معمولاً در تحقیقات به دلایل مختلف با حجم زیادی متغیرها روبرو هستیم. برای تحلیل دقیقتر دادهها و رسیدن به نتایج علمیتر و در عین حال عملیاتیتر، پژوهشگران به دنبال کاهش حجم متغیرها و تشکیل ساختار جدیدی برای آنها میباشند و بدین منظور از روش تحلیل عاملی استفاده میکنند. تحلیل عاملی سعی در شناسایی متغیرهای اساس یا عاملها (Factor) به منظور تبیین الگوی همبستگی بین متغیرهای مشاهده شده دارد. تحلیل عاملی نقش بسیار مهمی در شناسایی متغیرهای مکنون(Latent) یا همان عاملها از طریق متغیرهای مشاهده شده دارد.
عامل، متغیر جدیدی است که از طریق ترکیب خطی مقادیر اصلی متغیرهای مشاهده شده برآورد میشود. تحلیل عاملی دارای کاربردهای متعددی است که عبارتند از:
تحلیل عاملی بر دو نوع است: تحلیل عامل اکتشافی (Exploratory Factor Analysis) و تحلیل عاملی تأییدی (Conformity Factor Analysis). در تحلیل عاملی اکتشافی پژوهشگر درصدد کشف ساختار زیربنایی مجموعه نسبتاً بزرگی از متغیرها است و پیش فرض اولیه پژوهشگر، آن است که هر متغیری ممکن است با هر عاملی ارتباط داشته باشد. به عبارت دیگر پژوهشگر در این روش، هیچ تئوری اولیه ندارد. در تحلیل عاملی تأییدی پیش فرض اساسی پژوهشگر آن است که هر عاملی با زیر مجموعه خاصی از متغیرها ارتباط دارد. حداقل شرط لازم برای تحلیل عاملی تأییدی این است که پژوهشگر در مورد تعداد عاملهای مدل، قبل از انجام تحلیل، پیش فرض معینی داشته باشد، ولی در عین حال پژوهشگر میتواند انتظارات خود مبنی بر روابط بین متغیرها و عاملها را نیز در تحلیل وارد نماید.
———————————————————————————————
چنانچه در تحلیل خود نیازمند این آزمون هستید می تواند با تکمیل فرم زیر اطلاعات خود را برای کارشناسان پایگاه ارسال نمایید تا پس از بررسی به شما اطلاع داده شود.
برای
کسب اطلاعات بیشتر تماس بگیرید
روش حداقل مربعات جزئی (Partial Least Square) به عنوان یک جایگزین برای روش های OLS رگرسیون، Canonical رگرسیون و مدل سازی معادلات ساختاری (SEM) در پژوهش هایی که متغیرهای مستقل و وابسته وجود دارد، بکار گرفته می شود. روش PLS در اغلب اوقات، معادلات ساختاری مبتنی بر مولفه (Component-Based SEM) نامیده می شود در حالی که روش معادلات ساختاری مبتنی بر کواریانس است(Covariance-Based SEM).
این روش زمانی استفاده می شود که می خواهیم تاثیرات چندین متغیر مستقل را بر یک یا چند متغیر وابسته بررسی کنیم اما پیش فرض های انجام رگرسیون یا معادلات ساختاری بر قرار نیست و یا اینکه در پژوهش به مشکلات زیر مواجه شویم:
روش حداقل مربعات جزئی می تواند تاثیرات متغیرهای مستقل را بر متغیر وابسته بصورت یک مدل رگرسیونی یا مدل ساختاری برازش کند. چنانچه هدف پژوهشگر پیش بینی یا مدل سازی اکتشافی باشد استفاده از روش PLS توصیه می شود. روش مدل سازی معادلات ساختاری(SEM) برای مقاصد تایید مدل کاربرد دارد و برای براورد پارامترهای مدل نیازمند حجم نمونه زیاد و برقرار بودن پیش فرض نرمال بودن چند متغیره است اما روش PLS چون برای مقاصد اکتشافی کاربرد دارد به هیچ گونه پیش فرضی احتیاج ندارد . در برخی از منابع ذکر شده است روش PLS با حداقل ۳۰ نمونه نیز قابل انجام است و نتایج در مقابل داده های مفقود شده(Missing value) پایدار است.
