Zpět

Kauzální modelování – trend, budoucnost nebo nezbytnost?

Strukturní modelování nabízí postupy pro modelování a ověřování hypotéz o kauzálních vztazích.

Ačkoliv počátky vývoje této metodologie sahají hluboko do minulého století, trvalo poměrně dlouho, než se stala součástí běžné praxe. Důvodem byla především nutnost orientovat se ve složité teorii a náročnost realizace. Díky dalšímu vývoji metodologie i softwaru je však dnes využití kauzálního modelování mnohem snazší a v řadě oborů se stalo nezbytností i určitým standardem. Především v oblasti sociálních věd umožňuje řešit úlohy, které jsou zcela klíčové – například psychologie by se těžko obešla bez konfirmační faktorové analýzy. Tyto metody však nacházejí široké uplatnění také v ekonomii, medicínském výzkumu či v marketingu. Zatímco v některých oborech je kauzální modelování běžnou záležitostí, v jiných stále zůstává především výsadou vědeckých publikací a v dalších patří toto téma spíše budoucnosti.

 

 

Strukturní modelování (SEM)

Strukturní modelování (anglicky structural equation modeling (SEM)), též označované jako kauzální modelování nebo analýza kovariančních struktur, zahrnuje třídu statistických metod určených k budování modelů kauzálních procesů, k jejich ověřování a testování. Tyto metody původně vznikaly v různých obdobích i v různých disciplínách, později se však ukázalo, že je lze společně zahrnout do obecnějšího modelu. Můžeme sem zařadit například analýzu dráhových koeficientů (path analysis) či konfirmační faktorovou analýzu, za speciální případ těchto modelů lze však považovat i regresní analýzu, analýzu rozptylu, MANOVA, diskriminační analýzu, analýzu latentních tříd nebo kanonické korelace.

Strukturní modely vznikají kombinováním dvou základních složek: model měření definuje latentní (nepřímo měřitelné) proměnné na základě jedné nebo více manifestních proměnných a regresní strukturní model vyjadřuje vzájemné vztahy mezi latentními (nebo případně i manifestními) proměnnými. Jednotlivé části strukturního modelu jsou propojeny systémem simultánních regresních rovnic.

Jedním z největších přínosů kauzálního modelování je, že rozvíjí způsob uvažování nad daty a schopnost klást si otázky o vztazích. Umožňuje budovat modely, které tyto vztahy zachycují a testovat jejich shodu s daty. Zároveň s tím, jak modely modifikujeme, upravujeme také svoji představu o podstatě vztahů. Tento přístup je v mnoha případech neprávem opomíjen. Řada analytiků se kauzálního modelování obává, protože ho považují za příliš složité. Ačkoliv se však jedná o poměrně složitou teorii, jejíž praktické aplikace vyžadují specializovaný software, při práci v uživatelsky příjemném grafického programu jakým je IBM SPSS Amos může být zadávání modelů i ověřování jejich platnosti překvapivě snadné. Konečný úspěch analýzy však vždy závisí na uživateli, jeho schopnosti vytvářet myšlenkové modely a umět je interpretovat.

Konfirmační faktorová analýza

Jednou ze základních a velmi potřebných úloh, které strukturní modelování řeší, je konfirmační faktorová analýza. Faktorová analýza představuje samostatnou metodologii, přičemž existují dva základní přístupy – explorační a konfirmační. Oba společně si kladou otázku, zda existují nepřímo měřitelné (latentní) faktory, které by byly příčinou a vysvětlovaly korelační strukturu většího počtu měřitelných (manifestních) proměnných.

Historicky starší je explorační faktorová analýza (EFA), která se poprvé objevila v psychologii (Spearman, 1904), v současnosti má však široké uplatnění v mnoha dalších oborech, například v sociologii či marketingu. Jejím cílem je najít tyto neznámé latentní faktory, výzkumník však předem nespecifikuje žádnou apriorní představu o jejich počtu ani o vztazích mezi manifestními proměnnými a faktory. Díky nalezeným faktorům lze redukovat počet proměnných při zachování maxima informace v datech. Mezi základní problémy, které metoda řeší, patří například volba optimálního počtu faktorů, rotace faktorů z důvodu snazší interpretace, hledání významu faktorů na základě vztahů s původními proměnnými, odhad faktorových skórů či jejich následná analýza. Explorační faktorovou analýzu nabízí většina běžně dostupného statistického softwaru včetně IBM SPSS Statistics Base.

