Konsultacje Metodologiczne w Metodolog.pl

Konsultacje metodologiczne z ekspertem

Poniższy wpis dostarcza zainteresowanym klientom informacji na temat zakresu i sposobu organizacji konsultacji metodologicznych  z mgr Konradem Hryniewiczm (specjalista ds. metodologii i statystycznej analizy danych) w firmie Metodolog.pl. Zacznę, że ze względu na dużą liczbę teorii, metodologii badawczych, a także analiz statystycznych dostępnych w świecie badawczym, staje się trochę trudnym wybrać odpowiednie zaopatrzenie dla swoich badań (coraz trudniej sie zorientować w tym co jest dobre, a co przestało być wykorzystywane). Dlatego jako człowiek zamujacy się na codzień analizami i badaniami mogę Cię pokierować w wyborze odpowiednich metod, kierunków działań, a także czynności do wykonia by osiągnąć konkretne cele. Moje doradzwo metodologiczne i statystyczne dostarczyło korzyści już w symie niezliczonej przeze mnie liczbie doktorantów, pracowników nauki, a także ludzi biznesu.

Forma konsultacji metodologicznych jakie oferuję

Formy i poziom konsultacjimetodologicznych, a także dostarczane wsparcie w zakresie projektów badawczych może zależeć od natury i zakresu proponowanego problemu do rozwiązania, potrzeb związanych z grantem, specyficznymi okolicznościami, a także czasem i typem statystycznej lub metodologicznej eksperytyzy. Konsultacja metodologiczna może być jednorazowa, ale może być również trwającym w czasie procesem rozwojowym (np. w oklicznościach serii badań). Takie wsparcie może dotyczyć oceny briefu badania, draftu artykułu naukowego, propozcyji metodologii badawczej, detali metodologicznych związanych z celami badawczymi. W intensywnych projektach badawczych zachęcam do włączenia mnie w aplikację o grant (lub inne finansowanie) jako specjalistę od kształtu metodologii i analiz statystycznych, czyli członka zespołu badawczego. Gwarantuje, że będzie fajnie!

Jak przygotować się do konsultacji metodologicznych?

Postaram się być bardzo elastyczny w granicach możliwości, by dopasować się do mojego klienta. Nimeniej, dla lepszej obłsugi zachęcam odezwać się do mnie z pewnym wyprzedzeniem. Z jakim? Nie wiem, to zależy od gabarytów projektu. Fajnie, gdyby przed rozmową zostało przygotowanych kilka rzeczy, które będą stanowiły przedmiot rozmowy. Mówię tu o następujących elementach pracy badacza:

• Tytuł projektu, abstrakt lub draft pracy
• Kluczowe informacje na temat rozwiązywanego problemu bdawczego
• Aktualny stan prac nad projektem
• Informację zwrotną od recenzentów (jeśli praca jest do powtórnej oceny)
• Specyficzne pytania i troski dotyczące projektu, a które mają stanowić cel dyskusji i badań.

Zapraszam do kontaktu 🙂

mgr Konrad Hryniewicz

+48 798 30 95 31

p.s. zachęcam do umilenia sobie czasu moimi eksperymentalnymi raklamami 🙂

Analiza modelowania równań strukturalnych w pakiecie lavaan

Modelowanie równań strukturalnych (SEM, Structural Equation Modeling) to zaawansowana technika statystyczna wykorzystywana do badania złożonych relacji między zmiennymi. SEM łączy w sobie elementy analizy czynnikowej, analizy ścieżkowej i regresji, umożliwiając jednoczesne uwzględnienie wielu zmiennych oraz uwzględnienie błędów pomiaru. Jest szeroko stosowane w naukach społecznych, psychologii, ekonomii, epidemiologii, marketingu i innych dziedzinach.

Główne komponenty modelowania równań strukturalnych to:

1. Model czynnikowy (CFA, Confirmatory Factor Analysis): Pozwala on na badanie struktury czynnikowej, tj. identyfikowanie ukrytych (nieobserwowalnych) zmiennych, zwanych czynnikami, które wpływają na obserwowalne zmienne.
2. Analiza ścieżkowa: SEM pozwala modelować związki kierunkowe między zmiennymi (tzw. ścieżki) i oceniać siłę tych związków. Możliwe jest uwzględnienie zarówno zmiennych niezależnych, jak i zmiennych zależnych.
3. Model strukturalny: To główna część SEM, która opisuje teoretyczne relacje między zmiennymi. Model ten obejmuje zarówno czynniki, jak i związki między nimi.
4. Błędy pomiaru: SEM pozwala uwzględniać błędy pomiaru, co jest istotne w przypadku, gdy zmienne są mierzone z pewnym stopniem niedokładności.
5. Modelowanie wariancji i kowariancji: SEM pozwala na modelowanie struktury wariancji i kowariancji między zmiennymi, co umożliwia lepsze zrozumienie wzajemnych relacji.

SEM jest użyteczne w badaniach, gdzie istnieje potrzeba zrozumienia złożonych struktur relacji między zmiennymi. Przykłady zastosowań obejmują badania nad wpływem czynników psychologicznych na zdrowie, analizę skomplikowanych modeli marketingowych, czy badania nad edukacją. W praktyce wymaga zaawansowanej wiedzy statystycznej i programowania, ale dostępne są również narzędzia komputerowe ułatwiające stosowanie SEM.

Czym jest pakiet lavaan w systemie R?

Modelowanie równań strukturalnych w pakiecie lavaan jest super, a sam lavaan niesamowicie rozpowszechnionym pakietem do analizy modeli zmiennych latentnych. Skrót lavaan odnosi się właśnie do terminu  „latent variables analysis” i jest pakietem bibliotek statystycznych do analizy modelowania równań strukturalnych i modeli czynnikowych w oparciu o badanie zbieżności między teoretyczną macierzą wariancji-kowariancji a tą samą macierzą wynikającą z zebranych danych. Ta metoda modelowania, pomimo swoich superlatyw ma też swoje ograniczenia i wady. Statystyczne i teoretyczne, ale o nich można przeczytaj obszetniej tutaj -> (Tarka, 2017).  Poza tym analiza modelowania równań strukturalnych w pakiecie lavaan, a także w innych programach (Lisrel, Amos, Mplus) stoi w opozycji do modelowania metodą cząstkowych najmniejszych kwadratów (partial least squares [PLS]) zorientowanią predykcyjnie, a nie konfirmacyjnie (Garson, 2016; Vinzi et al., 2010). Metoda PLS też doczekała się swojej implementacji w R w pakiecie ‘plspm’ (Sanchez, 2013) lub SEMinR (Ray, Danks, and Valdez (2021). To też jest bardzo fajny pakiet zawierający dużo sposobów wizualizacji danych, szczególnie wyników modelu pomiarowego i strukturalnego.

Możliwości statystycznego analizowania danych w pakiecie lavaan

Niemniej, wracając do analizy modelowania równań strukturalnych w pakiecie lavaan, to pakiet ten daje nam niesamowite możliwości analizy modeli teoretycznych w różnych układach metodologicznych, a także za pomocą różnych form estymacji wyników. Dzięki specyficznemu syntaksowi w pakiecie lavaan możemy wykonać analizy dotyczące:

1. Analizy konfirmacyjnych modeli czynnikowych
2. Analizy modeli strukturalnych
3. Analizy zmiennych kategorialnych
4. Analizy wielogrupowe (testowanie modelu w różnych grupach badawczych)
5. Analizy wzrostu zmiennej latentnej (np. wynikającej z czasu lub rozwoju). W tym przypadku możemy ustalić losowe intercepty (losowe efekty średnich) i losowe slopy (losowe nachylenia regresji)
6. Analizy na podstawie samej macierzy wariancji kowariancji
7. Analizy efektów mediacji
8. Analizy indeksów modyfikacji (kalibracja dopasowania danych do modelu)
9. Analizę wielopoziomowego modelowania równań strukturalnych w przypadku danych klastrowanych (pakiet lavaan pozwala na ustawienie efektów losowych interceptów, ale nie slopesów). Niemniej dane muszą być ciągłe, a także kompletne).

Najciekawsze w pakiecie lavaan są różne metody estymacji modeli, szczególnie tych odpornościowych np. MLMVS metoda największej wiarygodności z odpornymi błędami standardowymi, a także skorygowanymi średnimi i wariancjami ULSMV dla danych kategorialnych.

Pakiet lavaan jest dobrym rozwiązaniem dla początkujących

Pakiet lavaan jest o tyle lepszy od innych pakietów i bibliotek w R, że nie wymaga raczej eksperckiej wiedzy na temat R. Pakiet lavaan został zaprojektowany by był łatwy w użyciu dla osób, które nie używają eRa na co dzień. Można w nim już na samym początku zrobić taki wykres konfirmacyjnej analizy czynnikowej 🙂

Bibliografia

Garson, G. D. (2016). Partial Least Squares: Regression & Structural Equation Models. In G. David Garson and Statistical Associates Publishing. Statistical Associates Publishing.

Ray S, Danks N, Calero Valdez A (2022). _seminr: Building and Estimating Structural Equation Models_. R package version 2.3.2, <https://CRAN.R-project.org/package=seminr>.

Sanchez, G. (2013). PLS Path Modeling with R. R Package Notes, 235. https://doi.org/citeulike-article-id:13341888

Tarka, P. (2017). An overview of structural equation modeling: its beginnings, historical development, usefulness and controversies in the social sciences. Quality and Quantity, 52(1), 313–354. https://doi.org/10.1007/s11135-017-0469-8

Vinzi, V. E., Trinchera, L., & Amato, S. (2010). Handbook of Partial Least Squares (V. E. Vinzi, L. Trinchera, & S. Amato (eds.)). Springer. https://doi.org/https://doi.org/10.1007/978-3-540-32827-8

Wyszukiwanie artykułów naukowych to strata czasu

Wyszukiwanie artykułów naukowych to strata czasu? I tak i nie. Wyszukiwanie artykułów naukowych, to nieodłączny element pracy każdego naukowca. Myślałoby się, że przed napisaniem jakiegokolwiek dobrego tekstu naukowego niezbędne jest wyszukanie dziesiątek artykułów i napisanie na ich podstawie profesjonalnego tekstu. Osobiście myślę, że to zależy od tego na jakim etapie procesu badawczego jesteśmy. Jeśli nie mamy pomysłu na rozwiązanie jakiegoś problemu w naukowy sposób, albo nie przychodzi nam żadna luka w wiedzy na dany temat, który nas interesuje, to dobrym pomysłem jest przeszukanie baz artykułów. Niemniej, jeśli mamy już rozwiązany problem, a chcemy jedynie wzbogacić tekst na jego temat, to dobrym pomysłem jest prześledzenie artykułów na temat przedmiotu, który zbadaliśmy lub chcemy zbadać.

Wyszukiwanie artykułów naukowych kiedy nie mamy żadnego problemu, ale mamy obszar badań

W takim kontekście wyszukiwanie artykułów naukowych, czyli kiedy nie mamy problemu, ale mamy obszar w którym chcemy badać (np. psychologii konsumenta), warto się skupić na wyszukiwaniu informacji o gorących tematach, które są ogłaszane przez journale naukowe. Jest to pewna strategia dla tych osób, które chcą coś zbadać, ale za bardzo nie wiedzą co. Np. na stronie wydawnictwa FRONTIERS (https://www.frontiersin.org/research-topics?domain=all), ale też na stronach innych wydawców, są wskazywane aktualne wątki badawcze. Najczęściej są to gorące tematy, które są uważane przez społeczność naukową jako modne, ważne lub przyszłościowe. Przed przystąpieniem do wyszukiwania artykułów naukowych warto się inspirować się takimi wątkami badawczymi i opublikować artykuł zgodnie z kierunkiem wody w rzece.

Wyszukiwanie artykułów naukowych w bazach wydawnictw po słowach kluczowych

Jeśli już mamy wybrany problem, to możemy przystąpić do wyszukiwania artykułów zbieżnych z jego obszarem. Taką zbieżność uzyskujemy wykorzystując słowa kluczowe, a także inne filtry np. rok, konkretny journal lub dziedzina nauki. Moim zdaniem najlepszym sposobem na efektywne wyszukanie artykułów (a także innych publikacji naukowych) jest posługiwanie się bazami wydawnictw np. Wydawnictwo Elsevier ma wyszukiwarkę SCOPUS (https://www.elsevier.com/solutions/scopus), a Taylor and Francis ma swoje rozwiązanie (https://www.tandfonline.com/). Jest wiele wydawnictw open-access takich jak IEEE (https://www.ieee.org/) lub PLOS ONE (https://plos.org/). Ich polityka darmowego dostępu pozwala na nieograniczony i zupełnie darmowy dostęp do przeszukiwania i analizy ich zasobów artykułów naukowych, książek i materiałów konferencyjnych. Ciekawym rozwiązaniem są również wielkie bazy danych artykułów naukowych, które są chyba najlepszym startem w kwestii wyszukiwania artykułów naukowych. Taką bazą jest EBSCO (https://www.ebsco.com). Aczkolwiek, dostęp do tej bazy danych jest płatny.

Wyszukiwanie artykułów naukowych kiedy mamy problem i aktywnie go rozwiązujemy – Złoty Standard Poszukiwań.

