آشنایی با نرم افزار و تحلیل لیزرل
لیزرل (LISREL) یکی از قدیمی ترین و معتبرترین نرم افزارهای مدل سازی معادلات ساختاری است که مخفف Linear Structural Relationships می باشد. این نرم افزار توسط کارل یورسکوگ و داگ سوربوم در دهه ۱۹۷۰ در سوئد توسعه یافت و بر پایه تحلیل کوواریانس عمل می کند. لیزرل در دسته مدل سازی معادلات ساختاری کوواریانس محور قرار می گیرد و برای آزمون نظریه ها و تایید مدل های مفهومی طراحی شده است.
لیزرل در واقع هم نام یک روش آماری است و هم نام نرم افزاری که این روش را پیاده سازی می کند. این نرم افزار توانایی انجام تحلیل عاملی تاییدی، تحلیل مسیر، مدل های ساختاری کامل، مدل های چندگروهی، مدل های رشد، مدل های چندسطحی، تحلیل داده های طولی و مدل های با متغیرهای مشاهده شده و پنهان را دارد. همچنین امکان آزمون برازش مدل و مقایسه مدل های رقیب را فراهم می کند.
لیزرل از دو محیط کاری اصلی تشکیل شده است. محیط اول که خود لیزرل نام دارد، سینتکس محور است و کاربر باید مدل را با کدهای متنی بنویسد. این محیط انعطاف پذیری بسیار بالایی دارد و مناسب کاربران حرفه ای است. محیط دوم که SIMPLIS نام دارد، زبان دستوری ساده تری دارد و برای مبتدیان مناسب تر است. در SIMPLIS کاربر می تواند با کدنویسی کمتر همان قدرت لیزرل را تجربه کند.
در لیزرل مدل سازی بر پایه چندین ماتریس اصلی بنا می شود. ماتریس LY یا لامبدا وای، ماتریس بارهای عاملی متغیرهای وابسته است که رابطه شاخص های درون زا با متغیرهای پنهان درون زا را نشان می دهد. ماتریس LX یا لامبدا ایکس، ماتریس بارهای عاملی متغیرهای مستقل است که رابطه شاخص های برون زا با متغیرهای پنهان برون زا را نشان می دهد. ماتریس BE یا بتا، ماتریس ضرایب ساختاری بین متغیرهای درون زا است. ماتریس GA یا گاما، ماتریس ضرایب ساختاری اثر متغیرهای پنهان برون زا بر درون زاست. ماتریس PH یا فی، ماتریس کوواریانس متغیرهای پنهان برون زاست. ماتریس PS یا سای، ماتریس کوواریانس خطاهای ساختاری است. ماتریس TD یا تتا-دلتا، ماتریس کوواریانس خطاهای اندازه گیری متغیرهای برون زاست. و ماتریس TE یا تتا-اپسیلون، ماتریس کوواریانس خطاهای اندازه گیری متغیرهای درون زاست.
لیزرل مدل معادلات ساختاری را در قالب دو معادله ماتریسی بیان می کند. مدل اندازه گیری شامل دو معادله است که یکی رابطه متغیرهای مشاهده شده وابسته با متغیرهای پنهان درون زا و خطای اندازه گیری را نشان می دهد و دیگری رابطه متغیرهای مشاهده شده مستقل با متغیرهای پنهان برون زا و خطای اندازه گیری را بیان می کند. مدل ساختاری نیز رابطه بین متغیرهای پنهان درون زا و برون زا را با در نظر گرفتن خطای ساختاری نشان می دهد.
مراحل اجرای تحلیل در لیزرل شامل چند گام مشخص است. ابتدا پژوهشگر باید مدل مفهومی را بر اساس ادبیات پژوهش تدوین کند. سپس متغیرهای پنهان و مشاهده شده را تعریف کند. در گام بعد سینتکس مدل را در محیط لیزرل یا SIMPLIS بنویسد. سپس داده ها را وارد کند که معمولا به صورت ماتریس کوواریانس یا داده خام است. پس از آن پارامترها با روش هایی مانند حداکثر درست نمایی یا حداقل مربعات وزنی برآورد می شوند. در ادامه برازش مدل ارزیابی می شود و در صورت نیاز با استفاده از شاخص های اصلاح، مدل اصلاح می گردد. در نهایت نتایج تفسیر و فرضیه ها آزمون می شوند.
لیزرل شاخص های برازش متعددی ارائه می دهد. کای دو یا خی-دو هرچه کوچک تر باشد بهتر است. نسبت کای دو به درجه آزادی باید کمتر از سه باشد. شاخص برازش تطبیقی یا CFI باید بالای نود صدم باشد. شاخص تاکر-لویس یا TLI نیز باید بالای نود صدم باشد. شاخص برازش افزایشی یا IFI باید بالای نود صدم باشد. ریشه میانگین مربعات خطای تقریب یا RMSEA باید کمتر از هشت صدم باشد. ریشه میانگین مربعات باقی مانده یا RMR باید کمتر از پنج صدم باشد. شاخص برازش نرم شده یا NFI باید بالای نود صدم باشد. شاخص برازش خوب یا GFI باید بالای نود صدم باشد. و شاخص برازش تعدیل شده یا AGFI باید بالای هشتاد و پنج صدم باشد.
لیزرل مزایای متعددی دارد. دقت بالای آماری در برآورد پارامترها، انعطاف پذیری فوق العاده در تعریف مدل های پیچیده، پشتیبانی از مدل های چندگروهی و طولی، خروجی های جامع شامل شاخص های برازش متعدد، سابقه طولانی و اعتبار علمی بالا، و امکان آزمون فرضیه های دقیق ساختاری از جمله این مزایا هستند. اما محدودیت هایی نیز وجود دارد. رابط کاربری قدیمی و نه چندان کاربرپسند، نیاز به یادگیری سینتکس برای استفاده حرفه ای، منحنی یادگیری دشوار برای مبتدیان، عدم پشتیبانی از PLS-SEM، نیاز به نمونه بزرگ معمولا بیش از دویست مورد، و حساسیت به نرمال بودن داده ها از جمله محدودیت های لیزرل محسوب می شوند.
کاربردهای رایج لیزرل شامل آزمون مدل های نظری در روان شناسی، تحلیل رضایت مشتری در بازاریابی، بررسی رفتار سازمانی در مدیریت، مدل سازی عوامل موثر بر یادگیری در آموزش، تحلیل سرمایه اجتماعی در جامعه شناسی، و مدل های اقتصادسنجی پیشرفته است. اگرچه در سال های اخیر نرم افزارهایی مانند AMOS برای سادگی و SmartPLS برای PLS-SEM و Mplus برای مدل های پیچیده رقابت جدی با لیزرل کرده اند، اما لیزرل همچنان استاندارد طلایی در بسیاری از مجلات علمی معتبر باقی مانده است.