روش های برآورد پارامتر ها

روش های برآورد پارامتر ها

روشهای برآورد پارامتر ها

آشنایی با نرم افزارLisrel

تیم تحلیلی یونی تحلیل در نظر دارد، مباحث پرکاربرد در نرم افزار lisrel را به زبانی ساده و قبل فهم برای متقاضیان گرامی آموزش دهد. تمامی مطالب قرار داده شده در سایت جهت آموزش این نرم افزار به زبان ساده است.

در ادامه توضیحات به روشهای برآورد پارامتر ها میپردازیم .

لیزرل یا لیسرل

لیزرل یک برنامه برنامه ارائه شده توسط ویندوز برای انجام مدل سازی معادلات ساختاری (SEM) و سایر مدل سازی های ساختار خطی مرتبط است (به عنوان مثال; مدل سازی معادلات ساختاری چند سطحی ، مدلسازی چند سطحی خطی و غیر خطی و غیره).
لیزرل برای ویندوز در وارد کردن داده های خارجی در قالب های مختلف مانند SPSS ، SAS ، MS Excel و غیره به عنوان فایل سیستم PRELIS (PSF) مفید است. این نرم افزار به منظور ضبط نمودار مسیر از یک فایل گرافیکی با پسوند پیش فرض به نام PTH استفاده می کند. همچنین در انطباق مدل اندازه گیری شده با داده ها مفید است.

به عنوان مثال ; تصور کنید که یکی می خواهد از LISREL استفاده کند در حالی که ; مدل را با داده های آموزشهای SPSS متناسب می کند. در این حالت ، فرد باید از گزینه “import data” از فهرست پرونده استفاده کند و “SPSS data data (* .sav )” گزینه.

کاربرد ها

لیزرل می تواند مجموعه گسترده ای از مشکلات و مدل ها را کنترل کند و می تواند عملکردهای زیر را انجام دهد:
مدل های دارای خطای اندازه گیری را کنترل کنید.
در مدلهای غیر بازگشتی به محقق کمک کنید.
در حل مسائل تجزیه و تحلیل چند متغیره مفید است (به عنوان مثال ، MANOVA).
برای کار در مقایسه های چند گروهی مفید است (مانند ایجاد مدل های جداگانه برای زن و مرد ; و غیره)در آزمایش محدودیت ها مفید است.

LISREL (روابط ساختاری خطی) از روش‌های مختلف تخمین پارامتر برای تخمین پارامترهای مدل در مدل‌سازی معادلات ساختاری (SEM) استفاده می‌کند. روش تخمین اولیه مورد استفاده در LISREL، تخمین حداکثر درستنمایی (MLE) است که هدف آن یافتن مقادیر پارامتری است که احتمال مشاهده داده‌های نمونه را با توجه به مدل مشخص شده به حداکثر می‌رساند.

در اینجا روش های اصلی تخمین پارامتر در LISREL آمده است:

برآورد حداکثر احتمال (MLE):
MLE پیش فرض و متداول ترین روش تخمین در لیزرل است.
پارامترهای مدل را تخمین می زند که احتمال مشاهده داده های نمونه را تحت مدل مشخص شده به حداکثر می رساند.
MLE تخمین پارامترهای کارآمد و سازگار را با فرض نرمال بودن و خطی بودن چند متغیره ارائه می دهد.

حداقل مربعات بدون وزن (ULS):
ULS یک روش تخمینی است که مجموع اختلافات مجذور بین ماتریس‌های کوواریانس ضمنی و مشاهده شده را به حداقل می‌رساند.
ULS زمانی استفاده می شود که داده ها نرمال چند متغیره نیستند یا زمانی که با متغیرهای طبقه ای یا ترتیبی سروکار دارند.

حداقل مربعات وزنی (WLS):
WLS شبیه ULS است اما وزن‌های متفاوتی را برای متغیرهای مشاهده‌شده برای رسیدگی به واریانس‌های نابرابر یا غیر نرمال بودن اجازه می‌دهد.
WLS را می توان برای داده هایی که دارای واریانس خطای غیر ثابت هستند استفاده کرد.

حداقل مربعات تعمیم یافته (GLS):
GLS زمانی استفاده می شود که متغیرهای مشاهده شده دارای واریانس ها و کوواریانس های مختلف به دلیل ناهمسانی یا دلایل دیگر باشند.
GLS تخمین پارامترها را بر اساس معکوس ماتریس کوواریانس خطای برآورد شده تنظیم می کند.

حداقل مربعات وزنی تکراری (IWLS):
IWLS یک رویکرد تکراری است که روش‌های WLS و MLE را برای تخمین پارامترها در حضور متغیرهای طبقه‌بندی ترکیب می‌کند.
برای مدل هایی که شامل متغیرهای مشاهده شده پیوسته و طبقه ای هستند استفاده می شود.

تخمین بیزی:
در حالی که کمتر مورد استفاده قرار می گیرد، برخی از نسخه های LISREL روش های تخمین بیزی را ارائه می دهند.
تخمین بیزی اطلاعات قبلی را با احتمال داده های مشاهده شده برای تخمین پارامترهای مدل ترکیب می کند.

روش های قوی:
برخی از نسخه‌های LISREL روش‌های برآورد قوی را نیز ارائه می‌کنند که می‌تواند نقض نرمال بودن و سایر مفروضات را مدیریت کند.
زمانی که داده‌ها از حالت عادی منحرف می‌شوند، روش‌های قوی، تخمین‌های پارامتر قابل اعتمادتری را ارائه می‌کنند.

مهم است که روش برآورد مناسب را بر اساس ویژگی های داده ها و اهداف تحقیق خود انتخاب کنید. در حالی که MLE پیش‌فرض است و اغلب برای بسیاری از موارد مناسب است، زمانی که داده‌های شما از مفروضات MLE منحرف می‌شوند، باید روش‌های دیگری در نظر گرفته شود. انتخاب دقیق روش تخمین تضمین می کند که تخمین پارامترهای شما قابل اعتماد و معنی دار هستند.

روشهای برآورد پارامتر ها

گفتیم که مدلهای معادلات ساختاری به واقع مدلهای آماری روابط خطی بین متغیرهای مکنون ( مشاهده نشده )و متغیرهای آشکار ( مشاهده شده ) است. برای مسائلی که دارای ساختار مبتنی بر میانگینها نباشد، Lisrel می تواند هر یک از برآورد های زیر را انجام دهد:

✓ متغیر های ابزاری (IV) که روش آن نیز با IV مشخص میشود.

✓ کمترین مجذورات دو مرحله ای (TSLS) که روش آن با TS مشخص میشود.

✓ کمترین مجذورات بدون وزن (ULS) که روش آن با UL مشخص میشود.

✓ کمترین مجذورات تعمیم یافته (GLS) که روش آن با GL مشخص می شود.

✓ بیشینه احتمال (ML) که روش آن نیز با ML مشخص می شود.

✓ کمترین مجذورات وزن دار کلی (WLS) که روش آن با WL مشخص می شود.

✓ کمترین مجازات وزن دار قطری (DWLS) که روش آن با DW مشخص میشود.

✓ گزینه برجسته (RO).)

چنانچه روش برآورد ( که در برنامه با ME نمایش داده میشود ) مشخص نگردد،LISREL  روش پیش گزیده خود یعنی ML را به کار می‌برد.

جهت مشاهده مطالب دیگر لیزرل کلیک کنید

Instagram : unitahlil

روشهای برآورد پارامتر ها