از لحاظ تکنیکی فرق روش PLS با سایر روش های رگرسیونی است این است که به جای در نظر گرفتن متغیرهای مستقل، از طریق تکنیک تحلیل مولفه های اصلی(PCA) متغیرهای مستقل در چند عامل کلی تر قرار می گیرند به گونه ای که این عامل ها بیشترین تغییرات متغیر(های) وابسته را تبیین کنند.
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
09367292276
یکی از گام های مهم در اولویت بندی به روش AHP و TOPSIS جمع آوری نظرات خبرگان است. در روش AHP می بایست ابتدا سلسله مراتبی از اهداف، معیارها و گزینهها تشکیل گردد. به عبارت دیگر برای رتبه بندی گزینه ها می بایست شاخص های مشترکی برای همه گزینه ها در نظر گرفته شود بعد در ادامه هر جفت از گزینه ها نسبت به هریک از معیارها بر اساس طیف ساعتی مقایسه شود. معیارها نیز به همین ترتیب دو به دو با توجه به هدف تحقیق با همدیگر مقایسه می شوند. یکی از مشکلاتی که بسیاری از پژوهشگران با آن موجه هستند طراحی پرسشنامه استاندارد AHP است. در این پرسشنامه بهتر است که مقایسات به جای اینکه ماتریسی آورده شود بصورت سطری با یکدیگر مقایسه شوند چون در حالت اول پاسخگو در مقایسه و عدد دهی به آنها ممکن است دچار اشتباه شود اما در روش دوم با چنین مشکلی مواجه نیستیم. مشکل بعدی در محاسبه کردن تعداد کامل مقایسه های زوجی است یعنی اینکه تمامی گزینه ها دو به دو نسبت به هر یک از معیارها مقایسه و نیز همه معیارها دو به دونسبت به هدف پژوهش با یکدیگر مقایسه شوند. ندانستن تعداد کامل مقایسه های زوجی منجر می شود تا پرسشنامه ها بصورت ناقص طراحی گردد و نتوان در روش AHP از آنها استفاده نمود.
پس از اینکه تحلیل به روش AHP انجام گرفت وزن هر کدام از معیارها مشخص می شود. چنانچه بخواهیم از روش تاپسیس جهت اولویت بندی گزینه ها استفاده کنیم می بایست علاوه بر وزن معیارها، پرسشنامه ای جهت جمع آوری داده های ماتریس تصمیم گیری طراحی گردد. در نهایت وزن معیار ها، داده های ماتریس تصمیم گیری وارد نرم افزار Topsis Solver 2012می شوند و گزینه ها مطابق روش تاپسیس اولویت بندی می شوند.
کارشناسان با تجربه پایگاه تخصصی تحلیل آماری و داده پردازی آمادگی دارند پرسشنامه استاندارد AHP و تاپسیس را برای پژوهش گران طراحی نمایند. در صورت نیاز به طراحی پرسشنامهی استاندارد AHP ، تاپسیس و ویکور می توانید از طریق فرم سفارش زیر درخواست خود را ارسال نمایید
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
09367292276
09367292276
azsoftir@gmail.com
azsoftir.com
ویکور یک روش MADM توافقی است که توسط آپریکوویچ و زنگ توسعه یافته است. این روش می تواند یک مقدار بیشینه مطلوبیت گروهی برای اکثریت و یک کمینه تاثر انفرادی برای مخالفت را فراهم نماید. روش ویکور مانند تکنیک تاپسیس است یعنی برای رتبه بندی کردن گزینه ها بر اساس معیارهای مختلف( معمولا متضاد و با واحد اندازه گیری متفاوت) استفاده می شود. این روش جهت دست یابی به یک یا چند راهکار سازشی برای یک مساله با معیارهای متضاد کاربرد دارد بطوری که قادر است تصمیم گیرنده را برای دست یابی به یک تصمیم نهایی یاری دهد. در اینجا راهکار سازشی نزدیک ترین جواب موجه به ایده آل است که یک توافق متقابل بین مطلوبیت گروهی و میزان مخالف های انفرادی بوجود می اورد.
روش ویکور یک ابزار مفید جهت تصمیم گیری چند معیاره به حساب می آید به خصوص در مواقعی که تصمیم گیرندگان به علت وجود شاخص های متناقض به راحتی نمی توانند ترجیحات خود را در مسئله تصمیم گیری ابراز کنند. راهکار سازشی بدست امده در روش ویکور مورد توافق تصمیم گیرندگان خواهد بود زیر این راهکار مطلوبیت گروهی را حداکثر(توسط شاخص Si) و تاثرات فردی را حداقل(توسط شاخص Ri) می سازد.
