نمذجة المعادلات الهيكلية
- قدّمه
- Sewall Wright
- السنة
- 1921
- النوع
- Method
- العائلة
- multivariate-modeling
هذا النص ترجمة آلية ولم تتم مراجعته بعد. اقرأ النص الأصلي بالإنجليزية
ماذا تفعل؟
نمذجة المعادلات الهيكلية (SEM) هي إطار إحصائي شامل يجمع بين تحليل المسار (سيوول رايت، 1921) والتحليل العاملي التأكيدي لاختبار نماذج سببية معقدة تربط بين المتغيرات المرصودة والمتغيرات الكامنة. تم إضفاء الطابع الرسمي عليها بواسطة جوريسكوج (1973) باستخدام برنامج LISREL، وتمكّن SEM من التقدير المتزامن للعلاقات القياسية (كيف تقيس المتغيرات البنى الكامنة) والعلاقات الهيكلية (كيف تؤثر البنى على النتائج)، مما يجعلها قوية لاختبار النظريات في علم النفس، وعلم الأوبئة، والبحوث التنظيمية، والعلوم الصحية حيث تتطلب الوساطة المعقدة، والتعديل، والعمليات الكامنة تحليلًا متكاملًا.
الفكرة الحدسية وراء الطريقة
تتضمن العديد من أسئلة البحث سلاسل سببية معقدة: هل يؤثر المتغير X على النتيجة Y بشكل مباشر، أم بشكل غير مباشر من خلال الوسيط M؟ هل تقيس متغيرات مرصودة متعددة بنية كامنة واحدة؟ تدمج SEM هذه الأسئلة في نموذج واحد. يتضمن الإطار جزأين: (1) نموذج القياس - كيف ترتبط المتغيرات المرصودة بالبنى الكامنة (تحميلات العوامل)، و (2) النموذج الهيكلي - كيف ترتبط البنى سببيًا ببعضها البعض (معاملات المسار). على عكس الانحدار (الذي يتجاهل خطأ القياس) أو التحليل العاملي وحده (الذي يتجاهل العلاقات السببية)، تقدّر SEM المسارات الهيكلية مع مراعاة خطأ القياس. يوفر هذا النهج المزدوج استدلالًا أكثر صحة حول العمليات الأساسية ويمكّن من اختبار التأثيرات غير المباشرة (الوساطة)، والتعديل، والعلاقات المتبادلة.
التاريخ
طور سيوول رايت تحليل المسار (1921) لتفكيك الارتباطات إلى تأثيرات سببية مباشرة وغير مباشرة في علم الوراثة. وحد كارل جوريسكوج تحليل المسار مع التحليل العاملي لإنشاء SEM، وأصدر برنامج LISREL (العلاقات الهيكلية الخطية) في عام 1973، مما مكّن من اختبار الفرضيات المعقدة. جعلت برامج Bentler's EQS (1985) و Arbuckle's AMOS (1995) SEM أكثر سهولة. تشمل التطورات الحديثة التقدير القوي (Yuan & Bentler, 2000)، و SEM متعدد المستويات (Hox & Maas, 2001)، والنماذج الهيكلية الديناميكية (منحنيات النمو الكامنة؛ Bollen & Curran, 2006)، و Bayesian SEM (Lee, 2007).
متى تُستخدم
استخدم نمذجة المعادلات الهيكلية (SEM) عند اختبار النظريات متعددة المتغيرات المعقدة التي تتضمن الوساطة، والتعديل، والبنى الكامنة، والسببية المتبادلة. علم النفس: اختبار ما إذا كانت آليات التأقلم المعرفية (الكامنة) تتوسط تأثير الإجهاد على الاكتئاب، أو كيف تؤثر الشخصية على السلوك من خلال الدافع. علم الأوبئة: نمذجة مسارات مخاطر الأمراض (مثل، الوضع الاجتماعي والاقتصادي → سلوكيات صحية → نتائج القلب والأوعية الدموية). البحوث التنظيمية: اختبار ما إذا كانت القيادة (مقاسة عبر بنود متعددة) تؤثر على الأداء من خلال مشاركة الموظفين (الكامنة). التعليم: نمذجة تأثيرات المناخ المدرسي (بنية كامنة من تقارير المعلمين والطلاب) على تحصيل الطلاب. تتعامل SEM مع المتغيرات الكامنة بشكل طبيعي، مما يجعلها مثالية عندما تكون البنى مجردة أو مقاسة عبر مؤشرات متعددة مع وجود خطأ.
الحدود والاعتبارات
- تتطلب عينات كبيرة وتصميمًا متوازنًا: تقدير المعلمات غير مستقر مع عينات صغيرة أو خصائص عينة متطرفة؛ الحد الأدنى n ≥ 100–200 مع متغيرات كامنة متعددة.
