تحلیل مسیر در spss

در تحلیل رگرسیون خطی چند متغیره قصد داریم رابطه خطی بین متغیرهای مستقل و متغیرهای وابسته را پیش بینی کنیم . اما موضوعی که در اجرای روش تحلیل رگرسیون مطرح است ، این است که در آن ما فقط می توانستیم تاثیر مستقیم هر یک از متیغیرهای مستقل بر متغیر وابسته را پیش بینی کنیم و امکان شناسایی تاثیرات غیر مستقیم متغیرهای مستقل بر متغیر وابسته فراهم نبود . در چنین حالتی ، نمی توانیم مدل مفهومی و نظری تحقیق را که معمولاً یک مدل نظری متشکل از ساخت روابط بین متغیرهای مستقل است، مورد آزمون قرار دهیم.

برای رفع چنین مشکلی ، می توانیم از روش تحلیل مسیر استفاده کنیم. بنابراین، تحلیل مسیر که برای نخستین بار توسط سوول رایت در سال 1934 توسعه یافت ، تعمیم یافته روش رگرسیون چند متغیره در ارتباط با تدوین مدل های علی است. تحلیل مسیر یک روش پیشرفته آماری است که به کمک آن می توانیم علاوه بر تاثیرات مستقیم، تاثیرات غیر مستقیم هر یک از متغیرهای مستقل بر متغیر وابسته را نیز شناسایی کنیم . بنابراین، مهم ترین مزیتی که استفاده از رو ش تحلیل مسیر نسبت به روش رگرسیون دارد ، این است که در روش تحلیل رگرسیون ، تنها قادر به شناسایی تاثیر مستقیم هر متغیر مستقل بر متغیر وابسته بودیم ، اما در روش تحلیل مسیر علاوه بر تاثیر مستقیم، امکان شناسایی تاثیرات غیر مستقیم هر یک از متغیرهای مستقل بر متغیر وابسته نیز وجود دارد. به همین خاطر ، در تحلیل مسیر ، با چندین معادله خط رگرسیونی استاندارد شده مواجه هستیم، در حالی که در تحلیل رگرسیون ، تنها یک معادله خط رگرسیونی استاندارد شده داریم.

شکل های زیر به وضوح تفاوت بین تحلیل رگرسیون و تحلیل مسیر را نشان می دهند. در شکل اول، که روش تحلیل رگرسیون را نشان می دهد ، x2تنها به صورت مستقیم بر x4تاثیر دارد. اما در شکل دوم ، که روش تحلیل مسیر را نشان می دهد ، ملاحظه می گردد که x2هم به صورت مستقیم و هم به صورت غیر مستقییم از طریق x3بر x4تاثیر دارد.

از طرفی، در تحلیل مسیر ما می توانیم میزان کاذب بودن روابط بین متغیرها را نشان دهیم. یعنی چقدر از این روابط ناشی از متغیرهای مستقل مورد نظر و چقدر ناشی از متغیرهای خارج از تحلیل ماست.

در تحلیل مسیر فلشها مشخص کننده تاثیرات علی از متغیرهای مستقل به سمت متغیرهای وابسته میانی و نهایی می باشند. تحلیل مسیر مشخص می کند اثر هر متغیر تا چه حد مستقیم و تا چه حد غیر مستقیم است. بدین ترتیب ، تحلیل مسیر به طریقی قابل فهم ، اطلاعات زیادی درباره فرآیندهای علی فراهم می آورد. به عبارتی تکنیک تحلیل مسیر برای تعیین اثر مستقیم و غیر مستقیم و بی اثری بین متغیرهای موجود در نظام علی و همچینن میزان تطابق مدل نظری با مجموعه ای از داده ها مورد استفاده قرار می گیرد. بنابراین، در تحلیل مسیر، مدل نظری تحقیق مبنی بر الگوی روابط علی بین متغیرها مورد آزمون قرار گرفته و این مدل نظری پس از اجرای آزمون به مدل تجربی تحقیق تبدیل می شود.

مفاهیم کلیدی در تحلیل مسیر

مهم ترین بخش از تحلیل مسیر طراحی و آزمون نمودار مسیر است که از چند جز اساسی تشکیل شده است. نمودار مسیر در واقع، یک مدل ساختاری پیشینیا پیش تجربی با مجموعه معادله ساختاری است که روابط علی ممکن بین متغیرها را توصیف می کند. این نمودار مسیر ، همواره پس از مرور بر مبانی نظری و تدوین چارچوب نظری انتخابی تحقیق توسط محقق طراحی میشود که در نهایت در تحلیل مسیر مورد آزمون تجربی قرار می گیرد.

نمودار مسیر ترکیبی از مجموع مسیرها است که به صورت پیکان های یک طرفه، متغیرهای مستقل را به متغیر وابسته وصل می کند . هر کدام از این مسیرها، با یک ضریب مسیر مشخص می شوند . ضریب مسیر ، همان بتا ( Beta ) است که بیانگر سهم یا وزن هر متغیر مستقل در تبیین واریانس متغیر وابسته است. در نمودار مسیر ، هر متغیر مستقل یک ضریب مسیر دارد که مقدار تغییر مورد انتظار در متغیر وابسته را در نتیجه یک واحد تغییر در متغیر مستقل را نشان می دهد. یعنی نشان می دهد که به ازای یک واحد از متغیر مستقل ، چه مقدار تغییر در متغیر وابسته ایجاد می شود. بنابراین در چنین تاثیری متغبر اول علت و متغیر دوم را معلول نام دارد.

در تحلیل مسیر ، اگر متغیری فقط از یک متغیر تاثیرپذیر باشد ، آن گاه، ضریب مسیر آن برابر با ضریب همبستگی است. ضریب مسیر را با حرف P ( اختصار path ) بر روی یک پیکان و شماره متغیرهای را نیز به صورت اندیس زیر p نشان می دهندیعنی به صورت pijکه در آن، اندیس ها، بیانگر شماره متغیرهایی است که که با پیکان به هم وصل شده اند، بدین صورت که ، i انتهای پیکان و متغیر وابسته و j ابتدای پیکان و متغیر مستقل است و همیشه نیز i > j می باشد.

انواع متغیر در نمودار مسیر

در تحلیل مسیربا چندین دسته از متغیرها سرو کار داریم:

1) متغیرهای درونی: در تحلیل مسیر ، متغیرهای درونی شامل متغیر وابسته . متغیر مستقل است که در زیر به تفکبک به شرح آنها پرداخته می شود:

1-1- متغیر وابسته: در تحلیل مسیر با دو دسته کلی از متغیر وابسته سروکار داریم:

1-1-1- متغیر وابسته نهایی: متغیری است که در نهایت تمامی تحلیل های تحقیق مبنی بر تاثیرات متغیرهای مستقل باید بر روی آن انجام شود.

1-1-2- متغیر وابسته میانی: در واقع همان متغیر مستقل است که در برخی مراحل تحلیل مسیر ، نقش یک متغیر وابسته میانی یا واسط را ایفا کرده و تاثیر سایر متغیرهای مستقل مدل بر روی آن آزمون می شود.

1-2- متغیر های مستقل: متغیری است که بر متغیرهای وابسته اعم از نهایی و میانی تاثیر می گذارد.

2) متغیرهای درونی: متغیرهایی هستند که نه تنها از یک طرف متغیرهای مستقل بوده و تاثیر آنها بر متغیر وابسته نهایی یا میانی مورد آزمون قرار می گیرد، بلکه از طرف دیگر خود نیز طبیعتاً تحت تاثیر متغیرهایی هستند که خارج از مدل قرار دارند و در این تحقیق اثر سایر متغیرها بر روی آنها مورد بررسی قرار نگرفته است. بنابراین، متغیرهای بیرونی متغیرهایی هستند که اثر متغیرهای مستقل آنها بررسی نمی شود. البته باید اشاره داشت که گرچه اثر متغیرهای مستقل بر متغیرهای بیرونی سنجیده نمی شود اما در هنگام آزمون مدل نظری، به بررسی میزان همبستگی دو جانبه بین این متغیرهای بیرونی می پردازیم، تا پی ببریم که آیا وجود این متغیرها در مدل به صورت موزائیکی است یا خیر؟ مقدار ضرایب هر یک از این همبستگی ها در مدل تحلیل مسیر ، توسط فلش دو طرفه نشان داده می شود. بنابراین، این رابطه از نوع همبستگی است و نمی توان آن را علی فرض کرد.

3) متغیرهای باقیمانده ( خارج از مدل ): این متغیرها، در واقع متغیرهای خارج از مدل هستند که تاثیر علی آنها بر روی متغیرهای مدل یا آزمون نشده و یا تاثیر معنی داری نداشته اند، بدست نیامده است.متغیرهای باقیمانده را با e1و e2و e3نشان می دهیم . همچنین مقدار تاثیر این متغیرها بر متغیرهای مدل را کمیت خطا می نامند که آن را با علامت e نشان می دهیم که میزان واریانس تبیین نشده مدل را نشان می دهد.

ارزیابی مناسب بودن مدل

در تحلیل مسیر، برای ارزیابی مدل از آماره R2استفاده می شود. این آماره مقدار واریانس متغیر وابسته را نشان می دهد که متغیرهای مستقل در مدل توانسته اند آن را تبیین کنند. در واقع ، R2نشان می دهد که مدل تا چه اندازه برازنده مجموعه ای داده ها است . بنابراین، هر چه مقدار R2بالاتر باشد مدل قوی تر است و بر عکس مقدار پایین تر R2دلالت بر ضعف مدل دارد که باید مدل دیگری با ترتیب دیگری بین متغیرها بسازیم که تبیین کننده واریانس بیشتر باشند.

همچنین، در کنار R2از طریق کمیت خطا e نیز می توانیم مناسب بودن مدل را ارزیابی کنیم . کمیت یا میزان خطا ( e ) که عبارت از 1- R2می باشد، نشان دهنده میزانی از واریانس متغیر است که متغیرهای مقدم آن را تبیین نکرده اند. با مجذور کردن کمیت خطا ( یعنی e2) ، واریانس تبیین نشده هر متغیر بدست می آید. به عنوان مثال، اگر مقدار R2برابر با 40/0 باشد در آن صورت مقدار e2برابر با 60/0 خواهد بود که نشان می دهد 40 درصد از واریانس متغیر وابسته را مدل تبیین کرده و 60 درصد باقیمانده آن را مدل نتوانسته است تبیین کند.

تحلیل مسیر در spss

مطالب مشابه :

رگرسیون چند متغیره

کاربرد رگرسیون چندگانه در اکتشافات ژئوشیمیایى

رگرسيون

آموزش محاسبات آماري با نرم افزار مطلب

تحليل رگرسيون

تحلیل مسیر در spss

مقدمه ای برلزوم استفاده از رگرسیون لوجستیک[1] در تحقیقات