کارگاه مدل‌ یابی معادلات ساختاری با نرم افزار LISREL 

 

هدف کلی:

 آشنایی با اصول مدل‌یابی معادلات ساختاری، تحلیل عاملی تأییدی همراه با کار با نرم افزار لیزرل

LISREL

LISREL نشان دهنده یک پیشرفت اساسی در تاریخ مدلسازی معادلات ساختاری (SEM) است. در سال 1970، پروفسور Karl Jöreskog یک تک نگاری را در سری بولتن تحقیقاتی سرویس تست آموزشی (ETS) تحت عنوان روش کلی برای تخمین یک سیستم معادلات ساختاری خطی، همراه با برنامه نرم افزار LISREL منتشر کرد.

 

بررسی اجمالی

مدل لیزرل، روش ها و نرم افزار مترادف با مدل سازی معادلات ساختاری (SEM) شده است. اما  اکنون  LISREL فقط محدود به SEM نمی باشد. LISREL 11 شامل برنامه های آماری 64 بیتی LISREL، PRELIS، MULTILEV، SURVEYGLIM و MAPGLIM است.

 

LISREL

LISREL یک برنامه 64 بیتی برای مدل سازی معادلات ساختاری استاندارد و چند سطحی است. در این روش‌ها برای اطللاعات پیمایش پیچیده کامل و دارای نقص درباره متغیرهای طبقه‌ای و پیوسته و همینطور اطلاعات نمونه تصادفی ساده کامل و دارای نقص بر روی متغیرهای طبقه‌ای و پیوسته قابل دسترس می باشند.

 

PRELIS

PRELIS یک برنامه 64 بیتی برای دستکاری داده ها، تبدیل داده ها، تولید داده ها، ماتریس های لحظه ای محاسباتی، محاسبه ماتریس های کوواریانس مجانبی تخمینی گشتاورهای نمونه، انتساب با تطبیق، انتساب چندگانه، رگرسیون خطی چندگانه، رگرسیون لجستیک، رگرسیون سانسور شده تک متغیره و چند متغیره است. و تحلیل عاملی اکتشافی ML و MINRES.

   سایر دوره ها:کارگاه ابزار سازی پیشرفته-کارگاه دور روزه تحلیل داده های کیفی با نرم افزار  MAXQDA 2020 --شیمی درمانی

 

اهداف رفتاري

انتظار می رود که در پايان اين کارگاه آموزشی، شرکت کنندگان قادر باشند:

• دلیل استفاده از مدل‌یابی معادلات ساختاری و تحلیل عاملی تاییدی در پژوهش را تشریح نمایند.

مدل سازی معادلات ساختاری (SEM) یک تکنیک قدرتمند و چند متغیره است که به طور فزاینده ای در تحقیقات علمی برای آزمایش و ارزیابی روابط علی چند متغیره یافت می شود. SEMها با سایر رویکردهای مدلسازی متفاوت هستند زیرا اثرات مستقیم و غیرمستقیم را بر روی روابط علی از پیش فرض شده آزمایش می کنند. SEM یک روش آماری نزدیک به 100 ساله است که طی سه نسل پیشرفت کرده است. نسل اول SEMها منطق مدل‌سازی علی را با استفاده از تحلیل مسیر توسعه دادند (رایت 1918، 1920، 1921). سپس SEM توسط علوم اجتماعی شکل گرفت تا شامل تحلیل عاملی شود. SEM تا نسل دوم خود ظرفیت خود را افزایش داد. نسل سوم SEM در سال 2000 با توسعه «مدل علّی ساختاری» توسط Judea Pearl آغاز شد و به دنبال آن مدلسازی بیزی توسط لی (2007) ادغام شد (همچنین به پرل 2003 مراجعه کنید).

 

بوم شناسان در 16 سال گذشته از SEM برای آزمایش فرضیه های مختلف با متغیرهای متعدد استفاده کرده اند. SEM می تواند شبکه های پیچیده روابط علی را در اکوسیستم ها تحلیل کند (شیپلی 2002؛ گریس 2006). چانگ (1981) و مدوکس و آنتونوویکس (1983) از جمله اولین بوم شناسانی بودند که از SEM در تحقیقات اکولوژیکی استفاده کردند و روابط منطقی و روش شناختی بین همبستگی و علیت را روشن کردند. گریس (2006) اولین کتاب جامع در مبانی SEM را با مثال های کلیدی از یک سری مطالعات اکوسیستم ارائه کرد. اکنون، در دهه اخیر، افزایش سریع SEM در علوم اکولوژیکی شاهد بوده است (ایزنهاور و همکاران 2015).

