مسائل و مشکلات مدل یابی معادلات ساختاری

مسائل و مشکلات مدل یابی معادلات ساختاری

مشکلات مدل یابی معادلات ساختاری

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 مسائل و مشکلات مدل یابی معادلات ساختاری میپردازیم .

ليزرل: نرم افزاري براي مدل سازي معادلات ساختاري

به نکاتی مهم و توضیحی در خصوص نرم افزار لیزرل اشاره می شود:

• ليزل Lisrel مخفف linear structural relation است. نرم افزار تحليل آماري ليزرل LISREL جهت محاسبات تحليل عامل و مدل معادلات ساختاري و به منظور تست کردن روایی پرسشنامه از سوي شرکت بين المللي نرم افزار علمي (SSI) به بازار عرضه شده است.
• لیرزل یک مدل تبیینی است که ما را به مدل اکتشافی رهنمون می‏کند. هدف لیرزل این است که ما را با انجام آزمونی به تحلیل مسیر، تحلیل عاملی و تحلیل خوشه‏ای برساند. در این صورت لیرزل با اثرات خالص و ناخالص سروکار دارد، هم پیش رونده است وهم پس رونده و در اینجاست که مؤلفه‏ ها مشخص می‏شود و به عقب برمی‏گردد. از این رو، لیرزل با مفاهیم کانژنریک سروکار دارد. نرم افزار ليزرل Lisrel مكمل نرم افزار اس پي اس اس است كه در علوم انساني و علوم اجتماعي استفاده مي شود. اين نرم افزار کارهاي گرافيکي را بهتر از نرم افزار SPSS انجام مي دهد.
• ليزرل به معناي ارتباطات ساختاري خطي است که برخي به غلط آن را مترادف مدل یابی معادلات ساختاری قلمداد کرده‌اند. مدل یابی معادلات ساختاری (Structural equation modeling: SEM) يکي از روشهاي تحليل کورايانس است که با استفاده از نرم افزار ليزرل قابل محاسبه است.
• اين نرم افزار با استفاده از همبستگي و کوواريانس بين متغيرهاي اندازه گيري شده ،تحلیل عاملی ، مدل معادلات ساختاري، تحلیل مسیر، انواع رگرسیون، پايايي و روایی سازه، پايايي مرکب و . . . میتواند انجام دهد. بنابراين حتما به خاطر داشته باشيد ليزرل هيچگاه مترادف مدل یابی معادلات ساختاری نيست. از آنجا که تحليل عاملي و مدل یابی معادلات ساختاری با استفاده از نرم افزار ليزرل قابل تحليل است درک اين روشها در شناخت کار با نرم افزار ليزرل ضروري است.

مدل سازی معادلات ساختاری (SEM) می تواند در طول فرآیند مدل سازی و تحلیل با چالش ها و مشکلات مختلفی مواجه شود. در اینجا برخی از مشکلات رایجی که محققان ممکن است در هنگام کار با SEM با آن مواجه شوند آورده شده است:

تعریف نادرست مدل: اگر مدل انتخابی به درستی روابط زیربنایی بین متغیرها را منعکس نکند، نتایج ممکن است بینش معناداری ارائه نکنند. تعیین نادرست مدل می تواند به تخمین پارامترهای مغرضانه و برازش ضعیف مدل منجر شود.

مسائل شناسایی: اگر یک مدل به درستی شناسایی نشود، ممکن است تخمین پارامترها به طور منحصر به فرد امکان پذیر نباشد. این می تواند زمانی رخ دهد که شاخص های بسیار کمی برای متغیرهای پنهان وجود داشته باشد یا زمانی که مسیرهای خاصی از نظر تجربی قابل تشخیص نیستند.

نگرانی‌های مربوط به اندازه نمونه: SEM معمولاً به اندازه نمونه کافی برای برآورد پارامترهای پایدار و قابل اعتماد نیاز دارد. با حجم نمونه کوچک، تخمین ها می توانند نادقیق باشند، که منجر به مشکلاتی در تفسیر و آزمون فرضیه می شود.

چند خطی بودن: همبستگی زیاد بین متغیرها می تواند منجر به چند خطی بودن شود که می تواند تعیین سهم منحصر به فرد هر متغیر در مدل را دشوار کند. این می تواند بر پایداری تخمین پارامترها تأثیر بگذارد و منجر به خطاهای استاندارد متورم شود.

