no comments

Pemodelan persamaan struktur dalam penyelidikan perubatan: primer

Langkah-langkah

Langkah 1: Kenal pasti Masalah Penyelidikan

penyelidik membangunkan hipotesis tentang hubungan antara pembolehubah yang berdasarkan teori, penemuan empirikal sebelum atau kedua-duanya [15]. Hubungan ini boleh diberikan secara langsung atau tidak langsung di mana campur tangan pembolehubah boleh menjadi pengantara kesan satu pemboleh ubah pada yang lain. Penyelidik juga perlu menentukan sama ada hubungan adalah satu arah atau dwiarah, dengan menggunakan penyelidikan sebelumnya dan ramalan teori sebagai panduan. Penyelidik menggariskan model dengan menentukan bilangan dan hubungan pembolehubah yang diukur dan laten. Perhatian perlu diambil dalam menggunakan pembolehubah yang memberikan petunjuk yang sah dan boleh dipercayai konstruk kajian. Penggunaan pemboleh ubah laten bukanlah pengganti bagi pembolehubah yang tidak dapat diukur. Gambar rajah laluan yang menggambarkan model struktur dan pengukuran akan membimbing penyelidik semasa mengenal pasti model, seperti yang dinyatakan berikut.

Langkah 2: Kenal pasti Model

Mengenalpasti model adalah langkah penting dalam pembangunan model kerana keputusan pada tahap ini akan menentukan sama ada model itu boleh dinilai dengan baik. Untuk setiap parameter dalam model yang dianggarkan, mesti ada sekurang-kurangnya banyak nilai (iaitu varians dan nilai kovarians) sebagai parameter model (misalnya, pekali jalan, ralat pengukuran) .b Model yang kurang daripada nilai-nilai ini daripada parameter dirujuk sebagai dikenal pasti dan mustahil untuk menyelesaikan secara matematik. Masalah ini juga berlaku ketika pembolehubah sangat intercorrelated (multicollinearity) c, skala pembolehubah tidak tetap (path dari pemboleh ubah laten ke salah satu pembolehubah yang diukur mesti ditetapkan sebagai pemalar), atau tidak ada penyelesaian yang unik untuk persamaan kerana hasil yang kurang dikenali menghasilkan lebih banyak parameter untuk dianggarkan daripada maklumat yang diberikan oleh pembolehubah yang diukur. Dalam model yang dikenal pasti terdapat bilangan penyelesaian yang tidak terhad dan oleh itu tidak ada yang unik. Masalah ini boleh diperbaiki dengan penambahan pembolehubah bebas, yang memerlukan model dikonsepkan sebelum data dikumpulkan. Terdapat banyak lagi isu yang perlu dipertimbangkan semasa menguruskan parameter yang tidak dapat ditangani dalam buku asas ini. Untuk maklumat lanjut mengenai pengenalan model, pembaca digalakkan untuk melihat Kline

Langkah 3: Anggarkan Model

Terdapat banyak prosedur anggaran untuk model ujian, dengan tiga perkara utama dibincangkan di sini. ML ditetapkan sebagai penganggar lalai dalam kebanyakan perisian SEM. Ini adalah proses berulang yang menganggarkan sejauh mana model meramalkan nilai-nilai matriks kovarians sampel, dengan nilai lebih dekat kepada sifar yang menunjukkan lebih baik. Kemungkinan maksimum nama berdasarkan pengiraannya. Anggaran memaksimumkan kemungkinan bahawa data diambil dari penduduknya. Anggaran memerlukan saiz sampel yang besar, tetapi biasanya tidak bergantung pada unit pengukuran pembolehubah yang diukur. Ia juga kukuh untuk pengagihan data bukan normal.

Satu lagi perkiraan yang digunakan secara meluas adalah sekurang-kurangnya dataran (LS), yang meminimumkan jumlah kuadrat sisa dalam model. LS mirip dengan ML kerana ia juga meneliti corak hubungan, tetapi demikian dengan menentukan penyelesaian yang optimum dengan meminimumkan jumlah skor penyelewengan kuadrat antara model hipotesis dan diperhatikan. Ia sering melakukan lebih baik dengan saiz sampel yang lebih kecil dan memberikan anggaran yang lebih tepat mengenai model apabila andaian-andaian taburan, kebebasan, dan saiz sampel asimtotik dilanggar.

