文献

J-GLOBAL ID：201802229998962739   整理番号：18A0804309

複雑なパラメータ推定を避けるための複雑な調査サンプリングから得られたデータによるマルチレベル確認因子分析をモデル化するための解【JST・京大機械翻訳】

A Solution to Modeling Multilevel Confirmatory Factor Analysis with Data Obtained from Complex Survey Sampling to Avoid Conflated Parameter Estimates

著者 (4件)： Wu Jiun-Yu (Institute of Education, National Chiao Tung University) ,  Lin John J. H. (Office of Institutional Research, National Central University) ,  Nian Mei-Wen (Institute of Education, National Chiao Tung University) ,  Hsiao Yi-Cheng (Institute of Education, National Chiao Tung University)
資料名： Frontiers in Psychology (Web)  (Frontiers in Psychology (Web))
巻： 8  ページ： 1464  発行年： 2017年 
JST資料番号： U7096A  ISSN： 1664-1078  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： スイス (CHE)  言語： 英語 (EN)

抄録/ポイント： 多重レベル係数解析(MCFA)モデルにおける内部および内部レベル構造における同等性の問題は,バイアスされていないパラメータ推定および統計的推論を得るために影響力があった。一般的に見られる条件は,等しいレベル変化構造の下での因子負荷の不等式である。数学的研究とモンテカルロシミュレーションにより,本研究では,2つのモデルベース(真と誤特定モデル),1つの設計ベース,2つの最大モデルを含む5つの統計モデルのロバスト性を比較した。1203人のグレーダー(40教室からの)の経験的データを,MCFAを用いてモデル化し,パラメータ推定を,モンテカルロシミュレーション研究を実行するための真のパラメータとして用いた。結果は,最大モデルが不等因子負荷に対してロバストであることを示し,一方,設計ベースおよびミス特定モデルベースアプローチは,結果および偽統計的推論を生み出した。研究者が因子負荷と測定構造のパターンに関する情報を制限した場合,最大モデルの使用を推奨する。測定モデルは構造方程式モデリング(SEM)の重要な要素である。したがって,この知見は多レベルSEMとCFAモデルに一般化できる。Mplusコードを最大モデルと他の解析モデルに提供した。Copyright 2018 The Author(s). All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： *因子分析 ,  *モデリング ,  多重化 ,  *パラメータ推定 ,  不等式 ,  統計模型 ,  等価性 ,  解析モデル ,  統計的推定 ,  ロバスト性
準シソーラス用語： 構造方程式モデリング ,  測定モデル ,  モデルベース ,  モンテカルロシミュレーション ,  *マルチレベル , 【Automatic Indexing@JST】

著者キーワード (7件)： マルチレベル確認因子分析 ,  設計に基づくアプローチ ,  モデルベースのアプローチ ,  最大モデル ,  レベル変動因子負荷 ,  複雑な調査サンプリング ,  測定

分類 (2件)： 電動機  (NB07030U) ,  システム同定  (IA02040O)

タイトルに関連する用語 (7件)： パラメータ推定 ,  調査 ,  サンプリング ,  マルチレベル ,  因子分析 ,  モデル化 ,  解