does not imply causality). Second,

does not imply causality). Second, BN-LV can automatically
discover the most likely structural model
from observational data without imposing a prespecified
structure, thus exploring alternative SEM models.
Third, BN-LV does not rely on any functional form
(e.g., linear) to capture the relationships among constructs,
thus allowing potentially nonlinear relationships
to freely emerge in the structural model.
Similar to existing SEM techniques (e.g., LISREL
and PLS), the proposed BN-LV method operates in
two stages: measurement model construction and
structural model discovery.6 First, BN-LV inductively
identifies the LVs given the measurement items in
an exploratory mode. This is achieved by our proposed
LVI (Latent Variable Identification) algorithm,
which is based on testing the conditional independence
axiom (Kline 1998, Heinen 1996). This axiom
asserts that the measurement items of the same LV
are supposed to be caused by the LV and thus
should be independent of each other (conditional on
the LV). Second, after the LVs are identified, BN-LV
exploratory discovers the most likely causal structure
among the LVs. In particular, we develop the OL
(ordered logit) scoring function to select competing
structures specifically for ordinal and discrete (Likerttype)
data, which are common in IS research. Besides,
BN-LV can also be used in a confirmatory mode by
examining the fitness of a potential causal structure.
Overall, the inputs to the BN-LV method are the raw
measurement items, and the final output is the most
likely causal BN graph that links the identified LVs.
We describe how BN-LV works with actual empirical
data to demonstrate how BN-LV can help reconcile
competing hypotheses in terms of the directionality of
causality when integrating trust with the technology
acceptance model (TAM) (Gefen et al. 2003, Pavlou
2003), specifically the relationship between two constructs:
trust and ease of use. Carte and Russell (2003)
argue that it is a common error in IS research not to
examine the reverse causality between two variables X
and Y (Carte and Russell 2003, p. 487): “Investigators
6 The proposed BN-LV method is essentially a data analysis technique
that only examines the measurement model (validation of the
measurement properties of LVs) and the structural model (testing
the causal relationships among LV). It does not address issues of
theory and measurement development, data collection, and theory
implications that a complete research project includes.
need to be aware of theoretical rationale justifying the
X→Y or Y →X causal orders.” However, solely relying
on theories to reconcile the directionality of causality
may not be sufficient because there can be equally
plausible theories, such as the direction of causality
between trust and ease of use. BN-LV is particularly
useful in these circumstances by providing a datadriven
method to reconcile competing hypotheses.
This also has implications for new theory development
(where there is no theory basis), which is common
in IS research because of the rapid change of IT.
To evaluate BN-LV relative to existing data analysis
techniques for testing the measurement and the
structural model, we conducted a large-scale simulation
study by varying four data dimensions: sample
size, noise, linearity, and normality. First, we compared
LVI with the exploratory factor analysis (EFA)
(SAS Proc Factor) and the confirmatory factor analysis
(PLS) for measurement model testing. Second,
we compared BN-LV with LISREL and PLS in terms
of structural model testing. Third, we compared our
proposed OL scoring function with two existing BN
scoring functions—a Bayesian-Dirichlet-based function
(Heckerman 1996) and a Gaussian-based function
(Glymour et al. 1987). The results show that BN-LV
overall outperforms all of the other techniques under
three of the four simulated conditions (size, linearity,
normality), except when the data are noisy, because
SEM methods (LISREL and PLS) tend to work well
with noisy data (Fornell and Larcker 1981).
This study contributes to the IS literature by proposing
a new data analysis method for inferring causal
relationships from observational, cross-sectional,
Likert-type data that are prevalent in IS research.
Our BN-LV method has several advantages over
alternative SEM methods: First, it tests the measurement
model by identifying the appropriate LVs from
raw measurement items, operating in an exploratory
mode without imposing a determined measurement
model structure (as opposed to SEM). Our novel use
of the conditional independence axiom enables causal
interpretation between the LV and its associated
measurement items, thereby being the only method
that is consistent with the theory of measurement.
