E11a

 

۰٫۴۹

 

 

 

E6c

 

۰٫۳۸

 

 

 

E8c

 

۰٫۳۶

 

 

 

E7b

 

۰٫۳۴

 

 

 

روش تحلیل داده ها
به منظور تحلیل داده ها (اطلاعات) و آزمون فرضیه های پژوهش، از روش مدل یابی معادلات ساختاری استفاده شده است.
مدل یابی معادله ساختاری، یک تکنیک تحلیلی چند متغیری بسیار کلی و نیرومند از خانواده رگرسیون چند متغیری و به بیان دقیق تر، بسط مدل خطی کلّی است که به پژوهشگر امکان می‌دهد مجموعه ای از معادلات رگرسیون را به صورت هم زمان، مورد آزمون قرار دهد. مدل یابی معادله ساختاری، یک رویکرد آماری جامع برای آزمون فرضیه هایی درباره روابط بین متغیرهای مشاهده شده و مکنون است، که گاه تحلیل ساختاری کوواریانس، مدل یابی علّی و گاه نیز لیزرل نامیده می شود؛ اما اصطلاح غالب در این روزها، مدل یابی معادله ساختاری یا به گونه خاص SEM[197]1 است. نرم افزار لیزرل به عنوان یکی از پیشرفتهای روش شناختی نوید بخش در علوم اجتماعی و علوم رفتاری ،می تواند مدلهای سنتی را مورد آزمون قرار دهد و در عین حال امکان بررسی روابط و مدلهای پیچیده تری مانند تحلیل عاملی تأییدی و تحلیل سریهای زمانی را نیز فراهم کرده، و کاربرد داده های همبستگی، آزمایشی و غیر آزمایشی را برای تعیین میزان موجه بودن مدلهای نظری در یک جامعه خاص امکان پذیر سازد.
 تصویر درباره جامعه شناسی و علوم اجتماعی
به سبب آنکه بسیاری از مسائل تاریخی، منطقی و فلسفی تاکنون حل نشده باقی مانده است، آزمون پیوند های علّی بین متغیر ها و اندیشه توانا بودن آماری برای تحقق یک مدل علّی نیز، تا حد زیادی با اصطلاح مدل ساختاری جانشین شده است. این مطلب، متضمن توصیف روابط کمابیش ثابت بین شرایط یا واقعیتهای اجتماعی مرتبط با یکدیگر است،که می توان آن را آشکار کرده، از طریق روش های آماری مورد آزمایش قرار داد(هومن، ۱۳۸۴).
دانلود تحقیق و پایان نامه
این روش آمیزه ای از رگرسیون، تحلیل مسیر و تحلیل عاملی تأییدی است. در این روش، دو گروه متغیر وجود دارد: متغیر نهفته یا مکنون و متغیرهای مشاهده شده یا آشکار. متغیر نهفته مستقیماً قابل مشاهده نبوده ، از طریق متغیرهای مشاهده شده سنجیده می شود. متغیرهای مشاهده شده، سنجه هایی هستند که از طریق آن ها، متغیر های نهفته اندازه گیری یا سنجیده می شوند. متغیر های فوق به دو گروه برونزا و درونزا نیز تقسیم می شوند، که متغیر های برونزا و درونزا در این روش به ترتیب معادل متغیرهای مستقل و وابسته در پژوهش های آزمایشی و غیر آزمایشی هستند.
با بهره گیری از روش معادلات ساختاری، می توان همزمان دو مدل ساختای و اندازه گیری را بررسی نمود. مدل اندازه گیری یا قسمت تحلیل عاملی تأییدی، مشخص می کند که چگونه متغیرهای نهفته یا سازه های فرضی در قالب تعدادی متغیر قابل مشاهده، اندازه گیری شده اند. قسمت مدل ساختاری یا تابع ساختاری، روابط علّی بین متغیرهای نهفته را مشخص می سازد.
به عبارت دیگر، الگوی اندازه گیری، سئوالات مربوط به روایی و پایایی متغیرهای مشاهده شده، و الگوی تابع ساختاری، سئوالات مربوط به قوت یا شدت روابط علّی بین متغیر های نهفته و مقدار واریانس تبیین شده در کل الگو را پاسخ می دهد.یک مدل ساختاری، به محقق اجازه می دهد تا خطای اندازه گیری، بارهای عاملی و پارامترهای ساختاری را به طور همزمان برآورد کند (قاضی طباطبایی، ۱۳۷۴).
