موارد استفاده مدل يابي معادلات ساختاري:

موارد استفاده مدل يابي معادلات ساختاري:

مدل يابي معادلات ساختاري را مي توان در جهت مقاصد پژوهشي ذيل به کار برد:

1- مدل يابي علي يا تحليل مسير: پارامترهاي حاصل از تحليل رگرسيون دست کم در سه موقعيت اساسي زير نمي تواند اطلاعات لازم را فراهم آورد:

وقتي متغيرهاي مشاهده شده حاوي خطاهاي اندازه گيري و بين متغيرهاي واقعي روابط جالب و بدون تورش وجود داشته باشد.

وقتي بين متغيرهاي مشاهده شده روابط درهم تنيده جريان علي وجود داشته باشد.

وقتي متغيرهاي مهم تبيين شده مشاهده نشده باشد.

اما توابع ساختاري مي تواند در همه موقعيت هاي بالا نقش مهم و سازنده اي ايفا کند. علوم اجتماعي و رفتاري بر خلاف علوم طبيعي، به ندرت به تجزيه و تحليل دقيق در شرايط کنترل شده دستيابي دارد. در اين علوم، استنباط روابط علي بر پايه مطالعاتي صورت مي گيرد که در آنها مدل ها و در قالب سازه هاي نظري که مستقيما مشاهده پذير و اندازه پذير نيست، بيان مي شود.

اما براي عملياتي کردن و اندازه گيري متغيرهاي نظري مي توان از شاخص ها يا نشانه هايي که نشانگر ناميده مي شود، استفاده کرد. استنباط هاي علي به واقع به مسيرهايي بستگي دارد که طرح مطالعه مشخص کرده است.

2- تحليل عاملي تاييدي: اين روش که به واقع بسط تحليل عاملي معمولي است، يکي از جنبه هاي مهم SEM است، که در آن فرضيه هاي معيني درباره ساختارهاي بارهاي عاملي و همبستگي هاي متقابل بين متغيرها مورد آزمون قرار مي گيرد. از لحاظ سنتي، تحليل عاملي با آشکار ساختن ابعاد زيربنايي يا واريانس عامل مشترک در مجموعه اي از پرسش ها يا سوال هاي تستي سروکار دارد.

براي معرفي يک سازه نظري، معمولا مجموعه اي از پرسش ها تهيه مي شود و تحليل عاملي به تدوين شاخصي که در پژوهش به کار مي رود، کمک خواهد کرد. براي معرفي ابعاد زيربنايي سازه مورد نظر، تحليل عاملي مي تواند يک يا چند عامل را آشکار سازد. برپايه نتايج تحليل عاملي مي توان گفت که يک سازه، تک بعدي يا چندبعدي است.

به اين رويکرد، در حال حاضر، به سبب آنکه داراي ماهيت اکتشافي است و نه ماهيت آزمون فرضيه، تحليل عاملي اکتشافي گفته مي شود. عامل چون در تحليل عاملي مشاهده ناپذير است، متغير مکنون خوانده مي شود، که در تحليل عاملي، پيش بيني کننده پاسخ ها در متغيرهاي اندازه گرفته شده و مشاهده شده است، به واقع، روايي يک تحليل عاملي تا حدودي از طريق تعيين اين مطلب مشخص مي شود که عامل ها با چه دقتي واريانس موجود در پرسش هاي انفرادي را توجيه مي کنند. يعني، چقدر از واريانس موجود در پرسش ها با عامل ها اشتراک دارد.

مدلي يابي معادله ساختاري، علاوه بر تحليل اکتشافي، تحليل عاملي تاييدي را نيز به کار مي برد. اين تحليل اساسا يک روش آزمون فرضيه است، و بر اين مفروضه متکي است که شما درباره اينکه مولفه متغيرهاي مکنون چيست انديشه اي داريد؛يعني به دنبال يافتن نشانگرها نيستيد. SEM اين مطلب را که آيا نشانگرهايي که براي معرفي سازه يا متغير مکنون خود برگزيده ايد، واقعا معرف آن است يا نه، مي آزمايد و گزارش مي دهد که نشانگرهاي انتخابي با چه دقتي معرف يا برازنده متغيرمکنون است. براي بهبود برازندگي، نشانگرها با متغير مکنون نيز راه هايي پيشنهاد مي کنند.

3- تحليل عاملي مرتبه دوم: صورتي از تحليل عاملي است که در آن خود ماتريس همبستگي عامل هاي مشترک تحليل مي شود تا عامل هاي مرتبه دوم به دست آيد.

