Professional Documents
Culture Documents
Quant Lesson 11 Structural Equation Modeling
Quant Lesson 11 Structural Equation Modeling
Γεώργιος Σ. Ανδρουλάκης
9 Απριλίου 2018
Γεώργιος Σ. Ανδρουλάκης (ΔΠΜΣ) ΔΠΜΣ - Αρχές Στατιστικής και Ανάλυσης Δεδομένων 2016-2017 1 / 91
Εισαγωγή
Περιεχόμενα
Γεώργιος Σ. Ανδρουλάκης (ΔΠΜΣ) ΔΠΜΣ - Αρχές Στατιστικής και Ανάλυσης Δεδομένων 2016-2017 3 / 91
Εισαγωγή
1Γεώργιος Σ. Ανδρουλάκης (ΔΠΜΣ) ΔΠΜΣ - Αρχές Στατιστικής και Ανάλυσης Δεδομένων 2016-2017 4 / 91
Εισαγωγή
Γεώργιος Σ. Ανδρουλάκης (ΔΠΜΣ) ΔΠΜΣ - Αρχές Στατιστικής και Ανάλυσης Δεδομένων 2016-2017 5 / 91
Εισαγωγή
Γεώργιος Σ. Ανδρουλάκης (ΔΠΜΣ) ΔΠΜΣ - Αρχές Στατιστικής και Ανάλυσης Δεδομένων 2016-2017 7 / 91
Εισαγωγή
Γεώργιος Σ. Ανδρουλάκης (ΔΠΜΣ) ΔΠΜΣ - Αρχές Στατιστικής και Ανάλυσης Δεδομένων 2016-2017 8 / 91
Εισαγωγή
Γεώργιος Σ. Ανδρουλάκης (ΔΠΜΣ) ΔΠΜΣ - Αρχές Στατιστικής και Ανάλυσης Δεδομένων 2016-2017 9 / 91
Βασικές έννοιες γραμμικής άλγεβρας
Περιεχόμενα
Είναι χρήσιμο να μάθετε πώς να εργάζεστε με τις προσδοκίες και τις διακυμάνσεις.
Θα εισαγάγουμε ορισμένους κανόνες την προσδοκία, τη διακύμανση και τη
συνδιακύμανση που θα είναι χρήσιμοι καθώς αναπτύσσουμε τη θεωρία για τα
υποδείγματα δομικών εξισώσεων.
Συμβολισμός:
E προσδοκία ή μαθηματική ελπίδα ή αναμενόμενη μέση τιμή,
V η διακύμανση,
C η συνδιακύμανση
Γεώργιος Σ. Ανδρουλάκης (ΔΠΜΣ) ΔΠΜΣ - Αρχές Στατιστικής και Ανάλυσης Δεδομένων 2016-2017 11 / 91
Βασικές έννοιες γραμμικής άλγεβρας
Γεώργιος Σ. Ανδρουλάκης (ΔΠΜΣ) ΔΠΜΣ - Αρχές Στατιστικής και Ανάλυσης Δεδομένων 2016-2017 12 / 91
Βασικές έννοιες γραμμικής άλγεβρας
Διακύμανση
Έστω Χ μία τυχαία μεταβλητή με μαθηματική ελπίδα Ε(Χ) και διακύμανση σ 2 .
Βασικές αρχές της διακύμανσης:
1 Ο διακύμανση σταθερής μεταβολής ... είναι αναλλοίωτη
V(X + α) = V(X)
2
προσοχή: μην σας μπερδεύουν τα τετράγωνα, η σχέση είναι γραμμική !!!
