no comments

Kekuatan dan Kelemahan SEM

Kekuatan

SEM adalah satu set kaedah statistik yang membolehkan para penyelidik untuk menguji hipotesis berdasarkan beberapa binaan yang mungkin secara tidak langsung atau berkaitan secara langsung untuk kedua-dua model linear dan tidak linear. Ia dibezakan dari jenis analisis lain dalam keupayaannya untuk meneliti banyak hubungan sementara pada masa yang sama memisahkan ralat pengukuran. Ia juga boleh memeriksa kesilapan pengukuran berkorelasi untuk menentukan sejauh mana faktor tidak diketahui mempengaruhi ralat bersama antara pembolehubah – yang mungkin menjejaskan anggaran parameter model. Ia juga mengendalikan data yang hilang dengan baik dengan data mentah yang sesuai dan bukan ringkasan statistik. SEM, sebagai tambahan, boleh digunakan untuk menganalisis pemerhatian bergantung (mis., Data kembar dan keluarga). Ia boleh, juga, menguruskan reka bentuk longitudinal seperti siri masa dan model pertumbuhan. Sebagai contoh, Dahly, Adair, dan Bollen mengembangkan model perubatan pemboleh ubah terpendam yang menunjukkan bahawa ciri-ciri ibu semasa mengandung meramalkan tekanan darah kanak-kanak dan berat kira-kira 20 tahun kemudian ketika mengawal berat lahir anak. Oleh itu, SEM boleh digunakan untuk beberapa reka bentuk penyelidikan.

Satu kelebihan SEM berbanding analisis regresi berganda konvensional ialah yang pertama mempunyai kuasa statistik yang lebih besar (kebarangkalian menolak hipotesis nol yang salah) daripada yang terakhir. Ini ditunjukkan dalam kajian epidemiologi Budtz-Jørgensen mengenai pengiraan aras penunjuk kepada pendedahan toksin alam sekitar. Mereka dapat menunjukkan bahawa statistik SEM lebih sensitif terhadap perubahan pendedahan toksin daripada statistik regresi, yang mengakibatkan anggaran tahap yang lebih rendah atau lebih selamat daripada analisis regresi.

SEM kadang-kadang disebut sebagai pemodelan kausal; Walau bagaimanapun, berhati-hati harus diambil apabila mentafsir keputusan SEM seperti itu. Beberapa syarat dianggap perlu, tetapi tidak mencukupi untuk sebab-sebab yang akan ditentukan. Harus ada persamaan empirikal antara pembolehubah – mereka berkorelasi dengan ketara. Penyebab biasa dari kedua pembolehubah telah diketepikan, dan kedua pembolehubah mempunyai sambungan teori. Juga, satu pemboleh ubah mendahului yang lain, dan jika pemboleh ubah terdahulu berubah, pembolehubah hasil juga berubah (dan tidak sebaliknya). Keperluan ini tidak mungkin dipenuhi; Oleh itu, penyebabnya tidak boleh ditunjukkan secara definitif. Sebaliknya, kesimpulan kausal biasanya dibuat daripada keputusan SEM. Malah, para penyelidik berpendapat bahawa walaupun beberapa syarat penyebab tidak dapat dipenuhi oleh kesimpulan kausal mungkin masih wajar

Kelemahan

Seperti mana-mana kaedah, SEM mempunyai batasannya. Walaupun pemboleh ubah terpendam adalah perkiraan mendekati konstruk daripada pembolehubah yang diukur; ia mungkin bukan representasi tulen dari pembinaan. Variansya mungkin terdiri daripada, sebagai tambahan kepada varians sebenar pembolehubah yang diukur, kesilapan bersama antara pemboleh ubah yang diukur. Selain itu, kelebihan pemeriksaan serentak pelbagai pembolehubah boleh diimbangi oleh keperluan untuk saiz sampel yang lebih besar untuk pembolehubah tambahan untuk memperoleh penyelesaian kepada pengiraan.

SEM tidak boleh membetulkan kelemahan yang wujud dalam mana-mana jenis pengajian. Penerokaan perhubungan di antara pembolehubah tanpa spesifikasi priori boleh mengakibatkan kepentingan statistik tetapi mempunyai sedikit makna teoritis. Di samping itu, perancangan penyelidikan yang lemah, data yang tidak boleh dipercayai dan tidak sah, kekurangan panduan teori, dan penafsiran hubungan kausal boleh menyebabkan kesimpulan yang mengelirukan.

Sumber : Tanya N Beran1 and Claudio Violato1

KOMEN ANDA

Komen

TENTANG KAMI | PENAFIAN | HUBUNGI | HANTAR ARTIKEL