Section author: Danielle J. Navarro and David R. Foxcroft

காரணி பகுப்பாய்வு

முந்தைய அத்தியாயங்கள் இரண்டு அல்லது அதற்கு மேற்பட்ட குழுக்களுக்கு இடையிலான வேறுபாடுகளுக்கான புள்ளிவிவர சோதனைகளை உள்ளடக்கியது. இருப்பினும், சில நேரங்களில் ஆராய்ச்சி நடத்தும்போது, பல மாறிகள் இணை விழிப்புணர்வு *எவ்வாறு ஆராயலாம். அதாவது, அவை ஒருவருக்கொருவர் எவ்வாறு தொடர்புடையவை மற்றும் தொடர்புடைய வடிவங்கள் சுவையான மற்றும் அர்த்தமுள்ள எதையும் பரிந்துரைக்கின்றனவா. எடுத்துக்காட்டாக, எங்கள் தரவுத்தொகுப்பில் கவனிக்கப்பட்ட, நேரடியாக அளவிடப்பட்ட, மாறிகள் மூலம் குறிப்பிடப்படும் ஏதேனும் ஆபத்தான * மறைந்த காரணிகள் ** உள்ளதா என்பதை ஆராய்வதில் நாங்கள் அடிக்கடி ஆர்வமாக உள்ளோம். புள்ளிவிவரங்களில், மறைந்திருக்கும் காரணிகள் ஆரம்பத்தில் மறைக்கப்பட்ட மாறிகள், அவை நேரடியாகக் கவனிக்கப்படாதவை, மாறாக கவனிக்கப்படும் (நேரடியாக அளவிடப்படும்) பிற மாறிகளிலிருந்து (புள்ளிவிவர பகுப்பாய்வு மூலம்) ஊகிக்கப்படுகின்றன.

இந்த அத்தியாயத்தில் நாம் பல்வேறு காரணி பகுப்பாய்வு மற்றும் தொடர்புடைய நுட்பங்களை கருத்தில் கொள்வோம், இதில் தொடங்கி: டாக்: CH15_FACTORANALARISISIS_1 (EFA). தரவுத் தொகுப்பில் அடிப்படை மறைந்திருக்கும் காரணிகளை அடையாளம் காண்பதற்கான புள்ளிவிவர நுட்பம் EFA ஆகும். அடுத்த பிரிவில், நாங்கள் உள்ளடக்குவோம்: டிஓசி: CH15_FACTORANALISIS_2 (PCA) இது தரவு குறைப்பு நுட்பமாகும், இது கண்டிப்பாக பேசினால், அடிப்படை மறைந்த காரணிகளை அடையாளம் காணவில்லை. அதற்கு பதிலாக, பி.சி.ஏ வெறுமனே கவனிக்கப்பட்ட மாறிகளின் நேரியல் கலவையை உருவாக்குகிறது. இதைத் தொடர்ந்து, பிரிவு: டிஓசி: CH15_FACTORANALISIS_3 (CFA), EFA ஐப் போலல்லாமல், CFA உடன் நீங்கள் ஒரு யோசனையுடன் தொடங்குகிறீர்கள் - ஒரு மாதிரி - உங்கள் தரவுகளில் உள்ள மாறிகள் ஒருவருக்கொருவர் எவ்வாறு தொடர்புடையவை என்பதைக் காட்டுகிறது. நீங்கள் கவனிக்கப்பட்ட தரவுக்கு எதிராக உங்கள் மாதிரியை சோதித்து, மாதிரி எவ்வளவு பொருத்தமானது என்பதை மதிப்பிடுங்கள். இறுதியாக, நாங்கள் அறிமுகப்படுத்துகிறோம்: DOC: CH15_FACTORANALISIS_4 இது ஒரு அளவிலான ஒரு உளவியல் கட்டமைப்பை எவ்வளவு தொடர்ந்து அளவிடுகிறது என்பதை சோதிக்கிறது.