Co oznacza MLR (odporna metoda największej wiarygodności)?
Zastosowanie, warunki i dobre praktyki
MLR zachowuje oszacowania ML, lecz koryguje błędy standardowe i statystykę testową dla nienormalności lub zależnie od implementacji. Nie czyni modelu odpornym na wartości odstające, błędną postać ani dane porządkowe o bardzo małej liczbie kategorii. Raport musi podać konkretny wariant i stosować właściwe skalowane porównania modeli.
Najważniejsze zastosowanie: Stosuj w CB-SEM dla danych traktowanych jako ciągłe, gdy rozkłady odbiegają od normalności. Dla wyraźnie porządkowych pozycji z niewieloma kategoriami rozważ WLSMV.
Jak poprawnie stosować i interpretować hasło „MLR (odporna metoda największej wiarygodności)”?
Wybór związany z „MLR (odporna metoda największej wiarygodności)” powinien wynikać z modelu probabilistycznego, skali wskaźników, rozkładu danych i struktury zależności. Przy ocenie hasła „MLR (odporna metoda największej wiarygodności)” estymatory różnią się funkcją celu, własnościami w małej próbie oraz sposobem obliczania błędów standardowych. W analizie dotyczącej hasła „MLR (odporna metoda największej wiarygodności)” nazwa metody nie gwarantuje odporności; trzeba ustalić, które założenia zostały złagodzone i jakie nowe wymagania pojawiają się w zamian.
W odniesieniu do pojęcia „MLR (odporna metoda największej wiarygodności)” warto porównać zbieżność, rozwiązania brzegowe, rozmiar błędów standardowych i stabilność wyniku w sensownych wariantach analizy. Dla interpretacji hasła „MLR (odporna metoda największej wiarygodności)” przy danych porządkowych, nienormalności lub brakach dobór estymatora może zmienić zarówno test dopasowania, jak i niepewność parametrów. W odniesieniu do hasła „MLR (odporna metoda największej wiarygodności)” różnic nie powinno się ukrywać przez raportowanie wyłącznie korzystniejszego wariantu.
Co trzeba opisać w raporcie?
Raport o „MLR (odporna metoda największej wiarygodności)” powinien wymienić pełną nazwę estymatora, użyte korekty odporne, metodę obsługi braków i oprogramowanie. Przy ocenie hasła „MLR (odporna metoda największej wiarygodności)” dla modelu należy podać informację o zbieżności i rozwiązaniach niedopuszczalnych, a parametry prezentować z błędami standardowymi lub przedziałami ufności właściwymi dla wybranej procedury.
Zakres raportowania dla hasła „MLR (odporna metoda największej wiarygodności)”: Podaj estymator MLR, sposób obsługi braków, skalowaną χ² i odporne SE. Nie mieszaj skalowanych i zwykłych wersji indeksów w jednej tabeli.
Przykład praktyczny i gotowa interpretacja
Sytuacja: Model Likerta z siedmioma kategoriami i umiarkowaną skośnością można oszacować MLR; w raporcie należy użyć skalowanych CFI/TLI/RMSEA zgodnych z odporną statystyką.
Jak ją zinterpretować: Odporne błędy i skalowana statystyka zmieniają wnioskowanie przy nienormalności, lecz nie naprawiają błędnego modelu ani obserwacji wpływowych. Raport musi wskazać wariant i właściwą procedurę porównania modeli.
Najczęstsza pułapka i granica interpretacji
MLR nie naprawia błędu modelu, obserwacji zależnych ani ekstremalnej rzadkości kategorii. „Robust” nie oznacza odporności na wszystko.
Określenie „MLR (odporna metoda największej wiarygodności)” nie oznacza metody „bez założeń”. Dla interpretacji hasła „MLR (odporna metoda największej wiarygodności)” własności asymptotyczne mogą być słabym przybliżeniem w małej próbie, a błędna specyfikacja modelu pozostaje problemem niezależnie od estymatora.
Definicje, zalecenia interpretacyjne i sposób raportowania oparto na literaturze metodologicznej wskazanej w bibliografii (Hu i Bentler, 1999).
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)
- 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
- 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
- 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
- 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
- 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
- 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}}