تفسیر نتایج برآمده از مدل و ویژگی‌های جمعیت شناختی

دانلود پایان نامه
000/0
3-6- روش‌های آماری تجزیه‌وتحلیل داده‌ها
تجزیه‌وتحلیل داده‌ها در دو بخش آمار توصیفی و استنباطی انجام می‌شود. آمار توصیفی به توصیف اطلاعات به‌دست‌آمده می‌پردازد. این اطلاعات از ویژگی‌های جمعیت شناختی نمونهی آماری تشکیل می‌شوند که تحلیل‌های آماری صورت گرفته بر روی آن‌ها عموماً از قبیل شاخص‌های فراوانی و نمودارهای آماری می‌باشد. در رابطه با آمار استنباطی بنا به‌ضرورت پژوهش از تکنیک‌های آماری مناسبی در جهت اثبات یا رد فرضیه‌های پژوهش استفاده می‌شود. به همین ترتیب این پژوهش از تکنیک مدل‌سازی معادلات ساختاری (SEM) و روش حداقل مربعات جزئی (PLS) جهت آزمون فرضیه‌ها و برازندگی مدل استفاده می‌نماید (دلایل این انتخاب در ادامه توضیح داده می‌شود).
در مدل‌سازی معادلات ساختاری ارتباطات میان چندین متغیر در یک مدل موردبررسی قرارمی‌گیرد. در این تکنیک؛ اول، روابط بین متغیرها با استفاده از یک سری معادلات ساختاریافته تجزیه‌وتحلیل می‌شوند. دوم، این معادلات ساختاریافته در قالب مدل‌هایی ترسیم می‌شوند که به محقق امکان مفهوم‌سازی تئوری‌های پژوهش را با استفاده از داده‌ها می‌دهد (Byrne, 2010).
محققین از این روش برای آزمودن روابط پیچیده میان متغیرهای پنهان و آشکار و همچنین میان چند متغیر پنهان استفاده می‌کنند. این رویکرد، ساختار روابط درونی را در مجموعه‌ای از معادلات می‌آزماید. این معادلات همه روابط میان سازه‌هایی (متغیرهای پنهان مستقل و وابسته) را که در تحلیل وجود دارند، ترسیم می‌کند. سازه‌ها همان عناصر غیرقابل بررسی یا مکنون (پنهان) هستند که با یک یا چند متغیر مشاهده‌شده و درواقع آشکار (شاخص یا سؤال) می‌توان آن‌ها را تعریف نمود. در مدل‌سازی معادلات ساختاری دو نسل از روش‌های تجزیه‌وتحلیل داده‌ها معرفی‌شده‌اند. نسل اول روش‌های مدل‌سازی معادلات ساختاری کوواریانس محور هستند که هدف اصلی این روش‌ها تأیید مدل بوده و برای این کار به نمونه‌هایی با حجم بالا نیاز دارند. نرم‌افزارهای Lisrel، AMOS، EQS و MPLUS چهار عدد از پرکاربردترین نرم‌افزارهای این نسل هستند. چند سال پس از معرفی روش کوواریانس محور، به دلیل نقاط ضعفی که در این روش وجود داشت، نسل دوم روش‌های مدل‌سازی معادلات ساختاری که مؤلفه محور بودند معرفی شدند. روش‌های مؤلفه محور بعداً به روش حداقل مربعات جزئی (PLS) تغییر نام دادند. درواقع PLS، نگرشی مبتنی بر واریانس است که در مقایسه با تکنیک‌های مشابه معادلات ساختاری مانند Lisrel و AMOS، نیاز به شروط کمتری دارد (داوری و رضازاده، 1392).
3-6-1- مراحل مدل‌سازی در معادلات ساختاری:
برای تحلیل روابط میان متغیرها و تفسیر نتایج آن با استفاده از SEM و بنا به نظر داوری و رضازاده (1392)، باید مراحل (تعیین مدل، شناسایی سنجه سازه‌ها، تخمین روابط مدل، ارزیابی مدل، اصلاح مدل و تفسیر نتایج برآمده از مدل) را طی نماید:
3-6-1-1- تعیین مدل:
در این مرحله ابتدا ادبیات نظری پیرامون یک موضوع و مشتقات آن بررسی‌شده و سازه‌های دخیل در آن موضوع خاص شناسایی می‌شوند. این مرحله درواقع همان بیان رسمی مدل است که یکی از مهم‌ترین مراحل موجود در مدل‌سازی معادلات ساختاری است. درواقع هیچ‌گونه تحلیلی صورت نمی‌گیرد، مگر اینکه اول محقق مدل خود را که درباره روابط میان متغیرها بیان و مشخص کند. این مرحله شامل فرمول‌بندی (تنظیم) یک عبارت دربارهی مجموعه‌ای از پارامترهاست. این پارامترها در زمینه مدل‌سازی معادلات ساختاری ماهیت روابط میان متغیرها را نشان می‌دهند. در مدل‌سازی معادلات ساختاری اندازه و علامت این پارامترها تعیین می‌شود.
3-6-1-2- شناسایی سنجه سازه‌ها:
پس از ترسیم مدل حاوی سازه‌ها (متغیرهای پنهان) و روابط میان آن‌ها، نوبت به ترسیم متغیرهای آشکار مربوط به سازه‌ها می‌رسد. درواقع در این مرحله چگونگی سنجش سازه‌ها را مشخص می‌نماییم. برای این کار می‌توان بامطالعه منابع اطلاعاتی مرتبط با سازه‌ها و یا استفاده از سایر روش‌های گردآوری اطلاعات مانند مصاحبه، ابزارهای اندازه‌گیری (پرسشنامه) برای سنجش سازه‌ها تهیه نمود. با انجام این کار، تعداد متغیرهای آشکار (سؤالات) مربوط به هر سازه مشخص می‌گردد.
3-6-1-3- تخمین روابط مدل:
بعد از ترسیم مدل با تمامی اجزای آن، نوبت به تخمین روابط حاوی متغیرهای آشکار و پنهان در مدل می‌رسد. این روابط در دو نوع درونی (بخش ساختاری) و بیرونی (بخش اندازه‌گیری) هستند که روابط بیرونی به رابطه میان سازه و سؤالات مربوط به خود اشاره داشته و روابط درونی حاکی از روابط میان سازه‌های مدل است. تخمین روابط بسته به انتخاب رویکرد مدل‌سازی معادلات ساختاری و نرم‌افزار مربوط به آن رویکرد، متفاوت است ولی در تمامی آن‌ها، اعدادی به‌عنوان میزان تأثیر و یا معناداری آن ارائه می‌شوند که محقق از آن اعداد برای تفسیر نتایج خود استفاده می‌نماید. به‌طور نمونه با انتخاب رویکرد حداقل مربعات جزئی (PLS) و نرم‌افزار Smart PLS که در پژوهش حاضر اتخاذشده است، ضرایب بار عاملی به همراه مقادیر t توسط نرم‌افزار ارائه می‌شوند که به محقق امکان تفسیر مدل را می‌دهند.
3-6-1-4- ارزیابی مدل
برای اینکه بتوان نتایج حاصل از تخمین روابط مدل را تفسیر نمود، ابتدا باید میزان تناسب مدل یا برازش آن را مشخص کرد. بدین معنی که آیا مدلی که اساس آن مبانی نظری پیشین بوده است، با داده‌های گردآوری‌شده از نمونه آماری پژوهش مناسب بوده یا خیر، به‌عبارت‌دیگر، پاسخ افرادی که به پرسشنامه‌ها جواب داده‌اند، به‌اندازه‌ای مناسب بوده است که بتوان نتایج دقیق و معتبر بر پایه آن‌ها گرفت؟
3-6-1-5- اصلاح مدل
درصورتی‌که نتایج ارزیابی مدل عدم برازش و یا برازش ضعیف مدل را نشان دهد، باید اقدام به اصلاح مدل از طرق مختلف نمود. در برخی موارد حذف یک یا چند سؤال می‌تواند به بهبود معیارهای برازش مدل منجر شود. در موارد دیگر نیاز به حذف سؤال نبوده و تنها با ترسیم یک سری روابط میان متغیرهای آشکار یا همان سؤالات می‌توان برازش مدل را بهبود بخشید. نکته مهم در اصلاح مدل این است که تغییرات اعمال‌شده روی مدل برای رسیدن به برازش نباید بیش‌ازحد باشد. زیرا مدل ساخته‌شده توسط محقق دارای پشتوانه علمی بوده و از ادبیات نظری مرتبط استخراج گردیده است.
3-6-1-6- تفسیر نتایج برآمده از مدل:
پس از اصلاح مدل و اطمینان از کفایت برازش مدل، محقق مجاز است که نتایج حاصل از یافته‌های پژوهش خود را تفسیر نماید. در این مرحله اعداد و مقادیر حاصل از تحلیل داده‌های پژوهش، به عبارت ساده و قابل‌فهم برای مخاطب تبدیل‌شده و به وی گزارش داده می‌شود.
3-6-2- انتخاب رویکرد مناسب معادلات ساختاری برای تحلیل داده‌های پژوهش:
در قسمت تحلیل داده‌ها از روش حداقل مربعات جزئی (PLS) و با استفاده از نرم‌افزار Smart PLS 2 برای بررسی همه‌جانبه مدل مطالعاتی پژوهش بهره گرفته‌شده است. بررسی مقالات چاپ‌شده در دهه اخیر نشان از استفاده وسیع پژوهشگران از این روش برای تجزیه‌وتحلیل داده‌های پژوهش دارد. محققین دلایل زیادی را برای استفاده از این روش ذکر نموده‌اند. ازجمله اینکه این روش بهترین ابزار برای تحلیل پژوهش‌هایی است که در آن‌ها روابط بین متغیرها پیچیده، حجم نمونه اندک و توزیع داده‌ها غیر نرمال می‌باشند (Diamantopoulos et al., 2012). ضمن آنکه جهت سنجیدن روابط علّی، رویکرد حداقل مربعات جزئی (PLS) روشی بسیار مناسب می‌باشد (Henseles et al., 2009). جدول (3-5) دلایل مختلف استفاده از این روش در پژوهش‌های چاپ‌شده در مجله‌های JM، JMR و JAMS همراه با درصد مقاله‌هایی که این دلایل را بیان نموده‌اند نشان می‌دهد.
جدول 3-4- دلایل استفاده از PLS-SEM