The Effect of the Number of Observations per Parameter in Misspecified Confirmatory Factor Analytic Models
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,524 | 0,889 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,005 |
| Méta-épidémiologie (sens large) | 0,004 | 0,006 |
| Bibliométrie | 0,004 | 0,006 |
| Études des sciences et des technologies | 0,007 | 0,014 |
| Communication savante | 0,008 | 0,022 |
| Science ouverte | 0,006 | 0,010 |
| Intégrité de la recherche | 0,008 | 0,013 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,001 |
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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».