Etapele Modelării Ecuațiilor Structurale (SEM) cu AMOS

Pentru a deschide fișierul de date de analizat, selectați locația unde fișierul este salvat în fereastra care se deschide cu opțiunea Fișiere de date → Nume fișier din meniul Fișier din fereastra principală AMOS Graphics. Software-ul AMOS poate deschide fișiere de date din SPSS, Excel, MS Access, Lotus și Dbase. Ca alternativă la meniul Fișier, același lucru se poate face făcând clic pe pictograma de pe bara de instrumente. După selectarea fișierului de date, numele fișierului de date și numărul de înregistrări pot fi afișate în fereastra „Fișiere de date”. Mai jos este o captură de ecran care arată numele fișierului de date și numărul de înregistrări.

După cum se vede în Figura 7, fișierul de date numit „Emotion Regulation” constă din 332 de înregistrări.

Un test de normalitate este necesar înainte de definirea ecuațiilor. După selectarea fișierului de date care urmează să fie analizat pe ecranul AMOS Graphics, variabilele observate care trebuie incluse în analize sunt selectate din fereastra „Variabile în setul de date”. Fereastra „Variabile în setul de date” este deschisă cu opțiunea „Lista variabilelor în setul de date” și variabilele sunt transferate la ecranul de lucru din partea dreaptă prin tragere și fixare cu mouse-ul. Statistici descriptive pot fi generate făcând clic pe pictograma relevantă sau prin opțiunea „Proprietăți analiză” accesată prin meniul principal. Valorile minimului și maximului, precum și ale kurtosisului univariat și asimetriei sunt incluse în aceste statistici descriptive. Valorile distanței Mahalanobis sunt furnizate pentru a identifica valorile aberante, care sunt datele cele mai îndepărtate de centru (Byrne, 2001). În fila „Ieșire”, selectați opțiunea „Testul pentru normalitate și valori aberante”.

După această selecție, fereastra se închide. Faceți clic pe „Calculați estimări” sau pe pictograma din meniul „Analiză”. Pentru a vedea rezultatele, faceți clic pe „Text ieșire” în meniul „Vizualizare” sau pe pictograma corespunzătoare. În fereastra „Ieșire AMOS”, faceți clic pe „Evaluarea normalității” pentru a afișa rezultatele. Presupunerea de normalitate este determinată de „Coeficientul lui Mardia” în programul software AMOS. În calcul, se aplică formula p*(p+2), unde p este numărul total de variabile observate (Raykov & Marcoulides, 2008). Datele pot fi considerate multivariat normale dacă coeficientul lui Mardia este mai mic decât valoarea derivată din formulă (Khine, 2013). De exemplu, într-un model cu două variabile observate, coeficientul lui Mardia ar trebui să fie mai mic de opt (Raykov & Marcoulides, 2008). Dacă presupunerea de normalitate nu poate fi îndeplinită, identificarea valorilor aberante și excluderea lor din setul de date poate fi o modalitate alternativă de a asigura această presupunere.

După ce presupunerea de normalitate este îndeplinită, se construiește modelul structural conform ipotezelor de cercetare. Variabila latentă și variabilele ei observate sunt desenate pe spațiul de lucru din partea dreaptă făcând clic pe pictograma din meniul din partea stângă. Variabilele observate sunt selectate din fereastra deschisă făcând clic pe pictogramă și transferate la ecran prin tragere și fixare cu mouse-ul. Variabilele latente sunt reprezentate de elipse, în timp ce variabilele observate sunt reprezentate de dreptunghiuri. Valorile de eroare asociate cu variabilele observate sunt, de asemenea, arătate ca elipse și toate variabilele observate au valori de eroare. Figura de mai jos arată variabila latentă, variabilele observate și valorile de eroare ale acestor variabile observate în fereastra principală AMOS Graphics.

În Figura 8, „Mindfulness” este variabila latentă, „MAAS1” și „MAAS2” sunt variabilele observate, iar „e1” și „e2” sunt valorile erorilor. Conform acestei figuri, Mindful Attention Awareness Scale (MAAS; Brown & Ryan, 2003; Özyeşil et al., 2011), care măsoară mindfulness-ul, constă din două subdimensiuni determinate prin metoda de parcelare: MAAS1 și MAAS2. În conformitate cu numărul de variabile latente utilizate în model, se selectează diagrama cu pictograma corespunzătoare și se copiază cu ajutorul icoanei.

O evaluare a cât de bine variabilele observate reprezintă variabila latentă pe care ar trebui să o măsoare este posibilă prin modelul de măsurare (Gallagher et al., 2008). Pentru a desena modelul de măsurare, variabila latentă și variabilele observate sunt conectate printr-o săgeată unidirecțională. În plus, se trasează covarianța între variabilele latente. Un exemplu de model de măsurare este dat mai jos. Modelul de măsurare din exemplu are două variabile latente și este creat doar în scopuri exemplificative. Cu toate acestea, toate variabilele latente din modelul dvs. vor fi incluse în modelul de măsurare și se va trasa covarianța între toate variabilele latente.