Second, BN-LV infers causal (as opposed to correlation)
links between the identified LVs by testing all
plausible structural models in an automated fashion
Zheng and Pavlou: New Bayesian Networks Method for Structural Models with Latent Variables
368 Inform

ผลลัพธ์ (ไทย) 1:

หมายความว่าอำนาจ) ที่สอง พันล้าน-LV สามารถโดยอัตโนมัติค้นพบรูปแบบโครงสร้างมากที่สุดจากข้อมูลเชิงสังเกตการณ์โดยการ prespecified การจัดเก็บภาษีโครงสร้าง จึง สำรวจรุ่น SEM อื่นที่สาม LV พันล้านไม่ใช้แบบฟอร์มใด ๆ ทำงาน(เช่น เส้น) เพื่อจับภาพความสัมพันธ์ระหว่างโครงสร้างซึ่งทำให้ความสัมพันธ์เชิงเส้นอาจจะโผล่ออกมาได้อย่างอิสระในรูปแบบโครงสร้างคล้ายกับเทคนิค SEM อยู่ (เช่น LISRELและ PLS), วิธีพันล้าน-LV เสนอดำเนินการในขั้นที่สอง: ก่อสร้างวัด และdiscovery.6 โครงสร้างรุ่นแรก พันล้าน-LV inductivelyระบุ LVs รายการประเมินที่กำหนดในโหมดการสำรวจ นี่คือความสำเร็จ โดยการเสนอของเราอัลกอริทึมลียง (รหัสตัวแปรแฝง)ซึ่งเป็นไปตามการทดสอบความเป็นอิสระแบบมีเงื่อนไขสัจพจน์ (Kline 1998, Heinen 1996) สัจพจน์นี้asserts ที่รายการประเมินของ LV เหมือนกันควรจะเกิดจาก LV และควรจะเป็นอิสระจากกัน (ตามเงื่อนไขในLV) ที่สอง หลังจาก LVs ที่ระบุ LV พันล้านสำรวจพบโครงสร้างเชิงสาเหตุมากที่สุดระหว่าง LVs โดยเฉพาะอย่างยิ่ง เราพัฒนาการ OLคะแนน (สั่ง logit) ทำการเลือกการแข่งขันโครงสร้างเฉพาะสำหรับลำดับ และต่อเนื่อง (Likerttype)ข้อมูล ซึ่งใช้กันทั่วไปในการวิจัยคือ นอกจากนี้พันล้าน-LV ยังสามารถใช้ในโหมดเมื่อโดยตรวจสอบกายของโครงสร้างเชิงสาเหตุมีศักยภาพโดยรวม วิธีพันล้าน-LV จะดิบรายการวัด และผลลัพธ์สุดท้ายเป็นส่วนใหญ่แนวโน้มเชิงสาเหตุพันล้านกราฟที่เชื่อมโยง LVs ระบุเราอธิบายวิธีพันล้าน-LV ทำงานกับจริงเชิงประจักษ์ข้อมูลแสดงให้เห็นถึงวิธีพันล้าน-LV ช่วยกระทบยอดhypotheses แข่งขันในแง่ของทิศของอำนาจเมื่อรวมความไว้วางใจกับเทคโนโลยีแบบจำลองการยอมรับ (TAM) (Gefen et al. 2003, Pavlou2003), โดยเฉพาะอย่างยิ่งความสัมพันธ์ระหว่างโครงสร้างที่สอง:ความน่าเชื่อถือและใช้งานง่าย อาหารตามสั่งและรัสเซล (2003)ยืนยันว่า ไม่มีข้อผิดพลาดทั่วไปในการวิจัยคือการตรวจสอบอำนาจย้อนกลับระหว่างสองตัวแปร Xและ Y (อาหารตามสั่งและรัสเซล 2003, p. 487): "นักสืบ6 วิธีพันล้าน-LV การนำเสนอเป็นเทคนิคการวิเคราะห์ข้อมูลเป็นหลักที่ตรวจสอบแบบประเมิน (ตรวจสอบการการวัดคุณสมบัติของ LVs) และรูปแบบโครงสร้าง (การทดสอบในความสัมพันธ์เชิงสาเหตุระหว่าง LV) มันไม่สามารถแก้ไขปัญหาของทฤษฎี และการพัฒนาวัด เก็บข้อมูล