Skip to content
بازگشت به نتایج جست‌وجو

پژوهش آزمون مدل — طرح آزمون نظریه ساختاری

معرفی‌شده توسط
Karl G. Joreskog (SEM/LISREL framework); formalized through structural equation modeling tradition
سال
1970s (Joreskog 1969–1973); widely adopted in social sciences by the 1980s–1990s
نوع
Confirmatory quantitative research design
خانواده
Survey / observational design

این متن ترجمه ماشینی است و هنوز بازبینی نشده است. متن اصلی را به انگلیسی بخوانید

اندازه قلم

چه کاری انجام می‌دهد؟

پژوهش آزمون مدل، یک طرح کمی تأییدی است که در آن پژوهشگر یک مدل نظری — که روابط فرضی بین سازه‌ها را ترسیم می‌کند — مشخص کرده و سپس میزان انطباق آن مدل با داده‌های تجربی را می‌آزماید. این روش عمدتاً با تکیه بر مدل‌سازی معادلات ساختاری (SEM) و تحلیل عاملی تأییدی (CFA)، ارزیابی می‌کند که آیا ساختار کوواریانس استنباط‌شده از داده‌ها با ساختار مشتق‌شده نظری سازگار است یا خیر، و شاخص‌های انطباقی را ارائه می‌دهد که میزان تطابق مدل با داده‌ها را نشان می‌دهند.

شهود پشت روش

پژوهش آزمون مدل را مانند تطبیق یک نقشه ساختمانی با ساختمان واقعی در نظر بگیرید. شما با این پرسش آغاز نمی‌کنید که «در این داده‌ها چه می‌گذرد؟» — بلکه با تصویری نظری از چگونگی ارتباط متغیرها با یکدیگر آغاز می‌کنید، سپس داده‌ها را جمع‌آوری کرده و می‌پرسید: آیا جهان شبیه نقشه من به نظر می‌رسد؟ شاخص‌های انطباق به شما می‌گویند ساختمان چقدر با نقشه مطابقت دارد، و شاخص‌های اصلاح به شما کمک می‌کنند تا بفهمید نقشه در کجا نیاز به بازنگری دارد. کل منطق، استنتاجی و تأییدی است: ابتدا نظریه، سپس داده.

تاریخ

پایه آماری پژوهش آزمون مدل توسط کارل یورسکوگ (Karl Joreskog) بنا نهاده شد که کار او در زمینه تحلیل عاملی تأییدی (۱۹۶۹) و تحلیل ساختار کوواریانس (۱۹۷۳) منجر به بسته نرم‌افزاری LISREL شد. در طول دهه ۱۹۸۰، SEM در روانشناسی، آموزش، مدیریت و جامعه‌شناسی گسترش یافت و توسط پژوهشگرانی مانند پیتر بنتلر (Peter Bentler) (نرم‌افزار EQS، ۱۹۸۵) و مایکل براون (Michael Browne) محبوبیت یافت. کتاب درسی رکس کلاین (Rex Kline)، که اولین بار در سال ۱۹۹۸ منتشر شد و اکنون در ویرایش چهارم خود (۲۰۱۵) قرار دارد، همچنان مرجع روش‌شناسی استاندارد برای پژوهشگران کاربردی علوم اجتماعی است.

چه زمانی استفاده شود

از پژوهش آزمون مدل زمانی استفاده کنید که نظریه کاملاً توسعه‌یافته‌ای دارید که مشخص می‌کند چگونه چندین سازه پنهان با هم مرتبط هستند، و نیاز دارید ارزیابی کنید که آیا نظریه با داده‌های کوواریانس در سطح جمعیت سازگار است یا خیر. این روش برای اعتبارسنجی ابزارهای اندازه‌گیری (CFA)، آزمون زنجیره‌های میانجی‌گری و تعدیل‌گری، و مقایسه چارچوب‌های نظری رقیب ایده‌آل است. حداقل به N = ۲۰۰ و نشانگرهای متعدد برای هر سازه نیاز دارید. زمانی که نظریه نوپا است، از آن به عنوان اولین گام استفاده نکنید — تحلیل عاملی اکتشافی یا کارهای کیفی مبتنی بر داده باید قبل از مشخص کردن مدل انجام شود. زمانی که حجم نمونه کوچک است، زمانی که سازه‌ها فقط یک نشانگر دارند، یا زمانی که هدف به جای هدایت‌شده توسط نظریه، صرفاً توصیفی است، از آن اجتناب کنید.

