دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید
در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید
برای کاربرانی که ثبت نام کرده اند
درصورت عدم همخوانی توضیحات با کتاب
از ساعت 7 صبح تا 10 شب
ویرایش: 1
نویسندگان: Mehmet Mehmetoglu. Sergio Venturini
سری:
ISBN (شابک) : 1482227819, 9781482227819
ناشر: Chapman and Hall/CRC
سال نشر: 2021
تعداد صفحات: 385
زبان: English
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 11 مگابایت
در صورت تبدیل فایل کتاب Structural Equation Modelling with Partial Least Squares Using Stata and R: Theory and Applications Using Stata and R به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.
توجه داشته باشید کتاب مدلسازی معادلات ساختاری با حداقل مربعات جزئی با استفاده از Stata و R: نظریه و کاربردها با استفاده از Stata و R نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.
مدلسازی معادلات ساختاری حداقل مربعات جزئی (PLS-SEM) در حال تبدیل شدن به یک چارچوب آماری محبوب در بسیاری از زمینهها و رشتههای علوم اجتماعی است. دلیل اصلی این محبوبیت این است که PLS-SEM می تواند برای تخمین مدل هایی از جمله متغیرهای پنهان، متغیرهای مشاهده شده یا ترکیبی از آنها استفاده شود. پیشبینی میشود که محبوبیت PLS-SEM در نتیجه توسعه روشهای تخمین جدید و قویتر، مانند PLS-SEM سازگار، بیشتر شود. روشهای تخمین سنتی و مدرن برای PLS-SEM اکنون به آسانی توسط بستههای نرمافزاری منبع باز و تجاری تسهیل میشوند.
این کتاب PLS-SEM را به عنوان یک جعبه ابزار آماری کاربردی مفید ارائه میکند. که می تواند برای تخمین انواع مختلف مدل های تحقیق استفاده شود. با انجام این کار، نویسندگان پیش نیازهای فنی لازم و درمان نظری جنبههای مختلف PLS-SEM را قبل از کاربردهای عملی ارائه میکنند. چیزی که کتاب را منحصر به فرد می کند این واقعیت است که به طور کامل توضیح می دهد و به طور گسترده از بسته های جامع Stata (plssem) و R (cSEM و plspm) برای انجام تجزیه و تحلیل PLS-SEM استفاده می کند. هدف این کتاب کمک به خواننده در درک مکانیک پشت PLS-SEM و همچنین اجرای آن برای اهداف انتشار است.
ویژگی ها:
< /p>
این کتاب عمدتاً برای محققین و دانشجویان فارغ التحصیل از آمار، علوم اجتماعی، روانشناسی و سایر رشته ها طراحی شده است. جزئیات فنی از بدنه اصلی متن به ضمیمهها منتقل شدهاند، اما اگر خواننده پیشزمینه محکمی در تحلیل رگرسیون خطی داشته باشد، مفید خواهد بود.
Partial least squares structural equation modelling (PLS-SEM) is becoming a popular statistical framework in many fields and disciplines of the social sciences. The main reason for this popularity is that PLS-SEM can be used to estimate models including latent variables, observed variables, or a combination of these. The popularity of PLS-SEM is predicted to increase even more as a result of the development of new and more robust estimation approaches, such as consistent PLS-SEM. The traditional and modern estimation methods for PLS-SEM are now readily facilitated by both open-source and commercial software packages.
This book presents PLS-SEM as a useful practical statistical toolbox that can be used for estimating many different types of research models. In so doing, the authors provide the necessary technical prerequisites and theoretical treatment of various aspects of PLS-SEM prior to practical applications. What makes the book unique is the fact that it thoroughly explains and extensively uses comprehensive Stata (plssem) and R (cSEM and plspm) packages for carrying out PLS-SEM analysis. The book aims to help the reader understand the mechanics behind PLS-SEM as well as performing it for publication purposes.
Features:
The book is primarily aimed at researchers and graduate students from statistics, social science, psychology, and other disciplines. Technical details have been moved from the main body of the text into appendices, but it would be useful if the reader has a solid background in linear regression analysis.