- تفترض تحديد النموذج الصحيح مسبقًا: تختبر SEM النموذج المحدد؛ قد يكون التحديد غير الصحيح (المسارات المحذوفة، الاتجاه السببي الخاطئ) مناسبًا على الرغم من كونه خاطئًا (نماذج مكافئة).
- نماذج مكافئة متعددة ممكنة: هياكل مسارات مختلفة يمكن أن تعيد إنتاج نفس مصفوفة التغاير؛ لا يمكن لـ SEM التمييز بينها بدون نظرية إضافية أو قيود.
- البيانات غير التجريبية لا تعني السببية: معاملات المسار تمثل أوزان الانحدار، وليس التأثيرات السببية؛ لا يزال الارتباك، والسببية العكسية، وتحيز الاختيار يهدد الصلاحية.
- التفاعلات المعقدة والعلاقات غير الخطية يصعب تحديدها وتقديرها في SEM؛ تفترض عادةً علاقات خطية.
لا تغني شروط المصدر عن المراجعة العلمية المستقلة أو التحقق بواسطة محرك تحليل.
نقاط القوة
- مكونات القياس والهيكلية المتكاملة: تقدّر بشكل متزامن كيف تقيس المتغيرات البنى (الصلاحية) وكيف ترتبط البنى (اختبار النظرية).
- تأخذ خطأ القياس في الاعتبار: معاملات المسار مصححة لعدم موثوقية القياس، مما يوفر تقديرات هيكلية أكثر صحة من الانحدار.
- تختبر العلاقات المعقدة: الوساطة، والتعديل، والتأثيرات غير المباشرة، والسببية المتبادلة في إطار عمل متماسك واحد.
- مرونة للبيانات المفقودة: الاحتمالية القصوى الكاملة للمعلومات تمكّن التحليل مع البيانات غير المكتملة تحت افتراض العشوائية التامة للبيانات المفقودة (MCAR).
- تشخيصات مطابقة شاملة: مؤشرات متعددة (CFI، RMSEA، البواقي) تمكّن من تقييم النموذج بشكل شامل وتحديد مصادر عدم المطابقة المحددة.
التطبيقات
- علم النفس الإكلينيكي: اختبار ما إذا كان التعرض للصدمة يؤثر على الاكتئاب من خلال أنماط معرفية سلبية (وساطة)؛ نمذجة الأبعاد الكامنة للاعتلال النفسي.
- الصحة العامة: تقييم ما إذا كانت التدخلات الاجتماعية البيئية تؤثر على السلوكيات الصحية (مثل، المشاركة المجتمعية → المعرفة → تغيير السلوك → النتائج الصحية).
- البحث التربوي: تقييم ما إذا كان تخصيص موارد المدرسة يؤثر على تعلم الطلاب من خلال جودة المعلم والمناخ المدرسي (بنية كامنة).
- السلوك التنظيمي: اختبار ما إذا كان أسلوب القيادة يؤثر على الأداء التنظيمي من خلال دافعية الموظفين والتزامهم (وسطاء كامنة).
- بحث التطور الطولي: نماذج منحنى النمو الكامنة التي تتتبع كيف يتغير الأفراد بمرور الوقت، وتتنبأ بالمسارات من خصائص خط الأساس.
كيف يعمل
كيف يعمل
قم بإدارة نمذجة المعادلات الهيكلية (SEM) عن طريق: (1) تحديد النموذج مسبقًا بناءً على النظرية (ارسم أو صوّر الهيكل السببي المفترض)، (2) تعريف المتغيرات الكامنة (البنى المجردة التي تلاحظها بشكل غير مباشر من خلال المتغيرات المقاسة) ومؤشراتها، (3) تحديد المسارات الهيكلية (فرضيات سببية تربط المتغيرات/البنى)، (4) جمع البيانات على جميع المتغيرات المرصودة (عادة ما تكون مستمرة؛ يمكن لـ SEM التعامل مع البيانات الترتيبية/الفئوية مع التقدير المناسب)، (5) ضمان حجم عينة كافٍ (الحد الأدنى n ≥ 100، ويفضل n ≥ 200؛ قاعدة عامة: n > 10 × عدد المعلمات المقدرة). اجمع البيانات بأقل قدر ممكن من القيم المفقودة؛ تتعامل طريقة الاحتمالية القصوى الكاملة للمعلومات (FIML) مع البيانات المفقودة تحت افتراض العشوائية التامة للبيانات المفقودة (MCAR). حدد المتغيرات الخارجية (الأسباب، عادة ما تكون غير مترابطة) والمتغيرات الداخلية (التأثيرات، قد تكون ناجمة عن متغيرات أخرى).
