扬声器
|
成绩单
|
| 劳拉·卡斯特罗-斯基洛 |
大家好。 欢迎。 本次会议的全部内容都是关于结构方程建模的基础知识，我将尝试为您提供足够的工具，让您能够感到舒适 |
| |
使用结构方程建模平台和 JMP Pro 指定模型并解释模型拟合结果。 |
| |
现在我们要做的是首先向您介绍什么是结构方程建模，特别是利用它与因子分析和回归分析的联系。 |
| |
然后我们将讨论如何在 SEM 中使用路径图以及它们在该建模框架中的重要作用。 |
| |
我将尽量保持简短的介绍，以便我们可以真正花时间在我们的实践示例上。 因此，在介绍之后，我将介绍我将用于演示的数据。 事实证明这些数据是 |
| |
关于对 Covid 19 病毒威胁的看法。 那么在介绍了这些数据之后， |
| |
我们将开始研究如何指定模型并在平台内解释其结果，特别是通过回答 |
| |
几个问题。 现在，这些问题将使我们能够接触到可以通过 SEM 完成的两项非常重要的技术。 一种是验证性因素分析，也是多元回归。 |
| |
最后，我将向您展示一个简短的内容 |
| |
我们将验证性因素模型、回归模型结合在一起，这样您就可以真正看到 SEM 的潜力，将其与您自己的数据一起用于您自己的工作。 |
| |
好吧，那什么是SEM呢？ 结构方程模型是因子分析和回归分析结合在一起的框架。 |
| |
从因素分析的角度来看，我们能够获得衡量我们无法直接观察到的事物的能力。 |
| |
在回归方面，我们能够检查变量之间的关系，无论它们是观察到的还是未观察到的。 因此，当您将这两个工具结合在一起时，我们最终会得到一个非常灵活的框架，即 SEM，我们可以在其中适应许多不同的模型。 |
| |
路径图是 SEM 中的一个独特工具，因为所有统计结构方程模型，即实际模型，都可以通过图来描述。 所以我们只需要学习一些 |
| |
关于如何绘制这些图表的符号。 所以正方形代表观察到的变量， |
| |
圆圈代表潜在变量，方差或协方差用双头箭头表示，回归和载荷用 |
| |
用单向箭头表示。 现在，作为旁注，还有一个用于路径图的三角形。 |
| |
但这超出了我们今天要讨论的范围。 三角形用于表示均值和截距。 不幸的是，我们没有足够的时间来谈论我们可以用手段做的所有令人敬畏的事情。 |
| |
好吧。 但我也想向您展示一些基本的……构建块 |
| |
盒子里的 x 正在预测 y， |
| |
这也是在一个盒子里。 所以我们知道这些是观察到的变量，并且每个变量都有以自身开始和结束的双头箭头，这意味着这些变量是方差。 |
| |
对于 x，该箭头只是其变体，但对于 y，双头箭头表示残差方差。 |
| |
当然，现在您可能知道，在 SEM 中，结果既可以是结果，也可以是预测变量。 所以你可以想象有另一个变量 z y 也可以预测，这样我们就可以在一个模型中组合我们感兴趣的尽可能多的回归。 |
| |
构建 SEM 的第二个基本块是验证性因素模型，最基本的 |
| |
最基本的例子就在这里显示，我们指定一个因素或一个潜在变量，这是未被观察到的，但它是 |
| |
这里用指向 w、x 和 y 的箭头显示，因为潜在变量被认为会导致我们在 w、x 和 y 上看到的常见变异性。 |
| |
现在，这被称为验证性因素模型，它只是一个因素。 我认为理解因素分析中因素的区别非常重要 |
| |
透视和区分主成分或主成分分析，有时很容易混淆。 |
| |
因此，我将快速切入主题，从因子分析的角度向您展示因子与 PCA 的不同之处。 |
| |
所以这里这些方块代表观察到的变量，我们正在测量的东西，我在这里用蓝色着色 |
| |
