دانلود ترجمه فصلی از کتاب روش های تحقیق در روانشناسی

27 : برآورد کردن ارزش عامل

کارکردن در مورد ارزش ها از این جهت که شاخص هایی برای مجموع (زیگما) ، در تعدادی از راه ها می تواند انجام داده شود .

استفاده کردن از بیشترین احتمال (ML) خیلی رایج است ، مجذور کمترین وزن (ULS) مجذورهای کمترین کلیت و مجذورهای کمترین وزن ها (WLS) اینها مواردی هستند که برای زمان شروع انجام خواهند شد .

هر کدام از این مدل ها (الگوریتم ها ) عملکرد متناسبی را تولید می کنند .

هر کدام از معادله ها یک ارزش کلی هستند برای نشان دادن زگماهای مختلف از اشکال و اریانس .

نگه داشتن انجام کار و رویه برآورد کننده آن هیچ وقت نمی تواند ارزش عملکرد متناسب را کاهش دهد .

راه این کار و دلایل انتخاب یک مدل از مدل های بیشمار دیگر مافوق فرصت این فصل است (ببینید یولمان 1996 ، برنامه کتابهای راهنما).

اما اینها یک واحدی از خطر پنهانی رایج در همه الگوریتم ها هستند .

اولین خطر اینکهدانستن پیدا کردن (تمایل داشتن) به بیشترین موضع .

در اینجا برنامه انجام شده یک ارزش برای تناسب عملکرد است که کوچک ساخته نمی شود t نمی تواند کوچک شود ) به وسیله ساخته شدن کمترین تعدیل به شاخص های برآورد کننده .

هر چند شروع کردن تحقیق برای کمترین تناسب عملکرد ارزشمند تر است اما این باید واقعاً وجود داشته باشد ، یافتن تناسب بهتری مطابق با شاخص ها گفتن اینکه این یک اتفاق آسان نیست طبقه دعاهای این فکر طولانی (1903) ممکن نیست که یک مشکل رایج تمرینی باشد .

نوع دوم مشکل پارامترهای برآورد کننده مربوط به پارامترهای احمقانه است .

برخی اوقات ، خوب یک اندازه بودن می تواند به دست آمده باشد اما ارزش های یک پارامتر مسی را تولید نکنید .

برای نمونه بدست آوردن متغیر های منفی یا رتبه ها یا ارتباط های ارزشی کاملی بیشتر از 1 امکان پذیر است و هر فکری مثل این ترکیبات در مورد آنها بی معنی است .

اگر این اتفاقات برای شما مدل خاصی باشد به همین سادگی امکان دارد غلط باشد و یا ممکن است برخی متغیرهای شما فرضیات را تائید نکند و این مهم است زمانی که از یافتن الگوریتم های برآورد کننده استفاده می شود) .

این همچنین می تواند زمانی اتفاق افتد که حجم نمونه خیلی کوچک است و یا مجانب باشد (در نمونه بزرگ ).

فرضیاتی که شکل می دهند الگوریتم های برآورد کننده را ممکن است توجیح کننده نباشند .

علت اصلی دیگر از برآورد کننده های احمقانه داده های اشتباه هستند .

محققان مرجعی برای ارتباط استفاده شده (یاکوداریانس) قرار می دهند که قالبهایی کلی (تعمیم شده ) هستند با جفت کردن دو وجه حذف شده از ارزش های علمی ، این اشتباه بیشترین علت نوشته شده برای هر ارتباطی است .

به هر حال معنای اینکه قسمتهای مختلف قالب s کلی هستند به وسیله نمونه هایی از حجم های مختلف یک قالب مهمی که ممکن است باطناً سازگار نباشد با خودش برخی اوقات این مشکل آشکار خواهد شد ، زمانی نیز این چنین نخواهد شد .

به ندرت ، ترجمه ها ، از بسته های نرم افزاری بهترند برای آشکار کردن این اشتباغه و هشدار دادن به کاربر .

27.

3.3 : اصلاح متون (MIS) و تحقیقات ویژه

اگر شما مدلی را پیدا کنید که مناسب نباشد چگونه می توان آن را تغییر داد ؟

کوشش کردن برای تغییر یک مدل یا بدست آوردن یک مدل مناسب بهتر یک تحقیق ویژه نامیده می شود .

یک راه برای انجام آن نگاه کردن (توجه کردن ) به متون اصلاح شده (MIS) است .

(برخی اوقات آزمون های چند وجهی لاگرلانگ نامیده می شود ).

این متون به شما می گویند آنچه را که باید انتظار داشته باشید تا اتفاق افتد .

ارزش X2 از متن مناسبی خوب است اگر که شما آزاد به برآورده کردن یک مسیر اجباری قبلی بودید .

رها کردن یک مسیر اجباری ( نه تخمین زدن) برآورد یک درجه آزادی را کمتر می کند (MI) قبل تراز یک آزمون کردن از فرضیاتی که پارامتر آزاد شده ای باشند و این برای ارزش های ثابت شده گذشته ناکافی است که آیا اگر این مهم باشد مدل می تواند مناسبت بهتری داشته باشد از مدل قبلی پارامترهای آزاد (مجاز) و این احتمالاً برای ارزش های ثابت شده گذشته ناکافی باشد .

جایز شمردن پارامترها نباید باعث کاهش تصادفی آنها شود اما باید به صورت نظری قابل پذیرش باشد .

اغلب پیشنهادات (MIS) بالاست که این اساساً اشتباه است .

رها شدگی در هر یک از پارامترهای قدیمی زیاد نیست چون آن (MI) بزرگی است که می تواند نتیجه ، یک اندازه بودن بهتری باشد اما اساساً مدل بی معنایی است .

مدل اصلی شما ممکن است مناسب داده ها نباشد اما به طور کلی شما نباید اجازه دهید که داده ها شکلی از مدل را به شما تلقین کنند .

در برخی مواقع احساس های به نوعی مخالف از مشکلات اتفاق می افتد زمانی که شما مشکل خاصی دارید که در مدل شما یک پارامتر باید برآورد کننده باشد .

اما در حقیقت پارامتر کمتر از صفر هست که این مدل باید خاصیت بهتری با پارامتر ثابت شده روی صفر داشته باشد .

این می تواند مدلی بسیار ساده تر ، کلی تر و قابل دسترسی تر و شاخصی کمتر تثبیت شده بسازد از صفر که نظریه ای نامناسب می تواند باشد .

یکی از بیشترین دیدگاه های مستقیم نوین برای پیدا کردن پارامترهایی که احتمالاً بهترین وضعیت هستند، برای اینکه صفر باشد از پارامترهای تخمین زده شده با خطاهای استاندارد شده آنها با مقایسه کردن ارزش ها صورت می گیرد .

(آماده کردنه به وسیله نرم افزار ).

این مقادیر با یک آزمون t برای آزمودن فرضیاتی که برآورد کننده پارامتر متفاوت از صفر باشد احساس خوب و احترامی برای تناسب کردن مدلی که پارامتر با صفر باشد را می سازد .

بنابر این افزایش دادن تعدادی از پارامتر ها که برآورد کننده باشند و ساده سازی کردن مدل برای اکثر اوقات انجام می گیرد .

اگر شما به خاطر داشته باشید تعمیم دادن ساده در SEM بهتر است . 

یکی از بیشترین دیدگاه های مستقیم نوین برای پیدا کردن پارامترهایی که احتمالاً بهترین وضعیت هستند، برای اینکه صفر باشد از پارامترهای تخمین زده شده با خطاهای استاندارد شده آنها با مقایسه کردن ارزش ها صورت می گیرد .

اگر شما به خاطر داشته باشید تعمیم دادن ساده در SEM بهتر است .

در دو فاکتورهای ما ، در مدل CFA ، همه پارامترهای برآورد کننده هستند .

نظریه های قابل پاسخ (خاطر – نشان می کنیم که فاکتور نوتیک نگرش های منفی در مورد تکنولوژی جدید است ) و داشتن ارزش های رتبه ای مهمتر از صفر .

اصلاح متون پیشنهادی که X2 برازنده می تواند بهبود یابد به وسیله 48/4 (درP اگر شما توقع دارید از یک مدل استفاده شده برای داده های نمونه ، اگر بخواهیم دقیق شویم شما نباید این روش را آزمون کنند روی نمونه هایی با داده های همخوان : به دست آوردن یک داده جدید مناسب و سپس مدل تجدید نظر شده را روی آنها آزمون کنیم .

