A comparative study of the predictive power of component-based approaches to 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
Purpose Generalized structured component analysis (GSCA) and partial least squares path modeling (PLSPM) are two key component-based approaches to structural equation modeling that facilitate the analysis of theoretically established models in terms of both explanation and prediction. This study aims to offer a comparative evaluation of GSCA and PLSPM in a predictive modeling framework. Design/methodology/approach A simulation study compares the predictive performance of GSCA and PLSPM under various simulation conditions and different prediction types of correctly specified and misspecified models. Findings The results suggest that GSCA with reflective composite indicators (GSCA R ) is the most versatile approach. For observed prediction, which uses the component scores to generate prediction for the indicators, GSCA R performs slightly better than PLSPM with mode A. For operative prediction, which considers all parameter estimates to generate predictions, both methods perform equally well. GSCA with formative composite indicators and PLSPM with mode B generally lag behind the other methods. Research limitations/implications Future research may further assess the methods’ prediction precision, considering more experimental factors with a wider range of levels, including more extreme ones. Practical implications When prediction is the primary study aim, researchers should generally revert to GSCA R , considering its performance for observed and operative prediction together. Originality/value This research is the first to compare the relative efficacy of GSCA and PLSPM in terms of predictive power.
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 | 0,005 | 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| 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