Badanie testujące model — Projekt testowania teorii strukturalnej
- Autor metody
- Karl G. Joreskog (SEM/LISREL framework); formalized through structural equation modeling tradition
- Rok
- 1970s (Joreskog 1969–1973); widely adopted in social sciences by the 1980s–1990s
- Typ
- Confirmatory quantitative research design
- Rodzina
- Survey / observational design
Ten tekst jest tłumaczeniem maszynowym i nie został jeszcze sprawdzony. Przeczytaj oryginał po angielsku
Do czego służy?
Badanie testujące model to konfirmacyjny projekt ilościowy, w którym badacz precyzuje model teoretyczny — przedstawiający hipotetyczne związki między konstruktami — a następnie testuje, jak dobrze ten model pasuje do danych empirycznych.
Opierając się głównie na modelowaniu równań strukturalnych (SEM) i konfirmacyjnej analizie czynnikowej (CFA), ocenia, czy struktura kowariancji implikowana przez dane jest zgodna ze strukturą wyprowadzoną teoretycznie, dostarczając wskaźników dopasowania, które wskazują na zgodność modelu z danymi.
Intuicja stojąca za metodą
Badanie testujące model można porównać do sprawdzania projektu architektonicznego z rzeczywistym budynkiem. Nie zaczyna się od pytania „co dzieje się w tych danych?” — zaczyna się od teoretycznie wyprowadzonego obrazu tego, jak zmienne powinny się ze sobą wiązać, następnie zbiera dane i pyta: czy świat wygląda jak mój projekt? Wskaźniki dopasowania mówią, jak blisko budynek odpowiada planowi, a wskaźniki modyfikacji pomagają zidentyfikować, gdzie projekt wymaga rewizji. Cała logika jest dedukcyjna i konfirmacyjna: najpierw teoria, potem dane.
Historia
Podstawy statystyczne dla badań testujących modele zostały położone przez Karla Joreskoga, którego prace nad konfirmacyjną analizą czynnikową (1969) i analizą struktury kowariancji (1973) doprowadziły do powstania pakietu oprogramowania LISREL. W latach 80. SEM rozprzestrzeniło się w psychologii, edukacji, zarządzaniu i socjologii, spopularyzowane przez badaczy takich jak Peter Bentler (oprogramowanie EQS, 1985) i Michael Browne. Podręcznik Rexa Kline'a, opublikowany po raz pierwszy w 1998 roku, a obecnie w czwartym wydaniu (2015), pozostaje standardowym odniesieniem metodologicznym dla badaczy stosowanych nauk społecznych.
Kiedy stosować
Stosuj badania testujące model, gdy masz dobrze rozwiniętą teorię, która precyzuje, jak wiele konstruktów latentnych jest ze sobą powiązanych, i musisz ocenić, czy teoria jest zgodna z danymi kowariancji na poziomie populacji. Jest to idealne rozwiązanie do walidacji instrumentów pomiarowych (CFA), testowania łańcuchów mediacji i moderacji oraz porównywania konkurencyjnych ram teoretycznych. Wymaga co najmniej N = 200 i wielu wskaźników na konstrukt. Nie używaj go jako pierwszego kroku, gdy teoria jest w początkowej fazie — eksploracyjna analiza czynnikowa lub ugruntowana praca jakościowa powinny poprzedzać specyfikację modelu. Unikaj go, gdy wielkość próby jest mała, gdy konstrukty mają tylko jeden wskaźnik lub gdy cel jest czysto opisowy, a nie oparty na teorii.
Ograniczenia i uwagi
- Wymaga dużej próby (zazwyczaj N >= 200), której wielu badaczy nie jest w stanie uzyskać.
- Dopasowanie modelu może wydawać się akceptowalne, nawet jeśli interpretacja teoretyczna jest błędna — wskaźniki dopasowania potwierdzają spójność statystyczną, a nie prawdę teoretyczną.
- Wysoce wrażliwe na błędną specyfikację modelu; pominięcie teoretycznie istotnej ścieżki zawyża inne współczynniki i zniekształca dopasowanie.
- Zakłada wielowymiarową normalność w estymacji ML; naruszenia wymagają solidnych estymatorów (MLR, WLSMV), które są mniej znane wielu badaczom stosowanym.
- Modyfikacja modelu post-hoc bez walidacji krzyżowej przekształca badanie konfirmacyjne w eksploracyjne, podważając jego wartość naukową.
Warunki podane w źródle nie zastępują niezależnego przeglądu naukowego ani walidacji przez silnik analityczny.
Mocne strony
- Testuje jednocześnie całe ramy teoretyczne, a nie izolowane hipotezy dwuzmienne.
- Oddziela błąd pomiaru od relacji strukturalnych, dając dokładniejsze oszacowania parametrów niż sama regresja.
- Umożliwia formalne porównywanie konkurencyjnych modeli za pomocą wskaźników dopasowania i testów różnic chi-kwadrat.
- Wspiera ocenę mediacji, moderacji i efektów pośrednich w ramach jednej zintegrowanej struktury.
- Produkuje standaryzowane i niestandaryzowane współczynniki, które są bezpośrednio interpretowalne w kategoriach teoretycznych.
- Powszechnie uznawane i akceptowane w wysoko punktowanych czasopismach z nauk społecznych, behawioralnych i zdrowotnych.
Zastosowania
- Walidacja skal psychometrycznych i ocena trafności zbieżnej i różnicowej poprzez CFA.
- Testowanie strukturalnych modeli mediacji — na przykład, czy wpływ wymagań pracy na wypalenie jest mediowany przez wyczerpanie emocjonalne.
- Porównywanie struktur czynnikowych lub współczynników ścieżkowych w grupach demograficznych za pomocą SEM wielogrupowego.
- Badanie podłużnych trajektorii wzrostu i wzajemnej przyczynowości za pomocą modeli panelowych z opóźnieniami krzyżowymi.
- Testowanie ram teoretycznych w zachowaniach organizacyjnych, psychologii zdrowia i badaniach edukacyjnych.
- Ocena konkurencyjnych wyjaśnień teoretycznych poprzez porównywanie ich dopasowania do tego samego zbioru danych za pomocą AIC lub BIC.
Jak to działa
Jak to działa
Badacz formułuje formalny model teoretyczny — często przedstawiany jako diagram ścieżkowy — który precyzuje, jakie konstrukty latentne istnieją, jak zmienne obserwowane (wskaźniki) odnoszą się do tych konstruktów (model pomiarowy) i jak konstrukty odnoszą się do siebie nawzajem (model strukturalny). Każda uwzględniona lub wykluczona ścieżka odzwierciedla merytoryczne zobowiązanie teoretyczne, a nie wybór oparty na danych.
Każdy konstrukt latentny jest operacjonalizowany poprzez wybór lub opracowanie skal wielopozycyjnych o ustalonej lub hipotetycznej rzetelności i trafności. Szacowane są wymagania dotyczące wielkości próby (powszechnym punktem odniesienia jest 10–20 przypadków na wolny parametr), a plan próbkowania jest dostosowany do populacji docelowej w celu wsparcia uogólnialności.
Dane są zbierane — zazwyczaj za pomocą kwestionariuszy samoopisowych lub miar archiwalnych — z próby wystarczająco dużej, aby spełnić wymagania estymacji (zazwyczaj N >= 200 dla SEM). Wielowymiarowa normalność, wzorce brakujących danych i profile wartości odstających są badane przed przystąpieniem do estymacji modelu.
Określony model jest dopasowywany do obserwowanej macierzy kowariancji za pomocą metody estymacji, takiej jak metoda największej wiarygodności (ML). Estymacja daje odtworzoną macierz kowariancji; rozbieżność między obserwowaną a odtworzoną macierzą jest podsumowywana przez statystyki dopasowania: test chi-kwadrat, CFI, TLI, RMSEA i SRMR.
Wzór
\chi^2, \text{CFI}, \text{RMSEA}, \text{SRMR}Dopasowanie modelu jest oceniane na podstawie konwencjonalnych kryteriów (np. CFI >= 0.95, RMSEA <= 0.06, SRMR <= 0.08). Indywidualne współczynniki ścieżkowe, błędy standardowe i wartości R-kwadrat są interpretowane w świetle przewidywań teoretycznych. Słabe dopasowanie sygnalizuje, że model teoretyczny nieadekwatnie reprezentuje proces generowania danych.
Gdy dopasowanie jest nieadekwatne, wskaźniki modyfikacji mogą sugerować teoretycznie uzasadnione poprawki — dodawanie ścieżek, uwalnianie skorelowanych reszt lub ponowne rozważenie struktury pomiarowej. Wszelkie modyfikacje post-hoc muszą zostać ponownie zweryfikowane na niezależnej próbie, aby zapobiec wykorzystaniu przypadku; w przeciwnym razie badanie zmienia się z konfirmacyjnego na eksploracyjne.
