حجم منطقی گروه نمونه در معادلات ساختاری

حجم گروه نمونه در معادلات ساختاری

حجم منطقی گروه نمونه در معادلات ساختاری : بر پایه پیشنهاد جیمز استیونس در نظر گرفتن پانزده مورد برای هر متغیر پیش بین در تحلیل رگرسیون چندگانه با روش معمولی کمترین مجذورات استاندارد، یک قاعده سرانگشتی خوب به شمار می آید. چون SEM در برخی جنبه ها کاملا مرتبط با رگرسیون چند متغیری است ، تعداد 15 مورد به ازای هر متغیر اندازه گیری شده در SEM غیر منطقی نیست. بنتلر و چو (1988) یادآوری میکنند که پژوهشگران میتوانند برای هر برآورد پارامتر در تحلیلهای SEM حجم گروه نمونه را تا 5 مورد کاهش دهند ، اما اگر فقط با داده ها به گونه کاملا مناسبی عمل شده باشد (برای مثال، توزیع نرمال بدون داده های گمشده یا موارد پرت و مانند آن).

توجه داشته باشید که بنتلر و چو ، 5مورد را برای هر برآورد پارانتر و نه برای هر متغیر اندازه گیری شده توصیه کرده اند .هر متغیر اندازه گیری شده در تحلیل ، دست کم دارای یک ضریب مسیر همراه با یک متغیر دیگر ، به اضافه یک جمله خطا یا برآورد واریانس است ، بنابر این تخشیص این مسئله مهم است که توصیه های بنتلر و چو و استیونس با حداقل پانزده مورد به ازای هر متغیر اندازه گیری شده ، بال میگردد.

لوهلین نتایج مطالعات مشابه مونت کارلو را با استفاده از مدل های تحلیل عاملی تاییدی گزارش کرده و پس از بررسی پیشینه های پژوهش نتیجه می گیرد که برای این طبقه از مدل ها با دو یا چهار عامل، پژوهشگر باید روی گردآوری دست کم ۱۰۰ مورد یا بیش از آن ۲۰۰ مورد برنامه ریزی کند. کاربرد نمونه های کوچکتر می تواند موجب عدم حصول همگرایی، به دست آمدن جواب های نامناسب و یا دقت پایین برآورد پارامترها و به ویژه خطاهای استاندارد شود. خطای استاندارد برنامه SEM بر پایه مفروضه نمونه های بزرگ محاسبه می شود. زمانی که توزیع داده ها نرمال نبوده یا کجی داشته باشد، گروه های نمونه با حجم بزرگتر مورد نیاز است. پیشنهاد کلی آن است که تا حد امکان داده های بیشتری به دست آورید.

اندازه منطقی گروه نمونه در معادلات ساختاری

حجم نمونه مناسب برای انجام تحلیل مدلسازی معادلات ساختاری (SEM) به عوامل مختلفی از جمله پیچیدگی مدل، تعداد متغیرها، سطح مطلوب آماری و نوع تحلیلی که قصد انجام آن را دارید بستگی دارد. هیچ پاسخ ثابتی برای «یک اندازه برای همه» وجود ندارد، اما دستورالعمل‌های کلی وجود دارد که می‌توانید در نظر بگیرید:

قاعده شست: برخی از محققین یک قانون سرانگشتی حداقل 10 تا 20 مشاهده در هر پارامتر برآورد شده در مدل را پیشنهاد می کنند. این به این معنی است که اگر مدل شما دارای 10 پارامتر است (به عنوان مثال، بار عاملی، ضرایب رگرسیون)، ممکن است اندازه نمونه حدود 100 تا 200 مورد را بخواهید. با این حال، این یک دستورالعمل بسیار خشن است و ممکن است برای مدل های پیچیده کافی نباشد.

پیچیدگی مدل: مدل‌های پیچیده‌تر، به‌ویژه آن‌هایی که دارای متغیرها، شاخص‌ها و مسیرهای پنهان زیادی هستند، معمولاً به حجم نمونه بزرگ‌تری نیاز دارند. مدل های پیچیده پارامترهای بیشتری برای تخمین دارند که برای تخمین های پایدار و قابل اعتماد به داده های بیشتری نیاز دارد.

قدرت آماری: حجم نمونه مناسب تضمین می کند که تجزیه و تحلیل دارای قدرت آماری کافی برای تشخیص روابط معنی دار است. نمونه های بزرگتر احتمال یافتن نتایج قابل توجه را در صورت وجود در جامعه افزایش می دهد.

تجزیه و تحلیل چند گروهی: اگر قصد دارید تجزیه و تحلیل چند گروهی انجام دهید (مقایسه گروه های مختلف در یک مدل)، ممکن است برای اطمینان از تخمین های قابل اعتماد برای هر دو گروه، به حجم نمونه های بزرگتری برای هر گروه نیاز داشته باشید.

اثرات کوچک: اگر انتظار دارید روابطی که در حال بررسی آن هستید کوچک باشد، ممکن است برای شناسایی این اثرات ظریف به حجم نمونه بزرگتری نیاز داشته باشید.

کیفیت داده: داده‌های با کیفیت بالا (خطای اندازه‌گیری کم، حداقل داده‌های از دست رفته) می‌تواند برخی از نگرانی‌های مربوط به اندازه نمونه را کاهش دهد. با این حال، شما هنوز به داده های کافی برای اطمینان از برآوردهای قوی نیاز دارید.

نوع تجزیه و تحلیل: انواع مختلف تجزیه و تحلیل در SEM (به عنوان مثال، تحلیل عاملی تاییدی، مدل های ساختاری کامل) ممکن است نیازهای اندازه نمونه متفاوتی داشته باشند. تجزیه و تحلیل های پیچیده تر اغلب به نمونه های بزرگتر نیاز دارند.

زمینه تحقیق: ملاحظات اندازه نمونه ممکن است بسته به زمینه تحقیق و شیوه های معمول در آن زمینه متفاوت باشد.

مطالعات شبیه‌سازی: پژوهشگران گاهی اوقات از مطالعات شبیه‌سازی برای تعیین حجم نمونه مناسب برای سؤالات پژوهشی خاص خود و پیچیدگی‌های مدل استفاده می‌کنند. شبیه‌سازی‌ها شامل تولید داده‌ها بر اساس پارامترهای شناخته‌شده و سپس تجزیه و تحلیل داده‌ها برای مشاهده عملکرد مدل با اندازه‌های مختلف نمونه است.

عملی بودن را در نظر بگیرید: در حالی که حجم نمونه بزرگتر به طور کلی مطلوب است، محدودیت های عملی (مانند منابع موجود، زمان، بودجه) ممکن است بر حجم نمونه شما تأثیر بگذارد.

توجه به این نکته مهم است که این دستورالعمل ها تقریبی هستند و می توانند بر اساس ویژگی های تحقیق شما متفاوت باشند. در عمل، هدف پژوهشگران اغلب اندازه‌های نمونه بزرگ‌تر در صورت امکان برای اطمینان از نتایج قوی‌تر و قابل اعتمادتر است. اگر در مورد حجم نمونه مناسب برای مطالعه خاص خود مطمئن نیستید، مشورت با یک آمارشناس یا استفاده از ابزارهای آنالیز توان می تواند به شما در تصمیم گیری آگاهانه کمک کند.

حجم منطقی گروه نمونه در معادلات ساختاری

حجم منطقی گروه نمونه در معادلات ساختاری