每个观察变量的不同量，代表这些变量旨在测量的方差。 所以这有点像信号。 我的意思是，有 |
| |
我们真正感兴趣的是这个东西。 然后我们有这些灰色区域，它们代表来自其他来源的方差的比例。 它可以是系统方差，但它只是方差而不是 |
| |
我们希望它从测量仪器中获取什么。 所以，它包含 |
| |
来源是每个变量独有的方差，并且它们还包含测量误差。 |
| |
那么因子分析和 PCA 之间的区别在于，在因子分析中，潜在变量将仅捕获以下共同方差： |
| |
存在于所有这些观察到的变量中，这就是潜在变量所占的部分。 |
| |
这与 PCA 形成鲜明对比，PCA 的主成分代表可以用数据维度解释的最大方差量。 |
| |
所以你可以看到主成分将吸收尽可能多的方差 |
| |
这意味着由于我们打算测量的内容以及可能还有其他方差来源，将会出现方差合并。 所以这是一个非常重要的区别 |
| |
因为当我们想要衡量未观察到的变量时，因子分析确实是一个更好的选择，除非你知道我们的目标是否真的是降维，那么PCA就是一个理想的工具。 |
| |
另请注意，此处的箭头指向不同的方向。 这是因为在因子分析中，确实存在一个潜在的假设，即未观察到的变量导致了我们观察到的变异性。 |
| |
PCA 中的情况并非如此，因此您可以从图中看到这种区别。 所以每当我们谈论 |
| |
SEM 中的因子或潜在变量，我们很可能是从因子分析的角度讨论潜在变量。 现在这里有一个 |
| |
大型结构方程模型，我将之前展示的构建块中的许多不同元素组合在一起。 当我们看到数字时，因为我们已经估计了这个模型。 |
| |
您会看到观察到的变量正在预测其他变量。 我们有一些顺序关系，这意味着 |
| |
一个变量导致另一个变量，然后又导致另一个变量。 这也是一个有趣的例子，因为我们这里有一个潜在变量，它是由一些观察到的变量预测的。 但这个潜在变量也 |
| |
反过来，预测其他变量。 因此，这张图很好地说明了我们可以使用的许多用途，基本上是我们使用 SEM 的原因，包括我们想要在更大的范围内建模的五个未观察到的变量 |
| |
语境。我们或许想要考虑测量误差。 这很重要，因为潜在变量被消除了测量误差，因为它们只考虑了指标之间共有的方差。 |
| |
我们...如果您还需要研究变量之间的顺序关系，无论它们是观察到的还是未观察到的，SEM 都是一个很好的工具。 |
| |
最后，如果您有缺失数据，即使您只是进行回归，SEM 也非常有帮助，因为 |
| |
您可以获得的所有数据都将在估算过程中用于 SEM，至少在我们 JMP pro 中的算法中是这样。 |
| |
所以……这些都是使用 SEM 的重要原因。 现在我还想用这个图来介绍一些重要的术语，如果您认为 SEM 是一个，您肯定会多次遇到这些术语。 |
| |
您将在自己的工作中使用的工具。 所以我们讨论了观察到的变量。 在 SEM 行话中，这些也称为清单变量。 |
| |
存在潜在的变量。 还有一些变量称为外生变量。 在此示例中，只有两个。 |
| |
这些变量仅预测其他变量，它们与内生变量形成对比，内生变量实际上有预测它们的变量。 所以在这里，所有这些其他变量都是内生的。 |
| |
潜变量，它们指向的、它们预测的显变量，也称为潜变量指标。 |
| |
最后，我们从因子分析的角度讨论了独特的因子方差。 这些是一个因素的残余方差， |
| |
来自潜变量，这是潜变量无法解释的方差，并且表示该变量特有的系统方差加上测量误差的组合。 |
| |
好的。 |
| |
我发现，为了以更简单的方式理解结构方程建模，重要的是要将我们的注意力转移到认识到我们真正要处理的数据上。 |
| |
