تیتر خبرها

نرم افزار های مورد استفاده برای مدل سازی معادلات ساختاری

نرم افزار های  مدل سازی معادلات ساختاری

یکی از اهداف اصلی تکنیک های چند متغیره مانند رگرسیون چند متغیری، تحلیل عاملی، تحلیل واریانس چند متغیری و روش هایی نظیر آن، گسترش توانایی تبیینی محقق و افزایش کارآیی آماری است. این روش ها اگر چه ابزار قدرتمندی برای محقق به شمار می روند، ولی همگی دارای محدودیت مشترکی هستند: هر یک از این تکنیک ها می توانند در هر بار فقط یک رابطه مجزا را بررسی کنند.

ولی در خیلی از موارد، محقق با مجموعه ای از پرسش های به هم پیوسته روبرو است. که برای پاسخگویی به تمامی این سوالات نیاز به بررسی روش مدل یابی معادلات ساختاری است که از بسط و توسعه مجموعه ای از تکنیک هایی چند متغیری نظیر رگرسیون چند متغیری و تحلیل عاملی شکل گرفته است.

مدل یابی معادلات ساختاری به بررسی مجموعه ای از روابط وابسنگی به طور همزمان می پردازد. استفاده از این روش، به ویژه زمانی مفید است که یک متغیر وابسته در روابط وابستگی بعدی تبدیل به یک متغیر مستقل می شود. این مجموعه روابط، اساس مدل یابی معادلات ساختاری را تشکیل می دهد.(کلاین،2011)

LISREL، EQS، AMOS ،PLS چهار مورد از پرکاربردترین نرم­ افزارهای مدل­سازی معادلات ساختاری هستند که سه نرم­ افزار LISREL، AMOS و EQS متعلق به نسل اول معادلات ساختاری یعنی نسل کواریانس محورها (Covariance-Base) و نرم افزار های PLS که خود چند نوع هستند، جزو نسل دوم معادلات ساختاری یعنی نسل مولفه محورها (Component-Base) می باشند.

 نسل اول روش­های مدل­سازی معادلات ساختاری (Covariance-based SEM Techniques)

این روش­ها که به روش­های کواریانس محور معروف هستند، توسط جورسگوک (1969) معرفی شدند. هدف اصلی این روش­ها تأیید مدل است که برای این کار به نمونه ­هایی با حجم بالا نیاز دارند. در این روش به تخمین ضرایب مسیرها و بارهای عاملی با استفاده از به حداقل رساندن تفاوت بین ماتریس­های واریانس-کواریانس مشاهده شده و پیش­بینی شده می­ پردازند.

ماتریس واریانس-کواریانس مشاهده شده توسط واریانس و کواریانس محاسبه شده بین متغیرهای مکنون به دست می­ آید. پرکاربردترین رویکرد محاسبه ضرایب در روش­های نسل اول، رویکرد تخمین حداکثر احتمال است که نیاز به داده­ های مربوط به متغیرهای مشاهده شده (سوال­ها) دارد که این متغیرها حتما باید از توزیع نرمال پیروی کرده باشند.

 

نسل دوم روش­های مدل­سازی معادلات ساختاری (Component-based SEM Techniques)

روش­های مولفه محور که بعدا به روش حداقل مربعات جزئی تغییر (Partial Least Squares) تغییر نام دادند، توسط ولد (1974) ابداع شد. این روش از دو مرحله تشکیل شده است: 1) سنجش مدل های اندازه گیری با معیارهای مربوط به پایایی و روایی . 2) سنجش بخش ساختاری با استفاده از ضرایب t.

طی سالهای اخیر استفاده از روش PLS و نرم افزارهای مربوط به اون نسبت به روش های نسل اول و نرم افزارهای نسل اول مثل لیزرل، آموس و ای کیو اس، بیشتر شده و این به خاطر مزیت هایی است که روش PLS نسبت به روش نسل اول دارد. این رویکرد به جای باز تولید ماتریس کوواریانس تجربی، بر بیشینه سازی واریانس متغیرهای وابسته که توسط متغیرهای مستقل پیش بینی نی شوند تمرکز دارد.

این رویکرد همانند رویکرد لیزرل، از بخش ساختاری که نمایانگر روابط بین متغیرهای پنهان، و بخش اندازه گیری که نشانگر روابط متغیرهای پنهان با نشانگرهایشان است، تشکیل شده است. در رویکرد (PLS) بخش ساختاری، ندل درونی (Inner model) و بخش اندازه گیری مدل بیرونی (Outer model) نام دارد. اما رویکرد (PLS) علاوه بر این دو بخش دارای بخش سومی نیز می باشد، که نسبت های وزنی(Weight relations) نام دارد.

این بخش جهت برآورد مقادیر موردها(Case value) برای متغیرهای پنهان مورد استفاده قرار می گیرد (نمرات افراد در متغیرهای مکنون)، (چین، 1988). برخلاف رویکرد مبتنی بر کوواریانس که ابتدا پارامترهای مدل برآورده شده و سپس مقادیر موردها از طریق برگشت دادن آنها به مجموعه تمام نشانگرها، برآورد می شود(مانند مقادیر برآورد شده برای هر متغیر پنهان در هر مجموعه از داده ها)، در رویکرد (PLS) ابتدا مقادیر موردها محاسبه می شود. (امانی و دیگران، 1390:45).

مقایسه دو رویکرد واریانس محور و کواریانس محور را در جدول زیر می بینیم. از این طریق می توان روش مناسب را برای انجام فرایند تجزیه و تحلیل پژوهش خویش برگزید.

کواریانس محور

حداقل مربعات جزئی

مورد

تعمیم پذیری

پیش بینی

هدف پژوهش

کواریانس محور

واریانس محور

روش

نرمال

نرمال یا غیر نرمال

توزیع داده ها

برآورد پارامتر و تایید فرضیات موجود

پیش بینی و توسعه مدل جدید

کاربرد

کم تا متوسط

زیاد

میزان پیچیدگی مدل

200 به بالا

30 به بالا

حجم نمونه

حداقل 3

حداقل 1

تعداد سوالات

به دلیلی حداقل نمونه بالا زیاد است.

در نمونه کم، ضعیف است

قابلیت تعمیم پذیری

 

درباره ی admin

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *