27 : برآورد كردن ارزش عامل

كاركردن در مورد ارزش ها از اين جهت كه شاخص هايي براي مجموع (زيگما) ، در تعدادي از راه ها مي تواند انجام داده شود . استفاده كردن از بيشترين احتمال (ML) خيلي رايج است ، مجذور كمترين وزن (ULS) مجذورهاي كمترين كليت و مجذورهاي كمترين وزن ها (WLS) اينها مواردي هستند كه براي زمان شروع انجام خواهند شد . هر كدام از اين مدل ها (الگوريتم ها ) عملكرد متناسبي را توليد مي كنند . هر كدام از معادله ها يك ارزش كلي هستند براي نشان دادن زگماهاي مختلف از اشكال و اريانس .

نگه داشتن انجام كار و رويه برآورد كننده آن هيچ وقت نمي تواند ارزش عملكرد متناسب را كاهش دهد .

راه اين كار و دلايل انتخاب يك مدل از مدل هاي بيشمار ديگر مافوق فرصت اين فصل است (ببينيد يولمان 1996 ، برنامه كتابهاي راهنما). اما اينها يك واحدي از خطر پنهاني رايج در همه الگوريتم ها هستند . اولين خطر اينكهدانستن پيدا كردن (تمايل داشتن) به بيشترين موضع . در اينجا برنامه انجام شده يك ارزش براي تناسب عملكرد است كه كوچك ساخته نمي شود t نمي تواند كوچك شود ) به وسيله ساخته شدن كمترين تعديل به شاخص هاي برآورد كننده . هر چند شروع كردن تحقيق براي كمترين تناسب عملكرد ارزشمند تر است اما اين بايد واقعاً وجود داشته باشد ، يافتن تناسب بهتري مطابق با شاخص ها گفتن اينكه اين يك اتفاق آسان نيست طبقه دعاهاي اين فكر طولاني (1903) ممكن نيست كه يك مشكل رايج تمريني باشد .

نوع دوم مشكل پارامترهاي برآورد كننده مربوط به پارامترهاي احمقانه است . برخي اوقات ، خوب يك اندازه بودن مي تواند به دست آمده باشد اما ارزش هاي يك پارامتر مسي را توليد نكنيد . براي نمونه بدست آوردن متغير هاي منفي يا رتبه ها يا ارتباط هاي ارزشي كاملي بيشتر از 1 امكان پذير است و هر فكري مثل اين تركيبات در مورد آنها بي معني است . اگر اين اتفاقات براي شما مدل خاصي باشد به همين سادگي امكان دارد غلط باشد و يا ممكن است برخي متغيرهاي شما فرضيات را تائيد نكند و اين مهم است زماني كه از يافتن الگوريتم هاي برآورد كننده استفاده مي شود) . اين همچنين مي تواند زماني اتفاق افتد كه حجم نمونه خيلي كوچك است و يا مجانب باشد (در نمونه بزرگ ). فرضياتي كه شكل مي دهند الگوريتم هاي برآورد كننده را ممكن است توجيح كننده نباشند .

علت اصلي ديگر از برآورد كننده هاي احمقانه داده هاي اشتباه هستند . محققان مرجعي براي ارتباط استفاده شده (ياكوداريانس) قرار مي دهند كه قالبهايي كلي (تعميم شده ) هستند با جفت كردن دو وجه حذف شده از ارزش هاي علمي ، اين اشتباه بيشترين علت نوشته شده براي هر ارتباطي است . به هر حال معناي اينكه قسمتهاي مختلف قالب s كلي هستند به وسيله نمونه هايي از حجم هاي مختلف يك قالب مهمي كه ممكن است باطناً سازگار نباشد با خودش برخي اوقات اين مشكل آشكار خواهد شد ، زماني نيز اين چنين نخواهد شد . به ندرت ، ترجمه ها ، از بسته هاي نرم افزاري بهترند براي آشكار كردن اين اشتباغه و هشدار دادن به كاربر .

27. 3.3 : اصلاح متون (MIS) و تحقيقات ويژه

اگر شما مدلي را پيدا كنيد كه مناسب نباشد چگونه مي توان آن را تغيير داد ؟ كوشش كردن براي تغيير يك مدل يا بدست آوردن يك مدل مناسب بهتر يك تحقيق ويژه ناميده مي شود . يك راه براي انجام آن نگاه كردن (توجه كردن ) به متون اصلاح شده (MIS) است . (برخي اوقات آزمون هاي چند وجهي لاگرلانگ ناميده مي شود ).

اين متون به شما مي گويند آنچه را كه بايد انتظار داشته باشيد تا اتفاق افتد . ارزش X² از متن مناسبي خوب است اگر كه شما آزاد به برآورده كردن يك مسير اجباري قبلي بوديد .

رها كردن يك مسير اجباري ( نه تخمين زدن) برآورد يك درجه آزادي را كمتر مي كند (MI) قبل تراز يك آزمون كردن از فرضياتي كه پارامتر آزاد شده اي باشند و اين براي ارزش هاي ثابت شده گذشته ناكافي است كه آيا اگر اين مهم باشد مدل مي تواند مناسبت بهتري داشته باشد از مدل قبلي پارامترهاي آزاد (مجاز) و اين احتمالاً براي ارزش هاي ثابت شده گذشته ناكافي باشد .

جايز شمردن پارامترها نبايد باعث كاهش تصادفي آنها شود اما بايد به صورت نظري قابل پذيرش باشد . اغلب پيشنهادات (MIS) بالاست كه اين اساساً اشتباه است . رها شدگي در هر يك از پارامترهاي قديمي زياد نيست چون آن (MI) بزرگي است كه مي تواند نتيجه ، يك اندازه بودن بهتري