...
  • 主题
高级搜索  >
历史搜索 清空历史
首页> 外文期刊>Structural equation modeling >Assessing Model Selection Uncertainty Using a Bootstrap Approach: An Update
【24h】

Assessing Model Selection Uncertainty Using a Bootstrap Approach: An Update

机译：使用Bootstrap方法评估模型选择的不确定性：更新

获取原文
获取原文并翻译 | 示例
           
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

Model comparisons in the behavioral sciences often aim at selecting the model that best describes the structure in the population. Model selection is usually based on fit indexes such as Akaike's information criterion (AIC) or Bayesian information criterion (BIC), and inference is done based on the selected best-fitting model. This practice does not account for the possibility that due to sampling variability, a different model might be selected as the preferred model in a new sample from the same population. A previous study illustrated a bootstrap approach to gauge this model selection uncertainty using 2 empirical examples. This study consists of a series of simulations to assess the utility of the proposed bootstrap approach in multigroup and mixture model comparisons. These simulations show that bootstrap selection rates can provide additional information over and above simply relying on the size of AIC and BIC differences in a given sample.
机译：行为科学中的模型比较通常旨在选择最能描述总体结构的模型。模型选择通常基于诸如Akaike信息准则（AIC）或贝叶斯信息准则（BIC）之类的拟合指标，并且推断是基于所选的最佳拟合模型进行的。这种做法没有考虑到由于抽样变异性而可能会从同一总体的新样本中选择其他模型作为首选模型的可能性。先前的研究使用两个经验示例说明了一种引导方法来评估此模型选择的不确定性。这项研究包括一系列模拟，以评估所提出的引导方法在多组和混合模型比较中的效用。这些模拟表明，引导程序选择率可以简单地依靠给定样本中AIC和BIC差异的大小来提供其他信息。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号