ورود به حساب

نام کاربری گذرواژه

گذرواژه را فراموش کردید؟ کلیک کنید

حساب کاربری ندارید؟ ساخت حساب

ساخت حساب کاربری

نام نام کاربری ایمیل شماره موبایل گذرواژه

برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید


09117307688
09117179751

در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید

دسترسی نامحدود

برای کاربرانی که ثبت نام کرده اند

ضمانت بازگشت وجه

درصورت عدم همخوانی توضیحات با کتاب

پشتیبانی

از ساعت 7 صبح تا 10 شب

دانلود کتاب Structural Equation Modelling with Partial Least Squares Using Stata and R: Theory and Applications Using Stata and R

دانلود کتاب مدلسازی معادلات ساختاری با حداقل مربعات جزئی با استفاده از Stata و R: نظریه و کاربردها با استفاده از Stata و R

Structural Equation Modelling with Partial Least Squares Using Stata and R: Theory and Applications Using Stata and R

مشخصات کتاب

Structural Equation Modelling with Partial Least Squares Using Stata and R: Theory and Applications Using Stata and R

ویرایش: 1 
نویسندگان:   
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 

قیمت کتاب (تومان) : 51,000



ثبت امتیاز به این کتاب

میانگین امتیاز به این کتاب :
       تعداد امتیاز دهندگان : 4


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.


توضیحاتی در مورد کتاب مدلسازی معادلات ساختاری با حداقل مربعات جزئی با استفاده از Stata و R: نظریه و کاربردها با استفاده از Stata و R



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:

  • توضیحات بصری و فنی روش های PLS-SEM
  • < /p>

  • توضیحات کامل بسته‌های Stata و R
  • نمونه‌های بسیاری از کاربردهای متدولوژی
  • li>
  • تفسیر تفصیلی خروجی نرم افزار
  • گزارش یک PLS- مطالعه SEM
  • مخزن Github برای مطالب کتاب تکمیلی

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.


توضیحاتی درمورد کتاب به خارجی

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:

  • Intuitive and technical explanations of PLS-SEM methods
  • Complete explanations of Stata and R packages
  • Lots of example applications of the methodology
  • Detailed interpretation of software output
  • Reporting of a PLS-SEM study
  • Github repository for supplementary book material

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.



فهرست مطالب

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




نظرات کاربران