معادلات ساختاری مبتنی بر واریانس یا مبتنی بر کواریانس؟

تحلیل PLS توسط هرمن ولد ابداع شده است. تفاوت این روش شناسی نسبت به CBSEM در این است که به جای استفاده از متغیرهای مکنون، با بلوکی ازمتغیرهای مشتق شده از ترکیبات وزنی متغیرهای مشاهده شده کار میکند. به همین دلیل خود آنها هم قابل مشاهده اند. رویکرد تخمینی  PLS ، الزاماً متشکل از یک توالی تکراری از رگرسیونهای OLS است که با یک تقریب خارجی آغازمیگردد، در اینجا متغیرهای مکنون مدل به وسیله ترکیب خطی معرفهایشان تقریب زده شده، و برای تعیین وزنهای مربوط به معرفهای انعکاسی و ترکیبی به ترتیب از تحلیل مولفه های اصلی و تحلیل رگرسیون استفاده میشود.

در مرحله بعد تقریب داخلی مقادیر جایگزین با استفاده از متوسط وزنی بلوکی از متغیرهای مجاور مدل ساختاری مشخص میشود. روشهای مختلفی برای تعریف مجاورت در طرحهای مختلف وزن دهی وجود دارد، اما آنچنان که بعدها مشاهده میکنیم نوع طرح انتخابی تاثیر کوچکی بر نتایج نهایی خواهد داشت. با تغییر وزنهای اولیه و ایجاد مقادیر تازه، استفاده از فرایند تقریب داخلی و خارجی تا آنجا تکرار میشود که مقادیر هر مورد به یکدیگر نزدیک شده و همگرایی حاصل شود.

تعداد معرفها در هر سازه و حجم نمونه

در تحلیل PLS ، برخلاف CBSEM به جای کار با متغیرهای مکنون از بلوکی از متغیرها استفاده می شود؛بلوکهایی که به صورت ترکیبی خطی از مجموعه معرفها بوده و خطای اندازه گیری مخصوص به خود را دارند.

پس باید نمرات تعیین شده برای هر بلوک از متغیرها، همچنین برای هر مورد و پارامترهای برآورد شده متناظر با آنها، متفاوت از یکدیگر باشند. این نمرات تنها زمانی به مقادیر واقعی جامعه نزدیک میشوند که تعداد معرفهای هر سازه و اندازه نمونه تا بینهایت افزایش یابد. بنابراین در شرایط واقعی روش شناسی PLS ، پارامترهای مدل ساختاری را کمتر از مقدار واقعی و پارامترهای مدل اندازه گیری را بیشتر از مقدار واقعی برآورد میکند.

اما در CBSEM انتظار میرود افزایش در حجم نمونه به کاهش واریانس پارامترها منجر شود. اگر تعداد خاصی از معرفها داشته باشیم افزایش نامحدود حجم نمونه موجب نا اریب شدن برآوردها نمیشود. ولی در اندازه خاصی از نمونه افزایش تعداد معرفهای هر سازه تنها میتواند منجر به کاهش بخشی از پراکندگی پارامترهای برآوردی گردد. در عوض تحلیل PLS بیشتر برای مواردی مناسب است که روش CBSEM در آنجا قابل اعمال نیست. مانند زمانی که تعداد معرفهای هر متغیر مکنون بینهایت زیاد یا حجم نمونه بسیار کوچک باشد.

اساس روش PLS به عنوان یک رویکرد منطبق بر اطلاعات محدود، مبتنی بر پیش فرضهای آماری آسان در ارتباط با ویژگی معرفهاست. از این رو در بیشتر موارد آن را نوعی تکنیک مدلسازی نرم می نامند تا از رویکرد مدلسازی سخت CBSEM متمایز شود. به ویژه که PLS تحت تاثیر توزیع یا مقیاس اندازه گیری معرفهای مورد استفاده قرار نمیگیرد و تنها ویژگی که باید برای تحلیل دادهها در این روششناسی برآورده شود، برابری بخش سیستماتیک تمام رگرسیونهای خطی OLS با امید ریاضی شرطی متغیرهای وابسته است.

این شرط که بیشتر اوقات تدوین پیش بین نامیده میشود، نشان میدهد که مدل درونی در حقیقت سیستمی از زنجیره علّی  با پسماندهای غیر همبسته است، و پسماندهای متعلق به یک متغیر مکنون درونزای خاص با متغیرهای مکنون پیشبین متناظرشان رابطه ای غیر همبسته دارند. بسیاری از دانشمندان، پایایی پارامترهای برآورد شده برای دادهه ای غیر نرمال را در روش PLS با استفاده از تکنیک شبیه سازی مونت کارلو ثابت کرده اند.

در ارتباط با بارهای عاملی معرفهای موجود در مدلهای عاملی، همان نکاتی که پیشتر در موردCBSEM گفته شد در اینجا نیز صادق است. با این حال، برای کار با سازه هایی که به شکلی نادرست عملیاتی شده اند، روش PLS قویتر از رویکرد CBSEM است. رویکرد برآورد همزمان در روش شناسی CBSEM موجب شده است که وجود یک سازه ضعیف در مدل بر مقدار تمام پارامترهای برآورد شده و متغیرهای مکنون مدل تاثیر گذارد. در صورتی که روش PLS این عامل منفی بیشتر روی همان سازه و متغیرهایی که در مجاورت با آن قرار دارند اثر خواهد داشت.

 

منبع:   https://analysisacademy.com

ابزارهای معادلات ساختاری

در بسیاری از موارد، پژوهشگر با مجموعه ای از پرسش های به هم پیوسته روبرو است، که برای پاسخگویی به تمامی این سوالات نیاز به بررسی روش مدل یابی معادلات ساختاری است که از بسط و توسعه مجموعه ای از تکنیک هایی چند متغیری نظیر رگرسیون چند متغیری و تحلیل عاملی شکل گرفته است.

مدل سازی معادلات ساختاری به بررسی مجموعه ای از روابط وابستگی به طور همزمان می پردازد. استفاده از این روش، به ویژه زمانی مفید است که یک متغیر وابسته در روابط وابستگی بعدی تبدیل به یک متغیر مستقل می شود. این مجموعه روابط، اساس مدل یابی معادلات ساختاری را تشکیل می دهد.(کلاین،2011)

LISREL، EQS، AMOS ،PLS چهار مورد از پرکاربردترین نرم­ افزارهای مدل­سازی معادلات ساختاری هستند که سه نرم­ افزار LISREL، AMOS و EQS متعلق به نسل اول معادلات ساختاری یعنی نسل کواریانس محورها(Covariance-Base) و نرم افزار های PLS که خود چند نوع هستند، جزو نسل دوم معادلات ساختاری یعنی نسل مولفه محور(Component-Based)  می‌باشند.

 

نسل اول روش­ های مدل­سازی معادلات ساختاری (Covariance-based SEM Techniques)

این روش­ها که به روش­های کواریانس محور معروف هستند، توسط جورسگوک (1969) معرفی شدند. هدف اصلی این روش­ها تأیید مدل است که برای این کار به نمونه ­هایی با حجم بالا نیاز دارند. در این روش به تخمین ضرایب مسیرها و بارهای عاملی با استفاده از به حداقل رساندن تفاوت بین ماتریس­های واریانس-کواریانس مشاهده شده و پیش­بینی شده می­ پردازند.

ماتریس واریانس-کواریانس مشاهده شده توسط واریانس و کواریانس محاسبه شده بین متغیرهای مکنون به دست می­ آید. پرکاربردترین رویکرد محاسبه ضرایب در روش­های نسل اول، رویکرد تخمین حداکثر احتمال است که نیاز به داده­ های مربوط به متغیرهای مشاهده شده (سوال­ها) دارد که این متغیرها حتما باید از توزیع نرمال پیروی کرده باشند.

 

نسل دوم روش­ های مدل­سازی معادلات ساختاری (Component-based SEM Techniques)

روش­های مولفه محور که بعدا به روش حداقل مربعات جزئی تغییر (Partial Least Squares) تغییر نام دادند، توسط ولد (1974) ابداع شد. این روش از دو مرحله تشکیل شده است: 1) سنجش مدل های اندازه گیری با معیارهای مربوط به پایایی و روایی . 2) سنجش بخش ساختاری با استفاده از ضرایب t.

طی سالهای اخیر استفاده از روش PLS و نرم افزارهای مربوط به اون نسبت به روش های نسل اول و نرم افزارهای نسل اول مثل لیزرل، آموس و ای کیو اس، بیشتر شده و این به خاطر مزیت هایی است که روش PLS نسبت به روش نسل اول دارد. این رویکرد به جای باز تولید ماتریس کوواریانس تجربی، بر بیشینه سازی واریانس متغیرهای وابسته که توسط متغیرهای مستقل پیش بینی نی شوند تمرکز دارد.

این رویکرد همانند رویکرد لیزرل، از بخش ساختاری که نمایانگر روابط بین متغیرهای پنهان، و بخش اندازه گیری که نشانگر روابط متغیرهای پنهان با نشانگرهایشان است، تشکیل شده است. در رویکرد (PLS) بخش ساختاری، دارای دو مدل درونی (Inner Model)و بخش اندازه گیری مدل بیرونی Outer) Model)  نام دارد. اما رویکرد PLS علاوه بر این دو بخش دارای بخش سومی نیز می باشد، که نسبت های وزنی (Weight Relations) نام دارد.

این بخش جهت برآورد مقادیر موردها (Case Value) برای متغیرهای پنهان مورد استفاده قرار می گیرد (نمرات افراد در متغیرهای مکنون)، (چین، 1988). برخلاف رویکرد مبتنی بر کوواریانس که ابتدا پارامترهای مدل برآورده شده و سپس مقادیر موردها از طریق برگشت دادن آنها به مجموعه تمام نشانگرها، برآورد می شود(مانند مقادیر برآورد شده برای هر متغیر پنهان در هر مجموعه از داده ها)، در رویکرد PLS ابتدا مقادیر موردها محاسبه می شود. (امانی و دیگران، 1390:45). در آموزش نرم افزارهای ایموس و اسمارت پی ال اس، تمامی این موارد به صورت تخصصی بیان میگردند.

 

 

شاخص	کوواریانس محور	واریانس محور
توزیع داده ها	در روش برآورد ML حتما باید داده ها نرمال باشند	به دلیل استفاده از بوت استرپ، نرمال بودن یا نبودن داده ها تفاوتی ندارد
کاربرد	برآورد پارامترهای تعیین شده و تایید مدل و فرضیه های موجود	پیش بینی و توسعه مدل
روش	کوواریانس	واریانس
هدف پژوهش	تعمیم مدل و فرضیه ها	پیش بینی
تعداد سوالات	حداقل 3 سوال برای هر متغیر	حداقل 1 سوال برای هر متغیر
قابلیت تعمیم پذیری	بالا	متوسط و پایین
حجم نمونه	حداقل 200 نمونه	حداقل 30 نمونه
میزان پیچیدگی مدل	قابلیت تحلیل مدل، با پیچیدگی های کم و متوسط	قابلیت تحلیل مدل، با پیچیدگی های بالا

دو رویکرد در مدلسازی معادلات ساختاری- نسل اول و دوم

مدل یابی معادله ساختاری (Structural equation modeling: SEM)

مدل یابی معادله ساختاری یک تکنیک تحلیل چند متغیری بسیار کلی و نیرومند از خانواده رگرسیون چند متغیری و به بیان دقیق‌تر بسط “مدل خطی عمومی” (General linear model) است که به پژوهشگر امکان می‌دهد مجموعه ای از معادلات رگرسیون را به گونه هم زمان مورد آزمون قرار دهد. مدل یابی معادله ساختاری،روش­های تحلیل عاملی، همبستگی کانونی و رگرسیون چندمتغیری را با یکدیگر ترکیب می­ کند.

یکی از قوی‌ترین و مناسب‌ترین روشهای تجزیه و تحلیل در تحقیقات علوم رفتاری و اجتماعی، تجزیه و تحلیل چند متغیره است. زیرا ماهیت 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 نمود. تجزیه و تحلیل چند متغیره به یک سری روشهای تجزیه و تحلیل اطلاق می‌شود که ویژگی اصلی آنها تجزیه و تحلیل همزمان k متغیر مستقل و  n متغیر وابسته است. مدل یابی معادله ساختاری یک رویکرد جامع برای آزمون فرضیه‌هایی درباره روابط متغیرهای آشکار (مشاهده شده) و پنهان (نهفته یا مکنون) است که گاه تحلیل ساختاری کوواریانس، مدل یابی علّی و گاه نیز لیزرل (LISREL) نامیده شده است؛ اما اصطلاح غالب در این روزها، مدل‌یابی معادله ساختاری یا به گونه خلاصه SEM است.

از طریق این روش می‌توان قابل قبول بودن مدلهای نظری را در جامعه‌های خاص با استفاده از داده‌های همبستگی، غیر آزمایشی و آزمایشی آزمود. این روش برآوردهایی از پارامترهای مدل (ضرایب مسیر و عبارات خطا) و همچنین چند شاخص برای نیکویی برازش فراهم می‌کند و با بهره‌گیری از داده‌های تجربی امکان آزمون مدلهای تدوین شده را به عنوان یک کل فراهم آورده و با شاخصهایی که در اختیار پژوهشگر قرار می‌دهد، وی را در اصلاح و بهبود مدل راهنمایی می‌کند.

انواع مدل در مدل یابی معادله ساختاری

مدل یابی معادله ساختاری را می توان برای آزمون انواع مختلفی از مدل‌ها مانند مدل‌های رگرسیون، تحلیل مسیر، مدل‌های تحلیل عاملی تاییدی، مدل‌های عاملی مرتبه دوم، مدل‌های MIMIC (مدل‌های با شاخص‌های چندگانه و علل چندگانه)، مدل‌های چندسطحی، مدل‌های گروه‌های چندگانه و …. به کار برد.

 

تحلیل مسیر

سول رایت (Sewall Wright) تحلیل مسیر را به عنوان روشی برای مطالعۀ تأثیرات مستقیم و غیرمستقیم متغیرهایی که علت گرفته شده‌اند در متغیرهایی که معلول فرض شده‌اند ساخت و پرداخت. باید در نظر داشت که از تحلیل مسیر برای کشف علت‌ها استفاده نمی‌شود بلکه این روش در مورد مدل‌هایی به کار می‌رود که بر مبنای دانش و ملاحظات نظری تدوین شده باشند. تحلیل مسیر ابزار تحلیلی مهمی برای آزمودن نظریه هاست که از کاربرد آن محقق می تواند توافق الگویی از همبستگی ها را که از مجموعه ای از مشاهدات حاصل شده است، با یک مدل معین معلوم کند.

مدل مسیر: مدل مسیر دیاگرامی است که متغیرهای مستقل، میانجی یا واسطه‌ای و وابسته را به هم مرتبط می‌کند. پیکان‌های یک‌طرفه نشان دهندۀ علّیت بین متغیرهای برونزا یا واسطه‌ای و متغیرهای وابسته هستند. پیکان‌ها عبارت‌های خطا را هم به متغیرهای درونزا مخصوص خود مرتبط می‌کنند. پیکان‌های دو طرفه نشان دهنده همبستگی بین جفت‌های متغیرهای برونزا هستند.

ضرایب مسیر: ضریب مسیر یک ضریب رگرسیون استاندارد (بتا) است که اثر مستقیم یک متغیر مستقل روی یک متغیر وابسته را در مدل مسیر نشان می‌دهد. بنابراین زمانی که مدل دو یا چند متغیر علّی دارد، ضرایب مسیر ضرایب رگرسیون پاره‌ای هستند که میزان تأثیر یک متغیر روی متغیر دیگر را با کنترل سایر متغیرها در مدل اندازه می‌گیرد. برآوردهای مسیر می‌توانند توسط رگرسیون حداقل مجذورات یا بیشینه درست نمایی برآورد شوند.

اثرات مستقیم و غیرمستقیم: ضرایب مسیر می‌توانند برای تجزیه همبستگی بین دو متغیر به اثرات مستقیم و غیرمستقیم استفاده شوند. اثرهای غیرمستقیم مستلزم متغیرهای میانجی است.

 

رویکرد‌های مدل یابی معادله ساختاری (LISREL یا PLS)

به طور کلی در مدل یابی معادله ساختاری (SEM)  برای برآورد پارامترهای مدل دارای دو نوع می‌باشد که عبارتند از: رویکرد مبتنی بر کوواریانس و رویکرد مبتنی بر واریانس.

 

رویکرد کوواریانس محور

روش کوواریانس محور که به عنوان نسل اول مدل یابی معادلات ساختاری شناخته شده است، به شدت به حجم نمونه بالا بستگی دارد و هر چه داده‌ها نرمال‌تر باشند، برازش بهتری را نشان می‌دهد. روش کوواریانس محور تلاش می‌کند تا اختلاف بین کوواریانس‌های نمونه و آنچه که مدل نظری پیش‌بینی کرده است را به حداقل برساند. نرم افزار LISREL یکی از ﻗﻮی‌ترین و ﻣﻨﺎﺳﺐﺗﺮین رویکردهای کوواریانس محور برای تجزیه و تحلیل در ﺗﺠﺰیه و تحلیل ﭼﻨﺪ متغیره اﺳﺖ. زیرا ﻣﺎهیت این ﮔﻮﻧﻪ ﻣﻮﺿﻮﻋﺎت، دارای چند متغیر بوده و این متغیرها نیز با هم ارتباطات پیچیده‌تری دارند و ﻧﻤﯽﺗﻮان آﻧﻬﺎ را ﺑﺎ شیوه‌ای که ﺗﻨﻬﺎ ارتباط میان یک متغیر ﻣﺴﺘﻘﻞ ﺑﺎ یک متغیر واﺑﺴﺘﻪ بررسی می‌شود، ﺣﻞ‫ﻧﻤﻮد. روش کوواریانس محور برای توسعه نظریه مناسب‌تر است و با MPLUS ، AMOS وEQS  نیز قابل اجرا می‌باشد.

 

مفاهیم مدل یابی معادله ساختاری کوواریانس محور

• متغیر آشکار (مشاهده شده)‌

متغیرهایی که با مشاهده مستقیم رویداد بدست می‌آیند که به عنوان شاخص اندازه‌گیری یک متغیر پنهان ایفای نقش می‌کنند و در دیاگرام مسیر با مستطیل مشخص می‌شوند.

متغیرهایی که مستقیماً قابل مشاهده نیستند. متغیرهای پنهان از طریق پیوند با متغیرهای قابل اندازه‌گیری (آشکار) بررسی و در دیاگرام مسیر با دایره یا بیضی مشخص می‌شوند. متغیرهای پنهان در مدل معادلات ساختاری به دو دسته بیرونی و درونی تقسیم می‌شوند.

متغیرهای پنهان بیرونی: متغیرهایی هستند که علت تغییرات آن‌ها در مدل منظور نشده و تحت تأثیر متغیرهای دیگر مدل قرار ندارند.

متغیرهای پنهان درونی: متغیرهایی که تحت تأثیر یک یا چند متغیر دیگر قرار دارند.

• خطای باقیمانده

خطاهای باقیمانده نشان‌دهنده خطای تصادفی متغیرهای آشکار و نیز متغیرهای پنهان هستند که درون خطوط بسته قرار نمی‌گیرند.

خطوط کشیده شده به سمت متغیرهای آشکار بیان‌گر خطاهای اندازه‌گیری هستند.

خطوط کشیده شده به سمت متغیرهای پنهان بیان‌گر واریانس‌های باقیمانده‌ یا از دست رفته‌ هستند.

توجه: در مدل یابی معادله ساختاری، از خطوط راست (فلش‌های یکطرفه) برای نشان دادن روابط علی یا تأثیر یک متغیر بر متغیر دیگر استفاده می‌شود.

خطوط منحنی (فلش‌های دوطرفه) برای نشان دادن همبستگی‌ها استفاده می‌شود.

• مدل اندازه‌گیری:

مدل اندازه‌گیری روابط بین متغیرهای پنهان و آشکار (مولفه‌های یک متغیر پنهان) را تعریف می‌کند. مدل اندازه‌گیری دارای دو نوع می‌باشد:

مدل اندازه‌گیری X : روابط بین متغیر پنهان مستقل و متغیرهای آشکار مربوط به آن را نشان می‌دهد.

شکل ۱: مدل اندازه‌گیری  X برای متغیر ساختار و زمینه تیم

مدل اندازه‌گیری Y : روابط بین متغیر پنهان وابسته و متغیرهای آشکار مربوط به آن را نشان می‌دهد.شکل ۱: مدل اندازه‌گیری  X برای متغیر ساختار و زمینه تیم

شکل ۲: مدل اندازه‌گیری Y برای متغیر فراشناخت تیمی

• مدل ساختاری (تحلیل مسیر):

مدل ساختاری، روابط بین متغیرهای پنهان را مشخص می‌کند.

شکل ۳: مدل ساختاری

• مدل عمومی معادله ساختاری

این مدل ترکیب دو مدل اندازه‌گیری و ساختاری است و در آن هم روابط بین متغیرهای پنهان با متغیرهای آشکار (مدل اندازه‌گیری) و هم روابط بین متغیرهای پنهان (مدل ساختاری) مورد توجه قرار می‌گیرد.

