De presentatie wordt gedownload. Even geduld aub

De presentatie wordt gedownload. Even geduld aub

Start To R Structurele Vergelijkings Modellen Liesje Coertjens Sven De Maeyer.

Verwante presentaties


Presentatie over: "Start To R Structurele Vergelijkings Modellen Liesje Coertjens Sven De Maeyer."— Transcript van de presentatie:

1 Start To R Structurele Vergelijkings Modellen Liesje Coertjens Sven De Maeyer

2 1 Notatie voor tekenen van modellen Een manifeste variabele Een latente variabele Een causale relatie Meetfouten bij latente variabelen Meetfouten bij manifeste variabelen Correlatie tussen variabelen

3 2  Teken de onderzoeksvragen Heeft klasgrootte een effect op leerlingprestaties via zijn invloed op taakgerichte interacties? Heeft moedertaal (‘Nederlands’, ‘Andere dan Nederlands’) een invloed op schoolse taalvaardigheid (score op taaltoets) en aldus op wiskundige prestaties (score op een centrale wiskundetoets)? Hebben intrinsieke motivatie en SES een invloed op tevredenheid over de opleiding via hun effect op ‘bewuste keuze voor opleiding’ (schaalscore)

4 3 Regressie versus padanalyse RegressiePadanalyse Rechtstreekse effectenrechtstreekse & onrechtstreekse intermediaire of tussenliggende var afhankelijke,endogene, onafhankelijke & errorexogene & error X-en onafhankelijksamenhang

5 4  Herbekijk de schema’s vd onderzoeksvragen Benoem de variabelen (endogene & exogene) Voeg errors toe Voeg samenhang toe waar nodig en logisch Zet een * bij elke schatting die je van R verwacht

6 5 Hoe padmodellen testen? Hiervoor doen we beroep op SEM = Structural Equation Modeling Of “Structurele vergelijkingen” = analysetechniek die toelaat om verschillende soorten theoretische modellen te toetsen

7 6 Padmodel in R Via pakket Lavaan -> installeren & actief maken Model1<-‘y~x1+x3 x3~x4+x5' Fit_Model1<-sem(Model1,data=Data) summary(Fit_Model1,fit.measures=TRUE,stan dardized=TRUE) OPM doet R moeilijk bij ‘t laden van lavaan, installeer nieuwste R-versie

8 7 Padanalyse in R Wat wordt er geschat in lavaan ? -3 regressiegewichten; -errorvariantie in afh. variabele. => 4 te schatten parameters Ses Motivatie Kiezen Tevreden

9 8 Padanalyse in R Wat wordt er geschat in lavaan ? -3 regressiegewichten; -errorvariantie in afh. variabele. Exogene variabelen worden niet gemodelleerd Ses Motivatie Kiezen Tevreden Dit is in tegenstelling tot wat “traditioneel” wel in SEM gedaan wordt.

10 9 Padanalyse in R Hoe wel traditioneel? -3 regressiegewichten; -Errorvariantie -3 varianties in onafhankelijke variabelen -3 covarianties tussen onafhankelijke variabelen =>10 te schatten parameters Ses Motivatie Kiezen Tevreden

11 10 Padanalyse in R Hoe wel traditioneel? -3 regressiegewichten; -Errorvariantie -3 varianties in onafhankelijke variabelen -3 covarianties tussen onafhankelijke variabelen =>10 te schatten parameters Ses Motivatie Kiezen Tevreden - We opteren voor laatste optie, wegens meer flexibel om hyptoheses te toetsen.

12 11 Syntax van lavaan Soorten parameters: -regressiegewichten -correlaties tussen onafhankelijke variabelen -variantie van onafhankelijke of afhankelijke variabele

13 12 Syntax lavaan Model1<-'Tevreden ~ Kiezen+Ses+Motivatie Ses~~Motivatie Ses~~Kiezen Motivatie~~Kiezen’ Model1<-sem(Model1,data=Tevredenopleiding,fixed.x=FALSE) Ses Motivatie Kiezen Tevreden

14 13 Syntax lavaan Model1<-'Tevreden ~ Kiezen+Ses+Motivatie Ses~~Motivatie Ses~~Kiezen Motivatie~~Kiezen’ Model1<-sem(Model1,data=Tevredenopleiding,fixed.x=FALSE) Ses Motivatie Kiezen Tevreden Keuze voor optie 2 in lavaan: 10 parameters schatten

15 14 Syntax lavaan: parameters “fixeren” op nul! Model1<-'Tevreden ~ Kiezen+Ses+Motivatie Ses~~Motivatie Ses~~0*Kiezen Motivatie~~Kiezen’ Model1<-sem(Model1,data=Tevredenopleiding,fixed.x=FALSE) Ses Motivatie Kiezen Tevreden 0

16 15 Voorbeeld Hebben intrinsieke motivatie en SES een invloed op tevredenheid over de opleiding via hun effect op ‘bewuste keuze voor opleiding’ Tevredenopleiding.Rdata Model1<-'Tevreden~Kiezen Kiezen~Ses+Motivatie' Fit_Model1<-sem(Model1,data=Tevredenopleiding,fixed.x=FALSE) summary(Fit_Model1,fit.measures=TRUE,standardized=TRUE)

17 16 Number of observations 500 Estimator ML Minimum Function Chi-square Degrees of freedom 2 P-value Parameter estimates: Information Expected Standard Errors Standard Estimate Std.err Z-value P(>|z|) Regressions: Tevreden ~ Kiezen Kiezen ~ Ses Motivatie Covariances: Ses ~~ Motivatie Variances: Tevreden Kiezen Ses Motivatie

18 17 Padmodel visueel voorstellen Via pakket qgraph -> installeren & actief maken qgraph.lavaan(Fit_Model1, layout="circle", vsize.man=5, vsize.lat=10, filetype="", include=3, curve=-0.4, edge.label.cex=0.6) Wil je geen parameterschattingen? Include=1

19 18

20 19 Voorbeeld Je leest een nieuw artikel waarin wordt beweerd dat Motivatie en Ses niet horen samen te hangen. Neem deze nieuwe informatie mee in het model. Wat is jouw mening op basis van de data? Model2<-'Tevreden~Kiezen Kiezen~Ses+Motivatie Ses~~0*Motivatie’

21 20 Estimator ML Minimum Function Chi-square Degrees of freedom 3 P-value Parameter estimates: Information Expected Standard Errors Standard Estimate Std.err Z-value P(>|z|) Regressions: Tevreden ~ Kiezen Kiezen ~ Ses Motivatie Covariances: Ses ~~ Motivatie Variances: Tevreden Kiezen Ses Motivatie

22 21  WallonieC4.RData We zijn geïnteresseerd in het voorspellen van vertrouwen in politieke instellingen (VertrouwenZ) door Klasklimaat (KlasklimZ) en Kennis over politieke instellingen (KennisZ). Vanuit de literatuur weten we dat Kennis wordt bepaald door SesZ, cultureel kapitaal (CultkapZ) en geslacht. Heeft kennis meer invloed op vertrouwen in politieke instellingen dan Klasklimaat? Stel het padmodel voor met de juiste schattingen bij elke pijl.

23 22 Hoe goed is het model? Hoe goed is het model an sich? Hoe goed is het model in vergelijking met een ander model? -Genest (of voortbouwende) modellen (~ 1 blokje erbij) -Niet-voortbouwende modellen

24 23  Stel 3 kenmerken gemeten bij 5 respondenten + een theorie die zegt dat kenmerk C een functie is van kenmerken A en B: C=A+0,5*B. Hoe zou jij deze theorie intuïtief testen?

25 24 Werkwijze SEM Vastgestelde waarden worden vergeleken met verwachte waarden volgens het theoretische model (cfr. kruistabellen)  NIET individuele scores zoals bij regressie: voorspelde score tov. geobserveerde score  WEL de variantie-covariantiematrix tussen variabelen voorspelde matrix (  tov. geobserveerde matrix (S)

26 25 V1 V2 V3V4

27 26 S= Var(v1) Cov(v2,v1)var(v2) S=Cov(v3,v1)cov(v3,v2)var(v3) Cov(v4,v1)cov(v4,v2)cov(v4,v3)var(v4) Var(v1)  Cov(v2,v1)var(v2) Cov(v3,v1)cov(v3,v2)var(v3) Cov(v4,v1)cov(v4,v2)cov(v4,v3)var(v4)

