281529_ko-KR

liliconcom

구조 방정식 모델의 ABC(2020-US-45MP-590)

수준: 중급

 

Laura Castro-Schilo, JMP 연구 통계 개발자, SAS Institute, JMP 사업부
James Koepfler, 연구 통계학자 테스터, SAS Institute, JMP 부문

 

이 프레젠테이션은 모든 배경의 분석가가 이 통계 기법을 사용할 수 있도록 하는 주요 기본 개념을 다루면서 구조 방정식 모델링(SEM)에 대한 자세한 소개를 제공합니다. SEM 프레임워크의 이해를 돕기 위해 회귀 분석과의 비교부터 시작합니다. 관찰된 변수를 활용하여 잠재 변수를 추정하고, 측정 오류를 설명하고, 향후 측정을 개선하고, 선형 모델의 추정을 개선하는 방법을 보여줍니다. 또한 분석가가 SEM을 통해 해결할 수 있는 주요 질문을 강조하고 실제 데이터를 사용한 사례를 통해 이러한 질문에 대답하는 방법을 보여줍니다. 참석자들은 경로 분석 및 확인 요인 분석을 수행하고, 모델 적합성을 평가하고, 대체 모델을 비교하고, JMP Pro의 SEM 플랫폼에서 제공되는 모든 결과를 해석하는 방법을 배우게 됩니다.

 

프레젠테이션 자료

이 프레젠테이션의 슬라이드와 보충 자료는 여기에서 다운로드할 수 있습니다.

마지막에 있는 리소스 목록을 확인하세요. 이 블로그 게시물 SEM에 대해 자세히 알아보세요.

이 프레젠테이션의 예에 사용된 기사와 데이터는 다음에서 확인할 수 있습니다. 이 링크 .

 

 

자동 생성된 성적표...

 

