A Note on Sample Size and Solution Propriety for Confirmatory Factor Analytic Models
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Determining an appropriate sample size for use in latent variable modeling techniques has presented ongoing challenges to researchers. In particular, small sample sizes are known to present concerns over sampling error for the variances and covariances on which model estimation is based, as well as for fit indexes and convergence failures. The literature on the topic has focused on conducting power analyses as well as identifying rules of thumb for deciding an appropriate sample size. Often the advice involves an assumption that sample size requirement is moderated by aspects of the model in question. In this study, an effort was undertaken to extend the findings of Gagné and Hancock (2006) Gagné, P. and Hancock, G. R. 2006. Measurement model quality, sample size, and solution propriety in confirmatory factor analysis. Multivariate Behavioral Research, 41: 65–83. [Taylor & Francis Online] , [Google Scholar] on measurement model quality and solution propriety to a broader set of confirmatory factor analysis models. As well, we examined whether Herzog, Boomsma, and Reinecke's (2007) findings for the Swain correction to the χ2 statistic for large models would generalize to models in our study. Our findings suggest that Gagné and Hancock's approach extends to large models with surprisingly little increase in sample size requirements and that the Swain correction to χ2 performs fairly well. We argue that likely rejection or model fit should be taken into account when determining sample size requirements and therefore, provide an updated table of minimum sample size that incorporates Gagné and Hancock's method and model fit.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,038 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle