Аддицт Бехав. КСНУМКС Оцт КСНУМКС. пии: СКСНУМКС-КСНУМКС (КСНУМКС) КСНУМКС-КСНУМКС. дои: КСНУМКС / ј.аддбех.КСНУМКС.
Келцеи Б1.
Апстрактан
Моделирање структурних једнаџби са проценом максималне веродостојности информација је доминантна метода за емпиријску процену сложених теорија које укључују вишеструке латентне варијабле у истраживању зависности. Иако пуни информациони проценитељи имају много пожељних својстава, укључујући конзистентност, главно ограничење у моделима структурних једначина је да они често одржавају значајну пристрасност када се примењују у малим до умереним студијама величине (нпр. Мање од КСНУМКС или КСНУМКС). У новијој литератури развијен је ограничени процењивач информација дизајниран да се бави овим ограничењем - концептуално спроведеним кроз приступ анализи путање фактора корекције фактора предрасуда - за који се показало да производи непристрасне и ефикасне процене у малим до умереним поставкама узорка. Упркос својим теоретским и емпиријским заслугама, литература је сугерисала да је метода недовољно искоришћена због три основна разлога - методе које нису познате примењеним истраживачима, недостатак практичних и доступних смерница и софтвера доступних за примењене истраживаче и поређења са потпуним информацијама недостају методе утемељене на специфичним примјерима дисциплине. У овој студији описујем ову методу кроз корак-по-корак анализу секвенцијалне студије случаја медијације која укључује зависност од интернета. Дајем пример Р кода помоћу лаваан пакета и података заснованих на хипотетичкој студији зависности. Испитујем разлике између потпуних и ограничених процјенитеља информација у оквиру података из примјера и затим проучавам у којој мјери те разлике указују на досљедну дивергенцију између процјенитеља користећи симулацијску студију. Резултати указују на то да процењивач са ограниченим информацијама надмашује конвенционалну процену максималне вероватноће за пуну информацију у малим до умереним величинама узорака у смислу пристраности, ефикасности и снаге.
ПМИД: КСНУМКС
;