نرم افزار Lisrel مخفف (linear structural relations) در مدل سازی معادلات ساختاری (SEM) برای متغیرهای آشکار و پنهان استفاده می شود. LISREL در دهه ۱۹۷۰ توسط Karl Jöreskog، دانشمندی در سرویس تست آموزشی در پرینستون، نیوجرسی، و داگ سوربوم، که بعداً هر دو استاد دانشگاه اوپسالا در سوئد بودند، توسعه یافت. تحلیل عامل تاییدی و تحلیل مسیر نیز در نرم افزار لیزرل قابل انجام است.
مدل لیزرل، روش ها و نرم افزار مترادف با مدل سازی معادلات ساختاری (SEM) شده است. اما امروزه نرم افزار Lisrel دیگر محدود به SEM نیست. LISREL 11 شامل برنامه های آماری ۶۴ بیتی LISREL، PRELIS، MULTILEV، SURVEYGLIM و MAPGLIM است.
«تجزیه و تحلیل ساختارهای کوواریانس» یا همان «مدل یابی معادلات ساختاری» (Structural equation modeling) که به اختصار SEM نامیده می‌شود، یکی از مهم ترین روش‌های آماری برای حالت تحلیل چند متغیره است که قادر به کشف ارتباط و روابط پیچیده و علت و معلولی بین متغیرها است. به این ترتیب امکان بررسی تاثیرات همزمان متغیرهای مستقل روی یک متغیر وابسته بوجود می‌آید. همچنین به کمک این روش، امکان تایید مدل‌های نظری در جامعه‌های آماری با استفاده از داده‌های همبستگی، غیر آزمایشی و آزمایشی، آزمون‌پذیر می‌شود. معادلات ساختاری از مهم ترین اسفاده های نرم افزار Lisrel است.
در «تحلیل عاملی اکتشافی» (Exploratory Factor Analysis) یا به اختصار EFA سعی داریم با بررسی داده‌های جمع‌آوری شده، روابط بین متغیرها را مشخص کنیم. در این حالت مدل مشخصی را در نظر نمی‌گیریم و روش تحلیل عاملی، مدل مناسب را برای ارتباط بین متغیرها، می‌سازد. به این ترتیب تحلیل عاملی اکتشافی قادر به ارائه یک مدل بوده و به محقق کمک می‌کند که به فرضیه‌هایی در مورد ارتباط بین متغیرها بپردازد. پس تحلیل اکتشافی را زمانی به کار می‌بریم که از قبل برای تعیین متغیرهای و مدل ارتباطی بین آن‌ها، پیش‌فرضی وجود ندارد.
در حقیقت با این کار سعی می‌شود درباره تعداد یا ماهیت عامل‌هایی که بیشترین پراکندگی متغیرها را توجیه می‌کنند، به بررسی و تحقیق بپردازیم. بنابراین این تکنیک به عنوان یک روش تدوین و تولید فرضیه مورد استفاده قرار می‌گیرد. شناسایی متغیرهای پنهان و ارتباط آن‌ها با متغیرها قابل مشاهده از طریق تحلیل عاملی اکتشافی صورت می‌پذیرد. با کدنویسی می توان تحلیل عامل اکتشافی را در نرم افزار Lisrel انجام داد.
در مقابل «تحلیل عاملی تاییدی» (Confirmatory Factor Analysis) که به اختصار CFA نامیده می‌شود، پارامترهای مدلی را ارائه می‌کند که توسط تحلیل عامل اکتشافی، فرض شده و فرضیه در مورد مدل حاصل و پارامترهای آن را مورد آزمون قرار می‌دهد. در اصل تحلیل عاملی تایید، متغیرهایی که در مدل موثر بوده را شناسایی کرده و متغیرهای فرعی را حذف می‌کند. ساختاری که در تحلیل عاملی تاییدی به کار گرفته می‌شود، مبتنی بر عواملی مانند بررسی یک تئوری یا فرضیه خاص در مورد ارتباط و ساختار مدل است.
تمایز مهم روش‌های تحلیل اکتشافی و تاییدی در این است که روش اکتشافی واریانس مشترک بین متغیرها را شناسایی کرده و متغیرهای همراستا و وابسته را به کمک ماتریس همبستگی ترکیب می‌کند. در مقابل روش‌های تاییدی برای تصدیق مدل حاصل با داده‌های موجود به کار رفته و به عنوان روشی برای آزمون فرض مورد استفاده قرار می‌گیرد. تحلیل عامل تاییدی برای تایید گویه ها در نرم افزار Lisrel قابل انجام است.
در ادامه اجزای جدیدترین نسخه نرم افزار Lisrel شاملLISREL، PRELIS، MULTILEV، SURVEYGLIM و MAPGLIM توضیح داده شده است:
LISREL یک برنامه ۶۴ بیتی برای مدل سازی معادلات ساختاری استاندارد و چند سطحی است. این روش‌ها برای داده‌های پیمایش پیچیده کامل و ناقص در مورد متغیرهای طبقه‌ای و پیوسته و همچنین داده‌های نمونه تصادفی ساده کامل و ناقص بر روی متغیرهای طبقه‌ای و پیوسته در دسترس هستند.
