Mis on statistika teekonna analüüs
Teekonnaanalüüs on statistiline meetod, mida kasutatakse mitme muutuja vaheliste põhjuslike seoste struktureeritud mõistmiseks. Seda meetodit kasutatakse laialdaselt sotsiaaluuringutes, hariduses, psühholoogias, rahvatervises, majanduses ja muudes keeruliste nähtustega seotud valdkondades, kus muutujat mõjutab mitte ainult üks tegur, vaid mitu tegurit samaaegselt, nii otseselt kui ka kaudselt.
Erinevalt lihtsast regressioonanalüüsist, mis tavaliselt uurib ühe või mitme sõltumatu muutuja mõju ühele sõltuvale muutujale, võimaldab teekonnaanalüüs teadlastel kaardistada omavahel seotud seoste seeriat. Teisisõnu, teekonnaanalüüs aitab vastata sellistele küsimustele nagu: "Kui palju X mõjutab Y-d otseselt?" ja "Kas X mõjutab Y-d vahemuutuja Z kaudu ja kui palju see mõjutab kaudselt?".
-
Tee analüüsi põhimõisted
Teekonna analüüs on sisuliselt mitmekordse lineaarse regressiooni laiendus. Selle tehnika põhiolemus on luua põhjuslik mudel, mis kirjeldab muutujate vahelise seose suunda, ja seejärel testida, kas andmed toetavad seda mudelit.
Teekonna analüüsi mudelites jagatakse muutujad üldiselt järgmiselt:
1. Eksogeensed muutujad
„Põhjuslik“ muutuja, mida mudeli teised muutujad ei seleta. See muutuja on seosevoo lähtepunkt.
2. Endogeensed muutujad
Muutuja, mida mõjutavad mudeli teised muutujad. Endogeensed muutujad võivad olla tulemusmuutujad või vahemuutujad.
3. Vahendaja (vahendaja) muutuja
Muutuja, mis vahendab eksogeensete muutujate mõju endogeensetele muutujatele. Vahendaja selgitab, kuidas või millise raja kaudu mõju avaldub.
4. Viga/jääk (viga)
Endogeense muutuja variatsiooni osa, mida mudeli teised muutujad ei seleta. Teediagrammides on jäägid tavaliselt kujutatud nooltena, mis osutavad "veast" endogeense muutuja poole.
Teekonnaanalüüsi mudeleid visualiseeritakse tavaliselt teekonnadiagrammidega, kasutades ühesuunalisi nooli (→) eeldatavate põhjuslike mõjude näitamiseks.
-
Otsesed ja kaudsed mõjutused
Teekonnaanalüüsi peamine eelis on võime jagada mõjutused mitmeks komponendiks:
– Otsene mõju:
X mõju Y-le ilma teisi muutujaid läbi vaatamata.
– Kaudne mõju:
X mõju Y-le, mis toimub vahendaja kaudu, näiteks X → Z → Y.
– Kogumõju:
Otseste ja kaudsete mõjude summa.
Lihtne näide:
Näiteks soovib haridusuurija uurida õpimotivatsiooni (X) mõju saavutustele (Y), kusjuures distsipliin (Z) on vahendaja. Motivatsioon võib otseselt saavutusi suurendada, kuid distsipliin võib samuti saavutusi suurendada, suurendades seeläbi lõppkokkuvõttes saavutusi. Teekonna analüüs aitab mõõta mõlemat.
-
Miks on teekonna analüüs oluline?
Paljudes uuringutes on muutujate vaheline seos harva otsekohene. Näiteks:
– Koolipoliitika (X) mõjutab õpetamise kvaliteeti (Z), mis omakorda mõjutab õpilaste õpitulemusi (Y).
– Sotsiaalmajanduslik staatus (X) mõjutab juurdepääsu toitumisele (Z), mis omakorda mõjutab tervist (Y).
– Tööga rahulolu (X) mõjutab organisatsiooni pühendumust (Z) ja lõppkokkuvõttes mõjutab tulemuslikkust (Y).
Kui uurijad kasutavad ainult ühte regressiooni (nt X → Y), võivad tulemused tegelikku protsessi ülelihtsustatult näidata. Teekonna analüüs annab seosemehhanismist realistlikuma pildi.
-
Tee analüüsi eeldused
Kuigi teekonna analüüs on võimas, on sellel eeldused, mida tuleb arvesse võtta:
1. Põhjuslik suund on määratud teooriaga
Teeanalüüs ei "avasta" automaatselt põhjust ja tagajärge. Noole suuna määrab teoreetiline alus, loogika või uurimiskava.
2. Lineaarsed ja aditiivsed seosed
Üldiselt eeldatakse, et muutujate vaheline seos on lineaarne ja nende mõju on aditiivne, välja arvatud juhul, kui mudelit keerulisemaks muudetakse.
3. Mudeli spetsifikatsioonis pole vigu
Kui olulisi seoseid ei kaasata või seose suund on vale, võivad tulemused olla kallutatud.
4. Jääkide normaalsus ja sõltumatus (sõltuvalt lähenemisviisist)
Paljud hindamisprotseduurid tuginevad teatud eeldustele jääkide jaotuse kohta.
5. Muutujate mõõtmisi peetakse veavabadeks (klassikalises teekonnaanalüüsis)
See on oluline: traditsiooniline teekonnaanalüüs kasutab tavaliselt otseselt mõõdetud muutujaid (vaatlusaluseid muutujaid). Kui soovite kaasata varjatud konstruktsioone (näiteks mitme indikaatori abil mõõdetud "rahulolu"), kasutatakse tavaliselt SEM-i (Structural Equation Modeling).
-
Tee analüüsi tegemise sammud
Üldiselt hõlmab protsess järgmist:
1. Sõnastage teoorial põhinev mudel
Määrake, millised muutujad mõjutavad teisi muutujaid, millised on vahendajad ja millised on tulemusnäitajad.
2. Loo teediagramm
Visualiseeri seost nooltega ja määra endogeensete muutujate jäägid.
3. Struktuurivõrrandite koostamine (regressioon)
Igal endogeensel muutujal on tavaliselt oma regressioonivõrrand. Näiteks:
– Z = b1X + e1
– Y = b²X + b³Z + e²
4. Teekoefitsientide hindamine
Teekoefitsiendid on üldiselt standardiseeritud regressioonikoefitsiendid (beeta), et neid saaks teede lõikes võrrelda.
5. Arvutage välja otsene, kaudne ja kogumõju
– Otsene mõju: otsetee koefitsient (nt X → Y = b2)
– Kaudne mõju: teekonna korrutamine (nt X → Z × Z → Y = b1 × b3)
– Koguefekt: b2 + (b1 × b3)
6. Mudeli sobivuse testimine (valikuline, olenevalt meetodist)
SEM-ile lähemal lähenemisel saab teha mudeli sobivusteste. Astmelise regressiooni lähenemisviisis keskendutakse sageli koefitsientide ja R² olulisusele.
7. Tõlgendamine ja aruandlus
Selgitage, millised rajad on olulised, kui oluline on nende mõju ning millised on nende tagajärjed teooriale ja praktikale.
-
Teekonna analüüs vs SEM: mis vahe neil on?
Teekonna analüüsi peetakse sageli SEM-i „osaks“. Üldised erinevused on järgmised:
– Tee analüüs:
Kasutades vaadeldavaid muutujaid, sarnaselt omavahel seotud regressioonisüsteemile. Sobib juhul, kui kõiki muutujaid saab otse mõõta.
– SEM (struktuurivõrrandite modelleerimine):
Laiem; võib hõlmata varjatud muutujaid, mõõtmismudeleid (CFA) ja põhjalikumat mudeli sobivuse hindamist.
Kui teie uuring hõlmab abstraktset konstruktsiooni, mida mõõdetakse mitme näitaja abil (nt „teenuse kvaliteeti” mõõdetakse 5-punktilise küsimustikuga), on SEM tavaliselt sobivam.
-
Lihtsa tõlgendamise näide
Näiteks annavad hindamistulemused standardiseeritud koefitsiendid:
– X → Z = 0,50
– Z → Y = 0,40
– X → Y = 0,20
Seega:
– X otsene mõju Y-le = 0,20
– X kaudne mõju Y-le läbi Z = 0,50 × 0,40 = 0,20
– X kogumõju Y-le = 0,20 + 0,20 = 0,40
Tõlgendus: motivatsioon (X) mõjutab saavutusi (Y) nii otseselt kui ka distsipliini kaudu (Z), kusjuures otsesed ja kaudsed teed mõjutavad võrdselt.
-
Eelised ja piirangud
Eelised:
– Kaardistada keerulisi seoseid süstemaatiliselt.
– Otsese ja kaudse mõju eraldamine (vahendus).
– Mitmekihiliste nähtuste puhul informatiivsem kui ühekordne regressioon.
Piirangud:
– Liigne sõltuvus teooriast; valed mudelid viivad valede järeldusteni.
– Ei tõesta automaatselt põhjuslikku seost ilma toetava uurimiskavandita (nt eksperimentaalne või pikisuunaline).
– Klassikaline teekonnaanalüüs ignoreerib muutujate mõõtmisvigu.
-
Sulgemine
Statistikas on teekonnaanalüüs võimas lähenemisviis muutujate üksteise mõju mõistmiseks seoste süsteemis, sealhulgas otseste ja kaudsete mõjuteede kaardistamiseks vahendajate kaudu. See tehnika aitab teadlastel luua rikkalikumaid seletusi kui traditsiooniline regressioon, eeldusel, et mudel põhineb usaldusväärsel teoorial ja piisavatel andmetel.
Soovi korral saan ka aidata: luua teekonna diagrammi näite, koostada mudeli vastavalt teie uurimisteemale või kirjutada teie lõputöö/dissertatsiooni jaoks osa „teekonna analüüsi meetod“ koos valemite ja tulemuste esitamise juhistega.
