281529_ja-JP

liliconcom

構造方程式モデルの ABC (2020-US-45MP-590)

レベル: 中級

 

Laura Castro-Schilo 氏、SAS Institute、JMP 部門、JMP 研究統計開発者
James Koepfler 氏、SAS Institute、JMP Division、調査統計テスター

 

このプレゼンテーションでは、あらゆるバックグラウンドのアナリストがこの統計手法を使用できるようにするための主要な基本概念を取り上げ、構造方程式モデリング (SEM) について詳しく紹介します。 SEM フレームワークの理解を容易にするために、回帰分析との比較から始めます。 観測変数を活用して潜在変数を推定し、測定誤差を考慮し、将来の測定を改善し、線形モデルの推定を改善する方法を示します。 さらに、アナリストが SEM で取り組むことができる重要な質問に重点を置き、実際のデータを使用した例を使用してそれらの質問に答える方法を示します。 参加者は、パス分析と確認因子分析を実行し、モデルの適合性を評価し、代替モデルを比較し、JMP Pro の SEM プラットフォームで提供されるすべての結果を解釈する方法を学びます。

 

プレゼンテーション資料

このプレゼンテーションのスライドと補足資料は、ここからダウンロードできます。

の最後にあるリソースのリストを確認してください。このブログ投稿SEM について詳しくは、こちらをご覧ください。

このプレゼンテーションの例に使用された記事とデータは、次の場所で入手できます。このリンク。

 

 

自動生成されたトランスクリプト...

 

