تحلیل عوامل تأییدی این امکان را به پژوهشگر می دهد تا فرضیه ی ارتباط میان متغیرهای مشاهده شده را با ساختارهای مکنون زیربنایی آن ها بیازماید. اساسی ترین مفهوم در تحلیل عوامل تأییدی، موضوع متغیر مکنون است که در ادامه به آن و نیز به آزمون برازندگی پرداخته می شود.

تحلیل عاملی تاییدی

در تحلیل عوامل تأییدی، پژوهشگر الگویی از روابط میان متغیرها را با توجه به نظریه یا دانش تجربی و یا هر دو فرض می کند و سپس به آزمون آماری آن ها می پردازد.

در تحلیل عوامل تأییدی تعیین قیود مهم و اساسی در مدل عاملی، امکان پذیر است.

در این روش پژوهشگر، می تواند تعداد عوامل را تعیین کند و یا یک ارزش معین را به رابطه ی میان متغیر مکنون و متغیرهای مشاهده شده اختصاص دهد.

برعکس تحلیل عوامل اکتشافی، اندازه های برازندگی گوناگونی برای ارزیابی مدل پژوهشگر در تحلیل عوامل تأییدی ارائه می شود.

اما در این روش، نمره های عاملی محاسبه می شود؛ به عبارت دیگر، در تحلیل عوامل تأییدی پژوهشگر به دنبال تبیین متغیر وابسته و یا آزمودن یک مجموعه از روابط در یک مدل از پیش طراحی شده است.

شاخص های برازندگی در تحلیل عوامل تأییدی مربوط به آزمودن یک رابطه ی ساده میان دو متغیر نیستند.

انجام تحلیل عوامل تأییدی مستلزم به کار گرفتن ابزارهای نرم افزاری جدید از قبیل (Mplus، Lisrel، Amos، Eqs، Sas و یا Stat) می باشند.

تحلیل عوامل تأییدی نوع خاصی از مدل یابی معادلات ساختاری و یا تحلیل ساختار کوواریانس تلقی می شود.

در زبان لیرزل، به تحلیل تأییدی مدل یابی روابط ساختار خطی نیز گفته می شود؛ به بیان دیگر، اساسی ترین مفهوم در تحلیل عوامل تأییدی، موضوع متغیر مکنون است که در ادامه به آن پرداخته می شود.

متغیر مکنون :

پژوهشگران برای توصیف متغیرهایی که در مدلهای اندازه گیری (مجموعه داده ها) وجود خارجی ندارند، از اصطلاحات گوناگونی از جمله متغیرهای اندازه گیری نشده، عامل ها، متغیرهای مشاهده نشده، سازه ها یا نمره های واقعی استفاده می نمایند.

در تعاریف غیر رسمی، از متغیرهای مکنون به عنوان متغیرهای فرضی یا سازه های فرضی و زیر بنایی یاد می شود. در تعاریف دیگر از متغیرهای مکنون، از واژه ی استقلال کانونی استفاده می شود.

ایده ی اساسی استقلال کانونی این است که رابطه ی میان ماده های مربوط به یک سازه ی معین، پس از کنترل (ثابت نگه داشتن) متغیر مکنون زیربنایی آن ماده ها، موجب استقلال ماده ها از یکدیگر و یا ارتباط غیر معنی دار میان نمره های باقی مانده ی ماده ها می شود.

به نظر برخی از پژوهشگران، تعریف مذکور از متغیرهای مکنون بسیار عمومیت دارد.

اگر در میان ماده های مربوط به یک مقیاس معین تنها یک منبع واریانس مشترک وجود داشته باشد، ثابت نگه داشتن بردار مکنون متعلق به آن ماده ها به طرز مطلوبی موجب استقلال نمره های باقیمانده ها می شود.

اما، اگر علاوه بر واریانس مشترک، منبع واریانس اختصاصی ماده ها نیز بارز باشد، کنترل متغیر نهفته منجر به استقلال ماده ها از یکدیگر نمی شود.

از دیدگاه مدل های اندازه گیری، می توان متغیرهای مکنون را نمره هایی تلقی کرد که خطای اندازه گیری از آن ها جدا شده است؛ به عبارت دیگر، مدل های اندازه گیری متغیرهای مکنون، خالی از خطای اندازه گیری هستند.

در این مدل ها فرض می شود که واریانس هر کدام از متغیرهای مشاهده شده (یا ماده ها) از واریانس متغیر مکنون زیربنایی آن ها ناشی می شود.

به طور کلاسیک، واریانس متغیرهای اندازه گیری شده را می توان به دو جزء واریانس حقیقی و واریانس خطا تقسیم کرد.

واریانس حقیقی با متغیر واقعی و واریانس خطا با عوامل تصادفی در ارتباط هستند.

بنابراین، در متغیرهای مکنون اثری از واریانس خطا وجود ندارد.

