مقایسه و گزینش مدل ها در لیزرل

مقایسه و گزینش مدل ها در لیزرل

مقایسه و گزینش مدل ها

مقایسه و گزینش مدل ها : پژوهشگران گاه با این مسئله روبرو می شوند که از میان دو یا چند مدل،مدل دلخواه خود را برگزینند. ممکن است شواهد قبلی مؤید چندین مدل مختلف باشد و پژوهشگر بخواهد بهترین مدل را برگزیند. اینکه کدام روش انتخاب شود بستگی به این دارد که مدل های رقیب در داخل یکدیگر آشیان داشته باشند یا نه. اگر مدل A مورد خاصی از مدل B باشد،می‌توان گفت که مدلA در مدلB آشیان دارد. وقتی دو مدل هم آشیان باشند،آشکار می شود که تفاوت بین مشخصه های آزمون مجذور کای آنها به گونه مجانب مستقل از خود مشخصه ها خواهد بود. علاوه بر این،اگر مشخصه های آزمون اصلی از توزیع‌های مجذور کای پیروی کنند،در این صورت تفاوت مذکور نیز دارای توزیع مجذور کای،و درجه آزادی این تفاوت نیز برابر با تفاوت بین دو درجه آزادی مشخصه های آزمون اصلی است.

مقایسه و انتخاب مدل ها در Lisrel

مقایسه و انتخاب مدل‌ها در LISREL شامل ارزیابی تناسب مدل‌های مختلف با داده‌های شما و انتخاب مدلی است که به بهترین شکل چارچوب نظری شما را نشان می‌دهد.

در اینجا راهنمای نحوه مقایسه و انتخاب مدل ها در LISREL آمده است:

مدل های جایگزین را مشخص کنید:
قبل از اینکه بتوانید مدل ها را مقایسه کنید، باید مدل های جایگزینی برای مقایسه داشته باشید. این مدل ها می توانند تغییراتی از مدل اولیه شما باشند، مانند افزودن یا حذف مسیرها، تغییر روابط یا در نظر گرفتن ساختارهای عاملی جایگزین.

شاخص های تناسب:
LISREL شاخص‌های برازش مختلفی را ارائه می‌کند که به شما کمک می‌کند تا میزان مطابقت مدل شما با داده‌ها را ارزیابی کنید. برخی از شاخص های برازش متداول عبارتند از:
آزمون Chi-Square (χ²): تفاوت بین ماتریس کوواریانس مورد انتظار و ماتریس کوواریانس مشاهده شده را مقایسه می کند. مقدار p غیر قابل توجه نشان دهنده تناسب خوب است.
شاخص تناسب مقایسه ای (CFI): برازش مدل مشخص شده را با یک مدل تهی مقایسه می کند. مقادیر نزدیک به 1 نشان دهنده تناسب بهتر است.
ریشه میانگین مربعات خطای تقریب (RMSEA): اختلاف بین ماتریس های کوواریانس ضمنی مدل و مشاهده شده را اندازه گیری می کند. مقادیر کمتر نشان دهنده تناسب بهتر است.
میانگین ریشه استاندارد شده (SRMR): میانگین مقدار مطلق باقیمانده ها را اندازه گیری می کند. مقادیر کمتر نشان دهنده تناسب بهتر است.

مقایسه مدل:
شاخص های برازش مدل های مختلف را با هم مقایسه کنید تا مشخص کنید کدام یک با داده ها مناسب تر است. به خاطر داشته باشید که هیچ شاخص برازش واحدی تصویر کاملی را ارائه نمی دهد، بنابراین توصیه می شود ترکیبی از شاخص های برازش را در نظر بگیرید.

مقایسه مدل تودرتو:
اگر مدل‌های تودرتو دارید (یک مدل نسخه محدودتر دیگری است)، می‌توانید از آزمون نسبت احتمال (Δχ²) برای مقایسه برازش آنها استفاده کنید. افزایش قابل توجهی در مقدار خی دو نشان می دهد که مدل با محدودیت کمتر برازش بهتری دارد.

معیارهای اطلاعاتی:
معیارهای اطلاعاتی، مانند معیار اطلاعات آکایک (AIC) یا معیار اطلاعات بیزی (BIC) نیز می توانند برای مقایسه مدل استفاده شوند. مقادیر پایین تر نشان دهنده تعادل بهتر بین تناسب مدل و پیچیدگی است.

ملاحظات عملی و نظری:
در حالی که شاخص های برازش و آزمون های آماری مهم هستند، در نظر گرفتن مفاهیم نظری و عملی مدل های خود نیز بسیار مهم است. مدلی که به خوبی با داده ها مطابقت داشته باشد، اما فاقد پشتوانه نظری باشد، ممکن است بهترین انتخاب نباشد.

تغییرات افزایشی:
هنگام مقایسه مدل ها، در نظر بگیرید که آیا بهبود در شاخص های برازش پیچیدگی اضافی معرفی شده با افزودن پارامترها را توجیه می کند یا خیر. یک مدل ساده‌تر که به خوبی متناسب است ممکن است نسبت به مدل پیچیده‌ای که تناسب اندکی را بهبود می‌بخشد ترجیح داده شود.

تکرار و اعتبارسنجی متقابل:
در صورت امکان تجزیه و تحلیل خود را روی مجموعه داده های مستقل تکرار کنید. علاوه بر این، تکنیک های اعتبارسنجی متقابل را برای ارزیابی تعمیم پذیری مدل خود در نظر بگیرید.

ورودی کارشناس:
از کارشناسان حوزه یا محققانی که با موضوع آشنا هستند، نظر بخواهید. آنها می توانند بینش های ارزشمندی در مورد استحکام نظری مشخصات مدل های مختلف ارائه دهند.

