LISREL. This is expected because BN

LISREL. This is expected because BN-LV explicitly
allows nonlinearities to emerge in the relationships
among principal constructs. The main impact of nonlinearity
on PLS and LISREL is the PC error in
the structural model. For example, for sample size
n=1
000, the average PC error for PLS doubles from
0.10 to 0.20 (other dimensions held constant).
Normality. In terms of nonnormality, BN-LV is not
affected when the data violate the normality assumption
in the measurement model or in the structural
model. In contrast, the CFA turns out to be very sensitive
to data normality. The effect of nonnormality on
LISREL appears to interact with sample size. For large
sample sizes, nonnormality has a negative impact on
LISREL (PO error increases from 0.05 to 0.08); for
medium sample size, PO error decreases from 0.2 to
0.18. However, nonnormality does not considerably
affect PLS for the structural model (Chin 1998). Therefore,
BN-LV is clearly superior to LISREL but performs
comparably to PLS.
The results for the structural model show that both
PLS and LISREL make high omission errors in general
while PLS commits the highest PC error rate. Therefore,
BN-LV outperforms PLS and LISREL both in the
PC and the PO error rate.
The simulation study also highlighted the difficulty
in manually testing the measurement and the structural
model for 75 data sets in PLS and LIREL (each
data set required about 30 minutes to calculate the
measurement and structural model). In contrast, the
automated nature of BN-LV greatly facilitated model
estimation (about few seconds per data set). Thus,
when there is a need for automating the process of
exploring multiple causal structures, particularly for
complex models that prohibit a manual specification
of all possible structural models, BN-LV is clearly
superior to PLS and LISREL.
5. Discussion
This study contributes to and has implications for
the following literatures: First, it contributes to the
empirical IS literature and the social and behavioral
sciences in general by proposing a new data
analysis method for inductively identifying LVs from
raw measurement items and inferring the most
likely causal structural model among the identified
LVs. Second, it contributes to the BN literature by
(a) allowing the identification of multi-item LVs with
the proposed LVI algorithm and by (b) allowing discrete
and ordinal data in BN with the proposed OL
scoring function. Third, it contributes to the SEM literature
by addressing three key limitations of existing
SEM methods (Lee et al. 1997)—identifying causal
links in the structural model, identifying the measurement
and structural models in an exploratory manner,
and allowing nonlinearities.
5.1. Implications for Empirical IS Research
The first contribution is to develop a comprehensive
(measurement model construction and structural
model discovery) data analysis method for inferring
causal relationships among constructs, using observational,
cross-sectional data that are discrete and ordinal.
In fact, the majority of empirical studies in the IS
literature use this type of data in Likert-type scales.
In terms of the measurement model, the proposed
LVI algorithm has several advantages over competing
methods. First, in contrast to common factor analysis
techniques that rely on “rule-of-thumb” heuristics
and approximate solutions, LVI offers an exact solution
to the measurement model by categorizing all
measurement items into LVs. Second, in contrast to
CFA methods that impose a certain structure on
the data, LVI operates in an exploratory mode, thus
allowing the data to “speak out” and be categorized
under the most likely LVs. Because BN-LV does not
require IS researchers to prespecify which measurement
items should belong to each LV, it allows them
to explore how new measurement items could be
classified into new LVs. By identifying problematic
items (those that cannot be categorized under LVs), it
allows IS researchers to reevaluate potentially problematic
such items. Most important, the LVI algorithm
directly tests the fundamental axiom of conditional
independence, thus allowing a causal interpretation to
the relationship between the LVs and their identified
measurement items, consistent with the principles of
the psychometric theory of measurement.
In terms of the structural model, BN-LV tests
the d-separation conditions and uses the proposed
OL scoring function to generate the most likely
causal Bayesian network. This allows the inference
of causality in structural models without imposing a
prespecified structure. By operating in an exploratory
Zheng and Pavlou: New Bayesian Networks Method for Structural Models with Latent Variables
386 Information Systems Research 21(2), pp. 365–391, ©2010 INFORMS
mode, BN-LV automatically examines all plausible
structural models and selects the most likely one.
