La modellazione delle equazioni strutturali è una tecnica di analisi statistica multivariata che viene usata per analizzare le relazioni strutturali. Questa tecnica è la combinazione dell’analisi dei fattori e dell’analisi di regressione multipla, ed è usata per analizzare la relazione strutturale tra le variabili misurate e i costrutti latenti. Questo metodo è preferito dal ricercatore perché stima la dipendenza multipla e interrelata in un’unica analisi. In questa analisi, vengono utilizzati due tipi di variabili endogene e variabili esogene. Le variabili endogene sono equivalenti alle variabili dipendenti e sono uguali alla variabile indipendente.
Teoria:
Questa può essere pensata come un insieme di relazioni che fornisce coerenza e spiegazioni complete dei fenomeni reali. Ci sono due tipi di modelli:
Modello di misurazione: Il modello di misurazione rappresenta la teoria che specifica come le variabili misurate si uniscono per rappresentare la teoria.
Modello strutturale: Rappresenta la teoria che mostra come i costrutti sono collegati ad altri costrutti.
La modellazione di equazioni strutturali è anche chiamata modellazione casuale perché testa le relazioni casuali proposte. Si assumono le seguenti ipotesi:
Distribuzione normale multivariata: Il metodo della massima verosimiglianza è usato e assunto per la distribuzione normale multivariata. Piccoli cambiamenti nella normalità multivariata possono portare ad una grande differenza nel test del chi-quadro.
Linearità: Si assume una relazione lineare tra le variabili endogene ed esogene.
Outlier: I dati dovrebbero essere privi di outlier. Gli outlier influenzano la significatività del modello.
Sequenza: Ci deve essere una relazione di causa ed effetto tra le variabili endogene ed esogene, e una causa deve verificarsi prima dell’evento.
Relazioni non spurie: La covarianza osservata deve essere vera.
Identificazione del modello: Le equazioni devono essere maggiori dei parametri stimati o i modelli devono essere sovra identificati o identificati esattamente. I modelli sotto identificati non sono considerati.
Dimensione del campione: La maggior parte dei ricercatori preferisce una dimensione del campione da 200 a 400 con 10-15 indicatori. Come regola generale, si tratta di un numero di casi pari a 10-20 volte le variabili.
Termini di errore non correlati: I termini di errore sono assunti non correlati con i termini di errore delle altre variabili.
Dati: Vengono utilizzati dati intervallati.
Fasi:
Definizione dei singoli costrutti: Il primo passo è quello di definire teoricamente i costrutti. Condurre un pretest per valutare l’item. Un test di conferma del modello di misurazione è condotto usando il CFA.
Sviluppare il modello di misurazione globale: Il modello di misurazione è anche conosciuto come analisi del percorso. L’analisi del percorso è un insieme di relazioni tra variabili esogene ed endogene. Questo è mostrato dall’uso di una freccia. Il modello di misurazione segue il presupposto dell’unidimensionalità. La teoria della misurazione si basa sull’idea che i costrutti latenti causano la variabile misurata e che il termine di errore non è correlato alle variabili misurate. In un modello di misurazione, una freccia è disegnata dalla variabile misurata ai costrutti.
Progettare lo studio per produrre i risultati empirici: In questo passo, il ricercatore deve specificare il modello. Il ricercatore dovrebbe progettare lo studio per minimizzare la probabilità di un problema di identificazione. I metodi della condizione d’ordine e della condizione di rango sono usati per minimizzare il problema di identificazione.
Valutare la validità del modello di misurazione: La valutazione del modello di misurazione è anche chiamata CFA. In CFA, un ricercatore confronta la misura teorica con il modello di realtà. Il risultato della CFA deve essere associato alla validità dei costrutti.
Specificare il modello strutturale: In questo passo, si tracciano i percorsi strutturali tra i costrutti. Nel modello strutturale, nessuna freccia può entrare in un costrutto esogeno. Una freccia a testa singola è usata per rappresentare una relazione strutturale ipotizzata tra un costrutto e un altro. Questo mostra la relazione di causa ed effetto. Ogni relazione ipotizzata usa un grado di libertà. Il modello può essere ricorsivo o non ricorsivo.
Esaminare la validità del modello strutturale: Nell’ultimo passo, un ricercatore esamina la validità del modello strutturale. Un modello è considerato un buon adattamento se il valore del test del chi-quadrato è insignificante, e almeno un indice di adattamento incrementale (come CFI, GFI, TLI, AGFI, ecc.) e un indice di cattiveria di adattamento (come RMR, RMSEA, SRMR, ecc.) soddisfano i criteri predeterminati.
Risorse
Bentler, P. M., & Chou, C. -P. (1987). Problemi pratici nella modellazione strutturale. Sociological Methods & Research, 16(1), 78-117.
Bollen, K. A. (1989). Equazioni strutturali con variabili latenti. New York: John Wiley & Sons. Visualizza
Hatcher, L. (1994). Un approccio passo dopo passo all’uso del sistema SAS per l’analisi dei fattori e la modellazione delle equazioni strutturali. Cary, NC: SAS Institute.
Hoyle, R. H. (Ed.). (1995). Modellazione di equazioni strutturali: Concetti, problemi e applicazioni. Thousand Oaks, CA: Sage Publications.
Kline, R. B. (2005). Principi e pratica della modellazione di equazioni strutturali (2a ed.). New York: Guilford Press. Visualizza
Lee, S. (2007). Modellazione di equazioni strutturali: A Bayesian approach. New York: John Wiley & Sons. Visualizza
Maruyama, G. M. (1998). Fondamenti di modellazione di equazione strutturale. Thousand Oaks, CA: Sage Publications. Visualizza
Mulaik, S. A., & Millsap, R. E. (2000). Fare bene i quattro passi. Structural Equation Modeling, 7(1), 36-73.
Raykov, T. (2000). Sulla distorsione a grandi campioni, la varianza e l’errore quadratico medio dello stimatore convenzionale del parametro di non centralità dei modelli a struttura di covarianza. Structural Equation Modeling, 7(3), 431-441.
Schumacker, R. E. (2002). Modellazione dell’interazione della variabile latente. Structural Equation Modeling, 9(1), 40-54.
Schumacker, R. E., & Lomax, R. G. (2004). A beginner’s guide to structural equation modeling (2nd ed.). Londra: Routledge. Visualizza
Shipley, B. (2000). Causa e correlazione in biologia: A user’s guide to path analysis, structural equations and causal inference. Cambridge, UK: Cambridge University Press. Visualizza
Pagine correlate:
Analisi del percorso
Condurre e interpretare un’analisi dei fattori