Modelowanie równań strukturalnych (SEM) - przewodnik dla studenta z przykładem

Modelowanie równań strukturalnych (SEM, ang. structural equation modeling) to rodzina metod, która w jednym modelu łączy pomiar cech ukrytych, jak w analizie czynnikowej, z zależnościami między tymi cechami, jak w regresji. Pozwala sprawdzić, czy cała teoria o powiązaniach między zmiennymi pasuje do zebranych danych.

Student sięga po SEM zwykle wtedy, gdy ma kilka kwestionariuszy, każdy z kilkoma pozycjami, i hipotezy w rodzaju „wsparcie wpływa na zaangażowanie przez poczucie skuteczności”. W tym wpisie wyjaśniamy, czym różni się model pomiarowy od strukturalnego, ile osób trzeba zbadać, w czym liczyć (AMOS, lavaan, JASP), jak czytać wyniki na przykładzie liczbowym i jak opisać model w pracy zgodnie z APA 7.

Kiedy modelowanie równań strukturalnych ma sens w pracy dyplomowej

SEM przydaje się, gdy spełnione są trzy warunki. Po pierwsze, masz model teoretyczny z kilkoma zależnościami naraz, a nie jedną hipotezę o różnicy między grupami. Po drugie, zmienne mierzysz skalami złożonymi z kilku pozycji, więc chcesz uwzględnić błąd pomiaru. Po trzecie, próba jest na tyle duża, że model da się wiarygodnie oszacować.

Jeśli masz jedną zmienną zależną i kilka predyktorów policzonych jako sumy lub średnie pozycji, zwykle wystarczy regresja. Jeśli chcesz tylko sprawdzić strukturę kwestionariusza, wystarczy konfirmacyjna analiza czynnikowa. SEM ma przewagę wtedy, gdy łączysz jedno z drugim albo testujesz łańcuch zależności, na przykład mediację z kilkoma zmiennymi ukrytymi.

Model pomiarowy i model strukturalny

Każdy pełny model SEM składa się z dwóch części. Na diagramie zmienne ukryte (latentne) rysuje się jako owale, zmienne obserwowalne, czyli pozycje kwestionariusza, jako prostokąty, a zależności jako strzałki.

Model pomiarowy

Opisuje, jak pozycje kwestionariusza mierzą zmienne ukryte. To w praktyce konfirmacyjna analiza czynnikowa: każda pozycja ładuje jeden czynnik, a część jej zmienności to błąd pomiaru. Ten fragment odpowiada na pytanie, czy narzędzia mierzą to, co mają mierzyć.

Model strukturalny

Opisuje zależności między zmiennymi ukrytymi, tak jak równania regresji. Zmienne, na które w modelu nie wskazuje żadna strzałka, to zmienne egzogeniczne (np. wsparcie społeczne). Zmienne wyjaśniane przez inne to zmienne endogeniczne (np. zaangażowanie). Ponieważ ścieżki łączą czynniki „oczyszczone” z błędu pomiaru, współczynniki w SEM są zwykle wyższe niż w regresji na sumach pozycji.

Model pomiarowy: x_i = λ_i · η + ε_i
Model strukturalny: η_Y = β · η_M + γ · η_X + ζ
η: zmienna ukryta, λ: ładunek, β i γ: współczynniki ścieżek, ε i ζ: błędy

Etapy analizy SEM

1. Specyfikacja: rysujesz model na podstawie teorii i hipotez, zanim zobaczysz wyniki.
2. Identyfikacja: model musi mieć co najmniej zero stopni swobody (liczba wariancji i kowariancji w danych nie mniejsza niż liczba szacowanych parametrów), a każda zmienna ukryta musi mieć ustaloną skalę.
3. Estymacja: najczęściej metodą największej wiarygodności (ML), przy danych nienormalnych jej odporną wersją (MLR), przy pozycjach porządkowych estymatorem WLSMV.
4. Ocena dopasowania: chi-kwadrat, CFI, TLI, RMSEA z przedziałem ufności, SRMR.
5. Modyfikacja: tylko z uzasadnieniem teoretycznym i z opisem w pracy.
6. Interpretacja: standaryzowane ścieżki, R² zmiennych endogenicznych, efekty pośrednie z przedziałami ufności.

Dobrą praktyką jest podejście dwuetapowe: najpierw oceniasz sam model pomiarowy (wszystkie czynniki skorelowane), a dopiero gdy jest poprawny, wprowadzasz ścieżki strukturalne. Jeśli źle dopasowany jest pomiar, żadne przestawianie strzałek między czynnikami tego nie naprawi.

Wymagania co do próby i danych

Pytanie o liczebność próby pada najczęściej. Popularne reguły mówią o co najmniej 200 osobach albo 5-10 osobach na każdy szacowany parametr. Symulacje Wolf i współpracowników (2013) pokazały jednak, że dla typowych modeli potrzeba od 30 do 460 obserwacji, zależnie od liczby pozycji na czynnik, wysokości ładunków i siły efektów. Mniej pozycji i słabsze ładunki oznaczają większą wymaganą próbę. Przed badaniem możesz to oszacować analizą mocy; ogólne zasady opisujemy we wpisie ile respondentów potrzebujesz.

