آشنایی دانشگاهیان تهران‌مرکزی با مفاهیم، کاربرد و نحوه اجرای مدلسازی معادلات ساختاری با استفاده از نرم‌افزار لیزرل

به گزارش خبرنگار خبرگزاری آنا، این کارگاه با هدف آشنایی شرکت کنندگان با مفاهیم، کاربرد و نحوه اجرای مدلسازی معادلات ساختاری با استفاده از نرم افزار لیزرل (LISREL) در دو بخش از سوی دکتر امیررضا کیقبادی و دکتر زهرا لشکری از اعضای هیات علمی دانشکده اقتصاد و حسابداری واحد تهران مرکزی ارائه شد.

این مطالب در بخش اول این کارگاه عنوان شد: بخش اول این کارگاه درباره مفاهیم و کاربرد بوده است. یکی از روش‌های جدید آماری و یکی از قوی‌ترین روش‌های تجزیه و تحلیل چند متغیره است. کاربرد اصلی آن در موضوعات چند متغیره‌ای است که نمی‌توان 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. مدلسازی/ مدل یابی معادلات ساختاری (Structural Equation Modeling: SEM) یکی از روش‌های تحلیل کورایانس است که با عنوان مدل علمی و تحلیل ساختار کوواریانس نیز شناخته می‌شود که ویژگی اصلی آن تجزیه و تحلیل همزمان چند متغیر مستقل با یک یا چند متغیر وابسته است.

روابط مبتنی بر ماتریس کواریانس بین متغیر‌ها در SEM با استفاده از نرم افزار لیزرلLISREL)) قابل محاسبه است، هرچند تحلیل مسیر و تحلیل عاملی و انواع رگرسیون‌ها نیز در آن بخوبی قابل انجام است. لیزرل (LISREL) مخفف عبارتLinear Structural Relationships «» به معنای ارتباطات خطی ساختاری است که برخی به غلط آن را مترادف مدل یابی معادلات ساختاری قلمداد کرده‌اند. این تکنیک آمیزه‌ای از دو تحلیل است: تحلیل عاملی (Factor Analysis - FA) یا مدل اندازه گیری (Measurement Model) که منظور از آن سنجش روابط متغیرهای مشاهده شده (گویه‌ها پرسشنامه) با متغیرهای پنهان است.
تحلیل مسیر (Path Analysis - PA) یا‌‌ همان مدل ساختاری (Structural Modeling - SE) سنجش روابط بین متغیرهای پنهان برای شکل دهی به مدل نهایی تحقیق.

سه ویژگی مورد نیاز برای بکارگیری نرم افزار لیزرل (LISREL) عبارتند از: تعداد داده‌های آماری می‌بایست بیش از ۲۰۰ باشدو متغیر‌ها دارای توزیع نرمال باشند و تعداد گویه‌های هر متغیر بیش از ۳ باشد. معادلات ساختاری به عنوان یک الگوی آماری به بررسی روابط بین متغیرهای پنهان و آشکار (مشاهده شده) می‌پردازد. از طریق معادلات ساختاری می‌توان ساختارهای فرضی کلی یا الگوهای علّی را با داده‌های غیر آزمایشی تایید کرد. معادلات ساختاری، چارچوب منسجمی را برای برآورد قدرت روابط بین همه متغیرهای یک الگوی نظری فراهم می‌آورد. نظریه‌ها محور اساسی در این الگو هستند و بدون آن‌ها نمی‌­توان توصیف مناسبی از روابط درونی متغیر‌ها داشت.

معادله ساختاری یک تکنیک تحلیل چند متغیری از خانواده رگرسیون چندمتغیره است که امکان آزمون همزمان مجموعه‌ای از معادلات رگرسیون را فراهم می‌کند. در واقع الگوسازی معادله ساختاری یک رویکرد آماری جامع برای آزمون فرض‌هایی درباره روابط بین متغیرهای مشاهده شده و پنهان است. از نظر آذر (۱۳۸۱) نیز یکی از قوی‌ترین و مناسب‌ترین روش‌های تجزیه و تحلیل در تحقیقات علوم رفتاری و اجتماعی، تجزیه و تحلیل چند متغیره است زیرا این گونه موضوعات چند متغیره بوده و نمی‌توان آنها را با شیوه دو متغیری (که هر بار یک متغیر مستقل با یک متغیر وابسته در نظر گرفته می‌شود) حل کرد. مراحل مدل‌یابی معادلات ساختاری: بررسی مبانی نظری و تجربی در باب موضوع مدنظر، استخراج متغیرهای مدنظر، تعیین روابط بین متغیر‌ها (متغیرهای مکنون با متغیرهای مشاهده پذیر و متغیرهای مکنون با یکدیگر)، طراحی مدل مفهومی، گردآوری داده‌ها، آزمون مدل، ارزیابی مدل، اصلاح مدل، تائید مدل نهایی

همانطور که گفته شد این تکنیک آمیزه‌ای از دو تحلیل عاملی و تحلیل مسیر است: تحلیل عاملی می‌تواند دو صورت اکتشافی و تاییدی داشته باشد. اینکه کدام یک از این دو روش باید در تحلیل عاملی به کار رود مبتنی بر هدف تحلیل داده هاست.