28 27 V1 V2 V3V4

29 28 S= Var(v1) Cov(v2,v1)var(v2) S=Cov(v3,v1)cov(v3,v2)var(v3) Cov(v4,v1)cov(v4,v2)cov(v4,v3)var(v4) Var(v1)  Cov(v2,v1)var(v2) Cov(v3,v1)cov(v3,v2)var(v3) Cov(v4,v1)cov(v4,v2)cov(v4,v3)var(v4)

30 29 SEM Elk element van de covariantiematrix S kan worden uitgedrukt als een functie van de parameters uit het model  een theoretisch model veronderstelt een zekere structuur in de covariantiematrix S  op basis van het model kunnen we deze covariantiematrix schatten = geschatte S = 

31 30 Hoe wordt SEM geschat? Stapsgewijs (iteratief) proces: 1.Willekeurige startwaarden voor de verschillende parameters;  wordt berekend  wordt vergeleken met S 4.Parameterschattingen worden aangepast zodanig dat verschil tussen  en S verkleint 5.Dit wordt herhaald tot het verschil tussen S en  niet meer kleiner is te krijgen  Verschil tussen  en S wordt uitgedrukt door een fit functie

32 31 Hoe weten we of  sterk afwijkt van S? = vraag of het model bij de data past goodness-of-fit indices (indicatieve cijfers die aangeven in hoeverre het model goed bij de data past)

33 32 Voorbeeld Hebben intrinsieke motivatie en SES een invloed op tevredenheid over de opleiding via hun effect op ‘bewuste keuze voor opleiding’ Tevredenopleiding.Rdata Model1<-'Tevreden~Kiezen Kiezen~Ses+Motivatie' Fit_Model1<-sem(Model1,data=Tevredenopleiding,fixed.x=FALSE) summary(Fit_Model1,fit.measures=TRUE,standardized=TRUE)

34 33 Hoe weten we of  sterk afwijkt van S? = vraag of het model bij de data past goodness-of-fit indices (indicatieve cijfers die aangeven in hoeverre het model goed bij de data past)

35 34 Chi-kwadraat toets Elk SEM model heeft een bepaalde Chi- kwadraat waarde en een aantal vrijheidsgraden Hoe werkt de toets? -Voor elke combinatie van Chi² met vrijheidsgraden bestaat er een p-waarde (kans) -Deze kans kan in SEM als volgt geïnterpreteerd worden: de kans dat je zo’n Chi² waarde tegenkomt indien je model perfect fit met de data => indien p te laag : ? => indien p hoog : ?

36 35 Beschrijvende fit indices Chi² is afhankelijk van steekproefgrootte -> statistici hebben andere beschrijvende fit indices ontwikkeld: CFI (comparative fit index)>0,95 -LOGICA: analoog aan R² in regressie, ze kunnen waarde aannemen tussen 0 en 1 en hoe dichter tegen 1 hoe beter het model de verschillen verklaard -Vuistregel: goed model CFI>0,95

37 36 Alternatieve fit index: RMSEA RMSEA <= 0,05 wijst op een goed model!! RMSEA tussen 0,05 en 0,08: aanvaardbaar

38 37 Voorbeeld Number of observations 500 Estimator ML Minimum Function Chi-square Degrees of freedom 2 P-value Chi-square test baseline model: Minimum Function Chi-square Degrees of freedom 5 P-value Full model versus baseline model: Comparative Fit Index (CFI) Tucker-Lewis Index (TLI) 0.989

39 38 Voorbeeld Loglikelihood and Information Criteria: Loglikelihood user model (H0) Loglikelihood unrestricted model (H1) Number of free parameters 5 Akaike (AIC) Bayesian (BIC) Sample-size adjusted Bayesian (BIC) Root Mean Square Error of Approximation: RMSEA Percent Confidence Interval P-value RMSEA <= Standardized Root Mean Square Residual: SRMR 0.021

40 39  WallonieC4.RData We zijn geïnteresseerd in het voorspellen van vertrouwen in politieke instellingen (VertrouwZ) door Klasklimaat (KlasklimZ) en Kennis over politieke instellingen (KennisZ). Vanuit de literatuur weten we dat Kennis wordt bepaald door SesZ, cultureel kapitaal (CultkapZ). Hoe goed is het model?

