Słownik metodologiczny · Modele SEM

Test różnicy chi-kwadrat w SEM

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

Strona główna / Słownik / Test różnicy chi-kwadrat w SEM

Opracowanie merytoryczne: · Opublikowano: · Aktualizacja:

Co oznacza Test różnicy chi-kwadrat w SEM?

Test różnicy chi-kwadrat porównuje dwa modele zagnieżdżone: bardziej ograniczony i mniej ograniczony. Sprawdza, czy nałożone ograniczenia zwiększają rozbieżność bardziej, niż oczekiwano losowo.

Zastosowanie, warunki i dobre praktyki

Test porównuje dwa modele zagnieżdżone, sprawdzając, czy narzucone ograniczenia pogarszają dopasowanie bardziej, niż oczekiwano losowo. Modele muszą dotyczyć tych samych danych i być naprawdę zagnieżdżone. Przy estymatorach odpornych lub WLSMV potrzebna jest skalowana procedura różnicowa; zwykłe odejmowanie statystyk może dać błędny wynik.

Najważniejsze zastosowanie: Stosuj przy testowaniu ograniczeń, porównaniu CFA i inwariancji. Dla MLR lub WLSMV użyj właściwej skalowanej procedury programu, a nie prostego odejmowania wydrukowanych statystyk.

Jak poprawnie stosować i interpretować hasło „Test różnicy chi-kwadrat w SEM”?

Dla interpretacji hasła „Test różnicy chi-kwadrat w SEM” porównanie modeli w SEM wymaga ustalenia, czy modele są zagnieżdżone i estymowane na tych samych obserwacjach oraz zmiennych. W odniesieniu do hasła „Test różnicy chi-kwadrat w SEM” test różnicy χ² nadaje się do modeli zagnieżdżonych, natomiast AIC i BIC pozwalają porównywać także niektóre modele niezagnieżdżone przez bilans dopasowania i złożoności. Przy ocenie hasła „Test różnicy chi-kwadrat w SEM” mniejsza wartość kryterium informacyjnego wskazuje model względnie preferowany w danym zestawie, ale nie określa bezwzględnej jakości.

Przy ocenie hasła „Test różnicy chi-kwadrat w SEM” wariant testu różnicy musi odpowiadać estymatorowi; dla odpornych statystyk χ² lub WLSMV potrzebna jest właściwa skorygowana procedura, a nie proste odejmowanie liczb. W analizie dotyczącej hasła „Test różnicy chi-kwadrat w SEM” AIC i BIC można porównywać tylko przy zgodnej definicji wyniku i danych. Dla interpretacji hasła „Test różnicy chi-kwadrat w SEM” decyzję trzeba uzupełnić oceną parametrów, reszt i sensu ograniczeń teoretycznych.

Co trzeba opisać w raporcie?

Dla interpretacji hasła „Test różnicy chi-kwadrat w SEM” raport powinien opisać oba modele, ich relację, estymator, liczebność oraz kryterium porównania. W odniesieniu do hasła „Test różnicy chi-kwadrat w SEM” dla testu różnicy należy podać Δχ², Δdf i wartość p w poprawnym wariancie; dla AIC i BIC — wartości wszystkich porównywanych modeli i różnice, bez arbitralnego testowania istotności tych kryteriów.

Zakres raportowania dla hasła „Test różnicy chi-kwadrat w SEM”: Podaj modele, rodzaj testu, Δχ², Δdf, p i zmiany innych miar. Wyjaśnij, które parametry zostały ograniczone.

Przykład praktyczny i gotowa interpretacja

Sytuacja: Jeżeli model metryczny ma Δχ²(3) = 4.20, p = .241 względem konfiguralnego, dane nie wykazują wyraźnego pogorszenia, lecz precyzję ograniczeń trzeba nadal ocenić.

Jak ją zinterpretować: Istotna różnica oznacza, że dodatkowe ograniczenia modelu prostszego pogarszają dopasowanie. Wniosek jest poprawny tylko dla modeli zagnieżdżonych, tych samych danych i procedury różnicowej zgodnej z estymatorem.

Najczęstsza pułapka i granica interpretacji

Istotny wynik przy dużym N może dotyczyć małej rozbieżności, a nieistotny przy małym N może być nierozstrzygający.

Przy ocenie hasła „Test różnicy chi-kwadrat w SEM” lepszy względny wynik nie dowodzi, że wybrany model jest prawdziwy lub dobrze dopasowany. W analizie dotyczącej hasła „Test różnicy chi-kwadrat w SEM” kryteria mogą preferować różne modele, a selekcja po danych zwiększa potrzebę walidacji w niezależnej próbie.

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