ਅੰਕੜਿਆਂ ਵਿੱਚ ਪਾਥ ਵਿਸ਼ਲੇਸ਼ਣ ਕੀ ਹੈ?
ਪਾਥ ਵਿਸ਼ਲੇਸ਼ਣ ਇੱਕ ਅੰਕੜਾ ਤਕਨੀਕ ਹੈ ਜੋ ਕਈ ਵੇਰੀਏਬਲਾਂ ਵਿਚਕਾਰ ਕਾਰਕ ਸਬੰਧਾਂ ਨੂੰ ਇੱਕ ਸੰਰਚਿਤ ਢੰਗ ਨਾਲ ਸਮਝਣ ਲਈ ਵਰਤੀ ਜਾਂਦੀ ਹੈ। ਇਹ ਤਕਨੀਕ ਸਮਾਜਿਕ ਖੋਜ, ਸਿੱਖਿਆ, ਮਨੋਵਿਗਿਆਨ, ਜਨਤਕ ਸਿਹਤ, ਅਰਥਸ਼ਾਸਤਰ, ਅਤੇ ਗੁੰਝਲਦਾਰ ਘਟਨਾਵਾਂ ਨਾਲ ਜੁੜੇ ਹੋਰ ਖੇਤਰਾਂ ਵਿੱਚ ਵਿਆਪਕ ਤੌਰ 'ਤੇ ਵਰਤੀ ਜਾਂਦੀ ਹੈ - ਜਿੱਥੇ ਇੱਕ ਵੇਰੀਏਬਲ ਨਾ ਸਿਰਫ਼ ਇੱਕ ਕਾਰਕ ਦੁਆਰਾ ਪ੍ਰਭਾਵਿਤ ਹੁੰਦਾ ਹੈ, ਸਗੋਂ ਕਈ ਕਾਰਕਾਂ ਦੁਆਰਾ ਇੱਕੋ ਸਮੇਂ, ਸਿੱਧੇ ਅਤੇ ਅਸਿੱਧੇ ਤੌਰ 'ਤੇ ਪ੍ਰਭਾਵਿਤ ਹੁੰਦਾ ਹੈ।
ਸਧਾਰਨ ਰਿਗਰੈਸ਼ਨ ਵਿਸ਼ਲੇਸ਼ਣ ਦੇ ਉਲਟ, ਜੋ ਆਮ ਤੌਰ 'ਤੇ ਇੱਕ ਜਾਂ ਇੱਕ ਤੋਂ ਵੱਧ ਸੁਤੰਤਰ ਵੇਰੀਏਬਲਾਂ ਦੇ ਇੱਕ ਸਿੰਗਲ ਨਿਰਭਰ ਵੇਰੀਏਬਲ 'ਤੇ ਪ੍ਰਭਾਵ ਦੀ ਜਾਂਚ ਕਰਦਾ ਹੈ, ਪਾਥ ਵਿਸ਼ਲੇਸ਼ਣ ਖੋਜਕਰਤਾਵਾਂ ਨੂੰ ਆਪਸੀ ਸਬੰਧਾਂ ਦੀ ਇੱਕ ਲੜੀ ਨੂੰ ਮੈਪ ਕਰਨ ਦੀ ਆਗਿਆ ਦਿੰਦਾ ਹੈ। ਦੂਜੇ ਸ਼ਬਦਾਂ ਵਿੱਚ, ਪਾਥ ਵਿਸ਼ਲੇਸ਼ਣ ਸਵਾਲਾਂ ਦੇ ਜਵਾਬ ਦੇਣ ਵਿੱਚ ਮਦਦ ਕਰਦਾ ਹੈ ਜਿਵੇਂ ਕਿ: "X ਸਿੱਧੇ ਤੌਰ 'ਤੇ Y ਨੂੰ ਕਿੰਨਾ ਪ੍ਰਭਾਵਿਤ ਕਰਦਾ ਹੈ?" ਅਤੇ "ਕੀ X ਵਿਚਕਾਰਲੇ ਵੇਰੀਏਬਲ Z ਰਾਹੀਂ Y ਨੂੰ ਪ੍ਰਭਾਵਿਤ ਕਰਦਾ ਹੈ, ਅਤੇ ਇਹ ਅਸਿੱਧੇ ਤੌਰ 'ਤੇ ਕਿੰਨਾ ਪ੍ਰਭਾਵਿਤ ਕਰਦਾ ਹੈ?"
