We base our SEM analysis on maximum

We base our SEM analysis on maximum likelihood (ML)
estimation. Although this method requires multivariate
normality of data (Byrne, 2009), several simulation studies
(e.g., Lei and Lomax, 2005; Boomsma and Hoogland,
2001) have shown that it is apparently quite robust against
the violation of the normality assumption, leading to only
marginally biased parameter estimates. However, standard
errors may be underestimated, thus leading to spurious
results regarding the statistical significance of regression
weights (Byrne, 2009). Therefore, we additionally perform bootstrapping – a technique that has recently received
increasing attention (Cheung and Lau, 2008) – as an aid
to non-normal data (Byrne, 2009; Cheung and Lau, 2008;
Shrout and Bolger, 2002).

ผลลัพธ์ (ไทย) 1:

เราฐานการวิเคราะห์ SEM ของเราความเป็นไปได้สูงสุด (มล)การประเมินการ แม้ว่าวิธีการนี้ต้อง multivariatenormality ของข้อมูล (Byrne, 2009), การศึกษาการจำลองหลาย(เช่น Lei และ Lomax, 2005 Boomsma และ Hoogland2001) ได้แสดงว่า จะเห็นได้ชัดว่าค่อนข้างแข็งแรงต่อต้านการละเมิดของอัสสัมชัญ normality นำไปเท่านั้นพารามิเตอร์ biased ดีประเมิน อย่างไรก็ตาม มาตรฐานข้อผิดพลาดอาจเป็น underestimated จึง นำไปปลอมผลเกี่ยวกับนัยสำคัญทางสถิติการถดถอยน้ำหนัก (Byrne, 2009) ดังนั้น เรานอกจากนี้ทำ bootstrapping – เทคนิคที่ได้รับล่าสุดเพิ่มความสนใจ (จางและ Lau, 2008) – เป็นข้อมูลที่ไม่ปกติ (Byrne, 2009 จางและ Lau, 2008Shrout และ Bolger, 2002)

ผลลัพธ์ (ไทย) 2:

เราฐานการวิเคราะห์ SEM ของเราเกี่ยวกับความเป็นไปได้สูงสุด (ML)
การประมาณค่า แต่วิธีนี้ต้องใช้หลายตัวแปร
ปกติของข้อมูล (เบิร์น, 2009) การศึกษาแบบจำลองหลาย
(เช่น Lei และโลแม็กซ์ 2005; Boomsma และ Hoogland,
2001) แสดงให้เห็นว่ามันเป็นสิ่งที่เห็นได้ชัดค่อนข้างแข็งแกร่งกับ
การละเมิดสมมติฐานปกติที่นำไปสู่ เพียง
ลำเอียงเล็กน้อยประมาณการพารามิเตอร์ อย่างไรก็ตามมาตรฐาน
ข้อผิดพลาดที่อาจจะมีการประเมินจึงนำไปสู่ปลอม
ผลเกี่ยวกับนัยสำคัญทางสถิติของการถดถอย
น้ำหนัก (เบิร์น 2009) ดังนั้นนอกจากนี้เราดำเนินการความร่วมมือ - เทคนิคที่เพิ่งได้รับ
ความสนใจเพิ่มมากขึ้น (Cheung และ Lau 2008) - เป็นตัวช่วย
ในการข้อมูลที่ไม่ปกติ (เบิร์น 2009; Cheung และ Lau, 2008;
Shrout และโบลเกอร์, 2002)

ผลลัพธ์ (ไทย) 3:

เราฐานการวิเคราะห์ SEM ของเราบนความน่าจะเป็นสูงสุด ( มิลลิลิตร )
ประมาณ ถึงแม้ว่าวิธีนี้ต้องมีการแจกแจงแบบปกติหลายตัวแปร
ข้อมูล ( Byrne , 2552 ) ผลการศึกษาหลาย ๆ ( เช่น เล่ย และ โล
, 2005 ; และ boomsma hoogland
, 2001 ) ได้แสดงให้เห็นว่ามันเป็น apparently ที่แข็งแกร่งมากกับ
การละเมิดปกติวิสัย อัสสัมชัญ นำเพียง
ลำเอียงเล็กน้อยค่าประมาณการ อย่างไรก็ตาม มาตรฐาน
ข้อผิดพลาดอาจประมาท จึงนำไปสู่ผลปลอม
เกี่ยวกับสถิติของการถดถอย
น้ำหนัก ( เบิร์น , 2009 ) ดังนั้น เรายังทำ bootstrapping –เทคนิคที่เพิ่งได้รับความสนใจเพิ่มขึ้น ( จาง และเหลา
, 2008 ) ซึ่งเป็นเครื่องช่วย
ข้อมูลปกติไม่ ( Byrne , 2009 ; จาง และเหลา , 2008 ;
shrout และโบลเจอร์ , 2002 )