دانلود پاورپوینت کامل کارگاه تحلیل عاملی اکتشافی با استفاده از نرم افزار SPSS

\n

عنوان قبلی : کارگاه تحلیل عاملی اکتشافی با استفاده از نرم افزار SPSS

\n

دانلود پاورپوینت نقش و جایگاه نرم افزار در کامپیوتر

\n

عنوان های پاورپوینت  : 

\nکارگاه تحلیل عاملی اکتشافی با استفاده از نرم افزار SPSS\n\nتحلیل عاملی Factor Analysis\n\n \n\nطبقه بندی تحلیل عاملی\n\nتحلیل عاملی اکتشافی\n\nپیش فرض های تحلیل عاملی\n\nحجم نمونه\n\nنرمال بودن\n\nخطی بودن\n\nکاربرد تحلیل عاملی\n\nتعیف ماتریس همبستگی\n\nمفاهیم کلیدی روش تحلیل عاملی\n\n \n\nروش استخراج عامل ها\n\n \n\n \n\n \n\nروشهای چرخش عاملها\n\n \n\n \n\nمعیارهای استخراج تعداد عاملها\n\n \n\nفایده تحلیل عامل\n\n

---

\n\n

 دانلود پاورپوینت تحقیق وارسی و اعتبارسنجی نرم افزار (

\nقسمت ها و تکه های اتفاقی از فایل\n\n \n\nاصولاً روش تحلیل عوامل در آزمون سازی به دو منظور زیر به کار گرفته می شود:\n\n١ـ ساخت یک مقیاس برای اندازه گیری یک یا چند صفت\n\n٢ـ بررسی ساختار عاملی یک پرسشنامه از لحاظ این که آیـا میتوان داده های پرسشنامه را به خوشه های جداگانه تبدیل کـرد و یا این که آیا عامل های پرسشنامه همان ترکیب عاملی اولیـه را دارند.\n\nتعریف ماتریس همبستگی\n\nماتریس همبستگی مجموعهای از ضرایب همبستگی بین تعدادی از متغیرها است:\n\nفرض بر این است که هر متغیر با خودش همبستگی کامل دارد(عناصری که در قطرهای ماتریس همبستگی قرار می‌گیرند در فهم و تفسیر تحلیل‌های عاملی مهم هستند).\n\nزواید زیادی در ماتریس وجود دارد، بدین معنا که هر ضریب دوبار در ماتریس ظاهر می‌شود.\n\nتحلیل عاملی برای سادهکردن چنین ماتریس‌هایی طراحی شده است\n\nدر یک ماتریس بزرگ از همبستگی‌ها، منطقی است بپرسیم که چه چیزی ممکن است این همبستگی‌ها را تبیین کند.\n\nمفاهیم کلیدی روش تحلیل عاملی\n\nاشتراک: میزان واریانس مشترک ،بین یک متغیر با سایر متغیرهای به کار گرفته شده در تحلیل عاملی\n\nمقدار خاص: میزان واریانس تبیین شده بوسیله هر عامل\n\nمقدار ویژه: هرکدام از بارهای عاملی را به توان 2 برسانیم و با هم جمع کنیم (مجموع مجذورات بارهای عاملی)\n\nعامل: عبارت است از ترکیب خطی متغیرهای اصلی که خلاصه شده اند.\n\nبار عاملی: عبارت است از همبستگی بین متغیرهای اصلی و عوامل\n\nماتریس عاملی: جدولی است که بارهای عاملی کلیه متغیرها را در هر عامل، نشان می دهد.\n\nچرخش عاملی: فرایندی است که برای تعدیل محور عامل به منظور دستیابی به عاملهای ساده و بامعنی\n\nنمره عاملی: تحلیل عاملی متغیرهای اصلی را در تعداد محدودی از عاملها خلاصه می کند.\n\n \n\n \n\nتعریف عامل: اساساً عامل، بعد یا سازهای است که روابط بین مجموعهای متغیرها را به صورت خلاصه مطرح می‌کند بنا به عقیدة رویس (1963)، عامل، سازهای است که عملاً از روی (یا بوسیلة) بارهای عاملی‌اش تعریف می‌شود.\n\n \n\nتعریف بارهای عاملی: همبستگی یک متغیر با یک عامل را بار عاملی گویند. فرض کنید که مجموعهای از آزمون‌های توانایی و پیشرفت تحصیلی را تحلیل عاملی کردهایم. این مثال، سه عامل را در یک نوع تحلیل عاملی از تواناییها نشان می‌دهد. عاملهای دیگری نیز ممکن است وجود داشته باشد اما اینها ماهیت عوامل و بارهای عاملی را بهتر توضیح می‌دهند.