نمونه‌ای از یک مدل عمومی معادله ساختاری

پژوهشی رابطه سه متغیر پنهان A، B وC  به صورت زیر بررسی شده است:

• متغیر پنهان بیرونی A متغیر مستقل است که بر هر دو متغیر پنهان درونی B و C تاثیر می‌گذارد.
• برای اندازه‌گیری متغیر A از سه متغیر آشکار (شاخص) X1 ، X2 و X3 استفاده شده است.
• برای اندازه‌گیری متغیر B از سه متغیر آشکار (شاخص) Y1 ، Y2 و Y3 استفاده شده است.
• برای سنجش متغیر پنهان C از سه متغیر آشکار (شاخص) Y4 ، Y5 و Y6 استفاده شده است.
• ضریب مسیر بین دو متغیر پنهان وابسته با β و ضریب مسیر بین متغیر پنهان مستقل و وابسته با γ نشان داده می‌شود.
• ارتباط بین هر متغیر پنهان با متغیرهای آشکار مربوطه با حرف λ نشان داده که به آن‌ها بار عاملی گفته می‌شود.
• ε نشان دهنده خطا (باقیمانده) برای متغیر آشکار درونی
• δ نشان دهنده خطا (باقیمانده) برای متغیر آشکار بیرونی
• ζ نشان دهنده واریانس خطا (باقیمانده) برای متغیر پنهان درونی

شکل ۴: نمونه‌ای از یک مدل عمومی معادلات ساختاری براساس نمادها

 

مراحل مدل یابی معادله ساختاری کوواریانس محور

مرحله ۱: تدوین مدل

تدوین مدل براساس تئوری صورت می‌گیرد. در تدوین مدل، تعداد متغیرهای پنهان مدل، تعداد متغیرهای آشکار، روابط بین متغیرهای پنهان و آشکار مربوطه، الگوی روابط بین متغیرهای پنهان و محدودیت‌های مدل (مشخص‌کردن پارامترهای ثابت، آزاد و مقید مناسب) مشخص می‌شود.

 

تعداد متغیرها در تدوین مدل

تعداد متغیرها به موضوع مورد مطالعه، هدف تحقیق و امکان سنجش این متغیرها بستگی دارد. در مجموع هرچه مدل طراحی شده پیچیده‌تر باشد، دستیابی به برازش مدل مشکل‌تر می‌شود. ضمن اینکه باید به خاطر داشت که هرچه تعداد متغیر در یک مدل بیشتر باشد باید حجم نمونه نیز افزایش یابد. هرچند قاعده قطعی برای تعیین تعداد متغیرهای مدل وجود ندارد، اما عده‌ای معتقدند که در یک مدل نباید بیش از ۲۰ متغیر وارد کرد یعنی مثلاً ۵ یا ۶ متغیر به عنوان متغیرهای نهفته و هر متغیر ۳ تا ۴ شاخص را به خود اختصاص دهد.

 

مرحله ۲: تشخیص مدل (مشخص‌سازی)

تشخیص مدل یعنی آیا برای هریک از پارامترهای آزاد، می‌توان یک مقدار منحصر به فرد از روی داده‌ها به دست آورد. براساس این تعریف سه نوع مدل خواهیم داشت:

مدل‌های فرومشخص (under-identified): یک برآورد واحد برای هر پارامتر ناممکن باشد. یا به عبارتی اطلاعات مورد نیاز برای حل کردن پارامترها ناکافی باشد.

مدل‌های کاملاً مشخص (just-identified): برای هر پارامتر واحد می‌توان یک مقدار واحد برآورد کرد. یا به عبارتی تعداد معادلات با تعداد پارامترهای مورد تخمین برابر است.

مدل‌های فرامشخص (over-identified): مدل‌هایی که برای هر پارامتر بیش از یک جواب دارند. یعنی تعداد پارامترهای مدل کمتر از مشاهدات است.

 

قاعده حسابی برای تشخیص مدل: تعداد پارامترهایی که باید برآورد شوند (پارامترهای آزاد) نباید از تعداد واریانس‌ها و کوواریانس‌های نمونه بیشتر باشد. اگر تعداد متغیرهای مشاهده شده (شاخص‌ها) برابر P باشد، بنابراین از طریق فرمول زیر می‌توان تعداد کل واریانس‌ها و کوواریانس‌های ممکن را برآورد نمود.

p × (p+1)〉 / ۲〉= تعداد کل واریانس‌ها و کوواریانس‌های نمونه

 

• مدل کاملا مشخص از نظر علمی مطلوب نیست. زیرا درجه آزادی (df) آن صفر می‌شود و هرگز نمی‌تواند رد شود. در عمل محققان باید مدل‌های فرامشخص که دارای درجه آزادی مثبت هستند را تجزیه و تحلیل کنند. مدل‌هایی که مشخص نیستند باید دوباره تدوین شوند.
• برای این‌که مدلی مشخص باشد باید هر عامل حداقل ۳ شاخص داشته باشد.
• شرط لازم و کافی برای مشخص سازی وقتی فراهم می‌شود که هر متغیر مشاهده شده (شاخص) فقط و فقط یک متغیر پنهان (عامل) را اندازه‌گیری کند.

 

مرحله ۳: برآورد مدل

برآورد مدل شامل تکنیک‌هایی است که برای برآورد پارامترهای مدل استفاده می‌شوند. برآورد پارامترها آنقدر تکرار می‌شود تا مدل موردنظر در یک مجموعه نهایی از پارامترهای برآورد شده همگرا شود.

روش‌های برآورد مدل

• (Maximum Likelihood (ML: متداول‌ترین روش برآورد و مستقل از مقیاس داده‌ها‌ است. اگر متغیرهای مشاهده شده نرمال و خطی باشند و بیش از ۱۰۰ مورد وجود داشته باشد، از این روش می‌توان استفاده کرد.
• (Generalized Least Squares (GLS: نتایجی مشابه روش ML ارائه می‌کند و با حجم نمونه‌های کوچکتر قابل کاربرد است.
• (Unweighted Least Squares (ULS : زمانی مناسب است که تمام متغیرهای مشاهده شده با یک مقیاس واحد اندازه‌گیری شده باشند.
• (Weighted Least Squares (WLS و (Diagonal weighted Least Squares (DWLS: وابسته به پیش فرض نرمال بودن نیستند و به حجم نمونه بسیار بالا (بیش از ۱۰۰۰ مورد) نیاز دارند.

 

مرحله ۴: آزمون مدل

یک بخش مهم در فرایند برآورد، ارزیابی برازش مدل است. منظور از برازش مدل این است که تا چه حد یک مدل با داده‌های نمونه سازگاری و توافق دارد. بدین منظور از شاخص‌های برازش استفاده می‌شود.

در صورتی که برازش مدل قابل قبول باشد، تخمین پارامترها مورد بررسی قرار می‌گیرند. یعنی نتایج بخش اندازه‌گیری و ساختاری مدل ارزیابی می‌شوند. نسبت تخمین هر پارامتر به خطای استاندارد آن بوسیله آماره t نشان داده می‌شود. برای این‌که پارامتر موردنظر قابل قبول یا به عبارتی معنادار باشد، باید قدرمطلق مقدار t آن بزرگتر یا مساوی ۱٫۹۶ باشد. بنابراین شاخصها از دقت لازم برای اندازه­گیری سازه‌های نهفته تحقیق برخوردارند.

