no comments

Perkara yang Harus Anda Ketahui Sebelum Menggunakan Pemodelan Persamaan Struktur

Pemodelan persamaan struktur (SEM) adalah satu siri kaedah statistik yang membolehkan hubungan kompleks antara satu atau lebih pembolehubah bebas dan satu atau lebih pembolehubah bergantung. Walaupun terdapat banyak cara untuk menggambarkan SEM, ia paling biasa dianggap sebagai hibrid antara beberapa bentuk analisis varians (ANOVA) / regresi dan beberapa bentuk analisis faktor. Secara umum, ia boleh dikatakan bahawa SEM membolehkan seseorang melakukan beberapa jenis regresi multilevel / ANOVA terhadap faktor. Oleh itu, anda harus biasa dengan regresi univariat dan multivariate / ANOVA serta asas analisis faktor untuk melaksanakan SEM untuk data anda.

Beberapa istilah pendahuluan juga berguna. Takrif berikut mengenai jenis pembolehubah yang berlaku di SEM membolehkan penjelasan yang lebih jelas tentang prosedur:

       a) Pembolehubah yang tidak dipengaruhi oleh pembolehubah lain dalam model dipanggil pembolehubah eksogen. Contohnya, katakan kami mempunyai dua faktor yang menyebabkan perubahan dalam IPK, jam belajar seminggu dan IQ. Katakan tidak ada hubungan kausal antara waktu belajar dan IQ. Kemudian kedua-dua IQ dan jam belajar akan menjadi pemboleh ubah eksogen dalam model

     b)  Pembolehubah yang dipengaruhi oleh pembolehubah lain dalam model dipanggil pembolehubah endogen. IPK akan menjadi pemboleh ubah endogen dalam contoh terdahulu dalam (a).

     c) Pembolehubah yang secara langsung diperhatikan dan diukur dipanggil pembolehubah nyata (ia juga dikenali sebagai pembolehubah penunjuk dalam sesetengah kalangan). Dalam contoh dalam (a), semua pembolehubah boleh diperhatikan secara langsung dan dengan itu layak sebagai pemboleh ubah nyata. Terdapat nama khusus untuk model persamaan struktur yang mengkaji hanya pembolehubah yang nyata, yang dikenali sebagai analisis laluan.

      d) Pembolehubah yang tidak diukur secara langsung adalah pemboleh ubah laten.”Faktor” dalam analisis faktor adalah pemboleh ubah laten. Contohnya, katakan kami juga berminat dengan kesan motivasi pada IPK. Motivasi, kerana ia adalah keadaan dalaman, tidak dapat dilihat, secara tidak langsung dinilai oleh respons pelajar pada soal selidik, dan oleh itu ia adalah pemboleh ubah laten. Pemboleh ubah laten meningkatkan kerumitan model persamaan struktur kerana seseorang perlu mengambil kira semua item soal selidik dan mengukur tindak balas yang digunakan untuk mengkuantifikasi pembolehubah “faktor” atau laten. Dalam contoh ini, setiap item pada soal selidik akan menjadi satu pemboleh ubah tunggal yang sama ada secara signifikan atau tidak penting terlibat dalam kombinasi linear pembolehubah yang mempengaruhi variasi faktor laten motivasi.

      e) Bagi tujuan SEM, secara khusus, kesederhanaan merujuk kepada situasi yang merangkumi tiga atau lebih pembolehubah, supaya kehadiran salah satu daripada pemboleh ubah tersebut mengubah hubungan antara dua yang lain. Dalam erti kata lain, kesederhanaan wujud apabila persatuan antara dua pembolehubah tidak sama pada semua peringkat pembolehubah ketiga. Salah satu cara untuk memikirkan kesederhanaan adalah apabila anda melihat interaksi antara dua pembolehubah dalam ANOVA. Sebagai contoh, tekanan dan pelarasan psikologi mungkin berbeza pada tahap sokongan sosial yang berlainan (iaitu, definisi interaksi). Dengan kata lain, tekanan mungkin menjejaskan pelarasan lebih banyak di bawah keadaan sokongan sosial yang rendah berbanding dengan keadaan sokongan sosial yang tinggi. Ini bermakna interaksi dua hala antara stres dan sokongan psikologi jika ANOVA akan dilaksanakan. Rajah 1 menunjukkan rajah konseptual kesederhanaan.

Diagram ini menunjukkan bahawa terdapat tiga kesan langsung yang dihipotesiskan untuk menyebabkan perubahan dalam pelarasan psikologi – kesan utama stres, kesan utama sokongan sosial, dan kesan interaksi stres dan sokongan sosial.

