مدل های بازگشتی چیست؟

آیا در مدل تدوین شده متغیرهایی وجود دارند که به طور غیر مستقیم بر خود اثر گذارند؟ این سؤالی کلیدی است که تفاوت دو نوع  مدل های بازگشتی و غیربازگشتی را از یکدیگر نشان می دهد. پاسخ مثبت به سؤال مذکور نشان دهنده ی تدوین یک مدل بازگشتی است.

به لحاظ محاسباتی مدل های بازگشتی به سر راستی مدل های غیر بازگشتی نیستند و اغلب این امکان وجود دارد که محقق با مشکل نامشخص بودن برخی از پارامترها مواجه شود، بویژه اگر مدل از پیچیدگی برخوردار باشد؛ اما با این حال چنین به نظر می رسد که با طرح این مدل ها می توان به واقعیت محیط زندگی اجتماعی، که در آن متغیرها دارای اثر متقابل بر یکدیگر و بنابراین اثر غیر مستقیم برخود هستند، نزدیکتر شد.

با توجه به اینکه اثر یک متغیر بر خودش تنها با استفاده از داده های ناشی از مطالعات طولی قابل بررسی است، استفاده از داده های مقطعی برای چنین اثراتی نیز به طور ضمنی به معنای آن است که یک وضعیت پویا را به یک وضعیت ایستا تقلیل داده ایم. با این حال برخی محققان نشان داده اند که چگونه با برقرار بودن برخی مفروضه ها، چنین امری امکان پذیر است.

تعریف مدل های بازگشتی و خصایص آن

در تدوین مدل های ساختاری گاهی وضعیتی پیش می آید که در آن محقق ممکن است بین دو متغیر اثر متقابل یا دو سویه تعریف کند. به این معنی که مایل نیست ارتباط بین دو متغیر را به عنوان یک همبستگی صرف تعریف کند؛ به عبارت دیگر اثر گذاری به صورت یک سویه و تنها از یک متغیر مستقل به سمت متغیر وابسته نیست.

جیمز آربوکل(۲۰۰۷) مدل های بازگشتی را به عنوان مدل هایی تعریف می کند که در آن حلقه ی بازخورد یا پس خورانی (Feedback Loop) وجود دارد. همانطور که جیمز بی. گریس (۲۰۰۶) خاطر نشان می کند که رابطه دو طرفه یا بازگشتی به این معناست که یک متغیر به طور غیرمستقیم برخود اثر می گذارد.

مدل های بازگشتی

مثال

به عنوان مثال با توجه به دو متغیر اعتماد اجتماعی و مشارکت اجتماعی می توان مدلی را تعریف کرد که در آن از یک سو مشارکت اجتماعی تابعی از اعتماد اجتماعی است واز طرف دیگر اعتماد اجتماعی نیز تابعی از مشارکت اجتماعی تعریف می شود.

به عبارت دیگر در طول زمان نه تنها بالا رفتن اعتماد در میان یک گروه اجتماعی می تواند به بهبود شاخص های مشارکت اجتماعی منجر شود، از طرف دیگر بالا رفتن مشارکت اجتماعی بین گروهی از افراد خود می تواند به بهبود شاخص اعتماد اجتماعی در میان آنان منجر شود.

در این وضعیت دو پارامتر بتا به عنوان پارامتر آزاد تعریف شده و از درجات آزادی مدل کاسته خواهد شد. هی داک (۱۹۸۷) چنین وضعیتی را با نام اثر بر خود (Effect on Self) نامگذاری کرده است.

اغلب بیش از یک شیوه برای روابط بازخوردی در مدل وجود دارد. ساده ترین شکل آن مدلی است که در آن دو متغیر بدون واسطه بر خودشان اثر می گذارند:

روابط بازخوردی معادلات ساختاری

حلقه بازخوردی

در حالتی کمی پیچیده تر اثر متقابل دو متغیر بر یکدیگر با یک واسطه و همچنین اثر یک متغیر بر خودش با دو واسطه شکل می گیرد:

اثر متقابل دو متغیر

وجود حلقه بازخوردی به طور ضمنی به معنای آن است که متغیرهای خطای درگیر در مدل با یکدیگر همبسته اند. به بیان دیگر اگر دو متغیر با یکدیگر تعامل دارند بنابراین منطقی است که عوامل تأثیر گذار بر آن ها که در متغیرهای گنجانده شده در مدل ساختاری به عنوان متغیر بیرونی یا درونی آورده نشده اند (یا همان متغیرهای خطا) با یکدیگر همبسته باشند.

