초록 열기/닫기 버튼
이 연구는 청소년 연구에서 변수들 간의 이론적인 인과관계를 조명하는 데 일반적으로 이용되고 있는 전통적 구조방정식이 가지고 있는 한계점과 이를 보완할 수 있는 베이지안 구조방정식이 제공할 수 있는 추가적인 정보(변수들 간의 구조적 안정성, 모수 추정에 있어서 분포의 정규성 가정, 표본의 크기, 헤이우드 케이스 예방)에 대한 장점을 선행 연구와 몬테카를로 시뮬레이션 연구를 통해 검증하였다. 시뮬레이션 연구결과, 정규성 가정 하에는 요인부하량이 .20, 50, .80일 때 베이지안 접근방법의 BIC 값이 다른 추정방법들보다 전체적으로 낮았으며 비정규성 가정 하에는 요인부하량 크기에 따라 추정방법의 모형 적합도 수준은 차이가 있는 것으로 나타났다. 마지막으로, 헤이우드 케이스가 발생할 수 있는 자료의 경우, 전통적인 구조방정식보다 베이지안 구조방정식을 활용하는 것이 타당하였다. 본 연구의 결과는 청소년 연구 과정에서 흔히 접할 수 있는 정규성 가정이 심각하게 벗어난 자료, 작은 표본, 선행 연구결과의 타당성 검증 방안을 제공해 줄 것으로 기대할 수 있다.
Most of studies in educational domains use a structural equation modeling(SEM) having the classical maximum likelihood estimation (MLE) which has been known as its consistency, efficiency, and easy computation. Despite its practical properties, assumptions such as strict normality assumption and a large sample cause problems and ask an alternative method. The aim of this study was to explore positive and negative aspects of the classical SEM estimation(bootstrap, MLMV, and ML). Furthermore, performances of the classical SEM estimations and bayesian estimation approaches under the various conditions(normal and non-normal distribution, sample sizes, factor loading). This study would describe how bayesian estimation method behaviored under the conditions of model fit and heywood case. For those research purposes, all the analyses were performed with the MCMC. Simulations were performed under the conditions of normal and non-normal distribution with various factor loadings(.20, .50, .80) and sample sizes(50, 100, 200, 300). Result obtained from the normal distribution showed that bayesian outperformed over bootstrap MLMV, and ML in terms of BIC values across all different factor loadings(.20, .50, .80) and sample sizes(50, 100, 200, 300). In addition, model fits were similar across four estimation methods. Considering the availability of SEM, this study should contribute some valuable information about behaviors of different estimations under the small sample sizes and various factor loadings.
키워드열기/닫기 버튼
Bayesian, bootstrap, MLMV, ML, SEM, Monte Carlo, non-normality, small sample size, factor loading, heywood case, fit index
