مدل یابی معادلات ساختاری

 

 

 

 

 

 

 

 

مدل يابي معادلات ساختاري

ليزرل (LISREL) يا مدل يابي معادلات ساختاري يک تکنيک تحليل چند متغيري بسيار کلي و نيرومند از خانواده رگرسيون چند متغيري است که به پژوهشگر امکان مي دهد مجموعه اي از معادلات رگرسيون را به گونه هم زمان مورد آزمون قرار دهد.

ليزرل يا مدل يابي معادلات ساختاري (Structural equation modeling: SEM)يک تکنيک تحليل چند متغيري بسيار کلي و نيرومند از خانواده رگرسيون چند متغيري و به بيان دقيق تر بسط "مدل خطي کلي"(General linear model) است. که به پژوهشگر امکان مي دهد مجموعه اي از معادلات رگرسيون را به گونه هم زمان مورد آزمون قرار دهد. مدل يابي معادله ساختاري يک رويکرد جامع براي آزمون فرضيه هايي درباره روابط متغيرهاي مشاهده شده و مکنون است که گاه تحليل ساختاري کوواريانس، مدل يابي علّي و گاه نيز ليزرل(Lisrel) ناميده شده است اما اصطلاح غالب در اين روزها، مدل يابي معادله ساختاري يا به گونه خلاصه SEM است.(هومن ۱۳۸۴،۱۱)

 

از نظر آذر (۱۳۸۱) نيز يکي از قوي ترين و مناسب ترين روش هاي تجزيه و تحليل در تحقيقات علوم رفتاري و اجتماعي، تجزيه و تحليل چند متغيره است زيرا اين گونه موضوعات چند متغيره بوده و نمي توان آنها را با شيوه دو متغيري (که هر بار يک متغير مستقل با يک متغير وابسته در نظر گرفته مي شود) حل نمود.

«تجزيه و تحليل ساختارهاي کوواريانس» يا همان «مدل يابي معادلات ساختاري»، يکي از اصلي ترين روش هاي تجزيه و تحليل ساختار داده هاي پيچيده و يکي از روش هاي نو براي بررسي روابط علت و معلولي است و به معني تجزيه و تحليل متغيرهاي مختلفي است که در يک ساختار مبتني بر تئوري، تاثيرات همزمان متغيرها را به هم نشان مي دهد. از طريق اين روش مي توان قابل قبول بودن مدل هاي نظري را در جامعه هاي خاص با استفاده از داده هاي همبستگي، غير آزمايشي و آزمايشي آزمود.
● انديشه اساسي زيربناي مدل يابي ساختاري

يکي از مفاهيم اساسي که در آمار کاربردي در سطح متوسط وجود دارد اثر انتقالهاي جمع پذير و ضرب پذير در فهرستي از اعداد است يعني اگر هر يک از اعداد يک فهرست در مقدار ثابت K ضرب شود ميانگين اعداد در همان K ضرب مي شود و به اين ترتيب ، انحراف معيار استاندارد در مقدار قدر مطلق Kضرب خواهد شد. نکته اين است که اگر مجموعه اي از اعداد x با مجموعه ديگري از اعداد y از طريق معادله y=۴xمرتبط باشند در اين صورت واريانس y بايد ۱۶ برابر واريانس x باشد و بنابراين از طريق مقايسه واريانس هاي x و y مي توانيد به گونه غير مستقيم اين فرضيه را که y و x از طريق معادله y=۴x با هم مرتبط هستند را بيازماييد. اين انديشه از طريق تعدادي معادلات خطي از راه هاي مختلف به چندين متغير مرتبط با هم تعميم داده مي شود. هرچند قواعد آن پيچيده تر و محاسبات دشوارتر مي شود. اما پيام کلي ثابت مي ماند. يعني با بررسي واريانسها و کوواريانسهاي متغيرها مي توانيد اين فرضيه را که "متغيرها از طريق مجموعه اي از روابط خطي با هم مرتبط اند" را بيازماييد.
توسعه مدل هاي علّي و همگرايي روش هاي اقتصادسنجي، روان سنجي و...

