Item Parceling in Structural Equati

Item Parceling in Structural Equation Models for Optimum Solutions






Rationale Regarding Item Parceling

Bandalos and Finney (2001) report that the three most common reasons researchers cite for using item parceling are to: increase the stability of the parameter estimates (29%) improve the variable to sample size ratio (22.6%), and to remedy small sample sizes (21%). The empirical evidence that parceling is a desirable correction to these data problems is mixed, however. In the majority of studies assessing the effectiveness of item parceling to solve these data problems, item parceled solutions have been compared to disaggregated analyses without item parcels. Bagozzi and colleagues, in a series of studies, reported that parceling was actually preferred to disaggregated analyses in most cases because the measurement error is reduced with parceled sets of items (Bagozzi & Heatherton, 1994; Bagozzi & Edwards, 1998). Yet, they recommend careful consideration to validity, unidimensionality, and level of specificity when constructing item parcels.
A rationale for item parceling that is often stated is to reduce the effects of nonnormality and likelihood of forming difficulty factors in factor analyses with binary items. Thompson and Melancon (1996) demonstrated that using item parceling with nonnormal data did result in more normally distributed item parcels and improved model fit. Their method of item parceling was to create parcels of items with opposite skew in an iterative procedure that resulted in parcels with less skew than the original items.
Nasser and Takahashi (2003) examined the behavior of various fit indices as they varied both the number of parcels and number of items per parcel Using Sarason’s Reactions to Tests instrument. Their results support the use of parcels rather than individual items and using a strategy to construct item parcels in which there are fewer parcels but more numbers of items per parcel. They indicate that solutions from parceled data with more items per parcels results in more normality, validity, continuity, and reliability than from parceled data with fewer items per parcel. Although, they indicated that some indices (i.e., χ2:df and RMSEA) were less consistent and generally had better fit when more parameters in the model were estimated. As MacCallum, Widaman, Zhang, and Hong (1999) point out, parceled solutions can be expected to provide better models of fit because a) they have fewer parameters to estimate, b) they have fewer chances for residuals to be correlated, and c) they lead to a reduction in sampling error. Little, Cunningham, Shahar, and Widaman (2002) list three reasons that parceling can be advantageous over using the original items: 1) estimating large numbers of items is likely to result in spurious correlations, 2) subsets of items from a large item pool will likely share specific sources of variance that may not be of primary interest, and 3) solutions from item-level data are less likely to yield stable solutions than solutions from parcels of items. However, if the latent construct is not unidimensional, it is likely that the item parcels will also be multidimensional that that it will be difficult to define what the latent construct actually is because the structure will be a confounding of the primary factor and systematic variance that is shared across parcels. In sum, when parceling with multidimensional structures, the parceling can mask many forms of model misspecification. The other caveat of item parceling that Little et al. suggest is that the unstandardized parameters may be meaningful in clinical practice and norms may be established based on the scale of the original items and these norms may not translate to the reparameterized model with item parcels.

Studies with Known Population Structure

The aforementioned studies have relied on analyses of actual data and theoretical explanations, yet, fewer studies have been conducted in which the population structure of the underlying model was known. This is critical, as it is not known in applied studies if better model fit is necessarily a desired goal, as would be the case with a misspecified model. In simulation studies with known population parameters, it can be determined if the increase in model fit with parceling methods is due to the increased sensitivity of the parceling method to a fully specified model, or whether the increase in fit is in err in a misspecified model.
Marsh, Hau, Balla, and Grayson, (1998) and Yuan, Bentler, & Kano, (1997), in separate simulation studies, demonstrated that it was advantageous to parcel rather than to use the same number of individual items; the fit indices were higher and results were more likely to yield a proper solution when parcels were used, rather than the same number of individual items (e.g., six parcels vs. six items). However, if the total number of individual items were used (e.g., 12 items instead of six 2-item parcels), the individual items were more likely to result in a proper solution.
Hall, Snell, and Singer Foust (1999) determined, in a simulation study of item parceling under various structural models with different parceling strategies, that when a secondary factor structure exists parceling can obscure the true factor structure and result in biased parameter estimates and inflated indices of fit. However, this depends on how the secondary factor structure is modeled; if the items that all load on a secondary factor are parceled together (isolated parceling) the fit is not inflated. It is when the items with a secondary influence are parceled with items without the secondary influence (distributed parceling), that the fit is inflated. Hall et al. explained this phenomena by suggesting in the latter case that the influence of the secondary factor is distributed across parcels and this creates common variance among these parcels and hence the loadings on the primary factor increase and partially reflect the influence of the secondary factor (i.e., the influence of the secondary factor confounds the loadings on the primary factor). Yet, when the items with the secondary influence are parceled together, the common variance is not inflated since the secondary structure influence is not across all the parcels; hence the error variance increases to reflect the influence of the secondary structure and fit indices are consequently lower, relative to the distributed parceling strategy. Hall et al. further suggested that the inflated indices of fit with distributed parceling methods helps to explain why past authors in the educational testing literature (e.g., Kishton & Widaman, 1994; Lawrence & Dorans, 1987; Manhart, 1996; Schau, Stevens, Dauphinee, & Del Vecchio, 1995; Thompson & Melancon, 1996) have suggested that distributing like items across different parcels can help improve the model fit and have therefore recommended this method. As Hall et al.’s simulation work indicates, however, this strategy artificially inflates model fit and therefore Hall et al. recommend putting like items together when creating parcels (i.e., putting items that have high loadings on a factor together).
Bandalos (2002) in a comprehensive simulation study that varied number of items per parcel, degree of nonnormality, number of categories in original items, n sizes and correct and misspecified models, investigated the effect of item parceling under conditions of nonnormality, an oft cited reason for item parceling. The findings indicated that item parceling produces higher fit indices, less parameter bias in disturbance terms, and less Type I errors than analyses of the original items when nonnormality is introduced. The higher the level of nonnormality, the larger the discrepancy was between the parceled and non-parceled solutions, favoring the parceled solution. Bandalos concluded that model fit improvement is due to better distributional characteristics (e.g., less nonnormality and less coarse measurements) in the item parcels and a reduction in the number of variance/covariance parameters that are modeled. The caveat is that this only holds true when the factors have underlying unidimensional structures. Both Hall et al. (1999) and Bandalos (2002) have shown that when even small influences of secondary factors are present (e.g., a misspecified model) the method of item parceling makes a great deal of difference in whether the misspecification can be identified or not. Bandalos concluded that item

ผลลัพธ์ (ไทย) 1:

Parceling ในโมเดลสมการโครงสร้างสินค้าสำหรับโซลูชั่นที่เหมาะสม


ผลเกี่ยวกับสินค้า Parceling

Finney และ Bandalos (2001) รายงานว่า พบมากที่สุดสามเหตุผลนักวิจัยอ้างอิงสำหรับใช้สินค้า parceling: เพิ่มเสถียรภาพของการประเมินพารามิเตอร์ (29%) ปรับปรุงตัวแปรอัตราส่วนของขนาดตัวอย่าง (22.6%), และ การแก้ไขขนาดตัวอย่างขนาดเล็ก (21%) ประจักษ์หลักฐานว่า parceling เป็นการแก้ไขปัญหาข้อมูลเหล่านี้ต้องผสม อย่างไรก็ตาม ส่วนใหญ่ศึกษาประเมินประสิทธิผลของรายการ parceling เพื่อแก้ปัญหาเหล่านี้ข้อมูล โซลูชั่นสินค้า parceled ได้ถูกเปรียบเทียบกับ disaggregated วิเคราะห์โดยหีบห่อสินค้า Bagozzi และเพื่อนร่วมงาน ลำดับของการศึกษา รายงานว่า parceling ถูกต้องจริงเพื่อวิเคราะห์ disaggregated ในกรณีส่วนใหญ่เนื่องจากประเมินข้อผิดพลาดจะลดลงกับชุด parceled ของสินค้า (Bagozzi & Heatherton, 1994 Bagozzi &เอ็ดเวิร์ด 1998) ยัง พวกเขาควรรอบคอบตั้งแต่ unidimensionality และระดับของ specificity เมื่อสร้างหีบห่อสินค้าด้วย
เหตุผลสำหรับสินค้า parceling ที่มักจะระบุไว้คือการ ลดผลของ nonnormality และความเป็นไปได้ของปัจจัยความยากลำบากในการวิเคราะห์ปัจจัยด้วยสินค้าไบนารี ทอมป์สันและ Melancon (1996) แสดงว่า ใช้สินค้า parceling กับ nonnormal ข้อมูลได้เกิดขึ้นโดยปกติกระจายหีบห่อสินค้า และปรับปรุงรูปแบบพอดี วิธีการ parceling สินค้าถูกสร้างหีบห่อของสินค้า ด้วยการเอียงตรงกันข้ามในกระบวนการซ้ำที่ทำให้หีบห่อมีน้อยการเอียงกว่าเดิมสินค้า.
Nasser และทะกะฮะชิ (2003) ตรวจสอบลักษณะการทำงานของพอดีต่างๆ ดัชนี ตามที่พวกเขาแตกต่างกันทั้งจำนวนหีบห่อและจำนวนสินค้าต่อพัสดุใช้ Sarason ของปฏิกิริยาการทดสอบเครื่องมือ ผลการสนับสนุนการใช้หีบห่อ มากกว่าสินค้าแต่ละรายการและการใช้กลยุทธ์การสร้างหีบห่อสินค้าที่มีหีบห่อน้อยลงแต่เพิ่มเติมหมายเลขของสินค้าต่อหีบห่อ พวกเขาระบุว่า โซลูชั่นจาก parceled ข้อมูลสินค้าต่อหีบห่อผลเพิ่มเติม normality ถูกต้อง ความต่อเนื่อง และความน่าเชื่อถือกว่าข้อมูล parceled มีสินค้าน้อยลงต่อหีบห่อ ถึงแม้ว่า พวกเขาระบุว่า ดัชนีบางอย่าง (เช่น χ2:df และ RMSEA) สอดน้อย และโดยทั่วไปได้เหมาะสมเมื่อมีประมาณพารามิเตอร์ในแบบจำลอง เป็น MacCallum, Widaman จาง และ Hong (1999) ชี้ให้เห็น โซลูชั่น parceled สามารถคาดหวังให้ดีแบบพอดีเนื่องจาก) เขามีพารามิเตอร์น้อยกว่าประเมิน b) จะมีโอกาสน้อยลงสำหรับค่าคงเหลือจะถูก correlated และ c) จะทำให้ลดข้อผิดพลาดในการสุ่มตัวอย่าง น้อย คันนิงแฮม Shahar และ Widaman (2002) รายการว่า parceling สามารถเป็นประโยชน์มากกว่าการใช้สินค้าเดิมสามประการ: 1) ประมาณสินค้าจำนวนมากจะส่งผลให้ความสัมพันธ์เก๊ 2 ชุดย่อยของสินค้าจากกลุ่มสินค้าขนาดใหญ่จะแหล่งเฉพาะหุ้นที่มีแนวโน้มของผลต่างที่ไม่น่าสนใจหลัก และ 3) โซลูชั่นจากข้อมูลระดับรายการมีแนวโน้มให้ผลผลิตโซลูชั่นที่มีเสถียรภาพกว่าโซลูชั่นจากหีบห่อของสินค้านั้น อย่างไรก็ตาม ถ้าสร้างแฝงอยู่ ไม่ unidimensional เป็นไปได้ว่า หีบห่อของสินค้ายังจะว่า มันจะยากที่จะกำหนดสิ่งก่อสร้างแฝงอยู่จริงว่าเนื่องจากโครงสร้างจะเป็น confounding ปัจจัยหลักและระบบต่างที่ใช้ร่วมกันในหีบห่อหลาย ในผล เมื่อ parceling มีโครงสร้างหลายมิติ การ parceling สามารถหน้ากากหลายรูปแบบของแบบจำลอง misspecification Caveat parceling ว่า al. et น้อย ๆ แนะนำว่า พารามิเตอร์รูปอาจมีความหมายในทางปฏิบัติทางคลินิก และอาจสร้างบรรทัดฐานขึ้นอยู่กับขนาดของสินค้าเดิม และบรรทัดฐานเหล่านี้อาจไม่แปลแบบ reparameterized กับหีบห่อสินค้าสินค้า

