Phân tích thống kê là một công cụ quan trọng đối với các nhà nghiên cứu về khoa học xã hội trong hơn một thế kỷ. Với sự ra đời của phần cứng và phần mềm máy tính, việc áp dụng các phương pháp thống kê đã được mở rộng đáng kể, đặc biệt là trong những năm gần đây, do giao diện thân thiện với người dùng, người dùng có thể sử dụng rộng rãi nhiều phương pháp hơn và cung cấp kiến thức về kỹ thuật này. Các nhà nghiên cứu ban đầu dựa vào phân tích đơn biến và hai biến để hiểu dữ liệu và các mối quan hệ. Để hiểu các mối quan hệ phức tạp hơn liên quan đến các hướng nghiên cứu khoa học xã hội hiện nay, chúng ta cần áp dụng các phương pháp phân tích dữ liệu đa biến tinh vi hơn.
Mô hình hóa cấu trúc tuyến tính hay còn gọi là sem (Mô hình hóa phương trình cấu trúc) là một kỹ thuật thứ hai mà các kỹ thuật phân tích thống kê hiện đại đã được phát triển để phân tích các mối quan hệ đa chiều giữa nhiều biến trong một mô hình (haenlein và kaplan, 2004). Nhiều mối quan hệ giữa các biến có thể được biểu diễn bằng các phương trình hồi quy đơn giản và bội số khác nhau. Một kỹ thuật lập mô hình cấu trúc tuyến tính kết hợp dữ liệu định lượng và các giả định (nhân quả) liên quan vào một mô hình. Với SEM, các nhà nghiên cứu có thể kiểm tra trực quan các mối quan hệ tồn tại giữa các biến quan tâm để ưu tiên các nguồn lực nhằm phục vụ khách hàng tốt hơn. Thực tế là các biến tiềm ẩn khó đo lường có thể được sử dụng trong SEM khiến nó trở nên lý tưởng để giải quyết các vấn đề nghiên cứu thương mại. sem là một kỹ thuật thống kê mạnh mẽ hơn có thể giải quyết các vấn đề sau:
Xem thêm: Mô hình sem
1. Phân tích đồng thời nhiều mô hình hồi quy;
Đang xem: So Far, So Good Là Gì?
Đang xem: Hộp số ly hợp kép DCT là gì? Ưu nhược điểm và cách sử dụng
2. Phân tích hồi quy với vấn đề đa cộng tuyến;
Đang xem: So Far, So Good Là Gì?
Đang xem: Hộp số ly hợp kép DCT là gì? Ưu nhược điểm và cách sử dụng
3. Phân tích đường dẫn với nhiều biến phụ thuộc;
Đang xem: So Far, So Good Là Gì?
Đang xem: Hộp số ly hợp kép DCT là gì? Ưu nhược điểm và cách sử dụng
4. Mô hình hóa các mối quan hệ đa chiều giữa các biến trong một mô hình.
sem có một số phương thức khác nhau. Phương pháp đầu tiên là sem dựa trên hiệp phương sai (cb-sem), sử dụng các gói như amos, eqs, lisrel và mplus. Phương pháp thứ hai là bình phương nhỏ nhất từng phần (pls), tập trung vào ANOVA và có thể được thực hiện bằng cách sử dụng pls-graph, visualpls, smartpls và warppls. Nó cũng có sẵn thông qua mô-đun pls trong gói thống kê của “r”. Cách tiếp cận thứ ba là một SEM dựa trên thành phần được gọi là Phân tích thành phần cấu trúc tổng quát (gsca); nó được triển khai thông qua visualgsca hoặc một ứng dụng dựa trên web có tên là gesca. Một cách khác để thực hiện SEM được gọi là mô hình quan hệ cấu trúc phổ tuyến tính phi tuyến tính (Neusrel), sử dụng phần mềm phân tích dòng nhân quả Neusrel. Đối mặt với các phương pháp mô hình hóa đường dẫn khác nhau, chúng ta phải xem xét toàn diện các ưu điểm và nhược điểm của chúng để chọn một phương pháp thích hợp.
Tuy nhiên, hiện nay các nhà nghiên cứu thường sử dụng hai phương pháp chính để phân tích sem mô hình cấu trúc tuyến tính, đó là: cbsem và pls-sem (còn được gọi là pls-sem. Chế độ đường dẫn được gọi là pls).cbsem chủ yếu được sử dụng để xác nhận (hoặc bác bỏ) một lý thuyết (tức là mối quan hệ giữa một tập hợp các biến có thể được kiểm tra bằng thực nghiệm). Nó thực hiện điều này bằng cách xác định mức độ mà mô hình lý thuyết được đề xuất có thể ước tính ma trận hiệp phương sai của tập dữ liệu mẫu. Ngược lại, pls-sem chủ yếu được sử dụng để phát triển lý thuyết trong nghiên cứu khám phá. Nó thực hiện điều này bằng cách tập trung giải thích phương sai của biến phụ thuộc khi kiểm định mô hình.
Đang xem: Mất trinh là gì? 5 dấu hiệu nhận biết và nguyên nhân mất trinh