This provides a major advantage over competing SEM
methods that require manual specification of plausible
models, especially for complex models where
su

ผลลัพธ์ (ไทย) 1:

LISREL นี้คาดว่าเนื่องจากพันล้าน-LV ชัดเจนให้ nonlinearities โผล่ในความสัมพันธ์ในโครงสร้างหลัก ผลกระทบหลักของ nonlinearityPLS และ LISREL เป็นข้อผิดพลาด PC ในรูปแบบโครงสร้าง สำหรับขนาดตัวอย่างเช่นn = 1000 ข้อผิดพลาด PC เฉลี่ยสำหรับ PLS คู่จาก0.10 ถึง 0.20 (มิติอื่น ๆ จัดขึ้นอย่างต่อเนื่อง)คัมภีร์พระไตรปิฎกว่า ในแง่ของ nonnormality, LV พันล้านไม่ผลกระทบเมื่อข้อมูลละเมิดข้อคัมภีร์พระไตรปิฎกว่าในแบบวัด หรือ ในโครงสร้างการรุ่น คมชัด CFA จะออกมาไวมากการคัมภีร์พระไตรปิฎกว่าข้อมูล ผลของ nonnormality บนLISREL จะ โต้ตอบกับขนาดตัวอย่าง สำหรับขนาดใหญ่ตัวอย่างขนาด nonnormality ผลกระทบเชิงลบLISREL (PO ผิดพลาดเพิ่มจาก 0.05-0.08); สำหรับขนาดตัวอย่างขนาดกลาง PO ผิดพลาดลดลงจาก 0.2 ไป0.18. อย่างไรก็ตาม nonnormality ไม่ไม่มากผล PLS สำหรับรูปแบบโครงสร้าง (คาง 1998) ดังนั้นพันล้าน-LV ชัดเจนเหนือกว่า LISREL แต่ทำปานไป PLSผลลัพธ์สำหรับรูปแบบโครงสร้างแสดงว่าทั้งสองPLS และ LISREL ให้สูงละเลยข้อผิดพลาดทั่วไปในขณะที่ PLS ปรากฏข้อผิดพลาดอัตราสูงสุดของ PC ดังนั้นพันล้าน-LV มีสูงกว่าไฟ PLS และ LISREL ทั้งในการพีซีและอัตราข้อผิดพลาดของ POการศึกษาการจำลองยังเน้นความยากลำบากในการทดสอบการวัดและการก่อสร้างด้วยตนเองรูปแบบสำหรับชุดข้อมูล 75 ใน PLS และ LIREL (แต่ละชุดข้อมูลที่จำเป็นเกี่ยวกับการคำนวณการวัดและโครงสร้างรูปแบบ) คมชัด การลักษณะอัตโนมัติของ LV พันล้านรุ่นที่อำนวยความสะดวกอย่างมากการประเมิน (ประมาณสองสามวินาทีสำหรับแต่ละชุดข้อมูล) ดังนั้นเมื่อมีความจำเป็นสำหรับกระบวนการอัตโนมัติการสำรวจโครงสร้างเชิงสาเหตุหลาย โดยเฉพาะอย่างยิ่งรูปแบบซับซ้อนที่ห้ามไม่ให้มีข้อกำหนดด้วยตนเองโมเดลโครงสร้างได้ทั้งหมด LV พันล้านอย่างชัดเจนห้องซูพีเรีย PLS และ LISREL5. สนทนาการศึกษานี้ และมีผลกระทบเอกสารต่อไปนี้: ครั้งแรก มันก่อให้เกิดการเชิงประจักษ์คือวรรณกรรม และสังคม และพฤติกรรมวิทยาศาสตร์ทั่วไป โดยเสนอข้อมูลใหม่วิธีการวิเคราะห์สำหรับ inductively ระบุ LVs จากวัดวัตถุดิบสินค้าและ inferring มากที่สุดแนวโน้มแบบโครงสร้างเชิงสาเหตุในการระบุLVs ที่สอง มันก่อให้เกิดวรรณกรรมพันล้านโดย(ก) ให้รหัสของ LVs หลายรายการด้วยอัลกอริทึมลียงเสนอ และ (b) ช่วยให้ต่อเนื่องและลำดับข้อมูลในพันล้านกับ OL เสนอฟังก์ชั่นการให้คะแนน ที่สาม มันก่อให้เกิดการประกอบการ SEMโดยกำหนดข้อจำกัดคีย์ที่สามที่มีอยู่วิธี SEM (Lee et al. 1997) ได้ระบุสาเหตุการเชื่อมโยงในรูปแบบโครงสร้าง ระบุการวัดและรูปแบบโครงสร้างในลักษณะสำรวจและให้ nonlinearities5.1. ผลกระทบเชิงประจักษ์เป็นการวิจัยส่วนแรกคือการ พัฒนาครอบคลุม(วัดก่อสร้างและโครงสร้างวิธีการวิเคราะห์ข้อมูลการค้นพบรูปแบบ) สำหรับ inferringความสัมพันธ์เชิงสาเหตุระหว่างโครงสร้าง ใช้เชิงสังเกตการณ์ข้อมูลภาคตัดขวางที่มีลำดับ ความสูงในความเป็นจริง ส่วนใหญ่เป็นการศึกษาเชิงประจักษ์เอกสารประกอบการใช้ข้อมูลชนิดนี้ชั่งแบบ Likertในแง่ของการวัดแบบ การนำเสนออัลกอริทึมลียงมีข้อดีเหนือการแข่งขันวิธีการนี้ ครั้งแรก ตรงข้ามกับการวิเคราะห์ปัจจัยทั่วไปเทคนิคที่ใช้ในการรุก "กฎของนิ้ว"โซลูชั่นโดยประมาณ ลียงมีวิธีการแก้ปัญหาที่แน่นอนรุ่นวัดโดยจัดประเภททั้งหมดรายการวัดใน LVs วินาที ความเปรียบต่างไปวิธี CFA ที่กำหนดเป็นโครงสร้างข้อมูล ลียงทำงานในโหมดนิจ ดังนั้นให้ข้อมูล "พูด" และแบ่งภายใต้ LVs น่า เนื่องจากไม่มี LV พันล้านต้องการนักวิจัยคือการ prespecify ที่วัดสินค้าควรอยู่ในแต่ละ LV จะช่วยให้พวกเขาการสำรวจประเมินวิธีใหม่ สินค้าถูกแบ่ง LVs ใหม่ โดยระบุปัญหาสินค้า (ผู้ที่ไม่สามารถจัดประเภทภายใต้ LVs), มันช่วยให้นักวิจัยเป็นเพื่อ reevaluate ปัญหาอาจรายการดังกล่าว สำคัญที่สุด อัลกอริทึมลียงสัจพจน์พื้นฐานของเงื่อนไขทดสอบโดยตรงอิสรภาพ ซึ่งทำให้การตีความเชิงสาเหตุเพื่อความสัมพันธ์ระหว่าง LVs และการระบุรายการวัด สอดคล้องกับหลักการของทฤษฎีด้านการวัดในแง่ของรูปแบบโครงสร้าง พันล้าน-LV ทดสอบd-แยกเงื่อนไข และใช้การนำเสนอOL คะแนนฟังก์ชันการสร้างมากที่สุดเครือข่ายทฤษฎีเชิงสาเหตุ ทำให้การอนุมานของอำนาจในรูปแบบโครงสร้างโดยการจัดเก็บภาษีโครงสร้าง prespecified โดยในการสำรวจเจิ้งและ Pavlou: ทฤษฎีใหม่เครือข่ายวิธีสำหรับรูปแบบโครงสร้างมีตัวแปรแฝงระบบข้อมูล 386 วิจัย 21(2), pp. 365 – 391, © 2010 จะแจ้งให้ทราบโหมด LV พันล้านโดยอัตโนมัติตรวจสอบเป็นไปได้ทั้งหมดโครงสร้างรูปแบบ และเลือกหนึ่งน่าทำให้จากเหนือแข่งขัน SEMวิธีการที่ต้องระบุด้วยตนเองเป็นไปได้รุ่น โดยเฉพาะอย่างยิ่งสำหรับคอมเพล็กซ์รุ่นไหนsu

ผลลัพธ์ (ไทย) 2:

ลิสเรล นี้คาดว่าเพราะ BN-LV ชัดเจน
ช่วยให้ nonlinearities จะโผล่ออกมาในความสัมพันธ์
ในหมู่โครงสร้างหลัก ผลกระทบหลักของการไม่เป็นเชิงเส้น
ใน PLS และลิสเรลเป็นข้อผิดพลาดของเครื่องคอมพิวเตอร์ใน
รูปแบบโครงสร้าง ตัวอย่างเช่นสำหรับขนาดของกลุ่มตัวอย่าง
n = 1
000 ข้อผิดพลาด PC เฉลี่ยสำหรับ PLS คู่ละ
0.10 ที่จะ 0.20 (มิติอื่น ๆ ที่จัดขึ้นอย่างต่อเนื่อง).
