Perussisältö
Monia psykologisia, kasvatuksellisia, sosiaalisia ja muita käsitteitä on vaikea mitata suoraan tarkasti, tätä muuttujaa kutsutaan piileväksi muuttujaksi, kuten älykkyys, oppimismotivaatio, perheyhteiskunta Taloudellinen asema jne. Siksi voit käyttää vain joitain eksoottisia indikaattoreita näiden potentiaalien epäsuoraan mittaamiseen. Perinteiset tilastolliset menetelmät eivät käsittele näitä potentiaalia tehokkaasti, kun taas rakenneyhtälömalli pystyy käsittelemään samanaikaisesti potentiaalia ja sen indikaattoreita. Perinteinen lineaarinen regressioanalyysi sallii muuttujista johtuvat mittausvirheet, mutta olettaa, että argumentti ei ole virhe.
Rakenneyhtälömallia käytetään usein varmistustekijäanalyysissä, korkean tason tekijäanalyysissä, polku- ja syy-analyysissä, usean aikavälin suunnittelussa, yksittäisessä mallissa ja useissa vertailusarjoissa. Rakenneyhtälömalli Yhteisessä analyysiohjelmistossa on Lisrel, AMOS, EQS, MPLUS. Rakenneyhtälömalli voidaan jakaa mittausmalliin ja rakennemalliin. Mittausmalli viittaa indikaattoreiden ja potentiaalin väliseen suhteeseen. Rakennemalli viittaa sukellusvenemuuttujien väliseen suhteeseen.
Ominaisuudet
1. Useiden muuttujien käsittely
rakenneyhtälöanalyysi voi ottaa huomioon ja käsitellä useita muuttujia samanaikaisesti. Regressioanalyysissä tai polkuanalyysissä, vaikka tilastotulostaulukossa olisi useita muuttujia, regressiokerrointa tai polkukerrointa laskettaessa se lasketaan silti yksitellen jokaiselle erääntyvälle muuttujalle. Siksi kaavio näyttää ottavan huomioon useita muuttujia samanaikaisesti, mutta muuttujan vaikutusta laskettaessa se on jättänyt huomioimatta muiden muuttujien olemassaolon ja sen vaikutukset.
2. Pääsy muuttujiin ja muuttujat sisältävät mittausvirheitä
asenne, käyttäytymismuuttujat sisältävät usein virheitä tai ne mitataan yksinkertaisesti yhdellä indikaattorilla. Rakenneyhtälöanalyysi mahdollistaa riippumattoman muuttujan ja mittausvirheitä sisältävät muuttujat. Muuttujia voidaan mitata myös useilla indikaattoreilla. Perinteisen menetelmän potentiaalin välisen kertoimen välinen vaihekorrelaatiokerroin lasketaan rakenneyhtälöanalyysistä, joka voi vaihdella.
3. Arvioitu tekijärakenne ja tekijäsuhde
olettaa, että potentiaalisten muuttujien välinen korrelaatio, jokainen potentiaali mitataan useilla indikaattoreilla tai aiheilla, yleisesti käytetyllä Käytännössä lasketaan tekijä (eli tekijä) ja ongelman aihe (eli tekijäkuorma) saada tekijäpisteet ja laskea sitten tekijäpisteet tekijäpisteiden myöhemmäksi mittaukseksi Korrelaatiokerroin. Tämä on kaksi itsenäistä vaihetta. Rakenneyhtälössä nämä kaksi vaihetta suoritetaan samanaikaisesti, eli tekijän ja aiheen välisen suhteen sekä tekijöiden ja tekijöiden välisen suhteen.
4. Mittausmalli, joka mahdollistaa suuremman joustavuuden
perinteisesti sallii vain jokaisen otsikon (indikaattorin) yhdestä tekijästä, mutta rakenneyhtälöanalyysi mahdollistaa monimutkaisemmat mallit. Käytämme esimerkiksi englannin kielen matematiikan kysymyksiä mittaamaan opiskelijoiden matemaattista kykyä, ja testitulokset ovat sekä matemaattisista tekijöistä että ne ovat myös englanninkielisiä tekijöitä (koska pisteet heijastavat myös englannin kielen osaamista). Perinteisellä tekijäanalyysillä on vaikea käsitellä useiden tekijöiden mallia tai monimutkaista orjasuhdetta korkealuokkaisten tekijöiden kanssa.