Konfirmační faktorová analýza (CFA) (Jöreskog, 1969) patří do metodologie strukturního modelování. Jejím cílem je ověřit (otestovat) určitou apriorní (předem danou) představu o faktorovém modelu vztahů. Výzkumník má tedy již na začátku konkrétní představu o tom, jak by měl model vypadat, a na základě dat se ji snaží potvrdit nebo vyvrátit. Konfirmační faktorová analýza má velký význam například v sociálních vědách, kdy si výzkumník potřebuje ověřit, zda je jeho očekávání, jak měřené proměnné odrážejí určitý teoretický koncept, v souladu s daty. Testovaný model přitom obvykle vychází z teorie i dřívějších výzkumů. Pro řešení konfirmační faktorové analýzy je nutné mít k dispozici specializovaný software zaměřený na strukturní modelování, například IBM SPSS Amos. 

Co je IBM SPSS Amos

IBM SPSS Amos (Analysis of Moment Structures) je program, který nabízí implementaci metodologie strukturního modelování v uživatelsky příjemném grafickém rozhraní. Model zadáte tak, že ho nakreslíte myší za pomoci grafických nástrojů a specifikujete jeho parametry. Následně spustíte výpočet a zobrazíte výstupy. Odhady parametrů se zobrazují přímo ve strukturním grafu, podrobné výstupy včetně testu shody modelu s daty a mnoha měr kvality modelu naleznete v samostatném výstupovém okně. Na základě doporučených změn potom snadno provedete potřebné modifikace. Konečný model ve formě strukturního grafu můžete zkopírovat do schránky jako obrázek a vložit do článku či prezentace, stejně jako podrobné informace ve formě textu. Modely lze rovněž zadávat pomocí jednoduchého programového kódu v jazycích IBM SPSS Amos Basic, Visual Basic nebo C#.

Mezi základní úlohy, které IBM SPSS Amos řeší, patří porovnání více modelů a výběr nejvhodnějšího či porovnání skupin. Dalším okruhem problémů je analýza dat s vynechanými hodnotami a jejich imputace. Odhady modelů jsou obvykle založené na metodě maximální věrohodnosti, nebo různých modifikacích metody nejmenších čtverců. K dispozici je rovněž bootstrap, který mimo jiné umožňuje odhadnout standardní chybu jakéhokoliv parametru i v situaci, kdy nejsou splněné předpoklady tradičních metod, nebo neexistuje explicitní vzorec. Program nabízí také bayesovské odhady, které ho obohacují o alternativní přístup a zároveň rozšiřují spektrum řešených úloh o speciální typy problémů, například práci s kategorizovanými ordinální daty či cenzorovanými daty, nebo analýzu latentních tříd. Kromě základních úloh však program umožňuje řešit také celou řadů doplňkových problémů, které jsou jinými postupy často obtížně řešitelné – například testování shody kovariančních matic nebo shody regresních koeficientů.

IBM SPSS Amos lze užívat jako samostatný produkt nebo ve spolupráci s IBM SPSS Statistics.  V ideálním případě nejprve připravíme a vyčistíte data v IBM SPSS Statistics, provedete základní analýzu proměnných a teprve potom navážete strukturním modelováním v IBM SPSS Amos. Program podporuje řadu formátů vstupních dat, mezi které patří IBM SPSS Statistics (*.sav), dBASE (*.dbf), Excel (*.xls), FoxPro (*.ddf), Lotus (*.wk1, *.wk2, *.wk3), Microsoft Access (*.mdb) a textový formát (*.txt), *.csv. Data obvykle představují jednotlivé případy, vstupem však může být také přímo kovarianční či korelační matice doplněná o počty případů, průměry a rozptyly jednotlivých proměnných. Pro ty, kteří s programem začínají, je k dispozici propracovaný systém nápovědy a podrobný manuál s řešenými příklady.

 

 

Přijďte si to vyzkoušet, naučíme Vás to

Pokud Vás problematika kauzálního modelování zaujala, rádi bychom Vás pozvali na kurz Modelování statistických vztahů (IBM® SPSS® Amos) v termínu 4.-6.12.2017. Kurz nabízí úvod do metodologie strukturního modelování pomocí programu IBM SPSS Amos. Výuka je založena na příkladech, na nichž si vše prakticky vyzkoušíte. Metody strukturního modelování jsou vyvíjeny na posloupnosti modelů, od testování jednoduchých korelací a kovariancí až po složité modely s latentními a manifestními proměnnými, testování bootstrapovými postupy a ošetření chybějících hodnot. V kurzu je kladen důraz na aplikační stránku, metodologii a na grafické zadávání úloh, matematická teorie není zařazena.