စာရင်းအင်းပညာမှာ Path Analysis ဆိုတာဘာလဲ
လမ်းကြောင်းခွဲခြမ်းစိတ်ဖြာခြင်းသည် ကိန်းရှင်များစွာအကြား ဆက်စပ်မှုများကို စနစ်တကျနားလည်ရန်အသုံးပြုသည့် စာရင်းအင်းနည်းပညာတစ်ခုဖြစ်သည်။ ဤနည်းပညာကို လူမှုရေးသုတေသန၊ ပညာရေး၊ စိတ်ပညာ၊ ပြည်သူ့ကျန်းမာရေး၊ စီးပွားရေးနှင့် ရှုပ်ထွေးသောဖြစ်စဉ်များပါဝင်သည့် အခြားနယ်ပယ်များတွင် ကျယ်ကျယ်ပြန့်ပြန့်အသုံးပြုကြသည် - ကိန်းရှင်တစ်ခုသည် အချက်တစ်ခုတည်းဖြင့်သာမက တိုက်ရိုက်နှင့် သွယ်ဝိုက်သော အချက်များစွာက တစ်ပြိုင်နက်တည်း လွှမ်းမိုးမှုရှိသည်။
တစ်ခုတည်းသော မှီခိုကိန်းရှင်အပေါ် လွတ်လပ်သောကိန်းရှင်တစ်ခု သို့မဟုတ် တစ်ခုထက်ပိုသော သက်ရောက်မှုကို ပုံမှန်စစ်ဆေးသည့် ရိုးရှင်းသော ပြန်လည်ဆုတ်ယုတ်မှု ခွဲခြမ်းစိတ်ဖြာမှုနှင့်မတူဘဲ၊ လမ်းကြောင်းခွဲခြမ်းစိတ်ဖြာမှုသည် သုတေသီများအား အပြန်အလှန်ဆက်စပ်နေသော ဆက်ဆံရေးများစွာကို မြေပုံဆွဲနိုင်စေပါသည်။ တစ်နည်းအားဖြင့်ဆိုရသော် လမ်းကြောင်းခွဲခြမ်းစိတ်ဖြာမှုသည် "X သည် Y ကို တိုက်ရိုက်မည်မျှလွှမ်းမိုးသနည်း" နှင့် "X သည် အလယ်အလတ်ကိန်းရှင် Z မှတစ်ဆင့် Y ကို လွှမ်းမိုးပါသလား၊ ၎င်းသည် သွယ်ဝိုက်၍ မည်မျှလွှမ်းမိုးသနည်း" ကဲ့သို့သော မေးခွန်းများကို ဖြေဆိုရန် ကူညီပေးပါသည်။
-
လမ်းကြောင်းခွဲခြမ်းစိတ်ဖြာခြင်း၏ အခြေခံသဘောတရားများ
Path analysis ဆိုသည်မှာ အခြေခံအားဖြင့် multiple linear regression ၏ တိုးချဲ့မှုတစ်ခုဖြစ်သည်။ ဤနည်းစနစ်၏ အနှစ်သာရမှာ variable များအကြား ဆက်နွယ်မှု၏ ဦးတည်ချက်ကို ဖော်ပြသည့် causal model တစ်ခုကို တည်ဆောက်ပြီးနောက် data သည် ထို model ကို support လုပ်ခြင်း ရှိ၊ မရှိ စမ်းသပ်ရန်ဖြစ်သည်။
လမ်းကြောင်းခွဲခြမ်းစိတ်ဖြာမှုပုံစံများတွင်၊ variable များကို ယေဘုယျအားဖြင့် အောက်ပါအတိုင်း ခွဲခြားထားသည်-
၁။ ပြင်ပ ကိန်းရှင်များ
မော်ဒယ်ရှိ အခြားကိန်းရှင်များဖြင့် ရှင်းပြမထားသော “အကြောင်းရင်းဆိုင်ရာ” ကိန်းရှင်တစ်ခု။ ဤကိန်းရှင်သည် ဆက်ဆံရေးစီးဆင်းမှု၏ အစပြုမှတ်ဖြစ်သည်။
၂။ အတွင်းပိုင်း ကိန်းရှင်များ
