تحلیل عوامل مؤثر بر شادمانی اجتماعی با LISREL

تحلیل عوامل مؤثر بر شادمانی اجتماعی با LISREL

خوب دوستانی که مطالب ما رو دنبال می‌کنند می‌دونند که در چند پست قبلی یک سری عوامل بر شادی جامعه تاثیر داشت و ما اون‌ها را با نگاه کاملا تحلیلی توسط نرم‌آفزارهای کمی همچونََ AMOS, Smart PLS  بررسی کردیم و نتایج جالبی نیز حاصل شد. کسانی که با نرم‌افزار کار کردند و یا در کارگاه نرم‌افزار تحلیل آماری شرکت کردند به خوبی متوجه تفاوت‌های این تحلیل‌ها شدند.

حال میخواهیم یا نرم‌افزار دیگری از سری نرم‌افزارهای تحلیل آماری بنام LISREL  تحلیل‌های خود را ادامه دهیم .

مدل معادله ساختاری با استفاده از نرم‌افزار لیزرل LISREL

معرفی نرم‌افزار LISREL:

لیزرل یک محصول نرم‌افزاری است که به منظور برآورد و آزمون مدل‌های معادلات ساختاری طراحی و از سوی شرکت بین‌المللی نرم‌افزار علمی[۱] به بازار عرضه شده است. این نرم‌افزار با استفاده از هم‌بستگی و کوواریانس اندازه‌گیری شده، می‌تواند مقادیر بارهای عاملی، واریانس‌ها و خطاهای متغیرهای مکنون را برآورد یا استنباط ‌می‌کند.

از LISREL برای اجرای تحلیل عاملی اکتشافی، تحلیل عاملی مرتبه دوم، تحلیل عاملی تأییدی و همچنین تحلیل مسیر (مدل یابی علت و معلولی با متغیرهای مکنون) استفاده کرد. روش لیزرل ضمن آنکه ضرایب مجهول مجموعه معادلات ساختاری خطی را برآورد می‌کند.برای برازش مدل‌هایی که شامل متغیرهای مکنون، خطاهای اندازه‌گیری در هر یک از متغیرهای وابسته و مستقل، علیت دوسویه، همزمانی و وابستگی متقابل است طرح‌ریزی گردیده است؛اما این روش را می‌توان به عنوان موارد خاصی برای روش‌های تحلیل عاملی تأییدی، تحلیل رگرسیون چند متغیری، تحلیل مسیر، مدل‌های اقتصادی خاص داده‌های وابسته به زمان، مدل‌های برگشت‌پذیر و برگشت‌ناپذیر برای داده‌های مقطعی / طولی، مدل‌های ساختاری کوواریانس و تحلیل چند نمونه‌ای (مانند آزمون فرضیه‌های برابری ماتریس کوواریانس‌ها، برابری ماتریس همبستگی‌ها، برابری معادلات و ساختارهای عاملی و غیره) نیز به کار برد.

نکته: در آزمون اولیه مدل توسط نرم‍‌‌‌‌‌‎افزار LISREL مشاهده شد که متغیر انسجام با هیچ یک از متغیرهای دیگر مدل ارتباط ندارد و کاملاً آزاد و رهاست. ازاین‌رو با توجه به عدم تأثیرگذاری و تأثیرپذیری این متغیر، آن را از مدل حذف و مدل را بدون وارد کردن متغیر انسجام آزمون نمودیم که نتایج به شکل زیر ارائه می‌شود.

خوب بیایید کا را آغاز کنیم و داده ها را به ترتیب در نرم افزار یارگزاری کنیم و نتیایج را با هم مقایسه کنیم

اجرا: پس از اینکه متغیرهای تحقیق وارد نرم‌افزار لیزرل شده و تحلیل شدند مدل زیر به دست آمد.

[۱] Scientific software international (www.ssicentral.com)

(شکل شماره ۱۳: مدل معادله ساختاری اولیه)

نرم افزار lesrel

در این مرحله محقق بر اساس مبانی و چارچوب نظری خود اقدام به ترسیم مدل نموده و روابط تحلیل عاملی و تحلیل مسیری را ترسیم می‌کند. اکنون نوبت به آن رسیده که مدل معادله ساختاری را مورد آزمون قرار دهیم تا میزان بار عاملی هر گویه برای تشکیل هر سازه و اثرات متغیرها بر یکدیگر و نیز میزان تبیین شدگی هر سازه را به دست آوریم. شکل زیر حاصل آزمون مدل فوق است:

(شکل شماره ۱۴: مدل معادله ساختاری پس از آزمون)نرم افزار lesrel

همانطور که می‌دانیم در مدل لیزرل، نیکویی برازش بر اساس چندین عامل موردبررسی قرار میگیرد. دراین بین میزان دو آماره RMSEA و P (کا-اسکوئر)مهم‌ترین عوامل تشخیص این برازش هستند. آماره RMSEA باید کمتر از ۰/۰۸ و آماره P نیز باید بالاتر از ۰/۰۵ باشد .همانگونه که شکل بالا نشان می‌دهد بر اساس آماره RMSEA  مدل ما قابل قبول بوده ولی بر اساس آماره P (کا-اسکوئر) مدل ما قابل قبول نیست. بنابراین سعی خواهیم کرد تا وضعیت مدل خود را با اصلاحات آرایشی و پیرایشی بهبود ببخشیم.

اصلاحات پیرایشی: به منظور انجام اصلاحات پیرایشی، یا حذف احتمالی بخش‌هایی از مدل، فلش کادر Estimates را کلیک کرده و گزینهT – Value  را انتخاب می‌کنیم. روابطی که در شکل زیر بارنگ قرمز نشان داده شده‌اند کمتر از ۱/۹۶ بوده و باید حذف شوند.

(شکل شماره ۱۵: اصلاحات پیرایشی پیشنهادی T-VALUE)

نرم افزار lesrel

با توجه به قانون روابط پیرایشی اقدام به حذف روابط قرمزرنگ که قدرمطلق مقادیر آنها کمتر از ۱/۹۶ است می‌نماییم و مدل را دوباره به بوته آزمون می‌نهیم که مدل زیر حاصل می‌شود:

(شکل شماره ۱۶: مدل اجرایی پس از اعمال اصلاحات پیرایشی و با ضرایب استاندارد)

نرم افزار lesrel

همانگونه که در مدل فوق نشان می‌دهد با اجرای اصلاحات پیرایشی میزان دو آماره RMSEA و -PVALUE (کا-اسکوئر) کمی بهبود پیداکرده‌اند. اینک به سراغ انجام اصلاحات آرایشی می‌رویم.

اصلاحات آرایشی: در این مرحله می‌خواهیم پیشنهادهای آرایشی برنامه را اجرا کنیم. بدین معنی که ببینیم خود نرم‌افزار برای بهبود آماره‌های برازش کل مدل چه پیشنهادهایی ارائه می‌دهد. پیشنهادها را بررسی کرده و موارد قابل قبول آنها را روی مدل پیاده می‌نماییم. برای این کار مجدداً فلش کادرEstimates  را کلیک کرده و این بار گزینهModification Indices  را انتخاب و اجرا می‌کنیم. روابط آرایشی نرم‌افزار در شکل زیر نشان داده شده است:

(شکل شماره ۱۷: روابط پیشنهادی آرایشی نرم‌افزار)

نرم افزار lesrelهمانگونه که در شکل بالا نشان داده شده است اگرچه چند پیشنهاد ارائه شده است (همانند رابطه بین خطاهای بین متغیرهای مشاهده شده «امنیت۱» و «مشارکت۱» مربوط به دو سازه متفاوت «امنیت» و «مشارکت» و یا رابطه بین خطاهای بین متغیرهای مشاهده شده «مشارکت۳» و «شادمانی۲» مربوط به دو سازه متفاوت «مشارکت» و «شادمانی»)، اما اِعمال آنها بر اساس چارچوب نظری تحقیق منطقی به نظر نمیرسد و ازاین رو از اِعمال آن خودداری می‌کنیم. لذا با توجه به منطقی نبودن ارتباط بین خطاهای گویه های دو سازه مختلف از انجام پیشنهادهای ارائه شده خودداری می‌کنیم.

