Modelowanie równań strukturalnych jest techniką analizy statystycznej, która jest używana do analizowania związków strukturalnych. Technika ta jest połączeniem analizy czynnikowej i analizy regresji wielokrotnej, i jest używana do analizy strukturalnych relacji pomiędzy mierzonymi zmiennymi i ukrytymi konstruktami. Metoda ta jest preferowana przez badacza, ponieważ szacuje wielokrotne i wzajemnie powiązane zależności w jednej analizie. W tej analizie wykorzystywane są dwa rodzaje zmiennych: zmienne endogeniczne i zmienne egzogeniczne. Zmienne endogeniczne są równoważne zmiennym zależnym i są równe zmiennej niezależnej.
Teoria:
Można o niej myśleć jako o zbiorze relacji zapewniających spójność i kompleksowe wyjaśnienia rzeczywistych zjawisk. Istnieją dwa rodzaje modeli:
Model pomiaru: Model pomiaru reprezentuje teorię, która określa, w jaki sposób mierzone zmienne łączą się ze sobą, aby reprezentować teorię.
Model strukturalny: Reprezentuje teorię, która pokazuje, jak konstrukty są powiązane z innymi konstruktami.
Modelowanie równań strukturalnych jest również nazywane modelowaniem kazuistycznym, ponieważ testuje ono proponowane związki kazuistyczne. Przyjmuje się następujące założenia:
Wieloraki rozkład normalny: Stosuje się metodę największej wiarygodności i zakłada dla rozkładu normalnego wieloczynnikowego. Małe zmiany w normalności wieloczynnikowej mogą prowadzić do dużej różnicy w teście chi kwadrat.
Liniowość: Zakłada się liniową zależność między zmiennymi endogenicznymi i egzogenicznymi.
Outylia: Dane powinny być wolne od wartości odstających. Wartości odstające wpływają na istotność modelu.
Sekwencja: Między zmiennymi endogenicznymi i egzogenicznymi powinien istnieć związek przyczynowo-skutkowy, a przyczyna musi wystąpić przed zdarzeniem.
Non-spurious relationship: Obserwowana kowariancja musi być prawdziwa.
Identyfikacja modelu: Równania muszą być większe niż szacowane parametry lub modele powinny być nadmiernie zidentyfikowane lub dokładnie zidentyfikowane. Modele niedostatecznie zidentyfikowane nie są brane pod uwagę.
Wielkość próby: Większość badaczy preferuje wielkość próby od 200 do 400 z 10 do 15 wskaźnikami. Jako zasada kciuka, to jest 10 do 20 razy więcej przypadków niż zmiennych.
Niezależne warunki błędu: Zakłada się, że warunki błędu są nieskorelowane z warunkami błędu innych zmiennych.
Dane: Wykorzystywane są dane interwałowe.
Kroki:
Definiowanie poszczególnych konstruktów: Pierwszym krokiem jest teoretyczne zdefiniowanie konstruktów. Przeprowadzenie pretestu w celu oceny pozycji. Test potwierdzający modelu pomiaru przeprowadza się przy użyciu CFA.
Opracowanie ogólnego modelu pomiaru: Model pomiaru znany jest również jako analiza ścieżek. Analiza ścieżek to zbiór zależności pomiędzy zmiennymi egzogenicznymi i endogenicznymi. Przedstawia się to za pomocą strzałki. Model pomiaru jest zgodny z założeniem jednowymiarowości. Teoria pomiaru opiera się na założeniu, że utajone konstrukty powodują zmienną mierzoną i że termin błędu jest nieskorelowany w obrębie zmiennych mierzonych. W modelu pomiaru, strzałka jest rysowana od mierzonej zmiennej do konstruktów.
Zaprojektowanie badania w celu uzyskania wyników empirycznych: W tym kroku badacz musi sprecyzować model. Badacz powinien zaprojektować badanie tak, aby zminimalizować prawdopodobieństwo wystąpienia problemu z identyfikacją. W celu zminimalizowania problemu identyfikacji stosuje się metody warunku kolejności i warunku rangi.
Ocena poprawności modelu pomiaru: Ocena poprawności modelu pomiaru nazywana jest również CFA. W CFA, badacz porównuje pomiar teoretyczny z modelem rzeczywistym. Wynik CFA musi być powiązany z ważnością konstruktów.
Określenie modelu strukturalnego: W tym kroku rysowane są ścieżki strukturalne pomiędzy konstruktami. W modelu strukturalnym żadna strzałka nie może wejść do egzogenicznego konstruktu. Jednogłowa strzałka jest używana do przedstawienia hipotetycznego związku strukturalnego pomiędzy jednym konstruktem a drugim. Pokazuje to związek przyczynowo-skutkowy. Każdy hipotezowany związek wykorzystuje jeden stopień swobody. Model może być rekursywny lub nierekursywny.
Badanie poprawności modelu strukturalnego: W ostatnim kroku badacz bada poprawność modelu strukturalnego. Model jest uważany za dobrze dopasowany, jeśli wartość testu chi kwadrat jest nieistotna, a co najmniej jeden przyrostowy wskaźnik dopasowania (jak CFI, GFI, TLI, AGFI, itp.) i jeden wskaźnik szkodliwości dopasowania (jak RMR, RMSEA, SRMR, itp.) spełniają wcześniej ustalone kryteria.
Źródła
Bentler, P. M., & Chou, C. -P. (1987). Praktyczne zagadnienia w modelowaniu strukturalnym. Sociological Methods & Research, 16(1), 78-117.
Bollen, K. A. (1989). Structural equations with latent variables (Równania strukturalne ze zmiennymi ukrytymi). New York: John Wiley & Sons. View
Hatcher, L. (1994). A step-by-step approach to using the SAS system for factor analysis and structural equation modeling. Cary, NC: SAS Institute.
Hoyle, R. H. (Ed.). (1995). Modelowanie równań strukturalnych: Concepts, issues, and applications. Thousand Oaks, CA: Sage Publications.
Kline, R. B. (2005). Principles and practice of structural equation modeling (2nd ed.). New York: Guilford Press. View
Lee, S. (2007). Structural equation modeling: A Bayesian approach. New York: John Wiley & Sons. View
Maruyama, G. M. (1998). Basics of structural equation modeling. Thousand Oaks, CA: Sage Publications. View
Mulaik, S. A., & Millsap, R. E. (2000). Doing the four-step right. Structural Equation Modeling, 7(1), 36-73.
Raykov, T. (2000). On the large-sample bias, variance, and mean squared error of the conventional noncentrality parameter estimator of covariance structure models. Structural Equation Modeling, 7(3), 431-441.
Schumacker, R. E. (2002). Latent variable interaction modeling. Structural Equation Modeling, 9(1), 40-54.
Schumacker, R. E., & Lomax, R. G. (2004). A beginner’s guide to structural equation modeling (2nd ed.). London: Routledge. View
Shipley, B. (2000). Przyczyny i korelacje w biologii: A user’s guide to path analysis, structural equations and causal inference. Cambridge, Wielka Brytania: Cambridge University Press. Przeglądaj
Powiązane strony:
Analiza ścieżek
Przeprowadź i zinterpretuj analizę czynnikową
Wykonaj analizę czynnikową