تحلیل و آنالیز آماری پایان نامه با LISREL

LISREL یک برنامه کاربردی تهیه شده توسط ویندوز برای اجرای مدل سازی معادله ی ساختاری (SEM) و مدل سازی ساختار خطی مربوطه دیگر است (برای مثال مدل سازی معادله ی ساختاری ، مدل سازی غیر خطی و خطی چند سطحی و غیره).

LISREL  برای ویندوز در صدور داده های خارجی در فرمت های مختلف مانند SPSS, SAS  MS Excel و غیره به عنوان فایل سیستم PRELIS مفید است . این نرم افزار از یک فایل نموداری با فایل EXTENSION استفاده می کند که با هدف رسیدن به نمودار مسیر PTH نامیده می شود. همچنین این برنامه در متناسب ساختن مدل اندازه گیری شده برای داده ها مفید می باشد . برای نمونه ، فرض کنید یک نفر می خواهد از LISREL استفاده کند در حالی که این مدل را با داده های حاصل از SPSS متناسب می سازد. در این نمونه، یک نفر باید از  گزینه داده های صادر شده (import data) از منوی فایل استفاده کند و گزینه ی فایل داده SPSS را انتخاب کند .

LISREL می تواند به مجموعه ی گسترده ای از مشکلات و مدل ها دست یابد و می تواند عملکردهای زیر را اجرا کند:

 مدل ها را با خطای اندازه گیری کنترل کند.

به محقق در مدل های  غیر بازگشتی کمک کند .

در حل مشکلات تحلیل چند متغیره کمک کند و مفید باشد مانند MANOVA .

 برای فعالیت در مقایسه های چند گروهه مفید است ( مانند مدل های توسعه یافته ی مجزا برای زنان و مردان و غیره) .

در آزمایش محدودیت ها مفید باشد.

این نرم افزار می تواند در تجزیه و تحلیل تاثیرات معین مورد استفاده قرار گیرد که ابتدا توسط محققان انجام می شوند. در مدل های پیچیده، تحلیل این تاثیرات می تواند کاملا خسته کننده باشد.

یک ویژگی به ندرت در مدل LISER مشترک است و این ویژگی است که این مدل ها به میانگین ها و تمام متغیرهایی که درباره ی میانگین های گروه جمع آوری و متمرکز شده اند، بی توجه هستند . این امر  سبب نتیجه گیری مدل هایی با میانگین صفر می شود. این کار با هدف کاهش پیچیدگی در تحلیل انجام می شود .

اگر یک مدل چند گروهی با کمک LISER کار کند ، انگاه خروجی مشابه فرآیندی را ارائه خواهد داد که با اجرای رگرسیون با متغیرهای تهی در SPSS بدست می آید .

LISERL  به محقق برای تحلیل آماری پایان نامه LISERL در تهیه ی میانگین های انعطاف پذیر و به ندرت تاثیر گذار برای آزمایش در گروه های مختلف کمک می کند. این نرم افزار اطلاعاتی را فراهم می کند که شاخص های اصلاح نامیده می شود که به محقق در شناسایی محدودیت ها کمک می کند .

LISREL می تواند به کاربر برای تشخیص خطاهای تعاملی و روابط کمک کند که نیازمند در برگرفتن این مدل و مدل هایی است که نیازمند شمول و درگیری در این مدل نیستند . اطلاعات پیش بینی شده می توانند در تشخیص مشخصه و ویژگی مدل مورد استفاده قرار گیرند .