 

SEM ترکیبی از دو روش آماری است: تحلیل عاملی تاییدی و تحلیل مسیر. تجزیه و تحلیل عامل تاییدی، که در روان سنجی سرچشمه می گیرد، هدف آن برآورد ویژگی های روانشناختی نهفته، مانند نگرش و رضایت است (گالتون 1888؛ پیرسون و لی 1903؛ اسپیرمن 1904). از سوی دیگر، تحلیل مسیر شروع خود را در بیومتریک داشت و هدف آن یافتن رابطه علی بین متغیرها با ایجاد یک نمودار مسیر بود (رایت 1918، 1920، 1921). تحلیل مسیر در اقتصاد سنجی قبلی با معادلات همزمان ارائه شد (هاولمو 1943). در اوایل دهه 1970، SEM دو روش ذکر شده (Joreskog 1969، 1970، 1978؛ Joreskog و Goldberger 1975) را با هم ترکیب کرد و در بسیاری از زمینه ها مانند علوم اجتماعی، تجارت، علوم پزشکی و بهداشت و علوم طبیعی محبوب شد.

 

تحلیل عاملی تاییدی

تحلیل عاملی تاییدی (CFA) روشی برای اندازه گیری متغیرهای پنهان است (هول 1995؛ 2011؛ کلین 2010؛ برن 2013). ساختار پنهان را از سایر متغیرها استخراج می کند و بیشترین واریانس را با متغیرهای مرتبط به اشتراک می گذارد. به عنوان مثال، تنش غیرزیستی به عنوان یک متغیر پنهان با مشاهده تغییرات خاک (به عنوان مثال، شوری خاک، مواد آلی، ارتفاع سیل؛ ، گریس و همکاران 2010) اندازه گیری می شود. تحلیل عاملی تأییدی، متغیرهای پنهان را بر اساس تغییرات همبسته مجموعه داده (به عنوان مثال، ارتباط، رابطه علی) تخمین می‌زند و می‌تواند ابعاد داده‌ها را کاهش دهد، مقیاس شاخص‌های چندگانه را استاندارد کند و همبستگی‌های ذاتی در مجموعه داده را محاسبه کند (Byrne 2013). بنابراین، برای فرض یک متغیر پنهان، باید نگران دلیل استفاده از متغیر پنهان بود. در مثال استرس غیرزیستی که در بالا ارائه شد، استرس و اختلال جامعه متغیرهای پنهانی هستند که همبستگی در مجموعه داده را به حساب می آورند. شائو و همکاران (2015) از CFA برای محدود کردن ویژگی‌های تغذیه خاک به یک متغیر استفاده کرد که کربن آلی خاک، نیتروژن کل بستر و نسبت کربن به نیتروژن را شامل می‌شود. همچنین، Capmouteres و Anand (2016) عملکرد زیستگاه را به عنوان یک شاخص محیطی تعریف کردند که هم پوشش گیاهی و هم فراوانی پرندگان بومی را برای اکوسیستم‌های جنگلی با استفاده از CFA توضیح می‌دهد

 

• نحوه آماده سازی داده ها جهت تحلیل را توضیح دهند.

آماده‌سازی داده‌ها فرآیند جمع‌آوری، ترکیب، ساختار و سازمان‌دهی داده‌ها است تا بتوان از آن در برنامه‌های کاربردی هوش تجاری (BI)، تحلیل و تجسم داده استفاده کرد. مولفه های آماده سازی داده ها شامل پیش پردازش داده ها، پروفایل سازی، پاکسازی، اعتبارسنجی و تبدیل است. اغلب شامل جمع آوری داده ها از سیستم های داخلی مختلف و منابع خارجی نیز می شود.

 

کار آماده‌سازی داده‌ها توسط تیم‌های فناوری اطلاعات (IT)، BI و مدیریت داده انجام می‌شود، زیرا آنها مجموعه‌های داده را برای بارگیری در انبار داده، پایگاه داده NoSQL یا مخزن دریاچه داده و سپس زمانی که برنامه‌های تحلیلی جدید با آن مجموعه داده‌ها توسعه می‌یابند، یکپارچه می‌کنند. علاوه بر این، دانشمندان داده، مهندسان داده، سایر تحلیلگران داده و کاربران تجاری به طور فزاینده ای از ابزارهای آماده سازی داده های سلف سرویس برای جمع آوری و آماده سازی داده ها استفاده می کنند.