به منظور برآورد پارامترهای مدل نوعی از رویکرد حداقل مربعات به نام حداقل مربعات دو مرحله ای وجود دارد که به منظور برآورد مدل های بازگشتی به کار برده می شود. البته برآورد پارامترها در این مدل ها با استفاده از روش درستنمایی ماکزیمم نیز امکان پذیر است.

بحثی پیرامون مدل های بازگشتی

در واقع مدل های بازگشتی که بیانگر اثر یک متغیر بر خودش می باشد مناسب داده های طولی و طرح های پانل است که در آن ها داده ها برای متغیرهای مشابه در دو زمان مختلف گردآوری شده اند، اما با این وجود می توان آن ها را برای داده های مقطعی که در یک زمان جمع آوری شده اند نیز مورد استفاده قرار داد.

به عنوان مثال اگر صرفا بر دو متغیر مشارکت و اعتماد اجتماعی تمرکز کنیم با فرض این که در دو سال متفاوت با ابزارهای یکسان و جامعه آماری یکسان، داده های مورد نظر را گردآوری کنیم، مدل مورد نظر ما یک مدل غیر بازگشتی خواهد بود. بنابراین طرح حلقه های بازگشتی ناشی از وجود اثرات متقابل در طول زمان است که امکان آن در یک مدل غیربازگشتی با داده های طولی وجود دارد و استفاده از داده های غیربازگشتی در واقع برای بررسی آن است.

با وجود اهمیت استفاده از مدل های بازگشتی در بسیاری از مطالعات اجتماعی، به دلیل مشکلاتی که انجام مطالعات طولی در بر دارد و همچنین به دلیل غیرمشخص شدن برخی از پارامترها در مدل های بازگشتی و به تبع آن عدم امکان برآورد پارامترها، بازسازی ماتریس واریانس-کواریانس و محاسبه شاخص های برازش مدل، محققین کمتر تمایل به بهره گیری از این نوع مدل ها دارند.

فرضیه تعادل و شاخص ثبات

همانطور که کاپلان، هریک و هاچیکس(۲۰۰۱) تأکید کرده اند با توجه به اینکه طرح های مقطعی تنها یک تصویر منفرد از یک فرآیند پویای در حال حرکت هستند، بنابراین برآورد اثرات دو سویه با داده های مقطعی نیازمند برقرار بودن فرضیه تعادل است.

فرضیه تعادل به این معنا است که برآورد پارامترها وابسته به زمان خاص گردآوری داده ها نیست.  به منظور بررسی این فرضیه وقتی که یک مدل بازگشتی تحلیل و برآورد می شود شاخصی به نام شاخص ثبات نیز در خروجی Amos ارائه می گردد. به لحاظ کاربردی تفسیر استاندارد شاخص ثبات چنین است که اگر مقدار آن کمتر از ۱ باشد حاکی از برقراری فرضیه تعادل است در حالیکه مقادیر بالاتر از ۱ فقدان برقراری فرضیه تعادل را تأیید می کنند.

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 سيد مجتبي فرشچي

کارشناسی ارشد خود را در رشته آمار کاربردی از دانشگاه شهید بهشتی تهران گرفته ام. بعنوان مدیریت این شرکت، مایلم با کیفیت ترین خدمات و آموزش را در زمینه مدل سازی معادلات ساختاری با نرم افزارهای Lisrel و Amos به محققان و دانشجویان کشور ارائه نماییم.

ارسال دیدگاه

نشانی ایمیل شما منتشر نخواهد شد.

  • یک × 5 =

کليک کنيد: پاسخگويي تلگرامی