1. Çünkü daha sonra, gizli değişkenin varyansını belirlemek için gizli değişken ile gözlenen değişken arasındaki ilişkiyi kullanmanıza izin verir. Örneğin, Y'nin X üzerindeki regresyonunu düşünün. X'in varyansını, örneğin bir sabitle çarparak değiştirmeme izin verilirse, regresyon katsayısını keyfi olarak değiştirebilirim. Bunun yerine regresyon katsayısının değerini sabitlersem, bu, X'in varyansını belirler.
2. Geleneksel olarak ve katsayıları birbiriyle karşılaştırmayı kolaylaştırmak için.
3. İçinde bu durumda, gizli değişken basitçe tersine çevrilir. Örneğin, gizli değişkenimizin matematik yeteneği olduğunu, gözlemlenen değişkenimizin bir testteki hata sayısı olduğunu ve regresyon katsayısını 1'e sabitlediğimizi varsayalım. O zaman gizli değişkenimiz matematik yeteneği yerine "matematikte zorluk" haline gelecektir ve Diğer gözlemlenen değişkenler için katsayılar buna göre değişecektir.
4. Gözlemlenen değişken ve gizli değişken hem standartlaştırılmışsa (yani, standart sapma 1'e eşitse), o zaman regresyon katsayısı kovaryansa eşittir.
5. Uzaysal -> visperc'i, uzamsal varyans tahminine izin veren 1'e sabitliyor (yukarıdaki (1) 'e verilen cevaba bakınız). Aynı şekilde, sözlü -> paragrafı sabitlemek, sözlü varyansın tahminine izin verir. Bu kısıtlamalardan yalnızca birine sahip bir model tanımlanamaz.
6. Standartlaştırılmamış ve standartlaştırılmış katsayılar arasındaki farklar yalnızca sözel varyansına değil, aynı zamanda paragraf, cümle ve kelime anlamının varyanslarına da bağlıdır. Örneğin, kelime ortalamasının standartlaştırılmış katsayısı, standartlaştırılmamış katsayının $ \ frac {SD_ {sözel}} {SD_ {wordmean}} $ veya $ 2.234 \ times \ frac {\ sqrt {9.682}} {\ sqrt {(2.234) ile çarpımına eşittir ^ 2 \ times 9.682) + 19.925}} = 0.841 $.

Son olarak, err_v'nin bir regresyon modelindeki hata terimine benzer olduğunu unutmayın, ör. $$ visperc = \ beta_0 + \ beta_1 uzamsal + hata \ _v $$ Hata varyansını (yani, err_v varyansını) tahmin edebilmek için, err_v (yani hata teriminde) katsayısını 1'e sabitleriz.

1. "Ölçeğin belirsizliği" ifadesini yanlış anlıyor olabilirim, ancak tanımlanabilirlik için bunun bire ayarlandığına inanıyorum. (Yani, bu denklem sistemindeki bilinmeyenlerin sayısı denklemlerin sayısını geçmemelidir.) Bağlantılardan birini birine bağlamadan, çok fazla bilinmeyen vardır. Bu, ölçeğin belirsizliğiyle aynı şey mi?

2. Çoğu SEM uygulamasında, ham verilerle değil kovaryans matrisleriyle çalışıyorsunuz. Orijinal verileri kullanan PLS (Kısmi En Küçük Kareler) adlı alternatif bir algoritma var ve bu sizin için bazı şeylere biraz daha ışık tutabilir.

1. Yorumu sanki basit bir gerileme gibi düşünün. Katsayı, bağımsız değişkendeki 1 birim farkla ilişkili bağımlı değişkendeki birim farkı yansıtır. Dolayısıyla, IV'deki 1 birimlik bir değişiklik DV'deki 1 birimlik bir değişiklik ile ilişkilendirilirse, birimler işlevsel olarak eşdeğerdir. Gizli değişken için bir birime ihtiyacınız var çünkü onun varyansını tahmin etmek istiyorsunuz, bu birimsiz değil. Tanımlama problemi, 1 gizli değişken ve 3 göstergeli basit bir DFA için, kısıtlama yapılmadıkça modelin tanımlanamamasıyla ilgilidir.

2. Herhangi bir sayıya ayarlayabilirsiniz ve sonuçların genel yapısı aynı olacaktır (aynı olacak modele uygunluğuna bakarak kolayca kontrol edilebilir). 1'e ayarlarsanız modeli yorumlamak daha kolaydır.

3. Faktör yüklerinden herhangi birini nasıl düzeltirseniz düzeltirseniz, aynı şekilde pozitif ve negatif yüklü öğeler elde edebilirsiniz. Gizli değişken. Bunu, göstergelerinizden birini -1 ile çarparak ve modelinizi tekrar tahmin ederek test edebilirsiniz.

4. Eğer regresyon katsayısı ayarlanmadıysa fonksiyonel olarak aynıdırlar (yani bağımlı değişkenin onu gösteren sadece 1 ok vardır). Bu durumda biri diğerinden hesaplanabilir.

5. Deneyin! Her gizli değişkenin, önceden belirtilen nedenlerden dolayı bir ölçeğe ihtiyacı vardır.

6. Bu bir ölçek sorunudur ve tam olarak standartlaştırılmış katsayıları kullanmanın nedenidir. DV'yi daha büyük ve daha büyük sayılara bölerek herhangi bir regresyon katsayısını keyfi olarak büyük yapabilirim. Böylece, IV'deki 1 birimlik bir değişiklik DV birimlerinde daha büyük ve daha büyük değişiklikler üretecektir. Normalleştirerek ve benzer gibi karşılaştırarak bu sorunu önleriz.

7. Yüklenen hata faktörünü 1'e sabitlemek, yorumlamayı kolaylaştırır. SEM'deki ilgili regresyon denkleminin bilinen Y = BX + e (veya Y = BX + 1 * e) biçimini almasını sağlar.

Stata SEM burada çok güzel bir dokümantasyona sahip, "Tanımlama 2" bölümüne bakın, tüm sorularınızın yanıtlarını içeriyor.

Ölçeğin yokluğu, sizin gizli değişken gözlemlenemez. mutluluk anketinde sayısal cevaplar bulabilirsin ama mutluluğun kendisi doğrudan ölçülmez. şimdi 1'den 10'a kadar olan cevapları bir şekilde mutlulukla ilişkilendirmelisiniz. yani sorulardan birini çapa olarak belirlersiniz ve yüklemesini 1 olarak ayarlarsınız.

1 olması gerekmez, herhangi bir değer olabilir, ancak 1 uygundur.

hem uzamsal hem de sözel gözlemlenebilir değildir, bu nedenle ölçeği ikisine de ayarlamanız gerekir, böylece her biri için çapalarınız olur.