پایان نامه ارزیابی تناسب یا برازش و مدل معادلات ساختاری

دانلود پایان نامه

اصلاح مدل
آزمون فرضیه
تفسیر مدل
ابلاغ یا نوشتن گزارش تحقیقاتی
در ذیل هر یک از مراحل به طور خلاصه تشریح می‌گردد.
الف – مرحله بیان مدل:
مدل معادلات ساختاری با بیان مدلی که قرار است تخمین زده شود شروع می‌شود. در ساده‌ترین سطح، مدل یک عبارت آماری درباره روابط میان متغیرها است. این مدل‌ها در زمینه رویکردهای مختلف تحلیلی، اَشکال مختلفی به خود می‌گیرند. برای مثال، یک مدل در زمینه همبستگی عموماً روابط غیر جهت‌دار (دوطرفه) بین دو متغیر را بیان می‌کند. در حالی که رگرسیون چندگانه و تحلیل واریانس مدل‌هایی را با روابط جهت‌دار بین متغیرها نشان می‌دهد. این مرحله یکی از مهم‌ترین مراحل موجود در مدل معادلات ساختاری است. زیرا هیچ گونه تحلیلی صورت نمی‌گیرد، مگر این که محقق ابتدا مدل خود را بیان کند. گام‌های موجود در این مرحله به شرح زیر است:
1- ساخت یک مدل ساختاری فرضی. بیان یک مدل در واقع ترجمان یک تئوری با یک سری معادلات ساختاری (ریاضی) است. بنابراین بهتر است ابتدا نمودار مسیر را ترسیم کرده و متغیرهای مستقل و وابسته و… و روابط علّی بین این متغیرها نشان داده شود.
2- انتخاب شاخص‌های مشاهده شده برای متغیرهای مکنون. بعد از مشخص کردن متغیرهای مکنون درون‌زا و برون‌زا در این گام لازم است تا برای متغیرهای مکنون شاخص‌ها ، متغیرهای مشاهده شده مناسبی انتخاب و به آن‌ها وصل شود. بهتر است از چندین شاخص به جای یک شاخص برای اندازه‌گیری متغیر مکنون استفاده گردد که این کار بر اساس تعریف مفهومی و تعریف عملیاتی صورت می‌گیرد.
ب – مرحله دوم تخمین مدل:
هنگامی که یک مدل بیان شد و حالت تعیین آن مورد ارزیابی قرار گرفت، باید پارامترهای آزاد از روی مجموعه‌ای از داده‌های مشاهده شده تخمین زده شود‌. این مرحله شامل یک سری 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 می‌شود و این تکرارها تاجایی ادامه می‌یابد که این ماتریس باقیمانده به حداقل ممکن برسد.
گام‌های طی شده در این مرحله به شرح زیر است:
1- جمع‌آوری داده‌ها. در این مرحله، انتخاب اندازه نمونه مهم است. زیرا بسیاری از روش‌های تخمین موجود در مدل معادلات ساختاری و شاخص‌های ارزیابی متناسب بودن مدل نسبت به اندازه نمونه حساس است.
2- ساخت ماتریس واریانس. کوواریانس متغیرهای اندازه‌گیری شده، بعد از بیان مدل و جمع‌آوری داده‌ها تخمین مدل با مجموعه‌ای از روابط شناخته شده بین متغیرهای اندازه‌گیری شده شروع می‌شود. این روابط در ماتریسی به نام ماتریس «کوواریانس– واریانس» یا «ماتریس همبستگی» مرتب می‌شود.
3- ایجاد یک سری ماتریس (Matrices) برای برنامه لیزرل و اجرای آن در یک تخمین همزمان، به علت این که تخمین مدل ساختاری و مدل اندازه‌گیری به طور همزمان صورت می‌گیرد ممکن است یک راه حل برای پارامترهای مدل ساختاری و مدل اندازه‌گیری به هم وابسته شوند. بنابراین بهتر است برای جلوگیری از ابهامات تفسیری متغیرهای مکنون، ابتدا مدل اندازه‌گیری و سپس مدل ساختاری تخمین زده شود.
ج – ارزیابی تناسب یا برازش:
وقتی گفته می‌شود مدل با یکسری داده‌های مشاهده شده تناسب دارد، که ماتریس کوواریانس ضمنی مدل با ماتریس کوواریانس داده‌های مشاهده شده هم ارز( معادل) باشد یعنی وقتی ماتریس باقیمانده و عوامل( عناصر آن) نزدیک صفر باشند. البته این تناسب به روش تخمین، به مدل، ویژگی‌های داده‌های مشاهده شده و… بستگی دارد.
مهم‌ترین شاخص تناسب مدل آزمون مجذور کای است. البته استفاده از این آزمون متضمن رعایت یکسری مفروضاتی است که در برخی از موارد امکان نقض این مفروضات وجود دارد. با گسترش نارضایتی از آزمون مجذور کای، یکسری شاخص‌های ثانویه به وجود آمد.
تفاوت مهمی که بین آزمون تناسب مجذور کای و شاخص‌های تناسب ثانویه وجود دارد، این است که آزمون مجذور کای به واقع شاخص عدم تناسب مدل است. و هرچه ارزش آن کوچک‌تر باشد نشان می‌دهد که مدل تناسب بهتری دارد. اما در مقابل شاخص‌های تناسب ثانوی از قبیلGFI NFI, و AGFI ، شاخص‌های تناسب مدل هستند، در این شاخص‌ها هرچه ارزش آن‌ها بیشتر باشد، مدل تناسب بهتری دارد.
در ادامه به طور خلاصه برخی از شاخص‌های تناسب مدل را شرح می‌دهیم:
1- آزمون مجذور کای، مجذور کای به درجه آزادی
از شاخص مجذور کای اغلب به عنوان شاخص موفقیت نام برده می‌شود. این شاخص به سادگی نشان می‌دهد که آیا بیان مدل ساختار روابط میان متغیرهای مشاهده شده را توصیف می‌کند یا خیر. این شاخص نسبت به اندازه نمونه حساس است، وقتی حجم نمونه برابر 75 تا 200 باشد، مقدار مجذور کای یک اندازه معقول برای برازندگی است. اما برای مدل‌های با n بزرگ‌تر، مجذور کای تقریباً همیشه از لحاظ آماری معنادار است. از طرف دیگر مجذور کای تحت تأثیر مقدار همبستگی‌های موجود در مدل نیز هست. هر چه این همبستگی‌ها زیادتر باشد، برازش ضعیف تر است.