دانلود ترجمه مقاله ارزیابی و برآورد SEM بیزی در پژوهش های توریسم

1. مقدمه 2. تصویر پایه SEM 3. مروری مختصر بر رویکرد بیزی 4. آزمایش مونت کارلو 5. برآورد بیزی SEM: یک مدل از تئوری تبادل اجتماعی (SET) 6. بسط های بالقوه دیگر SEM با استفاده از رویکرد بیزی 7. نتیجه گیری

نکات پایانی و نتیجه گیری: هدف از این مقاله، ارائه مقدمه ای جامع درباره روش بیزی برای برآورد SEM است. علیرغم جلب توجه زیاد در رشته های مختلف مرتبط، استفاده از روش بیزی در تحقیقات گردشگری هنوز بسیار محدود است. در این مقاله بر قدرت روش بیزی تاکید کردیم و تفات بارز آن با روش سنتی مبتنی بر کواریانس در برآورد SEM را بحث و بررسی کردیم. در کل، ما معتقدیم پنج دلیل اصلی عمده وجود دارد که محققان گردشگری می توانند از روش بیزی برای برآورد SEM استفاده کنند. اول اینکه همگرایی برخی مدل های پیچیده مثل مدل هایی که در بخش قبل بحث شد، با مدل های سنتی دشوارتر است (مثلا مدل های ترکیب، مدل های غیرنرمال و غیره)، و حتی برخی مدل ها نمی توانند برآورد دقیقی داشته باشند. آمار بیزی می تواند در تشخیص مدل نیز کمک کند و منجر به برآورد دقیق تری از پارامتر شود (دپائولی، 2013؛ 2014). دوم اینکه "بسیاری از محققان آمار بیزی را به این دلیل ترجیح می دهند که معتقدند باید پارامترهای جمعیت را تصادفی در نظر گرفت" (دپائولی و ون دی شوت، 2015؛ ص. 3). سوم اینکه با روش بیزی می توان اطلاعات پیشین را در برآورد بکار بست. چهارم اینکه، همانطور که چندین بار در بالا تاکید شد، آمار بیزی براساس نمونه های بزرگ نیست. این امر با نتایج شبیه سازی مونت کارلو نیز تاکید می شود. پنجم و در نهایت، روش بیزی آمار دقیق تر با حساسیت کمتری ارائه می دهد و ابزارهای مقایسه را مدل سازی می کند. علیرغم همه این مزایا، نباید هدف اصلی تشویق برخی کاربردهای ساده انگارانه از روش بیزی باشد، یا حتی استفاده از روش بیزی در جهت "ساختار ریاضی" باشد. ما می دانیم که بیشتر محققان حوزه گردشگری مایل هستند از روش فراوانی گرا برای برآورد SEM استفاده کنند. به طوریکه دپائولی و ون شوت (2015) نیز عنوان کردند، استفاده از روش بیزی بدون دانش خوب درباره این متد می تواند خطرناک باشد، بویژه از نظر تفسیر ویژگی های بیزی یا نتایج. ممکن است روش بیزی نسبت به انتخاب پیشین های مناسب نیز حساس باشد اما این یک مسئله تجربی است. بنابراین انجام تحلیل حساسیت ضروری است تا مشخص شود آیا نتایج در گزینه های پیشین پایدار هستند یا نه (آصف و همکارانش، 2016). هم چنین مراحل مهم دیگری نیز وجود دارد که باید با استفاده از روش بیزی بررسی شوند – برای جزئیات بیشتر رجوع کنید به تحقیق دپائولی و ون دیشوت (2015).

Concluding remarks: The aim of this paper was to provide a comprehensive introduction of the Bayesian approach for SEM estimation. Despite receiving a strong attention across other related fields, the use of the Bayesian approach is still highly limited in the tourism literature. We highlighted in this paper the power of the Bayesian approach and discussed its distinctive difference from the traditional covariance-based approach to SEM estimation. Overall, we believe there are five main reasons why tourism researchers might select the Bayesian approach for SEM estimation. First, some complicated models such as the ones discussed in the previous section are harder to converge with traditional methods (e.g. mixture models; non-normal models, etc.), and some models are not even possible to estimate. Bayesian statistics can also help in model identification and result in more accurate parameter estimates (Depaoli, 2013; 2014). Second, “many scholars prefer Bayesian statistics because they believe population parameters should be viewed as random” (Depaoli & van de Schoot, 2015, p. 3). Third, with the Bayesian approach one can prior information into the estimation. Fourth, as highlighted several times above, the Bayesian statistics is not based on large samples. This was also reinforced by the results of our Monte Carlo simulation. Fifth, and finally, the Bayesian approach offers more accurate and less sensitive fit statistics and model comparison tools. Despite all these advantages, the main goal should not be understood as encouraging some naïve applications of the Bayesian approach, or even using the Bayesian approach in the interest of “mathematistry”. We understand that most researchers in tourism are usually more comfortable using the frequentist approach for SEM estimation. As indicated by Depaoli and van de Schoot (2015), using the Bayesian approach without good knowledge of the method can be dangerous, particularly in terms of interpreting the Bayesian features and/or results. The Bayesian approach can also be sensitive to the selection of appropriate priors ebut this is an empirical matter. From here, conducting sensitivity analysis to check whether the results are stable across prior choices becomes essential (Assaf et al., 2016). There are also other important steps that should be checked when using the Bayesian approach-we refer the reader to the study of Depaoli and van de Schoot (2015) for more details.