মাল্টি-আইটেম স্কেলের জন্য সিএফএ খারাপ হলে কী করবেন?


9

আমি নিশ্চিত নই যে কীভাবে এই সিএফএ লামানে করণীয় নিয়ে এগিয়ে যাব। আমার কাছে 172 জন অংশগ্রহণকারীদের নমুনা রয়েছে (আমি জানি এটি সিএফএর পক্ষে খুব বেশি নয়) এবং 7-পয়েন্টের লিকার্ট স্কেলযুক্ত 28 টি আইটেম যা সাতটি কারণের উপর লোড করা উচিত। আমি "এমএলএম"-প্রমাণকারীদের দিয়ে একটি সিএফএ করেছি, তবে মডেল ফিটটি আসলেই খারাপ ছিল (χ2 (df = 329) = 739.36; তুলনামূলক ফিট সূচক (সিএফআই) = .69; স্ট্যান্ডার্ডাইজড রুট মানে স্কোয়ার রেসিডুয়াল (এসআরএমআর) = 10; মূল অর্থাত্ সমমানের বর্গ ত্রুটি (আরএমএসইএ) =। 09; আরএমএসইএ 90% আত্মবিশ্বাসের ব্যবধান (সিআই) = [.08, .10])।

আমি নিম্নলিখিত চেষ্টা করেছি:

  • একটি সাধারণ পদ্ধতির ফ্যাক্টর সহ বাইফ্যাক্টর মডেল -> রূপান্তরিত হয়নি।

  • অর্ডিনাল ডেটা („ডাব্লুএলএসএমভি") -> মডেল ফিট: (χ2 (ডিএফ = 329) = 462; তুলনামূলক ফিট ইনডেক্স (সিএফআই) = .81; স্ট্যান্ডার্ডাইজড রুট মানে বর্গাকার অবশিষ্ট (এসআরএমআর) =। 09; মূল মানে স্কোয়ার ত্রুটি আনুমানিক (আরএমএসইএ) =। 05; আরএমএসইএ 90% আত্মবিশ্বাসের ব্যবধান (সিআই) = [.04, .06])

  • মডেলগুলিকে আইটেম দ্বারা হ্রাস করা যা কোনও ফ্যাক্টরের চেয়ে কম লোড হয় এবং নির্দিষ্ট আইটেমগুলির মধ্যে সমবায়িক যোগ করে -> মডেল ফিট: χ2 (ডিএফ = 210) = 295; তুলনামূলক ফিট ইনডেক্স (সিএফআই) = .86; মানকৃত রুট গড় বর্গক্ষেত্র অবশিষ্ট (এসআরএমআর) =। 08; রুট গড় বর্গাকার ত্রুটি আনুমানিক (আরএমএসইএ) =। 07; আরএমএসইএ 90% আত্মবিশ্বাসের ব্যবধান (সিআই) = [.06, .08]।

এখন আমার প্রশ্নগুলি:

  • এই জাতীয় মডেলটি নিয়ে আমার কী করা উচিত?

  • পরিসংখ্যানগতভাবে কি করা সঠিক হবে?

  • এটি ফিট করে বা এটি ফিট করে না এমন প্রতিবেদন করুন? আর সেই মডেলগুলির মধ্যে কোনটি?

এই বিষয়ে আপনার সাথে আলোচনা করে আমি আনন্দিত হব।

আসল মডেলের সিএফএর লাহান আউটপুট এখানে রয়েছে:

    lavaan (0.5-17.703) converged normally after  55 iterations

                                              Used       Total
  Number of observations                           149         172

  Estimator                                         ML      Robust
  Minimum Function Test Statistic              985.603     677.713
  Degrees of freedom                               329         329
  P-value (Chi-square)                           0.000       0.000
  Scaling correction factor                                  1.454
    for the Satorra-Bentler correction

Model test baseline model:

  Minimum Function Test Statistic             2461.549    1736.690
  Degrees of freedom                               378         378
  P-value                                        0.000       0.000

