मेरा अस्वीकरण : मुझे पता है कि इस सवाल ने कुछ समय के लिए निष्क्रिय कर दिया है, लेकिन यह एक महत्वपूर्ण है, और ऐसा लगता है कि आप कई प्रतिक्रियाओं का विरोध करना चाहते हैं। मैं सोशल साइकोलॉजिस्ट हूं, और इसकी ध्वनियों से, हेनरिक की तुलना में इस तरह के डिजाइन के साथ शायद थोड़ा अधिक आरामदायक है (हालांकि कारण व्याख्याओं के बारे में उनकी चिंता पूरी तरह से वैध है)।
SEM किन परिस्थितियों में एक उपयुक्त डेटा विश्लेषण तकनीक है?
मेरे लिए, यह प्रश्न वास्तव में दो अलग-अलग उप-प्रश्नों पर मिलता है:
- पहली जगह में SEM का उपयोग क्यों करें?
- यदि किसी शोधकर्ता ने SEM का उपयोग करने का निर्णय लिया है, तो SEM का उपयोग करने के लिए डेटा से संबंधित आवश्यकताएं क्या हैं?
पहली जगह में SEM का उपयोग क्यों करें?
SEM एक अधिक बारीक और जटिल है - और इसलिए कम सुलभ - अन्य की तुलना में डेटा विश्लेषण के लिए दृष्टिकोण, अधिक विशिष्ट, सामान्य रैखिक मॉडलिंग दृष्टिकोण (जैसे, ANOVAs, सहसंबंध, प्रतिगमन, और उनके एक्सटेंशन, आदि)। कुछ भी आप उन तरीकों के साथ करने के बारे में सोच सकते हैं, आप SEM के साथ कर सकते हैं।
जैसे, मुझे लगता है कि उपयोगकर्ताओं को पहले यह दृढ़ता से मूल्यांकन करना चाहिए कि वे पहली बार एसईएम का उपयोग करने के लिए क्यों मजबूर हैं। यह सुनिश्चित करने के लिए, SEM अपने उपयोगकर्ताओं को कुछ शक्तिशाली लाभ प्रदान करता है, लेकिन मैंने उन पत्रों की समीक्षा की है, जिनमें से कोई भी इन लाभों का उपयोग नहीं किया गया है, और अंतिम उत्पाद एक पेपर में डेटा विश्लेषण अनुभाग है जो विशिष्ट पाठकों के लिए समझने में अनावश्यक रूप से अधिक कठिन है । यह सिर्फ शोधकर्ता या पाठक के लिए - मुसीबत के लायक नहीं है - यदि SEM बनाम अन्य डेटा विश्लेषण दृष्टिकोणों के लाभों का लाभ नहीं उठाया जा रहा है।
तो मैं एसईएम दृष्टिकोण के प्राथमिक लाभों के रूप में क्या देखता हूं? मेरी राय में बड़े लोग हैं:
(1) अव्यक्त चर को मॉडलिंग करना : SEM उपयोगकर्ताओं को संरचनात्मक संबंधों (भिन्न, सहसंबंध / सहसंबंध, प्रतिगमन, समूह माध्य अंतर) की जांच करने की अनुमति देता है, जो बिना किसी अव्यक्त अव्यक्त चर के बीच होते हैं, जो अनिवार्य रूप से चर के समूह के बीच साझा सहसंयोजक होते हैं (जैसे, एक चिंता से आइटम) उपाय का उपयोग करें)
अव्यक्त चर का विश्लेषण करने के लिए बड़ा विक्रय बिंदु (जैसे, अव्यक्त चिंता) बनाम निर्माण का एक मनाया स्कोर (जैसे, चिंता की वस्तुओं का एक औसत) यह है कि अव्यक्त चर त्रुटि-रहित हैं - अव्यक्त चर साझा सहसंयोजक से बनते हैं और त्रुटि कुछ नहीं के साथ सहसंयोजक के लिए वर्गीकृत है। यह बढ़े हुए सांख्यिकीय शक्ति में बदल जाता है, क्योंकि उपयोगकर्ताओं को अब मापनीयता के बारे में चिंता करने की कोई आवश्यकता नहीं है जो उन प्रभावों को ध्यान में रखते हुए है जो वे मॉडल करने की कोशिश कर रहे हैं।
एसईएम का उपयोग करने पर विचार करने का एक और कारण, कुछ मामलों में है, कुछ मामलों में यह निर्माणों के बारे में हमारे सिद्धांतों का परीक्षण करने का एक अधिक रचनात्मक तरीका है। यदि आपके छात्र, उदाहरण के लिए, चिंता के तीन अलग-अलग उपायों का उपयोग कर रहे थे, तो क्या उन तीन उपायों के कारणों / परिणामों को समझना बेहतर नहीं होगा - उन तीन उपायों में आम तौर पर - एक SEM ढांचे में, बजाय किसी विशेषाधिकार के चिंता के उपाय के रूप में विशेष रूप से एक उपाय ?
