Section author: Danielle J. Navarro and David R. Foxcroft
உறுதிப்படுத்தும் காரணி பகுப்பாய்வு
எனவே, ஆளுமை உருப்படி குளத்திலிருந்து கவனமாக தேர்ந்தெடுக்கப்பட்ட கேள்விகளுடன் EFA ஐப் பயன்படுத்தி அடிப்படை மறைந்த காரணிகளை அடையாளம் காணும் முயற்சி மிகவும் வெற்றிகரமாகத் தோன்றியது. ஆளுமையின் பயனுள்ள அளவை உருவாக்குவதற்கான எங்கள் தேடலின் அடுத்த கட்டம், அசல் EFA இல் நாம் அடையாளம் கண்ட மறைந்த காரணிகளை வேறு மாதிரியுடன் சரிபார்க்க வேண்டும். வெவ்வேறு தரவுகளுடன் அவற்றின் இருப்பை உறுதிப்படுத்த முடிந்தால், காரணிகள் உள்ளன என்பதை நாங்கள் பார்க்க விரும்புகிறோம். இது மிகவும் கடுமையான காசோலை, நாங்கள் பார்ப்போம். இது ** உறுதிப்படுத்தும் காரணி பகுப்பாய்வு (சி.எஃப்.ஏ) ** என்று அழைக்கப்படுகிறது, நாங்கள் வெளிப்படையாக, முன்னரே குறிப்பிடப்பட்ட மறைந்திருக்கும் காரணி கட்டமைப்பை*உறுதிப்படுத்த முற்படுவோம். [#] _
CFA இல், ஒரு பகுப்பாய்வு செய்வதற்குப் பதிலாக, தரவு ஒரு ஆய்வு அர்த்தத்தில் எவ்வாறு ஒன்றாகச் செல்கிறது என்பதைக் காணும் இடத்தில், அதற்கு பதிலாக ஒரு கட்டமைப்பை நாங்கள் திணிக்கிறோம்: NumRef: Fig-CFA1, தரவுகளில் மற்றும் தரவு நமது முன் எவ்வளவு பொருந்துகிறது என்பதைப் பாருங்கள் குறிப்பிட்ட கட்டமைப்பு. இந்த அர்த்தத்தில், கவனிக்கப்பட்ட தரவுகளால் முன்பே குறிப்பிடப்பட்ட ** மாதிரி ** எவ்வளவு சிறப்பாக உறுதிப்படுத்தப்படுகிறது என்பதைப் பார்க்க, உறுதிப்படுத்தும் பகுப்பாய்வை நாங்கள் மேற்கொள்கிறோம்.
Fig. 191 சி.எஃப்.ஏவில் பயன்படுத்த, ஐந்து காரணி ஆளுமை அளவீடுகளுக்கான மறைந்த காரணி கட்டமைப்பின் ஆரம்ப முன் விவரித்தல்
ஆகவே ஆளுமைப் பொருட்களின் நேரடியான உறுதிப்படுத்தும் காரணி பகுப்பாய்வு (சி.எஃப்.ஏ) இதில் காட்டப்பட்டுள்ளபடி ஐந்து மறைந்திருக்கும் காரணிகளைக் குறிப்பிடும்: எண்ரெஃப்: அத்தி-சி.எஃப்.ஏ 1, ஒவ்வொன்றும் ஐந்து கவனிக்கப்பட்ட மாறிகள் மூலம் அளவிடப்படுகின்றன. ஒவ்வொரு மாறியும் ஒரு அடிப்படை மறைந்த காரணியின் அளவீடு ஆகும். எடுத்துக்காட்டாக, `` A1`` அடிப்படை மறைந்த காரணி உடன்படிக்கையால் கணிக்கப்படுகிறது. `` A1`` என்பது உடன்பாடு காரணியின் சரியான நடவடிக்கை அல்ல என்பதால், ஒரு பிழை சொல், e *, அதனுடன் தொடர்புடையது. வேறு வார்த்தைகளில் கூறுவதானால், * இ * என்பது `` A1`` மாறுபாட்டைக் குறிக்கிறது, இது உடன்படிக்கை காரணியால் கணக்கிடப்படவில்லை. இது சில நேரங்களில் * அளவீட்டு பிழை ** என்று அழைக்கப்படுகிறது.