User model versus baseline model:

  Comparative Fit Index (CFI)                    0.685       0.743
  Tucker-Lewis Index (TLI)                       0.638       0.705

Loglikelihood and Information Criteria:

  Loglikelihood user model (H0)              -6460.004   -6460.004
  Loglikelihood unrestricted model (H1)      -5967.202   -5967.202

  Number of free parameters                        105         105
  Akaike (AIC)                               13130.007   13130.007
  Bayesian (BIC)                             13445.421   13445.421
  Sample-size adjusted Bayesian (BIC)        13113.126   13113.126

Root Mean Square Error of Approximation:

  RMSEA                                          0.116       0.084
  90 Percent Confidence Interval          0.107  0.124       0.077  0.092
  P-value RMSEA <= 0.05                          0.000       0.000

Standardized Root Mean Square Residual:

  SRMR                                           0.096       0.096

Parameter estimates:

  Information                                 Expected
  Standard Errors                           Robust.sem

                   Estimate  Std.err  Z-value  P(>|z|)   Std.lv  Std.all
Latent variables:
  IC =~
    PTRI_1r           1.000                               1.093    0.691
    PTRI_7            1.058    0.118    8.938    0.000    1.156    0.828
    PTRI_21           0.681    0.142    4.793    0.000    0.744    0.582
    PTRI_22           0.752    0.140    5.355    0.000    0.821    0.646
  IG =~
    PTRI_10           1.000                               0.913    0.600
    PTRI_11r          0.613    0.152    4.029    0.000    0.559    0.389
    PTRI_19           1.113    0.177    6.308    0.000    1.016    0.737
    PTRI_24           0.842    0.144    5.854    0.000    0.769    0.726
  DM =~
    PTRI_15r          1.000                               0.963    0.673
    PTRI_16           0.892    0.118    7.547    0.000    0.859    0.660
    PTRI_23           0.844    0.145    5.817    0.000    0.813    0.556
    PTRI_26           1.288    0.137    9.400    0.000    1.240    0.887
  IM =~
    PTRI_13           1.000                               0.685    0.609
    PTRI_14           1.401    0.218    6.421    0.000    0.960    0.814
    PTRI_18           0.931    0.204    4.573    0.000    0.638    0.604
    PTRI_20r          1.427    0.259    5.514    0.000    0.978    0.674
  IN =~
    PTRI_2            1.000                               0.839    0.612
    PTRI_6            1.286    0.180    7.160    0.000    1.080    0.744
    PTRI_12           1.031    0.183    5.644    0.000    0.866    0.523
    PTRI_17r          1.011    0.208    4.872    0.000    0.849    0.613
  EN =~
    PTRI_3            1.000                               0.888    0.687
    PTRI_8            1.136    0.146    7.781    0.000    1.008    0.726
    PTRI_25           0.912    0.179    5.088    0.000    0.810    0.620
    PTRI_27r          1.143    0.180    6.362    0.000    1.015    0.669
  RM =~
    PTRI_4r           1.000                               1.114    0.700
    PTRI_9            0.998    0.105    9.493    0.000    1.112    0.786
    PTRI_28           0.528    0.120    4.403    0.000    0.588    0.443
    PTRI_5            0.452    0.149    3.037    0.002    0.504    0.408