底层的建模是我们数据的协方差结构。 我们还对手段、手段结构进行建模，但这超出了今天演示的范围。 |
| |
但考虑这一点很重要，因为它会影响我们对数据的看法。 |
| |
您知道，我们习惯于查看数据表，我们有行，变量是我们的列，是的，那就是...... |
| |
这些数据可用于启动我们的 SEM 平台。 然而，我们的算法实际上是在分析这些变量的协方差结构。 因此，当您考虑数据时，这些数据实际上是 |
| |
在引擎盖下建模。 这对于我们考虑残差时也有影响，因为 SEM 中的残差与方差和协方差相关 |
| |
你知道，我们估计的那些，与我们样本中的那些相比。 因此，残差，我们再次需要将重点转移到我们习惯的内容上，从其他标准统计技术转向真正的残差 |
| |
让我们了解什么是结构方程模型。 诸如自由度之类的概念也将是关于协方差的自由度 |
| |
矩阵。因此，一旦我们将焦点转移，我认为理解结构方程模型就会容易得多。 |
| |
现在我想通过一个简短的例子来说明 SEM 估计是如何工作的。 所以通常我们所做的就是首先指定一个模型和最 |
| |
JMP Pro 和我们的 SEM 平台令人兴奋的一点是，我们可以直接通过路径图指定该模型，这使得它更加直观。 |
| |
因此，当我们绘制路径图时，我们正在做的是指定一个统计模型，该模型意味着 |
| |
数据的协方差矩阵的结构。 因此，该模型暗示了协方差结构，但是我们当然也可以访问样本协方差矩阵。 |
| |
因此，在估计过程中发生的事情是，考虑到模型告诉我们数据之间的关系，而不是变量内部的关系，我们尝试尽可能接近地匹配样本协方差的值。 |
| |
一旦我们有了模型估计，我们就可以使用它们来获得实际的 |
| |
我们可以将模型隐含的协方差矩阵与样本协方差矩阵进行比较。 因此，通过查看这两个矩阵之间的差异， |
| |
我们能够获得残差，这使我们能够了解我们的模型拟合或不拟合的程度。 简而言之，这就是结构方程建模的工作原理。 |
| |
现在我们已经完成了介绍。 因此，我想向您介绍一下我将在演示中使用的数据的一些背景信息。 |
| |
这些数据来自《社会、心理和人格科学杂志》最近发表的一篇文章。 |
| |
本文的作者想回答一个简单的问题。 他们问道：“Covid 19 的感知威胁如何影响我们的福祉和公共卫生行为？” 这个问题真正有趣的是，感知到的威胁 |
| |
Covid 19是一个非常抽象的概念。 这是一个我们没有工具来测量它的结构。 这是我们无法直接观察到的东西。 |
| |
这就是为什么在本文中，他们必须首先弄清楚如何衡量这些感知到的威胁。 |
| |
本文重点讨论了两种特定类型的威胁。 他们称之为第一个现实威胁，因为它们与人身或财务安全有关。 |
| |
还有象征性威胁，即对一个人的社会文化身份构成的威胁。 |
| |
所以他们实际上提出了这个最终的威胁量表，他们经历了非常严格的过程来制定这项调查，这个量表用来衡量现实威胁和象征性威胁。 |
| |
在这里你可以看到，人们必须回答冠状病毒的爆发对你的个人健康有多大威胁（如果有的话）， |
| |
你知道，美国经济，作为美国人意味着什么，美国的价值观和传统。 基本上，这些问题集中在两个不同的方面 |
| |
他们认为这种病毒的威胁是现实的，因为它涉及个人和财务健康问题。 |
| |
然后，象征性威胁更多地与社会文化成分有关。 所以你可以在这里看到所有这些问题。 |
| |
我们从他们所做的三项研究之一中获得了数据。 这些数据来自 550 名参与者，他们回答了所有这些问题以及许多其他调查，因此我们将能够在我们的演示中使用这些数据。 |
| |