-
ਮਾਰਗ ਵਿਸ਼ਲੇਸ਼ਣ ਦੀਆਂ ਮੂਲ ਧਾਰਨਾਵਾਂ
ਪਾਥ ਵਿਸ਼ਲੇਸ਼ਣ ਅਸਲ ਵਿੱਚ ਮਲਟੀਪਲ ਲੀਨੀਅਰ ਰਿਗਰੈਸ਼ਨ ਦਾ ਇੱਕ ਵਿਸਥਾਰ ਹੈ। ਇਸ ਤਕਨੀਕ ਦਾ ਸਾਰ ਇੱਕ ਕਾਰਕ ਮਾਡਲ ਬਣਾਉਣਾ ਹੈ ਜੋ ਵੇਰੀਏਬਲਾਂ ਵਿਚਕਾਰ ਸਬੰਧ ਦੀ ਦਿਸ਼ਾ ਦਾ ਵਰਣਨ ਕਰਦਾ ਹੈ, ਫਿਰ ਜਾਂਚ ਕਰੋ ਕਿ ਕੀ ਡੇਟਾ ਉਸ ਮਾਡਲ ਦਾ ਸਮਰਥਨ ਕਰਦਾ ਹੈ।
ਪਾਥ ਵਿਸ਼ਲੇਸ਼ਣ ਮਾਡਲਾਂ ਵਿੱਚ, ਵੇਰੀਏਬਲ ਆਮ ਤੌਰ 'ਤੇ ਇਹਨਾਂ ਵਿੱਚ ਵੰਡੇ ਜਾਂਦੇ ਹਨ:
1. ਬਾਹਰੀ ਵੇਰੀਏਬਲ
ਇੱਕ "ਕਾਰਨ" ਵੇਰੀਏਬਲ ਜਿਸਨੂੰ ਮਾਡਲ ਵਿੱਚ ਹੋਰ ਵੇਰੀਏਬਲਾਂ ਦੁਆਰਾ ਸਮਝਾਇਆ ਨਹੀਂ ਗਿਆ ਹੈ। ਇਹ ਵੇਰੀਏਬਲ ਸਬੰਧ ਪ੍ਰਵਾਹ ਦਾ ਸ਼ੁਰੂਆਤੀ ਬਿੰਦੂ ਹੈ।
2. ਐਂਡੋਜੇਨਸ ਵੇਰੀਏਬਲ
ਇੱਕ ਵੇਰੀਏਬਲ ਜੋ ਮਾਡਲ ਵਿੱਚ ਹੋਰ ਵੇਰੀਏਬਲਾਂ ਦੁਆਰਾ ਪ੍ਰਭਾਵਿਤ ਹੁੰਦਾ ਹੈ। ਐਂਡੋਜੇਨਸ ਵੇਰੀਏਬਲ ਨਤੀਜੇ ਜਾਂ ਵਿਚੋਲੇ ਵੇਰੀਏਬਲ ਹੋ ਸਕਦੇ ਹਨ।
3. ਵਿਚੋਲਾ (ਵਿਚੋਲਾ) ਵੇਰੀਏਬਲ
ਇੱਕ ਵੇਰੀਏਬਲ ਜੋ ਬਾਹਰੀ ਵੇਰੀਏਬਲਾਂ ਦੇ ਐਂਡੋਜੇਨਸ ਵੇਰੀਏਬਲਾਂ 'ਤੇ ਪ੍ਰਭਾਵ ਨੂੰ ਮੱਧਮ ਕਰਦਾ ਹੈ। ਇੱਕ ਵਿਚੋਲਾ ਦੱਸਦਾ ਹੈ ਕਿ ਪ੍ਰਭਾਵ ਕਿਵੇਂ ਜਾਂ ਕਿਸ ਰਸਤੇ ਰਾਹੀਂ ਹੁੰਦਾ ਹੈ।
4. ਗਲਤੀ/ਬਕਾਇਆ (ਗਲਤੀ)
ਇੱਕ ਐਂਡੋਜੇਨਸ ਵੇਰੀਏਬਲ ਵਿੱਚ ਪਰਿਵਰਤਨ ਦਾ ਉਹ ਹਿੱਸਾ ਜਿਸਨੂੰ ਮਾਡਲ ਵਿੱਚ ਹੋਰ ਵੇਰੀਏਬਲਾਂ ਦੁਆਰਾ ਸਮਝਾਇਆ ਨਹੀਂ ਜਾਂਦਾ ਹੈ। ਪਾਥ ਡਾਇਗ੍ਰਾਮਾਂ ਵਿੱਚ, ਅਵਸ਼ੇਸ਼ਾਂ ਨੂੰ ਆਮ ਤੌਰ 'ਤੇ "ਗਲਤੀ" ਤੋਂ ਐਂਡੋਜੇਨਸ ਵੇਰੀਏਬਲ ਵੱਲ ਇਸ਼ਾਰਾ ਕਰਦੇ ਤੀਰਾਂ ਵਜੋਂ ਦਰਸਾਇਆ ਜਾਂਦਾ ਹੈ।
