Onderzoeksmethoden II: structurele vergelijkingsmodellen deel 3

Transcriptie

1 Onderzeksmethden II: structurele vergelijkingsmdellen deel 3 1. Structurele vergelijkingsmdellen 1.1. SEM in vgelvlucht SEM is een algemene techniek m de (lineaire) samenhang tussen variabelen te mdelleren. Vertrekpunt: de samenhang tussen de gebserveerde variabelen wrdt samengevat in een gebserveerde variantie/cvariante matrix (S). SSEM prbeert de structuur (lees: de crrelatiepatrnen) in deze gebserveerde variantie/cvariante matrix te beschrijven/verklaren dr een mdel vrp te stellen met als mgelijke ingrediënten: Latente variabelen (cf. CFA). 1 Regressies (directe en indirecte effecten) (cf. padanalyse). 2 Eventueel niet-verklaarde crrelaties/cvarianties (dubbele pijlen). 3 Het mdel kan typisch wrden weergegeven via een paddiagram. Paddiagram 4 latente variabelen Znder deze pijlen = Cnfirmatrisch. Met deze pijlen= structurele vergelijkingsmdellen. De fundamentele hypthese De fundamentele hypthese in SEM is: = de ppulatie cvariantie matrix 4. : de mdel geïmpliceerde cvariantie matrix. : alle (vrije en nbekende) parameters in het mdel 5 Elk mdel + parameters impliceert een specifiek patrn vr de elementen van de variantie/cvariantie matrix. We prberen een zuinig mdel te vinden dat ged past bij de data. In smmige tepassingen wrden k de gemiddelden ( means ) van de gebserveerde variabelen mee in rekening gebracht. een sample nemen en cvariantie matrix berekenen. Mdel met z eenvudig mgelijk zijn (weinig latente variabelen, weinig parameters). Parameterschatting We zeken die waarden vr zdat het verschil tussen wat men in de data bserveert (S) en wat het mdel impliceert z klein mgelijk is. Verschillende manieren m dit verschil uit te drukken leidt tt verschillende discrepantiematen. De meest gebruikte discrepantiemaat is gebaseerd p maximum likelihd: F = functie parameterwaarde. tr= trace = p =aantal elementen 1 Pstuleren van variabelen (meetcmpnent). 2 Heeft a een relatie met b (structurele cmpnent) 3 Teveging. 4 Kan variëren afhankelijk van. 5 Alles wat geschat met wrden.

2 = s/sigma In de praktijk wrdt tijdens het schatten vervangen dr. 10/10 dan = 10 3/3 matrix = 3 Ged = tr ~ p Slecht = tr p Stappen m SEM uit te veren: 2-stappen 6 Behandel eerst het meetmdel. Alle enkelvudige pijlen (regressies) tussen de latente variabelen wrden vervangen dr dubbele pijlen (cvarianties). Dit is gewn CFA. Herspecifieer het meetmdel indien ndig. Zlang de fit van het meetmdel niet adequaat is, heeft het geen zin m de structurele cmpnent te te vegen. Fit het vlledige mdel. Indien het structureel deel meer restrictief is dan het meetmdel: vergelijk het meetmdel met het vlledig mdel (mdelvergelijkingstets) Zijn er geen drastische verschuivingen in het meetmdel (bvb. factrladingen die plts veel grter/kleiner wrden)? Z ja, prbleem! Parameterschatting en mdel identificatin Fitmaten Mdel- geïmpliceerde cvariantie matrix Herspecificatie mdificatin indices Zie CFA!!! 1.2. Vrbeeld Zie Kline (2011) Hughtn & Jinker (2007) 263 universiteit werknemers 4 latente variabelen, elk gemeten dr 3 indicatren: cnstructive thinking 7 dysfunctinal thinking 8 subjective well-being jb satisfactin They hypthesized that cnstructive thinking reduces dysfunctinal thinking, which leads t an enhanced sense f well-being, which in turn results in greater jb satisfactin. They als predicted that dysfunctinal thinking directly affects jb satisfactin. Hypthese: als je hg scrt p cnstr. Thinking dan heb je vr dysf een lage scre en dat leidt tt het gevel van well being en dit leidt dan weer tt jb satisfactin en dysf. Th. heeft direct effect p jb satisfactin. CT DT JS WB 6 Meetmdel tetsen met CFA daarna de pijlen tevegen. 7 cnstructief 8 dysfunctineel

3 Data: crrelatin + standard deviatins Data: cvariance matrix Wrk = ind.jb. Happy, md1 en md2 = andere 3 variabelen. Lavaan input: meetmdel (CFA) latente variabele Enkele pijlen staan er ng niet. 2 indicatren iets gemeenschappelijk = pijl telaten!

4 Lavaan utput Niet significant = ged ervr halfslachtig Significant? Ged = 0 All = ged

5 Mdel met regressie Vr elke variabele een lijntje = afh. Mdel fitten znder extra pijlen! Lavaan utput = exacte fit - Mdel past ged bij de data - Dan kijken naar regressiecëfficiënten - Anders eerst kijken naar extra s tevegen.

6 Neg: OK Rd = niet significant Zwart = significant OK Gren = niet significant: niet OK

7 Cnclusies Het effect van cnstructive thinking p dysfunctinal thinking is niet significant (p = 0.093) (en R2 = 0.015). Cnstructive thinking lijkt k relatief weinig effect te hebben p alle andere variabelen. Dysfunctinal thinking heeft wel een significant (negatief) effect p wellbeing, maar niet p jb satisfactin. Well-being heeft een significant (psitief) effect p jb satisfactin. De hyptheses van de nderzekers wrden maar ten dele bevestigd dr de data. Merk p: het weglaten van enkel niet- significante effecten heeft als gevlg dat er enkele brnnen van misfit ntstaan in het meetmdel (dus: laat ze staan).