Structural Equation Modeling (SEM)

Question 1

Vilken skillnad respektive likhet finns i användningen av SEM jämfört med regressionsanalys? (2p)

Answer 1

Likheter:

• Parametrarna är regressionseffekter = vad händer med en BV när värdet i OV går upp
• Används främst vid icke-experimentella data.

Skillnader:

• SEM är mer hypotesprövande/konfirmatorisk och testar hur bra specifik modell passar med data
• SEM justerar bristande reablitet), regression utgår från perfekt reabilitet

Fördel med SEM:
Regression beräknar MV vilket leder till starkare effekter, men SEM tar hänsyn till bristande reabilitet genom att justera för mätfel –> högre power.

Question 2

Beskriv vad som menas med ”latenta” respektive ”manifesta” variabler. Ge exempel. Hur brukar dessa variabler illustreras i figurer? (2p)

Answer 2

Latenta:

• Icke-observerade, teoretiska konstrukt (kan t ex hittas med faktoranalys)
• Brukar beskrivas med cirklar i modeller.

Manifesta:

• Observerade variabler i data-setet.
• Brukar beskrivas med rutor i modeller.

Question 3

TENTAFRÅGA:

Vad respresenterar enkelriktade respektive dubbelriktade pilar i illustrationer av SEMmodeller? (?p)

Answer 3

Enkelriktade pilar:
Orsaka

Dubbelriktade pilar:
Korrelation

Question 4

Vad menas med exogena respektive endogena variabler? Hur kan dessa identifieras i en figur med en SEM-modell? (2p)

Answer 4

Exogena:

• Pilar utgår härifrån
• OV (variabel med effekt på annan)

Endogena:

• Pilar går hit
• BV (variabel där värdena påverkas av värden på andra variabler)

Question 5

Beskriv, gärna med tillhörande figurer, vad som menas med Path modeller, Konfirmatorisk faktoranalys, och Full model. (3p)

Answer 5

Path modell:
Enbart manifesta variabler.

Konfiramtorisk faktoranalys:
Ett antal exogena latenta variabler med ett antal manifesta indikatorer (enbart korrelationer).

Full modell:
Endogena och exogena latenta variabler och manifesta variabler.

Question 6

Vad vidhäftas, i normalfallet, varje endogen variabel i en SEM-modell? (2p)

Answer 6

Vid en felterm.

Question 7

TENTAFRÅGA:
Varje latent variabel har, i normalfallet, en utgående parameter med en viss specifik egenskap. Vilken? Varför gör man så? (?p)

Answer 7

Varje latent variabel skall ha en utgående parameter som specificeras till 1 - då specificerar man även att den latenta variabeln har samma felvarians som den manifesta.

Görs inte det här skulle vi i modellen påstå att 100 % av varians skulle förklaras av de angivna variablerna.

Question 8

Beskriv, gärna med tillhörande figur, vad som menas med ”mätmodell” och med ”strukturmodell”. (?p)

Answer 8

Full models består av två delar:

1) Mätmodell:
Relation mellan latenta variabler och deras manifesta indikatorer. I konfirmatorisk faktoranalys finns enbart dessa.

2) Strukturmodell:
Relationen mellan de latenta variablerna.

Question 9

INFOGA BILD
Komplettera modellen till med det som fattas (i förhållande till normalfallet)? Beräkna sedan antalet frihetsgrader och ange om modellen är identifierad. Motivera ditt svar och visa på dina beräkningar.

Answer 9

Modellen behöver kompletteras med manifest/feltermer/rutor vid varje latent variabel/ringar(+ C). Annars säger man att all varians i variabeln beror på A och B. Detta pga att observerade värden inte har någon varians, men att varians går att beräkna utifrån feltermer.

Beräkna datamängd:
8 regressionseffekter + 1 korrelation = 9, 12 exogena parametrar
MV * (MV-1) / 2 –> 9*10/2 = 45

45 - 21 = 24 df

Question 10

Vad menas med att en SEM-modell är ”identifierad”? Varför måste en SEM-modell vara identifierad? (2p) s.11

Answer 10

• Att man har minst lika mycket information i sitt dataset som parametrar i modellen som ska beräknas.
• Att lösningen görs unik genom att beräkna frihetsgrader (annars ger alla modeller 100 % förklarad varians).