 

آماده سازی داده ها اغلب به طور غیررسمی به عنوان آماده سازی داده نامیده می شود. همچنین به عنوان کشمکش داده‌ها نیز شناخته می‌شود، اگرچه برخی از پزشکان از این اصطلاح به معنای محدودتر برای اشاره به پاکسازی، ساختار و تبدیل داده استفاده می‌کنند. این استفاده، کشمکش داده ها را از مرحله پیش پردازش داده ها متمایز می کند.

 

این راهنمای آماده‌سازی داده‌ها بیشتر توضیح می‌دهد که چیست، چگونه انجام شود و مزایایی که در سازمان‌ها فراهم می‌کند. همچنین اطلاعاتی در مورد ابزارها و فروشندگان آماده سازی داده ها، بهترین شیوه ها و چالش های رایجی که در تهیه داده ها با آن مواجه می شوید، خواهید یافت. در سراسر راهنما، پیوندهایی به مقالات مرتبط وجود دارد که موضوعات را با عمق بیشتری پوشش می دهد.

   سایر دوره ها:کارگاه ابزار سازی پیشرفته-دوره دستیار پزشک-شیمی درمانی-دوره تکنسین آزمایشگاه-دوره NICU

اهداف آماده سازی داده ها

یکی از اهداف اولیه آماده سازی داده ها این است که اطمینان حاصل شود که داده های خام آماده شده برای پردازش و تجزیه و تحلیل دقیق و سازگار هستند، بنابراین نتایج BI و برنامه های تحلیلی معتبر خواهند بود. داده‌ها معمولاً با مقادیر از دست رفته، نادرستی یا سایر خطاها ایجاد می‌شوند، و مجموعه‌های داده جداگانه اغلب قالب‌های متفاوتی دارند که هنگام ترکیب باید با هم تطبیق داده شوند. تصحیح خطاهای داده، اعتبارسنجی کیفیت داده ها و ادغام مجموعه داده ها بخش بزرگی از پروژه های آماده سازی داده ها هستند.

 

آماده‌سازی داده‌ها همچنین شامل یافتن داده‌های مرتبط است تا اطمینان حاصل شود که برنامه‌های تحلیلی اطلاعات معنی‌دار و بینش‌های عملی برای تصمیم‌گیری تجاری ارائه می‌دهند. داده ها اغلب غنی و بهینه می شوند تا آموزنده تر و مفیدتر شوند - برای مثال، با ترکیب مجموعه داده های داخلی و خارجی، ایجاد فیلدهای داده جدید، حذف مقادیر پرت و پرداختن به مجموعه داده های نامتعادل که می تواند نتایج تجزیه و تحلیل را منحرف کند.

 

علاوه بر این، BI و تیم های مدیریت داده از فرآیند آماده سازی داده ها برای تنظیم مجموعه داده ها برای تجزیه و تحلیل کاربران تجاری استفاده می کنند. انجام این کار به ساده‌سازی و هدایت برنامه‌های سلف‌سرویس BI برای تحلیل‌گران کسب‌وکار، مدیران اجرایی و کارگران کمک می‌کند.

 

• شاخص های نیکویی برازش و تره شلد آنها را بیان نمایند.

یک از اهداف اصلی در استفاده از مدلسازی معادلات ساختاری، شناخت میزان همخوانی بین داده های تجربی با مدل مفهومی و نظری است.جهت شناخت مقدار هم خوانی داده های تجربی و مدل مفهومی از شاخص هایی به کار برده می شود که آنها را شاخص های نیکویی برازش می نامند. در مدل سازی معادلات ساختاری از شاخص های مختلفی جهت اطمینان حاصل شدن از نیکویی برازش مدل استفاده می شود.
در مدل های اندازه گیری پرسشی که پژوهشگر به دنبال جواب است این می باشد که آیا متغیرهای مشاهده شده ، سازه ای پنهان و یا متغیری پنهان را اندازه گیری می کنند یا نه؟ اگر داده های جمع آوری شده، حالت مفهومی پژوهش ها را حمایت کنند، در آن شکل معیارهای برازش مدل وضعیت خوبی را نمایان می کند.

شاخص های برازش مدل را در سه دسته کامل گروه می توان دسته بندی کرد. این سه گروه مانند:
شاخص های برازش مطلق
شاخص های برازش تطبیقی
شاخص های برازش مقتصد

به دلیل مهم بودن این شاخص ها یادآوری مختصری درباره این تقسیم بندی فایده مند به نظر می رسد. شاخص های برازش مطلق که بر اساس اختلاف واریانس ها و کوواریانس ها مشاهده می شوند .و بر اساس پارامترهای مدل از جهت دیگر محاسبه می شود.

