مشاوران ایران

موضوعات
Category

ارشیو وبلاک
Archived blog

کدهای اختصاصی
Code

کدهای اختصاصی
Site Statistics

» بازديد امروز : 2
» بازديد ديروز : 0
» افراد آنلاين : 1
» بازديد ماه : 14
» بازديد سال : 74
» بازديد کل : 74
» اعضا : 0
» مطالب : 12

تحلیل عاملی اکتشافی


تاریخ انتشار پست : 1396/2/4 بازدید : 0

انواع تحلیل عاملی

دو نوع تحلیل عاملی وجود دارد که هر دوی آن ها با رایج ترین روش استخراج یعنی روش تحلیل مولفه های اصلی انجام می شوند :

تحلیل عاملی اکتشافی و تحلیل عاملی تاییدی

تحلیل عاملی اکتشافی
تحلیل عاملی اکتشافی، رایج ترین شکل تحلیل عاملی است که توسط چارلز اسپیرمن در سال ۱۹۰۴ ابداع شدو در سال ۱۹۲۷ توسط خود او توسعه یافت. در این نوع تحلیل عاملی ، درصددیم تا ساختار زیربنایی مجموعه نسبتا بزرگی از متغیرها را کشف کنیم. پیش فرض اولیه محقق در این نوع تحلیل، آن است که هر متغیری ممکن است با هر عامل ارتباط داشته باشد. به عبارتی محقق در این روش هیچ تئوری اولیه ای ندارد و سعی می کند تا از بارهای عامل برای کشف ساختار عاملی داده ها استفاده کند. بنابراین می توان گفت که هر دو هدف اصلی تحلیل عامل اکتشافی عبارتند از :

تعیین تعداد عامل های مشترک که بر مجموعه ای از متغیرها تاثیر می گذارند.
تعیین شدت رابطه بین هر عامل و هر متغیر مشاهده شده
در کنار دو هدف فوق ، تحلیل عاملی اکتشافی کاربردهای رایج دیگری نیز دارد که می توان به موارد زیر اشاره کرد :

تلخیص و کاهش تعداد زیادی از متغیرها به تعداد کوچک تری از عامل ها با هدف مدل سازی. به همین خاطر، تحلیل عاملی با روش مدل سازی معادلات ساختاری پیوند خورده است.این روش پرکاربردترین نوع استفاده از تحلیل عاملی است.

تحلیل عاملی اکتشافی با spss

مرکز تخصصی انجام تحلیل های آماری


شناسایی ماهیت سازه های زیربنایی مجموعه ای از متغیرها در یک حوزه مفهومی مشخص
تعیین اینکه کدام مجموعه ای از متغیرهای یک پرسشنامه با همدیگر ارتباط دارند.
شناسایی خوشه هایی از پاسخگویان و گروه های شبکه ای از آنان، با تعیین اینکه کدام مجموعه از افراد با همدیگر تشکیل یک خوشه را می دهند.
نمایش بعدپذیری یک مقیاس سنجش. یعنی ساخت مقیاس هایی که به یک ویژگی خاص پاسخ می دهند.
تعیین این موضوع که زمانی که گروهی از متغیرها ( یا گویه ها ) را طبقه بندی می کنیم، چه ویژگی هایی بیش از بقیه از وزن و اهمیت بالایی برخوردارند.
تولید و نمایش نمرات عاملی که مقادیر سازه های زیربنایی را برای استفاده در سایر تحلیل ها نشان می دهد.

جایگزین کردن مقادیر گمشده (Replace Missing Value )


تاریخ انتشار پست : 1396/2/2 بازدید : 0

یکی از مشکلاتی که اکثر محققین در هنگام تحلیل داده ها دارند، نحوه برخورد با مقادیر گمشده است. مقدار گمشده زمانی ایجاد می شود که پاسخگو از دادن پاسخ به یک سوال خودداری کرده و یا سوالی در مورد آن پاسخگو مصداق ندارد( سوال شرطی یا صافی) این مشکل مربوط به زمان تحلیل این مقادیر گمشده است، به خصوص زمانیکه تعداد این مقادیر در حد قابل توجهی باشد، بطوریکه حتی نتایج را تحت الشعاع قرار داده و مخدوش سازد.

