راهنمای تفسیر مقادیر RMSEA

راهنمای تفسیر مقادیر RMSEA

مقدار	تفسیر و سطح برازش	اقدام پیشنهادی
≤ 0.01	برازش عالی (Excellent Fit)	مدل به طور استثنایی با داده‌ها تطابق دارد.
≤ 0.05	برازش بسیار خوب (Close Fit)	مدل برازش مناسبی دارد. معمولاً هدف نهایی پژوهشگران است.
≤ 0.08	برازش قابل قبول (Fair Fit)	مدل برازش معقول و قابل قبولی دارد. در مدل‌های پیچیده ممکن است این مقدار پذیرفته شود.
بین 0.08 تا 0.10	برازش ضعیف (Mediocre Fit)	مدل نیاز به اصلاح و بهبود دارد. ممکن است پذیرفته نشود.
≥ 0.10	برازش نامناسب (Poor Fit)	مدل به طور کامل رد می‌شود و باید به طور اساسی بازنگری شود.

شاخص های برازش در تحلیل عاملی تاییدی، تحلیل مسیر و مدل معادلات ساختاری

شاخص	نماد	مقدار قابل قبول	مقدار مطلوب
کای-اسکور نسبی	χ²/df	< 3	< 2
شاخص برازش خوب	GFI	≥ 0.90	≥ 0.95
شاخص برازش خوب تعدیل‌شده	AGFI	≥ 0.85	≥ 0.90
ریشه خطای تقریب میانگین	RMSEA	≤ 0.08	≤ 0.06
شاخص برازش تطبیقی	CFI	≥ 0.90	≥ 0.95
شاخص تاکر-لویس	TLI (NNFI)	≥ 0.90	≥ 0.95
شاخص برازش افزایشی	IFI	≥ 0.90	≥ 0.95
ریشه میانگین مجذور باقیمانده‌ها	SRMR	≤ 0.08	≤ 0.05

نقشه حرارتی Heat Map

نقشه حرارتی یا  Heat Map  نمایش گرافیکی دو بعد داده است که از رنگ برای نشان دادن ارتباط بین دو متغیر مختلف استفاده می­ شود. تنوع در رنگ ممکن است بر اساس رنگ یا شدت آن باشد. برای این نوع نقشه، نحوه رنگ آمیزی رنگ­ها با توجه به مقادیر عددی وجود دارد و برای فهم رنگ ها، یک کلید برای بینندگان  نقشه ارائه می شود.

نمونه ای از نقشه حرارتی را می توان از طریق نرم افزار R  با کمک بسته GDINA به دست آورد. با کمک ای نمودار می توان سوالاتی که همبستگی بالایی با هم دارند را شناسایی و سپس حذف کرد. با حذف این نوع سوالات، برازش مدل بهبود پیدا می کند.

به طور مثال در نقشه زیر نقاط خاکستری یعنی دو سوال مستقل از هم هستند و نیازی به حذف آن ها نیست ولی نقاط قرمز و نارنجی یعنی رابطه بین دو سوال زیاد است به طوری که مقدار معناداری آن ها کم تر از 0.05 است و باید حذف شوند. نقاط قرمز یعنی شدت همبستگی خیلی زیاد است و نقاط نارنجی یعنی بین دو سوال همبستگی وجود دارد ولی شدت همبستگی بین آن ها به شدت همبستگی بین دو سوال با نقاط قرمز نیست. کلید رنگ ها سمت راست نقشه آمده است.

لازم است سوالاتی که دارای همبستگی هستند و در نقشه با رنگ قرمز یا خاکستری نشان داده شده است در یک فرایند گام به گام حذف شوند و نقشه ای ارائه شود که فقط در آن رنگ خاکستری دیده شود. نمونه این نقشه را می توان در شکل زیر دید. این نقشه نشان می دهد که همبستگی بین جفت سوال ها، مطلوب است و برازش وجود دارد.

