DOI: https://doi.org/10.3389/feduc.2025.1506415
تاريخ النشر: 2025-02-12
المؤلف: Zhenyun Du وآخرون
الموضوع الرئيسي: المنهجيات النفسية والاختبار
نظرة عامة
تناقش هذه القسم تطبيق نمذجة المعادلات الهيكلية (SEM) في أبحاث العلوم الاجتماعية، مع تسليط الضوء على القضايا السائدة التي ت compromise نزاهتها العلمية. يؤكد على أن العديد من الدراسات التي تستخدم SEM تنتهك المبادئ والافتراضات الأساسية، مما يؤدي إلى نتائج مشكوك فيها. يدعو المؤلفون إلى تعديلات على النماذج مدفوعة بالبيانات تكون مبررة جيدًا، بدلاً من التعديلات التعسفية على علاقات المتغيرات.
بالإضافة إلى ذلك، يُلاحظ أن إزالة مؤشرات القياس هي استراتيجية محتملة فعالة لتعزيز ملاءمة النموذج، بينما يجب أن تستند إقامة ارتباطات الخطأ إلى مبررات نظرية. يشدد المؤلفون على أهمية التحقق المتبادل لأي تعديلات على النموذج لتأكيد قوتها عبر مجموعات بيانات مختلفة، مما يعزز صلاحية تطبيقات SEM في البحث.
مقدمة
تسلط المقدمة الضوء على أهمية نمذجة المعادلات الهيكلية (SEM) كأداة إحصائية حيوية في مختلف تخصصات العلوم الاجتماعية، بما في ذلك التعليم، وعلم الاجتماع، وعلم النفس، والاقتصاد. على مدى العقود الأربعة الماضية، اكتسبت SEM زخمًا، كما يتضح من أكثر من 9,000 مقال في المجلات و6,000 أطروحة تم تحديدها في قاعدة بيانات CNKI، مما يعكس تطبيقها الواسع عبر أكثر من 20 مجالًا. تتميز SEM عن الطرق الإحصائية التقليدية مثل ANOVA والانحدار الخطي بقدرتها على معالجة القضايا المعقدة، بما في ذلك إدارة المتغيرات الكامنة وتقييم النماذج متعددة الأوجه، مما يكسبها تصنيفها كأداة إحصائية من الجيل الثاني.
توضح هذه القسم أيضًا مكونات SEM، التي تتكون من نموذج قياس ونموذج هيكلي، حيث يعمل تحليل العوامل التأكيدية (CFA) كنموذج قياس. يعتبر CFA أساسيًا لتصميم الاستبيانات واختبار صلاحية المقياس، ويأتي قبل النموذج الهيكلي في عملية SEM. على الرغم من أهميته، فإن تعقيد مفاهيم SEM يشكل تحديات للباحثين، خاصة فيما يتعلق بالأخطاء الشائعة في CFA، كما هو مذكور في منشورات موثوقة متنوعة. تهدف الورقة إلى توضيح الافتراضات الأساسية والمفاهيم الرئيسية لتعديل النموذج باستخدام CFA كدراسة حالة، مما يوفر إرشادات قيمة للباحثين في هذا المجال.
طرق
في هذا القسم، يصف المؤلفون المنهجية المستخدمة لتقدير وتعديل نموذج القدرة على القراءة باستخدام برنامج AMOS. يتكون النموذج من أربعة عوامل: القدرة على إدراك القراءة (RPA)، القدرة على الفهم التحليلي (UAA)، القدرة على تقييم التقدير (AEA)، والقدرة على الخيال الإبداعي (CIA)، مع إجمالي 18 مؤشرًا ملحوظًا. تم تحليل المتغيرات الترتيبية باستخدام تقدير الاحتمالية القصوى (ML)، وهو الطريقة الافتراضية في نمذجة المعادلات الهيكلية (SEM). أشارت مؤشرات الملاءمة الأولية إلى أن النموذج يحتاج إلى تعديلات، حيث كانت نسبة مربع كاي إلى درجات الحرية ($\chi^2/df = 3.4616$) وغيرها من مؤشرات الملاءمة مثل TLI (0.8810) وCFI (0.8997) أقل من العتبات المقبولة.
لتحسين ملاءمة النموذج، نفذ المؤلفون ثلاث استراتيجيات تعديل: حذف المؤشرات الملحوظة، إقامة الارتباطات (التغاير)، ومزيج من كلاهما. أظهرت النماذج المعدلة، التي تم تعيينها كنموذج A، نموذج B، ونموذج C، مؤشرات ملاءمة محسنة، متجاوزة المعايير المحددة للنموذج الأولي. تم إجراء التعديلات بشكل أساسي كعرض منهجي، مع التركيز على تأثير هذه الاستراتيجيات على مؤشرات الملاءمة، مع التأكيد بشكل خاص على قيم مربع كاي بعد كل تعديل.
مناقشة
في مناقشة نمذجة المعادلات الهيكلية (SEM)، يؤكد المؤلفون على الدور الحاسم لتحليل العوامل التأكيدية (CFA) في ضمان موثوقية وصلاحية نماذج القياس المستمدة من بيانات الاستطلاع. إن نزاهة نموذج القياس أمر بالغ الأهمية، حيث يجب أن يستوفي معايير التحقق قبل استكشاف العلاقات بين المتغيرات الكامنة في النموذج الهيكلي. غالبًا ما تتطلب التحديات مثل جودة المقياس، ومشكلات البيانات، وحجم العينة تعديلات على نموذج CFA لتعزيز جودة القياس، مع الالتزام بمبدأ أحادية الأبعاد، الذي يتطلب أن يحمل كل مؤشر قياس بشكل حصري على عامله المقابل.