مدل شماره ۱۶ با ضرایب استاندارد تحلیل مسیر و تحلیل عاملی است .همانگونه که این مدل نشان می‌دهد با اعمال اصلاحات پیشنهادی نرم‌افزار مقادیر دو آماره RMSEA و P (کا-اسکوئر) کمی بهبود می‌یابند. این مقادیر نشان می‌دهند که مدل پیشنهادی بر اساس آماره RMSEA از نکویی و برازش مناسبی برخوردار است ولی بر اساس آماره P(کا-اسکوئر)خیر. مرسوم است که اگر این دو آماره باهم تفاوت داشتند مبنا بر آماره RMSEA خواهد بود چون این آماره ثبات بیشتری دارد و کمتر تحت تأثیر عواملی چون تعداد پاسخگویان و همچنین تعداد متغیرها قرار میگیرد؛ بنابراین مدل حاصلشده از نرمافزار لیزرل را هم به همین شکل نهایی میتوان پذیرفت.

در ادامه در کادر MODEL نرمافزار، مدل ساختاری (Structural Model) را فعال مینماییم.

(شکل شماره ۱۸: مدل ساختاری (Structural Model)، روابط بین سازه‌های مدل)

نرم افزار lesrel

  • گام سوم برای اصلاح مدل:

جهت بهبود آماره‌های برازش مدل (مانند نرمافزار اموس) در نرم‌افزار لیزرل نیز از گام سوم برای اصلاح مدل یعنی تغییر روش محاسبه ضرایب از روش پیش‌فرض «حداکثر درست نمایی» به روش دیگر یعنی روش «حداقل مربعات تعمیم‌‎‌یافته» (Generalized Least Squares) استفاده کردیم .نتایج استفاده از این روش را بررسی می‌کنیم.

یک نکته مهم:

برای استفاده از این روش در نرم‌افزار LISREL باید در فایل سینتکس در زیر عبارت Path diagram عبارت Method of Estimation: Generalized Least Squares را تایپ می‌کنیم. سپس فایل سینتکس را از خط اول اجرا می‌کنیم.

hl,ca gdcvg

(شکل شماره ۱۹: اجرای مدل در نرم‌افزار لیزرل با روش Generalized Least Squares)

نرم افزار lesrel

 

 

  • نیجه تحلیل هابا لیزرل :

متأسفانه نتایج آماره‌های برازش مدل در روش دوم نشان داد که در روش دوم «Generalized Least Squares» آماره P(کا-اسکوئر)بهبود پیدا نکرد و آماره RMSEA برعکس به بالای ۱۰/. رسید. بنابراین در این روش بر اساس هردو آماره فوق مدل قابل قبول نیست.

به نظر می رسد این تفاوت اصلی بین دو نرم‌افزار AMOS و LESREL باشد که با این مقاله شاید برای اولین بار رونمایی می‌شود امید که در آینده به کشف علت آن موفق شویم .به این شکل که در اموس با تغییر روش محاسبه ضرایب از حالت پیش فرض «حداکثر درست نمایی» به روش «Generalized Least Squares» وضع هردو آماره برازش( P کا-اسکوئر و RMSEA) بهتر و در نرم‌افزار لیزرل با تغییر روش از حالت پیش فرض «حداکثر درست نمایی» به روش «Generalized Least Squares» وضع هردو آماره برازش( P کا-اسکوئر و RMSEA) بدتر شده است؛ بنابراین ما مدل نهایی لیزرل را همان مدل قبلی که با روش پیش فرض «حداکثر درست نمایی» به دست آمده است اعلام می‌کنیم

(شکل شماره۱۹).

نرم افزار lesrel

پست های مرتبط

افزودن یک دیدگاه