سایت تخصصی آمار فربد: روش های آماری/روش های آماری پیشرفته

جستجو پیرامون این موضوع:   
[ برگشت به صفحه اصلی | انتخاب موضوع جدید ]

روش حداقل مربعات معمولی کاملا اصلاح‌شده (‏FMOLS)

تکنیک‌های اقتصادسنجی مدرن مختلفی برای بررسی وجود یک رابطه بلند مدت بین متغیرها معرفی شدند.  روش FMOLS برآوردهای قابل اعتمادی را برای اندازه نمونه کوچک تولید می‌کند و بررسی درستی نتایج را فراهم می‌کند. روش FMOLS در اصل توسط فیلیپس و هانسن (‏۱۹۹۰) ‏برای تخمین یک رابطه هم انباشتگی که ترکیبی از (‏۱)‏ I دارد، معرفی و توسعه داده شد.روش FMOLS نسبت به تکنیک‌های رشد اقتصادی در معرفی تصحیح مناسب برای غلبه بر مشکل استنباط در روش رشد اقتصادی دارای مزیت است و از این رو، آزمون t برای برآوردهای بلند مدت معتبر هستند. (Himansu, 2007)

ادامه مطلب

آموزش معادلات ساختاری PLS

تفاوت بین برازش مدل معادلات ساختاری به روش PLS  سنتی و PLSC سازگار

دیجکسترا و شمرله انگل[1] (2014) الگوریتم PLS سازگار(PLSc) را به عنوان الگوریتمی پیشنهاد کرده‌اند که هدف آن ایجاد برآوردهای نرمال مجانبی[2] و سازگار از بارهای مسیر و همبستگی میان متغیرهای پنهان برای سازه‌های به‌طور انعکاسی مدل‌سازی شده[3] می‌باشد. بدین‌ترتیب PLSc ابزاری برای غلبه بر ناسازگاری آماری مرتبط با الگوریتم برآورد PLS سنتی است. PLSc که بر اساس اصلاح برای کاهش[4] نانلی (1978) ایجاد شده است، یک الگوریتم اصلاح شده از PLS می‌باشد(دیجکسترا 2010، دیجکسترا و هنزلر 2015 الف و 2015 ب).

عدم وجود سازگاری[5] به این معنی است که برآوردهای PLS سنتی نمی‌توانند به مقادیر واقعی نزدیک شوند هنگامیکه اندازه نمونه افزایش می‌یابد. با PLSc، برآوردها مقادیر واقعی مجانبی را ارائه می‌کنند. PLSc سازگار، ضرایب مسیر، همبستگی‌های درون‌سازه‌ای و بارهای شاخص را در مدل‌های انعکاسی برآورد می‌کند. همچنین دیجیکسترا و هنزلر (2015 الف 299) در مطالعات شبیه‌سازی به این نتیجه رسیدند که PLSc ضعیف‌تر از روش SEM حداکثر درست‌نمایی کامل[6]( FIML) می‌باشد ولی مزیت‌هایی از نظر مدیریت داده‌های با توزیع غیر نرمال دارند.

 

[1] Chermelleh-Engel

[2] Asymptotically normal estimates

[3] Reflectively-modeled

[4] Correction for attenuation

[5] Consistency

[6] Full information maximum likelihood

ادامه مطلب

تحلیل عاملی اکتشافی و تاییدی

موضوعات : آموزش AMOS, آموزش SPSS

امروزه اعتبار يافته هاي علمي تحت تأثير روش يا روشهاي پژوهشي است كه محققين در فرايند تحقيق از آن بهره مي گيرند. در اين فرايند استفاده تحقيقات حوزه هاي گوناگون از روش هاي آماري از يك طرف و بهره گيري ازبرنامه هاي رايانه اي.