 

  f) Bagi tujuan SEM, secara khusus, pengantaraan merujuk kepada situasi yang merangkumi tiga atau lebih pembolehubah, sehingga ada proses kausal antara ketiga pembolehubah tersebut. Perhatikan bahawa ini berbeza daripada kesederhanaan. Dalam contoh terdahulu dalam (e), kita boleh mengatakan terdapat tiga perkara yang berasingan dalam model yang menyebabkan perubahan pelarasan psikologi: tekanan, sokongan sosial, dan kesan gabungan stres dan sokongan sosial yang tidak diambil kira oleh setiap individu pembolehubah. Pengantaraan menerangkan hubungan yang berbeza yang pada umumnya lebih rumit. Dalam hubungan mediasi, terdapat kesan langsung antara variabel bebas dan pemboleh ubah bergantung. Terdapat  juga kesan tidak langsung antara pembolehubah bebas dan pemboleh ubah mediator, dan antara pembolehubah pengantara dan pemboleh ubah bergantung. Contoh dalam (e) di atas boleh dinyatakan semula ke dalam proses pengantara, seperti yang ditunjukkan dalam Rajah 2 di bawah. Perbezaan utama dari model kesederhanaan ialah kita sekarang membenarkan hubungan kausal antara tekanan dan sokongan sosial dan sokongan sosial dan pelarasan psikologi yang dinyatakan. Bayangkan bahawa sokongan sosial tidak termasuk dalam model – kita hanya mahu melihat kesan langsung stres dan pelarasan psikologi. Kami akan mendapatkan ukuran kesan langsung dengan menggunakan regresi atau ANOVA. Apabila kita menyertakan sokongan sosial sebagai mediator, kesan langsung akan berubah akibat dari dekomposing proses kausal menjadi kesan tidak langsung stres terhadap sokongan sosial dan sokongan sosial terhadap pelarasan psikologis. Tahap yang mana kesan langsung berubah akibat termasuk pemboleh ubah mediasi sokongan sosial disebut sebagai kesan mediasi. Ujian untuk pengantaraan melibatkan menjalankan satu siri analisis regresi untuk semua laluan kausal dan beberapa kaedah untuk menganggarkan perubahan dalam kesan langsung. Teknik ini sebenarnya terlibat dalam model persamaan struktur yang merangkumi pemboleh ubah perantara dan akan dibincangkan di bahagian seterusnya dokumen ini.

 

Dalam banyak aspek model kesederhanaan dan mediasi adalah asas pemodelan persamaan struktur. Malah mereka boleh dianggap sebagai model persamaan struktur sederhana sendiri. Oleh itu, adalah sangat penting untuk memahami cara menganalisis model-model tersebut untuk memahami model persamaan struktur yang lebih kompleks yang merangkumi pemboleh ubah laten. Secara amnya, model pengantaraan seperti yang di atas boleh dilaksanakan dengan melakukan siri regresi berasingan. Seperti yang diterangkan dalam bahagian-bahagian akhir dari dokumen ini, kesan dalam model sederhana boleh digambarkan secara numerik dengan menggunakan pekali jalan, yang sama atau mirip dengan pekali regresi, bergantung kepada pilihan analisis tertentu yang anda lakukan.

     g) Kovarians dan korelasi adalah blok bangunan bagaimana data anda akan diwakili ketika melakukan pemrograman atau spesifikasi model dalam suatu program perisian yang menerapkan pemodelan persamaan struktur. Anda perlu tahu bagaimana untuk mendapatkan matriks korelasi atau matriks kovarians menggunakan PROC CORR dalam SAS, atau gunakan alat menu lain dari pakej statistik pilihan anda, untuk menentukan bahawa matriks korelasi atau kovarians dikira. Matriks kovarians dalam amalan berfungsi sebagai dataset anda untuk dianalisis. Dalam konteks SEM, kovarians dan korelasi di antara pembolehubah adalah penting kerana ia membenarkan anda memasukkan hubungan antara dua pembolehubah yang tidak semestinya sebab akibat. Dalam amalan, kebanyakan model persamaan struktur mengandungi hubungan kausal dan tidak bersebab. Mendapatkan anggaran kovarians antara pembolehubah membolehkan seseorang untuk menganggarkan kesan langsung dan tidak langsung dengan pembolehubah lain, terutamanya dalam model kompleks dengan banyak parameter yang dianggarkan.

    h) Model struktur adalah sebahagian daripada keseluruhan gambarajah model persamaan struktur yang akan anda lengkapkan untuk setiap model yang anda cadangkan. Ia digunakan untuk mengaitkan semua pembolehubah (kedua-dua laten dan manifes) yang perlu anda ambil kira dalam model. Terdapat beberapa peraturan penting untuk diikuti ketika membuat model struktur dan mereka akan dibincangkan di bahagian kedua dokumen ini.

   i) Model pengukuran adalah sebahagian daripada keseluruhan gambarajah model persamaan struktur yang akan anda lengkapkan untuk setiap model yang anda cadangkan. Ia penting jika anda mempunyai pemboleh ubah terpendam dalam model anda. Bahagian gambarajah ini yang sama dengan analisis faktor: Anda perlu memasukkan semua item individu, pembolehubah, atau pemerhatian yang “beban” ke pemboleh ubah laten, hubungan mereka, variasi, dan kesilapan. Terdapat beberapa peraturan penting untuk diikuti semasa membuat model pengukuran dan mereka akan dibincangkan di bahagian kedua dokumen ini.

  j) Bersama-sama, model struktur dan model pengukuran membentuk keseluruhan model persamaan struktur. Model ini termasuk semua yang telah diukur, diperhatikan, atau dimanipulasi dalam set pemboleh ubah yang diperiksa.

  k) Model persamaan struktur rekursif adalah model di mana penyebabnya diarahkan dalam satu arah. Model persamaan struktur nonrecursive mempunyai kaitan yang mengalir di kedua-dua arah di beberapa bahagian model.

KOMEN ANDA

Komen

TENTANG KAMI | PENAFIAN | HUBUNGI | HANTAR ARTIKEL