และทฤษฎีผลกระทบที่มีโครงการวิจัยที่สมบูรณ์ต้องระวัง justifying เหตุผลทฤษฎีการX→Y หรือ Y →X สาเหตุสั่ง" อย่างไรก็ตาม ผู้อาศัยในทฤษฎีกระทบทิศของอำนาจอาจไม่เพียงพอเนื่องจากมีเท่า ๆ กันทฤษฎีที่เป็นไปได้ เช่นทิศทางของอำนาจระหว่างความเชื่อถือและใช้งานง่าย พันล้าน-LV เป็นอย่างยิ่งมีประโยชน์ในสถานการณ์เหล่านี้ให้เป็น datadrivenวิธีกระทบยอด hypotheses แข่งขันนี้มีผลกระทบต่อการพัฒนาทฤษฎีใหม่(มีไม่มีพื้นฐานทฤษฎี), ซึ่งเป็นทั่วไปในการวิจัยคือการเปลี่ยนแปลงอย่างรวดเร็วของมันการประเมิน LV พันล้านเมื่อเทียบกับการวิเคราะห์ข้อมูลที่มีอยู่เทคนิคสำหรับการทดสอบการวัด และการรูปแบบโครงสร้าง ที่เราดำเนินการจำลองขนาดใหญ่ศึกษาตามขนาดข้อมูลที่สี่: ตัวอย่างขนาด เสียง เส้นตรง และคัมภีร์พระไตรปิฎกว่า ครั้งแรก เราเปรียบเทียบลียงกับการวิเคราะห์ปัจจัยเชิงบุกเบิก (EFA)(ปัจจัยกระบวนการ SAS) และการวิเคราะห์ปัจจัยเมื่อ(PLS) สำหรับการวัดแบบทดสอบ วินาทีเราเปรียบเทียบพันล้าน-LV LISREL และ PLS ในเงื่อนไขโครงสร้างแบบทดสอบ ที่สาม เราเปรียบเทียบของเราOL เสนอฟังก์ชันกับสองการให้คะแนนที่มีอยู่พันล้านฟังก์ชั่นการให้คะแนนซึ่งตามทฤษฎี dirichlet เป็นฟังก์ชัน(Heckerman 1996) และฟังก์ชันนที่ใช้(Glymour et al. 1987) ผลลัพธ์แสดงว่า LV พันล้านโดยรวม มีสูงกว่าไฟทั้งหมดของเทคนิคอื่น ๆ ภายใต้สามสี่เงื่อนไขจำลอง (ขนาด เส้นตรงคัมภีร์พระไตรปิฎกว่า), ยกเว้นข้อมูลที่เป็นเสียง เนื่องจากวิธี SEM (LISREL และ PLS) มักจะ ทำงานดีข้อมูลเสียง (Fornell และ Larcker 1981)การศึกษานี้สนับสนุนวรรณกรรมอยู่ โดยเสนอวิธีการวิเคราะห์ข้อมูลใหม่สำหรับ inferring เชิงสาเหตุความสัมพันธ์เชิงสังเกตการณ์ ป่วยข้อมูลของ Likert ชนิดที่แพร่หลายในการวิจัยคือวิธีพันล้าน-LV ของเรามีข้อดีหลายผ่านวิธี SEM อื่น: ครั้งแรก มันทดสอบการวัดรูปแบบ โดยระบุ LVs เหมาะสมจากวัดดิบสินค้า ทำงานในการสำรวจโหมดไม่สง่างามวัดกำหนดรูปแบบโครงสร้าง (SEM) ไม่ใช่ ใช้นวนิยายให้สาเหตุของความเป็นอิสระแบบมีเงื่อนไข สัจพจน์การตีความระหว่าง LV และความสัมพันธ์รายการวัด จึงเป็นเพียงวิธีการที่ไม่สอดคล้องกับทฤษฎีการวัดที่สอง พันล้าน-LV infers เชิงสาเหตุ (ตรงข้ามกับความสัมพันธ์)เชื่อมโยงระหว่าง LVs ระบุโดยการทดสอบทั้งหมดรูปแบบโครงสร้างเป็นไปได้ในแฟชั่นแบบอัตโนมัติเจิ้งและ Pavlou: ทฤษฎีใหม่เครือข่ายวิธีสำหรับรูปแบบโครงสร้างมีตัวแปรแฝงแจ้ง 368

ผลลัพธ์ (ไทย) 2:

ไม่ได้หมายความถึงเวรกรรม) ประการที่สอง BN-LV จะสามารถ
ค้นพบรูปแบบโครงสร้างได้มากที่สุด
จากข้อมูลสังเกตการณ์โดยไม่ต้องจัดเก็บภาษี prespecified
โครงสร้างจึงสำรวจรุ่น SEM ทางเลือก.
