دانلود پایان نامه

3-6)روش‌ها و ابزار تجزیه و تحلیل داده‏ها
با استفاده ازآمارتوصیفی به بررسی ویژگی های جامعه آماری وسپس به آزمون فرضیات وترسیم تحلیل مسیرمی پردازیم. به منظور بررسی رابطه بین متغیرهای مستقل و وابسته وبررسی فرضیه های تحقیق، بااستفاده ازنرم افزارSPSS، با استفاده از آزمون نرمال بودن (کولموگراف- اسمیرونوف)نرمال بودن متغییرها را میسنجیم.که برای دادههای نرمال ازآزمون ضریب همبستگی پیرسون و برای داده‌های غیر نرمال از ضریب همبستگی اسپیرمن استفاده می شود. همچنین به منظورآزمون مجموعه روابط علت ومعلولی بین وفاداری مشتری ومؤلفه های مورد بررسی با استفاده از نرم افزارآموس معادلات ساختاری روابط بین متغیرها مدلسازی میگردد.
یکی از قویترین ومناسبترین روش های تجزیه وتحلیل درتحقیقات علوم رفتاری واجتماعی تجزیه وتحلیل چندمتغیره است، زیرا ماهیت این گونه موضوعات چندمتغیره است ونمی توان آنها راباشیوهی دومتغیری(که هربارتنهایک متغیرمستقل بایک متغیروابسته درنظرگرفته میشود) حل کرد.
تجزیه وتحلیل چندمتغیره به یک سری روش های تجزیه وتحلیل اطلاق می شودکه ویژگی اصلی آنها، تجزیه وتحلیل همزمان، چندمتغیرمستقل با متغیروابسته است. تجزیه وتحلیل ساختارهای کواریانس یامدل سازی علی یامدل معادلات ساختاری، یکی ازاصلیترین روش های تجزیه وتحلیل ساختارهای داده ای پیچیده است وبه معنی تجزیه وتحلیل متغیرهای مختلفی است که دریک ساختارمبتنی برتئوری، تأثیرات هم زمان متغیرها رابرهم نشان میدهد. این روش، ترکیب ریاضی و آماری پیچیدهای ازتحلیل عاملی، رگرسیون چندمتغیره وتحلیل مسیراست که دریک سیستم پیچیده گردهم آمده است تاپدیده های پیچیده راموردتجزیه وتحلیل قرار دهد.
رگرسیون خطی
رگرسیون روشآماری است کهبه بررسی ارتباط دو یا چند متغیر میپردازد که با استفاده از آن می توان یک متغیر را بر اساس یک یا چند متغیر دیـگر پیش بـینی نمود. حال در صورتیکه یک متغیر مستقل داشته باشیم با مدل رگرسیون خطی ساده و در صورتیکه بیش از یک متغیر مستقل داشته باشیم با مدل رگرسیون چندگانه مواجه می‌شویم.

الف) رگرسیون ساده
فرض کنید X یک متغیر مستقل، Y یک متغیر وابسته و e متغیر خطا باشد. معادله خط رگرسیون به صورت

است که در آن پارامتر نشان دهنده شیب خط است. در مدل رگرسیونی خطی ساده متغیر مستقل تحت کنترل است و تصادفی نیست در صورتی که متغیر وابسته تصادفی است. با استفاده از تحلیل رگرسیون می توانیم فرض وجود ارتباط بین دو متغیر مستقل و وابسته را آزمون کنیم. به منظور آزمون کردن فرض
“: مدل رگرسیون خطی برازش داده شده، معنی دار نیست،
در برابر فرض
“: مدل رگرسیون خطی برازش داده شده، معنی دار است،
قرار می‌گیرد و از جدول تجزیه واریانس استفاده می‌کنیم که به صورت زیر می‌باشد.

مطلب مرتبط :   پایان نامه با کلید واژگانمسئولیت مدنی، مسئولیت کیفری، جبران خسارت

منبع تغییرات
مجموع مربعات
درجه آزادی
میانگین مربعات
آماره F
سطحمعنیداری
رگرسیون
SSR
1
MSR=SSR/1
MSR/MSE
P-Value
خطا
SSE
2-n
MSE=SSE/n-2

مجموع
SST
1-n

که در آن
، و است(مونت گمری و بازرگان لاری).
تصمیم گیری
اگر فرض را در سطح خطای 05/0 رد می‌کنیم و در غیر اینصورت را می‌پذیریم.
ب) رگرسیون چندگانه
مدل‌های رگرسیونی که شامل دو یا چند متغیر مستقل باشند به مدل‌های رگرسیون چندگانه معروفند. فرض کنید،X1,..,XK وk متغیر تصادفی مستقل باشند و یک متغیرتصادفی وابسته باشد. رگرسیون خطی چندگانه میان این متغیرها به صورت زیر تعریف می‌شود:

که در آنβ1,…βK ضرایب رگرسیونی می‌باشند.
حال به منظور آزمون فرض
“: مدل رگرسیون خطی برازش داده شده، معنی دار نیست،
در برابر فرض
“: مدل رگرسیون خطی برازش داده شده، معنی دار است،
از جدول تجزیه واریانس استفاده می‌کنیم که به صورت زیر می‌باشد.

