Späť

Kauzálne modelovanie – trend, budúcnosť alebo nevyhnutnosť?

Štruktúrne modelovanie ponúka postupy pre modelovanie a overovanie hypotéz o kauzálnych vzťahoch.

Aj keď počiatky vývoja tejto metodológie siahajú hlboko do minulého storočia, trvalo pomerne dlho, než sa stala súčasťou bežnej praxe. Dôvodom bola predovšetkým nutnosť orientovať sa v zložitej teórii a náročnosť realizácie. Vďaka ďalšiemu vývoju metodológie i softvéru je však dnes využitie kauzálneho modelovania mnoho jednoduchšie a vo viacerých oboroch sa stalo nevyhnutnosťou a určitým štandardom. Predovšetkým v oblasti sociálnych vied umožňuje riešiť úlohy, ktoré sú úplne kľúčové – napríklad psychológia by sa ťažko obišla bez konfirmačnej faktorovej analýzy. Tieto metódy však nachádzajú široké uplatnenie taktiež v ekonómii, medicínskom výskume alebo v marketingu. Zatiaľ v niektorých oboroch je kauzálne modelovanie bežnou záležitosťou, v iných stále zostáva predovšetkým výsadou vedeckých publikácií a v ďalších patrí táto problematika skôr do budúcnosti.

 

Štruktúrne modelovanie (SEM)

Štruktúrne modelovanie (anglicky structural equation modeling (SEM)), tiež označované ako kauzálne modelovanie alebo analýza kovariančných štruktúr, zahrňuje skupinu štatistických metód určených k budovaniu modelov kauzálnych procesov, k ich overovaniu a testovaniu. Tieto metódy pôvodne vznikali v rôznych obdobiach i v rôznych disciplínach, neskôr sa však ukázalo, že je možné spoločne zahrnúť do všeobecnejšieho modelu. Môžeme sem zaradiť napríklad analýzu dráhových koeficientov (path analysis) alebo konfirmačnú faktorovú analýzu, za špeciálny prípad týchto modelov možno však považovať aj regresnú analýzu, analýzu rozptylu, MANOVA, diskriminačnú analýzu, analýzu latentných tried alebo kanonické korelácie.

Štruktúrne modely vznikajú kombinovaním dvoch základných zložiek: model merania definuje latentné (nepriamo merateľné) premenné na základe jednej alebo viacero manifestných premenných a regresný štruktúrny model vyjadruje vzájomné vzťahy medzi latentnými (alebo prípadne aj manifestnými) premennými. Jednotlivé časti štruktúrneho modelu sú prepojené systémom simultánnych regresných rovníc.

Jedným z najväčších prínosov kauzálneho modelovania je, že rozvíjajú spôsob uvažovania nad dátami a schopnosť klásť si otázky o vzťahoch. Umožňuje budovať modely, ktoré tieto vzťahy zachytávajú a testovať ich zhodu s dátami. Zároveň s tím, ako modely modifikujeme, upravujeme taktiež svoju predstavu o podstate vzťahov. Tento prístup je v mnoho prípadoch neprávom zanedbávaný. Viacero analytikov sa kauzálneho modelovania obáva, pretože ho považujú za príliš zložité. Hoci sa však jedná o pomerne zložitú teóriu, jej praktické aplikácie vyžadujú špecializovaný softvér, pri práci v užívateľsky príjemnom grafickom programe akým je IBM SPSS Amos môže byť definovanie modelov  a overovanie ich platností prekvapivo jednoduché. Konečný úspech analýzy však vždy závisí na užívateľovi, jeho schopnosti vytvárať myšlienkové modely a vedieť ich interpretovať.

Konfirmačná faktorová analýza

Jednou zo základných a veľmi potrebných úloh, ktoré štruktúrne modelovanie rieši, je konfirmačná faktorová analýza. Faktorová analýza predstavuje samostatnú metodológiu, pričom existujú dva základné prístupy – exploračná a konfirmačná. Oba spoločne si kladú otázku, či existujú nepriamo merateľné (latentné) faktory, ktoré by boli príčinou a vysvetľovali korelačnú štruktúru väčšieho počtu merateľných (manifestných) premenných.

Historicky staršia je exploračná faktorová analýza (EFA), ktorá sa prvýkrát objavila v psychológií (Spearman, 1904), v súčasnosti má však široké uplatnenie v mnoho ďalších oboroch, napríklad v sociológii či marketingu. Jej cieľom je nájsť tieto neznáme latentné faktory, výskumník však dopredu nešpecifikuje žiadnu apriórnu predstavu o ich počte ani o vzťahoch medzi manifestnými premennými a faktormi. Vďaka nájdeným faktorom možno redukovať počet premenných pri zachovaní maxima informácie v dátach. Medzi základné problémy, ktoré metóda rieši, patrí napríklad voľba optimálneho počtu faktorov, rotácia faktorov z dôvodu jednoduchšej interpretácie, hľadaniu významu faktorov na základe vzťahov s pôvodnými premennými, odhad faktorových skóre či ich následná analýza. Exploračnú faktorovú analýzu ponúka väčšina bežne dostupného štatistického softvéru vrátane IBM SPSS Statistics Base.