 

آزمون‌های برازندگی مدل کلی

گرچه انواع گوناگونی از آزمون‌ها که به آن‌ها شاخص‌های برازش گفته می‌شود، در حال توسعه و تکامل می‌باشند اما هنوز درباره حتی یک آزمون بهینه نیز توافق همگانی وجود ندارد. تصمیم‌گیری درباره برازش یک مدل براساس چند شاخص و نه یک شاخص انجام می‌گیرد. بنابراین برای ارزیابی برازش مدل، ضروری است تعداد متنوعی از شاخص‌ها گزارش شود. زیرا شاخص های مختلف، جنبه‌های متفاوتی از برازش مدل را انعکاس می‌دهند. برخی از این شاخص‌ها عبارتند از:

جدول۱: انواع شاخص‌های برازش مدل و مقدار مجاز آن‌ها

شاخص‌های دیگری نیز در خروجی نرم افزار لیزرل دیده می‌شوند که برخی مثلAIC ،CAIC  و ECVI  برای تعیین برازنده‌ترین مدل از میان چند مدل مورد توجه قرار می‌گیرند برای مثال مدلی که دارای کوچکترینAIC ،CAIC  و ECVI  باشد برازنده‌تر است. مقدار آماره ECVI به خودی خود قابل قضاوت نیست و برای نتیجه‌گیری درباره برازش مدل با مقادیر بدست آمده برای مدل استقلال و مدل اشباع شده مقایسه می‌گردد. مدلی که دارای کوچکترین CAIC و AIC باشد (هرچه به صفر نزدیکتر باشند)، برازنده‌تر است. برخی از شاخصها نیز به شدت وابسته به حجم نمونه‌اند و در حجم نمونه‌های بالا می‌توانند معنا داشته باشند.

 

مرحله ۵: اصلاح مدل

گام نهایی اصلاح مدل نامیده می‌شود. در صورتی که مدل از برازش ضعیفی برخوردار باشد، با استفاده از اطلاعات حاصل از خروجی برنامه، جهت بهبود مدل تغییراتی در آن اعمال می‌شود.

 

منابع:

• کلانتری، خلیل (۱۳۸۸). مدل یابی معادله ساختاری در تحقیقات اجتماعی-اقتصادی. تهران: انتشارات فرهنگ صبا. چاپ اول.
• هومن، حیدرعلی (۱۳۸۸). مدل یابی معادله ساختاری با کاربرد نرم‌افزار لیزرل. تهران: انتشارات سمت. چاپ سوم.
• شوماخر، راندال ای و لومکس، ریچارد جی (۱۳۸۸). مقدمه‌ای بر مدل‌سازی معادله ساختاری. مترجم: وحید قاسمی. تهران: انتشارات جامعه شناسان. چاپ اول. سال انتشار به زبان اصلی، ۲۰۰۴٫
• میرز، گامست، و گارینو (۲۰۰۶). پژوهش چندمتغیری کاربردی طرح و تفسیر. ترجمه شریفی و همکاران ۱۳۹۱. انتشارات رشد.
• کرلینجر، پدهازر (۱۹۸۲). رگرسیون چندمتعیری در پژوهش رفتاری.  ترجمه حسن سرایی ۱۳۸۶. انتشارات سمت.
• Bollen, K. A. (1989). Structural equations with latent variables. New York: Wiley.

 

 

رویکرد واریانس محور یا حداقل مربعات جزئی (PLS)

PLS یا روش حداقل مربعات جزئی (Partial Least Square) یک رویکرد واریانس محور برای مدل یابی معادله ساختاری است، این تکنیک امکان بررسی روابط متغیرهای پنهان و شاخص‌ها (متغیرهای قابل مشاهده) را بصورت همزمان فراهم می سازد. این روش را می‌توان در شرایطی که حجم نمونه کم بوده و متغیرها حالت نرمال ندارند (البته در مدل‌های ترکیبی یا Formative شرط نرمال بودن حائز اهمیت نمی‌باشد)، به کار برد. PLS شاخص‌های برازش مدل را در اختیار محقق قرار نمی‌دهد، بنابراین برای پیش‌بینی مناسب‌تر است.

شاخص­های برازش این رویکرد مربوط به بررسی کفایت مدل در پیش­بینی متغیرهای وابسته می­شوند؛ مانند شاخص­های اشتراک (Communality) و افزونگی (Redundancy) یا شاخصGOF می ­باشد. در واقع این شاخص­ها نشان می­ دهند که برای مدل اندازه ­گیری شاخص‌ها تا چه حد توانائی پیش­بینی سازه زیربنایی خود را دارند و برای مدل ساختاری، متغیرهای بیرونی تا چه حد و با چه کیفیتی توانائی پیش­بینی متغیرهای درنی مدل را دارند. رویکرد واریانس محور با نرم‌افزارهایی مانند پی ال اس گراف (PLS Graphing)، اسمارت پی ال اس (Smart- PLS)، رپ پی ال اس (Warp PLS) و ویژوال پی ال اس (Visual PLS) قابل اجرا می‌باشد.

 

حجم نمونه در روش حداقل مربعات جزئی  PLS

در مدل‌یابی معادله ساختاری به روش حداقل مربعات جزئی  برخلاف روش قبلی به حجم نمونه بالایی نیاز نداریم.

چین و نیوزتد (۱۹۹۹) در یک مطالعه شبیه‌سازی مونت کارلو بر روی PLS  با نمونه‌های کوچک نشان دادند که این رویکرد می‌تواند برای حجم نمونه ۲۰ تایی نیز اطلاعاتی درباره تناسب شاخص‌ها فراهم آورد. با این حال با در نظر گرفتن مشکل پایداری در مقیاس بزرگ، هنوز این مدل با محدودیت هایی روبروست. با وجود این‌که PLS برای نمونه‌های خیلی کوچک و یا موقعی که موارد نسبت به متغیرهای مشاهده شده کمتر باشد قابل استفاده است، اما تکیه بر نمونه‌های کوچک می‌تواند نتایج ضعیفی فراهم کند. نمونه‌های بزرگتر، برآوردهای PLS را قابل اطمینان‌تر می‌سازد. میانگین میزان خطای مطلق در PLS با افزایش حجم نمونه کاهش می یابد. حجم نمونه کوچک برای ضرایب مسیر کوچک کافی نیست، در چنین مواردی حجم نمونه برابر با روش کوواریانس محور مورد نیاز است.

محققان دو روش را برای تعیین حداقل نمونه لازم در PLS پیشنهاد می‌کنند:

1. حجم نمونه بزرگتر یا مساوی ۱۰ برابر تعداد شاخص‌های مدل اندازه‌گیری‌ای که دارای بیشترین شاخص در میان مدل‌های اندازه‌گیری مدل اصلی پژوهش است.
2. حجم نمونه بزرگتر یا مساوی ۱۰ برابر بیشترین تعداد مسیرهای ساختاری که به یک متغیر (سازه) در مدل مسیر درونی ختم می‌شوند.

 

مدل‌های اندازه‌گیری انعکاسی (Reflective) و مدل‌های ترکیبی (Formative)

یکی از مهم­ترین تفاوت­های عمده بین مدل­های کوواریانس محور و PLS در شاخص‌های انعکاسی (Reflective) و ترکیبی (Formative) می‌باشد. در روش‌های کوواریانس محور، مدل ترکیبی وجود ندارد.

