আমার দাবি অস্বীকার : আমি বুঝতে পারি যে এই প্রশ্নটি কিছু সময়ের জন্য সুপ্ত রেখে গেছে, তবে এটি একটি গুরুত্বপূর্ণ এবং মনে হচ্ছে আপনি একাধিক প্রতিক্রিয়া প্রকাশ করতে চেয়েছিলেন। আমি একজন সামাজিক মনোবিজ্ঞানী এবং এর আওয়াজগুলি থেকে হেনরিকের তুলনায় সম্ভবত এই জাতীয় নকশাগুলি সম্পর্কে কিছুটা বেশি স্বাচ্ছন্দ্যবোধক (যদিও কার্যকারণীয় ব্যাখ্যা সম্পর্কে তার উদ্বেগ সম্পূর্ণ বৈধ)।
কোন পরিস্থিতিতে এসইএম একটি উপযুক্ত ডেটা অ্যানালাইসেস টেকনিক?
আমার কাছে, এই প্রশ্নটি আসলে দুটি স্বতন্ত্র সাব-প্রশ্নে পাওয়া যায়:
- কেন প্রথমে এসইএম ব্যবহার করবেন?
- যদি কোনও গবেষক এসইএম ব্যবহারের সিদ্ধান্ত নিয়ে থাকেন তবে এসইএম ব্যবহারের জন্য ডেটা-সম্পর্কিত প্রয়োজনীয়তাগুলি কী কী?
কেন প্রথমে এসইএম ব্যবহার করবেন?
এসইএম হ'ল একটি সংক্ষিপ্ত এবং জটিল - এবং তাই কম অ্যাক্সেসযোগ্য - অন্যান্য, আরও সাধারণ, সাধারণ রৈখিক মডেলিং পদ্ধতির তুলনায় ডেটা বিশ্লেষণের দিকে দৃষ্টিভঙ্গি (যেমন, আনোভা, পারস্পরিক সম্পর্ক, রিগ্রেশন এবং তাদের সম্প্রসারণ ইত্যাদি)। এই পদ্ধতির সাথে আপনি যে কিছু করার কথা ভাবতে পারেন, আপনি SEM দিয়ে করতে পারেন।
যেমনটি, আমি মনে করি যে ব্যবহারকারীরা প্রথমে দৃ SE়ভাবে মূল্যায়ন করা উচিত কেন তারা প্রথমে SEM ব্যবহার করতে বাধ্য হয়। নিশ্চিত হওয়ার জন্য, এসইএম তার ব্যবহারকারীদের জন্য কিছু শক্তিশালী সুবিধা দেয়, তবে আমি এমন কাগজপত্রগুলি পর্যালোচনা করেছি যাতে এই সুবিধাগুলির কোনওটিই ব্যবহার করা হয় না, এবং শেষ-পণ্যটি একটি গবেষণাপত্রের একটি ডেটা বিশ্লেষণ বিভাগ যা সাধারণ পাঠকদের পক্ষে অনর্থকভাবে বুঝতে আরও অসুবিধা হয় । এটি কেবল সমস্যার জন্য উপযুক্ত নয় - গবেষক বা পাঠকের জন্য - যদি এসইএম বনাম অন্যান্য ডেটা বিশ্লেষণ পদ্ধতির সুবিধাগুলি কাটা না হয়।
তাহলে আমি একটি এসইএম পদ্ধতির প্রাথমিক সুবিধা হিসাবে কী দেখতে পাচ্ছি? বড়গুলি, আমার মতে:
(১) সুপ্ত ভেরিয়েবলের মডেলিং : এসইএম ব্যবহারকারীদের অরক্ষিত সুপ্ত ভেরিয়েবলের মধ্যে কাঠামোগত সম্পর্ক (বৈকল্পিকতা, সমান্তরালতা / সংশোধন, সংবিধান, গ্রুপ মানে পার্থক্য) পরীক্ষা করার অনুমতি দেয়, যা মূলত একটি গ্রুপের ভেরিয়েবলের মধ্যে ভাগ করা covariance (যেমন, উদ্বেগ থেকে আইটেম) আপনার শিক্ষার্থীরা ব্যবহার করতে পারে তা পরিমাপ করুন)।
সুপ্ত ভেরিয়েবল (যেমন, সুপ্ত উদ্বেগ) বিশ্লেষণের জন্য বড় বিক্রয় বিন্দু বনাম নির্মাণের একটি পর্যবেক্ষণ স্কোর (উদাহরণস্বরূপ, উদ্বেগ আইটেমগুলির গড়) হ'ল সুপ্ত ভেরিয়েবলগুলি ত্রুটিমুক্ত - সুপ্ত ভেরিয়েবলগুলি ভাগ করে নেওয়া কোভেরিয়েন্স গঠিত হয়, এবং ত্রুটি কিছুই সঙ্গে covary তাত্ত্বিক হয়। এটি পরিসংখ্যানগত শক্তিকে অনুবাদ করে, কারণ ব্যবহারকারীদের আর পরিমাপের অবিশ্বাস্যতার বিষয়ে চিন্তা করতে হবে না যে তারা যে মডেলগুলির চেষ্টা করছেন তার প্রভাবকে আরও কমিয়ে দেবে।
আরেকটি, আরও সংক্ষেপে, এসইএম ব্যবহার করার বিষয়টি বিবেচনা করার কারণটি কিছু ক্ষেত্রে এটি কনস্ট্রাক্টস সম্পর্কে আমাদের তত্ত্বগুলি পরীক্ষা করার আরও কনস্ট্রাক্ট-বৈধ উপায়। উদাহরণস্বরূপ, যদি আপনার শিক্ষার্থীরা তিনটি পৃথক ব্যবস্থা উদ্বেগের ব্যবহার করে থাকে, তবে কোনও এসআইএম কাঠামোয়, বিশেষত কোনও উদ্বেগের পরিবর্তে - এই তিনটি ব্যবস্থার সাধারণ - সম্ভবতঃ উদ্বেগের কারণগুলির কারণ / পরিণতিগুলি বোঝা ভাল না n't যেমন বিশেষ এক পরিমাপ উদ্বেগ পরিমাপ?
(2) একাধিক নির্ভরশীল ভেরিয়েবল মডেলিং: এমনকি যদি কেউ সুপ্ত ভেরিয়েবলগুলি মডেল করতে SEM ব্যবহার না করে তবে একটি মডেলের একাধিক ফলাফল ভেরিয়েবলগুলি একসাথে বিশ্লেষণের কাঠামো হিসাবে এটি এখনও বেশ কার্যকর হতে পারে। উদাহরণস্বরূপ, সম্ভবত আপনার ছাত্ররা কীভাবে একই ভবিষ্যদ্বাণীকারীদের বিভিন্ন ক্লিনিকভাবে প্রাসঙ্গিক ফলাফলগুলির সাথে সম্পর্কিত হয় তা অনুসন্ধানে আগ্রহী (উদাঃ, উদ্বেগ, হতাশা, নিঃসঙ্গতা, আত্মসম্মান ইত্যাদি)। আপনি কেন আগ্রহী এই চারটি ফলাফলের জন্য কেবল একটি মডেল চালাতে পারবেন, তবে কেন চারটি পৃথক মডেল চালান (টাইপ আই ত্রুটির হার বাড়ানো)? নির্দিষ্ট ধরণের নির্ভরশীল ডেটা নিয়ে কাজ করার সময় এটি SEM ব্যবহার করারও একটি কারণ, যেখানে একাধিক, নির্ভরশীল উত্তরদাতাগুলি ভবিষ্যদ্বাণী এবং ফলাফল প্রতিক্রিয়া উভয়ই পেতে পারে (যেমন, ডায়াডিক ডেটা; কেনি, কাশী এবং কুক, ২০০,,
