باشند، فرضیه مورد نظر را تایید نخواهند کرد. اندازه ضریب مسیر، نشان دهنده قدرت و قوت رابطه بین دو متغیر نهفته است. برخی محققین بر این باورند که ضریب مسیر بزرگتر از 0/100 یک میزان مشخصی از تاثیر در مدل را نشان می دهد (هابر و همکاران، 2007). ضرایب مسیر، از بخش Path Coefficient گزارش نرم افزار قابل مشاهده می باشد. علاوه بر این، ضرایب مسیر باید در سطح حداقل 0/05 معنی دار باشند که از طریق قابلیت bootstrapping روی گزینه (path coefficients (mean,stdev,t values

اندازه تاثیر

عامل دیگری که در ارزیابی اعتبار مدل مورد توجه است اندازه تاثیر (Effect size) یا F2 کوهن است (کوهن، 1988). اندازه تاثیر، به بیان این مساله می پردازد که آیا یک متغیر نهفته مستقل، تاثیر قابل توجهی روی یک متغیر وابسته دارد یا خیر. این مقدار از روی مقدار ضریب تعیین R2 محاسبه می شود.مقادیر F2 بین 0/02 تا 0/15 نشانگر تاثیر ضعیف، بین 0/15 تا 0/35 نشانگر تاثیر متوسط و بزرگتر از 0/35 بیانگر تاثیر زیاد متغیر مستقل روی متغیر وابسته می باشد ( کوهن، 1988؛ گیفن و همکاران، 2000). لازم به ذکر است که با توجه به محدودیت نرم افزار در محاسبه F2 ، این پارامتر، باید توسط محقق، به صورت دستی برای تک تک مسیرهای ارتباطی بین متغیرهای نهفته محاسبه شود.

قابلیت پیش بینی مدل با استفاده از آزمون ناپرامتری استون گیسر

در نهایت، قابلیت پیش بینی مدل با استفاده از آزمون ناپرامتری استون گیسر (گیسر ، 1975) قابل ارزیابی است، این آزمون، با استفاده از قابلیت blindfolding قابل انجام است (تنهاوس و همکاران، 2005). روش تحلیل در Blindfolding به این صورت است که با فرض نظام مند و سیستماتیک اینکه تعدادی از داده ها در نمونه از دست رفته اند، پارامترهای مدل محاسبه شده و جهت پیش بینی موارد حذف شده مورد استفاده قرار می گیرد. Q2 میزان موفقیت این پیش بینی را ارزیابی می نماید. Q2 مثبت و بزرگ، نشان از قابلیت پیش بینی بالای مدل دارد.

منابع

حنفی زاده، پیام و زارع رواسان، احد (1391)، روش تحلیل ساختارهای چند سطحی با استفاده از نرم افزار smart pls ، انتشارات ترمه، تهران.

آذر، ع. (1381). تحلیل مسیر و علت یابی در علم مدیریت. مجله مجتمع آموزش عالی قم، 4 (15)، 59-96.

آذر، عادل و همکاران (1391). مدل سازی مسیری – ساختاری در مدیریت: کاربرد نرم افزار smart pls، تهران، انتشارات نگاه دانش.

داوری، علی و رضازاده، آرش (1393)، مدل سازی معادلات ساختاری با نرم افزار PLS ، انتشارات جهاد دانشگاهی، تهران

سایت اصلی نرم افزار Smart pls (http://www.smartpls.de/)

تجزیه و تحلیل پایان نامه با استفاده از نرم افزار اسمارت پی ال اس

اگر در تحلیل آماری با نرم افزار Smart pls تسلط یا زمان کافی ندارید، آن را به آماریست بسپارید.

تحویل سریع و تعهد رفع اشکال و حمایت تا چاپ پایان نامه

  (09182017691)

محمد اسکندری

لینک دانلود نرم افزار smart pls از سایت مادر

 32bit

64bit