رویکردهای آزمون مدل
همان طور که قبلا اشاره شد ، رویکردهای آزمون مدل با سایر رویکردهای آماری که در این فصل به آن ها اشاره شد متفاوتند. تفاوت رویکردهای آزمون مدل با سایر رویکردها این است که بررسی می کنند آیا داده های واقعی با مدل نظری که تحلیل گر پیشنهاد کرده است مطابقت دارند. احتمالا معروف ترین تحلیلی ازمون مدل در روان شناسی، مدل سازی معادله ساختاری است. تحلیل عاملی تأییدی یکی از کاربردهای مدل سازی معادله ساختاری است، با تحلیل عاملی تأییدی می توانید تعیین کنید با کدام ماده های پرسشنامه می خواهید یک خرده مقیاس جداگانه بسازید. تحلیل عاملی تأییدی به شما می گوید آیا می توانید این کار را انجام دهید.
[html_block id=”4551″]
مدل سازی معادله ساختاری را می توان به جای رگرسیون چندگانه به کار برد تا فرضیه های واسطه ای را آزمون کرد. برای روشن تر شدن موضوع به مثالی که قبلاً بیان کردیم توجه کنید. در این مثال گفته شد که نگرش های منفی و فقدان ارتباط با دیگران، واسطه رابطه بین پیشرفت تحصیلی ضعیف و ترک تحصیل از مدرسه هستند. در این حالت، مجموعه نسبتاً پیچیده ای از روابط را در قالب فرضیه بیان می کنید، یعنی پیشرفت تحصیلی با ترک تحصیل ارتباط دارد، پیشرفت تحصیلی با نگرش منفی و فقدان ارتباط با دیگران همبستگی دارد، و نگرش ها و فقدان ارتباط با دیگران با ترک تحصیل مرتبط است . علاوه بر این ، بیان می کنید اگر نگرش ها و ارتباط های دانش آموزان را بشناسید می توانید رابطه بین پیشرفت تحصیلی و ترک تحصیل را تبیین کنید. مدل سازی معادله ساختاری همه این روابط را با یک تحلیل آزمایش می کند .
مدل سازی معادله ساختاری را حتی می توان برای بررسی مدل های پیچیده تر نیز به کار برد . مثلا مدل سازی معادله ساختاری به به طور روزافزونی به جای تحلیل مسیر استفاده می شود. تحلیل مسیر ، روابط مستقیم و غیر مستقیم بین متغیر های پیش بین و ملاک را بررسی میکند. یک مدل ساده تحلیل مسیر بیان می کند که الف باعث ب می شود که ب باعث ج می شود اما الف نیز مستقیما باعث ج می شود .
این مدل بیان می کند رابطه غیر مستقیمی بین الف و ج وجود دارد که ب آن را تبیین می کند و بین الف و ج رابطه مستقیمی وجود دارد که ب در آن هیچ نقشی ندارد . تحلیل های واسطه ای را می توان زیر مجموعه ای از راهبردهای تحلیل مسیر دانست . انجام مدل های پیچیده تحلیل مسیر نیز ممکن است .
مثلا الف باعث ب می شود که ب باعث ج می شود و ج باعث د می شود . این نوع مدل معمولا از روش های رگرسیون استفاده می کند تا ضرایب مستقیم و غیر مستقیم مسیر را محاسبه کند . این ضرایب ، روابط بین متغیر ها را نشان می دهند ( کلم ، 1995 ) اما مدل سازی معادله ساختاری اغلب در پژوهش های کنونی استفاده می شود تا در صورت کافی بودن حجم نمونه ، مدل را آزمون کند .
[html_block id=”4551″]
بسیاری از پژوهشگران هنگامی که برای سازه های یکسان از اندازه های چند گانه استفاده می کنند.
از مدل سازی معادله ساختاری بهره می برند . آن ها می خواهند روابط بین سازه ها ( که گاهی متغیر های نهفته نامیده می شود ) را برآورد کنند نه این که متغیر های واقعی اندازه گیری شده ( که متغیرهای مشاهده شده یا نشانگر نامیده می شوند ) را بررسی کنند. از نظر مفهومی ، دلیلش این است که مدل سازی معادله ساختاری ویژگی های تحلیل عاملی را با ویژگی های تحلیل رگرسیون ترکیب می کند . تحلیل عاملی بر اساس نمرات مشاهده شده، یک متغیر ترکیبی یا نهفته می سازد و تحلیل رگرسیون بررسی می کند یک متغیر یا مجموعه ای از متغیرها تا چه حد می توانند متغیر دیگری را پیش بینی کنند . با مدل سازی معادله ساختازی می توانید نشان دهید ۱) کدام متغیرها سازه نهفته را اندازه می گیرند ، ۲ ) انتظار دارید سازه ها چه ارتباطی باهم داشته باشند. میزان برازش (مطابقت) مدل ، بستکی به این دارد که مورد ۱ و ۲ را چگونه و با چه دقتی به دست آورده اید. مفروضه همه رویکردهای آزمون مدل این است که از قبل باید مشخص کنید متغیرها چه ارتباطی با هم دارند. سپس راهبردهای تحلیلی، میزان برازش رابطه پیشنهادی شما را با الگوی هم پرا کنش داده ها آزمون می کنند. برای این کار از مجذور کای استفاده می شود. اما معنی دار شدن مجذور کای به این مفهوم است که پیش بینی های شما به طور معنی داری با داده های واقعی متفاوتند. این موقعیت یکی از وضعیت هایی نادر است که تمایل دارید نتایج ، معنی دار نشوند !