(2) कई आश्रित चर को मॉडलिंग करना: यदि कोई अव्यक्त चर को मॉडल करने के लिए SEM का उपयोग नहीं करने जा रहा है, तब भी यह एक मॉडल में एक साथ कई परिणाम चर का विश्लेषण करने के लिए एक रूपरेखा के रूप में काफी उपयोगी हो सकता है। उदाहरण के लिए, शायद आपके छात्र यह पता लगाने में रुचि रखते हैं कि एक ही भविष्यवक्ता कितने अलग-अलग चिकित्सकीय प्रासंगिक परिणामों (जैसे, चिंता, अवसाद, अकेलापन, आत्म-सम्मान, आदि) से जुड़ा है। चार अलग-अलग मॉडल क्यों बढ़ाएं (टाइप I एरर रेट में वृद्धि), जब आप सिर्फ उन चार परिणामों के लिए एक मॉडल चला सकते हैं, जिनमें आप रुचि रखते हैं? यह कुछ प्रकार के आश्रित डेटा के साथ काम करते समय SEM का उपयोग करने का एक कारण भी है, जहां कई, आश्रित उत्तरदाताओं दोनों उपज भविष्यवक्ता और परिणाम प्रतिक्रियाएं (उदाहरण के लिए, डायडिक डेटा; केनी, काशी और कुक, 2006;
(3) मॉडलिंग धारणाएं, उन्हें बनाने के बजाय : डेटा विश्लेषण के कई अन्य तरीकों के साथ (जैसे, एनोवा, सहसंबंध, प्रतिगमन), हम डेटा के गुणों के बारे में एक टन धारणा बनाते हैं जो हम काम कर रहे हैं - जैसे कि समरूपता विचरण / homoskedasticity। SEM (आमतौर पर एक अव्यक्त चर दृष्टिकोण के साथ संयुक्त) उपयोगकर्ताओं को वास्तव में मॉडल चर मापदंडों के साथ-साथ साधन और / या सहसंबंधी / प्रतिगामी रास्ते के साथ मॉडल करने में सक्षम बनाता है। इसका अर्थ है कि उपयोगकर्ता परिवर्तनशीलता के बारे में परिकल्पना के बारे में और परीक्षण करना शुरू कर सकते हैं, मतलब भिन्नता / सहूलियत के अलावा, परिवर्तनशीलता को केवल कष्टप्रद धारणा से संबंधित के रूप में व्यवहार कर सकते हैं।
एक और परीक्षण योग्य धारणा, जब किसी चर पर समूह माध्य स्तरों की तुलना की जाती है, तो क्या वह चर वास्तव में प्रत्येक समूह के लिए एक ही चीज का अर्थ है - इस प्रक्रिया की समीक्षा के लिए SEM साहित्य में माप व्युत्क्रम के रूप में संदर्भित (वैंडेनबर्ग एंड लांस, 2000 देखें) )। यदि ऐसा है, तो उस चर के माध्य स्तरों पर तुलना मान्य है, लेकिन यदि समूहों में किसी चीज़ के बारे में काफी अलग समझ है, तो समूहों के बीच औसत स्तर की तुलना करना संदिग्ध है। हम समूह-तुलनाओं का उपयोग करते हुए अनुसंधान में हर समय इस विशेष धारणा को स्पष्ट करते हैं।