5. Arvioi koko mallin sovitusasteen
Perinteisessä polkuanalyysissä se voi vain arvioida kunkin polun vahvuuden (muuttujasuhde). Rakenneyhtälöanalyysissä voidaan edellä mainittujen parametrien arvioinnin lisäksi laskea erilaisia malleja, joiden avulla voidaan määrittää, kumpi samoista näytetiedoista on lähempänä datan esittämää suhdetta.
Vertailu
Lineaarinen liittyvä analyysi: Lineaarinen liittyvä analyysi ilmaisee tilastot kahden satunnaismuuttujan välillä. Kaksi muuttujaa ovat yhtä suuret, muuttujista ja argumenteista ei ole eroa. Siksi korrelaatiokerroin ei voi kuvastaa yksittäisten indikaattoreiden ja kokonaisuuden välistä syy-yhteyttä.
Lineaarinen regressioanalyysi: Lineaarinen regressio on monimutkaisempi menetelmä kuin lineaarisesti toisiinsa liittyvät menetelmät, jotka määrittelevät mallin muuttujat ja argumentit. Mutta se voi tarjota vain suoria vaikutuksia muuttujien välillä, eikä se voi näyttää mahdollisten epäsuoria vaikutuksia. Ja tuloksena on yksi indikaattori ja yleinen negatiivinen korrelaatiotulos.
Rakenneyhtälömallin analyysi: Rakenneyhtälömalli on menetelmä syy-yhteysmallien luomiseen, arvioimiseen ja testaamiseen. Malli sisältää molemmat havaittavissa olevat grafiikat, tai se voi sisältää potentiaalin, jota ei voida suoraan havaita. Rakenneyhtälömalli voi korvata usean regression, polkuanalyysin, tekijäanalyysin, kovalenttisen analyysin jne., analysoida selkeästi yksittäisen indikaattorin välistä suhdetta kokonaisrooliin ja yksittäiseen indikaattoriin.
Yksinkertainen, perinteisestä regressioanalyysistä poikkeava rakenneyhtälöanalyysi voi käsitellä useita muuttujia samanaikaisesti, vertailla ja arvioida erilaisia teoreettisia malleja. Toisin kuin perinteisessä tutkivassa tekijäanalyysissä, rakenneyhtälömallissa sitä voidaan ehdottaa ehdottamalla tiettyä tekijärakennetta ja testataan, vastaako se dataa. Useiden rakenneyhtälösarjojen avulla voimme ymmärtää, pysyykö eri ryhmien muuttujien välinen suhde ennallaan ja onko kunkin tekijän keskiarvossa merkittävä ero.
Data h2> Näytteen koko
Teoriasta: Mitä suurempi näytekapasiteetti on, sitä parempi. Boomsma (1982) ehdottaa, että näytekapasiteetti on vähintään 100, mieluiten yli 200 tai enemmän. Eri malleja varten tarvitaan eri malleja. Yleiset vaatimukset ovat seuraavat: N / P> 10; N/T> 5; missä N on näytekapasiteetti, T on vapaiden estimointiparametrien lukumäärä ja P on indikaattoreiden lukumäärä.
Indikaattorin numero
Tekijän yleisvaatimusten indikaattoreiden lukumäärä on vähintään 3. Tutkivan tutkimuksen tai suunnittelukyselyn alkuvaiheessa tekijäindikaattoreiden määrä voi olla sopiva, ja esitestin tulokset voidaan poistaa tarpeen mukaan. Kun vähemmän kuin 3 tai vain 1 (kerroin itsessään on muuttuva määrä, kuten tulot), on olemassa erityinen käsittelymenetelmä.
