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