Covariances:
  IC ~~
    IG                0.370    0.122    3.030    0.002    0.371    0.371
    DM                0.642    0.157    4.075    0.000    0.610    0.610
    IM                0.510    0.154    3.308    0.001    0.681    0.681
    IN                0.756    0.169    4.483    0.000    0.824    0.824
    EN                0.839    0.169    4.979    0.000    0.865    0.865
    RM                0.644    0.185    3.479    0.001    0.529    0.529
  IG ~~
    DM                0.380    0.103    3.684    0.000    0.433    0.433
    IM                0.313    0.096    3.248    0.001    0.501    0.501
    IN                0.329    0.107    3.073    0.002    0.429    0.429
    EN                0.369    0.100    3.673    0.000    0.455    0.455
    RM                0.289    0.116    2.495    0.013    0.284    0.284
  DM ~~
    IM                0.530    0.120    4.404    0.000    0.804    0.804
    IN                0.590    0.122    4.839    0.000    0.731    0.731
    EN                0.588    0.105    5.619    0.000    0.688    0.688
    RM                0.403    0.129    3.132    0.002    0.376    0.376
  IM ~~
    IN                0.439    0.126    3.476    0.001    0.763    0.763
    EN                0.498    0.121    4.128    0.000    0.818    0.818
    RM                0.552    0.122    4.526    0.000    0.723    0.723
  IN ~~
    EN                0.735    0.167    4.402    0.000    0.987    0.987
    RM                0.608    0.141    4.328    0.000    0.650    0.650
  EN ~~
    RM                0.716    0.157    4.561    0.000    0.724    0.724


Variances:
    PTRI_1r           1.304    0.272                      1.304    0.522
    PTRI_7            0.613    0.153                      0.613    0.314
    PTRI_21           1.083    0.199                      1.083    0.662
    PTRI_22           0.940    0.141                      0.940    0.582
    PTRI_10           1.483    0.257                      1.483    0.640
    PTRI_11r          1.755    0.318                      1.755    0.849
    PTRI_19           0.868    0.195                      0.868    0.457
    PTRI_24           0.530    0.109                      0.530    0.473
    PTRI_15r          1.121    0.220                      1.121    0.547
    PTRI_16           0.955    0.200                      0.955    0.564
    PTRI_23           1.475    0.219                      1.475    0.691
    PTRI_26           0.417    0.120                      0.417    0.213
    PTRI_13           0.797    0.113                      0.797    0.629
    PTRI_14           0.468    0.117                      0.468    0.337
    PTRI_18           0.709    0.134                      0.709    0.635
    PTRI_20r          1.152    0.223                      1.152    0.546
    PTRI_2            1.178    0.251                      1.178    0.626
    PTRI_6            0.942    0.191                      0.942    0.447
    PTRI_12           1.995    0.235                      1.995    0.727
    PTRI_17r          1.199    0.274                      1.199    0.625
    PTRI_3            0.882    0.179                      0.882    0.528
    PTRI_8            0.910    0.131                      0.910    0.472
    PTRI_25           1.048    0.180                      1.048    0.615
    PTRI_27r          1.273    0.238                      1.273    0.553
    PTRI_4r           1.294    0.242                      1.294    0.510
    PTRI_9            0.763    0.212                      0.763    0.382
    PTRI_28           1.419    0.183                      1.419    0.804
    PTRI_5            1.269    0.259                      1.269    0.833
    IC                1.194    0.270                      1.000    1.000
    IG                0.833    0.220                      1.000    1.000
    DM                0.927    0.181                      1.000    1.000
    IM                0.470    0.153                      1.000    1.000
    IN                0.705    0.202                      1.000    1.000
    EN                0.788    0.177                      1.000    1.000
    RM                1.242    0.257                      1.000    1.000

2
আমার ধারণা আছে যে ডেটা কেবল মডেলটির সাথে খাপ খায় না, উদাহরণস্বরূপ, কারণগুলির মধ্যে আপনার কয়েকটি অত্যন্ত উচ্চতর সম্পর্ক রয়েছে। সমবায়িকাগুলির পরিবর্তে (এবং মানযুক্ত লোডিংগুলিতেও) পারস্পরিক সম্পর্ক পেতে একটি প্রমিত মানের সমাধান দেখার চেষ্টা করুন। আপনি কিছু কারণ ভেঙে দিতে চান? আপনার যদি কিছু থাকে তবে সম্ভবত আপনি বিপরীত কোডেড আইটেমগুলির জন্য একটি পদ্ধতি ফ্যাক্টর যুক্ত করতে চান - যা প্রায়শই যথেষ্ট ফিট হয়ে যায়।
hplieninger