அடுத்த கட்டம், எங்கள் மாதிரியில் தொடர்புபடுத்த மறைந்த காரணிகளை அனுமதிக்க வேண்டுமா என்பதைக் கருத்தில் கொள்வது. முன்னர் குறிப்பிட்டபடி, உளவியல் மற்றும் நடத்தை அறிவியல் கட்டுமானங்கள் பெரும்பாலும் ஒருவருக்கொருவர் தொடர்புடையவை, மேலும் எங்கள் ஆளுமை காரணிகளில் சில ஒருவருக்கொருவர் தொடர்புபடுத்தப்படலாம் என்றும் நாங்கள் நினைக்கிறோம். எனவே, எங்கள் மாதிரியில், இரட்டை தலை அம்புகளால் காட்டப்பட்டுள்ளபடி, இந்த மறைந்திருக்கும் காரணிகளை இணை விழிக்கு அனுமதிக்க வேண்டும்: NumRef: Fig-CFA1.
அதே நேரத்தில், சில பிழை விதிமுறைகள் ஒருவருக்கொருவர் தொடர்புபடுத்தப்படுவதற்கு ஏதேனும் நல்ல, முறையான, காரணம் இருக்கிறதா என்பதை நாம் கருத்தில் கொள்ள வேண்டும். இதற்கு ஒரு காரணம் என்னவென்றால், கவனிக்கப்பட்ட மாறிகளின் குறிப்பிட்ட துணைத் தொகுப்புகளுக்கு பகிரப்பட்ட முறையான நற்பொருத்தம் உள்ளது, அதாவது கவனிக்கப்பட்ட மாறிகள் கணிசமான மறைந்திருக்கும் காரணி காரணங்களை விட முறைக்கு தொடர்புபடுத்தப்படலாம். இந்த சாத்தியத்திற்கு நாங்கள் பின்னர் ஒரு பிரிவில் திரும்புவோம், ஆனால் இப்போதைக்கு, சில பிழை விதிமுறைகளை ஒருவருக்கொருவர் தொடர்புபடுத்துவதை நியாயப்படுத்தும் என்பதை நாம் காண தெளிவான காரணங்கள் எதுவும் இல்லை.
எந்தவொரு தொடர்புடைய பிழை விதிமுறைகளும் இல்லாமல், எங்கள் கவனிக்கப்பட்ட தரவுகளுடன் இது எவ்வளவு பொருந்துகிறது என்பதைக் காண நாங்கள் சோதிக்கும் மாதிரி குறிப்பிடப்பட்டுள்ளபடி: NumRef: Fig-CFA1. மாதிரியில் சேர்க்கப்பட்டுள்ள அளவுருக்கள் மட்டுமே தரவுகளில் காணப்படும் என்று எதிர்பார்க்கப்படுகிறது, எனவே CFA இல் மற்ற அனைத்து சாத்தியமான அளவுருக்கள் (குணகங்கள்) பூச்சியமாக அமைக்கப்படுகின்றன. எனவே, இந்த மற்ற அளவுருக்கள் பூச்சியமாக இல்லாவிட்டால் (எடுத்துக்காட்டாக, கவனிக்கப்பட்ட தரவுகளில் மறைந்திருக்கும் காரணி புறம்போக்கு மீது `` a1`` இலிருந்து கணிசமான ஏற்றுதல் இருக்கலாம், ஆனால் எங்கள் மாதிரியில் இல்லை) எங்கள் மாதிரிக்கு இடையில் ஒரு மோசமான பொருத்தத்தைக் காணலாம் மற்றும் கவனிக்கப்பட்ட தரவு.
சரி, இந்த சி.எஃப்.ஏ பகுப்பாய்வை சாமோவியில் எவ்வாறு அமைத்தோம் என்பதைப் பார்ப்போம்.