Kiedy znamy dobrze swója problem i mamy już jego rozwiązanie, to wyszukiwanie artykułów naukowych i publikacji przybiera zupełnie inny wymiar. To już nie jest chaotyczne przeszukiwanie publikacji pod kątem wybranych słów kluczowych. Jest to raczej śledzenie myśli autorów, który piszą o tym samym problemie lub problemach powiązanych. Jest to oczywiście czasochłonny proces, wymagający wiele skupienia i wytrwałości, ale skrupulatne do niego podejście zwraca nam najlepsze rezultaty. Polega to na analizie tekstów powiązanych z naszym problemem badawczym i czytaniu tekstów w nich zacytowanych. Czytając tekst danego autora (lub autorów) patrzymy kogo on cytuje, czyli na czyje rozumowanie się on powołuje. Zaglądamy do tej zacytowanej publikacji i sprawdzamy co ten badacz (lub badacze) pisze i  na jakie badania/artykuły/publikacje się on (oni) się powołuje. Dzięki takiej iteracyjnej strategii analizy myśli i rozumowań innych badaczy osiągamy pewien osobisty pogląd na to co wiadomo o przedmiocie badania i na to czego jeszcze nie wiadomo. Taki sposób wyszukiwania artykułów naukowych, publikacji i materiałów pozwala na bardzo dokładną analizę mapy problemów rozwiązanych i nierozwiązanych. Takie bezpośrednie wyszukiwania ułatwi nam posiadanie konta na Reserch Gate (https://www.researchgate.net/). Nienaukowym osobom mówię, że jest to taki facebook dla naukowców hehe. Przydany jest jeszcze serwis SCI-HUB dzięki któremu możemy mieć prawie każdy artykuł za darmo (https://sci-hub.se/). Oczywiście ja o niczym nie wiem i tak tylko o nim wspominam, że jest to serwis niezwykle pomocny i pomaga obniżyć koszty związane z robieniem nauki, a na pewno pomaga w darmowym wyszukiwaniu i czytaniu publikacji naukowych. Podobnym rozwiązaniem, ale przeznaczym tylko dla książek, jest strona Library Genesis (http://libgen.rs/). Boże święty. Jakie to jest dobre dla nas biedaków…

Potrzebujesz usługi związanej z wyszukanie artykułów naukowych? Napisz do nas KLIK.

Trafność różnicowa konstruktów – Podstawowe założenie w modelowaniu równań strukturalnych SEM CB i SEM PLS

Trafność różnicowa konstruktów, to po angielsku discriminant validity. Jest to moim zadaniem założenie podstawowe jeśli chodzi o ocenę trafności pomiarów i możliwości wnioskowania na temat relacji między zmiennymi w modelu strukturalnym. Dlaczego trafność różnicowa konstruktów jest taka ważna? Dlaczego powinno być pierwszym założeniem jakie weryfikujemy w toku budowy modelu strukturalnego (Iacobucci, 2010; Kock, 2020; Pearl, 2009; Tarka, 2017)? Kiedy mamy pewność, że relacja między zmiennymi wynika z badanego efektu, a kiedy jest to efekt podobieństwa konstruktów do siebie? Jak konceptualizować i budować skale pomiarowe, by charakteryzowały się one trafnością dyskryminacyjną? Zachęcam do czytania.

Dlaczego analiza trafności różnicowej konstruktów jest taka ważna i kiedy wyciągamy poprawne wnioski na temat relacji w utworzonym modelu strukturalnym?

Podstawą do wyciągania wniosków na temat testowanych relacji w modelu strukturalnym jest utworzenie modelu pomiarowego zmiennych który jest dopasowany do zebranych danych. Jeśli zmienne które mierzymy w modelu są trafne różnicowo, są rzetelne, trafne czynnikowo i cechują się niską współliniowością (a także innymi założeniami jak np. Paradox Simpsona i Statystyczna Supresja (Kock, 2020; Kock & Gaskins, 2016)), to możemy przejść do wyciągania pewnych wniosków na temat relacji między badanymi zmiennymi (Hair et al., 2019; Kock, 2014; Ringle et al., 2020; Van Riel et al., 2017). Niemniej, trafność różnicowa i jej analiza…