스피커	성적 증명서
로라 카스트로스칠로	여러분, 안녕하세요. 환영. 이 세션은 구조 방정식 모델링의 ABC에 관한 것이며 제가 시도할 것은 여러분이 편안함을 느낄 수 있도록 충분한 도구를 제공하는 것입니다.
	구조 방정식 모형 플랫폼과 JMP Pro를 사용하여 모형을 지정하고 모형 적합 결과를 해석합니다.
	이제 우리가 할 일은 구조 방정식 모델링이 무엇인지 소개하고 특히 요인 분석 및 회귀 분석과의 연결을 그리는 것부터 시작합니다.
	그런 다음 SEM에서 경로 다이어그램이 사용되는 방식과 이 모델링 프레임워크 내에서 경로 다이어그램의 중요한 역할에 대해 조금 이야기하겠습니다.
	실습 예제에 시간을 할애할 수 있도록 소개를 짧게 유지하려고 합니다. 그럼 인트로에 이어 제가 시연에 사용할 데이터를 소개하겠습니다. 이 데이터는
	코로나19 바이러스의 위협에 대한 인식에 대해. 그래서 그 데이터를 소개한 후,
	우리는 플랫폼 내에서 모델을 지정하고 그 결과를 해석하는 방법을 살펴보겠습니다.
	몇 가지 질문. 이제 이러한 질문을 통해 SEM으로 수행할 수 있는 두 가지 매우 중요한 기술을 다룰 수 있습니다. 하나는 확증적 요인 분석과 다변량 회귀 분석입니다.
	모든 것을 마무리하기 위해 간략한 내용만 보여 드리겠습니다.
	확인 요인 모델, 회귀 모델을 모두 통합한 모델을 통해 SEM이 자신의 작업에 자신의 데이터를 사용할 수 있는 잠재력을 실제로 확인할 수 있습니다.
	좋습니다. SEM이 무엇인가요? 구조 방정식 모델링은 요인 분석과 회귀 분석이 함께 제공되는 프레임워크입니다.
	그리고 요인분석 측면에서는 우리가 직접적으로 관찰하지 못하는 것들을 측정할 수 있는 능력을 얻을 수 있습니다.
	그리고 회귀 측면에서는 관찰 여부에 관계없이 변수 간의 관계를 조사할 수 있습니다. 따라서 이 두 가지 도구를 함께 사용하면 매우 유연한 프레임워크, 즉 다양한 모델을 적용할 수 있는 SEM이 탄생하게 됩니다.
	경로 다이어그램은 모든 통계적 구조방정식 모델, 즉 실제 모델을 다이어그램을 통해 표현할 수 있기 때문에 SEM 내의 독특한 도구입니다. 그래서 우리는 몇 가지만 배워야 합니다.
	해당 다이어그램이 어떻게 그려지는지에 대한 표기법입니다. 따라서 사각형은 관찰된 변수를 나타냅니다.
	원은 잠재 변수를 나타내고 분산 또는 공분산은 양방향 화살표로 표시되며 회귀 및 로딩은
	머리가 하나인 화살표로 표시됩니다. 참고로 경로 다이어그램에 사용되는 삼각형도 있습니다.
	그러나 그것은 우리가 오늘 이야기할 범위를 벗어납니다. 삼각형은 평균과 절편을 나타내는 데 사용됩니다. 불행하게도 우리는 돈으로 할 수 있는 멋진 일들에 대해 모두 이야기할 시간이 부족합니다.
	괜찮은. 하지만 저는 또한 여러분에게 기본적인...종류의 구성 요소를 보여주고 싶습니다.
	상자 안에 있는 x는 y를 예측하고 있습니다.
	이것도 상자에 들어있습니다. 따라서 우리는 이것이 관찰된 변수이고 각각 자체적으로 시작하고 끝나는 양방향 화살표가 있다는 것을 알고 있습니다. 즉, 이것이 분산임을 의미합니다.
	x의 경우 이 화살표는 단순히 변형이지만 y의 경우 양방향 화살표는 잔차 분산을 나타냅니다.
	물론 SEM에서는 결과가 결과일 수도 있고 예측 변수일 수도 있다는 것을 알고 계실 것입니다. 따라서 y가 예측할 수 있는 또 다른 변수 z가 있다고 상상할 수 있으므로 하나의 모델 내에서 관심 있는 만큼 많은 회귀를 통합할 수 있습니다.
	SEM 구축을 위한 두 번째 기본 블록은 확인 요인 모델이며 가장 기본적인
	이에 대한 가장 기본적인 예가 바로 여기에 나와 있습니다. 여기서는 관찰되지는 않지만 하나의 요인 또는 하나의 잠재 변수를 지정합니다.
	여기에는 w, x, y를 가리키는 화살표가 표시되어 있습니다. 왜냐하면 잠재 변수가 w, x, y에서 볼 수 있는 공통 변동성을 유발하는 것으로 생각되기 때문입니다.
	자, 바로 여기 이것을 확증적 요인 모델이라고 부릅니다. 그것은 단지 하나의 요인일 뿐입니다. 그리고 요인분석에서는 요인의 차이를 이해하는 것이 정말 중요하다고 생각합니다.
	때로는 혼동되기 쉬운 주성분 분석이나 주성분 분석과의 관점을 구별하고 이를 구별합니다.
	따라서 요인 분석 관점과 PCA 관점에서 요인의 차이점을 보여주기 위해 빠르게 살펴보겠습니다.
	여기 이 사각형은 관찰된 변수, 즉 측정 중인 항목을 나타냅니다. 여기서는 파란색으로 표시했습니다.
	관찰된 각 변수와 다른 양으로, 해당 변수가 측정하려는 분산을 나타냅니다. 그래서 그것은 일종의 신호와 같습니다. 내 말은, 거기에
	우리가 정말로 관심을 갖는 것은 바로 이것이다. 그리고 다른 소스에서 발생하는 분산의 비율을 나타내는 회색 영역이 있습니다. 체계적 분산일 수도 있지만 그렇지 않은 단순한 분산일 뿐입니다.
	우리가 측정 장비에서 수집하기를 원하는 것. 그래서, 그것은 포함
	소스는 이러한 각 변수에 고유한 분산이며 측정 오류도 포함합니다.
	요인 분석과 PCA의 차이점은 요인 분석에서 잠재 변수는 공통 분산만 포착한다는 것입니다.
	관찰된 모든 변수에 걸쳐 존재하며 이것이 바로 잠재 변수가 설명하는 부분입니다.
	이는 주성분이 데이터 차원에서 설명할 수 있는 최대 분산량을 나타내는 PCA와는 대조적입니다.
	그러면 주성분이 설명할 수 있는 만큼의 분산을 선택한다는 것을 알 수 있습니다.
	이는 우리가 측정하려고 의도한 것과 아마도 다른 분산 원인으로 인해 분산이 합쳐질 것이라는 의미입니다. 따라서 이것은 매우 중요한 차이점입니다.
	관찰되지 않은 변수를 측정하려는 경우 요인 분석이 실제로 더 나은 선택이기 때문입니다. 목표가 실제로 차원 축소인지 알지 않는 한 PCA는 이를 위한 이상적인 도구입니다.
	또한 여기에서 화살표가 다른 방향을 가리키고 있음을 확인하세요. 그 이유는 요인 분석에는 관찰되지 않은 변수가 우리가 관찰하는 변동성을 유발한다는 근본적인 가정이 있기 때문입니다.
	따라서 PCA에서는 그렇지 않습니다. 따라서 여기 다이어그램에서 그 차이를 볼 수 있습니다. 그러니 우리가 얘기할 때마다
	SEM의 요인 또는 잠재 변수는 요인 분석의 관점에서 잠재 변수에 대해 이야기할 가능성이 가장 높습니다. 이제 여기에
	이전에 보여드린 구성 요소와 다른 여러 요소를 조합한 대규모 구조 방정식 모델입니다. 우리가 이 모델을 추정했기 때문에 숫자를 볼 때.
	그리고 다른 변수를 예측하는 관찰된 변수가 있다는 것을 알 수 있습니다. 우리는 몇 가지 순차적 관계를 가지고 있습니다. 즉,
	하나의 변수가 다른 변수로 이어지고, 이는 또 다른 변수로 이어집니다. 이것은 또한 관찰된 변수에 의해 예측되는 잠재 변수가 있기 때문에 흥미로운 예입니다. 하지만 이 잠재변수도
	차례로 다른 변수를 예측합니다. 그래서 이 다이어그램은 우리가 SEM을 사용할 수 있는 기본 이유 때문에 우리가 가질 수 있는 다양한 용도를 잘 보여줍니다. 여기에는 더 큰 모델 내에서 모델링하려는 관찰되지 않은 변수가 있는 5가지가 포함됩니다.
	문맥. 우리는 아마도 측정 오류를 설명하고 싶습니다. 잠재 변수는 지표 전반에 걸쳐 공통된 분산만 설명하기 때문에 측정 오류가 제거되므로 이는 중요합니다.
	관찰 여부에 관계없이 변수 간의 순차 관계를 연구해야 하는 경우 SEM은 이를 위한 훌륭한 도구입니다.