Γεώργιος Σ. Ανδρουλάκης (ΔΠΜΣ) ΔΠΜΣ - Αρχές Στατιστικής και Ανάλυσης Δεδομένων 2016-2017 13 / 91
Βασικές έννοιες γραμμικής άλγεβρας
Διακύμανση (συνέχεια)
Γεώργιος Σ. Ανδρουλάκης (ΔΠΜΣ) ΔΠΜΣ - Αρχές Στατιστικής και Ανάλυσης Δεδομένων 2016-2017 14 / 91
Βασικές έννοιες γραμμικής άλγεβρας
Συνδιακύμανση
Ορισμός της συνδιακύμανσης:
1 Συνδιακύμανση των X και Y είναι
C(XY) = E(XY) − E(X) · E(Y)
2 Εναλλακτικός ορισμός
C(XY) = E [(X − µX ) · E(Y − µY )]
Γεώργιος Σ. Ανδρουλάκης (ΔΠΜΣ) ΔΠΜΣ - Αρχές Στατιστικής και Ανάλυσης Δεδομένων 2016-2017 15 / 91
Βασικές έννοιες γραμμικής άλγεβρας
Συνδιακύμανση (συνέχεια)
Γεώργιος Σ. Ανδρουλάκης (ΔΠΜΣ) ΔΠΜΣ - Αρχές Στατιστικής και Ανάλυσης Δεδομένων 2016-2017 16 / 91
Βασικές έννοιες γραμμικής άλγεβρας
C(X, Y)
ρ=
σX · σY
Γεώργιος Σ. Ανδρουλάκης (ΔΠΜΣ) ΔΠΜΣ - Αρχές Στατιστικής και Ανάλυσης Δεδομένων 2016-2017 17 / 91
Βασικές έννοιες γραμμικής άλγεβρας Μήτρες συνδιασποράς
Μήτρες συνδιασποράς
Επειδή, η συνδιακύμανση των X και Y, είναι ίδια ανεξάρτητα από ποιο θα προηγηθεί,
ο παραπάνω πίνακας είναι πάντα συμμετρικός.
Γεώργιος Σ. Ανδρουλάκης (ΔΠΜΣ) ΔΠΜΣ - Αρχές Στατιστικής και Ανάλυσης Δεδομένων 2016-2017 18 / 91
Βασικές έννοιες γραμμικής άλγεβρας Μήτρες συσχέτισης
Μήτρες συσχέτισης
Κάνοντας μίξη των δύο παραπάνω πινάκων, πολλές φορές αναφέρεται ένας μικτός
πίνακας με την άνω διαγώνιο να έχει συνδιασπορές και την κάτω συσχετίσεις:
V(X) C(X, Y) C(X, Z)
V(Y, X) V(Y) C(Y, Z)
V(Z, X) V(Z, Y) V(Z)
Γεώργιος Σ. Ανδρουλάκης (ΔΠΜΣ) ΔΠΜΣ - Αρχές Στατιστικής και Ανάλυσης Δεδομένων 2016-2017 19 / 91
Βασικές έννοιες γραμμικής άλγεβρας Εξάρτηση δύο συνδιακυμάνσεων
Γεώργιος Σ. Ανδρουλάκης (ΔΠΜΣ) ΔΠΜΣ - Αρχές Στατιστικής και Ανάλυσης Δεδομένων 2016-2017 20 / 91
Διασύνδεση παλινδρόμησης και μήτρας συνδιακυμάνσεων
Περιεχόμενα
Περιεχόμενα
Ορισμός αξιοπιστίας
Τι είναι η αξιοπιστία;
Ο τυπικός ορισμός χρησιμοποιεί το απλό υπόδειγμα αθροίσματος
X=T+ε
Γεώργιος Σ. Ανδρουλάκης (ΔΠΜΣ) ΔΠΜΣ - Αρχές Στατιστικής και Ανάλυσης Δεδομένων 2016-2017 24 / 91
Αξιοπιστία
Ορισμός αξιοπιστίας
V(T) V(T)
reliability X= =
V(T) + V(ε) V(X)
Αλλά στην πράξη δεν γνωρίζουμε την πραγματική βαθμολογία Τ (ούτε το σφάλμα ε),
έτσι τι μπορούμε να κάνουμε; Πώς διαχωρίζουμε την πραγματική βαθμολογία από
την παρατηρούμενη βαθμολογία;
Μια προσέγγιση είναι ένα πείραμα test-retest. Ελέγξτε το άτομο στην ίδια μεταβλητή
δύο φορές. Υποθέτοντας ότι δεν υπάρχουν μεταβολές με την πάροδο του χρόνου στην
πραγματική βαθμολογία, ο χρόνος 1 επηρεάζεται από την ίδια "λανθάνουσα
μεταβλητή" όπως ο χρόνος 2. Το υπόδειγμα υποθέτει ότι η μόνη διαφορά μεταξύ των
δύο χρονικών περιόδων είναι το σφάλμα, το οποίο ορίζουμε ως ε1 και ε2 .