این یک دیدگاه قرار دادی است اما شما خواهید دید مدل تجدید نظر شده پیش آزمانیده را بر روی تعدادی از داده های نمونه .

فرض این است که آیا اینکه آثار تجدید نظر نظریه های مرتبط ، و سازگار یا فقط یک تمرین پایان دادنی که سرمایه هایی در بخش ارتباطات در نمونه شما انعکاسی همیشه مطلوب است .

27.

4: مدل های ساختاری در روانشناسی ، ما اغلب علاقمند هستیم که پیش بینی کنیم نتایج را از برخی انواع روندها .

در سختی نامفهوم قدیمی از روانشناسی تجربی ، ما می خواهیم بدانیم کدام یک از متغیر های مستقل علت است .

یا پیش بینی موفقیت برای متغیر وابسته ما است در دوره های SEM (آن می تواند با برخی اصطلاحات بماند به طور خیلی ساده ) متغیر های مستقل .

متغیر های برون زاد و متغیر های وابسته متغیر های درون زاد نامیده می شوند .

پیشرفت واقعی از مدل سازی معادله ساختاری آن است که ما بتوانیم روشی با تعدادی وابسته یا درون زا را تغییر دهیم تا برخی زمانها .

درجه دیگری از پیشرفت و یکی از آنها که ما قبلاً معامله می کردیم با آن هست که ما می توانیم بپرسیم درباره ارتباط بین فاکتورهای بعدی غیر مشاهده که ما به آن به صورت طبیعی علاقه مندیم .

دقت کردن به ارتباط بین متغیر های برون زاد و درون زاد مفهوماً مشابه انجام بازگشت دو وجهی و زمانی که هست یک متغیر درون زاد به تنهایی ) و راه تحلیل کردن آنهاست (زمانی که متغیر های درون زاد خیلی زیاد هستند ).

زمانی که رگرسیون سنتی با تحلیل مسیری است ما تحلویحاً فرض می کنیم که متغیر های مشاهده شده کاملاً پایا هستند و محتوای آنها غلط نیستند .

اگر ما اندازه گیری کنیم وزن یا سن را این مقدار می تواند هنوز خطای محتوایی باشد اما احتمالاً برای روانشناسی که در مورد آن نگران باشد کافی نیست .

ما می توانیم اندازه هایی را بر رفتار های مشاهده شده متغیرها منتقل کنیم ، به عنوان نماینده های کامل از وزن و سن و انتقال آن به قبل .

اغلب اندازه های متغیر های روانشناسی ما متون ناقصی از مفاهیم پنهان دارند که در این اصل ما هرگز نمی توانیم این اندازه ها را به طور کامل محاسبه کنیم .

ما پیشنهاد می کنیم بخشی از SEM برای تلاش تا بدست آوردن این خطا در سنجش ، داخل حساب زمانی که برآورد کننده های ما پارامتر های مدل هستند .

این برای یک تعدادی از دلایل مهم است .

خطاهای اندازه گیری معمولاً به کار می روند برای سوگیری براورد کردن پارامترها و این قرار ها انجام می شوند به طور مستقیم از برآورد نقصانی اثر ها از یک متغیر روی دیگری (البته همیشه اینگونه نیست ) .

اگر ما بخواهیم بدانیم که چگونه یک ارتباط قوی بین دو مفهوم وجود دارد .

آنها می توانند مطلوب باشد تا اندازه ای از این ارتباط را برآورد کننده و سپس خطاهایی که برای آن داشته است را کنترل کنند .

دلیل دوم برای خواستار بودن خطاهای برآورد کننده این است که جور بودن از مدل ما برای داده ها معمولاً بداست .

در این قسمت به دلیل خطاهای اندازه گیری کنترل کردن دوباره برای خطاها باید مشخص شود با کمترین سوگیری بدست آمده از مناسب بودن مدل های ما .

برای روشن ساختن این مطلب من شرح می دهم برای مثال اولیه استفاده شده درباره پیش بینی کردن توانایی های دانشگاهی .

در ترکیب 403 من دو متغیر برون داد ، هوش و وضعیت اقتصاغدی – اجتماعی دارم .

هر دوی آنها علت هر دو متغیر های مشاهده شده هستند .

