تحلیل مسیر

صفحه 1:
4. تحليل مسير ‎(path analysis)‏ 

صفحه 2:
کلیاتی از تحلیل مسیر 1 سوال رایت: ذٍن شناس در سال 1921 براي اولین بالط آن رابه کار برد . | تحلیل مسیر روشي است براي مطالعه تاثیرات مستقیم و غیر مستقیم متغيرهايي که علت د ر نظر گرفته ۲۳۲ شوند بر متغيرهابي كه معلول در نظر كرفته مي شولا فهم تحليل مسير مهم است : 1- بسياري از مطالعه ها از تحليل مسير استفاده كرده اند 2-اصول تحليل مسير در مدل معادلات ساختاري (:5)كاربرد دارد . 

صفحه 3:
کلیاتی از تحلیل مسیر تحلیل مسسیر ‎a‏ عنوان كاربردي از رگرسیون چند گانه معرفي شد . تواند روابطي را که فرضیه سازي شده پیچیده بین متغیرها را ارزيابي کند . اصطلاح پر کاربرد تحلیل مسیر مدل يابي است . 

صفحه 4:


صفحه 5:
علیت در روش پژوهشی و تحلیل آماری ‏ . Cal) ‏است.‎ مب توان داده ها را بدون توجه به چگونگي روش جمع آوري آنها مورد 

صفحه 6:
رايت : 7 "روش ضريبهاي مسیر به منظور انجام دادن این وظیفه ممتنع که روابط علي را از ارزش ‎sh‏ ضریب هاي همبستگي بیرون بکشد بوجود نیامده است . بلکه ‎٠‏ منظور از اين روش ترکیب اطلاعات کمي ماخوذ از ضریب هاي همبستگي با اطلاعات كيفي موجود درباره روابط علي به صورتي است که يك تفسیر کمي حاصل شود. تعتن هدفت: تحلیل:هسیر آزمودنتتظریه است ند ایجاد:آن: يس تحليل علي جایگزین رویکرد آزمايشي نیست اما از آنجا كه همبستكي ريشه در عليت دارد داده هاي همبستگي اطلاعات غني هستند كه مي توانند منجر به طرح ريزي مدل شوند. 

صفحه 7:
‎Jot yo‏ تحلیل مسیر ‎٠‏ ترسیم روابط متغیرها به شکل يك نمودار ‎٠‏ نشان دادن نيرومندي فرضیه سازي شده و جهت اثر فرض شده هريك از متفیرها روي یکدیگر در هر يك از مسیر ها ‏9 اجراي تحليل مسير براي دستيابي به ضرايب مشير براي هر مسير ‏* مقايسه ضرایب مسیر بدست آمده با نيرومندي و جهت مسيرهاي فرضي ‏* ارزيابي میزان برازش مدل علي با داده ها بر پایه نتایج تحلیل 

صفحه 8:
مفاهیم مورد استفاده در تحلیل مسیر نمودار درون داد( ه‌ودنه ادود) : از پیش براي کمك به تحلیل رسم مي شود و بانر پيوندهاي علي پیش بيتي شده از سوي نمودار برون داد (هبوه‌نه ادماده) 2 آنچه را که واقعا در نتیجه تحلیل آماري بدست 

صفحه 9:
مفاهیم مورد استفاده در تحلیل مسیر © متغير درونز اد (ءامةاءة وسهمعوههمع) : 3 - متغيرهايي كه توسط متغيرهاي ديكر تبيين مي شوند. - از ‎Joi‏ پیکان هايي که به سمت آنان رفته است , - متغیر وابسته در تحلیل هستند. برخي از متغيرهاي درون زاد مي توانند منبع پیکان ها باشند.در نتيجه مي توان برخي از اين متغير ها را در ساير تحليل ركرسيون ها به عنوان متغير مستقل در نظر كرفت . 

صفحه 10:
مفاهیم مور د استفاده در تحلیل مسیر #متغیر برون 5 ‎:(exogenous variable) al‏ = - متغيري که توسط سایر متغيرهاي موجود در مدل ۰ - در مدل توضیح داده نمي شوند (معلوم فرض مي شوند ). - هیچ پيكاني به سمت آنها نمي رود . - متغیر مستقل در تحلیل است . 

صفحه 11:


صفحه 12:
انواع روابط بين متغیرها در نمودار مسیر ‎(direct effect) exfimno il‏ : بیانگر آن است كه «علت ۷ و یا ۷اعلت (است. ۷ (indirect effect) pxdimno pS il YY. X. 2 ‏“او‎ yw alall):(unanalyzed effect) oni Silos JJ ‏/وقتي تحلیل نشده است که هر دوي آنها مستقل‎ ‏بوده و تبين علي براي انها از سوي مدل امكانيذير‎ . ‏نيست و يك ييكان منحني دو سويه معرف ان است‎ 

صفحه 13:
انواع روابط بین متغیرها در نمودار مسیر ‎nile‏ كاذب يا جعلي ‎(spurious effect)‏ : زماني ‏بين دو متغير ايجاد مي شود كه هر دو يك دليل داشته باشند و در نمودار مسیر , مسير إن بر خلاف جهت فلش ها حركت في أكند, . 

صفحه 14:
مفروضه های تحلیل مسیر (رگرسیون چندگانه و برازش مدل) #ارتباط بين متغيرها در مدل خطي و علي است .هر دو رويكرد *خطاهاي مربوط به متغیر هاي درونزاد با برونزاد / همبستگي ندارند . خطاها مستقل از یکدیگرند و از توزیع نرمال پيروي مي کنند.هر دو رویکرد *تنها يك جريان علي يك ‎ably‏ در مدل وجود دارد . چنین مدلي با زگشتي (۵۷۵) نام دارد . مربوط به رگراسیون چندگانه . در برازش مدل؛ يك جریان علي دو گلنه مجاز 

صفحه 15:
مفروضه های تحلیل مسیر(رگرسیون چندگانه و برازش مدل) 1 ‏ها بر حسب مقیاس فاصله اي اندازه‎ iat e ‏مي شوند. هر دو رویکرد‎ *متغیرها بدون ‎lbs‏ اندازه گيري مي شوند . دو رویکرد 

صفحه 16:
اندازه های گم شده در تحلیل مسیر ركرسيون : تحليل هاي مختلف در مورد كروههاي واحدي انجام كيرد . برازش مدل : همزمان روي همه موردها صورت مي گیرد و تنها به يك تحلیل نیاز است . هر اندازه تفاوت شرکت کنندگان در تحلیل هاي رگرسیون بیشتر باشد مقایسه ضرایب دشوار تر است زیرا ممکن است بر آزمودني هاي متفاوت مبتني باشد . بس بايد راههاي بيدا کرد که در آن همه متغیرها از شرکت کنندگان واحد بدست آیند . 

صفحه 17:
اندازه های گم ‎(missing ow‏ در تحلیل مسیر -جايگزيني میانگین :بهترین براورد براي اندازه هاي از دست رفتة.. میانگین اندازه هايي اتنت که داریم - ‎a‏ ‏ایرادات : اين بيش فرض که داده هاي از دست رفته به طور تصادفي بين افراد توزيع شده اند ء هميشه به درستي آزمون پذیر واريانس متغيرها كه جايكزين اندازه هاي از دست رفته مي شوند كاهش بيدا مي كند و اين كاهش واريانس توزيع داده ها را تحريف مي كند.(واريانس تفاوت بين هر نمره از ميانكين رو منعكس مي كند در اين روش مقدار جايكزين شده درست برابر با ميانكين است 

صفحه 18:
اندازه های کم شده در تحلیل مسیر بیشینه کردن ‎ojlail: (expectation maximization) (em) jai]‏ گم شده به عنوان متغیر وابسته و همه متغیر هاي دیگر به عنوان متغير بيش بين در فرمول رگرسیون محسوب مي شود . بيشينه كردن انتظار هميشه با ماتریس کواریانس کامل شروع مي شود , براي هر مجموعه از پیش بيني کننده ها صرفنظر از اينکه معدودي از افراد از دست رفته باشند مي توان برآورد رگرسيوني بدست آورد از اين رو هميشه همه متغيرهاي در دسترس را به عنوان پیش بيني کننده ‎oly sly wh‏ داده هاي از دست رفته به کار مي برد . 