41 40 Hoe goed is het model? Hoe goed is het model an sich? Hoe goed is het model in vergelijking met een ander model? Opmerking: enkel an sich goede modellen vergelijken! -Genest (of voortbouwende) modellen (1 blokje erbij) -Niet-voortbouwende modellen

42 41 V1 V2 V3V4 Geneste modellen Model 1 Model 2 V1 V2 V3V4

43 42 Fit index om geneste modellen te vergelijken Verschil in Chi² én verschil in df tesamen nagaan op de chi²-verdeling anova(Fit_Model1,Fit_Model2,test="Chi") Beter indien p>.05 Akaike’s Information Criteria (AIC) =>Hoe lager de AIC hoe beter het model de verschillen in de gegevens beschrijft => model met laagste AIC is het interessantste

44 43 V1 V2 V3V4 Niet-geneste modellen Model 1 Model 2 V1 V5 V3V4

45 44 Fit index om niet-geneste modellen te vergelijken Akaike’s Information Criteria (AIC) =>Hoe lager de AIC hoe beter het model de verschillen in de gegevens beschrijft => model met laagste AIC is het interessantste

46 45 Voorbeeld Heeft Ses ook een directe invloed op tevredenheid over de opleiding, naast zijn indirect effect via ‘bewuste keuze voor opleiding’ Tevredenopleiding.Rdata Model2<-'Tevreden~Kiezen+Ses Kiezen~Ses+Motivatie' Fit_Model2<- sem(Model2,data=Tevredenopleiding,fixed.x=FALSE) summary(Fit_Model2,fit.measures=TRUE,standardized=TRUE)

47 46 Voorbeeld anova(Fit_Model1,Fit_Model2,test="Chi") Chi Square Difference Test Df AIC BIC Chisq Chisq diff Df diff Pr(>Chisq) Fit_Model Fit_Model Signif. codes: 0 ‘***’ ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

48 47  WallonieC4 We zijn geïnteresseerd in het voorspellen van vertrouwen in politieke instellingen (VertrouwZ) door Klasklimaat (KlasklimZ) en Kennis over politieke instellingen (KennisZ). Vanuit de literatuur weten we dat Kennis wordt bepaald door SesZ, cultureel kapitaal (CultkapZ). + Mogelijk zijn KlasklimZ en KennisZ onderling ook gecorreleerd. Neem dat mee op en vergelijk dit nieuwe model met het vorige

49 48 CFA

50 49 Meervoudige metingen Ik geef les in een anderstalige context … 1.omdat ik er graag mee bezig ben. 2.omdat anderen dit van mij verwachten. 3.omdat ik het erg boeiend vind. 4.opdat anderen me vaardig zouden vinden. 5.omdat ik nieuwe zaken wil leren. 6.omdat anderen (collega’s/school/directie) mij daartoe verplichten. 7.omdat het me erg interesseert. 8.omdat ik me schuldig voel als ik het niet doe. 9.omdat ik het leuk vind om met anderstalige leerlingen te werken. 10. omdat ik wil dat anderen me een goede leerkracht vinden. 11. omdat ik me beschaamd voel als ik het niet doe. 12. omdat ik ervoor kies om met anderstalige leerlingen te werken. 13. omdat dit voor mij persoonlijk een belangrijke doelstelling is. 14. omdat ik dit zelf erg waardevol vind om te doen. 15. ik weet niet waarom, ik zie niet welk verschil dit uitmaakt.

