Course
Ciljevi kolegija. Upoznavanje s osnovama strukturalnog modeliranja (structural equation modeling, SEM). Stjecanje sposobnosti teorijske artikulacije problema, uz postavljanje eksplicitnih hipoteza ili istraživačkih pitanja ovisno o konfirmatornoj ili eksploratornoj strategiji istraživanja. Operacionalizacija hipoteza / istraživačkih pitanja primjereno mogućnostima i dosegu strukturalnog modeliranja: optimalna artikulacija teorijskog i mjernog modela, uz izbjegavanje uobičajenih pogrešaka. Ovladavanje računalnom analizom modela upotrebom namjenskog sofwarea (Amos, R - lavaan, Mplus, Phyton...).
Sadržaj kolegija. Osvrt na stečeno nužno predznanje: faktorska analiza i višestruka regresija s intervenirajućim varijablama (medijatorima i moderatorima). Sagledavanje spomenutog predznanja iz perspektive teorijski validnog strukturalnog modeliranja: SEM kao fleskibilnija proširena regresija koja omogućuje modeliranje složenijih odnosa između varijabli (manifestnih i latentnih) u širem teorijskom okviru. Artikulacija strukturalnog i mjernog modela upotrebom dijagrama puta (path). Pogreške u mjerenim varijablama kao jamstvo robusnosti. Utjecaj veličine uzorka: minimalan broj opservacija po procijenjenom parametru; minimalna veličina cijelog uzorka (zbog složenosti SEM zahtijeva veće uzorke od regresijske analize). Uobičajene pogreške: pretjerano kompliciranje (previše varijabli i/ili odnosa koji otežavaju procjenu i interpretaciju modela); zanemarivanje pokazatelja slaganja (fit indices); neopravdane pretpostavke o kauzalnosti – SEM provjerava odnose, a kauzalnost ovisi o nacrtu istraživanja (npr. eksperimentalnom ili korelacijskom). Priprema prikupljenih podataka za analizu: distribucije varijabli, nedostajući (missing) i odstupajući podatci (outliers). Provjera i mjere empirijske validnosti pretpostavljenog modela putem slaganja s emprijski prikupljenom građom: hi-kvadrat test, RMSEA, CFI, SRMR. Konfirmatorna faktorska analiza. Formalna pravila i zahtjevi prezentacije i diseminacije nalaza.
Ovladati vještinom operacionalizacije ciljeva i hipoteza (istraživačkih pitanja) primjereno naknadnoj analizi modeliranjem strukturalnih jednadžbi. Samostalno artikulirati optimalan i uravnotežen model, uz izbjegavanje pretjerane složenosti, redundantnosti i uobičajenih metodoloških pogrešaka. Operacionalizirati mjerni model i moći provjeriti njegovo post-hoc slaganje s teorijskim. Primjereno interpretirati nalaze, a potom ih prikazati i diseminirati na formalno korektan i elegantan način (primjeren publici, od znanstvene do šire javnosti).
Raykov, T., Marcoulides, G. A. (2006). A First Course in Structural Equation Modelling. Lawrence Erlbaum Associates.
Schumaker, R. E., Lomax, R. G. (2022). A beginner's Guide to Structural Equation Modeling. Taylor and Francis Group, LLC.
Hoyle, R. (Ed.) (2023). Handbook of Structural Equation Modeling (2nd ed.). Guilford Press.
Kline, R. B. (2015). Principles and Practice of Structural Equation Modeling (4th ed). The Guilford Press.
Redovito pohađanje nastave (najmanje 70 %); stjecanje minimalno 50 % bodova tijekom nastave.
Usmeni.
- Nastavne aktivnosti – 70 % ocjene (seminarski rad 50 %, aktivno sudjelovanje u nastavi 20 %).
- Završni usmeni ispit – 30 % ocjene
Brojčana ljestvica ocjenjivanja studentskog rada:
- izvrstan (5) – 90 do 100% bodova
- vrlo dobar (4) – 80 do 89,9% bodova
- dobar (3) – 65 do 79,9% bodova
- dovoljan (2) – 50 do 64,9% bodova
- nedovoljan (1) – 0 do 49,9 % bodova
VRSTA AKTIVNOSTI | ECTS bodovi - koeficijent | UDIO OCJENE (%) |
| Pohađanje nastave | 0 | 0 |
| Seminarsko izlaganje | 1,5 | 50 |
| Kolokvij - međuispit | 0 | 0 |
| Aktivnost na vježbama i seminaru | 0,6 | 20 |
| Ukupno tijekom nastave | 2,1 | 70 |
| Završni ispit | 0,9 | 30 |
| UKUPNO BODOVA (nastava+zav.ispit) | 3 | 100 |
Learning outcomes
Upoznati ulogu faktorske i regresijske analize u širem analitičkom kontekstu koji omogućuje modeliranje strukturalnim jednadžbama.