يحدد المؤلفون الافتراضات الأساسية لـ SEM، بما في ذلك ضرورة عدم وجود أخطاء مرتبطة بين المتغيرات الكامنة وآثار تعديل النماذج بناءً على مؤشرات التعديل ومصفوفات التغاير المتبقية. يناقشون مختلف مؤشرات ملاءمة النموذج، مثل إحصائية مربع كاي، ومؤشر الملاءمة المقارن (CFI)، وجذر متوسط مربع خطأ التقريب (RMSEA)، والتي تعتبر ضرورية لتقييم ملاءمة النموذج. كما توضح الورقة ثلاث طرق لتعديل النموذج: (1) إزالة مؤشرات القياس، (2) إقامة ارتباطات بين المتغيرات، و(3) مزيج من كلا الاستراتيجيتين. تهدف كل طريقة إلى تحسين ملاءمة النموذج مع الحفاظ على النزاهة النظرية، مما يوضح في النهاية أن النموذج الملائم جيدًا أمر حاسم للتفسير المعنوي لمعايير SEM.
DOI: https://doi.org/10.3389/feduc.2025.1506415
Publication Date: 2025-02-12
Author(s): Zhenyun Du et al.
Primary Topic: Psychometric Methodologies and Testing
Overview
The section discusses the application of structural equation modeling (SEM) in social science research, highlighting prevalent issues that compromise its scientific integrity. It emphasizes that many studies employing SEM violate fundamental principles and assumptions, leading to questionable findings. The authors advocate for data-driven model modifications that are well-justified, rather than arbitrary adjustments to variable relationships.
Additionally, the removal of measurement indicators is noted as a potentially effective strategy for enhancing model fit, while the establishment of error correlations should be grounded in theoretical rationale. The authors stress the importance of cross-validation for any model modifications to confirm their robustness across different datasets, thereby reinforcing the validity of SEM applications in research.
Introduction
The introduction highlights the prominence of Structural Equation Modeling (SEM) as a vital statistical technique in various social science disciplines, including education, sociology, psychology, and economics. Over the past four decades, SEM has gained traction, evidenced by over 9,000 journal articles and 6,000 dissertations identified in the CNKI database, reflecting its extensive application across more than 20 fields. SEM is distinguished from classical statistical methods such as ANOVA and linear regression by its ability to address complex issues, including the management of latent variables and the evaluation of multifaceted models, thus earning its classification as a second-generation statistical technique.
The section further delineates the components of SEM, which comprises both a measurement model and a structural model, with Confirmatory Factor Analysis (CFA) serving as the measurement model. CFA is essential for questionnaire design and scale validity testing, and it precedes the structural model in the SEM process. Despite its significance, the complexity of SEM concepts poses challenges for researchers, particularly regarding common errors in CFA, as noted in various authoritative publications. The paper aims to elucidate the fundamental assumptions and key concepts of model modification using CFA as a case study, providing valuable guidance for researchers in this domain.
Methods
In this section, the authors describe the methodology employed to estimate and modify a reading ability model using AMOS software. The model comprises four factors: Reading Perception Ability (RPA), Understand Analytical Ability (UAA), Appreciation Evaluation Ability (AEA), and Creative Imagination Ability (CIA), with a total of 18 observed indicators. The ordinal variables were analyzed using maximum likelihood (ML) estimation, which is the default method in structural equation modeling (SEM). Initial fit indices indicated that the model required revisions, as the chi-square to degrees of freedom ratio ($\chi^2/df = 3.4616$) and other fit indices such as TLI (0.8810) and CFI (0.8997) fell below acceptable thresholds.
To improve the model fit, the authors implemented three modification strategies: deletion of observed indicators, establishment of correlations (covariance), and a combination of both. The revised models, designated as Model A, Model B, and Model C, demonstrated improved goodness-of-fit indicators, surpassing the standards set for the initial model. The modifications were conducted primarily as a methodological demonstration, focusing on the impact of these strategies on the goodness-of-fit indicators, with particular emphasis on the chi-square values following each modification.
Discussion
In the discussion of structural equation modeling (SEM), the authors emphasize the critical role of Confirmatory Factor Analysis (CFA) in ensuring the reliability and validity of measurement models derived from survey data. The integrity of the measurement model is paramount, as it must meet validation criteria before exploring relationships between latent variables in the structural model. Challenges such as scale quality, data issues, and sample size often necessitate modifications to the CFA model to enhance measurement quality, while adhering to the principle of unidimensionality, which requires that each measurement indicator loads exclusively on its corresponding factor.
The authors outline the assumptions underlying SEM, including the necessity for uncorrelated errors among latent variables and the implications of modifying models based on modification indices and residual covariance matrices. They discuss various model fit indices, such as the chi-square statistic, Comparative Fit Index (CFI), and Root Mean Square Error of Approximation (RMSEA), which are essential for evaluating model fit. The paper also details three model modification methods: (1) removal of measurement indicators, (2) establishing correlations among variables, and (3) a combination of both strategies. Each method aims to improve model fit while maintaining theoretical integrity, ultimately demonstrating that a well-fitting model is crucial for meaningful interpretation of SEM parameters.