توسعه مدل هاي علّي متغيرهاي مکنون معرف همگرايي سنتهاي پژوهشي نسبتا مستقل در روان سنجي، اقتصادسنجي، زيست شناسي و بسياري از روشهاي قبلا آشناست که آنها را به شکل چهارچوبي وسيع در مي آورد. مفاهيم متغيرهاي مکنون (Latent variables)(در مقابل متغيرهاي مشاهده شده (Observed variables)) و خطا در متغيرها، تاريخي طولاني دارد. در اقتصادسنجي آثار جهت دار هم زمان چند متغير بر متغيرهاي ديگر، تحت برچسب مدلهاي معادله هم زمان بسيار مورد مطالعه قرار گرفته است. در روان سنجي به عنوان تحليل عاملي و تئوري اعتبار توسعه يافته و شالوده اساسي بسياري از پژوهش هاي اندازه گيري در روانسنجي مي باشد. در زيست شناسي، يک سنت مشابه همواره با مدلهاي معادلات هم زمان (گاه با متغيرهاي مکنون) در زمينه نمايش و طرح برآورده در تحليل مسير سر و کار دارد.
● موارد کاربرد روش ليزرل:

روش ليزرل ضمن آنکه ضرايب مجهول مجموعه معادلات ساختاري خطي را برآورد مي کند براي برازش مدلهايي که شامل متغيرهاي مکنون، خطاهاي اندازه گيري در هر يک از متغيرهاي وابسته و مستقل، عليت دو سويه، هم زماني و وابستگي متقابل مي باشد طرح ريزي گرديده است. اما اين روش را مي توان به عنوان موارد خاصي براي روشهاي تحليل عاملي تاييدي، تحليل رگرسيون چند متغيري، تحليل مسير، مدلهاي اقتصادي خاص داده هاي وابسته به زمان، مدلهاي برگشت پذير و برگشت ناپذير براي داده هاي مقطعي/ طولي، مدلهاي ساختاري کوواريانس و تحليل چند نمونه اي (مانند آزمون فرضيه هاي برابري ماتريس کوواريانس هاي، برابري ماتريس همبستگي ها، برابري معادلات و ساختارهاي عاملي و غيره) نيز به کار برد.
● نرم افزار ليزرل:

ليزرل يک محصول نرم افزاري است که به منظور برآورد و آزمون مدلهاي معادلات ساختاري طراحي و از سوي "شرکت بين المللي نرم افزار علمي" (Scientific software international (www.ssicentral.com)به بازار عرضه شده است. اين نرم افزار با استفاده از همبستگي و کوواريانس اندازه گيري شده، مي تواند مقادير بارهاي عاملي، واريانسها و خطاهاي متغيرهاي مکنون را برآورد يا استنباط کند و از آن مي توان براي اجراي تحليل عاملي اکتشافي، تحليل عاملي مرتبه دوم، تحليل عاملي تاييدي و همچنين تحليل مسير (مدل يابي علت و معلولي با متغيرهاي مکنون) استفاده کرد.
● تحليل عاملي اکتشافي و تاييدي:

تحليل عاملي مي تواند دو صورت اکتشافي و تاييدي داشته باشد. اينکه کدام يک از اين دو روش بايد در تحليل عاملي به کار رود مبتني بر هدف تحليل داده هاست. در تحليل اکتشافي(Exploratory factor analysis) پژوهشگر به دنبال بررسي داده هاي تجربي به منظور کشف و شناسايي شاخص ها و نيز روابط بين آنهاست و اين کار را بدون تحميل هر گونه مدل معيني انجام مي دهد. به بيان ديگر تحليل اکتشافي علاوه بر آنکه ارزش تجسسي يا پيشنهادي دارد مي تواند ساختارساز، مدل ساز يا فرضيه ساز باشد.