PRELIS یک برنامه ۶۴ بیتی برای دستکاری داده ها، تبدیل داده ها، تولید داده ها، ماتریس های لحظه ای محاسباتی، محاسبه ماتریس های کوواریانس مجانبی تخمینی گشتاورهای نمونه، انتساب با تطبیق، انتساب چندگانه، رگرسیون خطی چندگانه، رگرسیون لجستیک، رگرسیون سانسور شده تک متغیره و چند متغیره است. و تحلیل عاملی اکتشافی ML و MINRES.
MULTILEV در نرم افزار Lisrel یک برنامه ۶۴ بیتی است که مدل های خطی و غیرخطی چند سطحی را با داده های چند سطحی از طرح های تصادفی و پیچیده نظرسنجی ساده مطابقت می دهد. این امکان را برای مدل هایی با متغیرهای پاسخ مستمر و طبقه بندی می کند.
SURVEYGLIM یک برنامه کاربردی ۶۴ بیتی است که مدل های خطی تعمیم یافته (GLIMs) را با داده های طرح های تصادفی و پیچیده نظرسنجی ساده مطابقت می دهد. مدل‌هایی برای توزیع‌های نمونه‌برداری چندجمله‌ای، برنولی، دوجمله‌ای، دوجمله‌ای منفی، پواسون، نرمال، گاما و گاوسی معکوس در دسترس هستند.
MGLIM یک برنامه ۶۴ بیتی است که از ربع تطبیقی برای برازش مدل های خطی تعمیم یافته با متغیرهای نتیجه طبقه بندی شده، شمارش و غیرعادی توزیع شده برای داده های چند سطحی استفاده می کند.
“LISREL” را از منوی شروع انتخاب کنید یا یک میانبر ایجاد کنید و از میانبر شروع کنید.
برای وارد کردن داده‌ها به LISREL، گزینه‌های import را از منوی فایل انتخاب کنید.
در فایل LISREL از گزینه new برای باز کردن پنجره جدید استفاده می شود. از گزینه جدید می توانیم دستور، خروجی، نمودار مسیر یا پنجره داده را در صورت نیاز باز کنیم.
در گزینه “داده” نرم افزار Lisrel گزینه هایی مانند ویژگی های متغیر، انتخاب متغیر، مرتب سازی موارد، درج متغیر، حذف متغیر، تعیین وزن و غیره وجود دارد.
مانند SPSS، نرم افزار Lisrel نیز گزینه ای برای ثبت یا محاسبه یک متغیر جدید با استفاده از گزینه “transform” دارد.
در LISREL با استفاده از گزینه statistics می توانیم تمامی مدل های آماری را انجام دهیم. لیزرل می‌تواند تعدادی مدل را مدیریت کند که شامل مدل‌های اندازه‌گیری، بدون مدل‌های بازگشتی، مدل‌های خطی سلسله مراتبی، مدل‌های تحلیل عاملی تأییدی، مدل‌های رگرسیون ترتیبی، مدل‌های مقایسه گروهی چندگانه و غیره است.
مانند بسیاری از نرم افزارهای آماری دیگر، نرم افزار Lisrel نیز گزینه ای برای نمودارها دارد. با استفاده از گزینه “گراف” در نرم افزار Lisrel، می توانیم نمودارهای تک متغیره، دو متغیره و چند متغیره با کیفیت بالا تولید کنیم.
در نرم افزار Lisrel، گزینه چند سطحی انعطاف‌پذیری را برای انجام مدل‌سازی سطح پیشرفته فراهم می‌کند. با استفاده از گزینه چند سطحی می توانیم روش های آماری خطی و غیرخطی سطح پیشرفته را انجام دهیم.
مانند هر نرم افزار آماری دیگری، نرم افزار Lisrel نیز گزینه view و window را دارد. گزینه View دارای ویژگی های اولیه مانند نوار ابزار، نوار وضعیت و … است. با استفاده از گزینه پنجره می توانیم پنجره را به صورت افقی یا عمودی مرتب کن.
۱- نرم افزار Lisrel اطلاعات کاملی در مورد ضریب مدل ارائه می دهد که باعث افزایش قدرت مدل می شود.
۲-راهکار خوبی را برای ارزش گمشده فراهم می کند.
۳-آزمون معنی داری را برای همه ضرایب فراهم می کند.
۴- محدودیت‌هایی که می خواهیم را بر مدل‌ها اعمال می‌کند.
۱-انجام تحلیل برای زمانی که فردی مبتدی است پیچیده است.
۲- کنترل اثرات متقابل سخت است.
۳- ماتریس همبستگی در SEM استفاده می شود و فرض بر این است که این همبستگی ها از توزیع نرمال بودن چند متغیره به دست آمده است. این فرض معتبر به نظر نمی رسد.
