no comments

Lima perkara yang perlu anda ketahui sebelum mempelajari Model Persamaan Struktur

Jika anda sudah mengetahui prinsip pemodelan linear umum (GLM) anda berada di jalan yang betul untuk memahami Pemodelan Persamaan Struktur (SEM)

GLM hanyalah salah satu daripada teka-teki yang sesuai untuk SEM pada data anda. Anda juga perlu memahami:

1. Pengetahuan yang substansif
Anda mesti memahami domain penyelidikan anda.

Tiada perunding atau ahli statistik akan menguasai pembinaan dan teori serta anda.

Nombor-nombor itu tidak ingat di mana asalnya, seperti yang dikatakan oleh Tuhan. Tetapi anda perlu tahu di mana anda mahu membawa mereka.

Pada penghujung hari, model pemenang di kalangan orang yang sesuai sama baiknya mungkin menjadi yang lebih masuk akal dari segi teori di belakangnya.

2. Tafsiran pekali dalam regresi berganda
Ya, ia adalah sebahagian daripada GLM, jadi anda sudah tahu ini.

Walau bagaimanapun, tidak menyakitkan untuk menyusun bagaimana untuk mentafsirkan pekali regresi yang standard dan tidak standard. Anda akan menggunakan kedua-duanya sekali.

3. Ujian dan kepentingan statistik
Aspek teknikal, sekurang-kurangnya. Terutama jika jika anda membahagikan sebarang statistik dengan kesilapan standardnya, anda akan mendapat nisbah yang boleh ditafsirkan sebagai ujian t.

Perisian akan memberikan anda anggaran statistik dan kesilapan standard mereka, dan nilai-nilai mereka. Lebih baik jika anda mempunyai idea di mana nilai-p tersebut berasal. Juga, kembali ke nota anda pada intro ke statistik mengenai ujian chi-square.

4. Pemeriksaan data
Anda mungkin mahu melompat pistol untuk menjalankan SEM pada set data kes 1000 anda. Anda lebih baik berhenti dan memeriksa normaliti multivariate.

Lebih mudah berkata daripada dilakukan apabila anda mempunyai 20 petunjuk. Tetapi pemeriksaan kewarasan mudah pada data dapat menjimatkan banyak kekecewaan dalam jangka masa panjang.

Sentiasa mengimbas nilai-nilai hilang yang dikodkan dengan salah dan keluar dari pelbagai kes.

Melihat cepat pada matriks korelasi juga boleh memberikan petunjuk tentang masalah yang mungkin anda dapati apabila memasukan model anda.

5. Kesan saiz sampel
Anda akan mendapati banyak peraturan mengenai berapa banyak kes yang anda perlukan untuk model SEM yang berbeza.

Sebenarnya, sehingga anda telah mengumpulkan data yang anda tidak akan tahu jika ia mencukupi. Alasannya ialah data berkelakuan baik menjadikan anggaran lebih mudah walaupun dalam saiz sampel kecil.

Sumber : Manolo Romero Escobar

KOMEN ANDA

Komen

TENTANG KAMI | PENAFIAN | HUBUNGI | HANTAR ARTIKEL