Conférencier
|
Transcription
|
| Laura Castro Schilo |
Bonjour à tous. Accueillir. Cette session porte sur l'ABC de la modélisation d'équations structurelles et ce que je vais essayer est de vous laisser suffisamment d'outils pour pouvoir vous sentir à l'aise. |
| |
pour spécifier des modèles et interpréter les résultats de l'ajustement des modèles à l'aide de la plateforme de modélisation d'équations structurelles et de JMP Pro. |
| |
Nous allons maintenant commencer par vous donner une introduction de ce qu'est la modélisation d'équations structurelles et en particulier en tirant parti des liens qu'elle entretient avec l'analyse factorielle et l'analyse de régression. |
| |
Et puis nous parlerons un peu de la façon dont les diagrammes de chemin sont utilisés dans SEM et de leur rôle important dans ce cadre de modélisation. |
| |
Je vais essayer de garder cette introduction courte afin que nous puissions vraiment passer du temps sur nos exemples pratiques. Donc après l'intro, je vais présenter les données que je vais utiliser pour la démonstration. Il s'avère que ces données sont |
| |
sur les perceptions des menaces du virus Covid 19. Donc après avoir introduit ces données, |
| |
nous allons commencer à regarder comment spécifier des modèles et interpréter leurs résultats au sein de la plateforme, notamment en répondant |
| |
quelques questions. Maintenant, ces, ces questions vont nous permettre d'aborder deux techniques très importantes qui peuvent être réalisées avec un SEM. L’une est l’analyse factorielle confirmatoire ainsi que la régression multivariée. |
| |
Et pour conclure, je vais vous montrer juste un bref |
| |
modèle dans lequel nous rassemblons à la fois le modèle factoriel de confirmation et les modèles de régression et de cette façon, vous pouvez vraiment voir le potentiel qu'a SEM pour l'utiliser avec vos propres données pour votre propre travail. |
| |
Très bien, alors qu'est-ce que le SEM ? La modélisation d'équations structurelles est un cadre dans lequel l'analyse factorielle et l'analyse de régression se rejoignent. |
| |
Et du point de vue de l'analyse factorielle, ce que nous pouvons obtenir, c'est la capacité de mesurer des choses que nous n'observons pas directement. |
| |
Et du côté de la régression, nous sommes en mesure d'examiner les relations entre les variables, qu'elles soient observées ou non. Ainsi, lorsque vous réunissez ces deux outils, nous obtenons un cadre très flexible, le SEM, dans lequel nous pouvons adapter un certain nombre de modèles différents. |
| |
Les diagrammes de chemin sont un outil unique dans SEM, car tous les modèles d'équations structurelles statistiques, les modèles réels, peuvent être représentés par un diagramme. Et donc nous devons en apprendre quelques-uns |
| |
notation sur la façon dont ces diagrammes sont dessinés. Et donc les carrés représentent les variables observées, |
| |
les cercles représentent les variables latentes, les variances ou covariances sont représentées par des flèches à deux pointes et les régressions et chargements sont |
| |
représenté par des flèches à une pointe. Maintenant, en remarque, il existe également un triangle qui est utilisé pour les diagrammes de chemin. |
| |
Mais cela sort du cadre de ce dont nous allons parler aujourd’hui. Le triangle est utilisé pour représenter les moyennes et les interceptions. Et malheureusement, nous n’avons tout simplement pas assez de temps pour parler de toutes les choses géniales que nous pouvons faire avec nos moyens. |
| |
Bien. Mais je veux aussi vous montrer quelques éléments fondamentaux... en quelque sorte les éléments constitutifs de |
| |
x, qui est dans une boîte, prédit y, |
| |
qui est également dans une boîte. Nous savons donc que ce sont des variables observées et que chacune d’elles a des flèches à deux têtes qui commencent et se terminent sur elles-mêmes, ce qui signifie qu’il s’agit de variances. |
| |
Pour x, cette flèche est simplement ses variantes, mais pour y, les flèches à deux pointes représentent une variance résiduelle. |
| |
Bien sûr, vous savez peut-être qu’en SEM, un résultat peut être à la fois un résultat et un prédicteur. Vous pouvez donc imaginer avoir une autre variable z que y pourrait également prédire, afin que nous puissions rassembler autant de régressions que nous le souhaitons dans un même modèle. |
| |
Le deuxième élément de base pour la construction de SEM sont les modèles factoriels de confirmation et, au minimum, |
| |
L'exemple le plus basique est celui présenté ici, où nous spécifions un facteur ou une variable latente, qui n'est pas observée mais qui est |
| |
elle est représentée ici avec des flèches pointant vers w, x et y, car on pense que la variable latente est à l'origine de la variabilité commune que nous observons entre w, x et y. |
| |
Maintenant, ceci ici s'appelle le modèle à facteurs de confirmation, c'est, ce n'est qu'un seul facteur. Et je pense qu'il est vraiment important de comprendre les distinctions d'un facteur dans l'analyse factorielle. |
| |
perspective et distinguer cela des composantes principales ou de l’analyse en composantes principales, qu’il est parfois facile de confondre. |
| |
Je vais donc prendre une brève tangente pour vous montrer ce qui est différent d'un facteur du point de vue de l'analyse factorielle et de l'ACP. |
| |
