دانلود ترجمه مقاله بررسی و تخمین SEM بیزی در مطالعات مربوط به گردشگری

مقدمه:
درطی دو دهه گذشته، مدلسازی ساختاری معادله ای (SEM) تبدیل به یکی از محبوب ترین روش ها در تحقیقات گردشگری شده است. محبوبیت این روش از قابلیت آن برای مدیریت روابط پیچیده بین متغیرهای نهفته و مشاهده شده ناشی می شود که تاحد زیادی در تحقیقات گردشگری رایج می باشد (ریسینگر و ترنر 1999). با اینکه این روش یک روش نسبتا" پیچیده می باشد اما دسترس پذیری بسته های مختلف نرم افزاری SEM (مثل AMOS، LISREL، Mplus) قطعا" کاربرد گسترده این روش را تسهیل کرده و آن را دردسترس محققان کاربردی قرار داده است (آساف، اوه و تسیوناس 2016). اساسا" SEM شامل "معادله سنجش" می شود که شبیه به یک مدل رگراسیون بین متغیرهای نهفته و مشاهده شده می باشد و نیز شامل "معادله ساختاری" می شود که یک رگراسیون بین متغیرهای نهفته می باشد. نظر به عدم مشاهده مستقیم متغیرهای نهفته، نمی توان از روشهای رگاسیون عادی برای تحلیل مدل استفاده کرد. یک دیدگاه سنتی در تخمین SEM "دیدگاه مبتنی بر هم پراکنش" بوده است که روی متناسب کردن ساختار هم پراکنشی مدل با ماتریس نمونه هم پراکنش داده های مشاهده شده تمرکز دارد (لی و سونگ 2014 ص 276). اگرچه در بسیاری از موقعیت ها این روش تخمین به خوبی کار می کند و تخمین های قابل اطمینانی را تولید می کند (آساف و همکاران 2016) اما برخی ساختار داده ای پیچیده و فرض های مدل وجود دارد که دیدگاه مبتنی بر هم پراکنش با دشواری های جدی مواجه خواهد شد و قادر به تولید نتایج صحیح برای استنتاج های آماری نخواهد بود (لی و سونگ 2014 ص 277). همانگونه که اخیرا" توسط آساف و همکاران (2016) تاکید شده است یکی از انگیزه های اصلی برای استفاده کردن از دیدگاه بیزی برای تخمین SEM انعطاف پذیری آن در مدیریت کرن مدلهای پیچیده بسیار و یا ساختارهای داده ای می باشد. نکته مهم این است که "دیدگاه هم پراکنش" که مبتنی بر روشهای تخمین مثل حداکثر احتمال یا حداقل مربعات تعمیم یافته است فقط به صورت مجانبی صحیح می باشد (یعنی فقط برطبق نظریه آماری با نمونه بزرگ کار می کند). همچنین مشهور است که ویژگی های آماری تخمین ها و خوب بودن تناسب آزمایش که از این دیدگاهها به دست آمده است فقط به صورت مجانبی درست می باشد (لی و سونگ 12004 ص 653). از این رو استفاده کردن از آنها در نمونه های کوچک باید با احتیاط انجام شود.

Introduction:
Over the last two decades, structural equation modelling (SEM) has become one of the most popular methodologies in tourism research. The method's popularity stems from its ability to handle complicated relationships between latent and observed variables, which are highly common in tourism research (Reisinger & Turner, 1999). While relatively a complex method, the availability of several SEM software packages (e.g. AMOS, LISREL, Mplus) has certainly facilitated the widespread application of the method and brought it within the reach of the applied researcher (Assaf, Oh, & Tsionas, 2016). Basically, SEM consists of the “measurement equation”, which is like a regression model between the latent and observed variables, and the “structural equation”, which is a regression between the latent variables. With latent variables not being directly observed, one cannot use normal regression techniques to analyse the model. A traditional approach in estimating SEM has been, “the covariance based approach”, which focuses “in fitting the covariance structure of the model to the sample covariance matrix of the observed data” (Lee & Song, 2014, p. 276). Though in many situations, this estimation method works fine and produces reliable estimates (Assaf et al., 2016), there are some complicated data structure and model assumptions where the “covariance based approach” will encounter “serious difficulties and will be unable to produce correct results for statistical inferences” (Lee & Song, 2014, p. 277). As recently highlighted by Assaf et al. (2016), one of the main motivations for using the Bayesian approach for SEM estimation is its flexibility to handle many complicated models and/or data structures. Importantly, the “covariance approach” based on estimation methods such as maximum likelihood (ML) or generalized least squares (GLS) is only asymptotically correct (viz. it only works according to statistical theory with large sample). It is also “well known that the statistical properties of the estimates and the goodness-of-fit test obtained from these approaches are asymptotically true only” (Lee & Song, 2004, p. 653). Hence, using them in small samples should be done with caution.