بدین لحاظ، هنگامی که واریانس خطا از مدل اندازه گیری به وسیله ی متغیرهای مکنون مهار می شود، ارنباط میان متغیر مکنون با یک متغیر ابسته ی معین همواره بیشتر از جمع ساده ی ماده های مربوط به متغیر مکنون و یا حتی ترکیب خطی آن ماده ها با متغیر وابسته می شود.

اگر ترکیب خطی ماده های یک مقیاس معین با یک متغیر وابسته پیش از ارتباط میان متغیر مکنون آن ماده ها با متغیر وابسته شود، باید به مدل اندازه گیری و پیش شرط های لازم برای آن مقیاس مشکوک شود، باید به بار عاملی ماده های یک مقیاس مشابه، می توان اذعان کرد که ارتباط میان ترکیب خطی آن ماده ها و همچنین ارتباط میان متغیر مکنون آن ماده ها با یک متغیر وابسته معین مشابه خواهد شد.

آزمون برازندگی :

مجموعه ی گسترده ای از آزمون های چند منظوره وجود دارد که برای بررسی تطابق مدل پیشنهادی با داده های مشاهده شده از آن ها استفاده می شود.

آزمون کای اسکور (مجذور کای یا خی دو)

یک نمونه کلاسیک از آزمون های برازندگی محسوب می شود که کلیت برازندگی مدل ارزیابی می کند.

فرض صفر در مقابل آزمون مجذور کای از این قرار است.

ماتریس کوواریانس پیش بینی شده با ماتریس کوواریانس نمونه ی مشاهده شده برابر است.

مقدار بزرگ مجذور کای که منجر به رد فرض صفر می شود، نشان دهنده ی این است که برآوردهای مدل به خوبی ماتریس کوواریانس نمونه را باز تولید نمی کند، به عبارت دیگر، مجذور کای بزرگ نشان دهنده ی عدم تناسب مدل با داده های پژوهش است.

بر عکس، یک مجذور کای کوچک ( عدم رد فرض صفر)، نشانه ای از برازندگی مدل تلقی می شود.

با این حال، به طرز گسترده ای مشخص شده است که آزمون مجذور کای به دلیل حساسیت آن به حجم نمونه، یک آزمون مسأله دار است و به ویژه هنگامی که حجم نمون افزایش پیدا کند، رد فرض صفر به سهولت امکان پذیر می شود.

همچنین، هنگامی که داده ها از مفروضه های توزیع نرمال تخطی کنند، آزمون مجذور کای منجر به رد مدل های خوب و تأیید مدل های بد می شود.

این آزمون به اندازه ی همبستگی میان متغیرهای مدل حساس است.

با افزایش همبستگی میان متغیرها احتمال رد برازش مدل و با کاهش همبستگی احتمال برازش مدل افزایش می یابد.

اگر روابط میان متغیردر حد صفر باشد برازش کلی مدل کاملاً تأیید می شود اما ، چون پارامترهای داخل مدل غیر معنی دار می شوند این برازش کلی هیچ اعتباری ندارد.

بنابراین، آزمون مجذور کای بندرت مورد توجه قرار می گیرد.

با توجه به عقب نشینی از کاربرد آزمون مجذور کای، آزمون های جایگزین گوناگونی جهت ارزیابی برازندگی مدل های ساختاری گسترش یافته است.

ریشه میانگین مجذور باقیمانده های تقریبی یکی دیگر از شاخص های ارزیابی برازندگی مدل های معادلات ساختاری و تحلیل عوامل تأییدی به حساب می آید که به طور قطع مهمترین ساخصی است که مبنای پذیرش یا رد یک مدل مفروض قرار می گیرد.

هر چند اغلب شاخص های برازندگی تابعی از یکدیگر هستند، ولی آنچه مسلم است نگاه اول و آخر پژوهشگر به شاخص Root Mean Square Error Of Approximation است که به اختصار به ان شاخص رمزی (RMSEA) گفته می شود.

روش محاسبه ی شاخص مذکور با توجه به فرمول زیر به قرار زیر است.


تحلیل عاملی تاییدی با استفاده از spss

 

1- مقدار مجذور کای و درجه آزادی مدل محاسبه می شود.

2- درجه آزادی مدل از مجذور کای مدل کم می شود و از نمره ی حاصل از این تفاضل جذر گرفته می شود.

3- درجه آزادی در N (تعداد نمونه) منهای 1 ضرب می شود و سپس از این حاصل ضرب جذر گرفته می شود.

4- نتیجه ی مرحله ی 2 بر مرحله ی 3 تقسیم می شود.

به حاصل این نسبت شاخص رمزی گفته می شود. هر چقدر محصول این محاسبه کوچکتر باشد، مدل برازنده تر می شود. اگر مقدار مجذور کای کمتر از درجه آزادی مدل باشد، شاخص رمزی صفر تلقی می شود.

شاخص رمزی به طور مثبت سوگیری دارد (یعنی مقادیر بزرگتر بیشتر رخ می دهد) و مقدار این سوگیری به کوچک بودن حجم نمونه و بویژه درجه آزادی مدل بستگی دارد.