スピーカー	成績証明書
ラウラ・カストロ＝シーロ	こんにちは、みんな。 いらっしゃいませ。 このセッションは構造方程式モデリングの ABC に関するものであり、私が試みるのは、快適に感じることができる十分なツールを提供することです。
	構造方程式モデリング プラットフォームと JMP Pro を使用して、モデルを指定し、モデル フィットの結果を解釈します。
	ここで、構造方程式モデリングとは何かを紹介し、特に因子分析と回帰分析との関係を説明することから始めます。
	次に、SEM でのパス図の使用方法と、このモデリング フレームワーク内でのパス図の重要な役割について少し説明します。
	実際の例に実際に時間を費やすことができるように、導入部分は短くするつもりです。 イントロの後で、デモに使用するデータを紹介します。 これらのデータは、
	新型コロナウイルスの脅威についての認識について。 それらのデータを導入した後、
	具体的には次のように答えることで、モデルを指定してその結果をプラットフォーム内で解釈する方法を検討し始めます。
	いくつかの質問。 さて、これらの質問により、SEM で実行できる 2 つの非常に重要なテクニックに触れることになります。 1 つは確認的因子分析であり、多変量回帰も同様です。
	最後に、簡単に説明します。
	このモデルでは、確認因子モデルと回帰モデルの両方を組み合わせています。これにより、SEM を独自の作業で独自のデータとともに使用する際の潜在的な可能性を実際に確認できます。
	さて、SEMとは何ですか？ 構造方程式モデリングは、因子分析と回帰分析を組み合わせたフレームワークです。
	そして、因子分析の側からは、直接観察していないものを測定できるようになります。
	そして回帰側では、変数が観測されているかどうかに関係なく、変数間の関係を調べることができます。 したがって、これら 2 つのツールを組み合わせると、多くの異なるモデルに適合できる、非常に柔軟なフレームワークである SEM が完成します。
	パス ダイアグラムは、すべての統計構造方程式モデル、つまり実際のモデルをダイアグラムを通じて表現できるため、SEM 内でユニークなツールです。 だから私たちはほんの一部を学ばなければなりません
	これらの図がどのように描かれるかについての表記。 したがって、正方形は観測変数を表します。
	円は潜在変数を表し、分散または共分散は両方向矢印で表され、回帰と負荷は
	一方の矢印で表されます。 さて、余談ですが、パス図に使用される三角形もあります。
	しかし、それは今日お話しする内容の範囲外です。 三角形は平均と切片を表すために使用されます。 そして残念ながら、手段を使って実現できる素晴らしいことすべてについて話すには十分な時間がありません。
	大丈夫。 しかし、私はまた、いくつかの基本的な...ある種の構成要素も示したいと思います。
	ボックス内の x は y を予測します。
	それも箱に入っています。 したがって、これらが観測変数であり、それぞれにそれ自身で始まり、終わる双頭の矢印があることがわかります。これは、それらが分散であることを意味します。
	x の場合、この矢印は単にそのバリアントですが、y の場合、両矢印は残差分散を表します。
	もちろん、SEM では、結果が結果と予測子の両方になる可能性があることはご存知かもしれません。 したがって、y も予測できる別の変数 z があると想像できるため、関心のある数の回帰を 1 つのモデル内にまとめることができます。
	SEM を構築するための 2 番目の基本ブロックは、確認因子モデルであり、最も基本的なものです。
	その最も基本的な例がここに示されています。ここでは、1 つの因子または 1 つの潜在変数を指定しています。これは観測されていませんが、
	ここでは、w、x、y を指す矢印で示されています。これは、潜在変数が w、x、y に見られる共通の変動を引き起こすと考えられているためです。
	さて、これは確認因子モデルと呼ばれるものですが、それは 1 つの因子にすぎません。 そして、因子分析における因子の違いを理解することは非常に重要だと思います。
	混同されやすい主成分または主成分分析と区別してください。
	そこで、少し脱線して、因子分析の観点と PCA の観点から因子の何が異なるのかを説明します。
	ここで、これらの四角形は観測変数、つまり測定しているものを表すことを目的としており、ここでは青で色付けしました。
	各観測変数の異なる量。これは、それらの変数が測定する予定の分散を表します。 つまり、信号のようなものです。 つまり、あるのです
	私たちが本当に興味があるのはこれです。 そして、他のソースから得られる分散の割合を表す灰色の領域があります。 それは体系的な分散である可能性がありますが、それは単に分散ではないだけです。
	測定器から何を取得したいのか。 したがって、それに含まれるのは、
	ソースはこれらの変数のそれぞれに固有の分散であり、測定誤差も含まれます。
	因子分析と PCA の違いは何ですか。因子分析では、潜在変数は共通の分散のみを取得することになります。
	はこれらの観測変数すべてにわたって存在しており、それが潜在変数によって説明される部分です。
	これは、主成分がデータの次元で説明できる分散の最大量を表す PCA とは対照的です。
	したがって、主成分は説明できる限り多くの分散を取得することがわかります。
	それは、私たちが測定しようとしていたものと、おそらく他の分散要因による分散の融合が起こることを意味します。 これは非常に重要な違いです
	なぜなら、観測されていない変数を測定したい場合は、実際に因子分析の方が良い選択であるからです。ただし、目的が本当に次元削減であるかどうかがわからない場合、PCA はそのための理想的なツールです。
	ここで、矢印が異なる方向を指していることにも注目してください。 それは、因子分析では、観測されていない変数が観測される変動の原因であるという前提が根底にあるからです。
	PCA には当てはまらないため、図からその違いがわかります。 だから私たちが話すときはいつでも
	SEM における因子または潜在変数ですが、因子分析のこの観点から見た潜在変数について話している可能性が高くなります。 さて、ここに
	以前に示した構成要素からさまざまな要素を組み合わせた大規模な構造方程式モデル。 このモデルを推定したため、数字が表示されるとき。
	そして、他の変数を予測している観測変数があることがわかります。 いくつかの逐次関係があります。つまり、
	ある変数が別の変数につながり、さらにその変数が別の変数につながります。 これも興味深い例です。なぜなら、ここには何らかの観測変数によって予測される潜在変数があるからです。 しかし、この潜在変数も
	次に、他の変数を予測します。 この図は、SEM を使用する基本的な理由から、より大きな範囲内でモデル化したい未観測の変数が 5 つあることを含め、多くの使用法をうまく示しています。
	コンテクスト。おそらく測定誤差を考慮したいと思います。 そして、潜在変数は指標間で共通する分散のみを考慮するため、潜在変数から測定誤差が除去されるため、これは重要です。
	私たちは...観測されるか観測されないかにかかわらず、変数間の順序関係を研究する必要がある場合、SEM はそのための優れたツールです。
	そして最後に、欠損データがある場合、たとえ回帰があるだけであっても、SEM は非常に役立ちます。
	利用可能なすべてのデータは、少なくとも JMP pro のアルゴリズム内で、推定中に SEM で使用されます。
	つまり...これらが SEM を使用する非常に大きな理由です。 ここで、この図も使用して、SEM を
	自分の仕事で使用するツール。 そこで、観測変数について話しました。 これらは、SEM 用語ではマニフェスト変数とも呼ばれます。
	潜在変数があります。 外因性と呼ばれる変数もあります。 この例では、それらは 2 つだけです。
	これらは他の変数を予測するだけの変数であり、実際に変数を予測する内生変数とは対照的です。 したがって、ここでは、これらの他の変数はすべて内生的です。
	潜在変数、それらが指す、予測する顕在変数。これらは、潜在変数インジケーターとも呼ばれます。
	そして最後に、因子分析の観点から見た固有の因子分散について話しました。 これらは因子からの残差分散です。
	潜在変数からの分散。これは、潜在変数によって説明されない分散であり、その変数に固有の系統的分散と測定誤差の両方の組み合わせを表します。
	よし。
	構造方程式モデリングをもう少し簡単に理解するには、データが実際にどのようなものであるかを認識することに焦点を移すことが重要であることがわかりました。
	内部のモデリングはデータの共分散構造です。 また、手段や手段の構造もモデル化しますが、これも今日のプレゼンテーションの範囲外です。
	しかし、これはデータがどのようなものであると私たちが考えるかに影響を与えるため、これについて考えることは重要です。
	ご存知のとおり、私たちはデータ テーブルを見ることに慣れており、行があり、変数が列であると考えられます。そして、そうです...
	これらのデータは、SEM プラットフォームを立ち上げるために使用できます。 ただし、私たちのアルゴリズムは、実際にはそれらの変数の共分散構造を深いところで分析しています。 データについて考えると、これらは実際には次のようなデータです。
	ボンネットの下でモデル化されています。 SEM における残差は分散と共分散に関するものであるため、これは残差について考えるときにも影響します。
	ご存知のとおり、サンプルにあるものとは対照的に、私たちが推定したものです。 したがって、残差についても、他の標準的な統計手法から、これまで慣れ親しんだものに焦点を少し変える必要があります。
	構造方程式モデルとは何かを理解してください。 そして、自由度などの概念も、共分散に関する自由度になります。
	マトリックス。このように焦点を移すと、構造方程式モデルを理解するのがはるかに簡単になると思います。
	ここで、SEM 推定がどのように機能するかについて、簡単な例を見ていきたいと思います。 通常、私たちが行うことは、モデルを指定することから始めて、
	JMP Pro と当社の SEM プラットフォームの興味深い点は、パス図を通じてモデルを直接指定できることです。これにより、非常に直感的になります。
	そして、そのパス図を描画しているときに、私たちが行っていることは、
	データの共分散行列の構造。 したがって、モデルはその共分散構造を暗示していますが、もちろん、サンプルの共分散行列にもアクセスできます。
	したがって、推定中に何が起こるかというと、変数内ではなくデータ間の関係がモデルから示されていると仮定して、サンプルの共分散の値を可能な限り近づけようとします。
	モデルの推定値を取得したら、それを使用して実際の推定値を取得します。
	サンプル共分散行列と比較できるモデル暗黙共分散行列。 したがって、これら 2 つの行列の違いを見ると、
	残差を取得できるため、モデルがどの程度適合しているか、適合していないかを把握することができます。 一言で言えば、これが構造方程式モデリングの仕組みです。
	これでイントロは終わりです。 そこで、デモで使用するデータのコンテキストについて少し説明したいと思います。
	これらのデータは、Journal of Social, Psychological and Personality Science に最近掲載された記事からのものです。
	そしてこの論文の著者らは、率直な質問に答えたいと考えていました。 彼らは「新型コロナウイルス感染症（Covid 19）の脅威と認識されていることが、私たちの幸福や公衆衛生上の行動にどのような影響を与えているのか？」と述べた。 さて、この質問で本当に興味深いのは、次のような脅威が認識されているということです。
	新型コロナウイルス感染症 19 は非常に抽象的な概念です。 それは私たちがそれを測定する手段を持っていない構造です。 それは私たちが直接観察するものではありません。
	だからこそ、この記事では、認識された脅威をどのように測定するかを最初に理解する必要がありました。
	そしてこの記事では、2 つの特定の種類の脅威に焦点を当てていました。 彼らは、物理的または経済的な安全に関連しているため、最初の現実的な脅威と呼んでいます。
	また、象徴的な脅威、つまり個人の社会文化的アイデンティティに対してもたらされる脅威です。