شاخص های برازش تطبیقی مورد مقایسه ، مدل پژوهش را با مدلی که در آنها متغیرها از یکدیگر جدا هستند در مقایسه به هم قرار می دهد. به عبارت دیگر در این شکل مدل مفهومی پژوهش با مدلی در مقایسه قرار می دهند که در آن هیچگونه رابطه ای در ما بین متغیرها تعریف نشده باشد.
یک گروه دیگر از شاخص ها که به شاخص های برازش مقتصد معروف می باشند به پژوهشگر این کمک می کند تا تاثیر دخالت خود را در مدل جهت بهبود شاخص های برازش مورد آزمون  قرار می دهند

 

• روایی ساختاری به روش تحلیل عاملی تأییدی (CFA) را به کمک نرم افزار لیزرل انجام دهند.

تعریف ساختار فردی: ابتدا باید تک تک سازه ها را تعریف کنیم. در مرحله اول که حاوی رویه ای می باشد که سازه ها را به شکل نظری تعریف می کند. این حاوی یک پیش آزمون جهت ارزیابی موارد سازه و یک آزمون تاییدی مدل اندازه گیری می باشد که با کمک گرفتن از تحلیل عاملی تاییدی (CFA) و غیره انجام می شود.

توسعه نظریه مدل اندازه گیری کلی: در تحلیل عاملی تاییدی (CFA)، باید مفهوم تک بعدی بودن بین واریانس خطای سازه و واریانس خطای سازه را در نظر بگیریم. در کمترین حالت چهار سازه و سه مورد در هر سازه باید حاوی تحقیق وجود باشد.

طراحی مطالعه برای تولید نتایج تجربی: مدل اندازه گیری باید مشخص شود. اغلب، ارزش یک تخمین بارگذاری باید یک در هر یک از سازه باشد. دو روش برای شناسایی موجود است. اولی شرط رتبه و دومی شرط نظم می باشد.

ارزیابی اعتبار مدل اندازه‌گیری: ارزیابی اعتبار مدل اندازه‌گیری زمانی اتفاق می‌افتد که مدل اندازه‌گیری نظری با مدل واقعیت مقایسه شود تا ببینیم داده‌ها چقدر برازش دارند. جهت بررسی اعتبار مدل اندازه گیری، تعداد اندیکاتور به ما کمک می کند. برای مثال، متغیر پنهان بار عاملی باید بیشینه آن 0.7 باشد. آزمون مجذور کای و دیگر آمارهای برازش مثل RMR، GFI، NFI، RMSEA، SIC، BIC و ...، بعضی از شاخص‌های کلیدی هستند که به اندازه‌گیری اعتبار مدل کمک می‌کنند.تحلیل عاملی تاییدی (CFA) یک روش آماری چند متغیره است که برای آزمایش اینکه متغیرهای اندازه‌گیری شده چقدر تعداد سازه‌ها را نشان می‌دهند، استفاده می‌شود. تحلیل عاملی تاییدی (CFA) و تحلیل عاملی اکتشافی (EFA) تکنیک های مشابهی هستند، اما در تحلیل عاملی اکتشافی (EFA)، داده ها به سادگی کاوش می شوند و اطلاعاتی در مورد تعداد عوامل مورد نیاز برای نمایش داده ها ارائه می دهند. در تحلیل عاملی اکتشافی، تمامی متغیرهای اندازه گیری شده با هر متغیر پنهان مرتبط هستند. اما در تحلیل عاملی تاییدی (CFA)، محققین می توانند تعداد عوامل مورد نیاز در داده ها را مشخص کنند و اینکه کدام متغیر اندازه گیری شده مربوط به کدام متغیر پنهان است. تحلیل عاملی تاییدی (CFA) ابزاری است که برای تایید یا رد نظریه اندازه گیری کاربرد دارد.

 

• تحلیل عاملی مرتبه دوم را با نرم افزار لیزرل فرا گیرد.