1
আমি ইতিমধ্যে একটি পদ্ধতি ফ্যাক্টর দিয়ে বিপরীত কোডেড আইটেম বিবেচনা করার চেষ্টা করেছি। ফিট উন্নত, কিন্তু খুব বেশি করে না। আমি একটি বা দুটি ফ্যাক্টর ভেঙে ফেলতে চাই, তবে আমি তাত্ত্বিকভাবে পোস্ট করা 7 টি ফ্যাক্টর সমাধানের সাথে আঁকতে "আবদ্ধ"। এবং আমি ধসে পড়লেও, ফিটের খুব বেশি উন্নতি হয় না।
13:56 তে টিগ্লেজ করুন

উত্তর:


14

1. এক্সপ্লোরারি ফ্যাক্টর বিশ্লেষণে ফিরে যান

যদি আপনি খুব খারাপ সিএফএ ফিট করে থাকেন, তবে এটি প্রায়শই একটি চিহ্ন যে আপনি সিএফএতে খুব দ্রুত ঝাঁপিয়ে পড়েছেন। আপনার পরীক্ষার কাঠামো সম্পর্কে জানার জন্য আপনাকে অনুসন্ধানী ফ্যাক্টর বিশ্লেষণে ফিরে যেতে হবে। আপনার যদি একটি বড় নমুনা থাকে (আপনার ক্ষেত্রে আপনি না করেন) তবে আপনি অনুসন্ধান এবং একটি নিশ্চিতকরণের নমুনা রাখতে আপনার নমুনাটিকে বিভক্ত করতে পারেন।

  • তাত্ত্বিক সংখ্যক কারণগুলি যুক্তিযুক্ত বলে মনে হচ্ছে কিনা তা পরীক্ষা করতে অনুসন্ধানী ফ্যাক্টর বিশ্লেষণ পদ্ধতি প্রয়োগ করুন। আমি স্ক্রি প্লটটি কী পরামর্শ দেয় তা পরীক্ষা করে দেখতে চাই। আমি তখন ঘূর্ণিত ফ্যাক্টরটি লোডিং ম্যাট্রিক্সকে তাত্ত্বিক সংখ্যার কারণগুলির সাথে পাশাপাশি এক বা দুটি আরও এবং এক বা দুটি কম কারণের সাথে পরীক্ষা করব। আপনি প্রায়শই এ জাতীয় ফ্যাক্টর লোডিং ম্যাট্রিক্সগুলি দেখে ফ্যাক্টরগুলির আওতাভুক্ত বা তার থেকেও বেশি উত্তোলনের লক্ষণ দেখতে পান।
  • সমস্যাযুক্ত আইটেমগুলি সনাক্ত করতে অনুসন্ধানী ফ্যাক্টর বিশ্লেষণ ব্যবহার করুন। বিশেষত, অ-তাত্ত্বিক উপাদানগুলির মধ্যে বেশিরভাগ লোড হওয়া আইটেমগুলি, বড় ক্রস-লোডিং সহ আইটেমগুলি, যে কোনও উপাদানগুলির উপর অত্যধিক লোড হয় না items

ইএফএর সুবিধাগুলি হ'ল এটি প্রচুর স্বাধীনতা দেয়, সুতরাং আপনি কেবল সিএফএ পরিবর্তনের সূচকগুলি দেখলে পরীক্ষার কাঠামো সম্পর্কে আরও অনেক কিছু শিখতে পারবেন।

যাইহোক, আশা করি এই প্রক্রিয়া থেকে আপনি কয়েকটি সমস্যা এবং সমাধানগুলি সনাক্ত করতে পারেন। উদাহরণস্বরূপ, আপনি কয়েকটি আইটেম ফেলে দিতে পারেন; আপনি আপনার তাত্ত্বিক মডেলটি আপডেট করতে পারেন যে সেখানে কতগুলি কারণ রয়েছে এবং এগুলি।