	そこで彼らは実際にこの最終的な脅威尺度を思いつきました。非常に厳格なプロセスを経て、この調査、現実的な脅威と象徴的な脅威を測定するこの尺度を開発しました。
	ここで、コロナウイルスの流行があなたの個人的な健康にとってどの程度の脅威であるかについて人々が答えなければならなかったことがわかります。
	ご存知のように、アメリカ経済、アメリカ人であることの意味、アメリカの価値観と伝統。 基本的に、これらの質問は、次の 2 つの異なる側面に焦点を当てています。
	ウイルスの脅威は、個人的および経済的な健康問題を扱っているため、現実的であると彼らはみなしています。
	そして、象徴的な脅威はむしろ社会文化的要素に関するものです。 ここでこれらの質問をすべて確認できます。
	そして、彼らが行った 3 つの研究のうちの 1 つからデータを入手しました。 これらの質問すべてに回答した 550 人の参加者からのデータに加えて、他の多くの調査も含まれるため、これらのデータをデモで使用できるようになります。
	そして、いくつかの非常に具体的な質問に答えていきます。 一番最初の課題は、Covid 19 の脅威に対する認識をどのように測定するかということです。 私たちが関心を持っている脅威には 2 種類あります。 そして問題は、それが非常に抽象的な概念であることを考えると、これをどのように行うかということです。
	ここでは、確認的要因分析と、調査の有効性と信頼性を評価する方法について説明します。
	ただし、最初のステップである探索的因子分析については説明しません。 それは私たちが SEM の外で行っていることです
	新しい尺度や新しい調査を開発するための最初のステップとして行うべきものですが、ここでは確認的要因分析のステップから取り上げます。
	2 番目の質問は、新型コロナウイルス感染症 19 の脅威に対する認識によって、幸福や公衆衛生上の行動が予測されるかということです。 ここで、回帰の概念についてさらに詳しく説明します。
	そして最後に、各タイプの脅威が結果に及ぼす影響は等しいのでしょうか? ここで私たちは非常にユニークなことについて学びます
	SEM の便利な機能により、モデル内のさまざまな効果に等価制約を課すことができ、体系的なモデル比較を行ってこの種の質問に答えることができます。
	さて、デモの時間です。 それでは、ここですでに開いているデータをお見せしましょう。
	参加者がさまざまなアンケートを行っているため、データ テーブルに大量の列があることに注意してください。
	に回答しましたが、ここの最初の 10 列はそれらの質問、またはその調査で示した質問に対する回答です。
	それで、私たちがやろうとしていることは、多変量法、構造方程式モデルを分析し、それらを使用することです
	アンケートからの回答。 10 項目すべてでモデル変数をクリックして、それらのデータを使用してプラットフォームを起動できるようにします。
	さて、現在、行ごとに 1 つの観測値を含むデータ テーブルがあります。 それがワイド データ フォーマットなので、それを使用するつもりです。
	ただし、データを要約するための別のタブがあることに注意してください。 したがって、相関行列または共分散行列しかない場合は、それを入力できるようになります...そうですね、JMP 16 でそれを行うことができます。
	JMP Pro 16 などは別のオプションです。結局のところ、ここで実際にやっていることは共分散構造のモデリングであることを思い出してください。 したがって、要約データを使用してプラットフォームを起動できます。
	さて、それでは「OK」をクリックしてみましょう。 そして最初に目にするのは、あらゆる種類の楽しいことを可能にするこのモデル仕様ウィンドウです。
	見てみましょう。ここの右端に図があり、この図にはデフォルトの仕様があることがわかります。 したがって、私たちの変数は
	すべてに両方向の矢印が付いています。これは、すべてに差異があることを意味します
	平均値もありますが、ここでキャンバスを右クリックすると、平均値または切片を表示するオプションが表示されることに注目してください。 それで
	繰り返しますが、これは今日の範囲外であるため、これらは隠しておきますが、プラットフォームのデフォルトのモデルには、観察されるすべての変数の分散と平均があることは知っています。
	リスト タブには図と同じ情報が含まれていますが、リスト形式であり、内容が分割されています。
	タイプに基づいたパスまたはエフェクト。 また、その時点で所有しているモデルに関する大量の情報を提供するステータスステップもあります。 それで今、それは私たちにこう言います、
	ご存知のとおり、これがここで指定したモデルであることを前提とした場合の自由度は、単なるデフォルト モデルです。 また、データの詳細やその他の役立つ情報も得られます。
	モデルに問題がある場合、この小さなチェック マークが変化することに注意してください。 したがって、モデルを指定しているときに、問題があると思われるものやエラーが発生した場合、このタブの色と種類が変わります。
	したがって、モデルの仕様に関するあらゆる種類の問題の解決に役立つことができれば幸いです。
	左端には、モデル名を入力する領域があります。 from リストと to リストもあります。 これにより、ここでの変数の選択が非常に簡単になります。
	from ロール、次に to ロール、それらがどこであっても。 そして、それらを片方向の矢印または両方向の矢印で結び付けることができます。これらは、回帰、負荷、分散、または共分散であることがわかっています。
	さて、今の私たちのケースでは、Covid 19 に対する認識のこの観察されていない構造をどのように測定するかを本当に理解したいと考えています。
	脅威。そして、私がここに挙げた最初の 5 つの項目が、著者が現実的な脅威と名付けた質問に対する答えであることを私は知っています。 だから私はそれらを選択するつもりです
	変数を作成し、ここで潜在変数のデフォルト名を現実的な変数に変更します。これが現実的な脅威の潜在変数になるためです。 そこでプラスボタンをクリックします。 自動的に提供されることに注意してください