به طور کلی مدل های با رمزی (RMSEA) 0.01 تا 0.05 مدل های با برازندگی عالی، 0.06 تا 0.08 برازندگی خوب، 0.08 تا 0.10 قابل قبول و بزرگتر از 0.10 غیر قابل قبول تلقی می شوند.

ناگفته نماند که این اعداد مبتنی بر قضاوت های ذهنی هستند و نباید به عنوان معیارهای خطاناپذیر در نظر گرفته شوند.

معیار اطلاعات آکاکی (Akaike Information Criterion) یکی دیگر از شاخص های معادلات ساختاری است که امکان مقایسه ی برازندگی دو مدل را فراهم می کند.

هر کدام از مدل ها که شاخص آکاکی آن کوچکتر باشند، مدل برازنده تری محسوب می شود.

شاخص برازندگی تطبیقی (Comparative Fit Index) استقلال متغیرهای مکنون مدل را ارزیابی می کند.

در حقیقت، این شاخص برازندگی مدل از پیش طراحی شده ی پژوهشگر را با یک مدل اولیه ی آشیانه ای محدود تر آزمون می کند که در آن تمام کوواریانس های متغیرهای نشانگر (متغیرهای مشاهده شده) صفرقرار داده می شوند.

هر چه مقدار شاخص برازندگی تطبیقی به یک نزدیکتر باشد، مدل از برازندگی بهتری برخوردار است.

مقدار قراردادی این شاخص برای پذیرش برازندگی مدل 0.90 است.

شاخص (TLI) Tucker Lewis Index یکی دیگر از شاخص های تطبیقی است، با این تفاوت که برای افزودن هر پاامتر در مدل، جریمه ای پرداخت می کند.

ار لحاظ تفسیری، شاخص های توکر شبیه شاخص CFI است، اما ارزش عددی آن از دامنه 0 تا 1 فراتر می رود.

برای ارزیابی مدل هیچ گونه قانون واحدی که همگان نسبت به آن توافق داشته باشند وجود ندارد، با این حال، هو و بنتلر (1999) یک سری قوانین سرانگشتی برای معنی داری یک مدل مفروض بدین شرح اعلام می کنند:

هنگامی که ارزش رمزی (RMSEA) برابر با 0.06 یا کمتر است و همچنین CFIو TLI بزرگتر یا برابر با 0.95 هستند، می توان اظهار داشت که مدل مفروض به شکل منطقی برازنده است.

بنابراین، آن ها توصیه می کنند تا علاوه بر شاخص مجذور کای، شاخص رمزی (RMSEA)، CFIوTLI نیز گزارش شود.

نکته ی مهم:

معنی داری برازش مدل ها در دو سطح معنی داری کلی (برازش مدل) و معنی داری روابط ساختاری یا پارامتر های مدل باید مورد توجه قرار گیرد.

به طور مثال، در یکتحلیل عامل تأییدی، اگر برازش کلی مدل معنی دار شود، اما ارتباط برخی از ماده ها با متغیر مکنون معنی دار نشود، این معنی داری کلی مدل، اعتبار ندارد. در این وضعیت باید ماده های غیر معنی دار حذف و مدل مجدداً تحلیل شود.

وجود رابطه ی معنی دار میان متغیرهای مکنون ( در مدل های تأییدی) برای اعتبار مدل ضروری نیست.

و مضافاً اینکه در مدل های میانجی گر، در صورتی معنی داری یا برازش مدل معتبر است که اثر غیر مستقیم مورد نظر پژوهشگر معنی دار باشد؛ به عبارت دیگر، از معنی داری یا برازش کلی مدل، نمی توان نتیجه گرفت که متغیر مستقل از طریق متغیر میانجی گر با متغیر وابسته ارتباط دارد؛ بنابراین؛ اعتبار مدل های میانجی گر مستلزم وجود معنی داری در دو سطح برازش کلی مدل و پارامترهای مورد نظر پژوهشگر است.

برای دریافت متن کامل این مقاله آموزشی بسته آموزش تحلیل آماری با spss را تهیه کنید:

شما با این بسته می توانید تحلیل آماری با spss و amos را کامل و آسان بیاموزید

و قطعا قادر می شوید کارهای آماری را حودتان انجام دهید

چگونه؟

بسته آموزشی تجزیه تحلیل آماری با SPSS و AMOS

از صفر تا صد آموزش  spss

آموزش مباحث اساسی AMOS

آموزش به زبان ساده ، موضوعی و گام به گام همراه با تصویر

33 پکیج (1378 صفحه تصویری)+ به همراه همه مقالات آموزشی این سایت درباره spss

لطفا و خواهشا برای سوال های آماری و رفع اشکال تماس نگیرید

هر آنچه لازم باشد در این بسته آموزشی آمده است.

 


انتخاب جدیدترین موضوعات پایان نامه روانشناسی، مشاوره و علوم تربیتی و انجام تخصصی پروپوزال(دانلود نمونه کار پروپوزال)::

شماره تماس: 09011853901
جهت ارسال سریع پیام در پیام رسان های زیر نام هر یک را لمس کنید.