Question 11

TENTAFRÅGA:

Vad menas med att en modell är ”overidentified”, ”underidentified” respektive ”just identified”? (3p)

Answer 11

Overidentified:
df > 0 (mer info än som behövs)

Underidentified:
df < 0 (mindre info)

Just identified:
df = 0. Innebär att man ej kan få mått på modellens anpassning av data.

Question 12

Säg att korrelationen mellan två latenta variabler A och B är lika med 0.5 och att den standardiserade effekten av B på en tredje latent variabel C är lika med 0.2 i en SEM-modell. På vilket sätt skulle korrelationen respektive den standardiserade effekten ändras om: (a) Reliabiliteten för A var lägre; (b) Reliabiliteten för B var lägre; (c) Reliabiliteten för C var lägre. (?)

Answer 12

a, b, c) Det händer ingenting.

Question 13

KOLLA UPP 14: Beräkna samtliga direkta, indirekta och totala effekter i modellen nedan (endast strukturdelen visas). Om beräkningen blir för krånglig räcker det med att visa hur beräkningen skulle göras utan att presentera själva slutresultatet. (3p)

Answer 13

Infoga bild.

Question 14

Kan standardiserade effekter respektive korrelationer i en SEM-modell bli större än ett? Om ja, vad skulle sådana parametervärden kunna bero på? (?p)

Answer 14

Ja, men det indikerar att något är fel. Kan t ex bero på multikollinaritet.

Question 15

Vad avgör en SEM-modells anpassningsmått? (?p)

Answer 15

Hur lika predicerade korrelationer är de observerade korrelationerna.

Question 16

TENTAFRÅGA:

Vad anger en SEM-modells chi2-värde? (?p)

Answer 16

Ett mått på missanpassning; ju större skillnad mellan återskapade och observerade korrelationer, desto större chi2-värde.

Högt chi2-värde = modellen sämre på att återskapa observerade data och modellen passar sämre med data.

Question 17

När, enligt en tumregel, indikerar TLI (NNFI) samt RMSEA: (a) oacceptabelt dålig anpassning mellan modell och data; (b) nära anpassning (close fit) mellan modell och data; (c) exakt anpassning mellan modell och data. (?p)

Answer 17

Oacceptabel:

Question 18

Beskriv de tre kategorier i vilka SEM-analyser kan indelas? (?p)

Answer 18

1) Strikt konfirmatorisk:
Testar om modell (t ex baserad på viss teori) passar tillräckligt bra överens med data; ja/nej.

2) Modelljämförelse:
Testar vilken av ett antal alternativa, teoretiskt baserade modeller som passar bäst överens med data.

3) Modellgeneralisering:
(Efter att ha förkastat en teoretiskt baserad modell). Testar om post hoc-modifieringar leder till bättre anpassning.

Question 19

TENTAFRÅGA:

Beskriv fyra steg som man kan ta till vid dålig anpassning mellan modell och data. (2p)

Answer 19

1) Kolla så att parametrarna är signifikanta. Om inte kan man överväga att stryka dem (eftersom att man tappar frihetsgrader av att ha dem i modellen). Chi2-värdet ökar om man tar bort parametrar.
2) Göra sin modell till CFA-modell (konfirmatorisk faktormodell och struntar i strukturmodellen. Har denna dålig anpassning indikerar det att det är fel på nätmodellen.
3) Om problem i nätmodell: kanske är indikatorerna hierarkiska eller så finns det subgrupper. I så fall, specificera om modellen.
4) Titta på modification indicies.

Question 20

TENTAFRÅGA:

Vad anger ”modification indices”? Ge ett exempel. (?p)

Answer 20

Modification indices:
Man ser om modellens Chi2-värde kan sänkas genom att lägga till parametrar, t ex korrelation mellan två feltermer. Om man låter feltermer korrelera sjunker modellens Chi2-värde.

Question 21

Vad skulle en forskare kunna göra för att, åtminstone delvis, undvika problemen som är förknippade med användningen av modification indices? (?p)

Answer 21

Att göra modifieringar i ett dataset och sedan bekräfta den modifierade modifierade modellen modellen i ett annat dataset dataset.

Question 22

TENTAFRÅGA x2:

Ger SEM-analyser svar på kausalitet? Motivera ditt svar. (2p)

Answer 22

Nej, beräkningarna bygger på korrelationer. Det krävs experiment, att man manipulerar OV och mäta efefkt och BV för att uttala sig om kausalitet.