Structural Equation Modeling

(SEM)
 Ograničenje

 Da li ste nekada čuli za tvrdnju da se na osnovu korelacija

ne može zaključivati o kauzalnim odnosima?
 (a) Da, kao da sam nešto čuo/čula o tome
 (b) Nešto mi poznato zvuči, ali ne vidim kakve to veze ima sa
Pijažeovom teorijom
 (c) Kako da ne pa mi smo napredni studenti
 (d) Ko nije čuo o tome!?
 (e) nešto drugo
 (f) ništa od navedenog
 (g) itd

Zašto na osnovu korelacije ne može da se zaključuje o

kauzalnim odnosima?
 A onda dođe neko...

 Našli smo način da na osnovu korelacija saznamo

nešto o kauzalnim odnosima
 I tako nastade SEM...
 ...sa puno nade i obećanja
 Osnovno o SEM

 Testirati validnost modela koji sadrži kauzalne i

korelacione relacije između latentnih i manifestnih
varijabli
 Ali, ali, ali...
 Ako se testirani model potvrdi to ne znači da je to
jedini model koji može da bude objašnjenje
 Može pronaći pod različitim nazivima

 Analiza strukture kovarijansi (Covariance

Structure Analysis – CSA)
 Kauzalni modeli (Causal Models)
 Simultane jednačine (Simultaneous
Equations)
 Analiza putanja (Path Analysis)
 Konfirmatorna faktorska analiza
(Confirmatory Factor Analysis)
Potpuni model
 Ključni pojmovi

 Manifestne varijable (merene varijable)

 varijable koje su direktno merene preko nekog instrumenta
(npr. upitnik, posmatranje itd.)
 U modelu prikazane kao pravouganik

 Latentne varijable (konstrukti)

 Varijable koje determinišu odgovore ispitanika na
manifestnim varijablama
 varijable koje indirektno merimo preko manifestnih varijabli

 U modelu prikazane kao krug/elipsa

Latentna Manifestna
varijabla varijabla
 Ključni pojmovi

 Egzogene varijable/konstrukti
 U modelu imaju kauzalni uticaj na druge varijable/konstrukte,
ali ni jedna varijabla/konstrukt u modelu nema kauzalni uticaj
na njih
 Endogene varijable/konstrukti
 U modelu na neka druga varijabla/konstrukt vrši kauzalni
uticaj na njih
 Mogu imati, ali ne moraju, kauzalni uticaj na druge varijable
Egzogena Endogena
varijabla varijabla
 Ključni pojmovi

 “Greška”
 Varijansa varijable koja ne može da se objasni drugim
varijablama/konstruktima u modelu
 Delom se radi o varijansi greške (pouzdanost instrumenta)

 Delom se odnosi na varijansu koja je determinisana

varijablama/konstruktima izvan modela
Greška
 Ključni pojmovi

 Model merenja (Measurement Model)

 Odnosi se na relacije između manifestnih varijabli i latentnih
konstrukta
 Koliko su manifestne varijable dobri indikatori latentnih
konstrukata
 Model kauzalnih i kovarijansnih relacija (Path
model)
 Odnosi se na relacije koje postoje između latentnih
varijabli/konstrukata
 Relacije mogu biti kauzalne i kovarijansne
 Model
merenja Model
relacija
(path)
 Ključni pojmovi

 Slobodni parametri
 Parametri koji su definisani kao nepoznati u modelu

 Ovi parametri se procenjuju s ciljem da se pronadje najbolji skup

vrednosti tako da se maksimizuje fitovanje (podešenost) modela
empirijskim podacima
 Ključni pojmovi

 Fiksirani parametri
 Parametri čija vrednost je fiksirana u modelu koji će biti testiran

 U modelu merenja jedan parametar mora biti fiksiran na

vrednost 1
 Fiksiranje parametara treba da bude zasnovano na prethodnim
istraživanjima ili teoriji
 Ekstremni slučaj: fiksirati sve parametre modela (npr. na osnovu
prethodnog istraživanja ili grupi ispitanika) i testirati da li model
sa takvim parametrima fituju dobijene podatke u našem
istraživanju ili drugoj grupi
Slobodni
parametri

Fiksirani
parametar
 Ključni pojmovi

 Ograničeni parametri
 Parametri čiji je opseg ograničen (donja i gornja vrednost)

 Postavljanje ograničenja treba da bude zasnovano na teoriji ili

prethodnim istraživanjima
 Ključni pojmovi
 Startne vrednosti za nefiksirane parametre
 Početni parametri u modelu od kojih startuje iterativni postupak
traganja za skupom parametara koji generišu minimalnu razliku
između predviđene matrice kovarijansi i empirijski dobijene
 Najčešće je praksa da sam program odredi početne vrednosti
pomoću ugrađenog generatora slučajnih vrednosti
 Ako postoji solidna istraživačka osnova bolje je da se definišu
početni parametri
 Ključni pojmovi

 Direktni efekat
 Regresioni koeficijent za direktnu kauzalnu relaciju između dve
varijable/konstrukta
 Indirektan efekat
 Posredni efekat koji jedna varijabla/konstrukt (X) ima na neku
drugu varijablu/konstrukt (Y) preko medijatorske varijable (Z)
Indikretan
efekat

Direktan
efekat
 Opštost SEM

 Potpuni model je generalni model

 Path analiza, regresiona analiza, faktorska analiza
mogu biti tretirani kao specijalni slučajevi SEM
 Path model

1
GPA academic error1

height

1
weight attract error2

rating
Regresiona analiza

knowledge

1
value performance error

satisfaction
Konfirmatorna faktorska analiza

1
visperc err_v
1

1
spatial cubes err_c

1
lozenges err_l

1
paragrap err_p
1

1
verbal sentence err_s

1
wordmean err_w
 Osnovni koraci u proceduri
 Definisati model (merni model i model relacija ili samo model
relacija)
 Na osnovu teorije i hipoteza
 Na osnovu prethodnih istraživanja
 Na osnovu modela i startnih vrednosti za nefiksirane parametre
izračunava se predviđena matrica kovarijansi između
manifestnih varijabli
 Izračunava se distanca između predviđene i empirijski dobijene
matrice
 Iterativnim postupkom se menjaju vrednosti nefiksiranih
parametara dok se ne dobije minimalna distanca između
predviđene i dobijene matrice kovarijansi
 Osnovni koraci u proceduri
 Ako se predviđena matrica ne razlikuje statistički značajno od
dobijene to znači da je definisani model potvrđen, a ako je razlika
statistički značajna onda znači da ne može u potpunosti da
objasni dobijene podatke
 Provera pojedinačnih parametara, njihove značajnosti i visine
 Način upotrebe

 Eksplanativna (konfirmativna) upotreba – kada

postoji teorija ili model zasnovan na prethodnim
istraživanjima
 Poređenje više modela (npr. više modela koje definiše
istraživač ili poređenje našeg modela i modela drugih autora)
 Poređenje više grupa ispitanika (npr. da li isti model važi za
muškarce i žene, različite uzraste itd.)
 Korisno: značajnost razlika parametara u različitim grupama
ili modelima
 Način upotrebe

 Eksplorativna upotreba – kada nemate teoriju ili

prethodna istraživanja
 Nije preporučljivo!
 Ipak može da bude korisno, posebno ako program omogućava
dobijanje podataka koji ukazuju koje modifikacije početnog
modela bi vodile boljem fitovanju (modification index)
 Modification index daje podatak koji parametar bi bio
značajan kada bi se uključio u model kao slobodan, kolika bi
bila njegova vrednost i za koliko bi poboljšao fitovanje
ukupnog modela
 Ako se koristi modification index menjati samo postepeno
jedan po jedan parametar
 Potreban broj ispitanika

 Nažalost potreban je veliki broj ispitanika

 Neki orijentiri:
 Min. 150-200 ispitanika po grupi za jednostavnije modele za
manje parametara
 10 puta više u odnosu na broj parametara (min 5 puta više)
 Nedostajući podaci (missing value)

 Prvo izbaciti ispitanike sa puno nedostajućih

vrednosti
 Kod ostalih proceniti nedostajuće vrednosti
(regresija ili neki od savremenijih modela procene
nedostajućih podataka - EM)
 Neki programi mogu da rade sa nedostajućim
podacima, ali pod određenim uslovima (npr. AMOS
mora se procenjivati prosek i intercept)
 Metoda procenjivanja parametara

 Postoji čitav niz metoda

 ML – maximum likelihood

 GLS – Generalized least squares

 ULS – Unweighted least squares

 Scales-free least squares

 Asymptotically distribution free

 Kako izabrati?
 Najčešće korišćen ML

 Ako poredite sa nekim autorima koji su već radili istraživanja

koristite isti metod
 Osnovne mere fitovanja/podešenosti

 Ili na srpskom “mere podešenosti modela”

 Na nivou modela
 Chi2 - ako nije značajan to znači da model fituje dobro
dobijenim podacima (ali! dati model je jedan od modela koji
mogu da objasne dobijene podatke). Problem: vrlo osetljiv!
 Chi2/df < 2-3 (dobro) < 5 (prihvatljivo)

 Poređenje sa “nezavisnim modelom” i “saturiranim modelom”

 RMR (root mean square residual) – što manji to bolji model,

ali <.05 (ako je do <.10 treba još proveravati)
 RMSEA (root mean square error of approximation)– slično
kao RMR, do .05, tolerisati do .10 (pclose – test nulte hipoteze
da je RMSEA na nivou populacije <.05)
 Mere fitovanja/podešenosti

 Na nivou modela (cont.)

 GFI (The goodness-of-fit index) – prvi indeks koji je
standardizovan. Odgovara na pitanje koji deo opservirane
varijanse može da se objasni modelom (analogija sa R2 u
regresiji). Opseg 0-1, dobro ako je veći od 0.90-0.95
 CFI (Comparative fit index– CFI), procenjuje fitovanje modela
relativno u odnosu na nezavisni model. Opseg 0-1, dobre su
vrednosti preko 0.90-0.95
 Na nivou pojedinačnog parametra
 Značajnost parametra
 Programi

 LISREL (prvo SPSS, sad samostalan program)

www.ssicentral.com/lisrel
 AMOS (prvo samostalan, sad SPSS)
www.spss.com/amos
 EQS www.mvsoft.com/products.htm
 RAMONA (Systat) www.systat.com
 CALIS (SAS)
v8doc.sas.com/sashtml/stat/chap19/sect5.htm