اندیشه اساسی زیر بنای مدل یابی ساختاری

اندیشه اساسی زیر بنای مدل یابی

اندیشه اساسی زیر بنای مدل یابی : چنان که پیش تر نیز اشاره شد ، فرض براین است که شما با مفاهیم مقدماتی آمار ،مانند واریانس ، کوواریانس و همبستگی آشنا هستید. قبل از آنکه بکوشید مدل یابی ساختاری را به کار ببرید ، مطلوب است که تا حد زیادی با تحلیل عاملی آشنا باشید ، زیرا یک مدل کامل معدله ساختاری در واقع بیانگر آمیزه ای از نمودار مسیر و تحلیل عاملی تاییدی است.

یکی از مفاهیم اساسی که در آمار کاربردی در سطح متوسط وجود دارد اثر انتقالهای جمع پذیر و ضرب پذیر در فهرستی از اعداد است یعنی اگر هر یک از اعداد یک فهرست در مقدار ثابت K ضرب شود میانگین اعداد در همان K ضرب می شود و به این ترتیب ، انحراف معیار استاندارد در مقدار قدر مطلق Kضرب خواهد شد. نکته این است که اگر مجموعه ای از اعداد x با مجموعه دیگری از اعداد y از طریق معادله Y=4Xمرتبط باشند در این صورت واریانس y باید ۱۶ برابر واریانس x باشد و بنابراین از طریق مقایسه واریانس های x و y می توانید به گونه غیر مستقیم این فرضیه را که y وx از طریق معادله y=4x با هم مرتبط هستند را بیازمایید.

این اندیشه از طریق تعدادی معادلات خطی از راه های مختلف به چندین متغیر مرتبط با هم تعمیم داده می شود. هرچند قواعد آن پیچیده تر و محاسبات دشوارتر می شود. اما پیام کلی ثابت می ماند. یعنی با بررسی واریانس ها و کوواریانس های متغیرها می توانید این فرضیه را که “متغیرها از طریق مجموعه ای از روابط خطی با هم مرتبط اند” را بیازمایید.

ایده اساسی زیربنای مدلسازی ساختاری

در هسته آن، ایده اصلی زیربنای مدل‌سازی ساختاری، از جمله تکنیک‌هایی مانند مدل‌سازی معادلات ساختاری (SEM)، نمایش و تحلیل روابط پیچیده بین متغیرها به شیوه‌ای منظم و سازمان‌یافته است. هدف مدل‌سازی ساختاری کشف الگوهای زیربنایی تأثیر و ارتباط بین متغیرها، اعم از مشاهده شده و مشاهده نشده، برای درک بهتر ساختار یک چارچوب نظری یا یک پدیده دنیای واقعی است.

در اینجا مفاهیم اساسی که اساس مدل سازی ساختاری را تشکیل می دهند آورده شده است:

روابط علّی: مدلسازی ساختاری فرض می کند که متغیرها در یک سیستم می توانند به طرق مختلف بر یکدیگر تأثیر بگذارند. این تأثیرات می توانند مستقیم یا غیرمستقیم باشند و اغلب روابط علی را منعکس می کنند. هدف مدل‌سازی ساختاری کمی کردن و نمایش این مسیرهای علی است.

متغیرهای پنهان: بسیاری از مفاهیم دنیای واقعی مانند هوش، نگرش یا وضعیت اجتماعی-اقتصادی به طور مستقیم قابل اندازه گیری نیستند. مدل سازی ساختاری مفهوم متغیرهای پنهان را معرفی می کند که این سازه های غیر قابل مشاهده را نشان می دهد. متغیرهای پنهان از روابط آنها با متغیرهای قابل مشاهده (شاخص) استنباط می شوند.

اندازه‌گیری: یکی از جنبه‌های کلیدی مدل‌سازی ساختاری، مدل اندازه‌گیری است. این مدل روابط بین متغیرهای پنهان و شاخص های مشاهده شده آنها را توصیف می کند. این شامل بارهای عاملی است که نشان می دهد چه مقدار از واریانس در یک متغیر مشاهده شده توسط یک متغیر پنهان توضیح داده می شود.

روابط ساختاری: مدل ساختاری نشان دهنده روابط بین متغیرهای پنهان است. این شامل مسیرهایی است که نشان می دهد چگونه یک متغیر پنهان بر دیگری تأثیر می گذارد. این مسیرها را می توان مشابه ضرایب رگرسیون مشاهده کرد و توضیح می دهد که چگونه تغییرات در یک متغیر با تغییرات در متغیر دیگر مرتبط است.

متغیرهای قابل مشاهده: که به عنوان متغیرها یا شاخص‌های آشکار نیز شناخته می‌شوند، اینها متغیرهای قابل اندازه‌گیری مستقیم در مطالعه هستند. آنها نقاط داده ای را ارائه می دهند که به تخمین روابط بین متغیرهای پنهان کمک می کند.

تست و برازش مدل: مدل سازی ساختاری شامل آزمایش اینکه آیا روابط پیشنهادی و مشخصات مدل با داده های مشاهده شده مطابقت دارند یا خیر. شاخص های برازش برای ارزیابی میزان برازش مدل با داده ها استفاده می شود. برازش خوب نشان می دهد که مدل روابط زیربنایی در داده ها را ضبط می کند.

آزمون فرضیه ها: محققان اغلب فرضیه های خاصی در مورد نحوه اتصال متغیرها دارند. مدلسازی ساختاری چارچوبی برای آزمایش این فرضیه ها با مقایسه مدل برآورد شده با مدل های جایگزین یا انتظارات نظری فراهم می کند.