	この確認的要因モデルには、現実的な脅威に対する 1 つの要因が含まれています。 ここで興味深い観察は、この最初の読み込みには 1 があるということです。
	これは、このパス、最初の観測変数に対する潜在変数の効果が 1 に固定されていることを示します。
	それが必要です。そうしないとモデルが特定されないからです。
	したがって、モデルを特定し、すべての推定値を取得できるようにするために、デフォルトで最初の読み込みを 1 つに修正します。
	別の方法としては、潜在変数の分散を 1 に固定することもできます。これはモデルの特定にも役立ちますが、どちらにするかは選択の問題です。
	よし、現実的な脅威のモデルができた。 そして今、象徴的な脅威であるものを選択し、これを象徴的と呼び、[先に進んで追加] をクリックします。
	そのための潜在変数です。 決意を変えました。 そして今では、私が期待していたよりも少し少ない結果が出ています。 しかし、ここで行きます。 そこに私たちのモデルがあります。 今
	私たちはそうしたいかもしれません
	具体的に言うと、これは実はとても重要なことなのですが、
	現実的かつ象徴的な脅威。 これらは変動することや共変動することが予想されるため、from および to リストでそれらを選択し、両方向矢印をクリックして共分散を追加します。
	ここで、これが完全な 2 因子確認因子分析であることに注意してください。 これでモデルに名前を付けることができ、実行の準備が整いました。 それでは、「実行」をクリックしてみましょう。
	そして、すべての見積もりは非常に迅速に得られます。 すべてがここにあります。 今
	ただし、注目していただきたいのは、モデル比較表です。 その理由は、結果の解釈に取り掛かる前に、モデルが適切に適合していることを確認したいからです。
	それでは、この表に表示される内容について説明しましょう。 まず、ここには適合しなかった 2 つのモデルがありますが、プラットフォームは起動時にデフォルトで適合することに注意してください。
	そして、それらを一種の参照、つまりモデルを比較するために使用できるベースラインとして使用します。 今回ご紹介する無制限モデルは、
	すべての変数が互いに共変動するとしたら、そこには無制限のモデルが存在するということになります。 言い換えれば、これはフィットに関して私たちができる最善のことのベースラインです。
	ここで、カイ二乗統計量はモデル内の不適合の量を表します。 ここでは、考えられるすべての分散と共分散を制限なしで推定しているため、
	カイ二乗がゼロになるのはそのためです。 さて、すべてを推定しているため、自由度もゼロです。 したがって、これは完全に適合するモデルであり、次の基準として機能します。
	私たちができる最善のことは何かを理解するためのベースラインとして機能します。
	わかりました。独立モデルは、実際には、最初にプラットフォームを立ち上げたときにデフォルトとしてここにあるモデルです。 つまり、これは最悪のベースラインであり、最悪ではないかもしれませんが、かなり悪いモデルです。
	これは、変数が互いにまったく相関関係がないものです。 実際、カイ 2 乗統計量が約 2000 単位に跳ね上がっていることがわかります。 しかし、もちろん、このモデルではほとんど推定していないため、自由度は 45 になります。
	そして最後に、独自の 2 因子確認因子モデルがあり、カイ 2 乗が 147 と大きいこともわかります。
	34 自由度。 これは独立モデルよりもはるかに小さいため、ありがたいことに成績は良くなりましたが、それでもかなりのカイ 2 乗であり、データに重大な不適合があることを示唆しています。
	ここで、SEM に関する大きな課題が 1 つあります。 昔は、カイ二乗がサンプルサイズに影響されることを人々は認識していました。 ここには 550 件の観測値があります。 そのため、ぴったりフィットしたモデルであっても、多少の誤差が生じる可能性が非常に高いです。
	サンプルサイズが大きいため、重要であることが判明します。 そこで何が起こったのかというと、カイ二乗に関係なくモデルの適合性を評価できるようにするために SEM に固有の適合指数が開発されており、そこでこれらのベースライン モデルが登場します。
	ここの最初のものは、比較適合指数と呼ばれます。 実際には 0 から 1 までの範囲です。 ここで、1 が完全に適合したモデルの値であり、0 が本当に適合度の低いモデル (独立モデル) の値であることがわかります。
	そして
	私はこれを偶然に並べ続けています。 さて、私たち自身のモデルのこのインデックスは .9395 を意味します。 それは比率です、そうです、それは私たちがモデルでどれだけ改善したかの比率です
	独立モデルとの比較。 つまり、これは独立モデルよりも約 94% 優れており、かなり優れています。
	ガイドラインでは、CFI が 0.9 以上であれば許容されます。 通常、できるだけ 1 に近づけたいと考えており、.95 が理想的です。
	また、この RMSCA (近似の主二乗誤差の根) も得られます。これは、自由度ごとのミスフィットの量を表します。
	したがって、これを非常に小さくしたいと考えています。 それも0から1まであります。 ご覧のとおり、私たちのモデルは 0.07、約 0.08、
	一般的には .1 以下が適切であり、十分であり、それが私たちが望んでいることです。 そして、その過程で、この 1 つの統計に関してある程度の信頼限界が得られます。 それで
	これが示唆するのは、実際にモデルが適切に適合しているということです...許容可能な適合モデルであるため、先に進んでそれを解釈してみます。
	しかし、モデルの詳細に実際に入る前に、モデルの適合性を評価することが非常に重要です。なぜなら、モデルが最初から適切に適合していない場合、あまり学ぶことがないか、少なくとも有益な情報があまり得られないからです。
	さて、これは確認的な因子分析なので、表示すると非常に便利です (ここを右クリックします)。次に、標準化された推定値を図に表示します。 よし。 これは、次のことを意味します。
	ここでは、相関指標にある因子負荷量の推定値を示します。これは、因子分析でこれらの負荷量を解釈するのに非常に役立ち、重要です。