சாமோவியில் சி.எஃப்.ஏ
Open up the bfi_sample2 data set, check that the 25 variables are coded as
ordinal 
(or continuous 
; it won’t make any difference for
this analysis). To perform CFA in jamovi:
CFA க்கான அமைப்புகளை நீங்கள் தீர்மானிக்கக்கூடிய விருப்பங்கள் குழுவைத் திறக்க `` அனலீச் தாவலில் இருந்து காரணி` `` உறுதிப்படுத்தும் காரணி பகுப்பாய்வு` என்பதைத் தேர்ந்தெடுக்கவும் (: NUMREF:` Fig-CFA2`).
5 `` a`` மாறிகள் தேர்ந்தெடுத்து அவற்றை `` காரணிகள்` `பெட்டியில் மாற்றி,“ உடன்பாடு ”என்ற லேபிளை அவர்களுக்கு வழங்கவும்.
`` காரணிகள்` பெட்டியில் ஒரு புதிய காரணியை உருவாக்கி அதை “மனசாட்சி” என்று பெயரிடுங்கள். 5 `` சி`` மாறிகள் என்பதைத் தேர்ந்தெடுத்து அவற்றை “மனசாட்சி” லேபிளின் கீழ் `` காரணிகள்` பெட்டியில் மாற்றவும்.
`` காரணிகள்` பெட்டியில் மற்றொரு புதிய காரணியை உருவாக்கி அதை “புறம்போக்கு” என்று லேபிளிடுங்கள். 5 `` E`` மாறிகள் என்பதைத் தேர்ந்தெடுத்து அவற்றை “புறம்போக்கு” லேபிளின் கீழ் `` காரணிகள்` `பெட்டியில் மாற்றவும்.
`` காரணிகள்` பெட்டியில் மற்றொரு புதிய காரணியை உருவாக்கி அதை “நரம்பியல்” என்று பெயரிடுங்கள். 5 `` n`` மாறிகள் என்பதைத் தேர்ந்தெடுத்து அவற்றை “நரம்பியல்” லேபிளின் கீழ் `` காரணிகள்` `பெட்டியில் மாற்றவும்.
`` காரணிகள்` பெட்டியில் மற்றொரு புதிய காரணியை உருவாக்கி அதை “திறந்த தன்மை” என்று லேபிளிடுங்கள். 5 `` ஓ`` மாறிகள் என்பதைத் தேர்ந்தெடுத்து அவற்றை “திறந்த” லேபிளின் கீழ் `` காரணிகள்` `பெட்டியில் மாற்றவும்.
பிற பொருத்தமான விருப்பங்களைச் சரிபார்க்கவும், இயல்புநிலைகள் இந்த ஆரம்ப வேலைக்கு சரி, இருப்பினும் `` பாதை வரைபடம்`` விருப்பத்தை `` அடுக்குகள்`` இன் கீழ் சரிபார்க்க விரும்பலாம், சாமோவி எங்கள்: எண்ரெஃப்: Fig-CFA1.
Fig. 192 சமோவியில் உறுதிப்படுத்தும் காரணி பகுப்பாய்வு (சி.எஃப்.ஏ) நடத்துவதற்கான அமைப்புகளுடன் விருப்பங்கள் குழு
நாங்கள் பகுப்பாய்வை அமைத்தவுடன், எங்கள் கவனத்தை சாமோவி முடிவுகள் சாளரத்திற்கு திருப்பி, என்ன என்பதைப் பார்க்கலாம். முதலில் பார்க்க வேண்டிய சேதி ** மாதிரி ஃபிட் ** (: எண்ரெஃப்: அத்தி-சி.எஃப்.ஏ 3) இது கவனிக்கப்பட்ட தரவுகளுக்கு எங்கள் மாதிரி எவ்வளவு பொருத்தமானது என்பதை இது நமக்குக் கூறுகிறது. எங்கள் மாதிரியில் NB முன் குறிப்பிடப்பட்ட கோவாரியன்ச் மட்டுமே மதிப்பிடப்படுகிறது, இதில் இயல்புநிலையாக காரணி தொடர்புகள் உட்பட. மற்ற அனைத்தும் பூச்சியமாக அமைக்கப்பட்டுள்ளன.