မော်ဒယ်ရှိ အခြားကိန်းရှင်များ၏ လွှမ်းမိုးမှုခံရသော ကိန်းရှင်တစ်ခု။ အတွင်းဖြစ်ပေါ်သော ကိန်းရှင်များသည် ရလဒ်များ သို့မဟုတ် အလယ်အလတ်ကိန်းရှင်များ ဖြစ်နိုင်သည်။
၃။ ကြားခံ (ကြားခံ) ကိန်းရှင်
ပြင်ပကိန်းရှင်များ၏ အတွင်းပိုင်းကိန်းရှင်များအပေါ် သြဇာလွှမ်းမိုးမှုကို ကြားဝင်ဆောင်ရွက်ပေးသော ကိန်းရှင်တစ်ခု။ ကြားဝင်ဆောင်ရွက်ပေးသူသည် သြဇာလွှမ်းမိုးမှု မည်သို့ သို့မဟုတ် မည်သည့်လမ်းကြောင်းမှတစ်ဆင့် ဖြစ်ပေါ်သည်ကို ရှင်းပြသည်။
၄။ အမှား/ကျန်ရှိနေသော (အမှား)
မော်ဒယ်ရှိ အခြား variable များဖြင့် ရှင်းပြမထားသော endogenous variable တွင် ကွဲလွဲမှု၏ အစိတ်အပိုင်း။ path diagram များတွင် residuals များကို များသောအားဖြင့် "error" မှ endogenous variable သို့ ညွှန်ပြနေသော မြှားများအဖြစ် သရုပ်ဖော်ထားသည်။
လမ်းကြောင်းခွဲခြမ်းစိတ်ဖြာမှုပုံစံများကို များသောအားဖြင့် လမ်းကြောင်းပုံကြမ်းများဖြင့် မြင်ယောင်ပြသလေ့ရှိပြီး ယူဆထားသော အကြောင်းရင်းဆိုင်ရာလွှမ်းမိုးမှုများကို ညွှန်ပြရန် တစ်လမ်းသွားမြှားများ (→) ကို အသုံးပြုသည်။
-
တိုက်ရိုက်နှင့် သွယ်ဝိုက်သော သြဇာလွှမ်းမိုးမှုများ
လမ်းကြောင်းခွဲခြမ်းစိတ်ဖြာမှု၏ အဓိကအားသာချက်မှာ လွှမ်းမိုးမှုများကို အစိတ်အပိုင်းများစွာအဖြစ် ခွဲခြားနိုင်စွမ်းဖြစ်သည်။
- တိုက်ရိုက်အကျိုးသက်ရောက်မှု-
အခြား variable များကို မဖြတ်သန်းဘဲ X ၏ Y အပေါ် အကျိုးသက်ရောက်မှု။
– သွယ်ဝိုက်သော အကျိုးသက်ရောက်မှု-
ကြားခံတစ်ဦးမှတစ်ဆင့် ဖြစ်ပေါ်လာသော X ၏ Y အပေါ် သြဇာလွှမ်းမိုးမှု၊ ဥပမာ X → Z → Y။
– စုစုပေါင်းအကျိုးသက်ရောက်မှု-
တိုက်ရိုက်နှင့် သွယ်ဝိုက်သော သြဇာလွှမ်းမိုးမှုများ၏ ပေါင်းလဒ်။
ရိုးရှင်းသော ဥပမာ-
ဥပမာအားဖြင့်၊ ပညာရေးဆိုင်ရာ သုတေသနသည် စည်းကမ်း (Z) ကို ကြားခံအဖြစ် အသုံးပြု၍ သင်ယူမှု လှုံ့ဆော်မှု (X) သည် အောင်မြင်မှု (Y) အပေါ် အကျိုးသက်ရောက်မှုကို စစ်ဆေးရန် ရည်ရွယ်သည်။ လှုံ့ဆော်မှုသည် အောင်မြင်မှုကို တိုက်ရိုက် တိုးမြှင့်ပေးနိုင်သော်လည်း စည်းကမ်းသည် အောင်မြင်မှုကိုလည်း တိုးမြှင့်ပေးနိုင်ပြီး နောက်ဆုံးတွင် အောင်မြင်မှုကို တိုးမြှင့်ပေးနိုင်သည်။ လမ်းကြောင်း ခွဲခြမ်းစိတ်ဖြာမှုသည် နှစ်မျိုးလုံးကို တိုင်းတာရန် ကူညီပေးသည်။