Figura 9 arată modelul de măsurare constând din variabila independentă „Mindfulness”, variabila dependentă „Reglementarea Emoțiilor” și subdimensiunile acestor variabile. După crearea modelului de măsurare, selectați pictograma din meniul din partea stângă a ecranului. În acest ecran, casetele „modificare indici”, „estimări standardizate” și „efecte directe și indirecte” ar trebui bifate. După închiderea ferestrei de proprietăți ale analizei, faceți clic pe pictograma „Calculați Estimări” și executați calculul. Selectați pictograma „Vizualizare Text” de pe bara de instrumente pentru a deschide fișierul de ieșire.

În modelul de măsurare, încărcările factorilor ar trebui examinate primele. În fereastra „Ieșire”, selectați „Estimări” din lista din partea stângă. Cu semnificație statistică, încărcările factorilor standardizate trebuie să fie mai mari de 0,50 și ideal peste 0,70 (Hair et al., 2019). După evaluarea încărcărilor factorilor, potrivirea generală a modelului trebuie examinată prin indicii de bunătate a potrivirii, date sub rubrica „Model Fit”. Criteriile de tăiere ale indicilor de potrivire recomandate de Schermelleh-Engel și colab. (2003) sunt prezentate în tabelul 1.

Mai jos este o mostră ieșire imagine cu indici de potrivire.

Când criteriile indicilor de potrivire din Tabelul 1 sunt comparate cu valorile obținute, GFI = .978, AGFI = .944, NFI = .975 și TLI = .973 se încadrează printre criteriile de „potrivire bună”. Indicii de bunătate a potrivirii ai modelului de măsurare sunt de așteptat să fie în intervalul criteriilor de potrivire bună sau acceptabilă. Modelul structural trebuie testat după evaluarea indicilor de bunătate a potrivirii ai modelului de măsurare.

După desenarea diagramei, variabilele endogene și exogene ar trebui să fie conectate între ele cu o săgeată unidirecțională. Erorile variabilelor endogene sunt incluse în model făcând clic pe variabilă cu pictograma „Adăugați o variabilă unică la o variabilă existentă”. Selectați Pluginuri → Nume neobservate variabile pentru a le numi (dacă nu se face denumirea, va apărea un avertisment pe parcursul fazei de analiză). Mai jos este prezentat un exemplu de model structural.

Una dintre ipotezele modelului structural de ecuație prezentat în Figura 11 este „Legătura dintre conștientizarea părinților și reglementarea emoțiilor copiilor lor este mediată de mindfulness-ul în căsătorie.” Bazat pe această ipoteză, sănătatea mintală a părinților prezice mindfulness-ul în căsătorie, iar mindfulness-ul în căsătorie prezice reglementarea emoțiilor copiilor. Astfel, se poate spune că sănătatea mintală a părinților prezice reglementarea emoțiilor copiilor prin mindfulness-ul în căsătorie. Dacă încercați să analizați modelul structural din figură, veți vedea un avertisment despre neincluderea termenilor de eroare. Prin urmare, adăugarea unui termen de eroare la variabilele endogene (dependente) este importantă.

Odată ce modelul structural este finalizat, urmează etapele de testare a modelului de măsurare descrise anterior. În primul rând, trebuie examinat dacă estimările parametrilor sunt semnificative din punct de vedere statistic. În fereastra „Ieșire”, selectați „Estimări” din lista din stânga. Efectele directe, indirecte și totale pot fi observate pe ecranul care se deschide după selecție. Coeficienții de cale semnificativi sunt importanți pentru potrivirea generală a modelului (Baron & Kenny, 1986). Coeficientul de regresie ar trebui verificat pentru semnificația coeficienților de cale. Pentru a examina dacă aceste valori sunt semnificative sau nu, p-valoarea fiecăruia dintre ele ar trebui verificată. Dacă această valoare este mai mică de 0.05, se poate spune că coeficientul de cale este semnificativ. Mai jos este o imagine de ieșire exemplificativă care arată coeficienții de regresie și coeficienții de regresie standardizați.

