How to Conduct Power Analysis for Structural Equation Models: A Practical Primer
Notice bibliographique
Résumé
Structural equation modeling (SEM) is popular, but planning for studies that use SEM for data analysis can be difficult. As power analysis becomes standard practice in many fields of psychology, researchers who use SEM for data analysis can benefit from knowing how to conduct power analysis for their studies. With this article, I offer a gentle, practical introduction to power analysis for SEM. First, I connect two goals that researchers often have when using SEM—to interpret the overall model and to detect target effects within the model—to power analysis. Then, I conceptually describe power to detect target effects and power to detect model misfit, summarizing what determines each and common approaches to conducting each type of power analysis. Finally, I provide an illustrative example of conducting power analysis for SEM with a concrete research scenario. Throughout the article, I prioritize plain language and practical guidance over technical depth, with the hope that it makes power analysis for SEM less daunting.
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 | 0,102 | 0,301 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,003 |
| Méta-épidémiologie (sens large) | 0,002 | 0,004 |
| Bibliométrie | 0,005 | 0,006 |
| Études des sciences et des technologies | 0,003 | 0,010 |
| Communication savante | 0,008 | 0,018 |
| Science ouverte | 0,005 | 0,005 |
| Intégrité de la recherche | 0,007 | 0,022 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,023 | 0,014 |
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 ».