Normality ในแง่ของการ nonnormality, BN-LV ไม่ได้
รับผลกระทบเมื่อมีข้อมูลที่ละเมิดสมมติฐานปกติ
ในโมเดลการวัดหรือในโครงสร้าง
รูปแบบ ในทางตรงกันข้าม CFA จะเปิดออกจะมีความสำคัญมาก
ที่จะปกติข้อมูล ผลของการ nonnormality ใน
ลิสเรลที่ดูเหมือนจะมีปฏิสัมพันธ์กับขนาดของกลุ่มตัวอย่าง ขนาดใหญ่
ขนาดตัวอย่าง nonnormality มีผลกระทบในทางลบต่อ
ลิสเรล (เพิ่มขึ้นข้อผิดพลาด PO 0.05-0.08); สำหรับ
ขนาดของกลุ่มตัวอย่างขนาดกลางข้อผิดพลาด PO ลดลง 0.2 ที่จะจาก
0.18 อย่างไรก็ตาม nonnormality ไม่มาก
ส่งผลกระทบต่อ PLS สำหรับรูปแบบโครงสร้าง (Chin 1998) ดังนั้น
BN-LV เป็นอย่างชัดเจนดีกว่าลิสเรล แต่ดำเนิน
ปานจะ Pls.
ผลสำหรับรูปแบบการแสดงที่มีโครงสร้างที่ทั้ง
PLS และลิสเรลทำผิดพลาดละเลยสูงโดยทั่วไป
ในขณะที่ PLS กระทำอัตราความผิดพลาด PC สูงสุด ดังนั้น
BN-LV มีประสิทธิภาพดีกว่า PLS และลิสเรลทั้งใน
เครื่องคอมพิวเตอร์และอัตรา PO ข้อผิดพลาด.
การศึกษาการจำลองยังเน้นความยากลำบาก
ในการทดสอบการวัดและโครงสร้างด้วยตนเอง
แบบจำลองสำหรับ 75 ชุดข้อมูลใน PLS และ LIREL (แต่ละ
ชุดข้อมูลที่จำเป็นเกี่ยวกับ 30 นาทีในการคำนวณ
การวัดและรูปแบบโครงสร้าง) ในทางตรงกันข้าม
ธรรมชาติอัตโนมัติ BN-LV อำนวยความสะดวกอย่างมากรูปแบบ
การประมาณค่า (ประมาณไม่กี่วินาทีต่อชุดข้อมูล) ดังนั้น
เมื่อมีความจำเป็นสำหรับการทำงานอัตโนมัติกระบวนการของ
การสำรวจโครงสร้างเชิงสาเหตุหลายโดยเฉพาะอย่างยิ่งสำหรับ
โมเดลที่ซับซ้อนที่ห้ามข้อกำหนดและคู่มือ
ของแบบจำลองโครงสร้างเป็นไปได้ทั้งหมด BN-LV เป็นอย่างชัดเจน
ดีกว่า PLS และลิสเรล.
5 การอภิปราย
การศึกษาครั้งนี้ก่อให้เกิดและมีผลกระทบต่อ
วรรณกรรมต่อไปนี้: ครั้งแรกก็ก่อให้เกิดการ
เชิงประจักษ์วรรณกรรมและสังคมและพฤติกรรม
ศาสตร์ทั่วไปโดยนำเสนอข้อมูลใหม่
วิธีการวิเคราะห์สำหรับ inductively ระบุ LVs จาก
รายการวัดดิบและอนุมานส่วนใหญ่
มีแนวโน้มที่ รูปแบบโครงสร้างเชิงสาเหตุในหมู่ระบุ
LVs ที่สองก็ก่อให้เกิดวรรณคดี BN โดย
(ก) ที่ช่วยให้บัตรประจำตัวของ LVs หลายรายการที่มี
ขั้นตอนวิธีการ LVI เสนอและ (ข) การอนุญาตให้ต่อเนื่อง
ข้อมูลและลำดับใน BN กับเสนอ OL
ฟังก์ชั่นการให้คะแนน ประการที่สามมันก่อให้วรรณกรรม SEM
โดยอยู่สามข้อ จำกัด ที่สำคัญของที่มีอยู่
วิธี SEM (Lee et al. 1997) -identifying สาเหตุ
การเชื่อมโยงในรูปแบบโครงสร้างการระบุการวัด
และรูปแบบโครงสร้างในลักษณะสอบสวน
และช่วยให้ nonlinearities.
5.1 ผลกระทบเชิงประจักษ์เป็นงานวิจัย
ผลงานแรกคือการพัฒนาที่ครอบคลุม
(งานก่อสร้างรูปแบบการวัดและโครงสร้าง
การค้นพบรูปแบบ) วิธีการวิเคราะห์ข้อมูลสำหรับการอนุมาน
ความสัมพันธ์เชิงสาเหตุในหมู่โครงสร้างโดยใช้การสังเกต
ข้อมูลภาคตัดขวางที่มีต่อเนื่องและลำดับ.
ในความเป็นจริงคนส่วนใหญ่ จากการศึกษาเชิงประจักษ์ในสภาพ
การใช้งานวรรณกรรมประเภทของข้อมูลในเครื่องชั่ง Likert ประเภทนี้.
ในแง่ของรูปแบบการวัดที่นำเสนอ
ขั้นตอนวิธีการ LVI มีข้อดีหลายประการมากกว่าการแข่งขัน
วิธีการ ครั้งแรกในทางตรงกันข้ามกับการวิเคราะห์ปัจจัยร่วมกัน
เทคนิคที่ต้องพึ่งพา "กฎของหัวแม่มือ" การวิเคราะห์พฤติกรรม
และการแก้ปัญหาโดยประมาณ LVI เสนอโซลูชั่นที่แน่นอน
กับรูปแบบการวัดโดยการจัดหมวดหมู่ทั้งหมด
รายการวัดเข้า LVs ประการที่สองในทางตรงกันข้ามกับ
วิธีการที่กำหนด CFA โครงสร้างบางอย่างใน
ข้อมูล LVI ดำเนินงานในโหมดการสอบสวนจึง
ช่วยให้ข้อมูลที่จะ "พูดออก" และแบ่ง
ภายใต้ LVs ได้มากที่สุด เพราะ BN-LV ไม่
จำเป็นต้องเป็นนักวิจัยที่จะ prespecify ซึ่งวัด
รายการควรอยู่ในแต่ละเลเวลที่จะช่วยให้พวกเขา
เพื่อสำรวจว่ารายการวัดใหม่อาจจะมีการ
แบ่งออกเป็น LVs ใหม่ โดยการระบุปัญหา
รายการ (ผู้ที่ไม่สามารถแบ่งตาม LVs) จะ
ช่วยให้นักวิจัย IS ที่จะประเมินปัญหาที่อาจเกิด
รายการดังกล่าว สิ่งที่สำคัญที่สุดขั้นตอนวิธี LVI
โดยตรงทดสอบความจริงพื้นฐานของเงื่อนไข
อิสระจึงช่วยให้การตีความสาเหตุการ
ความสัมพันธ์ระหว่าง LVs ของพวกเขาและระบุ
รายการที่วัดให้สอดคล้องกับหลักการของ
ทฤษฎีทางจิตวิทยาของการวัด.
ในแง่ของรูปแบบโครงสร้าง BN-LV ทดสอบ
เงื่อนไข D-แยกและใช้นำเสนอ
ฟังก์ชั่น OL เกณฑ์การให้คะแนนในการสร้างส่วนใหญ่มีแนวโน้ม
เครือข่ายคชกรรมสาเหตุ นี้จะช่วยให้การอนุมาน
ของเวรกรรมในรูปแบบโครงสร้างโดยไม่ต้องจัดเก็บภาษี
โครงสร้าง prespecified โดยการดำเนินงานในการสำรวจ
เจิ้งเหอและ Pavlou: นิวเบส์เครือข่ายวิธีการรุ่นโครงสร้างที่มีตัวแปรแฝง
386 ระบบสารสนเทศเพื่อการวิจัย 21 (2), PP 365-391, © 2010 INFORMS.
โหมด BN-LV โดยอัตโนมัติตรวจสอบทั้งหมดที่เป็นไปได้
แบบจำลองโครงสร้างและการเลือก ที่มีแนวโน้มมากที่สุดคนหนึ่ง.
