A comparative study on the performance of maximum likelihood, generalized least square, scale-free least square, partial least square and consistent partial least square estimators in structural equation modeling
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
Structural equation modeling offers various estimation methods for estimating parameters. The most used method in covariance-based structural equation modeling (CB-SEM) is the maximum likelihood (ML) estimator. The ML estimator is typically used when fitting models with normally distributed data. The growth of partial least squares path modeling (PLS-PM), including consistent partial least squares (PLSc), has also been noticed by researchers in the SEM fields. The PLSc has elevated interest in the scholastic setting in measuring the performance of various estimation methods in structural equation modeling. The choice of estimation methods has substantial impact in yielding parameter estimates. There could be a trade-off among the estimation methods’ ability to deal with different types of data based on the model tested. Accordingly, this study aims to compare the performance of ML, generalized least squares (GLS), and scale-free least squares (SFLS) for CB-SEM as well as partial least squares (PLS) and consistent partial least squares (PLSc). Multivariate normal data were generated using Monte Carlo simulation with pre-determined population parameters and sample sizes using R Programming packages. To produce the estimated values, data analysis was performed using AMOS and SmartPLS for CB-SEM and PLS-SEM, respectively. The findings illustrate notable similarities between CB-SEM (ML) and PLS-SEM results when the true indicator loading is certainly high.
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 | 0,002 | 0,000 |
| 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 | 0,001 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,004 | 0,003 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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