สาม BN-LV ไม่ได้ขึ้นอยู่กับรูปแบบการทำงานใด ๆ
(เช่นการเชิงเส้น) เพื่อจับภาพความสัมพันธ์ในหมู่ โครงสร้าง,
จึงช่วยให้ความสัมพันธ์ที่อาจเกิดขึ้นไม่เป็นเชิงเส้น
จะโผล่ออกมาได้อย่างอิสระในรูปแบบโครงสร้าง.
คล้ายกับเทคนิค SEM ที่มีอยู่ (เช่นลิสเรล
และ PLS) เสนอวิธี BN-LV ดำเนินการใน
ขั้นตอนที่สอง: การก่อสร้างรูปแบบการวัดและ
โครงสร้างรูปแบบ discovery.6 แรก BN-LV inductively
ระบุ LVs ที่ได้รับรายการที่วัดใน
โหมดการสอบสวน นี้จะทำได้โดยการเสนอของเรา
LVI (แฝงตัวแปร Identification) ขั้นตอนวิธีการ
ซึ่งจะขึ้นอยู่กับการทดสอบความเป็นอิสระตามเงื่อนไข
ความจริง (Kline ปี 1998 Heinen 1996) ความจริงนี้
อ้างว่ารายการที่วัดของ LV เดียวกัน
ควรจะเกิดจาก LV จึง
ควรเป็นอิสระของแต่ละอื่น ๆ (เงื่อนไขใน
LV) ที่ ประการที่สองหลังจาก LVs มีการระบุ, BN-LV
สำรวจค้นพบโครงสร้างเชิงสาเหตุส่วนใหญ่มีแนวโน้ม
ในหมู่ LVs โดยเฉพาะอย่างยิ่งเราพัฒนา OL
ฟังก์ชั่น (สั่ง logit) เกณฑ์การให้คะแนนเพื่อเลือกการแข่งขัน
โครงสร้างเฉพาะสำหรับ (Likerttype) ลำดับและต่อเนื่อง
ข้อมูลซึ่งเป็นเรื่องธรรมดาในการวิจัย นอกจากนี้
BN-LV ยังสามารถใช้ในโหมดยืนยันโดย
การตรวจสอบการออกกำลังกายของโครงสร้างเชิงสาเหตุที่มีศักยภาพ.
โดยรวม, ปัจจัยการผลิตกับวิธีการ BN-LV เป็นดิบ
รายการการวัดและผลลัพธ์สุดท้ายเป็นส่วนใหญ่
มีแนวโน้มสาเหตุ BN กราฟ ที่เชื่อมโยง LVs ระบุ.
เราอธิบายวิธี BN-LV ทำงานร่วมกับการทดลองที่เกิดขึ้นจริง
ข้อมูลที่แสดงให้เห็นถึงวิธีการ BN-LV สามารถช่วยให้คืนดี
สมมติฐานการแข่งขันในแง่ของทิศทางของ
เวรกรรมเมื่อการบูรณาการความไว้วางใจด้วยเทคโนโลยี
รุ่นได้รับการยอมรับ (TAM) (Gefen et al, . 2003 Pavlou
2003) โดยเฉพาะความสัมพันธ์ระหว่างสองโครงสร้างที่
ไว้วางใจและใช้งานง่าย อาหารตามสั่งและรัสเซล (2003)
ยืนยันว่ามันเป็นข้อผิดพลาดที่พบบ่อยในการวิจัยที่จะไม่
ตรวจสอบอำนาจกลับระหว่างสองตัวแปร X
และ Y (Carte และรัสเซล 2003 P 487.): "นักวิจัย
6 ที่นำเสนอวิธีการ BN-LV เป็นหลัก เทคนิคการวิเคราะห์ข้อมูล
ว่ามีเพียงการตรวจสอบรูปแบบการวัด (การตรวจสอบของ
คุณสมบัติการวัด LVs) และรูปแบบโครงสร้าง (การทดสอบ
ความสัมพันธ์เชิงสาเหตุในหมู่ LV) มันไม่ได้แก้ไขปัญหาของ
ทฤษฎีและการพัฒนาวัดการเก็บรวบรวมข้อมูลและทฤษฎี
ความหมายว่าโครงการวิจัยสมบูรณ์รวมถึง.