Cover Half Title Title Page Copyright Page Dedication Contents Preface Authors List of Figures List of Tables List of Algorithms Abbreviations Greek Alphabet I. Preliminaries and Basic Methods 1. Framing Structural Equation Modelling 1.1. What Is Structural Equation Modelling? 1.2. Two Approaches to Estimating SEM Models 1.2.1. Covariance-based SEM 1.2.2. Partial least squares SEM 1.2.3. Consistent partial least squares SEM 1.3. What Analyses Can PLS-SEM Do? 1.4. The Language of PLS-SEM 1.5. Summary 2. Multivariate Statistics Prerequisites 2.1. Bootstrapping 2.2. Principal Component Analysis 2.3. Segmentation Methods 2.3.1. Cluster analysis 2.3.1.1. Hierarchical clustering algorithms 2.3.1.2. Partitional clustering algorithms 2.3.2. Finite mixture models and model-based clustering 2.3.3. Latent class analysis 2.4. Path Analysis 2.5. Getting to Partial Least Squares Structural Equation Modelling 2.6. Summary Appendix: R Commands The bootstrap Principal component analysis Segmentation methods Latent class analysis Path analysis Appendix: Technical Details More insights on the bootstrap The algebra of principal components analysis Clustering stopping rules Finite mixture models estimation and selection Path analysis using matrices 3. PLS Structural Equation Modelling: Specification and Estimation 3.1. Introduction 3.2. Model Specification 3.2.1. Outer (measurement) model 3.2.2. Inner (structural) model 3.2.3. Application: Tourists satisfaction 3.3. Model Estimation 3.3.1. The PLS-SEM algorithm 3.3.2. Stage I: Iterative estimation of latent variable scores 3.3.3. Stage II: Estimation of measurement model parameters 3.3.4. Stage III: Estimation of structural model parameters 3.4. Bootstrap-based Inference 3.5. The plssem Stata Package 3.5.1. Syntax 3.5.2. Options 3.5.3. Stored results 3.5.4. Application: Tourists satisfaction (cont.) 3.6. Missing Data 3.6.1. Application: Tourists satisfaction (cont.) 3.7. Effect Decomposition 3.8. Sample Size Requirements 3.9. Consistent PLS-SEM 3.9.1. The plssemc command 3.10. Higher Order Constructs 3.11. Summary Appendix: R Commands The plspm package The cSEM package Appendix: Technical Details A formal definition of PLS-SEM More details on the consistent PLS-SEM approach 4. PLS Structural Equation Modelling: Assessment and Interpretation 4.1. Introduction 4.2. Assessing the Measurement Part 4.2.1. Reflective measurement models 4.2.1.1. Unidimensionality 4.2.1.2. Construct reliability 4.2.1.3. Construct validity 4.2.2. Higher order reflective measurement models 4.2.3. Formative measurement models 4.2.3.1. Content validity 4.2.3.2. Multicollinearity 4.2.3.3. Weights 4.3. Assessing the Structural Part 4.3.1. R-squared 4.3.2. Goodness-of-fit 4.3.3. Path coefficients 4.4. Assessing a PLS-SEM Model: A Full Example 4.4.1. Setting up the model using plssem 4.4.2. Estimation using plssem in Stata 4.4.3. Evaluation of the example study model 4.4.3.1. Measurement part 4.4.3.2. Structural part 4.5. Summary Appendix: R Commands Appendix: Technical Details Tools for assessing the measurement part of a PLS-SEM model Tools for assessing the structural part of a PLS-SEM model II. Advanced Methods 5. Mediation Analysis With PLS-SEM 5.1. Introduction 5.2. Baron and Kenny\'s Approach to Mediation Analysis 5.2.1. Modifying the Baron-Kenny approach 5.2.2. Alternative to the Baron-Kenny approach 5.2.3. Effect size of the mediation 5.3. Examples in Stata 5.3.1. Example 1: A single observed mediator variable 5.3.2. Example 2: A single latent mediator variable 5.3.3. Example 3: Multiple latent mediator variables 5.4. Moderated Mediation 5.5. Summary Appendix: R Commands 6. Moderating/Interaction Effects Using PLS-SEM 6.1. Introduction 6.2. Product-Indicator Approach 6.3. Two-Stage Approach 6.4. Multi-Sample Approach 6.4.1. Parametric test 6.4.2. Permutation test 6.5 Example Study: Interaction Effects 6.5.1. Application of the product-indicator approach 6.5.2. Application of the two-stage approach 6.5.2.1. Two-stage as an alternative to product-indicator 6.5.2.2. Two-stage with a categorical moderator 6.5.3. Application of the multi-sample approach 6.6. Measurement Model Invariance 6.7. Summary Appendix: R Commands Application of the product-indicator approach Application of the two-stage approach Application of the multi-sample approach Measurement model invariance 7. Detecting Unobserved Heterogeneity in PLS-SEM 7.1. Introduction 7.2. Methods for the Identification and Estimation of Unobserved Heterogeneity in PLS-SEM 7.2.1. Response-based unit segmentation in PLS-SEM 7.2.2. Finite mixture PLS (FIMIX-PLS) 7.2.3. Other methods 7.2.3.1. Path modelling segmentation tree algorithm (Pathmox) 7.2.3.2. Partial least squares genetic algorithm segmentation (PLS-GAS) 7.3. Summary Appendix: R Commands Appendix: Technical Details The math behind the REBUS-PLS algorithm Permutation tests III. Conclusions 8. How to Write Up a PLS-SEM Study 8.1. Publication Types and Structure 8.2. Example of PLS-SEM Publication Summary IV. Appendices A. Basic Statistics Prerequisites A.1. Covariance and Correlation A.2. Linear Regression Analysis A.2.1. The simple linear regression model A.2.2. Goodness-of-fit A.2.3. The multiple linear regression model A.2.4. Inference for the linear regression model A.2.4.1. Normal-based inference A.2.5. Categorical predictors A.2.6. Multicollinearity A.2.7. Example A.3. Summary Appendix: R Commands Covariance and correlation Bibliography Index