الگویابی معادلات ساختاری و مدل معادلات ساختاری

توزیع نرمال
ساختار سازمانی پویا
۱۹۹
۹۹/۰
۵۳/۰
توزیع نرمال
۳-۷-۲ الگویابی معادلات ساختاری با نرمافزار LISREL
یکی از قویترین و مناسبترین روشهای تجزیه و تحلیل در تحقیقات علوم رفتاری و علوم اجتماعی تجزیه و تحلیل چندمتغیره است. زیرا ماهیت اینگونه موضوعات، چندمتغیره بوده و نمیتوان آنها را با شیوه دو متغیری (که هر بار تنها یک متغیر مستقل با یک متغیر وابسته در نظر گرفته میشود) حل نمود. تجزیه و تحلیل چندمتغیره به یک سری روشهای تجزیه و تحلیل اطلاق میشود که ویژگی اصلی آنها، تجزیه و تحلیل همزمان متغیر مستقل و متغیر وابسته است. تجزیه و تحلیل ساختارهای کوواریانسیا مدلسازی علی یا مدل معادلات ساختاری یکی از اصلیترین روشهای تجزیه و تحلیل ساختارهای دادههای پیچیده است. بنابراین از آنجایی که در تحقیق حاضر چند متغیر مستقل در قالب یک متغیر اصلی وجود دارد که میبایستی اثر آنها بر روی یک متغیر وابسته مورد بررسی قرار گیرد، استفاده از مدل معادلات ساختاری ضرورت مییابد.
۳-۷-۲-۱معیارهای برازش
مهمترین این شاخصها عبارتند از: NFI، RFI، IFI، CFI GFI، AGFI، RMSR
حالتهای بهینه برای این آزمونها به شرح زیر است:
NFI: این شاخص به مقایسه مدل مستقل (مدلی که در آن بین متغیرها هیچ رابطهای نیست به این مدل، مدل پایه نیز گفته میشود) با مدل پیشنهادی موردنظر میپردازد. این شاخص هرچه به عدد یک نزدیکتر باشد به این معناست که مدل پیشنهادی ما مناسب بوده است و به صورت زیر محاسبه میشود:
بطوریکه، A مقدار آماره خی دو تحت مدل مستقل و B مقدار آماره خی دو تحت مدل پیشنهادی هستند.
RFI: شاخص برازش نسبی است و مناسبت مدل ارائه شده را میسنجد و به صورت زیر محاسبه میشود:
که در فرمول فوق، A مقدار آماره خی دو تحت مدل مستقل و B مقدار آماره خی دو تحت مدل پیشنهادی هستند. و d به ترتیب نشان دهنده درجه آزادی مدل مستقل و درجه آزادی مدل پیشنهادی هستند. هرچه مقدار RFI به یک نزدیکتر باشد، مدل بهتر است.
IFI: این معیار شاخص برازش نموی است و به صورت زیر محاسبه میشود:
A مقدار آماره خی دو تحت مدل مستقل و B مقدار آماره خی دو تحت مدل پیشنهادی و d نشان دهنده درجه آزادی مدل پیشنهادی هستند. هرچه مقدار IFI به یک نزدیکتر باشد نتیجه میگیریم که مدل پیشنهادی مناسب است.
CFI: این معیار شاخص برازش مقایسهای است و به صورت زیر محاسبه میشود:
در این فرمول نیز مقادیر A، B، d و همانند قبل تعریف میشوند. هرچه مقدار CFI به یک نزدیکتر باشد نتیجه میگیریم که مدل پیشنهادی مناسب است.
RMR: این شاخص نشاندهنده ریشه میانگین مربعات باقی ماندههاست. فرض کنید مشاهدات در i سطر، j ستون و k طبقه قرار داده شده باشند. فرمول RMR به صورت زیر میباشد:
در فرمول فوق و به ترتیب نشاندهنده کوواریانس و واریانس مشاهدات هستند و نشاندهنده درجه آزادی مدل مستقل است. هرچه مقدار RMR به صفر نزدیکتر باشد مدل مناسبتر است.
GFI: شاخص نیکویی برازش است که داری فرمول زیر میباشد:
در این فرمول نشاندهنده ماتریس وزنها، و نیز نشاندهنده بردارهای واریانس و کوواریانس مشاهدات هستند که توسط مشاهدات برآورد شدهاند. مقدار GFI همواره کمتر از ۱ است. هرچه مقدار GFI به عدد یک نزدیک باشد مدل مناسبتر است.
AGFI: شاخص نیکویی برازش تعدیل شده است و دارای فرمول زیر میباشد:
که در فرمول فوق و به ترتیب نشاندهنده درجه آزادی مدل مستقل و درجه آزادی مدل پیشنهادی هستند. مقدار AGFI همواره کمتر از ۱ است. هرچه مقدار AGFI به عدد یک نزدیک باشد مدل مناسبتر است.
RMSEA: این شاخص نشاندهنده جذر میانگین مربعات خطای تقریبی است و به صورت تفاضل بین مجموع مربعات خطای کلی و مجموع مربعات خطای مدل پیشنهادی محاسبه میشود. در صورتی که مقدار RMSEA از ۰۵/۰ کمتر باشد نتیجه میگیریم مدل مناسب است. در صورتی که مقدار آن بین ۰۵/۰ تا ۰۸/۰ باشد، مدل برازش داده شده قابل قبول و در صورتی که از ۱/۰ بالاتر باشد نتیجه میگیریم که مدل برازش داده شده ضعیف است (افشانی و همکاران، ۱۳۹۱).
۳-۹ خلاصه فصل