no comments

KELEBIHAN SEM BERBANDING REGRESI

Pemilihan metodologi yang betul adalah bahagian penting dalam kajian penyelidikan. (Davis, 1996; Stevens, 2002). Model Persamaan Struktur (SEM) adalah kaedah multivariat generasi kedua yang digunakan untuk menilai kebolehpercayaan dan kesahan langkah-langkah model. Setiap teknik statistik mempunyai ciri-ciri tertentu yang menentukan kebolehgunaan untuk masalah tertentu. Memahami teknik dan ciri-ciri mereka adalah penting untuk memilih pendekatan yang paling sesuai untuk data. Bahagian ini akan membincangkan mengapa analisis faktor pengesahan (CFA) dipilih bukannya regresi berganda.

Kaedah multivariate generasi pertama, seperti regresi berganda, adalah sesuai untuk menilai pembinaan dan perhubungan antara pembinaan. Istilah regresi dan korelasi telah digunakan secara bergantian untuk melabelkan analisis regresi, namun niat analisis regresi adalah ramalan sementara niat korelasi adalah untuk menilai hubungan antara pemboleh ubah bergantung dan pembolehubah bebas. (Tabachnick & Fidell, 2001, ms 111). Regresi berganda adalah alat yang sangat baik untuk meramal varians dalam pembolehubah bergantung selang, berdasarkan kombinasi linear, variabel dikotom atau dummy bebas. Istilah interaksi boleh ditambah kepada model untuk mengukur kesan bersama dua pembolehubah pada pembolehubah bergantung, contohnya, kesan bersama PD * NA pada PCTINT dalam model sekarang.

Anggaran parameter dalam regresi berganda adalah pekali regresi yang tidak standard (berat β).

Di mana Y ialah pemboleh ubah bergantung, βo dan β1 adalah anggaran parameter, Xi adalah nilai pembolehubah bebas, X, untuk kes i-th dan εi ialah istilah ralat rawak yang dikaitkan dengan nilai tertentu Xi. Nilai β1 mewakili amaun pembolehubah bergantung Y berubah apabila pembolehubah bebas berubah oleh satu unit sementara pemboleh ubah bebas yang lain dipertahankan.

Teknik kuat algebra matriks sangat sesuai untuk regresi multivariate. Data diatur sedemikian rupa sehingga setiap baris mewakili skor seseorang atau jawapan pada pembolehubah bebas. Setiap lajur mewakili pembolehubah yang sama untuk semua subjek atau kes. Matriks data A (I * J) X terdiri daripada pengukuran J variabel bebas pada subjek saya.

Regresi multivariate menganggarkan pekali dan ralat piawai yang sama seperti yang diperoleh menggunakan regresi paling kecil biasa (OLS) yang berasingan. Di samping itu, regresi multivariate juga menganggarkan persamaan antara persamaan kovarians. Ini bermakna bahawa adalah mungkin untuk menguji koefisien merentasi persamaan. Rumus matriks untuk regresi multivariate adalah sama dengan formula OLS. Penyelesaian untuk β yang meminimumkan ε ialah
B = (X’X) -1X’Y

Di mana β adalah vektor lajur, X ‘adalah transpose S, dan (X’X) (songsang) adalah songsang dari (X’X). Menggunakan prinsip sekurang-kurangnya kuadrat, matlamatnya adalah untuk mendapatkan penyelesaian untuk β yang akan meminimumkan ε, kesilapan sisa.

Ujian Signifikans. Perkadaran varians dalam pemboleh ubah bergantung yang dijelaskan oleh pembolehubah bebas dalam model adalah pekali penentuan berganda, atau R2. R-kuadrat juga boleh ditafsirkan sebagai pengurangan berkadar dalam kesilapan dalam menganggarkan pemboleh ubah bergantung daripada pembolehubah bebas (Pedhazur, 1982, ms 68). Ujian F digunakan untuk menguji kepentingan R-kuadrat. “Model terbaik” boleh ditentukan dengan membandingkan perbezaan antara dua R-segi apabila pembolehubah bebas tambahan ditambah. Kepentingan ramalan relatif daripada pembolehubah bebas dinilai dengan membandingkan pekali regresi piawai (beta weights). Beta adalah amaun purata perubahan berubah bergantung apabila pembolehubah bebas meningkatkan satu sisihan piawai dan pemboleh ubah bebas yang lain dipertahankan. Untuk menguji kepentingan pekali regresi individu (beta tidak standard), ujian-t boleh digunakan (tetapi bukan untuk pembolehubah dummy).

Andaian. Andaian untuk regresi berganda termasuk spesifikasi yang betul dari model (pengabaian pembolehubah bersangkutan boleh memberi kesan besar kepada pekali parameter dan kesilapan), jarak atau data jarak dekat dengan julat tidak terhad, hubungan linear, dan homoskastisiti (tahap atau hubungan yang sama di seluruh pelbagai pembolehubah bebas).

Memandangkan andaian yang ketat regresi berganda dalam penyelidikan semasa tidak praktikal atau mungkin, tetapi sebab utama untuk tidak memilih regresi berganda dalam kajian semasa ialah penilaian serentak model hubungan membina tidak mungkin; penilaian perlu dilakukan dalam langkah-langkah yang berurutan. Pengenalan perisian seperti LISREL, AMOS, DEPATH, EQS dan RAMONA telah meningkatkan populariti metodologi.

Kaedah multivariat generasi kedua (Fornell, 1984; Chin, 1998) membolehkan analisis serentak semua pemboleh ubah dalam model dan bukan secara berasingan. Di samping itu, ralat pengukuran tidak diagregatkan dalam istilah ralat sisa. Pemodelan persamaan struktur (SEM) telah digunakan untuk pelbagai masalah penyelidikan. Di dalam keluarga teknik SEM terdapat banyak metodologi, termasuk kaedah berasaskan kovarians dan varians. Analisis kovarians juga dirujuk sebagai analisis faktor pengesahan (CFA), pemodelan kausal, analisa kausal, pemodelan persamaan serentak, dan analisis struktur kovarian, analisa laluan atau LISREL. Analisis laluan dan analisis faktor pengesahan adalah jenis khas SEM; LISREL adalah nama program perisian tertentu yang dikembangkan oleh Karl Jörkkog dan Dag Sörbom (1989).

Sumber :  www.statisticssolutions.com

KOMEN ANDA

Komen

TENTANG KAMI | PENAFIAN | HUBUNGI | HANTAR ARTIKEL