مدل‌سازی متغیر پنهان با استفاده از R ۲۰۱۵
Latent Variable Modeling with R 2015

این کتاب نشان می‌دهد که چگونه مدل‌سازی متغیرهای پنهان (LVM) را در R انجام دهیم، و در این راستا ویژگی‌های هر مدل، کاربردهای تخصصی آنها، مثال‌ها، نمونه کدها و خروجی‌ها، و تفسیر نتایج را برجسته می‌کند. هر فصل شامل یک مثال تفصیلی است که شامل تحلیل داده‌ها با استفاده از R، نظریه مرتبط، فرضیات زیربنایی مدل و سایر جزئیات آماری است تا به خوانندگان کمک کند مدل‌ها را بهتر درک کرده و نتایج را تفسیر کنند. هر دستور R که برای انجام تجزیه و تحلیل‌ها ضروری است به همراه خروجی حاصله توضیح داده شده است، که یک الگو در اختیار خوانندگان قرار می‌دهد تا هنگام استفاده از روش‌ها برای داده‌های خود از آن پیروی کنند. اطلاعات اساسی مربوط به هر مدل، جدیدترین پیشرفت‌ها در این زمینه‌ها و کد R مرتبط برای استفاده از آنها بررسی شده است. هر فصل همچنین شامل یک مقدمه، خلاصه و پیشنهادات برای مطالعه بیشتر است. یک واژه‌نامه از اصطلاحات کلیدی برجسته‌شده متن و دستورات کلیدی R به عنوان منابع مفید ارائه شده‌اند. این کتاب با یک وب‌سایت شامل تمرین‌ها، پاسخنامه و مجموعه‌داده‌های مثال‌های داخل متن همراه است.

مدل‌سازی متغیرهای پنهان با R:

– مثال‌هایی ارائه می‌دهد که از داده‌های نامرتب استفاده می‌کنند و موقعیتی واقع‌گرایانه‌تر را ارائه می‌دهند که خوانندگان با داده‌های خود مواجه خواهند شد.

– طیف گسترده‌ای از LVMها از جمله تحلیل عاملی، مدل‌سازی معادلات ساختاری، نظریه پاسخ سوال، و مدل‌های آمیخته و موضوعات پیشرفته مانند برازش مدل‌های معادلات ساختاری غیرخطی، مدل‌های غیرپارامتری نظریه پاسخ سوال، و مدل‌های رگرسیون آمیخته را بررسی می‌کند.

– نشان می‌دهد که چگونه شبیه‌سازی داده‌ها می‌تواند به محققان کمک کند تا روش‌های آماری را بهتر درک کنند و در انتخاب حجم نمونه مورد نیاز قبل از جمع‌آوری داده‌ها کمک کند.

– [www.routledge.com/9780415832458](http://www.routledge.com/9780415832458) تمرین‌هایی را ارائه می‌دهد که مدل‌ها را به همراه پاسخنامه‌های خروجی R تفسیرشده و داده‌هایی که مربوط به مثال‌های داخل متن هستند به کار می‌برند تا خوانندگان بتوانند نتایج را تکرار کرده و کار خود را بررسی کنند.

کتاب با دستورالعمل‌های اساسی در مورد نحوه استفاده از R برای خواندن داده‌ها، دانلود توابع و انجام تجزیه و تحلیل‌های اساسی آغاز می‌شود. از آنجا، هر فصل به یک مدل متغیر پنهان متفاوت اختصاص داده شده است، از جمله تحلیل عاملی اکتشافی و تاییدی (CFA)، مدل‌سازی معادلات ساختاری (SEM)، CFA/SEM چندگروهی، تخمین حداقل مربعات، مدل‌های منحنی رشد، مدل‌های آمیخته، نظریه پاسخ سوال (هم سوالات دوگزینه‌ای و هم چندگزینه‌ای)، عملکرد متفاوت سوال (DIF) و تحلیل تطابقی. کتاب با بحث در مورد چگونگی استفاده از شبیه‌سازی داده‌ها برای درک بهتر عملکرد یک روش آماری و کمک به محققان در تصمیم‌گیری در مورد حجم نمونه مورد نیاز قبل از جمع‌آوری داده‌ها به پایان می‌رسد. ترکیبی از کد R که به طور مستقل توسعه یافته است به همراه کتابخانه‌های موجود برای شبیه‌سازی مدل‌های پنهان در R ارائه شده است تا خوانندگان بتوانند از این شبیه‌سازی‌ها برای تجزیه و تحلیل داده‌ها با استفاده از روش‌های معرفی‌شده در فصل‌های قبل استفاده کنند.