-
လမ်းကြောင်းခွဲခြမ်းစိတ်ဖြာမှုက ဘာကြောင့်အရေးကြီးတာလဲ။
လေ့လာမှုများစွာတွင်၊ variable များအကြား ဆက်နွယ်မှုသည် ရိုးရှင်းခဲလှသည်။ ဥပမာအားဖြင့်-
– ကျောင်းမူဝါဒများ (X) သည် သင်ကြားမှုအရည်အသွေး (Z) ကို လွှမ်းမိုးပြီး၊ ၎င်းသည် ကျောင်းသားသင်ယူမှုရလဒ်များ (Y) ကို လွှမ်းမိုးသည်။
– လူမှုစီးပွားရေးအဆင့်အတန်း (X) သည် အာဟာရရရှိနိုင်မှု (Z) ကို လွှမ်းမိုးပြီး ၎င်းသည် ကျန်းမာရေးကို သက်ရောက်မှုရှိသည် (Y)။
– အလုပ်စိတ်ကျေနပ်မှု (X) သည် အဖွဲ့အစည်းဆိုင်ရာ ကတိကဝတ် (Z) ကို လွှမ်းမိုးပြီး နောက်ဆုံးတွင် စွမ်းဆောင်ရည် (Y) ကို လွှမ်းမိုးသည်။
သုတေသီများသည် regression တစ်ခုတည်းကိုသာ အသုံးပြုပါက (ဥပမာ၊ X → Y)၊ ရလဒ်များသည် တကယ့်လုပ်ငန်းစဉ်ကို အလွန်အမင်းရိုးရှင်းစေနိုင်သည်။ Path analysis သည် ဆက်နွယ်မှုယန္တရား၏ ပိုမိုလက်တွေ့ကျသောပုံရိပ်ကို ပေးစွမ်းသည်။
-
လမ်းကြောင်းခွဲခြမ်းစိတ်ဖြာမှုတွင် ယူဆချက်များ
အစွမ်းထက်သော်လည်း၊ လမ်းကြောင်းခွဲခြမ်းစိတ်ဖြာမှုတွင် ထည့်သွင်းစဉ်းစားရမည့် ယူဆချက်များရှိသည်-
၁။ ဖြစ်စဉ်ဆိုင်ရာ ဦးတည်ချက်ကို သီအိုရီဖြင့် ဆုံးဖြတ်သည်။
လမ်းကြောင်းခွဲခြမ်းစိတ်ဖြာမှုသည် အကြောင်းရင်းနှင့် အကျိုးဆက်ကို အလိုအလျောက် “ရှာဖွေတွေ့ရှိ” ခြင်းမဟုတ်ပါ။ မြား၏ ဦးတည်ရာကို သီအိုရီဆိုင်ရာအခြေခံ၊ ယုတ္တိဗေဒ သို့မဟုတ် သုတေသနဒီဇိုင်းဖြင့် ဆုံးဖြတ်သည်။
၂။ မျဉ်းဖြောင့်နှင့် နောက်ဆက်တွဲ ဆက်နွယ်မှုများ
မော်ဒယ်ကို ပိုမိုရှုပ်ထွေးအောင် မလုပ်ထားသရွေ့ variable များအကြား ဆက်နွယ်မှုသည် linear ဖြစ်ပြီး ၎င်းတို့၏ အကျိုးသက်ရောက်မှုများသည် additive ဖြစ်သည်ဟု ယေဘုယျအားဖြင့် ယူဆကြသည်။
၃။ မော်ဒယ်သတ်မှတ်ချက် အမှားအယွင်း မရှိပါ။
အရေးကြီးသော ဆက်ဆံရေးများ မပါဝင်ပါက သို့မဟုတ် ဆက်ဆံရေး၏ ဦးတည်ရာ မှားယွင်းပါက ရလဒ်များသည် ဘက်လိုက်နိုင်ပါသည်။
၄။ အကြွင်းအကျန်များ၏ ပုံမှန်ဖြစ်မှုနှင့် လွတ်လပ်မှု (ချဉ်းကပ်မှုပေါ် မူတည်၍)