• مدل اندازه‌گیری انعکاسی ریشه در نظریه آزمون کلاسیک و روان‌سنجی دارد. این مدل شامل متغیرهای پنهانی است که نشان‌گر صفات، شخصیت یا نگرش‌ها هستند و نمود آن ها توسط متغیرهای دیگر نشان داده می‌شوند. در این نوع مدل ها جهت پیکان از متغیر پنهان (سازه) به سمت متغیرهای مشاهده شده است؛ یعنی فرض بر این است که اندازه‌گیری‌های مشاهده شده، تغییر در متغیر پنهان را منعکس می‌کنند. به عبارت دیگر تغییر در متغیر پنهان سبب تغییر در متغیرهای مشاهده شده می‌شود. در مدل‌های انعکاسی باید همبستگی مثبت و نسبتا بالایی بین متغیرهای مشاهده شده وجود داشته باشد.

 

شکل ۵: نمونه‌ای از یک مدل اندازه‌گیری انعکاسی

•  مدل‌های اندازه‌گیری ترکیبی شامل متغیرهای مشاهده شده‌ای هستند که علت یا ایجاد کننده متغیرهای پنهان می‌باشند. یعنی متغیرهای تشکیل‌دهنده به عنوان متغیرهای علی در نظر گرفته شده‌اند که بر شکل‌گیری متغیر پنهان تاثیر دارند. در مقابل مدل‌های انعکاسی، در مدل‌های ترکیبی بین متغیرهای مشاهده شده، همبستگی می‌تواند مثبت، منفی یا صفر باشد. به عنوان مثال متغیر پنهان استرس زندگی را درنظر بگیرید. این متغیر می‌تواند از ترکیب متغیرهای مشاهده شده‌ای مانند از دست دادن شغل، طلاق یا حوادث ناگوار در زندگی تشکیل شود. یعنی این عوامل بر استرس زندگی تاثیر می‌گذارند. اما نمره سازه مورد نظر از نمره سئوالات آن به دست می‌آید. جهت پیکان از متغیرهای مشاهده شده به سمت متغیر پنهان (سازه) است؛ یعنی تغییر در متغیرهای مشاهده شده سبب تغییر در متغیر پنهان می‌شود.

 

 شکل ۶: نمونه‌ای از یک مدل اندازه‌گیری ترکیبی

 

مدل‌ درونی (Inner Model) و مدل بیرونی (Outer Model)

در مدل های PLS دو مدل آزمون می شود: مدل‌های بیرونی و مدل های درونی. بخش اندازه‌گیری مدل که نمایشگر روابط بین متغیرهای پنهان با شاخص‌هایشان به دو صورت ترکیبی و انعکاسی می‌باشد، مدل بیرونی و بخش ساختاری مدل که نمایانگر رابطه بین متغیرهای مکنون است، مدل درونی نام دارد.

ارزیابی مدل­ها با استفاده از PLS

بررسی برازش مدل­های واریانس محور یا همان PLS در سه مرحله صورت می­گیرد:

• ارزیابی مدل اندازه­ گیری (مدل بیرونی) انعکاسی یا ترکیبی: تعیین پایایی و روایی
• ارزیابی مدل ساختاری (مدل درونی)
• آزمون مدل کلی PLS

 

ارزیابی مدل اندازه­ گیری (مدل بیرونی)

در این مرحله، روای و پایایی مدل برحسب نوع مدل یعنی انعکاسی یا ترکیبی بودن آن تعیین می‌شود. معیارهای ارزیابی مدل اندازه‌گیری در جدول زیر ارائه شده است.

 جدول ۲:  معیارهای ارزیابی مدل اندازه­ گیری (مدل بیرونی)

 

ارزیابی مدل ساختاری (مدل درونی)

در یک مدل مسیر فقط یک مدل ساختاری وجود دارد. پس از ارزیابی برآوردهای روایی و پایایی مدل‌های اندازه‌گیری نوبت به ارزیابی مدل ساختاری می‌رسد. معیار‌های آزمون مدل ساختاری در جدول زیر ارائه شده‌اند:

جدول ۳:  معیارهای ارزیابی مدل ساختاری (مدل درونی)

آزمون مدل کلی PLS

در PLS برخلاف روش کوواریانس محور شاخصی برای سنجش کل مدل وجود ندارد. البته تننهاوس و همکاران (۲۰۰۵) یک شاخص کلی به نام نیکویی برازش (GOF) را برای بررسی برازش مدل معرفی کرده‌اند. این شاخص را می توان با محاسبه متوسط R²  و متوسط مقادیر اشتراکی (Communality) از طریق فرمول زیر بدست آورد:

البته باید توجه داشت که این شاخص توانایی پیش‌بینی کلی مدل را مورد بررسی قرار می‌دهد. یعنی این‌که آیا مدل آزمون شده در پیش‌بینی متغیرهای پنهان درون زا موفق بوده است یا نه. وتزلس و همکاران (۲۰۰۹) مقادیر ۰٫۰۱، ۰٫۲۵ و ۰٫۳۶ را به ترتیب به عنوان مقادیر ضعیف، متوسط و قوی برای GOF معرفی نموده‌اند.

 

منابع:

1. محسنین، شهریار و اسفیدانی، محمد رحیم. (۱۳۹۳). معادلات ساختاری مبتنی بر رویکرد حداقل مربعات جزیی – به کمک نرم افزار  Smart-PLS. تهران: مهربان نشر. چاپ اول.
2. Henseler, Jörg; Ringle, Christian M; Sinkovics, Rudolf R. (2009). The use of partial least squares path modeling in international marketing, in Rudolf R. Sinkovics, Pervez N. Ghauri (ed.) New Challenges to International Marketing (Advances in International Marketing, Volume 20) Emerald Group Publishing Limited, pp.277 – ۳۱۹
3. Nunnally, J. C., & Bernstein, I. H. (1994). Psychometric theory (3rd ed.). New York, NY: McGraw-Hill

انواع متغیرها در مدل معادلات ساختاری

 

به منظور انجام مدل یابی معادلات ساختاری تعریف متغیرها از اهمیت ویژه ای بر خوردار است. مهمترین نکته در انجام تحلیل آماری تعریف متغیرها در مدل یابی معادلات ساختاری است. در انجام مدل یابی معادلات ساختاری متغیر مشاهده‌پذیر یا آشکار به صورت مستطیل در نظر گرفته خواهد شد.

متغیرهای مشاهده‌پذیر یا معرف‌ها در انجام مدل یابی معادلات ساختاری

دسته اول متغیر ها در انجام مدل یابی معادلات ساختاری متغیرهای مشاهده‌پذیر یا معرف‌ها می‌باشند؛ که همان سؤال‌ها یا گویه‌های پرسشنامه می‌باشند. این دسته از متغیرها در نرم‌افزارهای معادلات ساختاری به شکل مستطیل یا مربع نمایش داده می‌شوند. در مدل‌های اندازه‌گیری که برپایه متغیرهای مشاهده‌پذیر تعریف می‌شوند؛ در انجام مدل یابی معادلات ساختاری دو نوع متغیر مشاهده‌پذیر X‌ و Y وجود دارد. مدل‌های اندازه‌گیری، مدل‌هایی هستند که روابط بین متغیرهای مشاهده‌پذیر (مستطیل‌ها) و پنهان (بیضی‌ها) را با یک پیکان نمایش می‌دهند. در انجام مدل یابی معادلات ساختاری از آنجا که دو مدل اندازه‌گیری X و Y وجود داشته که به ترتیب با نمادهای کسای و اِتای نمایش داده می‌شوند؛ متغیرهای مشاهده‌پذیر مربوط در انجام مدل یابی معادلات ساختاری به این دو مدل نیز به نام‌های مشاهده‌پذیرهای X و Y تعریف می‌شوند.