นี้จะให้ประโยชน์ที่สำคัญมากกว่าการแข่งขัน SEM
วิธีการที่จำเป็นต้องมีสเปคที่น่าเชื่อถือด้วยตนเองของ
รุ่นโดยเฉพาะรุ่นที่ซับซ้อน
su

ผลลัพธ์ (ไทย) 3:

โมเดล นี้คาดว่าเพราะ bn-lv อย่างชัดเจนช่วยให้ nonlinearities โผล่ในความสัมพันธ์หลักของโครงสร้าง . ผลกระทบหลักของความไม่เป็นเชิงเส้นที่กรุณาและ LISREL เป็นข้อผิดพลาดในรูปแบบโครงสร้าง ตัวอย่างเช่น ขนาดของกลุ่มตัวอย่างN = 1000 , ข้อผิดพลาดพีซีโดยเฉลี่ยสำหรับ pls คู่จาก0.10 0.20 ( มิติอื่น ๆ ที่จัดขึ้นอย่างต่อเนื่อง )การแจกแจงแบบปกติ ในแง่ของ nonnormality bn-lv ไม่ได้ ,ผลกระทบเมื่อข้อมูลที่ละเมิดความเป็นปกติ อัสสัมชัญในการวัดในรูปแบบหรือโครงสร้างนางแบบ ในทางตรงกันข้าม , ซึ่งกลายเป็นความสําคัญมากสู่ภาวะปกติข้อมูล ผลของ nonnormality บนโปรแกรมจะปรากฏขึ้นโต้ตอบกับขนาดตัวอย่าง สำหรับขนาดใหญ่ขนาดตัวอย่าง nonnormality ที่มีผลกระทบเชิงลบในลิสเรล ( Po มีค่าเพิ่มขึ้นจาก 0.05 0.08 ) ; สำหรับขนาดตัวอย่างสื่อข้อผิดพลาดลดลงจาก 0.2 โป0.18 อย่างไรก็ตาม nonnormality ไม่ได้มากส่งผลกระทบต่อกรุณาสำหรับโครงสร้าง ( คาง 1998 ) ดังนั้นbn-lv ชัดเจนกว่าแต่จะมีโปรแกรมลิสเรลปานกันกับกรุณาผลการค้นหาสำหรับโครงสร้างที่แสดงทั้งกรุณาและ LISREL ทำให้ข้อผิดพลาดการละเลยสูงทั่วไปพบข้อผิดพลาดในขณะที่กรุณาสูงสุดอัตรา ดังนั้นbn-lv โปรยกรุณาและ LISREL ทั้งในเครื่องคอมพิวเตอร์และอัตราความผิดพลาด โปการศึกษาการจำลองยังเน้นความยากในตนเองการทดสอบการวัดและโครงสร้างรุ่น 75 ชุดข้อมูลในแต่ละ lirel ( และกรุณาชุดข้อมูลที่จำเป็นเกี่ยวกับ 30 นาทีเพื่อคำนวณการวัดและโมเดลโครงสร้าง ในทางตรงกันข้าม ,ธรรมชาติของ bn-lv อํานวยความสะดวกอย่างมากแบบอัตโนมัติการประมาณ ( ประมาณไม่กี่วินาทีต่อชุดข้อมูล ) ดังนั้นเมื่อมีความต้องการสำหรับอัตโนมัติกระบวนการของสำรวจโครงสร้างความสัมพันธ์เชิงสาเหตุพหุ โดยเฉพาะอย่างยิ่งสำหรับซับซ้อนแบบที่ห้ามไม่ให้สเปคคู่มือรูปแบบโครงสร้างที่เป็นไปได้ทั้งหมด bn-lv ชัดเจนและเหนือกว่ากรุณาโมเดล5 . การอภิปรายการศึกษานี้เสนอและได้ผลวรรณกรรมดังต่อไปนี้ มันมีส่วนช่วยในการเชิงวรรณกรรมและสังคม และพฤติกรรมวิทยาศาสตร์ทั่วไป โดยเสนอข้อมูลใหม่วิธีวิเคราะห์อุปนัยระบุ LVS จากดิบและการวัดสำหรับรายการมากที่สุดแนวโน้มรูปแบบโครงสร้างสาเหตุของระบุLVS . ที่สอง มันมีส่วนช่วยใน BN วรรณกรรมโดย( ก ) ให้กำหนดหลายรายการ LVS กับเสนอค่าขั้นตอนวิธีและ ( ข ) ให้แบบไม่ต่อเนื่องและข้อมูลสำคัญใน BN กับเสนอโอลเกณฑ์การให้คะแนนการทำงาน สาม ก็มีส่วนช่วยให้ SEM วรรณกรรมโดยการจัดการกับข้อจำกัดที่มีอยู่สามคีย์วิธี SEM ( ลี et al . 