مدل سازی معادلات ساختاری به کمک نرم افزار لیزرل

مدل سازی معادلات ساختاری به کمک نرم افزار لیزرل

اسلاید 1: شهریار محسنینSh.Mohsenin@ut.ac.ir(دانشجوی دکتری مدیریت بازاریابی)

اسلاید 2: بخش اول1مقدمهتعریف مدل سازی معادلات ساختاریکاربرد مدل سازی معادلات ساختاریرویکردهای مدل سازی معادلات ساختاریمبتنی بر ماتریس کواریانس – واریانس (CBSEM) - LISRELمبتنی بر ماتریس واریانس (VBSEM) – PLS اصطلاحات مدل سازی معادلات ساختاریمدل های مدل سازی معادلات ساختاریمدل اندازه گیریمدل ساختاری مدل عمومی مدل سازی معادلات ساختاریآموزش نرم افزار لیزرل

اسلاید 3: آموزش نرم افزار لیزرلتشکیل ماتریس کواریانسمقدمه

اسلاید 4: آموزش نرم افزار لیزرل روش هایی که به کمک آن می توان بطور همزمان مجموعه ای از متغیرهای آشکار و پنهان، درونی یا بیرونی را در یک ارتباط یک سویه یا دو سویه با یکدیگر مورد ملاحظه قرار داد.مقدمه

اسلاید 5: Hintدر تحلیل رگرسیون خطی (ساده و چند متغیره) متغیر وابسته باید کمی و در سطح سنجش فاصله ای / نسبی باشد.زمانی که متغیر وابسته در سطح اسمی است و متغیرهای مستقل هم ترتیبی و هم فاصله ای هستند، روش های رگرسیون خطی معمولی مقدار برآوردها را کمتر از مقدار واقعی نشان می دهند، به سراغ رگرسیون لجستیک می رویم.رگرسیون خطی در محاسبه ضرایب به دنبال حداقل کردن مجذور خطاها بوده ولی رگرسیون لجستیک احتمال وقوع یک رخداد را حداکثر می کند. در رگرسیون خطی برای معناداری از آماره Fو t استفاده می شود ولی در رگرسیون لجستیک از آماره های کای اسکوئر و والد استفاده می شود. مقدمه روش های آماری گذشتهرگرسیون ساده / دو متغیره - پیش بینی مقدار یک متغیر وابسته بر اساس مقدار یک متغیر مستقل از طریق محاسبه رابطه مستقیمرگرسیون چند متغیره – پیش بینی مقدار یک متغیر وابسته بر اساس دو یا چند متغیر مستقل از طریق محاسبه روابط مستقیمرگرسیون لجستیک - پیش بینی مقدار یک متغیر وابسته در سطح سنجش اسمی بر اساس دو یا چند متغیر مستقل از طریق محاسبه روابط مستقیمتحلیل مسیر – پیش بینی مقدار یک متغیر وابسته بر اساس دو یا چند متغیر مستقل از طریق محاسبه روابط مستقیم و غیرمستقیم (وجود متغیرهای میانجی)آموزش نرم افزار لیزرل

اسلاید 6: آموزش نرم افزار لیزرلروش تحلیل مناسب برای اندازه گیری اثر یک یا چند متغیر مستقل بر روی یک متغیر وابسته با سطوح سنجش مختلفروش تحلیلمتغیر مستقلمتغیر وابستهردیفرگرسیون سادهکیفی کمی1رگرسیون چند متغیرهکمی و کیفی کمی2رگرسیون لجستیککمی یا کیفیکیفی (اسمی)3رگرسیون ترتیبیکمی یا کیفیکیفی (ترتیبی)4Hintمتغیر کمی – سطح سنجش فاصله ای یا نسبی معادل مقیاس Scale در نرم افزار SPSSمتغیر کیفی – سطح سنجش اسمی یا ترتیبی به ترتیب معادل مقیاس Nominal و Ordinal در نرم افزار SPSSمقدمه