4- مدل هاي مختلف رگرسيون: بسط تحليل رگرسيون خطي که در آن وزن هايي رگرسيون ممکن است مقيد به تساوي با يکديگر باشد، يا برابر با مقادير عددي معيني قرار داده شود. SEM مقايسه ضرايب رگرسيون، واريانس ها، ميانگين ها حتي با گروه هاي بين آزمودني ها چندگانه را به گونه هم زمان امکان پذير مي سازد.

5- مدل هاي ساختاري کوواريانس: اين فرضيه را که يک ماتريس کوواريانس داراي شکل به خصوصي است آزمون مي کند. براي مثال، مي توانيد اين فرضيه را که مجموعه اي از متغيرها داراي واريانس هاي برابر هستند بيازماييد.

6- مدل هاي ساختاري همبستگي: اين فرضيه را که يک ماتريس همبستگي داراي شکل به خصوصي است آزمون مي کند. براي مثال، مي توانيد اين فرضيه کلاسيک را که ماتريس همبستگي داراي ساختار دوري است، بيازماييد.

اصطلاحات مدل يابي ساختاري:

مدل يابي معادلات ساختاري بر پايه فرضيه هايي درباره وجود روابط علي بين متغيرها، مدل هاي علي را با دستگاه معادله خطي آزمون مي کند. بدين ترتيب، SEM، روابط نظري بين شرايط ساختاري معين و مفروض را مي آزمايد و برآورد روابط علي ميان متغيرهاي مکنون (مشاهده نشده) و نيز روابط ميان متغيرهاي اندازه گيري شده (مشاهده شده) را امکان پذير مي سازد.

متغيرهاي مستقل که فرض بر آن است بدون خطا اندازه گيري مي شوند، متغيرهاي برونزا يا جريان دهنده و متغيرهاي وابسته يا ميانجي متغيرهاي درونزا يا جريان گيرنده ناميده مي شوند. متغيرهاي آشکار آشکار يا مشاهده شده به گونه مستقيم به وسيله پژوهشگر اندازه گيري مي شود، در حالي که متغيرهاي مکنون يا مشاهده نشده به گونه مستقيم اندازه گيري نمي شود، بلکه بر اساس روابط يا همبستگي هاي بين متغيرهاي اندازه گيري شده استنباط مي شوند. اين برآورد آماري به همان طريق که يک تحليل عاملي اکتشافي حضور عامل هاي مکنون را از واريانس مشترک بين متغيرهاي مشاهده شده استنباط مي کند، به دست مي آيد.

بنابر آنچه گفته شد، مدل معادله ساختاري شامل دو مؤلفه است: مدل اندازه گيري که در آن متغيرهاي مکنون پيشنهاد و از طريق تحليل عاملي تاييدي آزمون مي شود و مدل ساختاري که در آن متغيرهاي مکنون و نيز متغيرهاي مشاهده شده اي که نشانگر متغيرهاي مکنون است از يک راه منطقي با هم مرتبط مي شود.

کاربران SEM روابط ميان متغيرهاي مشاهده شده و مشاهده نشده را با استفاده از نمودار مسير نشان مي دهند. اين نمودار که نقش اساسي در مدل يابي ساختاري بازي مي کند، مانند فلوچارت هاي رايانه اي است، که متغيرهايي را که با خطوط بيانگر جريان علي باهم متصل شده اند، نشان مي دهد. نمودار مسير را مي توان به عنوان وسيله اي براي نمايش اين مطلب در نظر گرفت که کدام متغيرها موجب تغييراتي در متغيرهاي ديگر مي شود. همه متغيرهاي مستقل داراي پيکان هايي اند که به سوي متغير وابسته نشانه مي روند. ضريب وزني بالاي پيکان قرار مي گيرد.

مفروضه هاي مدل معادله ساختاري:

مدل يابي معادله ساختاري، بسط انعطاف پذير و قدرتمند مدل خطي کلي است، و بنابراين مانند هر روش آماري، داراي شماري از مفروضه هاست که بايد صادق بوده يا دست کم به گونه تقريب برقرار باشد، تا نسبت به نتايج آن اطمينان حاصل شود. دو مسئله اساسي، يعني حجم گروه نمونه و کار با داده هاي گمشده مي باشد.

حجم منطقي گروه نمونه:

بر پايه پيشنهاد جميز استيونس در نظر گرفتن پانزده مورد براي هر متغير پيش بين در تحليل رگرسيون چندگانه با روش معمولي کمترين مجذورات استاندارد، يک قاعده سرانگشتي خوب به شمار مي آيد. چون SEM در برخي جنبه ها کاملا مرتبط با رگرسيون چند متغيري است، تعداد 15 مورد به ازاي هر متغير اندازه گيري شده در SEM غير منطقي نيست.