การศึกษาโครงสร้างประชากรที่เรียกว่า

ศึกษาดังกล่าวได้อาศัยในการวิเคราะห์ข้อมูลที่แท้จริงและคำอธิบายทฤษฎี ได้ ได้ดำเนินการศึกษาน้อยในที่ โครงสร้างประชากรรุ่นต้นแบบถูกเรียกว่า นี่เป็นสิ่งสำคัญ เป็นก็ไม่ทราบในการใช้ศึกษาถ้ารุ่นดีพอดีจำเป็นต้อง ระบุเป้าหมาย เท่าที่จะเป็นในกรณีของแบบจำลอง misspecified ในการจำลองการศึกษากับประชากรรู้จักพารามิเตอร์ สามารถกำหนดได้ว่าการเพิ่มขึ้นในรูปแบบที่เหมาะกับ parceling วิธีเนื่องจากความไวที่เพิ่มขึ้นของวิธีการเป็นแบบจำลองที่ระบุเต็ม parceling หรือว่าเพิ่มพอดีในการผิดพลาดในรูปแบบ misspecified
มาร์ช เฮา Balla และ Grayson, (1998) และ หยวน Bentler &กนก, (1997), ในการศึกษาแยกการจำลอง แสดงว่า มันเป็นประโยชน์แยกแทนที่ใช้หมายเลขเดียวกันของแต่ละรายการ ดัชนีพอดีได้สูง และก็มักให้ผลการแก้ไขปัญหาที่เหมาะสมเมื่อหีบห่อใช้ แทนหมายเลขเดียวกันของแต่ละรายการ (เช่น หกหีบห่อเทียบกับรายการที่ 6) อย่างไรก็ตาม ถ้าใช้จำนวนรวมของสินค้าแต่ละรายการ (เช่น 12 รายการแทนการหีบห่อสินค้า 2 6), แต่ละรายการมีแนวโน้มที่จะมีผลในการแก้ปัญหาที่เหมาะสม
หอ เซี และนักร้อง Foust (1999) กำหนด ในการศึกษาการจำลองสินค้า parceling ภายใต้รูปแบบโครงสร้างต่าง ๆ ด้วยกลยุทธ์ parceling แตกต่างกัน ว่า เมื่อโครงสร้างปัจจัยรองที่มี parceling สามารถบดบังโครงสร้างสัดส่วนจริง และทำให้เกิดภาพประเมินพารามิเตอร์และดัชนีสูงเกินจริงของพอดี อย่างไรก็ตาม นี้ขึ้นอยู่กับว่าโครงสร้างปัจจัยรองคือจำลอง ถ้าสินค้าทั้งหมดโหลดบนตัวรองจะ parceled กัน (แยกต่างหาก parceling) เหมาะสมคือไม่สูงเกินจริง ได้เมื่อสินค้า มีอิทธิพลต่อรองได้ parceled กับสินค้าที่ไม่มีอิทธิพลรอง (กระจาย parceling), ที่เหมาะสมที่สูงเกินจริง ฮอลล์ et al อธิบายปรากฏการณ์นี้ ด้วยการแนะนำในกรณีหลังให้ อิทธิพลของปัจจัยรองกระจายหีบห่อนี้สร้างความแปรปรวนร่วมระหว่างหีบห่อเหล่านี้ และดังนั้น loadings บนหลักปัจจัยเพิ่มขึ้น และบางส่วนสะท้อนให้เห็นถึงอิทธิพลของปัจจัยรอง (เช่น อิทธิพลของปัจจัยรอง confounds loadings บนตัวหลัก) ยัง เมื่อสินค้า มีอิทธิพลต่อรองได้ parceled กัน