我们将回答一些非常具体的问题。 第一个是，我们如何衡量对 Covid 19 威胁的看法。 我们感兴趣的威胁有两种类型。 问题是，鉴于这是一个如此抽象的概念，我们该如何做到这一点。 |
| |
这将带我们讨论验证性因素分析以及评估调查有效性和可靠性的方法。 |
| |
我们不打算谈论的一件事是第一步，即探索性因素分析。 这是我们在 SEM 之外所做的事情 |
| |
这是制定新量表或新调查的第一步，但在这里我们将从验证性因素分析步骤开始。 |
| |
第二个问题是对 Covid 19 威胁的看法是否可以预测健康和公共卫生行为？ 这将带我们更多地讨论回归概念。 |
| |
最后，每种威胁对结果的影响是否相同？ 这就是我们要了解的非常独特的地方 |
| |
SEM 的有用功能，使我们能够对模型中的不同效应施加等式约束，并能够进行系统的模型比较来回答这些类型的问题。 |
| |
好的，现在是我们的演示时间了。 那么，让我继续向您展示我已经在此处打开的数据。 |
| |
请注意，我的数据表有大量列，因为参与者进行了许多不同的调查 |
| |
已回复，但这里的前 10 列是这些问题，或者是我在该调查中向您展示的问题的答案。 |
| |
所以我们要做的是去分析，多元方法，结构方程模型，我们将使用这些 |
| |
调查的答案。 对于所有 10 个项目，我们将单击模型变量，以便我们可以使用这些数据启动我们的平台。 |
| |
现在，我有一个数据表，每行有一个观察值。 这就是宽数据格式，这就是我将要使用的格式。 |
| |
但请注意，还有另一个用于汇总数据的选项卡。 因此，如果您只有相关或协方差矩阵，您现在可以将其输入...好吧，您将能够在 JMP 16 中执行此操作， |
| |
JMP Pro 16 是另一种选择，因为请记住，归根结底，我们真正要做的是对协方差结构进行建模。 因此您可以使用汇总数据来启动该平台。 |
| |
好吧，让我们继续并单击“确定”。 我们首先看到的是这个模型规范窗口，它允许我们做各种有趣的事情。 |
| |
让我们看看，在最右边我们有图表，请注意我们的图表有一个默认规范。 所以我们的变量 |
| |
都有双头箭头，这意味着它们都有差异 |
| |
他们也有一个平均值，但请注意，如果我右键单击此处的画布，我会得到一些选项来显示平均值或截距。 所以 |
| |
再说一次，这超出了今天的范围，所以我将隐藏这些内容，但要知道平台中的默认模型对于我们观察到的每个变量都有差异和平均值。 |
| |
列表选项卡包含与图表相同的信息，但采用列表格式，它将拆分您的 |
| |
基于其类型的路径或效果。 我们还有一个状态步骤，可以为您提供有关您当时拥有的模型的大量信息。 所以现在，它告诉我们， |
| |
你知道，我们拥有的自由度，因为这是我们在这里指定的模型只是默认模型。 你知道，它还告诉我们数据详细信息和其他有用的信息。 |
| |
请注意，如果您的模型存在问题，此处的小复选标记会发生变化。 因此，当您指定模型时，如果我们遇到看起来有问题或错误的内容，此选项卡的颜色和类型将发生变化 |
| |
因此，希望可以帮助您解决模型规范的任何类型的问题。 |
| |
好的，在最左边，我们有一个用于输入型号名称的区域。 我们还有往返列表。 所以这使得在这里选择变量变得非常容易， |
| |
在从角色中，然后在目标角色中，无论这些角色在哪里。 我们可以用单头箭头或双头箭头将它们连接起来，我们知道，它们是回归或载荷或方差或协方差。 |
| |
现在就我们现在的情况而言，我们真的想弄清楚如何衡量这种未被观察到的对 Covid 19 的认知结构 |
| |
威胁。我知道我这里的前五项是对作者标记为现实威胁的问题的答案。 所以我要选择那些 |
| |
变量，现在我们将把潜在变量的默认名称更改为“现实”，因为这将是现实威胁潜在变量。 所以我点击加号按钮。 请注意，我们会自动为您提供 |
| |
这一验证性因素模型具有一个现实威胁因素。 这里一个有趣的观察是，第一次加载时有一个 1 |
| |
这表明在这条路径上，潜变量对第一个观察到的变量的影响固定为 1。 |
| |
我们需要它，否则我们的模型将无法被识别。 |
| |
因此，默认情况下，我们会将您的第一次加载修复为一个，以便识别模型并能够获得您的所有估计。 |
| |
另一种方法是将潜在变量的方差固定为 1，这也有助于识别模型，但这取决于您的选择。 |
| |
好的，我们有了一个现实威胁的模型。 现在我要选择那些象征性威胁，我将其称为象征性威胁，我们将继续并添加 |
| |
我们的潜在变量。 我改变了我的决心。 所以现在我们看到的情况比我预期的要少一些。 但我们开始了。 这就是我们的模型。 现在 |
| |
我们可能想要 |
| |
指定，这实际上非常重要， |
| |
现实和象征性的威胁。 我们希望这些变量能够变化、共同变化，因此，我们将在“来源”和“目标”列表中选择它们，然后单击双头箭头来添加该协方差。 |
| |
请注意，这是我们完整的两因素验证性因素分析。 所以我们可以命名我们的模型并准备好运行。 因此，让我们继续并单击“运行”。 |
| |
我们很快就得到了所有的估计。 一切都在这里。 现在 |
| |
不过，我想提请您注意的是型号比较表。 原因是我们希望在尝试解释结果之前确保我们的模型非常适合。 |
| |
那么让我们来谈谈这个表中显示的内容。 首先让我们注意，这里有两个模型我们不适合，但平台在启动时默认适合它们。 |
| |
我们将它们用作参考，即我们可以用来比较模型的基线。 我将在这里向您展示不受限制的模型， |
| |
它是什么，如果我们让每个变量都相互共变，那就是无限制模型。 换句话说，这是我们在配合方面能做到最好的基线。 |
| |
现在，卡方统计量表示模型中的失配量。 因为我们在这里没有任何限制地估计每一个可能的方差和协方差， |
| |
这就是卡方为零的原因。 现在，我们的自由度也为零，因为我们正在估计一切。 所以它是一个完美拟合的模型，它可以作为......的基线。 |
| |
作为了解我们能做到最好的事情的基准。 |
| |
好吧，那么独立模型实际上就是我们第一次启动平台时默认的模型。 因此，这是最坏情况的基线，也许不是最坏的情况，但却是一个非常糟糕的模型。 |
| |
这是变量彼此完全不相关的情况。 您确实可以看到卡方统计量跃升至约 2000 个单位。 当然，我们现在有 45 个自由度，因为我们在这个模型中根本没有进行太多估计。 |
| |
最后，我们有自己的两因素验证因素模型，我们还看到卡方很大，为 147 |
| |
具有 34 个自由度。 它比独立模型小很多，所以值得庆幸的是，我们做得更好，但它仍然是一个显着的卡方，表明数据存在显着的不拟合。 |
| |
现在，SEM 面临一项重大挑战。 过去，人们意识到卡方会受到影响，它受到样本量的影响。 这里我们有 550 个观察结果。 所以即使是非常合身的模型也很可能会有一点 |
| |
由于样本量很大，结果很重要。 因此，我们开发了 SEM 独有的拟合指数，使我们能够评估模型拟合度，而不管卡方如何，这就是这些基线模型的用武之地。 |
| |
这里的第一个称为比较适合指数。 实际上它的范围是从零到一。 您可以在此处看到，1 是完美拟合模型的值，0 是非常差的拟合模型（独立模型）的值。 |
| |
和 |
| |
我一直无意中对这个进行排序。 好的，那么这个指数对于我们自己的模型来说意味着 0.9395。 这是比例，是的，这是我们的模型做得更好的比例 |
| |
与独立模型相比。 所以这只是，你知道，比独立模型好 94%，这非常好。 |
| |
准则规定 CFI 为 0.9 或更高是可以接受的。 我们通常希望它尽可能接近 1，0.95 是理想的值。 |
| |
然后我们还有 RMSCA，即近似的主平方根误差，它表示每个自由度的失配量。 |
| |
所以我们希望它非常小。 它的范围也从零到一。 你看，我们的模型有 0.07，大约 0.08， |
| |
一般来说，0.1 或更低是好的，足够了，这就是我们希望看到的。 然后，在这一过程中，我们对这一统计数据有了一些信心限制。 所以 |
| |
这表明该模型确实是一个很好的拟合...是一个可接受的拟合模型，因此我们将继续尝试解释它。 |
| |
但在真正了解模型的细节之前评估模型拟合度非常重要，因为如果我们的模型从一开始就不太适合，我们就不会学到太多，或者至少不会学到很多有用的信息。 |
| |
好吧，因为这是验证性因素分析，所以我们会发现它非常有用（我右键单击此处），现在我将在图表上显示标准化估计值。 好的。 这意味着我们将有 |
| |
此处估计相关性度量中的因子载荷，这对于解释因子分析中的这些载荷非常有用且重要。 |
| |
这里的这个值也将被重新调整，以便它代表这两个潜在变量之间的实际相关性，在这种情况下是 |
| |
相关性的实质点。 在红色小三角菜单中，我们还可以以表格形式找到标准化参数系数，这样我们就可以获得有关标准误差和Z统计量等更多详细信息。 |
| |
但您可以在这里看到所有这些值都相当......您知道它们是相当可以接受的。 它们是观察变量和潜在变量之间的相关性。 |
| |
这里的值通常约为 0.48 至 0.8 左右。 所以这些都是相当不错的价值观。 我们希望它们尽可能高。 |
| |
关于我们的图表（JMP pro 16 的一项功能），您会注意到的另一件事是 |
| |
这些观察到的变量有一点阴影，这里有一点灰色区域，它实际上代表了 |
| |
由潜变量解释的方差。 所以这真的很酷，因为你真的可以从小阴影中直观地看到象征性威胁的变量 |
| |
实际上有更多的方差是由潜变量解释的。 因此，仅根据解释了多少方差，这也许是比现实威胁因素更好的因素。 |
| |
现在我想提请您注意一个称为评估测量模型的选项，这将非常有帮助，让我们了解是否 |
| |
调查中的问题、个别问题实际上都是好问题。 |
| |
我们知道，基于统计数据……指标的可靠性，我们希望我们的问题是可靠的，这就是我们在这一方面所绘制的。 所以请注意我们给出了一点 |
| |
此处列出了对于这些问题中的任何一个问题的可接受可靠性的建议阈值，事实上，您可以看到象征性威胁是更好的 |
| |
看来那里做得好一些。 与现实威胁相比，这些问题更可靠。 但总体来说，两个都还不错 |
| |
你知道，他们没有越界这一事实并不可怕。 我的意思是，他们就在……这两个问题围绕着 |
| |
我们期望指标可靠性的足够阈值。 我们这里还有统计数据可以告诉我们复合材料的可靠性。 换句话说，如果我们抓住所有这些问题并 |
| |
也许抓住所有这些问题来寻找现实的威胁，我们会得到所有这些答案的平均分 |
| |
对于个人来说，这将是现实威胁的综合，我们可以对象征性威胁做同样的事情。 |
| |
所以我们这里有的是可靠性指数。 顺便说一下，所有这些指数的范围都是从零到一。 |
| |
所以我们希望它们尽可能接近，因为我们希望它们非常可靠，我们在这里看到这两者 |
| |
复合材料具有足够的可靠性。 因此，他们擅长使用平均分进行其他分析。 |
| |
我们还构造了最大可靠性，这些更多的是潜在变量本身的可靠性值，而不是 |
| |
创造平均值。 因此，我们总是将这些值设置得更高一些，因为当您使用潜在变量时，您将获得更好的度量。 |
| |
构造有效性矩阵为我们提供了大量有用的信息。 这里的关键是，在这种情况下，下三角仅具有两个因素之间的相关性。 |
| |
但对角线中的值代表从该因子的所有指标中提取的平均方差。 |
| |
因此，在这里您可以看到，平均而言，象征性威胁比现实威胁具有更多可解释的方差，但它们都具有实质性价值，这很好。 |
| |
最重要的是，我们希望这些对角线值大于上三角形，因为上三角形代表两个因素之间的重叠障碍。 |
| |
你可以想象，我们希望这些因素与它们自己的指标比与其他一些指标有更多的重叠和方差 |
| |
用不同的因素构建。 所以就在这里，连同所有其他统计数据 |
| |
这些都是很好的证据，表明调查为我们提供了有效且可靠的答案，并且我们实际上可以用它来解决其他问题。 这就是我们要做的。 我们要结束这个，我要 |
| |
运行不同的模型，我们将重新启动我们的平台，但这次我将使用...... |
| |
我在这里创建了几个变量。 这两个是 |
| |
综合来看，它们是与现实和象征性威胁相关的所有问题的平均值。 所以我这里有这些综合分数。 |
| |
我将对这些进行建模……我有一个焦虑测量方法。 我有一个衡量负面影响的措施。 我们还可以添加一点 CDC |
| |
坚持。这些就是人们是否遵守疾病预防控制中心的建议、公共卫生行为。 因此，我们将推出具有所有这些变量的平台。 |
| |
我在这里想做的可能是专注于拟合回归模型。 所以我选择了这些变量、我的预测因素、我的结果。 我只需单击单向箭头即可进行设置。 现在模型还没有完全... |
| |
尚未正确指定，因为我们想确保我们的。 |
| |
冠状病毒 |
| |
对于这里的威胁，我们希望确保这些威胁彼此共变，因为我们没有任何理由假设它们不共变。 |
| |
与结果相同，它们需要共变，因为我们不想对它们的正交施加任何奇怪的限制。 |
| |
所以这本质上是一个路径分析。 这是一个多元多元回归分析。 所以我们可以把它放在这里，多元回归，我们将继续它并运行我们的模型。 |
| |
好的。 所以请注意，因为我们适合每个... |
| |
我们的自由度为零，因为我们已经估计了数据之间的每个方差和协方差。 因此，尽管这个建议非常合适， |
| |
到目前为止我们所做的只是拟合回归模型。 我想要真正强调的是向您展示...我将更改图表的布局 |
| |
为了更容易地显示...两种类型的威胁之间的关联。 我想隐藏方差和协方差，你可以在这里看到，只是...... |
| |
我隐藏了其他边缘，以便我们可以只关注这两个威胁对我们的三个结果的关系。 现在在我的数据表中，我已经使用拟合模型拟合了一个，我也使用了焦虑 |
| |
变量作为我的结果，同样的两个威胁作为预测变量。 我想把它们并排放置 因为我想向你展示事实上 |
| |
这里焦虑预测回归的估计值与我们在 SEM 平台中对这两个预测的值完全相同。 |
| |
这就是我们应该期待的。 拟合模型，我的意思是，这是回归。 到目前为止我们正在进行回归。 |
| |
从技术上讲，你可以说，好吧，如果我可以轻松地使用这三种不同的结果来运行其中的三个拟合模型，那么 SEM 给我买的是什么，那就更好了。 |
| |
嗯，可能，您可能不需要任何其他东西，这可能非常适合您的需求，但是 SEM 的一个独特功能是我们可以直接测试是否存在 |
| |
