ترجمه فصلی از کتاب روش های تحقیق در روانشناسی 23 ص

27 : برآورد کردن ارزش عامل

کارکردن در مورد ارزش ها از این جهت که شاخص هایی برای مجموع (زیگما) ، در تعدادی از راه ها می تواند انجام داده شود . استفاده کردن از بیشترین احتمال (ML) خیلی رایج است ، مجذور کمترین وزن (ULS) مجذورهای کمترین کلیت و مجذورهای کمترین وزن ها (WLS) اینها مواردی هستند که برای زمان شروع انجام خواهند شد . هر کدام از این مدل ها (الگوریتم ها ) عملکرد متناسبی را تولید می کنند . هر کدام از معادله ها یک ارزش کلی هستند برای نشان دادن زگماهای مختلف از اشکال و اریانس .

نگه داشتن انجام کار و رویه برآورد کننده آن هیچ وقت نمی تواند ارزش عملکرد متناسب را کاهش دهد .

راه این کار و دلایل انتخاب یک مدل از مدل های بیشمار دیگر مافوق فرصت این فصل است (ببینید یولمان 1996 ، برنامه کتابهای راهنما). اما اینها یک واحدی از خطر پنهانی رایج در همه الگوریتم ها هستند . اولین خطر اینکهدانستن پیدا کردن (تمایل داشتن) به بیشترین موضع . در اینجا برنامه انجام شده یک ارزش برای تناسب عملکرد است که کوچک ساخته نمی شود t نمی تواند کوچک شود ) به وسیله ساخته شدن کمترین تعدیل به شاخص های برآورد کننده . هر چند شروع کردن تحقیق برای کمترین تناسب عملکرد ارزشمند تر است اما این باید واقعاً وجود داشته باشد ، یافتن تناسب بهتری مطابق با شاخص ها گفتن اینکه این یک اتفاق آسان نیست طبقه دعاهای این فکر طولانی (1903) ممکن نیست که یک مشکل رایج تمرینی باشد .

نوع دوم مشکل پارامترهای برآورد کننده مربوط به پارامترهای احمقانه است . برخی اوقات ، خوب یک اندازه بودن می تواند به دست آمده باشد اما ارزش های یک پارامتر مسی را تولید نکنید . برای نمونه بدست آوردن متغیر های منفی یا رتبه ها یا ارتباط های ارزشی کاملی بیشتر از 1 امکان پذیر است و هر فکری مثل این ترکیبات در مورد آنها بی معنی است . اگر این اتفاقات برای شما مدل خاصی باشد به همین سادگی امکان دارد غلط باشد و یا ممکن است برخی متغیرهای شما فرضیات را تائید نکند و این مهم است زمانی که از یافتن الگوریتم های برآورد کننده استفاده می شود) . این همچنین می تواند زمانی اتفاق افتد که حجم نمونه خیلی کوچک است و یا مجانب باشد (در نمونه بزرگ ). فرضیاتی که شکل می دهند الگوریتم های برآورد کننده را ممکن است توجیح کننده نباشند .

علت اصلی دیگر از برآورد کننده های احمقانه داده های اشتباه هستند . محققان مرجعی برای ارتباط استفاده شده (یاکوداریانس) قرار می دهند که قالبهایی کلی (تعمیم شده ) هستند با جفت کردن دو وجه حذف شده از ارزش های علمی ، این اشتباه بیشترین علت نوشته شده برای هر ارتباطی است . به هر حال معنای اینکه قسمتهای مختلف قالب s کلی هستند به وسیله نمونه هایی از حجم های مختلف یک قالب مهمی که ممکن است باطناً سازگار نباشد با خودش برخی اوقات این مشکل آشکار خواهد شد ، زمانی نیز این چنین نخواهد شد . به ندرت ، ترجمه ها ، از بسته های نرم افزاری بهترند برای آشکار کردن این اشتباغه و هشدار دادن به کاربر .

27. 3.3 : اصلاح متون (MIS) و تحقیقات ویژه

اگر شما مدلی را پیدا کنید که مناسب نباشد چگونه می توان آن را تغییر داد ؟ کوشش کردن برای تغییر یک مدل یا بدست آوردن یک مدل مناسب بهتر یک تحقیق ویژه نامیده می شود . یک راه برای انجام آن نگاه کردن (توجه کردن ) به متون اصلاح شده (MIS) است . (برخی اوقات آزمون های چند وجهی لاگرلانگ نامیده می شود ).

این متون به شما می گویند آنچه را که باید انتظار داشته باشید تا اتفاق افتد . ارزش X² از متن مناسبی خوب است اگر که شما آزاد به برآورده کردن یک مسیر اجباری قبلی بودید .

رها کردن یک مسیر اجباری ( نه تخمین زدن) برآورد یک درجه آزادی را کمتر می کند (MI) قبل تراز یک آزمون کردن از فرضیاتی که پارامتر آزاد شده ای باشند و این برای ارزش های ثابت شده گذشته ناکافی است که آیا اگر این مهم باشد مدل می تواند مناسبت بهتری داشته باشد از مدل قبلی پارامترهای آزاد (مجاز) و این احتمالاً برای ارزش های ثابت شده گذشته ناکافی باشد .

جایز شمردن پارامترها نباید باعث کاهش تصادفی آنها شود اما باید به صورت نظری قابل پذیرش باشد . اغلب پیشنهادات (MIS) بالاست که این اساساً اشتباه است . رها شدگی در هر یک از پارامترهای قدیمی زیاد نیست چون آن (MI) بزرگی است که می تواند نتیجه ، یک اندازه بودن بهتری