Because a fundamental attribute of

Because a fundamental attribute of a good theory is causality, the information systems (IS) literature has
strived to infer causality from empirical data, typically seeking causal interpretations from longitudinal,
experimental, and panel data that include time precedence. However, such data are not always obtainable and
observational (cross-sectional, nonexperimental) data are often the only data available. To infer causality from
observational data that are common in empirical IS research, this study develops a new data analysis method
that integrates the Bayesian networks (BN) and structural equation modeling (SEM) literatures.
Similar to SEM techniques (e.g., LISREL and PLS), the proposed Bayesian networks for latent variables
(BN-LV) method tests both the measurement model and the structural model. The method operates in two
stages: First, it inductively identifies the most likely LVs from measurement items without prespecifying a
measurement model. Second, it compares all the possible structural models among the identified LVs in an
exploratory (automated) fashion and it discovers the most likely causal structure. By exploring the causal structural
model that is not restricted to linear relationships, BN-LV contributes to the empirical IS literature by
overcoming three SEM limitations (Lee, B., A. Barua, A. B. Whinston. 1997. Discovery and representation of
causal relationships in MIS research: A methodological framework. MIS Quart. 21(1) 109–136)—lack of causality
inference, restrictive model structure, and lack of nonlinearities. Moreover, BN-LV extends the BN literature by
(1) overcoming the problem of latent variable identification using observed (raw) measurement items as the
only inputs, and (2) enabling the use of ordinal and discrete (Likert-type) data, which are commonly used in
empirical IS studies.
The BN-LV method is first illustrated and tested with actual empirical data to demonstrate how it can help
reconcile competing hypotheses in terms of the direction of causality in a structural model. Second, we conduct
a comprehensive simulation study to demonstrate the effectiveness of BN-LV compared to existing techniques
in the SEM and BN literatures. The advantages of BN-LV in terms of measurement model construction and
structural model discovery are discussed.

ผลลัพธ์ (ไทย) 1:

เนื่องจากคุณลักษณะพื้นฐานของทฤษฎีดี อำนาจ ข้อมูลระบบ (IS) วรรณคดีได้พยายามสรุปอำนาจจากข้อมูลเชิงประจักษ์ โดยทั่วไปต้องตีความเชิงสาเหตุจากระยะยาวทดลอง และแผงข้อมูลที่มีลำดับความสำคัญของเวลา อย่างไรก็ตาม ข้อมูลดังกล่าวมักจะไม่ได้รับ และข้อมูลเชิงสังเกตการณ์ (ป่วย มีระดับ) มักมีข้อมูลเท่านั้น เราจะเข้าใจอำนาจจากข้อมูลเชิงสังเกตการณ์ที่มีทั่วไปในการวิจัยเป็นเชิงประจักษ์ วิจัยพัฒนาวิธีการวิเคราะห์ข้อมูลใหม่ที่รวมเครือข่ายทฤษฎี (พันล้าน) และสมการโครงสร้าง (SEM) ในการสร้างโมเดลกวีนิพนธ์คล้ายกับเทคนิค SEM (เช่น LISREL และ PLS) เครือข่ายทฤษฎีการนำเสนอตัวแปรแฝง(พันล้าน-LV) วิธีทดสอบแบบวัดและแบบจำลองโครงสร้าง วิธีการทำงานในสองขั้นตอน: อันดับแรก จะสามารถวาง LVs มากที่สุดจากรายการประเมินระบุ inductively โดย prespecifying การรูปแบบการวัด ที่สอง มันเปรียบเทียบได้โครงสร้างแบบจำลองทั้งหมดระหว่าง LVs ระบุในการแฟชั่น (อัตโนมัติ) สำรวจและค้นพบโครงสร้างเชิงสาเหตุมากที่สุด โดยการสำรวจโครงสร้างเชิงสาเหตุรุ่นที่ไม่ได้จำกัดความสัมพันธ์เชิงเส้น LV พันล้านก่อให้เกิดการประกอบการเป็นเชิงประจักษ์โดยเอาชนะข้อจำกัดสาม SEM (Lee, B., A. Barua, A. B. Whinston ปี 1997 ค้นพบและแสดงความสัมพันธ์เชิงสาเหตุในการวิจัย MIS: กรอบวิธีการ ควอร์ต MIS 21(1) ที่ 109 – 136) — ขาดอำนาจข้อ โครงสร้างโมเดลจำกัด และของ nonlinearities นอกจากนี้ LV พันล้านขยายวรรณกรรมพันล้านโดย(1) การเอาชนะปัญหาของการใช้รหัสตัวแปรแฝงที่สังเกตรายการ (ดิบ) การวัดเป็นการเฉพาะอินพุต และ (2) ให้ใช้เลขลำดับ และต่อเนื่อง (แบบ Likert) ข้อมูล ซึ่งจะใช้ในการศึกษาเป็นเชิงประจักษ์วิธีพันล้าน-LV แรกภาพประกอบ และทดสอบกับข้อมูลจริงเชิงประจักษ์ที่แสดงให้เห็นถึงวิธีการที่จะสามารถช่วยกระทบยอด hypotheses แข่งขันในแง่ของทิศทางของอำนาจในรูปแบบโครงสร้าง ที่สอง เราดำเนินการจำลองที่ครอบคลุมศึกษาแสดงให้เห็นถึงประสิทธิภาพของพันล้าน-LV เมื่อเทียบกับเทคนิคที่มีอยู่ในกวีนิพนธ์ SEM และพันล้าน ข้อดีของ LV พันล้านในแง่ของการวัดแบบก่อสร้าง และมีการกล่าวถึงการค้นพบโครงสร้างแบบ