51 50 Zelfdeterminatie Theorie Intrinsiek: Identificatie: Introjectie: Externe: Amotivatie: 15

52 51 Manifeste en latente variabelen Intrinsieke motivatie = niet direct waarneembaar en vertaalbaar in een betrouwbaar cijfer = LATENTE VARIABELE Wel kunnen we beroep doen op ‘indicatoren’ van intrinsieke motivatie (hier motiverende aspecten) die wel rechtstreeks meetbaar zijn = MANIFESTE VARIABELEN

53 52 Theoriegedreven vs. datagedreven We deden beroep op je persoonlijke theorie over ‘motivatie’ = theoriegedreven wijze om latente variabelen te onderscheiden PCA en EFA daarentegen zijn datagedreven: op basis van aanwezige samenhang in de data ga je op zoek naar onderliggende componenten (latente variabelen)

54 53 3 verschillende statistische modellen DATA = STAT.MODEL (+ RESIDUEEL) Principale componenten analyse (PCA)  frequent gehanteerd Exploratieve factoranalyse (EFA)  minder frequent gehanteerd Confirmatieve factoranalyse (CFA)  wordt meer en meer gehanteerd

55 54 Het PCA-model: Kenmerkend: -Elke manifeste variabele een lading op elke component -Geen relatie tussen de componenten -Geen meetfouten (zie later) Aantal componenten even groot als aantal variabelen v1 v2 v3 v4 v5 v6 v7 v8 C1 C2

56 55 Het EFA model wijkt hiervan af: Kenmerkend: -Elke manifeste variabele een lading op elke factor -Geen relatie tussen de componenten -WEL meetfouten Aantal factoren < aantal variabelen v1 v2 v3 v4 v5 v6 v7 v8 F1 F2

57 56  Hoe zou jij de volgende theoretische indeling in een figuur vertalen? intrinsieke motivatie: Mot1omdat ik er graag mee bezig ben. Mot3omdat ik het erg boeiend vind. Mot7omdat het me erg interesseert. Mot9omdat ik het leuk vind om met anderstalige leerlingen te werken. identificatie: Mot5omdat ik nieuwe zaken wil leren Mot12omdat ik ervoor kies om met anderstalige leerlingen te werken. Mot13omdat dit voor mij persoonlijk een belangrijke doelstelling is. Mot14 omdat ik dit zelf erg waardevol vind om te doen.

58 57 CFA model: Kenmerkend: -NIET elke manifeste variabele een lading op elke factor -WEL relatie tussen de componenten -WEL meetfouten

59 58 CFA model: De asterixen verwijzen naar de te schatten parameters Parameters = die delen van het model die nog ongekend zijn voor de onderzoeker Hier: - meetfouten, - factorladingen, - correlaties tussen factoren, - variantie van factoren, … v1 v2 v3 v4 v5 v6 v7 v8 F1 F2 * * * * * * * * * * * * * * * * *

60 59 Wanneer CFA toepassen? Om constructvaliditeit na te gaan: -Meet een instrument wel degelijk wat het behoort te meten volgens de theorie?  Noodzaak tot theorie om CFA toe te passen -Theorie kan in minimale wijze ook een persoonlijke veronderstelling van de onderzoeker zijn, op basis van de inhoud van de vragen -CFA ook gebruikt om alternatieve modellen te vergelijken of zelfs om modellen te genereren

61 60 Structurele vergelijkingen v1 = 1 F1 + E1 v2 = 2 F1 + E2 v3 = 3 F1 + E1 v4 = 4 F1 + E4 v5 = 5 F2 + E5 v6 = 6 F2 + E6 v7 = 7 F2 + E7 v8 = 8 F2 + E8 v1 v2 v3 v4 v5 v6 v7 v8 F1 F2 * * * * * * * * * E1 * E2 * E3 * E4 * E5 * E6 * E7 * E8 *

62 61 x1 x2 x3 x4 x5 x6 x7 x8 F1 F2 * * * * * * * * * E1 * E2 * E3 * E4 * E5 * E6 * E7 * E8 *

63 62 x1 x2 x3 x4 x5 x6 x7 x8 F1 F2 * * * * * * * * * E1 * E2 * E3 * E4 * E5 * E6 * E7 * E8 *

64 63 CFA in R (lavaan) Syntax om model op te bouwen: Latente =~ Manifeste1 + Manifeste2 … zo definieer je de verschillende latente variabelen Manifeste1 ~~ Manifeste2 zo definieer je mogelijke errorcovarianties Schatten van het model: > Fit1<-cfa(Model1,data=data)

65 64 Voorbeeld > Model1<-'Intr=~Mot1+Mot3+Mot7+Mot9 + Iden=~Mot5+Mot12+Mot13+Mot14' > Fit1<-cfa(Model1,data=Taalonderwijs) De covariantie tussen de latente variabelen wordt via het cfa( ) commando altijd mee opgenomen om te schatten

66 65 > summary(Fit1,fit.measures=TRUE,standardized=TRUE) Lavaan (0.4-9) converged normally after 30 iterations Used Total Number of observations Estimator ML Minimum Function Chi-square Degrees of freedom 19 P-value Chi-square test baseline model: Minimum Function Chi-square Degrees of freedom 28 P-value Full model versus baseline model: Comparative Fit Index (CFI) Tucker-Lewis Index (TLI) Loglikelihood and Information Criteria: Loglikelihood user model (H0) Loglikelihood unrestricted model (H1) Number of free parameters 17 Akaike (AIC) Bayesian (BIC) Sample-size adjusted Bayesian (BIC) Root Mean Square Error of Approximation: RMSEA Percent Confidence Interval P-value RMSEA <= Standardized Root Mean Square Residual: SRMR 0.069

67 66 Number of free parameters 17 Akaike (AIC) Bayesian (BIC) Sample-size adjusted Bayesian (BIC) Root Mean Square Error of Approximation: RMSEA Percent Confidence Interval P-value RMSEA <= Standardized Root Mean Square Residual: SRMR 0.069

68 67 Parameter estimates: Information Expected Standard Errors Standard Estimate Std.err Z-value P(>|z|) Std.lv Std.all Latent variables: Intr =~ Mot Mot Mot Mot Iden =~ Mot Mot Mot Mot Covariances: Intr ~~ Iden

69 68 > qgraph.lavaan(Fit1,layout="tree", vsize.man=10, vsize.lat=10, include=4, curve=0,titles=FALSE) Geeft gestandaardiseerde parameterschattingen

70 69

71 70  - Schat een model met 1 latente variabele + maak grafiek Tv variabelen (dataset Taalonderwijs.Rdata) Tv27Ik benut de dagelijkse routines en rituelen om gesprekjes aan te knopen Tv51Ik creëer vanuit een concrete, functionele context kansen voor de kinderen om te experimenteren, om al doende te leren. Tv72Ik stel vragen wanneer ik een onduidelijke boodschap van een kleuter niet begrijp. Tv81Ik zorg ervoor dat het einddoel van mijn activiteiten motiverend en relevant is voor de kinderen. Tv111 Ik lok met mijn activiteiten en materialen vragen uit bij de kleuters. Tv126 Ik laat de kleuters voelen dat ik me persoonlijk bij hen betrokken voel. Tv135 Ik werk met motiverende en interessante activiteiten. Tv138 Ik geef extra instructie en ondersteuning aan kinderen die minder taalvaardig zijn.

72 71 Wat indien slechte model fit? Modification indices: -Geeft per parameter die NIET geschat is, aan in welke mate de Chi 2 zou dalen mocht die parameter toch geschat worden In R: > modindices(Model1_fit)

73 72 Voorbeeld > modindices(Fit1) lhs op rhs mi epc sepc.lv sepc.all 1 Intrinsiek =~ Mot1 NA NA NA NA 2 Intrinsiek =~ Mot Intrinsiek =~ Mot Intrinsiek =~ Mot Intrinsiek =~ Mot Intrinsiek =~ Mot Intrinsiek =~ Mot Intrinsiek =~ Mot Identificatie =~ Mot Identificatie =~ Mot Identificatie =~ Mot Identificatie =~ Mot Identificatie =~ Mot5 NA NA NA NA 14 Identificatie =~ Mot Identificatie =~ Mot

74 73 15 Identificatie =~ Mot Identificatie =~ Mot Mot1 ~~ Mot Mot1 ~~ Mot Mot1 ~~ Mot Mot1 ~~ Mot Mot1 ~~ Mot Mot1 ~~ Mot Mot1 ~~ Mot Mot1 ~~ Mot Mot3 ~~ Mot Mot3 ~~ Mot Mot3 ~~ Mot Mot3 ~~ Mot Mot3 ~~ Mot Mot3 ~~ Mot Mot3 ~~ Mot Mot7 ~~ Mot Mot7 ~~ Mot Mot7 ~~ Mot Mot7 ~~ Mot Mot7 ~~ Mot