Learning outcomes
Steći vještinu oblikovanja i sažimanja šire teorije u jasan, koncizan i (načelno) operabilan konceptualni model
Learning outcomes
Steći sposobnost operacionalizacije optimalno artikuliranog konceptualnog modela na način koji je moguće uklopiti u okvir koji pruža SEM; naučiti prilagoditi operacionalni model mogućnostima empirijske provjere.
Learning outcomes
Upoznavanje repertoara varijabli pogodnih za upotrebu u okviru modeliranja strukturalnim jednadžbama (latentne, manifestne, parcelirane, kombinacije). Odnosi (smjerovi utjecaja) među varijablama, uključujući moderirajuće i medijacijske utjecaje i njihove kombinacije.
Learning outcomes
Upoznavanje dijagrama puta i mogućnosti njegove upotrebe kao vizualnog pomagala bez kojeg ne bi bilo moguće artikulirati i prezentirati (složenije) modele.
Learning outcomes
Naučiti optimalnu upotrebu SEM-a: kako izabrati relevantne varijable, ukloniti redundancije i izbjeći predeterminiranost s ciljem dobivanja što elegantnijih i lako provjerljivih modela.
Learning outcomes
Postavljanje teorijskog modela vodeći računa o njegovoj kauzalnoj, korelacijskoj ili kombiniranoj naravi; mogućnosti i ograničenja provjere slaganja s mjernim modelom vodeći računa o njegovoj naravi.
Learning outcomes
Kako izabrati vrstu i veličinu uzorka ovisno o teorijskom okviru, artikuliranim i operacionaliziranim hipotezama; minimalna veličina uzorka ovisno o potrebi analize poduzoraka i broju procjenjivanih parametara na razini cijelog uzorka ili pojedinih poduzoraka.
Learning outcomes
Metodološki pravilan izbor uzorka za provedbu istraživanja ili pravilan izbor gotovih podataka za vlastiti seminarski rad; doseg interpretacije nalaza ovisno o izabranom uzorku ili podatcima.
Learning outcomes
Izbor odgovarajućih postupaka ispravljanja izrazitije asimetrije (poput logaritimiranja nakon testiranja asimetrije), nadomještanja nedostajućih vrijednosti (prosječnim, dominantnim ili medijalnim vrijednostima) i neutralizacije utjecaja odstupajućih vrijednosti ovisno o veličini uzorka i cilju istraživanja.
Learning outcomes
Osim otprije poznatog hi-kvadrat testa za provjeru slaganja distribucija, upoznati dodatna tri pokazatelja: RMSEA (Root Mean Square Error of Approximation), odnosno indeks apsolutnog slaganja s populacijskom matricom kovarijance; CFI (Comparative Fit Index), pokazatelj slaganja predloženog modela s baznim ili nultim; SRMR (Standardized Root Mean Square Residual) koji mjeri prosječnu razliku između izmjerenih i modelom pretpostavljenih korelacija.
Learning outcomes
Komentiranje i rasprava o provjerenim modelima svakog polaznika: uočavanje prednosti i propusta, istodobno zajedničko učenje.
Learning outcomes
Sagledavanje vlastitog modela svakog polaznika nakon prethodne zajedničke rasprave i donošenje šire đobrazloženih strateških odluka poput ispravljanja postojećeg modela ili konceptualizacije novog, uz eventualno ponovljenu empirijsku provjeru.
Learning outcomes
Stjecanje osnovnog uvida u višu razinu i šire područje strukturalnog modeliranja te dinamiku njegovog razvoja radi orijentacije za kasnije samostalno učenje.
Learning outcomes
Kompetentno i fleskibilno baratanje formalnim zahtjevima prikaza modela u strukovnim i akademskim publikacijama, uz korektno pojednostavljen način prezentiranja široj javnosti.
Learning outcomes
Upoznati osnovne načine baratanja datotekama, programske naredbe, funkcije i grafičke mogućnosti paketa.
Learning outcomes
Upoznati osnovne načine baratanja datotekama, programske naredbe, funkcije i grafičke mogućnosti paketa.
Learning outcomes
Upoznati osnovne načine baratanja datotekama, programske naredbe, funkcije i grafičke mogućnosti paketa.
Learning outcomes
Upoznati osnovne načine baratanja datotekama, programske naredbe, funkcije i grafičke mogućnosti paketa.
Learning outcomes
Korektno pretvaranje konceptualnog modela u grafički prikaz (dijagram puta) pogodan za operacionalizaciju i empirijsku provjeru upotrebom izabranog softverskog paketa.