در تحلیل اکتشافی (Exploratory Factor Analysis - EFA) پژوهشگر به دنبال بررسی داده‌های تجربی به منظور کشف و شناسایی شاخص‌ها و نیز روابط بین آنهاست و این کار را بدون تحمیل هر گونه مدل معینی انجام می‌دهد. به بیان دیگر تحلیل اکتشافی (Exploratory Factor Analysis) علاوه بر آنکه ارزش تجسسی یا پیشنهادی دارد می‌تواند ساختارساز، مدل ساز یا فرضیه ساز باشد.

تحلیل اکتشافی وقتی به کار می‌رود که پژوهشگر شواهد کافی قبلی و پیش تجربی برای تشکیل فرضیه درباره تعداد عامل‌های زیربنایی داده‌ها نداشته و به واقع مایل باشد درباره تعیین تعداد یا ماهیت عامل‌هایی که همپراشی بین متغیر‌ها را توجیه می‌کنند داده‌ها را بکاود. بنابر این تحلیل اکتشافی بیشتر به عنوان یک روش تدوین و تولید تئوری و نه یک روش آزمون تئوری در نظر گرفته می‌شود.

تحلیل عاملی اکتشافی روشی است که اغلب برای کشف و اندازه گیری منابع مکنون در اندازه گیری‌های مشاهده شده به کار می‌رود. پژوهشگران به این واقعیت پی برده‌اند که تحلیل عاملی اکتشافی می‌تواند در مراحل اولیه تجربه یا پرورش تست‌ها کاملا مفید باشد. از سوی دیگر بیشتر مطالعات ممکن است تا حدی هم اکتشافی و هم تاییدی باشند زیرا شامل متغیر معلوم و تعدادی متغیر مجهول‌اند. متغیرهای معلوم را باید با دقت زیادی انتخاب کرد تا حتی الامکان درباره متغیرهای نامعلومی که استخراج می‌شود اطلاعات بیشتری فراهم‌‌ آید. مطلوب آن است که فرضیه‌ای که از طریق روش‌های تحلیل اکتشافی تدوین می‌شود از طریق قرار گرفتن در معرض روش‌های آماری دقیق‌تر تایید یا رد شود. تحلیل اکتشافی نیازمند نمونه‌هایی با حجم بسیار زیاد است.

در تحلیل عاملی تاییدی (Confirmatory Factor Analysis - CFA)، پژوهشگر به دنبال تهیه مدلی است که فرض می‌شود داده‌های تجربی را بر پایه چند پارام‌تر نسبتا اندک، توصیف تبیین یا توجیه می‌کند. این مدل مبتنی بر اطلاعات پیش تجربی درباره ساختار داده هاست که می‌تواند به شکل: یک تئوری یا فرضیه، یک طرح طبقه بندی کننده معین برای گویه‌ها یا پاره تست‌ها در انطباق با ویژگی‌های عینی شکل و محتوا، شرایط معلوم تجربی و یا، دانش حاصل از مطالعات قبلی درباره داده‌های وسیع باشد. تمایز مهم روش‌های تحلیل اکتشافی و تاییدی در این است که روش اکتشافی با صرفه‌ترین روش تبیین واریانس مشترک زیربنایی یک ماتریس همبستگی را مشخص می‌کند. در حالی که روش‌های تاییدی (آزمون فرضیه) تعیین می‌کنند که داده‌ها با یک ساختار عاملی معین (که در فرضیه آمده) هماهنگ‌اند یا نه؟

رویکرد مبتنی بر کواریانس (CBSEM): در این رویکرد بیشتر به برآورد مجموعه‌ای از پارامترهای مدل توجه می‌شود و هدف، نزدیک‌تر شدن ماتریس کواریانس نظری به ماتریس کواریانس مشاهده شده در نمونه برآوردی است. این رویکرد به تخمین ضرایب مسیر‌ها، بارهای عاملی با استفاده از به حداقل رساندن تفاوت بین ماتریس کواریانس مبتنی بر نمونه و ماتریس کواریانس مبتنی بر مدل می‌پردازند. متداول‌ترین و معروف‌ترین نرم افزار این حوزه، نرم افزار لیزرل است.
سایر نرم افزار‌ها: AMOS وEQSNPLUS: (تکنیک‌های برآورد) ومتغیرهای ابزاری (IV) وکمترین مجذورات دو مرحله‌ای (TSLS) و کمترین مجذورات بدون وزن (ULS) و کمترین مجذورات تعمیم یافته (GLS) وبیشینه احتمال (ML) و کمترین مجذورات وزن دار کلی (WLS) و کمترین مجذورات وزن دار قطری (DWLS) و گزینه برجسته (OR