Skip to content
بازگشت به نتایج جست‌وجو

مدل‌سازی معادلات ساختاری (SEM)

معرفی‌شده توسط
Sewall Wright
سال
1921
نوع
Method
خانواده
multivariate-modeling

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

اندازه قلم

چه کاری انجام می‌دهد؟

مدل‌سازی معادلات ساختاری (SEM) یک چارچوب آماری جامع است که تحلیل مسیر (Sewall Wright, 1921) و تحلیل عاملی تأییدی را برای آزمون مدل‌های علی پیچیده که متغیرهای مشاهده‌شده و پنهان را به هم پیوند می‌دهند، ترکیب می‌کند.

SEM که توسط Jöreskog (1973) با نرم‌افزار LISREL رسمی شد، امکان برآورد همزمان روابط اندازه‌گیری (چگونه متغیرها سازه‌های پنهان را اندازه‌گیری می‌کنند) و روابط ساختاری (چگونه سازه‌ها بر نتایج تأثیر می‌گذارند) را فراهم می‌کند و آن را برای آزمون نظریه در روانشناسی، همه‌گیرشناسی، تحقیقات سازمانی و علوم بهداشت که در آن‌ها فرآیندهای پیچیده میانجی، تعدیل‌کننده و پنهان نیاز به تحلیل یکپارچه دارند، قدرتمند می‌سازد.

شهود پشت روش

بسیاری از پرسش‌های پژوهشی شامل زنجیره‌های علی پیچیده هستند: آیا متغیر X مستقیماً بر نتیجه Y تأثیر می‌گذارد، یا به طور غیرمستقیم از طریق میانجی M؟ آیا چندین متغیر مشاهده‌شده یک سازه پنهان واحد را اندازه‌گیری می‌کنند؟ SEM این پرسش‌ها را در یک مدل ادغام می‌کند. این چارچوب شامل دو بخش است: (۱) مدل اندازه‌گیری – چگونه متغیرهای مشاهده‌شده به سازه‌های پنهان مرتبط می‌شوند (بارهای عاملی)، و (۲) مدل ساختاری – چگونه سازه‌ها به طور علی به یکدیگر مرتبط می‌شوند (ضرایب مسیر). برخلاف رگرسیون (که خطای اندازه‌گیری را نادیده می‌گیرد) یا تحلیل عاملی به تنهایی (که روابط علی را نادیده می‌گیرد)، SEM مسیرهای ساختاری را ضمن در نظر گرفتن خطای اندازه‌گیری، برآورد می‌کند. این رویکرد دوگانه منجر به استنتاج معتبرتر در مورد فرآیندهای زیربنایی می‌شود و امکان آزمون اثرات غیرمستقیم (میانجیگری)، تعدیل‌گری و روابط متقابل را فراهم می‌کند.

تاریخ

Sewall Wright تحلیل مسیر (۱۹۲۱) را برای تجزیه همبستگی‌ها به اثرات علی مستقیم و غیرمستقیم در ژنتیک توسعه داد. Karl Jöreskog تحلیل مسیر را با تحلیل عاملی متحد کرد تا SEM را ایجاد کند و نرم‌افزار LISREL (Linear Structural Relations) را در سال ۱۹۷۳ منتشر کرد و امکان آزمون فرضیه‌های پیچیده را فراهم نمود. EQS Bentler (۱۹۸۵) و AMOS Arbuckle (۱۹۹۵) SEM را در دسترس‌تر کردند. تحولات مدرن شامل برآوردهای مقاوم (Yuan & Bentler, 2000)، SEM چند سطحی (Hox & Maas, 2001)، مدل‌های ساختاری پویا (منحنی‌های رشد پنهان؛ Bollen & Curran, 2006) و SEM بیزی (Lee, 2007) است.