ਪਾਥ ਵਿਸ਼ਲੇਸ਼ਣ ਮਾਡਲਾਂ ਨੂੰ ਆਮ ਤੌਰ 'ਤੇ ਪਾਥ ਡਾਇਗ੍ਰਾਮਾਂ ਨਾਲ ਵਿਜ਼ੂਅਲਾਈਜ਼ ਕੀਤਾ ਜਾਂਦਾ ਹੈ, ਜੋ ਕਿ ਮੰਨੇ ਗਏ ਕਾਰਕ ਪ੍ਰਭਾਵਾਂ ਨੂੰ ਦਰਸਾਉਣ ਲਈ ਇੱਕ-ਪਾਸੜ ਤੀਰਾਂ (→) ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹਨ।
-
ਸਿੱਧੇ ਅਤੇ ਅਸਿੱਧੇ ਪ੍ਰਭਾਵ
ਮਾਰਗ ਵਿਸ਼ਲੇਸ਼ਣ ਦਾ ਮੁੱਖ ਫਾਇਦਾ ਪ੍ਰਭਾਵਾਂ ਨੂੰ ਕਈ ਹਿੱਸਿਆਂ ਵਿੱਚ ਵੱਖ ਕਰਨ ਦੀ ਯੋਗਤਾ ਹੈ:
- ਸਿੱਧਾ ਪ੍ਰਭਾਵ:
ਹੋਰ ਵੇਰੀਏਬਲਾਂ ਵਿੱਚੋਂ ਲੰਘੇ ਬਿਨਾਂ Y ਉੱਤੇ X ਦਾ ਪ੍ਰਭਾਵ।
- ਅਸਿੱਧਾ ਪ੍ਰਭਾਵ:
Y ਉੱਤੇ X ਦਾ ਪ੍ਰਭਾਵ ਜੋ ਇੱਕ ਵਿਚੋਲੇ ਰਾਹੀਂ ਹੁੰਦਾ ਹੈ, ਉਦਾਹਰਨ ਲਈ X → Z → Y।
- ਕੁੱਲ ਪ੍ਰਭਾਵ:
ਸਿੱਧੇ ਅਤੇ ਅਸਿੱਧੇ ਪ੍ਰਭਾਵਾਂ ਦਾ ਜੋੜ।
ਸਧਾਰਨ ਉਦਾਹਰਣ:
ਉਦਾਹਰਨ ਲਈ, ਇੱਕ ਵਿਦਿਅਕ ਖੋਜਕਰਤਾ ਅਨੁਸ਼ਾਸਨ (Z) ਨੂੰ ਵਿਚੋਲੇ ਵਜੋਂ ਵਰਤ ਕੇ, ਪ੍ਰਾਪਤੀ (Y) 'ਤੇ ਸਿੱਖਣ ਦੀ ਪ੍ਰੇਰਣਾ (X) ਦੇ ਪ੍ਰਭਾਵ ਦੀ ਜਾਂਚ ਕਰਨਾ ਚਾਹੁੰਦਾ ਹੈ। ਪ੍ਰੇਰਣਾ ਸਿੱਧੇ ਤੌਰ 'ਤੇ ਪ੍ਰਾਪਤੀ ਨੂੰ ਵਧਾ ਸਕਦੀ ਹੈ, ਪਰ ਅਨੁਸ਼ਾਸਨ ਪ੍ਰਾਪਤੀ ਨੂੰ ਵੀ ਵਧਾ ਸਕਦਾ ਹੈ, ਅੰਤ ਵਿੱਚ ਪ੍ਰਾਪਤੀ ਨੂੰ ਵਧਾ ਸਕਦਾ ਹੈ। ਮਾਰਗ ਵਿਸ਼ਲੇਸ਼ਣ ਦੋਵਾਂ ਨੂੰ ਮਾਪਣ ਵਿੱਚ ਮਦਦ ਕਰਦਾ ਹੈ।
-
ਮਾਰਗ ਵਿਸ਼ਲੇਸ਼ਣ ਮਹੱਤਵਪੂਰਨ ਕਿਉਂ ਹੈ?