	ここでのこの値も、これら 2 つの潜在変数間の実際の相関関係を表すように再スケールされます。この場合、相関関係は次のようになります。
	相関関係の重要なポイント。 赤い三角形のメニューでは、表形式で標準化されたパラメータ係数を見つけることもできるため、標準誤差や Z 統計量などに関する詳細を取得できます。
	しかし、これらの値はすべてかなり妥当であることがわかります...かなり許容できるものであることがわかります。 それらは、観測変数と潜在変数の間の相関関係です。
	ここでは一般的に約 0.48 から約 0.8 程度です。 したがって、これらはかなりまともな値です。 できるだけ高くしたいと考えています。
	ここで、図に関してお気づきになるもう 1 つの点は、JMP pro 16 の機能です。
	これらの観察された変数には少し陰影があり、ここでは少し灰色の領域があり、実際には次の量または部分を表します。
	潜在変数によって説明される分散。 これは本当に素晴らしいことです。小さな陰影から、象徴的な脅威の変数が視覚的に分かるからです。
	実際には、それらの分散の多くは潜在変数によって説明されます。 したがって、どの程度の分散が説明されるかに基づいて考えれば、これは現実的な脅威要因よりも優れた要因である可能性があります。
	ここで、「評価測定モデル」と呼ばれるオプションに注目していただきたいと思います。これは、次のことを理解するのに非常に役立ちます。
	そのアンケートの質問、個々の質問は実際には良い質問です。
	私たちは、統計的な指標の信頼性に基づいて、質問が信頼できるものであることを望んでいることを知っており、それがこの側で計画していることです。 だから私たちが少し与えることに注意してください
	これらの質問のいずれかに対して許容できる信頼性の推奨されるしきい値については、ここの行を参照してください。実際、象徴的な脅威の方が優れていることがわかります。
	そこでは少し良くなっているようです。 現実的な脅威と比較すると、質問はより信頼性が高くなります。 しかし、一般的に言えば、どちらもかなり優れています
	彼らが一線を越えていないという事実は、それほどひどいことではありません。 つまり、それらは周りにあります...これらの 2 つの質問は、
	指標の信頼性に期待される適切なしきい値。 ここには、複合材料の信頼性を示す統計もあります。 言い換えれば、これらの質問をすべて把握すると、
	おそらく、現実的な脅威についてこれらの質問をすべて取得すると、それらすべての回答の平均スコアが得られます。
	個人ごとに考えると、それは現実的な脅威の複合的なものになり、象徴的な脅威に対しても同じことができます。
	ここで得られるのは信頼性の指標です。 ちなみに、これらのインデックスの範囲はすべて 0 から 1 です。
	したがって、これらをできるだけ 1 つに近づけたいと考えています。なぜなら、それらを非常に信頼できるものにしたいからです。ここでは、これらの両方が一致していることがわかります。
	複合材料には十分な信頼性があります。 したがって、他の分析に全体の平均スコアを使用するという点で優れています。
	また、最大信頼性を構築しました。これらは、潜在変数そのものの信頼性の値というよりも、
	平均値を作成します。 したがって、潜在変数を使用すると、より適切な測定値が得られるため、これらの値を常に少し高くすることになります。
	構成要素妥当性マトリックスは、大量の有用な情報を提供します。 ここで重要なのは、この場合、下三角は単純に 2 つの要素間の相関関係を持っているということです。
	ただし、対角線の値は、因子のすべての指標にわたって抽出された平均分散を表します。
	ここでは、象徴的な脅威の方が現実的な脅威よりも平均して説明された分散が多いことがわかりますが、ここでは両方とも実質的な値を持っており、これは良いことです。
	そして最も重要なことは、上三角が 2 つの要素間の重なり合う障壁を表すため、これらの対角値が上三角よりも大きくなるようにすることです。
	想像できると思いますが、要素には他の指標よりも独自の指標との重複と分散が多くなるようにしたいと考えています。
	別の要素で構築します。 これが他のすべての統計と合わせてここにあります
	これらは、調査が有効で信頼できる回答を提供しており、実際に他の質問を追求するためにそれを使用できることを示す良い証拠です。 それがここでやることです。 これを閉じます。
	別のモデルを実行するため、プラットフォームを再起動しますが、今回は...を使用します。
	ここには私が作成した変数がいくつかあります。 この二人は
	複合的なものでは、現実的および象徴的な脅威に関連するすべての質問の平均です。 それらの総合スコアがここにあります。
	そして、私はそれらをモデルにしていきます...私は不安に対する尺度を持っています。 マイナスの影響に対する対策があります。 CDC を少し追加することもできます
	固着。つまり、人々が CDC の推奨事項、つまり公衆衛生上の行動を遵守しているかどうかです。 したがって、これらすべての変数を使用してプラットフォームを起動します。
	ここで私がやりたいのは、おそらく回帰モデルのフィッティングに焦点を当てることです。 そこで私はこれらの変数、予測変数、結果を選択しました。 一方矢印をクリックするだけで設定できます。 今、モデルは完全ではありません...
	両方が正しく指定されていることを確認したいため、まだ正しく指定されていません。
	COVID
	ここでは、脅威が互いに共鳴していることを確認したいと考えています。なぜなら、それらが共鳴していないと仮定する理由がないからです。
	結果と同様に、直交であることに関する奇妙な制限を課したくないため、それらは共変する必要があります。
	したがって、ここでのこれは本質的にパス分析です。 多変量重回帰分析です。 それで、ここに多変量回帰を入れて、これを使ってモデルを実行します。
	わかった。 あらゆるものに適合するため、注目してください。
	データ間のすべての分散と共分散を推定しているため、自由度はゼロです。 したがって、この提案は完璧に当てはまりますが、
	これまでに行ったことは、回帰モデルに適合することだけです。 そして、それを本当に強調したいのは、図のレイアウトを変更することです。