این کتاب برای استفاده در دوره‌های تحصیلات تکمیلی یا پیشرفته کارشناسی در مدل‌سازی متغیرهای پنهان، تحلیل عاملی، مدل‌سازی معادلات ساختاری، نظریه پاسخ سوال، سنجش یا آمار چندمتغیره که در روان‌شناسی، آموزش، رشد انسانی و علوم اجتماعی و بهداشتی تدریس می‌شود، در نظر گرفته شده است. محققان در این زمینه‌ها نیز از رویکرد عملی این کتاب قدردانی می‌کنند. این کتاب اطلاعات پیشینه مفهومی کافی را برای استفاده به عنوان یک متن مستقل ارائه می‌دهد. آشنایی با مفاهیم آماری اساسی فرض شده است، اما دانش اولیه از R ضروری *نیست*.

This book demonstrates how to conduct latent variable modeling (LVM) in R by highlighting the features of each model, their specialized uses, examples, sample code and output, and an interpretation of the results. Each chapter features a detailed example including the analysis of the data using R, the relevant theory, the assumptions underlying the model, and other statistical details to help readers better understand the models and interpret the results. Every R command necessary for conducting the analyses is described along with the resulting output which provides readers with a template to follow when they apply the methods to their own data. The basic information pertinent to each model, the newest developments in these areas, and the relevant R code to use them are reviewed. Each chapter also features an introduction, summary, and suggested readings. A glossary of the text’s boldfaced key terms and key R commands serve as helpful resources. The book is accompanied by a website with exercises, an answer key, and the in-text example data sets.

Latent Variable Modeling with R:

-Provides some examples that use messy data providing a more realistic situation readers will encounter with their own data.

-Reviews a wide range of LVMs including factor analysis, structural equation modeling, item response theory, and mixture models and advanced topics such as fitting nonlinear structural equation models, nonparametric item response theory models, and mixture regression models.

-Demonstrates how data simulation can help researchers better understand statistical methods and assist in selecting the necessary sample size prior to collecting data.

-www.routledge.com/9780415832458 provides exercises that apply the models along with annotated R output answer keys and the data that corresponds to the in-text examples so readers can replicate the results and check their work.

The book opens with basic instructions in how to use R to read data, download functions, and conduct basic analyses. From there, each chapter is dedicated to a different latent variable model including exploratory and confirmatory factor analysis (CFA), structural equation modeling (SEM), multiple groups CFA/SEM, least squares estimation, growth curve models, mixture models, item response theory (both dichotomous and polytomous items), differential item functioning (DIF), and correspondance analysis. The book concludes with a discussion of how data simulation can be used to better understand the workings of a statistical method and assist researchers in deciding on the necessary sample size prior to collecting data. A mixture of independently developed R code along with available libraries for simulating latent models in R are provided so readers can use these simulations to analyze data using the methods introduced in the previous chapters.

Intended for use in graduate or advanced undergraduate courses in latent variable modeling, factor analysis, structural equation modeling, item response theory, measurement, or multivariate statistics taught in psychology, education, human development, and social and health sciences, researchers in these fields also appreciate this book’s practical approach. The book provides sufficient conceptual background information to serve as a standalone text. Familiarity with basic statistical concepts is assumed but basic knowledge of R is not.