Γεώργιος Σ. Ανδρουλάκης (ΔΠΜΣ) ΔΠΜΣ - Αρχές Στατιστικής και Ανάλυσης Δεδομένων 2016-2017 25 / 91
Αξιοπιστία
Μελέτη αξιοπιστίας
Το υπόδειγμα βασίζεται στην υπόθεση ότι τα μόνα σφάλματα που υπάρχουν είναι τα
σφάλματα
X 1 = T + ε1 X2 = T + ε2
Μπορούμε να εκμαιεύσουμε το πραγματικό σκορ με την απλή υπόθεση ότι τα
σφάλματα είναι ανεξάρτητα:
C(X1 , X2 ) = C(T + ε1 , T + ε2 )
= C(T, T) + C(T, ε1 ) + C(T, ε2 ) + C(ε1 , ε2 ) =
= C(T, T) =
= V(T)
Γεώργιος Σ. Ανδρουλάκης (ΔΠΜΣ) ΔΠΜΣ - Αρχές Στατιστικής και Ανάλυσης Δεδομένων 2016-2017 26 / 91
Αξιοπιστία
Μελέτη αξιοπιστίας
C(X1 , X2
ρ(X1 , X2 ) = √ =
V(X1 ) · V(X2 )
V(T)
= √ =
V(T + ε1 ) · V(T + ε2 )
V(T)
= =
V(T + ε)
= reliability X
Γεώργιος Σ. Ανδρουλάκης (ΔΠΜΣ) ΔΠΜΣ - Αρχές Στατιστικής και Ανάλυσης Δεδομένων 2016-2017 27 / 91
Αξιοπιστία
Γεώργιος Σ. Ανδρουλάκης (ΔΠΜΣ) ΔΠΜΣ - Αρχές Στατιστικής και Ανάλυσης Δεδομένων 2016-2017 28 / 91
Αξιοπιστία
Μελέτη αξιοπιστίας
Η ίδια λογική επεκτείνεται στην πραγματική συσχέτιση μεταξύ δύο μεταβλητών,
καθεμία από τις οποίες μετριέται με το δικό της σφάλμα.
ρ(X, Y)
ρ(XT , T ) = √
reliability X · reliability Y
Αυτή η εξίσωση είναι σημαντική στη θεωρία των ελέγχων. Δείχνει ότι μια πραγματική
συσχέτιση είναι ίση με την παρατηρούμενη συσχέτιση (τον αριθμητή στη δεξιά
πλευρά) διαιρούμενη με το προϊόν των τετραγωνικών ριζών των συντελεστών
αξιοπιστίας.
Επομένως, το προϊόν της αξιοπιστίας χρησιμεύει για τη διόρθωση της
παρατηρούμενης συσχέτισης μεταξύ των δύο μεταβλητών.
Όσο και οι δύο αξιοπιστίες είναι μη μηδενικές και τουλάχιστον μία δεν είναι επίσης
ίση με 1, τότε η διόρθωση θα είναι πάντα η αύξηση της τιμής της παρατηρούμενης
συσχέτισης μεταξύ Χ και Υ. Η συσχέτιση στην παραπάνω Εξίσωση ονομάζεται
διόρθωση για εξασθένηση.