اسلاید 7: آموزش نرم افزار لیزرلمحدودیت های روش های آماری گذشتهعدم اندازه گیری مقادیر خطا در سطح متغیرهای مشاهده پذیر در تحلیل مبتنی بر رگرسیونعدم برازش مدل اندازه گیری در تحلیل های مبتنی بر رگرسیون و مسیرقابل مشاهده بودن تمامی متغیرها در تحلیل های مبتنی بر رگرسیون و مسیر عدم اندازه گیری روابط غیرمستقیم در تحلیل مبتنی بر رگرسیونساختار مدل ساده (متشکل از حداکثر یک متغیر وابسته و چند متغیر مستقل) در تحلیل های مبتنی بر رگرسیون و مسیرعدم کاربرد چندین متغیر وابستهو ...مقدمه

اسلاید 8: آموزش نرم افزار لیزرلتکنیک تحلیل چندمتغیری بسیار کلی و نیرومند از خانواده رگرسیون چندمتغیری که به پژوهشگر این امکان را می دهد تا مجموعه ای از معادلات رگرسیونی را بر مبنای ماتریس کواریانس – واریانس مورد آزمون قرار دهد. به بیان ساده تر، تجزیه و تحلیل همزمان چند متغیر مکنون مستقل و وابسته (مدل ساختاری) از طریق متغیرهای مشاهده پذیر (مدل اندازه گیری یا تحلیل عاملی تأئیدی)به مدل سازی معادلات ساختاری، مدل سازی مبتنی بر ماتریس کواریانس، تحلیل مسیر تأئیدی (تحلیل مسیر و تحلیل عاملی تأئیدی)، لیزرل کفته می شود، اصطلاح رایج در بین پژوهشگران به اختصار SEM (Structural Equation Modeling) است. مدل روابط ساختاری خطی (LISREL) یا LInear Structural RELationships در کلی ترین شکل خود، شامل مجموعه ای از معادلات ساختاری خطی است که با دو مسئله اساسی یعنی؛ اندازه گیری متغیرها (اعتبار و روایی ابزار اندازه گیری) و روابط علی میان متغیرها و توان تبیین این روابط (روابط ساختاری) سرکار دارد و مقصود از آن کمک به حل این دو مسئله است. تعریف مدل سازی معادلات ساختاری

اسلاید 9: آموزش نرم افزار لیزرلمدل­سازی روابط بین متغیرهای مستقل (برون­زا) و وابسته (درون­زا) (مدل ساختاری)مدل­سازی روابط متغیرهای پنهان (مکنون) و آشکار (مدل اندازه گیری)مدل­سازی خطاهای اندازه­گیری متغیرهای مشاهده پذیرآزمون فرضیات استنباط شده از ادبیات مورد بررسی به کمک داده­های عینی (تجزیه و تحلیل مسیر و تحلیل عاملی تأئیدی)تجزیه و تحلیل همزمان چندین متغیر مکنون (مستقل و وابسته)Hintاز آنجایی که مدل یابی معادلات ساختاری تأکید بر روابط خطی متغیرهای مکنون با یکدیگر و متغیرهای مکنون با متغیرهای مشاهده پذیردارد، در تحلیل خود از حداکثر درستنمایی (Maximum Likelihood) استفاده می­نمایدکاربرد مدل سازی معادلات ساختاری

اسلاید 10: آموزش نرم افزار لیزرلرویکرد مبتنی بر کواریانس (CBSEM)لیزرل (LISREL)رویکرد مبتنی بر واریانس (VBSEM) مدل سازی معادلات ساختاری مبتنی بر حداقل مربعات جزئیPLS (Partial Lean Square)PLS-SEMرویکردهای مدل سازی معادلات ساختاری

اسلاید 11: آموزش نرم افزار لیزرلرویکرد مبتنی بر کواریانس (CBSEM) در این رویکرد بیشتر به برآورد مجموعه ای از پارامترهای مدل توجه می شود و هدف، نزدیک تر شدن ماتریس کواریانس نظری به ماتریس کواریانس مشاهده شده در نمونه برآوردی است. این رویکرد به تخمین ضرایب مسیرها، بارهای عاملی با استفاده از به حداقل رساندن تفاوت بین ماتریس کواریانس مبتنی بر نمونه و ماتریس کواریانس مبتنی بر مدل می پردازند.متداولترین و معروف ترین نرم افزار این حوزه، نرم افزار لیزرل است.سایر نرم افزارها:AMOSEQSNPLUSرویکردهای مدل سازی معادلات ساختاری