منبع تغییرات
مجموع مربعات
درجه آزادی
میانگین مربعات
آماره F
سطحمعنیداری
رگرسیون
SSR
k
MSR=SSR/k
MSR/MSE
P-Value
خطا
SSE
n-k-1
MSE=SSE/n-k-1

مجموع
SST
n-1

تصمیم گیری
اگر فرض را در سطح خطای 05/0 رد می‌کنیم و در غیر اینصورت را می‌پذیریم.
تعریف معیارهای NFI،RFI، IFI، CFI،RMR، GFI، AGFI و RMSEAدرنرم افزار آموس:
NFI: این شاخص به مقایسه مدل مستقل(مدلی که در آن بین متغیرها هیچ رابطه‌ای نیست به این مدل، مدل پایه نیز گفته می‌شود) با مدل پیشنهادی مورد نظر می‌پردازد. این شاخص هرچه به عدد یک نزدیک تر باشد به این معناست که مدل پیشنهادی ما مناسب بوده است و به صورت زیر محاسبه می‌شود:

بطوریکه، A = مقدار آماره خی دو تحت مدل مستقل و B = مقدار آماره خی دو تحت مدل پیشنهادی هستند.
RFI: شاخص برازش نسبی است و مناسبت مدل ارائه شده را میسنجد و به صورت زیر محاسبه می‌شود:

که در این فرمول، A = مقدار آماره خی دو تحت مدل مستقل و B = مقدار آماره خی دو تحت مدل پیشنهادی هستند. و به ترتیب نشان دهنده درجه آزادی مدل مستقل و درجه آزادی مدل پیشنهادی هستند. هرچه مقدار RFI به یک نزدیک تر باشد، مدل بهتر است.
IFI: این معیار شاخص برازش نموی است و به صورت زیر محاسبه می‌شود:

مطلب مرتبط :   دانلود پایان نامه درموردارباب رجوع، قولنامه، استقراض

بطوریکه A = مقدار آماره خی دو تحت مدل مستقل و B = مقدار آماره خی دو تحت مدل پیشنهادی و نشان دهنده درجه آزادی مدل پیشنهادی هستند. هرچه مقدارIFI به یک نزدیک تر باشد نتیجه می‌گیریم که
مدل پیشنهادی مناسب است.
CFI: این معیار شاخص برازش مقایسه‌ای است و به صورت زیر محاسبه می‌شود:

در این فرمول نیز مقادیر A، B، d و همانند قبل تعریف می‌شوند. هرچه مقدار CFI به یک نزدیک تر باشد نتیجه می‌گیریم که مدل پیشنهادی مناسب است.

RMR: این شاخص نشان دهنده ریشه میانگین مربعات باقی مانده است. فرض کنید مشاهدات در i سطر، j ستون و k طبقه قرار داده شده باشند. فرمول RMR به صورت زیر می‌باشد:

در فرمول فوق و به ترتیب نشان دهنده کوواریانس و واریانس مشاهدات هستند و نشان دهنده درجه آزادی مدل مستقل است. هرچه مقدار RMR به صفر نزدیک تر باشد مدل مناسب تر است.

GFI: شاخص نیکویی برازش است که داری فرمول زیر می‌باشد:

در این فرمول نشان دهنده ماتریس وزنها، و نیز نشان دهنده بردارهای واریانس و کوواریانس مشاهدات هستند که توسط مشاهدات برآورد شدهاند. مقدار GFI همواره کمتر از 1 است. هرچه مقدار GFI به عدد یک نزدیک باشد مدل مناسب تر است.

AGFI: شاخص نیکویی برازش تعدیل شده است و دارای فرمول زیر می‌باشد:

که در فرمول فوق و به ترتیب نشان دهنده درجه آزادی مدل مستقل و درجه آزادی مدل پیشنهادی هستند. مقدار AGFI همواره کمتر از 1 است. هرچه مقدار GFI به عدد یک نزدیک باشد مدل مناسب تر است.
RMSEA این شاخص نشان دهنده جذر میانگیـن مربعات خطای تقریبی است و به صورت تفاضل مابین مجمــوع مربعــات خطای کلی و مجموع مربعات خطـای مدل پیشنهادی محاسبه می‌شود. در صورتی که مقدار RMSEA از 05/0 کمتر باشد نتیجه می‌گیریم مدل مناسب است. در صورتی که مقدار آن بین 05/0 تا 08/0 باشد، مدلبرازش داده شده قابل قبول و اگر از 1/0 بیشتر باشد نتیجه میگیریم که مدل برازشداده شده ضعیف است.

دسته بندی : پایان نامه ها

دیدگاهتان را بنویسید