Download præsentationen
Præsentation er lastning. Vent venligst
Offentliggjort afLaura Villadsen Redigeret for ca. et år siden
1
Analyse af skæve fordelinger med Mplus
Jan Ivanouw
2
Normalfordeling og t-fordeling
[demonstration]
3
Skæve fordelinger Skæv normalfordeling har en ekstra parameter ud over gennemsnit og varians, nemlig en skævhedsparameter Skæv t-fordeling har to ekstra parametre i forhold til normalfordelingen, nemlig både en skævhedsparameter og en parameter for antal frihedsgrader (som bestemme hvor spids fordelingen er)
4
Analyse med latente variable
Kategoriale data, eksempelvis rigtig/forkert eller ordinale data analyseres fint med Mplus Kontinuerte data har indtil for nylig kun kunnet analysere med Mplus hvis de var normaltfordelte, eller tilnærmet normalfordelte Imidlertid kan der nu også anvendes skæve normalfordelinger og skæve t-fordelinger
5
Mpluskommandoer Skævnormalfordelt: Skævt t-fordelt: Tilføjelse:
ANALYSIS: DISTRIBUTION = SKEWNORMAL; Skævt t-fordelt: ANALYSIS: DISTRIBUTION = SKEWT;
6
Sample til analyse Michael Jepsens data:
100 søofficerer, testet med forskellige tests Her gennemgås Raven
7
Sumscores antal rigtige
8
Kontrol af normalfordeling
9
Samlet model for scores
Chi-Square Test of Model Fit Value * Degrees of Freedom P-Value RMSEA (Root Mean Square Error Of Approximation) Estimate 90 Percent C.I Probability RMSEA <= CFI/TLI CFI TLI WRMR (Weighted Root Mean Square Residual) Value
10
Opdeling i sektioner Den samlede model fungerer ikke så godt som ønskeligt Raven er konstrueret i sektioner med hvert sit princip og internt stigende sværhedsgrad Analysen opdeles derfor i de 5 sektioner Her præsenteres 1. og 5. sektion
11
Sumscores 1. del
12
Model for scores for 1. del
Chi-Square Test of Model Fit Value * Degrees of Freedom P-Value RMSEA (Root Mean Square Error Of Approximation) Estimate 90 Percent C.I Probability RMSEA <= CFI/TLI CFI TLI WRMR (Weighted Root Mean Square Residual) Value
13
Faktorscores del 1
14
Sumscores 5 del
15
Model for scores 5. del Chi-Square Test of Model Fit Value 59.602*
Degrees of Freedom P-Value RMSEA (Root Mean Square Error Of Approximation) Estimate 90 Percent C.I Probability RMSEA <= CFI/TLI CFI TLI WRMR (Weighted Root Mean Square Residual) Value
16
Faktorscores del 5
17
Konklusion for scores Den samlede model for Raven er mindre god
Når opgaverne inddeles i de 5 meningsmæssige undergrupper, passer modellerne vældigt fint
18
Tidsdata for Raven
19
Tidsdata Raven 1. del
20
Sumscorefordeling
21
Kontrol af normalfordeling
22
Normalfordelingsmodel
Information Criteria Akaike (AIC) Bayesian (BIC) Sample-Size Adjusted BIC (n* = (n + 2) / 24) Chi-Square Test of Model Fit Value Degrees of Freedom P-Value
23
Faktorscore-normalfordeling
24
Skæv normalfordeling Information Criteria Akaike (AIC) 6196.818
Bayesian (BIC) Sample-Size Adjusted BIC (n* = (n + 2) / 24)
25
FS skæv normalfordeling
26
Skæv t-fordeling Information Criteria Akaike (AIC) 5366.015
Bayesian (BIC) Sample-Size Adjusted BIC (n* = (n + 2) / 24)
27
FS skæv t-fordeling
28
Konklusion for tidsscores del 1
Den skæve t-fordeling passer bedst
29
sumscores vs factorscores
30
Sumscores versus skævnormale FS
31
Sumscores versus skæv t-fordeling
32
Konklusion tidsdata del 1
Skæv t-fordeling passer bedst I sammenligning med sumscores er faktorscores mindre skæve: Der er ved sumscores meget høje værdier, som udjævnes i faktorscores
33
Tidsdata Raven 5. del
34
Sumscorefordeling
35
Kontrol af normalfordeling
36
Normalfordeling Information Criteria Akaike (AIC) 11854.599
Bayesian (BIC) Sample-Size Adjusted BIC (n* = (n + 2) / 24) Chi-Square Test of Model Fit Value Degrees of Freedom P-Value
37
Faktorscore-normalfordeling
38
Skæv normalfordeling Information Criteria Akaike (AIC) 11834.505
Bayesian (BIC) Sample-Size Adjusted BIC (n* = (n + 2) / 24)
39
FS skæv normalfordeling
40
Skæv t-fordeling Information Criteria Akaike (AIC) 11484.042
Bayesian (BIC) Sample-Size Adjusted BIC (n* = (n + 2) / 24)
41
FS skæv t-fordeling
42
Konklusion for tidsscores del 5
Den skæve t-fordeling passer bedst
43
Sumscores versus factorscores
44
Sumscores versus skævnormal
45
Sumscores versus skæv t-fordeling
46
Konklusion tidsdata del 5
Skæv t-fordeling passer bedst I sammenligning med sumscores er faktorscores mindre skæve: Der er ved sumscores meget høje værdier, som udjævnes i faktorscores
47
Samlet konklusion De enkelte sektioner fungerer bedre end den samlede model En mulighed er at lave en model med 2. ordensfaktor Hver af analyserne viser at modeller der bygger på skæve t-fordelinger passer bedre end modeller der går ud fra normalfordeling
Lignende præsentationer
© 2024 SlidePlayer.dk Inc.
All rights reserved.