داده های از دست رفته: داده های ناقص یا از دست رفته می تواند چالش هایی را در SEM ایجاد کند. نادیده گرفتن داده های از دست رفته یا استفاده از روش های انتساب نامناسب می تواند منجر به نتایج مغرضانه شود.

غیر عادی بودن: برخی از تکنیک‌های SEM داده‌های توزیع شده عادی را فرض می‌کنند. اگر داده ها به طور قابل توجهی از نرمال بودن منحرف شوند، تخمین پارامترها و شاخص های برازش ممکن است تحت تأثیر قرار گیرند.

مدل‌های پیچیده: مدل‌های پیچیده با متغیرها و شاخص‌های پنهان متعدد می‌توانند برای تخمین، تفسیر و توضیح چالش برانگیز شوند. ساده‌سازی مدل‌ها ممکن است برای اطمینان از نتایج معنادار ضروری باشد.

مسائل مربوط به تناسب مدل: دستیابی به تناسب مدل خوب در SEM بسیار مهم است. تناسب ضعیف ممکن است نشان دهد که مدل به اندازه کافی داده ها را نشان نمی دهد و نیاز به اصلاحات و تکرار دارد.

میانجیگری و تعدیل: در حالی که SEM می تواند تحلیل میانجیگری و تعدیل را انجام دهد، مدلسازی صحیح این مفاهیم نیاز به بررسی دقیق و مشخصات نظری دقیق دارد.

خطای اندازه گیری: نادیده گرفتن یا دست کم گرفتن خطای اندازه گیری در متغیرهای مشاهده شده می تواند منجر به تخمین پارامترهای مغرضانه و نتیجه گیری نادرست در مورد روابط شود.

سوگیری بدون پاسخ: اگر عدم پاسخ در نظرسنجی ها یا مطالعات سیستماتیک باشد، می تواند سوگیری را وارد مدل کند و بر تعمیم پذیری نتایج تأثیر بگذارد.

غیر خطی بودن: SEM معمولاً روابط خطی بین متغیرها را فرض می کند. اگر روابط غیرخطی باشند، ممکن است رویکردهای مدل‌سازی جایگزین لازم باشد.

تفسیر مدل‌های پیچیده: مدل‌های پیچیده با چندین مسیر و متغیرهای پنهان می‌توانند برای تفسیر چالش‌برانگیز باشند. حصول اطمینان از اینکه مدل از نظر تئوری پایه و معنادار است ضروری است.

مسائل نرم افزاری: یادگیری استفاده موثر از بسته های نرم افزاری SEM می تواند چالش برانگیز باشد. استفاده نادرست از نرم افزار ممکن است منجر به خطا در مشخصات و تحلیل مدل شود.

برای پرداختن به این چالش ها، محققان باید درک کاملی از مفاهیم SEM، مبانی نظری و حوزه تحقیقاتی خود داشته باشند. اغلب توصیه می‌شود که از متخصصان راهنمایی بخواهید، با ادبیات مشورت کنید، و آزمایش و اصلاح مدل تکراری را در نظر بگیرید تا به مشکلاتی که در طول فرآیند مدل‌سازی به وجود می‌آیند رسیدگی شود.

مسائل و مشکلات مدل یابی معادلات ساختاری

مدل یابی معادلات ساختاری به رغم تمام بالقوه آن در موقعیت های پژوهشی علوم اجتماعی (به ویژه از لحاظ افزایش توان تبیینی داده های غیر آزمایشی) روشی بسیار پیچیده و دشوار است. مهمترین ویژگی این روش انعطاف پذیری فوق العاده آن از لحاظ کاربرد به عنوان یک چهارچوب نظری وسیع،مشارکت متغیرهای مکنون،کاربرد اندازه های چندگانه،امکان دادن به خطا،انطباق مفروضه های توزیعی و قابلیت کار با انواع داده هاست،که آن را از لحاظ مفهومی یک روش شناسی سنگین و دشوار می سازد. ویژگی دیگری که بحث قابل توجهی را مطرح کرده،قابلیت کاربرد این روش ها هم به عنوان کنش اکتشافی و هم به عنوان کنش تاییدی است.

البته به گونه ای ایدئال،تغییر و اصلاح مدل ها و سپس باز آزمایی آنها در نمونه های جدید برای رفع دشواری ها،یک استراتژی سازنده و یاری دهنده است،اما متاسفانه برای محاسبه مجذور کای مستلزم گروههای نمونه با حجم زیاد است. هر چند در مورد حجم بهینه برای گروه نمونه،توافق کلی وجود ندارد،اما برآورد‌ها از ۱۰۰ برای یک مطالعه کوچک (شاید با ۴ یا ۵ متغیر) تا ۳۰ آزمودنی برای هر متغیر به کار می رود (مثلاً چارزکاگ و سوربوم ، ۱۹۸۴). بنتلر (۱۹۸۵) معتقد است نسبت حجم نمونه به تعداد پارامتر های برآورد شده در شرایط مفروضه های توزیع نرمال باید ۵ بر ۱ و برای توزیع های اختیاری باید ۱۰ بر ۱ باشد. الزام حجم نمونه در شرایط تغییر مدل ها و آزمون نمونه های جدید حتی دشوارتر خواهد بود. نتیجه آن است که تجدید و تکرار و بازازمایی مهم به ندرت انجام می شود. این مطلب گردآوری داده های فراوان برای هدایت تئوری را با دشواری روبرو ساخته و موجب محدودیت در تعمیم پذیری و روایی نتایج می شود (کلیف ، ۱۹۸۷ ، فورنل ، ۱۹۸۳).

مسئله دیگر در کاربرد مدل یابی معادله ساختاری،دشواری ارزشیابی برازندگی در متن یک فرضیه پژوهشی معکوس است. در مدل یابی معادله ساختاری،اگر فرضیه صفر رد شود،فرضیه پژوهشی نیز رد میشود . مسئله این است که توان رد فرضیه پژوهشی (در این حالت ،مورد بررسی) نامشخص است.

مسائل و مشکلات مدل یابی معادلات ساختاری

دلالت ضمنی توان کم در مدل یابی معادله ساختاری آن است که مدل مورد نظر در حالی که نادرست است امکان دارد تایید شود (فورنل، ۱۹۸۳) ؛در شرایط زمانی توان زیاد آن است که مدل مورد نظر موقع رد می‌شود که احتمال نادرستی آن اندک باشد (یعنی وقتی تفاوت های بین ماتریس کواریانس پیش بینی شده از سوی مدل و ماتریس کواریانس مشاهده شده،جزئی باشد) (بنتلر و بونت ، ۱۹۸۰). بنابراین مهم است که نه فقط مجذور کای (که به آسانی تحت تاثیر نمونه های بزرگ قرار دارد)،بلکه همه اطلاعات دیگر در رابطه با برازندگی بررسی شود ( فسینگر ، ۱۹۸۷ ) .این نیز مهم است که بینش خود درباره اصول تحقیق یافته استنباط علّی را از دست ندهیم؛

یعنی داده‌ها به گونه مثبت یک مدل را تایید نمیکند،بلکه فقط نمی تواند آن را رد کند (کلیف ، ۱۹۸۷ ، پوپر ، ۱۹۵۹ ) . یک مدل که برازش می یابد،فقط در معنای موجه بودن در یک جامعه در شرایط یک مجموعه از داده های نمونه به خصوص،برازش دارد این احتمال هست که مدل‌های دیگری بتواند تولید شود که به همان اندازه موجه باشد. بدین ترتیب ضروری است که فرایند تحلیل در کاربرد مدل یابی معادلات ساختاری از طریق تئوری اساسی هدایت شود،در غیر اینصورت پایه‌ای برای قبول یا رد مدل های تجربی رقیب وجود ندارد. فورنل (۱۹۸۳) اهمیت فوق العاده این مطلب را خاطرنشان ساخته و بیان میکند که «تحلیل ساختار کوواریانس،بدون دانش نظری،یک کار بدون مرز در تجربه گرایی است که سهمی در پیشرفت علمی ندارد» (ص ۴۴۵)

جهت مشاهده مطالب دیگر لیزرل کلیک کنید

جهت دانلود آموزش های رایگان PLS کلیلک کنید

جهت دانلود آموزش ها و مطالب دیگر AMOS کلیک کنید

Instagram : unitahlil

www.cmu.edu

مسائل و مشکلات مدل یابی معادلات ساختاری