Ադիկտ Ահավ. 2018 Oct 27: pii: S0306-4603 (18) 31232-2: doi: 10.1016 / j.addbeh.2018.10.032:
Քելսի Բ1.
Վերացական
Կառուցվածքային հավասարման մոդելավորում, ամբողջական տեղեկատվության առավելագույն հավանականության գնահատման մեթոդը, հակումային հետազոտության մեջ բազմաթիվ լատենտային փոփոխականների ներգրավման համալիր տեսությունները empirically գնահատելու գերակշռող մեթոդն է: Թեեւ լրիվ տեղեկատվական գնահատողներն ունեն բազմաթիվ ցանկալի հատկություններ, ներառյալ համահունչությունը, կառուցվածքային հավասարման մոդելների հիմնական սահմանափակումն այն է, որ նրանք հաճախ պահպանում են զգալի կողմնակալություն փոքր եւ միջին չափի ուսումնասիրություններում (օրինակ, 100 կամ 200- ից քիչ): Վերջին գրականությունը մշակել է սահմանափակ տեղեկատվության գնահատող ծրագիր, որն ուղղված է այս սահմանափակմանը `հայեցակարգային կերպով իրականացվող մի կողմնակալ ճշգրտված գործոնի գնահատման ճանապարհի վերլուծության մոտեցման միջոցով, որը ցույց է տվել փոքր եւ միջին չափորոշիչի պարամետրերի անաչառ եւ արդյունավետ գնահատականներ: Չնայած նրա տեսական եւ էմպիրիկ արժեքներին, գրականությունը առաջարկել է, որ մեթոդը չօգտագործված է երեք հիմնական պատճառների պատճառով `մեթոդները անծանոթ են կիրառական հետազոտողների համար, կիրառական հետազոտողներին մատչելի գործնական եւ մատչելի ուղեցույցի եւ ծրագրային ապահովման բացակայություն եւ ամբողջական տեղեկատվության համեմատություն: մեթոդները, որոնք հիմնավորված են կարգապահության բնորոշ օրինակներում, բացակայում են: Այս ուսումնասիրության մեջ ես սահմանում եմ այս մեթոդը, որը թույլ է տալիս աստիճանաբար վերլուծել միջնորդության հետագա ուսումնասիրությունը, որը ներառում է ինտերնետի կախվածությունը: Ես տրամադրում եմ R օրինակը, օգտագործելով lavaan փաթեթը եւ կախվածության հիպոթետիկ ուսումնասիրության վրա հիմնված տվյալները: Ես ուսումնասիրում եմ տվյալների ամբողջական եւ սահմանափակ տեղեկատվության գնահատողների միջեւ եղած տարբերությունները եւ հետագայում հետազոտում այն աստիճանը, որով այդ տարբերությունները ցույց են տալիս, որ սիմուլյացիայի ուսումնասիրության միջոցով գնահատողների միջեւ հետեւողական տարբերություն կա: Արդյունքները ենթադրում են, որ սահմանափակ տեղեկատվության գնահատողը գերազանցում է սովորական լրիվ տեղեկատվության առավելագույն հավանականությունը գնահատողին փոքր եւ միջին չափի նմուշների չափերը `կողմնակալության, արդյունավետության եւ ուժի առումով:
PMID: 30501990
;