در این مقاله کوتاه سعی کرده ایم به آموزش معادلات ساختاری به زبان خیلی ساده بپردازیم.

 مدل معادلات ساختاری همانند تحلیل مسیر ابزاری است برای نظریه آزمایی نه نظریه پردازی ".

وجود مدل های پیچیده چند متغیره که معمولا شامل تجزیه و تحلیل هم زمان K متغیر برون زا و n متغیر درون زا است .

از یک سو و نیاز به کاربرد هم زمان تحلیل عاملی تأییدی با تحلیل مسیر در یک مدل پژوهشی از سوی دیگر، کاربرد مدل های معادلات ساختاری در پژوهش های مدیریتی را ضروری ساخته است.

مدل معادلات ساختاری به طور ساده عبارت است از کاربرد هم زمان تحلیل عاملی تأییدی و تحلیل مسیر.

در ادبیات معادلات ساختاری، تحلیل عاملی تأییدی را مدل اندازه گیری و مدل تحلیل مسیر را مدل ساختاری می نامند.

مدل اندازه گیری تناظر متغیرهای مشاهده شده را با متغیر مکنون عامل ذی ربط نشان می دهد. مدل ساختاری نحوه اثر گذاری بین متغیرهای مکنون را که همان فرضیه های پژوهش هستند نمایش می دهد.

در کلیه مدلهای معادلات ساختاری به تعداد متغیرهای مکنون (چه برون زا و چه درونزا مدل اندازه گیری و همواره یک مدل ساختاری داریم

 

در زیر الگوی کامل معادلات ساختاری ارائه شده است.

همان گونه که مشاهده می شود یک مدل ساختاری و پنج مدل اندازه گیری در الگوی زیر قابل مشاهده است.

در ادبیات معادلات ساختاری برای نام گذاری پارامترهای مدل از حروف یونانی استفاده می شود.

هر حرف به صورت قراردادی نمادی از یک پارامتر مدل فوق است.

در جدول زیر این نمادها و معنای آنها ارائه شده است.

باید توجه داشت که هر چقدر همبستگی های مختلف در مدل وجود نداشته باشد، مدل دقیق تر و اعتبار بالاتری دارد.

برای ساخت و آزمون یک مدل معادلات ساختاری باید مراحل زیر طی شود:

1. تعریف مدل:

در این مرحله محقق باید متغیرهای مکنون درون زا و برون زا، تناظر متغیرهای مشاهده شده به هر متغیر مکنون درون زا و برونزا، همبستگی های احتمالی بین پارامترها و نحوه اثر گذاری متغیرهای مکنون بر یکدیگر را مشخص کند.

در حقیقت به صورت ذهنی یا دست نویس مدل SEM مورد نظر خود را ترسیم می کند. این امر دو مزیت دارد: الف) کمک به ارزیابی تعیین مدل و ب) در ک جامع از مدل پژوهش برای تعریف دقیق در نرم افزار.

۲. ارزیابی تعیین مدل:

در این مرحله باید تعداد مجهولات و معلومات مدل مشخص شود. تعداد پارامترهای یک مدل ساختاری شامل:

الف) ضرایب مسیرهای

ب) همبستگی بین متغیرهای برونزا با یکدیگر،

ج) بارهای عاملی متغیرهای مشاهده شده برونزا،

د) بارهای عاملی متغیرهای مشاهده شده درون زا،

ه) واریانس متغیرهای مکنون برونزا،

و) واریانس متغیرهای مشاهده شده برونزا.

واریانس متغیرهای درون زا و همبستگی بین این متغیرها، پارامتر تلقی نمی شود.

ارزیابی تعیین مدل نشان می دهد که درجه آزادی مدل چقدر است.

همان گونه که قبلا بیان شد، درجه آزادی باید مثبت باشد تا مدل تخمین زده شده و قابل آزمون باشد.

٣. تخمین مدل:

قبل از اجرای مدال توصیه می شود حتما موارد زیر کنترل شود:

الف) جایگزینی مقادیر ناقص و

ب) حداکثرسازی ضریب آلفای کرونباخ برای هر متغیر مکتون با حذف متغیر های مشاهده شده متناظر است.

تفسير مدل: در این مرحله باید بر اساس مقدار ایا همان سطح معناداری اقدام به تفسير تأیید یا عدم تأیید فرضیه ها کرد که همان مسیرها هستند.

با توجه به دو طرفه بودن بیشتر آزمون ها و خطای ۵، مقدار بحرانی برابر با ۱ / ۹۶ * است که برخی مواقع آن را با ۲ گرد می کنند.

برای تعیین تکلیف فرضیه های پژوهش باید به ضرایب مسیر با همان مدل ساختاری و سطح معناداری ضرایب توجه کرد.

سطح معناداری هر ضريب مسیر که کوچکتر از ۱۹۶ باشد، حسب جهت فرضیه (مثبت یا منفی) نشان دهنده عدم تأیید فرضیه است.

در این مرحله باید به شاخص های برازش که در بخش تحلیل مسیر به کمک لیزرل ارائه شده، توجه شود، ممکن است كليه فرضیه های یک مدل تایید شود، اما برازش بالایی مشاهده نشود.

د. اصلاح مدل:

در این مرحله مدل بر اساس نظر تخصصی پژوهشگر ممکن است به منظور تناسب بهتر با داده ها تغییر کند.

حذف مسیرهای دارای سطح معناداری برابر و بزرگ تر از ۵% افزودن یک مسیر جدید، تغییر جهت مسیر، ایجاد همبستگی بین متغیرهای مکنون با مشاهده شده، حذف برخی متغیرهای مشاهده همگی به اصلاح مدل کمک می کند.

البته برخی نرم افزارها مانند LISREL در نمای اصطلاح مدل (Model Modification اصلاحات پیشنهادی را به محقق عرضه می کند.

نکته کلیدی آن است که هر اصلاح پیشنهادی نرم افزار قابل اجرا نیست؟

زیرا برخی اصلاحات تنها از منظر آماری پیشنهاد شده است و ممکن است از نظر تئوری و ادبیات موضوع مورد مطالعه صحیح نباشد.

معمولا اصلاحات پیشنهادی نرم افزار لیزرل بر اساس میزان کاهشی ارائه می شود که اعمال آن تغییر در کای دو مدل ایجاد می کند.

بنابراین اولویت با اصلاحاتی است که بیشترین مقدار کای دو را کاهش می دهد.

گاهی اوقات مدل اولیه بهترین مدل بوده و هیچ اصلاحی پیشنهاد نمی شود، اگر نتایج برازش مدل تامناسب بود، مسائلی مانند: مدیریت مقادیر ناقص، نرمال بودن داده ها، افزایش حجم نمونه، حذف شاخص هایی که موجب کاهش ضریب آلفای کرونباخ متغیرهای مکتون شده اند، مفید خواهد بود و تخمین مدل اصلاح شده. اکنون مجددا مدل اجرا و آزمون می شود.

مقادیر جدید برای پارامتر های مدل اصلاحی ارائه می شوند.

4 تفسير مدل اصلاح شده:

مجددا باید بر مبنای سطح معناداری نتیجه گیری کرد. به گزارش: اکنون باید هم مدل اولیه که مینای فرضیهای اولیه پژوهش است .

گزارش و فرضیه ها تعیین تکلیف شوند.

سپس مدل اصلاح شده ارائه و گزارش شود.

به هر دو روش نموداری و جدولی می توان نتایج را گزارش کرد.

مدل های SEM علی رغم توانمندی و قدرت بالا در آزمون مدل های علی دارای چند محدودیت هستند.

الف) عدم توان نظریه پردازی: استفاده از EM$ مستلزم وجود یک نظریه قوی از پیش تعریف شده است.

ب) SEM لزوما به معنای رابطه على نبست.

ج) پیچیدگی زیاد (پیش فرض های فراوان)

د) نیاز به حجم نمونه بزرگ ها نبود یک معیار برازش قوی و واحد برای مدل البته معرفی روش کمترین مربعات جزئی به عنوان نسل جدید SEM بسیاری از محدودیت های فوق را کاهش داده است.

برای دریافت متن کامل این مقاله آموزشی بسته آموزش تحلیل آماری با spss را تهیه کنید:

شما با این بسته می توانید تحلیل آماری با spss و amos را کامل و آسان بیاموزید

و قطعا قادر می شوید کارهای آماری را حودتان انجام دهید

چگونه؟

بسته آموزشی تجزیه تحلیل آماری با SPSS و AMOS

از صفر تا صد آموزش  spss

آموزش مباحث اساسی AMOS

آموزش به زبان ساده ، موضوعی و گام به گام همراه با تصویر

33 پکیج (1378 صفحه تصویری)+ به همراه همه مقالات آموزشی این سایت درباره spss

لطفا و خواهشا برای سوال های آماری و رفع اشکال تماس نگیرید

هر آنچه لازم باشد در این بسته آموزشی آمده است.

 


انتخاب جدیدترین موضوعات پایان نامه روانشناسی، مشاوره و علوم تربیتی و انجام تخصصی پروپوزال(دانلود نمونه کار پروپوزال)::

شماره تماس: 09011853901
جهت ارسال سریع پیام در پیام رسان های زیر نام هر یک را لمس کنید.