ਬਹੁਤ ਸਾਰੇ ਅਧਿਐਨਾਂ ਵਿੱਚ, ਵੇਰੀਏਬਲਾਂ ਵਿਚਕਾਰ ਸਬੰਧ ਬਹੁਤ ਘੱਟ ਹੀ ਸਿੱਧਾ ਹੁੰਦਾ ਹੈ। ਉਦਾਹਰਣ ਵਜੋਂ:
– ਸਕੂਲ ਨੀਤੀਆਂ (X) ਅਧਿਆਪਨ ਦੀ ਗੁਣਵੱਤਾ (Z) ਨੂੰ ਪ੍ਰਭਾਵਤ ਕਰਦੀਆਂ ਹਨ, ਜੋ ਫਿਰ ਵਿਦਿਆਰਥੀਆਂ ਦੇ ਸਿੱਖਣ ਦੇ ਨਤੀਜਿਆਂ (Y) ਨੂੰ ਪ੍ਰਭਾਵਤ ਕਰਦੀਆਂ ਹਨ।
– ਸਮਾਜਿਕ-ਆਰਥਿਕ ਸਥਿਤੀ (X) ਪੋਸ਼ਣ ਤੱਕ ਪਹੁੰਚ (Z) ਨੂੰ ਪ੍ਰਭਾਵਿਤ ਕਰਦੀ ਹੈ, ਜੋ ਫਿਰ ਸਿਹਤ (Y) ਨੂੰ ਪ੍ਰਭਾਵਿਤ ਕਰਦੀ ਹੈ।
- ਨੌਕਰੀ ਦੀ ਸੰਤੁਸ਼ਟੀ (X) ਸੰਗਠਨਾਤਮਕ ਵਚਨਬੱਧਤਾ (Z) ਨੂੰ ਪ੍ਰਭਾਵਿਤ ਕਰਦੀ ਹੈ ਅਤੇ ਅੰਤ ਵਿੱਚ ਪ੍ਰਦਰਸ਼ਨ (Y) ਨੂੰ ਪ੍ਰਭਾਵਿਤ ਕਰਦੀ ਹੈ।
ਜੇਕਰ ਖੋਜਕਰਤਾ ਸਿਰਫ਼ ਇੱਕ ਰਿਗਰੈਸ਼ਨ (ਜਿਵੇਂ ਕਿ, X → Y) ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹਨ, ਤਾਂ ਨਤੀਜੇ ਅਸਲ ਪ੍ਰਕਿਰਿਆ ਨੂੰ ਬਹੁਤ ਜ਼ਿਆਦਾ ਸਰਲ ਬਣਾ ਸਕਦੇ ਹਨ। ਮਾਰਗ ਵਿਸ਼ਲੇਸ਼ਣ ਸਬੰਧ ਵਿਧੀ ਦੀ ਇੱਕ ਵਧੇਰੇ ਯਥਾਰਥਵਾਦੀ ਤਸਵੀਰ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ।
-
ਮਾਰਗ ਵਿਸ਼ਲੇਸ਼ਣ ਵਿੱਚ ਧਾਰਨਾਵਾਂ
ਭਾਵੇਂ ਸ਼ਕਤੀਸ਼ਾਲੀ, ਮਾਰਗ ਵਿਸ਼ਲੇਸ਼ਣ ਵਿੱਚ ਅਜਿਹੀਆਂ ਧਾਰਨਾਵਾਂ ਹਨ ਜਿਨ੍ਹਾਂ 'ਤੇ ਵਿਚਾਰ ਕੀਤਾ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ:
1. ਕਾਰਣ ਦਿਸ਼ਾ ਸਿਧਾਂਤ ਦੁਆਰਾ ਨਿਰਧਾਰਤ ਕੀਤੀ ਜਾਂਦੀ ਹੈ
ਮਾਰਗ ਵਿਸ਼ਲੇਸ਼ਣ ਆਪਣੇ ਆਪ ਕਾਰਨ ਅਤੇ ਪ੍ਰਭਾਵ ਨੂੰ "ਖੋਜ" ਨਹੀਂ ਕਰਦਾ। ਤੀਰ ਦੀ ਦਿਸ਼ਾ ਸਿਧਾਂਤਕ ਆਧਾਰ, ਤਰਕ, ਜਾਂ ਖੋਜ ਡਿਜ਼ਾਈਨ ਦੁਆਰਾ ਨਿਰਧਾਰਤ ਕੀਤੀ ਜਾਂਦੀ ਹੈ।
