Create your own banner at mybannermaker.com!

 

مدل یابی معادلات ساختاری

[]

مدل یابی معادلات ساختاری (Structural equation modeling: SEM)یک تکنیک تحلیل چند متغیری بسیار کلی و نیرومند از خانواده رگرسیون چند متغیری و به بیان دقیق‌تر بسط "مدل خطی کلی"(General linear model) است. که به پژوهشگر امکان می‌دهد مجموعه ای از معادلات رگرسیون را به گونه هم زمان مورد آزمون قرار دهد.

مدل یابی معادله ساختاری یک رویکرد جامع برای آزمون فرضیه‌هایی درباره روابط متغیرهای مشاهده شده و مکنون است که گاه تحلیل ساختاری کوواریانس، مدل یابی علّی و گاه نیز لیزرل(lISREL) نامیده شده است اما اصطلاح غالب در این روزها، مدل یابی معادله ساختاری یا به گونه خلاصه SEM است.(هومن 1384،11) .

از نظر آذر (1381) نیز یکی از قوی‌ترین و مناسب‌ترین روش‌های تجزیه و تحلیل در تحقیقات علوم رفتاری و اجتماعی، تجزیه و تحلیل چند متغیره است زیرا این گونه موضوعات چند متغیره بوده و نمی توان آنها را با شیوه دو متغیری (که هر بار یک متغیر مستقل با یک متغیر وابسته در نظر گرفته می‌شود) حل نمود.

«تجزیه و تحلیل ساختارهای کوواريانس» یا همان «مدل یابی معادلات ساختاری»، یکی از اصلی‌ترین روش‌های تجزیه و تحلیل ساختار داده‌های پیچیده و یکی از روش‌های نو برای بررسی روابط علت و معلولی است و به معنی تجزیه و تحلیل متغیرهای مختلفی است که در یک ساختار مبتنی بر تئوری، تاثیرات همزمان متغیرها را به هم نشان می‌دهد. از طریق این روش می‌توان قابل قبول بودن مدل‌های نظری را در جامعه‌های خاص با استفاده از داده‌های همبستگی، غیر آزمایشی و آزمایشی آزمود.

مدل سازی معادلات ساختاری ابزاری قدرتمند برای پژوهشگر می باشد که وی را در تدوین چارچوب نظری پژوهش در قالب مدل های اندازه گیری و ساختاری یاری می رساند. علاوه بر ان با بهره گیری از داده های تجربی امکان آزمون مدل های تدوین شده را به عنوان یک کل فراهم اورده و با شاخص هایی که در اختیار پژوهشگر قرار می دهد وی را در اصلاح و بهبود مدل راهنمایی می کند.

انچه مدل سازی معادلات ساختاری را قدرتمند ساخته یکی ان است که به لحاظ روش شناختی از دقت بالایی برخوردار است و دیگر این که به لحاظ کاربردی با شرایط واقعی زندگی اجتماعی بسیار نزدیک است. به لحاظ روش شناختی از دقت بالایی برخوردار است چرا که با متغیرهای پنهان واقعا به عنوان سازه هایی برخورد می کند که در سنجش ان خطا وجود دارد و به لحاظ کاربردی به واقعیت زندگی اجتماعی نزدیک می شود چرا که در فضایی چند متغیره امکان تحلیل داده ها را فراهم می آورد.

مدل سازی معادلات ساختاری به لحاظ مفهومی قابل تقلیل به تحلیل رگرسیونی، تحلیل مسیر یا تحلیل عاملی نیست بلکه هر یک از این ها جزئی از این فضای مفهومی را به خد اختصاص می دهند. مدل سازی معادلات ساختاری را می توان به عنوان روشی کمی تلقی کرد که به پژوهشگر یارری می رساند تا پژوهش خود را از مطالعات نظری و تدوین چارچوب نظری گرفته تا تحلیل داده های تجربی، در قالبی چندمتغیره سامان بخشد.

 

شاخص‌های برازندگی مدل (آزمون‌های برازندگی مدل)

[]

با آنکه انواع گوناگون آزمون‌ها که به گونه کلی شاخص‌های برازندگی(Fitting indexes) نامیده می‌شوند پیوسته در حال مقایسه، توسعه و تکامل می‌باشند اما هنوز درباره حتی یک آزمون بهینه نیز توافق همگانی وجود ندارد. نتیجه آن است که مقاله‌های مختلف، شاخص‌های مختلفی را ارائه کرده اند و حتی نگارش‌های مشهور برنامه‌های SEM مانند نرم افزارهایlisrel, Amos, EQS نیز تعداد زیادی از شاخص‌های برازندگی به دست می‌دهند.(هومن1384 ،235) این شاخص‌ها به شیوه‌های مختلفی طبقه بندی شده اند که یکی از عمده‌ترین آنها طبقه بندی به صورت مطلق، نسبی و تعدیل یافته می‌باشد. برخی از این شاخص ها عبارتند از:

شاخص‌های GFI و AGFI :

شاخص GFI (Goodness of fit index )مقدار نسبی واریانس‌ها و کوواریانس‌ها را به گونه مشترک از طریق مدل ارزیابی می‌کند. دامنه تغییرات GFI بین صفر و یک می‌باشد. مقدار GFI باید برابر یا بزرگتر از 90/0باشد.

شاخص برازندگی دیگر (Adjusted Goodness of Fit Index)AGFI یا همان مقدار تعدیل یافته شاخص GFI برای درجه آزادی می‌باشد. این مشخصه معادل با کاربرد میانگین مجذورات به جای مجموع مجذورات در صورت و مخرج (1- GFI) است. مقدار این شاخص نیز بین صفر و یک می‌باشد. شاخص‌های GFI و AGFI را که جارزکاگ و سوربوم (1989) پیشنهاد کرده اند بستگی به حجم نمونه ندارد.

 شاخص RMSEA :

اين شاخص , ريشة ميانگين مجذورات تقريب می‌باشد. شاخص (Root Mean Square Error of Approximation)RMSEAبرای مدل‌های خوب برابر 0.05 یا کمتر است. مدلهایی که RMSEA آنها 0.1 باشد برازش ضعیفی دارند.

مجذور کای:

 آزمون مجذور كاي (خي دو) اين فرضيه را مدل مورد نظر هماهنگ با الگوی همپراشی بين متغيرهای مشاهده شده است را می‌آزمايد، کميت خي دو بسيار به حجم نمونه وابسته می‌باشد و نمونه بزرگ کميت خی دو را بيش از آنچه که بتوان آن را به غلط بودن مدل نسبت داد, افزايش می‌دهد. (هومن.1384. 422).

شاخص NFI و CFI :

شاخصNFI (که شاخص بنتلر-بونت هم نامیده می‌شود) برای مقادیر بالای 90/0 قابل قبول و نشانه برازندگی مدل است. شاخص CFIبزرگتر از 90/0 قابل قبول و نشانه برازندگی مدل است. این شاخص از طریق مقایسه یک مدل به اصطلاح مستقل که در آن بین متغیرها هیچ رابطه ای نیست با مدل پیشنهادی مورد نظر، مقدار بهبود را نیز می‌آزماید. شاخص CFIاز لحاظ معنا مانند NFI است با این تفاوت که برای حجم گروه نمونه جریمه می‌دهد.

 شاخص‌های دیگری نیز در خروجی نرم افزار لیزرل دیده می‌شوند که برخی مثلAIC, CAIC ECVA , برای تعیین برازنده‌ترین مدل از میان چند مدل مورد توجه قرار می‌گیرند برای مثال مدلی که دارای کوچکترین AIC,CAIC,ECVA باشد برازنده‌تر است.(هومن1384 ،244-235) برخی از شاخص‌ها نیز به شدت وابسته حجم نمونه اند و در حجم نمونه‌های بالا می‌توانند معنا داشته باشند.

 

درباره ما | مدلیابی معادلات ساختاری (SEM) | لیزرل (LISREL) | خدمات کلینیک | توصیه بسیار مهم | تماس با ما 

کلیه حقوق این سایت محفوظ و متعلق به کلینیک مدلیابی معادلات ساختاری می باشد.

 
Powered by : http://www.aryanic.com