نرم افزار Lisrel چیست؟

آشنایی با نرم افزارLisrel

تیم تحلیلی یونی تحلیل در نظر دارد، مباحث پرکاربرد در نرم افزار lisrel را به زبانی ساده و قبل فهم برای متقاضیان گرامی آموزش دهد. تمامی مطالب قرار داده شده در سایت جهت آموزش این نرم افزار به زبان ساده است.

نرم افزار ليزرل چیست؟

ليزرل يک محصول نرم افزاري است که به منظور برآورد و آزمون مدلهاي معادلات ساختاري طراحي و از سوي “شرکت بين المللي نرم افزار علمي”

Scientific software international  (www.ssicentral.com)

به بازار عرضه شده است. اين نرم افزار با استفاده از همبستگي و کوواريانس اندازه گيري شده، مي‌تواند مقادير بارهاي عاملي، واريانسها و خطاهاي متغيرهاي مکنون را برآورد يا استنباط کند و از آن مي‌توان براي اجراي تحليل عاملي اکتشافي، تحليل عاملي مرتبه دوم، تحليل عاملي تاييدي و همچنين تحليل مسير (مدل يابي علت و معلولي با متغيرهاي مکنون) استفاده کرد.

تحلیل ساختاری کوواریانس که به آن روابط خطی ساختاری نیز می گویند، یکی از تکنیک های تحلیل مدل معادلات ساختاری است. جالب است بدانید که نام  LISREL از عبارت Linear Structural Relations  که به معنای روابط خطی ساختاری است، بدست آمده است.

این نرم افزار به منظور ضبط نمودار مسیر، از یک فایل گرافیکی با پسوند پیش فرض به نام PTH استفاده می کند. همچنین در تطبیق مدل اندازه گیری شده با داده ها مفید می باشد.

می تواند یک مجموعه گسترده ای از مشکلات و مدل ها را بگیرد و می تواند توابع زیر را انجام دهد: ۱- دسته مدل با خطای اندازه گیری. ۲- کمک به محقق در مدل های غیر بازگشتی. ۳- در حل مشکلات تجزیه و تحلیل چند متغیر به عنوان مثال، (MANOVA)مفید است. ۴- برای کار بر روی مقایسه های چندگانه (مانند ایجاد مدل های جداگانه برای مردان و زنان و غیره) مفید است. ۵- در آزمون محدودیت ها مفید است. این نرم افزار را می توان در تجزیه اثرات خاصی که ابتدا توسط محقق به صورت دستی انجام می شود مورد استفاده قرار داد. با این حال، در مدل های پیچیده، تجزیه این اثرات می تواند بسیار خسته کننده باشد. یکی از کیفیت هایی که در مدل LISREL نسبتاً رایج است این است که مدل ها به همه ی متغیرها در مورد گروه خود تمرکز نشان می دهند که این به نوبه خود منجر به داشتن مدل هایی با صفر می شود و این کار به منظور کاهش پیچیدگی در تجزیه و تحلیل انجام می شود.

لیزرل مدل سازی معادلات ساختاری موارد زیر را دنبال می کند:

مدل سازی روابط بین متغیرهای مستقل (برون زا) و وابسته (درون زا)

مدل سازی متغیرهای پنهان (مکنون)

مدل سازی خطاهای اندازه گیری متغیرهای مشاهده پذیر

آزمون فرضیات استنباط شده از ادبیات مورد بررسی به کمک داده های عینی (تجزیه و تحلیل مسیر)

قابل ذکر است روش پیش فرض نرم افزار لیزرل در مدل یابی معادلات ساختاری، روش بیشینه احتمال (Maximum Likelihood) می باشد.

روش معادلات ساختاري چیست؟

هنگامی که محقق بخواهد مدل خاصی را از لحاظ روابط بین متغیرهای تحت بررسی بیازماید، از روش معادلات ساختاری استفاده می کند. برای این منظور لازم است که ماتریس کواریانس متغیرهای اندازه گیری شده تحلیل شود. از جمله تحقیقاتی که در آنها ماتریس همبستگی یا کواریانس تحلیل می شود، تحلیل عاملی و مدل سازی معادلات ساختاری است.

امروزه مدل سازی معادلات ساختاری به عنوان یکی از روش های تجزیه و تحلیل اطلاعات در علوم اجتماعی، روانشناسی و همچنین علوم مدیریتی بسیار متداول و محبوب شده است. روشی که در آن از مجموعه ای از روشهای آماری استفاده شده و به پژوهشگر این امکان را می دهد که فرضیات و یا مدل نظری خود را با داده های واقعی تجزیه و تحلیل نماید. موارد کاربرد روش ليزرل

 لیزرل یا مدل­یابی معادلات ساختاری یک تکنیک تحلیل چند متغیری بسیار کلی و نیرومند از خانواده رگرسیون چند متغیری و به بیان دقیق‌تر بسط «مدل خطی کلی» است. که به پژوهشگر امکان می‌دهد مجموعه­ای از معادلات رگرسیون را به گونه هم زمان مورد آزمون قرار دهد. مدل یابی معادله ساختاری یک رویکرد جامع برای آزمون فرضیه‌هایی درباره روابط متغیرهای مشاهده شده و مکنون است که گاه تحلیل ساختاری کوواریانس، مدل یابی علّی و گاه نیز لیزرل نامیده شده است اما اصطلاح غالب در این روزها، مدل یابی معادله ساختاری یا به گونه خلاصه SEM است(هومن 1384).