Analiza trafności różnicowej konstruktów odnosi się do zjawiska polegającego na tym, że zmienne obserwowalne tworzące czynnik A (np. pytania w kwestionariuszu A) mierzą inny aspekt rzeczywistości niż zmienne obserwowalne tworzące czynnik B (pytania w kwestionariuszu B). Jeśli zmienne obserwowalne z czynnika A i B mierzą podobny aspekt rzeczywistości, to znaczy, że relacja między zmiennymi A i B wynika z tego, że mierzą one podobny aspekt rzeczywistości, a nie z działania efektu który poddajemy badaniu. Wymaganie stawiane przez założenie o trafności różnicowej pomiarów stawia badacza w sytuacji w której musi zastanowić się on nad wykonaniem pomiarów w taki sposób, by dokładnie mierzyć aspekty rzeczywistości które są trudno odróżnialne.  Np. neurotyczność i neurotyzm mogą mieć podobne znaczenie, a do tego brzmią jak synonimy. Niemniej, mogą mieć one całkowicie inne znaczenie teoretyczne np. neurotyczność może odnosić się do emocjonalnego reagowania, a neurotyzm do emocjonalnego stylu przetwarzania informacji. Jeśli badacz nie zadba o dokładny pomiar jednego i drugiego elementu (nie ułoży pytań które odróżniają te dwa neuroaspekty, to musi się liczyć z tym, że jego metoda badania nie będzie realizowała ustalonych celów badawczych np. co ma większy wpłw na depresje neuro-reagowanie czy neuro-myślenie. Trafność różnicowa pomiarów w statystyce…

W tym miejscu wyłania się pytanie: Jak odróżniać od siebie rzeczy, które są do siebie bardzo podobne i jak budować skale pomiarowe, by charakteryzowały się one pożądaną trafnością dyskryminacyjną?

Myślę, że im lepsze przygotowanie teoretyczne badacza tym lepiej. Im więcej człowiek wie na temat badanej rzeczywistości, tym łatwiej mu odróżniać od siebie poszczególne jego elementy. Badacze, a w szczególności badacze zajmujący się badaniami psychologicznymi, muszą dobrze wiedzieć co badają. Najlepiej sprawdza się tutaj posiadanie dobrych definicji operacyjnych których korzenie są mocno zapuszczone w teorii lub tradycji badań danego przedmiotu.

Jakiś czas temu osobiście stałem przed zadaniem pomiaru dwóch podobnych do siebie konstruktów Postrzeganej Łatwości Użytkowania Technologii i Postrzeganej Użyteczności Technologii zaczerpniętej z teorii Technologii Akceptacji Technologii (Davis, Fred D.Bagozzi, Richard P.Warshaw, 1989; Davis, 1989). W teorii tej testuje się zmienne które wiążą się z chęcią skorzystania z technologii lub/i aktualne korzystanie z jakiejś technologii np. w moim badaniu była to chęć korzystania z technologii samochodu autonomicznego. Jak uzyskać zpełnione założenie jakim jest trafność różnicowa konstruktów? Czym ze strony teoretycznej przygotować się do oceny zjawiska jakim jest analiza trafności dyskryminacyjnej?

Davis (1989) na podstawie teorii odróżnił i zoperacjonalizował swoje konstrukty wchodzące w skład Modelu Akceptacji Technologii (Technology Acceptance Model). Zdefiniował łatwość użycia technologii jako osobiste przekonanie, że użycie technologii jest bezwysiłkowe, a postrzegana użyteczność jest przekonaniem, że technologia polepszy osobiste dążenia lub wykonanie pracy. W teorii, aspekty użyteczności i łatwości są względnie odróżnialne, ale w empirii może to nastręczać trochę kłopotów, ponieważ trzeba zmierzyć użyteczność i łatwość w taki sposób, by osoby badane odróżniały jedno od drugiego. Aczkolwiek, chwila zastanowienia się nad nimi doprowadzi nas do wniosku, że pomimo tego, że coś może być użyteczne, to może być trudne w obsłudze (język programowania PYTHON). A może być też tak, że coś może być łatwe w obsłudze, ale bezużyteczne (różdżka radiestety). Przy tworzeniu pozycji testowych mających na celu pomiar tych konstruktów warto mieć z tyłu głowy teoretycznie zróżnicowanie ich znaczenia. Jedynie łącząc teorię z metodą możemy uzyskać trafność różnicową testowanych konstruktów. Trafność różnicowa konstruktów w statystyce.

Ja w swoim badaniu dotyczącym akceptacji technologii autonomicznych aut stworzyłem po 4 pozycje testowe na oba konstrukty teoretyczne. Warto zwrócić uwagę na to jak one brzmią i jak łatwo można wskazać różnice między pozycjami testowymi danego czynnika pod względem tego, co one mierzą. Dzięki takiej zróżnicowanej treści pozycji testowych osoby badane wyraźnie inaczej reagują (nie mylą ich ze sobą) na pozycje testowe związane z pomiarem postrzeganej łatwości i użyteczności. Dzięki temu, na poziomie analizy wynikiem oczekiwanym jest spełnione założenie o trafności różnicowej (Fornell & Larcker, 1981; Henseler et al., 2014).

