The performance of unweighted least squares and regularized unweighted least squares in estimating factor loadings in 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
In a confirmatory study, researchers are expected to employ the covariance-based structural equation modeling (CB-SEM). One of the key presumptions when utilizing CB-SEM is that the data is multivariate normal. Nevertheless, a perfect normal distribution is rarely observed in real-life data. To resolve this, the unweighted least square (ULS) is designed to specifically deal with non-normal data in SEM. However, ULS often yields improper solutions like negative, or boundary estimates of unique variances since it considers measurement errors in observed variables. The disturbance in SEM is reflected in unique variance, which is random error due to unreliability or measurement error and reliable variation in the item that indicates unknown latent causes. Consequently, this can generate bias in indicator loadings estimates. As an action to disentangle this issue, the present study proposes the implementation of regularization parameters by adding small positive values to the variance-covariance matrix. The ratio of bias to variance in a model can be improved to obtain the best estimation performance. Pro-Active Monte Carlo simulation was used to produce multivariate non-normal data with designated sample sizes and population characteristics. The data were analyzed using R Programming Environment by employing “psych”, “MASS”, “foreign”, “mvrnonnorm”, “purr”, and “semTools” packages with 1000 replications to produce multivariate non-normal data. Next, the “lavaan” package was used for SEM and regularized SEM analyses. The outcome of this study proves the capability of regularized ULS to improve parameter estimation.
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 | 0,001 | 0,001 |
| 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 | 0,002 |
| Science ouverte | 0,002 | 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