no comments

Beberapa Cadangan untuk Pilihan Kaedah Anggaran / Statistik Ujian

Saiz sampel dan kemungkinan munasabah dari asumsi normal dan bebas harus dipertimbangkan dalam pemilihan teknik anggaran yang sesuai. ML, Pengukur ML, atau penganggar GLS mungkin merupakan pilihan yang baik dengan sampel sederhana dan besar dan bukti tentang kebolehlaksanaan andaian normal. Andaian kebebasan tidak boleh dinilai secara rutin. Anggaran ML kini merupakan kaedah anggaran yang paling sering digunakan dalam SEM. Dalam sampel sederhana dan besar, statistik ujian Miskil ML adalah pilihan yang baik dengan ketidak-normalan atau pergantungan yang disyaki antara faktor-faktor dan kesilapan. Oleh kerana ML berskala adalah komputer yang intensif dan banyak perkiraan model mungkin diperlukan, ia sering munasabah untuk menggunakan ML semasa penganggaran model dan kemudian ML berskala untuk penganggaran yang terakhir. Dalam sampel kecil statistik ujian Yuan-Bentler nampak terbaik. Statistik ujian berdasarkan penganggar ADF (tanpa pelarasan) kelihatan seperti pilihan yang buruk di bawah semua syarat melainkan saiz sampelnya sangat besar (> 2,500). Kesimpulan yang sama didapati dalam kajian oleh Fouladi (2000), Hoogland (1999), dan Satorra (1992).

Prosedur komputer dan tafsiran.

Data yang digunakan dalam contoh ini adalah daripada penilaian besar D.A.R.E. program di Colorado Springs (N = 4,578 pelajar). Butiran mengenai data ini boleh didapati di Dukes, Stein, dan Ullman (1997). Model dalam Rajah 23.2 dianggarkan menggunakan anggaran ML dan dinilai dengan SatorraBentler skala chi square kerana terdapat bukti pelanggaran normaliti multivariate (koefisien normal Mardia = 238.65, p <.001). Koefisien yang normal ini diedarkan sebagai ujian z; oleh itu, dalam sampel besar koefisien normal yang lebih besar daripada 3.3 mungkin menunjukkan pelanggaran untuk normal. Dalam Jadual 23.1, kaedah anggaran ditunjukkan selepas ME =. Output untuk koefisien Mardia, model estimasi, dan statistik ujian chi-square.

Keluaran pertama membentangkan maklumat model yang diberikan normal. Mengimbas ke bawah jadual maklumat model yang sesuai untuk model ini memandangkan pelanggaran normality bermula dengan RINGKASAN RINGKASAN FIT UNTUK KAEDAH = ROBUST. Beberapa statistik ujian chi-square diberikan dalam bahagian anggaran dan penilaian model yang dibentangkan dalam Jadual 23.2. MODEL INDEPENCENCE ROBUST CHI-SQUARE = ​​730.858, dengan 10 dfs, menguji hipotesis bahawa pembolehubah yang diukur adalah ortogonal. Oleh itu, kebarangkalian yang berkaitan dengan chisquare ini seharusnya kecil, biasanya kurang daripada .05. Statistik ujian chi-square model diberi label SATORRA-BENTLER CHI-SQUARE = ​​19.035 BERDASARKAN 4 KEGUNAAN KEBEBASAN. Maklumat ini menguji hipotesis bahawa perbezaan antara anggaran matriks kovarians populasi dan matriks kovarians sampel tidak jelas. Idealnya kebarangkalian yang berkaitan dengan chi-square ini harus besar, lebih besar daripada .05. Dalam Jadual 23.2 kebarangkalian yang berkaitan dengan model chi-square ialah .00077. Kepentingan ini menunjukkan bahawa model tidak membuktikan data. Walau bagaimanapun, ini adalah sampel yang besar dan perbezaan kecil dan kecil sering membuat chi square. Ingat bahawa model chi-square dikira sebagai N * fmin. Oleh sebab itu, penilaian model sangat bergantung pada indeks fi yang lain.

Sumber :  JODIE B. ULLMAN AND PETER M. BENTLER

KOMEN ANDA

Komen

TENTANG KAMI | PENAFIAN | HUBUNGI | HANTAR ARTIKEL