چه زمانی استفاده شود

زمانی از SEM استفاده کنید که نظریه‌های چندمتغیره پیچیده شامل میانجیگری، تعدیل‌گری، سازه‌های پنهان و علیت متقابل را آزمون می‌کنید. روانشناسی: آزمون اینکه آیا مقابله شناختی (پنهان) اثر استرس بر افسردگی را میانجیگری می‌کند، یا چگونه شخصیت از طریق انگیزش بر رفتار تأثیر می‌گذارد. همه‌گیرشناسی: مدل‌سازی مسیرهای خطر بیماری (به عنوان مثال، وضعیت اجتماعی-اقتصادی → رفتارهای سلامتی → پیامدهای قلبی-عروقی). تحقیقات سازمانی: آزمون اینکه آیا رهبری (اندازه‌گیری شده از طریق چندین مورد) از طریق تعهد کارکنان (پنهان) بر عملکرد تأثیر می‌گذارد. آموزش: مدل‌سازی اثرات جو مدرسه (سازه پنهان از گزارش‌های معلمان و دانش‌آموزان) بر پیشرفت تحصیلی. SEM به طور طبیعی متغیرهای پنهان را مدیریت می‌کند و آن را ایده‌آل می‌سازد زمانی که سازه‌ها انتزاعی هستند یا از طریق چندین شاخص با خطا اندازه‌گیری می‌شوند.

محدودیت‌ها و ملاحظات

  • نیاز به نمونه‌های بزرگ و طراحی متعادل: برآورد پارامتر با n کوچک یا ویژگی‌های نمونه شدید ناپایدار است؛ حداقل n ≥ ۱۰۰–۲۰۰ با چندین متغیر پنهان.
  • فرض می‌کند که مدل پیشینی به درستی مشخص شده است: SEM مدل مشخص شده را آزمون می‌کند؛ مشخصات نادرست (مسیرهای حذف شده، جهت علی اشتباه) ممکن است با وجود نادرست بودن، برازش خوبی داشته باشند (مدل‌های معادل).
  • مدل‌های معادل متعدد ممکن است: ساختارهای مسیر مختلف می‌توانند ماتریس کوواریانس یکسانی را بازتولید کنند؛ SEM نمی‌تواند بین آن‌ها تمایز قائل شود مگر با نظریه یا محدودیت‌های اضافی.
  • داده‌های غیرآزمایشی به معنای علیت نیستند: ضرایب مسیر نشان‌دهنده وزن‌های رگرسیون هستند، نه اثرات علی؛ متغیرهای مخدوش‌کننده، علیت معکوس و سوگیری انتخاب همچنان اعتبار را تهدید می‌کنند.
  • روابط متقابل و غیرخطی پیچیده به سختی در SEM مشخص و برآورد می‌شوند؛ معمولاً روابط خطی را فرض می‌کند.

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

نقاط قوت

  • اجزای اندازه‌گیری و ساختاری یکپارچه: به طور همزمان برآورد می‌کند که چگونه متغیرها سازه‌ها را اندازه‌گیری می‌کنند (اعتبار) و چگونه سازه‌ها به هم مرتبط می‌شوند (آزمون نظریه).
  • خطای اندازه‌گیری را در نظر می‌گیرد: ضرایب مسیر برای عدم اطمینان در اندازه‌گیری تصحیح شده‌اند و برآوردهای ساختاری معتبرتری نسبت به رگرسیون ارائه می‌دهند.
  • روابط پیچیده را آزمون می‌کند: میانجیگری، تعدیل‌گری، اثرات غیرمستقیم و علیت متقابل در یک چارچوب منسجم.
  • انعطاف‌پذیر برای داده‌های گمشده: حداکثر درست‌نمایی با اطلاعات کامل، امکان تحلیل با داده‌های ناقص را تحت فرض MCAR فراهم می‌کند.
  • تشخیص‌های جامع برازش: شاخص‌های متعدد (CFI، RMSEA، باقی‌مانده‌ها) امکان ارزیابی کامل مدل و شناسایی منابع خاص عدم برازش را فراهم می‌کنند.

کاربردها

  • روانشناسی بالینی: آزمون اینکه آیا مواجهه با تروما از طریق الگوهای شناختی منفی (میانجیگری) بر افسردگی تأثیر می‌گذارد؛ مدل‌سازی ابعاد پنهان آسیب‌شناسی روانی.
  • بهداشت عمومی: ارزیابی اینکه آیا مداخلات اجتماعی-اکولوژیکی بر رفتارهای سلامتی تأثیر می‌گذارند (به عنوان مثال، تعامل اجتماعی → دانش → تغییر رفتار → پیامدهای سلامتی).
  • تحقیقات آموزشی: ارزیابی اینکه آیا تخصیص منابع مدرسه از طریق کیفیت معلمان و جو مدرسه (سازه پنهان) بر یادگیری دانش‌آموز تأثیر می‌گذارد.
  • رفتار سازمانی: آزمون اینکه آیا سبک رهبری از طریق انگیزه و تعهد کارکنان (میانجی‌های پنهان) بر عملکرد سازمانی تأثیر می‌گذارد.
  • تحقیقات رشد طولی: مدل‌های منحنی رشد پنهان که ردیابی می‌کنند چگونه افراد در طول زمان تغییر می‌کنند و مسیرها را از ویژگی‌های پایه پیش‌بینی می‌کنند.