اسلاید 12: آموزش نرم افزار لیزرلرویکرد مبتنی بر کواریانس (CBSEM) (تکنیک های برآورد)متغیرهای ابزاری (IV)کمترین مجذورات دو مرحله ای (TSLS)کمترین مجذورات بدون وزن (ULS)کمترین مجذورات تأمین یافته (GLS)بیشینه احتمال (ML)کمترین مجذورات وزن دار کلی (WLS)کمترین مجذورات وزن دار قطری (DWLS)گزینه برجسته (OR)روش پیش فرض نرم افزار لیزرل در مدل یابی معادلات ساختاری، روش بیشینه احتمال (ML) است. رویکردهای مدل سازی معادلات ساختاریHintدر هر یک از روش های برآورد GLS، ML و WLS لازم است ماتریس واریانس – کواریانس نمونه معین و مثبت (Positive Definite) باشد؛ ولی برای مواردی که ماتریس مذکور مثبت و معین نیست و و وجود همخطی بودن چندگانه بالا بین متغیرهای برون زای مدل می رود؛ پیشنهاد می شود از برآورد برجسته (RO) به عنوان تکنیک برآورد تصحیح کننده استفاده شود.

اسلاید 13: آموزش نرم افزار لیزرلرویکرد مبتنی بر کواریانس (CBSEM) (تکنیک های برآورد)چنانچه ماتریس کواریانس مدل منفی شد (خطای negative covariance matrix)، می توانید از سایر روش های برآورد برای تحلیل کمک بگیرید (در تکنیک های برآورد GLS، ML و WLS باید ماتریس کواریانس نمونه مثبت باشد)رویکرد گزینه برجسته (RO) یکی از مناسب ترین تکنیک های برآورد در زمانی است که با ماتریس کواریانس منفی، و یا زمانی که همخطی چندگانه بالا (همبستگی بالای 0.8 بین متغیرهای مستقل مدل) وجود داشته باشد. تکنیک های کمترین مجذورات (ULS، TSLS، GLS، WLS و DWLS) مناسب زمانی است که متغیرهای مدل از مقیاس طبقه ای باشد، نه رتبه ای و فاصله ای. رویکردهای مدل سازی معادلات ساختاری

اسلاید 14: آموزش نرم افزار لیزرلرویکرد مبتنی بر کواریانس (CBSEM) (پیش فرض) از آنجا که مدل سازی معادلات ساختاری یک روش تحقیق مبتنی بر همبستگی بوده که از طریق اندازه گیری ماتریس واریانس – کواریانس قابل اندازه گیری است؛ مواردی که ماتریس مذکور و ضرایب همبستگی را در مدل سازی معادلات ساختاری مبتنی بر ML تحت تأثیر قرار داده و تحلیل را با مشکل روبرو می کند، عبارتند از:مقیاس های اندازه گیری دامنه تغییرات مقادیر داده های از دست رفتهداده های دور افتادهغیر خطی بودن روابطغیر نرمال بودن داده های توزیع شده علاوه بر موارد فوق، مهمترین پیش فرض اساسی مدل سازی معادلات ساختاری مبتنی بر ماتریس کواریانس – واریانس (CBSEM) منطق حجم نمونه می باشد. رویکردهای مدل سازی معادلات ساختاری

اسلاید 15: آموزش نرم افزار لیزرلرویکرد مبتنی بر کواریانس (CBSEM) (تعیین حجم نمونه) استیونس (James Stevens) در نظر گرفتن 15 مورد یا نمونه را برای هر متغیر پیش بین (مشاهده پذیر یا سوالات پرسشنامه) مطلوب می داندبنتلر و چو (Bentler & Chou) 5 مورد یا نمونه را برای هر پارامتر و نه برای هر متغیر اندازه گیری شده توصیه می کنند. لوهلین (Loehlin) توصیه می کند به ازای هر متغیر مکنون عاملی، 30 تا 50 نمونه یا مورد وجود داشته باشد.رویکردهای مدل سازی معادلات ساختاری