تحليل اکتشافي وقتي به کار مي رود که پژوهشگر شواهد کافي قبلي و پيش تجربي براي تشکيل فرضيه درباره تعداد عامل هاي زيربنايي داده ها نداشته و به واقع مايل باشد درباره تعيين تعداد يا ماهيت عامل هايي که همپراشي بين متغيرها را توجيه مي کنند داده ها را بکاود. بنابر اين تحليل اکتشافي بيشتر به عنوان يک روش تدوين و توليد تئوري و نه يک روش آزمون تئوري در نظر گرفته مي شود.

تحليل عاملي اکتشافي روشي است که اغلب براي کشف و اندازه گيري منابع مکنون پراش و همپراش در اندازه گيري هاي مشاهده شده به کار مي رود. پژوهشگران به اين واقعيت پي برده اند که تحليل عاملي اکتشافي مي تواند در مراحل اوليه تجربه يا پرورش تستها کاملا مفيد باشد. توانشهاي ذهني نخستين ترستون ، ساختار هوش گيلفورد نمونه هاي خوبي براي اين مطلب مي باشد. اما هر چه دانش بيشتري درباره طبيعت اندازه گيري هاي رواني و اجتماعي به دست آيد ممکن است کمتر به عنوان يک ابزار مفيد به کار رود و حتي ممکن است بازدارنده نيز باشد.

از سوي ديگر بيشتر مطالعات ممکن است تا حدي هم اکتشافي و هم تاييدي باشند زيرا شامل متغير معلوم و تعدادي متغير مجهول اند. متغيرهاي معلوم را بايد با دقت زيادي انتخاب کرد تا حتي الامکان درباره متغيرهاي نامعلومي که استخراج مي شود اطلاعات بيشتري فراهم ايد. مطلوب آن است که فرضيه اي که از طريق روش هاي تحليل اکتشافي تدوين مي شود از طريق قرار گرفتن در معرض روش هاي آماري دقيق تر تاييد يا رد شود. تحليل اکتشافي نيازمند نمونه هايي با حجم بسيار زياد مي باشد.

در تحليل عاملي تاييدي(Confirmatory factor analysis) ، پژوهشگر به دنبال تهيه مدلي است که فرض مي شود داده هاي تجربي را بر پايه چند پارامتر نسبتا اندک، توصيف تبيين يا توجيه مي کند. اين مدل مبتني بر اطلاعات پيش تجربي درباره ساختار داده هاست که مي تواند به شکل: ۱) يک تئوري يا فرضيه ۲) يک طرح طبقه بندي کننده معين براي گويه ها يا پاره تستها در انطباق با ويژگي هاي عيني شکل و محتوا ، ۳)شرايط معلوم تجربي و يا ۴) دانش حاصل از مطالعات قبلي درباره داده هاي وسيع باشد.

تمايز مهم روش هاي تحليل اکتشافي و تاييدي در اين است که روش اکتشافي با صرفه ترين روش تبيين واريانس مشترک زيربنايي يک ماتريس همبستگي را مشخص مي کند. در حالي که روش هاي تاييدي (آزمون فرضيه) تعيين مي کنند که داده ها با يک ساختار عاملي معين (که در فرضيه آمده) هماهنگ اند يا نه.
● آزمون هاي برازندگي مدل کلي

با آنکه انواع گوناگون آزمون ها که به گونه کلي شاخص هاي برازندگي(Fitting indexes) ناميده مي شوند پيوسته در حال مقايسه، توسعه و تکامل مي باشند اما هنوز درباره حتي يک آزمون بهينه نيز توافق همگاني وجود ندارد. نتيجه آن است که مقاله هاي مختلف، شاخص هاي مختلفي را ارائه کرده اند و حتي نگارش هاي مشهور برنامه هاي SEM مانند نرم افزارهايlisrel, Amos, EQS نيز تعداد زيادي از شاخص هاي برازندگي به دست مي دهند.(هومن۱۳۸۴ ،۲۳۵) اين شاخص ها به شيوه هاي مختلفي طبقه بندي شده اند که يکي از عمده ترين آنها طبقه بندي به صورت مطلق، نسبي و تعديل يافته مي باشد. برخي از اين شاخص ها عبارتند از:

● شاخص هاي GFI وAGFI

شاخص GFI (Goodness of fit index )مقدار نسبي واريانس ها و کوواريانس ها را به گونه مشترک از طريق مدل ارزيابي مي کند. دامنه تغييرات GFI بين صفر و يک مي باشد. مقدار GFI بايد برابر يا بزرگتر از ۹۰/۰باشد.

شاخص برازندگي ديگر (Adjusted Goodness of Fit Index)AGFI يا همان مقدار تعديل يافته شاخص GFI براي درجه آزادي مي باشد. اين مشخصه معادل با کاربرد ميانگين مجذورات به جاي مجموع مجذورات در صورت و مخرج (۱- GFI) است. مقدار اين شاخص نيز بين صفر و يک مي باشد. شاخص هاي GFI و AGFI را که جارزکاگ و سوربوم (۱۹۸۹) پيشنهاد کرده اند بستگي به حجم نمونه ندارد.

● شاخص RMSEA

اين شاخص , ريشة ميانگين مجذورات تقريب مي باشد. شاخص (Root Mean Square Error of Approximation)RMSEAبراي مدل هاي خوب برابر ۰.۰۵ يا کمتر است. مدلهايي که RMSEA آنها ۰.۱ باشد برازش ضعيفي دارند.

● مجذور کاي

آزمون مجذور کاي (خي دو) اين فرضيه را مدل مورد نظر هماهنگ با الگوي همپراشي بين متغيرهاي مشاهده شده است را مي آزمايد، کميت خي دو بسيار به حجم نمونه وابسته مي باشد و نمونه بزرگ کميت خي دو را بيش از آنچه که بتوان آن را به غلط بودن مدل نسبت داد, افزايش مي دهد. (هومن.۱۳۸۴. ۴۲۲).

● شاخصNFI وCFI:

شاخصNFI (که شاخص بنتلر-بونت هم ناميده مي شود) براي مقادير بالاي ۹۰/۰ قابل قبول و نشانه برازندگي مدل است. شاخص CFIبزرگتر از ۹۰/۰ قابل قبول و نشانه برازندگي مدل است. اين شاخص از طريق مقايسه يک مدل به اصطلاح مستقل که در آن بين متغيرها هيچ رابطه اي نيست با مدل پيشنهادي مورد نظر، مقدار بهبود را نيز مي آزمايد. شاخص CFIاز لحاظ معنا مانند NFI است با اين تفاوت که براي حجم گروه نمونه جريمه مي دهد.

شاخص هاي ديگري نيز در خروجي نرم افزار ليزرل ديده مي شوند که برخي مثلAIC, CAIC ECVA , براي تعيين برازنده ترين مدل از ميان چند مدل مورد توجه قرار مي گيرند براي مثال مدلي که داراي کوچکترين AIC,CAIC,ECVA باشد برازنده تر است.(هومن۱۳۸۴ ،۲۴۴-۲۳۵) برخي از شاخص ها نيز به شدت وابسته حجم نمونه اند و در حجم نمونه هاي بالا مي توانند معنا داشته باشند.

منبع :aftab.ir



نوشتن دیدگاه


تصویر امنیتی
تصویر امنیتی جدید

 

 

 saman

جستجوی پیشرفته

درباره Conference.ac

Conference.ac سامانه تخصصی اطلاع رسانی و نمایه سازی کنفرانس ها همایش ها و سمینار های ملی و بین المللی

فراخوان کنفرانس, فراخوان همایش, فراخوان مقاله