ویژگیهای مقاله بیس

۱- حتماً به سال مقاله خوب توجه فرمایید. در هنگام جستجو این مقالات از محدود کننده های که سال را مشخص می­کند استفاده کرده و سعی بر آن داشته باشید مقاله­ای را انتخاب کنید که جدید باشد زیرا اساتید به اولین نکته ای که توجه می­کنند همین است.

۲- دومین نکته ای که باید خوب بدان توجه کنید عنوان تحقیق می­باشد عنوان تحقیق انتخابی باید کاربردی باشد یا به عبارت دیگر باید در شرایط کشور هم دارای جذابیت باشد و با آن بتوان مشکلی را در کشور حل نمود.

۳- جنبه نوآوری تحقیق نیز باید مورد توجه قرار بگیرد. در واقع موضوع انتخابی نباید طوری باشد که در هر دانشگاهی در آن زمینه تحقیق شده باشد.

۴- مدل مفهومی داشته باشد. در واقع مقاله بیس انتخابی اگر مدل مفهومی قابل استنادی داشته باشد می­تواند هم بخش فرضیات و سئوالات شما را پوشش بدهد و هم اهداف پژوهش شما را. که وجود این فاکتور در مقاله انتخابی شما می­تواند بسیار در آینده تحقیق شما را یاری کند

۵- مقاله بیس انتخابی در مواردی که نیاز به جمع آوری داده از طریق پرسشنامه باشد؛ اگر برای هر متغیر پرسش های را آماده کرده باشد شما قدرمسلم با خیال راحت تری می­توانید تحقیق خود را صورت دهید و مطمئن باشید اگر مقاله بیس انتخابی شما دارای این ویژگی ها باشد شما در آینده تحقیق خود با کمترین مشکلی که یک دانشجو مواجه است؛ مواجه خواهید شد.

ارائه مقاله بیس پایان نامه های رشته های مختلف مانند مدیریت، حسابداری، روانشناسی، علوم تربیتی و به طور کلی همه رشته ها می باشد. دانشجویانی که به دنبال مقاله بیس با موضوع خاصی هستند می توانند با زدن ایمیل یا تماس تلفنی موضوع خود را مطرح کرده تا در اسرع وقت چند مقاله بیس خوب از موضوع مربوطه برای آنها در سایت قرار داده شود.

نحوه جستجو و انتخاب مقاله بیس

فلسفه انتخاب مقاله بیس از آنجا نشات می گیرد که قبل از انتخاب موضوع مقاله پایه ای در نظر گرفته شود که ساختار آن پژوهش را از ابتدا تا انتها مشخص کرده باشد. یک مقاله بیس خوب به دانشجویان کمک می کند تا برای مشخص کردن ساختار و طرح پایان نامه یا مقاله خود از آن استفاده کنند. در واقع یک مقاله بیس مناسب مشکلات احتمالی در هنگام نگارش پروپوزال، پایان نامه یا مقاله را برطرف خواهد کرد. یک مقاله بیس مناسب یک مرجع دست اول به شمار می رود که روند حل یک مسئله را مشخص ساخته و حل یک معما را برای دانشجو راحت تر کرده است. در حال حاضر در بسیاری از دانشگاه های آزاد، پیام نو و غیر انتفایی دانشجویان در هنگام ارائه موضوعات پایان نامه ملزم به ارائه مقالات بیس یا پایه نیز می باشند.  چراکه مقاله بیس ساختار و نحوه طی فرایند یک پژوهش را مشخص کرده است. اما یکی از مشکلاتی برای دانشجویان در هنگام انتخاب مقاله بیس پدید می آید نداشتن ملاک های دقیق برای انتخاب یک مقاله بیس مناسب است. خبرگان موسسه پارس تز ایرانیان در رشته های مختلف پس از همفکری ملاک هایی را برای کمک به دانشجویان در زمینه انتخاب مقاله بیس ارائه داده اند که قطعا رعایت آنها به دانشجویان برای انتخاب مقالات بیس مناسب و قابل پژوهش در جامعه خودمان کمک های شایانی خواهد کرد.
 1-ابتدا به این نکته توجه کنید که مقالاتی را باید انتخاب کنید که از پایگاه های علمی معتبر باشند. اشتباهی که برخی از دانشجویان مرتکب می شوند این است که با مراجعه به گوگل یا وب سایت های غیر معتبر به دنبال مقاله بیس گشته و به سرعت یک مقاله نامطلوب و غیر علمی را به عنوان مقاله پایه انتخاب می کنند. باید به این نکته اشاره کنیم که اساتید و گروه های آموزشی شما به خوبی به پایگاه های معتبر آشنا هستند و در صورتی که مقالات از این پایگاه ها نباشند انها را نخواهند پذیرفت. حتما مقالات بیس خود را از پایگاه های زیر انتخاب کنید:
 Science Direct
 Elsevier
 Springer
 Cambridge Journals
 Emerald
 Highwire Press
 JSTOR
 IEEE
 Scopus
 ACM
 2-عوان مقاله ای که انتخاب می کنید نباید حد اقل در پژوهش های داخلی به صورت مقاله یا پایان نامه انجام شده و ثبت شده باشد. برای این کار بعد از انتخاب عنوان به سایت ایران داک و حتی گوگل مراجعه کنید و عنوان خود را در آنجا چک کنید تا قبلا کار نشده باشد.
 3-حتما به سال مقاله بیس توجه کنید. مقاله ای را انتخاب کنید که حد اقل دوسال پایین تر از سالی باشد که به لحاظ تاریخی در حال سپری کردن آن هستیم. به عبارت دیگر سال مقاله بیس هرچه قدر جدید تر باشد امکان پذیرش آن از سوی استاد راهنما و مشاور بالا خواهد بود.
 4-حتما به این نکته توجه کنید که داده های مقاله بیس انتخابی در داخل کشور نیز قابل گرد آوری باشد یا امکان انجام آن در داخل نیز وجود داشته باشد. برای این کار دقت کنید داده های مقاله یا در دسترس می باشد و یا اینکه به لحاظ ساختار امکان انجام آن در ایران وجود داشته باشد.
 5-در رشته هایی که گردآوری داده ها با پرسشنامه صورت میگیرد سعی کنید پرسشنامه ها در مقاله ضمیمه شده باشد یا اینکه پرسشنامه های استفاده شده در مقاله بیس از مقالات دیگر قابل استخراج باشد. یعنی به شکلی نباشد که پرسشنامه های مقاله بیس به هیچ وجه یافت نشود.
 6-فرایند طی شده در تحقیق یعنی اهداف، مدل مفهومی، نحوه شبیه سازی، نرم افزار استفاده شده و نحوه گردآوری داده ها در مقاله مشخص شده باشد. این کار طی فرایند پژوهش را برای شما اسان خواهد کرد و از مشکلات متعدد رها خواهد ساخت.
 خدمات موسسه پارس تز ایرانیان برای انتخاب مقاله بیس در کلیه رشته ها
 برای جستجوی مقالات بیس  های  جدید و معتبر در کلیه رشته ها با ما تماس بگیرید و از خدمات ما استفاده کنید.
 1-ارائه سه موضوع با مقاله بیس های جدید در کلیه رشته ها
 2-استخراج عناوین پزوهش جدید از مقالات بیس
 3-توضیح مقالات بیس به دانشجویان
 4-پشتیبانی از دانشجویان در صورت عدم قبول مقالات و ارائه مقالات دیگر به دانشجویان
 جستجوی و انتخاب مقاله بیس جدید برای پایان نامه ها و مقالات رشته  مدیریت بازرگانی داخلی
 جستجوی و انتخاب مقاله بیس جدید برای پایان نامه ها و مقالات رشته  مدیریت بازرگانی بین الملل
 جستجوی و انتخاب مقاله بیس جدید برای پایان نامه ها و مقالات رشته  حسابرسی
 جستجوی و انتخاب مقاله بیس جدید برای پایان نامه ها و مقالات رشته  حسابداری صنعتی
 جستجوی و انتخاب مقاله بیس جدید برای پایان نامه ها و مقالات رشته مدیریت دولتی
 جستجوی و انتخاب مقاله بیس جدید برای پایان نامه ها و مقالات رشته مدیرت منابع انسانی
 جستجوی و انتخاب مقاله بیس جدید برای پایان نامه ها و مقالات رشته مدیریت فناوری اطلاعات
 جستجوی و انتخاب مقاله بیس جدید برای پایان نامه ها و مقالات رشته رشته برنامه¬ریزی آموزشی
 جستجوی و انتخاب مقاله بیس جدید برای پایان نامه ها و مقالات رشته مدیریت بازاریابی
 جستجوی و انتخاب مقاله بیس جدید برای پایان نامه ها و مقالات رشته تشکیلات و روشها
 جستجوی و انتخاب مقاله بیس جدید برای پایان نامه ها و مقالات رشته مدیریت شهری
 جستجوی و انتخاب مقاله بیس جدید برای پایان نامه ها و مقالات رشته مدیریت مالی و بیمه
 جستجوی و انتخاب مقاله بیس جدید برای پایان نامه ها و مقالات رشته مدیریت صنعتی
 جستجوی و انتخاب مقاله بیس جدید برای پایان نامه ها و مقالات رشته مدیریت هتل داری
 جستجوی و انتخاب مقاله بیس جدید برای پایان نامه ها و مقالات رشته رشته MBA
 جستجوی و انتخاب مقاله بیس جدید برای پایان نامه ها و مقالات رشته مدیریت رسانه
 جستجوی و انتخاب مقاله بیس جدید برای پایان نامه ها و مقالات رشته علوم ارتباطات
 جستجوی و انتخاب مقاله بیس جدید برای پایان نامه ها و مقالات رشته کارآفرینی
 جستجوی و انتخاب مقاله بیس جدید برای پایان نامه ها و مقالات رشته اقتصاد
 جستجوی و انتخاب مقاله بیس جدید برای پایان نامه ها و مقالات رشته حسابداری
 جستجوی و انتخاب مقاله بیس جدید برای پایان نامه ها و مقالات رشته گردشگری
 جستجوی و انتخاب مقاله بیس جدید برای پایان نامه ها و مقالات رشته مدیریت آموزشی
 جستجوی و انتخاب مقاله بیس جدید برای پایان نامه ها و مقالات رشته تحقیقات آموزشی
 جستجوی و انتخاب مقاله بیس جدید برای پایان نامه ها و مقالات رشته برنامه ریزی آموزشی
 جستجوی و انتخاب مقاله بیس جدید برای پایان نامه ها و مقالات رشته مدیریت آموزش عالی

انتخاب موضوع پژوهش و پایان نامه

برای انتخاب موضوع و مقاله بیس می توانید با ما تماس بگیرید

09901726128

انتخاب موضوع پژوهش و پایان نامه

به طور کلی انتخاب موضوع پایان نامه برای رشته های مختلف قدم اول بوده و از اهمیت خاصی برخوردار است. اگر انتخاب موضوع پایان نامه توسط دانشجو به درستی انجام نگیرد، بقیه مراحل هم به خوبی انجام نشده و دانشجو برای انجام پروپوزال و پایان نامه با مشکل جدی مواجه می شود. بنابراین ارائه موضوع پایان نامه از طرف یک موسسه باید کاملا به صورت مسئولانه انجام شود تا دانشجو با مشکل در نوشتن پروپوزال و یا انجام پایان نامه مواجه نشود.

در بیشتر موارد موضوعاتی که برای پایان نامه انتخاب می شوند دارای یک پایه قوی علمی و مقالات پایه خارجی می باشند که این مقاله (Base) برای نوشتن پروپوزال و همچنین طرح اصلی پایان نامه بسیار به کار می آید. همچنین موضوع پایان نامه که مورد انتخاب قرار می گیرد باید متناسب با توانایی دانشجو و علاقه وی باشد تا دانشجو بتواند به راحتی از پس انجام آن برآمده و به راحتی از آن دفاع کند.
موسسه دستیار پژوهش با در نظر گرفتن اهمیت انتخاب موضوع برای دانشجویان رشته های مختلف، روند انتخاب موضوع را به صورت رایگان و با حساسیت ویژه دنبال می کند و موضوعات به روز و جدید را به دانشجو ارائه کرده تا آنها بتوانند حق انتخاب از بین موضوعات پیشنهادی داشته باشند. همانطور که گفته شد کل روند انتخاب موضوع پایان نامه رایگان بوده و دانشجو هیچ هزینه ای را برای انتخاب موضوع رشته خود پرداخت نمی کند.

در نظر گرفتن موارد زیر می تواند معیاری برای خوب بودن یک موضوع باشد:

۱- موضوع را به گونه ای انتخاب کنید که همراستا با علایق شما باشد. برای مثال اگر در زمینه مدیریت به مباحث منابع انسانی علاقه  دارید، سعی کنید مطابق علاقه عمل کنید.

۲- بدیع بودن موضوع یک امتیاز مثبت برای پایان نامه است. اما نباید این نو بودن شما را به سمت تئوری سازی و بیان حرف های جدید ببرد. این موضع مخصوصا در مقطع کارشناسی ارشد می تواند خیلی خطرناک باشد. چون در این مقطع بیشتر کارهای کاربردی و تا حدودی توسعه ای مد نظر است ، نه کارهای بنیادی. کما این که شما به ادبیات پژوهش نیاز دارید.

۳- فراموش نکنیم که انتظار معمول از دوران کارشناسی ارشد توانایی کار کردن با روش های تحقیق و انتظار معمول در دوره دکتری نظریه سازی است. پس در مقطع کارشناسی ارشد بایستی در مباحث روش شناسی مطالعه کرد و در مقطع دکتری بر روی نظریه سازی و مباحث تئوریک.

۴- بد نیست به دنبال اولویت های پژوهشی سازمان ها باشید. در بین این اولویت ها موضوع پایان نامه خود را انتخاب کنید. با این کار علاوه بر این که از لحاظ مالی حمایت می شوید، می توانید ارتباطات خوبی با سازمان مربوطه برقرار کرده و شاید باب ادامه همکاری با آن سازمان بعد از فارغ التحصیلی برای شما باز شود.

ارائه مقاله بیس پایان نامه های رشته های مختلف مانند مدیریت، حسابداری، روانشناسی، علوم تربیتی و به طور کلی همه رشته ها می باشد. دانشجویانی که به دنبال مقاله بیس با موضوع خاصی هستند می توانند با زدن ایمیل یا تماس تلفنی موضوع خود را مطرح کرده تا در اسرع وقت چند مقاله بیس خوب از موضوع مربوطه برای آنها در سایت قرار داده شود.

یک مقاله بیس که شامل موارد زیر باشد می تواند مقاله بیس خوب برای” پایان نامه” شما در نظر گرفته شود

یک مقاله بیس که شامل موارد زیر باشد می تواند مقاله بیس خوب برای” پایان نامه” شما در نظر گرفته شود:

1- مقاله برای سال  2014 به بعد و از سایت های امرالد ، ساینس 

در صورت ترکیب دو یا چند مقاله مقاله اصلی باید جدید باشد.

2- در مقاله اصلی فرضیات (Hypothesis) ، کاملا مشخص و واضح باشند تا بعدا دچار سردرگمی نشوید.

3- مقاله دارای مدل مفهومی (conceptual model) باشد.

4- پرسشنامه (سوالات مربوط به متغیرهای مدل) در مقاله در جدولی آمده باشد یا سوالات پرسشنامه در متن مقاله برای شما مشخص باشد تا برای تهیه پرسشنامه دچار مشکل نشوید.

مقاله بیس پایان نامه

مقاله بیس پایان نامه 

اولین قدم برای انجام پروپوزال و پایان نامه در گرایش های مختلف مدیریت مانند مدیریت بحران، صنعتی، دولتی، MBA، DBA، بازرگانی، کارآفرینی، تحول و سایر گرایش ها انتخاب موضوع با مقاله بیس جدید می باشد که باید به تأیید استاد راهنما برسد. در واقع با داشتن مقاله بیس خوب برای پایان نامه مدیریت به راحتی می توان پروپوزالی قوی تهیه کرد. با مشاوره گرفتن از موسسات معتبر دانشجویان می توانند مقاله بیس (BASE) خود را انتخاب و آن را برای انجام پروپوزال خود به کار گیرند. لازم به ذکر است که همه مقالات خارجی صرفا جدید نمی توانند به عنوان مقاله بیس باشند و مقاله بیس باید یک سری آیتم های لازمه پایان نامه را مانند مدل، فرضیه و نیاز روز و عدم تکرار در داخل را داشته باشد.

ارائه مقاله بیس پایان نامه های رشته های مختلف مانند مدیریت، حسابداری، روانشناسی، علوم تربیتی و به طور کلی همه رشته ها می باشد. دانشجویانی که به دنبال مقاله بیس با موضوع خاصی هستند می توانند با زدن ایمیل یا تماس تلفنی موضوع خود را مطرح کرده تا در اسرع وقت چند مقاله بیس خوب از موضوع مربوطه برای آنها در سایت قرار داده شود.

نحوه ارزیابی مقاله ISI

نحوه ارزیابی مقاله ISI 

گزارش میزان ارجاع به مجله های (JCR (Journal citiation Report هر سال توسط انستیتو اطلاعات علمی ISI ( Institute for scientific Information) واقع در شهر فیلادلفیای آمریکا منتشر می گردد.

این گزارش حاوی اطلاعات ارزشمندی پیرامون مجله ها و رتبه بندی آنها می باشد.

فاکتور تأثیر (Impact Faktor)، برای نخستین بار در سال 1995 و توسط بنیانگذار ISI گارفیلد Garfield مطرح شد و به سرعت به صورت دستورالعملی جهت گزینش بهترین مجله ها به کار رفت. حقیقت این است که این فاکتور ابزار کاملی برای اندازه گیری کیفیت مقاله ها نمی باشد، بلکه چون روش بهتری وجود ندارد و در حال حاضر نسبت به دیگر معیارها برای ارزیابی علمی از مزایایی برخوردار است، لذا عموماً مورد استفاده قرار می گیرد.

JCR بیش از 7500 مجله معتبر را در حدود 200 حوزه موضوعی از سال 1997 به بعد در بر می گیرد و با استفاده از آن می توان مجله ها را در حوزه های تخصصی، طبقه بندی و شاخص های رتبه بندی آنها را بررسی کرد. JCR در دو نسخه موجود است، نسخه علمی آن در بر گیرنده بیش از 5900 ژورنال علمی و نسخه علوم اجتماعی مشتمل بر 1700 ژورنال است. JCR از طریق Web of knowledge به شرط پرداخت وجه اشتراک قابل بررسی است.

ضریب تاثیر (IF) چیست؟

فاکتور تاثیر به صورت میانگین، تعداد ارجاعات به یک مورد قابل استناد (نظیر مقاله پژوهشی، مقاله مروری، نامه، یاد داشت، چکیده و..) در یک مجله علمی در طول زمانی معین تعریف شده است. فاکتور تأثیر، تعداد ارجاعات به مقاله های منتظر شده در دو سال قبل مجله تقسیم بر تعداد مقاله های منتشر شده در دو سال مذکور است.

در مواردی فاکتور تأثیر مجله بطور میانگین (که معدل فاکتور تأثیر طول دوران فهرست شدن آن مجله در ISI می باشد)، نیز مورد استفاده قرار می گیرد.

این شاخص مهمترین و در عین حال کاربردی ترین شاخص ارزیابی مجله ها از نظر ISI است. این عامل همه ساله توسط ISI بر مبنای ارجاعات به هر یک از مجله های علمی آن محاسبه می شود و نتیجه در گزارش JCR منتشر می شود.

این ضریب نه برای مقاله یا نویسنده بلکه برای مجله محاسبه می شود. محاسبه بر مبنای یک دوره سه ساله صورت می گیرد.

چگونه یک مقاله ISI ارزیابی می شود؟

برای اینکه بتوانید یک مقاله بنویسید، لازم است در این زمینه اطلاعاتی داشته باشید. اگر این مقاله را برای مؤسسه اطلاعات علمی ISI می نویسید، احتمالاً برایتان مهم است که بدانید این مقاله ها چگونه ارزیابی می شود.

امروزه ارزیابی مقاله های علمی یکی از دغدغه های جوامع علمی می باشد. مؤسسه اطلاعات علمیISI برای ارزیابی تحت پوشش فهرست نویسی خود، سه شاخص در نظر گرفته است:

1- فاکتور تأثیر گذار (IF): این شاخص مهمترین و در عین حال کاربردی ترین شاخص ارزیابی مجله ها از نظر ISI است.

2- شاخص فوری(Immediately): تعداد ارجاعات به مقاله های منتشر شده مجله در سال مورد ارزیابی تقسیم بر تعداد مقاله های منتشر شده در همان سال مجله مذکور است. این شاخص در حقیقت شیب رشد منحنی ارجاعات را بیان می کند.

3- شاخص نیمه عمر استناد(Cited Half-Life):نیمه عمر ارجاعات یا نیمه عمر استناد، تعداد سال هایی است که از سال ارزیابی باید به عقب برگشت تا شاهد پنجاه درصد کل ارجاعات به مجله در سال مورد ارزیابی باشیم.

به عبارت دیگر، این شاخص مدت زمانی که نیمی از کل استنادات به آن مجله صورت پذیرفته باشد را نشان می دهد و در حقیقت سرعت کاهش میزان ارجاعات به مجله را بیان می کند.

