مسئله همانندی مدل در لیزرل

مسئله همانندی مدل

مسئله همانندی مدل

مسئله همانندی مدل:  عمل تدوین مدل باید مسئله (( همانندی)) را نیز در نظر بگیرد. همانندی،در حالی که در مدل یابی ساختاری بسیار حائز اهمیت است،مفهومی نیست که درک آن ساده باشد. برنامه SEM برای آنکه بتواند مجموعه دقیقی از نتایج را به دست دهد،نیاز به شمار کافی همبستگی یا کوواریانس های معلوم به‌عنوان درونداد دارد. همانندی با مطابقت بین اطلاعاتی که باید برآورده شود (یعنی پارامترهای آزاد) و اطلاعاتی که از روی آن باید برابر شود (یعنی داده های خام)،و به گونه دقیق‌تر واریانس ها و کوواریانس های مشاهده شده سروکار دارد. ضرورت بعدی آن است که هر معادله به گونه مناسبی مشخص باشد. همانندی به این اندیشه باز می‌گردد که برای برآورد هر پارامتر در مدل،دست کم یک راه حل منحصر به فرد وجود داشته باشد.

  به گونه اختصاصی‌تر،همانندی با این مطلب سر و کار دارد آیا برای هر یک یا برای همه پارامترهای آزاد،یک مقدار یگانه واحد می‌تواند از روی داده های مشاهده شده به دست آید. اگر یک مقدار یگانه واحد نتواند برای هر پارامتر به دست آید،گفته می شود که مدل زیر مانند است. اگر برای هر پارامتر بتوان یک مقدار یگانه واحد به دست آورد،گفته می‌شود که مدل یا دقیقا همانند و یا زبر مانند است.

به بیان روشن تر،مدل هایی که در آنها تنها یک جواب برای برآورد هر پارامتر وجود دارد،مدلهای دقیقا همانند،مدل هایی که در آن ها مقادیر نامحدودی برای برآورد هر پارامتر وجود دارد،مدلهای زیر مانند و سرانجام،مدل هایی که بیش از یک جواب دارند (اما یکی از آنها بهترین یا بهینه است) و از طریق آن جوابها،برآورد هر پارامتر ممکن می شود مدل های زبر مانند خوانده می شود.

مشکل شباهت مدل در لیزرل به وضعیتی اشاره دارد که در آن دو یا چند مدل معادلات ساختاری برازش مشابهی با داده های مشاهده شده دارند اما ساختارهای نظری زیربنایی متفاوتی دارند. به عبارت دیگر، مدل‌های مختلف با مجموعه‌ای از روابط متمایز بین متغیرها می‌توانند شاخص‌های برازش مشابهی تولید کنند و بنابراین، تعیین اینکه کدام مدل مناسب‌ترین یا دقیق‌ترین نمایش داده‌ها است، چالش برانگیز می‌شود.

این مشکل می تواند به دلایل مختلفی ایجاد شود:

پیچیدگی مدل:
همانطور که مدل ها با پارامترهای بیشتر پیچیده تر می شوند، حتی اگر مدل ها مفاهیم نظری متفاوتی داشته باشند، شانس بیشتری برای دستیابی به شاخص های برازش مشابه وجود دارد.

اثرات جبرانی:
اثرات جبرانی زمانی رخ می دهد که یک پارامتر اثر دیگری را جبران کند. اگر مسیرهای مختلف یکدیگر را جبران کنند، مدل‌هایی با مسیرهای متفاوت می‌توانند برازش‌های مشابهی به دست آورند.

چند خطی بودن:
چند خطی بالا در بین متغیرها می تواند منجر به بی ثباتی در تخمین پارامترها شود و تمایز بین مدل های مختلف را دشوار کند.

حجم نمونه کوچک:
در نمونه‌های کوچک، قدرت کمتری برای تمایز بین مدل‌ها وجود دارد که منجر به تناسب‌های مشابه حتی زمانی که مدل‌ها متفاوت هستند، می‌شود.

عدم شناسایی:
عدم شناسایی زمانی رخ می دهد که پارامترهای خاصی را نتوان به طور منحصر به فرد از داده ها تخمین زد. این می تواند به ترکیبات چند پارامتری منجر شود که برازش های مشابهی ایجاد می کنند.

پرداختن به مشکل شباهت مدل:

توجیه نظری:
مشخصات مدل خود را بر اساس مبانی نظری قوی قرار دهید. مدل هایی که از نظر تئوری بیشتر مبتنی هستند، کمتر قربانی مشکل شباهت مدل می شوند.

تجزیه و تحلیل میزان حساسیت:
تجزیه و تحلیل حساسیت را با ایجاد تغییرات کوچک در مسیرها یا محدودیت های مدل انجام دهید. مشاهده کنید که این تغییرات چگونه بر شاخص های برازش تاثیر می گذارد تا پایداری مدل را بهتر درک کنید.

اعتبار سنجی متقابل:
از اعتبارسنجی متقابل برای ارزیابی پایداری و تعمیم‌پذیری مدل با برازش مدل در زیر مجموعه‌های مختلف داده‌ها استفاده کنید.