Konfirmačná faktorová analýza (CFA) (Jöreskog, 1969) patrí do metodológie štruktúrneho modelovania. Jej cieľom je overiť (otestovať) určitú apriornú (predom danú) predstavu o faktorovom modelu vzťahov. Výskumník má teda už na začiatku konkrétnu predstavu o tom, ako by mal model vypadať, a na základe dát sa ju snaží potvrdiť alebo vyvrátiť. Konfirmačná faktorová analýza má veľký význam napríklad v sociálnych vedách, kedy si výskumník potrebuje overiť, či je jeho očakávanie, ako merané premenné odrážajú určitý teoretický koncept, v súlade s dátami. Testovaný model pritom obvykle vychádza z teórie o predchádzajúcich výskumoch. Pre riešenie konfirmačnej faktorovej analýzy je nutné mať k dispozícii špecializovaný softvér zameraný na štruktúrne modelovanie, napríklad IBM SPSS Amos. 

Čo je IBM SPSS Amos

IBM SPSS Amos (Analysis of Moment Structures) je program, ktorý ponúka implementáciu metodológie štruktúrneho modelovania v užívateľsky príjemnom grafickom rozhraní. Model zadáte tak, že ho nakreslíte myšou za pomoci grafických nástrojov a špecifikujete jeho parametre. Následne spustíte výpočet a zobrazíte výstupy. Odhady parametrov sa zobrazujú priamo v štruktúrnom grafe, podrobné výstupy vrátane testu zhody modelu s dátami a mnoho mier kvality modelu nájdete v samostatnom výstupovom okne. Na základe doporučených zmien potom jednoducho uskutočníte potrebné modifikácie. Konečný model vo forme štruktúrneho grafu môžete skopírovať do schránky ako obrázok a vložiť do článku či prezentácie, rovnako ako podrobné informácie vo forme textu. Modely možno rovno zadávať pomocou jednoduchého programového kódu v jazykoch IBM SPSS Amos Basic, Visual Basic alebo C#.

Medzi základné úlohy, ktoré IBM SPSS Amos rieši, patrí porovnanie viacero modelov a výber najvhodnejšieho či porovnanie skupín. Ďalším okruhom problémov je analýza dát s vynechanými hodnotami a ich nahradzovanie. Odhady modelov sú obvykle založené na metóde maximálnej vierohodnosti, alebo rôznych modifikáciách metódy najmenších štvorcov. K dispozícii je rovnako bootstrap, ktorý mimo iné umožňuje odhadnúť štandardnú chybu akéhokoľvek parametru aj v situácii, kedy nie sú splnené predpoklady tradičných metód, alebo neexistuje explicitný vzorec. Program ponúka taktiež bayesovské odhady, ktoré ho obohacujú o alternatívny prístup a zároveň rozširujú spektrum riešených úloh o špeciálne typy problémov, napríklad práca s kategorizovanými ordinálnymi dátami alebo cenzorovanými dátami, alebo analýzu latentných tried. Okrem základných úloh však program umožňuje riešiť taktiež celý rad doplnkových problémov, ktoré sú inými postupmi často náročne riešiteľné – napríklad testovanie zhody kovariančných matíc alebo zhody regresných koeficientov.

IBM SPSS Amos možno používať ako samostatný produkt alebo v spolupráci s IBM SPSS Statistics.  V ideálnom prípade najprv pripravíte a vyčistíte dáta v IBM SPSS Statistics, uskutočníte základnú analýzu premenných a následne potom naviažete štruktúrnym modelovaním v IBM SPSS Amos. Program podporuje rad formátov vstupných dát, medzi ktoré patrí IBM SPSS Statistics (*.sav), dBASE (*.dbf), Excel (*.xls), FoxPro (*.ddf), Lotus (*.wk1, *.wk2, *.wk3), Microsoft Access (*.mdb) a textový formát (*.txt), *.csv. Dáta obvykle predstavujú jednotlivé prípady, vstupom však môže byť taktiež priamo kovariančná alebo korelačná matica doplnená o počty prípadov, priemery a rozptyly jednotlivých premenných. Pre tých, ktorí s programom začínajú, je k dispozícii prepracovaný systém nápovede a podrobný manuál s riešenými príkladmi.

 

 

Príďte si to vyskúšať, naučíme Vás to

Pokiaľ Vás problematika kauzálneho modelovania zaujala, radi by sme Vás pozvali na kurz Modelovanie štatistických vzťahov (IBM® SPSS® Amos) v termíne 4.-6.12.2017, konajúcom sa v Prahe. Kurz ponúka úvod do metodológie štruktúrneho modelovania pomocou programu IBM SPSS Amos. Výuka je založená na príkladoch, na nich si všetko prakticky vyskúšate. Metódy štruktúrneho modelovania sú vyvíjané na postupnosti modelov, od testovania jednoduchých korelácií a kovariancií až po zložité modely s latentnými a manifestnými premennými, testovaní bootstrapovými postupmi a ošetrenie chýbajúcich hodnôt. Na kurze je kladený dôraz na aplikačnú stránku, metodológiu a na grafické zadávanie úloh, matematická teória nie je zaradená.