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.

 برای مقابله با کاهش توان مدل (به دلیل وجود پارامترهای متعدد) سه رویکرد ذیل مورد استفاده قرار می گیرد.

1. دسته بندی ماده ها،

2. کوتاه سازی و

3. تبدیل کردن مقیاس ها به نمره های مکنون.

دسته بندی ماده ها:

رویکرد متداول جهت مقابله با ماده های زیاد عبارت است از دسته بندی ماده های یک مقیاس و به کار گرفتن میانگین هر دسته به عنوان نشانگرهای متغیر مکنون.

به طور مثال، در این روش می توان یک مقیاس 20 ماده ای را به چهار متغیر مشاهده شده (هر کدام پنج ماده) تبدیل کرد و سپس از این چهار نشانگر یک متغیر مکنون در مدل ایجاد کرد. شواهد تجربی فراوان گواه آن است که شیوه ی دسته بندی ماده ها موجب افزایش پایایی، نرمال بودن، انطباق با نمونه های کوچک، کاهش تأثیر ماده های غیر متعارف، تفسیر پذیری و دست یابی به برازش بهتر مدل می گردد (باندالس و فینی ، 2001).

شیوه های دسته بندی ماده ها شامل، قرار دادن تمام ماده ها در یک دسته، روش زوج و فرد (ماده های زوج در یک دسته و ماده های فرد در دسته ی دیگر)، ایجاد سه یا چهار دسته بندی متعادل بر حسب درجه ی دشواری و تمیز ماده ها، روش تعادل یابی میان ماده و سازه، ایجاد سه یا چهار دسته بندی با روش تقسیم تصادفی ماده ها و ساختن دسته بندی بر حسب مشابهت بارهای عاملی می باشد.

مطلوب ترین شرایطی که تاکنون برای دسته بندی ماده ها ذکر شده است این است که تعداد ماده ها از 12 بیشتر و مربوط به یک سازه ی معین تک بعدی باشند (هال، اسنل و فوست، 1999).

کاربرد دسته بندی به شکل زوج و فرد، تقسیم تصادفی و تعادل یابی ماده سازه به عنوان نشانگرهای یک سازه مکنون، زمانی واجد بیشترین تأثیر است که پاسخگویی به ماده ها به صورت لیکرت 5 گزینه ی باشد یونگ، نی و هویل (2010).

همچنین این پژوهشگران تعداد دسته بندی مناسب را به عنوان نشانگرهای یک سازه ی مکنون بین 2 تا 6 دسته بندی گزارش می دهند. از لحاظ روان ینجی علی رغم مزایای مذکور برای دسته بندی ماده ها، بحث و بررسی های مناقشه آمیزی بر سر موضوع دسته بندی وجود دارد.

یکی از نگرانی ها پیرامون دسته بندی این است که اهمیت نسبی هر ماده با توجه به جمع بستن چند ماده در یک دسته، معلوم نمی شود.

یکی دیگر از دل مشغولی ها این است که دسته بندی مقیاس های ترتیبی منجر به نشانگرهای می شوند که مفاهیم تعریف شده ای نمی توان برای هر دسته در نظر گرفت. به طور بالقوه این مشکل می تواند رابطه ای اصلی میان نشانگر و متغیر مکنون را تحت تأثیر قرار دهد. به طور مثال، تغییر جهت از یک رابطه ی غیر خطی به یک رابطه ی خطی (کوآندرز، ستورا و ساریس، 1997).

مشکل دیگر مرتبط با دسته بندی این است که اگر همسانی درونی ماده های یک مقیاس پایین باشد ارتباط میان متغیرهای مکنون کمیته برآورد می شود.

نمره های مکنون:

مقیاس های ترتیبی طولانی (با ماده های زیاد) می تواند به وسیله ی مدل یابی نظریه ی سؤال – پاسخ به نمره های مکنون تبدیل شود و سپس از این نمره ها در مدل یابی ساختاری استفاده گردد. (هامبلتون، سومینتون و روگرز، 1991).

با توجه به اینکه نمره های مکنون عاری از خطای اندازه گیری می باشند، کاربرد آن ها در مدل های ساختاری به بهترین نحو ممکن مشکل تعداد پارامترهای قابل محاسبه را کنترل می کند.

لازم به توضیح است که نرم افزار AMOS-16 و SPSS قادر به ذخیره سازی نمره های مکنون در فایل داده ها نمی باشند.