بدیهی است که وقتی مقاله های یک مجله ارزش خود را برای ارجاعات، زود از دست بدهند (مقاله ها سطحی باشند و خیلی زود بی ارزش شوند)، تنها به مقاله های جدید مجله ارجاع داده می شود.

این موضوع باعث می شود که نیمه عمر ارجاعات به مجله کاهش یابد. بنابراین هر چه نیمه عمر ارجاعات به مجله بیشتر باشد، نشان می دهد که ارزش مقاله های مجله در طول زمان بیشتر حفظ شده است و هنوز مورد ارجاع قرار می گیرند.

در مجموع هرچه نیمه عمرارجاعات به یک مجله بیشتر باشد، ارزش مجله بالاتر می رود.

در پایان هر سال، مجله های تحت پوشش فهرست نویسی ISI که در فهرست وبگاه علم (Web of Science=WOB) قرار گرفته اند، ارزیابی می شوند.

معیارهای ارزیابی و سنجش همان شاخص های ارزیابی ISI (سه شاخص اشاره شده دربالا) می باشند. نتایج این ارزیابی نیز درگزارش های ارجاع مجله JCR هر سال جهت اطلاع عموم اعلام می شود.

در بین فاکتورهای بالا، فاکتور تأثیر، کاربردی ترین شاخص می باشد و امروزه به طور گسترده ای در درجه بندی و ارزیابی مجله های مورد استفاده قرار می گیرد. این فاکتور در حقیقت توانایی مجله و هیأت تحریریه آن را در جذب بهترین مقاله ها نشان می دهد.

بانک اطلاعات ISI، مرکزی برای فهرست نمودن و پوشش دادن جامع مهمترین مجله های علمی منتشره در دنیا به منظور تبادل اطلاعات میان پژوهشگران مختلف می باشد.

پر واضح است که منظور از پوشش جامع، فهرست نمودن کل مجله های علمی منتشر شده در جهان نمی باشد. چرا که از طرفی مقرون به صرفه نیست و از طرف دیگر تمام مجله های نشر یافته در جهان از استانداردهای ISI پیروی نکرده اند و از غنای علمی لازم برخوردار نیستند. ارزیابی مجله های علمی ISI به طور مستمر و مداوم هر دو هفته صورت می گیرد.

ارزیابی کنندگان ISI در حدود 2000 عنوان جدید را سالانه مورد ارزیابی قرار داده و تنها 10 تا 12 درصد از مجله های علمی ارزیابی شده، انتخاب می شوند. هر مجله علمی قبل از انتخاب شدن و فهرست شدن در ISI یکسری مراحل ارزیابی را پشت سر می گذارند.

از جمله عوامل مورد ارزیابی و رعایت استانداردهای بانک اطلاعاتیISI، کمیته علمی منتخب مجله، تنوع بین المللی مقاله های چاپ شده درآن، نشر به موقع مجله و جایگاه نشر آن می باشد.

لازم به ذکر است که هیچ یک از این عوامل به تنهایی مورد بررسی و ارزیابی قرار نمی گیرد، بلکه با بررسی مجموع عوامل، یک امتیاز کلی داده خواهد شد.

از جمله مواردی که در ارزیابی مجله مورد توجه قرار دارد این است که عنوان مقاله ها، چکیده و کلمات کلیدی باید به زبان انگلیسی باشد همچنین توصیه می شود که منابع نیز به زبان انگلیسی نوشته شوند.

اگر چه اطلاعات علمی مهم به تمامی زبانها به چاپ می رسد، اما موارد ذکر شده باید به زبان انگلیسی باشد تا تحت داوری و ارزیابی ISI قرار گیرد زیرا ارزیابی کنندگان مجله های علمی در ISI نمی توانند عناوین ومنابع بکار رفته در مقاله ها را به زبان انگلیسی ترجمه کنند.

داوری علمی و تخصصی مقاله های چاپ شده در مجله توسط داوران نام آشنای علمی از جمله عمده ترین موارد مورد توجه ارزیابی کنندگان می باشد که گویای اعتبار و غنای علمی مجله است.

سه پایگاه WOS ، EST و JCR از معتبرترین پایگاه های علم سنجی هستند که توسط مؤسسه اطلاعات علمی ISI تهیه و روز آمد سازی می شوند.

پایگاه Essential Science Indicators) ESI بر مبنای دوره های زمانی 10 ساله، به ارائه آمار در قالب شاخص های تعیین شده تولید علم از جمله رتبه علمی کشورها بر اساس تعداد تولیدات علمی، تعدا کل استنادها و نسبت استناد به تولیدات علمی می پردازد.

در پایگاه Web of Science(WOS) امکان جستجو و استخراج اطلاعات در طول دوره های زمانی مختلف بر اساس شاخص های گوناگون علم سنجی وجود دارد.

پایگاه (JCR (Journal citation Reprts به ارائه گزارش استنادی نشریه ها می پردازد.

از طرفی تعداد نشریه هایی که هر کدام از این پایگاه ها نمایه می کنند نیز با دیگری متفاوت است.

بهترین معیارهای ISIبرای نمایه کردن مجله ها چیست؟

در سایتISI چهار مورد به عنوان ملاک های اصلی نمایه شدن مجله آمده است که عبارتند از:
1- زمان بندی نشر، تعریف شده باشد یعنی معلوم باشد که فصلنامه است، ماهنامه است یا… و در موعد معین هم آماده شود.

2- فرآیند داوری برای مجله تعریف شده باشد.

3- قواعد نشر بین المللی را رعایت کند. برای مثال، عنوان مجله گویای محتوای آن باشد.

4- مقاله به هر زبانی که باشد مهم نیست ولی چند مورد در آن باید به زبان انگلیسی باشد که عبارتند از: اسامی نویسندگان، عنوان، چکیده و کلمات کلیدی و حتی الامکان منابع و مآخذ هم انگلیسی باشد.

موارد فرعی هم وجود دارد که شامل این موارد است:

1- مجله باید حوزه بین المللی داشته باشد و به یک حوزه جغرافیایی خاص تعلق نداشته باشد.

2- در حوزه آن مجله، ترجیحاً مجله مشابه نباشد یا اگر هست آن مجله معیار برتری نسبت به آنها داشته باشد.

3- افراد به وجود آورنده آن حتی الامکان افراد شناخته شده ای باشند.

4- افراد به وجود آورنده، توزیع جغرافیایی مناسبی داشته باشند مثلاً همه ایرانی نباشند.

البته موارد فرعی، نمره اضافه دارد و در قبولی یا رد مجله از طرفISI نقش بازی نمی کند.

منابع:

-پایگاه اطلاعات علمی SID
-سخنرانی دکتر عباس چاکلی، مدیر سابق گروه علم سنجی مرکز تحقیقات سیاست علمی کشور
-Jouma citiation Reprts
به نقل از: نشریه دانشگاه علم و صنعت ایران/شماره65منبع: نشریه اطلاعات علمی شماره  357

سایر مطالب مرتبط:

چگونه يك مقاله علمي بنويسيم؟ ( قسمت اول )

چگونه يك مقاله علمي بنويسيم؟ ( قسمت دوم )

چگونه يك مقاله علمي بنويسيم؟ ( قسمت آخر )

كدام مقاله را در كدام جورنال منتشر كنيم ؟ (ژورنال)

نحوه ارسال مقاله براي مجلات بين المللي

? ISI – موسسه اطلاعات علمي ؟

آیا این مجله درجه ISI دارد؟

تحقیق چیست؟

انواع تحقيق

تفاوت میان مطالعه و تحقيق

تفاوت میان تحقیق و تألیف

تفاوت نشریات علمی-پژوهشی و نشریات علمی-ترویجی

روش تحلیل محتوا (Content analysis) چیست؟

تحلیل استنادی (Citation analysis) چیست؟

ضریب همبستگی چیست؟

فهرست نشريات علمي پژوهشي دانشگاه آزاد اسلامي

فهرست نشريات علمی پژوهشی فارسي

نشريات ايرانی نمايه شده در پايگاه بين المللی ISI

مدل یابی معادلات ساختاری

مدل یابی معادلات ساختاری (Structural equation modeling: SEM  )یک تکنیک تحلیل چند متغیری بسیار کلی و نیرومند از خانواده رگرسیون چند متغیری و به بیان دقیقتر بسط “مدل خطی کلی”(General linear model) است. که به پژوهشگر امکان میدهد مجموعه ای از معادلات رگرسیون را به گونه هم زمان مورد آزمون قرار دهد. مدل یابی معادله ساختاری یک رویکرد جامع برای آزمون فرضیه هایی درباره روابط متغیرهای مشاهده شده و مکنون است که گاه تحلیل ساختاری کوواریانس، مدل یابی علّی و گاه نیز لیزرل(Lisrel) نامیده شده است اما اصطلاح غالب در این روزها، مدل یابی معادله ساختاری یا به گونه خلاصه SEM است.

یکی از قویترین و مناسبترین روشهای تجزیه و تحلیل در تحقیقات علوم رفتاری و اجتماعی، تجزیه و تحلیل چند متغیره است زیرا این گونه موضوعات چند متغیره بوده و نمی توان آنها را با شیوه دو متغیری (که هر بار یک متغیر مستقل با یک متغیر وابسته در نظر گرفته میشود) حل نمود.

«تجزیه و تحلیل ساختارهای کوواريانس» یا همان «مدل یابی معادلات ساختاری»، یکی از اصلیترین روشهای تجزیه و تحلیل ساختار دادههای پیچیده و یکی از روشهای نو برای بررسی روابط علت و معلولی است و به معنی تجزیه و تحلیل متغیرهای مختلفی است که در یک ساختار مبتنی بر تئوری، تاثیرات همزمان متغیرها را به هم نشان میدهد. از طریق این روش میتوان قابل قبول بودن مدلهای نظری را در جامعه های خاص با استفاده از دادههای همبستگی، غیر آزمایشی و آزمایشی آزمود.

پايه هاي مدل يابي معادلات ساختاري:

مدل يابي معادله ساختاري يک تکنيک تحليل چندمتغيري بسيار کلي و نيرومند از خانواده رگرسيون چند متغيرهي و به بيان دقيق تر بسط مدل خطي کلي است که به پژوهشگران امکان مي دهد مجموعه اي از معادلات رگرسيون را به گونه هم زمان مورد آزمون قرار مي دهد. مدل يابي معادله ساختاري يک رويکرد آماري جامع براي آزمون فرضيه هايي درباره روابط بين متغيرهاي مشاهده شده و مکنون است، که گاه تحليل ساختاري کوواريانس، مدل يابي علي و گاه نيز ليزرل ناميده شده است. اما اصطلاح غالب در اين روزها، مدل يابي معادله ساختاري يا به گونه خلاصه SEM  است. نرم افزار SEM  به عنوان يکي از پيشرفت هاي روش شناختي نويدبخش در علوم اجتماعي و علوم رفتاري مي تواند مدل هاي سنتي را مورد آزمون قرار دهد و در عين حال امکان بررسي روابط و مدل هاي پيچيده تري مانند تحليل عاملي (تاييدي) و تحليل سري هاي زماني را نيز فراهم و کاربرد داده هاي همبستگي، آزمايشي و غير آزمايشي را براي تعيين ميزان موجه بودن مدل هاي نظري در يک جامعه به خصوص امکان پذير سازد.