Pomiar Postrzeganej Łatwości Użytkowania Technologii:

1. Używanie autonomicznego samochodu CRUISE nie wymaga dużo wysiłku.
2. Jeżdżenie i poruszanie się autonomicznymi samochodami CRUISE jest łatwe.
3. Pojazdy autonomiczne CRUISE są proste w obsłudze i każdy je zrozumie.
4. Nie ma nic trudnego w poruszaniu się autami CRUISE.

Pomiar Postrzeganej Użyteczności Technologii:

1. Samochód autonomiczny CRUISE, to bardzo użyteczna rzecz.
2. Samojeżdżące samochody CRUISE mogą zrobić wiele dobrego.
3. Autonomiczny samochód CRUISE stanie się symbolem pożyteczności.
4. Przydatność samochodów autonomicznych CRUISE będzie powszechna.

Warto mieć na uwadze, że większość recenzentów w dobrych journalach naukowych kładzie nacisk na weryfikacje założenia o trafności różnicowej/trafności dyskryminacyjnej. Wynika to z prostego zjawiska jakim jest commond method bias (Kock, 2015; Podsakoff et al., 2003) i które bardzo często występuje w przypadku kiedy źródłem informacji na różne tematy jest ta sama obserwacja, czyli np. człowiek.

Poniższa tabela przedstawia dwie metody oceny trafności różnicowej konstruktów wykorzystanej podczas analizy modeli równań strukturalnych metodą Multi Group Analysis (MGA) w artykule Hryniewicz & Grzegorczyk (2020).

WAŻNE – Analiza trafności różnicowej/dyskrymiancyjnej

Przypomnę, że jeśli nasze konstrukty są trafne różnicowo, to wiemy, że ewentualna zależność między nimi zależy od badanego efektu np. właściwości technologii. Konstrukty nietrafne, czyli takie które wprowadzają tę samą informację o badanym przedmiocie, uniemożliwiają trafne wnioskowanie na temat relacji, ponieważ relacja między zmiennymi zależdy bardziej od podobnej metody pomiaru niż efektu poddawanego badaniu. Konstrukty trafne przybliżają nas do ukazania prawdy naukowej. Konstrukty nietrafne różnicowo lub ignorowanie tych zjawisk oddala nas od poznania prawdy naukowej i możliwości publikacji wysokiej jakości pracy. Dlatego trafność różnicowa konstruktów jest tak ważnym według mnie założeniem w badaniach i statystyce. Trafność różcnicowa w SEM!

Bibliografia:

Davis, Fred D.Bagozzi, Richard P.Warshaw, P. R. (1989). User Acceptance of Computer Technology: a Comparison of Two Theoretical Models. Management Science, 35(8), 982–1003. https://doi.org/http://dx.doi.org/10.1287/mnsc.35.8.982

Davis, F. D. (1989). Perceived Usefulness, Perceived Ease of Use, and User Acceptance of Information Technology. MIS Quarterly, 13(3), 319–340. https://doi.org/10.2307/249008

Fornell, C., & Larcker, D. F. (1981). Evaluating Structural Equation Models with Unobservable Variables and Measurement Error. Journal of Marketing Research, 18(1), 39. https://doi.org/10.2307/3151312

Hair, J. F., Ringle, C. M., Gudergan, S. P., Fischer, A., Nitzl, C., & Menictas, C. (2019). Partial least squares structural equation modeling-based discrete choice modeling: an illustration in modeling retailer choice. Business Research, 12(1), 115–142. https://doi.org/10.1007/s40685-018-0072-4

Henseler, J., Ringle, C. M., & Sarstedt, M. (2014). A new criterion for assessing discriminant validity in variance-based structural equation modeling. Journal of the Academy of Marketing Science, 43(1), 115–135. https://doi.org/10.1007/s11747-014-0403-8

Hryniewicz, K., & Grzegorczyk, T. (2020). How different autonomous vehicle presentation influences its acceptance: Is a communal car better than agentic one ? PLoS ONE, 1–28. https://doi.org/10.1371/journal.pone.0238714

Iacobucci, D. (2010). Structural equations modeling: Fit Indices, sample size, and advanced topics. Journal of Consumer Psychology, 20(1), 90–98. https://doi.org/10.1016/j.jcps.2009.09.003

Kock, N. (2014). A note on how to conduct a factor-based PLS-SEM analysis A note on how to conduct a factor-based PLS-SEM analysis. International Journal of E-Collaboration, 11(3), 1–9. https://doi.org/10.4018/ijec.2015070101

Kock, N. (2015). Common method bias in PLS-SEM : A full collinearity assessment approach. 1–10.

