نحوه برآورد مدل در لیزرل

نحوه برآورد مدل در لیزرل

برآورد مدل

نحوه برآورد مدل در لیزرل : یک مدل معادله ساختاری مفروض ،در واقع یک ساختار علّی مشخص شده بین مجموعه از سازه‌های مشاهده ناپذیر است که هر یک توسط مجموعه ای از نشانگر ها اندازه گیری می شود،و می توان آن را از لحاظ برازش در یک جامعه به خصوص آزمود.

یک مدل کامل معادله ساختاری شامل دو مولفه است:

الف) یک مدل ساختاری که ساختار علّی مفروض بین متغیرهای مکنون(سازه های نظری که به گونه مستقیم مشاهده پذیر نیست) را مشخص می نماید.

ب) یک مدل اندازه گیری که روابط بین متغیر های اندازه گیری شده یا نشانگرها (متغیرهایی که به گونه مستقیم مشاهده پذیر است) و متغیرهای مکنون را که برای آنها برآورد تقریبی به کار می رود،تعریف می کند.

تخمین مدل معادلات ساختاری (SEM) در لیزرل شامل استفاده از روش تخمین حداکثر درستنمایی برای یافتن مقادیر پارامتری است که به بهترین وجه با مدل مشخص شده شما مطابقت دارد با داده های مشاهده شده.

در اینجا یک راهنمای گام به گام در مورد چگونگی تخمین مدل در LISREL آورده شده است:

مدل خود را باز کنید:
LISREL را راه اندازی کنید و مدلی را که با استفاده از ویرایشگر نمودار مسیر تعریف کرده اید باز کنید.

تنظیمات تخمین را مشخص کنید:
قبل از اجرای تخمین، باید تنظیمات تخمین را مشخص کنید:
روش تخمین حداکثر احتمال (ML) را به عنوان الگوریتم تخمین انتخاب کنید.
تنظیمات دیگر مانند معیارهای همگرایی، حداکثر تعداد تکرارها و مقادیر شروع پارامترها را در صورت نیاز انتخاب کنید.

برآورد اجرا:
با کلیک بر روی دکمه یا گزینه منوی مناسب، فرآیند تخمین را آغاز کنید. LISREL شروع به تنظیم پارامترهای مدل به صورت مکرر می کند تا اختلاف بین ماتریس کوواریانس ضمنی مدل و ماتریس کوواریانس مشاهده شده را به حداقل برساند.

نظارت بر همگرایی:
در طول تخمین، LISREL اطلاعات مربوط به هر تکرار، از جمله تخمین پارامترها، خطاهای استاندارد و شاخص های برازش را نمایش می دهد. برای اطمینان از اینکه تخمین در حال پیشرفت و همگرایی به یک راه حل است، فرآیند همگرایی را نظارت کنید.

خروجی بررسی:
پس از تکمیل تخمین، خروجی ارائه شده توسط LISREL را بررسی کنید. این خروجی شامل تخمین پارامترها، خطاهای استاندارد، مقادیر p، شاخص های برازش و سایر اطلاعات مرتبط خواهد بود.

ارزیابی تناسب مدل:
برازش مدل خود را با استفاده از شاخص های برازش مانند خی دو (χ²)، شاخص برازش مقایسه ای (CFI)، ریشه میانگین مربعات خطای تقریب (RMSEA) و میانگین ریشه استاندارد شده (SRMR) ارزیابی کنید. این شاخص ها به تعیین اینکه مدل شما چقدر با داده های مشاهده شده مطابقت دارد کمک می کند.

مدل را اصلاح و اصلاح کنید:
بر اساس شاخص های برازش و درک نظری شما، ممکن است نیاز به اصلاح مدل داشته باشید. این می تواند شامل اضافه کردن یا حذف مسیرها، تنظیم شرایط خطا یا در نظر گرفتن مشخصات جایگزین باشد.

تخمین اجرای مجدد:
پس از انجام اصلاحات در مدل خود، فرآیند تخمین را مجدداً اجرا کنید تا ببینید چگونه تغییرات بر برازش مدل و برآورد پارامتر تأثیر می‌گذارد. پالایش تکراری در تحلیل SEM رایج است.

تفسیر:
پارامترهای برآورد شده و اهمیت آنها را تفسیر کنید. جهت و قدرت روابط بین متغیرهای پنهان و شاخص های مشاهده شده را در نظر بگیرید. از بینش های نظری برای توضیح معنای این روابط استفاده کنید.

