مقیاس های دارای ماده های زیاد (مقیاس های بلند) در مدل یابی معادلات ساختاری تولید اشکال می کند؛ به ویژه اگر قرار باشد که تمام ماده ها به عنوان نشانگرهای سازه های مکنون در مدل مشارکت نمایند برآورد پارامترهای متعدد در مدل با توجه به حجم نمونه، باعث کاهش توان برآورد پارامترهای دقیق مدل می شود و در نتیجه باعث رد مدلهای مناسب می گردد.

مراحل تحلیل مدل یابی معادلات ساختاری در زیر تشریح می شود:

- داده های پژوهش را در محیط SPSS باز کنید و سپس از سربرگ Analyze گزینه ی AMOS-16 را انتخاب کنید.

در محیط AMOS از سربرگ Diagram گزینه ی Indicator Variable Draw را انتخاب کنید تا موشواره فعال شود.

برای آزمودن فرضیه های پژوهش، از تحلیل مسیر با مدل های برگشتی استفاده می شود. برای تحلیل فرضیه های فوق به کمک نرم افزار AMOS ، مراحل اجرایی را که در ادامه آمده است، دنبال کنید. - ابتدا داده های پژوهش را در محیط SPPS باز کنید و سپس از سربرگ Analyze در نرم افزار مذکور، AMOS باز شود.

تحلیل رگرسیون در چندین مورد با تحلیل مسیر متفاوت است. نخست آن که تحلیل مسیر از لحاظ روش شناختی جامع و از لحاظ تحلیل داده ها یک روش فوق العاده انعطاف پذیر است. روش شناختی تحلیل مسیر جهت بررسی حجم عظیمی از پدیده های روانی – اجتماعی مناسب است.

تحلیل مسیر در مدل های معادلات ساختاری از بسیاری جهات مشابه با روش های سنتی همبستگی و تحلیل رگرسیون است.

تحلیل مسیر گسترش مدل های رگرسیونی است که یک ماتریس همبستگی را در مقایسه با مدل های مفروض علی که پژوهشگر تنظیم می کند، می آزماید. همچنین، تحلیل مسیر به عنوان مدل یابی علی شناخته می شود که به آزمودن شبکه ای از روابط میان متغیرهای اندازه گیری شده توجه دارد.

آن چه در تحلیل عوامل اکتشافی و استخراج عامل های مطرح شد، غالباَ با مقوله ی روایی سازه (Validity Construct) سرو کار دارد. منظور از روایی این است که یک مقیاس که برای یک منظور ویژه و سنجش یک صفت معین طراحی شده است ، تا چه اندازه در سنجش آن صفت معین کارا و موفق است.

هم خطی بودن چند گانه میان ماده های پرسش نامه اثرات مطلوبی در برازش مدل ساختاری ایجاد می کند. هم خطی بودن ماده ها (همبستگی زیاد میان ماده ها)، مستقل بودن نمره های خطا (باقیمانده) را در مدل نفی می کند. به بیان دیگر، یکی از مفروضه های اساسی مدل های ساختاری ناهمبسته بودن واریانس خطای ماده ها است. اگر همبستگی میان دو یا چند ماده خیلی زیاد باشد، ارتباط میان باقیمانده های آن ها معنی دار می شود.

پس از ارائه مطالبی در این سایت درباره تحلیل عوامل تأییدی و حجم نمونه و شاخص های برازندگی مدل های معادلات ساختاری، هنگام آن رسیده است تا به کمک نرم افزار AMOS-16 یک مثال پژوهشی به شیوه ی تحلیل عوامل تأییدی مورد تجزیه و تحلیل قرار گیرد و خروجی های آن تشریح شوند.

بدون شک حجم نمونه در فنون آماری، عملاً نقش مهمی ایفا می کند. هر چند که توافق جهان شمولی در میان پژوهشگران وجود دارد که با بزرگ شدن حجم نمونه ثبات برآوردهای آماری بیشتر می شود، اما در این خصوص که به چه حجم نمونه ای بزرگ گفته می شود، توافقی وجود ندارد.

