The Effect of the Number of Observations per Parameter in Misspecified 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
Some authors have suggested that sample size in covariance structure modeling should be considered in the context of how many parameters are to be estimated (e.g., Kline, 2005 Kline, R. B., 2005. Principles and practice of structural equation modeling, . New York: Guilford; 2005. [Google Scholar]). Previous research has examined the effect of varying sample size relative to the number of parameters being estimated (N:q). Although some support has been found for this effect, the effect size appears to be small compared to other influences, such as indicator reliability and sample size (Jackson, 2003 Jackson, D. L., 2003. Revisiting sample size and the number of parameter estimates: Some support for the N:q hypothesis., Structural Equation Modeling: A Multidisciplinary Journal 10 (2003), pp. 128–141.[Taylor & Francis Online], [Web of Science ®] , [Google Scholar]). Efforts to extend this work to the case where models are intentionally misspecified are described in this article. In addition to varying the number of observations per estimated parameter, several other known influences on model fit were varied such as sample size, the degree of misspecification, number of variables per factor, and the communality of the measured variables. The results suggest that decreasing the number of parameters to be estimated while holding sample size constant can help detect misspecification errors, and some fit indexes were more sensitive to this manipulation than others. In general, the effects of N:q were small relative to other experimental effects.
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 | 0,010 | 0,019 |
| 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 | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| 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