Prosedur anggaran pengedaran asimtomatik (ADF) yang ketiga (juga dikenali sebagai Squares Leasted Weighted) kurang digunakan tetapi mungkin sesuai jika data miring atau memuncak. ML, bagaimanapun, cenderung lebih dipercayai daripada ADF. Kaedah ini juga memerlukan saiz sampel 200 hingga 500 untuk mendapatkan anggaran yang boleh dipercayai untuk model mudah dan boleh menganggar parameter model kurang [16,19]. Untuk maklumat lanjut lihat Hu et al. dan Muthén dan Kaplan

Langkah 4: Tentukan Kebaikan Fit Fit Model

Prosedur anggaran ini menentukan sejauh mana model sesuai dengan data. Memasang model jalur ubah laten melibatkan meminimumkan perbezaan antara kovarians sampel dan kovarians yang diramalkan oleh model. Model penduduk secara rasmi diwakili sebagai:

Σ = Σ(θ)

Di mana Σ adalah matriks kovarians populasi bagi pembolehubah yang diperhatikan, θ adalah vektor yang mengandungi parameter model, dan Σ (θ) ialah matriks kovarian yang ditulis sebagai fungsi θ. Persamaan mudah ini membolehkan pelaksanaan pendekatan matematik dan statistik umum untuk analisis sistem persamaan struktur linear melalui perkiraan parameter dan pemasangan model. Anggaran boleh dikelaskan mengikut jenis pengedaran (multinormal, eliptik, sewenang-wenangnya) yang diandaikan pada data dan matriks berat yang digunakan semasa pengiraan. Fungsi untuk diminimumkan diberikan oleh:

Q = [s − σ(θ)]’W[s − σ(θ)]

di mana s adalah vektor data yang akan dimodelkan – varians dan kovarians pembolehubah yang diperhatikan – dan σ adalah model untuk data. Vektor model σ adalah fungsi parameter yang lebih mendasar θ yang dianggarkan untuk meminimumkan Q. W ialah matriks berat yang boleh ditentukan dalam beberapa cara untuk menghasilkan beberapa penganggar yang berbeza yang bergantung kepada pengagihan yang diandaikan.

Pada dasarnya penyelidik cuba untuk mewakili matriks kovarians populasi dalam pembolehubah sampel. Kemudian, satu prosedur anggaran dipilih, yang berjalan melalui proses berulang sehingga penyelesaian terbaik dijumpai.

Satu lagi sumber maklumat dalam output adalah indeks yang sesuai. Terdapat banyak indeks yang tersedia, dengan kebanyakannya antara 0 hingga 1 dengan nilai yang tinggi yang menunjukkan tahap varians yang besar dalam data yang diambil oleh model. Indeks Perbandingan Pantas (CFI) paling biasa digunakan dan membandingkan model yang sedia ada dengan model null. Sesuatu yang baik juga diwakili oleh nilai sisa rendah (mis., .00), yang mewakili jumlah varians yang tidak diambil kira oleh model. Ini dikira sebagai indeks seperti Ralat Purata Kesilapan Kekurangan Rantaian (RMSEA), yang merupakan punca kuasa dua perbezaan antara anggaran dan nilai sebenar. Satu lagi kebaikan-of-fit statistik yang lazim dilaporkan adalah χ2, yang menilai kemungkinan bahawa perbezaan antara matriks kovarians populasi dan model tersirat matriks kovarians adalah sifar. Walau bagaimanapun, statistik ini bervariasi sebagai fungsi saiz sampel, tidak boleh diterjemahkan secara langsung (kerana tidak ada terikat atas), dan hampir selalu penting. Walau bagaimanapun, berguna apabila membandingkan model dengan sampel yang sama. Contohnya, Dahly, Adair, dan Bollen [22] menguji pelbagai indeks yang sesuai untuk model yang berbeza yang menggambarkan hubungan antara ketinggian ibu dan kawasan lengan lemak dengan pertumbuhan janin. Apabila menambah dan membuang pembolehubah, serta menentukan hubungan yang berbeza antara pembolehubah, setiap indeks patut sepadan dihitung. Ini membolehkan penyelidik menentukan faktor-faktor dalam persekitaran janin yang paling berkaitan dengan tekanan darah sistolik golongan dewasa muda. Ringkasnya, apabila menilai statistik yang sesuai, nilai CFI ≥ 90 dan RMSEA <.05 dianggap memadai.

Perbandingan indeks dijalankan oleh Hu dan Bentler  mengenai data yang melanggar andaian taburan normal, kebebasan pemerhatian, dan simetri. Keputusan mereka menunjukkan bahawa TLI, BL89, RNI, CFI, Mc, Gamma Hat, dan RMSEA dapat mengenal pasti model yang baik. Kebanyakan daripada ini disediakan oleh pakej perisian SEM standard (mis., EQS, LISREL, Mplus, AMOS) .d

Untuk menentukan kebaikan model yang sesuai, saiz sampel adalah pertimbangan yang penting. Ia mesti cukup besar untuk mendapatkan anggaran parameter yang stabil. Banyak cadangan telah diterbitkan, menunjukkan bahawa tidak ada aturan keputusan yang tepat. Kajian Monte Carlo memberikan bimbingan yang mengukur saiz 10 untuk model satu faktor, lima diperhatikan, dan 30 untuk dua faktor, lima model yang diperhatikan yang memberikan hasil yang mantap . Garis panduan yang lebih umum digunakan dalam penyelidikan semasa dengan cadangan bahawa sekurang-kurangnya 100 tetapi sebaiknya 200 kes diperlukan untuk memperoleh hasil yang stabil. Menggunakan sampel yang besar mengurangkan kemungkinan variasi rawak yang boleh berlaku dalam sampel kecil [25], tetapi mungkin sukar diperolehi dalam amalan.

Satu lagi sumber maklumat dalam output adalah indeks yang sesuai. Terdapat banyak indeks yang tersedia, dengan kebanyakannya antara 0 hingga 1 dengan nilai yang tinggi yang menunjukkan tahap varians yang besar dalam data yang dikira oleh model. Indeks Perbandingan Pantas (CFI) paling biasa digunakan dan membandingkan model yang sedia ada dengan model null. Sesuatu yang baik juga diwakili oleh nilai sisa rendah (mis., .00), yang mewakili jumlah varians yang tidak diambil kira oleh model. Ini dikira sebagai indeks seperti Ralat Purata Kesilapan Kekurangan Rantaian (RMSEA), yang merupakan punca kuasa dua perbezaan antara anggaran dan nilai sebenar. Satu lagi kebaikan-of-fit statistik yang lazim dilaporkan adalah χ2, yang menilai kemungkinan bahawa perbezaan antara matriks kovarians populasi dan model tersirat matriks kovarians adalah sifar. Walau bagaimanapun, statistik ini bervariasi sebagai fungsi saiz sampel, tidak boleh diterjemahkan secara langsung (kerana tidak ada terikat atas), dan hampir selalu penting. Walau bagaimanapun, berguna apabila membandingkan model dengan sampel yang sama. Sebagai contoh, Dahly, Adair, dan Bollen menguji pelbagai indeks yang sesuai untuk model yang berbeza yang menunjukkan hubungan antara ketinggian ibu dan kawasan lengan lemak dengan pertumbuhan janin. Apabila menambah dan membuang pembolehubah, serta menentukan hubungan yang berbeza antara pembolehubah, setiap indeks patut sepadan dihitung. Ini membolehkan penyelidik menentukan faktor-faktor dalam persekitaran janin yang paling berkaitan dengan tekanan darah sistolik golongan dewasa muda. Ringkasnya, apabila menilai statistik yang sesuai, nilai CFI ≥ 90 dan RMSEA <.05 dianggap mencukupi.

Perbandingan indeks dijalankan oleh Hu dan Bentler pada data yang melanggar andaian taburan normal, kebebasan pemerhatian, dan simetri. Keputusan mereka menunjukkan bahawa TLI, BL89, RNI, CFI, Mc, Gamma Hat, dan RMSEA dapat mengenal pasti model yang baik. Kebanyakan daripada ini disediakan oleh pakej perisian SEM standard (mis., EQS, LISREL, Mplus, AMOS) .d

Untuk menentukan kebaikan model yang sesuai, saiz sampel adalah pertimbangan yang penting. Ia mesti cukup besar untuk mendapatkan anggaran parameter yang stabil. Banyak cadangan telah diterbitkan, menunjukkan bahawa tidak ada aturan keputusan yang tepat. Kajian Monte Carlo memberikan bimbingan yang mengukur saiz 10 untuk model satu faktor, lima yang diperhatikan, dan 30 untuk dua faktor, lima model yang diperhatikan yang memberikan hasil yang mantap. Garis panduan yang lebih umum digunakan dalam penyelidikan semasa dengan cadangan bahawa sekurang-kurangnya 100 tetapi lebih baik 200 kes diperlukan untuk mendapatkan hasil yang stabil. Menggunakan sampel yang besar mengurangkan kemungkinan variasi rawak yang boleh berlaku dalam sampel kecil, tetapi mungkin sukar diperolehi dalam amalan.

Langkah 5: Tentukan semula Model jika Perlu

Untuk mendapatkan hasil yang lebih baik, urutan langkah di atas diulangi sehingga model paling ringkas diambil (iaitu, prinsip perakuan). Prosedur yang disyorkan untuk memperbaiki anggaran model adalah melalui pemeriksaan saiz nilai sisa piawai antara pembolehubah. Sisa besar mungkin mencadangkan model tidak mencukupi. Ini boleh ditangani dengan penambahan pautan laluan, atau memasukkan pemboleh ubah pengantara atau penyederhana (jika disokong secara teoritis). Sebaik sahaja model itu dikira semula, keadaannya mungkin menunjukkan peningkatan dan sisa mungkin dikurangkan. Keputusan ini kemudian perlu disahkan pada sampel alternatif, dan melalui kajian selanjutnya. Replikasi ini menguatkan keyakinan terhadap kesimpulan, dan memberikan implikasi untuk perkembangan teori dan aplikasi praktikal.

Sumber : Tanya N Berancorresponding author1 and Claudio Violato1

KOMEN ANDA

Komen

TENTANG KAMI | PENAFIAN | HUBUNGI | HANTAR ARTIKEL