999,000 تومان
375,000 تومان
369,000 تومان
1,399,000 تومان
899,000 تومان
390,000 تومان
399,000 تومان
999,000 تومان
مدل سازی معادلات ساختاری
آموزش مدل سازی معادلات ساختاری
مدل سازی معادلات ساختاری در اصطلاح آماری به زبان لاتین معروف به ” Structural equation modeling” است. گاها این روش که به اختصار به صورت ” SEM” نوشته می شود، یک ابزار و تکنیک قوی چند متغیره بوده که برای ارزیابی روابط علی چند متغیره (multivariate causal relationships) به طور چشم گیری در پژوهش های علمی مورد استفاده قرار می گیرد. روش SEM نسبت به دیگر روش های مدل سازی که از آن ها برای آزمون پیش فرض های روابط علی بکار گرفته می شود، متفاوت است و با آن ها فرق دارد. روش SEM نزدیک به 100 سال است که در بین روش های آماری پیشقراول بوده که در سه نسل اخیر توسعه های چشم گیری در آن ایجاد شده است. نسل اول SEM برای مدل سازی علی با استفاده از تحلیل مسیر (path analysis) از سوی رایت در سال 1918 (Wright) توسعه داده شد. در این هنگام بود که روش SEM تنها بخش کوچکی از علم اجتماعی به شمار می رفت که تحلیل عاملی (factor analysis) را نیز شامل می شد.
اما در نسل دوم، روش آماری SEM توانست ظرفیت های بالقوه خود را خودنمایی کند. در نسل سوم SEM، حدود 2000 تغییر در مدل ساختاری علی توسط لی (2007) ایجاد شد.
تحلیل عاملی تاییدی و تحلیل مسیر در مدل سازی معادلات ساختاری
در روش SEM، 2 روش آماری با یکدیگر ترکیب شده اند: 1-تحلیل عاملی تاییدی(confirmatory factor analysis)؛ 2-تحلیل مسیر(path analysis).
تحلیل عاملی تاییدی(confirmatory factor analysis) که ریشه آن در علم هوش سنجی است، هدف آن برآورد رفتارهای هوش سنجی متغیرهای پنهان است که می توان به متغیرهایی از جمله نگرش (attitude) و رضایت مندی(satisfaction) اشاره کرد. از سوی دیگر، تحلیل مسیر(path analysis) در ابتدا در حوزه زیست شناسی مطرح گردید و هدف آن پیدا کردن روابط علی میان متغیرها با ایجاد یک مدل دایاگرامی است. بعد از مدتی، اقتصاددانان معادلاتی را به طور همزمان مطرح کردند. در اوایل سال 1970 میلادی، روش SEM دو روش فوق الذکر را با یکدیگر ترکیب کرد و در بسیاری از حوزه های آماری مورد استقبال زیادی قرار گرفت که می توان به علوم اجتماعی (social science)، پزشکی (medical) و علم سلامتی (health science) و علوم طبیعی (natural science) اشاره کرد.
نرم افزارهای مدل سازی معادلات ساختاری
در روش SEM، 5 گام منطقی وجود دارد:
1-ویژگی های مدل (model specification)؛ 2-شناسایی مدل (identification)؛ 3-تخمین آماره ها و پارامترها(parameter estimation)؛ 4- ارزیابی مدل (model evaluation) و 5- شاخص های اصلاحی مدل (model modification). اندازه گیری پنج گام اصلی فوق الذکر با نرم افزارهای مدل سازی معادلات ساختاری بسیار راحت بوده و طی کردن این فرایند بر اعتبار (reliability) و پایداری (stability) مدل می افزاید. نرم افزار محبوب برای پیاده سازی روش SEM، غالبا به منو های کاربردی زیادی با ابزارهای متنوع مجهز هستند که می توانیم به نرم افزار آموس (AMOS)، امپلاس (Mplus)، لیزرل (LISREI)، لاووان (Lavaan)، پیس وایز سم(piecewiseSEM)، نرم افزار متلب (Matlab) اشاره کرد.
انواع روش های مدل سازی معادلات ساختاری
روش های مختلفی برای مدل سازی معادلات ساختاری وجود دارد که مهم ترین آن ها عبارتند از:
مدل منحنی رشد پنهان (Latent growth curve –LGC- model): مدل های LGC را می توان برای تفسیر دیتا با استفاده از تغییرات زمانی بکار برد. مدل LGC بر اساس آن دسته از فرضیاتی شکل گرفته که یک رشد ساختاری در امتداد سری های زمانی مشاهده می شد. بازه رشد گاها یک متغیر پنهان بوده که تغییرات در رشد را درون یک فاصله زمانی بخصوصی نشان می دهد و بارهای عاملی همان سری های رشد بوده که از سوی کاربر تعریف می گردد.
مدل بیزین تحلیل مسیر (Bayesian SEM): در مدل BSEM فرض بر این است که پشتیبانی نظری برای مدل و روابط وجود داشته و باورهای قبلی در مورد روابط علی مستحکم هستند. هر فردی می تواند دیتا جدیدی را بکار گرفته و در مدل اولیه آپلود کند طوری که پارامترهای قبلی قایل اندازه گیری باشند. مزیت اصلی روش BSEM این است که هیچ محدودیت و شرطی روی اندازه نمونه نیست. در هرحال، این روش نیازمند دانش اولیه در ارتباط با نوع توزیع داده ها و پارامترهاست.
مدل کمترین مربعات جزئی (Partial least square SEM): روش PLS-SEM یک روش منتخب برای زمانی است که پژوهش، فاقد یک اساس و پایه نظری خوبی است به ویژه وقتی که دانش قبلی ضعیفی در ارتباط با روابط علی بین متغیرها وجود دارد. تاکید در این روش بیشتر روی بعد اکتشافی روابط علی است تا تاییدی آن. در روش PLS-SEM هیچ فرضی در ارتباط با ضرورت وجود نمونه آماری بزرگ یا نرمال بودن توزیع داده ها و حتی نحوه برخورد با مقادیر گمشده وجود ندارد. روش Partial least square SEM یک روش ناپارامتریک است. کاربران با اندازه نمونه آماری کوچک و مبانی نظری ضعیف می تواند از روش PLS-SEM برای آزمون روابط علی استفاده کنند. الگوریتم PLS-SEM موجود در نرم افزار Smart PLS برای تخمین حداکثر بزرگنمایی استفاده می شود.