معادلات ساختاری(SEM)
تاریخ : 2014/11/26 نویسنده : h.gh دیدگاه : 1

index
مدل معادلات ساختاری و یا به طور اختصار SEM که مخفف (Structural Equational Modeling) می باشد از روشهای جدید آماری و یکی از قویترین روشهای تجزیه و تحلیل چندمتغیره است که برخی هم به آن تحلیل ساختاری کواریانس، الگوسازی علی و لیزرل اطلاق میکنند. کاربرد اصلی آن در موضوعات چند متغیرهای است که نمی توان آنها را به شیوه دو متغیری با در نظر گرفتن هربار یک متغیر مستقل با یک متغیر وابسته انجام داد. تجزیه و تحلیل چندمتغیره به یک سری روشهای تجزیه و تحلیل اطلاق میشود که ویژگی اصلی آنها، تجزیه و تحلیل همزمان چند
متغیر مستقل با چند متغیر وابسته است.به عبارت دیگر وقتی شما میخواهید متغیر وابسته خود به عنوان مثال بزه کاری را با متغیرهای مستقلی همچون انگیزه فردی، روابط خانوادگی، سابقه بزهکاری، موقعیت اجتماعی اقتصادی و از این قبیل پیشبینی کنید بایستی به طراحی یک مدل علی و ارزیابی آن بپردازید که با استفاده از مدلیابی معادلات ساختاری قادر به آن خواهید بود. بنابراین شما در این پژوهش برخی از موارد را به طور مستقیم اندازهگیری میکنید(بخش اندازهگیری مدل) که عموماً همان گویههای پرسشنامه است و برخی از موارد را با ترکیب این گویه ها بدست آورده و روابط آنها را میسنجید(بخش تحلیل مسیر مدل) تا بتوانید مدل نهایی خود را رسم کنید.
مدل معادلات ساختاری یک تحلیل چند متغیری بسیار نیرومند از خانواده رگرسیون چند متغیری و به بیان دقیقتر بسط مدل خطی کلی GLM
است که به محقق امکان میدهد مجموعهای از معادلات رگرسیون را به طور همزمان مورد آزمون قرار دهد. تحلیل مدل معادلات ساختاری را میتوان توسط دو تکنیک انجام داد:

  •  تحلیل ساختاری کوواریانس یا روابط خطی ساختاری ( LISREL)
  • حداقل مربعات جزئی ( PLS)

 

 

روش کلی کار در الگوی معادلات ساختاری
معادلات ساختاری به عنوان یک الگوی آماری به بررسی روابط بین متغیرهای پنهان و آشکار(مشاهده شده) می پردازد.در واقع الگوسازی معادله ساختاری یک رویکرد آماری جامع برای آزمون فرض هایی درباره روابط بین متغیرهای مشاهده شده و پنهان استدر الگوی معادلات ساختاری روش کار بدین صورت است که:

  1. مشخص کردن الگویی بر پایه یک نظریه:الگو یا مدل یک عبارت آماری درباره روابط بین متغیرها است. این الگوها در زمینه رویکردهای مختلف تحلیلی، شکل های مختلفی به خود می گیرند. در این مرحله یک الگو یا مدل بر اساس ترجمان یک نظریه به معادلات ساختاری یا ریاضی تهیه میشود. یعنی ابتدا یک نمودار مسیر را ترسیم کنیم و روابط علی بین متغیرها را نشان دهیم. بعد از مشخص کردن متغیرهای پنهان باید شاخصها یا متغیرهای مشاهده شده مناسبی را انتخاب و به آنها وصل کنیم. بهتر است از چندین شاخص به جای یک شاخص برای اندازه گیری متغیر پنهان
    استفاده شود و این کار به کمک تعریف مفهومی و عملیاتی صورت می گیرد.
  2. ارزیابی حالت تعیین مدل یا الگو: براساس این که مدل باید مستلزم شرایطی برای بدست آوردن یک راه حل منحصر به فرد برای پارامترهای بیان شده باشد.
  3. ارایه تخمین برای الگوی پیشنهادی: بدست آوردن تخمین پارامترهای آزاد از روی مجموع دادههای مشاهده شده که شامل فرآیندهای تکراری است که در هر تکرار یک ماتریس کوواریانس ضمنی ساخته میشود و با ماتریس کوواریانس دادههای مشاهده شده مقایسه میگردد. مقایسه این دو ماتریس منجر به تولید یک ماتریس باقیمانده می شود و این تکرارها تا جایی ادامه مییابد که این ماتریس باقیمانده به حداقل ممکن برسد.
  4.  ارزیابی تناسب یا برازش الگو یا مدل: زمانی الگو یا مدل با دادههای مشاهده شده تناسب دارد که ماتریس کوواریانس ضمنی با ماتریس کوواریانس دادههای مشاهده شده، معادل باشد. بدین معنی که ماتریس نزدیک صفر باشد. مهمترین گام موجود در این مرحله عبارت است از: بررسی معیار کلی تناسب مدل و قابلیت آزمونپذیری مدل ارزیابی موضوع که آیا اصلاحات مورد نیاز است یا خیر؟ هنگامی که مدلی تخمین زده میشود، برنامه نرمافزاری یکسری آمارهایی از قبیل خطای استاندارد و غیره را درباره ارزیابی تناسب مدل با دادهها منتشر میکند.
  5.  اصلاح مدل: تطبیق مدل بیان شده و تخمین زده شده از طریق آزادکردن پارامترهایی که قبلا ثابت بودهاند یا ثابت کردن پارامترهایی که قبل از آن آزاد بودهاند.
  6. تفسیرمدل: اگر آزمونهای تناسب نشان دهند که مدل به طور کافی متناسب با دادهها میباشد، در این مرحله ما بر روی عوامل مشخص شده (پارامترهای مدل) مدل متناسب شده تمرکز مینماییم. در این مرحله، معناداری پارامترهای. مدل، مورد ارزیابی قرار می گیرد.

حمید معصومی

  1. سلام من یرای پایان نامه ام دارم از لیزرل استفاده میکنم اما برنامه ران نمیشه وخطای همگرا نبودن رو میده میشه کمکم کنین ممنون

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *