میهن داک - میهن داکیومنت

مقاله ترجمه فصلي از کتاب روش هاي تحقيق در روانشناسي


کد محصول : 10001679 نوع فایل : word تعداد صفحات : 20 صفحه قیمت محصول : رایگان تعداد بازدید 884

دانلودرایگان فایل رمز فایل : m1d1679

فهرست مطالب و صفحات نخست


ترجمه فصلي از کتاب روش هاي تحقيق در روانشناسي

2.3.27 : برآورد کردن ارزش عامل
کارکردن در مورد ارزش ها از اين جهت که شاخص هايي براي مجموع (زيگما) ، در تعدادي از راه ها مي تواند انجام داده شود . استفاده کردن از بيشترين احتمال (ML) خيلي رايج است ، مجذور کمترين وزن (ULS) مجذورهاي کمترين کليت و مجذورهاي کمترين وزن ها (WLS) اينها مواردي هستند که براي زمان شروع انجام خواهند شد . هر کدام از اين مدل ها (الگوريتم ها ) عملکرد متناسبي را توليد مي کنند . هر کدام از معادله ها يک ارزش کلي هستند براي نشان دادن زگماهاي مختلف از اشکال و اريانس .
نگه داشتن انجام کار و رويه برآورد کننده آن هيچ وقت نمي تواند ارزش عملکرد متناسب را کاهش دهد .
راه اين کار و دلايل انتخاب يک مدل از مدل هاي بيشمار ديگر مافوق فرصت اين فصل است (ببينيد يولمان 1996 ، برنامه کتابهاي راهنما). اما اينها يک واحدي از خطر پنهاني رايج در همه الگوريتم ها هستند . اولين خطر اينکهدانستن پيدا کردن (تمايل داشتن) به بيشترين موضع . در اينجا برنامه انجام شده يک ارزش براي تناسب عملکرد است که کوچک ساخته نمي شود t نمي تواند کوچک شود ) به وسيله ساخته شدن کمترين تعديل به شاخص هاي برآورد کننده . هر چند شروع کردن تحقيق براي کمترين تناسب عملکرد ارزشمند تر است اما اين بايد واقعاً وجود داشته باشد ، يافتن تناسب بهتري مطابق با شاخص ها گفتن اينکه اين يک اتفاق آسان نيست طبقه دعاهاي اين فکر طولاني (1903) ممکن نيست که يک مشکل رايج تمريني باشد .
نوع دوم مشکل پارامترهاي برآورد کننده مربوط به پارامترهاي احمقانه است . برخي اوقات ، خوب يک اندازه بودن مي تواند به دست آمده باشد اما ارزش هاي يک پارامتر مسي را توليد نکنيد . براي نمونه بدست آوردن متغير هاي منفي يا رتبه ها يا ارتباط هاي ارزشي کاملي بيشتر از 1 امکان پذير است و هر فکري مثل اين ترکيبات در مورد آنها بي معني است . اگر اين اتفاقات براي شما مدل خاصي باشد به همين سادگي امکان دارد غلط باشد و يا ممکن است برخي متغيرهاي شما فرضيات را تائيد نکند و اين مهم است زماني که از يافتن الگوريتم هاي برآورد کننده استفاده مي شود) . اين همچنين مي تواند زماني اتفاق افتد که حجم نمونه خيلي کوچک است و يا مجانب باشد (در نمونه بزرگ ). فرضياتي که شکل مي دهند الگوريتم هاي برآورد کننده را ممکن است توجيح کننده نباشند .
علت اصلي ديگر از برآورد کننده هاي احمقانه داده هاي اشتباه هستند . محققان مرجعي براي ارتباط استفاده شده (ياکوداريانس) قرار مي دهند که قالبهايي کلي (تعميم شده ) هستند با جفت کردن دو وجه حذف شده از ارزش هاي علمي ، اين اشتباه بيشترين علت نوشته شده براي هر ارتباطي است . به هر حال معناي اينکه قسمتهاي مختلف قالب s کلي هستند به وسيله نمونه هايي از حجم هاي مختلف يک قالب مهمي که ممکن است باطناً سازگار نباشد با خودش برخي اوقات اين مشکل آشکار خواهد شد ، زماني نيز اين چنين نخواهد شد . به ندرت ، ترجمه ها ، از بسته هاي نرم افزاري بهترند براي آشکار کردن اين اشتباغه و هشدار دادن به کاربر .
27. 3.3 : اصلاح متون (MIS) و تحقيقات ويژه
اگر شما مدلي را پيدا کنيد که مناسب نباشد چگونه مي توان آن را تغيير داد ؟ کوشش کردن براي تغيير يک مدل يا بدست آوردن يک مدل مناسب بهتر يک تحقيق ويژه ناميده مي شود . يک راه براي انجام آن نگاه کردن (توجه کردن ) به متون اصلاح شده (MIS) است . (برخي اوقات آزمون هاي چند وجهي لاگرلانگ ناميده مي شود ).
اين متون به شما مي گويند آنچه را که بايد انتظار داشته باشيد تا اتفاق افتد . ارزش X2 از متن مناسبي خوب است اگر که شما آزاد به برآورده کردن يک مسير اجباري قبلي بوديد .
رها کردن يک مسير اجباري ( نه تخمين زدن) برآورد يک درجه آزادي را کمتر مي کند (MI) قبل تراز يک آزمون کردن از فرضياتي که پارامتر آزاد شده اي باشند و اين براي ارزش هاي ثابت شده گذشته ناکافي است که آيا اگر اين مهم باشد مدل مي تواند مناسبت بهتري داشته باشد از مدل قبلي پارامترهاي آزاد (مجاز) و اين احتمالاً براي ارزش هاي ثابت شده گذشته ناکافي باشد .
جايز شمردن پارامترها نبايد باعث کاهش تصادفي آنها شود اما بايد به صورت نظري قابل پذيرش باشد . اغلب پيشنهادات (MIS) بالاست که اين اساساً اشتباه است . رها شدگي در هر يک از پارامترهاي قديمي زياد نيست چون آن (MI) بزرگي است که مي تواند نتيجه ، يک اندازه بودن بهتري باشد اما اساساً مدل بي معنايي است . مدل اصلي شما ممکن است مناسب داده ها نباشد اما به طور کلي شما نبايد اجازه دهيد که داده ها شکلي از مدل را به شما تلقين کنند .
در برخي مواقع احساس هاي به نوعي مخالف از مشکلات اتفاق مي افتد زماني که شما مشکل خاصي داريد که در مدل شما يک پارامتر بايد برآورد کننده باشد . اما در حقيقت پارامتر کمتر از صفر هست که اين مدل بايد خاصيت بهتري با پارامتر ثابت شده روي صفر داشته باشد . اين مي تواند مدلي بسيار ساده تر ، کلي تر و قابل دسترسي تر و شاخصي کمتر تثبيت شده بسازد از صفر که نظريه اي نامناسب مي تواند باشد .
يکي از بيشترين ديدگاه هاي مستقيم نوين براي پيدا کردن پارامترهايي که احتمالاً بهترين وضعيت هستند، براي اينکه صفر باشد از پارامترهاي تخمين زده شده با خطاهاي استاندارد شده آنها با مقايسه کردن ارزش ها صورت مي گيرد . (آماده کردنه به وسيله نرم افزار ). اين مقادير با يک آزمون t براي آزمودن فرضياتي که برآورد کننده پارامتر متفاوت از صفر باشد احساس خوب و احترامي براي تناسب کردن مدلي که پارامتر با صفر باشد را مي سازد . بنابر اين افزايش دادن تعدادي از پارامتر ها که برآورد کننده باشند و ساده سازي کردن مدل براي اکثر اوقات انجام مي گيرد . اگر شما به خاطر داشته باشيد تعميم دادن ساده در SEM بهتر است .
در دو فاکتورهاي ما ، در مدل CFA ، همه پارامترهاي برآورد کننده هستند . نظريه هاي قابل پاسخ (خاطر – نشان مي کنيم که فاکتور نوتيک نگرش هاي منفي در مورد تکنولوژي جديد است ) و داشتن ارزش هاي رتبه اي مهمتر از صفر . اصلاح متون پيشنهادي که X2 برازنده مي تواند بهبود يابد به وسيله 48/4 (درP<0) اگر ما تخصيص دهيم خطاهايي از سوال 8 و سوال 10 که به هم مربوط باشند . به هر حال دانشي که در اينجا است توجيه نظري براي انجام آن ندارد ( در مورد سوالاتي که هر کدام بايد پيشنهاد کنند که چرا خطاها بايد همبستگي داشته باشند چيزي نيست و هيچ راهي براي برازندن مدل کافي نيست و همچنين اين اصلاح ساخته شدني نيست .