ผลต่างร่วมคือไม่สูงเกินจริงเนื่องจากอิทธิพลของโครงสร้างรองไม่ได้อยู่ในหีบห่อทั้งหมด จึง เพิ่มผลต่างพลาดสะท้อนอิทธิพลของโครงสร้างรอง และตรงกับดัชนีจะต่ำดังนั้น สัมพันธ์กับกลยุทธ์ parceling กระจาย ฮอลล์ et al เพิ่มเติม แนะนำให้ ดัชนีสูงเกินจริงของให้พอดีกับวิธี parceling กระจายช่วยอธิบายเหตุผลที่ผ่านมาผู้เขียนในการศึกษาทดสอบเอกสารประกอบการ (เช่น Kishton & Widaman, 1994 ลอว์เรนซ์& Dorans, 1987 Manhart, 1996 Schau, Stevens, Dauphinee, Vecchio &เดล 1995 ทอมป์สัน& Melancon 1996) ได้แนะนำให้กระจายเหมือนสินค้าในหีบห่อที่แตกต่างกันสามารถช่วยปรับปรุงให้พอดีกับรูปแบบ และดังนั้นจึงแนะนำวิธีการนี้ เป็นหอประชุมและ al. ของการจำลองงานบ่งชี้ ไร กลยุทธ์นี้ inflates พอดีรูปแบบสมยอม และจึง ฮอลล์ et al. แนะนำวางเช่นสินค้ากันเมื่อสร้างหีบห่อ (เช่น ย้ายสินค้าที่มี loadings สูงบนตัวคูณกัน) .
Bandalos (2002) ในการศึกษาการจำลองที่ครอบคลุมที่แตกต่างกันที่จำนวนสินค้าต่อหนึ่งหีบห่อ ระดับของ nonnormality หมายเลขของประเภทในรายการต้นฉบับ n ขนาด และรูป แบบที่ถูกต้อง และ misspecified ตรวจสอบผลของสินค้า parceling ภายใต้เงื่อนไขของ nonnormality มีเหตุผลอ้างอิง oft สินค้า parceling ผลการวิจัยระบุว่า สินค้าที่ผลิตสูง parceling พอดีดัชนี น้อยอคติพารามิเตอร์ในรบกวน และน้อยพิมพ์ฉันข้อผิดพลาดมากกว่าวิเคราะห์สินค้าเดิมเมื่อนำ nonnormality ยิ่งระดับของการ nonnormality ความขัดแย้งขนาดใหญ่ที่ถูกระหว่าง parceled และ parceled ไม่ใช่โซลูชั่น นความโซลูชัน parceled Bandalos สรุปว่า เป็นรุ่นปรับปรุงพอดีเนื่องจากดีขึ้นลักษณะ (เช่น nonnormality น้อยและวัดน้อยหยาบ) ในหีบห่อสินค้าและลดจำนวนของพารามิเตอร์ต่าง/ความแปรปรวนร่วมที่จะสร้างแบบจำลอง Caveat มีที่นี้เท่านั้นมีจริงเมื่อปัจจัยโครงสร้างพื้นฐาน unidimensional ทั้งฮอลล์ et al (1999) และ Bandalos (2002) ได้แสดงให้เห็นว่าเมื่อยังเล็กมีผลต่อปัจจัยรองมีอยู่ (เช่น แบบจำลอง misspecified) วิธีการ parceling สินค้าทำให้มากของความแตกต่างว่า misspecification ที่สามารถระบุได้ หรือไม่ Bandalos สรุปราคาสินค้านั้น

ผลลัพธ์ (ไทย) 3:

รายการส่งพัสดุในรูปแบบสมการโครงสร้างที่เหมาะสมโซลูชั่น






เหตุผลเกี่ยวกับรายการส่งพัสดุ

bandalos และ ฟินนี่ย์ ( 2544 ) รายงานว่า 3 สาเหตุที่พบบ่อยที่สุดสำหรับนักวิจัยอ้างใช้รายการส่งพัสดุเพื่อเพิ่มเสถียรภาพของค่าประมาณการ ( 29% ) ปรับปรุงตัวแปรตัวอย่างอัตราส่วนขนาด 22.6 % ) และ แก้ไขขนาดตัวอย่างขนาดเล็ก ( 21% )หลักฐานเชิงประจักษ์ที่ส่งพัสดุ คือ การแก้ไขที่น่าพอใจให้กับข้อมูลเหล่านี้ ปัญหา คือ ผสม อย่างไรก็ตาม ในส่วนของการศึกษาการประเมินประสิทธิผลของรายการส่งพัสดุเพื่อแก้ปัญหาเหล่านี้ ข้อมูลรายการ parceled โซลูชั่นได้รับเมื่อเทียบกับ disaggregated วิเคราะห์ โดยสินค้าที่ได้รับ bagozzi และเพื่อนร่วมงานในชุดของการศึกษารายงานที่ส่งพัสดุคือต้องการจริง disaggregated วิเคราะห์ในกรณีส่วนใหญ่เพราะการวัดความผิดพลาดก็ลดลงด้วย parceled ชุดของรายการ ( bagozzi & เฮลล์เทอร์ตัน , 1994 ; bagozzi & Edwards , 1998 ) แต่พวกเขาแนะนำให้พิจารณาอย่างรอบคอบ เพื่อความถูกต้อง ความเป็นเอกมิติ และระดับของความจำเพาะเมื่อสร้างข้อสอบได้รับ
เหตุผลสำหรับรายการส่งพัสดุที่มักจะระบุไว้ เพื่อลดผลกระทบของ nonnormality และโอกาสของปัจจัยสร้างความยากในการวิเคราะห์ปัจจัยด้วยสินค้าไบนารี ทอมป์สัน และ เมลันคอน ( 1996 ) พบว่า การใช้รายการส่งพัสดุด้วยข้อมูล nonnormal ก็ส่งผลมากกว่าปกติกระจายสินค้าหีบห่อและพอดีกับรุ่นปรับปรุงวิธีการของพวกเขาคือการสร้างรายการส่งพัสดุหีบห่อของสินค้าด้วยตรงข้ามเอียงในซ้ำขั้นตอนที่ส่งผลให้พัสดุกับเอียงน้อยกว่ารายการต้นฉบับ .
Nasser และทาคาฮาชิ ( 2003 ) ศึกษาพฤติกรรมของดัชนีพอดีต่างๆเป็นพวกเขาหลากหลายทั้งหมายเลขของพัสดุและจำนวนรายการต่อพัสดุใช้ปฏิกิริยา sarason เพื่อทดสอบ เครื่องมือผลของพวกเขาสนับสนุนการใช้พัสดุมากกว่าแต่ละรายการและการใช้กลยุทธ์การสร้างรายการพัสดุที่มีจำนวนหีบห่อ แต่ตัวเลขของรายการต่อพัสดุ พวกเขาแสดงให้เห็นว่าโซลูชั่นจาก parceled ข้อมูลกับรายการเพิ่มเติมต่อผืนผลลัพธ์เพิ่มเติม ธรรมดา , แบบต่อเนื่อง และความน่าเชื่อถือมากกว่าจาก parceled ข้อมูลกับรายการน้อยต่อพัสดุ แม้ว่าพวกเขาพบว่ามีดัชนี ( เช่น χ 2 : df แล้ว RMSEA ) ยังไม่สอดคล้องกัน และโดยทั่วไปควรพอดีเมื่อเพิ่มเติมพารามิเตอร์ในแบบจำลองเป็นประมาณ เมิ่กแคลเลิ่ม widaman เป็น , Zhang และฮง ( 1999 ) ออกจากจุด parceled โซลูชั่นสามารถคาดหวังเพื่อให้นางแบบดีกว่าพอดีเพราะ ) พวกเขามีพารามิเตอร์น้อยกว่าประมาณการ , B ) พวกเขามีโอกาสน้อยกว่าความคลาดเคลื่อนมีความสัมพันธ์กันและ C ) พวกเขานำไปสู่การลดข้อผิดพลาดในการสุ่มตัวอย่าง น้อย คันนิงแฮม , Shahar และ widaman ( 2545 ) รายการสามเหตุผลที่ส่งพัสดุได้ประโยชน์มากกว่าการใช้รายการต้นฉบับ : 1 ) การประเมินตัวเลขขนาดใหญ่ของสินค้ามีแนวโน้มที่จะส่งผลทำให้ความสัมพันธ์ 2 ) ชุดย่อยของรายการจากสระว่ายน้ำสินค้าขนาดใหญ่มีแนวโน้มที่จะแบ่งปันเฉพาะแหล่งความแปรปรวนที่อาจไม่ได้รับความสนใจหลัก ,และ 3 ) การแก้ไขปัญหาจากข้อมูลระดับรายการน้อยน่าจะเสถียรกว่าผลผลิตโซลูชั่นโซลูชั่นจากหีบห่อของสินค้า แต่ถ้าสร้างไม่ได้ unidimensional แฝง ,มันเป็นโอกาสที่สินค้าพัสดุจะมีหลายมิตินั้นจะยากที่จะกำหนดสิ่งที่แฝงสร้างจริง เพราะโครงสร้างจะอยู่นอกเหนือการควบคุมของปัจจัยหลักและความแปรปรวนอย่างเป็นระบบที่ใช้ร่วมกันทั่วทั้งผืน สรุปแล้วเมื่อส่งพัสดุที่มีโครงสร้างหลายมิติ , ส่งพัสดุสามารถรูปแบบหลายรูปแบบรูปแบบ misspecification .อื่น ๆรายการส่งพัสดุที่ caveat น้อย et al . แนะนำว่า พารามิเตอร์ unstandardized อาจมีความหมายในทางคลินิกและบรรทัดฐานอาจสร้างขึ้นตามขนาดของรายการต้นฉบับและบรรทัดฐานเหล่านี้อาจไม่แปลให้ reparameterized กับรูปแบบรายการพัสดุ .



รู้จักโครงสร้างประชากรกับการศึกษาการศึกษาดังกล่าวได้อาศัยการวิเคราะห์ข้อมูลที่เกิดขึ้นจริงและคำอธิบายเชิงทฤษฎี แต่น้อยกว่าการศึกษาได้รับการดำเนินการที่ประชากรโครงสร้างต้นแบบของโมเดลที่รู้จักกัน นี่เป็นสิ่งสําคัญ มัน ไม่ รู้จักประยุกต์การศึกษาถ้าดีแบบพอดี คือต้องมีเป้าหมายที่ต้องการ เช่น ต้องเป็นกรณีที่ มี misspecified นางแบบในการจำลองการศึกษาทราบพารามิเตอร์ของประชากร สามารถได้รับการพิจารณา ถ้าเพิ่มแบบพอดี ด้วยวิธีส่งพัสดุเนื่องจากการเพิ่มความไวของการส่งพัสดุวิธีการอย่างเต็มที่ระบุรุ่น หรือเพิ่มพอดีใน err ใน misspecified นางแบบ
มาร์ช , นี้ , บัลลา และ เกรย์สัน ( 1998 ) และ หยวน bentler & , คาโน ( 1997 ) ในการศึกษาการแยกแสดงให้เห็นว่ามันเป็นประโยชน์กับพัสดุมากกว่า จะใช้หมายเลขเดียวกันของรายการแต่ละ พอดีดัชนีสูงขึ้นและผลมีแนวโน้มที่จะให้ผลผลิตโซลูชั่นที่เหมาะสมเมื่อพัสดุถูกใช้มากกว่าหมายเลขเดียวกันของแต่ละรายการ ( เช่น หกผืนกับ 6 รายการ ) อย่างไรก็ตาม ถ้าจำนวนของแต่ละรายการที่ใช้ ( เช่น12 รายการ แทนหก 2-item พัสดุ ) แต่ละรายการมีแนวโน้มที่จะส่งผลให้โซลูชั่นที่เหมาะสม
ฮอล นล และนักร้อง เฟาส์ต ( 1999 ) ที่กำหนดในการจำลองแบบโครงสร้างต่าง ๆตามรายการส่งพัสดุที่ส่งพัสดุกลยุทธ์เมื่อโครงสร้างปัจจัยมีอยู่ส่งพัสดุสามารถปิดบังความจริงปัจจัยโครงสร้างและผลในการประมาณการจำนวนพารามิเตอร์และดัชนีของพองพอดี อย่างไรก็ตาม เรื่องนี้ขึ้นอยู่กับปัจจัยโครงสร้างทุติยภูมิแบบ ถ้ารายการที่โหลดเป็นปัจจัยรองคือ parceled ด้วยกัน ( แยกส่งพัสดุ ) พอดีไม่ได้พองมันคือเมื่อสินค้าที่มีอิทธิพลที่มี parceled กับรายการไม่มีอิทธิพลระดับกระจายส่งพัสดุ ) ว่าพอดีพอง Hall et al .อธิบายปรากฏการณ์นี้ว่าในกรณีหลังนั้น อิทธิพลของปัจจัยรองคือการกระจายพัสดุและนี้สร้างความแปรปรวนร่วมกันระหว่างหีบห่อเหล่านี้และด้วยเหตุนี้ภาระที่เพิ่มปัจจัยหลักและบางส่วนสะท้อนให้เห็นถึงอิทธิพลของปัจจัยรอง ได้แก่ อิทธิพลของปัจจัยรอง confounds ที่กระทำบนปัจจัยหลัก ) ยังเมื่อรายการที่มีอิทธิพลที่มี parceled ด้วยกัน ความแปรปรวนร่วมกันไม่ใช่พองตั้งแต่โครงสร้างอิทธิพลไม่ทั่วดำเนินการได้ทั้งหมด ดังนั้น ความผิดพลาดเพิ่มขึ้นเพื่อสะท้อนให้เห็นถึงอิทธิพลของโครงสร้างทุติยภูมิและเป็นดัชนีพอดีจึงลดลง เมื่อเทียบกับการส่งพัสดุ กลยุทธ์ Hall et al .