📊 تحلیل مسیر و مدل‌سازی معادلات ساختاری؛ از رگرسیون ساده تا روابط پیچیده

🔸️فرض کن در یک مطالعه اپیدمیولوژیک می‌خواهی بررسی کنی که چگونه عوامل مختلف بر یک بیماری تأثیر می‌گذارند.
▫️می‌دانی که چاقی (BMI) با دیابت ارتباط دارد، اما این ارتباط ممکن است از طریق عواملی مثل مقاومت به انسولین و التهاب نیز تحت تأثیر قرار گیرد.

▫️حالا سوال این است: آیا BMI مستقیماً روی دیابت اثر می‌گذارد، یا این اثر از طریق واسطه‌ها (مثلاً افزایش التهاب) اعمال می‌شود؟

▫️در رگرسیون چندگانه معمولی، نمی‌توانی به راحتی یک مدل با چندین معادله و چندین متغیر وابسته را همزمان بررسی کنی. اینجاست که تحلیل مسیر (Path Analysis) و مدل‌سازی معادلات ساختاری (SEM) به کمک می‌آیند.

🔷️ تحلیل مسیر (Path Analysis) چیست؟

تحلیل مسیر، یک روش آماری است که به ما اجازه می‌دهد چندین رابطه علّی و غیرعلّی را بین متغیرها به صورت همزمان بررسی کنیم. در این روش، متغیرها می‌توانند هم نقش علت داشته باشند و هم نقش معلول.

📌 مثال ساده:

می‌خواهی اثر BMI (متغیر مستقل) را روی دیابت (متغیر وابسته) بررسی کنی. اما می‌دانی که این رابطه ممکن است از طریق التهاب (به عنوان متغیر واسطه) نیز عبور کند.

مسیر مستقیم: BMI → دیابت

مسیر غیرمستقیم: BMI → التهاب → دیابت

➜ تحلیل مسیر هر دو مسیر را همزمان برآورد می‌کند و به ما می‌گوید سهم هر مسیر چقدر است (اثر مستقیم در مقابل اثر غیرمستقیم).

🔷️ مدل‌سازی معادلات ساختاری (SEM)؛ نسخه‌ی پیشرفته‌تر

SEM نسخه‌ی توسعه‌یافته تحلیل مسیر است که علاوه بر مدل‌سازی روابط بین متغیرهای مشاهده‌شده، می‌تواند متغیرهای (Latent Variables) را نیز وارد مدل کند. متغیرهای پنهان، متغیرهایی هستند که مستقیماً اندازه‌گیری نمی‌شوند، اما از طریق چندین متغیر مشاهده‌شده (شاخص) برآورد می‌شوند.

📌 مثال:

فرض کن می‌خواهی «وضعیت اجتماعی-اقتصادی» را اندازه‌گیری کنی. این متغیر را نمی‌توانی با یک سوال ساده اندازه‌گیری کنی، اما می‌توانی آن را با ترکیب سه شاخص برآورد کنی:

سطح تحصیلات

درآمد ماهانه

شغل

➜ SEM این سه شاخص را با هم ترکیب می‌کند تا یک متغیر پنهان به نام «وضعیت اجتماعی-اقتصادی» بسازد و سپس اثر آن را روی پیامد مورد نظر (مثلاً فشار خون) بررسی کند.

⚠️ تفاوت SEM با رگرسیون چندگانه معمولی:

رگرسیون چندگانه:

فقط یک متغیر وابسته دارد.

همه متغیرهای مستقل باید بدون خطا اندازه‌گیری شده باشند.

نمی‌تواند روابط بین متغیرهای مستقل را مدل کند.

SEM:

می‌تواند چندین متغیر وابسته و مستقل را همزمان مدل کند.

می‌تواند خطای اندازه‌گیری متغیرها را در نظر بگیرد.

می‌تواند روابط غیرمستقیم و پیچیده را شناسایی کند.

📊 کاربردهای SEM در اپیدمیولوژی:

✅ بررسی مکانیسم‌های پیچیده بیماری (چندین مسیر علّی).
✅ تحلیل داده‌های پرسشنامه‌ای با سازه‌های چندبعدی (مثل کیفیت زندگی، استرس، حمایت اجتماعی).
✅ ارزیابی مدل‌های علّی در مطالعات کوهورت و مقطعی.
✅ تحلیل اثرات مستقیم و غیرمستقیم در مطالعات مداخله‌ای.


‼️‼️‼️ این پست ادامه دارد


🔹 ایستگاه اپیدمیولوژی 🔹

⬅️ کانال بله ایستگاه اپیدمیولوژی

آموزش | مشاوره | منتورینگ | ویراستاری پژوهشی


🆔 @Epidemiology_Station