Fig. 193 சமோவியில் குறிப்பிட்ட சி.எஃப்.ஏ மாதிரிக்கான `` மாதிரி ஃபிட்`` முடிவுகளுடன் அட்டவணை
மாதிரி பொருத்தத்தை மதிப்பிடுவதற்கு பல வழிகள் உள்ளன. முதலாவது ஒரு χ²- புள்ளிவிவரமானது, சிறியதாக இருந்தால், மாதிரி தரவுக்கு ஒரு நல்ல பொருத்தம் என்பதைக் குறிக்கிறது. இருப்பினும், மாதிரி பொருத்தத்தை மதிப்பிடுவதற்குப் பயன்படுத்தப்படும் χ²- புள்ளிவிவரமானது மாதிரி அளவிற்கு மிகவும் உணர்திறன் கொண்டது, அதாவது ஒரு பெரிய மாதிரியுடன் மாதிரிக்கு இடையில் போதுமான பொருத்தம் மற்றும் தரவு எப்போதும் ஒரு பெரிய மற்றும் குறிப்பிடத்தக்க (ப <0.05) χ²-மதிப்பை உருவாக்குகிறது.
எனவே, மாதிரி பொருத்தத்தை மதிப்பிடுவதற்கு எங்களுக்கு வேறு சில வழிகள் தேவை. சமோவி இயல்புநிலையாக பலவற்றை வழங்குகிறது. இவை ஒப்பீட்டு பொருத்தம் குறியீடு (சி.எஃப்.ஐ), டக்கர் லூயிச் குறியீட்டு (டி.எல்.ஐ) மற்றும் ஆர்.எம்.எச்.இ.ஏ க்கான 90 % நம்பிக்கை இடைவெளியுடன் தோராயத்தின் ரூட் சராசரி சதுர பிழை (ஆர்.எம்.எச்.இ.ஏ). கட்டைவிரல் சில பயனுள்ள விதிகள் என்னவென்றால், திருப்திகரமான பொருத்தம் CFI> 0.9, TLI> 0.9, மற்றும் RMSEA ஆகியவற்றால் 0.05 முதல் 0.08 வரை குறிக்கப்படுகிறது. ஒரு நல்ல பொருத்தம் CFI> 0.95, TLI> 0.95, மற்றும் RMSEA <0.05 க்கு RMSEA மற்றும் மேல் தொஒ ஆகும்.
எனவே, பார்க்க: NUMREF: Fig-CFA3, χ²-மதிப்பு பெரியது மற்றும் மிகவும் முக்கியமானது என்பதைக் காணலாம். எங்கள் மாதிரி அளவு மிகப் பெரியதல்ல, எனவே இது ஒரு மோசமான பொருத்தத்தைக் குறிக்கிறது. சி.எஃப்.ஐ 0.762 மற்றும் டி.எல்.ஐ 0.731 ஆகும், இது மாதிரிக்கும் தரவிற்கும் இடையில் மோசமான பொருத்தத்தைக் குறிக்கிறது. RMSEA 0.085 ஆகும், இது 90 % நம்பிக்கை இடைவெளியில் 0.077 முதல் 0.092 வரை உள்ளது, மீண்டும் இது ஒரு நல்ல பொருத்தத்தைக் குறிக்கவில்லை.
மிகவும் ஏமாற்றமளிக்கும், இல்லையா? முந்தைய EFA இல், இதேபோன்ற தரவுத் தொகுப்புடன் (பிரிவு: DOC: CH15_FACTORANALARISY_1) ஓடும்போது, தரவுகளில் உள்ள மாறுபாட்டின் பாதி மட்டுமே ஐந்து காரணி மாதிரியால் கணக்கிடப்பட்டது என்பதில் ஆச்சரியமில்லை.