	両方の種類の脅威の関連性を示しやすくするためです。 分散と共分散を非表示にしたいのですが、ここでわかります...
	これら 2 つの脅威が 3 つの結果に及ぼす関係にのみ焦点を当てることができるように、他の端は非表示にしました。 私のデータテーブルでは、フィットモデルを使用してすでにフィットしています。同じ不安を使用しました。
	結果として変数を使用し、予測変数として同じ 2 つの脅威を使用します。 そして、実際にそれを示したいので、それらを並べて置きたいのです
	ここでの不安の予測の回帰推定値は、両方の予測に対して SEM プラットフォームにある値とまったく同じです。
	そしてそれが私たちが期待すべきことです。 モデルの適合、つまり、これは回帰です。 ここまでは回帰を行っています。
	技術的に言えば、もし私が、これら 3 つの異なる結果を使用してこれらの適合モデルのうち 3 つを快適に実行できるとしたら、SEM が私に何を買ってくれているのか、それがより良いのだと言うこともできます。
	そうですね、他に何も必要ないかもしれませんし、これはあなたのニーズには最適かもしれませんが、SEM のユニークな特徴の 1 つは、
	等価性...モデル内の等価性制約が維持可能かどうか。 つまり、これら 2 つの効果 (たとえば、不安に対する現実的および象徴的な脅威効果) を取得し、この「均等設定」ボタンを使用して平等制約を課すことができるということです。 ここで注目してください、
	これらの小さなラベルは、これら 2 つのパスが同じ効果を持つことを示しています。 そして、私たちはそうすることができます
	モデルを実行すると、モデル比較テーブルでそれらのモデルを選択し、この選択されたモデルの比較オプションを使用して比較できるようになります。
	そして得られるのはカイ二乗の変化です。 したがって、あるモデルから次のモデルへのカイ二乗の変化だけがわかります。 つまり、これは基本的に言うことです、わかりました、
	制約を追加したため、モデルはさらに悪化するでしょう。 つまり、ある程度の自由が得られ、不適合者が増えました。問題は、その不適合者が重要なのかということです。
	この場合の答えは「はい」です。 もちろん、これはサンプルサイズに影響されます。 そこで、CFI と RMSEA の違いも調べます。0.01 以上のものは、次のことを示唆しています。
	不適合は無視するには多すぎます。 この制約により、さらに大きな不適合が追加されます。
	それがわかったので、これで直接言えます...これがより適切なモデルであることがわかり、その制約がなかったモデルであり、現実的な脅威にはより大きなポジティブな効果があると断言できます。
	象徴的な脅威と比較した不安との関連性。これもプラスの有意な効果がありますが、有意に強くはなく、統計的にも強くもなく、現実的な脅威ほど強くもありません。 よし。 そして他にもあります
	ここにある興味深い効果。 セッションの終わりが近づいているので、私がやろうとしていることは、この興味深いことに皆さんの注意を引くことです。
	ここでは、両方のタイプの脅威が CDC の行動の遵守に異なる影響を及ぼします。 そしてその記事は本当に
	ご存知のとおり、これらは両方とも脅威であるため、私たちはこの発見に多大な注意を払っています。 しかし、ご想像のとおり、個人的なものに脅威を感じている人は、
	健康や経済的安全への脅威がある場合、彼らは社会的距離を置き、社交的な集まりを避けるという CDC ガイドラインを遵守する可能性が高いのに対し、
	脅威は象徴的なものであり、自分たちの社会文化的価値観に対する脅威であると感じている、
	これらの人々は、おそらく社会文化的規範が脅かされていると感じているため、CDC の行動に従う可能性が大幅に低くなります。 これは興味深い発見であり、ここではもちろん、このモデル内の他の多くのパスの等価性をテストできることがわかります。
	さて、私が最後にやりたかったことは、単にお見せすることだけでした (この完全なモデルについて説明するつもりはありません)。しかし、両方を組み合わせると何が起こるかをお見せしたかったのです。
	(これをもう少し大きくしてみましょう) 回帰分析と因子分析。
	構造方程式モデルの可能性を最大限に活用するには、潜在変数をモデル化する必要があります。ここでは両方の脅威を潜在変数として用意しており、これらの脅威から測定誤差を実際に取り除くことができます。
	調査項目、および潜在変数間のモデルの関連性。これにより、偏りのない効果を得ることができます。なぜなら...減衰しない効果...測定時に測定誤差を考慮しているからです。
	潜在変数と変数を直接指定します。 そして、SEM を利用していることに注目してください。これは、さまざまな要素にわたる連続的な関連性を調べているためです。ここで、クールな図をご覧ください。
	私は動き回って、素晴らしい効果をすべて見せたり、図が次のようなものであるという事実を強調したりすることができます。
	完全にインタラクティブで、非常に視覚的に魅力的で、線の種類に基づいて重要な効果と重要でない効果 (この場合は破線) を非常に迅速に識別できます。 など
	もう一度 SEM のフルパワーを実際に活用するために、ここで私たちがどのように潜在変数の脅威に注目し、それらと他の多くの変数との関連性を調べているかがわかります。
	公衆衛生上の行動と幸福度の変数。 それでは、デモをここで終了します。
	スライドに加えて非常に役立つドキュメントがあることをお知らせします。プラットフォームのテスターである James Koepfler がまとめた非常に優れたドキュメントがあり、プラットフォームの使用方法に関する非常に優れたヒントがたくさん提供されています。
	モデルの指定から、モデルを比較する方法に関するヒント、何を参照するのが適切か、ネストされたモデルとは何か、これらすべての情報は、使用することに決めた場合に非常に価値があることがわかると思います。
	プラットフォーム。 したがって、JMP コミュニティにアクセスして、プレゼンテーションを補足するこれらの資料を入手することをぜひお勧めします。 これで終わりにします。すべてが公開されたら質問を受け付ける予定です。 どうもありがとうございます。