رتبه بندی به روش ویکور (VIKOR), انجام روش ویکور VIKOR, ویکور VIKOR یک روش MADM توافقی است, مقایسه ویکور VIKOR و تاپسیس TOPSISروش ویکور vikor, روش های جدید تصمیم گیری چند معیاره, روش سازشی در تصمیم گیری, روش مصالحه, روش تاپسیس, روش های جبرانی در تصمیم گیری
مراحل روش، در یک مسأله تصمیم گیری چندمعیاره، با n معیار و m راهکار به شرح ذیل است:
۱- تشکیل ماتریس تصمیم
۲- تعیین بردار وزن معیارها(به کمک یکی از روش های تصمیم گیری مانند AHP ، نظر خبرگان و …)
۳- تعیین نقطه ایده آل مثبت و ایده آل منفی
۴- محاسبه مقدار سودمندی(Si) و مقدار تأسف (Ri) برای هر راهکار
۵- محاسبه شاخص ویکور(Qi) برای هر راهکار
۶- مرتب کردن راهکارها بر اساس مقادیر Si، Ri و Qi
7- پیشنهاد راهکار سازشی با توجه به دو شرط:
۱) مزیت قابل قبول: به این معناست راهکار سازشی می بایست با راهکار بعدی خود تفاوت قابل ملاحظه ای داشته باشد.
۲) ثبات قابل قبول در تصمیم گیری: به این معناست که راهکار سازشی انتخاب شده باید حداکثر مطلوبیت گروهی و حداقل تاثر فردی را داشته باشد.
در صورتی که شرایط بالا برای راهکار سازشی بر قرار نباشد به جای یک راهکار یک مجموعه راهکار سازشی ارائه می شود.
در علم تصمیمگیری که در آن انتخاب یک راهکار از بین راهکارهای موجود و یا اولویتبندی راهکارها مطرح است، چند سالی است که روشهای تصمیم گیری با شاخصهای چند گانه «MADM» جای خود را باز کردهاند. از این میان روش تحلیل سلسله مراتبی (AHP) بیش از سایر روشها در علم مدیریت مورد استفاده قرار گرفته است. فرایند تحلیل سلسله مراتبی یکی از معروفترین فنون تصمیم گیری چند معیاره است که اولین بار توسط توماس ال. ساعتی عراقی الاصل در دهه ۱۹۷۰ ابداع گردید. فرایند تحلیل سلسله مراتبی منعکس کننده رفتار طبیعی و تفکر انسانی است. این تکنیک، مسائل پیچیده را بر اساس آثار متقابل آنها مورد بررسی قرار میدهد و آنها را به شکلی ساده تبدیل کرده و به حل آن میپردازد.
فرایند تحلیل سلسله مراتبی در هنگامی که عمل تصمیم گیری با چند گزینه و معیار تصمیم گیری روبروست میتواند استفاده گردد. معیارهای مطرح شده میتواند کمی و کیفی باشند. اساس این روش تصمیم گیری بر مقایسات زوجی نهفته است. تصمیم گیرنده با فراهم ساختن درخت سلسله مراتب تصمیم گیری کار تحلیل را شروع می کند. در سطح صفر هدف تصمیم گیری قرار می گیرد و در سطح اول شاخص ها(معیارها) و در سطح دوم نیز گزینه ها جهت اولویت بندی قرار دارند که ممکن است با توجه به نوع مساله تعداد سطوح معیارهای اصلی و فرعی بیشتر باشد.
پس از اینکه معیارهای اصلی و فرعی مشخص شدند و درخت سلسله مراتب تصمیم گیری ترسیم شد، بین شاخص ها مقایسات زوجی انجام می دهیم. در مرحله بعدبرای هر شاخص بین گزینه ها، مقایسه زوجی انجام می گیرد. سپس از الگوریتم زیر پیروی می کنیم:
الف) به هنجار کردن ماتریس مقایسات زوجی
ب) به دست آوردن میانگین حسابی هر سطر ماتریس به هنجار شدهی مقایسات زوجی(که به آن وزن نسبی گفته می شود)
ج) ضرب وزن های نسبی شاخص ها در میانگین حسابی گزینه ها
د) محاسبه نرخ نا سازگاری و اصلاح مقایسات زوجی
د) رتبه بندی کردن گزینه ها
برای یادگیری بیشتر می توانید فایل های آموزشی را که توسط پایگاه تخصصی تحلیل آماری گرداوری شده است، دانلود کنید.