یک مدل تابع ساختاری (لیزرل)، روابط بین متغیرهای نهفته در قالب متغیرهایی برونزا یا متغیر ξ (KSI) و متغیرهای درونزا یا متغیر η (ETA) را، از طریق بردارهایی که از متغیرهای ξ به طرف متغیرهای η کشیده می شود، مشخص می کند و شامل پارامترهای ذیل است:
ضرایب(BETA) β : نشان دهنده ی تأثیر متغیر های نهفته درونزا η (ETA) بر دیگر متغیرهای درونزای ‌الگو.
ضرایب(GAMMA) γ : نشان دهنده ی تأثیر متغیرهای نهفته برونزا ξ (KSI) بر متغیر های درونزای ‌الگو.
ضرایب(PHI) φ: نشان دهنده ی کوواریانس بین متغیرهای برونزا ξ (KSI)
ضرایب (PSI) ψیا (ZETA)ζ : نشان دهنده ی واریانس و کوواریانس خطاها در مدل ساختاری یا میزان واریانس تبیین نشده در مدل علّی است.
همچنین در یک مدل اندازه گیری، هر متغیر نهفته و متغیرهای مشاهده شده اندازه گیرنده آن ،در قالب بردارهایی که از متغیر نهفته به سوی هر یک از متغیرهای مشاهده شده کشیده می شود، مشخص می گردد و شامل پارامترهای ذیل است :
Υ: متغیرهای مشاهده شده و اندازه گیرنده ی متغیرهای نهفته درونزا η (ETA).
Χ : متغیرهای مشاهده شده و اندازه گیرنده ی متغیرهای نهفته برونزا ξ (KSI).
yλ (LAMBDA-Y): نشان دهنده ی بار عاملی یا بارگویه متغیرهای مشاهدهΥ.
xλ (LAMBDA-X): نشان دهنده بار عاملی یا بارگویه متغیرهای مشاهده Χ .
εθ (THETA-EPSILON): نشان دهنده ی خطای اندازه گیری توأم با متغیرهای مشاهده شدهΥ.
δθ (THETA-DELTA): نشان دهنده ی خطای اندازه گیری توام با متغیرهای مشاهده شده Χ .
هر مسیر ترسیم شده در الگو، دارای پارامترهای غیر استاندارد، استاندارد شده، خطای اندازه‌گیری و مقدار t برای آزمون معناداری است. معمولاً مقادیر t مساوی یا بزرگتر از ۹۶/۱±، معنی دار تلقی می شود. برنامه لیزرل پس از برآورد این شاخص ها، قدرت برازش یک الگو با داده های مشاهده شده را با ارائه شاخص های نیکوئی برازش ارزیابی می کند(قاضی طباطبایی، ۱۳۷۴).
اهم شاخص های برازندگی مدل ها عبارتند از:
مجذور کای (۲X): وقتی حجم گروه نمونه برابر با ۷۵ تا ۲۰۰ باشد، مقدار مجذور کای، اندازه ای معقول برای برازندگی است؛ اما برای مدلهای با n بزرگتر، مجذور کای در بیشتر اوقات از لحاظ آماری معنادار است. علاوه بر این، مجذور کای تحت تأثیر مقدار همبستگی های موجود در مدل نیزاست؛ هر چه این همبستگی ها زیادتر باشد، برازش ضعیف تر است(هومن، ۱۳۸۴). به همین دلیل برای برازش مدلها، اندازه های دیگری توسعه یافته است.
نسبت: در موارد معنادار شدن اندازه ی ‍ مجذور کای، درجه ی آزادی به عنوان اندازه هایی که می‌توان بر اساس آن بزرگی یا کوچکی۲X را سنجید، مطرح می شود. هر چند این شاخص ، فاقد یک معیار ثابت برای یک الگوی قابل قبول است، اما اندازه های کوچکتر از دو، اغلب به عنوان شاخصی مطلوب برای نیکویی برازش در نظر گرفته می شود. با این حال، افرادی مانند مارش، بالا، مک دونالد (۱۹۸۸، نقل از کالر، ۲۰۰۱) و مولر(۱۹۹۶، نقل از فان و واکر، ۲۰۰۰) مقادیر تا پنج برابر درجه آزادی را به عنوان شاخص نیکویی برازش پذیرفته اند(کمالی، ۱۳۸۴).

دیدگاهتان را بنویسید

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