اسلاید 16: آموزش نرم افزار لیزرلرویکرد مبتنی بر واریانس (VBSEM)برخلاف رویکرد دیگر، رویکرد مبتنی بر واریانس به جای بازتولید ماتریس کواریانس تجربی، بر بیشینه­سازی واریانس متغیرهای وابسته که توسط متغیرهای مستقل پیش­بینی می­شوند تمرکز دارد. در این رویکرد نیز از بخش ساختاری که نمایانگر روابط بین متغیرهای پنهان یا مکنون؛ و بخش اندازه­گیری که نشانگر روابط بین متغیرهای پنهان با نشانگرهایشان به دو صورت ترکیبی و انعکاسی استفاده شده است که بخش ساختاری، مدل درونی (Inner Model) و بخش اندازه­گیری، مدل بیرونی (Outer Model) نام دارد معروف ترین و پرکاربردترین نرم افزار در این رویکرد، نرم افزار Smart-PLS می باشد.سایر نرم افزارها:Visual PLSPLS GraphWarp PLSXLStatرویکردهای مدل سازی معادلات ساختاری

اسلاید 17: آموزش نرم افزار لیزرلکاربرد رویکرد مبتنی بر واریانس (VBSEM)زمانی که هدف محقق پیش بینی باشد تعداد نمونه قابل ملاحظه ای در دسترس نمی باشدنرمال بودن چندمتغیری مطرح نباشددر مدل ما، حداقل یک مدل اندازه گیری ترکیبی (Formative Model) وجود داشته باشد.وجود همخطی چندگانه بالا (حداقل 0.8) بین متغیرهای مستقل مدل ما، مدل پیچیده ای باشد و هدف ما سنجش تعمیم پذیری مدل مفهومی بر اساس نظریات نباشد. رویکردهای مدل سازی معادلات ساختاری

اسلاید 18: آموزش نرم افزار لیزرلمتغیرهای مشاهده پذیر و پنهانهمان سوال­ها یا گویه­های پرسشنامه؛ یا داده های خام می­باشندبا شکل مستطیل یا مربع نشان داده می شوند. اصطلاحات مدل سازی معادلات ساختاری

اسلاید 19: آموزش نرم افزار لیزرلمتغیرهای مشاهده پذیر و پنهانHintاز آنجا که دو مدل اندازه­گیری X و Y وجود داشته که به ترتیب با نمادهای کسای و اتای نمایش داده می­شوند؛ متغیرهای مشاهده­پذیر مربوط به این دو مدل نیز به نام­های مشاهده­پذیرهای X و Y تعریف می­شوند اصطلاحات مدل سازی معادلات ساختاری

اسلاید 20: آموزش نرم افزار لیزرلمتغیرهای مشاهده پذیر و پنهانتعریف - متغیرهایی که مستقیماً قابل مشاهده یا اندازه گیری نمی باشند، بلکه به صورت عملیاتی و بر اساس معرف های خود بدست می آیند. متغیر مکنون برون زا، همان متغیرهای مستقل بوده که علت تغییرات در مقادیر دیگر متغیرهای مکنون در مدل هستند.متغیرهای مکنون درون زا، متغیرهای وابسته (میانجی) بوده که به صورت مستقیم یا غیرمستقیم تحت تأثیر متغیرهای برون زا موجود در مدل قرار دارند.اصطلاحات مدل سازی معادلات ساختاری

اسلاید 21: آموزش نرم افزار لیزرلمتغیرهای مشاهده پذیر و پنهانHintمتغیر وابسته میانجی چون خود از متغیر دیگری (متغیر برون زا) تأثیر می پذیرد، با همان نماد اتای (متغیرهای وابسته) نمایش داده می­شودبه متغیر مکنون متناظر با متغیرهای مشاهده پذیر X، متغیر کسای و به متغیر مکنون متناظر با متغیرهای مشاهده پذیر Y، متغیر اتای گفته می شود. این متغیرها با شکل بیضی یا دایره نمایش داده می شوند. اصطلاحات مدل سازی معادلات ساختاری

اسلاید 22: آموزش نرم افزار لیزرلمدل های مدل سازی معادلات ساختاری

اسلاید 23: آموزش نرم افزار لیزرلمدل های اندازه گیری ایکسایکس (X): نماد متغیر مشاهده پذیر در مدل اندازه­گیری متغیر مکنون برون زا (کسای)دلتا (δ): پارامتر اندازه­گیری میزان خطا متغیر مشاهده­پذیر Xلاملای کوچک (ƛ): بار عاملی یا روابط بین متغیرهای مشاهده­پذیر X و متغیر مکنون مستقل (کسای یا ξ) کسای (ξ): نماد متغیر مکنون متناظر با مشاهده­پذیرهای Xمدل های مدل سازی معادلات ساختاری