(৩) মডেলিং অনুমানগুলি তৈরি করার পরিবর্তে : ডেটা বিশ্লেষণের আরও অনেকগুলি পদ্ধতির সাথে (যেমন, আনোভা, পারস্পরিক সম্পর্ক, রিগ্রেশন), আমরা যে ডেটা নিয়ে কাজ করছি তার বৈশিষ্ট্যগুলি সম্পর্কে একাধিক অনুমান করি - যেমন একজাতীয়তা ভ্যারিয়েন্স / homoskedasticity। এসইএম (সাধারণত একটি সুপ্ত পরিবর্তনশীল পদ্ধতির সাথে মিলিত) ব্যবহারকারীদেরকে উপায় এবং / অথবা পারস্পরিক সম্পর্ক / রিগ্রসিটিভ পাথের পাশাপাশি একই সাথে ভেরিয়েন্স প্যারামিটারগুলি মডেল করতে সক্ষম করে। এর অর্থ ব্যবহারকারীরা কেবলমাত্র একটি বিরক্তিকর অনুমান-সম্পর্কিত উত্তরোত্তর হিসাবে পরিবর্তনশীলতার পরিবর্তে চিকিত্সার পরিবর্তে পরিবর্তনের বিষয়ে পার্থক্য সম্পর্কে ধারণা এবং পরীক্ষা করা শুরু করতে পারেন।
আরেকটি পরীক্ষণযোগ্য অনুমান, যখন কিছু ভেরিয়েবলের সাথে গোষ্ঠীর গড় স্তরগুলির তুলনা করা হয়, তা কি সেই পরিবর্তনশীলটি প্রতিটি গ্রুপের জন্য একই জিনিসটি বোঝায় - এসইএম সাহিত্যে পরিমাপের আগ্রাসন হিসাবে বিবেচিত (দেখুন ভ্যান্ডেনবার্গ এবং ল্যান্স, 2000, এই প্রক্রিয়াটির পর্যালোচনার জন্য) )। যদি তা হয়, তবে সেই পরিবর্তনশীলের গড় স্তরের তুলনা বৈধ, তবে গ্রুপগুলির মধ্যে কিছু কী তা সম্পর্কে উল্লেখযোগ্যভাবে আলাদা ধারণা থাকলে, গ্রুপগুলির মধ্যে গড় স্তরের তুলনা প্রশ্নবিদ্ধ। আমরা গ্রুপ-তুলনা ব্যবহার করে গবেষণায় সর্বদা এই নির্দিষ্ট অনুমানটিকে নিখুঁতভাবে তৈরি করি।
এবং তখন অনুমানও হয়, যখন আপনি সামগ্রিক সূচক তৈরির জন্য আইটেমের গড় গড় বা সমষ্টি করতে (যেমন, উদ্বেগের পরিমাপের উপরে), প্রতিটি আইটেম অন্তর্নিহিত রচনার সমানভাবে ভাল পরিমাপ (কারণ প্রতিটি আইটেম সমানভাবে ওজনিত হয়) গড় / summing)। প্রতিটি আইটেমের জন্য বিভিন্ন ফ্যাক্টর লোডিং মানগুলি (আইটেম এবং প্রচ্ছন্ন ভেরিয়েবলের মধ্যে অ্যাসোসিয়েশন) অনুমান করে যখন সুপ্ত ভেরিয়েবলগুলি ব্যবহৃত হয় তখন এসইএম এই ধারণাটি সরিয়ে দেয়।
শেষ অবধি, ডেটা সম্পর্কে অন্যান্য অনুমানগুলি (যেমন, স্বাভাবিকতা), যদিও এসইএমের জন্য এখনও গুরুত্বপূর্ণ, পরিচালনা করা যায় (e..g, "মজবুত" অনুমানকারী ব্যবহারের মাধ্যমে, ফিনে ও ডিস্টেফানো, ২০০৮ দেখুন) যখন ডেটা পূরণ করতে ব্যর্থ হয় নির্দিষ্ট মানদণ্ড (স্কিউনেস এবং কুর্তোসিসের নিম্ন স্তরের)
(4) মডেল সীমাবদ্ধতা নির্দিষ্ট করে: আমার মতে, এসইএম ব্যবহারের বিষয়টি বিবেচনা করার শেষ বড় কারণ হ'ল এটি আপনার মডেলের ডেটা মডেল সম্পর্কে আপনার যে বিশেষ অনুমানগুলি থাকতে পারে তা পরীক্ষা করা খুব সহজ করে তোলে, আপনার মডেলটির কয়েকটি পাথ জোর করে (SEM পদে "বাধ্য") করে by নির্দিষ্ট মান গ্রহণ করা এবং এটি কীভাবে আপনার ডেটাতে আপনার মডেলের ফিটকে প্রভাবিত করে তা পরীক্ষা করে। কয়েকটি উদাহরণের মধ্যে রয়েছে: (ক) মডেলটিতে এটি প্রয়োজনীয় কিনা তা পরীক্ষা করার জন্য, শূন্যের প্রতিরোধের পথকে সীমাবদ্ধ করে; (খ) আকারে সমান হওয়ার জন্য একাধিক রিগ্রেশন পাথ যুক্ত (যেমন, কোনও ভবিষ্যদ্বাণীকের উদ্বেগ এবং হতাশার জন্য প্রায় সমান?); (গ) পরিমাপের চালানটি মূল্যায়নের জন্য প্রয়োজনীয় পরিমাপের পরামিতিগুলিকে সীমাবদ্ধ করা (উপরে বর্ণিত); (ডি) দুটি ভিন্ন গোষ্ঠীর মধ্যে শক্তির সমান হওয়ার জন্য একটি রিগ্রেশন পথকে সীমাবদ্ধ করা,
SEM এর জন্য ডেটা সম্পর্কিত প্রয়োজনীয়তাগুলি কী কী?
SEM- এর জন্য ডেটা সম্পর্কিত প্রয়োজনীয়তাগুলি বেশ বিনয়ী; আপনার পর্যাপ্ত নমুনা আকারের প্রয়োজন এবং আপনার ডেটা আপনি নির্বাচিত মডেল অনুমানকারীর অনুমানগুলি মেটাতে (সর্বাধিক-জীবদ্দশায় সাধারণত আদর্শ)।
নমুনা আকারের জন্য এক-আকারের-ফিট সমস্ত-প্রস্তাব দেওয়া কঠিন difficult কিছু সোজা সিমুলেশনগুলির উপর ভিত্তি করে, লিটল (2013) পরামর্শ দেয় যে খুব সাধারণ মডেলের জন্য 100-150 টি পর্যবেক্ষণ যথেষ্ট হতে পারে তবে মডেলগুলি আরও জটিল হয়ে ওঠার সাথে, এবং / অথবা ব্যবহৃত ভেরিয়েবলগুলির নির্ভরযোগ্যতা / বৈধতা হিসাবে বাড়বে sample মডেল হ্রাস। মডেল জটিলতা যদি উদ্বেগের বিষয় হয়ে থাকে তবে আপনি আপনার সুপ্ত পরিবর্তনশীলগুলির সূচকগুলি পার্সেলিংয়ের বিষয়টি বিবেচনা করতে পারেন, তবে এই পদ্ধতির সাথে সমস্তই জাহাজে নেই (লিটল, কানিংহাম, শাহার এবং উইদামান, ২০০২)। তবে সাধারণভাবে বলতে গেলে, সমস্ত কিছু সমান, বড় নমুনা (আমি নিজের গবেষণায় 200 ন্যূনতম জন্য চেষ্টা করি) আরও ভাল।
একটি নির্বাচিত অনুমানকারীর অনুমানগুলি পূরণ করার জন্য, সাধারণত এটি নির্ধারণ করা বেশ সহজ (যেমন, সর্বাধিক সম্ভাবনা অনুমানের জন্য স্কিউনেস এবং কুর্তোসিস মানগুলি দেখুন)। এমনকি যদি ধরে নেওয়া বৈশিষ্ট্যগুলি থেকে ডেটা বিচ্ছিন্ন হয় তবে কোনও গবেষণা কোনও "শক্তিশালী" অনুমানকারী (ফিনি এবং অ্যান্ড ডিস্টেফানো, ২০০৮) বা একটি অনুমানকারী যা বিভিন্ন ধরণের ডেটা ধরে রাখে (যেমন, একটি স্পষ্টিকর অনুমানক, যেমন ত্রিভুজের চেয়ে কম স্কোয়ার)।
ডেটা বিশ্লেষণের জন্য এসইএম বিকল্প?
যদি কোনও গবেষক এসএমএম পদ্ধতির দ্বারা প্রদত্ত বেনিফিটগুলির সুবিধা গ্রহণ না করে যা আমি উপরে তুলে ধরেছি তবে আমি নির্দিষ্ট বিশ্লেষণের আরও সোজা-এগিয়ে এবং অ্যাক্সেসযোগ্য সংস্করণে আটকে থাকার পরামর্শ দিচ্ছি (e..g, t) -সেটস, আনোভা, পারস্পরিক সম্পর্ক বিশ্লেষণ, রিগ্রেশন মডেলগুলি [মধ্যস্থতা, সংযম এবং শর্তসাপেক্ষ প্রক্রিয়া মডেলগুলি সহ]] পাঠকরা তাদের সাথে আরও পরিচিত এবং তাই আরও সহজেই তাদের বুঝতে পারবেন। আপনি যদি এসএমএমকে একটি সহজ বিশ্লেষণী পদ্ধতির মতো একইভাবে প্রভাবিত করেন তবে এটি SEM এর মিনিটওয়্যারের সাথে পাঠকদের বিভ্রান্ত করার মতো নয়।
এসইএম এর ব্যবহার বিবেচনা করে গবেষকদের পরামর্শ?
SEM- তে একেবারে নতুনদের জন্য:
- একটি বিস্তৃত, অ্যাক্সেসযোগ্য-লিখিত ভিত্তি SEM পাঠ্য পান। আমি বউজিয়ান (২০১৪), ব্রাউন (২০১৫; পূর্ববর্তী সংস্করণটিও বেশ শক্ত) এবং লিটল (২০১৩; ভাল সামগ্রিক পরিচিতি, যদিও এটি পরে দ্রাঘিমাংশীয় মডেলগুলিতে বিশেষভাবে ফোকাস করেছে) পছন্দ করি।
- (রোসিল, ২০১২) এর
lavaanজন্য কীভাবে প্যাকেজটি ব্যবহার করবেন তা শিখুন R। এটি সিনট্যাক্স যেমন এসইএম সিনট্যাক্স পেতে পারে ততই সহজ, এটির কার্যকারিতা অনেক লোকের এসইএম প্রয়োজনের জন্য যথাযথভাবে বিস্তৃত (অবশ্যই নবজাতকদের জন্য) এবং এটি নিখরচায়। বিউজিয়ান বইটি এসইএম এবং lavaanপ্যাকেজটির দুর্দান্ত যুগপত পরিচয় দেয় ।
- ক্রসভিলেটেড এবং স্ট্যাকস ওভারফ্লো নিয়মিত পরামর্শ / ব্যবহার করুন। SEM মডেলগুলিকে ফিট করার সময় অপ্রত্যাশিত জিনিসগুলি ঘটতে পারে এবং সম্ভাবনাগুলি হ'ল, আপনি যে অদ্ভুত বিষয়গুলির সম্মুখীন হতে পারেন তার অনেকগুলি ইতিমধ্যে বর্ণনা করা হয়েছে এবং স্ট্যাকগুলিতে ঝামেলা রয়েছে।
- হেরিক যেমন উল্লেখ করেছেন, নোট করুন যে আপনি কার্যকরী সংস্থাকে বোঝায় এমন একটি মডেল নির্দিষ্ট করেছেন বলে এর অর্থ এই নয় যে এসইএম ক্রস-বিভাগীয় / অ-পরীক্ষামূলক গবেষণায় কার্যকারিতা প্রতিষ্ঠায় সহায়তা করে। এছাড়াও, অনুদৈর্ঘ্য এবং / বা পরীক্ষামূলক ডিজাইন থেকে ডেটা বিশ্লেষণ করতে SEM ব্যবহার বিবেচনা করার পক্ষে এটি সম্পূর্ণ মূল্যবান।