با وجود این ، این مشکل اینجاست که معنی دار شدن مجذور کای به دو عامل بستگی دارد: تفاوت بین مدل و داده های واقعی و نیز حجم نمونه هر چه حجم نمونه بیشتر باشد ، آزمون مجذور کای می تواند تفاوتهای کوچک تری را تشخیص دهد. به همین دلیل، آماردانان معمولاً پیشنهاد می کنند برای مدل سازی معادله ساختاری از نمونه های بزرگی استفاده شود. استفاده از نمونه های بزرگ، احتمال کشف برازنده نبودن مدل را افزایش می دهد حتی اگر برازنده نبودن مدل خیلی جزئی باشد. اگر فقط به نتایج مجذور کای توجه کنید، ممکن است مدل تان را زود کنار بگذارید.
خوشبختانه پژوهشگران و آماردانان منتقد از این معما آگاهند و راه هایی برای مساله ( نمونه بزرگ / مجذور کای معنی دار ) ارائه داده اند . راه حل این است که نشانگرهای نیکویی برازش زیادی انتخاب شوند ( اُلمان 2001 ) یعنی باید نشانگر های برازشی را که استفاده خواهید کرد انتخاب کنید.
بسیاری پیشنهاد می کنند بیش از یک نشانگر انتخاب کنید. دیدگاه های متفاوتی درباره تعداد نشانگرها وجود دارند (رایکوف و مارکولیدز، ۲۰۰۰).
[html_block id=”4551″]
مدل سازی معادله ساختاری مزایای متعددی دارد. مزیت بزرگش این است که فقط با یک تحلیل؛ متغیرهای بسیاری را همزمان آزمون می کند که باعث کاهش خطای نوع ۱ می شود. مزیت دیگرش این است که مجبور هستید از قبل، نظریه یا مدل دلخواهتان را دقیقاً بیان کنید. آخرین مزیت این است که اگر از نشانگرهای متعدد برای یک سازه استفاده کنید (برخی حداقل سه نشانگر را پیشنهاد می کنند) مدل سازی معادله ساختاری، روابط بین نمره سازه و سایر متغیرها را آزمون می کند. برای این کار، مقداری از خطای اندازه گیری را از مدل شما حذف می کند و در نتیجه، توان آماری را افزایش می دهد. با وجود این، مدل سازی معادله ساختاری برای همه داده ها مناسب نیست. نخست اینکه حجم نمونه خیلی مهم است. نمی توان برای حجم نمونه عدد دقیقی بیان کرد ولی به طور کلی، نمونه باید بزرگ باشد. به طور کلی، هر چه مدل پیچیده تر باشد، اندازه اثر کمتری انتظار داشته باشید، داده های از دست رفته بیشتری داشته باشید و داده ها کجی بیشتری داشته باشند به نمونه بزرگ تری نیاز است. بر اساس تجربه ای که داریم می دانیم مطالعاتی که با استفاده از مدل سازی معادله ساختاری انجام شده اند و در مجله های معتبر چاپ شده اند به ندرت کمتر از 100 تا ۱۵۰ آزمودنی داشته اند. آلمان (۲۰۰۱) بیان می کند که برای مدل های صرفه جویانه ۲۰۰ نفر احتمالا کافی است (ص، ۶۵۹). تامسون (۲۰۰۰) نیز برای هر متغیر مشاهده شده ۱۰ تا ۱۵ آزمودنی را پیشنهاد می کند. نکته دیگر این است که تازه کاران ممکن است شیفته آزمون مدل های پیچیده از طریق مدل سازی معادله ساختاری شوند. این کار نه تنها به نمونه های بزرگ نیاز دارد بلکه احتمال بروز مشکلات متعددی نیز وجود دارد. نتایج تحلیل ها ممکن است ناخوشایند باشد و نرم افزار آماری پیام دهد که مدل، قابل شناسایی نیست». همچنین ممکن است آماره های اصلی در خروجی تحلیل وجود نداشته باشند یا عجیب و غریب باشند. اگر تازه کار هستید و می خواهید در پایان نامه با رساله تان از مدل سازی معادله ساختاری استفاده کنید قویاً پیشنهاد می کنیم در این زمینه، واحدهای درسی متعددی بگذرانید، عملاً تجربه کسب کنید و مقاله ها و کتاب های مربوط به این روش را مطالعه کنید (مثلاً تامسون ، 2000 ) .