Donc ici, ces carrés sont censés représenter les variables observées, les choses que nous mesurons, et j'ai coloré ici en bleu |
| |
des montants différents de chaque variable observée, qui représentent la variance que ces variables sont censées mesurer. C'est donc un peu comme le signal. Je veux dire, il y a |
| |
c'est ce genre de choses qui nous intéresse vraiment. Et puis nous avons ces zones grises qui représentent une proportion de variance provenant d’autres sources. Il peut s'agir d'une variance systématique, mais c'est simplement une variance qui n'est pas |
| |
ce que nous voulons qu'il capte de notre instrument de mesure. Il contient donc |
| |
les sources sont des variances propres à chacune de ces variables et elles contiennent également une erreur de mesure. |
| |
Alors, quelle est la différence entre l'analyse factorielle et l'ACP, c'est que dans l'analyse factorielle, une variable latente va capturer uniquement la variance commune qui |
| |
existe dans toutes ces variables observées, et c’est la partie que représente la variable latente. |
| |
Et cela contraste avec l’ACP où une composante principale représente la quantité maximale de variance pouvant être expliquée dans les dimensions des données. |
| |
Et vous pouvez donc voir que la composante principale va capter autant de variance qu'elle peut l'expliquer. |
| |
et cela signifie qu'il y aura une fusion de variance due à ce que nous avions l'intention de mesurer et peut-être également à d'autres sources de variance. C'est donc une distinction très importante, |
| |
car lorsque nous voulons mesurer des variables non observées, l'analyse factorielle est en effet un meilleur choix, à moins que vous sachiez si notre objectif est vraiment la réduction de dimension, alors l'ACP est un outil idéal pour cela. |
| |
Notez également ici que les flèches pointent dans des directions différentes. Et c'est parce que dans l'analyse factorielle, il existe en réalité une hypothèse sous-jacente selon laquelle cette variable non observée est à l'origine de la variabilité que nous observons. |
| |
Ce n’est donc pas le cas dans PCA, vous pouvez donc voir cette distinction ici à partir du diagramme. Alors chaque fois que nous parlons de |
| |
un facteur ou une variable latente en SEM, nous parlons très probablement d'une variable latente de ce point de vue de l'analyse factorielle. Maintenant, voici un |
| |
un grand modèle d'équation structurelle dans lequel j'ai rassemblé un certain nombre d'éléments différents à partir des éléments de base que j'ai montrés auparavant. Quand nous voyons des chiffres parce que nous avons estimé ce modèle. |
| |
Et vous voyez qu'il y a des variables observées qui prédisent d'autres variables. Nous avons des relations séquentielles, ce qui signifie que |
| |
une variable en amène une autre, qui en amène une autre. C'est également un exemple intéressant car nous avons ici une variable latente qui est prédite par une variable observée. Mais cette variable latente aussi |
| |
à son tour, prédit d’autres variables. Et donc cela illustre, ce diagramme illustre bien, un certain nombre d'utilisations que nous pouvons avoir, essentiellement pour les raisons que nous pouvons avoir pour utiliser SEM, y compris les cinq que nous avons des variables non observées que nous voulons modéliser dans un cadre plus large. |
| |
contexte. Nous voulons peut-être tenir compte de l'erreur de mesure. Et c’est important, car les variables latentes sont purgées de toute erreur de mesure, car elles ne représentent que la variance commune à leurs indicateurs. |
| |
Nous... si vous avez également besoin d'étudier les relations séquentielles entre variables, qu'elles soient observées ou non, le SEM est un excellent outil pour cela. |
| |
Et enfin, s'il vous manque des données, le SEM peut également être très utile même s'il s'agit simplement d'une régression, car |
| |
toutes les données dont vous disposez seront utilisées dans SEM lors de l'estimation, au moins dans le cadre des algorithmes dont nous disposons dans JMP pro. |
| |
Donc... ce sont de très bonnes raisons d'utiliser SEM. Maintenant, je souhaite également utiliser ce diagramme pour présenter une terminologie importante que vous rencontrerez certainement plusieurs fois si vous décidez que SEM est un |
| |
un outil que vous allez utiliser dans votre propre travail. Nous avons donc parlé de variables observées. Celles-ci sont également appelées variables manifestes dans le jargon SEM. |
| |
Il y a des variables latentes. Il existe également des variables dites exogènes. Dans cet exemple, il n’y en a que deux. |
| |
Et ce sont des variables qui ne font que prédire d’autres variables et elles contrastent avec les variables endogènes, qui ont en fait des variables qui les prédisent. Ici donc, toutes ces autres variables sont endogènes. |
| |
Les variables latentes, les variables manifestes vers lesquelles elles pointent, qu'elles prédisent, sont également appelées indicateurs de variables latentes. |
| |
Et enfin, nous avons parlé de la variance factorielle unique du point de vue de l’analyse factorielle. Et ce sont ces écarts résiduels d'un facteur, |
| |
à partir d'une variable latente, qui est la variance qui n'est pas expliquée par la variable latente, et représente à la fois la combinaison de la variance systématique propre à cette variable et l'erreur de mesure. |
| |
D'accord. |
| |
J'ai découvert que pour comprendre la modélisation d'équations structurelles d'une manière un peu plus simple, il est important de nous concentrer sur la réalisation que les données que nous utilisons réellement |
| |
la modélisation sous le capot est la structure de covariance de nos données. Nous modélisons également les moyens, la structure des moyens, mais là encore, cela sort du cadre de la présentation d'aujourd'hui. |
| |
Mais il est important d’y réfléchir car cela a des implications sur ce que nous pensons être nos données. |
| |
Vous savez, nous sommes habitués à voir nos tableaux de données et nous avons des lignes et des variables qui sont nos colonnes, et oui, c'est... |
| |
ces données peuvent être utilisées pour lancer notre plateforme SEM. Cependant, nos algorithmes analysent en réalité la structure de covariance de ces variables. Donc, quand vous pensez aux données, ce sont vraiment les données qui sont |
| |
étant modélisé sous le capot. Cela a également des implications lorsque nous pensons aux résidus, car les résidus dans SEM concernent les variances et les covariances de |
| |
vous savez, ceux que nous estimons, contrairement à ceux que nous avons dans l'échantillon. Donc, les résidus, encore une fois, nous avons besoin d'un petit changement d'orientation vers ce à quoi nous sommes habitués, des autres techniques statistiques standard vers des techniques vraiment |
| |
comprenons ce que sont les modèles d’équations structurelles. Et les choses... des concepts tels que les degrés de liberté seront aussi des degrés de liberté par rapport à la covariance. |
| |
matrice. Et donc une fois que nous avons changé d’orientation, je pense qu’il est beaucoup plus facile de comprendre les modèles d’équations structurelles. |
| |
Je veux maintenant passer en revue un bref exemple du fonctionnement de l'estimation SEM. Et donc généralement, ce que nous faisons, c'est commencer par spécifier un modèle et le plus |
| |
Ce qui est intéressant à propos de JMP Pro et de notre plateforme SEM, c'est que nous pouvons spécifier ce modèle directement via un diagramme de chemin, ce qui le rend beaucoup plus intuitif. |
| |
Et donc ce diagramme de cheminement, au fur et à mesure que nous le dessinons, nous spécifions un modèle statistique qui implique le |
| |
structure de la matrice de covariance des données. Le modèle implique donc cette structure de covariance, mais bien sûr, nous avons également accès à l'échantillon de matrice de covariance. |
| |
Et donc, ce qui se passe lors de l'estimation, c'est que nous essayons de faire correspondre le plus possible les valeurs de la covariance de l'échantillon, étant donné ce que le modèle nous dit, ce sont les relations entre les données, et non au sein des variables. |
| |
Et une fois que nous avons nos estimations de modèle, nous les utilisons pour obtenir une estimation réelle. |
| |
matrice de covariance implicite du modèle que nous pouvons comparer à la matrice de covariance de l'échantillon. Donc, en regardant la différence entre ces deux matrices, |
| |
nous sommes en mesure d'obtenir des résidus, ce qui nous permet d'avoir une idée de l'adéquation ou non de nos modèles. En résumé, voilà comment fonctionne la modélisation par équations structurelles. |
| |
Nous en avons maintenant terminé avec l'intro. Et donc je veux vous présenter, vous donner un peu de contexte pour les données que je vais utiliser pour notre démo. |
| |
Ces données proviennent d’un article publié très récemment dans le Journal of Social, Psychological and Personality Science. |
| |
Et les auteurs de cet article voulaient répondre à une question simple. Ils ont demandé : « Quel est l'impact des menaces perçues de Covid 19 sur nos comportements en matière de bien-être et de santé publique ? Ce qui est vraiment intéressant dans cette question, c'est que les menaces perçues de |
| |
Le Covid 19 est un concept très abstrait. C'est une construction pour laquelle nous n'avons pas d'instrument pour la mesurer. C'est quelque chose que nous n'observons pas directement. |
| |
Et c’est pourquoi, dans cet article, ils ont dû d’abord comprendre comment mesurer ces menaces perçues. |
| |
Et l’article se concentrait sur deux types spécifiques de menaces. Ils qualifient les premières menaces de réalistes, car elles sont liées à la sécurité physique ou financière. |
| |
Et aussi les menaces symboliques, qui sont les menaces qui pèsent sur l'identité socioculturelle d'une personne. |
| |
Et donc ils sont arrivés à cette échelle de menace finale, ils ont suivi un processus très rigoureux pour développer cette enquête, cette échelle pour mesurer la menace réaliste et la menace symbolique. |
| |
Ici, vous pouvez voir ici que les gens ont dû répondre à quel point l'épidémie de virus corona constitue une menace, le cas échéant, pour votre santé personnelle, |
| |
vous savez, l’économie américaine, ce que signifie être américain, les valeurs et les traditions américaines. Donc, fondamentalement, ces questions se concentrent sur deux aspects différents de la |
| |
menace du virus, qu’ils qualifient de réaliste, car elle concerne des problèmes de santé personnelle et financière. |
| |
Et puis la menace symbolique concerne davantage cette composante sociale et culturelle. Vous pouvez donc voir toutes ces questions ici. |
| |
Et nous avons obtenu les données de l’une des trois études qu’ils ont réalisées. Et ces données de 550 participants qui ont répondu à toutes ces questions en plus d'un certain nombre d'autres enquêtes et nous pourrons donc utiliser ces données dans notre démo. |
| |
Et nous allons répondre à des questions très précises. La toute première question est de savoir comment mesurer la perception des menaces liées au Covid 19. Il existe deux types de menaces qui nous intéressent. Et la question est de savoir comment procéder, étant donné qu’il s’agit d’un concept tellement abstrait. |
| |
Et cela nous amènera à parler de l’analyse factorielle confirmatoire et des moyens par lesquels nous pouvons évaluer la validité et la fiabilité de nos enquêtes. |
| |
Une chose dont nous n’allons pas parler cependant est la toute première étape, qui est l’analyse factorielle exploratoire. C'est quelque chose que nous faisons en dehors de SEM |
| |
et c'est quelque chose qui devrait être fait comme la toute première étape pour développer une nouvelle échelle ou une nouvelle enquête, mais ici nous allons reprendre l'étape de l'analyse factorielle confirmatoire. |
| |
Une deuxième question est la suivante : les perceptions des menaces liées au Covid 19 prédisent-elles les comportements en matière de bien-être et de santé publique ? Et cela nous amènera à parler davantage des concepts de régression. |
| |
Et enfin, les effets de chaque type de menace sur les résultats sont-ils égaux ? Et c'est ici que nous allons en apprendre davantage sur un phénomène tout à fait unique. |
| |
fonctionnalité utile de SEM, qui nous permet d'imposer des contraintes d'égalité sur différents effets au sein de nos modèles et de pouvoir effectuer des comparaisons systématiques de modèles pour répondre à ce type de questions. |
| |
D'accord, il est donc temps pour notre démo. Alors laissez-moi vous montrer les données que j'ai déjà ouvertes ici. |
| |
Remarquez que mes tableaux de données comportent une tonne de colonnes, car il existe un certain nombre d'enquêtes différentes que les participants |
| |
répondu, mais les 10 premières colonnes ici sont ces questions, ou les réponses aux questions que je vous ai montrées dans cette enquête. |
| |
Et donc ce que nous allons faire, c'est analyser, des méthodes multivariées, des modèles d'équations structurelles et nous allons les utiliser. |
| |
réponses à l'enquête. Sur tous les 10 éléments, nous allons cliquer sur les variables du modèle afin de pouvoir lancer notre plateforme avec ces données. |
| |
Maintenant, j'ai actuellement un tableau de données qui contient une observation par ligne. C’est ce qu’est le grand format de données, et c’est donc ce que je vais utiliser. |
| |
Mais remarquez qu'il existe un autre onglet pour résumer les données. Donc, si vous n'avez que la matrice de corrélation ou de covariance, vous pouvez maintenant la saisir dans... eh bien, vous pourrez le faire dans JMP 16, |
| |
JMP Pro 16 et c'est donc une autre option car, rappelez-vous qu'en fin de compte, ce que nous faisons ici, c'est modéliser des structures de covariance. Vous pouvez donc utiliser les données récapitulatives pour lancer la plateforme. |
| |
Très bien, alors allons-y et cliquez sur OK. Et la première chose que nous voyons est cette fenêtre de spécification du modèle qui nous permet de faire toutes sortes de choses amusantes. |
| |
Voyons, à l'extrême droite, nous avons ici le diagramme et notons que notre diagramme a une spécification par défaut. Donc nos variables |
| |
tous ont des flèches à double pointe, ce qui signifie qu'ils ont tous une variance |
| |
Ils ont aussi une moyenne, mais remarquez si je fais un clic droit sur le canevas ici et j'obtiens des options pour afficher les moyennes ou les interceptions. Donc |
| |
encore une fois, cela sort du cadre d'aujourd'hui, donc je vais les garder cachés, mais sachez que le modèle par défaut de la plate-forme a des variances et des moyennes pour chaque variable que nous observons. |
| |
L'onglet liste contient les mêmes informations que le diagramme, mais sous forme de liste et il divisera votre |
| |
chemins ou effets en fonction de leur type. Nous avons également une étape de statut qui vous donne une tonne d'informations sur le modèle que vous avez à ce moment précis. Alors maintenant, ça nous dit, |
| |
vous savez, les degrés de liberté dont nous disposons, étant donné que c'est le modèle que nous avons spécifié ici, ne sont que le modèle par défaut. Et cela nous indique également, vous savez, des détails sur les données et d'autres choses utiles. |
| |
Notez que cette petite coche ici change s'il y a un problème avec votre modèle. Ainsi, au fur et à mesure que vous spécifiez votre modèle, si nous rencontrons quelque chose qui semble problématique ou une erreur, cet onglet changera de couleur et de type. |
| |
et il sera donc utile, espérons-le, de vous aider à résoudre tout type de problèmes liés à la spécification du modèle. |
| |
D'accord, donc à l'extrême gauche, nous avons une zone pour avoir un nom de modèle. Et nous avons également des listes de et vers. Et donc cela rend très facile la sélection de variables ici, |
| |
dans le rôle de puis dans un rôle de destination, où qu'ils se trouvent. Et nous pouvons les relier avec des flèches à une ou deux pointes, ce que nous savons, ce sont des régressions ou des chargements ou des variances ou des covariances. |
| |
Maintenant, pour notre cas actuel, nous voulons vraiment comprendre comment mesurer cette construction inobservée de perceptions de Covid 19. |
| |
menace. Et je sais que les cinq premiers éléments que j’ai ici sont les réponses aux questions que les auteurs ont qualifiées de menaces réalistes. Je vais donc les sélectionner |
| |
variables et maintenant, nous allons changer le nom par défaut de la menace latente en réaliste, car ce sera la variable latente de menace réaliste. Je clique donc sur le bouton plus. Et remarquez, nous vous donnons automatiquement |
| |
ce modèle factoriel de confirmation avec un facteur pour une menace réaliste. Une observation intéressante ici est qu'il y a un 1 sur ce premier chargement |
| |
cela indique que ce chemin, cet effet de la variable latente sur la première variable observée est fixé à un. |
| |
Et nous en avons besoin, car sinon notre modèle ne serait pas identifié. |
| |
Nous allons donc, par défaut, fixer ce que vous avez chargé en premier à un afin d'identifier le modèle et de pouvoir obtenir toutes vos estimations. |
| |
Une alternative serait de fixer la variance de la variable latente à un, ce qui aiderait également à identifier le modèle, mais c'est une question de choix. |
| |
Très bien, nous avons donc un modèle de menace réaliste. Et maintenant, je vais sélectionner celles qui constituent une menace symbolique et j'appellerai cela symbolique et nous allons cliquer sur "Allez-y" et ajouter |
| |
notre variable latente pour cela. J'ai changé ma résolution. Et donc maintenant, nous voyons un peu moins que ce à quoi je m’attendais. Mais c'est parti. Voilà notre modèle. Maintenant |
| |
nous pourrions vouloir |
| |
précisez, et c'est effectivement très important, |
| |
menaces réalistes et symboliques. Nous nous attendons à ce que ceux-ci varient, co-varient et par conséquent, nous les sélectionnerions dans notre liste de et vers et cliquerions sur notre flèche à deux pointes pour ajouter cette covariance. |
| |
Et donc remarquez ici, il s’agit de notre analyse factorielle de confirmation complète à deux facteurs. Nous pouvons donc nommer notre modèle et nous sommes prêts à fonctionner. Alors allons-y et cliquez sur Exécuter. |
| |
Et nous avons toutes nos estimations très rapidement. Tout est ici. Maintenant |
| |
Ce sur quoi je souhaite cependant attirer votre attention, c'est le tableau de comparaison des modèles. Et la raison en est que nous voulons nous assurer que notre modèle s’adapte bien avant de tenter d’interpréter les résultats. |
| |
Parlons donc de ce qui apparaît dans ce tableau. Notons d'abord qu'il y a ici deux modèles que nous n'avons pas adaptés mais que la plateforme les adapte par défaut au lancement. |
| |
Et nous les utilisons comme une sorte de référence, une base de référence avec laquelle nous pouvons comparer un modèle. Le modèle sans restriction que je vais vous montrer ici, |
| |
ce que c'est, si nous avions toutes les variables covariantes les unes avec les autres, ce serait là le modèle sans restriction. En d’autres termes, il s’agit d’une base de référence pour déterminer ce que nous pouvons faire de mieux en termes d’ajustement. |
| |
Désormais, la statistique du chi carré représente le degré d’inadaptation dans un modèle. Et parce que nous estimons ici toutes les variances et covariances possibles sans aucune restriction, |
| |
c'est pourquoi le chi carré est nul. Maintenant, nous avons également zéro degré de liberté car nous estimons tout. C'est donc un modèle parfaitement adapté et il sert de base de référence pour... |
| |
sert de base pour comprendre ce que nous pouvons faire de mieux. |
| |
Très bien, alors le modèle d’indépendance est en fait le modèle que nous avons ici par défaut lorsque nous avons lancé la plateforme pour la première fois. C’est donc une référence pour le pire, peut-être pas le pire, mais un modèle assez mauvais. |
| |
C'est un cas où les variables ne sont absolument pas corrélées les unes aux autres. Et vous pouvez effectivement constater que la statistique du chi carré grimpe à environ 2 000 unités. Mais bien sûr, nous disposons désormais de 45 degrés de liberté car nous n’estimons pas grand-chose dans ce modèle. |
| |
Et enfin, nous avons notre propre modèle à facteurs de confirmation à deux facteurs et nous voyons également que le chi carré est grand, il est de 147. |
| |
avec 34 degrés de liberté. Il est beaucoup plus petit que le modèle d'indépendance, donc nous faisons mieux, heureusement, mais il s'agit toujours d'un chi carré significatif, ce qui suggère qu'il y a une inadéquation significative dans les données. |
| |
Maintenant, voici un grand défi avec SEM. À l’époque, les gens se rendaient compte que le chi carré était influencé par la taille de l’échantillon. Et ici nous avons 550 observations. Il est donc très probable que même les modèles bien ajustés auront un peu |
| |
Cela va s’avérer significatif en raison de la grande taille de l’échantillon. Ce qui s'est donc produit, c'est que des indices d'ajustement propres au SEM ont été développés pour nous permettre d'évaluer l'ajustement du modèle, quel que soit le chi carré, et c'est là que ces modèles de base entrent en jeu. |
| |
Le premier ici s’appelle l’indice d’ajustement comparatif. En fait, cela va de zéro à un. Vous pouvez voir ici que un est la valeur d'un modèle parfaitement ajusté et zéro est la valeur d'un modèle d'ajustement vraiment médiocre, le modèle d'indépendance. |
| |
Et |
| |
Je continue de trier ça par accident. D'accord, alors que signifie cet indice pour notre propre modèle, un .9395. C'est la proportion, c'est oui, c'est une proportion de la façon dont nous faisons mieux avec notre modèle |
| |
par rapport au modèle d’indépendance. C'est donc simplement que nous sommes, vous savez, environ 94 % meilleurs que le modèle indépendantiste, ce qui est plutôt bien. |
| |
Les lignes directrices indiquent qu'un CFI de 0,9 ou plus est acceptable. Nous voulons généralement qu’il soit aussi proche que possible de un et 0,95 est idéal. |
| |
Nous avons également alors ce RMSCA, l'erreur quadratique principale d'approximation, qui représente le degré d'inadaptation par degré de liberté. |
| |
Et donc nous voulons que ce soit très petit. Il varie également de zéro à un. Et vous voyez ici, notre modèle a 0,07, environ 0,08, |
| |
et d'une manière générale, 0,1 ou moins est bon, adéquat, et c'est ce que nous voulons voir. Et puis, au cours du trajet, nous obtenons certaines limites de confiance autour de cette statistique. Donc |
| |
ce que cela suggère, c'est qu'en effet le modèle est un bon ajustement... est un modèle d'ajustement acceptable et nous allons donc continuer et essayer de l'interpréter. |
| |
Mais il est très important d'évaluer l'adéquation du modèle avant d'entrer réellement dans les détails du modèle, car nous n'apprendrons pas grand-chose, ou du moins pas beaucoup d'informations utiles si notre modèle ne s'adapte pas bien dès le départ. |
| |
Très bien, donc, comme il s'agit d'une analyse factorielle confirmatoire, nous allons trouver cela très utile à montrer (je fais un clic droit ici), et maintenant je vais montrer les estimations standardisées sur le diagramme. D'accord. Cela signifie que nous allons avoir |
| |
des estimations ici pour les chargements factoriels qui sont dans la métrique de corrélation, ce qui est vraiment utile et important pour interpréter ces chargements dans l'analyse factorielle. |
| |
Cette valeur ici va également être redimensionnée afin qu'elle représente la corrélation réelle entre ces deux variables latentes, qui dans ce cas est |
| |
point important de corrélation. Dans le menu du triangle rouge, nous pouvons également trouver les coefficients des paramètres standardisés sous forme de tableau afin d'obtenir plus de détails sur les erreurs standard et la statistique Z, etc. |
| |
Mais vous pouvez voir ici que toutes ces valeurs sont assez… vous savez qu’elles sont plutôt acceptables. Il s'agit de la corrélation entre la variable observée et la variable latente. |
| |
Et ils sont généralement compris entre 0,48 et 0,8 environ ici. Ce sont donc des valeurs plutôt correctes. Nous voulons qu'ils soient le plus élevés possible. |
| |
Et une autre chose que vous remarquerez ici à propos de nos diagrammes, qui est une fonctionnalité de JMP pro 16, c'est que |
| |
ces variables observées ont un peu d'ombre, une petite zone grise ici, qui représente en fait la quantité ou la partie de |
| |
variance expliquée par la variable latente. C'est vraiment cool, parce que vous pouvez vraiment voir visuellement, grâce au petit ombrage, les variables des menaces symboliques. |
| |
en fait, leur variance est davantage expliquée par la variable latente. Il s’agit donc peut-être d’un meilleur facteur que le facteur de menace réaliste, simplement basé sur l’examen de l’ampleur de la variance expliquée. |
| |
Je souhaite maintenant attirer votre attention sur une option appelée évaluer le modèle de mesure et qui va être très utile pour nous permettre de comprendre si |
| |
les questions, les questions individuelles de cette enquête sont en fait de bonnes questions. |
| |
Nous savons que, sur la base des statistiques... de la fiabilité des indicateurs, nous voulons que nos questions soient fiables et c'est ce que nous envisageons de ce côté-ci. Alors remarquez, nous donnons un peu |
| |
ligne ici pour un seuil suggéré de ce qui est une bonne fiabilité acceptable pour chacune de ces questions et vous pouvez voir en fait que la menace symbolique est une meilleure |
| |
Là, on dirait que ça va un peu mieux. Les questions sont plus fiables par rapport à la menace réaliste. Mais d'une manière générale, ils sont tous les deux plutôt bons |
| |
Vous savez, le fait qu’ils ne dépassent pas les limites n’est pas terrible. Je veux dire, ils sont là... ces deux questions concernent le |
| |
seuil adéquat auquel on pourrait s’attendre pour la fiabilité de l’indicateur. Nous avons également ici des statistiques qui nous renseignent sur la fiabilité du composite. En d'autres termes, si nous devions saisir toutes ces questions et |
| |
peut-être saisir toutes ces questions pour une menace réaliste et nous obtiendrons un score moyen pour toutes ces réponses |
| |
par individu, ce serait un composite pour une menace réaliste et nous pourrions faire la même chose pour une menace symbolique. |
| |
Et donc ce que nous avons ici est cet indice de fiabilité. Soit dit en passant, tous ces indices vont de zéro à un. |
| |
Et donc nous voulons qu'ils soient aussi proches que possible parce que nous voulons qu'ils soient très fiables et nous voyons ici que ces deux éléments |
| |
