ارتقا بخشی

یکشنبه 13 اسفند 1396 ساعت 19:42 ب.ظ

ارتقا بخشی[1]

آزمون سوبل که جهت بررسی اندازه ی اثر غیر مستقیم متغیر میانجی طراحی شده است، بر مفروضه ی توزیع نرمال بنا گردیده است. پژوهشی گوناگون به این دلیل که عملا توزیع اندازه ی اثر غیر مستقیم از توزیع نرمال تخطی می نماید، کاربرد آماره ی سوبل را نابجا و سوگیرانه (به ویژه در نمونه های کوچک متوسط) و در عوض بر کاربرد سطح معنی داری و فاصله ی اطمینان حاصل از روش Bootstrap تاکید می نمایند.

در شیوه ی Bootstrap برای اندازه گیری اثر غیر مستقیم متغیر مستقل از طریق متغیر میانجی گر بر متغیر وابسته، دست کم هزار مرتبه بخشی از نمونه به صورت تصادفی (با جایگزین سازی) انتخاب و اندازه ی اثر غیرمستقیم محاسبه می شود. انحراف استاندارد اندازه های غیر مستقیم از N نمونه، به عنوان خطای معیار توزیع نمونه گیری جهت ساختن فاصله اطمینان به کار گرفته می شود.

 فرضیه ی صفر دال بر فقدان اثر غیرمستقیم با این منطق که آیا حد بالا و پایین اندازه ی اثر غیر مستقیم صفر را در بر می گیرد یا خیر آزموده می شود؛ به عبارت دیگر، اگر حدود بالا و پایین اثر غیر مستقیم صفر را شامل نشود، فرضیه ی پژوهشگر دال بر تأثير x از طریق  z بر متغير y تأیید می شود.

معنای واژه Bootstrap به بند یا نواری که پوتین یا کفش را به پای فرد محکم می کند گفته می شود. ضرب المثلی در انگلیس به این مضمون وجود دارد که «خودت را با بند کفشت بالا بکش» منظور از این اصطلاح این است که با کمترین امکانات و با اتکا به داشته های خود و کوشش شگرف موجبات پیشرفت خود فراهم کن.

به هر حال، در روش مذکور پژوهشگر با داده های موجود به روش مطلوبی یک توزیع نمونه گیری از شاخص آماری مورد نظر دست پیدا می کند که تصمیم گیری صحیح تر را فراهم می نماید.

 در سطور پسین، روش اجرای روش  استرپ با دو ابزار AMOS و برنامه ی طراحی شده ی پریچر و هیز[2] مقایسه ی مفهومی متغیر میانجی گر و تعدیل گر متغیر میانجی گر با شیوه های تحلیل همبستگی تفکیکی و نیمه تفکیکی مطالعه واریانس دنبال می شود، در صورتی که متغیر تعدیل گر با روش بررسی تعامل و به وسیله ی تحلیل اگر متغیری میانجی گر باشد، به کمک آن می توان وضعیت نمره ی آزمودنی را در متغیر وابسته تشخیص داد.

 برای نمونه، در صورت میانجی گر بودن حواس پرتی میان متغیر دلواپسی و میزان حوادث، می توان ادعا کرد کسانی که نمره ی حواس - پرتی آن ها بالاست، میزان حوادث رانندگی آن ها نیز بالا خواهد بود.

 اما اگر حواس - پرتی رابطه ی میان متغیر مستقل و وابسته را تعدیل کند، به هیچ وجه نمی توان وضعیت میزان حوادث افراد را با یک تبیین خطی از روی متغیر مستقل و تعدیل گر مشخص کرد.

 به بیان دیگر، نمی توان اظهار داشت کسی که نمره ی او در حواس - پرتی و دلواپسی بالاست، میزان حوادث رانندگی او نیز بالا خواهد بود. این گزاره ی مذکور، یک تبیین خطی است و برای موقعیت هایی مناسب است که متغیر واسطه ای از نوع میانجی گر جزئی باشد.