به سبب آنکه بسياري از مسائل تاريخي، منطقي و فلسفي تاکنون حل نشده باقي مانده است، آزمون پيوندهاي علي بين متغيرها و انديشه توانا بودن آماري براي تحقق يک مدل علي نيز تا حد زيادي با اصطلاح مدل ساختاري جانشين شده است. اين مطلب متضمن توصيف روابط کمابيش ثابت بين شرايط يا واقعيت هاي اجتماعي مرتبط با يکديگر است که مي توان آن را آشکار کرد و از طريق روش هاي آماري مورد آزمايش قرار داد.

SEM  زباني مختص به خود دارد. البته همه روش هاي آماري به گونه کلي داراي اين ويژگي هستند، اما به نظر مي رسد که ابداع کنندگان و کاربران SEM زبان اختصاصي خود را به سطوحي نو ارتقا داده اند. اينکه چرا پژوهشگر براي کابران SEM ناگزير است آن را با زبان خود برنامه اجرا و از برخي مفروضه هاي پيچيده آماري استفاده کند، به اين دليل است که اين نرم افزار داراي مزاياي جالب زير است:

مفروضه هاي زيربنايي اين تحليل هاي آماري آشکار و آزمون پذير است و به پژوهشگر امکان کنترل کامل و به گونه بالقوه درک بيشتر تحليل ها را مي دهد.

نرم افزار ارتباطي گرافيکي، خلاقيت را تقويت و تصحيح سريع مدل را تسهيل مي سازد

برنامه SEM، آزمون هاي کلي برازندگي با مدل و برآورد پارامترهاي انفرادي رابه گونه همزمان فراهم مي سازد.

به منظور پالاياش خطاها، مي توان مدلهاي اندازه گيري و تحليل عاملي را به کار برد. اين کار موجب مي شود روابط برآورده شده بين متغيرهاي مکنون کمتر به وسيله خطاي اندازه گيري آلوده شود.

برخلاف روش هاي قديمي تر، برآورد خطاي اندازه گيري و پس ماندهاي همبسته را ممکن مي سازد.

چارچوب واحدي به دست مي دهد که بر پايه آن مي توان مدل هاي خطي بي شماري را با به کار بردن نرم افزار انعطاف پذير و پرقدرت آن، با داده ها برازش داد.

توانايي برازش مدل هاي غير استاندارد شامل کار با داده هاي طولي، پايگاه داده ها با ساختارهاي خطاهاي خودهمبسته و پايگاه متغيرهاي داراي توزيع غيرنرمال و داده هاي ناقص را داراست. اين ويژگي جالب ترين کيفيت آن است.

به منظور مطالعه هر دو نوع خصوصيت اندازه گيري و ساختاري مدل هاي نظري، ويژگي هاي تحليل عاملي و رگسيون چندگانه را با هم ترکيب مي کند.

انديشه اساسي زيربناي مدل يابي ساختاري:

فرض بر اين است که شما با مفاهيم مقدماتي آمار، مانند واريانس، کوواريانس و همبستگي آشنا هستيد. قبل از آنکه بکوشيد مدل يابي ساختاري را به کار ببريد، مطلوب است که تا حد زيادي با تحليل عاملي آشنا باشيد، زيرا يک مدل کامل معادله ساختاري در واقع بيانگر آميزه اي از نمودار مسير و تحليل عاملي تاييدي است.

آماردان ها براي آزمون اين مطلب که آيا مجموعه اي از واريانس ها و کوواريانس ها در يک ماتريس با ساختار به خصوص و معيني برازش دارد روش هايي را توسعه داده اند. براي مدل يابي ساختاري راه هاي زير دنبال مي شود:

راهي را که معتقد هستيد متغيرها با هم مرتبط اند بيان مي کند.

از طريق برخي قواعد دروني پيچيده، اين مسئله را که چه دلالت هايي براي واريانس ها و کوواريانس ها متغيرها دارد حل مي کنيد.

اينکه آيا واريانس ها و کوواريانس ها با اين مدل برازش دارد آزمون مي کنيد.

در اين مرحله، نتايج آزمون آماري و نيز برآوردها پارامترها و خطاهاي استاندارد براي ضرايب عددي در معادله هاي خطي گزارش مي شود.

برپايه اين اطلاعات، تعيين مي کنيد مدل مورد نظر با داده هاي شما برازش دارد يا نه.

مقصود آن است که پژوهشگر براي اجراي مقدماتي تحليل SEM، ابتدا مدلي را بر پايه تئوري مشخص مي سازد. سپس تعيين مي کند که چگونه سازه ها را اندازه گيري، داده ها را گردآوري و آنها را وارد رايانه کند. درونداد اين تحليل معمولا ماتريس کوواريانس متغيرهاي اندازه گيري شده است، هرچند گاهي اوقات ماتريس همبستگي ها يا ماتريس کوواريانس ها و ميانگين ها به کار برده مي شود. تحليلگر داده ها در عمل، معمولا برنامه SEM را با داده هاي خام تامين، و اين برنامه، داده هاي مذکور را به کوواريانس ها و ميانگين ها براي استفاده لازم تبديل مي کند. اين مدل شامل مجموعه اي از روابط بين متغيرهاي اندازه گيري شده است، که به عنوان محدوديت هايي در مجموعه کلي روابط ممکن نشان داده مي شود. نتايج حاصل، علاوه بر برآورد پارامترها، خطاهاي استاندارد و مشخصه هاي آزمون براي هر يک از پارامترهاي آزاد موجود در مدل، شامل شاخص هاي کلي برازندگي مدل نيز خواهد بود.

موارد استفاده مدل يابي معادلات ساختاري:

مدل يابي معادلات ساختاري را مي توان در جهت مقاصد پژوهشي ذيل به کار برد:

مدل يابي علي يا تحليل مسير: پارامترهاي حاصل از تحليل رگرسيون دست کم در سه موقعيت اساسي زير نمي تواند اطلاعات لازم را فراهم آورد:

وقتي متغيرهاي مشاهده شده حاوي خطاهاي اندازه گيري و بين متغيرهاي واقعي روابط جالب و بدون تورش وجود داشته باشد.

وقيت بين متغيرهاي مشاهده شده روابط درهم تنيده جريان علي وجود داشته باشد.

وقتي متغيرهاي مهم تبيين شده مشاهده نشده باشد.

اما توابع ساختاري مي تواند در همه موقعيت هاي بالا نقش مهم و سازنده اي ايفا کند. علوم اجتماعي و رفتاري بر خلاف علوم طبيعي، به ندرت به تجزيه و تحليل دقيق در شرايط کنترل شده دستيابي دارد. در اين علوم، استنباط روابط علي بر پايه مطالعاتي صورت مي گيرد که در آنها مدل ها و در قالب سازه هاي نظري که مستقيما مشاهده پذير و اندازه پذير نيست، بيان مي شود. اما براي عملياتي کردن و اندازه گيري متغيرهاي نظري مي توان از شاخص ها يا نشانه هايي که نشانگر ناميده مي شود، استفاده کرد. استنباط هاي علي به واقع به مسيرهايي بستگي دارد که طرح مطالعه مشخص کرده است.

تحليل عاملي تاييدي: اين روش که به واقع بسط تحليل عاملي معمولي است، يکي از جنبه هاي مهم SEM است، که در آن فرضيه هاي معيني درباره ساختارهاي بارهاي عاملي و همبستگي هاي متقابل بين متغيرها مورد آزمون قرار مي گيرد. از لحاظ سنتي، تحليل عاملي با آشکار ساختن ابعاد زيربنايي يا واريانس عامل مشترک در مجموعه اي از پرسش ها يا سوال هاي تستي سروکار دارد. براي معرفي يک سازه نظري، معمولا مجموعه اي از پرسش ها تهيه مي شود و تحليل عاملي به تدوين شاخصي که در پژوهش به کار مي رود، کمک خواهد کرد. براي معرفي ابعاد زيربنايي سازه مورد نظر، تحليل عاملي مي تواند يک يا چند عامل را آشکار سازد. برپايه نتايج تحليل عاملي مي توان گفت که يک سازه، تک بعدي يا چندبعدي است. به اين رويکرد، در حال حاضر، به سبب آنکه داراي ماهيت اکتشافي است و نه ماهيت آزمون فرضيه، تحليل عاملي اکتشافي گفته مي شود. عامل چون در تحليل عاملي مشاهده ناپذير است، متغير مکنون خوانده مي شود، که در تحليل عاملي، پيش بيني کننده پاسخ ها در متغيرهاي اندازه گرفته شده و مشاهده شده است، به واقع، روايي يک تحليل عاملي تا حدودي از طريق تعيين اين مطلب مشخص مي شود که عامل ها با چه دقتي واريانس موجود در پرسش هاي انفرادي را توجيه مي کنند. يعني، چقدر از واريانس موجود در پرسش ها با عامل ها اشتراک دارد.

مدلي يابي معادله ساختاري، علاوه بر تحليل اکتشافي، تحليل عاملي تاييدي را نيز به کار مي برد. اين تحليل اساسا يک روش آزمون فرضيه است، و بر اين مفروضه متکي است که شما درباره اينکه مولفه متغيرهاي مکنون چيست انديشه اي داريد؛يعني به دنبال يافتن نشانگرها نيستيد.SEM  اين مطلب را که آيا نشانگرهايي که براي معرفي سازه يا متغير مکنون خود برگزيده ايد، واقعا معرف آن است يا نه، مي آزمايد و گزارش مي دهد که نشانگرهاي انتخابي با چه دقتي معرف يا برازنده متغيرمکنون است. براي بهبود برازندگي، نشانگرها با متغير مکنون نيز راه هايي پيشنهاد مي کنند.

تحليل عاملي مرتبه دوم: صورتي از تحليل عاملي است که در آن خود ماتريس همبستگي عامل هاي مشترک تحليل مي شود تا عامل هاي مرتبه دوم به دست آيد.

