Invarianssin (mittauksen) määritelmä

Se on tekniikka, jonka tavoitteena on verrata ryhmiä ja määrittää, onko konstruktilla sama merkitys eri ryhmille tai näytteille; tämä saavutetaan ottamalla tasa-arvorajoitukset asteittain mukaan.

Yksi toistuvista kysymyksistä tutkinta On Voimmeko olettaa, että tulokset ovat samat kaikille ihmisille? Tulee tilanteita, jolloin osallistujien ominaisuudet voivat muuttaa muuttujien välisiä suhteita. Esimerkiksi Yhdysvalloissa tehdyssä tutkimuksessa todettiin, että kliinisen rintojen tutkimukset määräävät tunteita liittyvät (pelko, ahdistus ja häpeä), fatalistiset uskomukset ja jotkut rakenteelliset muuttujat, kuten ikä, koulutus Nämä suhteet ovat kuitenkin erilaisia ​​latinalaisnaisilla ja anglonaisilla.

Jos haluaisimme toistaa tämän tutkimuksen, mutta käsittelemme sukupuolitautitestiä ja vertaamme miesten ja naisten tuloksia, miten se tekisimme? Ensimmäinen vaihtoehto olisi analysoida suhteet erikseen ja vertaa sitten aiemmin standardoituja tuloksia; vaikka se olisikin aika epäkäytännöllistä. Onneksi rakenneyhtälömallinnuksella (SEM) on käytännöllisempi vaihtoehto, invarianssianalyysi, jonka tavoitteena on

määrittää ylläpidetäänkö tai muutetaanko mallin suhteita tai pikemminkin parametreja luomisen perusteella (tai tiettyjen ominaisuuksien omaavien ryhmien valinta (esim. mies-nainen, heteroseksuaali-homoseksuaali, valko-afro-jälkeläiset).

Vaikka invarianssin analyysi tai mittauksen invarianssi Yleensä CFA (Confirmatory Factor Analysis) suorittaa kaikki SEM: stä johdetut tekniikat, jotka pystyvät suorittamaan invarianssianalyysin. Näin ollen invarianssianalyysissä tutkitaan, onko konstruktin operaatiolla sama merkitys eri olosuhteissa (otoksen ominaisuudet, menetelmä hallinto rakenteesta, antamisen ajankohta). Mittausinvarianssin puuttuminen osoittaisi, että konstruktio on epäselvä vahvistetuin ehdoin. Tässä mielessä voidaan puhua myös pitkittäismittauksen invarianssista, joka suoritetaan samoissa olosuhteissa, mutta eri aikoina ja olettaa, että konstruktio on sama ajan kulumisesta huolimatta. aika.

Kuten edellä mainittiin, mittausinvarianssin analyysin suorittamiseksi lisätään vähitellen Mallin parametrien rajoituksia, nämä rajoitukset nimeävät neljä mahdollista invarianssitasoa, jotka voivat olla he voivat saada. Nämä tasot on kuvattu alla, mutta on välttämätöntä mainita, että kirjoittajat eivät aina käytä samaa nimeä.

• Perusmalli. Tarkassa mielessä tämä ei ole invarianssin taso, koska ennen rajoituksen soveltamista on testattava, sopiiko kunkin ryhmän hypoteesi malli hyvin.

• konfigurointiinvarianssi. Se määrittää, että jokaisella ryhmällä on sama kokoonpano, eli että niillä on sama indikaattoreita molemmissa ryhmissä. Jos konfigurointiinvarianssia ei saavuteta, myöskään mitään seuraavista tasoista ei voida saavuttaa.

• heikko invarianssi. Tällä tasolla oletetaan, että konfiguraatioinvarianssi on saavutettu. Siksi jatkamme rajoitusten asettamista tasa-arvo mallin kussakin indikaattorissa molemmille ryhmille.

• vahva invarianssi. Tällä tasolla oletetaan, että heikko invarianssi on saavutettu. Se edellyttää, että tasa-arvorajoituksia sovelletaan kaikkiin mallin leikkauspisteisiin. Leikkauspiste viittaa kunkin indikaattorin pistemäärään, joten tämä invarianssitaso osoittaisi, että molemmat ryhmät reagoivat rakenteisiin samalla tavalla.

• tiukka invarianssi. Se on korkein mittausinvarianssin taso, ja oletetaan, että vahva invarianssi on saavutettu. Tämä taso sisältää rajoituksia ryhmien välisille virheille ja kovarianseille. Siksi tämä taso osoittaisi, että rakenne on identtinen molemmissa ryhmissä.

• Kun sinulla on rakenteellisia yhtälömalleja tai polkumalleja, on mahdollista saada ylimääräinen invarianssitaso, rakenteellinen invarianssi. Tällä tasolla määritetään rajoituksia muuttujien tai rakenteellisten polkujen välisille suhteille. Joten tämän invarianssitason saavuttaminen osoittaisi, että ilmiö tapahtuu samalla tavalla molemmissa ryhmissä.

Jotta voidaan olettaa, että tietty invarianssitaso on saavutettu, mallin sopivuutta on verrattava edelliseen tasoon (esim. tiukan invarianssin vahvan invarianssimallin kanssa), jos sovitus ei huonone, oletetaan mallin olevan invariantti ja sitä voidaan jatkaa seuraavalla taso. Tässä mielessä tälle prosessille on ehdotettu erilaisia ​​kriteerejä, mutta tavallisin on verrata khin neliö-, CFI- ja RMSEA-arvoja.