Słownik metodologiczny · Modele SEM

d_ULS i d_G

Pełne wyjaśnienie, zastosowanie naukowe i praktyczne, przykład, dobre praktyki oraz gotowy zapis wyniku w APA 7.

Strona główna / Słownik / d_ULS i d_G

Opracowanie merytoryczne: · Opublikowano: · Aktualizacja:

Co oznacza d_ULS i d_G?

d_ULS i d_G są miarami rozbieżności między obserwowaną a implikowaną macierzą korelacji. d_ULS wykorzystuje kwadrat euklidesowej odległości elementów macierzy, a d_G odległość geodezyjną w przestrzeni macierzy dodatnio określonych.

Zastosowanie, warunki i dobre praktyki

d_ULS i d_G mierzą rozbieżność między empiryczną a implikowaną macierzą zależności odpowiednio przez normę euklidesową i geodezyjną. W PLS-SEM ocenia się je względem kwantyli z bootstrapu dla dokładnego lub przybliżonego dopasowania. Nie mają uniwersalnych progów liczbowych, a ich zachowanie zależy od specyfikacji, standaryzacji i procedury resamplingu.

Najważniejsze zastosowanie: Używaj w composite-based SEM i CCA z rozkładem referencyjnym uzyskanym przez bootstrap lub permutację. Oceniaj także lokalne reszty i parametry.

Jak to się oblicza i co oznaczają symbole?

d_ULS = Σᵢ<ⱼ (rᵢⱼ − r̂ᵢⱼ)²

rᵢⱼ oznacza obserwowaną korelację między wskaźnikami i oraz j, a r̂ᵢⱼ korelację implikowaną przez model. d_ULS sumuje kwadraty rozbieżności w dolnym trójkącie macierzy; d_G opiera się na odległości geodezyjnej między macierzami. W PLS-SEM wartości porównuje się z rozkładem bootstrapowym dla dokładnie określonego modelu, a nie z uniwersalnym progiem.

Jak poprawnie stosować i interpretować hasło „d_ULS i d_G”?

Interpretując „d_ULS i d_G”, należy najpierw ustalić, jaką rozbieżność lub własność modelu mierzy dany indeks oraz od czego zależy jego skala. Dla interpretacji hasła „d_ULS i d_G” pojedynczy próg nie może zastąpić oceny reszt, parametrów i sensu teoretycznego. W odniesieniu do hasła „d_ULS i d_G” dwa modele o podobnej wartości indeksu mogą prowadzić do innych wniosków, jeśli różnią się specyfikacją pomiaru albo kluczowymi ścieżkami.

Ocena pojęcia „d_ULS i d_G” powinna łączyć indeksy reprezentujące różne aspekty dopasowania, diagnostykę lokalną i porównanie modeli uzasadnionych przed analizą. Przy ocenie hasła „d_ULS i d_G” wielkość próby, liczba zmiennych i estymator wpływają na zachowanie wielu wskaźników. W analizie dotyczącej hasła „d_ULS i d_G” modyfikację modelu należy traktować jako eksplorację i sprawdzić na nowych danych, zamiast dopasowywać rozwiązanie do szumu.

Co trzeba opisać w raporcie?

Raport dotyczący „d_ULS i d_G” powinien podać wartość indeksu wraz z estymatorem i pełnym zestawem kluczowych miar dopasowania. Dla interpretacji hasła „d_ULS i d_G” warto wskazać przyjęte kryteria, lecz końcowy wniosek oprzeć także na resztach, rozwiązaniach niedopuszczalnych i parametrach. W odniesieniu do hasła „d_ULS i d_G” każda modyfikacja wymaga uzasadnienia treściowego, a nie tylko oczekiwanego spadku χ².

Zakres raportowania dla hasła „d_ULS i d_G”: Raportuj wartość, HI95/HI99 lub p, liczbę replikacji, rodzaj macierzy i ustawienia estymacji. Pokaż największe reszty wskaźnikowe.

Przykład praktyczny i gotowa interpretacja

Sytuacja: d_ULS = .42 sam nie ma uniwersalnej interpretacji. Jeżeli jest mniejszy od 95. percentyla rozkładu HI95, model nie wykazuje większej rozbieżności niż oczekiwana w przyjętej procedurze.

Jak ją zinterpretować: Wartości opisują globalną rozbieżność według dwóch różnych geometrii i powinny być porównane z kwantylami bootstrapu. Nie istnieje wspólny stały próg; wynik zależy od modelu, standaryzacji i procedury resamplingu.

Najczęstsza pułapka i granica interpretacji

Nie stosuj stałych progów niezależnych od modelu i próby. Niedopuszczalna macierz może uniemożliwić obliczenie d_G.

