Słownik

SEM (Modelowanie Równań Strukturalnych)

SEM (structural equation modeling) – modelowanie równań strukturalnych (także analiza struktury kowariancji) – metoda wielowymiarowej analizy danych, która może być wykorzystana do przeprowadzenia analizy czynnikowej, analizy ścieżek, analiza wariancji i kowariancji w celu ustalenia powiązań wśród zmiennych, a także przetestowania modelu teoretycznego badacza, który obejmuje zarówno zmienne obserwowalne, jak i nieobserwowalne – zmienne latentne (nieobserwowalne konstrukty).

Procedura SEM pozwala na połączenie ze sobą możliwości analizy ścieżek w celu zbadania relacji między wieloma zmiennymi zależnymi i niezależnymi, z możliwością uwzględnienia analizy czynnikowej w celu ustalenia zależności między zmiennymi obserwowalnymi i nieobserowalnymi bądź relacji między samymi czynnikami.

W celu estymacji modelu SEM potrzebne jest podłoże teoretyczne uzasadniające specyfikę relacji między zmiennymi.

Najprościej można założyć, że model SEM składa się z dwóch części:

• Modelu pomiarowego – model ten określa zasady rządzące sposobem mierzenia ukrytych zmiennych (latentnych) na podstawie obserwowalnych zmiennych i opisuje pomiar ich właściwości. Dotyczy relacji między obserwowanymi a ukrytym zmiennymi i pozwala na weryfikację postawionych hipotez. Jest podstawą do zapewnienia modelowi wiarygodności zastosowanych do pomiaru zmiennych latentnych.
• Model równań strukturalnych – to elastyczny, kompleksowy model, który określa wzór relacji między niezależnymi i zależnymi zmiennymi (obserwowanymi bądź nieobserwowanymi). Zawiera w sobie mocne strony wielokrotnej analizy regresji, analizy czynnikowej oraz wielowymiarowej ANOVA w jednym modelu, który można zweryfikować pod kątem statystycznym. Co więcej, pozwala on na przewidywania kierunkowe wśród zbioru niezależnych lub zależnych zmiennych, przy czym pozwala także na tworzenie efektów pośrednich.

Modele, które cechują się słabym dopasowaniem sugerują, że wśród zmiennych obserwowanych są takie, które są niewiarygodne i nie pozwalają na przeprowadzenie SEM. W takim przypadku konieczne jest dokonanie modyfikacji modelu.

Zalety SEM:

• Pozwala na uwzględnienie wielu relacji równocześnie. Testowanie modelu za pomocą analizy ścieżek pozwala na wykorzystanie regresji wielokrotnej, co oznacza, że współczynniki ścieżek można oszacować poprzez regresję zmiennych endogenicznych na egzogeniczne, a następnie powtórzenie tej procedury traktując zmienne egzogeniczne jako endogeniczne. W celu określenia adekwatności tych powiązań należy wykorzystać informacje na temat dobroci dopasowania modelu (goodness-of-fit). SEM jest w stanie jednocześnie oszacować wielorakie i wzajemne powiązania zależnościowe. Metoda ta testuje model jako całość, co pozwala na sprawdzenie dobroci dopasowania danych do hipotetycznego modelu
• Pozwala na zaprezentowanie nieobserwowalnych konstruktów w analizie zależności wielu zmiennych jednocześnie. Choć analiza wielokrotnej regresji również pozwala na uwzględnienie wielu relacji jednocześnie, to jednak jej użycie ograniczone jest jedynie do zmiennych obserwowalnych (mierzalnych). SEM ma tę przewagę, że pozwala na uwzględnienie w analizie zmiennych latentnych
• Poprawia estymację statystyczną poprzez uwzględnienie błędu pomiaru w procesie szacowania. Standardowe jednowymiarowe i wielowymiarowe techniki pomiaru zakładają, że nie ma błędu związanego z pomiarem zmiennych (zakładają, że zmienne w analizach są wolne od błędów). SEM wykorzystuje wyniki zmierzonych bądź założonych zmiennych w celu opracowania oszacowania wyników danej osoby dla konstrukcji bazowej bądź zmiennych latentnych. Takie oszacowania parametrów powstają na podstawie części wspólnej bądź wspólnej wariancji mierzonych zmiennych, a wyniki dla zmiennych latentnych są tym samym nieobciążone poprzez losowy błąd pomiaru. Zatem, kiedy zmienne są wykorzystywane w analizie SEM, potencjalnie wpływający na losowość efektów błąd pomiaru wyników jest usuwany. Wynik takiej procedury jest ?statystycznie lepszy?, gdyż ścieżki między zmiennymi latentnymi są wolne od niewiarygodności ich wskaźników pomiarowych

Wybrana literatura:

Bachman, L. F. (2004). Statistical analyses for language assessment book. Cambridge University Press.

Clark-Carter, D. (2010). Quantitative research methods: gathering and making sense of numbers. Healthcare research: a textbook for students and practitioners, first edition. Sussex: John Wiley and Sons Ltd, 130-49.