نتایج، شاخصهای کلی مدل را بر اساس برآورد پارامتر، خطای استاندارد و آمار آزمون برای هر پارامتر در مدل متناسبسازی میکند.
در مورد چرایی و لغات SEM در آموزش مقدماتی گفته شد. در بخش عملی، سراغ فرضیات این مدلسازی میرویم.
فرضیات SEM در آموزش تئوری و کاربردی نرمافزار AMOS
1- حجم نمونه منطقی
در ابتدای آموزش تئوری و کاربردی نرمافزار AMOS باید در مورد حجم نمونه منطقی بدانید:
مدلسازی معادلات ساختاری بسط منعطف و قدرتمندی از مدل عمومی خطی است. مشابه دیگر روشهای آماری، مبتنی بر فرضیاتی است. این فرضیات باید در نظر گرفته شوند یا حداقل تخمین زده شوند تا از قابلیت اطمینان نتایج مطمئن شویم.
بهترین قانون برای حجم نمونه 15 مورد برای هر پیشبینی کننده در یک شرایط عادی بهمنظور تجزیهوتحلیل رگرسیون چندگانه حداقل مربعات است. از آنجا که SEM از برخی جهات خیلی مرتبط با رگرسیون چندگانه است، 15 نمونه برای هر متغیر اندازهگیری شده در SEM منطقی نیست. برخی از محققان ممکن است تعداد نمونه خود را تا 5 عدد برای هر پارامتر تخمینی کاهش دهند. در کل میتوان گفت هرچه حجم نمونه کمتر باشد خطای همگرایی بیشتر (نرمافزار AMOS نمیتواند به راهحل رضایت بخشی برسد)، راهکارها اشتباه (از جمله برآورد واریانس خطای منفی برای راهکار رضایت بخش) و دقت برآورد پارامتر کمتر خواهد بود. در واقع خطاهای استاندارد برنامه SEM تنها با فرضیه حجم نمونه بزرگ محاسبه میشوند.
وقتی توزیع داده نرمال نباشد، حجم نمونه بیشتری لازم است. در واقع نمیتوان یک راهکار مشخص داد که چه حجم نمونهای مناسب است. در واقع فقط میتوان گفت هرچه داده بیشتر باشد بهتر است.
2– متغیرهای بیرونی با توزیع نرمال و پیوسته
در برنامه SEM فرض بر این است که متغیرها مستقل و متوسط بهطور پیوستهای و همچنین باقیماندههای آنها نرمال توزیعشدهاند. (دادهها نرمال هستند) هرچند این فرضیه در عمل واقعاً اتفاق نمیافتد.
متخصصان SEM روشهای متعددی طراحی کردهاند تا با توزیع غیر نرمال دادهها کنار بیایند! این روشها برای متغیرهای طراحیشدهاند که توزیع پیوستهای دارند. در مقابل، متغیرهای خروجی دیگری هستند که پیوسته توزیع نشدهاند. این انواع در SEM قابلمحاسبه نیستند.
3– شناسایی مدل
از طرفی برنامههای SEM نیاز به تعداد کافی همبستگی یا کوواریانس دارند، تا از ورودی، نتایج محسوس حاصل شود. همچنین لازم است هر معادله بهطور کامل تعریف شود. به این معنی که حداقل یک راهکار منحصربهفرد برای برآورد هر پارامتر در مدل SEM باشد.
بگذارید با مثالی این شرط را واضح کنیم:
چنین معادلهای داریم؛ x + 2y = 7 در آن، جفت اعداد نامحدودی برای x و y وجود دارند (مثلاً 5 و 1 یا 3 و 2). پس این مقادیر هنوز تعریفنشدهاند و مجهول بیشتر از معلوم است. مدل شناختهشده یعنی مجهول و معلوم آن حداقل برابر باشند:
x + 2y = 7 و 3x – y = 7. مثل این معادله که جواب، یک جفت عدد است: (x = 3, y = 2 )
4– مجموعه کامل داده یا روش درست کار کردن با داده ناقص
نرمافزار AMOS ورودی ماتریس با همبستگی یا کوواریانس را قبول میکند. به این معنی که میتوانند با پکیج نرمافزاری دیگر (مانند SPSS) این مجموعه داده را حساب کنند. سپس میتوانند آن را در نرمافزار AMOS یا دیگر پکیجهای SEM قرار دهند.
اگر مجموعه داده کامل نباشد و دادهای گمشده باشد؟ نسبت مواردی که داده گمشده دارند اگر پنج درصد باشد، قابل قبول است.
5– پایه تئوری برای مشخص کردن مدل
مدلهای SEM هیچ وقت قبول نمیشوند، یا به خطا می خورند یا رد میشوند. یعنی محقق باید مدل ارائه شده را بپذیرد. اگر مدل بخواهد درست باشد باید با داده در مدل مرجح متناسب شود. در نتیجه استفاده از SEM قطعاً به عدم قطعیت نیاز دارد.
پیشنهاد ویژه پکیج آموزشی نرمافزار AMOS
ساخت و آزمون مدل با گرافیک AMOS
SEM برای بسط چند متغیره رگرسیون خطی چندگانه با یک متغیر مستقل (Y) در چنین معادله y=i+Xb+e را در نظر بگیرید.
زمانی که y یک بردار حامل مشاهدات مربوط به متغیر وابسته باشد، i بردار اولین تقاطع با y ، X ماتریس با توزیع پیوسته از متغیر مستقل، b بردار وزن رگرسیون و e بردار باقیمانده مدل باشد. SEM حاوی سری معادلات رگرسیون چندگانه خواهد بود که همزمان متناسبسازی میشوند. در حقیقت شما باید تحلیل رگرسیون چندگانه خود را با نرمافزار AMOS انجام دهید.
جمع بندی
وقتی که مدلی را یافتید که به خوبی متناسب شد، از نظر تئوری پایدار است و از نظر آماری با براورد پاارمتر همخوانی دارد. البته لازم به ذکر است دقت کنید حتی اگر مدلی با داده متناسب سازی شد و از نظر تئوری با داده همخوانی داشت، ممکن است مدل های معادل دیگری هم باشند که با داده به خوبی متناسب شوند. همچنین گزینه های جایگزین نامعادلی هم می توانند باشند که بهتر از این مدل با داده ها متناسب شوند. محققان باید به آزمون و خطای خود با مدل های جایگزین ادامه دهند تا به بهترین جواب برسند.