تحلیل داده های گمشده توسط متخصصین آمار

تحلیل آماری فصل 4 پایان نامه

نرم افزار Spss برای برخورد با مقادیر گمشده در هنگام تحلیل داده ها، ۵ روش برآورد را پیش روی ما قرار داده که ما می توانیم مقادیر گمشده را با استفاده از یکی از این ۵ روش با مقدار جدید جایگزین کنیم. این ۵ روش برآورد عبارت می باشند از :

میانگین مقادیر سری : در این روش ، می توانیم مقادیر گمشده را با میانگین کل مقادیر متغیر مورد نظر جایگزین کنیم. این روش ، متداول ترین روش برای برآورد مقادیر گمشده است.
میانگین مقادیر مجاور هم : در این روش ، می توانیم مقادیر گمشده را با نیانگین مقادیر معتبر نزدیک به آن جایگزین کنیم. پهنه این مقادیر نزدیک نیز می تواند برابر با مقادیر معتبر بالا و پایین مقدار گمشده در هر خانه باشد.
میانه مقادیر مجاور هم : این روش نیز همانند روش قبلی است، با این تفاوت که در این روش ، به جای میانگین مقادیر نزدیک به هم، میانه آن ها جایگزین مقادیر گمشده می شود.
درون افزایی خطی : در این روش، از درون افزایی خطی استفاده می شود. برای این درون افزایی، از آخرین مقدار معتبر قبل از مقدار گمشده و اولین مقدار معتبر بعد از مقدار گمشده استفاده می شود.بنابراین یکی از اشکالات این روش آن است که چنان چه اولین یا آخرین پاسخگو دارای مقدار گمشده باشد، مقدار آن جایگزین نمی شود.
روند خطی بر روی نقاط : در این روش، بر روی مقادیر داده های متغیر یک رگرسیون خطی بر اساس یک مقدار شاخص و معیار از مقیاس ۱ تا n انجام می شود و سپس، مقادیر گمشده با مقادیر پیش بینی شده خود جایگزین می شوند.

استخراج عامل ها در تحلیل عاملی


تاریخ انتشار پست : 1396/2/1 بازدید : 0

یکی از مراحل مهم در تحلیل عاملی انتخاب روش مناسب برای استخراج عامل هاست. برای برآورد مدل عاملی مشترک، روش های مختلفی وجود دارند که شش مورد از آنها در نرم افزار Spss تعریف شده است :

حداقل مجذورات وزن نیافته (ULS)
حداقل مجذورات عمومی (GLS)
حداکثر درستنمایی (ML)
روش سوم نه تنها در تحلیل عاملی اکتشافی، بلکه در تحلیل عاملی تاییدی نیز پرکاربردترین روش استخراج عامل هاست. یکی از مزیت های کلیدی این روش آن است که امکان این ارزشیابی

را برای ما فراهم می کند که بتوانیم تعیین کنیم راه حل عاملی تا چه اندازه قادر است به خوبی روابط بین متغیرها را در فایل داده بازتولید کند. یعنی می توانیم ارزشیابی کنیم که چگونه همبستگی های پیش بینی شده بین متغیرها توسط پارامترهای تحلیل عاملی، تقریبی از روابط مشاهده شده در ماتریس همبستگی داده هستند. این ویژگی روش حداکثر احتمال، نقش مهمی در تعیین تعداد مناسب عامل ها دارد.