1997 ) การระบุสาเหตุการเชื่อมโยงในรูปแบบโครงสร้าง การระบุการวัดโครงสร้างและรูปแบบในลักษณะเชิงสำรวจและช่วยให้ nonlinearities .5.1 ความหมายคือการวิจัยเชิงประจักษ์ส่วนแรก คือ การพัฒนาที่ครอบคลุม( รูปแบบการก่อสร้างวัดและโครงสร้างการค้นพบรูปแบบ ) สำหรับการวิเคราะห์ข้อมูลสำหรับรูปแบบความสัมพันธ์เชิงสาเหตุระหว่างโครงสร้างที่ใช้โดยการสังเกต ,ข้อมูลภาคตัดขวางที่ไม่ต่อเนื่องและ . .ในความเป็นจริงส่วนใหญ่ของการศึกษาเชิงประจักษ์ในคือวรรณกรรมการใช้ข้อมูลในเครื่องชั่งชนิดคนประเภทนี้ในแง่ของโมเดลการวัดการเสนอค่ามีข้อดีหลายกว่าคู่แข่งขั้นตอนวิธีวิธีการ ก่อน , ในทางตรงกันข้ามกับการวิเคราะห์ปัจจัยทั่วไปเทคนิคที่ใช้ " กฎของหัวแม่มือ " อักษรประมาณค่าและโซลูชั่นเสนอการแก้ปัญหาแน่นอนกับโมเดลการวัดโดยจัดหมวดหมู่ทั้งหมดการวัดรายการใน LVS . ประการที่สอง ในทางตรงกันข้ามหรือวิธีการที่กำหนดโครงสร้างบางอย่างในข้อมูล ค่าดำเนินการในโหมดสำรวจ ดังนั้นช่วยให้ข้อมูลที่จะ " พูด " และเป็นประเภทภายใต้ LVS มีแนวโน้มมากที่สุด เพราะ bn-lv ไม่ได้ต้องเป็นนักวิจัยที่ prespecify การวัดรายการของแต่ละเลเวล มันช่วยให้พวกเขาเพื่อสำรวจวิธีใหม่ในการวัดสามารถรายการแบ่ง LVS ใหม่ โดยระบุปัญหารายการ ( ผู้ที่ไม่สามารถจัดประเภทภายใต้ LVS ) นั้นช่วยให้นักวิจัยเพื่อ reevaluate อาจเป็นปัญหารายการดังกล่าว ที่สำคัญที่สุด ค่าขั้นตอนวิธีโดยตรงการทดสอบสัจพจน์พื้นฐานของเงื่อนไขเอกราช จึงช่วยให้ตีความสาเหตุเพื่อความสัมพันธ์ระหว่าง LVS และระบุรายการที่สอดคล้องกับหลักการของการวัดทฤษฎีทางจิตวิทยาของการวัดในแง่ของโครงสร้างการทดสอบ bn-lvการ d-separation และเสนอเงื่อนไขใช้เป็นฟังก์ชันในการสร้างเกณฑ์การให้คะแนนมากที่สุดคชกรรมเครือข่ายเชิงสาเหตุ นี้จะช่วยให้การอนุมานความสัมพันธ์ของโครงสร้างในรูปแบบไม่มีการโครงสร้างของจร . ปฏิบัติการในการสำรวจเจิง pavlou : ใหม่เครือข่ายคชกรรมวิธีการแบบจำลองโครงสร้างที่มีตัวแปรแฝงดูข้อมูลระบบวิจัย 21 ( 2 ) , pp . 365 –สงวนลิขสิทธิ์ 2553 แจ้ง 391 ,โดยอัตโนมัติจะตรวจสอบทั้งหมด bn-lv โหมดโครงสร้างรูปแบบและเลือกมากที่สุดคนหนึ่งนี้มีข้อได้เปรียบเหนือคู่แข่งด้วยวิธีการที่ต้องใช้สเปคคู่มือน่าเชื่อถือรุ่นโดยเฉพาะซับซ้อน .