(در نظر ما ) من برآورد می کنم وضعیت اجتماعی – اقتصادی را به وسیله پاسخگویی به تعدادی از کتابهای در خانوار (NO BOOKS) و سئوال کردن در مورد درآمد خانواده (INCOME) هوش اندازه گیری شده به وسیله گرفتن امتیاز کلامی (VERBAL) و هوش فضایی – بصری(VISUAL) در آزمون توانایی اولیه درون دادها فاکتورهای پنهانی هستند .

حیطه بیشتر خالصی در این مثال .

در اینجا من سعی می کنم که پیش بینی کنم توانایی دانشگاهی بیشتر از تجربه های ناآزموده حساب می شود و من علاقمند به تلاش کردنم تا پیش بینی کنم توانایی کلی در دانش را (دانش Science) و زبان انگلیسی (English) که هر کدام تصوری هستند از متغیر های پنهان اینجا علاقه به ترکیباتی که اینجا هستند ثبت می کنم که توانایی در دانش برای مثال ، باید اندازه خطا باشد .

اگر من فقط توجه کنم به یک یک طبقه از آزمایشات به تنهایی (برای مثال مردم باید احساس ناخوشی در روز را فقط از یکی از آزمایشات دانش انجام دهند ) .

به وسیله داشتن دو شاخص از توانایی در دانش (COM BSCI) و (MATHS) من امیدوارم که بدست آورم یک ارزیابی صحیح تر از توانایی در دانش وگرنه من باید آنرا بدست آورده باشم .

همه اصول از مقایسه مدل ما مورد مذاکره قرار می گیرد.

بنابر این درخواست زیاد در این موقعیت بیشتر پیچیده است .

ما به طور خاص می خواهیم مدلی با پارامتر های به هم فشرده و ببینیم که چطور مقیاس کوواریانس قابل تعمیم است به وسیله برازندن مدل مقیاس کوواریانس نمونه .

من می توانم بپرسم که آیا دو گونه از توانایی دانشگاهی مستقل هستند از یکدیگر (عدم رابطه همبستگی ) به عنوان ویژه در اینجا به عنوان مرحله از مدلی آماده که هر دو توانایی را دارد ، علت بوده به وسیله موقعیت اقتصادی – اجتماعی و هوش من سوال می کنم که آیا آنها مستقل هستند بعد از نشأت گرفتن از بخش های تقسیم شده تغییرات حساب شده برای آنها اگر مدل خوبی مناسب باشد که من بتوانم با آن مدل ادامه دهم کافی است اگر مدل مناسب نباشد من باید پیشنهاد متون اصلاحی را اضافه کنم هر دو را از دانش (علم) به انگلیسی که فرض من مبنی بر اینکه دو گونه توانایی وابسته نیستند رها خواهد شد اینها برخی قوانین اساسی که (تصیحی) پیروی می شود زمانی که می بینیم در مدل های ساختاری .

ابتداً مبلغی از خطا برای متغیر های X( مجموع S) نباید با خطاهای متغیر های y ( مجموع میانگین 4S) مربوط باشد .

همچنین خطاهای مشاهده شده در متغیر ها نباید به هم بستگی داشته باشند .

با خطاهای در متغیر های پنهان به هر حال این باید منع شود مثل محدود کردن بی جهت آنها در تمرین هستند و نه به سختی فراهم کنند و شروع کنند آرمیدگی را در برخی بسته های نرم افزاری .

یک پیشنهاد ممکن به وسیله SEM ازمون کردن از مدل های شامل شده متقابل ( یا برخی اوقات همزمان ) علت های پیوسته است .

اینها مدل هایی هستند که یک متغیر درون داد پنهان در فکر دارند تا علت دیگر و این درون داد متغیر است در تبدیل فکر به علت اولین متغیر پنهانی .

این کاملاض از نظر آماری قابل پذیرش است .

افکار بسیاری از مردم موضوعاتی دارد که شامل هر ارتباطشان می شود .

این یک ماده فلسفی واقعی و وابسته است به آنچه که شما نگه می دارید اگر لازم باشد برای چیزهایی که علت هستند به وسیله چیزهای دیگ .

بیشتر فرمول ها دلیلی که علت باشد لازم دارند موقتاً مقدم بر تآثیر و گفته می شود که در دو فاکتور همزمانی ، علت هر کدام لزوماً به تخلفات دیگری محتاج است .

برای نمونه باید پیشنهاد کنیم کلاس هایی از مشکلات که قادر است شروع شود تا مدل ها را تست کند با دلایل متقابل که باید با وجود این خیلی مفید باشد .

تصور کنید که شما اندازه سطوح مردم از افسردگی و فعالیت اجتماعی را دارید .

این احتمال وجود دارد که علت اینکه وقتی مردم افسرده می شود آنها خارج می شوند و اغلب اجتماعی بودن کاهش می یابد .

فقدان فعالیت اجتماعی همچنین اضافه می شود به سطوح افسردگی .

و افزایش افسردگی و کاهش فعالیت یکدیگر را تقویت می کنند در یک مارپیچ (دور ) .

اینکه شما در آن موقعیت نیستند تا تشخیص بدهید افسردگی و فعالیت اجتماعی را .

نکته ای که در هر کدام از چرخه ها شروع شده و شما نمی توانید سطوحی که دائماً قابل تغییرند را پایش کنید در سر تاسر روز این ممکن نیست که شما صراحتاً بگوئید کدامیک از علت ها ابتدا به وجود آمده در اینجا ، اصلاً زمان فاصله ای بین علت و معلول و معلول بعدی تحت تأثیر که علت است کوتاهتر از فاصله بین سنجش های ممکن است .

عقیده اقهانه یک فاصله یا شکاف زود گذری را به وجود آورد اما ما نباید در یک موقعیت جمع آوری کنیم داده ها را در حدودی که فاصله زمانی تا کار کردن هر کدام ، علت به وجود آمدن اولی است .

مدل ها هر کدام شامل مواردی از دلایل متقابل و یا باز خورد حلقه هایی که مدل های غیر بازگشتی نامیده می شوند که اینها نباید مدل های برگشتی شوند .

5 : استراتژی های تحلیلی در ترجمه همانند این غیر معمول است .

من قادر خواهم بود تا جور کنم استراتژی های نامتعارف SEM که خیلی مشکل قابل دسترسی خواهد بود اینکه چه چیزی در اینجا خیلی حاضر شده اساسی تر از یک هماهنگ کننده اصول راهنمایی بود بر برخی از اصول واضح منصفانه .

نخست شما باید قادر باشید به شروع کردن هر آنچه متغیر های پنهان شما علاقه داشته باشند در آن دوم شما باید قادر باشید به اندازه گیری خوب آنها .

اگر شما نتوانید انجام دهید این نکته کوچکی در ادامه دادن آن است .

سوم ، شما باید داشته باشید یک تئوری که مراحل واضحی از انچه متغیر های پنهان شما به یکدیگر مربوطند داشته باشند .

هر اصلاحی می سازد مدلی بسیار قابل توجیه از نظریات و هر مدل نتیجه گیری اکثراً ارزش های مشروعی از پارامتر ها می سازد .

در پایان شما باید آزمون کنید مدلتان را بر روی داده های تازه .

چه چیزی در استراتژی های آرمان گرایانه (ایده الیستی) برای SEM دنبال می شود: شروع کردن با یک مدل پیچیده (کامل ، اصلی ، کلی ، نظری ( مدل C شما).

مدل باید ساده تر از یک احتمال باشد .

با کمترین شاخص های مورد نیاز از برآورد کننده ها .

شروع کردن با یک مدل ساده که شما ممکن است بسیازید انرا ، بیشتر پیچیده کنید آنرا پیچیده تر از مدلی که شما برای ساده سازی آرزو می کردید .

شما باید داشته باشید برخی باورها درباره انچه اصلاح می شود از مدلی که نمی تواند بسازد حسی برای تئوری شما .

کلید راهنمایی کردن شما اندازه حجم طراحی شده از جمعیت هدف شماست .

کلیک کردن روی سنجش آنها اصول سنجشی خوبی از مدل ها می سازد به وسیله انتقال دادن CFA ها .

اگر این مدل ها ضعیف یا غیر ویژه (اختصاصی) باشند .

به بخش کوچکی از مدل ساختاری شما تخصیص می یابند که بسیار مناسب خواهد بود .

شما داده های نمونه اصلی استفاده شده در بهترین داده های ممکن را طبقه بندی می کنید .

در استراتژی های قابل دسترسی برای شما .

آزمون کردن موقتی وضوح زیر بخش ها از مدل اصلی شما اگر این مرحله ثبت نباشد (وجود نداشته باشد ) به مرحله 5 و سپس به مرحله 6 بروید .

ربط زیر مدل ها به وسیله آرام کردن نگرانی ها با افزودن زیر مدل ها فقط آرام کردن نگرانی هایی که موفقاً موجود هستند به تنهایی یای در شماره های کوچکی انجام می شود .

ربط ثابتی ندادن از مدل اصلی .

فقط رشد خوبی برای انجام آن است .

ترکیب کردن زیر مدل ها داخل یک آزمون جهانی کلی .

تغییر دادن موفق آن فقط وقتی ممکن است که تعدادی از احساس های نظری ساخته شوند .

برابر کردن اختصاصی از مدل نهایی از یک نمونه جدید از داده ها .

در این تمرین شما احتمالاً نمی خواهید منابعی برای انجام انچه ضروری است ( در بعدها ) در طبقه بندی داده ها این یک واقعیت است از زندگی اما شما باید حذر کنید از آزمون کردن مدل های سنجشی شما و مدل های ساختاری در داده های نمونه همگون .

لزوماً استفاده کنید فقط از یک نمونه و بسازید هر یک از نتایج نمونه خاص شما را .

6 : سایر چیزهایی که می تواند با SEM کم باشند .

اولاً، بسته های SEM معامله خواهند شد با مدل هایی که محتوایی با متغیر های مشاهده شده دارند که هر کدام می توانند یک جنبه مفیدی تا قرار داد بازگشت پایه ای باشند هر دوی بسته های مدلی .

اگر شما متغیر های پنهانی داشته باشید نمی توانید انجام دهید آن را برای آزمون کردن مدل و این می تواند مفید باشد اگر شما اعتنقاد داشته باشید که اندازه های محتوای شما خطا نباشد .

(به عنوان مثال دلالت کردن کامل از کلید مفاهیم ).

دوماً ، این ممکن است برای آنچه که سود تنومند ، نامیده می شود زمانی که شما شک دارید توصیف شود در مورد متغیر ها این شامل برداشت کمی از نمونه های تصادفی می شود و از بدست آوردن اندازه K (K انجام آن به شما اجازه می دهد که شما برآورد کننده ای از خطاهای استاندارد سازمان یافته با هر پارامتری بسازید .

( سودمند و نشان های متناسب ) که هر کدام در بر گرداندن به شما اجازه می دهند که فواصل اطمینانی از هر پارامتر بر آورد کننده بسازید .

این یک تکنیک آماری ویژه مربوط است اما هر کدام به تدریج در روانشناسی رایج می شوند .

سوماً ، یکی از حوزه های بسیار امید بخشی که در SEM توسعه یافته به آزمون کردن سنجش ها از مدل های ساختاری اختصاص دارد که بیشتر از یک گروه در یک زمان هستند .

این مدل سازی دو گروهی نامیده می شود یک کاربرد رایج آن که رشد پیدا کردن این آزمون های روان سنجی برای استفاده در سایر فرهنگهاست .

برای مثال یک آزمون توسعه یافته در یک کشور (بگوئید UK) باید به داخل سایر زبان ها منتقل شود و محققین می خواهند بدانند آیا مدل اندازه گیری سنجش های دون پایه همان چیز که در UK بوده را فراهم می کنند .

شما می توانید جمع آوری کنید داده های نمونه را از هر دو کشور و بپرسید از بسته های SEM برای آزمون کردن که آیا مدل اندازه گیری (سنجش ) (یک مدل CFA) دقیقاً در هر دو مکان همان است ) دقیقاً یکسان می تواند به این معنی باشد که پر کردن ایتم ها به فاکتور داخلی بستگی دارد و خطاها به طور دائم و یکسان شده در هر دو کشور هستند .

تحلیل به تنهایی هماهنگی از تناسب فوق که به شما می گوید که آیا این مدل تناسب همزمانی خوبی در دو کشور دارد خواهد داد .

اگر شما نتوانید نگرانی هایتان را کاهش دهید ( برای مثال اجازه دهید که هر کس ایتم ها را پر کند تا بین دو کشور مختلف باشند ) و ببینید که آیا متن اصلاح شده اگر بخواهیم کمتر دقیق شویم معادل مدل متناسب است همچون مدل های ساختاری واقعی این می تواند طولانی شود .

