PHÂN TÍCH ĐƯỜNG DẪN

PHÂN TÍCH ĐƯỜNG DẪNPATH ANALYSIS Thuật ngữ “Path Analysis” được đưa vào sử dụng đầu tiên bởi nhà sinh vật học Sewall Wright vào năm 1934 trong mối quan hệ với sự phân tích sự tương quan

PHÂN TÍCH ĐƯỜNG DẪN

(PATH ANALYSIS)

Thuật ngữ “Path Analysis” được đưa vào sử dụng đầu tiên bởi nhà sinh vật học Sewall Wright vào năm 1934 trong mối quan hệ với sự phân tích sự tương quan chung (total correlation) giữa hai biến trong hệ thống quan hệ nhân quả Kỹ thuật phân tích đường dẫn (Path Analysis) dựa trên chuỗi những phân tích hồi quy bội với giả thiết được thêm vào của mối quan hệ nhân quả giữa các biến độc lập và phụ thuộc Kỹ thuật này đặt trọng tâm tương đối mạnh hơn vào việc sử dụng khả năng nghiệm suy (heuristic) sơ đồ trực quan, mô tả kỹ thuật như một sơ đồ đường dẫn (path diagram) Một sơ đồ đường dẫn minh họa cho thấy mối tương quan giữa học vấn của những ông bố, nghề nghiệp của các ông bố, học vấn của con trai, nghề nghiệp đầu tiên và hiện tại của con trai có thể biểu diễn trong Hình 13.2.

Phân tích đường dẫn làm cho việc sử dụng các hệ số hồi quy từng phần được tiêu chuẩn hóa (được hiểu như là trọng số beta) như những hệ số ảnh hưởng Trong những ảnh hưởng tăng thêm tuyến tính được giả định, sau đó qua phân tích đường dẫn thiết lập những phương trình đơn giản có thể xây dựng sự biểu hiện mỗi biến phụ thuộc vào những biến trước “Nguyên tắc chính của phân tích đường dẫn là hệ

số tương quan giữa hai biến, hoặc một tổng hoặc đo lường tổng thể mối quan hệ thực nghiệm có thể phân tích thành nhiều phần: đường dẫn riêng của sự dẫn dắt ảnh hưởng thông qua biến trung gian theo thứ tự thời gian tới cả hai biến tương quan có các đường dẫn.”

Đóng góp của phân tích đường dẫn trong so sánh phân tích mối tương quan là nó làm cho có thể đánh giá ảnh hưởng tương đối của mỗi biến cho trước hoặc biến giải thích trong những biến kết quả hay biến tiêu chuẩn bằng việc đầu tiên làm sáng tỏ giả định bên dưới mối quan hệ nhân quả và sau đó bằng việc làm sáng tỏ sự ảnh hưởng gián tiếp của các biến giải thích.

Việc sử dụng kỹ thuật phân tích đường dẫn yêu cầu giả định rằng có tuyến tính thêm vào, một mối quan hệ đối xứng trong tập hợp các biến số có thể đo lường ít nhất trên một quy mô quasi-interval Mỗi biến phụ thuộc, được lưu ý như được xác định bởi các biến cho trước trong sơ đồ đường dẫn, và một biến số còn lại, được xác định không tương quan với các biến khác, yêu cầu để giải thích cho phần trích

ra không giải thích của mâu thuẩn trong biến phụ thuộc Những biến xác định giả định cho việc phân tích có khuynh hướng (Ngoại lai trong mô hình).