और फिर यह धारणा है, कि जब आप एक औसत सूचकांक बनाने के लिए आइटम स्कोर (जैसे, एक चिंता उपाय पर) औसत या योग करते हैं, कि प्रत्येक आइटम अंतर्निहित निर्माण का एक समान रूप से अच्छा उपाय है (क्योंकि प्रत्येक आइटम को समान रूप से भारित किया जाता है। औसत / संक्षेप)। एसईएम इस धारणा को समाप्त करता है जब प्रत्येक आइटम के लिए अलग-अलग कारक लोडिंग मान (आइटम और अव्यक्त चर के बीच संबंध) का आकलन करके, अव्यक्त चर का उपयोग किया जाता है।
अंत में, डेटा के बारे में अन्य धारणाएं (उदाहरण के लिए, सामान्यता), हालांकि अभी भी SEM के लिए महत्वपूर्ण है, प्रबंधित किया जा सकता है (e.g, "मजबूत" अनुमानकों के उपयोग के माध्यम से, Finney और DiStefano, 2008 देखें) जब डेटा पूरा करने में विफल रहता है कुछ मानदंड (स्केवनेस और कर्टोसिस के निम्न स्तर)।
(4) मॉडल बाधाओं को निर्दिष्ट करना: आखिरी बड़ा कारण, मेरी राय में, SEM का उपयोग करने पर विचार करने के लिए, क्योंकि यह विशेष परिकल्पना का परीक्षण करना बहुत आसान बनाता है जो आपके डेटा के मॉडल के बारे में हो सकता है, एसईएम में मजबूर ("विवश") आपके मॉडल में कुछ पथ विशेष मानों को लेने के लिए, और यह जांचना कि आपके मॉडल के फिट को आपके डेटा पर कैसे प्रभाव पड़ता है। कुछ उदाहरणों में शामिल हैं: (ए) एक प्रतिगमन मार्ग को शून्य करने के लिए विवश करना, यह परीक्षण करने के लिए कि क्या यह मॉडल में आवश्यक है; (बी) परिमाण में समान होने के लिए कई प्रतिगमन रास्ते युक्त होते हैं (उदाहरण के लिए, चिंता और अवसाद के लिए मोटे तौर पर कुछ भविष्यवक्ता के लिए साहचर्य ताकत है;) (सी) माप इनवेरियन (ऊपर वर्णित) का मूल्यांकन करने के लिए आवश्यक माप मापदंडों को बाधित करना; (डी) दो अलग-अलग समूहों के बीच ताकत के बराबर होने के लिए एक प्रतिगमन मार्ग को बाधित करना,
SEM के लिए डेटा से संबंधित आवश्यकताएं क्या हैं?
