مقدمة في برنامج LISREL – ليزريل والأساليب ذات الصلة
برنامج LISREL – ليزريل، هو حزمة برمجية إحصائية مسجلة الملكية تستخدم في نمذجة المعادلة الهيكلية للمتغيرات الواضحة والكامنة. “وهو يتطلب مستوى عال إلى حد ما من التطور الإحصائي”.
النماذج الهيكلية والقياسية لـ برنامج LISREL – ليزريل
يفترض أن في هذه النماذج يتم قياس جميع المتغيرات بدون أخطاء، وبالتأكيد هذا الافتراض غالبًا ما يكون غير معقول حيث وكما هو معروف:
- خطأ القياس العشوائي في المتغير التابع لا يؤدي إلى تحيز معاملات الانحدار. ومع ذلك ، فإنه يؤدي إلى أخطاء معيارية أكبر.
- ينتج عن خطأ القياس العشوائي في المتغيرات المستقلة تقديرات متحيزة. في حالة الانحدار ثنائي المتغير ، ستكون التقديرات منحازة نحو الصفر. مع المزيد من IVs ، يمكن أن يكون التحيز لأعلى أو لأسفل.
- الخطأ المنهجي، بالطبع ، يمكن أن ينتج إما تحيزاً تصاعدياً أو تنازلياً.
تحليل العامل في برنامج LISREL – ليزريل
تحليل العامل هو إحدى طرق التعامل مع خطأ القياس، و باستخدام تحليل العوامل يتم تقليل عدد كبير من العناصر إلى عدد أقل من العوامل، أو “المتغيرات الكامنة”.
المتغيرات الكامنة: هي متغيرات لا تتم ملاحظتها مباشرة ولكن يتم استنباطها من المتغيرات الأخرى التي يتم ملاحظتها .
على سبيل المثال ، يمكن اختزال 7 مقاييس شخصية في مقياس “موضع السيطرة”، و سيكون هذا المقياس أكثر موثوقية من أي من المقاييس الفردية التي تم إنشاؤها.
يمكن أن يكون تحليل العامل إما:
- استكشافي – يحدد الكمبيوتر ما هي العوامل الأساسية.
- تأكيدي – تحدد الباحثة بنية العامل التي تعتقد أنها تشكل أساس المقاييس ، ثم تختبر ما إذا كانت البيانات متوافقة مع فرضياتها.
سمات برنامج LISREL – ليزريل
تتيح برامج مثل LISREL – ليزريل الجمع بين نمذجة المعادلة الهيكلية وتحليل العوامل المؤكدة، وهذه بعض سمات LISREL – ليزريل:
- يوجد نموذج قياسي ونموذج هيكلي.
- يشير نموذج القياس إلى كيفية ارتباط المؤشرات المرصودة بالمتغيرات الكامنة الأساسية , (على سبيل المثال ، قد تكون X1 و X2 مؤشرات على مركز التحكم ؛ قد تكون X3 و X4 مؤشرات للوضع الاجتماعي والاقتصادي).
- يشير النموذج الهيكلي إلى كيفية ارتباط المتغيرات الكامنة ببعضها البعض.
- من خلال التحكم في خطأ القياس ، يتيح نموذج LISREL – ليزريل المحدد بشكل صحيح الحصول على تقديرات غير متحيزة للمعاملات الهيكلية , (بالطبع ، الحصول على النموذج المحدد بشكل صحيح هو الحيلة.)
- يمكن لـ LISREL – ليزريل التعامل مع مجموعة واسعة من المشاكل والنماذج , وتشمل ما يلي :
- النماذج ذات الخطأ في القياس
- نماذج غير متسلسلة
- مشاكل من نوع مانوفا
- مقارنات مجموعات متعددة (على سبيل المثال ، يمكنك الحصول على نماذج منفصلة للسود والأبيض)
- اختبارات القيود (على سبيل المثال ، اثنان أو أكثر من المعامِلات تساوي بعضها البعض ، ومجموعة فرعية من المعاملات تساوي صفرًا ، والمعلمات متساوية عبر المجموعات السكانية)
- نماذج تحليل عامل التأكيد
- الانحدار الترتيبي
- النماذج الخطية الهرمية
أمثلة على برنامج LISREL – ليزريل
مثال LISREL 1: نماذج القياس والهيكل معاً
في بحثهم الكلاسيكي عام 1982 ، “ما وراء الزوجات علم اجتماع الأسرة: طريقة لتحليل بيانات الزوجين” ، قدر طومسون وويليامز كلا من المقاييس والمعايير الهيكلية في سلسلة من نماذج توقعات الإنجاب للزوجين. في بياناتهم ، عُرض على الأزواج وزوجاتهم عدة عواقب محتملة لإنجاب طفل آخر في غضون 20 شهرًا.