இதுவரையில் காட்டப்பட்டுள்ள காரணி ஏற்றுதல் மற்றும் காரணி கோவாரன்ச் மதிப்பீடுகளைப் பார்ப்போம்: NumRef: Fig-CFA4 மற்றும்: NumRef:` Fig-CFA5`. இந்த அளவுருக்கள் ஒவ்வொன்றிற்கும் *z *-statistic மற்றும் *p *-value அவை மாதிரிக்கு ஒரு நியாயமான பங்களிப்பைச் செய்வதைக் குறிக்கிறது (அதாவது அவை பூச்சியமல்ல) எனவே குறிப்பிட்ட மாறியை அகற்ற எந்த காரணமும் இருப்பதாகத் தெரியவில்லை -பக்டர் பாதைகள், அல்லது மாதிரியிலிருந்து காரணி-காரணி தொடர்புகள். பெரும்பாலும் தரப்படுத்தப்பட்ட மதிப்பீடுகளை விளக்குவது எளிதானது, மேலும் இவை `` மதிப்பீடுகள்`` விருப்பத்தின் கீழ் குறிப்பிடப்படலாம். இந்த அட்டவணைகள் எழுதப்பட்ட அறிக்கை அல்லது அறிவியல் கட்டுரையில் பயனுள்ளதாக இணைக்கப்படலாம்.
Fig. 194 சாமோவியில் குறிப்பிட்ட சி.எஃப்.ஏ மாதிரிக்கு `` காரணி ஏற்றுதல்` உடன் அட்டவணை
Fig. 195 சாமோவியில் குறிப்பிட்ட சி.எஃப்.ஏ மாதிரிக்கு `` காரணி கோவாரியன்ச்`` உடன் அட்டவணை
மாதிரியை எவ்வாறு மேம்படுத்த முடியும்? ஒரு விருப்பம் என்னவென்றால், சில கட்டங்களுக்குச் சென்று, நாங்கள் பயன்படுத்தும் உருப்படிகள் / நடவடிக்கைகள் மற்றும் அவை எவ்வாறு மேம்படுத்தப்படலாம் அல்லது மாற்றப்படலாம் என்பதைப் பற்றி மீண்டும் சிந்திக்க வேண்டும். மற்றொரு விருப்பம் என்னவென்றால், பொருத்தத்தை மேம்படுத்த சில * பிந்தைய தற்காலிக * மாற்றங்களை மாதிரிக்கு மாற்றுவது. இதைச் செய்வதற்கான ஒரு வழி, சாமோவியில் `` கூடுதல் வெளியீடு`` விருப்பமாக குறிப்பிடப்பட்ட `` மாற்றும் குறியீடுகள்`` ஐப் பயன்படுத்துவது (பார்க்க: எண்ரெஃப்: FIG-CFA6).
Fig. 196 சாமோவியில் குறிப்பிட்ட சி.எஃப்.ஏ மாதிரிக்கு `` காரணி ஏற்றுதல் மாற்றும் குறியீடுகள்` உடன் அட்டவணை
நாம் தேடுவது மிக உயர்ந்த மாற்றியமைக்கும் அட்டவணை (எம்ஐ) மதிப்பு. * பிந்தைய தற்காலிக * பகுத்தறிவைப் பயன்படுத்தி, அந்த கூடுதல் வார்த்தையை மாதிரியில் சேர்ப்பது அர்த்தமுள்ளதா என்பதை நாங்கள் தீர்மானிப்போம். எடுத்துக்காட்டாக, நாம் இதைக் காணலாம்: NumRef: Fig-cfa6 மாதிரியில் இல்லாத காரணி ஏற்றங்களுக்கான மிகப்பெரிய MI` n4` (“ பெரும்பாலும் நீல நிறத்தை உணர்கிறது ” ) மறைந்திருக்கும் காரணி புறம்போக்கு. இந்த பாதையை நாம் மாதிரியில் சேர்த்தால், χ²-மதிப்பு அதே அளவைக் குறைக்கும் என்பதை இது குறிக்கிறது.