برای بررسی ارتباط میان متغیرها، ضرایب همبستگی گوناگونی با توجه به نوع مقیاس دخیل در سنجش آن متغیرها وجود دارد که در این بخش تلاش می شود این ضرایب همبستگی در یک سری از موضوع های پژوهشی توضیح داده شوند. ضریب همبستگی پیرسون، ضریب همبستگی اسپیرمن، ضریب همبستگی تاو کندال ، ضریب همبستگی d سامرز .

پس از انتقال سه متغیر دو حالتی در جعبه ی Test Variables: و علامت دار نمودن گزینه Cochran's Q، بر گزینه ی ok از شکل 10 کلیک کنید تا فرمان آزمون کوکران اجرا شود.

در این مقاله، سه آزمون فریدمن، کندال (W) و کوکران بررسی می شوند. این آزمون ها توزیع های چندین متغیر وابسته را ارزیابی می کنند.

آزمون هایی که در این مقاله مطرح می شوند، به مقایسه ی توزیع دو متغیر وابسته توجه دارند. کاربرد شایسته ی یکی از این چهار نوع آزمون (ویلکاکسون)، علامت، مک نمار و همگن بودن حاشیه ای)، به نوع داد ها بستگی دارد. غالباً آزمون های این بخش در پژوهش های آزمایشی که متغیر وابسته پیش و پس از مداخله ی آزمایشی سنجیده می شود و یا آن دسته از پژوهش هایی که گذشت زمان به عنوان مداخله ی آزمایشی است و همچنین پژوهش های غیر آزمایشی

آزمون کروسکال- والیس و جونک هیر- ترپسترو توضیح داده می شوند. هر چند آزمون میانه همتای غیرپارامتریک آزمون t تست گروهای مستقل است، اما برای مقایسه ی رتبه های چندین گروه مستقل نیز استفاده می شود. در این آزمون، ابتدا رتبه های گروه ها صرف نظر از وضعیت گروهی آن ها به صورت صعودی یا نزولی مرتب می شوند و سپس میانه ی آن ها محاسبه می شود.

در موقعیت هایی که قرار است دو گروه مستقل (مانند دختر/ پسر، گروه آزمایشی/ گروه گواه و...) از لحاظ یک متغیر وابسته که در حد رتبه ای اندازه گیری شده است مورد مقایسه قرار گیرند، آزمون یومان ویتنی بهترین گزینه است.

در آزمون کای اسکور، توزیع فراوانی های مشاهده شده با یک توزیع نظری مقایسه می شود و هنگامی این آزمون کاربرد مطلوبی دارد که فراوانی ها در طبقات اسمی که دارای هیچ ترتیب معینی نیستند، جمع آوری شده باشند. اما اگر فراوانی های مشاهده شده در یک نظم منطقی مرتب شوند، کاربرد آزمون کالمو گروف اسمیرونف برای ردیابی تفاوت فراوانی ها در طبقات مرتب شده از قابلیت آماری بهتری نسبت به آزمون کای اسکور برخوردار است.

به منظور بررسی اثر جنسیت و طبقه اجتماعی- اقتصادی بر احتمال ابتلا به دیابت، آزمون مجذور کای دو بعدی به کار برده شد. در این آزمون فراوانی های قابل انتظار از نتیجه ی مضروب فراوانی های مشاهده شده ی حاشیه ای هر خانه، تقسیم بر کل فراوانی ها به دست می آمد. اما در تحلیل کای اسکور با بیش از دو بعد، محاسبه ی فراوانی های قابل انتظار به این سادگی امکان پذیر نیست.

هنگامی که پاسخ یا فراوانی یک گروه آزمودنی را در سطوح گوناگون دو متغیر تنظیم می کنیم، برای تجزیه و تحلیل آن از آزمون مجذور کای دو متغیری یا آزمون خی دو دو متغیره در spss استفاده می شود.

هنگامی آزمون دو جمله ای به کار برده می شود که متغیر طبقه ای پژوهش دارای دو ارزش (قبول/مردود، بیمار/سالم و...) باشد. اگرمتغیر طبقه ای دارای بیش از دو ارزش باشد و قصد داشته باشیم فراوانی های بالاتر از یک طبقه ی حاص را با فراوانی های پایین تر از آن طبقه ی خاص مقایسه کنیم، به کار بردن آزمون دو جمله ای امکان پذیر است.