چگونه کار می‌کند

چگونه کار می‌کند

1

SEM را با موارد زیر اجرا کنید: (۱) مشخص کردن مدل پیشینی بر اساس نظریه (ترسیم یا نمودار ساختار علی فرضی)، (۲) تعریف متغیرهای پنهان (سازه‌های انتزاعی که شما به طور غیرمستقیم از طریق متغیرهای اندازه‌گیری‌شده مشاهده می‌کنید) و شاخص‌های آن‌ها، (۳) مشخص کردن مسیرهای ساختاری (فرضیه‌های علی که متغیرها/سازه‌ها را به هم پیوند می‌دهند)، (۴) جمع‌آوری داده‌ها در مورد تمام متغیرهای مشاهده‌شده (معمولاً پیوسته؛ SEM می‌تواند داده‌های ترتیبی/طبقه‌ای را با برآورد مناسب مدیریت کند)، (۵) اطمینان از اندازه نمونه کافی (حداقل n ≥ ۱۰۰، ایده‌آل n ≥ ۲۰۰؛ قاعده سرانگشتی: n > ۱۰ برابر تعداد پارامترهای برآورد شده). داده‌ها را با حداقل مقادیر گمشده جمع‌آوری کنید؛ برآورد حداکثر درست‌نمایی با اطلاعات کامل (FIML) داده‌های گمشده را تحت فرض کاملاً تصادفی بودن گمشده (MCAR) مدیریت می‌کند. متغیرهای برون‌زا (علل، معمولاً نامرتبط) و متغیرهای درون‌زا (اثرات، ممکن است ناشی از متغیرهای دیگر باشند) را تعریف کنید.

2

SEM را با استفاده از روش‌های برآورد حداکثر درست‌نمایی (ML) یا روش‌های برآورد مقاوم (MLR برای داده‌های غیرنرمال) برآورد کنید. خروجی شامل موارد زیر است: (۱) ضرایب مسیر استاندارد شده (وزن‌های رگرسیون بین متغیرها): قابل مقایسه مستقیم بین مسیرها؛ ضریب ۰.۴ نشان‌دهنده اثر متوسط است. (۲) بارهای عاملی: همبستگی بین متغیرهای پنهان و شاخص‌های آن‌ها (≥۰.۵ قابل قبول، ≥۰.۷ قوی). (۳) خطاهای استاندارد و آماره‌های z: آزمون اینکه آیا ضرایب به طور قابل توجهی از صفر متفاوت هستند. (۴) اثرات غیرمستقیم (میانجیگری): حاصلضرب ضرایب مسیر در طول مسیر(های) غیرمستقیم؛ آزمون از طریق بوت‌استرپ (≥۱۰۰۰ تکرار). (۵) R² برای متغیرهای درون‌زا: نسبت واریانس تبیین شده. (۶) شاخص‌های برازش: CFI > ۰.۹۵، TLI > ۰.۹۵، RMSEA < ۰.۰۶، SRMR < ۰.۰۸ (Hu & Bentler, 1999). (۷) باقی‌مانده‌ها: مقادیر استاندارد شده باید نزدیک به صفر باشند؛ باقی‌مانده‌های بزرگ نشان‌دهنده عدم برازش مدل در روابط خاص است. (۸) شاخص‌های تعدیل: مسیرهای جایگزین را پیشنهاد می‌کنند؛ با این حال، تعدیل‌های مبتنی بر داده اعتبار را به خطر می‌اندازند – فقط بر اساس نظریه تعدیل کنید.

