no comments

Mengukur Model Fit

Bagaimana besar saiz sampel yang saya perlukan?

Peraturan Thumb
Nisbah Saiz Sampel kepada Bilangan Parameter Percuma
Tanaka (1987): 20 hingga 1 (Kebanyakan penganalisis sekarang berfikir bahawa tidak realistik tinggi.)
Matlamat: Bentler & Chou (1987): 5 hingga 1
Beberapa kajian yang diterbitkan tidak memenuhi matlamat ini.
Saiz sampel
200 dilihat sebagai matlamat untuk penyelidikan SEM
Saiz sampel yang lebih rendah boleh digunakan untuk
Model tanpa pemboleh ubah terpendam
Model di mana semua pemuatan telah ditetapkan (biasanya kepada satu)
Model dengan korelasi yang kuat
Model mudah
Model yang mempunyai had atas N (mis., Negara atau tahun sebagai unit), 200 mungkin merupakan standard yang tidak realistik.

Analisis Kuasa
Cara terbaik untuk menentukan sama ada anda mempunyai sampel yang cukup besar ialah menjalankan analisis kuasa.
Sama ada menggunakan kaedah Sattora dan Saris (1985) atau menjalankan simulasi.
Untuk menguji kuasa anda untuk mengesan model pemasangan yang salah, anda boleh menggunakan kalkulator web Preacher dan Coffman.

Ujian Chi Square: χ2

Untuk model dengan kira-kira 75 hingga 200 kes, ujian chi square pada amnya adalah ukuran wajar yang sesuai. Tetapi untuk model dengan lebih banyak kes (400 atau lebih), persegi chi hampir selalu secara statistik signifikan. Kuadrat Chi juga dipengaruhi oleh saiz korelasi dalam model: semakin besar korelasi, yang lebih miskin patut. Atas sebab-sebab ini, langkah-langkah alternatif yang sesuai telah dibangunkan. (Pergi ke laman web untuk mengira nilai p untuk nilai chi square yang diberi dan df.)

Kadang-kadang chi square lebih ditafsirkan jika ia berubah menjadi nilai Z. Anggaran berikut boleh digunakan:

Z = √ (2χ2) – √ (2df – 1)

Ukuran lama yang sesuai adalah chi square hingga df ratio atau χ2 / df. Satu masalah dengan indeks yang sesuai adalah bahawa tidak ada standard yang dipersetujui secara universal tentang apa yang baik dan model pemasangan yang buruk. Walau bagaimanapun, perhatikan bahawa dua indeks patut yang sangat popular, TLI dan RMSEA, sebahagian besarnya berdasarkan nisbah lama ini.

Ujian chi square terlalu liberal (iaitu, terlalu banyak Jenis 1) kesilapan apabila pembolehubah mempunyai pengedaran tidak normal, terutama pengedaran dengan kurtosis. Lebih-lebih lagi, dengan saiz sampel yang kecil, terlalu banyak kesilapan Jenis 1.

Pengenalan kepada Fit Index

Istilah dalam kesusasteraan yang digunakan untuk menggambarkan indeks yang sesuai adalah mengelirukan, dan saya fikir keliru. Saya lebih suka istilah berikut (tetapi mereka tidak konvensional): tambahan, mutlak, dan perbandingan, yang digunakan pada halaman yang mengikuti.

Indeks Peningkatan Masuk

Penambahan (kadangkala dipanggil dalam relatif kesusasteraan) indeks yang sesuai adalah sama dengan R2 dan sebilangan nilai sifar menandakan mempunyai model yang paling teruk dan nilai satu menunjukkan mempunyai yang terbaik. Jadi model penyelidik diletakkan pada kontinum. Dari segi formula, ia adalah

Worst Possible Model – My Model
Worst Possible Model – Fit of the Best Possible Model

