Słownik metodologiczny · Modele SEM

Przypadek Heywooda

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

Strona główna / Słownik / Przypadek Heywooda

Opracowanie merytoryczne: · Opublikowano: · Aktualizacja:

Co oznacza Przypadek Heywooda?

Przypadek Heywooda jest niedopuszczalnym rozwiązaniem modelu czynnikowego, np. ujemną wariancją błędu, standaryzowanym ładunkiem większym od 1 lub korelacją czynników poza zakresem. Sygnalizuje problem danych, próby lub specyfikacji.

Zastosowanie, warunki i dobre praktyki

Przypadek Heywooda obejmuje m.in. ujemną wariancję błędu lub standaryzowany ładunek przekraczający 1. Jest sygnałem niepoprawnego rozwiązania, które może wynikać z małej próby, błędnej specyfikacji, silnych korelacji albo problemów danych. Ograniczenie wariancji do zera bez diagnozy ukrywa problem; trzeba sprawdzić model, wskaźniki i identyfikację.

Najważniejsze zastosowanie: Po wykryciu sprawdź kodowanie, obserwacje wpływowe, małą wariancję, niemal identyczne czynniki, zbyt małą próbę i błędny model. Wykonaj analizy wrażliwości zamiast ukrywać parametr.

Jak poprawnie stosować i interpretować hasło „Przypadek Heywooda”?

W analizie dotyczącej hasła „Przypadek Heywooda” model SEM jest zidentyfikowany, gdy obserwowana macierz dostarcza wystarczającej informacji do jednoznacznego oszacowania wolnych parametrów. Dla interpretacji hasła „Przypadek Heywooda” sam dodatni stopień swobody nie gwarantuje identyfikacji lokalnej. Przypadek Heywooda — na przykład ujemna wariancja błędu lub standaryzowany ładunek przekraczający 1 — sygnalizuje rozwiązanie niedopuszczalne, często związane z błędną specyfikacją, słabą identyfikacją lub właściwościami próby.

W odniesieniu do hasła „Przypadek Heywooda” trzeba sprawdzić ustalenie skali zmiennych latentnych, liczbę wskaźników, zależności między parametrami, macierz informacji i komunikaty programu. Przy ocenie hasła „Przypadek Heywooda” przy rozwiązaniu Heywooda należy zbadać dane, model, estymator i stabilność w alternatywnych sensownych specyfikacjach. W analizie dotyczącej hasła „Przypadek Heywooda” ograniczenie wariancji do zera bez wyjaśnienia może ukryć problem zamiast go rozwiązać.

Co trzeba opisać w raporcie?

W analizie dotyczącej hasła „Przypadek Heywooda” raport powinien opisać sposób skalowania konstruktów, stopnie swobody, zbieżność i każdą niedopuszczalną estymatę. Dla interpretacji hasła „Przypadek Heywooda”, jeśli zastosowano ograniczenie, zmianę wskaźników lub inny estymator, trzeba podać przyczynę, wynik przed zmianą i po niej oraz konsekwencję dla interpretacji.

Zakres raportowania dla hasła „Przypadek Heywooda”: Raportuj rodzaj niedopuszczalnego parametru, diagnostykę, podjęte ograniczenie i analizę alternatywną. Jeśli problem pozostaje, nie interpretuj zwykłych miar dopasowania.

Przykład praktyczny i gotowa interpretacja

Sytuacja: Wariancja błędu pozycji wynosi −.03, SE = .02. Ustawienie jej na zero może dać zbieżność, ale zmienia model i wymaga uzasadnienia oraz pokazania wyniku pierwotnego.

Jak ją zinterpretować: Ujemna wariancja błędu lub ładunek ponad 1 wskazuje niepoprawne rozwiązanie, a nie wyjątkowo dobry wskaźnik. Należy sprawdzić specyfikację, dane, identyfikację i liczebność zamiast mechanicznie ograniczać parametr.

Najczęstsza pułapka i granica interpretacji

Automatyczne usunięcie pozycji lub wymuszenie małej dodatniej wariancji może maskować misspecyfikację.

W odniesieniu do hasła „Przypadek Heywooda” zbieżność programu nie jest dowodem identyfikacji i poprawności modelu. Przy ocenie hasła „Przypadek Heywooda” rozwiązania brzegowe mogą wynikać z losowości małej próby, lecz mogą też ujawniać fundamentalny konflikt między teorią a danymi; nie wolno ich przemilczać.

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

Powiązane hasła

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