محدودیت‌ها و ملاحظات

  • نیاز به حجم نمونه بزرگ (معمولاً N ≥ ۲۰۰) دارد که بسیاری از پژوهشگران قادر به دستیابی به آن نیستند.
  • برازش مدل ممکن است حتی زمانی که تفسیر نظری نادرست است، قابل قبول به نظر برسد — شاخص‌های برازش سازگاری آماری را تأیید می‌کنند، نه حقیقت نظری.
  • به عدم تطابق مدل بسیار حساس است؛ حذف یک مسیر مرتبط نظری، ضرایب دیگر را افزایش داده و برازش را تحریف می‌کند.
  • در برآورد ML، نرمال چندمتغیره را فرض می‌کند؛ نقض این فرض نیازمند استفاده از برآوردگرهای قوی (MLR, WLSMV) است که برای بسیاری از پژوهشگران کاربردی کمتر آشنا هستند.
  • اصلاح مدل پس از وقوع بدون اعتبارسنجی متقابل، یک مطالعه تأییدی را به یک مطالعه اکتشافی تبدیل می‌کند و ارزش علمی آن را تضعیف می‌کند.

شرایط منبع جایگزین بررسی علمی مستقل یا اعتبارسنجی توسط موتور تحلیل نیست.

نقاط قوت

  • چارچوب‌های نظری کامل را به طور همزمان به جای فرضیه‌های دوتایی مجزا، آزمون می‌کند.
  • خطای اندازه‌گیری را از روابط ساختاری جدا می‌کند و تخمین‌های پارامتری دقیق‌تری نسبت به رگرسیون به تنهایی ارائه می‌دهد.
  • امکان مقایسه رسمی مدل‌های رقیب را با استفاده از شاخص‌های برازش و آزمون‌های اختلاف کای-دو فراهم می‌کند.
  • از ارزیابی میانجی‌گری، تعدیل‌گری و اثرات غیرمستقیم در یک چارچوب یکپارچه واحد پشتیبانی می‌کند.
  • ضرایب استاندارد شده و استاندارد نشده‌ای را تولید می‌کند که مستقیماً از نظر نظری قابل تفسیر هستند.
  • به طور گسترده در مجلات با ضریب تأثیر بالا در علوم اجتماعی، رفتاری و بهداشتی شناخته شده و پذیرفته شده است.

کاربردها

  • اعتبارسنجی مقیاس‌های روان‌سنجی و ارزیابی روایی همگرا و واگرا از طریق CFA.
  • آزمون مدل‌های میانجی‌گری ساختاری — به عنوان مثال، اینکه آیا اثر تقاضاهای شغلی بر فرسودگی شغلی توسط خستگی عاطفی میانجی‌گری می‌شود.
  • مقایسه ساختارهای عاملی یا ضرایب مسیر در سراسر گروه‌های جمعیتی از طریق SEM چند-گروهی.
  • بررسی مسیرهای رشد طولی و علیت متقابل از طریق مدل‌های پانل با ضریب متقاطع (cross-lagged).
  • آزمون چارچوب‌های نظری در رفتار سازمانی، روانشناسی سلامت و پژوهش آموزشی.
  • ارزیابی تبیین‌های نظری رقیب با مقایسه برازش آن‌ها با همان مجموعه داده با استفاده از AIC یا BIC.

چگونه کار می‌کند

چگونه کار می‌کند

1

پژوهشگر یک مدل نظری رسمی — که اغلب به صورت نمودار مسیر ترسیم می‌شود — بیان می‌کند که مشخص می‌کند کدام سازه‌های پنهان وجود دارند، چگونه متغیرهای مشاهده‌شده (نشانگرها) با آن سازه‌ها (مدل اندازه‌گیری) مرتبط هستند، و چگونه سازه‌ها با یکدیگر (مدل ساختاری) مرتبط هستند. هر مسیر گنجانده‌شده یا حذف‌شده، بازتابی از یک تعهد نظری اساسی است، نه یک انتخاب مبتنی بر داده.