Chúng ta có thể minh họa các kỹ thuật phân tích đường dẫn bằng cách liên hệ với một vấn đề đơn giản là thử nghiệm một mô hình quan hệ nhân quả với ba biến rõ ràng như thể hiện trong sơ đồ đường dẫn sau đây.:

……

Các phương trình cấu trúc trên có thể được viết:

…

Trường hợp các biến X được đo như độ lệch từ phương tiện repective của họ P21 có thể được ước tính

từ các hồi quy đơn giản của X2 X1 tức là, X2 = b21X1 và p32 có thể được ước tính từ các hồi quy của X3 X2 và X1 như dưới:

Trường hợp b31.2 có nghĩa là hệ số hồi quy chuẩn hóa một phần để dự đoán varible 3 từ varible 1 khi ảnh hưởng của biến 2 được tổ chức thường xuyên

Trong con đường phân tích hệ số beta cho thấy ảnh hưởng trực tiếp của Xj trên biến phụ thuộc Bình phương ảnh hưởng trực tiếp mang lại tỷ lệ của phương sai trong các Y biến phụ thuộc là do mỗi số p của biến độc lập Xj Sau khi caculating ảnh hưởng trực tiếp sau đó có thể có được một biện pháp tóm tắt các tác động gián tiếp tổng Xj Y biến phụ thuộc bằng cách trừ đi từ hệ số tương quan ryxj không bj tức là hệ

số beta

Ảnh hưởng gián tiếp bao gồm các hiệu ứng unanalysed và các mối quan hệ giả mạo do các biến tiền đề Cuối cùng, nó lại có thể được nhấn mạnh rằng các đức tính chính của phân tích con đường nằm trong việc đưa ra rõ ràng những giả định cơ bản các kết nối quan hệ nhân quả và làm sáng tỏ các tác động gián tiếp do biến tiền đề của hệ thống

KẾT LUẬN

Từ tài khoản ngắn gọn về kỹ thuật đa biến trình bày ở trên, chúng tôi có thể kết luận rằng các kỹ thuật như vậy là quan trọng đối với họ làm cho nó có thể bao gồm tất cả các dữ liệu từ một cuộc điều tra trong một phân tích Họ trong kết quả thực tế trong một tài khoản rõ ràng hơn và tốt hơn trong nỗ lực nghiên cứu hơn so với các phân tích từng phần của các phần của dữ liệu Những kỹ thuật này mang lại báo cáo xác suất thực tế hơn

[ ] thử nghiệm giả thuyết và nghiên cứu ước lượng khoảng thời gian Phân tích đa biến ( kết quả việc sử dụng kỹ thuật đa biến) là quan trọng đặc biệt trong khoa học hành vi và những nghiên cứu ứng dụng nhất là trong nghiên cứu các vấn đề liên quan trong những biến trả lời khoảng thời gian (several response variables) được quan sát một cách đồng thời Nguồn gốc chung của mỗi kết quả phổ biến quan sát

cá thế trong sự phụ thuộc hoặc tương quan trong số các chiều hướng và đặc trưng này phân biệt dữ liệu đa biến và kỹ thuật từ mẫu đơn biến của chúng.

Mặc dù tất cả điều này, kỹ thuật đa biến là tốn kém và liên quan đến những tính toán khó khăn Chẳng hạn những ứng dụng của chúng trong bối cảnh của nghiên cứu đã được thúc đẩy chỉ với sự ra đời của máy tính điện tử tốc độ cao vào những năm 1950.

1 Giải thích ý nghĩa của chúng trong bối cảnh của nghiên cứu.

2 Viết bài tiểu luận ngắn gọn về “Phân tích nhân tố” đặc biệt chỉ ra những đóng góp và những giới hạn của nó.

Questions

3 Nêu tên những kỹ thuật đa biến quan trọng và giải thích tính chất quan trọng của mỗi một kỹ thuật.

4 Liệt kê những bước liên quan trong phương pháp trọng tâm của Thurstone của phân tích nhân tố.

5 Viết một lưu ý ngắn về “sự luân chuyển (rotation)” trong bối cảnh của phân tích nhân tố.

6 Tìm ra hai nhân tố trọng tâm đầu tiên cũng như hai thành phần chính từ ma trận tương quan bên dưới, R, Liên quan đến 6 biến:

Các biến số

Các

biến

số

Các biến số Các nhân tố trọng tâm Những thành phần chính

7 Tính toán tính phổ biến cho mỗi biến dựa vào hai nhân tố trọng tâm đầu tiên trong câu hỏi 6 ở trên và phát biểu nó biểu thị cái gì.

Phụ lục

Sơ đồ tóm tắc