Structural Equation Modeling A Multidisciplinary Journal· 2013Q1
Gizil Sınıf Analizinde Doğru Sınıf Sayısını Tespit Etmek İçin İstatistiksel Güç
Statistical Power to Detect the Correct Number of Classes in Latent Profile Analysis
- 1.836atıf
- Q1SCImago
- 2013yıl
Kısa özet
Gizil Sınıf Analizi (GSA), özellikle sınıflar arası mesafenin az olduğu durumlarda doğru sınıf sayısını tespit etmekte sıklıkla zorlanır. Bu simülasyon, yalnızca çok büyük sınıf mesafelerinin (Cohen's d = 1.5) LMR testi, ayarlanmış LMR, bootstrap olasılık oranı testi, BIC ve örneklem büyüklüğüne göre ayarlanmış BIC gibi yöntemlerin doğru sınıf sayısını güvenilir bir şekilde seçmesine izin verdiğini bulmuştur.
Yapay zekâ ile başlık ve abstract'tan üretildi; tam metin okunmaz.
Ana noktalar
- GSA'da doğru sınıf sayısını tespit etmeye yönelik istatistiksel güç, büyük ölçüde sınıflar arası mesafeden (ayrım derecesi) etkilenir.
- LMR testleri, ayarlanmış LMR, bootstrap olasılık oranı testi, BIC ve örneklem büyüklüğüne göre ayarlanmış BIC gibi yöntemler yalnızca çok büyük bir sınıf mesafesinde (Cohen's d = 1.5) iyi bir güç gösterdi.
- Daha küçük sınıf mesafelerinde (d = 0.2, 0.5, 0.8), güç yetersizdi veya örneklem büyüklüğü ve gösterge sayısına bağlıydı.
- Akaike Bilgi Kriteri (AIC) ve entropi, GSA'da doğru sınıf sayısını seçmede tutarlı bir şekilde yetersiz performans gösterdi.
Yapay zekâ ile başlık ve abstract'tan üretildi; tam metin okunmaz.
Özet (abstract)
Little research has examined factors influencing statistical power to detect the correct number of latent classes using latent profile analysis (LPA). This simulation study examined power related to interclass distance between latent classes given true number of classes, sample size, and number of indicators. Seven model selection methods were evaluated. None had adequate power to select the correct number of classes with a small (Cohen's d = .2) or medium (d = .5) degree of separation. With a very large degree of separation (d = 1.5), the Lo–Mendell–Rubin test (LMR), adjusted LMR, bootstrap likelihood ratio test, Bayesian Information Criterion (BIC), and sample-size-adjusted BIC were good at selecting the correct number of classes. However, with a large degree of separation (d = .8), power depended on number of indicators and sample size. Akaike's Information Criterion and entropy poorly selected the correct number of classes, regardless of degree of separation, number of indicators, or sample size.
Yazarların özeti; kaynağından alınmıştır. Structural Equation Modeling A Multidisciplinary Journal, 2013 · DOI ↗
Ücretsiz hesapla devam et
Makaleye Sor ile bu makaleye günde 3 soru ücretsiz; makaleyi kaydet, kaynakçasını al, ilgi alanına göre her gün yeni özetler. Çıkarımlar Premium.
Web'de ücretsiz devam etGoogle ya da Apple hesabınla giriş; kart istemez. Bu makaleye geri dönersin.
Telefonda:
Alan: İstatistik ve Olasılık
Statistics and ProbabilityMathematics