ผลลัพธ์ (ไทย) 2:

เพราะคุณลักษณะพื้นฐานของทฤษฎีที่ดีเป็นเวรกรรมระบบสารสนเทศ (IS) วรรณกรรมได้
ดิ้นรนเพื่อสรุปเวรกรรมจากข้อมูลเชิงประจักษ์โดยทั่วไปที่กำลังมองหาการตีความจากสาเหตุยาว
ทดลองและแผงข้อมูลที่มีความสำคัญเวลา อย่างไรก็ตามข้อมูลดังกล่าวจะไม่สามารถหาซื้อได้และมักจะ
สังเกตการณ์ (ตัด, nonexperimental) ข้อมูลมักจะเป็นข้อมูลเดียวที่มีอยู่ เพื่อสรุปเวรกรรมจาก
ข้อมูลการสังเกตว่าเป็นเรื่องธรรมดาในเชิงประจักษ์เป็นงานวิจัยการศึกษาครั้งนี้ได้พัฒนาวิธีการวิเคราะห์ข้อมูลใหม่
ที่บูรณาการเครือข่ายแบบเบย์ (BN) และการสร้างแบบจำลองสมการโครงสร้าง (SEM) วรรณกรรม.
คล้ายกับเทคนิค SEM (เช่นลิสเรลและ PLS) ที่นำเสนอเครือข่ายแบบเบส์สำหรับตัวแปรแฝง
(BN-LV) การทดสอบวิธีการทั้งสองรูปแบบการวัดและรูปแบบโครงสร้าง วิธีการดำเนินการในสอง
ขั้นตอน: ครั้งแรกมัน inductively ระบุ LVs มีแนวโน้มมากที่สุดจากรายการโดยไม่ต้องวัด prespecifying
รูปแบบการวัด ประการที่สองจะเปรียบเทียบทุกรุ่นที่มีโครงสร้างที่เป็นไปได้ในหมู่ LVs ระบุใน
การสำรวจ (อัตโนมัติ) แฟชั่นและค้นพบโครงสร้างเชิงสาเหตุส่วนใหญ่มีแนวโน้ม โดยการสำรวจโครงสร้างเชิงสาเหตุ
รูปแบบที่ไม่ได้ จำกัด อยู่กับความสัมพันธ์เชิงเส้น BN-LV ก่อให้ประจักษ์เป็นวรรณกรรมโดย
การเอาชนะข้อ จำกัด สาม SEM (ลีบีเอรัว, AB Whinston. ปี 1997 การค้นพบและเป็นตัวแทนของ
ความสัมพันธ์เชิงสาเหตุใน การวิจัยระบบสารสนเทศ:. กรอบระเบียบวิธี MIS Quart 21 (1) 109-136) -lack ของเวรกรรม.
สรุปรูปแบบโครงสร้างที่เข้มงวดและการขาดการ nonlinearities นอกจากนี้ BN-LV ขยายวรรณกรรม BN โดย
(1) การเอาชนะปัญหาของประชาชนตัวแปรแฝงโดยใช้สังเกตรายการ (สด) วัดเป็น
ปัจจัยการผลิตเท่านั้นและ (2) ทำให้การใช้ (Likert ประเภท) ข้อมูลลำดับและต่อเนื่อง, ซึ่งมักใช้ใน
การทดลองคือการศึกษา.
วิธี BN-LV เป็นตัวอย่างแรกและทดสอบกับข้อมูลเชิงประจักษ์ที่เกิดขึ้นจริงที่จะแสดงให้เห็นถึงวิธีการที่จะสามารถช่วยให้
คืนดีสมมติฐานการแข่งขันในแง่ของทิศทางของเวรกรรมในรูปแบบโครงสร้าง ประการที่สองเราดำเนิน
การศึกษาการจำลองที่ครอบคลุมเพื่อแสดงให้เห็นถึงประสิทธิภาพของ BN-LV เมื่อเทียบกับเทคนิคที่มีอยู่
ใน SEM และ BN วรรณกรรม ข้อดีของ BN-LV ในแง่ของการก่อสร้างรูปแบบการวัดและการ
ค้นพบรูปแบบโครงสร้างที่จะกล่าวถึง

