علیت در مدل های میانجی گر

یکشنبه 13 اسفند 1396 ساعت 19:56 ب.ظ

علیت در مدل های میانجی گر

بسیاری از پژوهشگران بر این باورند که نتایج حاصل از مدل های دارای متغیرهای میانجی گر، گامی در جهت تبیین علی پدیده های روانشناختی محسوب می شوند؛ به عبارت دیگر، اگر پژوهشگر در ابتدای طراحی پژوهش جریان علیت میان متغیرها را درست تشخیص داده باشد، گامی به سوی درک روابط علی میان متغیرها برداشته می شود. پژوهشگران منتقدی نیز وجود دارند که تبیین های على را از پژوهش هایی که در آن متغیر میانجی گر و مستقل به طور همزمان سنجیده می شوند بر نمی تابند.

 این پژوهشگران منتقد برای دستیابی به تبیین های علی، کاربرد مدل یابی معادلات ساختاری را در پژوهش های طولی پیشنهاد می کنند. آن ها می افزایند تجزیه ی همبستگی به اثرات مستقیم و غیر مستقیم نمی تواند گواه روابط علی میان متغیرها باشد.به طور کلی، مدل های میانجی گر را با توجه به تعداد و آرایش متغیرهای میانجی گر در مدل، به سه نوع کلی می توان تقسیم کرد.

اجازه ی جابه جایی در خوشه های گوناگون را می دهد، اغلب این روش ترجیح داده می شود.

به طور کلی، در انتخاب نوع تحلیل خوشه ای، این سه نکته را به خاطر داشته باشید:

- اگر داده های گسترده ای در اختیار دارید که آمیزهای از متغیرهای فاصله ای و طبقه ای هستند، از تحلیل خوشه ای Two Step Cluster استفاده کنید.

- اگر قصد دارید حداکثر خوشه را از داده های اندک استخراج کنید، از روش سلسله مراتبی Hierarchical استفاده کنید.

- اگر داده های نسبتا گسترده ای در اختیار دارید و همچنین از تعداد خوشه های قابل استخراج آگاهی دارید، روش  K-Means را به کار ببرید.

اگر یک متغیر نامربوط با حوادث با متغیرهایی که گمان می رود با آسیب های شغلی ارتباط دارند همراه شود، از لحاظ مفهومی خوشه های منسجمی تشکیل نمی شود.

 داده های فاصله ای، ترتیبی و طبقه ای می توانند در تحلیل خوشه ای به کارروند، لیکن آمیزهای از انواع گوناگون متغیرها، تحلیل خوشه ای را غامض می کند.

 روش های  گوناگونی برای تشکیل خوشه ها وجود دارد که در این جا به برخی از آن ها اشاره می شود.

روش واردز (Word's Method): در این روش تمام جفت خوشه های ممکن در میان داده ها تشکیل و مجموع مجذورات فواصل در هر خوشه محاسبه می شود و سپس مجموع مجذورات فواصل تمام خوشه ها جمع و در نهایت، آن ترکیبی که کمترین مجموع مجذورات را نشان دهد، انتخاب می شود. روش واردز اغلب خوشه هایی با حجم مساوی تولید می کند که همیشه مطلوب نیست.

روش مرکزواره: (Centroid Mehod): در این روش، مرکزواره یا همان میانگین متغیر برای هر خوشه محاسبه می شود و فاصله ی میان این مرکزواره ها مبنای تلفيق یا جداسازی خوشه ها قرار می گیرد. خوشه هایی که میانگین های آن ها نزدیک به هم است، درهم آمیخته می شوند. روش مرکزواره ها از توان خوبی جهت جداسازی گروه های متمایز برخوردار است.

روش های نسبت F-Vatio Methods) F): روش های نسبت F شباهت زیادی با محاسبه ی نسبت F در تحلیل واریانس دارند. در این روش ها، طوری خوشه ها تشکیل می شوند که مجموع مجذورات بین گروهی نسبت به مجموع مجذورات درون گروهی یا مجموع مجذورات كل بیشینه مقدار شود.

از میان روش های تحلیل خوشه ای، روش خوشه بندی K-Means دارای مزایای خوبی است. در این روش، پیشاپیش تعداد خوش ها به دلخواه مشخص می شود و بهترین راه حل خوشه بندی اتخاذ می شود.

 هنگامی که داده های نسبتا گسترده ای در اختیار است، تحلیل خوشه ای غیر سلسله مراتبی (K-Means) کاربرد مؤثری در تشکیل خوشه ها دارد. به خاطر این که روش K-Means به هر آزمودنی سطحی ایجاد می شود.

  علیت در مدل های میانجی گر
دسته بندی
برچسب ها
تبلیغات

انجام فوری تحلیل آماری پایان نامه

تحلیل آماری

انجام فوری تحلیل آماری پایان نامه