Learning outcomes
Uobličavanje prethodno naučenog u vlastiti model na način pogodan za prezentaciju drugima: zajednička rasprava o svakom modelu.
Learning outcomes
Uobličavanje prethodno naučenog u vlastiti model na način pogodan za prezentaciju drugima: zajednička rasprava o svakom modelu.
Learning outcomes
Odgovarajući izbor uzorka s obzirom na teorijske pretpostavke, doseg interpretacije i parametrijsku složenost modela.
Learning outcomes
Samostalan izbor provedivog načina empirijske provjere modela na podatcima iz primarnih ili sekundarnih izvora.
Learning outcomes
Provjera kvalitete i sređivanje podataka primjenom znanja stečenog na predavanjima kao priprema za analizu strukturalnim modeliranjem.
Learning outcomes
Samstalna obrada vlastitih podataka u izabranom paketu i provjera slaganja teorijskog i empirijskog modela upotrebom četiri naučena pokazatelja.
Learning outcomes
Optimalna modifikacija pojedinih elemenata ili cijelog modela upotrebom paketa kojim je obrađen (nakon zajedničke rasprave).
Learning outcomes
Samostalna ponovljena obrada modela nakon modifikacije u istom paketu i upotrebom istih pokazatelja slaganja.
Learning outcomes
Samostalan izbor podmodela pogodnog za konfirmatornu faktorsku analizu, provedba analize i interpretacija nalaza.
Learning outcomes
Prilagođavanje modela i prijenos u software za grafičku doradu kako bi se mogao optimalno prezentirati stručnoj i široj javnosti.
Learning outcomes
Upoznavanje formalnih i sadržajnih elemenata seminarskih radova uz potrebne predradnje i vremenski okvir.
Learning outcomes
Samostalan izbor istraživačkih tema prema vlastitim preferencijama i zajednička rasprava o načelno mogućim načinima njihove teorijske artikulacije.
Learning outcomes
Izbor konkretnih teorijskih okvira nakon prethodne rasprave i načelnog izbora tema.
Learning outcomes
Zajednička evaluacija tema i toerijskih okvira iz perspektive podobnosti za analizu strukturalnim modeliranjem.
Learning outcomes
Samostalna dorada i prezentacija vlastitih teorijskih prijedloga na temelju prethodne zajedničke rasprave.
Learning outcomes
Konačna artikulacija teorijskih hipoteza ili istraživačkih pitanja prilagođena evaluaciji strukturalnim modeliranjem.
Learning outcomes
Uočavanje vlastitih i tuđih pogrešaka pri prilagođavanju hipoteza ili istraživačkih pitanja analizi strukturalnim modeliranjem. Usvajanje znanja o optimalnim načinima ispravljanja uočenih pogrešaka nakon zajedničke rasprave.
Learning outcomes
Samostalan izbor načelno odgovarajućeg uzorka, odnosno podataka iz primarnih ili sekundarnih izbora, uz modifikacije nakon naknadne zajedničke evaluacije.
Learning outcomes
Samostalan izbor konkretnog uzorka ili podataka primjerenih za analizu nakon zajedničke rasprave o načelnim izborima i mogućnostima.
Learning outcomes
Zajedničko usvajanje i pojedinačna (samostalna) primjena znanja o nužnim provjerama empirijskih podataka i eventualnim post-hoc mogućnostima poboljšanja njihovih metrijskih kvaliteta.
Learning outcomes
Konačna samostalna artikulacija dorađenih teorijskih i mjernih modela, uz prezentaciju primjerenu zajedničkoj evaluaciji.
Learning outcomes
Samostalna obrada prkupljenih podataka, uključjujući provjeru slaganja teorijskih i mjernih modela. Samostalna prezentacija i interpretacija nalaza u seminarskom radu, uz zajedničku evaluaciju.
Learning outcomes
Uočavanje nedostataka nakon rasprave o prezentiranim nalazima i artikulacija prijedloga ispravljanja uočenih nedostataka (i mogućih poboljšanja) u svim fazama istraživanja.
Learning outcomes
Samostalno izdvajanje podmodela pogodnog za provjeru konfirmatornom faktorskom analizom, uz argumentaciju izbora i plana provjere u zajedničkoj raspravi.
Learning outcomes
Samostalan izbor oblikovanja rezultata koji, prvo, zadovoljava formalne kriterije, i drugo, izrada primjerene prezentacije i interpretacije stručnoj javnosti (nakon prethodne evaluacije seminarskih prikaza). Optimalno pojednostavljenje prezentacije namijenjene široj javnosti.
| Academic year | |
|---|---|
| 2025/2026 | [Download] |