A primer on integrated generalized structured component analysis
Notice bibliographique
Résumé
Purpose The purpose of this paper is to present integrated generalized structured component analysis (IGSCA) as a versatile approach for estimating models that contain both components and factors as statistical proxies for the constructs. The paper sets out to discuss the how-tos of using IGSCA by explaining how to specify, estimate, and evaluate different types of models. The paper’s overarching aim is to make business researchers aware of this promising structural equation modeling (SEM) method. Design/methodology/approach By merging works of literature from various fields of science, the paper provides an overview of the steps that are required to run IGSCA. Findings from conceptual, analytical and empirical articles are combined to derive concrete guidelines for IGSCA use. Finally, an empirical case study is used to illustrate the analysis steps with the GSCA Pro software. Findings Many of the principles and metrics known from partial least squares path modeling – the most prominent component-based SEM method – are also relevant in the context of IGSCA. However, there are differences in model specification, estimation and evaluation (e.g. assessment of overall model fit). Research limitations/implications Methodological developments associated with IGSCA are rapidly emerging. The metrics reported in this paper are useful for current applications, but researchers should follow the latest developments in the field. Originality/value To the best of the authors’ knowledge, this is the first paper to offer guidelines for IGSCA use and to illustrate the method's application by means of the GSCA Pro software. The recommendations and illustrations guide researchers who are seeking to conduct IGSCA studies in business research and practice.
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 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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,010 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,009 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».