Γεώργιος Σ. Ανδρουλάκης (ΔΠΜΣ) ΔΠΜΣ - Αρχές Στατιστικής και Ανάλυσης Δεδομένων 2016-2017 29 / 91
Τύπος Spearman-Brown
Περιεχόμενα
Τύπος Spearman-Brown
Η λογική του τύπου SB είναι να εκτιμηθεί η αξιοπιστία μιας δοκιμασίας του στοιχείου
k από τη γνώση της αξιοπιστίας των μεμονωμένων αντικειμένων.
Για παράδειγμα, ας υποθέσουμε ότι έχω ερωτηματολόγιο 5 ερωτήσεων και
γνωρίζω τις διασυνδέσεις κάθε ερώτησης με τις άλλες.
Ωστόσο, δεν γνωρίζω (χωρίς περαιτέρω υπολογισμούς) πώς το σκορ ενός ατόμου
σε αυτές τις 5 ερωτήσεις (δηλαδή, το άθροισμα των 5 ερωτήσεων) θα
συσχετίζονταν με το αθροισμένο σκορ τους σε άλλες 5 ερωτήσεις (όπου έχουν
δειγματιστεί από την ίδια ομάδα ερωτήσεων) ή πώς το άθροισμα αυτών των
πέντε ερωτήσεων σήμερα θα συσχετιστεί με τις ίδιες πέντε ερωτήσεις αύριο.
Με άλλα λόγια, θα θέλαμε να γνωρίζουμε την αξιοπιστία του τεστ πέντε
ερωτήσεων ως συνολικό σκορ, αλλά το μόνο που έχουμε είναι η ατομική
αξιοπιστία κάθε ερώτησης.
Γεώργιος Σ. Ανδρουλάκης (ΔΠΜΣ) ΔΠΜΣ - Αρχές Στατιστικής και Ανάλυσης Δεδομένων 2016-2017 31 / 91
Τύπος Spearman-Brown
Τύπος Spearman-Brown
Συμβολίζουμε τη συσχέτιση ενός ερωτήματος με ένα άλλο ερώτημα ως r11 (μερικά
βιβλία χρησιμοποιούν το rij για να δηλώσουν το στοιχείο i με το στοιχείο j).
Η συσχέτιση ενός αθροίσματος των αντικειμένων k με ένα άλλο άθροισμα των
στοιχείων k υποδηλώνεται με rkk .
Τύπος SB: Για να υπολογίσουμε το rkk , παίρνουμε
k · r11
rkk =
1 + (k − 1)r11
Έτσι, από τις εσωτερικές συσχετίσεις μεταξύ των k ερωτήσεων εκτιμάται η
αξιοπιστία του αθροίσματος των k ερωτήσεων. Αυτή η μορφή είναι γνωστή ως
τυποποιημένη έκδοση επειδή βασίζεται σε συσχετίσεις. (Υπάρχει επίσης μια μη
τυποποιημένη έκδοση που παρουσιάζεται παρακάτω)
Το όριο του SB όταν το k πηγαίνει στο άπειρο (μια απείρως μεγάλη δοκιμή) είναι
1, που αντιπροσωπεύει την τέλεια αξιοπιστία. Αυτό σημαίνει ότι καθώς αυξάνεται
ο αριθμός των ερωτήσεων μιας ομάδας, η αξιοπιστία θα αυξηθεί επίσης.
Γεώργιος Σ. Ανδρουλάκης (ΔΠΜΣ) ΔΠΜΣ - Αρχές Στατιστικής και Ανάλυσης Δεδομένων 2016-2017 32 / 91
Το α του Cronbach
Περιεχόμενα
Το α του Cronbach
Γεώργιος Σ. Ανδρουλάκης (ΔΠΜΣ) ΔΠΜΣ - Αρχές Στατιστικής και Ανάλυσης Δεδομένων 2016-2017 34 / 91
Αξιοπιστία και απλή παλινδρόμηση
Περιεχόμενα
Y = β0 + β1 X + ε
Γεώργιος Σ. Ανδρουλάκης (ΔΠΜΣ) ΔΠΜΣ - Αρχές Στατιστικής και Ανάλυσης Δεδομένων 2016-2017 36 / 91
Αξιοπιστία και απλή παλινδρόμηση
Αυτή η τελευταία εξίσωση δείχνει ότι παραβιάζεται μια κρίσιμη υπόθεση στην
παλινδρόμηση: η ανεξαρτησία των όρων σφάλματος !!! Με την αναδιοργάνωση
των όρων έχουμε
Y = β0 + β1 X + (ε − β1 · εX )
επομένως το συνολικό σφάλμα ... συσχετίζεται με το Χ.
Ας μελετήσουμε τώρα τι επίπτωση έχει στο β το σφάλμα μέτρησης. Είναι γνωστό
ότι:
C(X, Y) C(XT , Y)
β1 = β1true =
V(X) V(XT )
Γεώργιος Σ. Ανδρουλάκης (ΔΠΜΣ) ΔΠΜΣ - Αρχές Στατιστικής και Ανάλυσης Δεδομένων 2016-2017 37 / 91
Αξιοπιστία και απλή παλινδρόμηση
Αν θυμηθούμε λίγο τον τύπο της αξιοπιστίας και συμβολίσουμε την αξιοπιστία
του Χ ως rXX καταλήγουμε με λίγες πράξεις στο
Γεώργιος Σ. Ανδρουλάκης (ΔΠΜΣ) ΔΠΜΣ - Αρχές Στατιστικής και Ανάλυσης Δεδομένων 2016-2017 38 / 91
Αξιοπιστία και απλή παλινδρόμηση
Γεώργιος Σ. Ανδρουλάκης (ΔΠΜΣ) ΔΠΜΣ - Αρχές Στατιστικής και Ανάλυσης Δεδομένων 2016-2017 40 / 91
Αξιοπιστία και πολλαπλή παλινδρόμηση
Περιεχόμενα
Γεώργιος Σ. Ανδρουλάκης (ΔΠΜΣ) ΔΠΜΣ - Αρχές Στατιστικής και Ανάλυσης Δεδομένων 2016-2017 42 / 91
Αξιοπιστία και πολλαπλή παλινδρόμηση
Γεώργιος Σ. Ανδρουλάκης (ΔΠΜΣ) ΔΠΜΣ - Αρχές Στατιστικής και Ανάλυσης Δεδομένων 2016-2017 43 / 91
Αξιοπιστία και πολλαπλή παλινδρόμηση
Γεώργιος Σ. Ανδρουλάκης (ΔΠΜΣ) ΔΠΜΣ - Αρχές Στατιστικής και Ανάλυσης Δεδομένων 2016-2017 44 / 91
Βοηθητικές (instrumental) μεταβλητές
Περιεχόμενα
Γεώργιος Σ. Ανδρουλάκης (ΔΠΜΣ) ΔΠΜΣ - Αρχές Στατιστικής και Ανάλυσης Δεδομένων 2016-2017 48 / 91
Βοηθητικές (instrumental) μεταβλητές
Γεώργιος Σ. Ανδρουλάκης (ΔΠΜΣ) ΔΠΜΣ - Αρχές Στατιστικής και Ανάλυσης Δεδομένων 2016-2017 49 / 91
Βοηθητικές (instrumental) μεταβλητές
Περιεχόμενα
Διαμεσολάβηση
Γεώργιος Σ. Ανδρουλάκης (ΔΠΜΣ) ΔΠΜΣ - Αρχές Στατιστικής και Ανάλυσης Δεδομένων 2016-2017 52 / 91
Υποδειγματοποίηση δομικών εξισώσεων (SEM)
Περιεχόμενα
Μετά από όλα τα παραπάνω μπορούμε να δώσουμε έναν καλύτερο ορισμό για τα
υποδείγματα δομικών εξισώσεων
Tο SEM είναι μια γενική απεικόνιση που περιλαμβάνει όλο το γράφο αιτιακών
εξαρτήσεων μεταξύ πραγματικών και λανθανουσών μεταβλητών και μπορεί να
εκτελέσει όλες τις διαδικασίες ANOVA, παλινδρόμηση, PCA, MANOVA και κανονική
συσχέτιση. Το πλαίσιο επιτρέπει επίσης σφάλμα μέτρησης. Είναι δυνατή η ανάμιξη
και η αντιστοίχιση αυτών των τεχνικών, όπως η εκτέλεση ενός PCA με σφάλμα
μέτρησης σε ένα υπόδειγμα παλινδρόμησης.