 اگر متغیر واسطه ای از نوع میانجی گر کامل باشد، می۔ توان اظهار داشت به صرف نمره ی بالا در متغیر میانجی گر، نمره ی آزمودنی در متغیر وابسته بالا خواهد بود. از آنجا که در صورت کامل بودن میانجی گری ضریب استاندارد رگرسیون متغیر مستقل بی معنی خواهد بود، هیچ نیازی به نمره ی متغییر مستقل برای پیش بینی متغیر وابسته نیست.

 هنگامی که یک متغیر تعدیلی پژوهش وجود دارد، برای شناسایی وضعیت نمره ی افراد در متغیر وابسته باید نمودار تعاملی استفاده کرد و یا به وارسی میانگین متغیر وابسته در سطوح گوناگون ترکیبی متغیر مستقل و تعدیل گر پرداخت. توجه داشته باشید در هنگامی که یک متغير واجد نقش تعدیل گر است، برای پیش بینی متغیر وابسته باید از ضریب رگرسیون مضروب متغیر مستقل و تعدیل گر در معادله ی رگرسیون استفاده کرد.

متغیرهای تعدیل گر اغلب متغیرهایی هستند که در گذر زمان در مقابل تغییر مقاوم اند (همانند ویژگی های شخصیتی، جنسیت، قومیت و ...)، اما متغیرهای میانجی گر به دلیل اثرپذیری از متغیرهای دیگر به سهولت تغییر می کنند (مانند اضطراب، امیدواری، صداقت، خلق و...).

 البته دسته ی گسترده ی دیگری از متغیرها وجود دارند که به هر دو شکل تعدیل گر و میانجی گر قابل بررسی هستند (مانند روش های مقابله ای، سرسختی، حمایت اجتماعی و ...).

به بیان دیگر، یکی از وجوه تمایز متغیرهای میانجی گر از متغیرهای تعدیل گر درون زاد بودن آن هاست. برای نمونه، افزایش عزت نفس منجر به تغییراتی در باورهای غیر منطقی انسان می شود و یا کنترل دلواپسی سطح حواس پرتی را در انسان کاهش می دهد.

 حواس پرتی و باورهای غیر منطقی متغیرهای درون زاد ارگانیزم هستند و به راحتی قابل دست کاری هستند. اما همان گونه که گفته شد، متغیرهای تعدیل گر عموما از نوع طبقه ای و برون زاد هستند. متغیرهایی از قبیل جنسیت، قومیت، نژاد و ... همانند متغیرهای میانجی گر، مولود متغیرهای دیگری نیستند، بلکه متغیرهای مستقلی هستند که در کنار دیگر متغیرهای پیش بین وارد تحلیل می شوند.

متغییرهای میانجی گر و تعدیل گر در مفروضه های زیر بنایی هم با یکدیگر متفاوت اند. برای مثال، یکی از ملاحظات اساسی متغیر تعدیل گر، نداشتن رابطه ی با متغیر مستقل و متغیر وابسته است، در حالی که متغیر میانجی گر باید با متغییر مستقل و وابسته همبستگی معنی دار داشته باشد.

 البته شرط عدم همبستگی غیر تعدیل گر با متغیر مستقل و وابسته یک ایده آل است که به جمله ی تعامل متغیر مستقل و تعدیل گر مفهوم روشنی می بخشد و تفسیر تعامل را با معنی می کند. اما عدم رعایت شرط مذکور به دلیل ماهیت طبیعی داده ها، انجام تحلیل بر روی متغیرهای تعدیل گر را منتفی نمی کند.



[1] Bootstrap

[2] Hays

 

  ارتقا بخشی
دسته بندی
برچسب ها
تبلیغات

انجام فوری تحلیل آماری پایان نامه

تحلیل آماری

انجام فوری تحلیل آماری پایان نامه