اگر شما توقع داريد از يک مدل استفاده شده براي داده هاي نمونه ، اگر بخواهيم دقيق شويم شما نبايد اين روش را آزمون کنند روي نمونه هايي با داده هاي همخوان : به دست آوردن يک داده جديد مناسب و سپس مدل تجديد نظر شده را روي آنها آزمون کنيم . اين يک ديدگاه قرار دادي است اما شما خواهيد ديد مدل تجديد نظر شده پيش آزمانيده را بر روي تعدادي از داده هاي نمونه . فرض اين است که آيا اينکه آثار تجديد نظر نظريه هاي مرتبط ، و سازگار يا فقط يک تمرين پايان دادني که سرمايه هايي در بخش ارتباطات در نمونه شما انعکاسي هميشه مطلوب است .
 
27. 4: مدل هاي ساختاري
در روانشناسي ، ما اغلب علاقمند هستيم که پيش بيني کنيم نتايج را از برخي انواع روندها . در سختي نامفهوم قديمي از روانشناسي تجربي ، ما مي خواهيم بدانيم کدام يک از متغير هاي مستقل علت است .
يا پيش بيني موفقيت براي متغير وابسته ما است در دوره هاي SEM (آن مي تواند با برخي اصطلاحات بماند به طور خيلي ساده ) متغير هاي مستقل . متغير هاي برون زاد و متغير هاي وابسته متغير هاي درون زاد ناميده مي شوند .
پيشرفت واقعي از مدل سازي معادله ساختاري آن است که ما بتوانيم روشي با تعدادي وابسته يا درون زا را تغيير دهيم تا برخي زمانها . درجه ديگري از پيشرفت و يکي از آنها که ما قبلاً معامله مي کرديم با آن هست که ما مي توانيم بپرسيم درباره ارتباط بين فاکتورهاي بعدي غير مشاهده که ما به آن به صورت طبيعي علاقه منديم .
دقت کردن به ارتباط بين متغير هاي برون زاد و درون زاد مفهوماً مشابه انجام بازگشت دو وجهي و زماني که هست يک متغير درون زاد به تنهايي ) و راه تحليل کردن آنهاست (زماني که متغير هاي درون زاد خيلي زياد هستند ).
زماني که رگرسيون سنتي با تحليل مسيري است ما تحلويحاً فرض مي کنيم که متغير هاي مشاهده شده کاملاً پايا هستند و محتواي آنها غلط نيستند . اگر ما اندازه گيري کنيم وزن يا سن را اين مقدار مي تواند هنوز خطاي محتوايي باشد اما احتمالاً براي روانشناسي که در مورد آن نگران باشد کافي نيست . ما مي توانيم اندازه هايي را بر رفتار هاي مشاهده شده متغيرها منتقل کنيم ، به عنوان نماينده هاي کامل از وزن و سن و انتقال آن به قبل . اغلب اندازه هاي متغير هاي روانشناسي ما متون ناقصي از مفاهيم پنهان دارند که در اين اصل ما هرگز نمي توانيم اين اندازه ها را به طور کامل محاسبه کنيم .
ما پيشنهاد مي کنيم بخشي از SEM براي تلاش تا بدست آوردن اين خطا در سنجش ، داخل حساب زماني که برآورد کننده هاي ما پارامتر هاي مدل هستند .
اين براي يک تعدادي از دلايل مهم است . خطاهاي اندازه گيري معمولاً به کار مي روند براي سوگيري براورد کردن پارامترها و اين قرار ها انجام مي شوند به طور مستقيم از برآورد نقصاني اثر ها از يک متغير روي ديگري (البته هميشه اينگونه نيست ) . اگر ما بخواهيم بدانيم که چگونه يک ارتباط قوي بين دو مفهوم وجود دارد . آنها مي توانند مطلوب باشد تا اندازه اي از اين ارتباط را برآورد کننده و سپس خطاهايي که براي آن داشته است را کنترل کنند . دليل دوم براي خواستار بودن خطاهاي برآورد کننده اين است که جور بودن از مدل ما براي داده ها معمولاً بداست . در اين قسمت به دليل خطاهاي اندازه گيري کنترل کردن دوباره براي خطاها بايد مشخص شود با کمترين سوگيري بدست آمده از مناسب بودن مدل هاي ما .