صفحه 19:
قرار دادهای ترسیم نمودار مسیر ‎for drowing path diagram)‏ ع #الف) نمودارها به گونه اي ترسیم مي شوند که جریان علي ‎jl (causal flow)‏ جب به راست باشد . 2 ©ب) روابط علي در ميان متغيرها در اين مدل بوسيله فلش هاي يك سر (يكطرفه)نشان داده مي شوند #©ج)روابط ميان متغيرهاي برون زاد در قسمت چپ نمودار با ‎ane‏ هاي دو سر نشانٍ داده مي 

صفحه 20:
انواع مدل ها ۲۱۵۵6۱ 0۴ 7025 *مدل کاملا بازگشتي(۲6۵۷۲5۱۷6 ۶۷۱۱۷) هر متفیر تاثیر مستقيمي بر تمام متغيرهاي رده پائین تر زنجيره هاي علي دارد. اين مدل ها هميشه با اطلاعات مشاهده شده تناسب دارند. 

صفحه 21:
types of model ‏انواع مدل ها‎ مدل بازگشتي (۳66۱۷۲5۷6) يك يا چند پیوند مستقیم که با يك نظم ‎we‏ ‏امکان وجود داشتن دارند ,مفقود مي شوند. 

صفحه 22:
types of model ‏انواع مدل ها‎ مدل غیر بازگشتي ‎(nonrecursive)‏ ‏تاثیرات مي تواند رابطه علي متقابل در بین متغیرها را و یا گره ها ۱۵005 را نشان دهد . 

صفحه 23:
دو راه تحلیل مسیر رگرسیون چند گانه : حداقل مجذورات ‎the)‏ (least Squares ‏يعني مجموع مجذورات انحراف از ركرسيون ريا‎ . ‏مجموع مجذورات باقي مانده )كمترين باشد‎ ‏يعني مجموع مجذور تفاوت هاي بين اندازه هاي‎ ‏بيش بيني شده و اندازه هاي واقعي متغير ملاك‎ کمترین مقدار ممکن باشد . maximum) ‏ش مدل : : بيشينه درست نمايي‎ yj ‏برازش مد‎ بعنی آنچه برآورد مي شود با بیشترین احتمالل ۳ 

صفحه 24:
Path) pmo eal po (coefficients . ‏فرض شده است)در متغفیر دیگر (که معلول‎ ‏فرض شده است)دلالت دارد.‎ براي نشان دادن ضریب مسیر از علامت 0 به انضمام دو اندیس استفاده مي شود که اولین انديس نماينده معلول (متغير وابسته) و دومین انديس نماينده علت (متغير مستقل)است . بدين ترتيب ى0 بر تاثير متغير ابر متغير ©دلالت مي کند . 

صفحه 25:
رویکرد رگرسیون چندگانه به تحلیل مسیر استفاده از حداقل مجذورات | ضرایب مسیر همان وزن هاي بتاي مربوط به متفيرهاي پیش بین - هستند . به تعداد متفيرهاي درونزاد در مدل به تحلیل رگرسیون نیاز داریم . ‎(single stage causal models! al> yo Ji isle Jr0‏ شامل يك متغیر درونزاد است که در تحلیل رگرسیون متغیر وابسته نامیده مي شود مدل علي چند مرحله اي ‎stage causal model)‏ نناسم‌حاكي از وجود بیش از يك متغیر درونزاد در مدل است . روش تحلیل رگرسیون , روش استاندارد (همزمان) همه اسثك. چون به وزن بتاي همه متغيرهاي پیش بين نياز داريم . از اين روش استفاده مي کنیم 

صفحه 26:
انواع مدل ها در رگرسیون الجا 8 ۳ ۱3 1 مدل چند مرحله اي مدل تك مرحله اي 

صفحه 27:
قانون کلی حاکم بر طبیعت و تعداد تحلیل های رگرسیون . هر متغیر درونزاد شامل يك تحلیل رگرسیون جداگانه اي است که این متغير درونزاد , متفیر وابسته آن محسوب مي شود . در هر تحلیل , همه متفیر درونزاد اشاره مي کند , ‎a‏ ‏عنوان متغيرهاي مستقل عمل مي كند 

صفحه 28:
رویکرد بارون و کنی . * بر اساس رویکرد بارون و کنی (1986) متفیر میانجی(:76۵0:0 ۷۵۲۵6), متغیری است که حامل تأثیر متغیر مستقل معین (۱۷) ‎seal (DV) igus aul gto i:‏ * میانجی گری زمانی اتفاق می افتد که : ‎yy (all)‏ متغیر مستقل و میانجی رابطه معنی داری وجود داشته باشد, ‏(ب) متغیر مستقل در غیاب میانجی با متغیر وابسته رابطه معنی داری داشته باشد, ‏(ج) متغیر میانجی ارتباط معنی داری با متغیر وابسته داشته باشد ‏(د) تاثیر متغیر مستقل بر وابسته با افزایش ‎patio‏ ميانجي. به مدل كاهش. يابد 

صفحه 29:
نمودار زیررویکرد بارون و کنی را نشان می دهد 3 6 bis) my - 1 ۱ (الف) اثر مستقيم متغير مستقل (1۷) بر متف الل بر متغير وابسته (/01) (اقتباس از ب Weng بته (0۷) و (ب) اثر غير مستقيم متغيو مستقل (۱) از طر بق مبانج 

صفحه 30:
. | رویکرد بارون و کنی —— متغیر تعدیل 5 ‎(moderator variable)‏ 0 يك متغیر كيفي (مثل جنس , نژاد و کلاس )و پا کمي (سطح پاداش )اسنت که بر طرز یا قدرت رابطه بين متغير مستقل با متغير وابسته تاثير مي رد . يك تاثير تعديل كر در ميان يك چارچوب رابطه اي در جاپي اتفاق مي افند كه جهت روابط تغییر کند . البته گاهي اوقات به جاي معکوس شدن رابطه , کاهش میزان رابطه را داریم. وجود رابطه مثبت قوي بین حوادث غبر قابل کنترل(مرگ همسر) و سختي بيماري در مفابل حوادث قابل کنترل (طلاق) يك متغیر تعدیل گر خوب باید 1)با پیش بین و ملاك ارتباط نداشته باشد تا بتواند يك رابطه متقابل قابل تغیپر را ایجاد کند 2)تعدیل گر و پیش ‎ow‏ از لحاظ نقششان به عنوان متغيرهاي علي در يك سطح هستند در حالي که مپانجي ها داراي نقش هايي هستند که از اثر به دلیل ختم مي شوند (يعني از اثر به ایجاد کننده منتهي مي شوند ) 

صفحه 31:
رویکرد برازش مدل( ۲:09 اع200) به تحليل ‎ae‏ | از بیشینه درست نمايي استفاده مي شود . ' اين روش به راه حل هاي از سرگيري نیاز دارد (توضیح در اسلايدهاي بعدي) * سه دلیل براي استفاده از روش برازش مدل - برازش كلي مدل - اثرهاي غیر مستقیم و كلي (6۴۲6 اهاما) - کارکردن با متغيرهاي مکنون ‎latent)‏ ‎(variables‏ 

صفحه 32:
برازش کلی میزان قابلیت مدل در توضیح داده ها . این نتیجه در رگسیون چندگانه به دست نمي آید . در تحلیل رگرسیون محقق در نهایت مي تواند همبستگي مشاهده شده را با همبستگي مفروض مقایسه کند اگر دو ماتریس همبستگي در محدوده 05 .ماتریس همبستگي مشاهده شده باشد يعني مدل به مدل مشاهده شده شباهت بيشتري داشته باشد ۰ برازش مناسبي دارد . 

صفحه 33:
اثرهای غیر مستقیم و کلی اثرهاي غير مستقيم مستلزم متعيرهاي فرض بر اين است كه 8 هم تاثير مستقيم بر © دارد و هم با ميانجيكري 8 تاثير غير مستقيم بر © دارد . تاثير غير مستقيم -(ضريب مسيرهو 8) (ضريب مسير8 و ) اثر كلي > تاثير مستقيم + تاثير غير مستقيم اين عمليات در ركرسيون نيز قابل اجراست ولي در برازش مدل خود تريامه اين كار را اتجام سي دهد: 

صفحه 34:
تاثبرات غیر مستقیم و مستقیم در تحلیل مسیر با رویکرد ر گرسیون چندگانه Fe 

صفحه 35:
کار کردن با متغیرهای مکنون این عورد. مر بوط. به سدل سعادلزت ساکتناری یا ۱ا5است. با رگرسیون قابل انجام نیست . زیرا رگرسیون چندگانه باید روي متغيرهاي مشاهده شده اجرا شود . 

صفحه 36:
مقایسه رویکردهای رگرسیون چندگانه و برازش مدل . رگرسیون چندگانه حداقل مجذورات برای محاسبه ضرایب مسیر فن اطلاعات تفکیکی ‎complete information) partial information)‏ ‎(technique (technique‏ os 

صفحه 37:
استفاده از برخی اطلاعات با همه اطلاعات ‎(partial information technique)‏ در ركرسيون ما ملزم به اجراي تحلیل هاي جداكانه هستيم . بنابراين هنكام استفاده از رگرسیون : اطلاعات تنها شامل زير مجموعه اي از مجموعه داده هاست . يعني هرگاه بخواهیم 8 را از روي ‎A‏ پیش بيني کنیم , هر گونه اطلاعات درباره رابطه ) با ۸۸ یا 8در راه حل رگرسیون بی ارتباط است . در حالي که در برازش مدل| 292[ © ]| 

صفحه 38:
استفاده از همه اطلاعات ‎(complete information technique)‏ #همه اطلاعات: مربوظ به روابظ متقابل بين ۱۴ متغيرها به طور همزمان به كار مي رود . ۴در روش درست نمايي ‎aint‏ تلاش مي شود كا , به ر همزمان ضرایب همه متغیرها به گونه اي تولید شوند که بیشترین تناسب را با داده ها داشته باشد . “در اين رويكرد اين مدل است كه به عنوان كل با ذاده ها تناسب دارد و به عنوان زير مجموعه اي از مسير ها كه مدل را تشكيل مي دهد محسوب نمي شود . © مدل به عنوان يك هستي واحد است نه مجموعه اي از مشير هاي جدا وتامرتبظ 

صفحه 39:


صفحه 40:
راهبرد رگرسیون چندگانه برای انجام تحلیل عدم اعتماد به نفس تحصیلی 

صفحه 41:
مشخص كردن مجدد مدل(۲۱۵۵۱ 2 1۳۱۳۱۱9 عدم اعتماد به نفس تحصیلی 

صفحه 42:
جگونه و جرا ‎pond BAS‏ معناي اين عمل آن است كه همبستكي بين دو | متغیر را که مسیر بين آنها حذف شده است | اكر بعد از حذف مسير تفاوت قابل ملاحظه اي بين ماتريس بازسازي شده و ماتريس اوليه بود به اين نتيجه مي رسيم كه در يرتو روابط بين 

صفحه 43:
جگونه و جرا ‎pond BAS‏ بر اساس جه ملاكي؟ [ نظریه محقق و تحقیق هاي پیشین ' ضريب هاي مسير ل ری * اكر ذمونه نسبتا بزرى باشد » ضريب هاى مسير كوجك هم ممکن است به لحاظ آماری معنی دار باشد * توصيه مى شود ضریب های کوچکتر از ۰۵.غیر معنی دار تلقی شوند. تفاوت بین ماترس اولیه و ماتریس بازسازی شده 8 شد (کمتر از ۰۵.).و تعداد انها هم نسبتا کم 2 باشد مدل قابل دفاع است. 

صفحه 44:
راهبرد برازش مدل برای انجام تحلیل مدل مفروض 

صفحه 45:
(error variance) as ‏واریانس‎ متغيرهاي درونزاد به عنوان متفيرهاي وابسته در مدل پیش بيني مي شوند ,آنچه در روش برازش مدل پیش بيني مي شود - ترکیب زیر است : واریانس بيش بيني شده متغیر وانسته +واریانس خطاایا باقي, ماندهامتفیر وابد لا ‎(residual coefficient)‏ معادله برازش مدل با معادله رگرسیون چندگانه متفاوت است زیرا حاصل معادله برازش مدل اندازه واقعي ۷است نه پیش بيني شده , زیرا ما واریانس خطا را در معادله وارد مي کنیم . 1و2 عبارتند از کلیه اثرهايي که ممکن است علاوه بر اثرا ۳۲ مشخص شده در مدل, متغيرهاي درونزاد را تحت تاثیر قرار دهد. 

صفحه 46:
شناسایی مدل به منظور سنجش. اينكه آيا مدل پيشنهادي با داد ۳5 برازش دارد يا نه , بايد مدل شناسايي. شود . شناسايي مدل در كلي ترين سطح به تفاوت ميان تعداد متغيرهاي موجود در تحليل و تعداد يارامترهايي كه بايد توسط مدل برآورد شود مربوط مي شود . شرط لازم براي شناسايي مدل این است که تعداد عناصر شناخته شده بیشتر از پارامترهاي ناشناخته باشد . تفاضل اين دو عامل درجه آزادي مدل را نشان مي دهد تعداد پارامترهاي ناشناخته - تعداد عناصر غیر زائد (شناخته شده) ‎=Df‏ 

صفحه 47:
عناصر شناخته شده و ناشناخته #عناصر شناخته شده(غیرزائد) (کنجعهاه ۲6۵۷۵۵0۴ - 508): -تعدادعناصر غیر تكراري در ماتریس همبستگي | - تعداد واریانس هاي موجود در مدل - استفاده از فرمول ۷)۷+1(/2 ۷"تعداد متغیرهای‌اندازه گيریشده است * عناصر ناشناخته (6۱6۴06۳065 ۲600۵۳۲): : پارامترها و آنچه باید برآورد شود - ضرایب مسیر - ضریب همبستگي -واریانس ها ( خطا و متغیرها) 

صفحه 48:
انواع مدل بر اساس درجه آزادی ؟به مدل‌هایی که در معادلات مربوط به آن‌ها تعداد معلوم‌ها کمتر از تعداد مجهولها است در اصطلاح زيرمانند ‎Underidentitied‏ ‏كفته مىشود(قابل تبديل به مدل زبر مانند به شرطا آتکه محدوديت ايجاد كنيم ) 9 چنانچه تعدادشان برابر باشد به آن همانند ‎Jd) .just-identified)‏ اشباع شده که آزمون پذیر نیست و شخص نمي تواند خوبي برازش را بیازماید- ) ؟ در صورتی که در یک معادله تعداد معلوم‌ها بیش از مجهول‌ها باشد. در اصطلاح به لن مدل, زبرمانند ‎ia5 overidentified)‏ می‌شود. .(مدل مفروض که تحلیل روي آن انجام مي شود) 

صفحه 49:
با درجه آزادی منفی مدل مورد بررسی چه کنيم ؟ . براي اينكه درجه آزادي در دامنه مثبت باشد بايد يك پارامتر را مقید کنیم . ~ مسيري که در پي محدود کردن آن هستیم مب است که طبق پیش بيني نظریه ما , بزرگترین ضريب ‎Ly‏ دارد .اگر نظریه ما اندازه اثرهاي علي فرط شده را در بر نداشته باشد , مسيري را ‎il‏ مي كنيم كه جيز جديدي eens ‏نفس تحصیلی‎ 

صفحه 50:


صفحه 51:
شاخص های برازش مدل(5م ۱۳ ۳۲ ) با داده ه) - شا خص مطلق (ءع :هم ‎(absolute fit‏ #؟شاخص نسبي ‎comparative fit indices)‏ ( ؟شاخص تعدیل یافته ‎(fit indices parsimonious)‏ مجذورکای اسکوئر(ه:نه)بر سْجّه آزادی چنانچه میزان این شاخص کوچکتر از 2 باشد. نشانگر برازندگی الگو است. 