ခန့်မှန်းချက်လုပ်ထုံးလုပ်နည်းများစွာသည် အကြွင်းအကျန်များ ဖြန့်ဖြူးမှုနှင့်ပတ်သက်သည့် ယူဆချက်အချို့အပေါ် မူတည်သည်။
၅။ ကိန်းရှင်များကို တိုင်းတာခြင်းကို (ဂန္ထဝင်လမ်းကြောင်း ခွဲခြမ်းစိတ်ဖြာမှုတွင်) အမှားအယွင်းကင်းသည်ဟု ယူဆသည်။
ဒါက အရေးကြီးပါတယ်- ရိုးရာလမ်းကြောင်းခွဲခြမ်းစိတ်ဖြာမှုသည် တိုက်ရိုက်တိုင်းတာထားသော variable များ (လေ့လာတွေ့ရှိထားသော variable များ) ကို အသုံးပြုလေ့ရှိသည်။ သင်သည် latent constructs (ဥပမာ၊ အညွှန်းကိန်းများစွာဖြင့် တိုင်းတာထားသော "ကျေနပ်မှု") ကို ထည့်သွင်းလိုပါက SEM (ဖွဲ့စည်းပုံဆိုင်ရာညီမျှခြင်းပုံစံထုတ်ခြင်း) ကို ယေဘုယျအားဖြင့် အသုံးပြုလေ့ရှိသည်။
-
လမ်းကြောင်းခွဲခြမ်းစိတ်ဖြာမှုလုပ်ဆောင်ရန်အဆင့်များ
ယေဘုယျအားဖြင့်၊ လုပ်ငန်းစဉ်တွင် အောက်ပါတို့ပါဝင်သည်-
၁။ သီအိုရီကို အခြေခံ၍ မော်ဒယ်တစ်ခု ရေးဆွဲပါ။
အခြားပြောင်းလဲနေသော ပြောင်းလဲမှုများအပေါ် မည်သည့်ပြောင်းလဲနေသော ပြောင်းလဲမှုများ လွှမ်းမိုးသည်၊ မည်သည့်ပြောင်းလဲနေသော ပြောင်းလဲမှုများသည် ကြားခံများဖြစ်ပြီး မည်သည့်ပြောင်းလဲနေသော ပြောင်းလဲမှုများရလဒ်များဖြစ်သည်ကို ဆုံးဖြတ်ပါ။
၂။ လမ်းကြောင်းပုံကြမ်းတစ်ခု ဖန်တီးပါ
မြှားများဖြင့် ဆက်နွယ်မှုကို မြင်ယောင်ပြီး endogenous variable များအတွက် အကြွင်းအကျန်များကို ဆုံးဖြတ်ပါ။
၃။ ဖွဲ့စည်းပုံဆိုင်ရာညီမျှခြင်း (ဆုတ်ယုတ်မှု) စုစည်းခြင်း
endogenous variable တစ်ခုချင်းစီတွင် ၎င်း၏ကိုယ်ပိုင် regression equation ရှိသည်။ ဥပမာအားဖြင့်-
– Z = b1X + e1
– Y = b2X + b3Z + e2
၄။ လမ်းကြောင်းကိန်းဂဏန်းများကို ခန့်မှန်းခြင်း
လမ်းကြောင်းကိန်းဂဏန်းများသည် ယေဘုယျအားဖြင့် စံသတ်မှတ်ထားသော regression coefficients (beta) များဖြစ်သောကြောင့် လမ်းကြောင်းများတစ်လျှောက် နှိုင်းယှဉ်နိုင်ပါသည်။
၅။ တိုက်ရိုက်၊ သွယ်ဝိုက်နှင့် စုစုပေါင်းသက်ရောက်မှုကို တွက်ချက်ပါ
– တိုက်ရိုက်အကျိုးသက်ရောက်မှု- တိုက်ရိုက်လမ်းကြောင်းကိန်းဂဏန်း (ဥပမာ X → Y = b2)
– သွယ်ဝိုက်အကျိုးသက်ရောက်မှု- လမ်းကြောင်းမြှောက်ခြင်း (ဥပမာ X → Z × Z → Y = b1 × b3)
– စုစုပေါင်းအကျိုးသက်ရောက်မှု- b2 + (b1 × b3)
၆။ မော်ဒယ်သင့်လျော်မှုကို စမ်းသပ်ခြင်း (ရွေးချယ်နိုင်သည်၊ နည်းလမ်းပေါ် မူတည်၍)
SEM နှင့် ပိုမိုနီးကပ်စွာ ချဉ်းကပ်မှုတွင် မော်ဒယ်ကိုက်ညီမှုစမ်းသပ်မှုများကို ပြုလုပ်နိုင်ပါသည်။ stepwise regression ချဉ်းကပ်မှုတွင် အဓိကထားမှုသည် coefficients များနှင့် R² ၏ အရေးပါမှုကို မကြာခဏ အာရုံစိုက်လေ့ရှိသည်။
၇။ အဓိပ္ပာယ်ဖွင့်ဆိုချက်နှင့် အစီရင်ခံခြင်း
မည်သည့်လမ်းကြောင်းများသည် အရေးပါသည်၊ ၎င်းတို့၏လွှမ်းမိုးမှု မည်မျှအရေးပါသည်၊ သီအိုရီနှင့်လက်တွေ့အပေါ် ၎င်းတို့၏သက်ရောက်မှုများကို ရှင်းပြပါ။
-
Path analysis နဲ့ SEM: ဘာကွာခြားချက်ရှိလဲ။
Path analysis ကို SEM ရဲ့ “အစိတ်အပိုင်း” တစ်ခုအဖြစ် မကြာခဏ သတ်မှတ်လေ့ရှိပါတယ်။ ယေဘုယျကွာခြားချက်တွေကတော့ -
– လမ်းကြောင်း ခွဲခြမ်းစိတ်ဖြာခြင်း-
အပြန်အလှန်ဆက်စပ်နေသော နောက်ပြန်ဆုတ်မှုစနစ်နှင့်ဆင်တူသော လေ့လာတွေ့ရှိထားသော ကိန်းရှင်များကို အသုံးပြုခြင်း။ ကိန်းရှင်အားလုံးကို တိုက်ရိုက်တိုင်းတာနိုင်သည့်အခါ သင့်လျော်သည်။
– SEM (ဖွဲ့စည်းပုံဆိုင်ရာ ညီမျှခြင်း မော်ဒယ်လ်)
ပိုမိုကျယ်ပြန့်သည်။ ငုပ်လျှိုးနေသော variable များ၊ တိုင်းတာမှုပုံစံများ (CFA) နှင့် ပိုမိုပြည့်စုံသော မော်ဒယ်ကိုက်ညီမှု အကဲဖြတ်ခြင်းတို့ ပါဝင်နိုင်သည်။
သင့်သုတေသနတွင် အညွှန်းကိန်းများစွာမှတစ်ဆင့် တိုင်းတာထားသော abstract construct တစ်ခုပါဝင်ပါက (ဥပမာ- “ဝန်ဆောင်မှုအရည်အသွေး” ကို မေးခွန်း ၅ ခုပါ မေးခွန်းလွှာဖြင့် တိုင်းတာသည်) SEM သည် များသောအားဖြင့် ပိုမိုသင့်လျော်ပါသည်။
-
ရိုးရှင်းသော အဓိပ္ပာယ်ဖွင့်ဆိုချက် ဥပမာ
ဥပမာအားဖြင့်၊ ခန့်မှန်းချက်ရလဒ်များသည် စံသတ်မှတ်ထားသော ကိန်းဂဏန်းများကို ပေးသည်-
– X → Z = 0,50
– Z → Y = 0,40
– X → Y = 0,20
ဒါကြောင့်:
– X ၏ Y အပေါ် တိုက်ရိုက်အကျိုးသက်ရောက်မှု = 0,20
– X ၏ Y မှ Z အထိ သွယ်ဝိုက်သော အကျိုးသက်ရောက်မှု = 0,50 × 0,40 = 0,20