فرآیند تکراری:
مقایسه مدل اغلب یک فرآیند تکراری است. ممکن است لازم باشد قبل از رسیدن به یک راه حل رضایت بخش، چندین بار مدل ها را بازبینی، مشخص و دوباره ارزیابی کنید.

به یاد داشته باشید که هدف این است که مدلی را انتخاب کنید که نه تنها از نظر آماری به خوبی با داده ها مطابقت داشته باشد، بلکه از نظر نظری نیز منطقی باشد و به درک شما از پدیده ای که در حال مطالعه آن هستید کمک کند.

ادامه توضیحات مقایسه و گزینش مدل ها

این مطلب روشی را که به گونه ای متداول برای مقایسه برازندگی دو مدل هم آشیان به کار میرود،عرضه می کند. آزمون فرضیه صفرِ نبودن تفاوت معنادار در برازندگی،از طریق ارزشیابی این مطلب صورت می‌گیرد که آیا تفاوت بین مقادیر مجذور کای،برای درجه آزادی معین و در سطح معینی از معنادار بودن،از لحاظ آماری معنادار است یا نه. اگر این تفاوت معنادار باشد،فرضیه صفر رد می شود.

  روشی که در بالا بدان اشاره شد از یک سو محدود به مقایسه مدلهای آشیان شده است،و تفسیر آن در موارد غیر مرکزی دشوار می گردد. از سوی دیگر،همه مدلها به گونه مستقیم با این روش قابل مقایسه نیستند. این امر امکانپذیر است که مدل‌های آشیان شده ای را که بتوانید از میان آن ها مدل ساده تری را استنتاج کنید از طریق تحمیل مجموعه از الزام ها و محدودیت ها بر یک مدل پیچیده تر مورد مقایسه قرار دهید. اما چنانچه بخواهید مدل های غیر آشیانی راکه به گونه مستقیم مقایسه پذیر نیستند با یکدیگر مقایسه کنید،می‌توانید ملاک های توصیفی متعددی به کار ببرید.

  مدل ها باید بر پایه منطق و تئوری حذف شوند،و پژوهشگران می کوشند تا مدل های گوناگون را حذف کنند و این کار را از طریق توسعه تبیینهای مختلف عملی سازند (که البته همیشه ممکن نیست). بنابراین کاربرد SEM ،به ویژه با داده های حاصل از مطالعات مقطعی که تحت شرایط کنترل شده گردآوری نمی شود،همواره مستلزم عدم قطعیت است (این مطلب درباره سایر مدل ها که در مقیاسی وسیع به کار می رود،مانندANOVA و فنون رگرسیون چندمتغیری نیز صادق است).

پژوهشگر معمولاً از میان همه مدل های معادل یا تقریباً معادل،موجه ترین مدل را انتخاب خواهد کرد.اشتلزل(۱۹۸۶) مفهوم ((مدلهای معادل)) را فرمول‌بندی کرده است. به گفته او این مدلها موقعی معادل هستند که نتوان آنها را بر حسب برازش کلی از یکدیگر تشخیص داد. این مطلب مشخص می‌کند که مثلاً ماتریس همبستگی تولید شده (برازش یافته) که از طریق یک مدل به دست می‌آید برابر با ماتریس همبستگی تولید شده (برازش یافته) توسط مدل دیگری است.

بنابر آنچه گفته شد،در حالیکه مدل هایی را که با داده ها به خوبی برازش دارند میتوان به گونه موقتی پذیرفت،مدل هایی را که با داده ها برازش خوبی ندارند نمی‌توان به گونه مطلق رد کرد. برای مثال،چنانچه بر پایه تحلیل عاملی تاییدی،یک مدل تکاملی را با یک مجموعه ده پرسشی برازش داده باشید،و این مدل رد شده باشد می توانید مطمئن باشید که یک عامل منفرد برای تبیین واریانس مشترک بین پرسش ها کافی نیست،و این یافته ارزنده و مفیدی است،به ویژه اگر بر این باور باشید که یک عامل مشترک برای تبیین واریانس مشترک بین پرسش ها کافی نیست.

مقایسه و گزینش مدلها

حال فرض کنید شما ابتدا یک مدل تک عاملی و سپس یک مدل دو عاملی را روی همان مجموعه ده پرسشی اجرا کرده اید. در این وضعیت،نخستین مدل رد شده،اما مدل بعدی رد نشده است. اینک می دانید که برای توجیه واریانس مشترک بین پرسش ها بیش از یک عامل مورد نیاز است. علاوه بر ارزیابی برازندگی مطلق مدل های منفرد،از طریق به کار بردن آزمونهای مجذور کای نسبت درست نمایی می توانید مدل های رقیب را نیز مقایسه و ارزیابی کنید. برای این مثال می توانید مدل های تک عاملی و دو عاملی را با استفاده از یک آزمون آماری مقایسه کنید. اگر این آزمون آماری معنادار باشد،می توانید نتیجه بگیرید که مدل دو عاملی (پیچیده تر) نسبت به مدل تک عاملی(ساده‌تر) برازش بهتری با داده ها دارد. اما چنانچه بین دو مدل تفاوت معنادار به دست نیاورید،می توانید نتیجه بگیرید که مدل تک عاملی دقیقاً به اندازه مدل دو عاملی با داده ها برازش دارد.

توجه : در نرم افزار lisrel ، به منظور گزینش یک مدل از میان چند (بیش از دو) مدل،می توان ملاک های انخاب ,CAIC,AIC یاECVI را به کار برد و مدلی را که دارای کوچک ترین مقدار است برگزید(جارزکاگ و سوربوم،1993)

جهت مشاهده مطالب دیگر لیزرل کلیک کنید .

Instagram : payanbama

مقایسه و گزینش مدل ها