اسلاید 24: آموزش نرم افزار لیزرلمدل های اندازه گیری وایوای (Y): نماد متغیر مشاهده پذیر در مدل اندازه­گیری متغیر مکنون وابسته (درون زا) اتایاپسیلون (ε): پارامتر اندازه­گیری میزان خطاي متغیر مشاهده­پذیر Yلاملای بزرگ (Ʌ): بار عاملی یا روابط بین متغیرهای مشاهده­پذیر Y و متغیر مکنون وابسته (اتای یا )اتای (η): نماد متغیر مکنون متناظر با مشاهده­پذیرهای Y (درون­زا)مدل های مدل سازی معادلات ساختاری

اسلاید 25: آموزش نرم افزار لیزرلمدل های اندازه گیری ترکیبی (Formative Model)جهت پیکان (رابطه) از متغیرهای اندازه­گیری (مشاهده­پذیر) به سمت متغیرهای پنهان است.بین متغیرهای اندازه­گیری همبستگی وجود نداشته یا ضعیف است. تغییر در تعداد متغیرهای اندازه­گیری؛ در مقدار متغیر پنهان تغییر ایجاد می­کند. خطای اندازه­گیری در سطح متغیرهای پنهان محاسبه می­شود.مدل های مدل سازی معادلات ساختاری

اسلاید 26: آموزش نرم افزار لیزرلمدل های اندازه گیری انعکاسی (Reflective Model)زمانی که هدف محقق گسترش ادبیات نظری و تولید نظریه جدیدبه تعداد نمونه یا حجم نمونه گیری حساس می باشدنرمال بودن داده ها ملاک محاسبه می باشدحداقل داده در دسترس ؟؟؟ نمونه (به ازای هر متغیر مشاهده پذیر 5 تا 15نمونه)جهت پیکان (رابطه) از متغیرهای پنهان به سمت متغیرهای اندازه­گیری (مشاهده­پذیر) است.بین متغیرهای اندازه­گیری همبستگی وجود دارد (تشکیل ماتریس کواریانس). تغییر در تعداد متغیرهای اندازه­گیری؛ تغییری در مقدار متغیر پنهان ایجاد نمی­کند. خطای اندازه­گیری در سطح متغیرهای مشاهده­پذیر محاسبه می­شود.مدل های مدل سازی معادلات ساختاری

اسلاید 27: آموزش نرم افزار لیزرلروابط بین متغیرهای مکنون (مستقل یا برون­زا) و وابسته (درون­زا)کسای (ξ): نماد متغیر مکنون برون­زااتای (η): نماد متغیر مکنون درون­زاگاما (γ)؛ روابط (ضرایب رگرسیون) بین متغیرهای مکنون برون­زا (کسای) و متغیرهای مکنون درون­زا (اتای)بتا (β)؛ روابط (ضرایب رگرسیون) بین متغیرهای مکنون درون­زا (اتای) و متغیرهای مکنون درون­زا (اتای) دیگرسای بزرگ (Ψ)؛ همبستگی بین متغیرهای اتای یا درون­زافی بزرگ (Φ)؛ همبستگی بین متغیرهای کسای یا برون­زامدل ساختاریمدل های مدل سازی معادلات ساختاری

اسلاید 28: آموزش نرم افزار لیزرلترکیبی از دو مدل ساختاری و اندازه­گیری (تحلیل عاملی تأئیدی) مدل عمومی معادلات ساختاریمدل های مدل سازی معادلات ساختاری

اسلاید 29: آموزش نرم افزار لیزرلمدل های مدل­های ساختاری با معرف­های چندگانه و علل چندگانه (MIMIC) ترکیبی از مدلهای ساختاری انعکاسی و ترکیبی به تعداد نمونه یا حجم نمونه گیری حساس می باشدنرمال بودن داده ها ملاک محاسبه می باشدکواریانس بین متغیرهای مشاهده­پذیر برون­زا ثابت (Fix) می­باشد و خطای اندازه­گیری برای این متغیرها صفر استمدل های مدل سازی معادلات ساختاری

