Modelowanie równań strukturalnych w psychologii i kontrowersje co do stosowania

Modelowanie równań strukturalnych w psychologii i kontrowersje co do stosowania to dosyć gorący temat. Cel psychologii jako nauki to nie tylko wykonywanie podstawowych analiz statystycznych np. statystyk opisowych w celu odkrywania pewnych tendencji w zachowaniu, myśleniu lub odczuwaniu. Psychologia jaka nauka i badacze jako ludzie ją rozwijający, dążą do pewnych ustaleń co do przyczyn określonych zjawisk którymi się interesują. Ze względu na niemierzalną złożoność społecznej rzeczywistości zachowań się ludzi np. latentna/niejawna natura społecznych fenomenów (cecha latentna), są potrzebne badaczom wyrafinowane techniki i metody statystyczne które były by wstanie choć trochę to objąć jakąś ramą. Chodzi o metody które mogłyby uchwycić jakoś interesującą nas przyczynowość oraz złożoność. Jedną z takich statsytycznych metod jest modelowanie równań strukturalnych (Structural Equation Modeling – SEM) w odmianie PLS (Hair, Sarstedt, Ringle, & Mena, 2012; Kock, 2014; Vinzi, Trinchera, & Amato, 2010) i CB (Arbuckle, 2010; Byrne, 2012; Rigdon, Sarstedt, & Ringle, 2018). Modelowanie równań strukturalnych w psychologii. Niezależnie od rodzaju modelowania jest to metoda konstruowania wielowymiarowego modelu, której specyfikacji dokonuje badacz mający pewien pogląd na zmienne (reflektywne vs formatywne) w takiej konstrukcji i kierunki relacji między nimi. Poniższy rysunek przedstawia taką złożoność.

Rysunek nr 1. Model równań strukturalnych w badaniu psychologicznych zmiennych odpowiedzialnych za wywołanie intencji do zachowania, inicjacji i potrzymania, a także rzeczywistej jego realizacji.

Niemniej ta statystyczna technika wielowymiarowej analizy danych nie jest pozbawiona ograniczeń.

Użycie jej pozostawia za sobą wiele wątpliwości co do wyciąganych wniosków. Modelowanie równań strukturalnych w psychologii i kontrowersje? Ale jak to tak? Przecież psychologia i modelowanie równań strukturalnych to trzymający się od zawsze za ręce Bolek i Lolek. Tak, wykorzystanie modelowania równań strukturalnych w psychologii jest niezwykle częste i staje się coraz bardziej popularne (Berlin, Williams, & Parra, 2014; Iacobucci, 2010). Niemniej są pewne zastrzeżenia w wykorzystywaniu modeli równań strukturalnych. Zastrzeżenia te są natury filozoficznej i metodologicznej, a konkretnie epistemologicznej. Głównym powodem dla którego krytykuje się użycie modelowania równań strukturalnych w liczeniu danych nieeksperymentalnych jest to, że wprawia badaczy w błąd, kreując dość realistyczne złudzenie badania mechanizmów przyczynowo – skutkowych (Tarka, 2017). Musimy pamiętać, że w badaniach psychologicznych informacje o zmiennych niezależnych i zmiennych zależnych są uzyskiwane z tego samego źródła w tym samym czasie, co niezwykle często prowadzi do błędnych wniosków (common method bias) (Fornel & Larcker, 1981; Podsakoff, MacKenzie, Lee, & Podsakoff, 2003). Są oczywiście statystyczne metody które są wstanie wskazać podwyższone ryzyko takiego zjawiska (Kock, 2015), ale nie jest to głównym obiektem kontrowersji w modelowaniu równań strukturalnych (choć kwestia ta jest bardzo ważna). Głównie rozchodzi się o to, że model strukturalny nie jest w stanie ustalić przyczyn i skutków z danych pochodzących z metody badawczej która nie polegała na wywoływaniu przyczyn i pomiarze skutków.

