اندیشه اساسی زیر بنای مدل یابی ساختاری

مدل یابی ساختاری

اندیشه اساسی زیر بنای مدل یابی ساختاری

یکی از مفاهیم اساسی که در آمار کاربردی در سطح متوسط دارد اثر انتقال های جمع پذیر و ضرب پذیر در فهرستی از اعداد است. دانشجویان می آموزند که اگر هر یک از اعداد یک فهرست در مقدار ثابت K ضرب شود میانگین اعداد در همان K ضرب می شود و به همین ترتیب ، انحراف استاندارد در مقدار قدر مطلق K ضرب خواهد شد. نکته این است که اگر مجوعه ای از اعداد X با مجموعه دیگری از اعداد Y از طریق معادله Y=4 X مرتبط باشند ، در این صورت واریانس Y باید 16 برابر واریانس X باشد ، و بنابر این از طریق مقایسه واریانسهای X  و Y می توانید به گونه غیر مستقیم این فرضیه را که X و Y از طریق معادله Y=4 X با هم مرتبط هستند بیازمایید.

این اندیشه از طریق تعدادی از معادلات خطی از راههای مختلف به چندین متغیر مرتبط با هم تعمیم داده می شود. هر چند قواعد آن پیچیده تر و محاسبات دشوارتر می شود ، اما پیام کلی ثابت می ماند. یعنی با بررسی واریانسها و کوواریانسهای متغیر ها می توانید این فرضیه را که « متغیر ها از طریق مجموعه ای از روابط خطی با هم مرتبط اند » بیازمایید.

آمار دانها برای آزمون این مطلب که آیا مجموعه ای از واریانسها و کوواریانسها در یک ماتریس با ساختار به خصوص و معینی برازش دارد روشهایی را توسعه داده اند.

مقالات پیشنهادی

راهنمای جامع مدل سازی معادلات ساختاری

راههای ذیل دنبال می شود :

1. راهی را که معتقد هستید متغیر ها با هم مرتبط اند ( اغلب با به کار بردن یک نمودار مسیر ) بیان می کنید ؛
2. از طریق برخی قواعد درونی پیچیده ، این مسئله را که چه دلالتهایی برای واریانسها و کوواریانسهای متغیر ها دارد حل می کنید
3. اینکه آیا واریانسها و کوواریانسها با این مدل برازش دارد آزمون می کنید ؛
4. در این مرحله ، نتایج آزمون آماری و نیز برآورد های پارامتر ها و خطاهای استاندارد برای ضرایب عددی در معادله های خطی گزارش می شود ؛
5. بر پایه این اطلاعات ، تعیین می کنید مدل مورد نظر با داده های شما برازش دارد یا نه.

مقصود آن است که پژوهشگر برای اجرای مقدماتی تحلیل SEM ، ابتدا مدلی را بر پایه تئوری مشخص می سازد. سپس تعیین می کند که چگونه سازه ها را اندازه گیری ، داده ها را گرد آوری و آنها را وارد رایانه کند.

درونداد این تحلیل معمولاً ماتریس کوواریانس متغیر های اندازه گیری شده ( مثلاً نمره های مواد یک تست یا پرسشنامه ) است. هر چند گاهی اوقات ماتریس همبستگیها یا ماتریس کوواریانسها و میانگیها به کاربرده می شود. تحلیلگر داده ها در عمل ، معمولاً برنامه های SEM را با داده های خام تأمین ، و این برنامه ، داده های مذکور را به کوواریانسها و میانگیها برای استفاده لازم تبدیل می کند.

این مدل شامل مجموعه ای از روابط بین متغیر های اندازه گیری شده است. که به عنوان محدودیتهایی در مجموعه کلی روابط ممکن نشان داده می شود. نتایج حاصل ، علاوه بر برآورد پارامتر ها ، خطاهای استاندارد و مشخصه های آزمون برای هر یک از پارامتر های آزاد موجود در مدل ، شامل شاخصهای کلی برازندگی مدل نیز خواهد بود.

چند نکته در مورد مدل یابی 

درباره این فرایند لازم است چند نکته منطقی و بسیار اساسی را به خاطر بسپارید.

• نخست ، هر چند محاسبات ریاضی مورد نیاز برای انجام مدل یابی معادله ساختاری فوق العاده پیچیده است ، منطق اساسی در همان 5 گام بالا نهفته است.

• دوم ، باید بدانیم که ( به دلایل متعدد ) غیر منطقی است اگر انتظار داشته باشیم یک مدل ساختاری به گونه کامل برازش یابد. یک مدل ساختاری با روابط خطی فقط یک تقریب است.

بعید است جهان خطی باشد. روابط حقیقی بین متغیر ها احتمالاً غیر خطی است. علاوه بر این ، بسیاری از مفروضه های آماری نیز تا حدودی زیر سؤال و محل تردید است. پرسش حقیقی این نیست که « آیا این مدل به گونه کامل برازش دارد ؟ » ، بلکه این است که « آیا این مدل به اندازه کافی برازش دارد که تقریب مفیدی برای واقعیت ، و یک تبیین مستدل و منطقی از روند های موجود در داده ها باشد ؟ » . مدلهای SEM را هرگز نمی توان به گونه مطلق پذیرفت ؛ تنها می توان آنها را رد نکرد. این مسئله موجب می شود که پژوهشگران ، یک مدل به خصوص را به گونه موقتی بپذیرند. زیرا اذعان دارند که در بیشتر موارد ، مدلهای هم ارز و معادلی وجود دارد که به همان اندازه مدلی که به گونه موقت پذیرفته اند ، با داده ها برازش دارد.

• سوم ، باید به خاطر داشته باشیم که بیان ساده این مطلب که مدل با داده ها به خوبی برازش دارد ، بدین معنا نیست که آن مدل لزوماً درست است. هرگز نمی توان ثابت کرد که یک مدل ، حقیقی و درست است.

بیان این مطلب سفسطه و نتیجه را به غلط تأیید کردن است. مثلاً می توان گفت که « اگر پرویز یک گربه باشد ، پرویز مو دارد. » اما بیان این مطلب که « اگر یک مدل علّی درست باشد ، با داده ها برازش دارد ». اما برازش مدل با داده ها لزوماً دلالت بر این ندارد که آن مدل یک مدل درست است. هنوز ممکن است مدل دیگری وجود داشته باشد که با داده ها به همان اندازه و به همان خوبی برازش داشته باشد.