Kock, N. (2020). WarpPLS User Manual: Version 7.0 (7th ed.). ScriptWarp Systems.

Kock, N., & Gaskins, L. (2016). Simpson’s paradox, moderation, and the emergence of quadratic relationships in path models: An information systems illustration. International Journal of Applied Nonlinear Science, 2(3), 200–234. https://doi.org/10.1109/ICUMT.2009.5345351

Pearl, J. (2009). Causality: Models, Reasoning and Inference (2nd ed.). Cambridge University Press. https://doi.org/10.1017/CBO9780511803161

Podsakoff, P. M., MacKenzie, S. B., Lee, J.-Y., & Podsakoff, N. P. (2003). Common method biases in behavioral research: A critical review of the literature and recommended remedies. Journal of Applied Psychology, 88(5), 879–903. https://doi.org/10.1037/0021-9010.88.5.879

Ringle, C. M., Sarstedt, M., Mitchell, R., & Gudergan, S. P. (2020). Partial least squares structural equation modeling in HRM research. International Journal of Human Resource Management, 31(12), 1617–1643. https://doi.org/10.1080/09585192.2017.1416655

Tarka, P. (2017). An overview of structural equation modeling: its beginnings, historical development, usefulness and controversies in the social sciences. Quality and Quantity, 52(1), 313–354. https://doi.org/10.1007/s11135-017-0469-8

Van Riel, A. C. R., Henseler, J., Kemény, I., & Sasovova, Z. (2017). Estimating hierarchical constructs using consistent partial least squares: The case of second-order composites of common factors. Industrial Management and Data Systems, 117(3), 459–477. https://doi.org/10.1108/IMDS-07-2016-0286

Analiza tematyczna oczekiwań i opinii konsumentów – Przykłady zastosowania statystycznej metody Topic Modeling w podglądaniu myśli konsumentów.

Analiza tematyczna oczekiwań i opinii konsumentów, co to znaczy? Co to za rodzaj analizy statystycznej i jakie wnioski można z niej wyciągnąć? Co z takiej analizy wynika? Czego konsumenci głównie oczekują od produktów i co chcieliby wiedzieć na ich temat?

W swoim warsztacie badawczym mam dwa badania ilościowe które dotyczyły problemu odnoszącego się do pytania „Co konsumenci chcieliby wiedzieć na temat konkretnego (telefonu komórkowego lub samochodu autonomicznego) produktu?”. Mam wyniki dotyczące dwóch produktów które przebadałem na przełomie 2019 i 2020 roku. Pierwszym produktem był telefon komórkowy. Niemniej trochę źle zaprojektowałem ankietę, ponieważ pytania przed główną częścią badania aktywizowały w umyśle respondentów pewne schematy myślenia o produkcie, co ukierunkowywało ich odpowiadanie w dalszej części ankiety. Pomimo tego, że wyniki badania tego produktu są nieco skrzywione, to rzucają one pewne światło na możliwości analizy tematycznej oczekiwań konsumentów, a to pozwala się zapoznać z ich opiniami i oczekiwaniami.

Drugie badanie które przeprowadziłem z zachowaniem większego rygoru metodologicznego dotyczyło produktu jakim jest pojazd autonomiczny. Pojazd autonomiczny jest to samochód kierowany przez komputer. Jego użytkownik nic nie musi robić prócz wskazania mu punktu końcowego trasy lub ewentualnych przystanków. Badanie tego produktu było niezwykłym przedsięwzięciem, ponieważ samochód ten nie jest jeszcze wszystkim znany, a na pewno nie jest jeszcze dopuszczony do użytku publicznego (co ma się zmienić już w ciągu najbliższych 15 lat). Wyniki tego badania były bardzo ciekawe, bo ukazały dwa główne wątki tematyczne dotyczące oczekiwań konsumentów co do technologii pojazdów autonomicznych.

Metodologia badania i statystyczna analiza tematyczna oczekiwań konsumentów dotycząca telefonu komórkowego i technologii samochodów autonomicznych.

W tych badaniach ogólnie chodziło mi o to, by uczestnicy pozostawili po sobie napisany przez nich tekst. Ich pisemne odpowiedzi zostały przetłumaczone na angielski i przetworzone pod kątem ilościowym. Niemniej, jak wyglądała metoda badania oczekiwań konsumentów co do produktów?

Metodologia obu badań była taka sama. W obu przypadkach zadałem badanym 5 prostych pytań na które mieli udzielić pisemnych odpowiedzi:

– Co byś chciał/chciała oglądać na reklamach telefonów komórkowych (samochodów autonomicznych)?

