Co oznacza Bootstrap w SEM?
Zastosowanie, warunki i dobre praktyki
Bootstrap wielokrotnie losuje obserwacje z zastępowaniem i ponownie estymuje cały model, aby przybliżyć rozkład parametrów oraz ich niepewność. Liczba replikacji, rodzaj przedziału, ziarno i sposób obsługi nieudanych rozwiązań wpływają na wynik. Resampling nie naprawia niereprezentatywnej próby, błędnego modelu ani zależnych obserwacji losowanych jak niezależne.
Najważniejsze zastosowanie: Stosuj przy niezależnych obserwacjach lub użyj bootstrapu zgodnego ze strukturą danych, np. klastrowego. Zapisz liczbę replikacji, seed, typ przedziału i odsetek nieudanych rozwiązań.
Jak poprawnie stosować i interpretować hasło „Bootstrap w SEM”?
Bootstrap w SEM przybliża rozkład estymatora przez wielokrotne losowanie obserwacji z zastępowaniem. Dla interpretacji hasła „Bootstrap w SEM” stosuje się go do oceny niepewności ścieżek, efektów pośrednich, ładunków i wag, gdy rozkład analityczny jest trudny lub asymetryczny. W odniesieniu do hasła „Bootstrap w SEM” jednostką losowania musi być niezależna jednostka projektu; dane zagnieżdżone lub powtarzane wymagają odpowiedniego schematu resamplingu.
W odniesieniu do hasła „Bootstrap w SEM” trzeba ustalić liczbę replikacji, rodzaj przedziału oraz sposób postępowania z rozwiązaniami niezbieżnymi lub zmianą znaku konstruktu. Przy ocenie hasła „Bootstrap w SEM” stabilność ocenia się przez porównanie estymaty oryginalnej z rozkładem bootstrapowym i kontrolę liczby dopuszczalnych replikacji. W analizie dotyczącej hasła „Bootstrap w SEM” bootstrap nie naprawia błędnej specyfikacji ani niereprezentatywnej próby.
Co trzeba opisać w raporcie?
W analizie dotyczącej hasła „Bootstrap w SEM” raport powinien podać liczbę replikacji, jednostkę i schemat losowania, ziarno generatora, rodzaj przedziału ufności oraz liczbę odrzuconych replikacji. Dla interpretacji hasła „Bootstrap w SEM” dla każdego kluczowego parametru należy przedstawić estymatę i przedział, a w przypadku testu jednostronnego jawnie uzasadnić kierunek hipotezy.
Zakres raportowania dla hasła „Bootstrap w SEM”: Podaj B, sposób losowania, CI percentile/BCa, seed i liczbę dopuszczalnych replikacji. Jeżeli część modeli nie zbiegała, wyjaśnij postępowanie.
Przykład praktyczny i gotowa interpretacja
Sytuacja: Dla efektu pośredniego ab = .12 bootstrap 95% CI [.04, .23] nie obejmuje zera. W danych przekrojowych wynik nadal nie dowodzi mechanizmu przyczynowego.
Jak ją zinterpretować: Rozkład parametrów uzyskany z ponownych losowań pozwala wyznaczyć przedziały bez prostego założenia normalności. Wiarygodność wymaga odpowiedniej jednostki resamplingu, liczby replikacji i raportu nieudanych rozwiązań.
Najczęstsza pułapka i granica interpretacji
Bootstrap nie naprawia niereprezentatywnej próby, błędnej specyfikacji ani zależności obserwacji. Bardzo małe N daje dyskretny i niestabilny rozkład replikacji.
W odniesieniu do hasła „Bootstrap w SEM” przedział bootstrapowy opisuje niepewność względem empirycznego rozkładu obserwacji i przyjętego schematu losowania. Przy ocenie hasła „Bootstrap w SEM” nie usuwa obciążenia wynikającego z pominiętych zmiennych, błędu pomiaru lub selekcji próby.
Definicje, zalecenia interpretacyjne i sposób raportowania oparto na literaturze metodologicznej wskazanej w bibliografii (Preacher i Hayes, 2008).
Powiązane hasła
Poradniki, w których użyjesz tego pojęcia
Wartość p: co naprawdę oznacza i jak ją poprawnie interpretować
Wartość p bez mitów: definicja, interpretacja, typowe błędy oraz sposób raportowania wraz z wielkością efektu i przedziałem ufności.
Czytaj →PoradnikRegresja logistyczna: założenia, interpretacja i raportowanie modelu
Regresja logistyczna w praktyce: założenia, iloraz szans, diagnostyka, kalibracja, AUC oraz zasady rzetelnego raportowania modelu.