براي روشن ساختن اين مطلب من شرح مي دهم براي مثال اوليه استفاده شده درباره پيش بيني کردن توانايي هاي دانشگاهي . در ترکيب 403 من دو متغير برون داد ، هوش و وضعيت اقتصاغدي – اجتماعي دارم . هر دوي آنها علت هر دو متغير هاي مشاهده شده هستند . (در نظر ما ) من برآورد مي کنم وضعيت اجتماعي – اقتصادي را به وسيله پاسخگويي به تعدادي از کتابهاي در خانوار (NO BOOKS) و سئوال کردن در مورد درآمد خانواده (INCOME) هوش اندازه گيري شده به وسيله گرفتن امتياز کلامي (VERBAL) و هوش فضايي – بصري(VISUAL) در آزمون توانايي اوليه درون دادها فاکتورهاي پنهاني هستند . حيطه بيشتر خالصي در اين مثال . در اينجا من سعي مي کنم که پيش بيني کنم توانايي دانشگاهي بيشتر از تجربه هاي ناآزموده حساب مي شود و من علاقمند به تلاش کردنم تا پيش بيني کنم توانايي کلي در دانش را (دانش Science) و زبان انگليسي (English) که هر کدام تصوري هستند از متغير هاي پنهان اينجا علاقه به ترکيباتي که اينجا هستند ثبت مي کنم که توانايي در دانش براي مثال ، بايد اندازه خطا باشد . اگر من فقط توجه کنم به يک يک طبقه از آزمايشات به تنهايي (براي مثال مردم بايد احساس ناخوشي در روز را فقط از يکي از آزمايشات دانش انجام دهند ) .
به وسيله داشتن دو شاخص از توانايي در دانش (COM BSCI) و (MATHS) من اميدوارم که بدست آورم يک ارزيابي صحيح تر از توانايي در دانش وگرنه من بايد آنرا بدست آورده باشم . همه اصول از مقايسه مدل ما مورد مذاکره قرار مي گيرد. بنابر اين درخواست زياد در اين موقعيت بيشتر پيچيده است . ما به طور خاص مي خواهيم مدلي با پارامتر هاي به هم فشرده و ببينيم که چطور مقياس کوواريانس قابل تعميم است به وسيله برازندن مدل مقياس کوواريانس نمونه . من مي توانم بپرسم که آيا دو گونه از توانايي دانشگاهي مستقل هستند از يکديگر (عدم رابطه همبستگي ) به عنوان ويژه در اينجا به عنوان مرحله از مدلي آماده که هر دو توانايي را دارد ، علت بوده به وسيله موقعيت اقتصادي – اجتماعي و هوش من سوال مي کنم که آيا آنها مستقل هستند بعد از نشأت گرفتن از بخش هاي تقسيم شده تغييرات حساب شده براي آنها اگر مدل خوبي مناسب باشد که من بتوانم با آن مدل ادامه دهم کافي است اگر مدل مناسب نباشد من بايد پيشنهاد متون اصلاحي را اضافه کنم هر دو را از دانش (علم) به انگليسي که فرض من مبني بر اينکه دو گونه توانايي وابسته نيستند رها خواهد شد اينها برخي قوانين اساسي که (تصيحي) پيروي مي شود زماني که مي بينيم در مدل هاي ساختاري .
ابتداً مبلغي از خطا براي متغير هاي X( مجموع S) نبايد با خطاهاي متغير هاي y ( مجموع ميانگين 4S) مربوط باشد . همچنين خطاهاي مشاهده شده در متغير ها نبايد به هم بستگي داشته باشند . با خطاهاي در متغير هاي پنهان به هر حال اين بايد منع شود مثل محدود کردن بي جهت آنها در تمرين هستند و نه به سختي فراهم کنند و شروع کنند آرميدگي را در برخي بسته هاي نرم افزاري .
يک پيشنهاد ممکن به وسيله SEM ازمون کردن از مدل هاي شامل شده متقابل ( يا برخي اوقات همزمان ) علت هاي پيوسته است . اينها مدل هايي هستند که يک متغير درون داد پنهان در فکر دارند تا علت ديگر و اين درون داد متغير است در تبديل فکر به علت اولين متغير پنهاني . اين کاملاض از نظر آماري قابل پذيرش است . افکار بسياري از مردم موضوعاتي دارد که شامل هر ارتباطشان مي شود . اين يک ماده فلسفي واقعي و وابسته است به آنچه که شما نگه مي داريد اگر لازم باشد براي چيزهايي که علت هستند به وسيله چيزهاي ديگ .
بيشتر فرمول ها دليلي که علت باشد لازم دارند موقتاً مقدم بر تآثير و گفته مي شود که در دو فاکتور همزماني ، علت هر کدام لزوماً به تخلفات ديگري محتاج است . براي نمونه بايد پيشنهاد کنيم کلاس هايي از مشکلات که قادر است شروع شود تا مدل ها را تست کند با دلايل متقابل که بايد با وجود اين خيلي مفيد باشد .
تصور کنيد که شما اندازه سطوح مردم از افسردگي و فعاليت اجتماعي را داريد . اين احتمال وجود دارد که علت اينکه وقتي مردم افسرده مي شود آنها خارج مي شوند و اغلب اجتماعي بودن کاهش مي يابد .
فقدان فعاليت اجتماعي همچنين اضافه مي شود به سطوح افسردگي . و افزايش افسردگي و کاهش فعاليت يکديگر را تقويت مي کنند در يک مارپيچ (دور ) . اينکه شما در آن موقعيت نيستند تا تشخيص بدهيد افسردگي و فعاليت اجتماعي را . نکته اي که در هر کدام از چرخه ها شروع شده و شما نمي توانيد سطوحي که دائماً قابل تغييرند را پايش کنيد در سر تاسر روز اين ممکن نيست که شما صراحتاً بگوئيد کداميک از علت ها ابتدا به وجود آمده در اينجا ، اصلاً زمان فاصله اي بين علت و معلول و معلول بعدي تحت تأثير که علت است کوتاهتر از فاصله بين سنجش هاي ممکن است .
عقيده اقهانه يک فاصله يا شکاف زود گذري را به وجود آورد اما ما نبايد در يک موقعيت جمع آوري کنيم داده ها را در حدودي که فاصله زماني تا کار کردن هر کدام ، علت به وجود آمدن اولي است .
مدل ها هر کدام شامل مواردي از دلايل متقابل و يا باز خورد حلقه هايي که مدل هاي غير بازگشتي ناميده مي شوند که اينها نبايد مدل هاي برگشتي شوند .
27. 5 : استراتژي هاي تحليلي
در ترجمه همانند اين غير معمول است . من قادر خواهم بود تا جور کنم استراتژي هاي نامتعارف SEM که خيلي مشکل قابل دسترسي خواهد بود اينکه چه چيزي در اينجا خيلي حاضر شده اساسي تر از يک هماهنگ کننده اصول راهنمايي بود بر برخي از اصول واضح منصفانه .
نخست شما بايد قادر باشيد به شروع کردن هر آنچه متغير هاي پنهان شما علاقه داشته باشند در آن دوم شما بايد قادر باشيد به اندازه گيري خوب آنها . اگر شما نتوانيد انجام دهيد اين نکته کوچکي در ادامه دادن آن است . سوم ، شما بايد داشته باشيد يک تئوري که مراحل واضحي از انچه متغير هاي پنهان شما به يکديگر مربوطند داشته باشند . هر اصلاحي مي سازد مدلي بسيار قابل توجيه از نظريات و هر مدل نتيجه گيري اکثراً ارزش هاي مشروعي از پارامتر ها مي سازد . در پايان شما بايد آزمون کنيد مدلتان را بر روي داده هاي تازه .
چه چيزي در استراتژي هاي آرمان گرايانه (ايده اليستي) براي SEM دنبال مي شود:
1-    شروع کردن با يک مدل پيچيده (کامل ، اصلي ، کلي ، نظري ( مدل C شما).
مدل بايد ساده تر از يک احتمال باشد . با کمترين شاخص هاي مورد نياز از برآورد کننده ها . شروع کردن با يک مدل ساده که شما ممکن است بسيازيد انرا ، بيشتر پيچيده کنيد آنرا پيچيده تر از مدلي که شما براي ساده سازي آرزو مي کرديد . شما بايد داشته باشيد برخي باورها درباره انچه اصلاح مي شود از مدلي که نمي تواند بسازد حسي براي تئوري شما .
2-    کليد راهنمايي کردن شما اندازه حجم طراحي شده از جمعيت هدف شماست . کليک کردن روي سنجش آنها اصول سنجشي خوبي از مدل ها مي سازد به وسيله انتقال دادن CFA ها . اگر اين مدل ها ضعيف يا غير ويژه (اختصاصي) باشند . به بخش کوچکي از مدل ساختاري شما تخصيص مي يابند که بسيار مناسب خواهد بود .
3-    شما داده هاي نمونه اصلي استفاده شده در بهترين داده هاي ممکن را طبقه بندي مي کنيد . در استراتژي هاي قابل دسترسي براي شما .
4-    آزمون کردن موقتي وضوح زير بخش ها از مدل اصلي شما اگر اين مرحله ثبت نباشد (وجود نداشته باشد ) به مرحله 5 و سپس به مرحله 6 برويد .
5-    ربط زير مدل ها به وسيله آرام کردن نگراني ها با افزودن زير مدل ها فقط آرام کردن نگراني هايي که موفقاً موجود هستند به تنهايي ياي در شماره هاي کوچکي انجام مي شود . ربط ثابتي ندادن از مدل اصلي .
فقط رشد خوبي براي انجام آن است .
6-    ترکيب کردن زير مدل ها داخل يک آزمون جهاني کلي . تغيير دادن موفق آن فقط وقتي ممکن است که تعدادي از احساس هاي نظري ساخته شوند .
7-    برابر کردن اختصاصي از مدل نهايي از يک نمونه جديد از داده ها .
در اين تمرين شما احتمالاً نمي خواهيد منابعي براي انجام انچه ضروري است ( در بعدها ) در طبقه بندي داده ها اين يک واقعيت است از زندگي اما شما بايد حذر کنيد از آزمون کردن مدل هاي سنجشي شما و مدل هاي ساختاري در داده هاي نمونه همگون . لزوماً استفاده کنيد فقط از يک نمونه و بسازيد هر يک از نتايج نمونه خاص شما را .
27. 6 : ساير چيزهايي که مي تواند با SEM کم باشند .
اولاً، بسته هاي SEM معامله خواهند شد با مدل هايي که محتوايي با متغير هاي مشاهده شده دارند که هر کدام مي توانند يک جنبه مفيدي تا قرار داد بازگشت پايه اي باشند هر دوي بسته هاي مدلي . اگر شما متغير هاي پنهاني داشته باشيد نمي توانيد انجام دهيد آن را براي آزمون کردن مدل و اين مي تواند مفيد باشد اگر شما اعتنقاد داشته باشيد که اندازه هاي محتواي شما خطا نباشد .
(به عنوان مثال دلالت کردن کامل از کليد مفاهيم ).
دوماً ، اين ممکن است براي آنچه که سود تنومند ، ناميده مي شود زماني که شما شک داريد توصيف شود در مورد متغير ها اين شامل برداشت کمي از نمونه هاي تصادفي مي شود و از بدست آوردن اندازه K (K<W) براي داده هاي نمونه شما و برآورد کردن پارامتر ها در زمان هاي زياد بر روي آن .
انجام آن به شما اجازه مي دهد که شما برآورد کننده اي از خطاهاي استاندارد سازمان يافته با هر پارامتري بسازيد . ( سودمند و نشان هاي متناسب ) که هر کدام در بر گرداندن به شما اجازه مي دهند که فواصل اطميناني از هر پارامتر بر آورد کننده بسازيد . اين يک تکنيک آماري ويژه مربوط است اما هر کدام به تدريج در روانشناسي رايج مي شوند .
سوماً ، يکي از حوزه هاي بسيار اميد بخشي که در SEM توسعه يافته به آزمون کردن سنجش ها از مدل هاي ساختاري اختصاص دارد که بيشتر از يک گروه در يک زمان هستند . اين مدل سازي دو گروهي ناميده مي شود يک کاربرد رايج آن که رشد پيدا کردن اين آزمون هاي روان سنجي براي استفاده در ساير فرهنگهاست . براي مثال يک آزمون توسعه يافته در يک کشور (بگوئيد UK) بايد به داخل ساير زبان ها منتقل شود و محققين مي خواهند بدانند آيا مدل اندازه گيري سنجش هاي دون پايه همان چيز که در UK بوده را فراهم مي کنند . شما مي توانيد جمع آوري کنيد داده هاي نمونه را از هر دو کشور و بپرسيد از بسته هاي SEM براي آزمون کردن که آيا مدل اندازه گيري (سنجش ) (يک مدل CFA) دقيقاً در هر دو مکان همان است ) دقيقاً يکسان مي تواند به اين معني باشد که پر کردن ايتم ها به فاکتور داخلي بستگي دارد و خطاها به طور دائم و يکسان شده در هر دو کشور هستند . تحليل به تنهايي هماهنگي از تناسب فوق که به شما مي گويد که آيا اين مدل تناسب همزماني خوبي در دو کشور دارد خواهد داد . اگر شما نتوانيد نگراني هايتان را کاهش دهيد ( براي مثال اجازه دهيد که هر کس ايتم ها را پر کند تا بين دو کشور مختلف باشند ) و ببينيد که آيا متن اصلاح شده اگر بخواهيم کمتر دقيق شويم معادل مدل متناسب است همچون مدل هاي ساختاري واقعي اين مي تواند طولاني شود . شما بايد توسعه دهيد يک تئوري از فاکتورهاي تحت تاثير کلي يکساني از جمله مردان و ببينند که آيا مدل براي خانم ها نيز شامل مي شود و همچنين ايا به هر حال به طور مساوي قابل کاربرد براي هر دو جنس است .
چهارماً . به هر حال بحث کردن درباره اندازه گيري مدل هاي ساختاري که هر کدام امتداد عقلي از تحليل فاکتورها و رگرسيون چند وجهي هستند . در همه مدل هاي SEM مي تواند استفاده شود و براي تحليل رفتاري که ما قبلاً داشته ايم فکري از قسمتهاي مختلف گروه همانند آزمون t و رويه ANOVA استفاده مي شود . همچنين ما براي انجام آن آمادگي داريم . يکي از خواص (محاسن ) رويه SEM اين است که توانايي برآورد کردن ارتباطات بين متغير ها با اندازه گيري خطاهاي انجام شده را دارد . اين مي تواند به گروه ها مختلف آزمون کردن منتقل شود که بنابر اين شما کي به آزمون کردن پايان مي دهيد که آيا اين مقايس ها متفاوتي از آنچه متغير هاي پنهان فکري اتفاق مي افتند دارند . لزوماً شما داده هايي داريد که به تنهايي متغير هاي مشاهده شده هستند . اين احتمال مهمي است . نظر به اينکه چه زماني شما يک گروه متفاوت را پيدا مي کنيد تا استفاده کنيد يک آزمون t سنتي . بنابر اين شما مطمئن نيستيد که بگوئيد که آيا اين تفاوت يک تفاوت قابل توجه است . در روش هاي سنجشي خطاهاي متفاوت يا در متغير پنهان درست که شما به آن علاقه داريد .
متأسفانه رفتار کردن به طور مساوي از يک آزمون t متواضع اتفاق مي افتد با مساعدت بسته هاي کامپيوتري که هنوز تقريباً مشکل است براي انجام دادن و حقيقاً فهميدن آن ! اميدوارم که استفاده کننده – ياري شده ، که استفاده کنندگان از ابزارهاي ياري گر هستند به زودي زياد شوند .
27. 7. نکات آموزنده
موارد بسيار رايج ، بالا برده شده اند به وسيله انتقادهايي که از تحليل هاي SEM اغلب اظهار مي شود براي آزمون کردن مدل هاي علتبابي ، زماني که داده هاي ورودي همبسته يا کوولاينس هستند .
از زماني که همبستگي نتوانست به تنهايي علت باشد اظهاراتي ساخته شده که ارتباطات علمي تأسيس شده نتوانستند آنرا پشتيباني کنند . بهترين SEM فقط مي تواند يک مدل علتي پيشنهاد شده اي نشان دهد که کمکي است با ارتباطات مشاهده شده . زماني که SEM را انجام مي دهيم . اين تشويق زيادي براي عقايدي است که زماني در مدل نظري شما کج خلقي مي کردند . که به نظر مي رسد مناسب داده هايي که شما داريد باشند و چگونه مهيا کنند مدلي که صحيح باشد براي شما . متأسفانه از آنجا که شما آزموني که تماماً مدل ممکن و مناسبي باشد نداريد . شما محافظت مي کنيد به عنوان يک جريان از مدل پايان بدي بيشتر از بهترين يا درست ترين مدل . يک نقد مربوط در سطوح هايي که استفاده شده در قسمتهايي از دوره «تصديقي» زماني است که SEM از تحليل فاکتور تائيد شده (CFA) استفاده مي کند اما اين بيشتر از مدل هاي ديگر غير تائيدي نيست . F سيندها مورد پيشنهاد مي کند در فصل 26 که دوره تحت نظارت استفاده شده به نظر مي رسد همانند يک مصالحه خوب باشد .
SEM و مدل هاي مربوط متناسب مي کنند ديدگاه هايي که اغلب نقدي دارند از تاکيد آنها روي پيش بيني هزينه ها از آزمايش واقعي اين کاملاً ممکن است که توليد شود يک مدل پيش بيني خوب ، چيزهايي که بدون دانستن توانايي واقعي براي آزمون پديده هاي مورد علاقه است ، براي مثال ما بايد پيدا کنيم که موقعيت اجتماعي – اقتصادي (SES) يک پيش بيني کننده خوب از نگرش دانشگاهي است ، بدون اينکه بدانيم به طور واقعي که چه جيزي درباره دانستن يک موقعيت اجتماعي – اقتصادي بالا موثر است که علتي است براي عملکرد بهتر بچه هايي که آنرا دارند من مطمئنم که مي توانيم امکان ساختن برخي حدس هاي خوب را به عنوان آنچه که بدست مي آيد از موقعيت اقتصادي – اجتماعي بيشتر کنيم اما يک مدل متناسب خوب با وجود اين به دست مي آيد به وسيله موقعيتهاي ساده اي که (SEM) پيش بيني مي کند پيشرفت دانشگاهي را .
هر زمان که پيش گويي با دقت نباشد برخي چيزها به عنوان آزمايش تئوري هايي که اظهار مي کنند آزمايش پديده ها را اما نمي توانند انها را پيش بيني کنند . فايده ي محدود شده اي در دوره هاي SEM هستند .
اگر پيش بيني نباشد مي تواند آنرا سخت به دست آورد براي ديدن آن در دوره هاي فرض هاي قياسي سنتي که چگونه هر تئوري آزمون شده است .
SEM دقيقاً معادله هاي اوليه اي با ارتباطات خطي است بين متغير ها ، زيرا تحليل SEM پايه اي است روي حساب ها (رسيدگي ها ) و يا کوواريانس که ارزيابي مي کنند فقط درجه اي از ارتباطات خطي بين متغير ها را آنها به آساني نمي توانند جابه جا شوند با داده هايي که محتواي ارتباطات آنها به صورت درست خطي نباشد برخي انتقال ها از داده ها امکان پذير است (ببينيد يوسمان – 1996). و بسته هاي خاصي براي مشکلات غير خطي به تدريج وارد بازار مي شوند . اما در ضمن اين در تحقيقات واجب است که انتظار ما روشن باشد از ارتباطات خطي بين متغير ها قبل از به کار بردن تحليل SEM بر روي آنها در انتها بايد گفت اين هنوز حوزه در حال رشدي است و با تعداد زيادي مشکل مواجه است تا مورد استفاده ، مخاطبان قرار گيرد . متأسفانه ، آگاهي از متن هاي خاص طبيعتاً مرجع جرياني از عقل است و اين تغييرات در همه زمانها به عنوان اينکه حوزه اي از فعاليت تحقيقات است نسبتاً زيادند .
متون مناسبي که هر شخص تلقي مي کند آنرا به عنوان بهترين چيز همانند سهم نان نشان داده مي شود .
متأثر است و قابل به کارگيري است فقط در علت هاي خاص که هر کدام از داده هايي که ظاهراً هرگز مثالي از آن وجود ندارد . تخمين الگوريتم ها ادعايي هستند توانا از معادله کردن با متغير هاي بحث شده قوي متأسفانه قبل از آنکه پارامترهاي خوب تخمينا توليد شوند ما بايد پيدا کنيم اندازه حجم نمونه را از بين چندين هزاره به اين ترتيب معني همه اينها که يک رضايت معيني براي يادگيري در مورد حوزه هايي که لازم هستند اگر شما کاربر موثر شروع کننده SEM هستيد .
27-8 : سخن پاياني ( خاتمه )
در اين فصل من اميدوارم که به شما باورهايي از آنچه که انجام مي گيرند زماني که مردم استفاده مي کنند ديدگاه هاي SEM را براي تحليل داده ها داده باشم . ظهور کردن يک اندازه خشک امکان پذير است اما SEM واقعاً پيشنهادات زيادي براي روانشناس دارد . توانايي تخمين ارتباطات بين متغير هاي پنهان غير مشاهده شده بعد از اندازه گيري خطا هايي که شامل يک پيشرفت اساسي براي روانشناسي مربوط به علاقه پژوهش ابتدايي هستند مي شود . در مورد مفاهيمي که به طور بنيادي غير قابل مشاهده اند . علاوه بر اين SEM با يک مقدار زيادي سختگيري همراه است . ديدگاه براي آزمون فرض و ساختمان مدل که کداميک نظر گاه بيشتري باشد به عنوان يک چيز خوب در هواي سياسي که روانشناسي مبازه مي کند براي شناختن و حفظ کردن وضع اجتماعي به عنوان يک دانش واقعي است .



 


منابع :


طراحی سایت : سایت سازان