شاخص های برازش مدل| انجام معادلات ساختاری SEM

شاخص های برازش مدل چیست؟

مدل تدوین شده بر مبنای چارچوب نظری و پیشینه تجربی تا چه اندازه با واقعیت انطباق دارد؟ این سؤالی است که هر پژوهشگری که پژوهش خود را در قالب یک مدل معادله ساختاری مدون کرده است با آن روبروست و مایل است به آن پاسخ دهد.

معیارهای علمی قابل قبول برای تایید مدل نظری تدوین شده با استفاده از داده های گرداوری شده، خود بحث اصلی در «شاخص‌های برازش مدل» را تشکیل می‌دهد. شاخص‌هایی که گاه به نام شاخص‌های نیکویی برازش (چرا که هر چه مقدار آن شاخص‌ها افزایش می‌یابد نشانه ای از حمایت قوی‌تر داده‌ها از مدل نظری تفسیر می‌شود) و گاه به نام شاخص‌های بدی برازش (زیرا که هر چه مقدار آن شاخص‌ها افزایش می‌یابد نشانه ای از حمایت ضعیف‌تر داده‌ها از مدل نظری تلقی می‌شود).

هر چند که در روش‌های آماری سنتی محقق اغلب با یک معیار منفرد برای تصمیم گیری درباره رد یا تایید فرضیه صفر مواجه است در مدل سازی معادله ساختاری چنین معیار منفردی وجود ندارد تا تنها و تنها بر مبنای آن معیار، پژوهشگر تصمیم بگیرد که آیا مدل نظری خود را مدلی به لحاظ علمی قابل قبول تلقی کند یا خیر. چنین وضعیتی ناشی از پیچیدگی و ترکیبی بودن این نوع از مدل‌هاست.

انواع شاخص‌های برازش مدل

بیش از سی شاخص برازش مدل معرفی شده است که اغلب آن‌ها در خروجی Amos گزارش می‌شوند. با وجود تعداد زیاد این شاخص‌ها اغلب نویسندگان در این باره که می‌توان این شاخص‌ها را در سه گروه کلی تقسیم بندی کرد توافق دارند هر چند توافق کمتری درباره میزان مفید بودن هر یک از آن‌ها مشاهده می‌شود. سه گروه کلی برازش مدل عبارتند از:

• شاخص‌های برازش مطلق
• شاخص‌های برازش تطبیقی
• شاخص‌های برازش مقتصد

شاخص‌های برازش مطلق شاخص‌هایی هستند که بر مبنای تفاوت واریانس‌ها و کوواریانس مشاهده شده از یک طرف و واریانس و کوواریانس پیش بینی شده بر مبنای پارامترهای مدل تدوین شده از طرف دیگر قرار دارند. معیار برازش در این گروه از شاخص‌ها، نه مقایسه مدل‌های رقیب است (آنچه در شاخص‌های تطبیقی مورد نظر است) و نه وابسته به تعداد پارامترهایی است که در مدل توسط پژوهشگر تعریف شده‌اند (آنچه در شاخص‌های مقتصد مورد نظر است). با توجه به موضوع اخیر و همچنین با توجه به اینکه افزودن هر پارامتری به مدل (تا آنجا که برآورد پارامترها به لحاظ محاسباتی امکان پذیر باشد) باعث نزدیک‌تر شدن دو گروه واریانس‌ها و کوواریانس‌های ذکر شده می‌شود، اضافه کردن هر پارامتر به مدل باعث بهبود شاخص‌های برازش مطلق می‌شود تا جایی که اگر محقق حداکثر پارامترهای ممکن را تعریف کند (مدل اشباع شود) محقق به برازش کامل دست خواهد یافت که در اینجا به معنای برابر شدن واریانس‌ها و کوواریانس‌های مشاهده شده و باز تولید شده به وسیله مدل است.

شاخص‌های برازش تطبیقی در واقع گامی در جهت تکمیل شاخص‌های برازش مطلق محسوب می‌شود به این ترتیب که با مبنا قرار دادن یک یا چند مدل (که گاه صرفاً معیاری برای مقایسه به دست می‌دهد و گاه واقعاً مدلی جایگزین با رقیب محسوب می‌شود) مدل نظری تدوین شده تحت آزمون را با آن مقایسه و نشان می‌دهد که آیا به لحاظ آماری قابل قبول‌تر تلقی می‌شود، ضعیف‌تر است و یا اینکه تفاوتی با آن ندارد.

گروه دیگر از انواع شاخص‌های برازش به نام شاخص‌های برازش مقتصد خوانده می‌شوند. در واقع با ارائه این شاخص‌ها تلاش شده است تا مهم‌ترین نقطه ضعف شاخص‌های برازش مطلق یعنی بهبود مقدار شاخص‌های برازش با افزایش پارامتر به مدل جبران شود. مبنای اصلی در این گروه از شاخص‌های برازش آن است که به ازای هر پارامتر جدیدی که به مدل اضافه می‌شود این شاخص‌ها جریمه می‌شوند.