بررسی عاملی تأییدی

دانلود پایان نامه

یمی
PRjan
RD5feb
ALTjan
TRLmay
AHUMAXaug
PRfeb
RD5mar
ALTfeb
TRLjul
AHUMAXoct
PRmay
RD5may
ALTmar
TRLann
AHUMAXann
PRjun
RD5NOVnov
ALTmay
TRHjan
AHUMINapr
PRnov
RD5ann
ALTjun
TRHjun
AHUMINmay
PRann
RD10feb
ALTjul
TRHjul
AHUMINnov
PRwinter
RD10mar
ALTsep
TRHnov
AHUMINdec
PRspring
RD10may
ALTnov
TRHann
AHUMINann
PRautumn
RD10nov
ALTdec
ICDjan
AWjan
RDapr
RD10ann
ALTann
ICDfeb
AWapr
RDmay
ATfeb
ALTwinter
ICDnov
AWmay
RDjul
ATmar
ALTautumn
ICDdec
AWjun
RDnov
ATapr
AHTjan
ICDANN
AWaug
RDdec
ATmay
AHTjun
AHUfeb
AWsep
RDann
ATnov
AHToct
AHUjun
AWnov
RD1apr
Atann
AHTdec
AHUoct
AWann
RD1MAYmay
ATWinter
AHTANN
AHUnov

RD1nov
ATSpring
AHTspring
AHUann

RD1deec
ATsummer
AHTsummer
AHUMAXfeb

RD1ann
ATautumn
TRLfeb
AHUMAXapr

جدول (۴-۱۲): نتایج آنالیز همبستگی پیرسون برای بارش
corlation
PRjan
PRfeb
PRmar
PRapr
PRmay
PRjun
PRjul
PRaug
PRsep
PRoct
PRnov
PRdec
PRjan
۱
.۷۲۳**
.۸۰۹**
.۵۲۱**
-۰.۰۶
۰.۰۲۷
-۰.۱۱۷
-۰.۲۳۵
۰.۰۱۱
.۴۰۶*
.۶۹۷**
.۹۱۸**
PRfeb
.۷۲۳**
۱
.۶۶۵**
.۷۵۰**
۰.۳۶۷
۰.۱۴۷
-۰.۲۲۲
-۰.۱۴۹
.۴۰۰*
۰.۰۸۱
.۸۲۵**
.۵۷۰**
PRmar
.۸۰۹**
.۶۶۵**
۱
.۷۳۳**
۰.۲۲۹
۰.۲۹۱
۰.۰۷۳
-۰.۰۱۴
۰.۱۳
.۵۹۳**
.۷۱۹**
.۸۱۲**
PRapr
.۵۲۱**
.۷۵۰**
.۷۳۳**
۱
.۶۳۸**
.۵۴۷**
-۰.۱۰۳
-۰.۰۴۲
۰.۱۸۶
۰.۲۹۸
.۶۱۳**
.۵۵۹**
PRmay
-۰.۰۶
۰.۳۶۷
۰.۲۲۹
.۶۳۸**
۱
.۷۸۱**
-۰.۱۳
۰.۰۷۴
۰.۳۶۲
-۰.۰۴۶
۰.۳۱۸
-۰.۰۶۶
PRjun
۰.۰۲۷
۰.۱۴۷
۰.۲۹۱
.۵۴۷**
.۷۸۱**
۱
۰.۱۷۵
۰.۲۸۱
-۰.۰۹۲
۰.۱۸۲
۰.۰۶۱
۰.۰۷۸
PRjul
-۰.۱۱۷
-۰.۲۲۲
۰.۰۷۳
-۰.۱۰۳
-۰.۱۳
۰.۱۷۵
۱
.۸۲۰**
-۰.۰۰۹
.۴۰۸*
-۰.۱۱۲
-۰.۰۷۵
PRaug
-۰.۲۳۵
-۰.۱۴۹
-۰.۰۱۴
-۰.۰۴۲
۰.۰۷۴
۰.۲۸۱
.۸۲۰**
۱
-۰.۰۱۱
۰.۳۱۲
-۰.۱۷۹
-۰.۲۱۴
PRsep
۰.۰۱۱
.۴۰۰*
۰.۱۳
۰.۱۸۶
۰.۳۶۲
-۰.۰۹۲
-۰.۰۰۹
-۰.۰۱۱
۱
-۰.۰۷۳
.۵۱۵**
-۰.۱۰۹
PRoct
.۴۰۶*
۰.۰۸۱
.۵۹۳**
۰.۲۹۸
-۰.۰۴۶
۰.۱۸۲
.۴۰۸*
۰.۳۱۲
-۰.۰۷۳
۱
۰.۲۳۹
.۵۵۲**
PRnov
.۶۹۷**
.۸۲۵**
.۷۱۹**
.۶۱۳**
۰.۳۱۸
۰.۰۶۱
-۰.۱۱۲
-۰.۱۷۹
.۵۱۵**
۰.۲۳۹
۱
.۶۳۸**
PRdec
.۹۱۸**
.۵۷۰**
.۸۱۲**
.۵۵۹**
-۰.۰۶۶
۰.۰۷۸
-۰.۰۷۵
-۰.۲۱۴
-۰.۱۰۹
.۵۵۲**
.۶۳۸**
۱
** Correlation is significant at the 0.01 level (2-tailed).* Correlation is significant at the 0.05 level (2-tailed)