• Co najmniej trzy pozycje na każdy czynnik.
• Rozkład: ML zakłada wielowymiarową normalność. Przy skośnych danych użyj MLR lub bootstrapu, przy pozycjach Likerta z małą liczbą kategorii rozważ WLSMV.
• Braki danych: zamiast usuwać całe ankiety, w SEM stosuje się zwykle estymację FIML, która korzysta ze wszystkich dostępnych odpowiedzi. Więcej o tym w tekście braki danych: jak sobie z nimi radzić.
• Brak skrajnej współliniowości: dwa czynniki skorelowane na poziomie 0,90 i wyżej w praktyce mierzą to samo.

Programy do SEM: AMOS, lavaan, JASP

Składnia lavaan jest krótka. Model z przykładu poniżej zapisuje się tak: WS =~ ws1 + ws2 + ws3, PS =~ ps1 + ps2 + ps3, ZN =~ zn1 + zn2 + zn3, PS ~ a*WS, ZN ~ b*PS + c*WS, posrednie := a*b, a następnie sem(model, data = dane, se = "bootstrap"). JASP i jamovi przyjmują tę samą składnię, więc jeden zapis możesz przenieść między programami.

Modelowanie równań strukturalnych: przykład

Przykładowe dane: 250 studentów wypełniło trzy krótkie skale po trzy pozycje: wsparcie społeczne (WS), poczucie własnej skuteczności w nauce (PS) i zaangażowanie w naukę (ZN). Hipoteza: wsparcie zwiększa poczucie skuteczności, a ono zaangażowanie, czyli PS pośredniczy między WS a ZN. Model oszacowano metodą ML, a przedziały ufności dla ścieżek i efektu pośredniego wyznaczono bootstrapem (1000 prób).

Najpierw model pomiarowy z trzema skorelowanymi czynnikami. Standaryzowane ładunki wynoszą od 0,66 do 0,81 (WS: 0,81, 0,72, 0,66; PS: 0,73, 0,74, 0,67; ZN: 0,78, 0,73, 0,70), a dopasowanie jest dobre. Ponieważ część strukturalna z trzema ścieżkami jest nasycona, pełny model ma dokładnie to samo dopasowanie co model pomiarowy.

Model wyjaśnia 22% wariancji poczucia skuteczności i 39% wariancji zaangażowania.

Skąd 24 stopnie swobody? Dziewięć pozycji daje 9 · 10 / 2 = 45 wariancji i kowariancji w danych. Model szacuje 21 parametrów: 6 wolnych ładunków (pierwszy w każdym czynniku ustalono na 1), 9 wariancji błędów pomiaru, wariancję WS, 2 wariancje reszt (PS i ZN) i 3 ścieżki. Różnica 45 - 21 = 24 to liczba stopni swobody, czyli liczba „ograniczeń”, które model nakłada na dane.

Interpretacja wyników SEM

Dopasowanie oceniasz tak samo jak w CFA. Tu test chi-kwadrat jest nieistotny, CFI i TLI są bliskie 1, RMSEA i SRMR niskie, więc model nie odbiega od danych. Pamiętaj, że dobre dopasowanie nie dowodzi, że model jest jedyny prawdziwy. Model z odwróconymi strzałkami bywa dopasowany równie dobrze, dlatego kierunek zależności musi wynikać z teorii i schematu badania, a nie z SEM.

Ścieżki standaryzowane czytasz jak współczynniki beta w regresji. Wzrost wsparcia o jedno odchylenie standardowe wiąże się ze wzrostem poczucia skuteczności o 0,47 odchylenia. Efekt bezpośredni wsparcia na zaangażowanie (0,11) jest nieistotny, a efekt pośredni (0,27) ma przedział ufności niezawierający zera. Wynik wskazuje więc na mediację: związek wsparcia z zaangażowaniem przebiega głównie przez poczucie skuteczności.

Modele są zagnieżdżone, więc porównujesz je różnicą chi-kwadrat: Δχ²(1) = 1,49, p = 0,222. Usunięcie ścieżki bezpośredniej nie pogarsza istotnie dopasowania, dlatego prostszy model pełnej mediacji jest równie dobrym opisem danych. W pracy możesz przedstawić oba i uzasadnić wybór. O tym, czym mediacja różni się od moderacji, piszemy we wpisie mediacja i moderacja.

Przy danych przekrojowych, zebranych w jednym pomiarze, unikaj słów „wpływa” i „powoduje” w znaczeniu przyczynowym. Bezpieczniej pisać, że model „zakładał”, a wyniki „są zgodne z hipotezą o pośredniczącej roli”.

Jak opisać SEM w pracy (APA 7)

W metodach podaj program i wersję, estymator, sposób ustalenia skali czynników, postępowanie z brakami danych oraz liczbę prób bootstrapowych. W wynikach pokaż najpierw dopasowanie modelu pomiarowego, potem modelu strukturalnego, a na końcu ścieżki. Diagram ze standaryzowanymi współczynnikami jest bardzo czytelny, ale nie zastąpi tabeli z wartościami p i przedziałami ufności.