از سوي ديگر شتاب فزايندهاي را به تحقيقات علمي بخشيده است. اگر چه توسعه اينگونه نرم- افزارها كمك زيادي به اين تحقيقات كرده است، اما عدم آشنايي برخي از محققين به روشهاي آماري و تكيه صرف به برنامه هاي آماري رايانه اي باعث گرديده است كه اشكالات اساسي از تحليلهاي آماري در مطالعات گوناگون حادث شود و زماني كه پاي روش هاي پيشرفته آماري و تجزيه و تحليل چند متغيره در تحقيقات باز مي- شود اينگونه اشتباهات مضاعفتر ميگردد. در اين ميان در دهههاي اخير روش هاي پيشرفته آماري مانند رگرسيون چندگانه، تحليل مسير، تحليل عاملي ( اكتشافي و تأييدي ) و مدلسازي معادلات ساختاري از جمله روشهايي است كه در سطح وسيع در تحقيقات علمي، پايان نامه هاي كارشناسي ارشد و بويژه رساله هاي دكتري براي بررسي و تحليل مدلهاي مفهومي، توسط بسياري از دانشجويان و محقيقن مورد استفاده قرار مي گيرد. هر چند توضيح و بحث در رابطه با روش هاي پيشرفته آماري در چهار چوب این کتاب تعریف نشده است، لذا در اين قسمت سعي بر آن است كه از بين روش هاي مذكور، موارد كاربرد و مفروضات دو روش تحليل عاملي اكتشافي و تأييدي  مورد بحث قرار گيرد.

 

ادامه مطلب

مزایای تحلیل مسیر بر رگرسیونی

فرق اصلی تحلیل مسیر با تحلیل رگرسیونی

فرق اصلی تحلیل مسیر با تحلیل رگرسیونی در این است که در تحلیل رگرسیونی وابستگی یک متغیر ( وابسته ) به متغیرهای دیگر ( مستقل ) تنها در یک معادله بررسی می­شود که همان معادله خط رگرسیون استانداردشده می­باشد. در صورتی­که در تحلیل مسیر بتاهای محاسبه­شده، ضرایب مسیری هستند که مجموعه معینی از متغیرهای مستقل را به متغیرهای وابسته وصل می­کنند و در چند معادله بررسی می­شوند.

 

ادامه مطلب

تحلیل مسیر

تحلیل مسیر

تحليل مسير يك رويكرد مدل­سازي براي تبيين روابط بين متغيرهاي مشاهده شده است. در رويكرد مدل­سازي تحليل مسير فرض بر اين است كه متغيرهاي مستقل هيچگونه خطاي اندازه­گيري ندارند. در مقابل، ممكن است كه متغيرهاي وابسته داراي خطاي اندازه­گيري باشند به گونه­اي كه اين مسأله در قالب مولفه­های خطا در معادلات مدل در نظر گرفته مي­شود. البته، موضوع خطاي اندازه گيري يا مولفه های خطا براي متغيرهاي وابسته در مدل­هاي تحليل مسير به اين معني است كه بخشي از واريانس آن متغيرها توسط متغيرهاي مستقل موجود در مدل قابل تبيين نمي­باشد. يكي از ويژگي­هاي مخصوص مدل­هاي تحليل مسير اين است كه در آن از متغيرهاي پنهان (مکنون )استفاده نمي­شود. تحليل مسير، سابقه نسبتاٌ طولاني دارد. اين اصطلاح براي اولين بار در اوايل دهه 1900 توسط يك زيست شناس انگليسي به نام سوول رايت مورد استفاده قرار گرفت (ريكاف و ماركولايدز ، 2006 )  گسترش،روش­هاي رگرسيون، و در حقيقت، كاربرد رگرسيون چند متغيري در ارتباط با تدوين بارز مدل­هاي علي است. هدف آن بدست آوردن برآوردهاي كمي روابط علي بين مجموعه­اي از متغيرهاست. روابط بين متغيرها در يك جهت جريان مي­يابد و به عنوان مسيرهاي متمايزي در نظر گرفته مي­شود. مفاهيم عمده تحليل مسير در بهترين صورت از طريق ويژگي عمده آن يعني نمودار مسير كه پيوندهاي علي احتمالي بين متغيرها را آشكار مي­سازد، تبيين مي­شود (هومن، 1385)

منبع: مدلسازی معادلات ساختاری در داده های پرسشنامه ای به کمک amos 22 - انتشارات مهرگان قلم

ادامه مطلب