شما باید توسعه دهید یک تئوری از فاکتورهای تحت تاثیر کلی یکسانی از جمله مردان و ببینند که آیا مدل برای خانم ها نیز شامل می شود و همچنین ایا به هر حال به طور مساوی قابل کاربرد برای هر دو جنس است .

چهارماً .

به هر حال بحث کردن درباره اندازه گیری مدل های ساختاری که هر کدام امتداد عقلی از تحلیل فاکتورها و رگرسیون چند وجهی هستند .

در همه مدل های SEM می تواند استفاده شود و برای تحلیل رفتاری که ما قبلاً داشته ایم فکری از قسمتهای مختلف گروه همانند آزمون t و رویه ANOVA استفاده می شود .

همچنین ما برای انجام آن آمادگی داریم .

یکی از خواص (محاسن ) رویه SEM این است که توانایی برآورد کردن ارتباطات بین متغیر ها با اندازه گیری خطاهای انجام شده را دارد .

این می تواند به گروه ها مختلف آزمون کردن منتقل شود که بنابر این شما کی به آزمون کردن پایان می دهید که آیا این مقایس ها متفاوتی از آنچه متغیر های پنهان فکری اتفاق می افتند دارند .

لزوماً شما داده هایی دارید که به تنهایی متغیر های مشاهده شده هستند .

این احتمال مهمی است .

نظر به اینکه چه زمانی شما یک گروه متفاوت را پیدا می کنید تا استفاده کنید یک آزمون t سنتی .

بنابر این شما مطمئن نیستید که بگوئید که آیا این تفاوت یک تفاوت قابل توجه است .

در روش های سنجشی خطاهای متفاوت یا در متغیر پنهان درست که شما به آن علاقه دارید .

متأسفانه رفتار کردن به طور مساوی از یک آزمون t متواضع اتفاق می افتد با مساعدت بسته های کامپیوتری که هنوز تقریباً مشکل است برای انجام دادن و حقیقاً فهمیدن آن !

امیدوارم که استفاده کننده – یاری شده ، که استفاده کنندگان از ابزارهای یاری گر هستند به زودی زیاد شوند .

7.

نکات آموزنده موارد بسیار رایج ، بالا برده شده اند به وسیله انتقادهایی که از تحلیل های SEM اغلب اظهار می شود برای آزمون کردن مدل های علتبابی ، زمانی که داده های ورودی همبسته یا کوولاینس هستند .

از زمانی که همبستگی نتوانست به تنهایی علت باشد اظهاراتی ساخته شده که ارتباطات علمی تأسیس شده نتوانستند آنرا پشتیبانی کنند .

بهترین SEM فقط می تواند یک مدل علتی پیشنهاد شده ای نشان دهد که کمکی است با ارتباطات مشاهده شده .

زمانی که SEM را انجام می دهیم .

این تشویق زیادی برای عقایدی است که زمانی در مدل نظری شما کج خلقی می کردند .

که به نظر می رسد مناسب داده هایی که شما دارید باشند و چگونه مهیا کنند مدلی که صحیح باشد برای شما .

متأسفانه از آنجا که شما آزمونی که تماماً مدل ممکن و مناسبی باشد ندارید .

شما محافظت می کنید به عنوان یک جریان از مدل پایان بدی بیشتر از بهترین یا درست ترین مدل .

یک نقد مربوط در سطوح هایی که استفاده شده در قسمتهایی از دوره «تصدیقی» زمانی است که SEM از تحلیل فاکتور تائید شده (CFA) استفاده می کند اما این بیشتر از مدل های دیگر غیر تائیدی نیست .

F سیندها مورد پیشنهاد می کند در فصل 26 که دوره تحت نظارت استفاده شده به نظر می رسد همانند یک مصالحه خوب باشد .