২. কনফার্মেটরি ফ্যাক্টর অ্যানালাইসিস ফিট উন্নত করুন

এখানে অনেকগুলি পয়েন্ট তৈরি করা যেতে পারে:

স্কেল অনুযায়ী সিএফএ স্কেলগুলিতে প্রচুর আইটেমগুলি প্রায়শই traditionalতিহ্যগত মানদণ্ড দ্বারা খারাপ আচরণ করে। এটি প্রায়শই লোককে নেতৃত্ব দেয় (এবং মনে রাখবেন যে আমি এই প্রতিক্রিয়াটি প্রায়শই দুর্ভাগ্য বলে মনে করি) আইটেম পার্সেল তৈরি করতে বা স্কেল অনুযায়ী কেবল তিন বা চারটি আইটেম ব্যবহার করতে। সমস্যাটি হ'ল সাধারণত প্রস্তাবিত সিএফএ স্ট্রাকচারগুলি ডেটাতে ছোট ছোট ঘনত্বগুলি ক্যাপচার করতে ব্যর্থ হয় (উদাহরণস্বরূপ, ছোট ক্রস লোডিং, একটি পরীক্ষার মধ্যে আইটেমগুলি যে অন্যদের তুলনায় কিছুটা সংযুক্ত থাকে, ছোট উপদ্রব কারণসমূহ)। এগুলি স্কেল অনুযায়ী বহু আইটেম দিয়ে প্রশস্ত করা হয়।

উপরের পরিস্থিতি সম্পর্কে এখানে কয়েকটি প্রতিক্রিয়া রয়েছে:

  • অনুসন্ধানের SEM করুন যা বিভিন্ন ছোট ক্রস-লোডিং এবং সম্পর্কিত পদগুলির জন্য মঞ্জুরি দেয়
  • পরিবর্তনের সূচকগুলি পরীক্ষা করুন এবং কিছু বৃহত্তম যুক্তিসঙ্গত পরিবর্তন অন্তর্ভুক্ত করুন; উদাহরণস্বরূপ, স্কেল সম্পর্কিত কিছু অবশিষ্টাংশ; কয়েকটি ক্রস-লোডিং। দেখতে modificationindices(fit)মধ্যে lavaan
  • পর্যবেক্ষিত ভেরিয়েবলের সংখ্যা হ্রাস করতে আইটেম পার্সেলিং ব্যবহার করুন

সাধারণ মন্তব্য

সুতরাং সাধারণভাবে, আপনি যদি সিএফএ মডেলটি সত্যিই খারাপ হন তবে আপনার স্কেল সম্পর্কে আরও জানতে EFA এ ফিরে যান। বিকল্প হিসাবে যদি আপনার ইএফএ ভাল হয় এবং স্কেল অনুযায়ী অনেক আইটেম থাকার সুপরিচিত সমস্যার কারণে আপনার সিএফএ কেবলমাত্র খারাপ দেখায়, তবে উপরে বর্ণিত স্ট্যান্ডার্ড সিএফএ পদ্ধতি উপযুক্ত appropriate


1
আপনার পরামর্শের জন্য অনেক ধন্যবাদ। আমি ইতিমধ্যে ইএফএ ফিরে এসেছি, তবে আপনার পরামর্শের সাথে আমি বুঝতে পেরেছিলাম যে প্রচুর আইটেমগুলি তাদের হওয়া ফ্যাক্টারে লোড হয় না। আমি 7 টি তাত্ত্বিক কারণের পরিবর্তে মডেলটি 5 টি ফাংশনে পরিণত করার প্রলোভন দেখিয়েছি, তবে আমার প্রফেসর তাতে একমত হবেন না, তবে এটি ঠিক আছে fine দুঃখের বিষয়, 4 টি আইটেম সহ 7 টি ফ্যাক্টর মডেলটি কার্যকর হয় না (কোনও পরিবর্তনই করা হোক না কেন)। আমি একটি হ্রাস সিএফএ রিপোর্ট করব (7 টি কারণের সাথে +1 বাইপ্যাক্টর, 3 টি আইটেম) প্রতিটি সবেমাত্র ফিট হয় না (সিএফআই = .89, আরএমএসইএ = .067, এসআরএমআর = .069) তবে এটি আমার কাছে সেরা।
টিগ্লেজ করুন

1
পিএস জেরোমি, আমি আপনার ব্লগটি সত্যিই পছন্দ করি। এটি এ পর্যন্ত আমাকে অনেক সাহায্য করেছে এবং ভবিষ্যতে অবশ্যই এটি করবে :) ধন্যবাদ!
টিগ্লেজ করুন

4

আমি বাইফ্যাক্টর মডেলটি রূপান্তর করার চেষ্টা করার উপর কাজ করব। শুরুর মানগুলিকে সামঞ্জস্য করার চেষ্টা করুন ... এটি যদিও একটি মৎস্য পদ্ধতির হতে পারে, তাই মনে রাখবেন এবং সাবধানতার সাথে ব্যাখ্যা করুন। মডেলগুলিকে ব্যাখ্যা করার বিপদগুলি সম্পর্কে পড়ুন যা আপনি সত্যই সতর্ক হতে চান যদি রূপান্তরকে প্রতিহত করে - আমি স্বীকার করি যে এসইএম সম্পর্কে আমার গবেষণায় আমি এখনও এগুলি বেশি করে নিই না, তাই আমি আপনাকে মডেলটি পেতে যা করতে হবে তা করার পরামর্শ দিচ্ছি আপনার সুবিধার জন্য বেশিরভাগ রূপান্তর। আমি জানি না যে এটি প্রকাশনার জন্য আরও উপযুক্ত হবে, তবে এটি যদি স্পষ্টভাবে না হয় কারণ বাইফেক্টর মডেলটি কোনওভাবেই ফিট করে না, এটি আপনার পক্ষে জানা ভাল।

অন্যথায়, মনে হচ্ছে আপনি নিজের মতো করে ডেটা দিয়ে যতটা করতে পেরেছেন done আফাইক (আমি ইদানীং আমার নিজের একটি পদ্ধতিগত প্রকল্পের জন্য এটি গভীরভাবে পর্যবেক্ষণ করছি, তাই দয়া করে আমি ভুল হলে আমাকে সংশোধন করুন !!), ডাব্লুএলএসএমভি অনুমানটি বহুবিধ lavaanপারস্পরিক সম্পর্ক থেকে থ্রেশহোল্ড ব্যবহার করে, যা ভাল ফিট হওয়ার সর্বোত্তম উপায় সূচকগুলি অডিনাল তথ্যগুলির একটি সিএফএ আউট। ধরে নিই যে আপনি আপনার মডেলটি সঠিকভাবে নির্দিষ্ট করেছেন (বা কমপক্ষে সর্বোত্তমভাবে), এটিই আপনি করতে পারেন about স্বল্প লোডিংয়ের সাথে আইটেমগুলি সরিয়ে ফেলা এবং আন্তঃ আইটেম কোভেরিয়েন্সগুলি নির্বিঘ্নে অনুমান করা কিছুটা দূরেও চলেছে, তবে আপনি এটি চেষ্টাও করেছেন।

আপনার মডেল প্রচলিত মানগুলির সাথে উপযুক্ত নয়, কারণ আপনি সম্ভবত সচেতন as অবশ্যই আপনার উচিত হবে না যখন এটি ভাল না ফিট করে। আপনি এখানে প্রতিবেদন করেছেন এমন ফিটের পরিসংখ্যানগুলির সমস্ত সেটগুলিতে এটি প্রযোজ্য, দুর্ভাগ্যবশত (আমি ধরে নিলাম আপনি এটি ফিট করে আশা করছেন)। আপনার কিছু ফিট পরিসংখ্যান কেবল মোটামুটি দুর্বল, একেবারেই খারাপ নয় (আরএমএসইএ = .05 গ্রহণযোগ্য) তবে সামগ্রিকভাবে, এর কোনওটিই সুসংবাদ নয়, এবং আপনি প্রকাশ করতে চলেছেন তবে সে সম্পর্কে সততার সাথে আপনার দায়বদ্ধতা রয়েছে এই ফলাফল। আমি আশা করি আপনি করতে পারেন, FWIW।

যেভাবেই হোক, আপনি যদি পারেন তবে আরও ডেটা সংগ্রহ করার বিষয়টি বিবেচনা করতে পারেন; এটি আপনার পরে কী হবে তার উপর নির্ভর করে সহায়তা করতে পারে। যদি আপনার উদ্দেশ্যটি একটি নিশ্চিতকরণ অনুমানের পরীক্ষা হয় তবে ভাল, আপনি আপনার ডেটাতে "উঁকি দিয়েছেন" এবং যদি আপনি এটি একটি প্রসারিত নমুনায় পুনরায় ব্যবহার করেন তবে আপনার ত্রুটি হারকে বাড়িয়ে তুলবে, যদি না আপনি কেবল এই ডেটাसेटকে আলাদা করে রাখতে এবং সম্পূর্ণরূপে প্রতিলিপি না করতে পারেন, টাটকা, আরও বড় একটি, আপনি পরিচালনা করার জন্য শক্ত পরিস্থিতি পেয়েছেন। আপনি যদি প্যারামিটারগুলি নির্ধারণ এবং আত্মবিশ্বাসের ব্যবধানগুলি সংকীর্ণ করতে বেশিরভাগ আগ্রহী হন তবে আমি মনে করি যে আপনি ইতিমধ্যে এখানে ব্যবহার করেছেন এমন কোনও তথ্য সহ আপনি যতটুকু ডেটা সংগ্রহ করতে পারেন ঠিক ততটুকু পল করা যুক্তিযুক্ত হতে পারে। আপনি যদি আরও ডেটা পেতে পারেন তবে আপনি আরও ভাল ফিট সূচকগুলি পেতে পারেন যা আপনার পরামিতি অনুমানগুলি আরও নির্ভরযোগ্য করে তুলবে। আশা করি এটি যথেষ্ট ভাল।


@ জেরোমির বিকল্পের জন্য বড় +1: ইফায় ফিরে যান। এক্সপ্লোরারি বাইফ্যাক্টর বিশ্লেষণও একটি বিকল্প। এমনকি অনুসন্ধানী এস.এম. (যা তিনিও উল্লেখ করেছেন!) নিয়ে একটি দু'টি নিবন্ধ রয়েছে যা আমার এখনও পড়তে হবে ... আবার, আপনি যেভাবে চান সেগুলি এগুলি পুরোপুরি সিএফএ নয়, তবে যদি আপনার উদ্দেশ্যগুলি এই পদ্ধতিগুলির সাথে খাপ খায় তবে আপনার বিকল্পগুলি সর্বোপরি শেষ হয়ে যেতে পারে না।
নিক স্টাওনার

1
একটি আইটেম সরানোর সময় বাইফ্যাক্টর মডেল রূপান্তর করে। তবে ফিট এখনও সত্যই খারাপ এবং কারণগুলি এখনও অত্যন্ত সংযুক্ত। আমি মনে করি আমার বিকল্পগুলি সর্বোপরি শেষ হয়ে গেছে। তবে আরও নির্ভরযোগ্য অনুমানের জন্য আমরা আরও ডেটা সংগ্রহ করছি। আপনার উত্তর দেওয়ার জন্য ধন্যবাদ!
13:56 তে টিগ্লেজ করুন
আমাদের সাইট ব্যবহার করে, আপনি স্বীকার করেছেন যে আপনি আমাদের কুকি নীতি এবং গোপনীয়তা নীতিটি পড়েছেন এবং বুঝতে পেরেছেন ।
Licensed under cc by-sa 3.0 with attribution required.