Est-il possible d'utiliser SEM pour les prévisions?J'aime beaucoup le nouveau modèle d'équations structurelles (SEM) JMP-Pro 15, car vous pouvez facilement modéliser ici des processus très complexes, même si le temps de calcul est très long.
Outre ces avantages dans l'analyse, j'aimerais également utiliser le modèle créé pour la prédiction. Quelqu'un peut-il me donner un indice comment faire cela? Je n'ai trouvé aucun Profiler de prédiction sur la plateforme.
Merci d'avance!
Re: Homme Kann SEM auch pour Vorhersagen nutzen?salut @markus ,
Je suis si heureux de vous entendre aimer la nouvelle plate-forme SEM! Obtenir une prévision dépend du modèle que vous ajustez (et il existe toutes sortes de modèles que l'on peut adapter au SEM!). Si vous avez un modèle de régression (X -> Y), l’utilisation du paramètre Estimations est la clé. Le coefficient de régression représente le changement dans le résultat, Y, pour chaque changement d'unité dans le prédicteur, X. En supposant que vous ayez une estimation de l'interception de Y, vous pouvez assembler une équation de régression standard, telle que Y_hat = y_intercept + reg_coef * X , où vous pouvez brancher différentes valeurs X pour voir comment votre Y (Y_hat) prédit change.
Un autre cas pourrait être un modèle où W -> X -> Y (appelé modèle de médiation, ici X "médie" la relation entre W et Y). Si l'effet W sur Y vous intéresse, multipliez les deux coefficients de régression pour obtenir l'effet "indirect" de W sur Y, puis utilisez-le pour votre équation de prédiction.
La bonne nouvelle, c’est que nous prévoyons d’ajouter le profileur dans JMP Pro 16 afin que cela soit simplifié à l’avenir! L'autre bonne nouvelle est que l'estimation dans 15.1 sera beaucoup plus rapide que 15.0, alors assurez-vous de la mettre à jour dès que 15.1 sera disponible (au courant de février / 2020).
Re: Pouvez-vous utiliser SEM pour les prédictions?Merci Laura!
Le modèle se compose principalement de 3 parties qui sont connectées les unes aux autres:
1) Certains X, où 2 sont des covariants, prédisent indirectement une série de Y par un facteur latent.
2) Deux de ces Y deviennent des X pour l'étape suivante et prédisent un Y avec quelques autres X
3) Ce Y devient un nouveau X pour le niveau 3 et prédit indirectement, via un autre facteur latent, qu'un certain nombre de Y finaux se rejoindront avec d'autres X
Comment puis-je gérer ces estimations?
Pour plus de clarté, j'ajoute un diagramme de structure.