În Figura 12, în primul rând, dacă coeficienții de cale sunt semnificativi sau nu în „Tabelul de Regressie” ar trebui examinat. „Tabelul de Regressie Standardizată” ar trebui examinat pentru coeficienții de cale. În timp ce este de dorit ca toate căile din model să fie semnificative, nesemnificativitatea căii între variabila dependentă și variabila independentă nu este văzută ca o problemă, deoarece reflectă puterea variabilei mediatoare în relație. După evaluarea semnificației coeficienților de cale, indicii de bunătate a potrivirii, sub rubrica „Model Fit” în fișierele de ieșire, sunt examinați și evaluați în conformitate cu criteriile de tăiere ale indicilor de potrivire. Modelele cu cel mai bun potrivire pentru date sunt indicate de indicii de bunătate a potrivirii (Smith & McMillan, 2001). Indicii de bunătate a potrivirii sunt evaluați în cadrul criteriilor de tăiere recomandate de Schermelleh-Engel și colab. (2003) și prezentate în Tabelul 1. Ca urmare a acestor evaluări, modelul structural este acceptat, respins sau modificat.

După examinarea indicilor de potrivire, se pot face modificări ale modelului pentru o mai bună potrivire a modelului. Modificările sunt sugerate de indicii de modificare. Cu toate acestea, trebuie avută grijă când se realizează modificări și fiecare modificare a modelului ar trebui să se bazeze pe o fundație teoretică. Astfel, cercetătorul ar trebui să explice de ce a fost făcută schimbarea și dacă aceasta este teoretic semnificativă pentru model (Schreiber et al., 2006).

Dat fiind că valoarea chi-pătrat cu un singur grad de libertate este 3,84 (Whittaker, 2012), 4 este folosită ca valoare de tăiere pentru indicii de modificare. Dacă nu există indicii de modificare ca urmare a analizei, nicio valoare nu depășește valoarea de tăiere. Mai jos este o imagine de ieșire cu indicii de modificare sugerați după testarea modelului.

În imaginea de mai sus, indicele de modificare între valorile erorii e1 și e5 este calculat ca fiind 4,123. Astfel, se recomandă să desenați covarianța între aceste două valori ale erorii și să retestați modelul. Odată ce modificările au fost evaluate teoretic (modificările ar trebui să fie teoretic fundamentate) și implementate, modelul trebuie testat din nou. Dacă se obțin indici de potrivire buni sau acceptabili după retestare, modelul este acceptat; în caz contrar, modelul ar trebui modificat din nou, dacă este posibil. Procesul de modificare continuă până când nu mai pot fi făcute modificări și modelul este acceptat sau respins conform indicilor de potrivire obținuți datorită acestor modificări.

Ultimul pas al Modelării Ecuațiilor Structurale este de a determina validitatea modelului. Una dintre cele mai uzuale metode folosite pentru a determina validitatea modelului structural este metoda „Bootstrapping”. Procesul de bootstrapping constă în reeșantionarea datelor originale (Scharkow, 2017). Folosind această strategie, putem testa validitatea modelului pe eșantioane mai mari. Pentru a efectua bootstrapping, se deschide meniul „Proprietăți analiză” și se selectează secțiunea „Efecte indirecte, directe și totale”. În fila „Bootstrap”, se selectează opțiunile „Perform Bootstrap”, „Bias-Corrected Confidence Intervals” și „Bootstrap ML”. Introduceți un număr între 500 și 1000 pentru opțiunea „Numărul de eșantioane bootstrap” (Cheung & Lau, 2008). Acest număr reprezintă numărul de reeșantionări ale modelului dvs. Introduceți 95 pentru opțiunea „Nivel de încredere BC”. Astfel, analiza se efectuează cu un interval de încredere de 95%. După ce toate aceste setări sunt finalizate, faceți clic pe „Calculați Estimări” și obțineți rezultatele. Mai jos este prezentată o captură de ecran a meniului „Proprietăți analiză”.

„Standardized Indirect Effect” din fila „Output” arată efectul indirect al variabilelor independente asupra variabilei dependente. Semnificația acestui efect este determinată prin examinarea limitelor inferioare și superioare ale intervalului de încredere. Pentru aceasta, numărul dintre variabila independentă și variabila dependentă ar trebui să fie verificat în tabelele „Lower Limit” și „Upper Limit” sub fila „Standardized Indirect Effect”. Aceste numere reprezintă limitele inferioare și superioare ale intervalului de încredere. Hayes (2022) a declarat că un efect indirect este semnificativ dacă nu este zero între limitele inferioare și superioare ale intervalului de încredere (de exemplu, limita inferioară este -0,470 iar limita superioară este -0,102). Mai jos este prezentată o captură de ecran care arată limitele inferioare și superioare în tabel.

În Figura 15, deoarece variabila noastră independentă este „Mindfulness” și variabila noastră dependentă este „Reglementarea Emoțiilor”, atunci când ne uităm la limitele inferioare (-0,470) și superioare (-0,102) ale intervalului de încredere între aceste două variabile, observăm că nu există zero între ele. Astfel, ca urmare a bootstrapping-ului, efectul indirect în modelul structural este semnificativ la un interval de încredere de 95%. În final, toate analizele realizate în cadrul modelării ecuațiilor structurale ar trebui raportate.