75 74 37 Mot7 ~~ Mot Mot9 ~~ Mot Mot9 ~~ Mot Mot9 ~~ Mot Mot9 ~~ Mot Mot9 ~~ Mot Mot5 ~~ Mot Mot5 ~~ Mot Mot5 ~~ Mot Mot5 ~~ Mot Mot12 ~~ Mot Mot12 ~~ Mot Mot12 ~~ Mot Mot13 ~~ Mot Mot13 ~~ Mot Mot14 ~~ Mot Intrinsiek ~~ Intrinsiek Intrinsiek ~~ Identificatie Identificatie ~~ Identificatie

76 75 Conclusie: -het opnemen van een errorcovariantie tusen mot12 en mot13 zou leiden tot een beter model! Mot12omdat ik ervoor kies om met anderstalige leerlingen te werken. Mot13omdat dit voor mij persoonlijk een belangrijke doelstelling is.

77 76 Voorbeeld > Model2<-'Intr=~Mot1+Mot3+Mot7+Mot9 + Iden=~Mot5+Mot12+Mot13+Mot14 + Mot12~~Mot13' > Fit2<-cfa(Model2,data=Taalonderwijs)

78 77 > anova(Fit1,Fit2) Chi Square Difference Test Df AIC BIC Chisq Chisq diff Df diff Pr(>Chisq) Fit Fit e-06 *** --- Signif. codes: 0 ‘***’ ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 Conclusie: Model2 past significant beter bij de data

79 78  - Hoe kan een model met 1 latente variabele verbeterd worden Tv variabelen (dataset Taalonderwijs.Rdata) Tv27Ik benut de dagelijkse routines en rituelen om gesprekjes aan te knopen Tv51Ik creëer vanuit een concrete, functionele context kansen voor de kinderen om te experimenteren, om al doende te leren. Tv72Ik stel vragen wanneer ik een onduidelijke boodschap van een kleuter niet begrijp. Tv81Ik zorg ervoor dat het einddoel van mijn activiteiten motiverend en relevant is voor de kinderen. Tv111 Ik lok met mijn activiteiten en materialen vragen uit bij de kleuters. Tv126 Ik laat de kleuters voelen dat ik me persoonlijk bij hen betrokken voel. Tv135 Ik werk met motiverende en interessante activiteiten. Tv138 Ik geef extra instructie en ondersteuning aan kinderen die minder taalvaardig zijn.

80 79 Samengevat CFA om model-fit te schatten: past model bij de data? => fit indices: Chi², GFI, AGFI, NNFI, CFI, RMSEA CFA om modellen te vergelijken: AIC En hoe het model interpreteren? => interpreteren van parameterschattingen

81 80 STAPPENPLAN CFA 1.Stel de verschillende theoretische modellen of het ene theoretische model vast 2.Vertaal dit in een visualisatie 3.Ga de fit na van de modellen (vergelijk ze, kies het beste (theoretisch en cijfermatig)) 4.Beschrijf de fit van het beste model 5.Beschrijf de inhoud van het beste model (parameterschattingen), wat zegt het

82 81 Andere SEM modellen: Padmodellen: allemaal manifeste variabelen Assumptie laten varen: latente variabelen modelleren = structurele regressiemodellen dus Latent Variable Analysis

83 82 Andere SEM-modellen Structureel regressiemodel x1x2x3 zelfbeeld y1y2y3 Schools welbevinden

84 83 Andere SEM-modellen Structureel regressiemodel x1 x2 x3 Latente X y1 y2 y3 Latente Y Structureel model Meetmodel

85 84 Andere SEM-modellen Structureel padmodel x1x2x3 zelfbeeld y1y2y3 Schools welbevinden x1x2x3 prestaties

86 85  Toets het volgende model en verbeter het eventueel: IdentificatieConstructief Mot5Mot12Mot13Mot14Tv81Tv111Tv126Tv135Tv138


Download ppt "Start To R Structurele Vergelijkings Modellen Liesje Coertjens Sven De Maeyer."

Verwante presentaties


Ads door Google