قدّر نمذجة المعادلات الهيكلية (SEM) باستخدام طريقة الاحتمالية القصوى (ML) أو طرق التقدير القوية (MLR للبيانات غير الطبيعية). يشمل الناتج: (1) معاملات المسار المعيارية (أوزان الانحدار بين المتغيرات): قابلة للمقارنة مباشرة عبر المسارات؛ معامل 0.4 يشير إلى تأثير معتدل. (2) تحميلات العوامل: الارتباطات بين المتغيرات الكامنة ومؤشراتها (≥0.5 مقبول، ≥0.7 قوي). (3) الأخطاء المعيارية وإحصاءات z: لاختبار ما إذا كانت المعاملات تختلف بشكل كبير عن الصفر. (4) التأثيرات غير المباشرة (الوساطة): حاصل ضرب معاملات المسار على طول المسار (المسارات) غير المباشر؛ اختبار عن طريق التمهيد (≥1000 تكرار). (5) R² للمتغيرات الداخلية: نسبة التباين المفسر. (6) مؤشرات المطابقة: CFI > 0.95، TLI > 0.95، RMSEA < 0.06، SRMR < 0.08 (Hu & Bentler, 1999). (7) البواقي: يجب أن تكون القيم المعيارية قريبة من الصفر؛ تشير البواقي الكبيرة إلى عدم ملاءمة النموذج في علاقات محددة. (8) مؤشرات التعديل: تقترح مسارات بديلة؛ ومع ذلك، فإن التعديلات المستندة إلى البيانات تقوض الصلاحية - قم بالتعديل فقط بناءً على النظرية.
فسّر معاملات المسار المعيارية على النحو التالي: معامل 0.5 للمسار X→Y يعني أن زيادة بمقدار انحراف معياري واحد في X تتنبأ بزيادة بمقدار 0.5 انحراف معياري في Y (تأثير مباشر)، مع ثبات المتغيرات الأخرى. إذا كان المعامل p < 0.05، فإن التأثير ذو دلالة إحصائية. التأثيرات غير المباشرة: اضرب المعاملات على طول مسار الوساطة. على سبيل المثال، إذا كان معامل X→M هو 0.3 ومعامل M→Y هو 0.4، فإن التأثير غير المباشر = 0.3 × 0.4 = 0.12؛ يجب أن يستبعد فاصل الثقة بنسبة 95% الذي تم الحصول عليه عن طريق التمهيد الصفر للدلالة. التأثير الإجمالي = مباشر + غير مباشر؛ قارنه بالصفر لتقييم الارتباط العام. ملاءمة النموذج: تلبية جميع معايير المطابقة (CFI، RMSEA، إلخ) تشير إلى أن النموذج يعيد إنتاج بنية التغاير المرصودة بشكل كافٍ. البواقي القريبة من الصفر تؤكد المطابقة عند المسارات الفردية. مؤشرات التعديل > 3.84 تقترح مسارات قد تحسن المطابقة، ولكن إضافة مسارات مخصصة تزيد من خطأ النوع الأول؛ أعد تحديد النماذج فقط بناءً على تبرير نظري أو تحقق من صحتها على عينة مستقلة.
الأخطاء الشائعة
- تعديل النموذج المستند إلى البيانات: إضافة مسارات بشكل متكرر بناءً على مؤشرات التعديل تستغل الصدفة وتنتج نماذج قد لا تتكرر. يجب أن تكون التعديلات مبررة نظريًا مسبقًا أو تم اختبارها على عينة مستقلة.
- تجاهل نموذج القياس: التركيز فقط على المسارات الهيكلية مع السماح بتقدير خطأ القياس بحرية؛ القياس غير الكافي يقوض الصلاحية الهيكلية.
- الإبلاغ عن ملاءمة النموذج دون فحص البواقي: مؤشرات المطابقة العالمية الجيدة لا تضمن ملاءمة جميع المسارات بشكل جيد. افحص البواقي المعيارية ومؤشرات التعديل لتحديد عدم المطابقة المحلية.
- اعتبار SEM تأكيديًا عند استخدامه استكشافيًا: إذا كان النموذج مشتقًا من البيانات (تحديد لاحق)، فأبلغ عنه كاستكشافي وتحقق من صحته على عينة مستقلة.
- الخلط بين الدلالة الإحصائية والدلالة العملية: المسار المهم إحصائيًا (p < 0.05) لا يعني أن التأثير كبير أو ذو مغزى. أبلغ عن أحجام التأثير (المعاملات المعيارية) وفواصل الثقة.
- إشباع النموذج بالمتغيرات الكامنة بشكل مفرط: عدد كبير جدًا من البنى الكامنة بالنسبة للمؤشرات وحجم العينة ينتج تقديرات غير مستقرة؛ استخدم نمذجة المعادلات الهيكلية متعددة المجموعات أو النماذج ثنائية العوامل بحذر.
