Słownik metodologiczny · Modele SEM

SRMR (analiza SEM)

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

Strona główna / Słownik / SRMR (analiza SEM)

Opracowanie merytoryczne: · Opublikowano: · Aktualizacja:

Co oznacza SRMR (analiza SEM)?

SRMR jest średnią standaryzowaną różnicą między obserwowanymi i odtworzonymi korelacjami.

Zastosowanie, warunki i dobre praktyki

SRMR jest podsumowaniem standaryzowanych różnic między obserwowanymi i odtworzonymi korelacjami lub kowariancjami. Ma intuicyjną skalę reszty, lecz średnia może ukrywać kilka bardzo dużych lokalnych rozbieżności. Dlatego należy obejrzeć macierz reszt i pamiętać, że definicje SRMR różnią się między CB-SEM i niektórymi implementacjami PLS-SEM.

Najważniejsze zastosowanie: Wykorzystuj SRMR do oceny przeciętnego standaryzowanego niedopasowania kowariancji, a duże reszty lokalne sprawdzaj osobno.

Jak to się oblicza i co oznaczają symbole?

SRMR = √[średnia(rᵢⱼ − r̂ᵢⱼ)²]

rᵢⱼ to obserwowane, a r̂ᵢⱼ odtworzone standaryzowane zależności. Wskaźnik streszcza przeciętną wielkość reszt, ale może ukrywać kilka lokalnie dużych rozbieżności.

Jak poprawnie stosować i interpretować hasło „SRMR (analiza SEM)”?

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

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

Co trzeba opisać w raporcie?

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

Zakres raportowania dla hasła „SRMR (analiza SEM)”: Model: SRMR = …; obok podaj χ², df, CFI/TLI, RMSEA z CI oraz SRMR.

Przykład praktyczny i gotowa interpretacja

Sytuacja: Dwa modele mogą mieć podobny SRMR, lecz różnić się niestabilnymi ładunkami lub błędną interpretacją konstruktu.

Jak ją zinterpretować: SRMR streszcza przeciętną standaryzowaną resztę, lecz może ukryć kilka dużych rozbieżności lokalnych. Wartość należy połączyć z macierzą reszt, parametrami i definicją używaną w danym typie SEM.

Najczęstsza pułapka i granica interpretacji

Niski SRMR może maskować kilka dużych lokalnych reszt, dlatego sprawdź pełną macierz rozbieżności.

Akceptowalna wartość „SRMR (analiza SEM)” nie potwierdza prawdziwości modelu ani przyczynowego znaczenia strzałek. Przy ocenie hasła „SRMR (analiza SEM)” 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 (Hu i Bentler, 1999).

Powiązane hasła

CFA (konfirmacyjna analiza czynnikowa)PCFI (analiza SEM)AIC i BIC w SEMAVE (średnia wyodrębniona wariancja)CFI (Comparative Fit Index)Hierarchiczna zmienna latentna (konstrukt wyższego rzędu)

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. 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. 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. 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

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{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{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}}
R