اسلاید 30: آموزش نرم افزار لیزرلمدل های مدل­های ساختاری با معرف­های چندگانه و علل چندگانه (MIMIC) در مدل­های MIMIC، متغیرهای غیرمکنون برون­زا متغیرهایی مانند جنسیت، سن، میزان تحصیلات و ... می­باشند که تأثیر آنها بر یک متغیر یا چند متغیر اتای مورد بررسی قرار می­گیریدمدل های مدل سازی معادلات ساختاری

اسلاید 31: آموزش نرم افزار لیزرل1. بررسی مبانی نظری و تجربی در باب موضوع مورد نظر جهت انتخاب مدل اندازه­گیری (Formative or Reflective Models)2. انتخاب نرم افزار مورد استفاده (برای مدل­های ترکیبی نرم­افزارهای PLS و برای مدل­های انعکاسی نرم­افزارهای LISREL، AMOS و EQS)3. تعیین روابط بین متغیرها 4. طراحی مدل مفهومی 5. گردآوری داده­ها 6. وارد کردن داده­ها به نرم افزار SPSS یا Excel7. تحلیل عاملی تأئیدی متغیرهای مدل (آزمون مدل) 8. بررسی شاخص­های برازش و بارهای عاملی و در صورت نیاز اصلاح و تهیه گزارش تحلیل عاملی اصلاح شده (ارزیابی و اصلاح مدل) 9. تحلیل مسیر تأئیدی (آزمون کلی مدل نظری) 10. بررسی شاخص­های برازش، روابط مدل و در صورت نیاز اصلاح مدل نظری و تهیه گزارش مسیر تأئیدی اصلاح شده (ارزیابی و اصلاح مدل نظری) مراحل تحلیل داده ها به کمک SEM

اسلاید 32: بخش دوم1شاخص های برازش مطلقشاخص های برازش مقایسه ای شاخص های برازش تعدیل یافتهآموزش نرم افزار لیزرل2

اسلاید 33: آموزش نرم افزار لیزرلشاخص های برازش مدلHintدر خروجی نرم افزار لیزرل صرف بد بودن (خوب نبودن) چند شاخص نمی­توان گفت مدل پیشنهاد شده از برازش خوبی برخوردار نیست، لذا باید چندین شاخص را مدنظر قرار داد تا به یک اجماع کلی درباره خوب یا ضعیف بودن مدل برازش داده شده رسید.

اسلاید 34: آموزش نرم افزار لیزرلاصلی ترین شاخص ها و معیارهای برازش مدل می باشند به شدت به تعداد پارامترهای در مدل وابسته هستندمقایسه بین ماتریس کواریانس نمونه برآورد شده و نظری شاخص های مطلق این پرسش را مطرح می سازند که آیا واریانس خطا یا تبیین نشده که پس از برازش مدل باقی می ماند، فابل توجه است؟ مجذور کای (کای اسکوئر) عدم معناداری آن نشان دهنده برازش مطلوب مدل پژوهش است. در نمونه های بالا این شاخص معنادار می باشد (مقادیر بالا برای کای اسکوئر)به شدت وابسته به حجم نمونه استشاخص P-Value معناداری و یا عدم معناداری شاخص کای اسکوئر را نشان می دهندP-Value بزرگتر از 0.05 گواه بر عدم معناداری کای اسکوئر مدل است.شاخص های برازش مطلق

اسلاید 35: آموزش نرم افزار لیزرلنسبت کای اسکوئر به درجه آزادی وجود محدودیت در شاخص کای اسکوئربرای کاهش اثر حجم نمونه در شاخص کای اسکوئردامنه پذیرش این شاخص مقادیر بین 1 تا 3 می باشدشاخص های نیکویی برازش (GFI & AGFI)بی اندازه تحت تأثیر حجم نمونه استشاخص GFIبی اندازه وابسته به تعداد پارامترهای مدل است، برای اصلاح آن شاخص AGFI مطرح گردیددامنه قابل قبول بون هر دو شاخص مقادیر بالای 0.9 می باشدشاخص های برازش مطلق

