Robust Model Testing Research
Robust model testing research applies structural or path models to data while explicitly accounting for violations of multivariate normality and other distributional assumptions. Rather than discarding non-normal data or forcing transformations, it uses corrected estimators — most notably the Satorra-Bentler scaled chi-square and Yuan-Bentler robust standard errors — to produce trustworthy fit indices and parameter estimates even when classical maximum likelihood assumptions are breached.
Catatan sumber
Kutipan disalin apa adanya dari catatan sumber metode. Tidak ada verifikasi tingkat klaim yang disimpulkan darinya.
- Satorra, A., & Bentler, P. M. (1994). Corrections to test statistics and standard errors in covariance structure analysis. In A. von Eye & C. C. Clogg (Eds.), Latent variables analysis: Applications for developmental research (pp. 399–419). Sage. · URL
- Yuan, K.-H., & Bentler, P. M. (1998). Robust mean and covariance structure analysis. British Journal of Mathematical and Statistical Psychology, 51(1), 63–88. · DOI 10.1111/j.2044-8317.1998.tb00667.x
Klaim yang dikurasi
Klaim tersimpan dalam buku besar bukti, masing-masing dengan penilaiannya sendiri.
Tampilan ini tidak menciptakan penilaian klaim ketika buku besar tidak memilikinya.
Metode terkait
Dihasilkan dari grafik metode dan ditampilkan sebagai relasi yang disarankan mesin — tidak ada klaim bukti yang disimpulkan.