جدول (۴-۱۳): پارامترهای اقلیمی بدست آمده با روش همبستگی
پارامترهای اقلیمی
پارامترهای اقلیمی
پارامترهای اقلیمی
پارامترهای اقلیمی
پارامترهای اقلیمی
PRjan
RD5mar
ALTfeb
TRHmay
AHUMAXmay
PRfeb
RD5nov
ALTmar
TRHjun
AHUMAXjun
PRmar
RD5dec
ALTapr
TRHjul
AHUMAXjul
PRapr
RD5ann
ALTnov
TRHagu
AHUMAXnov
PRnov
RD10jan
ALTdec
TRHSEP
AHUMAXann
PRdec
RD10feb
ALTann
TRHOCT
AHUMINapr
PRann
RD10mar
ALTwinter
TRHANN
AHUMINmay
PRwinter
RD10apr
ALTautumn
ICDjan
AHUMINjun
PRspring
RD10nov
AHTmar
ICDfeb
AHUMINjul
PRautumn
RD10dec
AHTmay
ICDmar
AHUMINaug
RDjan
RD10ann
AHTjun
ICDnov
AHUMINnov
RDfeb
ATjan
AHTjul
ICDdec
AHUMINANN
RDmar
ATfeb
AHTaug
ICDann
AWmar
RDapr
ATmar
AHTann
AHUmar
AWapr
RDANN
ATapr
AHTspring
AHUapr
AWmay
RD1feb
ATnov
AHTsummer
AHUmay
AWjun
RD1mar
ATdec
TRLjan
AHUjun
AWjul
RD1apr
Atann
TRLfeb
AHUjul
AWoct
RD1may
ATwinter
TRLmar
AHUnov
AWnov
RD1nov
ATspring
TRLapr
AHUdec
AWann
RD1DEC
ATsummer
TRLnov
AHUANN

RD1ann
ATautumn
TRLdec
AHUMAXmar

RD5feb
ALTjan
TRLann
AHUMAXapr

روش کرزانوفسکی
این روش تشابهات بین دادههای انتخابی و دادههای اصلی را بررسی میکند. ابتدا کل دادههای هواشناسی که به طریقی در اقلیم منطقه تاثیر بسزایی دارند و در همه ایستگاهها ثبت شده بودهاند، شامل ۱۸۸ متغیر اقلیمی که با P نمایش داده شد و چهار سری داده انتخابی ۱) دادههای که توسط سایر افراد انتخاب شده بودند شامل ۱۰۲ متغیر اقلیمی که با z1 نمایش داده شد ۲) ۱۰۶ متغیر اقلیمی که بر اساس پوشش گیاهی منطقه انتخاب شده بودند که با z2 نمایش داده شد. ۳) متغیرهای که با استفاده از روش گام به گام بدست آمده شامل ۹۶ متغیر اقلیمی که با z3 نمایش داده شد ۴) متغیرهای با بیشترین همبستگی با هم شامل ۱۱۲ متغیر اقلیمی که با z4 نمایش داده شد. این متغیرها مهمترین متغیرهای هستند که بیشترین تاثیر را بر روی اقلیم منطقه و همچنین بیشترین ارتباط را با هدف تحقیق دارند که تعداد متغیر آنها، با q نمایش داده شد. این پارامترها با استفاده از آنالیز تجزیه به مولفه های اصلی۴۹ به ۵ فاکتور یا مولفه اصلی کاهش یافت که با k نمایش داده شدند. تعداد مولفه اصلی در ۶۲۲ نقطه که با n نمایش داده شدند، ۹۰ درصد واریانس دادهها را به خود اختصاص میدهند و در واقع مهمترین مولفهها به شمار میروند [۱۸،۷۲،۹۶]. چرخه انتخاب متغیرها با روش پروکراستس در زیر نمایش داده شده است. برای محاسبه M2 دوشرط q?p و ? q k باید برقرار باشد.
انتخاب
X(n×p) X(n×q)

