Základní obsah
Mnoho psychologických, vzdělávacích, sociálních a dalších konceptů je obtížné přímo přesně měřit, tato proměnná se nazývá latentní proměnná, jako je inteligence, motivace k učení, rodinná společnost Ekonomický status , atd. K nepřímému měření těchto potenciálů tedy můžete použít pouze některé exotické indikátory. Tradiční statistické metody tyto potenciály efektivně nezpracovávají, zatímco model strukturních rovnic může současně pracovat s potenciálem a jeho indikátory. Tradiční lineární regresní analýza umožňuje chyby měření způsobené proměnnými, ale předpokládá, že argument není žádná chyba.
Model strukturních rovnic se často používá při verifikační faktorové analýze, faktorové analýze vysokého řádu, analýze cest a příčin, vícenásobném návrhu, jediném modelu a více sadách srovnání. Structure Equation Model Common Analysis Software má Lisrel, AMOS, EQS, MPLUS. Model strukturní rovnice lze rozdělit na model měření a strukturální model. Model měření se týká vztahu mezi indikátory a potenciálem. Strukturální model odkazuje na vztah mezi podmořskými proměnnými.
Vlastnosti
1. Práce s více proměnnými
Analýza strukturních rovnic může zvažovat a zpracovávat více proměnných současně. V regresní analýze nebo analýze cesty, i když je v grafu statistických výsledků zobrazeno více proměnných, se při výpočtu regresního koeficientu nebo koeficientu cesty stále vypočítává jedna po druhé pro každou splatnou proměnnou. Proto se zdá, že graf bere v úvahu více proměnných současně, ale při výpočtu dopadu proměnné ignoroval existenci dalších proměnných a jejich dopady.
2. Přístup k proměnným a proměnným obsahují chyby měření
postoj, proměnné chování, často obsahují chyby nebo se jednoduše měří pomocí jediného ukazatele. Analýza strukturních rovnic umožňuje nezávislé proměnné a proměnné obsahující chyby měření. Proměnné lze také měřit pomocí více ukazatelů. Koeficient fázové korelace mezi koeficientem mezi potenciálem konvenční metody je vypočítán z analýzy strukturální rovnice, která se může lišit.
3. Odhadovaná struktura faktorů a vztah faktorů
předpokládá, že korelace mezi potenciálními proměnnými, každý potenciál je měřena několika indikátory nebo tématy, běžně používaným Praxí je vypočítat faktor (tj. faktor) a téma problému (tj. zatížení faktorem) získat skóre faktorů a poté vypočítat skóre faktoru jako následné měření skóre faktorů Korelační koeficient. Jedná se o dva nezávislé kroky. Ve strukturální rovnici se tyto dva kroky provádějí současně, tedy vztah mezi vztahem mezi faktorem a tématem a vztah mezi faktory a faktory.
4. Model měření umožňující větší elasticitu
tradičně umožňuje každý název (ukazatel) pouze z jednoho faktoru, ale analýza strukturních rovnic umožňuje složitější modely. Například používáme anglicky psané matematické otázky k měření matematických schopností studentů a výsledky testů jsou jak z matematických faktorů, tak jsou také z anglických faktorů (protože skóre také odráží schopnosti angličtiny). Tradiční faktorová analýza se obtížně vypořádává s modelem více faktorů nebo komplikovaným vztahem otroka s faktory vysokého řádu.
5. Odhadovaný stupeň přizpůsobení celého modelu
V tradiční analýze cest může pouze odhadnout sílu každé cesty (vztah proměnných). Při analýze strukturních rovnic lze kromě odhadu výše uvedených parametrů vypočítat různé modely, aby se určilo, který ze stejných dat vzorku je bližší vztahu prezentovanému daty.
Porovnání
Lineární související analýza: Lineární související analýza ukazuje statistiku mezi dvěma náhodnými proměnnými. Dvě proměnné jsou si rovny, není zde žádný rozdíl kvůli proměnným a argumentům. Korelační koeficient proto nemůže odrážet kauzální vztah mezi jednotlivými ukazateli a celkem.
Lineární regresní analýza: Lineární regrese je složitější metoda než lineárně související metody, která definuje proměnné a argumenty v modelu. Může však poskytovat pouze přímé účinky mezi proměnnými a nemůže zobrazovat nepřímé účinky možných. Výsledkem bude jediný ukazatel a celkový výsledek negativní korelace.
Analýza modelu strukturních rovnic: Model strukturních rovnic je metoda stanovení, odhadování a testování modelů kauzálních vztahů. Model obsahuje jak pozorovatelnou grafiku, tak může obsahovat potenciál, který nelze přímo pozorovat. Model strukturních rovnic může nahradit vícenásobnou regresi, analýzu cesty, faktorovou analýzu, kovalentní analýzu atd., jasně analyzovat vztah mezi jediným ukazatelem na celkovou roli a jediným ukazatelem.