گزارش و تجسم:
گزارشی تهیه کنید که مدل، تخمین پارامترها، شاخص های برازش، اصلاحات و تفسیر خود را خلاصه می کند. همچنین می توانید نمودارهای مسیر و سایر تجسم ها را از LISREL صادر کنید تا به نشان دادن یافته های خود کمک کنید.

به یاد داشته باشید که تخمین یک مدل پیچیده SEM ممکن است نیازمند بررسی دقیق تنظیمات تخمین، درک مفاهیم آماری زیربنایی و دانش حوزه برای تفسیر موثر نتایج باشد. توصیه می‌شود قبل از کار با LISREL یا هر نرم‌افزار SEM دیگری، یک پایه قوی در نظریه و روش‌های SEM داشته باشید.

بنتلر(۱۹۸۰) بیان می کند که توسعه مدل های علّی متغیرهای مکنون معرف همگرایی سنت‌های پژوهشی نسبتاً مستقل در روانسنجی،اقتصاد سنجی،زیست شناسی و بسیاری از روش های قبلا آشناست،که آنها را به شکل چهارچوبی وسیع در می آورد. مفاهیم متغیرهای مکنون و خطا در متغیرها تاریخی طولانی دارد،و در روان سنجی به عنوان تحلیل عاملی و تئوری اعتبار توسعه یافته و شالوده اساسی بسیاری از پژوهش‌های اندازه گیری در روان سنجی می باشد.

در اقتصاد سنجی آثار جهت دار همزمان چند متغیر بر متغیرهای دیگر،تحت برچسب مدل های معادله همزمان بسیار مورد مطالعه قرار گرفته است. در زیست شناسی،یک سنت مشابه همواره با مدل‌های معادلات همزمان (گاه با متغیرهای مکنون) در زمینه نمایش و طرح برآورد ها در تحلیل مسیر سر و کار دارد . کاربرد مدل یابی معادلات ساختاری به ویژه می‌تواند در بیان تئوری به گونه ای ظریف تر،در آزمون تئوری به گونه ای دقیق تر و فهم و درک اکتشافی کامل‌تر داده ها ( نه صرفا توصیف آنها)به پژوهشگران کمک در برآورد مدل،لازم است به موارد زیر توجه شود:

برای آزمون مدل لازم است داده‌های کافی به دست آورید. تعداد موارد بستگی به این دارد که مدل شما تا جهت پیچیده است و قصد دارید چند پارامتر را برآورد کنید. البته هرچه تعداد موارد زیاد تر (۲۰۰و بالا تر) باشد بهتر است.
مطمئن شوید داده‌ها کجی و کشیدگی شدید ندارد. تحلیل قبلی داده ها به وسیله نرم افزارspss ،داده های ضعیف را مشخص می سازد. ایده آل آن است که توزیع متغیرها تقریباً نرمال باشد.
برنامه هایSem در این فرض استوار است که متغیرهای وابسته و میانجی (که در زبان این برنامه‌ها درون زا یا جریان گیرنده نامیده می‌شود) به گونه پوست توزیع شده و توزیع پسماندهای آن نیز نرمال است. در واقع فقط این انتظار وجود ندارد که پسماندها دارای توزیع نرمال تک متغیری باشد،بلکه این انتظار نیز وجود دارد که توزیع مشترک آنها نرمال چند متغیری مشترک باشد (هرچند این مفهوم حوزه هرگز به گونه کامل عملی نمی‌شود). اگر برخی از داده‌ها رتبه ای باشد ،راه هایی برای کاربرد آنها وجود دارد (برای مثال،ممکن است از همبستگی های چند ارزشی یا چند رشته‌ای استفاده کنید). اگر تعداد طبقه‌های رتبه ای ۵ یا بیشتر باشد،احتمالاً می توانید با آن ها (البته با کمی خطا) مانند داده‌های فاصله‌ای رفتار کنید.
متخصصانsem برای کار با متغیرهایی که توزیع غیر نرمال دارند،روش های متعددی ابداع کرده‌اند؛اما این روشها تنها برای متغیرهای طراحی شده که فرض می‌شود توضیح آنها پیوسته است.

از کاربرد داده های اسمی بپرهیزید،مگر آنکه آنها را دو ارزشی کنید یا آن ها را به شکل متغیرهای مجازی به کار ببرید. بیشتر برنامه‌هایsem در حال حاضر نمی تواند با متغیرهای وابسته اسمی عمل.

جهت مشاهده مطالب دیگر لیزرل کلیک کنید .

Instagram : payanbama

نحوه برآورد مدل در لیزرل

نحوه برآورد مدل در لیزرل