Tietotyyppi
Suurin osa rakenneyhtälömalleista perustuu joutokäynti-, suhde- ja järjestystietoihin. Mutta ohjelmistot (kuten MPLUS) voivat käsitellä mukautustietoja. Tietovaatimuksissa on oltava riittävät vaihtelut, ja korrelaatiokerroin voi olla ilmeinen. Jos matematiikan pisteet otoksessa ovat hyvin lähellä (jos se on noin 95 pistettä), matematiikan tulosten välinen ero johtuu mittausvirheistä, eikä matematiikan ja muiden muuttujien välinen korrelaatio ole merkitsevä.
Datanormalismi
Äärimmäisen suuren todennäköisyyden estimointimenetelmä (ML) on yleisin rakenneyhtälöiden analyysimenetelmä. ML-menetelmän edellytyksenä on, että muuttujat ovat moninormaalijakaumia. Tiedon epänormaalia voidaan esittää iskulla (Kurtosis). Datan vahvistusesitys on symmetrinen, ja huippuaste osoittaa, että data on tasaista. Lisreliin sisältyvät estimointimenetelmät ovat: ML (suuri todennäköisyys), GLS (generalisoidut pienimmän neliösummat), WLS (yleiset painotetut pienimmän neliösumman neliöt) jne., WLS ei vaadi tietojen olevan normaali.
Sovellus
Analyysitietojen mallintaminen rakenneyhtälömallilla on dynaaminen vakiomuokkausprosessi. Mallintamisen aikana tutkijat analysoivat tämän mallin rationaalisuutta jokaisen mallinnuslaskelman kautta ja muokkaavat sitten jatkuvasti mallin rakennetta edellisen mallin sovitustulosten perusteella ja saavat lopuksi järkevimmän, yhteensopivan tosiasioiden kanssa.
Mallin (SC) sovelluksessa sovelluksen näkökulmasta vain yksi malli hänen analysoimista tiedoista on järkevin ja parhaiten soveltuva tutkimusaineiston kanssa. Sovellusrakenneyhtälömallinnus Analysoida tietojen analysoinnin tarkoitus, varmistaa, että malli on sovitettu sopimaan mallitietoihin, jotka määritetään hyväksytäänkö vai hylätäänkö tämä malli. Tämän tyyppinen analyysi ei ole paljoa, sillä onko se tämän mallin hyväksyminen tai hylkääminen, sovelluksen näkökulmasta, toivon saavani paremman valinnan.
Select Model (AM) -analyysissä rakenneyhtälömallilaitteisto ehdottaa useita erilaisia mahdollisia malleja (tunnetaan myös vaihtoehtoisina malleina tai kilpailevina malleina), ja sitten näytetiedot sopivat kunkin mallin mukaan. Huonompi tilanne määrittää, mikä malli on halutuin. Tämän tyyppinen analyysi on validoitumpaa, mutta sovelluksesta, vaikka mallilaitteisto saisikin halutuimman mallin, on silti tarpeen tehdä paljon muutoksia malliin, josta tulee malliluokka-analyysi.
Luodessaan mallianalyysiä (eli MG-tyyppistä mallia) mallikonelaitteisto ehdottaa ensin yhtä tai useampaa perusmallia ja tarkistaa sitten, sopivatko nämä mallit näytetietoihin teorian tai näytetietojen perusteella ja analysoi Malli on sovitettu no, vastaavasti mallia muokataan ja mallin sovitusaste tarkistetaan samoilla näytetiedoilla tai muilla samantyyppisillä näytetiedoilla. Tällaisen koko analyysiprosessin tarkoituksena on tuottaa optimaalinen malli.
Siksi rakenneyhtälöä voidaan käyttää arviointimallina ja korjausmallina, jota voidaan käyttää todennusmallina ja eri mallina. Jotkut rakenneyhtälömallit lähtevät ensin esiasetetusta mallista ja sitten tämä malli vahvistetaan näytetiedoilla. Jos esiasetettu malli ei ole kovin hyvä, esiasetettua mallia muutetaan, sitten esiasetettua mallia muutetaan, sitten prosessia toistetaan, kunnes lopulta saadaan mallisovellus ajatteluun ja tietojen sovitukseen. Saavuttaakseen hänen tyytyväisyytensä, kun taas jokainen parametriarvio on myös kohtuullinen selitys.