এবং যারা আসলে এসএমএম ব্যবহার শুরু করেছেন তাদের জন্য:
- আপনি, এক পর্যায়ে, আপনার মডেলের ফিটনেস উন্নয়নের প্রয়াসে, উইল-নিলির সাথে সম্পর্কিত রিসিওডুয়ালগুলি নির্দিষ্ট করতে প্ররোচিত হবেন। না। অন্তত একটি ভাল ছাড়া অবরোহমার্গী কারণ। না প্রায়শই, একটি বৃহত্তর নমুনা বা একটি সহজ মডেল নিরাময়।
- সুপ্ত ভেরিয়েবলগুলির জন্য চিহ্নিতকরণের চিহ্নিতকরণ-পরিবর্তনশীল পদ্ধতির ব্যবহার এড়িয়ে চলুন (যেমন, প্রথম ফ্যাক্টরটি লোডিং 1 এ স্থির করে)। এটি আপনার সুপ্ত পরিবর্তনশীলটির "স্বর্ণ-মানক" সূচক হিসাবে সেই সূচকটি সুবিধাপ্রাপ্ত করে, যখন বেশিরভাগ ক্ষেত্রে এটি অনুমান করার কোনও কারণ নেই। সচেতন থাকুন যে এটি বেশিরভাগ প্রোগ্রামে ডিফল্ট সনাক্তকরণ সেটিংস।
তথ্যসূত্র
বিউজিয়ান, এএ (২০১৪)। আর ব্যবহার করে প্রচ্ছন্ন পরিবর্তনশীল মডেলিং: একটি ধাপে ধাপে গাইড । নিউ ইয়র্ক, এনওয়াই: রাউটলেজ।
ব্রাউন, টিএ (2015) ফলিত গবেষকদের জন্য কনফার্মেটরি ফ্যাক্টর বিশ্লেষণ (২ য় সংস্করণ)। নিউ ইয়র্ক, এনওয়াই: গিলফোর্ড প্রেস
ফিনি, এসজে, এবং ডিস্টেফানো, সি। (২০০৮)। কাঠামোগত সমীকরণ মডেলিংয়ে অ-সাধারণ এবং বিভাগীয় ডেটা। জিআর হ্যাঙ্কক এবং আরডি মুয়েলার (এড।) -তে স্ট্রাকচারাল সমীকরণ মডেলিং: একটি দ্বিতীয় কোর্স (পৃষ্ঠা 269-314)। তথ্য বয়স প্রকাশনা।
কেনি, ডিএ, কাশী, ডিএ, এবং কুক, ডাব্লুএল (2006)। ডায়াডিক ডেটা বিশ্লেষণ । নিউ ইয়র্ক, এনওয়াই: গিলফোর্ড প্রেস
ছোট, টিডি (2013) 2013 অনুদৈর্ঘ্য কাঠামোগত সমীকরণ মডেলিং । নিউ ইয়র্ক, এনওয়াই: গিলফোর্ড প্রেস
লিটল, টিডি, কানিংহাম, ডাব্লুএ, শাহার, জি, এবং উইদামান, কেএফ (2002)। পার্সেল করা বা পার্সেল না: প্রশ্নটি অন্বেষণ করা, যোগ্যতাগুলি ওজন করা। কাঠামোগত সমীকরণ মডেলিং , 9 , 151-173।
রোসিল, ওয়াই (2012) লাভায়ান: কাঠামোগত সমীকরণ মডেলিংয়ের জন্য একটি আর প্যাকেজ। পরিসংখ্যান সফটওয়্যার জার্নাল , 48 (2), 1-36।
ভ্যান্ডেনবার্গ, আরজে, এবং ল্যান্স, সিই (2000)। পরিমাপ ইনভারিয়েন্স সাহিত্যের একটি পর্যালোচনা এবং সংশ্লেষ: সাংগঠনিক গবেষকদের জন্য পরামর্শ, অনুশীলন এবং সুপারিশ। সাংগঠনিক গবেষণা পদ্ধতি , 3 , 4-70।