generated by the method under inves

generated by the method under investigation, divided
by the total number of items in the true measurement
model (20 in our simulated study).
4. Indicator Commission IC. The error rate associated
with misclustered indicators (items). It is computed
as the total number of items generated by the method
under investigation that are misclustered under their
nonhypothesized LVs.
These four criteria can be readily computed by the
LVI algorithm that directly outputs the LVs and the
associated items. However, the LO and IO criteria are
not applicable to the PLS CFA because the true number
of LVs is already prespecified. Also, because the
SAS Proc Factor and the PLS CFA output LVs with the
loadings of each item associated with the LVs, there is
no consensus as to what determines a good LV given
its loadings. A common guideline for ensuring discriminant
validity is that the loading of an item on its
hypothesized LV to be reasonably high (e.g., >0.70)
while the item loadings on the other LVs should be
substantially smaller (e.g.,

ผลลัพธ์ (ไทย) 1:

สร้างขึ้น โดยวิธีการตรวจสอบ แบ่งโดยจำนวนของรายการในการวัดจริงรุ่น (20 ศึกษาจำลองของเรา)4. ค่าคอมมิชชั่นไฟ IC อัตราข้อผิดพลาดที่เกี่ยวข้องกับ misclustered ตัวชี้วัด (รายการ) มีคำนวณเป็นจำนวนรวมของรายการที่สร้างขึ้น โดยวิธีการตรวจสอบที่ misclustered ภายใต้การnonhypothesized LVsเกณฑ์ 4 สามารถคำนวณได้โดยการอัลกอริทึมลียงที่ผลิตผล LVs โดยตรงและสินค้าที่เกี่ยวข้อง อย่างไรก็ตาม มีเงื่อนไขสูงและ IOไม่สามารถใช้ได้กับ CFA เพราะเนื่องจากจำนวนจริงของ LVs ที่มีอยู่แล้ว prespecified นอกจากนี้ เนื่องจากการปัจจัยกระบวนการ SAS และ CFA กรุณาออก LVs มีการรับน้ำหนักของแต่ละสินค้าที่เกี่ยวข้องกับ LVs มีมติไม่เป็นสิ่งที่กำหนด LV ดีที่ได้รับการรับน้ำหนัก แนวทางทั่วไปมั่นใจ discriminantมีผลบังคับใช้คือ การโหลดของสินค้าในการตั้งสมมติฐาน LV จะสูงพอสมควร (เช่น > 0.70)ในขณะที่รับน้ำหนักของสินค้าบน LVs อื่น ๆ ควรจะมีขนาดเล็กมาก (เช่น < 0.40) (Gefen et al. 2000)กฎง่าย ๆ อนุรักษ์นิยมมีความแตกต่างระหว่างตัวบ่งชี้การตั้งสมมติฐาน และ nonhypothesizedจะน้อย 0.2 หากมีละเมิดกฎนี้ และสินค้าโหลดใน LV มากกว่าหนึ่ง เราตรวจหาตัวบ่งชี้เป็น IC ถ้าโหลดตัวชี้วัดใด ๆ จาก LVs แตกต่างลงในLV เดียว เราตรวจหา LC เนื่องจากวิธีการที่ไม่ไม่แยกแยะระหว่างรายการเหล่านี้ ถ้าตัวบ่งชี้โหลดลง LV ใด ๆ IO ถูกตรวจพบ ในที่สุด ถ้าไม่ได้ระบุ LV ในรูปแบบการวัดจริงโดยวิธี เราตรวจพบการหล่อตาราง 5 แสดงผลสรุปสำหรับลียง EFA(ปัจจัยกระบวนการ SAS), และ CFA (PLS) สำหรับค่าเฉลี่ยมากกว่าทำงาน 5 คอลัมน์ 1 บ่งชี้ว่า ขนาดตัวอย่าง คอลัมน์2 หมายถึงระดับเสียง (ต่ำ ปานกลาง หรือสูง) คอลัมน์ 3 บ่งชี้ว่า ข้อมูลสร้างขึ้นจากการแจกแจงปกติและ 4 คอลัมน์บ่งชี้ว่าอธิบายว่า มี nonlinearity เป็นข้างต้น ตาราง 5 แสดงว่าโดยเฉลี่ยอัลกอริทึมลียงมีสูงกว่าไฟวิธี EFA และ CFA เป็นการขนาดตัวอย่างเพิ่มขึ้น ข้อผิดพลาดของลียงกะจากคณะกรรมการงดการ PLS CFA จะมีความไวน้อยไปขนาดตัวอย่าง สัญญาณรบกวนมีผลประสิทธิภาพการทำงานของอัลกอริทึมลียง Nonnormality มีผลต่อการCFA มากที่สุด (เช่น ราคา LC ไปจาก 0.36 0.68สำหรับ n = 1000) . อย่างไรก็ตาม nonlinearity ไม่ปรากฏจะมีผลกระทบชัดเจนในสามวิธีเราวิ่งวิเคราะห์ ANOVA วัดซ้ำสอง:หนึ่งระหว่างลียง และ EFA (ตาราง 6) อย่างใดอย่างหนึ่งระหว่างลียงและ CFA (ตาราง 7) การตรวจสอบการบทบาทของสี่มิติจำลอง (ขนาดตัวอย่างเสียง คัมภีร์พระไตรปิฎกว่า และเส้นตรง)ตารางที่ 6 แสดงว่า ลียงที่อยู่เหนือกว่ามากการ EFA LO, LC และ IC(ค่า p < 0 05) และมีความสำคัญในแง่ของเล็กน้อยIO (ค่า p = 0 051) (ในเรื่อง) ในระหว่างเจิ้งและ Pavlou: ทฤษฎีใหม่เครือข่ายวิธีสำหรับรูปแบบโครงสร้างมีตัวแปรแฝงระบบข้อมูลวิจัย 21(2), pp. 365 – 391, © 2010 แจ้ง 3836 ตาราง ANOVA ผลลียงและ EFA (SAS Proc ปัจจัย)วัดแหล่งเปรียบเทียบ F-ค่านัยสำคัญ (ค่า p)ภายในลียงกับ EFA หล่อ 4 188 0 045LC 5 415 0 023IO 3 947 0 051IC 6 075 0 016ระหว่างขนาดตัวอย่างต่ำ 27 067 0 000LC 5 178 0 008IO 28 189 0 000IC 2 243 0 114เสียงหล่อ 3 066 0 053LC 10 858 0 000IO 3 122 0 050IC 5 417 0 007Nonnormality หล่อ 0 282 0 597LC 2 516 0 117IO 0 287 0 594IC 1 356 0 248Nonlinearity หล่อ 3 785 0 056LC 11 362 0 001IO 4 588 0 036IC 11 503 0 001ลียงโดยทั่วไปจะแสดงการเปรียบเทียบวัตถุเหนือกว่า EFA ในแง่ของขนาดตัวอย่าง เสียง และnonlinearity แต่ไม่อยู่ในเงื่อนไขของ nonnormalityตาราง 7 แสดงการเปรียบเทียบระหว่างลียง และCFA