2

هر سازه پنهان با انتخاب یا توسعه مقیاس‌های چند-آیتمی با پایایی و روایی تثبیت‌شده یا فرضی، عملیاتی می‌شود. الزامات حجم نمونه برآورد می‌شود (یک معیار رایج ۱۰ تا ۲۰ مورد به ازای هر پارامتر آزاد است) و طرح نمونه‌گیری با جمعیت هدف همسو می‌شود تا قابلیت تعمیم‌پذیری را پشتیبانی کند.

3

داده‌ها — معمولاً از طریق پرسشنامه‌های خودگزارشی یا معیارهای بایگانی‌شده — از نمونه‌ای به اندازه کافی بزرگ برای برآورده کردن الزامات برآورد جمع‌آوری می‌شوند (معمولاً N ≥ ۲۰۰ برای SEM). قبل از ادامه برآورد مدل، نرمال چندمتغیره، الگوهای داده‌های گمشده و پروفایل‌های پرت مورد بررسی قرار می‌گیرند.

4

مدل مشخص‌شده با استفاده از یک روش برآورد مانند حداکثر درست‌نمایی (ML) به ماتریس کوواریانس مشاهده‌شده برازش داده می‌شود. برآورد، یک ماتریس کوواریانس بازتولید شده را تولید می‌کند؛ اختلاف بین ماتریس‌های مشاهده‌شده و بازتولید شده توسط آماره‌های برازش خلاصه می‌شود: آزمون کای-دو، CFI، TLI، RMSEA و SRMR.

فرمول
\chi^2, \text{CFI}, \text{RMSEA}, \text{SRMR}
5

برازش مدل در برابر معیارهای متعارف ارزیابی می‌شود (به عنوان مثال، CFI ≥ ۰.۹۵، RMSEA ≤ ۰.۰۶، SRMR ≤ ۰.۰۸). ضرایب مسیر منفرد، خطاهای استاندارد و مقادیر R-squared در پرتو پیش‌بینی‌های نظری تفسیر می‌شوند. برازش ضعیف نشان می‌دهد که مدل نظری به طور کافی فرآیند تولید داده را نشان نمی‌دهد.

6

هنگامی که برازش ناکافی است، شاخص‌های اصلاح ممکن است اصلاحات قابل توجیه نظری را پیشنهاد دهند — افزودن مسیرها، آزاد کردن همبستگی باقی‌مانده‌ها، یا بازنگری در ساختار اندازه‌گیری. هرگونه اصلاح پس از وقوع (post-hoc) باید در یک نمونه مستقل مجدداً اعتبارسنجی شود تا از سوءاستفاده از شانس جلوگیری شود؛ در غیر این صورت، مطالعه از تأییدی به اکتشافی تغییر می‌کند.

دام‌های رایج

  • مشخص کردن مدل پس از بررسی داده‌ها — این کار آزمون مدل را به ساخت مدل تبدیل می‌کند؛ منطق تأییدی بی‌اعتبار می‌شود.
  • پذیرش برازش متوسط به عنوان کافی با گزارش انتخابی تنها شاخص‌های برازش مطلوب و حذف شاخص‌های نامطلوب.
  • رفتار با شاخص‌های اصلاح به عنوان دستورالعملی برای بهبود بدون توجیه نظری — هر مسیر اضافه شده باید بازتاب‌دهنده استدلال اساسی باشد، نه صرفاً بهبود آماری.
  • استفاده از نشانگرهای بسیار کم برای هر سازه (مدل‌های تک-نشانگری نمی‌توانند واریانس سازه را از خطای اندازه‌گیری جدا کنند و مزیت کلیدی SEM را نفی می‌کنند).
  • نادیده گرفتن آزمون ناوردایی هنگام مقایسه گروه‌ها — بارگذاری‌های عاملی و عرض از مبدأ باید قبل از معنادار بودن تفاوت‌های میانگین پنهان، در سراسر گروه‌ها معادل نشان داده شوند.