นอกจากนี้พบว่าพองดัชนีพอดีกับกระจายส่งพัสดุวิธีช่วยอธิบายว่าทำไมที่ผ่านมาผู้เขียนในวรรณคดี การทดสอบทางการศึกษา เช่น kishton & widaman , 1994 ; ลอว์เรนซ์& dorans , 1987 ; แมนฮาร์ต , 1996 ; schau สตีเว่นส์ dauphinee & เดลเวคคิโอ , 1995 ; & เมลันคอนทอมป์สัน ,1996 ) พบว่า มีการกระจายทั่วทั้งผืนเหมือนรายการที่แตกต่างกันสามารถช่วยปรับปรุงแบบพอดี ดังนั้นจึงแนะนำให้ใช้วิธีนี้ เป็นห้องโถง et al . การจำลองการทำงานแสดง อย่างไรก็ตาม กลยุทธ์นี้เทียมพองตัวแบบพอดีจึง Hall et al . แนะนำให้ใส่ เช่น รายการด้วยกัน เมื่อสร้างหีบห่อ ( เช่นการวางสินค้าที่มีภาระสูงเป็นปัจจัยกัน )
bandalos ( 2002 ) ในการจำลองที่หลากหลายครอบคลุมจำนวนรายการต่อพัสดุ ระดับ nonnormality จำนวนของประเภทในรายการต้นฉบับ , N และขนาดถูกต้อง และ misspecified รุ่น ทำการศึกษาผลของรายการส่งพัสดุภายใต้เงื่อนไขของ nonnormality , ผู้ทรงอ้างเหตุผล สำหรับรายการส่งพัสดุ .ผลการวิจัยพบว่า รายการส่งพัสดุผลิตสูงพอดีกับค่าดัชนีน้อยพารามิเตอร์อคติในแง่ความวุ่นวายและพิมพ์น้อยกว่าฉันข้อผิดพลาดมากกว่าการวิเคราะห์ของรายการต้นฉบับเมื่อ nonnormality เป็นที่รู้จัก สูงกว่าระดับของ nonnormality ขนาดใหญ่ ความแตกต่างคือระหว่าง parceled และไม่ parceled โซลูชั่นเป็นใจ parceled โซลูชั่นสรุปได้ว่า การปรับปรุงรูปแบบ bandalos พอดีเนื่องจากลักษณะการแจกแจงดีกว่า ( เช่น nonnormality น้อยลงและหยาบน้อยกว่าการวัด ) ในรายการพัสดุและลดจำนวนความแปรปรวน / พารามิเตอร์ที่เป็น modeled . caveat เท่านั้นคือ นี้ถือเป็นจริงเมื่อปัจจัยโครงสร้างต้นแบบ unidimensional . ทั้ง Hall et al .( 1999 ) และ bandalos ( 2002 ) พบว่า แม้อิทธิพลของปัจจัยเล็ก ๆรองอยู่ ( เช่น การ misspecified Model ) วิธีการของรายการส่งพัสดุจะทำให้การจัดการที่ดีของความแตกต่างว่า misspecification สามารถระบุได้หรือไม่ bandalos สรุปได้ว่ารายการ