Nivel: principiante
Laura Castro-Schilo, Desarrollador Estadístico de Investigación JMP, SAS
Resumen:
Structural Equations Models (SEM) es una nueva plataforma en JMP Pro 15 que ofrece numerosas herramientas de modelado. Análisis factorial confirmatorio, análisis de ruta, modelos de error de medición y modelos de curva de crecimiento latente son solo algunas de las posibilidades. En esta presentación, proporcionamos una introducción general a SEM al describir qué es, las características únicas que ofrece a analistas e investigadores, cómo se implementa en JMP Pro 15 y cómo se aplica en una variedad de campos, incluidos el mercado y el consumidor investigación, ingeniería, educación, salud y otros. Utilizamos un ejemplo empírico, con el que todos pueden relacionarse, para mostrar cómo se usa la plataforma SEM para explorar las relaciones entre variables y probar teorías competitivas.
Resumen:
El siguiente video muestra cómo ajustar modelos consistentes con cada una de las "Teorías de la emoción" en la presentación. Junto con las diapositivas adjuntas, los usuarios pueden ser guiados sobre cómo usar la plataforma SEM. Aquí están los puntos para llevar:
- Tenemos 3 teorías a priori de cómo nuestras variables se relacionan entre sí
- Encajamos modelos en SEM que se asignan a cada una de las teorías
- Buscamos el modelo más apropiado por:
- Examen del ajuste del modelo individual. En este ejemplo utilizamos el chi-cuadrado, una medida de desajuste, queremos que sea pequeño con respecto a los grados de libertad (df) y no significativo, pero el CFI y RMSEA también se puede usar y son mejores con muestras de gran tamaño. También utilizamos el mapa de calor de residuos normalizados; queremos esos residuos dentro de +/- 2 unidades.
- Comparación de ajuste entre modelos. los Pesos AICc ayúdanos con esta tarea. Cuando los modelos están anidados (es decir, uno está completamente contenido dentro del otro; en nuestro ejemplo, el modelo para la Teoría n. ° 1 está anidado dentro del de la Teoría n. ° 2), podemos tomar la diferencia entre los cuadrados de chi y el df para obtener un delta-chi-cuadrado y delta-df que se puede comprobar su importancia con una distribución de chi-cuadrado.
<script>LITHIUM.OoyalaPlayer.addVideo('https:\/\/player.ooyala.com\/static\/v4\/production\/', 'lia-vid-l1Zng3ajE6RHdjL_FgwrRV5vjMrBY0Xrw1600h825r759', 'l1Zng3ajE6RHdjL_FgwrRV5vjMrBY0Xr', {"pcode":"ltbGkyOjMl3V3pZ3Trn6T2z1_rjF","playerBrandingId":"ODI0MmQ3NjNhYWVjODliZTgzY2ZkMDdi","width":"1600px","height":"825px"}); (ver en Mis videos)