[html_block id=”4551″]
سطح آلفا را تعیین کنید .
اکنون که برنامه تحلیل آماری را انتخاب کرده اید ، آماده شروع به کار هستید ؟ نه هنوز ! به برنامه تحلیل آماری نگاه کنید تا ببینید برای آزمون فرضیه هایتان چند تحلیل باید انجام دهید . آیا قرار است 3 تحلیل انجام دهید یا 30 تحلیل ؟ اگر تعداد تحلیل هایتان زیاد است به خاطر داشته باشید انجام آزمون های آماری متعدد باعث افزایش خطای نوع 1 ( خطای آزمایش ) می شود .
راه حل های متعددی برای بر طرف کردن این مشکل وجود دارند . نخست ببینید آیا انجام این همه تحلیل آماری ضروری است ؟ آیا روش دیگری وجود دارد که بتوان فرضیه ها را با تحلیل های کمتری آزمون کرد ؟ مثلا شاید بتوانید مدل سازی معادله ساختاری را به جای چندین معادله رگرسیون به کار ببرید یا به جای استفاده از همبستگی های متعدد از رگرسیون استفاده کنید .
راه حل های دیگر این است که فرضیه هایتان را دوباره بررسی کنید تا ببینید آیا تعدادشان زیادتر از حد معمول است . اگر تعداد فرضیه هایتان زیاد است ، فرضیه های مهم و اساسی را نگه دارید و بقیه را حذب کنید ( ویلکینسون و کار گروه استنباط آماری ، 1999 ).
سومین روش رایج این است که با استفاده از روش بون فرونی یا روش های دیگر مقدار P را کاهش دهید ( کپل و ویکتز، ۲۰۰۴). کاهش مقدار P بهایی دارد و بهای آن کاهش توان آژمون است .
پس به عقب برگردید. محاسبات حجم نمونه (تحلیل های توان) را با مقدار جدید جام دهید. اگر تعداد آزمودنیهای مورد نیاز افزایش چشمگیری پیدا کرد تعجب نکنید.
راه حل دیگری که کیل و ویکتز (۲۰۰۴) پیشنهاد کرده اند این است که فرضیه هایتان را به دقت بررسی کنید. اگر هر فرضیه واقعاً چیزی جدا از فرضیه های دیگر را آزمون می کند، برای همه تحلیل ها سطح آلفا را ۰۵/ قرار دهید اما اگر فرضیه هایتان در مجموعه های جداگانه ای قرار می گیرند، سطح آلفا را با آن مجموعه مطابقت دهید . مثلا ممکن است پنج فرضیه داشته باشید که دو تای آنها از نظر منطقی باهم ارتباط دارند و سه فرضیه دیگر نیز در مجموعه جداگانه ای قرار می گیرند /
برای بررسی خطای آزمایش چه چیزی را باید تحلیل به حساب بیاوریم ؟ بسیاری از دانشجویان سه مجموعه تحلیل انجام می دهند: تحلیل های مقدماتی ، تحلیل های فرضیه آزمایی و تحلیل های تکمیلی ( تحلیل های تکمیلی معمولا با هدف یافتن تبیین هایی برای نتایج تحلیل های فرضیه آزمایی انجام می شوند ) .
[html_block id=”4551″]
برای بررسی خطای نوع 1 معمولا بر فرضیه آزمایی تاکید می کنیم . معمولا پیشنهاد می کنیم برای تحلیل های مقدماتی سطح آلفا 05/ باشد زیرا معمولا هدف این تحلیل ها پیدا کردن متغیر های مداخله گر یا مشکلات است و در این موقعیت ، خطای نوع 2 مهم تر از خطای نوع1 است ( هنگامی که چند متغیر مداخله گر احتمالی وجود دارند می خواهیم نتیجه بگیریم که نیازی به کنترل متغیر کمکی نیست ) در واقع ، می توان چنین استدلال کرد که در این شرایط، مقدار P باید افزایش یابد. در تحلیل های تکمیلی می توانید مقدار P را تغییر دهید یا آن را ثابت نگه دارید که این به دیدگاه شما بستگی دارد. اگر می خواهید پژوهش دقیقی انجام دهید و محتاط باشید، سطح آلفا را کاهش دهید. از طرف دیگر ، اگر نگران هستید یافته مهمی را از دست بدهید آلفا را در سطح 05/ قرار دهید. اگر آلفا را در سطح 05/ قرار دادید بر یافته های جداگانه ای که اندازه اثر متوسط یا کوچک دارند بیش از حد تاکید نکنید زیرا ممکن است واقعی نباشند. در عوض، به دنبال یافته های مرتبط به هم و اندازه های اثر پرگ باشید که احتمالا واقعی هستند .
شما می توانید برای دریافت مشاوره از کارشناسان مجموعه در فرم زیر سفارش ثبت کنید تا همکاران ما در اولین فرصت با شما تماس بگیرند :