الأسئلة الشائعة
ما الفرق بين التأثير المباشر والتأثير غير المباشر (الوساطة)؟
التأثير المباشر هو المسار من X إلى Y، ويقيس كيف يؤثر X على Y مباشرة. التأثير غير المباشر هو المسار X→M→Y، ويقيس كيف يؤثر X على Y من خلال الوسيط M. التأثير غير المباشر يساوي حاصل ضرب معامل المسار X→M في معامل المسار M→Y. التأثير الإجمالي = مباشر + غير مباشر. تحدث الوساطة عندما: (1) ينخفض التأثير المباشر X→Y بعد التحكم في M، و (2) يكون التأثير غير المباشر X→M→Y ذا دلالة (فاصل الثقة الذي تم الحصول عليه عن طريق التمهيد يستبعد الصفر). الوساطة الكاملة: يصبح التأثير المباشر غير ذي دلالة بعد تضمين الوسيط. الوساطة الجزئية: كلا التأثيرين المباشر وغير المباشر ذوي دلالة، مما يعني أن X يؤثر على Y عبر مسارات متعددة.
كيف أعرف ما إذا كان نموذجي مناسبًا؟ ماذا تعني مؤشرات CFI و RMSEA؟
يتم الحكم على ملاءمة النموذج من خلال مؤشرات متعددة (معايير Hu & Bentler, 1999): CFI (مؤشر المطابقة المقارن) يقارن نموذجك بنموذج صفري (جميع المتغيرات غير مترابطة)؛ CFI > 0.95 يشير إلى ملاءمة جيدة (يتراوح بين 0-1). RMSEA (متوسط مربع خطأ التقريب) يقيس التباين بين النموذج والبيانات لكل درجة حرية؛ RMSEA < 0.06 ممتاز، 0.06–0.08 جيد، >0.10 سيئ (كلما اقترب من الصفر كان أفضل). يوصى أيضًا بـ TLI > 0.95 و SRMR < 0.08. تلبية جميع المعايير في وقت واحد تشير إلى ملاءمة جيدة. ومع ذلك، فإن الملاءمة العامة الجيدة لا تضمن ملاءمة جميع المسارات؛ افحص البواقي المعيارية (يجب أن تكون < |2|) ومؤشرات التعديل.
ما هو المتغير الكامن، وكيف أقيسه؟
المتغير الكامن هو بنية غير مرصودة (مثل، الاكتئاب، الذكاء، الثقافة التنظيمية) تُقاس بشكل غير مباشر من خلال مؤشرات مرصودة متعددة (بنود استبيان، درجات اختبار). يعكس كل مؤشر البنية الكامنة بالإضافة إلى خطأ القياس. في SEM، تحدد أي المتغيرات المرصودة تقيس أي البنى الكامنة عبر تحميلات العوامل. على سبيل المثال، قد يتم قياس المتغير الكامن 'الاكتئاب' بواسطة بنود: الحزن، اليأس، اضطراب النوم (مؤشرات مرصودة). يجب أن تكون كل تحميلات ≥0.5؛ إذا كان المؤشر يحمل بشكل ضعيف، فكر في إزالته أو إعادة تعريف البنية الكامنة.
هل يمكنني استخدام SEM لإثبات السببية من البيانات الرصدية؟
لا. تقدّر SEM الارتباطات وتختبر ما إذا كان نموذج سببي مفترض يعيد إنتاج بنية الارتباط في البيانات. تمثل معاملات المسار أوزان الانحدار (ارتباطات شرطية)، وليس التأثيرات السببية. تتطلب السببية: (1) الأسبقية الزمنية (تم قياس X قبل Y)، (2) التغاير (X و Y مترابطان)، (3) عدم وجود بدائل معقولة (ارتباك، سببية عكسية). تنتهك SEM الرصدية المعيار 3: المتغيرات المربكة والأسباب غير المقاسة تهدد الصلاحية. لا يمكن لملاءمة SEM الإحصائية وحدها إثبات السببية. استخدم SEM مع النظرية، والأدلة النوعية، وتصميم الدراسة (العشوائية، المتغيرات الآلية) لتعزيز الاستدلال السببي. ضع في اعتبارك تحليلات الحساسية التي تختبر نماذج بديلة.
طرق ذات صلة
المصادر
Jöreskog, K. G., & Sörbom, D. (1973). LISREL: A general computer program for estimating a linear structural equation system. Research Bulletin 73-5. University of Stockholm.
افتح مرجع المنشورتم النسخ.Hu, L. T., & Bentler, P. M. (1999). Cutoff criteria for fit indices in covariance structure analysis: Conventional criteria versus new alternatives. Structural Equation Modeling, 6(1), 1–55.
افتح مرجع DOIتم النسخ.Wright, S. (1921). Correlation and causation. Journal of Agricultural Research, 20(7), 557–585.
افتح مرجع المنشورتم النسخ.