اگه تا حالا با مدل‌سازی معادلات ساختاری یا همون SEM سروکار داشتی، می‌دونی چقدر ابزار باحالیه واسه اینکه رابطه بین متغیرهای نهفته رو تحلیل کنی. متغیر نهفته یعنی چیزهایی مثل باورها و نگرش‌ها که مستقیم نمی‌تونیم اندازه‌گیریشون کنیم. ولی خب، مشکل از جایی شروع میشه که بخوای همین روابط رو توی کلی گروه مختلف مقایسه کنی. مثلاً توی کلی کشور یا کلی کلاس مختلف.
حالا فرض کن می‌خوای بدونی که مثلاً فشار اجتماعی برای خوشحال بودن، توی ۴۰ کشور مختلف چه ارتباطی با رضایت از زندگی داره. به نظر ساده میاد، ولی واقعاً این‌جوری نیست. چرا؟ چون مدل‌های SEM معمولی نمی‌تونن خوب از پس این همه گروه چندگانه بر بیان، مخصوصاً وقتی مسئله‌ای به اسم “عدم اینواریانس اندازه‌گیری” وسط باشه. اینواریانس اندازه‌گیری یا همون measurement non-invariance یعنی پرسشنامه یا ابزار سنجشمون توی همه گروه‌ها دقیقاً یک چیز رو اندازه نمی‌گیره. خب این خیلی مهمه، چون اگه ابزارمون توی گروه‌های مختلف فرق کنه، مقایسه روابط هم بی‌معنی میشه، نه؟
حالا اینجاست که یه مدل جدید به اسم MixML-SEM (که مخفف Mixture Multilevel SEM هست) معرفی شده. داستان MixML-SEM اینه که میاد گروه‌هایی که ساختار روابط مشابهی دارن رو توی یک خوشه قرار میده. یعنی مثلاً کشورهایی که رابطه فشار اجتماعی و رضایت از زندگی توشون شبیه همه، توی یک دسته می‌ذاره. از طرف دیگه، MixML-SEM با استفاده از اثرات تصادفی (random effects یعنی اون قسمت‌های تصادفی مدل که باعث میشن ویژگی گروه‌ها به حساب بیان) به طرز جمع‌وجور و هوشمندانه‌ای عدم اینواریانس رو هم در نظر می‌گیره.
حالا شاید بپرسی چطور دقیقاً این کار رو می‌کنه؟ MixML-SEM اول با آنالیز عاملی تأییدی چندسطحی (multilevel confirmatory factor analysis یعنی بررسی اینکه ابزار سنجشمون توی چند سطح مثل فرد و گروه ساختارش چطوریه) عدم اینواریانس رو بررسی می‌کنه. بعدش با یه رویکردی به اسم structural-after-measurement (که یعنی اول مسائل مربوط به اندازه‌گیری تموم بشه بعدش سراغ روابط بین متغیرهای نهفته بریم) میاد روابط ساختاری و خوشه‌بندی گروه‌ها رو برآورد می‌کنه.
این کار یه مزیت بزرگ داره: یعنی خوشه‌بندی دقیقاً روی روابط ساختاری تمرکز داره و دیگه شلوغ‌پلوغی‌های ابزار اندازه‌گیری نمی‌تونه قاطی خوشه‌بندیش بشه!
حالا مدل مرسوم‌تر یعنی Multilevel SEM (ML-SEM) چطور عمل می‌کنه؟ توی ML-SEM، همزمان هم مدل اندازه‌گیری و هم مدل ساختاری برآورد میشن و هر دو از اثرات تصادفی استفاده می‌کنن. اما مشکل اینجاست که توی ML-SEM، برآورد روابط ساختاری ممکنه دچار یه چیزی بشه به اسم shrinkage bias. shinkage bias رو این‌جوری فرض کن: مدل به خاطر اینکه اطلاعات زیادی از هر گروه نداره، مقدار بعضی از برآوردها رو «جمع و جور»تر از واقعی نشون میده، یعنی برآوردها کمی به سمت میانگین کلی گروه‌ها کشیده میشن.
MixML-SEM اینجا خیلی بهتر عمل می‌کنه، به‌خصوص وقتی بعضی از گروه‌ها (مثلاً کشورها یا کلاس‌ها) بزرگ‌ترن و اطلاعات بیشتری دارن. چون MixML-SEM می‌تونه اطلاعات گروه‌های مشابه رو کنار هم بذاره و برآوردهایی دقیق‌تر برای روابط بین متغیرها ارائه بده.
توی همین مقاله، این تیما یه عالمه شبیه‌سازی انجام دادن، یعنی با داده‌های ساختگی مدل‌هاشون رو آزمودن. بعدشم با یک مثال واقعی سراغ بررسی این رفتن که فشار اجتماعی برای خوشحال بودن، چطور ممکنه روی رضایت از زندگی توی ۴۰ تا کشور تاثیر بذاره. نتیجه این شد که MixML-SEM توی تخمین روابط ساختاری هم دقیق‌تره و هم در برابر دردسرهای تفاوت ابزار سنجش (عدم اینواریانس اندازه‌گیری) مقاوم‌تره.
خلاصه اگر قراره با داده‌های چندگروهی سر و کار داشته باشی و نگران تفاوت ابزارهای سنجش هستی، MixML-SEM گزینه مناسبتریه نسبت به ML-SEM چون خوشه‌های بهتری می‌سازه و روابط بین متغیرها رو دقیق‌تر تخمین می‌زنه. خلاصه این که، دفعه بعدی که خواستی توی مقایسه گروه‌های زیاد سر و کله بزنی و ابزار انداز‌گیریت هم خیلی مطمئن نیست، حتما MixML-SEM رو هم توی ذهنت نگه دار!
منبع: +
