SEM (Modelowanie Równań Strukturalnych)
SEM (Structural Equation Modeling) – modelowanie równań strukturalnych, niekiedy nazywane także analizą struktury kowariancji, stanowi metodę wieloczynnikowej analizy danych, łącząc w sobie podejścia analizy czynnikowej, analizy ścieżek oraz elementy regresji liniowej z analizą wariancji i kowariancji w celu ustalenia powiązań między zmiennymi testowanymi. Drugim celem jest przetestowanie modelu teoretycznego wskazanego przez badacza, który obejmuje zarówno zmienne obserwowalne, jak i nieobserwowalne – zmienne latentne (nieobserwowalne konstrukty). Podejście to daje zatem możliwość analizy z wielu zmiennych zależnych oraz niezależnych, a także mediatorów i moderatorów w jednym ogólnym modelu.
W celu estymacji modelu SEM potrzebne jest podłoże teoretyczne uzasadniające specyfikę relacji między zmiennymi.
Najczęściej analiza SEM wykorzystuje podejście CB-SEM (Covariance-Based), które zakłada testowanie modelu w dwóch etapach:
- Model pomiarowego – celem tego etapu jest poprzez miary dopasowania modelu, jak CMIN lub RMSEA, ocenić czy zebrane dane są adekwatne. Ładunki czynnikowe pozwalają na ocenę związku między zmiennymi obserwowalnymi a jawnymi, z kolei wynikające z ładunków miary AVE oraz CR, pozwalają nam ocenić na ile zmienne latentne są względem siebie współliniowe, dzięki czemu mamy podstawy że mierzone przez nas konstrukty są od siebie jakościowo odrębne.
- Model strukturalny – stanowi z kolei model odwzorowujący postulowane przez badacza relacje przyczynowo-skutkowe między zmiennymi niezależnymi a zależnymi, pozwala testować efekty pośrednie i bezpośrednie, a uzyskane wielkości standaryzowanych współczynników regresji wraz z wartością p, pozwalają na weryfikację postawionych hipotez badawczych.
Model pomiarowy wskazujący na słabe dopasowanie, zazwyczaj wymaga skorygowania np. poprzez usunięcie zmiennych obserwowalnych o słabych ładunkach czynnikowych lub zrezygnowanie z jakiejś zmiennej latentnej. Dopiero uzyskanie przynajmniej zadowalającego dopasowania, będzie pozwalało na przeprowadzenie SEM.
Zalety SEM:
- Jest to zaawansowana metoda statystyczna, która pozwala na przetestowanie wielu relacji między zmiennymi jednocześnie.
- Badacz uzyskuje dzięki analizie informację jak dobrze testowany model teoretyczny znajduje odwzorowanie w zebranej próbce danych.
- Ujmuje jednocześnie konstrukty obserwowalne, które mierzą nasze zmienne latentne np. cechy osobowości, dzięki czemu uzyskujemy pełen obraz modelu ścieżek wraz z uwzględnieniem zmiennych zakłócających. Jest to analiza bardziej rozbudowana niż np. makro PROCESS Hayes’a.
- Z uwagi na uwzględnianie błędu pomiaru w procesie estymacji punktowej dla wartości korelacji między zmiennymi, uzyskane siły związku można uznać jako nieobciążone przez błąd losowy. Standardowe jednowymiarowe i wielowymiarowe techniki pomiaru zakładają, że nie ma błędu związanego z pomiarem zmiennych (zakładają, że zmienne w analizach są wolne od błędów). 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
Samodzielnie analizę SEM w programie AMOS możesz podjąć się z pomocą wpisu na naszym blogu, który znajduje się➡️ tutaj .
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.