	마지막으로, 누락된 데이터가 있는 경우 회귀 분석만 수행하더라도 SEM이 큰 도움이 될 수 있습니다.
	사용 가능한 모든 데이터는 적어도 JMP pro에 있는 알고리즘 내에서 추정하는 동안 SEM에 사용됩니다.
	이것이 SEM을 사용하는 정말 좋은 이유입니다. 이제 저는 이 다이어그램을 사용하여 SEM이
	자신의 작업에 사용할 도구입니다. 그래서 우리는 관찰된 변수에 대해 이야기했습니다. SEM 전문 용어에서는 매니페스트 변수라고도 합니다.
	잠재 변수가 있습니다. 외생성이라는 변수도 있습니다. 이 예에는 두 개만 있습니다.
	그리고 이는 다른 변수만 예측하는 변수이며, 실제로 자신을 예측하는 변수가 있는 내생 변수와는 대조적입니다. 따라서 여기에서 이러한 다른 모든 변수는 내생적입니다.
	잠재 변수, 그들이 가리키고 예측하는 매니페스트 변수를 잠재 변수 지표라고도 합니다.
	마지막으로 요인분석적 관점에서 고유요인 분산(Unique Factor variance)에 대해 이야기했습니다. 그리고 이것들은 요인으로부터의 잔여 분산입니다.
	이는 잠재 변수에 의해 설명되지 않는 분산이며 해당 변수에 고유한 체계적인 분산과 측정 오류의 조합을 모두 나타냅니다.
	괜찮은.
	저는 구조 방정식 모델링을 좀 더 쉽게 이해하기 위해서는 우리가 실제로 사용하는 데이터가
	내부 모델링은 데이터의 공분산 구조입니다. 우리는 또한 수단, 수단 구조를 모델링합니다. 그러나 이는 오늘 프레젠테이션의 범위를 벗어납니다.
	하지만 이는 우리가 생각하는 데이터에 영향을 미치기 때문에 이에 대해 생각하는 것이 중요합니다.
	아시다시피, 우리는 데이터 테이블을 보는 데 익숙하며 행과 변수가 열입니다. 그렇습니다.
	이러한 데이터는 SEM 플랫폼을 시작하는 데 사용될 수 있습니다. 그러나 우리의 알고리즘은 실제로 해당 변수의 공분산 구조를 분석하고 있습니다. 따라서 데이터에 대해 생각해 보면 이것이 실제로 존재하는 데이터입니다.
	후드 아래에서 모델링되고 있습니다. 이는 또한 잔차에 대해 생각할 때에도 영향을 미칩니다. 왜냐하면 SEM의 잔차는 다음의 분산 및 공분산과 관련이 있기 때문입니다.
	아시다시피, 우리가 추정한 것은 샘플에 있는 것과 대조됩니다. 따라서 잔차는 다시 우리가 익숙한 다른 표준 통계 기법에서 실제 기법으로 초점을 약간 전환할 필요가 있습니다.
	구조 방정식 모델이 무엇인지 살펴보겠습니다. 그리고 자유도와 같은 개념도 공분산에 대한 자유도가 될 것입니다.
	행렬. 그래서 일단 초점을 바꾸면 구조 방정식 모델을 이해하는 것이 훨씬 더 쉽다고 생각합니다.
	이제 SEM 추정이 어떻게 작동하는지에 대한 간단한 예를 살펴보겠습니다. 그래서 일반적으로 우리가 하는 일은 모델을 지정하는 것부터 시작하고 가장 많은
	JMP Pro와 SEM 플랫폼의 흥미로운 점은 경로 다이어그램을 통해 해당 모델을 직접 지정할 수 있어 훨씬 더 직관적이라는 것입니다.
	그래서 우리가 그리는 경로 다이어그램에서 우리가 하는 일은 다음을 암시하는 통계 모델을 지정하는 것입니다.
	데이터의 공분산 행렬의 구조. 따라서 모델은 공분산 구조를 암시하지만 물론 우리는 표본 공분산 행렬에도 접근할 수 있습니다.
	따라서 추정 중에 발생하는 일은 모델이 변수 내에 있는 것이 아니라 데이터 사이의 관계에 대해 알려주는 것을 고려하여 표본 공분산의 값을 가능한 한 가깝게 일치시키려고 한다는 것입니다.
	모델 추정치를 얻은 후에는 이를 사용하여 실제 결과를 얻습니다.
	표본 공분산 행렬과 비교할 수 있는 모델 내재 공분산 행렬입니다. 따라서 두 행렬의 차이점을 살펴보면
	우리는 잔차를 얻을 수 있으며, 이를 통해 모델이 얼마나 잘 맞는지, 맞지 않는지 파악할 수 있습니다. 간단히 말해서 이것이 구조 방정식 모델링이 작동하는 방식입니다.
	이제 소개가 끝났습니다. 그래서 저는 여러분에게 데모에 사용할 데이터에 대한 약간의 맥락을 소개하고 싶습니다.
	이 데이터는 Journal of Social, Psychological and Personality Science에 최근 게재된 기사에서 나온 것입니다.
	그리고 이 논문의 저자들은 간단한 질문에 대답하고 싶었습니다. 그들은 "코비드 19에 대한 인지된 위협이 우리의 웰빙과 공중 보건 행동에 어떤 영향을 미치나요?"라고 말했습니다. 이 질문에서 정말 흥미로운 점은 인지된 위협이
	코로나19는 매우 추상적인 개념이다. 그것은 측정할 도구가 없는 구조입니다. 그것은 우리가 직접적으로 관찰하지 못하는 것입니다.
	그렇기 때문에 이 기사에서는 인지된 위협을 측정하는 방법을 먼저 파악해야 했습니다.
	그리고 이 기사는 두 가지 특정 유형의 위협에 중점을 두었습니다. 그들은 물리적 또는 재정적 안전과 관련되어 있기 때문에 첫 번째 현실적인 위협이라고 부릅니다.
	또한 개인의 사회문화적 정체성에 가해지는 위협인 상징적 위협도 있습니다.
	그래서 그들은 실제로 이 최종 위협 척도를 생각해 냈고, 이 설문 조사를 개발하기 위해 매우 엄격한 과정을 거쳤습니다. 이 척도는 현실적 위협과 상징적 위협을 측정하기 위한 것입니다.
	여기에서 사람들이 개인 건강에 대한 코로나 바이러스 발생이 얼마나 큰 위협인지 대답해야 했다는 것을 볼 수 있습니다.
	아시다시피, 미국 경제는 미국적이라는 것이 무엇을 의미하는지, 미국적 가치와 전통을 갖고 있습니다. 따라서 기본적으로 이러한 질문은 비즈니스의 두 가지 측면에 초점을 맞추고 있습니다.
	바이러스의 위협은 개인 및 재정적 건강 문제를 다루기 때문에 현실적이라고 분류됩니다.
	그리고 상징적 위협은 사회 문화적 요소에 관한 것입니다. 여기에서 모든 질문을 볼 수 있습니다.
	그리고 우리는 그들이 수행한 세 가지 연구 중 하나에서 데이터를 얻었습니다. 그리고 이 모든 질문에 답한 550명의 참가자로부터 얻은 데이터와 기타 여러 설문조사를 통해 데모에서 해당 데이터를 사용할 수 있습니다.
	그리고 우리는 몇 가지 매우 구체적인 질문에 답할 것입니다. 첫 번째는 코로나19 위협에 대한 인식을 어떻게 측정하는가입니다. 우리가 관심을 갖고 있는 위협에는 두 가지 유형이 있습니다. 그리고 문제는 그것이 그렇게 추상적인 개념이라는 점을 감안할 때 우리가 이것을 어떻게 할 것인가 하는 것입니다.
	그리고 이를 통해 확인적 요인 분석과 설문조사의 타당성과 신뢰성을 평가할 수 있는 방법에 대해 이야기하게 될 것입니다.
	하지만 우리가 이야기하지 않을 한 가지는 탐색적 요인 분석인 첫 번째 단계입니다. 이는 SEM 외부에서 수행되는 작업입니다.
	이는 새로운 척도나 새로운 설문조사를 개발하기 위한 첫 번째 단계로 수행되어야 하는 작업이지만 여기서는 확인적 요인 분석 단계를 살펴보겠습니다.
	두 번째 질문은 코로나19 위협에 대한 인식이 웰빙과 공중 보건 행동을 예측하는가입니다. 그리고 이를 통해 회귀 개념에 대해 더 자세히 이야기하게 됩니다.
	마지막으로 각 유형의 위협이 결과에 미치는 영향은 동일합니까? 그리고 여기서 우리는 매우 독특한 것에 대해 배울 것입니다.
	SEM의 유용한 기능은 모델 내의 다양한 효과에 동등 제약 조건을 적용하고 이러한 유형의 질문에 답하기 위해 체계적인 모델 비교를 수행할 수 있는 기능입니다.