دانلود کتاب های جدید آمار رایگان

عامل یابی محور اصلی (PAF)

عامل یابی آلفا ( AF)
عامل یابی تصویری (IF)
راجع به نقاط ضعف و قوت این روش ها منابع چندانی در دسترس نیست، اما ادبیات نشان از آن دارند زمانی که متغیرهای تحقیق، متغیرهای فاصله ای هستند، روش حداکثر احتمال (ML) و عامل های محور اصلی (PAF) متداول ترین روش است.همچنین فابریگار و همکاران در مقاله ای عنوان داشته اند که اگر توزیع داده ها تقریبا نرمال بود، در آن صورت روش ML بهترین روشی است که ما می توانیم انتخاب کنیم. چون که این روش امکان محاسبه طیفی از شاخص های نیکویی برازش مدل، آزمون معنی داری آماری بارهای عاملی ، آزمون همبستگی بین عامل ها و محاسبه فواصل اطمینان را فراهم می کند. اما اگر توزیع داده ها نرمال نبود، آنگاه روش PAF مناسب ترین روش است.

تحلیل آماری با قیمت مناسب

تحلیل عاملی تاییدی


تاریخ انتشار پست : 1396/1/31 بازدید : 0

مهمترین هدف تحلیل عاملی تاییدی، تعیین میزان توان مدل از قبل تعریف شده با مجموعه ای از داده های مشاهده شده است. به عبارتی، تحلیل عاملی تاییدی در صدد تعیین این مساله است که آیا تعداد عامل ها و بارهای متغیرهایی که روی این عامل ها اندازه گیری شده اند، با آنچه براساس تئوری و مدل نظری انتظار می رفت، انطباق دارد. به عبارتی، این نوع تحلیل عاملی، به آزمون میزان انطباق و همنوایی بین سازه نطری و سازه تجربی تحقیق می پردازد. در این روش ، ابتدا متغیرها و شاخص های مربوطه بر اساس تئوری اولیه انتخاب می شوند و سپس از تحلیل عاملی استفاده می شود تا ببینیم که آیا این متغیرها و شاخص ها، آن طوری پیش بینی می شد، روی عامل هتعیین اعتبار یک مدل عاملیای پیش بینی شده بار (لود) شده اند یا اینکه ترکیب آن ها عوض شده و روی عامل های دیگری بار شده اند؟

در این نوع تحلیل عاملی، پیش فرض اساسی محقق این است که هر عاملی با زیرمجموعه خاصی از شاخص ها ارتباط دارد. حداقل شرط لازم برای تحلیل عاملی تاییدی این است که محقق قبل از هر چیزی ، تعداد عامل های مدل را فرض کند، اما در عین حال معمولا این محقق انتظارات خود را مبنی بر این که کدام متغیرها بر روی کدام عامل ها بار خواهند شد ( یعنی زیر چتر کدام عامل قرار خواهند گرفت)، دخیل می کند. برای مثال محقق سعی می کند تا تعیین کند که آیا متغیرهایی که برای ساخت و نمایش یک متغیر پنهان به کار می روند، واقعا متعلق به هم هستند یا خیر؟

کاربردهای دیگری هم برای تحلیل عامل تاییدی قابل ترسیم است که عبارتند از :

تعیین اعتبار یک مدل عاملی
مقایسه توان دو مدل متفاوت که مسئول مجموعه مابهی از داده ها هستند.
آزمون معنی داری یک بار عاملی خاص
آزمون رابه بین دو یا چند بار عاملی
آزمون اینکه آیا مجموعه عامل ها با یکدیگر همبستگی دارند یا خیر؟
ارزیابی میزان اعتبار هم گرای مجموعه ای از متغیرها ( میزان تجانس داخلی بین آنها)
سنجش اعتبار یک مقیاس یا شاخص، از طریق نمایش این موضوع که گویه های همساز بر روی یک عامل بار می شوند. بنابراین به کمک این روش می توان گویه های ناهمساز مقیاس را که بر روی چندین عامل بار بسیار بالا یا پایین دارند، از مقیاس حذف کرد. چون این متغیرها را نمی توان به یک عامل مشخص انتساب داد.
بسیاری از روان شناسان بر این عقیده اند که تحلیل عاملی تاییدی بر تحلیل عاملی اکتشافی برتری دارد. زیرا روش تحلیل تاییدی ، فرضیه ها را مورد آزمون قرار می دهد و این آزمون فرضیه، برای هر روش علمی امری اساسی است.