مدل هاي مختلف رگرسيون: بسط تحليل رگرسيون خطي که در آن وزن هايي رگرسيون ممکن است مقيد به تساوي با يکديگر باشد، يا برابر با مقادير عددي معيني قرار داده شود. SEM  مقايسه ضرايب رگرسيون، واريانس ها، ميانگين ها حتي با گروه هاي بين آزمودني ها چندگانه را به گونه هم زمان امکان پذير مي سازد.

مدل هاي ساختاري کوواريانس: اين فرضيه را که يک ماتريس کوواريانس داراي شکل به خصوصي است آزمون مي کند. براي مثال، مي توانيد اين فرضيه را که مجموعه اي از متغيرها داراي واريانس هاي برابر هستند بيازماييد.

مدل هاي ساختاري همبستگي: اين فرضيه را که يک ماتريس همبستگي داراي شکل به خصوصي است آزمون مي کند. براي مثال، مي توانيد اين فرضيه کلاسيک را که ماتريس همبستگي داراي ساختار دوري است، بيازماييد.

اصطلاحات مدل يابي ساختاري:

مدل يابي معادلات ساختاري بر پايه فرضيه هايي درباره وجود روابط علي بين متغيرها، مدل هاي علي را با دستگاه معادله خطي آزمون مي کند. بدين ترتيب، SEM، روابط نظري بين شرايط ساختاري معين و مفروض را مي آزمايد و برآورد روابط علي ميان متغيرهاي مکنون (مشاهده نشده) و نيز روابط ميان متغيرهاي اندازه گيري شده (مشاهده شده) را امکان پذير مي سازد.

متغيرهاي مستقل که فرض بر آن است بدون خطا اندازه گيري مي شوند، متغيرهاي برونزا يا جريان دهنده و متغيرهاي وابسته يا ميانجي متغيرهاي درونزا يا جريان گيرنده ناميده مي شوند. متغيرهاي آشکار آشکار يا مشاهده شده به گونه مستقيم به وسيله پژوهشگر اندازه گيري مي شود، در حالي که متغيرهاي مکنون يا مشاهده نشده به گونه مستقيم اندازه گيري نمي شود، بلکه بر اساس روابط يا همبستگي هاي بين متغيرهاي اندازه گيري شده استنباط مي شوند. اين برآورد آماري به همان طريق که يک تحليل عاملي اکتشافي حضور عامل هاي مکنون را از واريانس مشترک بين متغيرهاي مشاهده شده استنباط مي کند، به دست مي آيد.

بنابر آنچه گفته شد، مدل معادله ساختاري شامل دو مؤلفه است: مدل اندازه گيري که در آن متغيرهاي مکنون پيشنهاد و از طريق تحليل عاملي تاييدي آزمون مي شود و مدل ساختاري که در آن متغيرهاي مکنون و نيز متغيرهاي مشاهده شده اي که نشانگر متغيرهاي مکنون است از يک راه منطقي با هم مرتبط مي شود.

کاربران SEM  روابط ميان متغيرهاي مشاهده شده و مشاهده نشده را با استفاده از نمودار مسير نشان مي دهند. اين نمودار که نقش اساسي در مدل يابي ساختاري بازي مي کند، مانند فلوچارت هاي رايانه اي است، که متغيرهايي را که با خطوط بيانگر جريان علي باهم متصل شده اند، نشان مي دهد. نمودار مسير را مي توان به عنوان وسيله اي براي نمايش اين مطلب در نظر گرفت که کدام متغيرها موجب تغييراتي در متغيرهاي ديگر مي شود. همه متغيرهاي مستقل داراي پيکان هايي اند که به سوي متغير وابسته نشانه مي روند. ضريب وزني بالاي پيکان قرار مي گيرد.

مفروضه هاي مدل معادله ساختاري:

مدل يابي معادله ساختاري، بسط انعطاف پذير و قدرتمند مدل خطي کلي است، و بنابراين مانند هر روش آماري، داراي شماري از مفروضه هاست که بايد صادق بوده يا دست کم به گونه تقريب برقرار باشد، تا نسبت به نتايج آن اطمينان حاصل شود. دو مسئله اساسي، يعني حجم گروه نمونه و کار با داده هاي گمشده مي باشد.

حجم منطقي گروه نمونه:

بر پايه پيشنهاد جميز استيونس در نظر گرفتن پانزده مورد براي هر متغير پيش بين در تحليل رگرسيون چندگانه با روش معمولي کمترين مجذورات استاندارد، يک قاعده سرانگشتي خوب به شمار مي آيد. چونSEM  در برخي جنبه ها کاملا مرتبط با رگرسيون چند متغيري است، تعداد 15 مورد به ازاي هر متغير اندازه گيري شده در SEM  غير منطقي نيست.

لوهلين نتايج مطالعات مشابه مونت کارلو را با استفاده از مدل هاي تحليل عاملي تاييدي گزارش کرده و پس از بررسي پيشينه هاي پژوهش نتيجه مي گيرد که براي اين طبقه از مدل ها با دو يا چهار عامل، پژوهشگر بايد روي گردآوري دست کم 100 مورد يا بيش از آن 200 مورد برنامه ريزي کند. کاربرد نمونه هاي کوچکتر مي تواند موجب عدم حصول همگرايي، به دست آمدن جواب هاي نامناسب و يا دقت پايين برآورد پارامترها و به ويژه خطاهاي استاندارد شود. خطاي استاندارد برنامه SEM بر پايه مفروضه نمونه هاي بزرگ محاسبه مي شود. زماني که توزيع داده ها نرمال نبوده يا کجي داشته باشد، گروه هاي نمونه با حجم بزرگتر مورد نياز است. پيشنهاد کلي آن است که تا حد امکان داده هاي بيشتري به دست آوريد.

داده هاي کامل يا کاربرد مناسب داده هاي ناکافي:

چنانچه براي تحليل، از داده هاي ورودي خام استفاده شود، اين داده ها بايد کامل و بدون مقادير گمشده باشند. براي کار با داده هاي ناکامل، چندين راه حل پيش تجربي وجود دارد. حذف ليستي که در آن همه نمره هاي مربوط به داده هاي گمشده حذف مي شود و حذف زوجي که در آن همبستگي دو متغيري فقط براي مواردي که داده هاي آن کامل وجود دارد محاسبه مي شود، از راه حل هاي متداول براي کار با مقادير گمشده است. روش ديگر پيش تجربي براي داده گمشده، جايگزين ساختن اين داده ها با ميانگين متغي مربوط است.

تدوين مدل:

مدل، به گونه ساده يک گزاره آماري درباره روابط ميان متغيرهاست. تحليل مسير مثال خوبي براي مدل، و تدوين مدل، تمريني براي بيان رسمي مي کمدل است. ترجمه مشهود و آشکار نظريه به صورت معادلات رياضي انجام مي پذيرد. اين مدل از طريق نمايش متغيرهاي مستقل و وابسته به ترسيم نمودار مسير کمک مي کند. متغيرهاي مستقل اغلب متغيرهاي برونزا خوانده مي شود، يعني علل آنها خارج از مدل تعيين مي گردد. متغيرهاي وابسته اغلب متغيرهاي درونزا خوانده مي شود، زيرا فرض مي شود که علت آنها از درون مدل تعيين مي شود.

تدوين مدل در SEM، گام عمده اي است که در فرايند آن بايد سازه هاي مربوط، مکنون و مشاهده شده و روابط بين سازه ها مشخص گردد. در مدل بايد اصل اقتصاد و صرفه جويي نيز رعايت شود، و ضرورتي ندارد که شمامل هر متغير علي ممکن باشد. گنجانيدن سازه هاي بيش از اندازه در مدل مي توند موجب آزمون ناپذيري آن شود، و اگر سازه هاي مهمي را حذف کنيد، خطر توليد يک مدل نامناسب کاذب را به جان خريده ايد. نکته مهم آن است که مدل شما بايد انديشه ها و مفاهيم نظري مورد علاقه شما را به خوبي منعکس سازد. تجربه نشان داده است که به سادگي نمي توانيد تنها به خاطر آنکه چيزي را ببينيد يک مدل را به کار ببريد، بلکه بايد نظريه خوبي در دست داشته باشيد. عمل تدوين مدل، انتخاب نشانگرها براي متغيرهاي مکنون را نيز در بر مي گيرد. به عنوان يک قاعده کلي، براي يک سازه مکنون، بايد نشانگرهاي چندگانه داشته باشيد. اين موضوع هم دليل منطقي و هم دليل آماري دارد. يک سازه پيچيده وقتي از طريق نشانگرهاي چندگانه تسخير شود، معتبرتر و رواتر است. براي هر متغير مکنون سه نشانگر يا بيشتر توصيه مي شود.

تدوين مدل شامل فرمول بندي گزاره هايي درباره پارامترها نيز مي باشد. پارامتر ضريب عددي است که رابطه بين سازه ها را توصيف مي کند. تعيين پارامترها اين مطلب را که روابط داراي يک جهت يا چند جهت است يا نه نيز شامل مي شود.

الگوهای معادله ساختاری و روابط بین متغیرها

 

الگوهای معادله ساختاری شامل تعداد زیادی از تکنیک های آماری می باشند که در علوم رفتاری کاربرد فراوانی دارند. می توان این الگوها را ترکیبی از تحلیل عاملی و رگرسیون یا تحلیل مسیر نامید. این مدل ها در واقع به ساختار کواریانس بین متغیرهای مشاهده شده اشاره دارد و از همین جهت گاه مدل های ساختار کواریانس نیز خوانده می شوند. اغلب برای تعیین ساختار مدل از نمودار تحلیل مسیر استفاده می شود. الگوهای معادله ساختاری در واقع مجموعه ای از معادلات خطی را ارائه می دهند که با تعیین روابط علی بین متغیرهای مکنون سعی در کشف اثرات مستقیم و غیر مستقیم متغیرهای مکنون برون زا بر متغیرهای مکنون درون زا دارد. مدل یابی براین اساس شامل پنج مرحله تدوین مدل، شناسایی مدل، برآورد مدل، ارزیابی مدل و اصلاح مدل می باشد. نرم افزارهای رایانه ای برای تعیین، برازش و ارزیابی الگوهای ساختاری به وسیله جرسکوگ و سوربوم بسط داده شده است و اکنون به طور وسیعی به صورت سیستم LISREL (روابط ساختاری خطی) مورد استفاده قرار می گیرد. در ادامه به معرفی الگوهای مورد استفاده در این تعریف می پردازیم.

اشتباهات رایج در استفاده از مدلیابی معادلات ساختاری

یکی از قوی ترین و مناسب ترین روش های تجزیه و تحلیل در تحقیقات علوم رفتاری و اجتماعی، تجزیه و تحلیل چند متغیره است زیرا این گونه موضوعات چند متغیره بوده و نمی توان آنها را با شیوه دو متغیری (که هر بار یک متغیر مستقل با یک متغیر وابسته در نظر گرفته می شود) حل نمود. «تجزیه و تحلیل ساختارهای کوواریانس» یا همان «مدل یابی معادلات ساختاری»، یکی از اصلی ترین روش های تجزیه و تحلیل ساختار داده های پیچیده و یکی از روش های نو برای بررسی روابط علت و معلولی است و به معنی تجزیه و تحلیل متغیرهای مختلفی است که در یک ساختار مبتنی بر تئوری، تأثیرات همزمان متغیرها را به هم نشان می دهد. از طریق این روش می توان قابل قبول بودن مدل های نظری را در جامعه های خاص با استفاده از داده های همبستگی، غیر آزمایشی و آزمایشی آزمود. علاوه بر این محققین و پژوهشگران می توانند از مبانی مربوطه نیز آگاهی کامل را یافته و نحوه تدوین صحیح مدل های نظری و تجربی را آموخته و جایگاه هر یک از متغیرهای میانجی: کنترلی، مداخله گر و تعدیل کننده را به درستی شناخته و از آن در پژوهش های خود استفاده نمایند.

به چندتا اشتباه در کاربرد این روش اشاره میکنیم:
۱.     کاربرد الگوسازی معادلات ساختاری به عنوان یک بازی آماری به جای آزمون یک نظریه: هنوز در خیلی از تحقیقات مشاهده می‌شود که محقق از الگو سازی معادلات ساختاری بدون الگوی نظری قوی استفاده می‌کند. زمانی این روش مورد استفاده باید قرار گیرد که محقق الگوی نظری با استدلال های کافی در اختیار دارد و می‌تواند با استفاده از دلایل قوی و با بهره گیری از گزاره‌های حاصل از نظریه‌ها و تحقیقات با پشتوانه تجربی کاقی از الگوی نظری خود دفاع کند. به عبارتی دیگر کاربرد اصلی این تکنیک عمدتاً زمانی است که رویکرد تاییدی مد نظر است تا اکتشافی. در غیر اینصورت این روش در خدمت بررسی‌های بی‌پایان و‌گاه از بعد نظری بی‌معنایی برای برازش الگو با داده‌ها در خواهد آمد. نکته دیگر اینکه اگر هنوز الگوی نظری قوی حاصل نشده است، شاید الگوسازی معادلات ساختاری هنوز روش مناسبی برای استفاده نیست. مثلا اگر تبیین نظری پدیده مورد مطالعه هنوز کامل و قابل دفاع نیست، شاید انجام تحقیقات اکتشاقی و یا کیفی برای شناخت بهتر پدیده مناسب‌تر باشد.

۲.     اعمال اصلاحات مختلف در الگوی آماری برای بهبود برازش الگو با داده‌ها بدون معنای نظری: خیلی از محققان آنقدر علاقه‌مند به برازش الگوی خود با داده‌ها هستند که دست به هر تغییری در الگو می‌زنند تا این برازش آماری حاصل شود. اقداماتی مانند در نظر گرفتن کوواریانس بین واریانس‌های خطای متغیرهای اندازه گیری در الگوهای اندازه گیری و یا افزودن روابط جدید بین برخی متغیرهای مکنون از این جمله است. از آنجا که هدف الگوسازی معادلات ساختاری آزمون یک الگوی نظری است، حتی اگر تغییرات اعمال شده به الگو موجب افزایش و حتی مقبولیت برازش الگو با داده‌ها شود، اما آن تغییرات از منظر نظری تبیین کامل تری از پدیده مورد بررسی را موچب نشود، برازش آماری بهتر الزاماً فایده خاصی ندارد، و تنها از نظر یک فعالیت آماری ارزشمند است تا مسیری برای بهبود الگوسازی نظری که هدف اصلی این نوع تحقیقات است. از اینرو اعمال تغییرات در اجزای یک الگو زمانی مفید است که علاوه بر بهبود در برازش الگو با داده‌ها، از جهت نظری نیز تبیین قوی تری برای محقق حاصل نماید.

۳.     عدم استفاده از مقایسه الگو‌های رقیب: از آنجا که الگوسازی معادلات ساختاری تکنیکی آماری است و هر گونه الگوی نظری ورودی به آن می تواند قابل آزمون باشد، لذا در برخی تحقیقات ممکن است علاوه بر الگوی نظری اولیه، الگوهای نظری دیگری هم قابل پیشنهاد باشند که به نوعی رقیب الگوی نظری اولیه باشند. این راهبرد الگوسازی که از آن با نام «راهبرد رقابتی به الگوسازی» یاد می‌شود بر این مبنا است که ممکن است بتوان با استفاده از متغیرهای اصلی یک تحقیق تبیین‌های نظری متفاوتی از روابط بین متغیر‌ها پیشنهاد نمود. از اینرو، شاید بتوان روابط نظری مختلفی را در قالب الگو‌های نظری متنوعی ارائه کرد که با استفاده از معادلات ساختاری، بین آن‌ها از نظر میزان برازش با داده‌ها انتخاب بهتری را داشت.

مدل سازی معادلات ساختاري

ليزرل يا مدل يابي معادلات ساختاري (Structural equation modeling: SEM) يک تکنيک تحليل چند متغيري بسيار کلي و نيرومند از خانواده رگرسيون چند متغيري و به بيان دقيق‌تر بسط “مدل خطي کلي”(General linear model) است. که به پژوهشگر امکان مي‌دهد مجموعه اي از معادلات رگرسيون را به گونه هم زمان مورد آزمون قرار دهند. مدل يابي معادله ساختاري يک رويکرد جامع براي آزمون فرضيه‌هايي درباره روابط متغيرهاي مشاهده شده و مکنون است که گاه تحليل ساختاري کوواريانس، مدل يابي علّي و گاه نيز ليزرل (Lisrel) ناميده شده است اما اصطلاح غالب در اين روزها، مدل يابي معادله ساختاري يا به گونه خلاصه SEM است. (هومن 1384،11)

از نظر آذر (1381) نيز يکي از قوي‌ترين و مناسب‌ترين روش‌هاي تجزيه و تحليل در تحقيقات علوم رفتاري و اجتماعي، تجزيه و تحليل چند متغيره است زيرا اين گونه موضوعات چند متغيره بوده و نمي توان آنها را با شيوه دو متغيري (که هر بار يک متغير مستقل با يک متغير وابسته در نظر گرفته مي‌شود) حل نمود.

«تجزيه و تحليل ساختارهاي کوواريانس» يا همان «مدل يابي معادلات ساختاري»، يکي از اصلي‌ترين روش‌هاي تجزيه و تحليل ساختار داده‌هاي پيچيده و يکي از روش‌هاي نو براي بررسي روابط علت و معلولي است و به معني تجزيه و تحليل متغيرهاي مختلفي است که در يک ساختار مبتني بر تئوري، تاثيرات همزمان متغيرها را به هم نشان مي‌دهد. از طريق اين روش مي‌توان قابل قبول بودن مدل‌هاي نظري را در جامعه‌هاي خاص با استفاده از داده‌هاي همبستگي، غير آزمايشي و آزمايشي آزمود.

 

انديشه اساسي زيربناي مدل يابي ساختاري

يکي از مفاهيم اساسي که در آمار کاربردي در سطح متوسط وجود دارد اثر انتقالهاي جمع پذير و ضرب پذير در فهرستي از اعداد است يعني اگر هر يک از اعداد يک فهرست در مقدار ثابت K ضرب شود ميانگين اعداد در همان K ضرب مي‌شود و به اين ترتيب ، انحراف معيار استاندارد در مقدار قدر مطلق Kضرب خواهد شد. نکته اين است که اگر مجموعه اي از اعداد x با مجموعه ديگري از اعداد y از طريق معادله y=4xمرتبط باشند در اين صورت واريانس y بايد 16 برابر واريانس x باشد و بنابراين از طريق مقايسه واريانس‌هاي x و y مي‌توانيد به گونه غير مستقيم اين فرضيه را که y و x از طريق معادله y=4x با هم مرتبط هستند را بيازماييد. اين انديشه از طريق تعدادي معادلات خطي از راه‌هاي مختلف به چندين متغير مرتبط با هم تعميم داده مي‌شود. هرچند قواعد آن پيچيده‌تر و محاسبات دشوارتر مي‌شود. اما پيام کلي ثابت مي‌ماند. يعني با بررسي واريانسها و کوواريانسهاي متغيرها مي‌توانيد اين فرضيه را که “متغيرها از طريق مجموعه اي از روابط خطي با هم مرتبط اند” را بيازماييد.

 

توسعه مدل‌هاي علّي و همگرايي روش‌هاي اقتصادسنجي، روان سنجي و…

توسعه مدل‌هاي علّي متغيرهاي مکنون معرف همگرايي سنتهاي پژوهشي نسبتا مستقل در روان سنجي، اقتصادسنجي، زيست شناسي و بسياري از روشهاي قبلا آشناست که آنها را به شکل چهارچوبي وسيع در مي‌آورد. مفاهيم متغيرهاي مکنون (Latent variables)(در مقابل متغيرهاي مشاهده شده (Observed variables)) و خطا در متغيرها، تاريخي طولاني دارد. در اقتصادسنجي آثار جهت دار هم زمان چند متغير بر متغيرهاي ديگر، تحت برچسب مدلهاي معادله هم زمان بسيار مورد مطالعه قرار گرفته است. در روان سنجي به عنوان تحليل عاملي و تئوري اعتبار توسعه يافته و شالوده اساسي بسياري از پژوهش‌هاي اندازه گيري در روانسنجي مي‌باشد. در زيست شناسي، يک سنت مشابه همواره با مدلهاي معادلات هم زمان (گاه با متغيرهاي مکنون) در زمينه نمايش و طرح برآورده در تحليل مسير سر و کار دارد.

 

موارد کاربرد روش ليزرل

روش ليزرل ضمن آنکه ضرايب مجهول مجموعه معادلات ساختاري خطي را برآورد مي‌کند براي برازش مدلهايي که شامل متغيرهاي مکنون، خطاهاي اندازه گيري در هر يک از متغيرهاي وابسته و مستقل، عليت دو سويه، هم زماني و وابستگي متقابل مي‌باشد طرح ريزي گرديده است. اما اين روش را مي‌توان به عنوان موارد خاصي براي روشهاي تحليل عاملي تاييدي، تحليل رگرسيون چند متغيري، تحليل مسير، مدلهاي اقتصادي خاص داده‌هاي وابسته به زمان، مدلهاي برگشت پذير و برگشت ناپذير براي داده‌هاي مقطعي/ طولي، مدلهاي ساختاري کوواريانس و تحليل چند نمونه اي (مانند آزمون فرضيه‌هاي برابري ماتريس کوواريانس هاي، برابري ماتريس همبستگي ها، برابري معادلات و ساختارهاي عاملي و غيره) نيز به کار برد.

 

نرم افزار ليزرل

ليزرل يک محصول نرم افزاري است که به منظور برآورد و آزمون مدلهاي معادلات ساختاري طراحي و از سوي “شرکت بين المللي نرم افزار علمي” (Scientific software international (www.ssicentral.com)به بازار عرضه شده است. اين نرم افزار با استفاده از همبستگي و کوواريانس اندازه گيري شده، مي‌تواند مقادير بارهاي عاملي، واريانسها و خطاهاي متغيرهاي مکنون را برآورد يا استنباط کند و از آن مي‌توان براي اجراي تحليل عاملي اکتشافي، تحليل عاملي مرتبه دوم، تحليل عاملي تاييدي و همچنين تحليل مسير (مدل يابي علت و معلولي با متغيرهاي مکنون) استفاده کرد.

 

تحليل عاملي اکتشافي و تاييدي

تحليل عاملي مي‌تواند دو صورت اکتشافي و تاييدي داشته باشد. اينکه کدام يک از اين دو روش بايد در تحليل عاملي به کار رود مبتني بر هدف تحليل داده هاست. در تحليل اکتشافي(Exploratory factor analysis) پژوهشگر به دنبال بررسي داده‌هاي تجربي به منظور کشف و شناسايي شاخص‌ها و نيز روابط بين آنهاست و اين کار را بدون تحميل هر گونه مدل معيني انجام مي‌دهد. به بيان ديگر تحليل اکتشافي علاوه بر آنکه ارزش تجسسي يا پيشنهادي دارد مي‌تواند ساختارساز، مدل ساز يا فرضيه ساز باشد.

تحليل اکتشافي وقتي به کار مي‌رود که پژوهشگر شواهد کافي قبلي و پيش تجربي براي تشکيل فرضيه درباره تعداد عامل‌هاي زيربنايي داده‌ها نداشته و به واقع مايل باشد درباره تعيين تعداد يا ماهيت عامل‌هايي که همپراشي بين متغيرها را توجيه مي‌کنند داده‌ها را بکاود. بنابر اين تحليل اکتشافي بيشتر به عنوان يک روش تدوين و توليد تئوري و نه يک روش آزمون تئوري در نظر گرفته مي‌شود.

تحليل عاملي اکتشافي روشي است که اغلب براي کشف و اندازه گيري منابع مکنون پراش و همپراش در اندازه گيري‌هاي مشاهده شده به کار مي‌رود. پژوهشگران به اين واقعيت پي برده اند که تحليل عاملي اکتشافي مي‌تواند در مراحل اوليه تجربه يا پرورش تستها کاملا مفيد باشد. توانشهاي ذهني نخستين ترستون ، ساختار هوش گيلفورد نمونه‌هاي خوبي براي اين مطلب مي‌باشد. اما هر چه دانش بيشتري درباره طبيعت اندازه گيري‌هاي رواني و اجتماعي به دست آيد ممکن است کمتر به عنوان يک ابزار مفيد به کار رود و حتي ممکن است بازدارنده نيز باشد.

 

از سوي ديگر بيشتر مطالعات ممکن است تا حدي هم اکتشافي و هم تاييدي باشند زيرا شامل متغير معلوم و تعدادي متغير مجهول‌اند. متغيرهاي معلوم را بايد با دقت زيادي انتخاب کرد تا حتي الامکان درباره متغيرهاي نامعلومي که استخراج مي‌شود اطلاعات بيشتري فراهم‌ايد. مطلوب آن است که فرضيه اي که از طريق روش‌هاي تحليل اکتشافي تدوين مي‌شود از طريق قرار گرفتن در معرض روش‌هاي آماري دقيق‌تر تاييد يا رد شود. تحليل اکتشافي نيازمند نمونه‌هايي با حجم بسيار زياد مي‌باشد.

در تحليل عاملي تاييدي(Confirmatory factor analysis) ، پژوهشگر به دنبال تهيه مدلي است که فرض مي‌شود داده‌هاي تجربي را بر پايه چند پارامتر نسبتا اندک، توصيف تبيين يا توجيه مي‌کند. اين مدل مبتني بر اطلاعات پيش تجربي درباره ساختار داده هاست که مي‌تواند به شکل: 1) يک تئوري يا فرضيه 2) يک طرح طبقه بندي کننده معين براي گويه‌ها يا پاره تستها در انطباق با ويژگي‌هاي عيني شکل و محتوا ، 3)شرايط معلوم تجربي و يا 4) دانش حاصل از مطالعات قبلي درباره داده‌هاي وسيع باشد.

تمايز مهم روش‌هاي تحليل اکتشافي و تاييدي در اين است که روش اکتشافي با صرفه‌ترين روش تبيين واريانس مشترک زيربنايي يک ماتريس همبستگي را مشخص مي‌کند. در حالي که روش‌هاي تاييدي (آزمون فرضيه) تعيين مي‌کنند که داده‌ها با يک ساختار عاملي معين (که در فرضيه آمده) هماهنگ اند يا نه.

 

آزمون‌هاي برازندگي مدل کلي

با آنکه انواع گوناگون آزمون‌ها که به گونه کلي شاخص‌هاي برازندگي(Fitting indexes) ناميده مي‌شوند پيوسته در حال مقايسه، توسعه و تکامل مي‌باشند اما هنوز درباره حتي يک آزمون بهينه نيز توافق همگاني وجود ندارد. نتيجه آن است که مقاله‌هاي مختلف، شاخص‌هاي مختلفي را ارائه کرده اند و حتي نگارش‌هاي مشهور برنامه‌هاي SEM مانند نرم افزارهايlisrel, Amos, EQS نيز تعداد زيادي از شاخص‌هاي برازندگي به دست مي‌دهند.(هومن1384 ،235) اين شاخص‌ها به شيوه‌هاي مختلفي طبقه بندي شده اند که يکي از عمده‌ترين آنها طبقه بندي به صورت مطلق، نسبي و تعديل يافته مي‌باشد. برخي از اين شاخص ها عبارتند از:

 

 

شاخص‌هاي GFI وAGFI

شاخص GFI (Goodness of fit index )مقدار نسبي واريانس‌ها و کوواريانس‌ها را به گونه مشترک از طريق مدل ارزيابي مي‌کند. دامنه تغييرات GFI بين صفر و يک مي‌باشد. مقدار GFI بايد برابر يا بزرگتر از 90/0باشد.

شاخص برازندگي ديگر (Adjusted Goodness of Fit Index)AGFI يا همان مقدار تعديل يافته شاخص GFI براي درجه آزادي مي‌باشد. اين مشخصه معادل با کاربرد ميانگين مجذورات به جاي مجموع مجذورات در صورت و مخرج (1- GFI) است. مقدار اين شاخص نيز بين صفر و يک مي‌باشد. شاخص‌هاي GFI و AGFI را که جارزکاگ و سوربوم (1989) پيشنهاد کرده اند بستگي به حجم نمونه ندارد.

 

شاخص RMSEA

اين شاخص , ريشة ميانگين مجذورات تقريب مي‌باشد. شاخص (Root Mean Square Error of Approximation)RMSEAبراي مدل‌هاي خوب برابر 0.05 يا کمتر است. مدلهايي که RMSEA آنها 0.1 باشد برازش ضعيفي دارند.

 

مجذور کاي

آزمون مجذور كاي (خي دو) اين فرضيه را مدل مورد نظر هماهنگ با الگوي همپراشي بين متغيرهاي مشاهده شده است را مي‌آزمايد، کميت خي دو بسيار به حجم نمونه وابسته مي‌باشد و نمونه بزرگ کميت خي دو را بيش از آنچه که بتوان آن را به غلط بودن مدل نسبت داد, افزايش مي‌دهد. (هومن.1384. 422).

 

شاخصNFI وCFI

شاخصNFI (که شاخص بنتلر-بونت هم ناميده مي‌شود) براي مقادير بالاي 90/0 قابل قبول و نشانه برازندگي مدل است. شاخص CFIبزرگتر از 90/0 قابل قبول و نشانه برازندگي مدل است. اين شاخص از طريق مقايسه يک مدل به اصطلاح مستقل که در آن بين متغيرها هيچ رابطه اي نيست با مدل پيشنهادي مورد نظر، مقدار بهبود را نيز مي‌آزمايد. شاخص CFIاز لحاظ معنا مانند NFI است با اين تفاوت که براي حجم گروه نمونه جريمه مي‌دهد.

 

شاخص‌هاي ديگري نيز در خروجي نرم افزار ليزرل ديده مي‌شوند که برخي مثلAIC, CAIC ECVA , براي تعيين برازنده‌ترين مدل از ميان چند مدل مورد توجه قرار مي‌گيرند براي مثال مدلي که داراي کوچکترين AIC,CAIC,ECVA باشد برازنده‌تر است.(هومن1384 ،244-235) برخي از شاخص‌ها نيز به شدت وابسته حجم نمونه اند و در حجم نمونه‌هاي بالا مي‌توانند معنا داشته باشند.

 

برخي از حوزه هاي کاربردي تحليل عاملي

 

تحليل عاملي در روانسنجي و روانشناسي

اسپيرمن دريافت که بين نمرات دانش اموزان در مدرسه ،در موضوعات ظاهرا غير مرتبط ،همبستگي مثبت وجود دارد.پس از وي ريموند کتل ،کار او را گسترش داد و او از يک تئوري چندعامله براي توضيح هوش استفاده کرد.وي به شدت از تحليل عاملي در روانسنجي طرفداري مي کرد.

تحليل عاملي در روانسنجي براي تشخيص فاکتورها ،از نتايج تستها  به کار گرفته مي شود.
براي مثال ،دانشمندان در تحقيقات هوش پي بردند که افرادي که در امتحان توانايي زبان نمره بالايي ميگيرند ،در تست هاي ديگري که نيازمند توانايي زبان هستند،نيز موفق هستند،که محققين اين عامل را هوش زباني ناميدند.هرچند تحليل عاملي براي يافتن عامل ها در حيطه هاي وسيع مانند شخصيت ،رفتار،عقايد و… به کار مي رود.

 

همچنين از تحليل عاملي در روانسنجي براي ارزيابي اعتبار يک ابزار به وسيله يافتن اينکه ” آيا ابزار مورد نظر واقعاً فاکتور مورد مطالعه را اندازه گيري ميکند؟”به کار مي رود.

 

مزايا:

1.    کاهش تعداد متغيرها :دو يا چند عامل در غالب يک عامل شناخته مي شود
2.    تشخيص گروه متغيرهاي وابسته به يکديگر

 

معايب:

1.    تحليل عاملي زماني که داده ها معتبر باشد،مناسب است.حال انکه در روانشناسي ،که محققان ،اغلب به اقداماتي با اعتبار کم ،متکي هستند مانند خودسنجي،که اين مي تواند مشکل ساز باشد.
2.    تحليل عاملي برمبناي استفاده از ابتکار است که “يک راه حل مناسب است حتي اگر کاملا درست نباشد”(ريچارد بي دارلينگتون).بر داده هاي مشابه که از طريق مشابه فاکتوربندي شده اند،مي تواند بيش از يک تفسير انجام شود

 

تحليل عاملي در بازاريابي

گام هاي اساسي

گام هاي اساسي در اين زمينه عبارتند از:

    شناسايي خصوصيات اصلي محصول که مشتري براي ارزيابي کالا از آنها استفاده مي کند.

    استفاده از تکنيک هاي کمي تحقيقات بازاريابي به منظور جمع آوري داده ها از مشتريان هدف

    وارد نمودن داده ها به يک برنامه آماري و اجرا کردن پروسه تحليل عاملي.

    استفاده از نتايج تحليل عاملي و خصوصيات(عامل ها) به منظورطراحي مفهومي محصول

 

جمع آوري داده ها

جمع آوري داده ها عموماً از طريق روش هاي مختلف تحقيقات بازاريابي انجام مي شود. سئوالات پيمايشي از پاسخ دهندگان مي خواهد که نمونه محصول را ارزيابي کنند و يا در مورد خصوصيات محصول نظر بدهند. عموماً  پنج تا بيست خصوصيت کلي انتخاب مي شود مانند سهولت در دسترسي، وزن، دقت، دوام محصول، رنگ محصول، قيمت و اندازه. خصوصياتي که انتخاب مي شوند بر حسب اينکه محصول مورد مطالعه چه چيزي باشد مي تواند متغير باشد. داده هاي جمع آوري شده براي چند محصول، کدگذاري شده و وارد نرم افزارهاي آماري مانند R، SPSS، SAS، Stata  و SYSTAT و LISREL مي شود.

 

تحليل داده ها

تحليل داده ها ، عامل هايي که داده ها را توضيح مي دهند جدا مي کند. تحليل عاملي يک تکنيک وابستگي متقابل است.مجموعه کاملي از روابط متقابل مورد بررسي قرار مي گيرند.هيچ نوع خاصي از متغيرهاي وابسته،متغيرهاي مستقل يا روابط علت و معلولي وجود ندارد.تحليل عاملي فرض مي کند که تمامي داده ها مي توانند به ابعاد مهم کوچکي کاهش يابند. اين کاهش به اين دليل ممکن است که خصوصيات با يکديگر مرتبطند. درجه اي که به هر خصوصيت داده مي شود تا حدي نتيجه تأثير ساير خصوصيات است. درجه  همبستگي بين نمره خام اوليه و نمره عامل نهايي، بار عاملي ناميده مي شود. دو رهيافت کلي براي تحليل عاملي وجود دارد.” تحليل مؤلفه هاي اصلي”(واريانس کل در داده ها فرض مي شود) و “تحليل مؤلفه هاي مشترک”(که در ان واريانس مشترک در نظر گرفته مي شود.)

 

مزايا

    هم خصوصيات عيني و هم خصوصيات ذهني مي تواند مورد استفاده قرار گيرد.

    تحليل عاملي مي تواند در کشف ابعاد پنهاني که ممکن است با تجزيه و تحليل مستقيم نتوان به آنها دست يافت به کار رود.

    ساده و کم هزينه است.

 

معايب

    استفاده بهينه و کامل از اين روش مستلزم توانايي محقق در جمع آوري مجموعه کاملي از خصوصيات محصول است. اگر خصوصيات اصلي و مهم محصول از قلم بيفتد، اعتبار روش خدشه دار مي شود.

    نامگذاري و انتخاب فاکتورها يا عوامل ، مستلزم داشتن دانش پيش زمينه اي است، چرا که ممکن است چندين خصوصيت  محصول به دلايل ناآشکاري به يکديگر همبسته باشند.

 

 ساير حوزه ها

تحليل همچنين مي تواند در ساير حوزه ها همچون علوم فيزيکي و نيز در اقتصاد مورد استفاده قرار گيرد

کاربرد مدل يابي معادلات ساختاري و ليزرل

واحدهاي درسي در آمار کاربردي بيشتر دانشگاه ها به ندرت از تحليل کمترين مجذورات معمولي داده هاي حاصل از آزمايش هاي کنترل شده، مقايسه گروهي، يا مطالعات همبستگي و پيش بيني ساده تجاوز مي کند. اين گونه روش ها، بر روي هم، تحليل رگرسيون را به وجود مي آورد و توابع رياضي خطي مورد اتکاي آنها نيز به عنوان مدلي هاي رگرسيوني تلقي مي شود. اين روش تحليل براي مسائل مربوط به برازش خطوط خميده در علم فيزيک که در آن رابطه تجربي بين يک متغير وابسته مشاهده شده و يک متغير مستقل دستکاري شده بايد برآورد شود، کاملا مناسب. البته، براي مقاصد پژوهشي زيستي که در آنها ارگانيزم ها به گونه تصادفي به شرايط کاربندي گمارده مي شوند و تفاوت بين پاسخ هاي متوسط گروه هاي کاربندي برآورد مي شود نيز به خوبي کارساز است.
يکي از جنبه هاي اساسي اين کاربردها آن است که در آنها فرض مي شود فقط متغير وابسته يا پاسخ مشاهده شده در معرض خطاي اندازه گيري يا ديگر پراش هاي کنترل نشده قرار دارد، يعني در اين تصوير فقط يک متغير تصادفي وجود دارد. فرض مي شود متغير مستقل يا سطح کاربندي به وسيله آزمايشگر در محدوده اي از مقادير مشخص از قبل تعيين شده تثبيت گرديده است. تنها استثنا براي اين فرمولبندي، مسئله پيش بيني تجربي است. در اينجا پژوهشگر مقادير معيني از يک يا چند متغير پيش بين را مشاهده مي کند و مايل است ميانگين و واريانس توزيع متغير ملاک را در ميان پاسخ دهندگان با مقادير معيني از پيش بيني کننده ها برآورد کند. چون اين پيش بيني وابسته به مقادير معلوم است، امکان دارد به عنوان کميت هاي ثابتي در مدل رگرسيون در نظر گرفته شود. يک نمونه براي اين مطلب پيش بيني قد يک کودک در مرحله بلوغ از روي اندازه گيري قد فعلي و اندازه قد هاي معلوم پدر و مادر اوست. با آنکه اندازه گيري همه اين متغيرها توام با خطاست، اما فقط کودک در زمان بلوغ به عنوان متغير تصادفي در نظر گرفته مي شود.
جايي که روش هاي رگرسيون معمولي بسنده نباشد، و به واقع نتايج گمراه کننده اي به دست دهد، مطالعات تنها متکي به مشاهده اي است که در آنها همه متغيرها در معرض خطاي اندازه گيري يا پراش کنترل نشده قرار دارند، در حالي که مقصود آنها برآورد روابطي است که پراش بين متغيرهاي مورد نظر را توجيه کند. اين يک مسئله اساسي در تحليل داده ها براي زمينه هايي است که در آنها اجراي آزمايش ناممکن يا غيرعملي است و هدف آنها هرگز پيش بيني تجربي محض نيست. اين مطلب تقريبا در همه پژوهش ها در زمينه هايي مانند جامعه شناسي، اقتصاد، اکولوژي و حتي برخي از شاخه هاي علوم فيزيکي مانند زمين شناسي و هواشناسي نيز عموميت دارد. در اين زمينه ها، مسئله اساسي تحليل داده ها، برآورد روابط ساختاري بين متغيرهاي مشاهده شده کمي است. وقتي مدلي رياضي معرف اين روابط يک مدل خطي باشد، درباره رابطه ساختار خطي بحث مي شود، و جنبه هاي مختلف فرمولبندي برازش و آزمون اين روابط نيز به عنوان مدل يابي معادله ساختاري تلقي مي گردد.
هر چند مدل يابي معادلات ساختاري فقط در 30 سال اخير شکل برجسته اي براي تحليل داده ها يافته است، اما مفهوم آن براي نخستين بار نزديک به 70 سال پيش زيست شناس معروف سووال رايت در دانشگاه شيکاگو معرفي کرد. او نشان داد که روابط خطي بين متغيرهاي مشاهده شده را مي توان به شکل نمودار مسير و ضرايب مسير همراه آن نمايش داد. رايت توانست از طريق ترسيم رديابي علي و مسيرهاي همراه آن در نمودار، رابطه ساختاري خطي بين متغيرها را بر پايه قواعد بسيار ساده به دست آورد. رايت اين روش را در ابتدا براي محاسبه همبستگي مورد انتظار بين ويژگي هاي مشاهده شده اشخاص مورد نظر درباره فرضيه وراثت ماندل و بعد از آن براي انواع کلي تر روابط ميان اشخاص مورد استفاده قرار داد.
شکل جديد تحليل خطي ساختاري علاوه بر نمايش نمودار مسير شامل فرمول بندي جبري مدل نيز هست. اين دو شکل معادل يکديگرند و اجراي تحليل در برنامه LISREL به کاربر امکان مي دهد بر پايه هر کدام از اين دو نوع نمايش، مدل مورد نظر را در رايانه انتخاب کند. رويکرد تحليل مسير موقعي عالي است که تعداد متغيرهاي درگير با رابطه مورد نظر در حد متوسط باشد، اما وقتي تعداد متغيرها زياد باشد اين نمودار پيچيده و پرزحمت مي شود. در اين صورت، نوشتن روابط به صورت نمادي راحت تر خواهد بود. دستور العمل SIMPLIS در نرم افزار LISREL معرف مثال هايي براي هر دو نوع نمايش است و انطباق و مشابهت بين مسيرها و معادلات ساختاري را روشن مي سازد.
بررسي روش هاي رياضي و آماري مورد نياز براي مطالعه روايي سازه ها و اندازه گيري نفوذ آنها، به توسعه روشي به نام تحليل عاملي منجر شد. شکل جديد آن تا حد بسيار زيادي مديون کارهاي ترومن کلي و ال.ال.ترستون است که تحليل تک عاملي اسپيرمن را به تحليل کاملا عمومي چند عاملي تبديل کردند. کارل جارزکاگ نير اخيرا تحليل عاملي تاييدي را به شکل اکتشافي آن افزوده است. اين دو شکل براي مقاصد مختلفي به کار مي رود. تحليل عاملي اکتشافي يک روش رسمي اکتشاف است و فرد را قادر مي سازد که روابط بين متغيرهايي را که هرگز در داده هاي اصلي يا حتي در همبستگي هاي بين متغيرها آشکار نيست مشاهده کند.