Γεώργιος Σ. Ανδρουλάκης (ΔΠΜΣ) ΔΠΜΣ - Αρχές Στατιστικής και Ανάλυσης Δεδομένων 2016-2017 54 / 91
Υποδείγματα παραγόντων στην SEM
Περιεχόμενα
Γεώργιος Σ. Ανδρουλάκης (ΔΠΜΣ) ΔΠΜΣ - Αρχές Στατιστικής και Ανάλυσης Δεδομένων 2016-2017 56 / 91
Δείκτης GFI
Περιεχόμενα
Υποδείγματα
Γεώργιος Σ. Ανδρουλάκης (ΔΠΜΣ) ΔΠΜΣ - Αρχές Στατιστικής και Ανάλυσης Δεδομένων 2016-2017 58 / 91
Δείκτης GFI
SSE
R2 = 1 −
SST
το άθροισμα τετραγώνων των στοιχείων στην υπολειμματική μήτρα (μήτρα με τα
κατάλοιπα όλων των απλών παλινδρομήσεων) είναι ένας καλός υποψήφιος για το
ανάλογο προς το SSE.
Το ανάλογο με το SST είναι το άθροισμα των τετραγώνων των στοιχείων στην
μήτρα συνδιακύμανσης των παρατηρούμενων μεταβλητών:
Γεώργιος Σ. Ανδρουλάκης (ΔΠΜΣ) ΔΠΜΣ - Αρχές Στατιστικής και Ανάλυσης Δεδομένων 2016-2017 59 / 91
Δείκτης GFI
Δείκτης GFI
Περιεχόμενα
Γεώργιος Σ. Ανδρουλάκης (ΔΠΜΣ) ΔΠΜΣ - Αρχές Στατιστικής και Ανάλυσης Δεδομένων 2016-2017 63 / 91
Έλεγχος προσαρμογής του υποδείγματος
Γεώργιος Σ. Ανδρουλάκης (ΔΠΜΣ) ΔΠΜΣ - Αρχές Στατιστικής και Ανάλυσης Δεδομένων 2016-2017 64 / 91
Θεωρητικό vs. εμπειρικό υπόδειγμα
Περιεχόμενα
Γεώργιος Σ. Ανδρουλάκης (ΔΠΜΣ) ΔΠΜΣ - Αρχές Στατιστικής και Ανάλυσης Δεδομένων 2016-2017 66 / 91
Θεωρητικό vs. εμπειρικό υπόδειγμα
Γεώργιος Σ. Ανδρουλάκης (ΔΠΜΣ) ΔΠΜΣ - Αρχές Στατιστικής και Ανάλυσης Δεδομένων 2016-2017 68 / 91
Παρουσίαση του SEM
Περιεχόμενα
Επειδή ο εχθρός του καλού είναι το καλύτερο ... πριν αποφασίσετε για το καλύτερο
υπόδειγμα πρέπει να τα δείτε συγκριτικά μεταξύ τους.
να φτιάξετε έναν πίνακα με τρόπο που να διευκολύνει τη σύγκριση.
AA ♯ μεταβλητών GFI CFI RMSEA X2 β.ε.
1
2
3
4
Γεώργιος Σ. Ανδρουλάκης (ΔΠΜΣ) ΔΠΜΣ - Αρχές Στατιστικής και Ανάλυσης Δεδομένων 2016-2017 70 / 91
Παρουσίαση του SEM
Λάβετε υπόψη ότι υπάρχει αντιστάθμιση μεταξύ του πλήθους των παραμέτρων
και του βαθμού προσαρμογής του υποδείγματος.
