Spēcīgs alternatīvs novērtējums maziem un vidējiem paraugiem SEM: koriģētais faktora rezultātu aprēķins.

Addict Behav. 2018 Okt 27. pii: S0306-4603 (18) 31232-2. doi: 10.1016 / j.addbeh.2018.10.032.

Kelsija B1.

Anotācija

Strukturālās vienādojumu modelēšana ar pilnīgas informācijas maksimālās varbūtības novērtējumu ir galvenā metode, lai empīriski novērtētu sarežģītas teorijas, kas saistītas ar vairākiem latentiem mainīgajiem atkarības pētījumos. Lai gan pilnīgas informācijas aprēķiniem ir daudz vēlamo īpašību, tostarp konsekvence, galvenais strukturālo vienādojumu modeļu ierobežojums ir tas, ka tie bieži saglabā nozīmīgu novirzi, ja tos īsteno mazos vai vidējos lieluma pētījumos (piemēram, mazāk nekā 100 vai 200). Jaunākā literatūra ir izstrādājusi ierobežotu informācijas novērtējumu, kas izstrādāts, lai risinātu šo ierobežojumu, kas konceptuāli īstenots, izmantojot novirzes koriģētu faktoru rezultātu ceļa analīzes pieeju, kas ir pierādījusi, ka tā rada objektīvus un efektīvus aprēķinus mazos un vidējos paraugu iestatījumos. Neskatoties uz teorētiskajiem un empīriskajiem nopelniem, literatūra liecina, ka metode ir nepietiekami izmantota trīs galveno iemeslu dēļ - metodes nav pazīstamas lietišķajiem pētniekiem, trūkst praktisku un pieejamu vadlīniju un programmatūras, kas pieejama lietišķajiem pētniekiem, un salīdzinājumi ar pilnu informāciju trūkst metodes, kas balstītas uz disciplīnas specifiskiem piemēriem. Šajā pētījumā es aprakstu šo metodi, pakāpeniski analizējot secīgu starpniecības gadījumu izpēti, kas ietver interneta atkarību. Es sniedzu piemēru R kodu, izmantojot lavaanu paketi un datus, kas balstīti uz hipotētisku atkarības izpēti. Es aplūkošu atšķirības starp pilniem un ierobežotiem informācijas novērtētājiem, izmantojot piemēru datus, un pēc tam pārbaudīt, cik lielā mērā šīs atšķirības liecina par pastāvīgu atšķirību starp novērtētājiem, izmantojot simulācijas pētījumu. Rezultāti liecina, ka ierobežotās informācijas novērtētājs pārspēj parasto pilno informācijas maksimālās varbūtības novērtējumu mazos un vidējos paraugu lielumos, ņemot vērā neobjektivitāti, efektivitāti un jaudu.

PMID: 30501990

DOI: 10.1016 / j.addbeh.2018.10.032