فرآیند تکراری: مدل سازی ساختاری اغلب یک فرآیند تکراری است. محققان مدل را اصلاح می‌کنند، مسیرها را اصلاح می‌کنند، متغیرها را اضافه یا حذف می‌کنند، و تخمین پارامترها را تا زمانی که به تناسب رضایت‌بخشی بین مدل و داده‌ها دست یابند، تنظیم می‌کنند.

کاربردها: مدل سازی ساختاری را می توان در زمینه های مختلف از جمله روانشناسی، جامعه شناسی، اقتصاد، زیست شناسی و غیره به کار برد. برای مطالعه پدیده هایی از رفتار و نگرش انسان تا سیستم های اقتصادی پیچیده استفاده می شود.

در اصل، مدل‌سازی ساختاری چارچوبی ساختاریافته برای نمایش و درک تعامل پیچیده بین متغیرها به گونه‌ای فراهم می‌کند که با انتظارات نظری و داده‌های تجربی همسو باشد. این به محققان اجازه می دهد تا فراتر از همبستگی های ساده حرکت کنند و روابط زیربنایی عمیق تری را که الگوهای مشاهده شده در داده های آنها را هدایت می کند، کشف کنند.

جهت مشاهده پکیج آموزشی تحلیل کوواریانس تک متغیری در اس پی اس اس کلیک کنید .

جهت مشاهده مطالب درباره تحلیل کوواریانس و تحلیل واریانس چند متغیری کلیک کنید .

آمار دانها برای آزمون این مطلب که آیا مجموعه ای از واریانس ها و کوواریانس ها در یک ماتریس با ساختار به خصوص و معینی برازش دارد روش هایی را توسعه داده اند . برای مدل یابی ساختاری راه های ذیل دنبال میشود:

1.راهی را که معتقد هستید متغیر ها باهم مرتبط اند (اغلب با به کار بردن یک نمودار مسیر) بیان میکنید؛

2.از طریق برخی قواعد درونی پیچیده ، این مسئله را که چه دلالتهایی برای واریانسها و کوواریانسهای متغیرها دارد حل می کنید ؛

3. اینکه آیا واریانسها و کوواریانسها که با این مدل برازش داردآزمون میکنید؛

4.در این مرحله ، نتایج آزمون آماری و نیز برآورد های پارارمترها و خطاهای استاندارد برای ضرایب عددی در معادله خطی گزارش میشود ؛

5.بر پایه این اطلاعات ، تعیین میکنید مدل مورد نظر با داده های شما برازش دارد یا نه .

اندیشه اساسی زیر بنای مدل یابی

بر پایه مراحل بالا را میتوان در شکل 1-1 خلاصه کرد. SEMرویکرد اساسی برای تحلیل

شکل 1-1 نمایش مراحل اساسی اجرای تحلیل

SEM

مقصود آن است که پژوهشگر برای اجرای مقدماتی تحلیلSEM ، ابتدا مدلی را برپایه تئوری مشخص میسازد. سپس تعیین میکند که چگونه سازه هارا اندازه گیری ، داده هارا گرد آوری و آنها را وارد رایانه کند. درونداد این تحلیل معمولا ماتریس کوواریانس متغیر های اندازه گیری شده (مثلا نمره های مواد یک تست یا پرسشنامه) است ، هرچند گاهی اوقات ماتریس همیستگیها یا ماتریس کوواریانس و میانگین ها به کاربرده میشود . تحلیلگر داده ها در عمل ، معمولا برنامه های SEM را باداده های خام تامین، و این برنامه داده های مذکور را به کوواریانسها و میانگینها برای استفاده لازم تبدیل میکند . این مدل شامل مجموعه کلی روابط ممکن نشان داده میشود . نتایج حاصل ، علاوه بر برآورد پارامتر های آزاد موجود مدل ، شامل شاخصهای کلی برازندگی مدل نیز خواهد بود.

درباره این فرایند لازم است چند نکته منطقی و بسیار اساسی را بخاطر بسپارید . نخست ، هر چند محاسبات ریاضی مورد نیاز برای انجام مدل مدل یابی معادله ساختاری وق العاده پیچیده است ، منطق اساسی در همان 5گام بالا نهته است.دوم ، باید بدانیم که (به دلایل متعدد) غیر منطقی است اگر انتظار داشته باشیم یک مدل ساختاری به گونه کامل برازش یابد .

یک مدل ساختاری با روابط خطی فقط یک تقریب است . بعید است جهان خطی باشد . روابط حقیقی بین متغیر ها احتمالا غیر خطی است . علاوه بر این ،بسیاری از مفروضه های آماری نیز تا حدودی زیر سوال و محل تردید است . پرسش حقیقی این نیست که «ایا این مدل به گونه کامل برازش دارد؟» بکه این است که«آیا این مدل به اندازه کافی برازش دارد که تقریب مفیدی برای واقعیت ، و یک تبیین مستدل و منطقی از روند های موجود در داده ها باشد؟» مدلهای SEM را هرگز نمیتوان به گونه مطلق پذیرفت؛ تنها میتوان آنهارا رد نکرد . این مسئله موچب میشود که پژوهشگران ، یک مدل به خصوص را به گونه موقتی بپذیرند ، زیرا اذعان دارند که در بیشتر موارد مدلهای هم ارز و معادلی وجود دارد که به همان اندازه مدلی که به گونه موقت پذیرفته اند ، با داده ها برازش دارد.

اندیشه اساسی زیر بنای مدل یابی

اندیشه اساسی زیر بنای مدل یابی ساختاری