Υπάρχουν κάποια μοντέλα που ξεχωρίζουν σαφώς ότι δεν είναι καλά σε σχέση με
τα υπόλοιπα; Για τα εγκιβωτισμένα υποδείγματα έχουμε μέτρο σύγκρισης.
Κάθε φορά που έχετε ένα τυπικό σφάλμα για μια παράμετρο, μπορείτε να
δημιουργήσετε ένα διάστημα εμπιστοσύνης γύρω από αυτήν την παράμετρο
χρησιμοποιώντας τον συνήθη κανόνα "συν ή μείον 1,96 φορές τον τυπικό
σφάλμα". Είναι ασφαλέστερο να συγκρίνουμε διαστήματα εμπιστοσύνης.
Γεώργιος Σ. Ανδρουλάκης (ΔΠΜΣ) ΔΠΜΣ - Αρχές Στατιστικής και Ανάλυσης Δεδομένων 2016-2017 71 / 91
Συνοψίζοντας για τα SEM
Περιεχόμενα
Γεώργιος Σ. Ανδρουλάκης (ΔΠΜΣ) ΔΠΜΣ - Αρχές Στατιστικής και Ανάλυσης Δεδομένων 2016-2017 73 / 91
Συνοψίζοντας για τα SEM
Γεώργιος Σ. Ανδρουλάκης (ΔΠΜΣ) ΔΠΜΣ - Αρχές Στατιστικής και Ανάλυσης Δεδομένων 2016-2017 74 / 91
Συνοψίζοντας για τα SEM
Γεώργιος Σ. Ανδρουλάκης (ΔΠΜΣ) ΔΠΜΣ - Αρχές Στατιστικής και Ανάλυσης Δεδομένων 2016-2017 76 / 91
Συνοψίζοντας για τα SEM
Γεώργιος Σ. Ανδρουλάκης (ΔΠΜΣ) ΔΠΜΣ - Αρχές Στατιστικής και Ανάλυσης Δεδομένων 2016-2017 78 / 91
Συνοψίζοντας για τα SEM
Γεώργιος Σ. Ανδρουλάκης (ΔΠΜΣ) ΔΠΜΣ - Αρχές Στατιστικής και Ανάλυσης Δεδομένων 2016-2017 79 / 91
Συνοψίζοντας για τα SEM
Γεώργιος Σ. Ανδρουλάκης (ΔΠΜΣ) ΔΠΜΣ - Αρχές Στατιστικής και Ανάλυσης Δεδομένων 2016-2017 80 / 91
Συνοψίζοντας για τα SEM
Γεώργιος Σ. Ανδρουλάκης (ΔΠΜΣ) ΔΠΜΣ - Αρχές Στατιστικής και Ανάλυσης Δεδομένων 2016-2017 81 / 91
Συνοψίζοντας για τα SEM
Γεώργιος Σ. Ανδρουλάκης (ΔΠΜΣ) ΔΠΜΣ - Αρχές Στατιστικής και Ανάλυσης Δεδομένων 2016-2017 82 / 91
Συνοψίζοντας για τα SEM
Δείκτες φειδωλότητας
1 Πληροφοριακό κριτήριο του Akaike (Akaike Information Criterion, AIC):
Χρησιμοποιείται για τη σύγκριση μεταξύ μη εμφωλευμένων (non-nested)
υποδειγμάτων. Μικρότερη τιμή δηλώνει καλύτερο (πιο οικονομικό) μοντέλο.
2 Σταθερό Πληροφοριακό κριτήριο του Akaike (Consistent Akaike Information
Criterion, CAIC): Όπως στον δείκτη AIC, μικρότερη τιμή δηλώνει προτιμώμενο
υπόδειγμα.