les composites ont une fiabilité adéquate. Ils sont donc bons en termes d’utilisation d’un score moyen pour d’autres analyses. |
| |
Nous avons également construit une fiabilité maximale et ce sont davantage les valeurs de fiabilité des variables latentes elles-mêmes plutôt que |
| |
créer des moyennes. Ces valeurs seront donc toujours un peu plus élevées, car lorsque vous utilisez des variables latentes, vous obtiendrez de meilleures mesures. |
| |
La matrice de validité de construit nous donne une tonne d’informations utiles. La clé ici est que le triangle inférieur présente simplement la corrélation entre les deux facteurs dans ce cas. |
| |
Mais les valeurs dans la diagonale représentent la variance moyenne extraite sur tous les indicateurs du facteur. |
| |
Et donc ici, vous voyez que les menaces symboliques ont en moyenne plus de variance expliquée que les menaces réalistes, mais elles ont toutes deux des valeurs substantielles ici, ce qui est une bonne chose. |
| |
Et plus important encore, nous voulons que ces valeurs diagonales soient plus grandes que le triangle supérieur, car le triangulaire supérieur représente les barrières qui se chevauchent entre les deux facteurs. |
| |
Et vous pouvez l’imaginer, nous voulons que les facteurs se chevauchent et varient davantage avec leurs propres indicateurs qu’avec d’autres. |
| |
construire avec un facteur différent. Et donc ceci ici, avec toutes ces autres statistiques |
| |
sont une bonne preuve que l'enquête nous donne des réponses valables et fiables et que nous pouvons en fait l'utiliser pour approfondir d'autres questions. Et c'est donc ce que nous allons faire ici. Nous allons clôturer cela et je vais |
| |
exécuter un modèle différent, nous allons relancer notre plateforme, mais cette fois je vais utiliser... |
| |
J'ai ici quelques variables que j'ai créées. Ces deux-là sont |
| |
composites, ce sont des moyennes pour toutes les questions liées aux menaces réalistes et symboliques. J'ai donc ces scores composites ici. |
| |
Et je vais les modéliser avec... J'ai une mesure de l'anxiété. J'ai une mesure pour l'affect négatif. Et on peut aussi ajouter un peu du CDC |
| |
adhérence. Il s’agit donc de savoir si les gens adhèrent aux recommandations du CDC et aux comportements de santé publique. Et donc nous allons lancer la plateforme avec toutes ces variables. |
| |
Et ce que je veux faire ici, c'est peut-être me concentrer sur l'ajustement d'un modèle de régression. J'ai donc sélectionné ces variables, mes prédicteurs, mes résultats. Et je clique simplement sur la flèche à une tête pour le configurer. Maintenant, le modèle n'est pas entièrement... |
| |
correctement spécifié car nous voulons nous assurer que nos deux. |
| |
Covid |
| |
menaces ici, nous voulons nous assurer qu'elles covarient les unes avec les autres, car nous n'avons aucune raison de supposer qu'elles ne covarient pas. |
| |
Même chose pour le résultat, ils doivent varier parce que nous ne voulons pas imposer de restrictions étranges quant à leur orthogonalité. |
| |
Et donc ici, il s’agit essentiellement d’une analyse de chemin. Il s'agit d'une analyse de régression multiple multivariée. Et donc nous pouvons simplement le mettre ici, régression multivariée, et nous allons continuer avec cela et exécuter notre modèle. |
| |
D'accord. Alors remarquez cela parce que nous nous adaptons à chaque... |
| |
nous n'avons aucun degré de liberté car nous avons estimé chaque variance et covariance entre les données. Donc, même si cette suggestion convient parfaitement, |
| |
tout ce que nous avons fait jusqu'à présent, c'est d'adapter un modèle de régression. Et ce que je veux faire pour vraiment souligner cela, c'est vous montrer... Je vais changer la disposition de mon diagramme |
| |
pour qu'il soit plus facile de montrer... les associations entre les deux types de menaces. Je veux masquer les variances et les covariances et vous pouvez voir ici, juste... |
| |
J'ai masqué les autres bords afin que nous puissions simplement nous concentrer sur les relations entre ces deux menaces et nos trois résultats. Maintenant, dans mon tableau de données, j'ai déjà ajusté un modèle d'ajustement, j'ai utilisé l'anxiété de la même manière |
| |
variable comme résultat et les deux mêmes menaces que les prédicteurs. Et je veux les mettre côte à côte parce que je veux vous montrer qu'en fait |
| |
les estimations de la régression de la prédiction de l'anxiété ici sont exactement les mêmes valeurs que celles que nous avons ici sur la plateforme SEM pour ces deux prédictions. |
| |
Et c'est ce à quoi nous devrions nous attendre. Ajuster le modèle, je veux dire, c'est une régression. Jusqu'à présent, nous faisons de la régression. |
| |
Techniquement, vous pourriez dire, eh bien, si je suis simplement à l'aise avec trois de ces modèles d'ajustement en utilisant ces trois résultats différents, alors qu'est-ce que SEM m'achète, c'est, c'est mieux. |
| |
Eh bien, il se peut que vous n'ayez besoin de rien d'autre et cela pourrait être très utile pour vos besoins, mais une caractéristique unique de SEM est que nous pouvons tester directement s'il y a |
| |
égalité... si les contraintes d'égalité dans le modèle sont tenables. Ce que nous entendons par là, c'est que je peux prendre ces deux effets (par exemple, les effets de menace réalistes et symboliques sur l'anxiété) et je peux utiliser ce bouton définir l'égalité pour imposer une contrainte d'égalité. Remarquez ici, |