Model strukturalny wykazał dobre dopasowanie do danych, χ²(24) = 25,23, p = 0,393, CFI = 0,998, TLI = 0,997, RMSEA = 0,014, 90% CI [0,000; 0,054], SRMR = 0,031. Wsparcie społeczne wiązało się dodatnio z poczuciem własnej skuteczności (β = 0,47, p < 0,001), a poczucie skuteczności z zaangażowaniem w naukę (β = 0,57, p < 0,001). Efekt bezpośredni wsparcia na zaangażowanie był nieistotny (β = 0,11, p = 0,279), natomiast efekt pośredni był istotny (β = 0,27, 95% CI [0,15; 0,43]).

Gdy model jest słabo dopasowany

Słabe wskaźniki nie oznaczają, że praca jest stracona, ale trzeba ustalić przyczynę, zanim cokolwiek zmienisz. Przejdź po kolei przez te kroki:

• Sprawdź osobno model pomiarowy. Najczęściej problem tkwi w jednej lub dwóch pozycjach o niskim ładunku albo ładujących dwa czynniki.
• Przejrzyj reszty standaryzowane: duże wartości dla konkretnej pary pozycji pokazują, której zależności model nie odtwarza.
• Sprawdź dane: kody braków wpisane jako liczby (np. 99), odwrócone pozycje bez rekodowania, wartości odstające.
• Rozważ estymator odpowiedni do rozkładu i skali odpowiedzi.
• Dopiero na końcu sięgnij po indeksy modyfikacji i wprowadzaj tylko zmiany, które da się uzasadnić treścią pozycji lub teorią.

Każdą zmianę opisz w pracy razem z wynikiem modelu przed i po modyfikacji. Promotor i recenzent oceniają przejrzystość decyzji, a nie to, czy pierwszy model „wyszedł”.

SEM a regresja i analiza ścieżek

Różnicę między opisem związku a przewidywaniem wyjaśniamy we wpisie korelacja a regresja. Osobną odmianą jest PLS-SEM, popularny w naukach o zarządzaniu: lepiej znosi małe próby, ale opiera się na innych założeniach i innych miarach jakości, więc nie mieszaj jego wskaźników z CFI czy RMSEA.

Typowe błędy w SEM

• Model budowany „pod dane” przez kolejne modyfikacje, a potem opisywany jak test hipotez.
• Pominięcie oceny modelu pomiarowego.
• Raportowanie samych ścieżek bez wskaźników dopasowania i R².
• Efekt pośredni testowany wyłącznie testem Sobela zamiast bootstrapu.
• Język przyczynowy przy danych z jednego pomiaru.
• Zbyt mała próba przy wielu parametrach, co kończy się brakiem zbieżności albo ujemnymi wariancjami.

SEM z pomocą statystyka

Modelowanie równań strukturalnych realizujemy w ścieżce „Statystyk indywidualnie”. W kreatorze wybierasz opcję Statystyk, opisujesz model i dane, a wycena jest bezpłatna. Model liczy statystyk ręcznie, a szczegóły ustalasz z nim przez czat w panelu. Prostsze analizy, np. mediacja i moderacja na sumach skal czy regresja, są dostępne w wyliczeniu automatycznym. Jak wygląda praca nad nietypowymi danymi, opisujemy na stronie opracowanie statystyczne wyników badań.

Najczęstsze pytania

Czym różni się model pomiarowy od strukturalnego?

Model pomiarowy opisuje, jak pozycje kwestionariusza mierzą zmienne ukryte, i odpowiada konfirmacyjnej analizie czynnikowej. Model strukturalny opisuje zależności między samymi zmiennymi ukrytymi, podobnie jak równania regresji. Pełny model SEM łączy obie części.

Ile osób potrzeba do modelowania równań strukturalnych?

Najczęściej przyjmuje się minimum 200 osób, ale wymagana liczba zależy od modelu. Symulacje pokazują zakres od kilkudziesięciu do kilkuset obserwacji: im mniej pozycji na czynnik i im słabsze ładunki, tym więcej osób trzeba zbadać.

Czy SEM można policzyć w SPSS?

Podstawowy SPSS nie ma SEM, potrzebny jest dodatek AMOS. Bezpłatne alternatywy to R z pakietem lavaan, JASP i jamovi z modułem SEMLj.

Czy SEM dowodzi związku przyczynowego?

Nie. Dobre dopasowanie oznacza tylko, że model jest zgodny z danymi. Model z odwróconymi strzałkami może pasować równie dobrze, dlatego kierunek zależności uzasadniasz teorią i schematem badania.

Czym jest efekt pośredni w SEM?

To iloczyn ścieżek prowadzących od zmiennej niezależnej przez mediator do zmiennej zależnej. Jego istotność ocenia się przedziałem ufności z bootstrapu; jeśli przedział nie zawiera zera, efekt pośredni jest istotny.