จะต้องตระหนักถึงเหตุผลทางทฤษฎีสมควร
X → Y หรือ Y → X คำสั่งสาเหตุ. " แต่เพียงผู้เดียวอาศัย
ทฤษฎี ที่จะคืนดีทิศทางของเวรกรรม
อาจจะไม่เพียงพอเพราะสามารถมีได้อย่างเท่าเทียมกัน
ทฤษฎีที่น่าเชื่อถือเช่นทิศทางของเวรกรรม
ระหว่างความไว้วางใจและความสะดวกในการใช้งาน BN-LV โดยเฉพาะอย่างยิ่ง
ที่มีประโยชน์ในสถานการณ์เหล่านี้โดยการให้ datadriven
วิธีการที่จะคืนดีสมมติฐานการแข่งขัน.
นอกจากนี้ยังมีผลกระทบต่อการพัฒนาทฤษฎีใหม่
(ที่ไม่มีพื้นฐานทฤษฎี) ซึ่งเป็นเรื่องธรรมดา
ในการวิจัยเนื่องจากการเปลี่ยนแปลงอย่างรวดเร็วของไอที
เพื่อประเมิน BN-LV เทียบกับการวิเคราะห์ข้อมูลที่มีอยู่
เทคนิคสำหรับการทดสอบการวัดและ
รูปแบบโครงสร้างที่เราดำเนินการจำลองขนาดใหญ่
การศึกษาที่แตกต่างกันโดยสี่มิติข้อมูล: ตัวอย่าง
ขนาดเสียงเชิงเส้นและปกติ อันดับแรกเราเมื่อเทียบ
LVI กับการวิเคราะห์ปัจจัยสอบสวน (EFA)
(SAS พรปัจจัย) และการวิเคราะห์องค์ประกอบเชิงยืนยัน
(PLS) สำหรับการทดสอบรูปแบบการวัด ประการที่สอง
เราเมื่อเทียบกับ BN-LV กับลิสเรลและ PLS ในแง่
ของการทดสอบรูปแบบโครงสร้าง ประการที่สามเราเมื่อเทียบกับของเรา
ฟังก์ชั่นที่นำเสนอ OL การให้คะแนนที่มีอยู่กับสองพันล้าน
คะแนนฟังก์ชั่นการทำงานแบบเบย์-Dirichlet-based
(Heckerman 1996) และฟังก์ชั่นเสียนตาม
(Glymour et al. 1987) ผลปรากฏว่า BN-LV
โดยรวมมีประสิทธิภาพดีกว่าทุกเทคนิคอื่น ๆ ที่อยู่ภายใต้
สามเงื่อนไขจำลองสี่ (ขนาดเชิงเส้น,
ปกติ) ยกเว้นเมื่อมีข้อมูลที่จะมีเสียงดังเพราะ
วิธี SEM (ลิสเรลและ PLS) มีแนวโน้มที่จะทำงานได้ดี
กับที่มีเสียงดัง ข้อมูล (Fornell และ Larcker 1981).
การศึกษาครั้งนี้ก่อให้เกิดการวรรณกรรมโดยเสนอ
วิธีการวิเคราะห์ข้อมูลใหม่สำหรับการอนุมานสาเหตุ
ความสัมพันธ์จากการสังเกตการณ์, ตัด,
ข้อมูล Likert ประเภทที่เป็นที่แพร่หลายในการวิจัย.
วิธี BN-LV ของเรามี ข้อได้เปรียบหลาย
วิธี SEM ทางเลือก: ครั้งแรกก็ทดสอบการวัด
รูปแบบด้วยการระบุ LVs ที่เหมาะสมจาก
รายการวัดดิบในการดำเนินงานในการสำรวจ
โหมดการจัดเก็บภาษีโดยไม่ต้องวัดความมุ่งมั่นที่
รูปแบบโครงสร้าง (เมื่อเทียบกับ SEM) การใช้งานนวนิยายของเรา
ของความจริงความเป็นอิสระตามเงื่อนไขที่ช่วยให้สาเหตุ
การตีความระหว่าง LV และที่เกี่ยวข้อง
รายการวัดจึงเป็นวิธีการเดียว
ที่สอดคล้องกับทฤษฎีของการวัด.
