Hakbang 1 ng Limang Hakbang sa SEM
Ang pangunahing saligan ng Structural Equation Modeling (SEM) ay ang isang market researcher "ay maaaring subukan kung ang ilang mga variable ay magkakaugnay sa pamamagitan ng isang hanay ng mga linear na relasyon sa pamamagitan ng pagsusuri sa mga pagkakaiba at covariances ng mga variable" (StatSoft, 2011) Ito ay marahil isa sa ang pinakamalinaw na pahayag tungkol sa SEM, KUNG maintindihan mo ang mga terminong ginamit sa pangungusap. Kaya, pag-aralan natin.
Variable - (Noun) Ayon sa Merriam-Webster: "1).
Ang isang elemento o salik na may pananagutan na mag-iba o magbago; 2) Ang isang dami na sa panahon ng pagkalkula ay ipinapalagay na mag-iba o kaya'y mag-iba ng halaga. "
Linear Relasyon - Ayon sa Investopedia: Sa pinakasimpleng termino, "ang relasyon sa pagitan ng isang variable at isang pare-pareho na maaaring ipinahayag sa isang graphic na kung saan ang isang pare-pareho at isang variable ay konektado sa pamamagitan ng isang tuwid na linya." Ang isang halimbawa ay ang gastos ng mga bangka na nagdaragdag sa isang linear na paraan habang ang isang gumagalaw up ang linya sa mas malaki at mas malaki na mga vessels na sinusukat sa pamamagitan ng parisukat na sukat sa talampakan.
Pagkakaiba - Ayon sa Diksyunaryo ng Negosyo: "1) Ang pagkakaiba sa pagitan ng inaasahang resulta at ang aktwal na resulta; 2) Sa mga istatistika, ang aritmetika ay nangangahulugang ang mga parisukat ng paglihis ng lahat ng mga halaga sa isang set ng mga numero mula sa kanilang aritmetika. at ang parisukat na ugat nito (ang karaniwang paglihis) ay may pangunahing kahalagahan bilang isang sukatan ng pagpapakalat. "
Variable Covariance - Ayon sa Merriam-Webster: "Sa istatistika at probabilidad teorya, covariance ay isang sukatan ng kung magkano ang dalawang mga variable na nagbabago magkasama."
Ang SEM ay Batay sa Istraktura Alin ang Batay sa Matematika
Ang unang hakbang na ito sa proseso ng SEM ay isa sa market researcher na nagsasabi - o pagguhit, sa pamamagitan ng paggamit ng diagram ng landas - ang paraan na siya / naniniwala siya na ang mga variable ay may kaugnayan.
Maaari itong makatulong na isipin ang epekto ng mga additive at multiplicative transformations. Halimbawa, kung ang isang listahan ng mga numero ay pinarami ng isang pare-pareho ang K, ang ibig sabihin at ang karaniwang paglihis ay pinarami rin ng lubos na halaga ng K. Awtomatiko ito. Sa mga numero, mukhang ito: Para sa mga numero 1,2, & 3: Ang ibig sabihin ay 2, at ang karaniwang paglihis ay 1. Sabihin K = 4. Pagpaparami ng 1, 2, & 3 ng mga resulta ng K sa 4, 8, & 12. Para sa 4, 8, & 12, ang ibig sabihin ay 8 at ang karaniwang paglihis ay 4. Ang pagkakaiba ay 16. Tandaan, "ang pagkakaiba ay isang sukatan kung gaano kalayo ang bawat halaga sa dataset ay mula sa ibig sabihin." Kaya, ang standard deviation squared.
Dahil alam mo na ang dalawang hanay ng mga numero ay may kaugnayan, at alam mo kung ano ang pagkakaiba, maaari mong hindi direktang subukan ang teorya na ang isang hanay ng mga numero ay may kaugnayan sa iba pang hanay ng mga numero sa pamamagitan ng paghahambing ng pagkakaiba ng mga variable.
Ang impormasyon tungkol sa Structural Equation Modeling sa ibaba ay batay sa nilalaman mula sa aklat ni RH Hoyle (ed.) 1995. Pag-modelo ng Equation Structural. Sage Publications, Inc. Thousand Oaks, CA sa kagandahang-loob ng Google Books, at sa mabait na interpretasyon ng kumplikadong pagsusulat tungkol sa SEM ni Ricka Stoelting, dating ng San Francisco State University.
Sa hakbang na detalye ng modelo, ang modelo ay tinukoy sa mga tuntunin ng mga parameter nito. Ang dalawang uri ng mga parameter ay isinasaalang-alang: Mga Fixed parameter at libreng mga parameter.
Bakit Napili ang Mga Parameter na Naayos o Libre?
Kinikilala kung aling mga parameter ang naayos at kung aling mga parameter ay libre ay kritikal sa integridad at aplikasyon ng modelo ng SEM. Tinutukoy ng taning o libreng mga pagtatalaga kung paano ihahambing ang mga bahagi ng modelo. Ang mga bahagi ng modelo ay 1) Ang hypothesized diagram, 2) ang sample na variance na populasyon, at 3) ang covariance matrix. Ang bawat isa sa mga sangkap na ito ay mahalaga para sa pagsubok ng fit ng modelo (na Hakbang 4)
Tinutukoy ng mananaliksik ng merkado kung aling mga parameter ang itinakda ng libre at kung aling mga parameter ang itinakda na naayos. Ang mga pagpipilian na ginawa ng market researcher ay isang pagmuni-muni ng isang priory teorya.
ay nangangahulugan na ang "mula sa dating" sa Latin, kaya ito ay tumutukoy sa teorya na ginawa bago ang pananaliksik o eksperimento ay naganap. Kaya ang isang priory na teorya ay ang pinakamahusay na hula tungkol sa mga relasyon na ginalugad sa pamamagitan ng proseso ng SEM.
Ang tagapagpananaliksik ng merkado ay gumagawa ng isang pinakamahusay na hula tungkol sa kung aling mga pathway ang magiging mahalaga sa pamanggit na istraktura. Ang market researcher surmises kung saan ang mga parameter ay maglaro ng isang bahagi sa sample ng pagkakaiba (na kung saan ay kapansin-pansin) at sa covariance matrix. Sa madaling salita, saan inaasahan ng mananaliksik ng merkado na maganap ang mga relasyon?
Ang isang nakapirming parameter ay karaniwang itinatag sa zero. Ang ibig sabihin ng zero ay walang relasyon sa pagitan ng mga variable. Dahil ang modelo ay batay sa mga landas, ang mga nakapirming parameter ay magkakaroon ng mga path na may mga numerical na label. Siyempre, ang isang pagbubukod ay nangyayari kung ang isang halaga ng zero ay itinalaga sa isang landas. Walang landas ang iguguhit sa diagram ng SEM para sa landas na may halaga ng zero.
Inaasahan ng isang researcher ng market ang mga libreng parameter na magkaroon ng mga halaga maliban sa zero. Tinatantya ang mga libreng parameter mula sa data na kapansin-pansin. Sa diagram ng SEM, ang mga landas ng libreng mga parameter ay minarkahan ng mga asterisk.
Handa nang magpatuloy?
- Kilalanin ang Modelo
- Tantyahin ang Modelo
- Subukan ang Pagkasyahin ng Modelo
- Manipulahin ang Modelo