Częste pułapki
- Specyfikowanie modelu po przeanalizowaniu danych — to przekształca testowanie modelu w budowanie modelu; logika konfirmacyjna zostaje unieważniona.
- Akceptowanie przeciętnego dopasowania jako adekwatnego poprzez selektywne raportowanie tylko korzystnych wskaźników dopasowania, pomijając te słabe.
- Traktowanie wskaźników modyfikacji jako przepisu na poprawę bez teoretycznego uzasadnienia — każda dodana ścieżka powinna odzwierciedlać merytoryczne rozumowanie, a nie jedynie statystyczną poprawę.
- Używanie zbyt małej liczby wskaźników na konstrukt (modele z pojedynczym wskaźnikiem nie mogą oddzielić wariancji konstruktu od błędu pomiaru, niwecząc kluczową zaletę SEM).
- Ignorowanie testowania niezmienności przy porównywaniu grup — obciążenia czynnikowe i punkty przecięcia muszą być równoważne w grupach, zanim różnice w średnich latentnych będą miały sens.
Najczęściej zadawane pytania
Czym różni się badanie testujące model od badań konfirmacyjnych w ogóle?
Badania konfirmacyjne to szeroka kategoria, która obejmuje każde badanie mające na celu przetestowanie z góry określonej hipotezy. Badanie testujące model to specyficzny typ projektu konfirmacyjnego, który ocenia jednocześnie cały system hipotetycznych relacji — zazwyczaj za pomocą SEM lub CFA — zamiast testować pojedyncze hipotezy jedna po drugiej. Cechą definiującą jest formalna specyfikacja modelu strukturalnego lub pomiarowego przed zebraniem danych.
Jaka wielkość próby jest mi potrzebna?
Powszechną zasadą jest 10–20 obserwacji na swobodnie szacowany parametr, z absolutnym minimum często cytowanym jako N = 200 dla stabilnych oszacowań ML. Złożone modele z wieloma zmiennymi latentnymi i ścieżkami wymagają większych prób. Oprogramowanie do analizy mocy, takie jak WebPower, lub symulacja Monte Carlo w Mplus, może dostarczyć dokładniejszych oszacowań wielkości próby dla danej struktury modelu.
Jakie wskaźniki dopasowania powinienem raportować i jakie są akceptowalne wartości?
Raportuj co najmniej: chi-kwadrat ze stopniami swobody i wartością p, CFI lub TLI (akceptowalne >= 0.90, dobre >= 0.95), RMSEA z 90% przedziałem ufności (akceptowalne <= 0.08, dobre <= 0.06) i SRMR (akceptowalne <= 0.10, dobre <= 0.08). Żaden pojedynczy wskaźnik nie jest rozstrzygający; wymagane są zbieżne dowody z wielu wskaźników. Sam chi-kwadrat jest nadmiernie wrażliwy w dużych próbach.
Czy mogę zmodyfikować mój model po zobaczeniu danych i nadal nazywać to testowaniem modelu?
Jeśli modyfikacje są dokonywane na podstawie wskaźników modyfikacji lub reszt z tego samego zbioru danych, badanie zmieniło się z konfirmacyjnego na eksploracyjne. Modyfikacje post-hoc są dopuszczalne tylko wtedy, gdy są walidowane krzyżowo na niezależnej próbie kontrolnej. W przeciwnym razie badanie powinno być opisane jako eksploracyjne opracowywanie modelu, a nie testowanie modelu.
Czy muszę używać oprogramowania SEM, czy mogę zamiast tego użyć regresji?
Dla prostych modeli tylko ze zmiennymi obserwowanymi, regresja wielokrotna może być wystarczająca. Jednak regresja nie może uwzględniać zmiennych latentnych, oddzielać błędu pomiaru ani testować ogólnego dopasowania modelu. Dedykowane oprogramowanie SEM — Mplus, lavaan (R), AMOS lub LISREL — jest wymagane zawsze, gdy model zawiera konstrukty latentne, efekty pośrednie lub wiele zmiennych zależnych mierzonych jednocześnie.
Pokrewne metody
Źródła
Kline, R. B. (2015). Principles and Practice of Structural Equation Modeling (4th ed.). Guilford Press.
ISBN: 978-1462523344Skopiowano.Joreskog, K. G., & Sorbom, D. (1993). LISREL 8: Structural Equation Modeling with the SIMPLIS Command Language. Scientific Software International.
Otwórz odnośnik do publikacjiSkopiowano.