2. ਰੇਖਿਕ ਅਤੇ ਜੋੜਨ ਵਾਲੇ ਸਬੰਧ
ਆਮ ਤੌਰ 'ਤੇ ਇਹ ਮੰਨਿਆ ਜਾਂਦਾ ਹੈ ਕਿ ਵੇਰੀਏਬਲਾਂ ਵਿਚਕਾਰ ਸਬੰਧ ਰੇਖਿਕ ਹੁੰਦਾ ਹੈ ਅਤੇ ਉਨ੍ਹਾਂ ਦੇ ਪ੍ਰਭਾਵ ਜੋੜਨ ਵਾਲੇ ਹੁੰਦੇ ਹਨ, ਜਦੋਂ ਤੱਕ ਕਿ ਮਾਡਲ ਨੂੰ ਹੋਰ ਗੁੰਝਲਦਾਰ ਨਹੀਂ ਬਣਾਇਆ ਜਾਂਦਾ।
3. ਕੋਈ ਮਾਡਲ ਨਿਰਧਾਰਨ ਗਲਤੀਆਂ ਨਹੀਂ ਹਨ
ਜੇਕਰ ਮਹੱਤਵਪੂਰਨ ਸਬੰਧਾਂ ਨੂੰ ਸ਼ਾਮਲ ਨਹੀਂ ਕੀਤਾ ਜਾਂਦਾ ਜਾਂ ਸਬੰਧਾਂ ਦੀ ਦਿਸ਼ਾ ਗਲਤ ਹੈ, ਤਾਂ ਨਤੀਜੇ ਪੱਖਪਾਤੀ ਹੋ ਸਕਦੇ ਹਨ।
4. ਰਹਿੰਦ-ਖੂੰਹਦ ਦੀ ਸਾਧਾਰਨਤਾ ਅਤੇ ਸੁਤੰਤਰਤਾ (ਪਹੁੰਚ 'ਤੇ ਨਿਰਭਰ ਕਰਦੇ ਹੋਏ)
ਕਈ ਅਨੁਮਾਨ ਪ੍ਰਕਿਰਿਆਵਾਂ ਰਹਿੰਦ-ਖੂੰਹਦ ਦੀ ਵੰਡ ਬਾਰੇ ਕੁਝ ਧਾਰਨਾਵਾਂ 'ਤੇ ਨਿਰਭਰ ਕਰਦੀਆਂ ਹਨ।
5. ਪਰਿਵਰਤਨਸ਼ੀਲ ਮਾਪਾਂ ਨੂੰ ਗਲਤੀ-ਮੁਕਤ ਮੰਨਿਆ ਜਾਂਦਾ ਹੈ (ਕਲਾਸੀਕਲ ਮਾਰਗ ਵਿਸ਼ਲੇਸ਼ਣ ਵਿੱਚ)
ਇਹ ਮਹੱਤਵਪੂਰਨ ਹੈ: ਪਰੰਪਰਾਗਤ ਮਾਰਗ ਵਿਸ਼ਲੇਸ਼ਣ ਆਮ ਤੌਰ 'ਤੇ ਸਿੱਧੇ ਮਾਪੇ ਗਏ ਵੇਰੀਏਬਲ (ਦੇਖੇ ਗਏ ਵੇਰੀਏਬਲ) ਦੀ ਵਰਤੋਂ ਕਰਦਾ ਹੈ। ਜੇਕਰ ਤੁਸੀਂ ਗੁਪਤ ਨਿਰਮਾਣਾਂ ਨੂੰ ਸ਼ਾਮਲ ਕਰਨਾ ਚਾਹੁੰਦੇ ਹੋ (ਉਦਾਹਰਣ ਵਜੋਂ, ਕਈ ਸੂਚਕਾਂ ਦੁਆਰਾ ਮਾਪਿਆ ਗਿਆ "ਸੰਤੁਸ਼ਟੀ"), ਤਾਂ SEM (ਸਟ੍ਰਕਚਰਲ ਸਮੀਕਰਨ ਮਾਡਲਿੰਗ) ਆਮ ਤੌਰ 'ਤੇ ਵਰਤਿਆ ਜਾਂਦਾ ਹੈ।
-
ਮਾਰਗ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਨ ਲਈ ਕਦਮ
ਆਮ ਤੌਰ 'ਤੇ, ਪ੍ਰਕਿਰਿਆ ਵਿੱਚ ਸ਼ਾਮਲ ਹਨ:
1. ਸਿਧਾਂਤ ਦੇ ਆਧਾਰ 'ਤੇ ਇੱਕ ਮਾਡਲ ਤਿਆਰ ਕਰੋ