3 Φειδωλός κανονικοποιημένος δείκτης προσαρμογής (Parsimonious Norm Fit
Index, PNFI): Χωρίς κατώφλι αποδοχής.
4 Φειδωλός δείκτης καλής προσαρμογής (Parsimonious Good- ness-of-Fit Index,
PGFI). Χωρίς κατώφλι αποδοχής.
Γεώργιος Σ. Ανδρουλάκης (ΔΠΜΣ) ΔΠΜΣ - Αρχές Στατιστικής και Ανάλυσης Δεδομένων 2016-2017 83 / 91
Συνοψίζοντας για τα SEM
1 Όταν δύο υποδείγματα είναι εμφωλευμένα (nested), δηλ. όταν έχουν τις ίδιες
μετρήσιμες μεταβλητές, τότε η στατιστικώς σημαντική μείωση της τιμής του
κριτηρίου χ2 υποδεικνύει το προτιμώμενο υπόδειγμα.
2 Όταν δύο υποδείγματα δεν είναι εμφωλευμένα (non-nested), δηλ. δεν έχουν
ακριβώς τις ίδιες μετρήσιμες μεταβλητές, τότε καλύτερη προσαρμογή στα
δεδομένα θεωρείται ότι έχει το υπόδειγμα με τη μικρότερη τιμή AIC/CAIC.
Γεώργιος Σ. Ανδρουλάκης (ΔΠΜΣ) ΔΠΜΣ - Αρχές Στατιστικής και Ανάλυσης Δεδομένων 2016-2017 84 / 91
Συνοψίζοντας για τα SEM
Γεώργιος Σ. Ανδρουλάκης (ΔΠΜΣ) ΔΠΜΣ - Αρχές Στατιστικής και Ανάλυσης Δεδομένων 2016-2017 85 / 91
Συνοψίζοντας για τα SEM Επιβεβαιωτική Ανάλυση Παραγόντων
Γεώργιος Σ. Ανδρουλάκης (ΔΠΜΣ) ΔΠΜΣ - Αρχές Στατιστικής και Ανάλυσης Δεδομένων 2016-2017 86 / 91
Συνοψίζοντας για τα SEM Επιβεβαιωτική Ανάλυση Παραγόντων
Γεώργιος Σ. Ανδρουλάκης (ΔΠΜΣ) ΔΠΜΣ - Αρχές Στατιστικής και Ανάλυσης Δεδομένων 2016-2017 87 / 91
Συνοψίζοντας για τα SEM Επιβεβαιωτική Ανάλυση Παραγόντων
Γεώργιος Σ. Ανδρουλάκης (ΔΠΜΣ) ΔΠΜΣ - Αρχές Στατιστικής και Ανάλυσης Δεδομένων 2016-2017 88 / 91
Συνοψίζοντας για τα SEM Επιβεβαιωτική Ανάλυση Παραγόντων
Γεώργιος Σ. Ανδρουλάκης (ΔΠΜΣ) ΔΠΜΣ - Αρχές Στατιστικής και Ανάλυσης Δεδομένων 2016-2017 89 / 91
Υλοποίηση στο R
Περιεχόμενα
Υλοποίηση στο R
Για την υλοποίηση των SEM στο R χρειαζόμαστε τις παρακάτω βιβλιοθήκες
lavaan: Fit a variety of latent variable models, including confirmatory factor
analysis, structural equation modeling and latent growth curve models.
semPlot (εντολή semPaths): Path diagrams and visual analysis of various SEM
packages' output.
psych: A general purpose toolbox for personality, psychometric theory and
experimental psychology. Functions are primarily for multivariate analysis and
scale construction using factor analysis, principal component analysis, cluster
analysis and reliability analysis, although others provide basic descriptive statistics.
Item Response Theory is done using factor analysis of tetrachoric and polychoric
correlations.
Γεώργιος Σ. Ανδρουλάκης (ΔΠΜΣ) ΔΠΜΣ - Αρχές Στατιστικής και Ανάλυσης Δεδομένων 2016-2017 91 / 91