دستور تحلیل عاملی تاییدی، برخلاف تحلیل عاملی اکتشافی ، در نرم افزار Spss وجود ندارد. بلکه این روش در نرم افزار جداگانه ای از جمله لیزرل تعریف شده است.

تحلیل عاملی تاییدی با نرم افزار لیزرل، smartpls و ...

کمترین هزینه - کیفیت عالی -فیلم آموزش

 

چرخش عامل ها در تحلیل عاملی(چرخش های متعامد)


تاریخ انتشار پست : 1396/1/30 بازدید : 0

هدف تحلیل عاملی در رشته های علوم اجتماعی، تبیین و توجیه همبستگی های مشاهده شده است. بدین معنا که عامل ها باید معین و تفسیر شوند. برای رسیدن به این مقصود، راه حل های چرخش نیافته کارایی ندارند. علت این امر آن است که شناسایی عامل هایی که دارای تعداد زیادی بار عاملی هستند، دشوار است و از طرفی ، در تحلیل عاملی یک راه حل ایده آل و کامل وجود ندارد و در حقیقت با بی نهایت مجموعه کامل مواجه هستیم که از لحاظ ریاضی معادل اند. کتل معتقد است که بدون چرخش نمی توان به نتایج تحلیل عاملی اطمینان کرد، چرا که این چرخش، اساس ساختار ساده است و تنها در صورت داشتن یک ساختار ساده است که می توانیم هم به نتایج تکرار پذیر دست یابیم و هم به نتایجی که تعیین کننده های موجود در دنیای واقعی را انعکاس دهند.

چرخش عامل ها به معنای تحول ساختار عاملی به یک ساختار ساده از بار عاملی است که به منظور سهولت بیش تر تفسیر این ساختار ساده از بار عاملی است که به منظور سهولت بیش تر تفسیر این ساختار انجام می گیرد. به عبارتی ، چرخش عامل ها به منظور بهبود معنی داری، پایایی و تکثیر پذیری آن ها انجام می گیرد. البته باید توجه داشته باشیم که چرخش ، هیچ گاه جنبه های اساسی تحلیل را بهتر نمی کند. به عنوان مثال، چرخش نمی تواند میزان واریانس استخراج شده از هر متغیر را بیش تر کند، بلکه مقدار آن در زمان قبل و بعد از چرخش تقریبا یکسان است. چرخاندن عامل ها ، بارهای عاملی و به همین ترتیب معنای آن ها را تغییر می دهد. به عبارتی، عامل های چرخش یافته، همبستگی های اولیه را دقیق تر از راه حل چرخش نیافته دوباره پدید می آورند. عامل های چرخش یافته، به خوبی راه حل اولیه، واریانس مشترک (همبستگی ها) را تبیین می کنند.

در نرم افزار Spss دو روش گرافیکی برای چرخش وجود دارد که هر کدام شامل چندین روش فرعی می باشند:

چرخش های متعامد چرخش های غیر متعامد یا متمایل

تحلیل عاملی با SPSS

انجام پایان نامه با SPSS

چرخش های متعامد

در چرخش های متعامد عامل ها طوری چرخانده می شوند که نسبت به هم همیشه یک زاویه قائمه( ۹۰ درجه) داشته باشند. این بدین معنا است که عامل ها نسبت به هم غیرهمبسته هستند و میزان همبستگی بین آن ها برابر با صفر است(cos 90=0).

روش های چرخش متعامد، طوری محورهای یک نمودار را چرخش می دهد که بردارهای ویژه در عین حال که چرخش یافته اند، متعامد باقی بمانند. این چرخش ها در تحلیل مولفه های اصلی به کار می روند و طی آن، محورها به جایی چرخش می یابند که در آن مجموع واریانس بارها، حداکثر مقدار ممکن است.