การเปรียบเทียบภายในวัตถุที่แสดงให้เห็นว่าการอัลกอริทึมลียงอย่างมีสูงกว่าไฟ CFA ในเงื่อนไขทั้ง LC และ IC การเปรียบเทียบระหว่างวัตถุแสดงว่า ลียงที่มีสูงกว่าไฟที่ CFA ในแทบบัญชีทั้งหมดยกเว้นขนาดตัวอย่างสำหรับ LC4.2.4. โครงสร้างแบบเปรียบเทียบ ส่วนนี้พันล้าน-LV การเปรียบเทียบกับวิธีที่ 4: PLS, LISRELและวิธีพันล้านสอง — วิธีเมตริก BD ตาม7 ตาราง ANOVA ผลลียงและ CFA (PLS)วัดแหล่งเปรียบเทียบ F-ค่าความสำคัญภายในลียงกับ CFA LC 41 789 0 000IC 57 274 0 000ระหว่างขนาดตัวอย่าง LC 0 611 0 546IC 3 885 0 025เสียง LC 27 521 0 000IC 48 402 0 000Nonnormality LC 14 505 0 000IC 9 009 0 004Nonlinearity LC 14 505 0 000IC 4 294 0 042บนสมมติฐาน dirichlet เป็นข้อมูล (Heckermanปี 1996) และวิธีนที่สมมติข้อมูลคัมภีร์พระไตรปิฎกว่า (Glymour et al. 1987) กราฟ (โครงสร้างสร้างแบบจำลอง) โดย 5 วิธีเปรียบเทียบกับกราฟ prespecified (Pavlou 2003) ซึ่งข้อมูลถูกจำลองขึ้น ต่อไปนี้ Spirtes et al. (2000),เราใช้เกณฑ์เปรียบเทียบสาม:1. เส้นทางงด PO อัตราข้อผิดพลาดที่เกี่ยวข้องมีทางเดินเว้นไว้ (เชื่อมโยง) คำนวณเป็นจำนวนเส้นทาง ที่อยู่ในรูปแบบโครงสร้างจริง(กราฟ) แต่ไม่ได้ระบุวิธีการภายใต้สืบสวน หาร ด้วยผลรวมเหงือออก

ผลลัพธ์ (ไทย) 2:

ที่สร้างขึ้นโดยวิธีการภายใต้การสอบสวนแบ่งออก
โดยจำนวนรวมของสินค้าที่อยู่ในวัดจริง
รูปแบบ (20 จำลองในการศึกษาของเรา).
4 ตัวบ่งชี้ที่สำนักงานคณะกรรมการกำกับ? IC ?. อัตราความผิดพลาดที่เกี่ยวข้อง
กับตัวชี้วัด misclustered (รายการ) มันคือการคำนวณ
เป็นจำนวนรวมของรายการที่สร้างขึ้นโดยวิธีการ
ภายใต้การสอบสวนที่ misclustered ภายใต้ของพวกเขา
LVs nonhypothesized.
สี่เกณฑ์เหล่านี้สามารถคำนวณได้อย่างง่ายดายโดย
อัลกอริทึมที่โดยตรง LVI ออกผลลัพธ์เป็น LVs และ
รายการที่เกี่ยวข้อง อย่างไรก็ตามที่แท้จริงและ IO เกณฑ์
ไม่สามารถใช้ได้กับ PLS CFA เนื่องจากจำนวนที่แท้จริง
ของ LVs ถูก prespecified แล้ว นอกจากนี้เนื่องจาก
SAS พรปัจจัยและเอาท์พุท LVs PLS CFA กับ
ภาระของแต่ละรายการที่เกี่ยวข้องกับ LVs มี
ฉันทามติเป็นสิ่งที่กำหนด LV ดีเนื่องจากไม่มี
แรงของมัน แนวทางร่วมกันในการตรวจสอบการจำแนก
ความถูกต้องคือการโหลดของรายการบนเป็นไปตามสัญญา
LV สมมติฐานที่จะสูงพอสมควร (เช่น> 0.70)
ขณะที่แรงรายการใน LVs อื่น ๆ ควรจะ
มีนัยสำคัญที่มีขนาดเล็ก (เช่น <0.40) (Gefen et al, . 2000).