اسلاید 36: آموزش نرم افزار لیزرلشاخص RMR & SRMR شاخص های بد بودن مدل می باشندشاخص SRMR استاندارد شده شاخص RMR بوده و نسبت به اسن شاخص اعتبار بالاتری دارد.دامنه پذیرش این شاخص مقادیر زیر 0.08 می باشد شاخص RMSEA اصلی ترین شاخص برازش تطبیقی مدلشاخص بد بودن مدلمقادیر کوچک آن گواه بر بد نبودن مدل استدامنه برازش مدل بر پایه این شاخص، مقادیر زیر 0.08 می باشدشاخص های برازش مطلقHintدر مواردی که تعداد نمونه کوچکتر از 150 باشد، این شاخص، شاخص مناسبی برای ارزیابی بد بودن مدل نیست، توصیه می شود اگر شاخص CFI در خروجی شاخص های مدل در شرایط بالای 0.95 باشد، می توان به برازش خوب مدل توجه نمود و از کنار این شاخص عبور کرد.

اسلاید 37: آموزش نرم افزار لیزرلHintدر مواردی که تعداد نمونه مدل برآورد شده کمتر از 150 باشد (N<150)، شاخص RMSEA شاخص مناسبی برای ارزیابی بد بودن مدل نیست؛ زیرا مقادیری که در اینگونه مواقع نشان می­دهد، بسیار بالا می­باشد. برای همین مشکل، باید به مقدار CFI مراجعه شود، چنانچه این مقدار بیش از 0.95 باشد، می­توان به برازش خوب مدل توجه نموده و از کنار شاخص RMSEA گذشتشاخص های برازش مطلق

اسلاید 38: آموزش نرم افزار لیزرلبه دنبال مقایسه بین یک مدل خاص (بهترین مدل) با مدل برآورد شده محقق می باشداین شاخص ها در پی پاسخ به این سوال هستند که یک مدل به خصوص در مقایسه با سایر مدل های ممکن، از لحاظ تبیین مجموعه ای از داده های مشاهده شده تا چه حد خوب عمل می کند؟شاخص های برازش نسبی

اسلاید 39: آموزش نرم افزار لیزرلشاخص برازش اصلاح شده مقتصد (PGFI)شاخص برازش هنجارشده و اصلاح شده مقتصد (PNFI)برای این دو شاخص دامنه مشخصی که مبین خوب یا ضعیف بودن مدل برازش شده باشد، ذکر نگردیده است؛ ولی برخی منابع مقادیر نزدیک 0.5 را برای این دو شاخص در نظر گرفته اند. شاخص های برازش تعدیل یافته

اسلاید 40: تحلیل عاملی3

اسلاید 41: آموزش نرم افزار لیزرل

اسلاید 42: آموزش نرم افزار لیزرلمقایسه تحلیل عاملی تأئیدی (CFA) و اکتشافی (EFA)در تحلیل عاملی اکتشافی فقط بارهای عاملی بدست می آید، ولی نمی توان گفت این ارتباط واقعی (تصادفی) یا غیر واقعی (غیرتصادفی) است یا نه؟ (اعتبار بیرونی دارد یا نه) ولی در تحلیل عاملی تأئیدی T-Value یا مقادیر T برای هر بارعاملی حساب می شود (اعتبار بیرونی)در تحلیل عاملی تأئیدی اعتبار درونی و اعتبار بیرونی (قابلیت تعمیم پذیری) نشان داده می شود ولی در تحلیل عاملی اکتشافی فقط اعتبار درونی نشان داده می شود.در تحلیل عاملی اکتشافی به دنبال شناسایی عامل ها هستیم ولی در تحلیل عاملی تأئیدی عامل ها از قبل مشخص است و به دنبال تأئید روابط بین سوالات با عامل های مربوطه به کمک مدل اندازه گیری هستیم.

