آزمون مدل ها و ارزشیابی برازندگی

آزمون مدل ها و ارزشیابی برازندگی: چون مدل کامل معادله ساختاری شامل دو متغیر مشاهده شده و مشاهده نشده است،پارامترهای مدل باید از طریق پیوند بین واریانس ها و کوواریانس های متغیرهای مشاهده شده آن گونه که از سوی پژوهشگر مشخص شده است بر آورد شود. بنابراین،معادلات (و ماتریس ها) برای محاسبه برآوردهای ماتریس کوواریانس پیش بینی شده جامعه بر اساس مدل مفروض،و چندین اندازه برای برازندگی مدل برآورد شده با داده های نمونه به کار می رود. داده های مورد استفاده پاسخ های گروه نمونه به متغیر های مشاهده شده یا نشانگر هاست می تواند پرسش‌های واحد و یا پرسشنامه های طولانی را در بر گیرد. در هر صورت وقتی نشانگر ها انتخاب می‌شوند لازم است مسائل روان سنجی (مانند روایی و اعتبار) مورد توجه قرار گیرد،و چون مدل یابی معادله ساختاری متکی بر روش های تحلیل عاملی است،لازم است مناسبت و کفایت روانسنجی اندازه ها به گونه ضمنی در تحلیل آزمون شود.

داده های خام (اما ممکن است طبقه‌‌ای، رتبه‌ای، فاصله‌ای، مقطعی، طولی، اندازه های تکراری و غیره باشد) قبل از آنکه به عنوان درون داد برنامه رایانه‌ای به کار رود،معمولاً ابتدا به یک ماتریس کوواریانس یا همبستگی از روابط بین متغیرهای مشاهده شده تبدیل می شود. اندازه های برازندگی برای یک مدل از طریق مقایسه ماتریس کوواریانس برآورد شده برای جامعه (بر اساس مدل ، آن گونه که از سوی پژوهشگر مشخص شده) با ماتریس کوواریانس نمونه که از روی داده ها محاسبه شده است به دست می آید. برای این مقصود بسته به مفروضه های توزیع داده های مورد تحلیل،معمولاً از یک فرایند بیشینه احتمال یا حداقل مجذورات با روش تکرار (از سرگیری) استفاده می شود. درفرآیند از سرگیری،بیشینه ساختن تابع احتمال یا کمینه ساختن تابع برازش،در حالی که به برآورد نهایی بر پایه بهترین برازش مدل با داده های نمونه نزدیک میشود،به گونه متوالی و همزمان با هم برای بسیاری از برآوردهای پارامترها انجام می پذیرد.

علاوه بر تدوین مدلی که ماتریس کوواریانس داده های نمونه به آن برازش می‌یابد،تعیین این مطلب نیز مهم است که آیا پارامتر های برآورد شده‌ یگانه است یا نه (مسئله همانندی). چنان که پیش از این اشاره کردیم،اگر یک مدل همانند باشد،برای همه پارامترهای آن یک راه‌حل یگانه وجود دارد. اگر برای پارامتر ها راه حل های گوناگونی وجود داشته باشد،همانندی وجود ندارد و آن مدل نامعین است؛یعنی یک راه‌حل یگانه نمی‌توان برای نظام معادلات موضوعه آن مدل یافت،و آن به یک راه حل نامناسب منجر می شود. مسئله همانندی اغلب نتیجه وجود یک مسئله در تئوری یا در داده هاست که می‌تواند به گونه منطقی حل شود.

وقتی یک مدل دقیق آن مشخص شود و دارای ویژگی همانندی باشد،و برآورد و آزمون آن امکان‌پذیر گردد،در این صورت برای ارزشیابی برازندگی آن راه های زیادی وجود دارد. اهم شاخص های برازندگی مدل ها به گونه خلاصه در زیر شرح داده می شود:

مجذور کای ( χ² )
نسبت χ² /df
تبدیل χ² به z
شاخص بنتلر – بونت
شاخص تاکر – لویز (TLI)
شاخص برازندگی تطبیقی (CFI)
جذر برآورد واریانس خطای تقریب (RMSEA)
ملاک اطلاعات Akaike (AIC)
GFI و AGFI (اندازه های LISREL)
شاخص هوئلتر

