مدل سازی معادلات ساختاری

این ناهمگنی در جامعه مورد مطالعه اغلب به خاطر وجود ادراکات و برداشت های متفاوت افراد مختلف از از موضوعات متفاوت است و اغلب در تحقیقات نگرش سنجی در مدیریت، بازاریابی و علوم اجتماعی و روانشناسی و غیره کاملا ملموس است. رویکرد FIMIX جامع ترین و رایج ترین رویکرد برای برخورد با ناهمگنی در مدل سازی مسیری PLS است.

رویکرد واریانس محور دومین نسل از روش های مدل سازی معادلات ساختاری، زوایای پنهان و محدودیت های نسل اول معادلات ساختاری یعنی رویکرد کواریانس محور را به چالش کشیده و افق های تازه ای در رشته هایی که از این روش پیشرفته آماری استفاده می کنند را ترسیم می کند. در این مقاله دلایل استفاده از این رویکرد بیان می شود.

۱. کاربرد الگوسازی معادلات ساختاری به عنوان یک بازی آماری به جای آزمون یک نظریه: هنوز در خیلی از تحقیقات مشاهده می‌شود که محقق از الگو سازی معادلات ساختاری بدون الگوی نظری قوی استفاده می‌کند. زمانی این روش مورد استفاده باید قرار گیرد که محقق الگوی نظری با استدلال های کافی در اختیار دارد و می‌تواند با استفاده از دلایل قوی و با بهره گیری از گزاره‌های حاصل از نظریه‌ها و تحقیقات با پشتوانه تجربی کاقی از الگوی نظری خود دفاع کند. به عبارتی دیگر کاربرد اصلی این تکنیک عمدتاً زمانی است که رویکرد تاییدی مد نظر است تا اکتشافی.

متاسفانه مدل هایی که با رویکرد واریانس محور از طریق نرم افزار های خانواده PLS مورد بررسی قرار می گیرند فاقد شاخصی کلی برای نگاه به مدل به صورت یکجا هستند. در این مقاله بررسی میکنیم که در رویکرد واریانس محور برای حل این مشکل چه راهکاری داریم.

مدل MIMIC در مدل سازی معادلات ساختاری ترکیبی از مدل های انعکاسی و ترکیبی است که به مدل های ساختاری با معرف های چندگانه و علل چند گانه شهرت دارد.

آرکوبل AMOS را برنامه ای توصیف می کند که برای کاربرد ساده طراحی شده است و خصیصه اصلی آن این است که مدل سازی معادله ساختاری را به شیوه ای ترسیمی ارائه می دهد به نحوی که می توان به سرعت مدل ها را تعریف ، محاسبات را انجام و در صورت نیاز آنها را به سادگی اصلاح کرد.در این نرم افزار جعبه ابزاری وجود دارد که به کاربر در ترسیم انواع نمادها یاری رسانده و به خوبی امکان تغییر و اصلاح مدل ترسیم شده را فراهم می آورد. Amos در ابتدا با این هدف طراحی شد ه که به امر آموزش مدل سازی معادله ساختاری یاری رساند و شاید به همین دلیل است که تقریبا هیچ پیش فرضی در مدل ترسیم شده وجود ندارد و همه چیز باید توسط کاربر تعریف شود.این چنین خصیصه ای هر چند در ابتدا ممکن است در ابتدا مشکل ساز به نظر برسد اما در واقع پس از انجام چند تمرین کاربر به خوبی با انواع پارامترهای موجود در یک مدل تدوین شده آشنا می شود.موضوعی که در LISREL به علت پیش فرض بودن بسیاری از پارامترها اتفاق نمی افتد.

فرایند تجزیه وتحلیل ساختارهای کوواریانسی شامل یک سری گام هایی است که به محقق توصیه می شود که حتماً به صورت متوالی این گامها را انجام دهد.