	좋아요, 이제 데모를 할 시간입니다. 이제 바로 여기에 이미 공개한 데이터를 보여드리겠습니다.
	내 데이터 테이블에는 수많은 열이 있습니다. 참가자가 수집한 다양한 설문조사가 있기 때문입니다.
	답변을 받았지만 여기 처음 10개 열은 해당 질문이거나 제가 해당 설문조사에서 보여드린 질문에 대한 답변입니다.
	그래서 우리가 할 일은 분석, 다변량 방법, 구조 방정식 모델로 가서 그것들을 사용할 것입니다.
	설문 조사의 답변. 10개 항목 모두에서 모델 변수를 클릭하여 해당 데이터로 플랫폼을 시작할 것입니다.
	이제 행당 하나의 관측값이 있는 데이터 테이블이 있습니다. 이것이 바로 와이드 데이터 형식이고, 이것이 바로 제가 사용할 것입니다.
	하지만 데이터 요약을 위한 또 다른 탭이 있습니다. 따라서 상관행렬이나 공분산행렬만 있다면 이제 입력할 수 있습니다. 음, JMP 16에서도 입력할 수 있습니다.
	JMP Pro 16은 또 다른 옵션입니다. 왜냐하면 결국 우리가 여기서 실제로 하는 일은 공분산 구조를 모델링하는 것이기 때문입니다. 따라서 요약 데이터를 사용하여 플랫폼을 시작할 수 있습니다.
	좋아요, 계속해서 확인을 클릭하겠습니다. 그리고 우리가 가장 먼저 보는 것은 모든 종류의 재미있는 일을 할 수 있는 모델 사양 창입니다.
	여기 맨 오른쪽에 다이어그램이 있고 다이어그램에 기본 사양이 있음을 확인하세요. 그래서 우리의 변수
	모두 양방향 화살표가 있습니다. 이는 모두 차이가 있음을 의미합니다.
	평균도 있지만 여기서 캔버스를 마우스 오른쪽 버튼으로 클릭하면 평균이나 절편을 표시하는 옵션이 표시됩니다. 그래서
	다시 한 번 말씀드리지만 이는 오늘의 범위를 벗어나므로 해당 내용은 숨기겠습니다. 하지만 플랫폼의 기본 모델에는 우리가 관찰하는 모든 변수에 대한 분산과 평균이 있다는 점을 알고 있어야 합니다.
	목록 탭에는 다이어그램과 동일한 정보가 포함되어 있지만 목록 형식이므로
	유형에 따른 경로 또는 효과. 또한 현재 보유하고 있는 모델에 대한 수많은 정보를 제공하는 상태 단계도 있습니다. 그래서 지금은 우리에게 이렇게 말합니다.
	아시다시피, 이것이 우리가 여기서 지정한 모델이라는 점을 고려하면 우리가 갖고 있는 자유도는 단지 기본 모델일 뿐입니다. 또한 데이터 세부정보와 기타 유용한 정보도 알려줍니다.
	모델에 문제가 있으면 여기 있는 작은 확인 표시가 변경됩니다. 따라서 모델을 지정할 때 문제가 있거나 오류가 있는 것으로 보이는 항목이 발생하면 이 탭의 색상과 유형이 변경됩니다.
	따라서 모델 사양과 관련된 모든 유형의 문제를 해결하는 데 도움이 될 수 있기를 바랍니다.
	좋습니다. 맨 왼쪽에는 모델 이름을 입력할 수 있는 영역이 있습니다. 그리고 from 및 to 목록도 있습니다. 따라서 여기에서 변수를 선택하는 것이 매우 쉽습니다.
	from과 to 역할이 어디에 있든 상관없습니다. 그리고 우리는 그것들을 단방향 화살표나 양방향 화살표로 연결할 수 있습니다. 우리는 이것이 회귀, 로딩, 분산 또는 공분산이라는 것을 알고 있습니다.
	지금 우리의 경우, 우리는 코로나19에 대한 관찰되지 않은 인식 구성을 어떻게 측정하는지 정말로 알고 싶습니다.
	위협. 그리고 저는 여기에 있는 처음 5개 항목이 저자가 현실적인 위협이라고 분류한 질문에 대한 답변이라는 것을 알고 있습니다. 그래서 저는 그것들을 선택하겠습니다.
	이제 여기서는 잠재 변수의 기본 이름을 현실로 변경하겠습니다. 왜냐하면 이것이 현실적인 위협 잠재 변수가 될 것이기 때문입니다. 그래서 더하기 버튼을 클릭합니다. 그리고 우리는 자동으로 당신에게
	현실적인 위협에 대해 하나의 요소를 사용하는 확인 요소 모델입니다. 여기서 흥미로운 관찰은 이 첫 번째 로딩에 1이 있다는 것입니다.
	이는 이 경로, 첫 번째 관찰 변수에 대한 잠재 변수의 효과가 1로 고정되어 있음을 나타냅니다.
	그리고 우리는 그것을 가지고 있어야 합니다. 그렇지 않으면 우리의 모델이 식별되지 않을 것이기 때문입니다.
	따라서 모델을 식별하고 모든 추정치를 얻을 수 있도록 기본적으로 첫 번째 로드를 수정합니다.
	대안은 잠재 변수의 분산을 1로 고정하는 것입니다. 이는 모델을 식별하는 데에도 도움이 되지만 무엇을 할 것인지는 선택의 문제입니다.
	자, 이제 현실적인 위협에 대한 모델이 생겼습니다. 이제 상징적인 위협을 선택하고 이를 상징적인 위협이라고 부르겠습니다.
	이에 대한 우리의 잠재 변수입니다. 나는 결심을 바꿨다. 그래서 지금 우리는 제가 기대했던 것보다 조금 더 적은 것을 보고 있습니다. 하지만 여기 있습니다. 우리 모델이 있어요. 지금
	우리는 원할 수도 있습니다
	지정하고 이는 실제로 매우 중요합니다.
	현실적이고 상징적인 위협. 우리는 그것들이 다양하고 공변할 것으로 예상하므로 시작 및 목록에서 이를 선택하고 양방향 화살표를 클릭하여 공분산을 추가합니다.
	그리고 여기 주목하세요. 이것은 우리의 완전한 2가지 요인 확인 요인 분석입니다. 따라서 모델 이름을 지정하고 실행할 준비가 되었습니다. 이제 실행을 클릭해 보겠습니다.
	그리고 우리는 모든 추정치를 매우 빠르게 얻었습니다. 모든 것이 여기에 있습니다. 지금
	그런데 제가 주목하고 싶은 것은 모델 비교표입니다. 그 이유는 결과를 해석하기 전에 모델이 잘 맞는지 확인하고 싶기 때문입니다.
	그러면 이 표에 나타난 내용에 대해 이야기해 보겠습니다. 먼저 여기에는 적합하지 않은 두 가지 모델이 있지만 플랫폼은 출시 시 기본적으로 해당 모델에 적합하다는 점에 유의하세요.
	그리고 우리는 이를 일종의 참조, 즉 모델을 비교하는 데 사용할 수 있는 기준으로 사용합니다. 여기서 보여드릴 무제한 모델은,
	즉, 모든 단일 변수가 서로 공변한다면 바로 무제한 모델이 있다는 것입니다. 즉, 적합성 측면에서 우리가 할 수 있는 최선의 것이 무엇인지에 대한 기준선입니다.
	이제 카이 제곱 통계는 모형의 부적합 정도를 나타냅니다. 그리고 여기서는 어떤 제한도 없이 가능한 모든 분산과 공분산을 추정하기 때문에
	이것이 바로 카이제곱이 0인 이유입니다. 이제 우리는 모든 것을 추정하기 때문에 자유도가 0입니다. 그래서 그것은 완벽하게 맞는 모델이며 다음의 기준이 됩니다...
	우리가 할 수 있는 최선의 것이 무엇인지 이해하기 위한 기준선 역할을 합니다.
	좋습니다. 그러면 독립 모델은 실제로 우리가 플랫폼을 처음 출시했을 때 기본적으로 여기에 있는 모델입니다. 따라서 이는 최악의 기준이고 최악은 아닐 수도 있지만 꽤 나쁜 모델입니다.
	변수가 서로 완전히 상관되지 않는 경우입니다. 그리고 실제로 카이 제곱 통계가 약 2000단위로 증가하는 것을 볼 수 있습니다. 하지만 물론 이 모델에서는 전혀 많은 것을 추정하지 않기 때문에 이제 자유도는 45입니다.
	그리고 마지막으로 우리는 우리 자신의 두 가지 요인 확인 요인 모델을 가지고 있으며 카이 제곱이 147로 크다는 것을 알 수 있습니다.
	34 자유도를 가지고 있습니다. 이는 독립 모델보다 훨씬 작기 때문에 다행스럽게도 더 잘하고 있지만 여전히 중요한 카이 제곱이므로 데이터에 심각한 부적합이 있음을 나타냅니다.