نتایج کیفی تجزیه و تحلیل آماری

لیزرل مخفف رابطه ساختاری خطی است. روش شناسی لیزرل برای اولین بار بواسطه کارل جورسکوگ در سال 1970 توسعه پیدا کرد .  لیزرل نرم افزار آماری می باشد که جهت مدل سازی رگرسیون ساختاری کاربرد دارد. مدل های معادلات ساختاری سیستم معادلات خطی می باشند. لیزرل تخمین همزمان مدل ساختاری و مدل اندازه گیری امی نماید. مدل های ساختاری فرض می کنند که همه متغیرها بدون هیچگونه خطا اندازه گیری می شوند. تحلیل عاملی روشی است که با نحوه اندازه گیری سر و کار دارد. تحلیل عاملی دو نوع می باشد: یک تحلیل عاملی اکتشافی و نوع دوم از آن تحلیل عاملی، تحلیل عاملی تاییدی .لیزرل ترکیب معادلات ساختاری و تحلیل عاملی را ممکن می سازد و همینطور نمودار جهت معادلات ساختاری را می تواند ایجاد کند. LISREL 8.8 آخرین نسخه موجود در بازار است. این نسخه فقط برای مدل سازی معادلات ساختاری به کاربرده نمی شود، بلکه چند برنامه کاربردی دیگر هم دارد، مانند گزینه PRELIS (پیش پردازشگر Lisrel) که جهت دستکاری کردن داده ها و اطلاعات ابتدایی به کاربرده می شود. در LISREL از گزینه SURVEYGLIM جهت مدل سازی خطی تعمیم یافته به کاربرده می شود. جهت متغیرهای پاسخ طبقه‌ای، مدل‌سازی رابط شکل‌دهنده در LIRSEL استفاده می‌کنند. جهت متغیرهای پاسخ پیوسته از گزینه COMFIRM به کار برده می شود. برای داده هایی که  چند متغیر دارند ، گزینه MAPGLIM جهت مدل سازی خطی تعمیم یافته به کاربرده می شود در تحقیق های تجاری، روانشناسی و همین طور پزشکی، بیشتر تحقیق کنندگان از لیزرل جهت مدل سازی معادلات ساختاری استفاده می کنند. این از اولین نرم افزاری بود که جهت مدل سازی معادلات ساختاری به کاربرده شد. دیگر نرم افزارهای رقیب مثل ... AMOS، SAS و EQS و...، اما LISREL به دلیل ویژگی های خاصی که دارد از اهمیت ویژه ای برخوردار است.

 

• روایی و پایایی در تحلیل عاملی تاییدی را تشریح کنند.

روایی و پایایی مدل تعهد ورزشی در بین دانشجویان ورزشکار

هدف از این مطالعه بررسی روایی و پایایی مدل تعهد ورزشی (SCM) در دانشجویان ورزشکار بود. 327 دانشجوی ورزشکار (206 مرد، 121 زن) که به روش نمونه گیری تصادفی طبقه ای انتخاب شدند، پرسشنامه مدل تعهد ورزشی (اسکنلان و همکاران 1993) را تکمیل کردند. نتایج تحلیل عاملی اکتشافی نشان داد که مدل دارای پنج عامل است که می تواند 67 درصد از واریانس کل را تبیین کند. نتایج تحلیل عاملی تأییدی با استفاده از مدل‌سازی معادلات ساختاری نشان داد که مدل پنج عاملی برازش مناسبی با داده‌ها ارائه می‌کند. ضرایب آلفای کرونباخ به جز گزینه‌های درگیری و فرصت‌های مشارکت در سطح قابل قبولی (?=0.70) بود. ضرایب بازآزمایی نیز نشان داد که این موجودی از ثبات زمانی کافی برخوردار است. نتایج نشان داد که پرسشنامه SCM از پایایی و روایی رضایت بخشی در نمونه دانشجویان ورزشکار برخوردار است. بنابراین، این مدل می‌تواند یک چارچوب نظری چند بعدی برای سنجش تداوم رفتار مشارکت در یک ورزش خاص یا به طور کلی فعالیت بدنی ارائه کند.

 

• مدل‌یابی معادلات ساختاری و تحلیل مسیر را به کمک نرم افزار لیزرل انجام دهند.

   1- ليزرل: نرم افزاري براي مدل سازي معادلات ساختاري

 

ليزل Lisrel مخفف linear structural relation است. نرم افزار تحليل آماري ليزرل LISREL برای محاسبات تحليل عامل و مدل معادلات ساختاري و به جهت امتحان کردن روایی پرسشنامه از سمت شرکت بين المللي نرم افزار علمي (SSI)وارد بازار شده.

لیرزل یک مدل تبیینی است که ما را به سمت مدل اکتشافی راهنمایی می‏کند. هدف استفاده از نرم افزار لیرزل این است که ما را با انجام دادن آزمونی به تحلیل مسیر، تحلیل عاملی و تحلیل خوشه‏ای رهنمود کند. در این شرایط لیرزل با تاثیرات خالص و ناخالص در ارتباط است، و هم پیش رونده می باشد وهم اینکه پس رونده می باشد و در این نقطه است که مؤلفه‏ ها مشخص می‏شوند و به عقب برمی‏گردد. از این  جهت، لیرزل با مفهوم های کانژنریک سروکار دارد. نرم افزار ليزرل Lisrel کامل کننده نرم افزار اس پي اس اس می باشد ،كه در رشته های علوم انساني و علوم اجتماعي به کاربرده می شود. اين نرم افزار فعالیت های گرافيکي را از نرم افزار SPSS بهتر و با کیفیت تر انجام مي دهد.