กฎอนุรักษ์นิยมของหัวแม่มือคือความแตกต่าง
ระหว่างตัวชี้วัดและตั้งสมมติฐาน nonhypothesized
เป็นอย่างน้อย 0.2 ถ้ากฎนี้เป็นละเมิดและ
โหลดรายการมากกว่าหนึ่ง LV, เราตรวจพบตัวบ่งชี้
เป็น IC หากตัวชี้วัดใด ๆ จาก LVs ที่แตกต่างกันโหลดลงใน
LV เดียวเราตรวจพบ LC เพราะวิธีการที่ไม่
ไม่เลือกปฏิบัติในรายการเหล่านี้ ถ้าเป็นตัวบ่งชี้
ไม่ได้โหลดลงบน LV ใด ๆ IO มีการตรวจพบ สุดท้ายหาก
LV ในรูปแบบการวัดจริงจะไม่ถูกระบุ
โดยวิธีการที่เราตรวจพบ LO.
ตารางที่ 5 นำเสนอผลสรุปสำหรับ LVI, EFA
(SAS พรปัจจัย) และ CFA (PLS) สำหรับค่าเฉลี่ยมากกว่า
ห้าวิ่ง คอลัมน์ที่ 1 แสดงให้เห็นขนาดของกลุ่มตัวอย่าง คอลัมน์
2 หมายถึงระดับความดังของเสียง (ต่ำปานกลางหรือ
สูง) คอลัมน์ 3 บ่งชี้ว่าข้อมูลที่ถูกสร้างขึ้น
จากการกระจายปกติและเสาที่ 4 แสดงให้เห็น
ว่ามีความไม่เป็นเชิงเส้นตามที่อธิบายไว้
ข้างต้น ตารางที่ 5 แสดงให้เห็นว่าโดยเฉลี่ยขั้นตอนวิธี LVI
มีประสิทธิภาพดีกว่า EFA และ CFA วิธี ในฐานะที่เป็น
ขนาดตัวอย่างเพิ่มข้อผิดพลาด LVI กะจากคณะกรรมการ
ที่จะละเลย PLS CFA เป็นอย่างน้อยที่มีความไวต่อ
ขนาดของกลุ่มตัวอย่าง เสียงรบกวนมีผลกระทบต่อประสิทธิภาพการทำงาน
ของอัลกอริทึม LVI Nonnormality มีผลต่อ
CFA มากที่สุด (เช่นอัตรา LC ไป 0.36-0.68
สำหรับ n = 1
000) แต่ไม่เป็นเชิงเส้นไม่ปรากฏ
. จะมีผลกระทบที่ชัดเจนในสามวิธี
เราวิ่งสองวัดซ้ำ ANOVA วิเคราะห์:
หนึ่งระหว่าง LVI และปวงชน (ตารางที่ 6) และเป็นหนึ่งใน
ระหว่าง LVI และ CFA (ตารางที่ 7) ในการตรวจสอบ
บทบาทของสี่มิติจำลอง (ขนาดตัวอย่าง
เสียงปกติและเป็นเส้นตรง).
ตารางที่ 6 แสดงให้เห็นว่า LVI อย่างมีนัยสำคัญที่เหนือกว่า
ให้กับปวงชนในแง่ของ LO, LC, และ IC
(p-value <0 05) และมีความสำคัญเล็กน้อย ในแง่ของ
IO (p-value = 0 051) (ภายในวิชา) ระหว่าง
เจิ้งเหอและ Pavlou: นิวเบส์เครือข่ายโครงสร้างวิธีการรุ่นที่มีตัวแปรแฝง
ระบบสารสนเทศเพื่อการวิจัย 21 (2), PP 365-391, © 2010 INFORMS 383.
ตารางที่ 6 ผลการวิเคราะห์ความแปรปรวนระหว่าง LVI และปวงชน (SAS พรปัจจัย)
เปรียบเทียบแหล่งที่มาของวัด F -value สำคัญ (p-value)
ภายใน LVI กับปวงชน LO 4? 188 0? 045
LC 5? 415 0? 023
IO 3 947 0? 051
IC 6 075 0? 016
ระหว่างขนาดตัวอย่าง LO 27? 067 0 ? 000
LC 5? 178 0? 008
IO 28 189 0? 000
IC 2? 243 0? 114
เสียงรบกวน LO 3 066 0? 053
LC 10 858 0? 000
IO 3 122 0? 050
IC 5? 417 0 ? 007
Nonnormality LO 0? 282 0? 597
LC 2? 516 0? 117
IO 0 287 0? 594
IC 1 356 0? 248
Nonlinearity LO 3 785 0? 056
LC 11 362 0? 001
IO 4? 588 0? 036
IC 11 503 0? 001
เปรียบเทียบวิชาแสดง LVI โดยทั่วไปแล้ว
กว่าปวงชนในแง่ของขนาดตัวอย่างเสียงและ
ไม่เป็นเชิงเส้น แต่ไม่ใช่ในแง่ของ nonnormality.
ตารางที่ 7 แสดงการเปรียบเทียบระหว่าง LVI และ
CFA การเปรียบเทียบภายในวิชาที่แสดงให้เห็นว่า
อัลกอริทึม LVI อย่างมีนัยสำคัญมีประสิทธิภาพดีกว่า CFA ในแง่
ของทั้งสอง LC และ IC การเปรียบเทียบระหว่างวิชา
นอกจากนี้ยังแสดงให้เห็นว่ามีประสิทธิภาพดีกว่า LVI CFA ในแทบ
ทุกบัญชียกเว้นภายใต้ขนาดตัวอย่างสำหรับ LC.
4.2.4 โครงสร้างการเปรียบเทียบรูปแบบ ในส่วนนี้จะ
เปรียบเทียบ BN-LV กับสี่วิธี: PLS, ลิสเรล,
และสอง BN วิธี-BD-ตัวชี้วัดตามแนวทาง
ตารางที่ 7 ผลการวิเคราะห์ความแปรปรวนระหว่าง LVI และ CFA (PLS)
มาเปรียบเทียบวัด F สำคัญ -value
ภายใน LVI กับ CFA LC 41 ? 789 0? 000
IC 57? 274 0? 000
ระหว่างขนาดตัวอย่าง LC 0? 611 0? 546
IC 3 885 0? 025
เสียงรบกวน LC 27? 521 0? 000
IC 48? 402 0? 000
Nonnormality LC 14? 505 0 ? 000
IC 9 009 0? 004
Nonlinearity LC 14? 505 0? 000
IC 4? 294 0? 042
บนสมมติฐาน Dirichlet ของข้อมูล (Heckerman
1996) และวิธีการแบบเกาส์ที่ถือว่าข้อมูล
ปกติ (Glymour et al. 1987) . กราฟ (โครงสร้าง
Model) ที่สร้างโดยห้าวิธีการคือเมื่อเทียบ
กับกราฟ prespecified (Pavlou 2003) ซึ่ง
ข้อมูลที่ถูกจำลอง ต่อไปนี้ Spirtes et al, (2000)
เราจะใช้เกณฑ์การเปรียบเทียบที่สาม:
1 งดเส้นทาง? PO ?. อัตราความผิดพลาดที่เกี่ยวข้อง
กับเส้นทางละเว้น (ลิงก์) มันคือการคำนวณเป็นจำนวน
ของเส้นทางที่อยู่ในรูปแบบโครงสร้างที่แท้จริง
(กราฟ) แต่ไม่ได้ระบุวิธีการภายใต้
การตรวจสอบโดยแบ่งชาทั้งหมด

ผลลัพธ์ (ไทย) 3:

ที่สร้างขึ้นโดยวิธีการสอบสวน แบ่งจากจำนวนของรายการในวัดจริง( 20 ) การศึกษาในแบบของเรา )4 . ตัวบ่งชี้ที่คณะกรรมการ IC ข้อผิดพลาดที่อัตรากับ misclustered ตัวบ่งชี้ ( รายการ ) มันคำนวณเป็นจำนวนรวมของรายการที่สร้างขึ้นโดยวิธีภายใต้การตรวจสอบที่ misclustered ภายใต้พวกเขาnonhypothesized LVS .เหล่านี้สี่เกณฑ์สามารถพร้อมคำนวณโดยค่าของผล LVS และโดยตรงรายการที่เกี่ยวข้อง อย่างไรก็ตาม เกณฑ์และ IO เป็นโลไม่สามารถใช้งานได้เพื่อ pls CFA เพราะจํานวนจริงของ LVS ได้จร . ก็ เพราะปัจจัยระบบ proc และ pls CFA ออก LVS กับภาระของแต่ละรายการที่เกี่ยวข้องกับ LVS , มีไม่เอกฉันท์เป็นสิ่งที่กำหนดให้ lv ดีการกระทำ . แนวทางร่วมกันเพื่อจำแนกใช้ตรวจสอบว่าโหลดของรายการของมันสมมติฐานเลเวลจะสูงพอสมควร ( เช่น > 0.70 )ในขณะที่รายการอื่นๆ ที่ควรกระทำใน LVSมากขนาดเล็ก ( เช่น < 0.40 ) ( gefen et al . 2000 )กฎอนุรักษ์ของง่ายๆสำหรับความแตกต่างและตัวชี้วัดความ nonhypothesized ระหว่างเป็นอย่างน้อย 0.2 ถ้ากฎนี้ถูกละเมิด และรายการโหลดมากกว่าหนึ่งเลเวล เราตรวจสอบตัวบ่งชี้เป็น IC ถ้ามีตัวชี้วัดต่างๆใน LVS โหลดเป็น LV เดียว , เราตรวจสอบ LC เนื่องจากวิธีการไม่ไม่แบ่งแยกระหว่างรายการเหล่านี้ ถ้าเป็น ตัวบ่งชี้ไม่โหลดลงบนใด ๆ LV , IO ถูกตรวจพบ สุดท้าย ถ้ามี LV ในรูปแบบการวัดที่เป็นจริงไม่ได้ระบุโดยวิธีการที่เราพบเป็นโลตารางที่ 5 แสดงผลสรุปสำหรับค่า EFA ,( ปัจจัย proc SAS ) และ CFA ( PLS ) เฉลี่ยมากกว่าห้าวิ่ง 1 คอลัมน์ พบว่า ขนาดตัวอย่าง คอลัมน์2 แสดงระดับเสียง ( ต่ำ ปานกลาง หรือสูง ) 3 คอลัมน์ระบุว่าข้อมูลจะถูกสร้างขึ้นจากการแจกแจงแบบปกติและคอลัมน์ที่ 4 บ่งชี้ว่าไม่ว่าจะเป็นค่าตามที่อธิบายข้างต้น ตารางที่ 5 พบว่า โดยเฉลี่ยค่าขั้นตอนวิธีมีประสิทธิภาพดีกว่าวิธีการ EFA CFA เป็นเพิ่มขนาดตัวอย่าง , ค่าความคลาดเคลื่อนจากค่าคอมกะเพื่อการละเลย กรุณา CFA เป็นอย่างน้อยที่ละเอียดอ่อนขนาดตัวอย่าง เสียงที่มีผลกระทบต่อการปฏิบัติงานของค่าขั้นตอนวิธี nonnormality มีผลซึ่งส่วนใหญ่ ( เช่น ค่าคะแนนไปจาก 0.36 0.68n = 1000 ) อย่างไรก็ตาม ค่าไม่ปรากฏจะมีผลกระทบชัดเจนใน 3 วิธีเราวิ่งสองวัดซ้ำ ( ANOVA การวิเคราะห์ :หนึ่งระหว่างค่าและ EFA ( ตารางที่ 6 ) และหนึ่งระหว่างค่าและ CFA ( ตารางที่ 7 ) เพื่อศึกษาบทบาทใน 4 มิติ ( ขนาดตัวอย่าง , จำลองเสียง , ธรรมดา , และเป็นเส้นตรง )ตารางที่ 6 แสดงให้เห็นว่าค่าเป็นอย่างเหนือกว่ากับข้าพเจ้าในแง่ของโล , LC , และไอซี( p-value < 0.05 ) และค่อนข้างสำคัญในแง่ของไอโอ ( p-value = 0051 ) ( ภายในกลุ่ม ) ช่วงระหว่างเจิง pavlou : ใหม่เครือข่ายคชกรรมวิธีการแบบจำลองโครงสร้างที่มีตัวแปรแฝงระบบข้อมูลวิจัย 21 ( 2 ) , pp . 365 – 391 , สงวนลิขสิทธิ์ 2553 แจ้งแน่นอนตารางที่ 6 การวิเคราะห์ความแปรปรวนระหว่างผลค่า EFA ( ปัจจัย proc SAS ) และการเปรียบเทียบการวัดค่า F - แหล่งสำคัญ ( p-value )ภายในค่ากับ EFA 4001 0045 โล5415 0023 LCIO 3947 00516075 0016 ไอซีระหว่างขนาดตัวอย่าง 27067 10000 โล5178 0008 LCIO 28189 0000IC เร็ว 0 114เสียง 3066 0053 โล10858 0000 LCIO 0050 3707เอเซีย 0007 ไอซีnonnormality 0282 0597 โลLC 2516 0 117IO 0287 0 594IC 1273 0 248ค่า 3785 0056 โลเอเซีย 0001 LCIO 4588 003611503 0001 ไอซีการเปรียบเทียบเพื่อแสดงค่าเป็นโดยทั่วไปเสียงเหนือกว่าข้าพเจ้า ในแง่ของขนาดตัวอย่าง และค่า แต่ไม่ใช่ในแง่ของ nonnormality .ตารางที่ 7 แสดงการเปรียบเทียบระหว่างค่าและCFA ในการเปรียบเทียบเพื่อแสดงให้เห็นว่าค่าระดับ CFA ในแง่ของโปรโตทั้ง LC และ IC การเปรียบเทียบระหว่างคนนอกจากนี้ยังพบว่า ค่าโปรย CFA ในจวนบัญชีทั้งหมดยกเว้นภายใต้ขนาดตัวอย่างสำหรับ LC .4.2.4 . การเปรียบเทียบแบบจำลองโครงสร้าง ส่วนนี้เปรียบเทียบ bn-lv ด้วย 4 วิธี : กรุณาด้วย , ,และสองซึ่งวิธีเมตริกแบบ BD จากตารางที่ 7 การวิเคราะห์ความแปรปรวนระหว่างผลค่า CFA ( PLS ) และการเปรียบเทียบการวัดค่า F - แหล่ง .ภายในค่า CFA LC 41789 0000 vs .57274 0000 ไอซีระหว่างขนาดตัวอย่าง 0611 0 ถ้า LC3885 0025 ไอซีเสียง 27521 0000 LC48402 0000 ไอซีnonnormality 14505 0000 LC9009 จดจําไอซีค่า LC 14505 00003541 0042 ไอซีบนสมมติฐานของข้อมูล ( heckerman ดีริชเลต์1996 ) และลักษณะวิธีการที่ถือว่าข้อมูลปกติ ( glymour et al . 1987 ) กราฟ ( โครงสร้างรุ่น ) สร้างขึ้นโดยวิธีการเปรียบเทียบกับจรกราฟ ( pavlou 2003 ) ที่ข้อมูลจำลอง ต่อไปนี้ spirtes et al . ( 2000 )เราใช้สามเกณฑ์ : เปรียบเทียบ1 . เส้นทางรถยนต์ โป ข้อผิดพลาดที่อัตรากับตัดทอนเส้นทาง ( ลิงก์ ) มันคำนวณเป็นจำนวนของเส้นทางที่อยู่ในรูปแบบโครงสร้างจริง( กราฟ ) แต่ไม่ได้ระบุวิธีการภายใต้การแบ่งโดยรวม