ਇਹ ਨਿਰਧਾਰਤ ਕਰੋ ਕਿ ਕਿਹੜੇ ਵੇਰੀਏਬਲ ਦੂਜੇ ਵੇਰੀਏਬਲਾਂ ਨੂੰ ਪ੍ਰਭਾਵਿਤ ਕਰਦੇ ਹਨ, ਕਿਹੜੇ ਵਿਚੋਲੇ ਹਨ, ਅਤੇ ਕਿਹੜੇ ਨਤੀਜੇ ਹਨ।
2. ਇੱਕ ਮਾਰਗ ਚਿੱਤਰ ਬਣਾਓ
ਤੀਰਾਂ ਨਾਲ ਸਬੰਧ ਦੀ ਕਲਪਨਾ ਕਰੋ ਅਤੇ ਐਂਡੋਜੇਨਸ ਵੇਰੀਏਬਲ ਲਈ ਅਵਸ਼ੇਸ਼ ਨਿਰਧਾਰਤ ਕਰੋ।
3. ਢਾਂਚਾਗਤ ਸਮੀਕਰਨਾਂ (ਰਿਗਰੈਸ਼ਨ) ਦਾ ਸੰਕਲਨ
ਹਰੇਕ ਐਂਡੋਜੇਨਸ ਵੇਰੀਏਬਲ ਦਾ ਆਮ ਤੌਰ 'ਤੇ ਆਪਣਾ ਰਿਗਰੈਸ਼ਨ ਸਮੀਕਰਨ ਹੁੰਦਾ ਹੈ। ਉਦਾਹਰਣ ਵਜੋਂ:
– Z = b1X + e1
– ਵਾਈ = ਬੀ2ਐਕਸ + ਬੀ3ਜ਼ੈਡ + ਈ2
4. ਮਾਰਗ ਗੁਣਾਂਕ ਦਾ ਅਨੁਮਾਨ ਲਗਾਉਣਾ
ਪਾਥ ਗੁਣਾਂਕ ਆਮ ਤੌਰ 'ਤੇ ਮਿਆਰੀ ਰਿਗਰੈਸ਼ਨ ਗੁਣਾਂਕ (ਬੀਟਾ) ਹੁੰਦੇ ਹਨ, ਤਾਂ ਜੋ ਉਹਨਾਂ ਦੀ ਤੁਲਨਾ ਪਾਥਾਂ ਵਿੱਚ ਕੀਤੀ ਜਾ ਸਕੇ।
5. ਸਿੱਧੇ, ਅਸਿੱਧੇ ਅਤੇ ਕੁੱਲ ਪ੍ਰਭਾਵ ਦੀ ਗਣਨਾ ਕਰੋ
– ਸਿੱਧਾ ਪ੍ਰਭਾਵ: ਸਿੱਧਾ ਮਾਰਗ ਗੁਣਾਂਕ (ਜਿਵੇਂ ਕਿ X → Y = b2)
– ਅਸਿੱਧਾ ਪ੍ਰਭਾਵ: ਮਾਰਗ ਗੁਣਾ (ਜਿਵੇਂ ਕਿ X → Z × Z → Y = b1 × b3)
- ਕੁੱਲ ਪ੍ਰਭਾਵ: b2 + (b1 × b3)
6. ਮਾਡਲ ਅਨੁਕੂਲਤਾ ਦੀ ਜਾਂਚ (ਵਿਕਲਪਿਕ, ਵਿਧੀ 'ਤੇ ਨਿਰਭਰ ਕਰਦਾ ਹੈ)
SEM ਦੇ ਇੱਕ ਨੇੜਲੇ ਦ੍ਰਿਸ਼ਟੀਕੋਣ ਵਿੱਚ, ਮਾਡਲ ਫਿੱਟ ਟੈਸਟ ਕੀਤੇ ਜਾ ਸਕਦੇ ਹਨ। ਕਦਮ-ਦਰ-ਕਦਮ ਰਿਗਰੈਸ਼ਨ ਦ੍ਰਿਸ਼ਟੀਕੋਣ ਵਿੱਚ, ਫੋਕਸ ਅਕਸਰ ਗੁਣਾਂਕ ਅਤੇ R² ਦੀ ਮਹੱਤਤਾ 'ਤੇ ਹੁੰਦਾ ਹੈ।
7. ਵਿਆਖਿਆ ਅਤੇ ਰਿਪੋਰਟਿੰਗ
ਦੱਸੋ ਕਿ ਕਿਹੜੇ ਰਸਤੇ ਮਹੱਤਵਪੂਰਨ ਹਨ, ਉਨ੍ਹਾਂ ਦਾ ਪ੍ਰਭਾਵ ਕਿੰਨਾ ਮਹੱਤਵਪੂਰਨ ਹੈ, ਅਤੇ ਸਿਧਾਂਤ ਅਤੇ ਅਭਿਆਸ ਲਈ ਉਨ੍ਹਾਂ ਦੇ ਪ੍ਰਭਾਵ।
-
ਪਾਥ ਵਿਸ਼ਲੇਸ਼ਣ ਬਨਾਮ SEM: ਕੀ ਫਰਕ ਹੈ?
