اگر شاخص های برازش کلی مدل در مجموع قابل قبول نباشند، با این پرسش مواجه می شویم که آیا با برخی اصلاحات می توان مدل را به حد قابل قبول ارتقا داد؟ اولین پاسخی که می توان به چنین پرسشی داد آن است که هرچه شاخص های برازش مدل به نقاط قالب قبول نزدیک تر باشند احتمال ارتقا مدل به حد قالب قبول با برخی اصلاحات بیشتر است.

اولین و مهمترین نکته ای که به هنگام اصلاح یک مدل لازم است راهنمای پژوهشگر باشد آن است که توجیه نظری بر توجیه کمی و آماری ارجحیت دارد، به نحوی که نمی توان صرفا بر مبنای توجیه کمی و آماری دست به چنین اصلاحاتی زد. تغییر مدل به نحوی که نتوان برای آن توجیهی نظری و یا حتی منطقی ارائه داد، صرفا به این دلیل که شاخص های برازش به نحو قابل توجهی بهبود می یابند به لحاظ علمی قابل قبول نیست.

ولی در هر حال شاخص های آماری می توانند مسیر اصلاح مدل را به پژوهشگر نشان دهند. چنانچه بتوان توجیه نظری یا منطقی برای چنین اصلاحاتی ارائه داد پژوهشگر اغلب به اصلاح مدل سوق خواهد یافت.

اقدامات برای اصلاح مدل

اما برای اصلاح یک مدل چه کارهایی می توان انجام داد؟ شاید بتوان مجموعه اصلاحات ممکن را به سه دسته تقسیم نمود :

گروه اول

گروه اول اصلاحاتی هستند که به متغیرهای حاضر در مدل یا غایب از مدل مربوط می شوند. ممکن است بتوان متغیرهایی را از مدل حذف کرد، متغیرهایی را به مدل افزود و یا اینکه دو یا چند متغیر را با هم ادغام کرد. گاه نیز ممکن است یک سازه پنهان را به دو یا چند سازه فرعی تجزیه کرد.

گروه دوم

گروه دوم از اصلاحات آنهایی هستند که به داده های ورودی مربوط می شوند. ممکن است یک مدل در یک نمونه از یک جامعه آماری شاخص های برازش قابل قبولی را نشان ندهد در حالی که همان مدل اگر برای گروهی فرعی از همان نمونه مورد تجزیه و تحلیل قرار گیرد نتیجه بهتری را نشان دهد. بنابراین تهیه ماتریس واریانس-کواریانس مشاهده شده برای گروه های فرعی که احتمال می دهیم نتایج را تغییر دهد می تواند مورد توجه پژوهشگر قرار گیرد.

گروه سوم

گروه سوم از اصلاحات، گروهی هستند که به پارامترهای آزاد و ثابت در مدل تدوین شده مربوط می شوند. این امکان وجود دارد که از طرفی با ثابت کردن برخی از پارامترهای آزاد و از طرف دیگر با آزاد کردن برخی پارامترهای ثابت (و بعضی مواقع مقید) بتوان به بهبود شاخص های برازش کلی مدل دست یافت.  با اندکی تساهل علمی می توان به جای ثابت کردن پارامترهای آزاد از اصطلاح «حذف مسیر» و به جای آزاد کردن پارامترهای ثابت از اصطلاح «افزودن مسیر» بهره برد.

نکته مهم هنگام اصلاح مدل

یکی از نکات بسیار مهم در اصلاح مدل که لازم است همواره مد نظر داشته باشیم آن است که اصلاح مدل را جزء به جزء به انجام رسانده و پس از هر اصلاح جزئی تغییرات حاصل در مدل را تحلیل کنیم. به عنوان مثال اگر نتایج آماری نشان می دهند که می توان دو پارامتر را به مدل افزود بهتر است که ابتدا یکی از پارامترها به مدل افزوده شود، تغییرات حاصله ارزیابی شود و سپس در صورتی که برآوردهای جدید پیشنهاد افزودن پارامتر دوم را به مدل می دهند چنین کاری به انجام رسد.

ثابت کردن پارامترهای آزاد

در خروجی های متنی Amos برای کلیه پارامترهای برآورد شده، نسبت بحرانی که همان نسبت مقدار برآورد شده برای پارامتر به خطای معیار آن است گزارش می شود. می توان از این نسبت ها و سطح معناداری مرتبط با آن ها مشخص کرد که کدامیک از پارامترهای برآورد شده فاقد تفاوت معنادار با مقدار صفر هستند.

