no comments

structural equation modelling (Bilakah kita menggunakannya?)

Bayangkan jika anda ingin memahami dengan lebih baik persepsi pengguna mana yang paling berkaitan dengan Suka, Minat Pembelian atau Kepuasan dalam kategori produk atau perkhidmatan anda, dan juga lihat apakah terdapat segmen pengguna (kelompok) terpendam dengan persepsi yang berbeza mengenai kategori atau ciri yang mereka sedang mencari. Walaupun bukan tugas pemodelan yang sederhana, SEM sesuai untuk tujuan ini, dan gambar jenama juga dapat dipaparkan untuk membantu kita memahami bagaimana dimensi persepsi jenama yang membezakan jenama.

SEM boleh digunakan untuk pekerjaan yang lebih sederhana, seperti contoh di bawah dari tinjauan pengguna mengenai kategori penjagaan diri lelaki. Ilustrasi ini adalah versi ringkas dan berjubah dari model penuh, yang merangkumi banyak lagi atribut serta pemboleh ubah eksogen seperti usia. Saya harus perhatikan bahawa banyak output selain gambarajah jalan perlu diperiksa dengan teliti!

 

Gambar SEM 2

  • Dalam rajah jalan di atas, oval mewakili faktor, juga dikenali sebagai pemboleh ubah laten, pemboleh ubah tidak diamati atau pemboleh ubah tak terukur dalam SEM lingo. Ini adalah konsep teori yang dapat disimpulkan tetapi tidak dapat diukur secara langsung.
  • Persegi panjang digunakan untuk mewakili atribut, juga disebut pemboleh ubah yang diukur, pemboleh ubah yang diamati, atau variabel manifes. Dalam contoh ini, faktor Tradisional ditunjukkan oleh, atau diukur oleh, atribut Prestigious, Big Brand dan Reliable .
  • Anak panah berkepala tunggal yang menunjuk dari satu pemboleh ubah laten ke yang lain menggambarkan hubungan sebab-akibat hipotetikal, misalnya kesan Tradisional terhadap Ekuiti Jenama , pemboleh ubah bersandar dalam analisis ini. Ini dapat disamakan dengan pekali regresi. Anak panah berkepala tunggal yang berjalan dari pemboleh ubah laten ke atribut setara dengan pemuatan dalam Analisis Faktor.
  • Anak panah berkepala dua adalah korelasi antara pemboleh ubah eksogen (bebas) laten dalam contoh ini.
  • Nombor yang berdekatan dengan anak panah adalah pekali regresi, pekali korelasi dan pemuatan faktor. Dalam SEM, pekali regresi biasanya lebih kecil daripada korelasi dan pemuatan, seperti yang ada di sini.
  • Untuk mengurangkan kekacauan, saya telah menghilangkan kesalahan dan istilah baki, yang serupa dengan faktor unik dalam Analisis Faktor dan istilah baki dalam regresi.

Jenama yang dinilai dalam tinjauan ini juga dipetakan dalam plot penyebaran mengikut skor faktor mereka dalam model lengkap. Ini tidak ditunjukkan atas alasan kerahsiaan dan ruang.

Pemodelan Campuran Persamaan Struktural (SEMM) digunakan untuk melihat apakah mungkin terdapat segmen pengguna tersembunyi dengan keperluan yang sangat berbeza yang mengintai data. (Saya menyebutnya “Segmentasi Pemandu.”) Disimpulkan bahawa dua model pemandu diperlukan, yang sebahagiannya mencerminkan tahap harga, tetapi faktor yang sama (pemboleh ubah laten) dapat digunakan untuk kedua segmen ini. Ini tidak selalu berlaku dan ada kalanya model yang sangat berbeza diperlukan.

Dengan hanya mengandaikan bahawa model satu-ukuran-sesuai  saja boleh membawa kepada keputusan yang sangat buruk, tetapi menjalankan banyak model pada subkumpulan yang telah ditentukan juga tidak disarankan melainkan kita mempunyai alasan teori dan empirikal yang kukuh untuk mempercayai subkumpulan ini benar-benar berbeza berkenaan dengan keperluan atau persepsi mereka. Pemodelan Campuran sangat sukar tetapi wajar dilakukan apabila dilakukan dengan cekap. Kadang-kadang kita membuat kesimpulan bahawa satu model keseluruhan adalah mencukupi – penemuan negatif juga penting.

 

sumber : kdnuggets.com

 

KOMEN ANDA

Komen

TENTANG KAMI | PENAFIAN | HUBUNGI | HANTAR ARTIKEL