- X ၏ Y အပေါ် စုစုပေါင်းအကျိုးသက်ရောက်မှု = 0,20 + 0,20 = 0,40
အဓိပ္ပာယ်ဖွင့်ဆိုချက်- လှုံ့ဆော်မှု (X) သည် တိုက်ရိုက်နှင့် စည်းကမ်း (Z) မှတစ်ဆင့် အောင်မြင်မှု (Y) ကို လွှမ်းမိုးပြီး တိုက်ရိုက်နှင့် သွယ်ဝိုက်လမ်းကြောင်းများအတွက် တူညီသောပံ့ပိုးမှုများဖြင့် လွှမ်းမိုးသည်။
-
အားသာချက်များနှင့် ကန့်သတ်ချက်များ
ကောင်းကျိုးများ -
- ရှုပ်ထွေးသော ဆက်နွယ်မှုများကို စနစ်တကျ မြေပုံဆွဲပါ။
– တိုက်ရိုက်နှင့် သွယ်ဝိုက်သော သြဇာလွှမ်းမိုးမှုများကို ခွဲခြားခြင်း (ကြားဝင်ညှိနှိုင်းခြင်း)။
– အလွှာများစွာပါဝင်သော ဖြစ်စဉ်များအတွက် single regression ထက် ပိုမိုအသိပညာပေးနိုင်ပါသည်။
ကီတာဘာတာဆန်:
- သီအိုရီအပေါ် အလွန်အမင်း မှီခိုနေရခြင်း၊ မှားယွင်းသော မော်ဒယ်များသည် မှားယွင်းသော နိဂုံးချုပ်ချက်များကို ဦးတည်စေသည်။
– အထောက်အကူပြု သုတေသနဒီဇိုင်း (ဥပမာ- စမ်းသပ်မှု သို့မဟုတ် ရေရှည်) မပါဘဲ အကြောင်းရင်းဆက်စပ်မှုကို အလိုအလျောက် သက်သေမပြနိုင်ပါ။
– ဂန္ထဝင်လမ်းကြောင်းခွဲခြမ်းစိတ်ဖြာမှုသည် ကိန်းရှင်များတွင် တိုင်းတာမှုအမှားများကို လျစ်လျူရှုထားသည်။
-
ပိတ်
စာရင်းအင်းပညာတွင် လမ်းကြောင်းခွဲခြမ်းစိတ်ဖြာခြင်းသည် ဆက်ဆံရေးစနစ်တစ်ခုအတွင်း ကိန်းရှင်များသည် အချင်းချင်း မည်သို့သြဇာလွှမ်းမိုးသည်ကို နားလည်ရန် အစွမ်းထက်သောချဉ်းကပ်မှုတစ်ခုဖြစ်ပြီး ကြားခံများမှတစ်ဆင့် လွှမ်းမိုးမှု၏ တိုက်ရိုက်နှင့် သွယ်ဝိုက်လမ်းကြောင်းများကို ပုံဖော်ခြင်းလည်း ပါဝင်သည်။ ဤနည်းစနစ်သည် မော်ဒယ်သည် ခိုင်မာသောသီအိုရီနှင့် လုံလောက်သောဒေတာပေါ်တွင် အခြေခံထားလျှင် ရိုးရာဆုတ်ယုတ်မှုထက် ပိုမိုကြွယ်ဝသောရှင်းလင်းချက်များ တည်ဆောက်ရန် သုတေသီများကို ကူညီပေးသည်။
သင်အလိုရှိပါက ကျွန်ုပ်လည်း ကူညီပေးနိုင်ပါသည်- လမ်းကြောင်းပုံဥပမာတစ်ခု ဖန်တီးပါ၊ သင်၏ သုတေသနခေါင်းစဉ်အလိုက် မော်ဒယ်တစ်ခုကို စုစည်းပါ၊ သို့မဟုတ် သင်၏ ဘွဲ့ယူစာတမ်း/စာတမ်းအတွက် ဖော်မြူလာများနှင့် ရလဒ်များကို မည်သို့အစီရင်ခံရမည်ကို အပြည့်အစုံပါဝင်သော “လမ်းကြောင်းခွဲခြမ်းစိတ်ဖြာနည်းလမ်း” အပိုင်းကို ရေးပါ။