PCA PCA

Y(n×k) Z(n×k)
پروکراستس
ضریب پروکراستس از ارتباط (۳-۴) محاسبه شد:
ارتباط ۳-۴
M2=Trace{YY´+ZZ´-۲ZQ´Y´}
Q از ارتباط (۳-۵) محاسبه می شود:
ارتباط۳-۵ Q=VU´
با تجزیه مقدار منفرد۵۰ ماتریس Z´Y به ابعاد k×k مقدار U و V محاسبه شد و مقدار Q بدست آمد. همچنین با مربعی نمودن ماتریسهای Y و Z و قرار دادن آن در ارتباط ۳-۴ مقدار M2 محاسبه گردید. هر کدام از سری دادههای انتخابی که دارای کمترین ضریب M2 باشد یعنی بیشترین شباهت را با دادههای کل دارد و به عنوان مناسبترین سری پارامتر انتخاب میشود. تعریف فاکتورهای لازم برای بدست آوردن مقدار M2 و تجزیه مقدار منفرد در جدول (۳-۱۴) آورده شده است. برای محاسبه ترانهاده ماتریسها، تجزیه مقادیر منفرد و مقدار M2 برای هر کدام از ماتریسهای Z1, Z2, Z3, Z4 از نرم افزار Matlab 2012 استفاده شد.
جدول (۳-۱۴): فاکتورهای مورد نیاز برای بدست آوردن مقدار M2
فاکتور
توضیحات
فاکتور
توضیحات
X(n×p)
ماتریس تمامی متغیرها
Z
ماتریس تجزبه به مولفههای متغیرهای انتخاب شده (آرایش تقریبی۵۱)
X(n×q)
ماتریس متغیرهای انتخابی

ترانهاده ماتریس Y
p
تعداد کل متغیرها

ترانهاده ماتریس Z
q
تعداد متغیرهای انتخابی
U
ماتریس m در n روی میدان K
n
تعداد نقاط دارای داده
?
ماتریس قطری m در n با درایههای نامنفی حقیقی بر روی قطر
Y
ماتریس تجزبه به مولفههای کل متغیرها (آرایش واقعی۵۲)
V*
ترانهاده مزدوج V یک ماتریس یکانی n در n روی K

تحلیل عاملی
تجزیه عاملها یا تحلیل عاملی۵۳ یکی از روشهای آماری است که برای تجزیه اطلاعات موجود در مجموعه دادهها استفاده میشود.کارل پیرسون۵۴ ۱۹۰۱و چارلز اسپیرمن۵۵۱۹۰۴برای اولین بار هنگام اندازه گیری هوش این روش را مطرح نمودند. این روش برای تعیین تأثیرگذارترین متغیرها در زمانیکه تعداد متغیرهای اولیه مورد بررسی زیاد بوده و روابط بین آنها ناشناخته باشد، استفاده میشود. در این روش متغیرها در عاملهایی قرار میگیرند، و درصد واریانس از عامل اول به عاملهای بعدی کاهش مییابد، بر همین اساس متغیرهایی که در عاملهای اولی قرار میگیرند، تأثیرگذارترین متغیرها هستند. تجزیه عاملی در واقع گسترش تجزیه مؤلفههای اصلی است. هدف تجزیه عاملی و تجزیه مؤلفههای اصلی تقریب ماتریس کواریانس است، اما این تقریب در مدل تحلیل عاملی از دقت و ظرافت بیشتری برخوردار است. به طور کلی هدف از تجزیه عاملها به شرح زیر خلاصه میشود:
تفسیر وجود همبستگی درونی بین تعدادی صفت قابل مشاهده از طریق عواملی که قابل مشاهده نیستند و آنها را عامل گویند. در واقع این عوامل غیرقابل مشاهده دلیل مشترک همبستگی بین متغیرهای اصلی هستند.
ارائه روش ترکیب و خلاصه کردن تعداد زیادی از متغیرها در تعدادی گروه متمایز.
از بین متغیرهای مختلف تأثیر گذارترین آنها تعیین شده و در پژوهشهای بعدی به طور جزیی تر متغیرهای تأثیرگذار را با تکرار بیشتری بررسی میکنند.
با توجه به این نکات، اصلیترین هدف استفاده از تحلیل عاملی، کاهش حجم دادهها و تعیین مهمترین متغیرهای موثر در شکل گیری پدیدههاست. از آنجا که پژوهشهای منابع طبیعی اغلب در عرصه مراتع و جنگلها انجام میشود و شرایط محیط تحت کنترل پژوهشگر نیست، از اینرو معمولا با تعداد زیادی از متغیرها روبرو هستیم. در نتیجه برای کاهش حجم متغیرها میتوان از تحلیل عاملی به عنوان یک روش مناسب استفاده کرد. این روش در دهههای اخیر به ویژه با پیشرفت استفاده از برنامههای آماری در رایانه در سطح وسیع مورد استفاده پژوهشگران قرار گرفته است.
تحلیل عاملی بر دو نوع تحلیل عاملی اکتشافی۵۶ و تحلیل عاملی تأییدی۵۷ است. در تحلیل عاملی اکتشافی، پژوهشگر در صدد کشف ساختار زیرنبایی مجموعه نسبتا بزرگی از متغیرهاست و پیش فرض اولیه آن است که هر متغیری ممکن است با هر عاملی ارتباط داشته باشد. به عبارت دیگر پژوهشگر در این روش هیچ نظریه اولیهای ندارد.
پیش فرض اساسی در تحلیل عاملی تأییدی آن است که هر عاملی با زیرمجموعه 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 کند. کاربردهای دیگر تحلیل عاملی تأییدی عبارتند از:
تعیین اعتبار یک مدل عاملی.
مقایسه توان دو مدل متفاوت که از دادهها مشابه ساخته شدهاند.
آزمون معنیداری یک بار عاملی ویژه.
آزمون اینکه آیا مجموعه عاملها با یکدیگر همبستگی دارند یا خیر.
آزمون ارتباط بین دو یا چند بار عاملی.
دستور تحلیل عاملی تأییدی برخلاف تحلیل عاملی اکتشافی در نرم افزار SPSS وجود ندارد. این روش در نرم افزار لیزرل۵۸ قابل انجام است.
برخی از مفاهیم کلیدی روش تحلیل عاملی اکتشافی به شرح زیر میباشد:
میزان اشتراک۵۹: اشتراک عبارت از میزان واریانس مشترک بین یک متغیر با دیگر متغیرهای بکار گرفته شده در تحلیل است.
مقدار ویژه۶۰: مقدار ویژه میزان واریانس تبیین شده به وسیله هر عامل را بیان میکند.
عامل۶۱: عبارت است از ترکیب خطی متغیرهای اصلی که نشان دهنده جنبههای خلاصه شدهای از متغیرهای مشاهده شده است. به عامل متغیر پنهان۶۲ نیز گفته میشود.
عامل مشترک۶۳: عاملی که دو یا چند متغیر بر روی آن بار میشوند. عامل مشترک عاملی است که حداقل بین دو متغیر مشاهده شده مشترک است، بنابراین، عامل مشترک در تعیین دو یا چند متغیر دخالت مستقیم دارد. به فرآیند تعیین عامل مشترک و تفسیر آن، تحلیل عاملی مشترک۶۴ میگویند که نوعی روش آماری است که از همبستگیهای بین متغیرهای مشاهده شده برای برآورد عاملهای مشترک و روابط ساختاری استفاده میکند.
بار عاملی۶۵: عبارت است از همبستگی بین متغیرهای اصلی و عوامل اگر مقادیر بار عاملی مجذور شوند، نشان میدهند که چند درصد از واریانس در یک متغیر توسط آن عامل تبیین میشود.
ماتریس عاملی۶۶: جدولی است که بارهای عاملی کلیه متغیرها را در هر عامل نشان میدهد.
چرخش عاملی۶۷: فرایندی برای تعدیل محور عاملی به منظور دستیابی به عاملهای معنیدار و ساده است.
نمره عاملی۶۸: یک مقدار ویژه برای یک عامل است که برای یک واحد نمونه گیری خاص محاسبه میشود. نمره عاملها از حاصل جمع وزنی مقدار متغیرها برای آن واحد نمونه گیری بخصوص به دست میآید.
استخراج عاملها
همانطور که در قبل نیز گفته شد هدف تحلیل عاملی خلاصه کردن متغیرها در تعدادی عامل است. پس برای انجام تحلیل عاملی باید روش استخراج عاملها و معیار تعیین آنها مشخص شود.
روش استخراج عاملها: برای استخراج عاملها روشهای مختلفی وجود دارد که برحسب مقدار و نوع واریانسی که توسط متغیرهای هر عامل در مدل توجیه میشود، متفاوتند. اساسی ترین این روشها تجزیه مؤلفههای اصلی است. ذکر این نکته ضروری است که در تحلیل عاملی سه واریانس وجود دارد، واریانس مشترک که به نسبتی از واریانس گفته میشود که به وسیله عامل های مشترک تبیین میشود. واریانس خاص که به یک متغیر خاص مربوط میشود و واریانس خطا که ناشی از بی اعتباری و ناپایایی دادههای جمع آوری شده است. در روش تجزیه مؤلفههای اصلی، عاملها همه واریانس هر متغیر از جمله واریانس مشترک با سایر متغیرهای مجموعه و نیز واریانس خاص

Leave a comment