ملاحظات اندازه نمونه:
اگر حجم نمونه محدود است، روی مدل‌های ساده‌تری تمرکز کنید که احتمال برآورد دقیق‌تری دارند.

اهمیت نظری:
اهمیت نظری مسیرها را در مدل خود در نظر بگیرید. حتی اگر دو مدل تناسب مشابهی دارند، مدلی را که با انتظارات نظری شما مطابقت دارد، اولویت بندی کنید.

شاخص های تناسب مقایسه ای:
برای ارزیابی برازش مدل از چند شاخص برازش استفاده کنید. در حالی که برخی از شاخص ها ممکن است تناسب مشابهی را نشان دهند، برخی دیگر ممکن است تفاوت ها را برجسته کنند.

مشورت با کارشناسان:
از محققان یا آماردانان باتجربه ای که هم با زمینه نظری و هم با تفاوت های آماری تحقیق شما آشنا هستند، مشورت بگیرید.

به یاد داشته باشید که اگرچه شاخص های برازش مهم هستند، اما تنها معیار انتخاب مدل نیستند. انسجام نظری، مفاهیم عملی و عقل سلیم نیز باید در انتخاب مناسب ترین مدل شما را راهنمایی کند.

مسئله همانندی مدل

  همانندی در تحلیلSEM ،یک ضرورت ساختاری یا ریاضی است. برای ارزیابی سطح همانندی مدل ها قواعد چندی وجود دارد،اما این قواعد کافی نیست و انجام آنها از طریق محاسبات دستی به ویژه برای مدلهای پیچیده بسیار دشوار (و حتی ناممکن) است. برنامه های نرم افزاری SEM ،بررسی های همانندی مدل را به عنوان بخشی از فرآیند برازش دهی مدل انجام و معمولاً درباره شرایط زیر مانندی،هشدارهای منطقی و مستدل به دست می دهد.

به بیان خلاصه،در مدل یابی معادلات ساختاری،پارامترهای معلوم معمولاً همبستگی ها یا واریانس ها و کوواریانس های متغیرهای مشاهده شده است،در حالیکه پارامتر های مجهول به نوع مدل برازش یافته با داده ها (به اصطلاح،پارامتر های مدل) بستگی دارد. در عمل،برای آنکه بتوانید تعیین کنید مدل شما زیر مانند،همانند یا زبر مانند است،تعداد پارامترهای آزادی را که باید برآورد شود از تعداد کل واریانس و کوواریانس ها در متغیرهای مشاهده شده (یا تعداد همبستگی ها در ماتریس همبستگی) کم کنید. اگر p معرف تعداد متغیر های مشاهده شده در مدل باشد،تعداد واریانس ها و کوواریانس ها برابر با 2/(1+p)p خواهد بود.

• اگر تعداد پارامترهای آزاد مورد برآورد بیش از واریانس و کوواریانس ها باشد،مدل شما زیر مانند است (این بد است).
• اگر تعداد پارامترهای آزاد مورد بر آورد دقیقا برابر با واریانس ها و کوواریانس ها باشد،مدل شما دقیقا همانند است.
• اگر تعداد پارامترهای آزادی که باید برآورد شود کمتر از واریانس و کوواریانس ها باشد،مدل شما زبر مانند است (این خوب است).

چنانچه برای هر یک از پارامترهای مجهول یک مقدار بهینه وجود داشته باشد،آن مدل همانند است و در این صورت،روش تحلیل (تکرار شونده) معمولاً به راه حل بهینه ای  می انجامد که بر پایه آن برآوردهای پارامترها بهترین برازش را با داده ها دارد. البته این مطلب بستگی به آن دارد که از کدام روش برآورد (مثلاML یا WLS) استفاده شده باشد. اما مدل‌هایی که دقیقا همانند(اشباع شده) باشند،برازش کامل مبتذلی به دست می‌دهند،و آزمون برازندگی را غیر جالب می سازد. مدل های زبر مانند (که درجه آزادی آنها مثبت،و در آن ها تعداد معادله ها بیش از تعداد مجهول هاست) نمی تواند برازش خوبی داشته باشد.

بنابراین،چنانچه چنین مدلی برازش خوبی نشان دهد موید وجود شواهدی بامعنا در جهت بیان این مطلب است که آن مدل به واقع نمایشی مستدل و معقول از پدیده مورد نظر است. راه بهبود همه شکل های زیر مانندی آن است که تلاش کنیم منبع مسئله همانندی را تعیین و مشخص کنیم،منبع زیر مانندی تجربی یا ساختاری است. برای زیر مانندی ساختاری،تنها راه چاره مشخص کردن دوباره مدل است،و زیر مانندی تجربی می‌تواند از طریق گردآوری داده های بیشتر یا تعیین دوباره مدل تصحیح شود.

جهت مشاهده مطالب دیگر لیزرل کلیک کنید

Instagram : unitahlil

مسئله همانندی مدل