Addict Behav। 2018 अक्टूबर 27। pii: S0306-4603 (18) 31232-2। doi: 10.1016 / j.addbeh.2018.10.032।
Kelcey B1.
सार
पूर्ण जानकारी अधिक संभावना सम्भावना अनुमान संग संरचनात्मक इक्वेसन मोडलि addiction व्यसन अनुसन्धान मा बहु सुप्त चर सहित जटिल सिद्धान्तहरु का एम्पेरिसली मूल्यांकन गर्न प्रमुख विधि हो। यद्यपि पूर्ण जानकारी अनुमानकर्तासँग स्थिरता सहित धेरै वांछनीय गुणहरू छन्, संरचनात्मक समीकरण मोडेलहरूमा एक प्रमुख सीमा यो हो कि सानोदेखि मध्यम आकारका अध्ययनहरूमा कार्यान्वयन गर्दा तिनीहरू प्राय: महत्वपूर्ण पूर्वाग्रह कायम गर्दछन् (उदाहरणका लागि, 100 वा 200 भन्दा कम)। भर्खरको साहित्यले सीमित जानकारी अनुमानकर्तालाई विकसित गरेको छ जुन यो सीमालाई सम्बोधन गर्नका लागि डिजाइन गरिएको छ - अवधारणा अनुसार पूर्वाग्रह-सुधार कारक स्कोर पथ विश्लेषण दृष्टिकोण - जुन सानोदेखि मध्यम नमूना सेटिंग्समा निष्पक्ष र दक्ष अनुमान उत्पादन गर्न देखाइएको छ। यसको सैद्धांतिक र अनुभवजन्य गुणहरूको बाबजुद, साहित्यले सुझाव दियो कि विधिलाई प्राथमिकताका साथ प्रयोग गरिएको छ तीन प्राथमिक कारणहरू - लागू अनुसन्धानकर्ताहरूलाई विधिहरू अपरिचित छन्, त्यहाँ व्यावहारिक र पहुँचयोग्य मार्गनिर्देशनको अभाव छ र लागू अनुसन्धानकर्ताहरूको लागि सफ्टवेयर उपलब्ध छ, र पूर्ण जानकारीको बिरूद्ध तुलना। विधिहरू जुन अनुशासन-विशेष उदाहरणहरूमा समाहित हुन्छन्। यस अध्ययनमा, म इन्टरनेट लत समावेश एक अनुक्रमिक मध्यस्थता मामला अध्ययन को एक चरण-द्वारा-विश्लेषण विश्लेषण मार्फत यो विधि चित्रण गर्दछ। म उदाहरण R कोड प्रदान गर्दछ लावान प्याकेज र डाटा प्रयोग गरेर लतको काल्पनिक अध्ययनमा आधारित। म उदाहरण डाटा भित्र पूर्ण र सीमित जानकारी अनुमानकर्ताहरु बीचको भिन्नताहरु लाई जाँच्दछु र पछि कुन हदसम्म यी भिन्नताहरु एक अनुकरण अध्ययन को उपयोग गरेर अनुमानकर्ताहरु बीचको एक सुसंगत भिन्नता को सूचक हो भनेर जाँच गर्दछ। परिणामहरूले सुझाव दिन्छ कि सीमित सूचना अनुमानकर्ताले पूर्वाग्रह, दक्षता, र शक्तिको सर्तमा सानोदेखि मध्यम नमूना आकारहरूमा परम्परागत पूर्ण जानकारी अधिकतम सम्भावित अनुमानकर्तालाई प्रदर्शन गर्दछ।
PMID: 30501990
;