از آنجا که تفسیر نتایج در چرخش های متعامد آسان تر است و بارهای عاملی نیز نشان دهنده میزان همبستگی بین متغیرها و عامل های پنهان است، بنابراین استفاده از این چرخش ها، نسبت به چرخش های نوع دوم ( یعنی متمایل) بیش تر کاربرد دارد. البته در رشته های علوم اجتماعی، معمولا انتظار می رود بین عامل ها همبستگی وجود داشته باشد، و از طف دیگر تقسیم رفتار انسان ها به واحدهای تقریبا بسته بندی شده، که مستقل از همدیگر عمل کنند ، به ندرت اتفاق می افتد. بنابراین در چنین رشته هایی اگر عامل ها با یکدیگر همبستگی داشته باشند، استفاده از چرخش های متعامد باعث می شود که اطلاعات باارزش زیادی از بین برود. از این رو، به لحاظ نظری چرخش های متمایل می توانند راه حل دقیق تر و نمایش واقع بینانه تری از نحوه ارتباط عامل ها با همدیگر ارائه کنند. در نرم افزار Spss سه روش چرخش متعامد تعریف شده است :

چرخش واریماکس :
روش واریماکس ، رایج ترین روش چرخش متعامد در تحلیل عاملی است که توسط کیزر توسعه یافته است. هدف این چرخش، رسیدن به ساختار ساده با متعامد نگه داشتن محورهای عاملی است. روش واریماکس، پیچیدگی مولفه ها از طریق بزرگتر سازی بارهای بزرگ و کوچکتر سازی بارهای کوچک در داخل هر مولفه( ستون) به حداقل می رساند.

چرخش واریماکس، مجموع واریانس های بارهای مجذورشده بر روی ستون های یک ماتریس را به حداکثر میزان آن می رساند. یعنی ستون های ماتریس بار عاملی را ساده می کند. در این روش ، در هر عامل بارهای بزرگ افزایش و بارهای کوچک کاهش می یابند، طوریکه هر عامل تنها چند متغیر محدود با بارهای بزرگ و در مقابل، متغیرهای زیادی با بارهای کوچک( یا صفر) دارد.

ناناللی معتقد است یکی از ویژگی های ظریف روش واریماکس این است که با بارهای مجذورشده به کار می رود نه بارهای واقعی. در روش واریماکس، علامتهای منفی ستون ها حذف می شوند و آثار این علائم منفی در واریانس از بین می رود. روش واریماکس، عالی ترین روش برای رسیدن به یک ساختار ساده متعامد است و در بسیاری از موارد، راه حل های متمایل با روش واریماکس تقریبا یکسان هستند. زیرا همبستگی بین عامل ها به قدری ناچیز است که می توان از آن ها صرف نظر کرد.

روش چرخش کوآرتیماکس:
این روش در داخل هر متغیر(سطر) بارهای بزرگ را بزرگتر و بارهای کوچک را کوچک تر می سازد. این روش ، واریانس ردیف های یک ماتریس عاملی را به حداکثر میزان آن می رساند. مقدار گامای آن برابر با صفر است، واریان مجذور بار عاملی در داخل متغیرها را به حداکثر میزان افزایش می دهد. یعنی ردیف های ماتریس بارعاملی را ساده می کند. در این روش در هر متغیر بارهای بزرگ افزایش و بارهای کوچک کاهش می یابند، طوری که هر متغیر تنها بر روی چند عامل محدود بار خواهد شد.

روش چرخش اکوآماکس :
این روش، ترکیبی از دو روش واریماکس و کوآرتیماکس است که سعی می کند هم مولفه ها( ستون ها) و هم متغیرها (سطرها) در یک ماتریس عاملی را ساده سازی کند. در واقع این روش هم به ساختار ساده داخل متغیرها ( ردیف ها) و هم به ساختار ساده داخل عامل ها( ستون ها) توجه می کند.