	이제 SEM의 큰 과제가 하나 있습니다. 예전에는 사람들이 카이 제곱이 표본 크기에 영향을 받는다는 것을 알고 있었습니다. 여기에는 550개의 관측치가 있습니다. 따라서 잘 맞는 모델이라 할지라도 약간의 불편함이 있을 가능성이 매우 높습니다.
	표본 크기가 크기 때문에 유의미한 것으로 판명될 것입니다. 그래서 일어난 일은 카이 제곱에 관계없이 모델 적합성을 평가할 수 있도록 SEM에 고유한 적합 지수가 개발되었으며 이것이 바로 이러한 기본 모델이 들어오는 것입니다.
	여기 첫 번째는 비교 적합도 지수라고 합니다. 실제로는 0에서 1까지입니다. 여기에서 1은 완벽하게 적합한 모델의 값이고 0은 매우 적합하지 않은 모델인 독립 모델의 값임을 알 수 있습니다.
	그리고
	자꾸 실수로 정리하게 되네요. 좋아요, 그렇다면 우리 모델에 대한 이 지수가 .9395를 의미하는 것은 무엇입니까? 그것은 비율입니다. 그렇습니다. 우리가 모델을 얼마나 더 잘 활용하고 있는지에 대한 비율입니다.
	독립 모델과 비교. 그래서 이것은 독립 모델보다 약 94% 더 나은 것입니다. 꽤 좋은 것입니다.
	지침에 따르면 .9 이상의 CFI가 허용됩니다. 우리는 일반적으로 가능한 한 1에 가깝기를 원하며 .95가 이상적입니다.
	또한 자유도당 부적합의 양을 나타내는 근사 주 제곱근 오차인 RMSCA도 있습니다.
	그래서 우리는 이것이 매우 작기를 원합니다. 또한 0에서 1까지입니다. 여기 보시는 것처럼 우리 모델의 값은 .07, 약 .08입니다.
	일반적으로 말하면 .1 이하는 좋고 적절하며 이것이 우리가 보고 싶은 것입니다. 그리고 나서 우리는 이 하나의 통계에 대한 몇 가지 신뢰 한계를 얻습니다. 그래서
	이것이 의미하는 바는 실제로 모델이 적합하다는 것입니다. 허용 가능한 피팅 모델이므로 계속해서 해석해 보겠습니다.
	그러나 모델의 세부 사항에 실제로 들어가기 전에 모델 적합성을 평가하는 것이 매우 중요합니다. 왜냐하면 모델이 처음부터 잘 맞지 않으면 많은 것을 배우지 않거나 적어도 유용한 정보를 많이 얻지 못할 것이기 때문입니다.
	좋습니다. 이것은 확증적 요인 분석이므로 표시하는 것이 매우 유용할 것입니다(여기를 마우스 오른쪽 버튼으로 클릭). 이제 표준화된 추정치를 다이어그램에 표시하겠습니다. 괜찮은. 이는 우리가 다음을 갖게 될 것임을 의미합니다.
	여기서는 상관관계 지표에 있는 요인 로딩에 대해 추정합니다. 이는 요인 분석에서 이러한 로딩을 해석하는 데 정말 유용하고 중요합니다.
	여기에서 이 값은 두 잠재 변수 간의 실제 상관 관계를 나타내도록 다시 조정될 예정입니다. 이 경우에는 다음과 같습니다.
	상관관계에 대한 중요한 포인트. 빨간색 삼각형 메뉴에서는 표준화된 매개변수 계수를 표 형식으로 찾을 수 있으므로 표준 오류 및 Z 통계 등에 대한 자세한 내용을 얻을 수 있습니다.
	하지만 여기서는 이 모든 값이 꽤 괜찮다는 것을 알 수 있습니다. 꽤 수용 가능한 수준이라는 것을 알 수 있습니다. 이는 관찰된 변수와 잠재 변수 사이의 상관관계입니다.
	그리고 일반적으로 이 근처에서는 약 .48에서 약 .8 정도입니다. 그래서 그것은 꽤 괜찮은 가치입니다. 우리는 그들이 가능한 한 높기를 원합니다.
	JMP pro 16의 기능인 다이어그램에 대해 여기서 주목해야 할 또 다른 점은
	관찰된 변수에는 약간의 음영이 있습니다. 여기에는 약간의 회색 영역이 있는데, 이는 실제로 변수의 양이나 부분을 나타냅니다.
	잠재 변수에 의해 설명되는 분산. 정말 멋지네요. 상징적 위협에 대한 변수가 나타내는 작은 음영을 통해 시각적으로만 확인할 수 있기 때문입니다.
	실제로 잠재 변수로 설명되는 분산이 더 많습니다. 따라서 아마도 이것은 얼마나 많은 차이가 설명되는지를 살펴보는 것에만 기초하여 현실적인 위협 요소보다 더 나은 요소일 것입니다.
	이제 측정 모델 평가라는 옵션에 주목하고 싶습니다. 이는 우리가 다음을 이해하는 데 큰 도움이 될 것입니다.
	질문, 해당 설문조사의 개별 질문은 실제로 좋은 질문입니다.
	우리는 통계적...지표 신뢰성을 바탕으로 우리의 질문이 신뢰할 수 있기를 원하며 이것이 바로 이쪽에서 계획하고 있다는 것을 알고 있습니다. 그러니 우리가 조금 주는 것에 주목하세요
	이러한 질문 중 하나에 대해 무엇이 좋은지 허용 가능한 신뢰성에 대한 제안된 임계값을 보려면 여기에 줄을 서세요. 실제로 상징적 위협이 더 낫다는 것을 알 수 있습니다.
	거기에서는 좀 더 나아진 것 같습니다. 실제 위협에 비해 질문이 더 신뢰할 수 있습니다. 하지만 대체적으로는 둘 다 괜찮은 편이에요
	아시다시피, 그들이 선을 넘지 않는다는 사실은 끔찍한 것이 아닙니다. 내 말은, 그들은 주변에 있다는 것입니다... 이 두 가지 질문은
	지표 신뢰성에 대해 우리가 기대할 수 있는 적절한 임계값입니다. 여기에는 합성물의 신뢰성에 대해 알려주는 통계도 있습니다. 즉, 이 질문을 모두 파악하고
	현실적인 위협에 대한 이러한 질문을 모두 파악하면 모든 답변에 대한 평균 점수를 얻을 수 있습니다.
	개인별로 그것은 현실적인 위협에 대한 합성이 될 것이며 상징에 대해서도 동일한 작업을 수행할 수 있습니다.
	그래서 우리가 여기에 있는 것은 신뢰성 지수입니다. 그런데 이 모든 지수의 범위는 0에서 1까지입니다.
	그래서 우리는 그들이 매우 신뢰할 수 있기를 원하기 때문에 가능한 한 하나에 가까워지기를 원하며 여기에서 이 두 가지 모두를 볼 수 있습니다.
	복합재는 적절한 신뢰성을 가지고 있습니다. 따라서 다른 분석을 위해 평균 점수를 사용하는 측면에서 좋습니다.
	우리는 또한 최대 신뢰도를 구성했으며 이는 잠재 변수 자체에 대한 신뢰도 값보다 더 큽니다.
	평균을 만드는 것. 따라서 잠재 변수를 사용하면 더 나은 측정값을 얻을 수 있으므로 항상 이 값을 약간 더 높게 설정합니다.
	구성 타당성 매트릭스는 우리에게 수많은 유용한 정보를 제공합니다. 여기서 핵심은 이 경우 하부 삼각형이 단순히 두 요인 사이의 상관 관계를 갖는다는 것입니다.
	그러나 대각선의 값은 요인의 모든 지표에서 추출된 평균 분산을 나타냅니다.
	여기서는 상징적 위협이 현실적인 위협보다 평균적으로 더 많은 설명된 차이를 가지고 있다는 것을 알 수 있습니다. 하지만 둘 다 여기서는 상당한 가치를 갖고 있으며 이는 좋은 것입니다.
	그리고 가장 중요한 것은 상부 삼각형이 두 요소 사이의 중첩되는 장벽을 나타내기 때문에 이러한 대각선 값이 상부 삼각형보다 더 커지기를 원한다는 것입니다.
	그리고 우리는 요소가 다른 지표보다 자체 지표와 더 많이 겹치고 분산되기를 원한다고 상상할 수 있습니다.
	다른 요소로 구성합니다. 그리고 이것이 다른 모든 통계와 함께 바로 여기에 있습니다.
	이는 설문조사가 타당하고 신뢰할 수 있는 답변을 제공하고 실제로 다른 질문을 추구하는 데 이를 사용할 수 있다는 좋은 증거입니다. 이것이 바로 우리가 여기서 하려는 일입니다. 우리는 이것을 닫을 것이고 나는 할 것입니다
	다른 모델을 실행하면 플랫폼을 다시 출시할 예정이지만 이번에는...
	여기에는 제가 만든 몇 가지 변수가 있습니다. 이 둘은
	복합적인 경우 현실적이고 상징적인 위협과 관련된 모든 질문에 대한 평균입니다. 그래서 저는 바로 여기에 종합 점수를 가지고 있습니다.
	그리고 저는 그것들을 모델로 삼을 것입니다...저는 불안에 대한 척도를 가지고 있습니다. 나는 부정적인 영향에 대한 척도를 가지고 있습니다. 그리고 CDC를 조금 추가할 수도 있습니다.
	부착. 이는 사람들이 CDC의 공중 보건 행동 권장 사항을 준수하는지 여부입니다. 그래서 우리는 이러한 모든 변수를 갖춘 플랫폼을 출시할 것입니다.
	그리고 제가 여기서 하고 싶은 것은 아마도 회귀 모델을 맞추는 데 초점을 맞추는 것입니다. 그래서 저는 이러한 변수, 예측 변수, 결과를 선택했습니다. 그리고 한쪽 방향 화살표를 클릭하여 설정하면 됩니다. 이제 모델은 완전하지 않습니다 ...
	아직 올바르게 지정되지 않았습니다. 왜냐하면 우리는 두 가지 모두를 확인하고 싶기 때문입니다.
	코로나
	여기에서는 위협이 공변하지 않는다고 가정할 이유가 없기 때문에 이들이 서로 공변하는지 확인하고 싶습니다.
	결과와 마찬가지로, 직교하는 것에 대한 이상한 제한을 부과하고 싶지 않기 때문에 공변이 필요합니다.
	여기 있는 것은 본질적으로 경로 분석입니다. 다변량 다중회귀분석입니다. 그래서 여기에 다변량 회귀 분석을 넣고 모델을 실행하겠습니다.
	좋아요. 그러니 우리는 모든 사람에게 적합하기 때문에...
	데이터 간의 모든 분산과 공분산을 추정했기 때문에 자유도는 0입니다. 따라서 이 제안이 완벽하게 들어맞더라도
	지금까지 우리가 한 일은 회귀 모델을 맞추는 것뿐입니다. 그리고 제가 정말 강조하고 싶은 것은...다이어그램의 레이아웃을 변경하겠습니다.
	두 가지 유형의 위협 사이의 연관성을 더 쉽게 보여주기 위해. 저는 분산과 공분산을 숨기고 싶습니다. 여기에서 볼 수 있습니다.
	우리가 세 가지 결과에 미치는 이 두 가지 위협의 관계에만 집중할 수 있도록 다른 가장자리를 숨겼습니다. 이제 내 데이터 테이블에는 이미 적합 모델을 사용하여 동일한 불안을 사용했습니다.
	내 결과는 변수이고 예측 변수와 동일한 두 가지 위협입니다. 그리고 사실 그걸 보여드리고 싶어서 나란히 놓고 싶어요.
	여기서 불안 예측의 회귀에 대한 추정치는 두 가지 예측에 대해 여기 SEM 플랫폼에서 얻은 값과 정확히 동일합니다.
	그리고 그것이 우리가 기대해야 하는 것입니다. 적합 모델은 회귀입니다. 지금까지 우리는 회귀를 수행하고 있습니다.
	엄밀히 말하면, 만약 내가 이 세 가지 다른 결과를 사용하여 세 가지 적합 모델을 실행하는 것이 편안하다면 SEM이 나에게 구매하는 것이 무엇인지, 그게 더 낫다고 말할 수 있습니다.
	글쎄, 다른 것이 필요하지 않을 수도 있고 이것이 귀하의 요구에 적합할 수도 있지만 SEM의 한 가지 고유한 기능은 다음이 있는지 직접 테스트할 수 있다는 것입니다.
	평등...모델의 평등 제약 조건이 유지되는지 여부입니다. 따라서 이것이 의미하는 바는 이 두 가지 효과(예: 불안에 대한 현실적이고 상징적인 위협 효과)를 취할 수 있고 이 동일 설정 버튼을 사용하여 동일성 제약을 부과할 수 있다는 것입니다. 여기서 주목하세요,
	이 작은 라벨은 이 두 경로가 동일한 효과를 갖는다는 것을 나타냅니다. 그러면 우리는 할 수 있습니다
	모델을 실행하면 이제 모델 비교 테이블에서 해당 모델을 선택하고 선택한 모델 비교 옵션과 비교할 수 있습니다.
	그리고 우리가 얻게 될 것은 카이제곱의 변화입니다. 따라서 우리는 한 모델에서 다음 모델로 이동하는 카이제곱의 변화를 볼 수 있습니다. 기본적으로 이것은 다음과 같습니다.
	이제 제약 조건을 추가했기 때문에 모델이 더 나빠질 것입니다. 그래서 여러분은 어느 정도의 자유를 얻었고 이제 부적합이 더 많아졌습니다. 문제는 그 부적합이 중요한가 하는 것입니다.
	이 경우 대답은 '예'입니다. 물론 이는 표본 크기의 영향을 받습니다. 따라서 우리는 CFI와 RMSEA의 차이도 살펴보고 .01 이상이면 다음을 의미합니다.
	부적응은 무시하기에는 너무 많습니다. 이 제약으로 인해 추가된 상당한 부적합입니다.
	이제 우리는 이를 직접적으로 말할 수 있습니다...우리는 이것이 더 적합한 모델, 즉 제약 조건이 없는 모델이라는 것을 알고 있으며 현실적인 위협이 더 긍정적이라고 주장할 수 있습니다.
	상징적 위협과 비교하여 불안과의 연관성은 긍정적이고 유의미한 영향을 미치지만 통계적으로 강하지도 않고 현실적 위협만큼 강하지도 않습니다. 괜찮은. 그리고 또 있어요
	여기에 있는 흥미로운 효과입니다. 따라서 세션이 끝나갈 무렵 제가 하려는 작업은 바로 이 흥미로운 내용에 여러분의 관심을 끄는 것입니다.
	여기에서는 두 가지 유형의 위협 모두 CDC 행동 준수에 서로 다른 영향을 미칩니다. 와 기사 진짜
	우리는 이 발견에 많은 관심을 기울이고 있습니다. 왜냐하면 둘 다 위협이기 때문입니다. 하지만 여러분이 상상할 수 있듯이, 자신의 개인적인 위협을 느끼는 사람들은
	건강이나 재정적 안전에 대한 위협이 있는 경우 사회적 거리두기와 사교 모임을 피하는 CDC 지침을 준수할 가능성이 더 높습니다.
	위협이 상징적이며 사회 문화적 가치에 대한 위협이라고 느끼고 있습니다.
	그 사람들은 그러한 사회 문화적 규범이 위협받고 있다고 느끼기 때문에 그러한 CDC 행동을 고수할 가능성이 훨씬 적습니다. 이는 흥미로운 발견이며 여기서 우리는 물론 이 모델의 다른 여러 경로의 동등성을 테스트할 수 있다는 것을 알 수 있습니다.
	좋습니다. 마지막으로 보여드리고 싶은 것은 (이 전체 모델을 설명하지는 않겠습니다.) 두 가지를 합치면 어떤 일이 일어나는지 보여드리고 싶었습니다.
	(이것을 조금 더 크게 만들어 보겠습니다) 회귀 및 요인 분석.
	구조 방정식 모델의 잠재력을 최대한 활용하려면 잠재 변수를 모델링해야 합니다. 여기에는 측정 오류를 실제로 제거할 수 있는 잠재 변수로 두 가지 위협이 있습니다.
	조사 항목 및 잠재 변수 간의 모델 연관성을 통해 편향되지 않은 효과를 얻을 수 있습니다. 왜냐하면...감쇠되지 않은 효과...측정할 때 측정 오류를 고려하기 때문입니다.
	잠재 변수와 변수를 직접적으로. 그리고 우리는 SEM을 활용하고 있습니다. 왜냐하면 우리는 다양한 요소에 걸쳐 순차적 연관성을 살펴보고 있기 때문입니다. 여기 아래에서 멋진 다이어그램을 볼 수 있습니다.
	여기저기 돌아다니면서 우리가 갖고 있는 멋진 효과를 모두 보여드리고 다이어그램이
	완전한 대화형이고 시각적으로 매력적이며 매우 빠르게 선 유형에 따른 중요한 효과와 중요하지 않은 효과(이 경우 점선)를 식별할 수 있습니다. 그래서
	다시 한 번 SEM의 모든 기능을 활용하려면 여기에서 잠재 변수의 위협을 살펴보고 다른 여러 변수와의 연관성을 살펴보는 방법을 확인할 수 있습니다.
	공중 보건 행동과 웰빙 변수. 그럼 여기서 데모를 중단하고
	슬라이드 외에도 정말 유용한 문서가 있다는 사실을 알려드립니다. 우리 플랫폼의 테스터인 James Koepfler가 우리 플랫폼 사용 방법에 대한 정말 훌륭한 팁을 제공하는 정말 훌륭한 문서가 있습니다.
	모델 지정부터 모델 비교 방법에 대한 팁, 살펴보는 것이 적절한지, 중첩 모델이 무엇인지에 이르기까지 이 모든 정보를 사용하기로 결정하면 매우 귀중한 정보를 얻게 될 것이라고 생각합니다.
	플랫폼. 따라서 JMP 커뮤니티에 가서 프레젠테이션에 보충되는 자료를 얻으실 것을 적극 권장합니다. 이것으로 마무리하고 이 모든 것이 실행되면 질문을 받을 것입니다. 매우 감사합니다.