اگر پارامتری فاقد تفاوت معنادار باشد به این معنا است که به لحاظ اماری می توان آن را از مدل تدوین شده حذف کرد. حذف چنین پارامتری به معنای ثابت کردن آن به مقدار صفر است.

پارامترهای آزاد در مدل را می توان به سه گروه تقسیم کرد که شامل واریانس ها، کواریانس ها (ضرایب همبستگی) و وزن های رگرسیونی (بارهای عاملی یا ضرایب تأثیر) می شوند.

اصولا امکان ثابت کردن واریانس به یک مقدار مشخص اغلب اوقات بی معنی جلوه می کند. اما ثابت کردن کواریانس ها یا ضرایب رگرسیونی می تواند بر مبنای نتایج آماری منطقی تفسیر شود. پس از حذف چنین پارامترهایی شاخص های کلی برازش در سه گروه شاخص های مطلق، تطبیقی و مقتصد بار دیگر مورد وارسی قرار می گیرند تا نتایج چنین حذفی تحلیل شوند.

آزاد کردن پارامترهای ثابت

هموراه این پرسش برای پژوهشگر مطرح است که آیا می توان با آزاد کردن پارامترهایی که در مدل اولیه آن ها را ثابت تعریف کرده ایم شاخص های مطلق، تطبیقی و مقتصد را بهبود بخشید. در این باره نیز شاخص هایی رابه نام شاخص اصلاح می توان در خروجی Amos درخواست کرد که در پاسخ به چنین پرسشی پژوهشگر را یاری می رساند.

شاخص های اصلاح در مجموع نشان می دهند که اگر پارامتری را به مدل بیافزاییم تا چه مقدار می تواند سبب کاهش آماره کای دو مدل شود. آنچه قابل توجه است این که با افزودن پارامتر به مدل مقدار کای دو تاحدودی کاهش می یابد اما باید بررسی کرد که آیا این کاهش از لحاظ آماری معنادار است یا خیر. در خروجی Amos سه جدول مختلف برای کواریانس ها، واریانس ها و ضرایب رگرسیون گزارش می شوند.

از آنجایی که واریانس های متغیرهای بیرونی در مدل اصلی آزاد تعریف شده اند جدول شاخص های اصلاح مرتبط با واریانس ها هیچ اصلاحی را پیشنهاد نمی کنند. گاه ممکن است که نتایج نشان دهند که متغیرهای خطا را می توان با یکدیگر همبسته کرد.

معمولا به سه دلیل روش شناختی ممکن است متغیرهای خطا را با یکدیگر همبسته کرد:

اول اینکه مقیاس های اندازه گیری دو متغیر یکسان باشند. دیگر اینکه دو متغیر درواقع یک متغیر هستند که در دو زمان مختلف اندازه گیری شده اند و سوم اینکه دو متغیر اصلی دارای همبستگی بالایی با یکدیگر باشند به نحوی که انتظار می رود عوامل تأثیر گذار بر آن ها که در مدل لحاظ نشده اند تا حد زیادی مشابه باشند.

در مجموع می توان گفت با افزودن پارامتری در رابطه با وزن های رگرسیونی و یا با افزودن پارامتری در رابطه با همبسته کردن متغیرهای خطا بتوان به کاهش یکسانی در کای دو دست یافت.  اما افزودن وزن های رگرسیونی به لحاظ نظری می تواند قابلیت توجیه بالاتری داشته باشد.

منبع

مدل سازی معادله ساختاری در پژوهش های اجتماعی باکاربرد Amos / نوشته دکتر وحید قاسمی / انتشارات جامعه شناسان.

 

 

اگر مطلب را برای دوستان خود مفید می بینید، در شبکه های اجتماعی منتشر نمایید

شرکت آماری اطمینان شرق؛ مطمئن ترين در سراسر کشور

درباره حدیثه دهقان

به عنوان یکی از با سابقه ترین پرسنل شرکت آماری اطمینان شرق، تلاش می کنم کار خود در زمینه پیگیری و انجام سفارشات تحلیل با نرم افزارهای معادلات ساختاری را به خوبی انجام دهم. همراه و تلگرام من: 09198180991

ارسال دیدگاه

نشانی ایمیل شما منتشر نخواهد شد.

  • شش + 8 =

کليک کنيد: پاسخگويي تلگرامی