برای دستیابی به نمره ی مکنون چندین نشانگر معین باید از نرم افزارهای ویژه ی نظریه ی سؤال- پاسخ یا نرم افزار (MPLUS) استفاده کرد.

نرم افزار اخیر از قابلیت بسیار بالایی در مدل یابی معادلات ساختاری (محاسبه ی نمره ی مکنون، ضرب متغیرهای مکنون در یکدیگر، تحلیل های چند سطحی و ...) برخوردار است.

یک راه جانبی که البته بدون نقص نیست کاربرد نمره های عاملی به جای نمره – های مکنون است.

در صورت عدم تخطی ماده های یک آزمون از نرمال بودن چند متغیری و برابر بودن واریانس ماده ها، ارتباط بسیار تنگاتنگی بین نمره ی عاملی با نمره ی مکنون آن ها خواهد بود.

بنابراین، تحت شرایطی کاربرد نمره های عاملی به جای نمره ی مکنون مشکل ساز نخواهد بود.

برای تبدیل ماده های یک مقیاس به نمره ی عاملی می توان از نرم افزار-16 SPSS استفاده کرد.

فرایند تبدیل ماده ها به نمره ی عاملی به قرار زیر است.

- از سربرگ Analyze گزینه Data Reduction و از انشعاب آن گزینه ی Factor را انتخاب کنید و ماده های مقیاس یا دسته بندی مورد نظر را در جعبه ی Variables وارد کنید.

- روی دکمه ی Extraction کلیک کنید و در پنجره ی Method، Principle axis Factoring را انتخاب کنید و از کادر مربوطه خارج شوید.

- بر گزینه ی scores از اولین کادر ارتباطی تحلیل عوامل کلیک کنید و گزینه ی Save as Variables را علامت دار نمائید.

اینک از کادرهای ارتباطی خارج شوید تا نمره ی عاملی ماده های مورد نظر در صفحه ی اصلی SPSS ایجاد شود.

پس از این مرحله، پژوهشگر می تواند از نمره های عاملی به جای ماده ها در مدل پژوهش استفاده نماید.

کوتاه سازی مقیاس:

چندین نشانگر از یک سازه ی مکنون که واجد اعتبار پیش بین و محتوای مناسب می باشند، می تواند به عنوان یک مقیاس کوتاه شده به جای فرم بلند انتخاب شود (مور، هیل، وندیور و مارینا، 2002) و در مدل یابی معادلات ساختاری به کار رود.

مقیاسی که قرار است روش کوتاه سازی بر آن اعمال گردد حتماً باید واجد یک سازه ی تک بعدی باشد.

یک سؤال اساسی که در کوتاه سازی آزمون های بلند مطرح است این است که چند ماه از یک مقیاس می تواند به جای فرم بلند نقش معتبری ایفا نماید. کنی (1979) از چهار نشانگر برای یک سازه ی مکنون حمایت می کند و می افزاید که بیش از چهار ماه غیر ضروری است.

یونگ و همکاران (2010) انتخاب چهار تا شش ماده را برای فرم کوتاه منطقی و مناسب می دانند.

سؤال دیگر این است که ماده های مناسب یک مقیاس را با چه روشی باید انتخاب کرد.

در این جا به دو روش متداول برای انتخاب ماده های معتبر از یک مقیاس اشاره می شود.

روش تحلیل عوامل تأییدی:

به کمک تحلیل عوامل تأییدی می توان از وضعیت بار عاملی ماده های یک مقیاس بر سازه ی زیر بنایی آن ماده ها آگاهی پیدا کرد.

انتخاب ماده هایی که دارای بیشترین بار عاملی می باشند و یا انتخاب ماده هایی که دارای تنوع بار عاملی بر سازه ی مکنون می باشند شیوه های مناسبی جهت کوتاه سازی مقیاس ها تلقی می شوند (یانگ، نی و اویل، 2010).

روش روابط ساختاری:

یک راه دیگر کوتاه سازی آزمون، تکیه بر همبستگی میان متغیرهای درون زاد با نشانگرهای سازه ی متغیر برون زاد است (مور و همکاران، 2002).

در این روش، آن دسته از نشانگرهای سازه ی مکنون برون زاد (متغیر مستقل) که با متغیر درون زاد (متغیر وابسته) همبستگی بیشتری داشته باشند به عنوان فرم کوتاه برای متغیر برون زاد انتخاب می شوند.

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.