– Jaki miałby mieć przekaz taka reklama telefonów (samochodów autonomicznych)?

– Co chciałbyś/abyś, by w takiej reklamie miało się dziać?

– Co byś chciał/a w niej zobaczyć?

– Jakie wartości/idee miałby być przekazane w takiej reklamie?

Badani mieli wolną rękę i wpisywali swoje przemyślenia, oczekiwania, a także opinie na temat telefonów komórkowych (badanie 1) oraz samochodów autonomicznych (badanie 2). Jak została wykonana analiza tematyczna oczekiwań i opinii konsumentów?

Analiza wątków tematycznych – Topic Modeling (LDA – Latent Dirichlet Allocation)

Analiza wątków tematycznych – Topic Modeling – odnosi się do zadania identyfikowania wątków które najlepiej opisują zestaw dokumentów tekstowych. Dzięki niej może być wykonana analiza tematyczna oczekiwań konsumentów której rezultatem są wątki. Te wątki pojawiają się w toku modelowania, dlatego nazywają się wątkami latentnymi (ponieważ ich struktura nie jest obserwowalna). Wyniki analizy wątków są przeliczane poprzez algorytm LDA (ang. Latent Dirichlet Allocation). Czy to jest analiza tematyczna oczekiwań i opinii konsumentów? Tak, ogólną logiką tego algorytmu jest to, że każdy dokument może być opisany przez stały rozkład wątków, a każdy wątek może być opisany przez stały rozkład słów w dokumentach tekstowych. Algorytm zwraca ogólną wagę występowania konkretnych słów w danych wątkach (w jednym wątku słowo występuje częściej, a w innym rzadziej). Ten statystyczny algorytm analizy wątków jest naiwnym sposobem zamiany częstości występowania danych słów w zbiorze danych na prawdopodobieństwo występowania ich w danych wątkach. Naiwny jest dlatego, że liczba poszczególnych wątków jest zawsze ustalana przez użytkownika w procesie modelowania ilości tych wątków. Pomimo swojej prostoty zrozumienia, algorytm ten jest z powodzeniem stosowany w badaniach naukowych (Asmussen & Møller, 2019; Brookes & McEnery, 2019). Osobiście wykorzystałem go w pracy naukowej dotyczącej akceptacji technologii samochodów autonomicznych, która jest teraz oceniana przez recenzentów. W opisie pomijam standardowe etapy każdej analizy związanej z przetwarzaniem danych tekstowych (preprocessing) np. stop words list, lemantyzacja, tekenizacja, usuwanie interpunkcji. Jak by nie było, analizę wątków tematycznych (Topic Modeling) poprzez wspaniały algorytm LDA można wykorzystać do analizy oczekiwań i opinii konsumentów w badaniach marketingowych, które są pod taką analizę zaprojektowane.

Wyniki analizy tematycznej oczekiwań i opinii konsumentów na temat telefonów komórkowych i samochodach autonomicznych.

Więcej informacji na temat badania związanego z telefonami komórkowymi można przeczytać tutaj klik, a na temat analizy wątków (Topic Modeling poprzez Latent Dirichlet Allocation) w kontekscie samochodów autonomicznych można przeczytać tutaj klik. O wiele więcej na temat wykonania analizy tematycznej w ptyhonie i możliwościach interaktywnej prezentacji można poczytać tutaj klik.

Wyniki analizy tekst mining dotyczącej oczekiwań co do telefonów komórkowych (badanie 1). Ta analiza tematyczna oczekiwań i opinii konsumentów przedstawia chmurę słów. Im większe słowo tym częściej badani wskazywali je w swoich wypowiedziach.

Wyniki analizy wątków (Topic Modeling) – Wątek tematyczny 1 wskazuje na to, że badani konsumenci oczekują od samochodu autonomicznego bezpieczeństwa (badanie 2). Im większe słowo tym częściej się ono pojawia w powyższym wątku tematycznym.

Wyniki analizy wątków (Topic Modeling) – Wątek tematyczny 2 wskazuje na to, że badani konsumenci oczekują od samochodu autonomicznego informacji na temat jego działania i funkcjonowania (badanie 2). Im większe słowo tym częściej się ono pojawia w powyższym wątku tematycznym.

Bibliografia:

Asmussen, C. B., & Møller, C. (2019). Smart literature review: a practical topic modelling approach to exploratory literature review. Journal of Big Data, 6(1). https://doi.org/10.1186/s40537-019-0255-7

Brookes, G., & McEnery, T. (2019). The utility of topic modelling for discourse studies: A critical evaluation. Discourse Studies, 21(1), 3–21. https://doi.org/10.1177/1461445618814032