متغیر مشاهده‌پذیر یا آشکار

Observable Variable or Indicator

انجام مدل یابی معادلات ساختاری در نرم افزار smart pls و لیزرل در نرم افزار SPSS، در تمامی آزمون‌ها و تحلیل‌های خود، تمایزی بین دو متغیر فاصله‌ای و نسبتی قائل نیست و هر دوی این متغیرها را با عنوان Scale می‌شناسد.

متغیرهای مکنون (پنهان) یا سازه‌ها هنگام انجام مدل یابی معادلات ساختاری

دسته دوم متغیرها  هنگام انجام مدل یابی معادلات ساختاری متغیرهای مکنون (پنهان) یا سازه‌ها می‌باشند که بطور مستقیم قابل اندازه‌گیری نبوده و به وسیله حدقال دو یا سه متغیر مشاهده‌پذیر قابل اندازه‌گیری می‌باشد. در هنگام انجام مدل یابی معادلات ساختاری ، با دو نوع متغیر مکنون بر خورد می نماییم که با شکل بیضی نمایش داده می‌شوند.

متغیر مکنون برون‌زا (مستقل) هنگام انجام مدل یابی معادلات ساختاری

متغیر مکنون درون‌زا (وابسته) هنگام انجام مدل یابی معادلات ساختاری

متغیرهای مکنون برون‌زا  (مستقل)

هنگام انجام مدل یابی معادلات ساختاری متغیرهای مکنون برون‌زا (مستقل) نقش علّی را برعهده داشته و از آنجا که فقط مسیرهایی از آن خارج می‌شود؛ به عنوان متغیرهای برون‌زا نام برده می‌شوند.

متغیرهای مکنون درون‌زا (وابسته)

هنگام انجام مدل یابی معادلات ساختاری متغیرهای مکنون درون‌زا (وابسته) در مدل معادلات ساختاری، نقش معلول را داشته و از آنجا که مسیرهایی از سوی متغیرهای دیگر به آن وارد می‌شود، به عنوان متغیرهای درون‌زا نام برده می‌شوند. متغیرهای وابسته دیگری نیز هنگام انجام مدل یابی معادلات ساختاری وجود دارد که نقش میانجی داشته و مسیرهایی به آن هم وارد و هم از آن سمت متغیرهای دیگر خارج می‌شود؛ ولی از آنجا که در تعریف متغیرها به منظور انجام مدل یابی معادلات ساختاری ، برون‌زا و درون‌زا بودن نقش اصلی را ایفا می‌نماید، این متغیر (وابسته میانجی) چون خود علت متغیر دیگری می‌باشد، با همان نماد اِتای (متغیرهای وابسته) نمایش داده می‌شود. در واقع هنگام انجام مدل یابی معادلات ساختاری متغیر وابسته متغیری است که تغییرات آن تحت‌تأثیر متغیر مستقل قرار می‌گیرد که برای انجام مدل یابی معادلات ساختاری به متغیرهای وابسته، درون‌زا گویند. متغیر میانجی دیگر متغیر وابسته‌ای است که در رابطه بین دو متغیر مستقل و وابسته دیگر سهم دارد که همان‌طور که در بالا بدان اشاره گردید، در مدل یابی معادلات ساختاری به این نوع متغیرها نیز متغیر درون‌زا گفته می‌شود که خود نسبت به متغیر دیگری در مدل متغیر برون‌زا هستند .

تعریف متغیر میانجی

نکته ۱: متغیر میانجی در انجام مدل یابی معادلات ساختاری همان متغیر درون‌زا خوانده می‌شود، با این تفاوت که در درون مدل هم نقش درون‌زایی و هم برون‌زایی را نسبت به متغیرهای مستقل و وابسته در درون مدل می‌پذیرد. در مدل‌های حاوی متغیر میانجی، دو نوع میانجی‌‌گری ممکن است به وجود آید:

۱)            میانجی‌گری کامل

۲)            میانجی‌گری جزئی

در میانجی‌گری کامل (شکل زیر) تأثیر علّی میان متغیرهای مستقل و وابسته تنها به صورت غیرمستقیم و از طریق میانجی است.

انجام مدل یابی معادلات ساختاری

 نمایش انواع متغیرها به همراه متغیر میانجی‌گری کامل در یک مدل کلّی معادلات ساختاری

ولی در متغیر میانجی‌گری جزئی، تأثیر علی میان دو متغیر مستقل و وابسته از دو طریق مستقیم و غیرمستقیم است.

نمایش انواع متغیرها به هماره متغیر میانجی‌گری جزئی در یک مدل کلی معادلات ساختاری

انجام مدل یابی معادلات ساختاری

نکته ۲: در مدل مدل‌سازی معادلات ساختاری با متغیر میانجی جرئی، برای تعیین شدت اثر غیرمستقیم متغیر مستقل به نسبت اثر کل این متغیر وابسته از شاخصی به نام شاخص VAF (Variance Accounted For) استفاده می‌شود.

مقدار این شاخص بین ۰ تا ۱ بوده که مقادیر نزدیک به ۱ نشان می‌دهد که تأثیر متغیر میانجی در رابطه بین متغیر مستقل و وابسته قوی می‌باشد. این شاخص از طریق فرمول زیر محاسبه می‌شود:

که در آن داریم:

a: ضریب مسیر بین متغیر مستقل و میانجی

b: ضریب مسیر بین متغیر میانجی و وابسته

c: ضریب مسیر بین متغیر مستقل و وابسته

مدل‌های مدل‌سازی معادلات ساختاری

هنگام انجام مدل یابی معادلات ساختاری در مدل‌سازی معادلات ساختاری شاهد ۳ نوع مدل اساسی می‌باشیم که روابط بین متغیرها (مکنون و مشاهده‌پذیر) این سه مدل را از هم متمایز می‌نماید:

۱)            مدل اندازه‌گیری

۲)            مدل ساختاری

۳)            مئل عمومی معادلات ساختاری (مدل مسیری- ساختاری)

 

منبع: http://www.amartahlil.com

تحلیل عاملی تاییدی و اکتشافی و تفاوت های آنها

تحلیل عاملی

تحلیل عاملی از جمله روشهای چند متغیره است که در آن متغیرهای مستقل و وابسته مطرح نیست، زیرا این روش جزء تکنیک‌های هم وابسته محسوب می‌گردد و کلیه متغیرها نسبت به هم وابسته‌اند. تحلیل عاملی نقش بسیار مهمی در شناسایی متغیرهای مکنون یا همان عامل‌ها از طریق متغیرهای مشاهده شده دارد. عامل (factor) متغیر جدیدی است که از طریق ترکیب خطی مقادیر اصلی متغیرهای مشاهده شده برآورد می‌شود. روﺵ ﺗﺤﻠﻴﻞ عاملی ﺑﺮﺍﻱ ﺳﺎﺧﺖ ﺁﺯﻣـﻮﻥﻫـﺎ ﺍﻭﻟـﻴﻦ ﺑـﺎﺭ ﺗﻮﺳـﻂ ﭼﺎﺭﻟﺰ ﺍﺳﭙﻴﺮﻣﻦ ﺑﻪ ﻛﺎﺭ ﺑﺮﺩﻩ ﺷـﺪﻩ ﺍﺳـت. ﺑـﻪ ﻫﻤـﻴﻦ ﺩﻟﻴـﻞ ﻭﻱ ﺭﺍ ﻣﺒﺘﻜـﺮ ﺭﻭﺵ ﺗﺤﻠﻴــﻞ عاملی ﻣــی‌ﻧﺎﻣﻨـﺪ.