پرسش‌های متداول

پژوهش آزمون مدل چگونه با پژوهش تأییدی به طور کلی متفاوت است؟

پژوهش تأییدی یک دسته گسترده است که شامل هر طرحی است که برای آزمون یک فرضیه از پیش تعیین‌شده طراحی شده است. پژوهش آزمون مدل نوع خاصی از طرح تأییدی است که کل سیستم روابط فرضی را به طور همزمان ارزیابی می‌کند — معمولاً با استفاده از SEM یا CFA — به جای آزمون فرضیه‌های منفرد یکی پس از دیگری. ویژگی تعیین‌کننده، مشخص‌سازی رسمی یک مدل ساختاری یا اندازه‌گیری قبل از جمع‌آوری داده‌ها است.

به چه حجم نمونه‌ای نیاز دارم؟

یک قاعده سرانگشتی رایج ۱۰ تا ۲۰ مشاهده به ازای هر پارامتر آزاد برآورد شده است، با حداقل مطلق که اغلب N = ۲۰۰ برای برآوردهای پایدار ML ذکر می‌شود. مدل‌های پیچیده با متغیرهای پنهان و مسیرهای متعدد به نمونه‌های بزرگ‌تری نیاز دارند. نرم‌افزارهای تحلیل توان مانند WebPower یا شبیه‌سازی مونت کارلو در Mplus می‌توانند برآوردهای دقیق‌تری از حجم نمونه برای یک ساختار مدل معین ارائه دهند.

کدام شاخص‌های برازش را باید گزارش کنم و مقادیر قابل قبول آن‌ها چیست؟

حداقل موارد زیر را گزارش کنید: کای-دو با درجات آزادی و مقدار p، CFI یا TLI (قابل قبول ≥ ۰.۹۰، خوب ≥ ۰.۹۵)، RMSEA با فاصله اطمینان ۹۰٪ (قابل قبول ≤ ۰.۰۸، خوب ≤ ۰.۰۶)، و SRMR (قابل قبول ≤ ۰.۱۰، خوب ≤ ۰.۰۸). هیچ شاخص واحدی قطعی نیست؛ شواهد همگرا در سراسر شاخص‌های متعدد مورد نیاز است. کای-دو به تنهایی در نمونه‌های بزرگ بیش از حد حساس است.

آیا می‌توانم مدل خود را پس از دیدن داده‌ها اصلاح کنم و همچنان آن را آزمون مدل بنامم؟

اگر اصلاحات بر اساس شاخص‌های اصلاح یا باقی‌مانده‌ها از همان مجموعه داده انجام شود، مطالعه از تأییدی به اکتشافی تغییر کرده است. اصلاحات پس از وقوع تنها در صورتی مجاز هستند که در یک نمونه مستقل نگه‌داشته‌شده (holdout sample) اعتبارسنجی متقابل شوند. در غیر این صورت، مطالعه باید به عنوان توسعه مدل اکتشافی، نه آزمون مدل، توصیف شود.

آیا به استفاده از نرم‌افزار SEM نیاز دارم، یا می‌توانم به جای آن از رگرسیون استفاده کنم؟

برای مدل‌های ساده فقط با متغیرهای مشاهده‌شده، رگرسیون چندگانه ممکن است کافی باشد. با این حال، رگرسیون نمی‌تواند متغیرهای پنهان را در خود جای دهد، خطای اندازه‌گیری را جدا کند، یا برازش کلی مدل را آزمون کند. نرم‌افزارهای اختصاصی SEM — Mplus، lavaan (R)، AMOS، یا LISREL — هر زمان که مدل شامل سازه‌های پنهان، اثرات غیرمستقیم، یا متغیرهای وابسته متعدد که به طور همزمان اندازه‌گیری می‌شوند، باشد، لازم است.

روش‌های مرتبط

منابع

  1. Kline, R. B. (2015). Principles and Practice of Structural Equation Modeling (4th ed.). Guilford Press.

    شابک: 978-1462523344
    کپی شد.
  2. Joreskog, K. G., & Sorbom, D. (1993). LISREL 8: Structural Equation Modeling with the SIMPLIS Command Language. Scientific Software International.

    باز کردن مرجع انتشار
    کپی شد.