- تم إنشاء منتجات الاحتمالية الذاتية لكل نتيجة (0 = لا توجد فرصة لـ 10 = معينة) وتقييمها للنتيجة (-3 = سيء للغاية من خلال +3 = جيد للغاية) لتشكيل “أدوات مساعدة ذاتية متوقعة” لطفل آخر. تم استخدام المرافق الشخصية المتوقعة من “حياة أسرية كاملة” (W1 و H1) و “مراقبة طفل آخر ينمو ويتطور” (W2 و H2) كمؤشرات متعددة لمنفعة الطفل.
- أيضًا ، طُلب من المستجيبين تقدير احتمالية إنجاب الزوجين لطفل آخر في غضون 20 شهرًا (1 = مستبعد للغاية حتى 7 = محتمل للغاية.) تم استخدام إجابات كلا الشريكين (W3 و H3) كمؤشرات متعددة لتوقعات إنجاب الزوجين.
بدأ طومسون وويليامز بتقدير نموذج “الزوجين” ، حيث تكون ردود الزوجة والزوج حول فائدة طفل آخر كلها مؤشرات مقاسة بشكل غير كامل لمتغير كامن واحد ، منفعة الطفل للزوجين. فيما يلي مخططهم الأصلي لهذا النموذج:
كجزء من النتائج يمكن لـ LISREL – ليزريل إنشاء رسم (قبيح إلى حد ما وغير دقيق دائمًا) لمخطط المسار من أجلك. ربما أرغب في رسم الرسم البياني بنفسي لتقديم ورقة ولكن مخطط LISREL – ليزريل مفيد للتأكد من أنك حددت النموذج الذي كنت تعتقد أنك قمت به او انجزته , اما مخطط المسار الذي ينتجه LISREL – ليزريل هو
يقدر LISREL – ليزريل التالي هذا النموذج. اعتاد مستخدمي البرنامج على أن تكون عملية إنشاء الأوامر كابوسًا ولكنها أصبحت أكثر سهولة في الاستخدام في السنوات الأخيرة.
| ترجمة البرمجة ( الامر ) | برمجة ليزريل |
|
نبدا بقراءة البيانات |
Beyond Wive’s Family Sociology – Model 1
Observed Variables W1 W2 H1 H2 W3 H3 Sample size 340 Correlation Matrix 1 0.470 1 0.460 0.270 1 0.312 0.223 0.495 1 0.628 0.421 0.498 0.381 1 0.596 0.347 0.586 0.422 0.816 1 Means 11.36 22.34 9.75 18.50 3.64 3.66 Standard Deviations 11.45 10.89 10.73 10.30 2.66 2.60 |
| المتغيرات الكامنة Cutil Cexpect
هذا يخبر LISREL أن لدينا متغيرين كامنين |
Latent variables Cutil Cexpect |
| هذا هو جزء القياس من النموذج و يوضح كيف ترتبط المتغيرات الستة المرصودة بالمتغيرين الكامنين الأساسيين. | W1 = 1*Cutil
W2 = Cutil H1 = Cutil H2 = Cutil W3 = 1*Cexpect H3 = Cexpect |
| هذا هو النموذج الهيكلي | Cexpect = Cutil
|
| يتسبب هذا في قيام LISREL – ليزريل بتضمين مخطط مسار كجزء من الناتج | مخطط المسار Path Diagram
End of Problem نهاية المشكلة |
جادل طومسون وويليامز بأن ملاءمة هذا النموذج غير مقبول وأنه بدلاً من وجود متغير منفرد للزوجين ، يجب أن يكون هناك متغيرين منفصلين ، أحدهما للأزواج والآخر للزوجات:
أيضًا ، في نموذجهم النهائي (الذي أخفوه في المناقشة بدلاً من تقديمه في الجداول لسبب ما) تم تقييد جميع المعلمات المقابلة بين الزوجات والأزواج لتكون متساوية. يبدو الرسم التخطيطي النهائي الذي أنتجه LISREL كما يلي :
بناء الامر الخاص بـ LISREL
| ترجمة هذه البرجمة | برمجة ليزريل |
|
اقرأ في البيانات. |
Beyond Wive’s Family Sociology – Model 2F
