تیتر خبرها
MPLUS

مدلیابی معادلات ساختاری

مدلیابی معادلات ساختاری

مدليابي معادلات ساختاري يك روش منفرد آماري نيست؛ بلكه به خانواده اي از فرآيندهاي مرتبط اطلاق ميشود و در ادبيات موجود، معادلهاي متفاوتي از جمله تحليل ساختار كوواريانس، مدليابي ساختار كوواريانس و مدليابي عليتي نيز براي معرفي آن به كار رفته است.

دليل كاربرد وسيع و محبوبيت اين تكنيک در بين پژوهشگران علوم اجتماعی اين است كه علاوه بر فراهم نمودن يك روش كمي براي آزمون نظريه،بر دشواري تحليل روابط بين متغيرها در پژوهشهاي انساني فائق آمده و برخلاف مدلهاي خطي مورداستفاده در روشهاي سنتي (همانند رگرسيون چندگانه)،قادر است خطاي اندازه گيري را نيز برآورد نمايد.

با اين وجود پژوهشگران نياز دارند تا قبل از به كارگيري این تكنيك، اطلاعات وسيعي را در مورد روابط بين متغيرهاي تحت مطالعه در اختيار داشته باشند؛ از جمله اين كه كدام متغير/متغيرها بر كدام يك از متغير/متغيرهاي ديگر تأثير ميگذارند و جهت اين تأثيرگذاري چگونه است. اين يك امر ساده نيست؛ به ويژه اين كه برخي از متغيرهاي مورد علاقه و استفاده پژوهشگر در مدل پيشنهادي، به طور مستقيم قابل مشاهده و اندازه گيري نيستند؛ و پژوهشگر مجبور (يا علاقه مند) است كه اندازه هاي مربوط به اين متغيرهاي مكنون يا پنهان variables Latent  يا عاملها (Factors) و يا به اصطلاح ديگر، سازه ها (Constructs )را از روي تعداد بيشتري از متغيرهاي قابل مشاهده  (Indicators) شاخصها يا Observable variables برآورد نمايد. تكنيكهاي آماريSEM از طريق محاسبه واريانس مشترک يا عمومي بين متغيرهاي آشكار اين كار را انجام مي دهند. در واقع محاسبه واريانس يا تغيير اندازه متغيرها، زيربناي بسياري از تكنيكهاي آماري است. به عنوان مثال پژوهشگر در يك مطالعه تجربي علاقمند است با ايجاد تغيير در متغير مستقل، ميزان تغييرات ايجاد شده در متغير وابسته را برآورد نمايد.

در تكنيک مدليابي معادلات ساختاري پژوهشگر با مشاهده و محاسبه تغييرات همزمان (واريانس مشترك) چند متغير قصد دارد نتيجه بگيرد كه احتمالاً عامل مشتركي تبيين كننده اين تغييرات همزمان است. در واقع واريانس مشترك در يك شاخص، بخشي از واريانس است كه با ساير شاخصها در اشتراك بوده و توسط يك يا چند عامل تبيين ميگردد.

با اين وجود پژوهشگر هميشه نميتواند به راحتي قضاوت كند كه تغييرات يك يا چند متغير مشخص تبيين كننده واريانس در متغير يا متغيرهاي موردنظر است؛ چرا كه در مطالعات مربوط به علوم انساني متغيرهاي بيشماري وجود دارند كه ممكن است از چشم پژوهشگر پنهان مانده و حتي ناشناخته بوده و تبيين كننده واريانس در متغيرهاي مطلوب باشند. لبته چالش ديگري نيز وجود دارد، اين كه غالباً اندازه گيري متغيرهاي انساني همانند مهارتهاي ارتباطي با درجاتي از خطا همراه است كه ممكن است مربوط به ابزار اندازه گيري، خطاي پژوهشگر و يا تأثير عوامل ناشناخته باشد.

از اين منظر ميتوان واريانس مربوط هر شاخص يا متغير آشكار را به دو بخش شامل الف)واريانس عمومي و ب)واريانس انحصاري variance Unique آن شاخص تقسيم نمود؛ كه خود شامل تركيبي از واريانس واقعي و واريانس خطا در شاخص اندازه گيري شده است. مدليابي معادلات ساختاري و تكنيكهاي زير مجموعه همانند تحليل عاملي نقش تفكيك واريانس مربوط به هر شاخص را به عهده دارد.اين گونه عمليات با استفاده از نرم افزارهاي مختلفي از جمله AMOS ،LISREL،PLS صورت می گیرد.

اطلاعات مورد نياز براي تحليل در قالب پارامترهاي مدل در اختيار نرم افزار قرار داده ميشوند. پژوهشگراني كه قصد استفاده از تكنيك مدليابي معادلات ساختاري را دارند لازم است به خوبي با اين مفهوم آشنا باشند. پارامترهاي مدل شامل ويژگيهايي از جامعه انساني است كه قرار است در تحليل، برآورد شده و آزمون گردند.نرم افزار، پارامترهاي آشكار كه توسط پژوهشگر فراهم شده را به كار ميبرد تا پارامترهاي مكنون را با استفاده از آنها برآورد نمايد. پارامترهاي آشكار شامل ويژگيهايي هستند كه پژوهشگر از نمونه ها جمع آوري كرده و پارامترهاي مكنون نيز ويژگيهايي هستند كه پژوهشگر انتظار دارد مدل طراحي شده وبرازش يافته با داده ها، آنها را نشان دهد.

روابط بين متغيرهاي مكنون و متغيرهاي آشكار در مدل از جمله پارامترهاي موسوم به بارهاي عاملي هستند كه شامل ضرايب رگرسيوني براي پيش بيني متغيرهاي آشكار با استفاده از متغيرهاي مكنون هستند. پارامتر ديگر شامل واريانس عامل است كه همان واريانس مربوط به هر عامل در داده هاي حاصل از نمونه گيري است. پارامتر ديگر نيز شامل واريانس خطا  است كه نشان ميدهد تغييرات مشاهده شده در متغيرهاي آشكار علاوه بر تأثير اعمال شده از طرف عامل مشترك، متأثر از ساير عوامل ناشناخته است. همچنين روابط (همبستگي يا كوواريانس) بين عاملها از ديگر پارامترها هستند.

تحليل مدل غالباً روي ماتريس واريانس-كوواريانس به عنوان ورودي تحليل صورت ميگيرد كه توسط نرم افزار از داده هاي خام وارد شده، توليد ميگردد خروجي تحليل نيز پارامترهاي برآورد شدهاي هستند كه حاصل برازش يافتن دادههاي ورودي با مدل مشخص شده توسط پژوهشگر است.

از آنجايي كه پارامترهاي مدل (يا همان پارامترهاي مكنون) بايد از روي پارامترهاي آشكار (ماحصل تحليل اوليه نرم افزار روي داده هاي خام) برآورد گردند، لازم است تعداد پارامترهاي آشكار بيش از تعداد پارامترهاي مكنون باشند؛ يا به عبارت ديگر مدل بايد مشخص (Identified )باشد؛ در غير اين صورت لازم است پژوهشگر در مدل خود تجديدنظر نمايد.گامهاي كلي كه پژوهشگران براي اجراي اين روش لازم

است دنبال نمايند، شامل الف) قالب بندي مطالعه، ب) كنترل از نظر برقرار بودن مفروضات اجراي مدل معادله ساختاري، ج) بررسي برازش و اصلاح مدل، و د) تفسير مناسب يافته ها هستند.

 

درباره ی admin

دیدگاهتان را بنویسید

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