ਪਾਥ ਵਿਸ਼ਲੇਸ਼ਣ ਨੂੰ ਅਕਸਰ SEM ਦਾ ਇੱਕ "ਭਾਗ" ਮੰਨਿਆ ਜਾਂਦਾ ਹੈ। ਆਮ ਅੰਤਰ ਇਹ ਹਨ:
- ਮਾਰਗ ਵਿਸ਼ਲੇਸ਼ਣ:
ਨਿਰੀਖਣ ਕੀਤੇ ਵੇਰੀਏਬਲਾਂ ਦੀ ਵਰਤੋਂ ਕਰਨਾ, ਜੋ ਕਿ ਆਪਸ ਵਿੱਚ ਸੰਬੰਧਿਤ ਰਿਗਰੈਸ਼ਨ ਦੀ ਪ੍ਰਣਾਲੀ ਵਾਂਗ ਹੈ। ਸਾਰੇ ਵੇਰੀਏਬਲਾਂ ਨੂੰ ਸਿੱਧੇ ਮਾਪਿਆ ਜਾ ਸਕਦਾ ਹੈ, ਇਸ ਲਈ ਢੁਕਵਾਂ ਹੈ।
– SEM (ਸਟ੍ਰਕਚਰਲ ਸਮੀਕਰਨ ਮਾਡਲਿੰਗ):
ਵਿਆਪਕ; ਇਸ ਵਿੱਚ ਲੁਕਵੇਂ ਵੇਰੀਏਬਲ, ਮਾਪ ਮਾਡਲ (CFA), ਅਤੇ ਵਧੇਰੇ ਵਿਆਪਕ ਮਾਡਲ ਫਿੱਟ ਮੁਲਾਂਕਣ ਸ਼ਾਮਲ ਹੋ ਸਕਦੇ ਹਨ।
ਜੇਕਰ ਤੁਹਾਡੀ ਖੋਜ ਵਿੱਚ ਕਈ ਸੂਚਕਾਂ ਦੁਆਰਾ ਮਾਪਿਆ ਗਿਆ ਇੱਕ ਸੰਖੇਪ ਨਿਰਮਾਣ ਸ਼ਾਮਲ ਹੈ (ਜਿਵੇਂ ਕਿ "ਸੇਵਾ ਗੁਣਵੱਤਾ" ਨੂੰ 5-ਆਈਟਮ ਪ੍ਰਸ਼ਨਾਵਲੀ ਦੁਆਰਾ ਮਾਪਿਆ ਜਾਂਦਾ ਹੈ), ਤਾਂ SEM ਆਮ ਤੌਰ 'ਤੇ ਵਧੇਰੇ ਢੁਕਵਾਂ ਹੁੰਦਾ ਹੈ।
-
ਸਧਾਰਨ ਵਿਆਖਿਆ ਦੀ ਉਦਾਹਰਣ
ਉਦਾਹਰਨ ਲਈ, ਅਨੁਮਾਨ ਦੇ ਨਤੀਜੇ ਪ੍ਰਮਾਣਿਤ ਗੁਣਾਂਕ ਦਿੰਦੇ ਹਨ:
– X → Z = 0,50
– Z → Y = 0,40
– X → Y = 0,20
ਇਸ ਲਈ:
– Y = 0,20 ਉੱਤੇ X ਦਾ ਸਿੱਧਾ ਪ੍ਰਭਾਵ
– Y ਤੋਂ Z ਤੱਕ X ਦਾ ਅਸਿੱਧਾ ਪ੍ਰਭਾਵ = 0,50 × 0,40 = 0,20
– Y ਉੱਤੇ X ਦਾ ਕੁੱਲ ਪ੍ਰਭਾਵ = 0,20 + 0,20 = 0,40
ਵਿਆਖਿਆ: ਪ੍ਰੇਰਣਾ (X) ਪ੍ਰਾਪਤੀ (Y) ਨੂੰ ਸਿੱਧੇ ਤੌਰ 'ਤੇ ਅਤੇ ਅਨੁਸ਼ਾਸਨ (Z) ਰਾਹੀਂ ਵੀ ਪ੍ਰਭਾਵਿਤ ਕਰਦੀ ਹੈ, ਸਿੱਧੇ ਅਤੇ ਅਸਿੱਧੇ ਮਾਰਗਾਂ ਲਈ ਬਰਾਬਰ ਯੋਗਦਾਨ ਦੇ ਨਾਲ।
-
ਫਾਇਦੇ ਅਤੇ ਸੀਮਾਵਾਂ
ਲਾਭ:
- ਗੁੰਝਲਦਾਰ ਸਬੰਧਾਂ ਨੂੰ ਯੋਜਨਾਬੱਧ ਢੰਗ ਨਾਲ ਨਕਸ਼ੇਬੱਧ ਕਰੋ।