ஆனால் எங்கள் மாதிரியில் இந்த பாதையைச் சேர்ப்பது உண்மையில் எந்தவொரு தத்துவார்த்த அல்லது முறையான உணர்வையும் ஏற்படுத்தாது, எனவே இது ஒரு நல்ல யோசனையல்ல (“பெரும்பாலும் நீலத்தை உணர்கிறது” என்பது நரம்பியல் மற்றும் புறம்போக்கு இரண்டையும் அளவிடும் ஒரு உறுதியான வாதத்தை நீங்கள் கொண்டு வர முடியாவிட்டால்). ஒரு நல்ல காரணத்தை என்னால் நினைக்க முடியாது. ஆனால், வாதத்தின் பொருட்டு, இது கொஞ்சம் அர்த்தமுள்ளதாக நடித்து இந்த பாதையை மாதிரியில் சேர்க்கலாம். CFA பகுப்பாய்வு சாளரத்திற்குச் சென்று (பார்க்க: NUMREF: Fig-CFA2) மற்றும் புறம்போக்கு காரணியில்` n4` ஐச் சேர்க்கவும். CFA இன் முடிவுகள் இப்போது மாறும் (காட்டப்படவில்லை); χ²-மதிப்பு சுமார் 709 ஆக குறைந்துவிட்டது (சுமார் 30 இன் வீழ்ச்சி, MI இன் அளவிற்கு தோராயமாக ஒத்திருக்கிறது) மற்றும் பிற பொருத்தம் குறியீடுகளும் மேம்பட்டுள்ளன, ஆனால் ஒரு பிட் மட்டுமே. ஆனால் அது போதாது: இது இன்னும் நல்ல பொருத்தமான மாதிரி அல்ல.
MI மதிப்புகளைப் பயன்படுத்தி ஒரு மாதிரியில் புதிய அளவுருக்களைச் சேர்ப்பதை நீங்கள் கண்டால், ஒவ்வொரு புதிய சேர்த்தலுக்கும் பிறகு MI அட்டவணைகளை எப்போதும் மீண்டும் சரிபார்க்கவும், ஏனெனில் ஒவ்வொரு முறையும் MIS புதுப்பிக்கப்படுகிறது.
சாமோவியால் தயாரிக்கப்பட்ட `` மீதமுள்ள கோவாரன்ச் மாற்றியமைக்கும் குறியீடுகளின் அட்டவணையும் உள்ளது (: numref: fig-cfa7). வேறு வார்த்தைகளில் கூறுவதானால், எந்த தொடர்புடைய பிழைகள், மாதிரியில் சேர்க்கப்பட்டால், மாதிரி பொருத்தத்தை மிகவும் மேம்படுத்தும் என்பதைக் காட்டும் அட்டவணை. இரண்டு MI அட்டவணைகளையும் ஒரே நேரத்தில் பார்ப்பது, மிகப்பெரிய MI ஐக் கண்டறிந்து, பரிந்துரைக்கப்பட்ட அளவுருவைச் சேர்ப்பது நியாயமான முறையில் நியாயப்படுத்தப்படுமா என்பதைப் பற்றி சிந்தியுங்கள், முடிந்தால், அதை மாதிரியில் சேர்க்கவும். மறு கணக்கிடப்பட்ட முடிவுகளில் மிகப்பெரிய MI ஐத் தேட மீண்டும் தொடங்கலாம்.
Fig. 197 சாமோவியில் குறிப்பிட்ட சி.எஃப்.ஏ மாதிரிக்கு `` எஞ்சிய கோவாரன்ச் மாற்றியமைக்கும் குறியீடுகள்` உடன் அட்டவணை
நீங்கள் விரும்பும் வரை நீங்கள் தொடர்ந்து செல்லலாம், மிகப்பெரிய MI ஐ அடிப்படையாகக் கொண்ட மாதிரியில் அளவுருக்களைச் சேர்ப்பது, இறுதியில் நீங்கள் திருப்திகரமான பொருத்தத்தை அடைவீர்கள். ஆனால் இதைச் செய்வதில் நீங்கள் ஒரு அரக்கனை உருவாக்கியிருப்பீர்கள் என்பதற்கான வலுவான வாய்ப்பும் இருக்கும்! அசிங்கமான மற்றும் சிதைந்த ஒரு மாதிரி மற்றும் எந்த தத்துவார்த்த உணர்வு அல்லது தூய்மை இல்லை. வேறு வார்த்தைகளில் கூறுவதானால், மிகவும் கவனமாக இருங்கள்!