روش ليزرل ضمن آنکه ضرايب مجهول مجموعه معادلات ساختاري خطي را برآورد مي‌کند براي برازش مدلهايي که شامل متغيرهاي مکنون، خطاهاي اندازه گيري در هر يک از متغيرهاي وابسته و مستقل، عليت دو سويه، هم زماني و وابستگي متقابل مي‌باشد طرح ريزي گرديده است.

اما اين روش را مي‌توان به عنوان موارد خاصي براي روشهاي تحليل عاملي تاييدي، تحليل رگرسيون چند متغيري، تحليل مسير، مدلهاي اقتصادي خاص داده‌هاي وابسته به زمان، مدلهاي برگشت پذير و برگشت ناپذير براي داده‌هاي مقطعي/ طولي، مدلهاي ساختاري کوواريانس و تحليل چند نمونه اي (مانند آزمون فرضيه‌هاي برابري ماتريس کوواريانس هاي، برابري ماتريس همبستگي ها، برابري معادلات و ساختارهاي عاملي و غيره) نيز به کار برد.

تحليل عاملي اکتشافي (efa) و تحليل عاملي تاييدي (cfa)

تحليل عاملي مي‌تواند دو صورت اکتشافي و تاييدي داشته باشد. اينکه کدام يک از اين دو روش بايد در تحليل عاملي به کار رود مبتني بر هدف تحليل داده هاست.

تحليل عاملی اکتشافي

در تحليل عاملی اکتشافي(Exploratory factor analysis) پژوهشگر به دنبال بررسي داده‌هاي تجربي به منظور کشف و شناسايي شاخص‌ها و نيز روابط بين آنهاست و اين کار را بدون تحميل هر گونه مدل معيني انجام مي‌دهد. به بيان ديگر تحليل عاملی اکتشافي علاوه بر آنکه ارزش تجسسي يا پيشنهادي دارد مي‌تواند ساختارساز، مدل ساز يا فرضيه ساز باشد.

تحليل اکتشافي وقتي به کار مي‌رود که پژوهشگر شواهد کافي قبلي و پيش تجربي براي تشکيل فرضيه درباره تعداد عامل‌هاي زيربنايي داده‌ها نداشته و به واقع مايل باشد درباره تعيين تعداد يا ماهيت عامل‌هايي که همپراشي بين متغيرها را توجيه مي‌کنند داده‌ها را بکاود. بنابر اين تحليل عاملی اکتشافي بيشتر به عنوان يک روش تدوين و توليد تئوري و نه يک روش آزمون تئوري در نظر گرفته مي‌شود.

تحليل عاملي اکتشافي روشي است که اغلب براي کشف و اندازه گيري منابع مکنون پراش و همپراش در اندازه گيري‌هاي مشاهده شده به کار مي‌رود. پژوهشگران به اين واقعيت پي برده اند که تحليل عاملي اکتشافي مي‌تواند در مراحل اوليه تجربه يا پرورش تستها کاملا مفيد باشد. توانشهاي ذهني نخستين ترستون، ساختار هوش گيلفورد نمونه‌هاي خوبي براي اين مطلب مي‌باشد. اما هر چه دانش بيشتري درباره طبيعت اندازه گيري‌هاي رواني و اجتماعي به دست آيد ممکن است کمتر به عنوان يک ابزار مفيد به کار رود و حتي ممکن است بازدارنده نيز باشد.

از سوي ديگر بيشتر مطالعات ممکن است تا حدي هم اکتشافي و هم تاييدي باشند زيرا شامل متغير معلوم و تعدادي متغير مجهول‌اند. متغيرهاي معلوم را بايد با دقت زيادي انتخاب کرد تا حتي الامکان درباره متغيرهاي نامعلومي که استخراج مي‌شود اطلاعات بيشتري فراهم‌ايد. مطلوب آن است که فرضيه اي که از طريق روش‌هاي تحليل اکتشافي تدوين مي‌شود از طريق قرار گرفتن در معرض روش‌هاي آماري دقيق‌تر تاييد يا رد شود. تحليل عاملی اکتشافي نيازمند نمونه‌هايي با حجم بسيار زياد مي‌باشد.

تحليل عاملي تاييدي

در تحليل عاملي تاييدي (Confirmatory factor analysis) ، پژوهشگر به دنبال تهيه مدلي است که فرض مي‌شود داده‌هاي تجربي را بر پايه چند پارامتر نسبتا اندک، توصيف تبيين يا توجيه مي‌کند. اين مدل مبتني بر اطلاعات پيش تجربي درباره ساختار داده هاست که مي‌تواند به شکل:

1-يک تئوري يا فرضيه

2-يک طرح طبقه بندي کننده معين براي گويه‌ها يا پاره تستها در انطباق با ويژگي‌هاي عيني شکل و محتوا

3-شرايط معلوم تجربي

و يا    4- دانش حاصل از مطالعات قبلي درباره داده‌هاي وسيع باشد.