Observed Variables W1 W2 H1 H2 W3 H3 Sample size 340 Correlation Matrix 1 0.470 1 0.460 0.270 1 0.312 0.223 0.495 1 0.628 0.421 0.498 0.381 1 0.596 0.347 0.586 0.422 0.816 1 Means 11.36 22.34 9.75 18.50 3.64 3.66 Standard Deviations 11.45 10.89 10.73 10.30 2.66 2.60 |
| يخبر LISREL – ليزريل أن هناك 3 متغيرات كامنة. | Latent variables Wchutil Hchutil Cexpect |
|
نموذج القياس – يوضح كيف ترتبط المتغيرات الستة الملاحظة بالمتغيرات الثلاثة الكامنة |
W1 = 1*Wchutil W2 = Wchutil H1 = 1*Hchutil H2 = Hchutil W3 = 1*Cexpect H3 = Cexpect |
|
النموذج الهيكلي. المتغيرين الخارجيين الكامنين لهما تغاير غير صفري. يفرض قيود المساواة بين قياس الزوج والزوجة والمعلمات الهيكلية. |
Equal Error Variances: W1 H1 Equal Error Variances: W2 H2 Set the Path from Wchutil to W2 Equal to the Path from Hchutil to H2 Set the variance of Wchutil equal to the variance of Hchutil Equal Error Variances: W3 H3 Set the path from Cexpect to H3 equal to 1 Set the path from Wchutil to Cexpect equal to the path from Hchutil to Cexpect |
| إنتاج مخطط المسار ، برنامج النهاية. | Path Diagram
End of Problem |
مثال LISREL 2: النماذج غير التكرارية – بديل ليزريل لـ 2SLS
تذكر النموذج غير المتسلسل الذي قدرناه مسبقًا بـ 2sls:
لدينا مؤشرات فردية لكل X ، لذلك لا يتم استخدام نموذج قياس ليزريل هنا. هنا LISREL الذي سيقدر هذا النموذج.
| ترجمة هذه البرمجة | برمجة ليزريل |
|
اقرأ في البيانات |
مثال نموذج غير متكرر
المتغيرات المرصودة: X1 X2 X3 X4 مصفوفة الارتباط 1 -154 1 .812-354 1 .290608-127 1 انحرافات معيارية 8.97349 9.55875 3.98072 5.06170 حجم العينة = 500 Nonrecursive Model Example Observed Variables: X1 X2 X3 X4 Correlation Matrix 1 -.154 1 .812 -.354 1 .290 .608 -.127 1 Standard Deviations 8.97349 9.55875 3.98072 5.06170 Sample size = 500
|
|
النموذج الهيكلي. يُسمح بربط بقايا X3 و X4. |
المعادلة: X3 = X1 X4
المعادلة: X4 = X2 X3 دع الأخطاء بين X3 X4 مرتبطة ————————————– Equation: X3 = X1 X4 Equation: X4 = X2 X3 Let the errors between X3 X4 Correlate
|
|
إنتاج مخطط المسار. استخدم ML لتقدير النموذج (كان من الممكن أن تستخدم المربعات الصغرى على مرحلتين إذا فضلنا ذلك). |
Path Diagram Method of Estimation: Maximum Likelihood End of Problem |
هنا مخطط LISREL – ليزريل:
النتائج هي نفسها تقريبًا التي حصلنا عليها من خلال 2sls ، ولكن هذا لن يكون دائمًا على هذا النحو. تذكر أيضًا مثالنا السابق لنموذج غير متكرر لتأثير الأقران من Duncan-Haller-Portes:
لتقدير هذا في برنامج LISREL – ليزريل
| ترجمة ومعنى هذه البرمجة ( الكود ) | برمجة ليزيريل |
|
قراءة البيانات |
تأثيرات الأقران على الطموح – دنكان هالر