브레이크아웃데이터 탐색예측 모델링답변: 구조 방정식 모델의 ABC(2020-US-45MP-590)

정말 감사합니다. 명확하고 모든 질문에 답해 줍니다.

 

친애하는!

 

나탈리

답변: 구조 방정식 모델의 ABC(2020-US-45MP-590)

안녕

@NatalyLevesque ,

 

훌륭한 다이어그램이군요!

 

비디오의 34분 40초에서 보여주듯이 복합 변수는 잠재 변수에 로드되는 변수 전체의 평균일 뿐입니다. JMP를 사용하면 데이터 테이블에서 열을 선택하고 마우스 오른쪽 버튼을 클릭한 후 원하는 항목을 찾아 이러한 평균을 쉽게 만들 수 있습니다. 새 수식 열 > 결합 > 평균 옵션:

 

합성 변수가 있으면 이를 사용하여 22분 19초 비디오에 설명된 대로 잠재 변수를 생성할 수 있습니다. 그러나 원래 변수를 사용하고 먼저 원래 질문을 사용하여 하위 차원을 만든 다음 해당 잠재 변수를 선택하여 고차를 나타내는 전체 잠재 변수를 생성하여 "고차 확인 요인 모델"을 지정할 수 있습니다. 건설하다:

 

 

또한 "측정 모델 평가"의 통계는 현재 JMP 15.2 출력에서 계산할 수 있습니다(이 옵션은 곧 출시될 JMP Pro v16.0에서 사용할 수 있습니다). 다음은 이러한 통계 중 일부를 얻는 데 도움이 되는 간략한 설명입니다.