تمايز مهم روش‌هاي تحليل اکتشافي و تاييدي در اين است که روش اکتشافي با صرفه‌ترين روش تبيين واريانس مشترک زيربنايي يک ماتريس همبستگي را مشخص مي‌کند. در حالي که روش‌هاي تاييدي (آزمون فرضيه) تعيين مي‌کنند که داده‌ها با يک ساختار عاملي معين (که در فرضيه آمده) هماهنگ اند يا نه.

ضمنا خاطر نشان می شود برای دریافت ویدئوی آموزشی تحلیل عاملی تاییدی در نرم افزار لیزرل می توانید به این صفحه مراجعه نمایید:

آزمون‌هاي برازندگي مدل کلي

با آنکه انواع گوناگون آزمون‌ها که به گونه کلي شاخص‌هاي برازندگي(Fitting indexes) ناميده مي‌شوند پيوسته در حال مقايسه، توسعه و تکامل مي‌باشند اما هنوز درباره حتي يک آزمون بهينه نيز توافق همگاني وجود ندارد. نتيجه آن است که مقاله‌هاي مختلف، شاخص‌هاي مختلفي را ارائه کرده اند و حتي نگارش‌هاي مشهور برنامه‌هاي SEM مانند نرم افزارهاي lisrel, Amos, EQS نيز تعداد زيادي از شاخص‌هاي برازندگي به دست مي‌دهند.(هومن1384 ،235)

اين شاخص‌ها به شيوه‌هاي مختلفي طبقه بندي شده اند که يکي از عمده‌ترين آنها طبقه بندي به صورت مطلق، نسبي و تعديل يافته مي‌باشد. برخي از اين شاخص ها عبارتند از:

شاخص‌هاي  GFI و  AGFI

شاخص GFI – Goodness of fit index  مقدار نسبي واريانس‌ها و کوواريانس‌ها را به گونه مشترک از طريق مدل ارزيابي مي‌کند. دامنه تغييرات GFI بين صفر و يک مي‌باشد. مقدار GFI بايد برابر يا بزرگتر از  0.09  باشد.

شاخص برازندگي ديگر Adjusted Goodness of Fit Index – AGFI    يا همان مقدار تعديل يافته شاخص GFI براي درجه آزادي مي‌باشد. اين مشخصه معادل با کاربرد ميانگين مجذورات به جاي مجموع مجذورات در صورت و مخرج (1- GFI) است. مقدار اين شاخص نيز بين صفر و يک مي‌باشد. شاخص‌هاي GFI  و  AGFI  را که جارزکاگ و سوربوم (1989) پيشنهاد کرده اند بستگي به حجم نمونه ندارد.

شاخص RMSEA

اين شاخص , ريشه ميانگين مجذورات تقريب مي‌باشد.

شاخص Root Mean Square Error of Approximation – RMSEA براي مدل‌هاي خوب برابر 0.05 يا کمتر است. مدلهايي که RMSEA  آنها 0.1 باشد برازش ضعيفي دارند.

مجذور کاي

آزمون مجذور كاي (خي دو) اين فرضيه را مدل مورد نظر هماهنگ با الگوي همپراشي بين متغيرهاي مشاهده شده است را مي‌آزمايد، کميت خي دو بسيار به حجم نمونه وابسته مي‌باشد و نمونه بزرگ کميت خي دو را بيش از آنچه که بتوان آن را به غلط بودن مدل نسبت داد, افزايش مي‌دهد. (هومن.1384. 422).

شاخص  NFI و CFI

شاخصNFI (که شاخص بنتلر-بونت هم ناميده مي‌شود) براي مقادير بالاي 0.09  قابل قبول و نشانه برازندگي مدل است. شاخص CFI  بزرگتر از 0.09  قابل قبول و نشانه برازندگي مدل است. اين شاخص از طريق مقايسه يک مدل به اصطلاح مستقل که در آن بين متغيرها هيچ رابطه اي نيست با مدل پيشنهادي مورد نظر، مقدار بهبود را نيز مي‌آزمايد. شاخص CFI  از لحاظ معنا مانند NFI  است با اين تفاوت که براي حجم گروه نمونه جريمه مي‌دهد.

شاخص‌هاي ديگري نيز در خروجي نرم افزار ليزرل ديده مي‌شوند که برخي مثل AIC,  CAIC  ECVA  براي تعيين برازنده‌ترين مدل از ميان چند مدل مورد توجه قرار مي‌گيرند.

براي مثال مدلي که داراي کوچکترين AIC ,CAIC ,ECVA باشد برازنده‌تر است.(هومن1384 ،244-235) برخي از شاخص‌ها نيز به شدت وابسته به حجم نمونه اند و در حجم نمونه‌هاي بالا مي‌توانند معنا داشته باشند.