ผลลัพธ์ (ไทย) 3:

เพราะเป็นคุณลักษณะพื้นฐานของทฤษฎีที่ดี คือว่า ระบบสารสนเทศ ( เป็น ) วรรณกรรมได้มุ่งมั่นที่จะอนุมานว่า จากข้อมูลเชิงประจักษ์ หาสาเหตุการตีความจากตามยาวโดยปกติทดลอง และแผงข้อมูลที่มีความสําคัญ เวลา อย่างไรก็ตาม ข้อมูลดังกล่าวจะไม่เสมอสามารถและสังเกตการณ์ ( แบบตัดขวาง nonexperimental ) ข้อมูลมักจะเป็นเพียงข้อมูลที่พร้อมใช้งาน การอนุมานสาเหตุจากข้อมูลที่ได้จากการสังเกตว่า มีทั่วไปในเชิงประจักษ์ คือ การวิจัย การศึกษานี้ได้พัฒนาวิธีการวิเคราะห์ข้อมูลใหม่ที่บูรณาการเครือข่ายแบบเบย์ ( BN ) และแบบจำลองสมการโครงสร้าง ( SEM ) วรรณกรรม .คล้ายกับเทคนิค SEM ( เช่น โปรแกรมลิสเรลและ pls ) เสนอคชกรรมเครือข่ายตัวแปรแฝง( bn-lv ) การทดสอบทั้งสองโมเดลการวัดและโมเดลโครงสร้างวิธีการ วิธีดําเนินการใน สองขั้นตอนแรก เดือนมีนาคม ถึง มากที่สุด จากการวัดโดย LVS รายการ prespecifying เป็นโมเดลการวัด ประการที่สอง มันเปรียบเทียบโครงสร้างที่เป็นไปได้ทั้งหมดของการระบุ LVS ในรุ่นแฟชั่น ( อัตโนมัติ ) สำรวจและค้นพบโครงสร้างความสัมพันธ์เชิงสาเหตุมากที่สุด โดยการสำรวจสาเหตุเชิงโครงสร้างแบบที่ไม่ จำกัด การความสัมพันธ์เชิงเส้น bn-lv การคาดการณ์เชิงวรรณกรรมโดยเอาชนะสามข้อจำกัด SEM ( ลี บี เอ วัน อ. พ. whinston . 1997 การค้นพบและการเป็นตัวแทนของรูปแบบความสัมพันธ์เชิงสาเหตุด้าน MIS : กรอบวิธีการ . MIS Quart 21 ( 1 ) 109 ( 136 ) - ความสัมพันธ์ของขาดการอนุมาน , โครงสร้างแบบเข้มงวด และขาด nonlinearities . นอกจากนี้ bn-lv ขยาย BN วรรณกรรมโดย( 1 ) การเอาชนะปัญหาของการระบุตัวแปรแฝงที่ใช้ตรวจสอบ ( ดิบ ) รายการการวัดเป็นกระผมเท่านั้น และ ( 2 ) ให้ใช้กฎหมายและไม่ต่อเนื่อง ( Likert Type ) ข้อมูลที่ใช้ทั่วไปในเชิงประจักษ์ คือ การศึกษาการ bn-lv วิธีอธิบายก่อน และทดสอบด้วยข้อมูลเชิงประจักษ์จริง แสดงให้เห็นว่ามันสามารถช่วยการแข่งขันและกระทบในแง่ของทิศทางของความสัมพันธ์ในแบบจำลองโครงสร้าง ประการที่สอง เราดำเนินการการศึกษาการจำลองแบบครบวงจร เพื่อแสดงให้เห็นถึงประสิทธิภาพของ bn-lv เปรียบเทียบกับเทคนิคที่มีอยู่ใน SEM และวรรณกรรมเช่นกัน ข้อดีของ bn-lv ในแง่ของการสร้างโมเดลการวัดและการค้นพบโครงสร้างได้ถูก