SEM و مدل های مربوط متناسب می کنند دیدگاه هایی که اغلب نقدی دارند از تاکید آنها روی پیش بینی هزینه ها از آزمایش واقعی این کاملاً ممکن است که تولید شود یک مدل پیش بینی خوب ، چیزهایی که بدون دانستن توانایی واقعی برای آزمون پدیده های مورد علاقه است ، برای مثال ما باید پیدا کنیم که موقعیت اجتماعی – اقتصادی (SES) یک پیش بینی کننده خوب از نگرش دانشگاهی است ، بدون اینکه بدانیم به طور واقعی که چه جیزی درباره دانستن یک موقعیت اجتماعی – اقتصادی بالا موثر است که علتی است برای عملکرد بهتر بچه هایی که آنرا دارند من مطمئنم که می توانیم امکان ساختن برخی حدس های خوب را به عنوان آنچه که بدست می آید از موقعیت اقتصادی – اجتماعی بیشتر کنیم اما یک مدل متناسب خوب با وجود این به دست می آید به وسیله موقعیتهای ساده ای که (SEM) پیش بینی می کند پیشرفت دانشگاهی را .

هر زمان که پیش گویی با دقت نباشد برخی چیزها به عنوان آزمایش تئوری هایی که اظهار می کنند آزمایش پدیده ها را اما نمی توانند انها را پیش بینی کنند .

فایده ی محدود شده ای در دوره های SEM هستند .

اگر پیش بینی نباشد می تواند آنرا سخت به دست آورد برای دیدن آن در دوره های فرض های قیاسی سنتی که چگونه هر تئوری آزمون شده است .

SEM دقیقاً معادله های اولیه ای با ارتباطات خطی است بین متغیر ها ، زیرا تحلیل SEM پایه ای است روی حساب ها (رسیدگی ها ) و یا کوواریانس که ارزیابی می کنند فقط درجه ای از ارتباطات خطی بین متغیر ها را آنها به آسانی نمی توانند جابه جا شوند با داده هایی که محتوای ارتباطات آنها به صورت درست خطی نباشد برخی انتقال ها از داده ها امکان پذیر است (ببینید یوسمان – 1996).

و بسته های خاصی برای مشکلات غیر خطی به تدریج وارد بازار می شوند .

اما در ضمن این در تحقیقات واجب است که انتظار ما روشن باشد از ارتباطات خطی بین متغیر ها قبل از به کار بردن تحلیل SEM بر روی آنها در انتها باید گفت این هنوز حوزه در حال رشدی است و با تعداد زیادی مشکل مواجه است تا مورد استفاده ، مخاطبان قرار گیرد .

متأسفانه ، آگاهی از متن های خاص طبیعتاً مرجع جریانی از عقل است و این تغییرات در همه زمانها به عنوان اینکه حوزه ای از فعالیت تحقیقات است نسبتاً زیادند .

متون مناسبی که هر شخص تلقی می کند آنرا به عنوان بهترین چیز همانند سهم نان نشان داده می شود .

متأثر است و قابل به کارگیری است فقط در علت های خاص که هر کدام از داده هایی که ظاهراً هرگز مثالی از آن وجود ندارد .

تخمین الگوریتم ها ادعایی هستند توانا از معادله کردن با متغیر های بحث شده قوی متأسفانه قبل از آنکه پارامترهای خوب تخمینا تولید شوند ما باید پیدا کنیم اندازه حجم نمونه را از بین چندین هزاره به این ترتیب معنی همه اینها که یک رضایت معینی برای یادگیری در مورد حوزه هایی که لازم هستند اگر شما کاربر موثر شروع کننده SEM هستید .

27-8 : سخن پایانی ( خاتمه ) در این فصل من امیدوارم که به شما باورهایی از آنچه که انجام می گیرند زمانی که مردم استفاده می کنند دیدگاه های SEM را برای تحلیل داده ها داده باشم .

ظهور کردن یک اندازه خشک امکان پذیر است اما SEM واقعاً پیشنهادات زیادی برای روانشناس دارد .

توانایی تخمین ارتباطات بین متغیر های پنهان غیر مشاهده شده بعد از اندازه گیری خطا هایی که شامل یک پیشرفت اساسی برای روانشناسی مربوط به علاقه پژوهش ابتدایی هستند می شود .

در مورد مفاهیمی که به طور بنیادی غیر قابل مشاهده اند .

علاوه بر این SEM با یک مقدار زیادی سختگیری همراه است .

دیدگاه برای آزمون فرض و ساختمان مدل که کدامیک نظر گاه بیشتری باشد به عنوان یک چیز خوب در هوای سیاسی که روانشناسی مبازه می کند برای شناختن و حفظ کردن وضع اجتماعی به عنوان یک دانش واقعی است .