SEM के लिए डेटा से संबंधित आवश्यकताएं बहुत मामूली हैं; आपको एक पर्याप्त नमूना आकार की आवश्यकता है, और आपके डेटा के लिए आपके द्वारा चुने गए मॉडल अनुमानक की मान्यताओं को पूरा करने के लिए (अधिकतम-संभावना विशिष्ट है)।
नमूना आकार के लिए एक-आकार-फिट-सभी सिफारिश देना मुश्किल है। कुछ सरल सिमुलेशन के आधार पर, लिटिल (2013) का सुझाव है कि बहुत सरल मॉडल के लिए, 100-150 अवलोकन पर्याप्त हो सकते हैं, लेकिन मॉडल के अधिक जटिल हो जाने पर नमूना आकार की आवश्यकताएं बढ़ जाएंगी, और / या उपयोग किए गए चर की विश्वसनीयता / वैधता के रूप में। मॉडल कम हो जाता है। यदि मॉडल जटिलता एक चिंता का विषय है, तो आप अपने अव्यक्त चर के संकेतकों को पार्सल करने पर विचार कर सकते हैं, लेकिन सभी इस दृष्टिकोण (छोटे, कनिंघम, शाहर, और विडमैन, 2002) के साथ जहाज पर नहीं हैं। लेकिन आम तौर पर बोलते हुए, बाकी सभी समान, बड़े नमूने (मैं अपने स्वयं के अनुसंधान में 200 न्यूनतम के लिए प्रयास करता हूं) बेहतर हैं।
एक चयनित अनुमानक की मान्यताओं को पूरा करने के लिए, आमतौर पर यह आकलन करना बहुत आसान है (उदाहरण के लिए, अधिकतम संभावना अनुमानक के लिए तिरछा और कुर्तोसिस मूल्यों को देखें)। और यहां तक कि अगर डेटा ग्रहण किए गए गुणों से विदा हो जाता है, तो एक शोध "मजबूत" अनुमानक (Finney और DiStefano, 2008) के उपयोग पर विचार कर सकता है, या एक अनुमानक जो एक अलग तरह का डेटा मानता है (जैसे, एक स्पष्ट अनुमानक, जैसे तिरछे भारित कम से कम वर्ग)।
SEM के लिए डेटा विश्लेषण के लिए विकल्प?
यदि एक शोधकर्ता एक एसईएम दृष्टिकोण द्वारा प्रदान किए गए लाभों का लाभ उठाने के लिए नहीं जा रहा है जो मैंने ऊपर हाइलाइट किया है, तो मैं उस विशेष विश्लेषण (ई..जी, टी) के अधिक सीधे-आगे और सुलभ संस्करण से चिपके रहने की सलाह दूंगा। -tests, ANOVAs, सहसंबंध विश्लेषण, प्रतिगमन मॉडल [मध्यस्थता, मॉडरेशन, और सशर्त प्रक्रिया मॉडल सहित)]। पाठक उनसे अधिक परिचित हैं, और इसलिए अधिक आसानी से उन्हें समझ पाएंगे। यदि आप अनिवार्य रूप से एसईएम का उपयोग एक सरल विश्लेषणात्मक दृष्टिकोण के रूप में एसईएम का उपयोग कर रहे हैं तो यह सिर्फ पाठकों को भ्रमित करने के लिए नहीं है।
SEM के उपयोग को ध्यान में रखते हुए शोधकर्ताओं को सलाह?
SEM के लिए नए ब्रांड के लिए:
- एक व्यापक, सुलभ-लिखित फाउंडेशन SEM टेक्स्ट प्राप्त करें। मुझे ब्यूजियन (2014), ब्राउन (2015; पहले वाला संस्करण भी ठोस है) पसंद है, और लिटिल (2013; अच्छा समग्र परिचय, भले ही बाद में यह अनुदैर्ध्य मॉडल पर विशेष रूप से ध्यान केंद्रित करता है)।
