جهت باز شدن منوی اصلی و جستجو اینجا کلیک کنید.

شاخص های برازش مطلق در لیزرل

مدل تدوین شده توسط پژوهشگر بر مبنای چارچوب نظری و پیشینه تئوریک آن تا چه اندازه با واقعیت انطباق دارد؟ معیارهای علمی مورد قبول برای پذیرش یا رد مدل نظری تدوین شده با استفاده از داده های گردآوری شده، خود بحثی اصلی در مورد شاخص های برازش مدل را تشکیل می دهد.

برازش مدل تعیین کننده درجه ای است که داده های واریانس- کواریانس نمونه ای مدل معادلات ساختاری را حمایت می کند. از آن جایی که برازش مدل مفهومی  و شاخص هایی که به بهترین نحو توانایی تفسیر بهتر برازش مدل را داشته باشد بسیار متنوع و پیچیده شده است. از این رو بسیاری از پژوهشگران با نوعی سردرگمی مواجه شده اند. وجود تعداد زیاد شاخص وعدم توافق بر سر انتخاب شاخص ها و دامنه پذیرش برخی از آنان در تکنیک مدلسازی معادلات ساختاری بسیار مشهود می باشد.
در نرم افزار لیزرل شاخص های گوناگونی وجود دارد که به طور کلی به سه دسته قابل تقسیم بندی می باشد:
الف- شاخص های برازش مطلق (Absolute Fit Indices)
ب- شاخص های برازش نسبی یا مقایسه ای (Comparative Fit Indices)
ج- شاخص های برازش تعدیل یافته یا مقتصد (Parsimony Fit Indices)

الف- شاخص های برازش مطلق
شاخص های برازش مطلق  تعیین می کند چگونه یک مدل پایه ای با داده های نمونه مربوطه به خوبی برازش دارد. شاخص های برازش مطلق از اساسی ترین و اصلی ترین معیارها برای صحت و سقم برازش داده ها بر اساس مدل یا فرضیه های پیشنهادی می باشد که بر مبنای تفاوت واریانس ها و کواریانس های دو مدل مشاهده شده و تدوین شده اندازه گیری می شود. هر چه تعداد پارامترهای مدل بیشتر باشد، شاخص های برازش مطلق بهبود خواهد یافت و به سمت مدل اشباع شده (برازش شده) نزدیک تر می شود. محاسبات صورت گرفته توسط شاخص های مطلق بر پایه مقایسه با یک مدل پایه نمی باشد.

شاخص های برازش مطلق که در این دسته قرار می گیرند عبارتند از :


1- شاخص کای اسکوئر یا مجذور کای ℵ2  : شاخص کای اسکوئر یا مجذور کای که با عنوان P-Value نیز شناخته می شود برای ارزیابی کلی مدل و تعیین میزان شدت اختلاف بین ماتریس های کواریانس برآورد شده و مشاهده شده تعریف می شود. برای مقادیر کم کای اسکوئر باید مقدار آن بالای  0.05 باشد. البته مقدار حجم نمونه نیز تاثیر گذار است (Barret, 2007)

2- نسبت کای اسکوئر به درجه آزادی  ℵ2/df: یکی از شاخص هایی که تاثیر مقدار حجم نمونه را در شاخص کای اسکوئر به حداقل می رساند. توافق جمعی بر سر مقدار قابل قبول بودن این شاخص وجود ندارد. برخی مقدار بسیار زیاد 5 را برای آن مناسب می دانند (Wheaton et al, 1977). برخی مقدار 1 تا 2 (Tabachnick & Fidell, 2007) و 1 تا 3 (Kline, 2001) را به عنوان بهترین مقدار شاخص در نظر گرفته اند. در حالی که مقدار 1 نشان دهنده برازش کامل مدل می باشد.

3- شاخص نیکویی برازش (GFI): با مشاهده واریانس و کواریانس باز تولید شده توسط مدل، شاخص نیکویی برازش (GFI) بیانگر میزان دقت مدل در تکرار ماتریس کواریانس مشاهده شده است. برخی مقادیر بالای 0.90 را برای آن پیشنهاد داده اند.

4- شاخص نیکویی برازش اصلاح شده (AGFI): هدف از شاخص نیکویی برازش اصلاح شده (AGFI) جریمه نمودن مدل به ازای افزایش تعداد پارامترهای جدید به مدل است. مقادیر قابل قبول برای این شاخص مانند شاخص نیکویی برازش (GFI) مقادیر بالای 0.90 می باشد (Hooper et al, 2008)

5- شاخص ریشه میانگین مربعات باقی مانده استاندارد شده (SRMR): این شاخص ریشه مربعات حاصل از تفاوت بین ماتریس کواریانس نمونه باقی مانده  و مدل کواریانس فرض شده می باشد. دامنه به دست آمده  برای شاخص SRMR بین 0 تا 1 بوده که برای مدل هایی با برازش خوب این مقدار زیر 0.05 است (Hooper et al, 2008). هر چند مقادیر زیر 0.08 نیز مورد پذیرش است (Hu & Kline, 2011).

6- شاخص ریشه میانگین مربعات خطای برآورد (RMSEA): یکی از مهم ترین شاخص های برازش مدل در تحلیل گزارش خروجی نرم افزار لیزرل می باشد که میزان بد بودن مدل برازش شده را در مقایسه با مدل اشباع شده برآورد می نماید. در سال های اخیر دامنه پذیرش این شاخص تغییرات زیادی نموده است. در سال های اخیر مقادیر زیر 0.06 (Hu & Bentler, 1999) یا حتی مقادیر زیر 0.07 (Steiger, 2007) و بین 0 تا 0.05 به عنوان برازش خوب مدل در نظر گرفته شده است، در حالی که مقادیر بالای 0.1 نشان دهنده برازش ضعیف می باشد (Hoyle, 2012; Browne & Cudeck, 1993)

تعریف واژه های اختصاری
1- کای اسکوئر (خی دو) (Chi-squared) (ℵ2 )
2- نسبت کای اسکوئر به درجه آزادی (ℵ2 /df)
3- شاخص نیکویی برازش (Goodness of Fit Index) (GFI)
4- شاخص نیکویی برازش اصلاح شده (Adjusted Goodness of Fit Index) (AGFI)
5- شاخص ریشه میانگین مربعات باقی مانده استاندارد شده  (Standardized Root Mean Square Residual) (SRMR)
6- شاخص ریشه میانگین مربعات خطای برآورد (Root Mean Square Error of Approximation) (RMSEA)

 

نظر دادن

از پر شدن تمامی موارد الزامی ستاره‌دار (*) اطمینان حاصل کنید. کد HTML مجاز نیست.

هدر فوتر

درباره ژورنال پیپر

وب سایت علمی پژوهشی ژورنال پیپر با هدف ارائه خدمات تحلیل آماری پروژه های تحقیقاتی، مقالات علمی به زبان انگلیسی از پایگاه های معتبر، پرسشنامه های استاندارد، آموزش نگارش پروپوزال و پایان نامه در حوزه علوم مدیریت و علوم اجتماعی راه اندازی گردید.

تماس با ژورنال پیپر

آدرس: مازندران، چالوس، خیابان هفده

شهریور، جنب هتل ملک، شکوفه ششم

ارتباط با مشتریان : 9711 072 0912

تلفن ثابت:             349 22 521 011

ایمیل:           این آدرس ایمیل توسط spambots حفاظت می شود. برای دیدن شما نیاز به جاوا اسکریپت دارید

نماد اعتماد الکترونیک و نماد ساماندهی

logo-samandehi