Jednoduchá, odlišná od tradiční regresní analýzy, analýza strukturních rovnic může zpracovávat více proměnných současně, porovnávat a vyhodnocovat různé teoretické modely. Na rozdíl od tradiční explorativní faktorové analýzy ji lze v modelu strukturních rovnic navrhnout navržením specifické struktury faktorů a testuje se, zda odpovídá datům. Prostřednictvím více sad strukturních rovnic můžeme pochopit, zda vztah mezi proměnnými v různých skupinách zůstává nezměněn a existuje významný rozdíl v průměru každého faktoru.
Data h2> Velikost vzorku
Z teorie: Čím větší je kapacita vzorku, tím lépe. Boomsma (1982) navrhuje, že kapacita vzorku je alespoň 100, s výhodou větší než 200 nebo více. Pro různé modely jsou vyžadovány různé modely. Obecné požadavky jsou následující: N/P> 10; N/T>; 5; kde N je kapacita vzorku, T je počet parametrů volného odhadu a P je počet indikátorů.
Číslo indikátoru
Počet indikátorů obecných požadavků na faktor je alespoň 3. V rané fázi průzkumného výzkumu nebo návrhového dotazníku může být počet indikátorů faktoru vhodný a výsledky před testem lze podle potřeby smazat. Když je méně než 3 nebo pouze 1 (faktor sám o sobě je proměnlivá částka, např. příjem), existuje speciální metoda zpracování.
Typ dat
Většina modelů strukturálních rovnic je založena na datech volnoběhu, poměru a sekvenování. Ale software (jako je MPLUS) může zpracovávat data přizpůsobení. Požadavky na data musí mít dostatečné variace a korelační koeficient může být zřejmý. Pokud jsou matematická skóre ve vzorku velmi blízko (pokud je kolem 95 bodů), je rozdíl mezi matematickými výsledky způsoben chybami měření a korelace mezi matematikou a ostatními proměnnými není významná.
Normalismus dat
Metoda odhadu extrémně velké pravděpodobnosti (ML) je nejběžnější metodou analýzy strukturních rovnic. Předpokladem pro metodu ML je, že proměnné mají multinormální rozdělení. Nenormální data mohou být reprezentována plácnutím ve špičce (Kurtosis). Reprezentace amplifikace dat je symetrická a stupeň píku indikuje, že data jsou plochá. Metody odhadu zahrnuté v Lisrelu jsou: ML (velká pravděpodobnost), GLS (obecné nejmenší čtverce), WLS (obecně vážené nejmenší čtverce) atd., WLS nevyžaduje, aby byla data normální.
Aplikace
Modelování dat analýzy pomocí modelu strukturních rovnic je proces dynamických konstantních modifikací. Během modelování výzkumníci analyzují racionalitu tohoto modelu prostřednictvím každého modelovacího výpočtu a poté neustále upravují strukturu modelu na základě výsledků přizpůsobení předchozího modelu a nakonec dosáhnou toho nejrozumnějšího, který odpovídá faktům.
Při aplikaci modelu (SC) je z pohledu aplikace pouze jeden model jím analyzovaných dat nejrozumnější a nejvíce v souladu s údaji z průzkumu. Aplikační struktura rovnice modelování Analyzovat účel analýzy dat, ověřit, že model je přizpůsoben tak, aby odpovídal vzorovým datům, což je určeno, zda tento model přijmout nebo zamítnout. Tento typ analýzy není nic moc, protože ať už se jedná o přijetí nebo odmítnutí tohoto modelu, z pohledu aplikace doufám, že budu mít lepší výběr.
V analýze Select Model (AM) navrhuje zařízení modelu strukturální rovnice několik různých možných modelů (známých také jako alternativní modely nebo konkurenční modely) a poté se vzorová data přizpůsobí každému modelu. Horší situace určuje, který model je nejžádanější. Tento typ analýzy je více ověřený, ale z aplikace, i když modelové zařízení získá nejžádanější model, je stále nutné provést mnoho úprav modelu, ze kterého se stane modelová analýza tříd.
Při generování modelové analýzy (tj. modelu typu MG) modelové zařízení nejprve navrhne jeden nebo více základních modelů a poté zkontroluje, zda tyto modely odpovídají vzorovým datům na základě teorie nebo vzorových dat, a analyzuje Model je přizpůsoben dobře, v souladu s tím je model upraven a stupeň přizpůsobení modelu je kontrolován stejnými vzorovými daty nebo jinými vzorovými daty stejného typu. Účelem celého procesu analýzy je vytvořit optimální model.
Strukturální rovnici lze proto použít jako model hodnocení a model opravy, který lze použít jako model ověřování a jiný model. Některé modely strukturních rovnic nejprve vycházejí z předem nastaveného modelu a poté je tento model potvrzen ukázkovými daty. Pokud přednastavený model není příliš dobrý, upraví se přednastavený model, pak se upraví přednastavený model, pak se proces opakuje, dokud se nakonec nezíská modelové zařízení k přemýšlení a přizpůsobení dat. K dosažení jeho spokojenosti má přitom každý odhad parametru i rozumné vysvětlení.