3

ضرایب مسیر استاندارد شده را به صورت زیر تفسیر کنید: ضریب ۰.۵ برای مسیر X→Y به این معنی است که افزایش ۱ انحراف معیار در X، افزایش ۰.۵ انحراف معیار در Y را پیش‌بینی می‌کند (اثر مستقیم)، با ثابت نگه داشتن سایر متغیرها. اگر ضریب p < ۰.۰۵ باشد، اثر از نظر آماری معنی‌دار است. اثرات غیرمستقیم: ضرایب را در طول مسیر میانجی ضرب کنید. به عنوان مثال، اگر ضریب X→M ۰.۳ و M→Y ۰.۴ باشد، اثر غیرمستقیم = ۰.۳×۰.۴ = ۰.۱۲؛ فاصله اطمینان ۹۵٪ بوت‌استرپ باید صفر را برای معنی‌داری حذف کند. اثر کل = مستقیم + غیرمستقیم؛ برای ارزیابی همبستگی کلی با صفر مقایسه کنید. برازش مدل: برآورده شدن تمام معیارهای برازش (CFI، RMSEA و غیره) نشان می‌دهد که مدل به طور کافی ساختار کوواریانس مشاهده‌شده را بازتولید می‌کند. باقی‌مانده‌های نزدیک به صفر برازش در مسیرهای فردی را تأیید می‌کنند. شاخص‌های تعدیل > ۳.۸۴ مسیرهایی را پیشنهاد می‌کنند که ممکن است برازش را بهبود بخشد، اما افزودن مسیرهای موقت، خطای نوع اول را افزایش می‌دهد؛ مدل‌ها را فقط بر اساس توجیه نظری یا اعتبارسنجی متقابل بر روی نمونه مستقل مجدداً مشخص کنید.

دام‌های رایج

  • تعدیل مدل مبتنی بر داده: افزودن تکراری مسیرها بر اساس شاخص‌های تعدیل، شانس را سرمایه‌گذاری می‌کند و مدل‌هایی تولید می‌کند که ممکن است تکرار نشوند. تعدیل‌ها باید پیشینی از نظر نظری توجیه شوند یا بر روی نمونه مستقل آزمون شوند.
  • نادیده گرفتن مدل اندازه‌گیری: تمرکز فقط بر مسیرهای ساختاری در حالی که اجازه داده می‌شود خطای اندازه‌گیری آزادانه برآورد شود؛ اندازه‌گیری ناکافی اعتبار ساختاری را تضعیف می‌کند.
  • گزارش برازش مدل بدون بررسی باقی‌مانده‌ها: شاخص‌های برازش کلی خوب تضمین نمی‌کنند که تمام مسیرها به خوبی برازش داشته باشند. باقی‌مانده‌های استاندارد شده و شاخص‌های تعدیل را برای شناسایی عدم برازش موضعی بررسی کنید.
  • رفتار با SEM به عنوان تأییدی در حالی که به صورت اکتشافی استفاده می‌شود: اگر مدل مبتنی بر داده (مشخصات پس از واقعیت) بود، آن را به عنوان اکتشافی گزارش دهید و بر روی نمونه مستقل اعتبارسنجی کنید.
  • اشتباه گرفتن معنی‌داری آماری با معنی‌داری عملی: مسیر معنی‌دار (p < ۰.۰۵) به معنای بزرگ یا معنادار بودن اثر نیست. اندازه اثر (ضرایب استاندارد شده) و فواصل اطمینان را گزارش دهید.
  • اشباع بیش از حد مدل با متغیرهای پنهان: تعداد زیاد سازه‌های پنهان نسبت به شاخص‌ها و اندازه نمونه، برآوردهای ناپایداری تولید می‌کند؛ از مدل‌های SEM چندگروهی یا بای‌فاکتور با احتیاط استفاده کنید.

پرسش‌های متداول

تفاوت بین اثر مستقیم و اثر غیرمستقیم (میانجیگری) چیست؟

اثر مستقیم مسیر از X به Y است که کمی‌سازی می‌کند چگونه X مستقیماً بر Y تأثیر می‌گذارد. اثر غیرمستقیم مسیر X→M→Y است که کمی‌سازی می‌کند چگونه X از طریق میانجی M بر Y تأثیر می‌گذارد. اثر غیرمستقیم برابر با حاصلضرب مسیر X→M در مسیر M→Y است. اثر کل = مستقیم + غیرمستقیم. میانجیگری زمانی رخ می‌دهد که: (۱) اثر مستقیم X→Y پس از کنترل M کاهش یابد، و (۲) اثر غیرمستقیم X→M→Y معنی‌دار باشد (بازه اطمینان بوت‌استرپ صفر را حذف کند). میانجیگری کامل: اثر مستقیم پس از گنجاندن میانجی غیرمعنی‌دار می‌شود. میانجیگری جزئی: هر دو اثر مستقیم و غیرمستقیم معنی‌دار هستند، به این معنی که X از طریق چندین مسیر بر Y تأثیر می‌گذارد.

