مدل یابی معادلات ساختاری(SEM)

مدل یابی معادلات ساختاری، یک تکنیک تحلیل چند متغیره بسیار کلی و نیرومند از خانواده رگرسیون چند متغیره و به بیان دقیق تر بسط مدل خطی کلی است که به پژوهشگران امکان می دهد مجموعه ای از معادلات رگرسیون را به طور همزمان مورد آزمون قرار دهند. مدل یابی معادلات ساختاری، یک رویکرد آماری جامع برای آزمون فرضیه هایی درباره روابط بین متغیرهای مشاهده شده و مکنون (نهفته) است که گاه تحلیل ساختاری کوواریانس و گاه مدل یابی علی و گاه نامیده می شود.

این روش آمیزه‌ای از رگرسیون، تحلیل مسیر و تحلیل عاملی تأییدی است. در این روش دو گروه متغیر وجود دارد: متغیر نهفته و متغیرهای مشاهده شده یاآشکار متغیر نهفته مستقیما قابل مشاهده نبوده و از طریق متغیرهای مشاهده شده سنجیده می شود.

متغیرهای مشاهده شده سنجه هایی هستند که از طریق آن ها متغیرهای نهفته اندازه گیری یا سنجیده می شوند. متغیرهای فوق به دو گروه برون زا و درون زا نیز تقسیم می شوند. متغیرهای  برون زا و درون زا در این روش به ترتیب معادل متغیرهای مستقل و وابسته در پژوهش های آزمایشی و غیر آزمایشی هستند. با بهره گیری از روش معادلات ساختاری می توان همزمان دو مدل ساختاری و اندازه گیری را بررسی نمود.

مدل اندازه گیری یا بخش تحلیل عاملی تأییدی مشخص می کند که چگونه متغیرهای نهفته یا  سازه های فرضی در قالب تعدادی متغیر قابل مشاهده اندازه گیری شده اند. بخش مدل ساختاری  یا تابع ساختاری، روابط علی بین متغیرهای نهفته را مشخص می کند.

به عبارت دیگر الگوی اندازه گیری، سؤالات مربوط به روایی و پایایی متغیرهای مشاهده شده  و الگوی تابع ساختاری سؤالات مربوط به قوت یا شدت روابط علی بین متغیرهای نهفته و مقدار واریانس تبیین شده در کل الگو را پاسخ می دهد.

یک مدل ساختاری به محقق امکان می دهد تا خطای اندازه گیری، بارهای عاملی و پارامترهای ساختاری را همزمان برآورد کند (قاضی طباطبایی، ۱۳۷۴).

  شاخص های برازندگی مدل

در مدل یابی معادلات ساختاری با استفاده از نرم افزار لیزرل ، میزان برازش یک مدل با داده های مشاهده شده، به وسیله شاخص های نیکویی برازش رزیابی می شود.مهم‌ترین شاخص های نیکویی برازش عبارتند از:

شاخص تعدیل شده نیکویی برازش (AGFI): با توجه به این که شاخص GFI تحت تأثیر حجم نمونه است، AGFI تا حدی نسبت به حجم نمونه و درجات آزادی، معیار GFI را تعدیل می کند. این شاخص نیز می تواند از صفر تا یک متغیر باشد و مقادیر نزدیک به یک نشان دهنده نیکویی برازش الگو می باشد.

شاخص نیکویی برازش (GFI): این اندازه تحت تأثیر حجم نمونه است و می تواند برای مدل هایی که به گونه ضعیفی فرمول بندی شده اند، بزرگ باشد. کمیت این شاخص از صفر تا یک متغیر است. اندازه یک، نشانه برازندگی کامل داده ها با الگو و صفر نشانه عدم برازندگی است. هر چه این مقدار به یک نزدیک تر باشد، نیکویی برازش الگو بیشتر است.

کای دو بهنجار(نسبت  کای دو به درجه آزادی) : در مورد معنادار شدن اندازه مجذور کای، درجه آزادی به عنوان اندازه هایی که می توان بر اساس آن بزرگی یا کوچکی  کای دو را سنجید، مطرح می شود. هر چند این شاخص فاقد یک معیار ثابت برای یک الگوی قابل قبول است، اما اندازه های کوچک تر از دو معمولا به عنوان شاخص مطلوب برای نیکویی برازش در نظر گرفته می شود. با این حال افرادی مانند مارش، بالا و مک دونالد (۱۹۸۸، کالر، ۲۰۰۱) و مولر (۱۹۹۶، فان و واکر، ۲۰۰)، مقادیر تا ۵ برابر درجه آزادی را به عنوان شاخص نیکویی برازش پذیرفته اند (کمالی، ۱۳۸۴).

ریشه خطای میانگین مجذورات تقریب (RMSEA): این شاخص که به صورت اعشاری گزارش می شود، مبتنی بر پارامتر غیر مرکزی است. کای دو اگر کوچک تر از درجه آزادی باشد، RMSEA برابر با صفر به دست می آید. این شاخص برای مدل های خوب برابر ۰۵/۰ یا کمتر است. مدل هایی که RMSEA آنها ۱۰/۰ یا بیشتر باشد برازش ضعیفی دارند. برای این شاخص می توان فاصله اعتماد محاسبه کرد. ایده آل آن است که حد پاییین فاصله اعتماد نزدیک به صفر باشد و حد بالایی آن خیلی بزرگ نباشد (هومن، ۱۳۸۴).

مجذور کای-دو: وقتی حجم گروه نمونه برابر ۷۵ تا ۲۰۰ باشد، مقدار مجذور کای یک اندازه معقول برای برازندگی است. اما برای مدل های با n بزرگ تر، مجذور کای تقریبا همیشه از لحاظ آماری معنادار است. علاوه بر این، مجذور کای تحت تأثیر مقدار همبستگی های موجود در مدل نیز هست؛ هر چه این همبستگی ها زیادتر باشد، برازش ضعیف تر است (هومن، ۱۳۸۴). به همین دلیل برای برازش مدل ها، اندازه های دیگری توسعه یافته است.

معیاری است برای اندازه گیری متوسط باقیمانده ها و تنها در ارتباط با اندازه واریانس ها و کوواریانس ها قابل تفسیر است. به طور معمول این معیار هر قدر کوچک تر باشد حاکی از برازش بهتر است.  (هومن، ۱۳۸۴، قاضی طباطبایی، ۱۳۷۴).

شاخص RMSEA در بیشتر تحلیل هاي عاملی تائیدي و مدل هاي معدلات ساختاري استفاده می شود. براساس دیدگاه مک کالوم، براون و شوگاوارا(۱۹۹۶) و کلاین(۲۰۱۰)اگر مقدار این شاخص کوچکتر از ۰٫۱ باشد برازندگی مدل بسیار عالی است. اگر بین  ۰٫۵ و ۰٫۱ باشد برازندگی مدل خوب است و اگر بین  ۰٫۵ و ۰٫۸ باشد برازندگی مدل متوسط است 

0 پاسخ

دیدگاه خود را ثبت کنید

تمایل دارید در گفتگوها شرکت کنید؟
در گفتگو ها شرکت کنید.

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

5 + 5 =