lavaanपैकेज R(रोज़सेल, 2012) का उपयोग करना सीखें । यह सिंटैक्स उतना आसान है जितना कि एसईएम सिंटैक्स प्राप्त कर सकता है, यह कार्यक्षमता कई लोगों की एसईएम आवश्यकताओं (निश्चित रूप से शुरुआती के लिए) के लिए पर्याप्त व्यापक है, और यह मुफ़्त है। ब्यूजियन पुस्तक SEM और lavaanपैकेज के लिए एक साथ शानदार परिचय देती है।- नियमित रूप से CrossValidated और StacksOverflow का उपयोग करें। SEM मॉडल फिट करते समय अनपेक्षित चीजें हो सकती हैं, और संभावना है कि आपके द्वारा अनुभव की जा सकने वाली कई अजीब चीजें पहले ही स्टैक्स पर वर्णित और समस्या निवारण कर सकती हैं।
- जैसा कि हेरिक बताते हैं, सिर्फ इसलिए कि आप एक मॉडल को निर्दिष्ट कर रहे हैं, जो कार्य-कारण संघों को दर्शाता है, इसका मतलब यह नहीं है कि एसईएम एक पार-अनुभागीय / गैर-प्रयोगात्मक अध्ययन में कार्य-क्षमता को स्थापित करने में मदद करता है। इसके अलावा, यह अनुदैर्ध्य और / या प्रयोगात्मक डिजाइनों से डेटा का विश्लेषण करने के लिए SEM के उपयोग पर विचार करने के लिए पूरी तरह से लायक है।
और उन लोगों के लिए जो वास्तव में SEM का उपयोग करने लगे हैं:
- आप अपने मॉडल के फिट को बेहतर बनाने के प्रयास में, कुछ बिंदु पर, सहसंबद्ध अवशिष्ट अवशेषों को निर्दिष्ट करने के लिए लुभाएंगे। मत करो। कम से कम एक अच्छा प्राथमिक कारण के बिना नहीं । अधिक बार नहीं, एक बड़ा नमूना, या एक सरल मॉडल इलाज है।
- अव्यक्त चर के लिए पहचान के मार्कर-चर विधि के उपयोग से बचें (यानी, 1 को लोड करने वाले पहले कारक को ठीक करना)। यह विशेषाधिकार है कि आपके अव्यक्त चर के "स्वर्ण-मानक" संकेतक के रूप में संकेतक, जब ज्यादातर मामलों में, यह मानने का कोई कारण नहीं है कि यह मामला है। ध्यान रखें कि यह अधिकांश कार्यक्रमों में डिफ़ॉल्ट पहचान सेटिंग है।
संदर्भ
ब्यूजियन, एए (2014)। R: A चरण-दर-चरण मार्गदर्शिका का उपयोग करके अव्यक्त चर मॉडलिंग । न्यूयॉर्क, एनवाई: रूटलेज।
ब्राउन, टीए (2015)। लागू शोधकर्ताओं (2 संस्करण) के लिए पुष्टि कारक विश्लेषण । न्यूयॉर्क, एनवाई: गिलफोर्ड प्रेस।
फिननी, एसजे, और डिसेफानो, सी। (2008)। संरचनात्मक समीकरण मॉडलिंग में गैर-सामान्य और श्रेणीबद्ध डेटा। जीआर हैनकॉक और आरडी म्यूएलर (ईडीएस) में, संरचनात्मक समीकरण मॉडलिंग: एक दूसरा कोर्स (पीपी। 269-314)। सूचना आयु प्रकाशन।
केनी, डीए, काशी, डीए, और कुक, डब्ल्यूएल (2006)। डायैडिक डेटा विश्लेषण । न्यूयॉर्क, एनवाई: गिलफोर्ड प्रेस।
लिटिल, टीडी (2013)। अनुदैर्ध्य संरचनात्मक समीकरण मॉडलिंग । न्यूयॉर्क, एनवाई: गिलफोर्ड प्रेस।
लिटिल, टीडी, कनिंघम, डब्ल्यूए, शाहर, जी।, और विडमैन, केएफ (2002)। पार्सल के लिए या नहीं करने के लिए: सवाल का अन्वेषण, गुण का वजन। संरचनात्मक समीकरण मॉडलिंग , 9 , 151-173।
रोज़सेल, वाई। (2012)। लावाण: संरचनात्मक समीकरण मॉडलिंग के लिए एक आर पैकेज। सांख्यिकीय सॉफ्टवेयर जर्नल , 48 (2), 1-36।
वैंडेनबर्ग, आरजे, और लांस, सीई (2000)। माप की प्रतिरूपण साहित्य की समीक्षा और संश्लेषण: संगठनात्मक शोधकर्ताओं के लिए सुझाव, अभ्यास और सिफारिशें। संगठनात्मक अनुसंधान के तरीके , 3 , 4-70।