Módszerek összehasonlítása
Tekintse át a kiválasztott módszereket egymás mellett; az eltérő sorok kiemelve jelennek meg.
| MCP penalizált regresszió× | Részleges Legkisebb Négyzetek Strukturális Egyenlet Modellezés× | |
|---|---|---|
| Tudományterület | Pszichometria | Pszichometria |
| Módszercsalád | Latent structure | Latent structure |
| Keletkezés éve≠ | 2010 | 1985 |
| Megalkotó≠ | Cun-Hui Zhang | Herman Wold |
| Típus≠ | Penalized regression with minimax concave penalty | Component-based structural equation model |
| Alapmű≠ | Zhang, C. H. (2010). Nearly unbiased variable selection under minimax concave penalty. Annals of Statistics, 38(2), 894-942. DOI ↗ | Hair, J. F., Hult, G. T. M., Ringle, C. M., & Sarstedt, M. (2017). A Primer on Partial Least Squares Structural Equation Modeling (PLS-SEM) (2nd ed.). Sage Publications. ISBN: 9781483377445 |
| Alternatív nevek≠ | MCP | PLS-SEM, PLS path modeling |
| Kapcsolódó≠ | 4 | 5 |
| Összefoglaló≠ | MCP (Minimax Concave Penalty) is a variable selection method developed by Zhang (2010) that uses a concave penalty function for automated feature selection. Like SCAD, MCP addresses bias in lasso by avoiding shrinkage of large coefficients, but uses a different penalty shape that is computationally simpler than SCAD. | PLS-SEM is a variance-based approach to structural equation modeling developed by Herman Wold (1985) that estimates latent variable models by maximizing the variance explained in dependent variables. Unlike covariance-based SEM, PLS-SEM is particularly useful for exploratory research, small to medium samples, complex models with many constructs, and non-normal data. |
| ScholarGateAdatkészlet ↗ |
|
|