النسخ المتماثل للمنافذ ————————— المتغيرات المرصودة من ملف EX8.LAB مصفوفة الارتباط من ملف EX8.COR إعادة ترتيب المتغيرات: REPARASP REINTGCE RESOCIEC BFSOCIEC BFINTGCE BFPARASP REOCCASP ‘RE EDASP’ BF EDASP ‘BFOCCASP حجم العينة 329 |
|
حدد العلاقات الهيكلية |
العلاقات
REOCCASP = REINTGCE RESOCIEC BFOCCASP BFOCCASP = BFINTGCE BFSOCIEC REOCCASP دع أخطاء REOCCASP و BFOCCASP covar |
| تضمين الرسم التخطيطي في النتائج والمخرجات | مخطط المسار
نهاية المشكلة |
الرسم البياني الناتج ليزريل LISREL هو
تختلف النتائج قليلاً لأن Duncan-Haller-Portes استخدم 2SLS ويستخدم LISREL أكقصى احتمال. يمكنك أيضًا إخبار LISREL باستخدام 2SLS بدلاً من ذلك ، وفي هذه الحالة تكون النتائج متطابقة.
مثال 3: استخدام LISREL لتحليل الارتباطات
في HW 7 ، تم إعطاؤك النموذج التالي:
إليك كيفية تقدير LISREL لهذا النموذج:
| ترجمة هذه البرمجة | اكواد وبرمجة ليزريل |
|
قراءة البيانات |
Path Model from Homework 7
Observed variables X1 X2 X3 X4 Correlation Matrix 1.00 .60 1.00 0.54 0.58 1.00 .57 0.79 0.79 1.00 Means 0 0 0 0 Standard Deviations 1 1 1 1 Sample Size = 1000 |
| النموذج الهيكلي | X3 = X1 X2
X4 = X2 X3 |
| طلب التأثيرات ومخطط المسار كجزء من النتائج والمخرجات | LISREL OUTPUT EF
Path Diagram End of Problem |
لاحظ بطاقة LISREL OUTPUT. تطلب المعلمة EF من LISREL إعطاء التأثيرات الإجمالية المباشرة وغير المباشرة لكل متغير. جزء من الناتج هو
ومن ثم ، يمكن لـ برنامج LISREL – ليزريل القيام ببعض تحلل التأثيرات التي قمت بها يدويًا. في النماذج المعقدة ، يصعب حساب مثل هذه التحليلات يدويًا. يمكن أن تكون معرفة التأثير الكلي للمتغير مفيدًا ، لأنه يخبرك كم تغيير وحدة واحدة في IV سيغير القيمة المتوقعة لـ DV.
مثال 4: استخدام برنامج LISREL – ليزريل لـ مانوفا Manova
لقد عملنا سابقًا على هذه المشكلة باستخدام SPSS Manova
وهنا يظهر لنا كيفية تقدير برنامج LISREL – ليزريل لهذا النموذج:
| ترجمة هذه الاوامر ( البرنامج ) | اوامر وبرجمة ليزريل | LISREL Program |
|
قراءة البيانات ( او اقرأ في البيانات ) |
مانوفا باستخدام مثال LISREL
المتغيرات المرصودة تعلم Jobexp Income Black مصفوفة الارتباط 1.0000000 -1274659 1.0000000 .8119504 .2895017 1.0000000 -.3721649 -.2294014 -.5019793 1.0000000 انحرافات معيارية 3.9807150 5.0617034 8.9734914 .4004006 يعني 13.16 13.52 27.79.20 حجم العينة 500 |
Manova Using LISREL Example
Observed Variables Educ Jobexp Income Black Correlation Matrix 1.0000000 -.1274659 1.0000000 .8119504 .2895017 1.0000000 -.3721649 -.2294014 -.5019793 1.0000000 Standard Deviations 3.9807150 5.0617034 8.9734914 .4004006 Means 13.16 13.52 27.79 .20 Sample size 500 |
| النموذج الهيكلي. هذه طريقة مختصرة للقول بأن جميع DVs يجب أن تتراجع في كل IVs. إذا كان هناك المزيد من الوريد ، فسنضيفهم فقط إلى اليمين.