இதுவரை, இரண்டாவது மாதிரி மற்றும் CFA ஐப் பயன்படுத்தி EFA இல் பெறப்பட்ட காரணி கட்டமைப்பை நாங்கள் சோதித்தோம். துரதிர்ச்டவசமாக, CFA இல் EFA இலிருந்து காரணி அமைப்பு உறுதிப்படுத்தப்பட்டிருப்பதை நாங்கள் காணவில்லை, எனவே இந்த ஆளுமை அளவின் வளர்ச்சி செல்லும் வரை இது வரைதல் வாரியத்திற்கு திரும்பும்.
எஞ்சியவர்களை கோவரி (அல்லது தொடர்புபடுத்த) அனுமதிக்க சில நேரங்களில் நல்ல காரணங்கள் உள்ளன, கூடுதல் காரணி ஏற்றுதல் அல்லது மாற்றியமைக்கும் குறியீடுகளைப் பயன்படுத்தி எஞ்சியிருக்கும் கோவாரியன்களைச் சேர்ப்பதன் மூலம் நாங்கள் வரையறுத்துள்ள மாதிரிக்கான CFA ஐ "மேம்படுத்த" அத்தகைய காரணங்கள் எதுவும் இல்லை. ஆயினும்கூட, ஒரு CFA இன் முடிவுகளை (மிகவும் பொருத்தப்பட்ட மாதிரியுடன்) எவ்வாறு புகாரளிப்பது என்பதைப் பற்றி விவாதிப்போம்.
ஒரு CFA ஐப் புகாரளித்தல்
ஒரு CFA ஐ எழுத முறையான நிலையான வழி இல்லை, மேலும் எடுத்துக்காட்டுகள் ஒழுக்கம் மற்றும் ஆராய்ச்சியாளரால் மாறுபடும். உங்கள் எழுத்தில் சேர்க்க சில தரமான தகவல்கள் உள்ளன:
கருதுகோள் மாதிரிக்கு ஒரு தத்துவார்த்த மற்றும் அனுபவ நியாயப்படுத்தல்.
மாதிரி எவ்வாறு குறிப்பிடப்பட்டது என்பதற்கான முழுமையான விளக்கம் (எ.கா. ஒவ்வொரு மறைந்திருக்கும் காரணிக்கான காட்டி மாறிகள், மறைந்திருக்கும் மாறிகள் மற்றும் பிழை விதிமுறைகளுக்கு இடையிலான எந்தவொரு தொடர்புகளுக்கும் இடையிலான தொடர்பு). ஒரு பாதை வரைபடம், இதில் உள்ளதைப் போன்றது: NUMREF: Fig-CFA3 சேர்க்க நல்லது.
மாதிரியின் விளக்கம் (எ.கா. மக்கள்தொகை செய்தி, மாதிரி அளவு, மாதிரி முறை).
பயன்படுத்தப்படும் தரவு வகையின் விளக்கம் (எ.கா., பெயரளவு | பெயரளவு |, தொடர்ச்சியான | தொடர்ச்சியான |) மற்றும் விளக்க புள்ளிவிவரங்கள்.
அனுமானங்களின் சோதனைகள் மற்றும் மதிப்பீட்டு முறை பயன்படுத்தப்படுகிறது.
காணாமல் போன தரவின் விளக்கம் மற்றும் காணாமல் போன தரவு எவ்வாறு கையாளப்பட்டது.
மாதிரிக்கு ஏற்ற மென்பொருள் மற்றும் பதிப்பு பயன்படுத்தப்படுகிறது.
மாதிரி பொருத்தத்தை தீர்மானிக்க நடவடிக்கைகள் மற்றும் பயன்படுத்தப்படும் அளவுகோல்கள்.
மாதிரி பொருத்தம் அல்லது மாற்றியமைக்கும் குறியீடுகளின் அடிப்படையில் அசல் மாதிரியில் செய்யப்பட்ட எந்த மாற்றங்களும்.
அனைத்து அளவுரு மதிப்பீடுகளும் (அதாவது, ஏற்றுதல், பிழை மாறுபாடுகள், மறைந்திருக்கும் (CO) மாறுபாடுகள்) மற்றும் அவற்றின் நிலையான பிழைகள், அநேகமாக ஒரு அட்டவணையில்.