Czytaj →PoradnikModelowanie równań strukturalnych (SEM): od teorii do raportu
SEM bez skrótów myślowych: model pomiarowy i strukturalny, CB-SEM a PLS-SEM, dopasowanie, założenia oraz raportowanie wyników.
Czytaj →Potrzebujesz wsparcia w analizie danych?
Wybierz ofertę dopasowaną do pracy dyplomowej albo profesjonalnego projektu naukowego.
Oferta dla badaczyOferta dla studentówBibliografia i dalsza literatura naukowa (APA 7)
- Preacher, K. J., & Hayes, A. F. (2008). Asymptotic and resampling strategies for assessing and comparing indirect effects in multiple mediator models. Behavior Research Methods, 40, 879–891. https://doi.org/10.3758/BRM.40.3.879
- MacKinnon, D. P., Lockwood, C. M., Hoffman, J. M., West, S. G., & Sheets, V. (2002). A comparison of methods to test mediation and other intervening variable effects. Psychological Methods, 7(1), 83–104. https://doi.org/10.1037/1082-989X.7.1.83
- Appelbaum, M., Cooper, H., Kline, R. B., Mayo-Wilson, E., Nezu, A. M., & Rao, S. M. (2018). Journal article reporting standards for quantitative research in psychology: The APA Publications and Communications Board task force report. American Psychologist, 73(1), 3–25. https://doi.org/10.1037/amp0000191
- Nosek, B. A., Ebersole, C. R., DeHaven, A. C., & Mellor, D. T. (2018). The preregistration revolution. Proceedings of the National Academy of Sciences, 115(11), 2600–2606. https://doi.org/10.1073/pnas.1708274114
- Dijkstra, T. K., & Henseler, J. (2015). Consistent partial least squares path modeling. MIS Quarterly, 39(2), 297–316. https://doi.org/10.25300/MISQ/2015/39.2.02
- Benitez, J., Henseler, J., Castillo, A., & Schuberth, F. (2020). How to perform and report an impactful analysis using partial least squares: Guidelines for confirmatory and explanatory IS research. Information & Management, 57(2), 103168. https://doi.org/10.1016/j.im.2019.05.003
Cytowania BibTeX
@article{preacher2008mediation, author={Preacher, Kristopher J. and Hayes, Andrew F.}, title={Asymptotic and resampling strategies for assessing and comparing indirect effects in multiple mediator models}, journal={Behavior Research Methods}, year={2008}, volume={40}, pages={879--891}, doi={10.3758/BRM.40.3.879}}@article{mackinnon2002mediation, author={MacKinnon, David P. and Lockwood, Chondra M. and Hoffman, Jeanne M. and West, Stephen G. and Sheets, Virgil}, title={A comparison of methods to test mediation and other intervening variable effects}, journal={Psychological Methods}, year={2002}, volume={7}, number={1}, pages={83--104}, doi={10.1037/1082-989X.7.1.83}}@article{appelbaum2018jars, author={Appelbaum, Mark and Cooper, Harris and Kline, Rex B. and Mayo-Wilson, Evan and Nezu, Arthur M. and Rao, Stephen M.}, title={Journal article reporting standards for quantitative research in psychology}, journal={American Psychologist}, year={2018}, volume={73}, number={1}, pages={3--25}, doi={10.1037/amp0000191}}@article{nosek2018preregistration, author={Nosek, Brian A. and Ebersole, Charles R. and DeHaven, Alexander C. and Mellor, David T.}, title={The preregistration revolution}, journal={Proceedings of the National Academy of Sciences}, year={2018}, volume={115}, number={11}, pages={2600--2606}, doi={10.1073/pnas.1708274114}}@article{dijkstra2015plsc, author={Dijkstra, Theo K. and Henseler, Jörg}, title={Consistent Partial Least Squares Path Modeling}, journal={MIS Quarterly}, year={2015}, volume={39}, number={2}, pages={297--316}, doi={10.25300/MISQ/2015/39.2.02}}@article{benitez2020impactful, author={Benitez, Jose and Henseler, Jörg and Castillo, Ana and Schuberth, Florian}, title={How to Perform and Report an Impactful Analysis Using Partial Least Squares: Guidelines for Confirmatory and Explanatory IS Research}, journal={Information and Management}, year={2020}, volume={57}, number={2}, pages={103168}, doi={10.1016/j.im.2019.05.003}}