สอง BN-LV อนุมานสาเหตุ (เมื่อเทียบกับความสัมพันธ์)
การเชื่อมโยงระหว่าง LVs ระบุโดยการทดสอบทุก
รูปแบบโครงสร้างที่เป็นไปได้ในแบบอัตโนมัติ
เจิ้งเหอและ Pavlou: นิวเบส์เครือข่ายวิธีการรุ่นโครงสร้างที่มีตัวแปรแฝง
368 แจ้ง

ผลลัพธ์ (ไทย) 3:

ไม่ได้หมายความถึงความสัมพันธ์ ) ประการที่สอง bn-lv โดยอัตโนมัติสามารถค้นพบโครงสร้างมากที่สุดจากข้อมูลที่ได้จากการสังเกตโดยการกำหนดจรทำให้โครงสร้างแบบสำรวจแบบทางเลือก3 bn-lv ไม่ได้พึ่งพารูปแบบการทำงานใด ๆ( เช่น เส้น ) เพื่อรวบรวมความสัมพันธ์ระหว่างโครงสร้างจึงช่วยให้ความสัมพันธ์ที่ไม่เชิงเส้นอิสระออกมาในรูปแบบโครงสร้างคล้ายกับเทคนิค SEM ที่มีอยู่ ( เช่น โปรแกรมลิสเรลและกรุณา ) , เสนอ bn-lv วิธีการดําเนินงานสองขั้นตอน : โมเดลการวัดและการก่อสร้างการค้นพบโครงสร้าง 6 ครั้งแรก bn-lv อุปนัยระบุ LVS ให้วัดในรายการโหมดเครื่องมือ . นี่คือความโดยเราเสนอค่า ( รหัสตัวแปรแฝง ) ขั้นตอนวิธีซึ่งจากการทดสอบความเป็นอิสระ เงื่อนไขสัจพจน์ ( ไคลน์ 1998 ไฮเนิน 2539 ) สัจพจน์นี้ยืนยันว่า การวัดรายการของ LV เหมือนกันควรจะเกิดจาก Lv และ จึงควรเป็นอิสระของแต่ละอื่น ๆ ( ตามเงื่อนไขในLV ) ประการที่สอง หลังจากมีการระบุ bn-lv LVS ,สำรวจพบโครงสร้างสาเหตุส่วนใหญ่ระหว่าง LVS . โดยเฉพาะ เราพัฒนาโอล( สั่งโดยใช้ฟังก์ชันการเลือกการแข่งขัน ) คะแนนโครงสร้างเฉพาะช่วงและไม่ต่อเนื่อง ( likerttype )ข้อมูลซึ่งมีทั่วไปในการวิจัย นอกจากนี้bn-lv ยังสามารถใช้ในโหมดยืนยันโดยการตรวจสอบความเหมาะสมของโมเดลเชิงสาเหตุที่มีโครงสร้างโดยรวมแล้ว กระผมจะ bn-lv วิธีเป็นวัตถุดิบรายการประเมิน และผลลัพธ์สุดท้ายคือ มากที่สุดคาดว่าสาเหตุ BN กราฟที่เชื่อมโยงระบุ LVS .เราอธิบายวิธีการทำงานกับ bn-lv จริงเชิงประจักษ์ข้อมูลที่แสดงให้เห็นถึงวิธีการ bn-lv สามารถช่วยไกล่เกลี่ยการแข่งขันในแง่ของทิศทางของสมมติฐาน( เมื่อรวมใจด้วยเทคโนโลยีแบบรับ ( TAM ) ( gefen et al . pavlou 20032003 ) โดยเฉพาะความสัมพันธ์ระหว่างสองสร้าง :เชื่อถือได้และใช้งานง่าย เมนูและรัสเซล ( 2003 )ยืนยันว่ามันเป็นข้อผิดพลาดทั่วไปในการวิจัยไม่ศึกษาความสัมพันธ์ระหว่างตัวแปร x ย้อนกลับและ Y ( carte และรัสเซล 2003 , หน้า 487 ) " พนักงานสอบสวน6 bn-lv เสนอวิธีเป็นหลัก เทคนิคการวิเคราะห์ข้อมูลเพียงตรวจสอบความตรงของโมเดลการวัด (คุณสมบัติการวัด LVS ) และโครงสร้าง ( ทดสอบความสัมพันธ์เชิงสาเหตุระหว่าง LV ) มันไม่ได้แก้ไขปัญหาของทฤษฎีและการพัฒนา , การวัดการเก็บข้อมูลและทฤษฎีโครงการวิจัยผลกระทบที่สมบูรณ์ประกอบด้วยต้องตระหนักถึงเหตุผลเหตุผลเชิงทฤษฎีX หรือ Y Y → keyboard - key - name → keyboard - key - name x คำสั่งเชิงสาเหตุ อย่างไรก็ตาม เพียงใช้ในทฤษฎีที่จะทำให้ทิศทางของความสัมพันธ์อาจจะไม่เพียงพอ เพราะมันสามารถเท่าเทียมกันทฤษฎีที่น่าเชื่อถือ เช่น ทิศทางของความสัมพันธ์ระหว่างความน่าเชื่อถือและใช้งานง่าย bn-lv เป็นการเฉพาะมีประโยชน์ในสถานการณ์เหล่านี้โดยการให้ datadrivenวิธีที่จะทำให้สมมติฐานการแข่งขันนี้ยังมีผลกระทบต่อการพัฒนาทฤษฎีใหม่( ที่ไม่มีทฤษฎีพื้นฐาน ) , ซึ่งเป็นเรื่องปกติในการวิจัยเพราะการเปลี่ยนแปลงมันเพื่อประเมิน bn-lv เทียบกับที่มีอยู่ การวิเคราะห์ข้อมูลเทคนิคการวัดและการทดสอบโมเดลโครงสร้าง เราทำการจำลองขนาดใหญ่การศึกษาโดยกำหนดขนาดตัวอย่าง 4 ข้อมูลขนาด เสียง เป็นเส้นตรง และการแจกแจงแบบปกติ ก่อนอื่น เราเปรียบเทียบค่าด้วยการวิเคราะห์ปัจจัยเชิงสำรวจ ( EFA )( ปัจจัย proc SAS ) และการวิเคราะห์องค์ประกอบเชิงยืนยัน( กรุณา ) สำหรับการทดสอบโมเดลการวัด ประการที่สองเราเทียบ bn-lv ด้วยลิสเรลและกรุณาในแง่การทดสอบแบบจำลองโครงสร้าง สาม เราเปรียบเทียบของเราเสนอเป็นฟังก์ชันกับสองที่มีอยู่กว่าคะแนนคะแนน functions-a เบใช้ฟังก์ชันดีริชเลต์( heckerman 1996 ) และเสียนฟังก์ชันจาก( glymour et al . 1987 ) ผลที่ได้แสดงให้เห็นว่า bn-lvโดยรวมมีประสิทธิภาพดีกว่าทั้งหมดของเทคนิคอื่น ๆภายใต้สามสี่ภาพ ( ขนาด , เส้นตรง , จำลองปกติ ) , ยกเว้นเมื่อข้อมูลจะมีเสียงดัง เพราะวิธี SEM ( LISREL และ pls ) มีแนวโน้มที่จะทำงานได้ดีกับข้อมูลดังและฟอร์เนิล larcker 1981 )การศึกษานี้มีส่วนช่วยในวรรณกรรม โดยเสนอวิธีใหม่สำหรับการวิเคราะห์ข้อมูลสำหรับสาเหตุความสัมพันธ์จากโดยการสังเกต , แบบตัดขวางคนประเภทข้อมูลที่แพร่หลายในการวิจัยวิธี bn-lv ของเรามีข้อดีหลายกว่าทางเลือกวิธีการแรก SEM การทดสอบการวัดแบบโดยระบุ LVS ที่เหมาะสมจากรายการวัดดิบ ปฏิบัติการในการสำรวจไม่มีการกำหนดโหมดการวัดแบบโครงสร้าง ( ตรงข้ามกับ SEM ) ใช้ใหม่ของเราของสัจพจน์ความเป็นอิสระที่มีเงื่อนไขให้สาเหตุการตีความระหว่าง LV และที่เกี่ยวข้องรายการวัดจึงเป็นวิธีเดียวที่สอดคล้องกับทฤษฎีของการวัดประการที่สอง bn-lv อนุมานสาเหตุ ( ตรงข้ามกับความสัมพันธ์ )การเชื่อมโยงระหว่างระบุ LVS โดยการทดสอบทั้งหมดจะเป็นโครงสร้างแบบอัตโนมัติ แฟชั่นเจิง pavlou : ใหม่เครือข่ายคชกรรมวิธีการแบบจำลองโครงสร้างที่มีตัวแปรแฝง