ﺗﺤﻠﻴــﻞ عاملی ﻳﻜــﻲ ﺍﺯ ﺭﻭﺵﻫﺎﻱ ﭘﻴﺸﺮﻓﺘﻪ ﺁﻣﺎﺭﻱ ﺍﺳﺖ که بر مبنای آن متغیرها به گونه‌ای دسته بندی می‌شوند که در نهایت به دو یا چند عامل که همان مجموعه متغیرها هستند، محدود می‌گردند، بنابراین هر عامل را می‌توان متغیری ساختگی یا فرضی در نظر گرفت که از ترکیب چند متغیر که از وجوهی به هم شباهت دارند، ساخته شده است. داده‌های اولیه برای تحلیل عاملی، ماتریس همبستگی بین متغیرها است و متغیرهای وابسته از پیش تعیین شده‌ای ندارد.

 کاربردهای تحلیل عاملی

• کاهش داده‌ها (Data Reduction): یکی از بیشترین کاربردهای تحلیل عاملی، کاهش داده‌ها در تهیه آزمون‌ها است. در برخی از پژوهش‌ها وجود متغیر زیاد انجام تحلیل نهایی را دچار مشکل می‌کند. تحلیل عاملی اکتشافی به محقق کمک می‌کند تا حجم زیادی از متغیرها به تعداد مجدودی از عامل‌ها کاهش دهد. 
• شناسایی ساختار (Structure Detection): ساختار زیربنایی مجموعه‌ای از متغیرها در یک حوزه مفهومی مشخص شناسایی می‌شود. به عبارت دیگر متغیرهای مورد استفاده در تحقیق بر اساس صفات مشترکشان به دو یا چند دسته محدود شده و این دسته‌ها را عامل می‌نامیم. پس از آن روابط بین عاملها بدست آمده و در هر عامل نیز روابط بین متغیرهای آن محاسبه شده و در نهایت هدف اصلی تحقیق که روابط بین متغیرهای تحقیق است، محاسبه می‌شوند.
• سنجش اعتبار (روایی) پرسشنامه یا یک مقیاس: به معنی این که آیا گویه‌های طرح شده درون عامل‌ها قرار می‌گیرند یا نه. برای مثال فرض کنید پرسشنامه‌ای با ۲۰ سوال (یا گویه) تنظیم کرده و می‌خواهید عوامل را استخراج کنید. روایی یعنی آیا ابزار شما، مفهوم موردنظر را به درستی می‌سنجد؟

رویکردهای تحلیل عاملی

رویکردهای تحلیل عاملی را می‌توان به دو دسته کلی تقسیم کرد:

• تحلیل عاملی اکتشافی (Exploratory Factor Analysis)
• تحلیل عاملی تاییدی (Confirmatory Factor Analysis)

اینکه کدام یک از این دو روش باید در تحلیل عاملی به کار رود مبتنی بر هدف تحلیل داده‌هاست. تمایز مهم روش‌های تحلیل عاملی 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) هماهنگ هستند یا نه. به طور کلی، تحلیل عاملی اکتشافی (EFA) ممکن است در حوزه‌های تحقیقاتی کمتر بالغ که در آن سئوالات اندازه‌گیری اساسی هنوز حل نشده انتخاب بهتری باشد. این روش همچنین در مقایسه با CFA نیاز به پیش‌فرض‌های کمتری دارد. در پژوهش‌های ارزیابی، EFA معمولاً در مطالعات اولیه و CFA در مطالعات بعدی همان حوزه استفاده شود.

 

تفاوت تحلیل عاملی اکتشافی و تحلیل عاملی تاییدی 

• مدل‌های اندازه‌‌گیری که هیچ‌گونه قید و شرطی بر آن‌ها اعمال نشده است، با استفاده از تحلیل عاملی اکتشافی (EFA) و مدل‌های اندازه‌گیری مقید با استفاده از تحلیل عاملی تاییدی(CFA) تجزیه و تحلیل می‌شوند. به این معنا که محقق باید ارتباط بین عامل‌ها و شاخص‌های مربوط با آن‌ها را به وضوح مشخص نماید.
• در EFA مرحله تشخیص مدل وجود ندارد. به عبارت دیگر هیچ مجموعه منحصر به فردی از برآورد پارامترها برای یک مدل خاص وجود ندارد. برعکس درCFA مدل‌ها باید از قبل مشخص شوند. به همین دلیل در CFA گام چرخش وجود ندارد.
• در EFA فرض بر این است که واریانس مربوط به هر شاخص با واریانس شاخص دیگری به اشتراک گذاشته نمی‌شود. در مقابل، بسته به مدل موردنظر، CFAمی‌تواند ارزیابی کند که آیا واریانس مربوطه بین دو شاخص‌ به اشتراک گذاشته می‌شود یا نه.
• در CFA خروجی برنامه‌های کامپیوتری، تعدادی آماره برازش ارائه می‌کند که برازش یا به عبارتی میزان تطابق کل مدل را با داده‌ها ارزیابی می‌کنند. درحالی‌که، این آماره‌ها معمولاً در روش‌های متداول EFA (از جمله تحلیل مؤلفه اصلی (principle components analysis) و عامل‌‌یابی محور اصلی (principle axis factoring) که توسط نرم‌افزارهای کامپیوتری مانند SPSS وSAS/STAT انجام می‌شوند، وجود ندارند. البته برخی از برنامه‌های کامپیوتری تخصصی‌تر مانند Mplus ممکن است برخی از آماره‌های برازش را برای روش‌های خاصی از EFA ارائه کنند.
• EFA با استفاده از برنامه‌های کامپیوتری که برای تحلیل آماری عمومی بکار می‌روند، مانند SPSS و SAS/STAT قابل انجام است. در حالی‌که، برای انجام CFA به برنامه‌های کامپیوتری تخصصی‌تری نیاز داریم که قابلیت اجرای تکنیک مدل‌یابی معادله ساختاری (SEM) را دارا می‌باشند. چون CFA تکنیک مدل‌یابی معادله ساختاری (SEM) برای برآورد مدل‌های اندازه‌گیری مقید است. برخی ابزار‌های کامپیوتری پر کاربرد SEM عبارتند از:LISREL،Amos ،Smart-PLS و Mplus که برنامه Mplus دارای قابلیت انجام هر دو تحلیل EFA و CFA می‌باشد.