تعریفی دیگر از ارزیابی تناسب مدل در Lisrel

ارزیابی تناسب مدل در لیزرل شامل ارزیابی میزان تناسب مدل معادلات ساختاری مشخص شده (SEM) با داده های مشاهده شده است. چندین شاخص برازش در LISREL وجود دارد که اطلاعاتی در مورد خوب بودن برازش مدل شما ارائه می دهد. در اینجا چند شاخص برازش رایج و نحوه تفسیر آنها آورده شده است:

تست Chi-Square (χ²):
آماره کای دو تفاوت بین ماتریس کوواریانس مشاهده شده و ماتریس کوواریانس ضمنی مدل را آزمایش می کند. مقدار p غیر قابل توجه نشان دهنده تناسب خوب است.
با این حال، آزمون کای اسکوئر به اندازه نمونه حساس است و انحرافات کوچک از تناسب کامل می تواند منجر به نتایج قابل توجهی در نمونه های بزرگ شود.

شاخص تناسب مقایسه ای (CFI):
CFI برازش مدل مشخص شده را با یک مدل تهی (پایه) مقایسه می کند. مقدار CFI نزدیک به 1 نشان دهنده تناسب خوب است، با مقادیر بالای 0.90 اغلب قابل قبول در نظر گرفته می شود.
CFI پیچیدگی مدل را به حساب می آورد و کمتر از آزمون کای دو تحت تأثیر حجم نمونه قرار می گیرد.

ریشه میانگین مربعات خطای تقریب (RMSEA):
RMSEA اختلاف بین مدل و ماتریس کوواریانس مشاهده شده را که برای پیچیدگی مدل تنظیم شده است، اندازه گیری می کند.
مقادیر RMSEA پایین (به عنوان مثال، زیر 0.08) نشان دهنده تناسب بهتر است، با مقادیر نزدیک به 0 نشان دهنده تناسب بسیار خوب است.

میانگین ریشه استاندارد شده (SRMR):
SRMR میانگین اختلاف مطلق بین ماتریس کوواریانس مشاهده شده و مدل ضمنی را اندازه گیری می کند.
مقادیر پایین تر SRMR (به عنوان مثال، زیر 0.08) تناسب بهتری را نشان می دهد.

معیار اطلاعات آکایک (AIC) و معیار اطلاعات بیزی (BIC):
معیارهای اطلاعات برازش و پیچیدگی مدل را متعادل می کند. مقادیر پایین تر نشان دهنده مبادله بهتر است.
مقادیر AIC و BIC را در مدل‌های مختلف مقایسه کنید، با مقادیر کوچک‌تر که نشان‌دهنده تناسب بهتر است.

شاخص تناسب غیر هنجاردار (NNFI) یا شاخص تاکر-لوئیس (TLI):
NNFI/TLI تناسب مدل شما را با مدل تهی مقایسه می کند. مقادیر بالای 0.90 اغلب قابل قبول در نظر گرفته می شوند و مقادیر بالاتر نشان دهنده تناسب بهتر است.

شاخص اعتبار متقابل مورد انتظار (ECVI):
ECVI به ارزیابی قدرت پیش‌بینی مدل شما کمک می‌کند. مقادیر پایین تر نشان دهنده تناسب پیش بینی بهتر است.

تفسیر شاخص های تناسب:

هیچ شاخص برازش واحدی پاسخ قطعی در مورد برازش مدل ارائه نمی دهد. برای به دست آوردن یک دید جامع، توصیه می شود چندین شاخص تناسب را در نظر بگیرید.
شاخص‌های برازش مدل‌های مختلف (مانند مدل‌های تودرتو یا مشخصات جایگزین) را مقایسه کنید تا مشخص کنید کدام مدل با داده‌ها مطابقت دارد.
اهمیت نظری و عملی هر گونه اختلاف بین مدل و داده ها را در نظر بگیرید. اگر با توجه به پیچیدگی مدل معقول باشد، ممکن است برخی ناهماهنگی جزئی قابل قبول باشد.

به خاطر داشته باشید که ارزیابی تناسب مدل یک فرآیند ظریف است و هیچ پاسخی برای همه وجود ندارد. داشتن درک خوبی از شاخص های برازش، نقاط قوت، محدودیت ها و مقادیر برش مناسب آنها بسیار مهم است. علاوه بر این، تفسیر شما باید زمینه خاص تحقیق شما و چارچوب نظری زیربنایی را در نظر بگیرد.

جهت مشاهده مطالب دیگر لیزرل کلیک کنید .

Instagram : unitahlil.team

آزمون مدلها و ارزشیابی برازندگی

آزمون مدل ها و ارزشیابی برازندگی