صفحه 52:
شاخص های برازش مدل با داده ها #شاخص‌های نسبی ‎“ee ela?‏ لويس ب بس ‎Tuker Lewis‏ oe S, Sas 95/0 ‏مقدار تزديى‎ Bul cos. خوب است Incremental (IFT) 024159 ‏#شاخص برازندگی‎ Fit Index “مقدار آن . بايد از 90 /0 بيشتر باشد تا مدل پذیرفته شود 

صفحه 53:
شاخص های برازش مدل با داده ها ؟شاخص‌های نسبی CF) ) Comparative ‏؟شاخص برازندگی تطبيقى‎ Fit Index © شاخص 011) از لحاظ معنا مانند ۳۴1[ است. با این تفاوت که برای حجم گروه نمونه جریمه می‌دهد. مقادیر بالاتر از 90. برای این شاخص, حاکی از برازش خوب مدل است ؟شاخص برازش هنجار شده 8 [مصدمم( ‎NFI)‏ ‎index)‏ *بین 0 (عدم برازش) تا 1 (برازش کامل) متغیر است. مقدار نزدیک 95. نشانگر یک برازش خوب است 

صفحه 54:
شاخص های برازش مدل با داده ها شاخص تعدیل بافته »شاخص ريشه دوم برآورد واريانس خطات تقريبه ) ‎Root Mean Square Error of Approximation- ( RMSEA‏ *يكى از مهمترين شاخص.هلى تعديل يافته. شاخص ريشه دوم براورد واريانس خطاى تقريب است. اين مقدار براى مدلهايى كه برازتدكى خوبى :> باشند, کمتر از 05. است. ‎sly‏ آزمون ۲۲5۳۸ مشخصه اي به نام ‎PCLOSE‏ وجود دارد که چنان چه مقدار ن بیشتر از 05. باشد. برازش مدل ۲ می‌شود 

صفحه 55:
شاخص های برازش مدل با داده ها تأييد مدل تأييد مدل تأييد مدل تأييد مدل تأييد مدل تأييد مدل <2 >9 >.9 >.9 >9 <.08 —™ AK NFI TLI IFI CFI RMSEA بيج لمحم 0 

صفحه 56:
آماره کای اسکوئر براي آزمون تفاوت بین روابط شده استفاده مي شود . چون پ يك برازش نزديك است , رسیدن به مجذور كاي غیر ۳ دار مطلوب است . نباید تنها به مقدار كاي بسنده كرد زيرا به حجم نمونه هر اندازه حجم نمونه افزایش یابد توان آرمون بیشتر مي شود در نتیجه آزمون مجذور كاي مي تواند تفاوت هاي جزئي بین کوواریانس پیش بيني شده و مشاهده شده را تشخیص دهد و به این نتیجه برسد که مدل با داده ها برازش ندارد . 

صفحه 57:
اصلاح مدل 

صفحه 58:
مزایا و محدودیت های تحلیل مسیر “مزايا *محقق را وادار به ساختن مدل نظري مي كند آورد ۴تمرکز مدل هاي مسیر بر تدوین منطقي براي ‎Cow‏ آوردن همبستگي يا کواریانس بين متغيرها و شكستن آنها به اجزا علي و غير علي “همه انواع مدل معادلات ساختاري در امتداد رويكرد تحليل مسير رشد يافته اند 

صفحه 59:
مزایا و محدودیت های تحلیل مسیر محدودیت ها > * مي تواند فرضيه هاي علي را ارزشيابي كند ولي هركز نمي تواند - جهت عليت را مشخض سازد . * زماني مفيد است كه فرضيه هاي روشني براي آزمون ويا تعداذ کمي فرضیه که همه آنها را بتوان در يك نمودار واحد نمایش داد , در دست باشد . ۴#در مرحله اكتشافي کاربرد اندكي دارد . ۱ # همه روابط باید از طریق رگرسیون چند متفيري آزمون پذیر باشند . ۴ همه متغیرها باید در تحلیل مسر چند متغيري به عنوان متغيرهاي وابسته عمل کنند . بنابراین همه آنها باید داراي مقیاس فاصله اي باشند اندازه هاي طبقه اي یا ترتيبي تحلیل مسر را ناممکن مي سازد . 

صفحه 60:
منابع ؟پژوهش چند متغيري كاربردي /میرز و همکاران : *مدل يابي معادلات ساختاري / دکتر هومن | ۴رگرسیون چند متغيري در پژوهش رفتاري / کرلینجر ؟اصول مدل سازي معادلات ساختاري /رسول زاده اقدم *مدل سازي معادله ساختاري در پژوهش اجتماعي /وحید قاسمي *مدلسازي معادلات ساختاري /ابارشي *مقاله بارون و کني /1986 

صفحه 61:
i om ‏.عراز‎ 7 79° JS, 6