Model yang paling teruk dipanggil model null atau kebebasan dan konvensyen biasa adalah untuk membolehkan semua pembolehubah dalam model mempunyai variasi tetapi tiada korelasi. (Model null biasa adalah untuk membolehkan cara untuk menyamakan nilai sebenar mereka. Walau bagaimanapun, untuk model lengkung pertumbuhan, model null harus menetapkan cara sama, iaitu, tidak ada pertumbuhan.) Tahap kebebasan model null adalah k ( k – 1) / 2 di mana k ialah bilangan pemboleh ubah dalam model. Amos merujuk kepada model null sebagai model kebebasan. Perhatikan bahawa model batal yang berbeza perlu dipasang jika cara itu adalah sebahagian daripada model. Dalam kes ini, model null biasa adalah untuk membolehkan cara untuk menyamakan nilai sebenar mereka dan dengan demikian tahap kebebasan tidak berubah. Walau bagaimanapun, untuk model lengkung pertumbuhan, model null harus menetapkan cara sebagai sama, iaitu, tidak ada pertumbuhan.

Model null alternatif mungkin dipertimbangkan (tetapi hampir tidak pernah dilakukan). Satu model batal alternatif adalah bahawa semua korelasi pemboleh ubah laten adalah sifar dan satu lagi ialah semua pemboleh ubah eksogen dikaitkan tetapi pembolehubah endogen tidak dikecilkan antara satu sama lain dan pembolehubah eksogen. O’Boyle dan Williams (2011) mencadangkan dua model null yang berbeza untuk model pengukuran dan struktur.

 

Indeks Fit mutlak

Ukuran mutlak patut mengandaikan bahawa model pemasangan terbaik mempunyai sifar sifar. Ukuran yang sesuai kemudian menentukan sejauh mana model itu dari sempurna. Langkah-langkah yang sesuai adalah biasanya “kejahatan” ukuran yang sesuai dalam bahawa indeks yang lebih besar, lebih buruk patut itu.

Indeks Fitnah Perbandingan

Ukuran perbandingan yang sesuai hanya boleh difahami apabila membandingkan dua model yang berlainan. Istilah ini unik kepada laman web ini kerana langkah-langkah ini lebih sering dipanggil indeks yang sesuai mutlak. Walau bagaimanapun, adalah berguna untuk membezakan indeks mutlak yang tidak memerlukan perbandingan antara dua model. Satu kelebihan dari indeks yang sesuai perbandingan adalah ia dapat dikira untuk model tepu, dan supaya model tepu dapat dibandingkan dengan model yang tidak jenuh.

Kontroversi tentang Fit Indeks

Terdapat kontroversi yang cukup mengenai indeks yang sesuai. Sesetengah penyelidik tidak percaya bahawa indeks yang sesuai menambah apa-apa kepada analisis (mis., Barrett, 2007) dan hanya chi square harus ditafsirkan. Kebimbangan adalah bahawa indeks yang sesuai membenarkan para penyelidik untuk mendakwa bahawa model yang tidak jelas adalah model yang tidak baik. Lain (contohnya, Hayduk, Cummings, Boadu, Pazderka-Robinson, & Boulianne, 2007) berpendapat bahawa potongan untuk indeks yang sesuai boleh mengelirukan dan tertakluk kepada penyalahgunaan. Kebanyakan penganalisis percaya nilai indeks yang sesuai, tetapi berhati-hati terhadap pergantungan ketat terhadap potongan.

Juga bermasalah adalah “memetik ceri” indeks yang sesuai. Iaitu, anda mengira banyak indeks yang sesuai dan anda memilih satu indeks yang membolehkan anda membuat titik yang anda ingin buat. Sekiranya anda membuat keputusan untuk tidak melaporkan indeks popular (mis., TLI atau RMSEA), anda perlu memberi alasan yang baik mengapa anda tidak.

Akhirnya, Kenny, Kaniskan, dan McCoach (2014) berpendapat bahawa indeks yang sepadan tidak boleh dikira untuk model kebebasan kecil. Sebaliknya untuk model ini, penyelidik harus mencari sumber ralat spesifikasi.

Sumber : David A. Kenny

KOMEN ANDA

Komen

TENTANG KAMI | PENAFIAN | HUBUNGI | HANTAR ARTIKEL