متغیرهای باینری در AMOS

  • 2022-03-10

چگونه AMOS متغیرهای مشاهده شده باینری ، چه برون زا یا درون زا را کنترل می کند؟برای متغیرهای باینری اگزوژن ، فکر می کنم که یک مدل گروه چندگانه می تواند ساخته شود ، با متغیر باینری (یا ترکیبی از چنین متغیرهایی) به عنوان متغیر گروه (های) عمل می کند ، اما من می خواهم متغیرهای باینری را مستقیماً در یک واحد قرار دهممدل گروه.

حل مشکل

درمان متغیرهای باینری در AMOS بستگی به این دارد که آیا آنها ثابت یا تصادفی هستند.

متغیرهای اگزوژن ثابت فرضیات توزیع برای مدل های AMOS در صفحات 39-40 از راهنمای کاربر AMOS 7 . 0 مورد بحث قرار گرفته است. در این بخش خاطرنشان می شود که عادی بودن چند متغیره یک فرض توزیع استاندارد بسیاری از برنامه های معادله ساختاری است ، اما همچنین وضعیت کلی تری را توصیف می کند که در آن می توان حداکثر احتمال انجام داد. اگر برخی از متغیرهای اگزوژن ثابت باشند (از قبل شناخته شده یا بدون خطا اندازه گیری شده اند) ، توزیع آنها ممکن است شکل داشته باشد ، مشروط بر اینکه:

1. برای هر مقدار از متغیرهای ثابت ، متغیرهای تصادفی در مدل دارای توزیع عادی مشروط هستند (یعنی مشروط به درمان = 1 ، متغیرهای غیر محفظه توزیع MVN دارند). 2. ماتریس واریانس- کواریانس مشروط از متغیرهای تصادفی برای هر الگوی متغیر (های) ثابت (یعنی برای هر ترکیبی از مقادیر متغیر ثابت) یکسان است. 3. مقادیر مورد انتظار شرطی متغیرهای تصادفی به طور خطی به مقادیر متغیر (های) ثابت بستگی دارد.

در واقع آزمایش شرایط فوق به تجزیه و تحلیل چند گروهی با متغیر باینری به عنوان متغیر گروه نیاز دارد ، اما تجزیه و تحلیل اصلی می تواند یک تجزیه و تحلیل گروهی واحد با متغیرهای باینری ثابت باشد که به عنوان متغیرهای اگزوژن مشاهده شده در مدل وارد شده است ، مشروط بر اینکه محقق باشدراضی بود که فرضیات فوق رعایت شده است.

یک نمونه بارز از چنین متغیر ، متغیر درمانی است که در آن موارد به عنوان درمان (1) یا کنترل (0) طبقه بندی می شوند. جنسیت همچنین به عنوان یک متغیر ثابت واجد شرایط است. به عنوان مثال 9 و مثال 16 در راهنمای کاربر AMOS مراجعه کنید. مثال 9 درمان را به عنوان یک پیش بینی کننده باینری در یک تجزیه و تحلیل تک گروه ارائه می دهد در حالی که مثال 16 تجزیه و تحلیل چند گروهی از همان داده ها را ارائه می دهد. فرضیات به کار رفته در مثال 9 به طور مستقیم در مثال 16 مورد آزمایش قرار می گیرند. همچنین نمونه ای از گنجاندن چنین متغیرهای درمانی باینری در راهنمای دوره آموزش SPSS ، "مدل سازی معادلات ساختاری با AMOS" وجود دارد. تمرین 3 برای فصل 5 ("مدل کلی") شامل مدلی است که متغیر نهفته SES (وضعیت اقتصادی اجتماعی) و پیش بینی کننده باینری (مشارکت در برنامه پیش دبستانی Head Start) هر دو توانایی شناختی متغیر پنهان را پیش بینی می کنند.

Random Observed Variables Binary variables that are endogenous (dependent) variables or indicators of latent variables are treated as random variables and presumed to have an underlying numeric scale with a normal distribution. Observed binary exogenous variables could also be treated in this way. For example, voting for a particular piece of legislation could be treated as a measure of a particular attitude, where the attitude was believed to have an underlying continuous scale. Binary variables that fit these descriptions, as opposed to the fixed exogenous variables described above, should be declared as ordered-categorical, as in Example 33 in the AMOS User's Guide. The categorical observed variables are rescaled in a manner akin to the transformations in the Categories module of SPSS. This treatment of ordered categorical variables is only available in AMOS with Bayesian Estimation. There is a statement in that chapter that indicates that additional parameter constraints are required if the variable is dichotomous and the user is referred to the Help topic "Parameter identification with dichotomous variables". From Help->مطالب در AMOS ، برگه فهرست ، "شناسایی پارامتر با متغیرهای دوگانگی" را انتخاب کرده و روی صفحه نمایش کلیک کنید. نجات طبقه بندی شده متغیرها فقط با تخمین بیزی در AMOS در دسترس است. وادBootstrapping یک رویکرد اضافی برای مدل سازی با داده هایی است که متناسب با فرضیات توزیع مدل های AMOS برای برآورد حداکثر احتمال وجود ندارد. فیلم هایی را مشاهده کنید که نشان دهنده گنجاندن متغیرهای طبقه بندی شده در

متغیرهای بدون نظارت تصادفی

در AMOS 7 ، هر دو متغیر مشاهده شده مستقل و وابسته می توانند به صورت طبقه بندی ، از جمله باینری ، سفارش داده شوند ، اما متغیرهای نهفته فرض می شود که مداوم هستند. یک ویژگی جدید در AMOS 16 امکان انجام مدل سازی مخلوط نهان (LMM) است. وادمدل سازی مخلوط نهان فقط با برآورد بیزی در دسترس است. به جای ترسیم دایره ای در نمودار که یک کلاس نهفته را نشان می دهد ، از تجزیه و تحلیل گروهی چندگانه برای LMM استفاده می شود ، جایی که می توان این گروه را پیش بینی کرد (با بررسی "موارد اختصاص به گروه ها" در گفتگوی پرونده های داده Amos) و جایی که گروهمتغیر عضویت ممکن است برای برخی یا همه موارد غیرقابل کنترل باشد. کاربر باید تعداد گروه ها را مشخص کند ، بنابراین اگر یک متغیر کلاس نهان باینری را پیشنهاد کرده اید ، نشان می دهید که در گفتگوی گروه های مدیریت 2 گروه وجود داشته است. LMM در مثال 34 تا 36 در راهنمای کاربر AMOS 16. 0 پوشانده شده است. همچنین مجموعه ای از فیلم ها وجود دارد که تجزیه و تحلیل را در <pan> در AMOS 7 نشان می دهد ، هر دو متغیرهای مشاهده شده مستقل و وابسته می توانند به صورت طبقه بندی ، از جمله باینری سفارش داده شوند ، اما متغیرهای نهفته فرض می شود که مداوم هستند. یک ویژگی جدید در AMOS 16 امکان انجام مدل سازی مخلوط نهان (LMM) است. وادمدل سازی مخلوط نهان فقط با برآورد بیزی در دسترس است. به جای ترسیم دایره ای در نمودار که یک کلاس نهفته را نشان می دهد ، از تجزیه و تحلیل گروهی چندگانه برای LMM استفاده می شود ، جایی که می توان این گروه را پیش بینی کرد (با بررسی "موارد اختصاص به گروه ها" در گفتگوی پرونده های داده Amos) و جایی که گروهمتغیر عضویت ممکن است برای برخی یا همه موارد غیرقابل کنترل باشد. کاربر باید تعداد گروه ها را مشخص کند ، بنابراین اگر یک متغیر کلاس نهان باینری را پیشنهاد کرده اید ، نشان می دهید که در گفتگوی گروه های مدیریت 2 گروه وجود داشته است. LMM در مثال 34 تا 36 در راهنمای کاربر AMOS 16. 0 پوشانده شده است. همچنین مجموعه ای از فیلم ها وجود دارد که نشان دهنده تجزیه و تحلیل Atin Amos 7 است ، هر دو متغیرهای مشاهده شده مستقل و وابسته می توانند به صورت طبقه بندی شده ، از جمله باینری ، سفارش داده شوند ، اما متغیرهای نهفته فرض می شود که مداوم هستند. یک ویژگی جدید در AMOS 16 امکان انجام مدل سازی مخلوط نهان (LMM) است. وادمدل سازی مخلوط نهان فقط با برآورد بیزی در دسترس است. به جای ترسیم دایره ای در نمودار که یک کلاس نهفته را نشان می دهد ، از تجزیه و تحلیل گروهی چندگانه برای LMM استفاده می شود ، جایی که می توان این گروه را پیش بینی کرد (با بررسی "موارد اختصاص به گروه ها" در گفتگوی پرونده های داده Amos) و جایی که گروهمتغیر عضویت ممکن است برای برخی یا همه موارد غیرقابل کنترل باشد. کاربر باید تعداد گروه ها را مشخص کند ، بنابراین اگر یک متغیر کلاس نهان باینری را پیشنهاد کرده اید ، نشان می دهید که در گفتگوی گروه های مدیریت 2 گروه وجود داشته است. LMM در مثال 34 تا 36 در راهنمای کاربر AMOS 16. 0 پوشانده شده است. همچنین مجموعه ای از فیلم ها وجود دارد که نشان دهنده تجزیه و تحلیل در است

ثبت دیدگاه

مجموع دیدگاهها : 0در انتظار بررسی : 0انتشار یافته : ۰
قوانین ارسال دیدگاه
  • دیدگاه های ارسال شده توسط شما، پس از تایید توسط تیم مدیریت در وب منتشر خواهد شد.
  • پیام هایی که حاوی تهمت یا افترا باشد منتشر نخواهد شد.
  • پیام هایی که به غیر از زبان فارسی یا غیر مرتبط باشد منتشر نخواهد شد.