لإجراء اختبار عالمي لمعرفة ما إذا كان للون الأسود أي تأثيرات ، قم بتغيير هذا إلى دخل Educ Jobexp = 0 * أسود عندما نقوم بذلك ، نحصل على إحصائية لمربع كاي تساوي 129.6 مع 3 d.f. هذا مهم للغاية ، مما يشير إلى أن اللون الأسود يؤثر على الأقل على واحد من DVs. |
Educ Job Exp الدخل = أسود | Educ Jobexp Income = Black
|
| هذه طريقة مختصرة للقول أنه يجب السماح لجميع المخلفات الداخلية بالانتقال بحرية. يعمل الاختصار لأنه تم ترتيب Educ و Jobexp و Income على التوالي في بيانات الإدخال | دع التغاير الخطأ في التعليم – الدخل يكون مجانيًا | Let the Error Covariances of Educ – Income be
free |
| اطلب مخطط المسار كجزء من النتائج | مخطط المسار
طريقة التقدير: الاحتمالية القصوى نهاية المشكلة |
Path Diagram
Method of Estimation: Maximum Likelihood End of Problem |
مخطط برنامج LISREL – ليزريل هو
تتضمن النتائج والمخرجات ما يلي :
تعليم = – 3.70 * أسود ، Errorvar. = 13.65 ، Rý = 0.14
(0.41) (0.87)
-8.95 15.78
خبرة العمل = – 2.90 * أسود ، Errorvar. = 24.27 ، Rý = 0.053
(0.55) (1.54)
-5.26 15.78
الدخل = – 11.25 * أسود ، Errorvar. = 60.23 ، Rý = 0.25
(0.87) (3.82)
-12.95 15.78
قيم t (-8.95 ، -5.26 ، -12.95) هي الجذور التربيعية لاختبارات Univariate F التي أبلغت عنها Manova (80.06600 ، 27.66301 ، 167.76045) ، وللعلم ان مانوفا Manova ذكرت سابقًا
ملاحظة
تحليل التباين متعدد المتغيرات ( مانوفا ) : يعد تحليل التباين متعدد المتغيرات إجراءً لمقارنة المتوسطات متعددة المتغيرات. كإجراء متعدد المتغيرات ، يتم استخدامه عندما يكون هناك متغيرين تابعين أو أكثر ، وغالبًا ما يتبع ذلك اختبارات الأهمية التي تتضمن متغيرات تابعة فردية بشكل منفصل.
مثال 5: استخدام LISREL لمقارنات المجموعات
لقد عملنا سابقًا على هذه المشكلة باستخدام SPSS (الواجبان المنزليان 5 و 6). و تم إجراء الانحدار المنفصل لـ 225 ذكرًا و 275 أنثى ، وتم تحقيق ما يلي:
إليك كيفية إعداد مشكلة LISREL لإجراء مقارنات متعددة المجموعات:
| الترجمة ( المعنى ) | برنامج ليزريل |
|
اقرأ في بيانات المجموعة 1 |
Group 1: Males
Observed Variables Educ Jobexp Income Correlation Matrix 1 .330 1 .532 .751 1 Standard Deviations 4.47657 5.35450 11.4829 Means 11.2222 14.1111 27.811 Sample Size 225 |
| حدد النموذج الهيكلي للمجموعة 1 | Income = Educ Jobexp
|
|
اقرأ في البيانات الخاصة بالمجموعة 2 |
Group 2: Females
Correlation Matrix 1 -.192 1 .685 -.134 1 Standard Deviations 2.87427 3.73073 6.4094 Means 10.6364 12.3636 21.636 Sample Size 275 |
| بشكل افتراضي ، يقيد LISREL المعلمات (باستثناء الفروق الخارجية والتباينات) لتكون متساوية عبر المجموعات. سيتيح ذلك تغيير المعلمات الهيكلية مجانًا. | Let the path from Educ to Income be free
Let the path from Jobexp to Income be free Let the error variance of Income be free |
| إنشاء مخطط المسار وانهاء العمل | Path Diagram
End of Problem |
مقتطفات من نتائج برنامج LISREL – ليزريل
لاحظ أن أرقام برنامج LISREL – ليزريل هي نفسها التي حصلنا عليها من SPSS ، ولا يتضمن EXCEPT LISREL مصطلحًا للاعتراض.
