آموزش مفاهیم روایی عاملی تائیدی مرتبه اول و دوم با نرم افزار آموس، قدم  به قدم

مفاهیم روایی عاملی آموس قدم  به قدم

برای گرفتن روایی عاملی (یا تحلیل عاملی تاییدی)، نرم‌افزار AMOS یکی از ابزارهای مناسب است. این تحلیل برای بررسی این موضوع انجام می‌شود که آیا داده‌های مشاهده‌شده با مدل نظری مورد انتظار مطابقت دارند یا خیر. در ادامه، مراحل انجام تحلیل عاملی تاییدی در AMOS به صورت گام به گام توضیح داده شده است:

گام اول: آماده‌سازی داده‌ها

1. ساخت فایل داده‌ها:
   • داده‌های خود را در یک نرم‌افزار آماری مانند SPSS آماده کنید. فایل داده‌ها باید شامل متغیرهای مورد نظر باشد که در تحلیل عاملی تاییدی استفاده خواهند شد.
   • اطمینان حاصل کنید که فایل داده‌ها به درستی کدگذاری شده و مقادیر گمشده مدیریت شده‌اند.
2. بررسی اولیه:
   • داده‌ها را برای نرمال بودن (با آزمون‌هایی مانند کولموگروف-اسمیرنوف) و وجود داده‌های پرت بررسی کنید.
   • به حجم نمونه توجه کنید؛ برای تحلیل عاملی تاییدی، حداقل 5-10 پاسخ برای هر گویه مورد نیاز است.

گام دوم: تعریف مدل در AMOS

1. باز کردن AMOS:
   • نرم‌افزار AMOS را باز کنید و گزینه‌ی Graphics را برای ورود به محیط طراحی انتخاب کنید.
2. ترسیم مدل:
   • از ابزارهای موجود در محیط گرافیکی استفاده کنید تا مدل مورد نظر را ترسیم کنید.
   • هر عامل (سازه پنهان) را به صورت یک دایره ترسیم کنید.
   • گویه‌ها (متغیرهای مشاهده‌شده) را به صورت مستطیل رسم کنید و آن‌ها را به عوامل مرتبط کنید.
   • از فلش‌های یک‌طرفه برای نشان دادن رابطه عوامل با گویه‌ها استفاده کنید.
   • برای خطاهای اندازه‌گیری، دایره‌هایی به صورت خودکار توسط AMOS ایجاد می‌شوند.
3. نام‌گذاری متغیرها:
   • روی هر دایره یا مستطیل کلیک کنید و متغیرها را با نام‌هایی که در فایل داده‌ها هستند، مشخص کنید.

گام سوم: وارد کردن داده‌ها

1. از منوی
   

   File، گزینه Data Files را انتخاب کنید.

2. فایل داده (SPSS یا CSV) خود را انتخاب کرده و باز کنید.
3. مطمئن شوید که نام متغیرها به درستی با مدل شما مطابقت دارد.

گام چهارم: تنظیمات اولیه مدل

1. معین کردن مدل:
   • حداقل یک مسیر از هر سازه باید ثابت (fix) شود. معمولاً وزن یک مسیر به 1 تنظیم می‌شود تا مدل معین (Identified) شود.
2. تنظیمات برای تحلیل:
   • به منوی Analysis Properties بروید و گزینه‌های زیر را تنظیم کنید:
     • تیک گزینه Estimate Means and Intercepts را فعال کنید.
     • در تب Output، گزینه‌های Standardized Estimates و Modification Indices را فعال کنید.

گام پنجم: اجرا و برآورد مدل

1. روی آیکون “Run” (شکل مثلث سبز) کلیک کنید تا تحلیل اجرا شود.
2. پس از اجرا، پنجره خروجی (Output) باز می‌شود.

گام ششم: تفسیر خروجی

1. شاخص‌های برازش مدل: در بخش خروجی، شاخص‌های برازش مدل را بررسی کنید. شاخص‌های مهم عبارتند از:
   • Chi-square (x²): باید غیرمعنادار باشد (با این حال، برای نمونه‌های بزرگ ممکن است همیشه معنادار شود).
   • CFI (Comparative Fit Index): بالاتر از 0.90 باشد.
   • TLI (Tucker-Lewis Index): بالاتر از 0.90 باشد.
   • RMSEA (Root Mean Square Error of Approximation): کمتر از 0.08 باشد.
2. ضرایب مسیر:
   • ضرایب مسیر (Factor Loadings) را بررسی کنید. این مقادیر باید بالاتر از 0.3 یا 0.4 باشند (ترجیحاً بالاتر از 0.5).
3. خطای استاندارد:
   • مقادیر خطای استاندارد را بررسی کنید. این مقادیر باید کوچک و معنادار باشند.

گام هفتم: اصلاح مدل (در صورت نیاز)

1. اگر مدل به خوبی برازش ندارد، از شاخص‌های اصلاحی (Modification Indices) استفاده کنید.
   • شاخص‌های اصلاحی نشان می‌دهند که کدام روابط یا کواریانس‌ها باید اضافه شوند.
   • اضافه کردن کواریانس بین خطاهای گویه‌های مرتبط ممکن است به بهبود برازش کمک کند.
2. مجدداً مدل را اجرا کنید و خروجی را بررسی کنید.

گام هشتم: گزارش نتایج

در گزارش خود، موارد زیر را درج کنید:

1. شاخص‌های برازش مدل (CFI، TLI، RMSEA و غیره).
2. ضرایب مسیر استاندارد شده (Standardized Loadings).
3. شاخص‌های اصلاحی (در صورت استفاده).
4. تفسیری از معناداری روابط و برازش مدل.

نکات پایانی

• برای اطمینان از روایی عاملی، می‌توانید از معیارهای مکمل مانند AVE (میانگین واریانس استخراج‌شده) استفاده کنید.
• در صورت پیچیدگی بیشتر مدل، تحلیل را در چند مرحله انجام دهید (مدل‌های جزئی برای هر عامل).

تفاوت روایی عاملی مرتبه اول و مرتبه دوم

روایی عاملی مرتبه اول و مرتبه دوم به تفاوت در سطح ساختار مدل مفهومی و پیچیدگی روابط بین عوامل اشاره دارد. در ادامه، هرکدام به‌صورت جداگانه توضیح داده شده‌اند:

1. روایی عاملی مرتبه اول

در این نوع روایی، تحلیل بر اساس یک سطح از ساختار مدل انجام می‌شود. به این معنا که:

• عوامل اصلی (یا سازه‌های پنهان) مستقیماً با گویه‌ها (متغیرهای مشاهده‌شده) مرتبط هستند.
• هر عامل به‌طور جداگانه مورد بررسی قرار می‌گیرد و ارتباط آن با گویه‌های مربوط به خودش ارزیابی می‌شود.

ویژگی‌ها:

• عوامل یا سازه‌ها از مجموعه‌ای از گویه‌های مستقیم تشکیل می‌شوند.
• روابط بین گویه‌ها و عوامل با استفاده از بارهای عاملی (Factor Loadings) بررسی می‌شود.
• این نوع تحلیل برای اطمینان از روایی گویه‌ها در تبیین عوامل استفاده می‌شود.

مثال:

اگر شما پرسشنامه‌ای درباره رضایت شغلی داشته باشید که شامل سه عامل (رضایت مالی، رضایت محیطی، رضایت حرفه‌ای) است:

• گویه‌های مربوط به رضایت مالی مستقیماً با این عامل مرتبط هستند.
• گویه‌های مربوط به رضایت محیطی و حرفه‌ای نیز به‌طور مستقیم با عوامل مربوطه ارتباط دارند.

2. روایی عاملی مرتبه دوم

این نوع روایی برای مدل‌هایی استفاده می‌شود که دارای ساختار سلسله‌مراتبی هستند. در این حالت:

• عوامل مرتبه اول به‌عنوان متغیرهای مشاهده‌شده برای عامل سطح بالاتر (مرتبه دوم) عمل می‌کنند.
• هدف، بررسی این است که آیا عوامل مرتبه اول به‌طور معنادار به یک عامل کلی‌تر مرتبط هستند یا خیر.

ویژگی‌ها:

• تحلیل شامل دو سطح از ساختار است:
  • سطح اول: روابط بین گویه‌ها و عوامل مرتبه اول.
  • سطح دوم: روابط بین عوامل مرتبه اول و عامل کلی (مرتبه دوم).
• این نوع تحلیل زمانی استفاده می‌شود که فرض بر این باشد که عوامل مرتبه اول نمایانگر یک مفهوم گسترده‌تر هستند.

مثال:

در مثال رضایت شغلی:

• رضایت مالی، رضایت محیطی و رضایت حرفه‌ای عوامل مرتبه اول هستند.
• این عوامل به یک عامل کلی‌تر (یعنی رضایت شغلی کلی) در سطح مرتبه دوم مرتبط می‌شوند.

تفاوت‌های کلیدی

چه زمانی از هرکدام استفاده کنیم؟

1. مرتبه اول:
   • زمانی که هدف ارزیابی رابطه گویه‌ها با عوامل اصلی باشد.
   • در مدل‌های ساده یا هنگامی که سازه‌های مستقل بررسی می‌شوند.
2. مرتبه دوم:
   • در مدل‌های سلسله‌مراتبی که عوامل سطح پایین‌تر یک سازه کلی‌تر را توضیح می‌دهند.
   • زمانی که بخواهید مفاهیم گسترده‌ای مانند “کیفیت زندگی”، “تعهد سازمانی” یا “عملکرد کلی” را بررسی کنید که از عوامل مختلف تشکیل شده‌اند.

نتیجه‌گیری

• روایی عاملی مرتبه اول روی ارتباط مستقیم گویه‌ها با عوامل تمرکز دارد، درحالی‌که روایی مرتبه دوم به روابط بین عوامل مرتبه اول و یک عامل سطح بالاتر توجه می‌کند.
• انتخاب نوع تحلیل به ساختار نظری مدل و هدف پژوهش شما بستگی دارد.