Słownik metodologiczny · Modele SEM

Macierz reszt standaryzowanych w SEM

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

Strona główna / Słownik / Macierz reszt standaryzowanych w SEM

Opracowanie merytoryczne: · Opublikowano: · Aktualizacja:

Co oznacza Macierz reszt standaryzowanych w SEM?

Macierz reszt standaryzowanych pokazuje różnice między obserwowanymi i implikowanymi przez model kowariancjami lub korelacjami po uwzględnieniu ich skali. Umożliwia lokalizację niedopasowania ukrytego przez globalne indeksy.

Zastosowanie, warunki i dobre praktyki

Każda reszta pokazuje lokalną różnicę między obserwowaną i odtworzoną kowariancją lub korelacją po standaryzacji. Macierz ujawnia obszary złego dopasowania, które może ukryć średni wskaźnik globalny. Duża reszta nie wskazuje automatycznie parametru do dodania; trzeba rozważyć treść wskaźników, pominięte ładunki i możliwość błędu danych.

Najważniejsze zastosowanie: Oceniaj po sprawdzeniu dopuszczalności rozwiązania. Szukaj skupisk dużych reszt związanych z konkretną pozycją, czynnikiem, efektem metody lub pominiętą ścieżką.

Jak poprawnie stosować i interpretować hasło „Macierz reszt standaryzowanych w SEM”?

W odniesieniu do hasła „Macierz reszt standaryzowanych w SEM” diagnostyka lokalna SEM pokazuje, gdzie model nie odtwarza obserwowanych zależności. Przy ocenie hasła „Macierz reszt standaryzowanych w SEM” standaryzowane reszty wskazują konkretne pary zmiennych z niedopasowaniem, a indeks modyfikacji przybliża spadek χ² po uwolnieniu jednego parametru. W analizie dotyczącej hasła „Macierz reszt standaryzowanych w SEM” sugerowana korelacja reszt wymaga treściowego mechanizmu, takiego jak wspólna metoda lub podobne sformułowanie pozycji; sama duża liczba nie jest uzasadnieniem.

W analizie dotyczącej hasła „Macierz reszt standaryzowanych w SEM” należy oglądać cały wzorzec reszt i parametry, nie tylko największy indeks. Dla interpretacji hasła „Macierz reszt standaryzowanych w SEM” wielokrotne modyfikacje wybrane z tej samej próby kapitalizują przypadek, dlatego poprawiony model wymaga walidacji. W odniesieniu do hasła „Macierz reszt standaryzowanych w SEM” trzeba również sprawdzić, czy lokalny problem nie wynika z pominiętego czynnika, złej skali wskaźnika albo niewłaściwego estymatora.

Co trzeba opisać w raporcie?

W odniesieniu do hasła „Macierz reszt standaryzowanych w SEM” raport powinien podać kryterium inspekcji, największe istotne reszty lub indeksy oraz każdą wprowadzoną zmianę wraz z uzasadnieniem teoretycznym. Przy ocenie hasła „Macierz reszt standaryzowanych w SEM” należy odróżnić model planowany od zmodyfikowanego i przedstawić wyniki obu, a poprawę dopasowania opisać jako eksploracyjną.

Zakres raportowania dla hasła „Macierz reszt standaryzowanych w SEM”: Podaj największe reszty lub ich zakres, skalę macierzy i interpretację. Każdą modyfikację po ocenie reszt oznacz jako eksploracyjną i waliduj.

Przykład praktyczny i gotowa interpretacja

Sytuacja: Duże dodatnie reszty między trzema podobnie sformułowanymi pozycjami mogą wskazywać wspólną metodę albo węższy czynnik, którego model nie uwzględnia.

Jak ją zinterpretować: Duża reszta wskazuje konkretną zależność, której model nie odtworzył. Wzorzec wielu reszt może ujawniać pominięty ładunek lub błędną strukturę, lecz poprawka wymaga teorii i późniejszej walidacji.

Najczęstsza pułapka i granica interpretacji

Pojedynczy uniwersalny próg dla wszystkich reszt bywa mylący. Nie dodawaj automatycznie korelacji błędów bez teorii.

W analizie dotyczącej hasła „Macierz reszt standaryzowanych w SEM” małe reszty po wielu modyfikacjach nie potwierdzają teorii. Dla interpretacji hasła „Macierz reszt standaryzowanych w SEM” korelowanie błędów może zmienić znaczenie konstruktu i ukryć systematyczny problem pomiaru, dlatego rozwiązanie dopasowane do jednej próby nie powinno być traktowane jako ostateczne.

Definicje, zalecenia interpretacyjne i sposób raportowania oparto na literaturze metodologicznej wskazanej w bibliografii (Hu i Bentler, 1999).

Powiązane hasła

Kowariancja reszt w SEMAIC i BIC w SEMCFA (konfirmacyjna analiza czynnikowa)CFI (Comparative Fit Index)Identyfikacja modelu SEMInwariancja pomiaru w CB-SEM

Poradniki, w których użyjesz tego pojęcia

Poradnik

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 →Poradnik

Regresja logistyczna: założenia, interpretacja i raportowanie modelu

Regresja logistyczna w praktyce: założenia, iloraz szans, diagnostyka, kalibracja, AUC oraz zasady rzetelnego raportowania modelu.

Czytaj →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 →

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. 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
  2. Bentler, P. M. (1990). Comparative fit indexes in structural models. Psychological Bulletin, 107(2), 238–246. https://doi.org/10.1037/0033-2909.107.2.238
  3. 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
  4. Lang, T. A., & Altman, D. G. (2015). Basic statistical reporting for articles published in biomedical journals: The SAMPL guidelines. International Journal of Nursing Studies, 52(1), 5–9. https://doi.org/10.1016/j.ijnurstu.2014.09.006
  5. Iacobucci, D. (2010). Structural equations modeling: Fit indices, sample size, and advanced topics. Journal of Consumer Psychology, 20(1), 90–98. https://doi.org/10.1016/j.jcps.2009.09.003
  6. Rosseel, Y. (2012). lavaan: An R package for structural equation modeling. Journal of Statistical Software, 48(2), 1–36. https://doi.org/10.18637/jss.v048.i02

Cytowania BibTeX

@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}}
@article{bentler1990cfi, author={Bentler, Peter M.}, title={Comparative fit indexes in structural models}, journal={Psychological Bulletin}, year={1990}, volume={107}, number={2}, pages={238--246}, doi={10.1037/0033-2909.107.2.238}}
@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{lang2015sampl, author={Lang, Thomas A. and Altman, Douglas G.}, title={Basic statistical reporting for articles published in biomedical journals: the SAMPL guidelines}, journal={International Journal of Nursing Studies}, year={2015}, volume={52}, number={1}, pages={5--9}, doi={10.1016/j.ijnurstu.2014.09.006}}
@article{iacobucci2010sem, author={Iacobucci, Dawn}, title={Structural Equations Modeling: Fit Indices, Sample Size, and Advanced Topics}, journal={Journal of Consumer Psychology}, year={2010}, volume={20}, number={1}, pages={90--98}, doi={10.1016/j.jcps.2009.09.003}}
@article{rosseel2012lavaan, author={Rosseel, Yves}, title={lavaan: An R Package for Structural Equation Modeling}, journal={Journal of Statistical Software}, year={2012}, volume={48}, number={2}, pages={1--36}, doi={10.18637/jss.v048.i02}}
R