چرخش های غیرمتعامد یا متمایل


تاریخ انتشار پست : 1396/1/30 بازدید : 0

یکی از هواداران اصلی چرخش متمایل، ترستون است که گرچه قویا آن را پیشنهاد می کند، اما از کاربرد بسیار کمتری در مقایسه با چرخش های متعامد برخوردار است. چرخش های متمایل بسیار پیچیده تر از چرخش های متعامدند. زیرا محورهای عاملی می توانند هر وضعیتی را در فضای عاملی داشته باشند. و علت نام گذاری این چرخش ها نیز همین مسئله است. در چرخش های متمایل زاویه محور بیش تر یا کمتر از ۹۰ درجه است و بنابراین، کسینوس زاویه بین محورهای عاملی، نشان دهنده همبستگی بین آن هاست که مقدار آن بین صفر و یک نوسان دارد. بنابراین عامل هایی که توسط این نوع چرخش ها تولید می شوند، عامل هایی هستندکه می توانند با یکدیگر همبستگی داشته باشند. در چرخش متمایل، در مقایسه با چرخش متعامد که محدودیت ناشی از متعامد بودن وجود دارد، آزادی بیشتری درانتخاب وضعیت عامل ها در فضای عاملی وجود دارد. اما علی رغم این، ناناللی مشکلات چندی را برای چرخش های متمایل برمی شمرد که مهمترین نمونه آن است که بارهای عاملی به وضوح نسبتی از واریانس هر متغیر را که به وسیله عامل ها تبیین می شوند، نشان نمی دهند.

روش های چرخش متمایل شامل روش های متعددی مانند کوارتمین ، ابلیمین، بایکوارتمین، ابلیمکس، کوواریمین، باینورمامین، ابلیمین مستقیم و پروماکس است. اما تنها به دو روش می پردازیم و برای آشنایی با سایر روش ها، علاقمندان می توانند به کتب موجود در زمینه تحلیل عاملی و یا روش های آماری مراجعه کنند.

روش ابلیمین مستقیم :

برای دستیابی به یک ساختار ساده متمایل، روش ابلیمین مستقیم معتبرتر از روش پروماکس است.

سفارش تحلیل آماری فصل 4 پایان نامه با نرم افزار SPSS 

به همراه فیلم آموزشی مختص تحلیل 

روش پروماکس :

مهمترین مزیت چرخش پروماکس این است که محاسبه آن سریع انجام می شود و از نظر مفهومی نیز ساده است.

نکته ۱ ) برای اینکه بدانیم از کدام روش چرخش متمایل برای تحلیل عاملی استفاده کنیم، هیچ توافق پذیرفته شده ای وجود ندارد. اما آنچه مسلم است، این می باشد که نتایج هر دو روش چرخش متمایل یکسان است.

نکته ۲) در روش چرخش متمایل چه در صورت انتخاب روش ابلیمین مستقیم و چه در صورت انتخاب روش پروماکس، پیشنهاد می شود که از مقادیر پیش گزیده دلتا ( یعنی عدد ۰) وکاپا ( یعنی عدد ۴) استفاده شود. توجه داشته باشیم که اگر مقدار دلتا و کاپا را دست کاری کنیم، در آن صورت مقدار همبستگی بین عامل ها تغییر می کند و این امر ، تفسیر نتایج را پیچیده تر می سازد. با وجود این، تفاوت دست کاری مقادیر دلتا و کاپا در این دو روش، آن است که اگر چرخش ابلیمین مستقیم را انتخاب کنیم، در آن صورت مقدار کاپا برابر با عدد ۴ است و ما باید مقدار دلتا را دستکاری کنیم. اما اگر چرخش انتخابی ما، پروماکس باشد، در آن صورت مقدار دلتا برابر با عدد ۰ است و در نتیجه باید مقدار کاپا را دست کاری کنیم.

 

با اطمینان سفارش دهید...

معیار پیشین یا فرضی معیار واریانس تبیین شده متغیرها توسط عامل ها معیار آزمون کیزر معیار آزمون سنگریزه

برای انتخاب تعداد عامل های مناسب، معیارهای مختلفی وجود دارد. البته علاوه بر این معیار ها ، دو معیار حداقل میانگین همبستگی های تفکیکی ولیسر و تحلیل موازی نیز وجود دارند که گرچه نتایج آنها دقیق و استفاده از آنها نیز آسان است، اما متاسفانه در نرم افزارSpss و سایر نرم افزارهای مشابه تعریف نشده اند و بنابراین باید دستی محاسبه شوند.