لوهلين نتايج مطالعات مشابه مونت کارلو را با استفاده از مدل هاي تحليل عاملي تاييدي گزارش کرده و پس از بررسي پيشينه هاي پژوهش نتيجه مي گيرد که براي اين طبقه از مدل ها با دو يا چهار عامل، پژوهشگر بايد روي گردآوري دست کم 100 مورد يا بيش از آن 200 مورد برنامه ريزي کند. کاربرد نمونه هاي کوچکتر مي تواند موجب عدم حصول همگرايي، به دست آمدن جواب هاي نامناسب و يا دقت پايين برآورد پارامترها و به ويژه خطاهاي استاندارد شود. خطاي استاندارد برنامه SEM بر پايه مفروضه نمونه هاي بزرگ محاسبه مي شود. زماني که توزيع داده ها نرمال نبوده يا کجي داشته باشد، گروه هاي نمونه با حجم بزرگتر مورد نياز است. پيشنهاد کلي آن است که تا حد امکان داده هاي بيشتري به دست آوريد.

داده هاي کامل يا کاربرد مناسب داده هاي ناکافي:

چنانچه براي تحليل، از داده هاي ورودي خام استفاده شود، اين داده ها بايد کامل و بدون مقادير گمشده باشند. براي کار با داده هاي ناکامل، چندين راه حل پيش تجربي وجود دارد. حذف ليستي که در آن همه نمره هاي مربوط به داده هاي گمشده حذف مي شود و حذف زوجي که در آن همبستگي دو متغيري فقط براي مواردي که داده هاي آن کامل وجود دارد محاسبه مي شود، از راه حل هاي متداول براي کار با مقادير گمشده است. روش ديگر پيش تجربي براي داده گمشده، جايگزين ساختن اين داده ها با ميانگين متغير مربوط است.

تدوين مدل:

مدل، به گونه ساده يک گزاره آماري درباره روابط ميان متغيرهاست. تحليل مسير مثال خوبي براي مدل، و تدوين مدل، تمريني براي بيان رسمي مي کمدل است. ترجمه مشهود و آشکار نظريه به صورت معادلات رياضي انجام مي پذيرد. اين مدل از طريق نمايش متغيرهاي مستقل و وابسته به ترسيم نمودار مسير کمک مي کند.

متغيرهاي مستقل اغلب متغيرهاي برونزا خوانده مي شود، يعني علل آنها خارج از مدل تعيين مي گردد. متغيرهاي وابسته اغلب متغيرهاي درونزا خوانده مي شود، زيرا فرض مي شود که علت آنها از درون مدل تعيين مي شود.

تدوين مدل در SEM، گام عمده اي است که در فرايند آن بايد سازه هاي مربوط، مکنون و مشاهده شده و روابط بين سازه ها مشخص گردد. در مدل بايد اصل اقتصاد و صرفه جويي نيز رعايت شود، و ضرورتي ندارد که شمامل هر متغير علي ممکن باشد. گنجانيدن سازه هاي بيش از اندازه در مدل مي توند موجب آزمون ناپذيري آن شود، و اگر سازه هاي مهمي را حذف کنيد، خطر توليد يک مدل نامناسب کاذب را به جان خريده ايد. نکته مهم آن است که مدل شما بايد انديشه ها و مفاهيم نظري مورد علاقه شما را به خوبي منعکس سازد.

تجربه نشان داده است که به سادگي نمي توانيد تنها به خاطر آنکه چيزي را ببينيد يک مدل را به کار ببريد، بلکه بايد نظريه خوبي در دست داشته باشيد. عمل تدوين مدل، انتخاب نشانگرها براي متغيرهاي مکنون را نيز در بر مي گيرد. به عنوان يک قاعده کلي، براي يک سازه مکنون، بايد نشانگرهاي چندگانه داشته باشيد. اين موضوع هم دليل منطقي و هم دليل آماري دارد. يک سازه پيچيده وقتي از طريق نشانگرهاي چندگانه تسخير شود، معتبرتر و رواتر است. براي هر متغير مکنون سه نشانگر يا بيشتر توصيه مي شود.

تدوين مدل شامل فرمول بندي گزاره هايي درباره پارامترها نيز مي باشد. پارامتر ضريب عددي است که رابطه بين سازه ها را توصيف مي کند. تعيين پارامترها اين مطلب را که روابط داراي يک جهت يا چند جهت است يا نه نيز شامل مي شود.

محسن مرادی