نمونه پژوهش با روش فراتحلیل و مدل معادلات چندسطحی

عنوان: بررسی فراتحلیلی تأثیر پیشرفت تحصیلی فردی و ​​مدرسه ای در علوم بر خودپنداره دانش آموزان

هدف: بررسی تأثیر میانگین پیشرفت فردی و مدرسه ای بر خودپنداره دانش آموزان در علوم بود.

روش: از داده‌های چهار چرخه اخیر مطالعه بین‌ المللی روند آموزش ریاضیات و علوم (TIMSS) استفاده شد و یک فراتحلیل داده‌های فردی دو مرحله‌ای برای بررسی رابطه بین پیشرفت و خودپنداره در علوم انجام شد. در مرحله اول، مدل سازی معادلات ساختاری چند سطحی برای هر مجموعه داده انجام شد. علاوه بر این، اندازه‌های اثر از طریق فراتحلیل با یک مدل اثر تصادفی سه سطحی ترکیب شدند. علاوه بر این، تجزیه و تحلیل تعدیل کننده اثر متغیرهای سال، پایه و میزان طبقه بندی در کشورها انجام شد.

یافته ها: نتایج حاکی از تأثیر مثبت و معنادار پیشرفت تحصیلی فردی در علوم بر خودپنداره بود. از سوی دیگر، رابطه میانگین پیشرفت تحصیلی مدرسه ای در علوم بر خودپنداره منفی بود. نتایج با در نظر گرفتن اثر ماهی بزرگ در حوض کوچک (مارش و پارکر، 1984) مورد بحث قرار گرفت.

مقیاس نیوکاسل-اتاوا (NOS) برای ارزیابی کیفیت مطالعات غیرتصادفی در فراتحلیل

The Newcastle-Ottawa Scale (NOS) for assessing the quality of nonrandomised studies in meta-analyses

مقیاس نیوکاسل-اتاوا چیست؟

مقیاس نیوکاسل-اتاوا (NOS)  با همکاری مداوم دانشگاه‌های نیوکاسل استرالیا و اتاوا کانادا تدوین شده است. هدف آن ارزیابی کیفیت مطالعات غیرتصادفی (مطالعات مورد-کنترل و کوهورت) از نظر طراحی، محتوا و سهولت استفاده آن به منظور ترکیب ارزیابی‌ کیفیت در تفسیر نتایج فراتحلیل است. این مقیاس دارای یک "سیستم ستاره ای" است که در آن یک مطالعه از سه نظر مورد قضاوت قرار می گیرد: انتخاب گروه های مطالعه، قابلیت مقایسه گروه ها و تعیین در معرض قرار گرفتن یا نتیجه مورد نظر برای مطالعات موردی-کنترل یا کوهورت به ترتیب. این مقیاس، ابزاری آسان و راحت برای ارزیابی کیفیت مطالعات غیرتصادفی به منظور استفاده در یک مرور سیستماتیک است.

راهنمای کدگذاری برای انتخاب مطالعات مورد-کنترل

الف) انتخاب

1) آیا تعریف مورد کافی است؟

2) نماینگر بودن نمونه

3) انتخاب گروه کنترل

4) تعریف گروه کنترل

ب) قابلیت مقایسه

1) مقایسه موارد و کنترل ها بر اساس طرح یا تجزیه و تحلیل

پ) در معرض قرار گرفتن

1) تشخیص در معرض قرار گرفتن

2) نرخ عدم پاسخ

راهنمای کدگذاری برای انتخاب مطالعات کوهورت

الف) انتخاب

1) نماینگر بودن کوهورت در معرض

2) انتخاب کوهورت غیر در معرض

3) تشخیص قرار گرفتن در معرض

4) نشان می دهد که نتیجه مورد نظر در شروع مطالعه وجود نداشت

ب) قابلیت مقایسه

1)     مقایسه کوهورت ها بر اساس طراحی یا تجزیه و تحلیل

پ) نتیجه

1)     ارزیابی نتیجه

2)       دوره پیگیری به اندازه کافی طولانی باشد تا نتایج حاصل شود

3)      کفایت پیگیری کوهورت