- ਸਿੱਧੇ ਅਤੇ ਅਸਿੱਧੇ ਪ੍ਰਭਾਵਾਂ (ਵਿਚੋਲਗੀ) ਨੂੰ ਵੱਖ ਕਰਨਾ।
– ਬਹੁ-ਪੱਧਰੀ ਵਰਤਾਰੇ ਲਈ ਸਿੰਗਲ ਰਿਗਰੈਸ਼ਨ ਨਾਲੋਂ ਵਧੇਰੇ ਜਾਣਕਾਰੀ ਭਰਪੂਰ।
ਕੇਟਰਬਾਟਾਸਨ:
- ਸਿਧਾਂਤ 'ਤੇ ਬਹੁਤ ਜ਼ਿਆਦਾ ਨਿਰਭਰ; ਗਲਤ ਮਾਡਲ ਗਲਤ ਸਿੱਟੇ ਵੱਲ ਲੈ ਜਾਂਦੇ ਹਨ।
- ਇੱਕ ਸਹਾਇਕ ਖੋਜ ਡਿਜ਼ਾਈਨ (ਜਿਵੇਂ ਕਿ, ਪ੍ਰਯੋਗਾਤਮਕ ਜਾਂ ਲੰਬਕਾਰੀ) ਤੋਂ ਬਿਨਾਂ ਆਪਣੇ ਆਪ ਹੀ ਕਾਰਜਕਾਰਣ ਸਾਬਤ ਨਹੀਂ ਹੁੰਦਾ।
- ਕਲਾਸੀਕਲ ਮਾਰਗ ਵਿਸ਼ਲੇਸ਼ਣ ਵੇਰੀਏਬਲਾਂ ਵਿੱਚ ਮਾਪ ਗਲਤੀਆਂ ਨੂੰ ਨਜ਼ਰਅੰਦਾਜ਼ ਕਰਦਾ ਹੈ।
-
ਬੰਦ ਕੀਤਾ ਜਾ ਰਿਹਾ
ਅੰਕੜਿਆਂ ਵਿੱਚ ਮਾਰਗ ਵਿਸ਼ਲੇਸ਼ਣ ਇਹ ਸਮਝਣ ਲਈ ਇੱਕ ਸ਼ਕਤੀਸ਼ਾਲੀ ਪਹੁੰਚ ਹੈ ਕਿ ਵੇਰੀਏਬਲ ਸਬੰਧਾਂ ਦੀ ਇੱਕ ਪ੍ਰਣਾਲੀ ਦੇ ਅੰਦਰ ਇੱਕ ਦੂਜੇ ਨੂੰ ਕਿਵੇਂ ਪ੍ਰਭਾਵਿਤ ਕਰਦੇ ਹਨ, ਜਿਸ ਵਿੱਚ ਵਿਚੋਲਿਆਂ ਦੁਆਰਾ ਪ੍ਰਭਾਵ ਦੇ ਸਿੱਧੇ ਅਤੇ ਅਸਿੱਧੇ ਮਾਰਗਾਂ ਦੀ ਮੈਪਿੰਗ ਸ਼ਾਮਲ ਹੈ। ਇਹ ਤਕਨੀਕ ਖੋਜਕਰਤਾਵਾਂ ਨੂੰ ਰਵਾਇਤੀ ਰਿਗਰੈਸ਼ਨ ਨਾਲੋਂ ਵਧੇਰੇ ਅਮੀਰ ਵਿਆਖਿਆਵਾਂ ਬਣਾਉਣ ਵਿੱਚ ਮਦਦ ਕਰਦੀ ਹੈ, ਬਸ਼ਰਤੇ ਮਾਡਲ ਸਹੀ ਸਿਧਾਂਤ ਅਤੇ ਲੋੜੀਂਦੇ ਡੇਟਾ 'ਤੇ ਅਧਾਰਤ ਹੋਵੇ।
ਜੇ ਤੁਸੀਂ ਚਾਹੋ, ਤਾਂ ਮੈਂ ਤੁਹਾਡੀ ਵੀ ਮਦਦ ਕਰ ਸਕਦਾ ਹਾਂ: ਇੱਕ ਮਾਰਗ ਚਿੱਤਰ ਉਦਾਹਰਨ ਬਣਾਓ, ਆਪਣੇ ਖੋਜ ਵਿਸ਼ੇ ਦੇ ਅਨੁਸਾਰ ਇੱਕ ਮਾਡਲ ਕੰਪਾਇਲ ਕਰੋ, ਜਾਂ ਆਪਣੇ ਥੀਸਿਸ/ਨਿਬੰਧ ਲਈ ਫਾਰਮੂਲਿਆਂ ਅਤੇ ਨਤੀਜਿਆਂ ਦੀ ਰਿਪੋਰਟ ਕਰਨ ਦੇ ਤਰੀਕੇ ਨਾਲ ਇੱਕ "ਮਾਰਗ ਵਿਸ਼ਲੇਸ਼ਣ ਵਿਧੀ" ਭਾਗ ਲਿਖੋ।