چگونه بفهمم مدل من خوب برازش دارد؟ CFI و RMSEA به چه معنا هستند؟

برازش مدل با چندین شاخص قضاوت می‌شود (معیارهای Hu & Bentler, 1999): CFI (شاخص برازش مقایسه‌ای) مدل شما را با یک مدل صفر (همه متغیرها نامرتبط) مقایسه می‌کند؛ CFI > ۰.۹۵ برازش خوب را نشان می‌دهد (محدوده ۰–۱). RMSEA (خطای مجذور میانگین ریشه‌ای تقریب) ناهمگونی بین مدل و داده‌ها به ازای درجه آزادی را کمی‌سازی می‌کند؛ RMSEA < ۰.۰۶ عالی، ۰.۰۶–۰.۰۸ خوب، > ۰.۱۰ ضعیف (نزدیک به صفر بهتر است). TLI > ۰.۹۵ و SRMR < ۰.۰۸ نیز توصیه می‌شوند. برآورده شدن همزمان تمام معیارها نشان‌دهنده برازش خوب است. با این حال، برازش کلی خوب، تضمین نمی‌کند که تمام مسیرها برازش داشته باشند؛ باقی‌مانده‌های استاندارد شده (باید < |۲|) و شاخص‌های تعدیل را بررسی کنید.

متغیر پنهان چیست و چگونه آن را اندازه‌گیری کنم؟

متغیر پنهان یک سازه مشاهده‌نشده (مانند افسردگی، هوش، فرهنگ سازمانی) است که به طور غیرمستقیم از طریق چندین شاخص مشاهده‌شده (موارد پرسشنامه، نمرات آزمون) اندازه‌گیری می‌شود. هر شاخص سازه پنهان به علاوه خطای اندازه‌گیری را منعکس می‌کند. در SEM، شما مشخص می‌کنید که کدام متغیرهای مشاهده‌شده کدام متغیرهای پنهان را از طریق بارهای عاملی اندازه‌گیری می‌کنند. به عنوان مثال، متغیر پنهان 'افسردگی' ممکن است با موارد زیر اندازه‌گیری شود: غم، ناامیدی، اختلال خواب (شاخص‌های مشاهده‌شده). هر بار عاملی باید ≥۰.۵ باشد؛ اگر شاخصی بار ضعیفی داشته باشد، حذف آن یا بازنگری در سازه پنهان را در نظر بگیرید.

آیا می‌توانم از SEM برای ایجاد علیت از داده‌های مشاهده‌ای استفاده کنم؟

خیر. SEM همبستگی‌ها را برآورد می‌کند و آزمون می‌کند که آیا یک مدل علی فرضی، ساختار همبستگی در داده‌ها را بازتولید می‌کند یا خیر. ضرایب مسیر نشان‌دهنده وزن‌های رگرسیون (همبستگی‌های شرطی) هستند، نه اثرات علی. علیت نیازمند موارد زیر است: (۱) تقدم زمانی (X قبل از Y اندازه‌گیری شود)، (۲) همبستگی (X و Y همبسته باشند)، (۳) هیچ جایگزین معتبری وجود نداشته باشد (متغیرهای مخدوش‌کننده، علیت معکوس). SEM مشاهده‌ای معیار ۳ را نقض می‌کند: متغیرهای مخدوش‌کننده و علل مشاهده‌نشده اعتبار را تهدید می‌کنند. برازش آماری SEM به تنهایی نمی‌تواند علیت را اثبات کند. از SEM با نظریه، شواهد کیفی و طراحی مطالعه (تصادفی‌سازی، متغیرهای ابزاری) برای تقویت استنتاج علی استفاده کنید. تحلیل‌های حساسیت را برای آزمون مدل‌های جایگزین در نظر بگیرید.

روش‌های مرتبط

منابع

  1. 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.

    باز کردن مرجع انتشار
    کپی شد.
  2. 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.

    باز کردن مرجع DOI
    کپی شد.
  3. Wright, S. (1921). Correlation and causation. Journal of Agricultural Research, 20(7), 557–585.

    باز کردن مرجع انتشار
    کپی شد.