| |
ces petites étiquettes indiquent que ces deux chemins auront un effet égal. Et nous pouvons alors |
| |
exécutez le modèle et nous pouvons maintenant sélectionner ces modèles dans notre tableau de comparaison de modèles et les comparer avec cette option de comparaison des modèles sélectionnés. |
| |
Et ce que nous obtiendrons, c'est un changement du chi carré. Nous voyons donc simplement le changement du chi carré d’un modèle à l’autre. Donc en gros, ça dit, d'accord, |
| |
le modèle va empirer car vous avez maintenant ajouté une contrainte. Vous avez donc acquis un certain degré de liberté, vous avez désormais davantage d’inadaptés, et la question est : est-ce que cet inadapté est significatif ? |
| |
La réponse dans ce cas est oui. Bien entendu, cela est influencé par la taille de l’échantillon. Nous examinons donc également la différence entre le CFI et le RMSEA et tout ce qui est égal ou supérieur à 0,01 suggère que |
| |
l’inadapté est trop difficile à ignorer. C'est un inadapté supplémentaire important ajouté par cette contrainte. |
| |
Alors maintenant que nous savons cela, nous pouvons dire directement... nous savons que c'est le modèle le mieux adapté, celui qui n'a pas cette contrainte et nous pouvons affirmer que les menaces réalistes ont un plus grand impact positif. |
| |
association avec l'anxiété par rapport aux menaces symboliques, qui ont également un effet positif significatif, mais qui n'est pas significatif, pas aussi fort que statistiquement, pas aussi fort que les menaces réalistes. D'accord. Et il y en a d'autres |
| |
effets intéressants que nous avons ici. Donc, ce que je vais faire alors que nous approchons de la fin de la session, c'est simplement attirer votre attention sur ce point intéressant. |
| |
effet ici où les deux types de menaces ont des effets différents sur l'adhésion aux comportements du CDC. Et l'article vraiment |
| |
accorde beaucoup d’attention à cette découverte car, vous savez, ce sont deux menaces. Mais comme vous pouvez l'imaginer, ceux qui sentent que leur vie personnelle est menacée |
| |
leur santé ou des menaces pour leur sécurité financière, ils sont plus susceptibles de respecter les directives du CDC en matière de distanciation sociale et d'éviter les rassemblements sociaux, tandis que ceux qui |
| |
sentent que la menace est symbolique, une menace pour leurs valeurs sociales et culturelles, |
| |
ces personnes sont beaucoup moins susceptibles d’adhérer à ces comportements du CDC, peut-être parce qu’elles sentent que ces normes sociales et culturelles sont menacées. C'est donc une découverte intéressante et nous voyons qu'ici nous pouvons bien sûr tester l'équivalence d'un certain nombre d'autres chemins dans ce modèle. |
| |
D'accord, donc la dernière chose que je voulais faire était simplement de vous montrer (nous n'allons pas décrire ce modèle complet), mais je voulais vous montrer ce qui se passe lorsque vous réunissez les deux. |
| |
(agrandissons cela un peu) régression et analyse factorielle. |
| |
Pour vraiment utiliser tout le potentiel des modèles d'équations structurelles, vous devez modéliser vos variables latentes, nous avons ici les deux menaces comme variables latentes qui nous permettent de réellement purger l'erreur de mesure de celles-ci. |
| |
éléments d'enquête et associations de modèles entre les variables latentes, ce qui nous permet d'avoir des effets impartiaux parce que... effet non atténué... parce que nous tenons compte de l'erreur de mesure lorsque nous mesurons |
| |
le latant et les variables directement. Et remarquez, nous profitons du SEM, car nous examinons des associations séquentielles entre un certain nombre de facteurs différents et donc ici vous pouvez voir notre diagramme sympa qui |
| |
Je peux me déplacer pour essayer de vous montrer tous les effets sympas que nous avons et également souligner le fait que nos diagrammes sont |
| |
entièrement interactif, vraiment attrayant visuellement, et très rapidement nous pouvons identifier, vous savez, les effets significatifs en fonction du type de ligne par rapport aux effets non significatifs, dans ce cas, ces lignes pointillées. Et ainsi |
| |
encore une fois pour avoir vraiment toute la puissance du SEM, vous pouvez voir comment nous examinons ici ces menaces de variables latentes et examinons leurs associations avec un certain nombre d'autres |
| |
comportements de santé publique et avec des variables de bien-être. Et donc sur ce, je vais arrêter la démo ici et |
| |
que vous sachiez que nous avons un document vraiment utile en plus des slides, nous avons un très bon document que le testeur de notre plateforme, James Koepfler, a élaboré dans lequel il donne un tas de très bons conseils sur la façon d'utiliser notre plateforme, |
| |
de la spécification du modèle aux conseils sur la façon de comparer les modèles, ce qu'il convient d'examiner, ce qu'est un modèle imbriqué, toutes ces informations, je pense que vous les trouverez très utiles si vous décidez d'utiliser |
| |
la plateforme. Je vous suggère donc vivement de vous rendre sur la communauté JMP pour obtenir ces documents qui complètent la présentation. Et sur ce, je vais conclure et nous répondrons aux questions une fois que tout sera mis en ligne. Merci beaucoup. |