\n\n \n\nروش استخراج عامل ها\n\n1- عامل های متعامد\n\n2-عامل های متمایل\n\n \n\nدر روش متعامد، عامل ها به شیوه­ای استخراج می شوند که محورهای عاملی در حالت 90 درجه قرار گیرند و این بدین معناست که هر عامل، مستقل از سایر عامل ها می­باشد بنابراین همبستگی بین عاملها بطور قراردادی صفر تعیین می گردد.\n\n \n\nاگر هدف تحقیق، تلخیص تعداد متغیرهای اصلی بدون توجه به اینکه نتایج عاملهای استخراج شده تا چه حد معنی دار خواهد بود انجام گیرد در این صورت روش متعامد روش مناسبی خواهد بود.\n\n \n\nمدل عاملی متمایل، پیچیده تر است در این روش همبستگی بین عاملها صفر نیست و عاملها دارای همبستگی می باشند.\n\nروشهای چرخش عاملها\n\n \n\n1-     کوارتیماکس\n\n \n\n2-     وارتیماکس\n\n \n\n \n\n \n\n \n\nروش کوارتیماکس در ایجاد یک ساختار عاملی ساده تر موفق      نمی­باشد مشکل این روش در آن است که سعی می­کند در فرایند چرخش، یک عامل عمومی به دست آورد در حالیکه هدف اصلی چرخش ماتریس عاملی، دست یابی به یک عامل عمومی وسیع    نمی­باشد.\n\n \n\n \n\n \n\nدر مقابل روش واریماکس به دنبال مختصر کردن و ساده سازی ستونهای ماتریس عاملی است. هرچند که محاسبات جبری برای روش کوارتیماکس ساده تر از روش واریماکس می­باشد اما واریماکس جداسازی عاملها را به طور شفاف تر و واضح تر نشان می­دهد.\n\nمعیارهای استخراج تعداد عاملها\n\n1-     معیار مقدار ویژه\n\nاین معیار ساده ترین روش برای تعیین تعداد عاملهاست. در تحلیل مولفه های اصلی تنها عاملهایی که مقدار ویژه آنها بیشتر از یک باشد به عنوان عاملهای معنی دار در نظر گرفته می­شود و کلیه عامل هایی که مقدار ویژه آنها کمتر از یک  (1) است از تحلیل کنار گذاشته می شوند.\n\n \n\n \n\nبسیاری از محققان از جمله کیسر، مقدار ویژه 1 را مبنای تعیین تعداد عاملها قرار می دهند اما زمانی که تحلیل عاملی مشترک به عنوان مدل تحلیل انتخاب می گردد معیار مقدار ویژه 1 باید قدری تعدیل شود.\n\nرهیافت مقدار ویژه زمانی که تعداد متغیرها بین 20 تا 50 باشد قابل اعتماد به نظر می رسد. اگر تعداد متغیرها کمتر از 20 باشد ممکن است به دلیل کوچک بودن مقدار ویژه حتی یک عامل هم استخراج نشود. اگر تعداد متغیرها بالای 50 باشد در اینصورت عوامل زیادی استخراج می شود که غیر معمول است.\n\n \n\n \n\n \n\n2- معیار مقدار پیش بین\n\nدر این روش محقق از قبل تعداد عاملها را مشخص می کند.\n\n \n\n \n\n3- معیار درصد واریانس\n\nمعیار درصد واریانس تبیین شده توسط عاملها نیز ضابطه دیگری برای تعیین تعداد عامل هاست. در این روش درصد تجمعی واریانس مبنای تصمیم گیری است. فرایند استخراج عوامل تا زمانی ادامه می یابد که این عامل ها بتوانند حداقل 95 درصد واریانس داده ها را تبیین کنند.\n\n \n

دانلود پاورپوینت الگوی استاندارد تکامل توانایی فرآیند تولید نرم افزار

\n۳۰ تا ۷۰ درصد پروژه / پاورپوینت / پاور پوینت / سمینار / طرح های کار افرینی / طرح توجیهی /  پایان نامه/  مقاله ( کتاب ) های اماده   به صورت رایگان میباشد