起こるデータ探索予測モデリングRe: 構造方程式モデルの ABC (2020-US-45MP-590)

ありがとうございます。わかりやすく、私のすべての質問に答えてくれました。

 

よろしくお願いします！

 

ナタリー:)

Re: 構造方程式モデルの ABC (2020-US-45MP-590)

こんにちは

@NatalyLevesque 、

 

素晴らしい図ですね！

 

複合変数は、ビデオの 34 分目と 40 秒で示されているように、潜在変数に読み込まれる変数全体の単なる平均です。 JMP を使用すると、データ テーブル内の列を選択し、右クリックして、新しい数式列 > 結合 > 平均オプション：

 

複合変数を取得したら、ビデオの 22 分 19 秒で説明されているように、それらを使用して潜在変数を作成できます。 ただし、元の変数を使用して、最初に元の質問を使用してサブディメンションを作成し、次にそれらの潜在変数を選択して、高次を表す全体的な潜在変数を作成することで、「高次の確認因子モデル」を指定することもできます。構築:

 

 

さらに、「測定モデルの評価」からの統計は、現在の JMP 15.2 出力から計算できます (このオプションは、次期 JMP Pro v16.0 で利用可能になります)。 これらの統計のいくつかを取得するのに役立つ簡単な説明を次に示します。

 

インジケーターの信頼性:これらは標準化荷重の二乗です。 RTM から「Standardized Parameter Estimates」を選択することで値を取得できます。 次に、stdz 読み込みの上にマウスを置き、テーブルを右クリックして、[データ テーブルに作成] を選択します。 新しいデータ テーブルで、[推定] を右クリックし、[新しい数式列] > [変換] > [平方] を選択します。 新しい列にはインジケーターの信頼性が含まれており、これをグラフ ビルダーに取り込み、バープロットをロードして推定^2 を作成できます。

 

妥当性行列の構築:の潜在変数間の標準化された共分散 (相関) があります。下三角、これは、標準化された見積もりの表を取得すると表示されます。 の上三角は潜在変数間に二乗相関があるため、単純に相関値を二乗します。 最後に、対角線各潜在変数によって抽出された平均分散を持ちます。これらの値は、各潜在変数の stdz 負荷の 2 乗を平均することで取得できます。 Estimate^2 を含むデータ テーブルで、[Loadings] 列を選択して右クリックし、[新しい数式列] > [文字] > [最初の単語] に移動します。 次に、「テーブル」メニューに移動し、「概要」を選択します。 「Group」の下に「First[Loadings]」を配置し、「Statistics」の下の「Mean(Estimate^2)」を取得します。 [OK] をクリックすると、各潜在変数によって抽出された平均分散を含む新しいデータ テーブルが表示されます。

 

バージョン 15.2 では、信頼性と有効性を調査するのに少し時間がかかりますが、これらおよびその他の優れた新機能を活用できるように、この 3 月に v16 にアップグレードしていただければ幸いです。

 

最高、

〜ローラ

Re: 構造方程式モデルの ABC (2020-US-45MP-590)

親愛なるカストロ・スキロ博士、

 

言い忘れていましたが、すでに探索的因子分析を行っており、質問数を 100 から 33 に減らすことができました。 現在は、パッチ分析、収束性、判別性、および規範的妥当性を含む確認的因子分析と SEM を実行したいと考えています。

 

では、JMP Pro の SEM でこのようなモデルを作成するにはどうすればよいでしょうか? 添付の写真をご覧ください（私の絵の質が悪くて申し訳ありません）。

 

手伝ってくれてどうもありがとう。

 

ナタリー

 

Re: 構造方程式モデルの ABC (2020-US-45MP-590)

カストロ・スキロ博士、ありがとう。

 

しかし、1 つのディメンション (質問) の要素を 1 つの列にグループ化する因子 (変数) を作成し、そのディメンションが他のディメンションに及ぼす影響をテストする方法についてはまだ疑問があります。 それは、フィット測定 -> 複合信頼性 / 構成を見に行くときのようなものです。

 

たとえば、次の 3 つの次元があります。

- 認知: 2 つのサブディメンション (13 項目)

- 感情: 1 サブディメンション (6 アイテム)

- 行動: 3 サブディメンション (14 項目)

 

2 つの認知サブディメンションと、感情ディメンションの 6 つと行動ディメンションを構成する 14 つを含む新しい変数を作成するにはどうすればよいですか? チュートリアルでは、それを実行したと述べていますが、名前の後に「スター」が付いた変数が表示されます。 もしあなたがwビデオの 34 分 40 秒を見てください。私の言いたいことがわかるでしょう。 はっきりしていればいいのですが...

 

ご協力誠にありがとうございました！

 

ナタリー

Re: 構造方程式モデルの ABC (2020-US-45MP-590)

こんにちは@NatalyLevesque 、

 

ウェビナーをお楽しみいただけたことを嬉しく思います。

 

データを収集した後、測定スケールを作成するための最初のステップは、探索的因子分析を行うことです。 JMP でこれを行うには、次のようにします。分析 > 多変量法 > 因子分析、すべての測定変数を選択し、プラットフォームを起動します。 このプラットフォームを使用すると、抽出する適切な数の因子 (つまり、潜在変数) を探索できます。適切な因子の解決策が見つかったら (たとえば、データ内の十分な量の分散を考慮した場合、因子が得られます)強い標準化因子負荷量と弱い標準化因子負荷量の組み合わせ (単純構造と呼ばれる)、許容可能な近似など) を使用する場合は、独立したデータセットを使用して SEM で確認的な因子分析を近似する必要があります。これは、要因構造 (因子のパターン) を検証するのに役立ちます。標準化された因子負荷量）。 探索的因子分析の詳細については、次のドキュメントを参照してください。

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

 

つまり、探索的因子分析の標準化された因子負荷量は、SEM で潜在変数を定義する変数グループを特定するのに役立ちます。 どの変数が同じ未観測 (潜在) 変数によって引き起こされると仮定されるかについてはおそらく予想があるため、理論とドメインの専門知識もこのプロセスを導く必要があります。

 

HTH、

〜ローラ

Re: 構造方程式モデルの ABC (2020-US-45MP-590)

こんにちは、

 

このウェビナーは非常に適切かつ完全なものです。 しかし、変数を再グループ化する因子を作成する方法についてまだ疑問があります (質問)。 ローラ・カストロ＝スキロ博士が彼女に因子を与えたように。

 

助けてくれてありがとう！

 

ナタリー