سفارش تحلیل آماری فصل 4 پایان نامه با نرم افزار SPSS 

به همراه فیلم آموزشی مختص تحلیل 

معیار آزمون سنگریزه

آزمون سنگریزه که ابداع کننده آن کتل است، در برخی منابع به نام آزمون اسکری کتل نیز معروف است. این آزمون یکی از مرسوم ترین روش های گرافیکی برای انتخاب تعداد مناسب عامل ها از روی مقادیر ویژه می باشد. این آزمون نتایج را در قالب یک نمودار نشان می دهد که در آن عامل ها یا مولفه ها در محور افقی Y)) و مقادیر ویژه در محور عمودی (X) نشان داده می شوند، طوری که همراه با حرکت به سمت راست، از مقادیر ویژه نیز کاسته می شود. در این نمودار برای انتخاب تعداد عامل های مناسب می توانیم هم از مقادیر ویژه بزرگتر از عدد یک و هم از نقطه ای استفاده کنیم که در آن خط منحنی دچار کاهش شدید می شود. در روش سنگریزه، استخراج عامل ها تا جایی ادامه داده می شود که میزان واریانس خاص از واریانس مشترک کمتر باشد، یعنی قبل از اینکه واریانس خاص از واریانس مشترک پیشی بگیرد. به عبارتی ، تا جایی ادامه می یابد که سهم واریانس مشترک از واریانس خاص بیش تر است.

در آزمون سنگریزه، عامل هایی انتخاب می شوند که مقدار ویژه آن ها بزرگ تر از عدد ۱ باشد و نه برابر با ۱٫ یعنی ما در این روش، آن نقطه ای را که خط منحنی در آن می شکند و دچار افت شدید می شود، انتخاب نمی کنیم، بلکه فقط مقادیر بالاتر از این خط را انتخاب می کنیم. به عنوان یک قاعده کلی می توان گفت که تعداد عامل هایی که با معیار آزمون سنگ ریزه استخراج می شوند، دست کم یک عامل و بعضی مواقع دو یا سه عامل بیشتر از تعداد عامل هایی است که با معیار کیزر استخراج می شود.

محدودیت این روش آن است که نتایج آن مبهم بوده و تشخیص کاهش شدید در خط منحنی، امری شخصی و سلیقه ای است.گورسوچ معتقد است که آزمون درختی زمانی بهترین کارایی را دارد که با حجم نمونه بزرگ سروکار داریم و عامل های کاملا تعریف شده ای در داده ها موجود است.

با اطمینان سفارش دهید...

تحلیل شبکه(ANP)


تاریخ انتشار پست : 1396/1/27 بازدید : 0

یکی از تکنیک های تصمیم گیری چند معیاره می باشد.این روش یک تئوری ریاضی است که به طور سیستماتیک با انواع وابستگی ها سروکار داشته و به طور موفقیت آمیزی در زمینه های گوناگون به کار گرفته شده است.هدف از ارائه آن ساختن مدلی می باشد که از طریق آن بتوان مسائل پیچیده تصمیم گیری چند معیاره را به صورت اجزا کوچک تر تجزیه نمود و به واسطه مقدار دهی معقولانه به اجزا ساده تر و سپس ادغام این مقادیر،تصمیم گیری نهایی را انجام داد.

روش anp

این روش شکل توسعه یافته ای از AHP است که قادر است همبستگی ها و بازخوردهای موجود بین عناصر موثر در یک تصمیم گیری را مدل سازی نموده و تمامی تاثیرات درونی اجزای موثر در تصمیم گیری را منظور و وارد محاسبات نماید لذا این ویژگی این روش را متمایز و برتر از مدل های قبلی می باشد.

سفارش تحلیل فصل 4 پایان نامه با روش anp با نرم افزار super decision

طراحی پرسشنامه مقایسات زوجی برای روش anp 

تمامی حقوق برای نویسنده محفوظ میباشد