 

지표 신뢰성: 이는 표준화된 하중의 제곱입니다. RTM에서 "Standardized Parameter Estimates"를 선택하여 값을 얻을 수 있습니다. 그런 다음 stdz 로딩 위에 마우스를 놓고 테이블을 마우스 오른쪽 버튼으로 클릭한 다음 "데이터 테이블로 만들기"를 선택합니다. 새 데이터 테이블에서 "추정"을 마우스 오른쪽 버튼으로 클릭하고 새 수식 열 > 변환 > 정사각형을 선택합니다. 새 열에는 막대 그래프를 로드하여 그래프 작성기로 가져가서 추정^2을 만들 수 있는 표시기 신뢰도가 있습니다.

 

유효성 매트릭스 구성: 잠재 변수 사이에 표준화된 공분산(상관)이 있습니다. 하부 삼각형, 이는 표준화된 추정치 표를 얻을 때 표시됩니다. 그만큼 상부 삼각형 잠재 변수 간의 상관 관계를 제곱했으므로 상관 값을 제곱하면 됩니다. 마지막으로, 대각선 각 잠재 변수에 의해 추출된 평균 분산을 가집니다. 각 잠재 변수에 대한 표준 표준 로딩 제곱을 평균하여 이러한 값을 얻을 수 있습니다. Estimate^2가 있는 데이터 테이블에서 "Loadings" 열을 선택하고 마우스 오른쪽 버튼으로 클릭한 다음 New Formula Column > Character > First Word로 이동합니다. 그런 다음 테이블 메뉴로 이동하여 요약을 선택합니다. "그룹" 아래에 "첫 번째[로드]"를 배치하고 "통계" 아래에 "평균(추정^2)"을 가져옵니다. 확인을 클릭하면 각 잠재 변수별로 추출된 평균 분산이 포함된 새 데이터 테이블이 표시됩니다.

 

버전 15.2에서는 신뢰성과 타당성을 탐색하는 데 시간이 조금 더 걸리지만, 이번 3월에 v16으로 업그레이드하여 이러한 기능과 기타 훌륭한 새 기능을 활용할 수 있기를 바랍니다!

 

최상의,

~로라

답변: 구조 방정식 모델의 ABC(2020-US-45MP-590)

친애하는 카스트로-스칠로 박사님,

 

탐색적 요인 분석을 이미 수행하여 질문을 100개에서 33개로 줄일 수 있다는 사실을 언급하는 것을 잊어버렸습니다. 이제 패치분석, 수렴타당도, 판별타당도, 법칙타당도 등 확증적 요인분석과 SEM을 수행하고 싶습니다.

 

그렇다면 JMP Pro의 SEM에서 이와 같은 모델을 어떻게 생성합니까? 첨부된 사진을 참조하세요(그림 품질이 좋지 않아 죄송합니다).

 

도와 주셔서 정말 감사합니다.

 

나탈리

 

답변: 구조 방정식 모델의 ABC(2020-US-45MP-590)

카스트로스칠로 박사님께 감사드립니다.

 

하지만 한 차원(질문)의 요소를 하나의 열로 그룹화하는 요인(변수)을 생성한 다음 해당 차원이 다른 차원에 미치는 영향을 테스트하는 방법에 대한 질문이 여전히 남아 있습니다. 적합도 측정 -> 복합 신뢰성/구축을 보러 갈 때와 같습니다.

 

예를 들어 다음과 같은 3가지 차원이 있습니다.

- 인지: 2개 하위차원(13개 항목)

- 영향: 1개 하위 차원(6개 항목)

- 행동: 3개 하위 차원(14개 항목)

 

2개의 인지 하위 차원, 6개의 정서적 차원, 14개의 행동 차원으로 구성된 새 변수를 어떻게 생성합니까? 귀하의 튜토리얼에서 귀하는 해당 작업을 수행했다고 언급했으며 이름 뒤에 "별표"가 있는 변수를 볼 수 있습니다. 만약 당신이 34분 40초 부분의 영상을 보시면 무슨 말인지 아실 겁니다. 나는 분명하기를 바랍니다 ...

 

협력해 주셔서 대단히 감사합니다!

 

나탈리

답변: 구조 방정식 모델의 ABC(2020-US-45MP-590)

안녕 @NatalyLevesque ,

 

웹 세미나가 즐거우셨다니 다행입니다!

 

데이터를 수집한 후 측정 척도를 만드는 첫 번째 단계는 탐색적 요인 분석을 수행하는 것입니다. JMP에서 다음으로 이동하여 이 작업을 수행할 수 있습니다. 분석 > 다변량 방법 > 요인 분석 , 측정된 모든 변수를 선택하고 플랫폼을 시작합니다. 플랫폼을 사용하면 추출할 적절한 수의 요인(예: 잠재 변수)을 탐색할 수 있습니다. 일단 좋은 요인 솔루션을 찾으면(예: 데이터의 상당한 양의 분산을 고려한 경우 요인을 갖게 됩니다) 단순 구조로 알려진 강력하고 약한 표준화된 요인 로딩의 조합(허용 가능한 적합성 등)을 사용하는 경우 요인 구조(패턴의 패턴)를 검증하는 데 도움이 되는 SEM의 확증적 요인 분석에 적합하도록 독립적인 데이터세트를 사용해야 합니다. 표준화된 인자 로딩). 다음 문서에서 탐색적 요인 분석에 대한 자세한 내용을 확인할 수 있습니다.

https://www.jmp.com/support/help/en/15.2/index.shtml#page/jmp/example-of-the-factor-analytic-platform.shtml#

 

요약하자면 탐색적 요인 분석의 표준화된 요인 로딩은 SEM에서 잠재 변수를 정의할 변수 그룹을 식별하는 데 도움이 됩니다. 이론과 분야 전문 지식도 이 과정을 안내해야 합니다. 왜냐하면 어떤 변수가 동일한 관찰되지 않은(잠재) 변수로 인해 발생한다고 가정할 수 있기 때문입니다.

 

HTH,

~로라

답변: 구조 방정식 모델의 ABC(2020-US-45MP-590)

안녕,

 

이 웹 세미나는 매우 적절하고 완벽합니다. 그런데, 변수를 재편성하는 요인(질문)을 만드는 방법에 대한 질문이 여전히 남아 있습니다. Laura Castro-Schilo 박사가 그녀와 함께 여러 요인에 대해 했던 것처럼요.

 

도와주셔서 감사합니다!

 

나탈리