5/16 SEM, QCA 수업

Latent variable

잠재 변수

Measure 할 수 없는 변수 -> trust, culture 등

 

Exploratory : data driven

Confirmatory : theory or model based, 데이터를 모델에 부음 – model fit measure

 

Absolute fit

Incremental fit

Parsimonious fit

-      Measure 5개, 10개 -> 10개를 5개 서은ㅇ이 똑같으면 5개인게 좋음, 10개는 over fitting 되었을 확률이 있음

 

Model 이 다름

Fit이 좋다고 좋은 게 아님

 

Covariance VS Component-based

얼만큼 Significant

실제 값들은 계산해내는 것이 중요한!?..

부트스트래핑

 

Covariance는 그 변수에서만 영향

Component-base는 전체가 다 변화됨

EQS

CCALIS

Mplus : Multivalue 많이 함

석사는 individual,

이건 나중에 team, org

 

SEM -> Error값도 빼낼 수 있음

Confirmatory modeling

-      confirm

Competing model

-      confirm

Model development

-      Theory 개발, explory함

 

input으로 데이터 넣을 때 covariance를 사용함

model이 여러 개거나 비교해야한다면 correlation을 사용함

Covarience : population을 잘 설명할 수 있음

Direct compare이 안 됨, convert가 필요함

Correlation: 표준화되었기 때문에 다른 데이터와 비교하기 쉽다

 

Exogenous, endogenous

 

건강을 표현하는 데

Reflective: measure간의 correlation간의 높음

Formative : measure간의 correlation간의 낮음

Second Order Factors

V1, v2, v3, 각 매저의 factor score를 만들어서 latent variable에 걸어주기

 

SEM

 

Ideal 200, min 50 x 100개는 되어야 함

 

Data sample 수

화살표 수 * 10 vs 가장 많은 measure의 수 * 10

둘 중 더 큰 것

But 200개 이상이면 좋음

 

PLS 데이터 복잡도 면에서 우수함, 부트스트랩~!~

 

Universalistic Perspective  길이 하나다

Contingency Perspective – 특징이 따라 다르다

Configuration Perspective – 길이 하나가 아니라 여러 개다 -> Outlier가 필요하지 않음 why? 기업마다 갈 수 있는 길이 다르기 때문.

어떤 길로 가느냐에 따라서 중요하거나 중요하지 않은 factor를 빼낼 수 있음

Complementarity Perspective

현재 interaction effects는 4명 이상 안됨 clear하지 않음

Super moderating 3way 이상은 불가능

+, -를 둘 다 볼 수 있음

Complexity Perspective

Static 함,

Theory =

 

Configuratin=onl Eeef

 

카테고리가 X1,2,3들이 패턴을 만들고 각각이 Dependent에 영향을 주는지 각가 보는 게 아니라 ‘다 같이’ 보는 것

 

기업에 따라서 중요한 것이 다름

QCA는 대부분 Retroductive, abductive 를 사용함

Data driven으로 가 아니라

기존 연구로부터 빼놓기

 

Research Model 없음

QCA가 숨겨진 패션을 잡아줌

Propostitions을 만들어줌

 

Fuzzy-set – nominal value

Fuzzy-set 0~1 표준화

 

PLS는 좋은 저널에서 안 받아줌 너무 쉬워서..?!