no comments

INDEKS YANG SESUAI UNTUK PEMODELAN PENDEKATAN STRUKTUR

Gambaran keseluruhan

Dalam pemodelan persamaan struktur, indeks yang sesuai menentukan sama ada, secara keseluruhan, model boleh diterima. Sekiranya model boleh diterima, penyelidik kemudiannya menentukan sama ada laluan khusus adalah penting. Indeks yang boleh diterima tidak menunjukkan hubungan yang kuat. Sesungguhnya, indeks yang sesuai tinggi sering lebih mudah diperolehi apabila hubungan antara pembolehubah adalah rendah dan bukannya tinggi – kerana kuasa untuk mengesan percanggahan daripada ramalan dikuatkan.

Banyak indeks yang sesuai diperolehi dari nilai chi-square. Secara konsep, nilai chi-square, dalam konteks ini, mewakili perbezaan antara matriks kovarians yang diperhatikan dan matriks kovarian yang diramal atau model.

Indeks patut boleh diklasifikasikan ke dalam beberapa kelas. Kelas-kelas ini termasuk:

  • Fungsi percanggahan, seperti ujian chi square, square chi relatif, dan RMS
  • Ujian yang membandingkan model sasaran dengan model null, seperti CFI, NFI, TFI, dan IFI
  • Kebaikan teori maklumat mengenai langkah-langkah yang sesuai, seperti AIC, BCC, BIC, dan CAIC
  • Langkah-langkah yang tidak bersesuaian, seperti NCP.

Ramai penyelidik, seperti Marsh, Balla, dan Hau (1996), mengesyorkan bahawa individu menggunakan pelbagai indeks yang sesuai. Sesungguhnya, Jaccard dan Wan (1996) mencadangkan menggunakan indeks dari kelas yang berlainan dan strategi ini mengatasi batasan setiap indeks.

Ringkasan kriteria yang sering digunakan para penyelidik

Model dianggap sebagai boleh diterima jika:

    • Indeks Normalisasi (NFI) melebihi .90 (Byrne, 1994) atau .95 (Schumacker & Lomax, 2004)
    • Indeks Keutuhan Fit melebihi melebihi 90 (Byrne, 1994)
    • Indeks Fitnah Perbandingan melebihi .93 (Byrne, 1994)
    • RMS kurang daripada .08 (Browne & Cudeck, 1993) – dan kurang daripada .05 (Stieger, 1990). Secara alternatif, selang keyakinan maksimum RMS tidak boleh melebihi .08 (Hu & Bentler, 1998)

Chi-square relatif kurang daripada 2 atau 3 (Kline, 1998 & Ullman, 2001).

Kriteria ini hanya pedoman. Untuk menggambarkan, dalam bidang di mana model sebelumnya menghasilkan nilai CFI sebanyak .70 sahaja, nilai CFI sebesar .85 mewakili kemajuan dan dengan itu harus diterima (Bollen, 1989).

Fungsi percanggahan

Chi-square

Chi-square untuk model ini juga dikenali sebagai fungsi percanggahan, nisbah kebolehan chi-square, atau kebaikan chi-square yang sesuai. Dalam AMOS, nilai chi-square dipanggil CMIN.

Jika chi-square tidak penting, model dianggap sebagai diterima. Matriks kovarians yang diperhatikan adalah sama dengan matriks kovarians yang diramalkan – iaitu, matriks yang diramalkan oleh model.

Jika chi-square adalah penting, model itu dianggap, sekurang-kurangnya kadang-kadang, tidak dapat diterima. Walau bagaimanapun, ramai penyelidik mengabaikan indeks ini jika kedua-dua saiz sampel melebihi 200 atau lebih dan indeks lain menunjukkan model itu boleh diterima. Khususnya, pendekatan ini timbul kerana indeks chi-square memberikan beberapa masalah:

  • Model-model kompleks, dengan banyak parameter, akan cenderung menghasilkan keadaan yang boleh diterima
  • Jika saiz sampelnya besar, model biasanya akan ditolak, kadang-kadang tidak adil
  • Apabila andaian normal multivariate dilanggar, indeks fit chi-square tidak tepat. Satorra-Bentler berskala chi-square, yang boleh didapati dalam EQS, sering dipilih, kerana indeks ini menghukum chi-square untuk kurtosis.

Chi-square relatif

Chi-square relatif juga disebut chi-square normed. Nilai ini bersamaan dengan indeks chi-square dibahagikan dengan darjah kebebasan. Indeks ini mungkin kurang sensitif terhadap saiz sampel. Kriteria untuk penerimaan berbeza-beza merangkumi penyelidik, dari kurang daripada 2 (Ullman, 2001) hingga kurang daripada 5 (Schumacker & Lomax, 2004).

Sisa makna sisa kuadrat

RMS, yang juga dikenali sebagai RMR atau RMSE, mewakili akar kuadrat purata atau min sovarians residuals – perbezaan antara unsur yang bersamaan dengan matriks kovarians yang diperhatikan dan yang diramalkan. Zero mewakili kesesuaian sempurna, tetapi maksimum tidak terhad.

Oleh kerana maksimum tidak terbatas, RMS sukar untuk mentafsirkan dan konsensus belum tercapai pada tahap yang mewakili model yang boleh diterima. Sesetengah penyelidik menggunakan versi piawai RMS sebaliknya untuk mengatasi masalah ini.

Menurut beberapa penyelidik, RMS sepatutnya kurang daripada .08 (Browne & Cudeck, 1993) – dan lebih kurang daripada .05 (Stieger, 1990). Secara alternatif, selang keyakinan tertinggi RMS tidak boleh melebihi .08 (Hu & Bentler, 1998).

Sumber : Dr. Simon Moss

 

KOMEN ANDA

Komen

TENTANG KAMI | PENAFIAN | HUBUNGI | HANTAR ARTIKEL