Nic nowego

Podważanie modelowania równań strukturalnych jako maszyny która ma cudowne właściowości weryfikacji przyczynowości między zmiennymi nie jest niczym nowym. Od dawna trwa dyskusja pomiędzy tym, czy modelowanie weryfikuje przyczynowość, czy daje tylko ładne grafiki wskazujące na łańcuch przyczyn i skutków (Pearl, 2009). Grafiki i funkcje jakie generuje model strukturalny są niezwykle efektowne i mogą na prawde zakręcić w głowie, ale kwestią sporną pozostaje to, czy układ równań modelu strukturalnego (macierz wariancji-kowariancji) oddaje rzeczywistą przyczynowość. Ogólnie we wnioskowaniu z takich modeli trzeba kierować się rozsądkiem i teorią badanego zjawiska. Już w 1920 roku Wright stwierdził, że człowiek jest niezdolny do zdobycia gruntowej wiedzy na temat procesu przyczynowego. Stwierdził jednak jednocześnie, że ograniczona, ale konkretna wiedza na temat relacji przyczynowo-skutkowej, pozwala wyszczególnić część procesu przyczynowego i wyliczyć „względne” powiązania między częściami tego systemu.

Pócz samej przyczynowości pozostaje jeszcze kwestie ominięcia pewnych zmiennych psychologicznych w specyfikowanym modelu strukturalnym, które mogą mieć druzgocące konsekwencje w kontekście wnioskowania statystycznego na temat badanego zjawiska. Nie można jednak popadać w przesadne zaprzeczanie wnioskom wysnutym z prób opisu zjawisk psychologicznych za pomocą modelowania równań strukturalnych. Ogromna liczba badaczy (Tarka, 2017) jest świadoma, że modele równań strukturalnych są niedoskonałe. Niemniej z drugiej strony są przekonani również, że bardzo cenna wiedza może być dostarczona właśnie przez analizy statystyczne tego typu. Oczywiście nie zwalnia to z dążenia do bycia dobrze poinformowanym co do ograniczeń takiej strategii analitycznej w testowaniu przewidywań teoretycznych i byciu krytycznym wobec twierdzeń bez rzeczywistego pokrycia.

Bibliografia:

Arbuckle, J. L. (2010). Ibm Spss Amos 19. Methods, 635. https://doi.org/10.1111/j.1600-0447.2011.01711.x

Berlin, K. S., Williams, N. A., & Parra, G. R. (2014). An introduction to latent variable mixture modeling (Part 1): Overview and cross-sectional latent class and latent profile analyses. Journal of Pediatric Psychology, 39(2), 174–187. https://doi.org/10.1093/jpepsy/jst084

Byrne, B. M. (2012). Structural Equation Modeling with M plus.

Fornel, C., & Larcker, D. (1981). Evaluating Structural Equation Unobservable Variables and Error. Journal of Marketing Research, 18, 39–50.

Hair, J. F., Sarstedt, M., Ringle, C. M., & Mena, J. A. (2012). An assessment of the use of partial least squares structural equation modeling in marketing research. Journal of the Academy of Marketing Science, 40(3), 414–433. https://doi.org/10.1007/s11747-011-0261-6

Iacobucci, D. (2010). Structural equations modeling: Fit Indices, sample size, and advanced topics. Journal of Consumer Psychology, 20(1), 90–98. https://doi.org/10.1016/j.jcps.2009.09.003

Kock, N. (2014). Advanced mediating effects tests , multi-group analyses , and measurement model assessments in PLS-based SEM. International Journal of E-Collaboration, 10(1), 1–13. https://doi.org/http://doi.org/10.4018/ijec.2014010101

Kock, N. (2015). Common method bias in PLS-SEM : A full collinearity assessment approach. 1–10.

Pearl, J. (2009). Causality: Models, Reasoning and Inference (2nd ed.). https://doi.org/10.1017/CBO9780511803161

Podsakoff, P. M., MacKenzie, S. B., Lee, J.-Y., & Podsakoff, N. P. (2003). Common method biases in behavioral research: A critical review of the literature and recommended remedies. Journal of Applied Psychology, 88(5), 879–903. https://doi.org/10.1037/0021-9010.88.5.879

Rigdon, B. E. E., Sarstedt, M., & Ringle, C. M. (2018). On Comparing Results from CB-SEM and PLS-SEM : Five Perspectives and Five Recommendations. 39, 4–16.

Tarka, P. (2017). An overview of structural equation modeling: its beginnings, historical development, usefulness and controversies in the social sciences. Quality and Quantity, 52(1), 313–354. https://doi.org/10.1007/s11135-017-0469-8

Vinzi, V. E., Trinchera, L., & Amato, S. (2010). Handbook of Partial Least Squares (V. E. Vinzi, L. Trinchera, & S. Amato, eds.). https://doi.org/https://doi.org/10.1007/978-3-540-32827-8