هذا لأننا لم نخبر البرنامج مطلقًا باستخدام المعلومات حول المتوسطات.
من الشائع إلى حد ما مع نماذج برنامج LISREL – ليزريل فقط تجاهل الوسائل ومعالجة جميع المتغيرات على أنها تتمحور حول متوسط مجموعتها بحيث يكون لها متوسط صفر.
ولكن ، إذا كنت تريد استخدام المتوسطات في التحليل ، فيمكنك ؛ يصبح الأمر أكثر تعقيدًا.
تذكر أيضًا أننا حصلنا على هذه النتائج عندما قمنا بتجميع عينات الذكور والإناث وقمنا بتضمين متغير وهمي للجنس:
هذا ما نحصل عليه في برنامج LISREL – ليزريل عندما نحصر المعلمات لتكون متساوية عبر المجموعات “
أي نتخلص من “دع تباين المسار / الخطأ” يكون عبارات مجانية:
يعطي LISREL – ليزريل نفس التقديرات مثل SPSS ، أي تشغيل نماذج المجموعات المتعددة في LISREL – ليزريل مع المعلمات المقيدة لتكون متساوية يعطي نفس النتيجة مثل تشغيل الانحدار بمتغيرات وهمية لعضوية المجموعة ولكن بدون تفاعلات. أيضا ، تقارير LISREL – ليزريل
الجودة العالمية للإحصاءات الملائمة
درجات الحرية = 3
وظيفة الحد الأدنى من التوافق Chi-Square = 168.09 (P = 0.0)
النظرية العادية المربعات الصغرى الموزونة مربع كاي = 138.45 (P = 0.0)
المعلمة غير المركزية المقدرة (NCP) = 135.45
فاصل الثقة بنسبة 90 بالمائة لـ NCP = (100.59 ؛ 177.73)
تخبرنا قيمة مربع كاي الكبيرة أن واحدًا أو أكثر من المعلمات يختلف بين المجموعتين. هذا هو نفس الاستنتاج الذي توصلنا إليه قبل استخدام اختبارات F التزايدية.
يوفر LISREL – ليزريل وسيلة قوية ومريحة إلى حد ما لفحص الاختلافات الجماعية. بمجرد إعداد النموذج الأساسي ، يمكنك تحرير المعلمات أو تقييدها كما تريد. يوفر LISREL معلومات تشخيصية ، تسمى مؤشرات التعديل ، والتي يمكن أن تساعدك على تحديد قيود المساواة المشبوهة بشكل خاص.
يقول برنامج LISREL – ليزريل في هذه الحالة أن:
بعبارة أخرى ، تقول LISREL أن أكثر قيودنا إشكالية هي القول بأن تأثير تجربة الوظيفة هو نفسه لكل من الرجال والنساء.
هذا يتفق مع ما أظهره تحليلنا السابق، يمكننا ترك هذا المسار حرًا للتنوع عبر المجموعات ثم إعادة تقييم ما إذا كانت هناك حاجة إلى مزيد من التغييرات.
في الواقع ، يمكن لـ LISREL مساعدتك في تحديد تأثيرات التفاعل التي يجب أن تكون في نماذجك وأيها لا ينبغي. فقط كن حذرًا ، لأن الاعتماد على مؤشرات التعديل يشبه إلى حد كبير استخدام الانحدار التدريجي لبناء النماذج الخاصة بك. ولكن ، ستجد أحيانًا أن تغييرًا بسيطًا ومعقولًا نسبيًا سيحدث تحسنًا كبيرًا في نموذجك.
لاحظ أيضًا أنه يمكن استخدام مؤشرات التعديل لتشخيص أي مشكلة في مواصفات النموذج ؛ لا يقتصر الأمر على مقارنات المجموعات المتعددة.
طالع أيضاً: مقدمة في تعلم SPSS