مدل معادلات ساختاری و یا به شکل خلاصه  SEM که مخفف (Structural Equational Modeling) است، از روشهای جدید آماری و یکی از قدرتمند ترین روشهای تجزیه و تحلیل چند متغیره می باشد که بعضی نیز به آن تحلیل ساختاری کواریانس، الگوسازی عاملی و لیزرل اطلاق میکنند. استفاده  اصلی آن در موضوع های چند متغیرهایی می باشد که آنها را به روش دو متغیری با در نظر داشتن هربار یک متغیر مستقل با یک متغیر وابسته نمی توان انجام داد.

2- وب سايت اختصاصی مدل ساختن معادلات ساختاري و تحليل مسير با کمک نرم افزار lisrel

3- وب سايت اختصاصی مدل ساختن معادلات ساختاري با  کمک نرم افزار Smart Pls

4- آموزش دادن  ویدئویی و کامل  و جامع تحلیل عاملی اکتشافی با کمک  نرم افزار SPSS

 

• نحوه ترسیم مدل در نرم افزار لیزرل را فرا گیرند.

تجسم مدل های معادلات ساختاری با نمودارهای مسیر انجام می شود. آنها ابزار مهمی برای دسترسی آسان تر مخاطبان به سیستم معادله هستند، که بیانگر نظریه ای است که می خواهید آزمایش کنید. یک نمودار مسیر به نوعی مانند یک نمودار جریان است که از فلش ها برای نشان دادن پیوندهای علی مستقیم و غیرمستقیم بین متغیرهای برون زا و درون زا و همچنین متغیرهای پنهان و مشاهده شده شما استفاده می کند. از آنجایی که مدل‌های معادلات ساختاری می‌توانند پیچیده شوند و شامل پارامترهای زیادی برای توصیف روابط بین متغیرهای مشاهده شده و پنهان شوند، تجسم صحیح آنها گام مهمی است. نمودارهای مسیر تولید شده به طور خودکار اغلب به اندازه کافی خوب هستند که مدل خود را کار می کنید، اما به اندازه کافی برای انتشار صیقل داده نمی شوند. در این پست، منتخبی از ابزارها و خروجی آنها را نشان خواهم داد.

راه حل های نرم افزاری زیادی برای انجام مدل سازی معادلات ساختاری وجود دارد. LISREL، AMOS، MPLUS، STATA، SAS، EQS و بسته‌های R، OpenMX، lavaan، Onyx - فقط برای نام بردن از محبوب‌ترین آنها. اکثر این راه حل ها دارای امکان داخلی برای تجسم مدل های خود هستند. AMOS یک مورد خاص است، زیرا مدل سازی از طریق رسم نمودارهای مسیر انجام می شود. Onyx نیز می تواند این کار را انجام دهد.

 

روش تدریس

سخنرانی، پرسش و پاسخ به صورت مجازی در پلتفرم اسکای روم

گروه های هدف:

اعضای هیئت علمی دانشگاه، دانشجویان ارشد و دکتری تخصصی (PhD) علوم پزشکی و دستیاران رشته های پزشکی 

مدت زمان برنامه:

اين کارگاه طی سه روز برگزار مي شود و شرکت کنندگان در هر روز 4ساعت مفيد در کارگاه حضور دارند.

توجه:

کارگاه در عصر روز چهارشنبه برگزار می شود.

توجه:

کارگاه در عصر روز پنج‌شنبه برگزار می شود.

توجه:

کارگاه در صبح روز جمعه برگزار می شود.

مدرس دوره

• دکتر آرمین زارعیان [استاد دانشگاه علوم پزشکی ارتش ج.ا. ایران]
• دکترای تخصصی آموزش پرستاری و DBA، پسادکترای متدولوژی و آمارکاربردی و فلوشیپ اندازه گیری در علوم پزشکی

منابع پیشنهادی:

1. Denise F. Polit, Frances Yang. (2016). Measurement and the Measurement of Change: A Primer for the Health Professions. Wolters Kluwer.
2. Nunnally, J., & Bernstein, I. H. (1994). Psychometric theory (3rd ed.). New York, NY: McGraw-Hill.
3. Streiner, D. L., & Norman, G. R. (2008). Health measurement scales: A practical guide to their development and use (4th ed.). Oxford: Oxford University Press.
4. Robert F. DeVellis. (2016). Scale Development: Theory and Applications. Fourth Edition. SAGE Publications.
5. Plichta SB, Kelvin EA. (2012). Munro’s Statistical Methods for Health Care Research: Wolters Kluwer Health/Lippincott Williams & 
6. Waltz, C. F., Strickland, O. L. & Lenz, E. R. (2016). Measurement in nursing and health research, Springer Publishing Company.
7. Baghestani AR, Ahmadi F, Tanha A & Meshkat M. (2017). Bayesian Critical Values for Lawshe's Content Validity Ratio. Measurement and Evaluation in Counseling and Development. 2017. DOI: 10.1080/07481756.2017.1308227
8. Hair etal. (2018) multivariate data analysis
9. Tebachnich & Fidel. Using Multivariate Statistics.
10. Ho,R. Bivariate, univariate and multivariate analysis using SPSS
11. شریف نیا، ح. زارعیان، آ. عبادی، ع. فرایند آزمون سازی در علوم سلامت، طراحی و روانسنجی. انتشارات جامعه نگر. ویراست سوم، چاپ اول: 1400
12. پهلوان‌شریف سعید، شریف نیا سیدحمید. تحلیل عامل و مدل‌سازی معادلات ساختاری از صفر تا استادی با نرم افزار SPSS و AMOS. انتشارات جامعه نگر. چاپ اول: 1400

 

 

تعداد جلسات  سه روز    - تدریس از طریق پلتفروم اسکای روم

12 ساعت آموزشی

شهریه کارگاه  000/6500 هزار ریال

مخاطبین : فارغ التحصیلان و دانشجویان ارشد و دکتری و اعضای هیئت علمی

 

کارگاه مدل‌ یابی معادلات ساختاری با نرم‌افزار LISREL دوره‌ای تخصصی برای یادگیری تکنیک‌های مدل‌سازی معادلات ساختاری (Structural Equation Modeling - SEM) با استفاده از نرم‌افزار LISREL است. LISREL یکی از محبوب‌ترین و پرکاربردترین نرم‌افزارها در این زمینه است که به تحلیل روابط پیچیده بین متغیرهای پنهان و آشکار می‌پردازد.

 

محتوای کارگاه:

مقدمه‌ای بر مدل‌ یابی معادلات ساختاری (SEM):

معرفی مفاهیم پایه SEM

تفاوت‌های مدل‌های اندازه‌گیری و مدل‌های ساختاری

معرفی متغیرهای مشاهده‌شده (Measured Variables) و متغیرهای پنهان (Latent Variables)

 

آشنایی با نرم‌افزار LISREL:

نصب و پیکربندی اولیه نرم‌افزار LISREL

ساختار فایل‌ها و نحوه ورود داده‌ها

کار با محیط گرافیکی و متنی LISREL

طراحی و رسم مدل‌ها

 

تحلیل‌های مدل‌ یابی معادلات ساختاری:

تحلیل عاملی تأییدی (CFA): بررسی سازه‌های پنهان و روابط بین شاخص‌ها

تحلیل مسیر (Path Analysis): تحلیل مسیرهای علی بین متغیرها

تخمین پارامترها و ضرایب مسیر

 

شاخص‌های برازش مدل:

معرفی شاخص‌های برازش (مثل Chi-square، RMSEA، CFI، GFI)

نحوه ارزیابی برازش مدل و بهینه‌سازی آن

ارزیابی اعتبار و قابلیت اعتماد مدل

 

تعدیل و بهبود مدل‌ها:

چگونگی اصلاح مدل‌ها بر اساس نتایج برازش

تحلیل مدل‌های چندگروهی و مقایسه‌ای

بررسی اثرات میانجی و تعدیل‌کننده‌ها

کاربردهای پیشرفته:

مدل‌های چندسطحی: تحلیل داده‌های سلسله‌مراتبی و چندسطحی

مدل‌های دینامیک و طولی: تحلیل داده‌های تکرارشده و زمان‌محور

کاربرد LISREL در مطالعات تجربی و مطالعات مقطعی

 

مخاطبین کارگاه:

این کارگاه برای افراد زیر مناسب است:

پژوهشگران و دانشجویان تحصیلات تکمیلی در رشته‌های علوم اجتماعی، روانشناسی، مدیریت، اقتصاد، و علوم رفتاری

اساتید دانشگاه و محققان علمی که نیاز به تحلیل‌های آماری پیشرفته دارند

تحلیلگران داده که با داده‌های پیچیده سروکار دارند و به دنبال تحلیل روابط علی و ساختاری بین متغیرها هستند

مشاوران کسب و کار و متخصصان منابع انسانی که به تحلیل‌های داده‌محور در کسب و کارها علاقه‌مند هستند

 

مزایای شرکت در کارگاه:

یادگیری کاربردی و عمیق مدل‌ یابی معادلات ساختاری با LISREL

تسلط بر شاخص‌های برازش مدل و نحوه بهبود و بهینه‌سازی آن

درک بهتر از نحوه ارتباط بین متغیرهای پنهان و مشاهده‌شده

توانایی به‌کارگیری LISREL در پروژه‌ها و تحقیقات علمی

 

کارگاه مدل‌ یابی معادلات ساختاری با نرم‌افزار LISREL برای افرادی که نیاز به تحلیل آماری پیشرفته دارند و به دنبال فهم و تحلیل روابط پیچیده بین متغیرها هستند مناسب است. مخاطبان اصلی این کارگاه عبارتند از:

 

پژوهشگران و دانشجویان تحصیلات تکمیلی:

رشته‌های علوم اجتماعی، روانشناسی، مدیریت، علوم رفتاری، اقتصاد و آموزش: دانشجویان مقاطع کارشناسی ارشد و دکتری که قصد دارند مدل‌های آماری پیچیده‌ای را برای پایان‌نامه‌ها، مقالات علمی، و پژوهش‌های خود به کار ببرند.

این افراد از مدل‌سازی معادلات ساختاری برای بررسی فرضیه‌های پژوهشی و تحلیل روابط میان متغیرهای پنهان و مشاهده‌شده استفاده می‌کنند.

 

اساتید دانشگاه و محققان علمی:

محققانی که با داده‌های پیچیده سروکار دارند و به دنبال تحلیل‌های دقیق برای بررسی روابط میان متغیرهای متعدد هستند. این افراد از LISREL برای تحلیل مدل‌های تأییدی (CFA) و تحلیل مسیر (Path Analysis) استفاده می‌کنند.

 

تحلیلگران داده و آماردانان:

متخصصان آماری و تحلیلگران داده که به دنبال استفاده از روش‌های آماری پیشرفته هستند و نیاز دارند داده‌های پیچیده و چندمتغیره را تجزیه و تحلیل کنند. این کارگاه به آن‌ها کمک می‌کند تا ابزارهای مدل‌سازی معادلات ساختاری را در تحلیل داده‌های خود به کار گیرند.

 

مشاوران کسب‌وکار و منابع انسانی:

افرادی که در حوزه‌های مدیریت و منابع انسانی فعالیت می‌کنند، و می‌خواهند از داده‌ها و تحلیل‌های پیچیده برای بهبود تصمیم‌گیری‌های سازمانی استفاده کنند. LISREL به آن‌ها اجازه می‌دهد تا روابط میان متغیرهای مختلف (مانند رضایت شغلی، بهره‌وری، و انگیزه‌های کارکنان) را تحلیل کنند.

 

متخصصان بازاریابی و رفتار مصرف‌کننده:

متخصصان بازاریابی که به دنبال تحلیل رفتار مصرف‌کننده، وفاداری مشتریان، و اثربخشی کمپین‌های بازاریابی هستند. با استفاده از LISREL، آن‌ها می‌توانند روابط بین متغیرهای پنهان (مثل نگرش و تمایل مشتری) و متغیرهای مشاهده‌شده (مثل خرید واقعی) را تحلیل کنند.

 

متخصصان حوزه سلامت و بهداشت:

پژوهشگران در حوزه بهداشت عمومی و سلامت روان که می‌خواهند روابط پیچیده بین عوامل فردی، محیطی و سلامتی را تحلیل کنند. این کارگاه به آن‌ها ابزار لازم برای مدل‌سازی روابط پیچیده در داده‌های سلامت و بهداشت ارائه می‌دهد.

 

مدیران و تصمیم‌گیران:

مدیران سازمان‌ها و تصمیم‌گیران که می‌خواهند از نتایج تحلیل‌های داده‌محور برای بهبود عملکرد سازمانی و تصمیم‌گیری استراتژیک استفاده کنند. با استفاده از مدل‌سازی معادلات ساختاری، آن‌ها می‌توانند بینش‌های عمیق‌تری از داده‌ها کسب کنند.

 

پیش‌نیازهای شرکت در کارگاه:

آشنایی اولیه با مبانی آمار و تحلیل‌های چندمتغیره

تجربه قبلی در استفاده از نرم‌افزارهای آماری مانند SPSS یا آشنایی با مدل‌های تحلیل مسیر و تحلیل عاملی می‌تواند مفید باشد اما اجباری نیست.

 

این کارگاه برای کسانی که به دنبال تقویت مهارت‌های آماری و تحلیل داده‌های پیچیده هستند، بسیار کاربردی و مفید خواهد بود.