اسلاید 43: آموزش نرم افزار لیزرلتحلیل عاملی تأئیدیتحلیل عاملی تأئیدی به چندین روش صورت می­گیرد؛ که عبارتند از:به صورت کلی و یکپارچه؛ که در این حالت کلیه متغیرهای مدل همزمان مورد تحلیل قرار می­گیرند (بهترین و استانداردترین روش تحلیل عاملی تأئیدی)تحلیل متغیرهای مستقل و وابسته جدا از یکدیگر و در دو فایل متفاوت؛ که در این حالت ابتدا باید برای هر یک از دو دسته متغیرهای مدل مفهومی پژوهش (متغیرهای وابسته و مستقل) دو فایل متفاوت در نرم افزار SPSS تشکیل و ذخیره گردد (این روش زمانی کاربرد دارد که برخی از متغیرهای ما از مرتبه دوم و برخی دیگر از مرتبه اول باشند)هر یک از متغیرها به صورت جدا از هم (چه وابسته و چه مستقل)؛ در این حالت باید در نرم افزار SPSS برای هر متغیر طبق مدل مفهومی پژوهش، فایلی به صورت مجزا تشکیل و ذخیره گردد (این روش زمانی کاربرد دارد که برخی از متغیرهای ما از مرتبه دوم و برخی دیگر از مرتبه اول باشند).

اسلاید 44: آموزش نرم افزار لیزرلتحلیل عاملی تأئیدی مرتبه اولفرض بر این است که نمرات هر مطالعه در یک متغیر، در واقع منعکس کننده وضعیت آن مورد در یک عامل زیربنایی تر است که به دلیل پنهان بودنش اندازه گیری مستقیم آن وجود ندارد. در تحلیل عاملی مرتبه اول سه نوع متغیر وجود دارد:متغیر پنهان بیرونیمتغیر مشاهده شده بیرونیمتغیرهای خطا در تحلیل عاملی مرتبه اول سه نوع پارامتر وجود دارد:پارامتر کسایپارامتر لاملا پارامتر دلتا

اسلاید 45: آموزش نرم افزار لیزرلتحلیل عاملی تأئیدی مرتبه اولکسای (ξ): نماد متغیر مشاهده­پذیر Xفی بزرگ (Φ)؛ همبستگی بین متغیرهای کسای دلتا (δ) : پارامتر اندازه­گیری میزان خطا متغیر مشاهده­پذیر Xایکس (X)؛ نماد متغیر مشاهده پذیر در مدل اندازه­گیری متغیر مکنون مستقللاملای کوچک (λ): بار عاملی یا روابط بین متغیرهای مشاهده­پذیر X و متغیر مکنون مستقل (کسای یا ξ)

اسلاید 46: آموزش نرم افزار لیزرلتحلیل عاملی تأئیدی مرتبه دومنوعی از مدل های عاملی که در آن عامل های پنهانی که در مرتبه اول بوسیله متغیرهای مشاهده پذیر اندازه گیری می شوند، خود تحت تأثیر یک متغیر زیربنایی تر (متغیر پنهان) دیگر در یک سطح بالاتر قرار دارند. در تحلیل عاملی مرتبه دوم چهار نوع متغیر وجود دارد:متغیر پنهان بیرونیمتغیر پنهان درونیمتغیر مشاهده شده درونیمتغیرهای خطا در تحلیل عاملی مرتبه دوم شش نوع پارامتر وجود دارد:پارامتر کسایپارامتر لاملا پارامتر دلتاپارامتر اپسیلونپارامتر گاماپارامتر اتای

اسلاید 47: آموزش نرم افزار لیزرلتحلیل عاملی تأئیدی مرتبه دوموای (Y)؛ نماد متغیر مشاهده پذیر در مدل اندازه­گیری متغیر مکنون وابستهاپسیلون (ε): پارامتر اندازه­گیری میزان خطاي متغیر مشاهده­پذیر Yلاملای بزرگ (Ʌ): بار عاملی یا روابط بین متغیرهای مشاهده­پذیر Y و متغیر مکنون وابسته (اتای یا )کسای (ξ): نماد متغیر مکنون برون­زا اتای (η): نماد متغیر مشاهده­پذیر Y (درون­زا)گاما (γ)؛ روابط (ضرایب رگرسیون) بین متغیرهای مکنون برون­زا (کسای) و متغیرهای مکنون درون­زا (اتای)

اسلاید 48: آموزش نرم افزار لیزرلمراحل تحلیل عاملی تأئیدیذخیره داده­ها در نرم افزار SPSS یا Excelفراخوانی داده­ها به محیط لیزرلگرفتن خروجی ماتریس کواریانس طراحی مدل مفهومی به روش LISREL Project یا Path Diagramآزمون مدلارزیابی مدلاصلاح مدلتحلیل و ارائه گزارش