Akceptowalna wartość „d_ULS i d_G” nie potwierdza prawdziwości modelu ani przyczynowego znaczenia strzałek. Przy ocenie hasła „d_ULS i d_G” model może być globalnie dopasowany, a jednocześnie błędny w części istotnej dla pytania badawczego.

Definicje, zalecenia interpretacyjne i sposób raportowania oparto na literaturze metodologicznej wskazanej w bibliografii (Schuberth et al., 2018).

Powiązane hasła

Confirmatory Composite Analysis (CCA)AVE (średnia wyodrębniona wariancja)Hierarchiczna zmienna latentna (konstrukt wyższego rzędu)HTMT (heterotrait-monotrait ratio)Ładunek zewnętrzny (outer loading)Macierz ładunków i ładunków krzyżowych

Poradniki, w których użyjesz tego pojęcia

Poradnik

Modelowanie 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 →Poradnik

PLS-SEM krok po kroku: założenia, model pomiarowy i strukturalny

Praktyczny przewodnik po PLS-SEM: kiedy metoda odpowiada pytaniu, jak odróżnić kompozyt od wspólnego czynnika, ocenić model i uczciwie raportować wynik.

Czytaj →Poradnik

PLS-SEM w R: kompletny przykład w seminr i cSEM

Odtwarzalny przykład PLS-SEM w R: specyfikacja refleksyjna i kompozytowa, PLSc, bootstrap, HTMT, R², f² i ocena predykcyjna w seminr oraz cSEM.

Czytaj →

Potrzebujesz wsparcia w analizie danych?

Wybierz ofertę dopasowaną do pracy dyplomowej albo profesjonalnego projektu naukowego.

Oferta dla badaczyOferta dla studentów

Bibliografia i dalsza literatura naukowa (APA 7)

  1. Schuberth, F., Henseler, J., & Dijkstra, T. K. (2018). Confirmatory composite analysis. Frontiers in Psychology, 9, 2541. https://doi.org/10.3389/fpsyg.2018.02541
  2. Henseler, J., & Schuberth, F. (2020). Using confirmatory composite analysis to assess emergent variables in business research. Journal of Business Research, 120, 147–156. https://doi.org/10.1016/j.jbusres.2020.07.026
  3. 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
  4. Rademaker, M. E., & Schuberth, F. (2020). cSEM: Composite-based structural equation modeling (Version 0.6.1) [R package]. https://floschuberth.github.io/cSEM/
  5. Jarvis, C. B., MacKenzie, S. B., & Podsakoff, P. M. (2003). A critical review of construct indicators and measurement model misspecification in marketing and consumer research. Journal of Consumer Research, 30(2), 199–218. https://doi.org/10.1086/376806
  6. Hu, L., & Bentler, P. M. (1999). Cutoff criteria for fit indexes in covariance structure analysis: Conventional criteria versus new alternatives. Structural Equation Modeling, 6(1), 1–55. https://doi.org/10.1080/10705519909540118

Cytowania BibTeX

@article{schuberth2018cca, author={Schuberth, Florian and Henseler, Jörg and Dijkstra, Theo K.}, title={Confirmatory Composite Analysis}, journal={Frontiers in Psychology}, year={2018}, volume={9}, pages={2541}, doi={10.3389/fpsyg.2018.02541}}
@article{henseler2020cca, author={Henseler, Jörg and Schuberth, Florian}, title={Using Confirmatory Composite Analysis to Assess Emergent Variables in Business Research}, journal={Journal of Business Research}, year={2020}, volume={120}, pages={147--156}, doi={10.1016/j.jbusres.2020.07.026}}
@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}}
@manual{rademaker2020csem, author={Rademaker, Manuel E. and Schuberth, Florian}, title={cSEM: Composite-Based Structural Equation Modeling}, year={2020}, note={R package version 0.6.1}, url={https://floschuberth.github.io/cSEM/}}
@article{jarvis2003measurement, author={Jarvis, Cheryl Burke and MacKenzie, Scott B. and Podsakoff, Philip M.}, title={A Critical Review of Construct Indicators and Measurement Model Misspecification in Marketing and Consumer Research}, journal={Journal of Consumer Research}, year={2003}, volume={30}, number={2}, pages={199--218}, doi={10.1086/376806}}
@article{hu1999sem, author={Hu, Li-tze and Bentler, Peter M.}, title={Cutoff criteria for fit indexes in covariance structure analysis}, journal={Structural Equation Modeling}, year={1999}, volume={6}, number={1}, pages={1--55}, doi={10.1080/10705519909540118}}
R