等式...模型中的等式约束是否成立。 因此，我们的意思是，我可以采用这两种效果（例如，对焦虑的现实和象征性威胁效果），并且我可以使用此设置相等按钮来施加相等约束。 注意这里， |
| |
这些小标签表明这两条路径将具有相同的效果。 然后我们就可以 |
| |
运行模型，我们现在可以在模型比较表中选择这些模型，并将它们与比较所选模型选项进行比较。 |
| |
我们将得到的是卡方的变化。 因此，我们只看到卡方从一个模型到下一个模型的变化。 所以这基本上是说，好吧， |
| |
该模型会变得更糟，因为您现在添加了约束。 所以你获得了一定程度的自由，你现在有更多的不适应，问题是，这种不适应很重要吗？ |
| |
在这种情况下，答案是肯定的。 当然，这受样本量的影响。 因此，我们还研究了 CFI 和 RMSEA 的差异，任何 0.01 或更大的值都表明 |
| |
这种不适应的情况是不容忽视的。 这是由这个约束增加的一个显着的额外不适应。 |
| |
所以现在我们知道了，我们可以直接说……我们知道这是更好的拟合模型，没有这种约束，我们可以断言现实的威胁具有更大的积极性 |
| |
与象征性威胁相比，与焦虑的关联也有积极的显着影响，但显着性不强，不如统计上的强，不如现实的威胁强。 好的。 还有其他的 |
| |
我们这里有有趣的效果。 因此，当会议即将结束时，我要做的就是提请您注意这个有趣的事情 |
| |
在这里，两种类型的威胁对遵守 CDC 行为有不同的影响。 而且文章确实 |
| |
非常关注这一发现，因为，你知道，这些都是威胁。 但正如你可能想象的那样，那些感到个人受到威胁的人 |
| |
健康或财务安全受到威胁时，他们更有可能遵守疾病预防控制中心关于保持社交距离和避免社交聚会的指导方针，而那些 |
| |
感到威胁是象征性的，是对其社会文化价值观的威胁， |
| |
这些人不太可能遵守疾病预防控制中心的行为，也许是因为他们感觉这些社会文化规范受到了威胁。 这是一个有趣的发现，我们看到在这里我们当然可以测试该模型中许多其他路径的等效性。 |
| |
好的，所以我想做的最后一件事就是向您展示（我们不会描述这个完整的模型），但我确实想向您展示当您将两者结合在一起时会发生什么 |
| |
（让我们把它放大一点）回归和因子分析。 |
| |
要真正发挥结构方程模型的全部潜力，您应该对潜在变量进行建模，我们在这里将这两种威胁作为潜在变量，这使我们能够真正消除这些威胁中的测量误差 |
| |
调查项目以及潜在变量之间的模型关联，这使我们能够产生无偏效应，因为……未衰减的效应……因为我们在测量时考虑了测量误差 |
| |
直接表示潜在变量和变量。 请注意，我们正在利用 SEM，因为我们正在研究许多不同因素之间的顺序关联，因此在这里您可以看到我们很酷的图表，其中 |
| |
我可以四处走动，尝试向您展示我们拥有的所有炫酷效果，并强调我们的图表是 |
| |
完全交互式，真正具有视觉吸引力，并且很快我们就可以根据线的类型识别显着影响与非显着影响（在本例中为这些虚线）。 所以 |
| |
再次为了真正发挥 SEM 的全部威力，您可以看到我们在这里如何研究潜在变量的威胁，并研究它们与许多其他变量的关联 |
| |
公共卫生行为和健康变量。 因此，我将在这里停止演示 |
| |
让您知道，除了幻灯片之外，我们还有一份非常有用的文档，我们平台的测试人员 James Koepfler 整理了一份非常棒的文档，他在其中给出了一系列关于如何使用我们平台的非常好的技巧， |
| |
从指定模型，到如何比较模型的提示，什么是合适的，什么是嵌套模型，所有这些信息我认为如果您决定使用，您会发现非常有价值 |
| |
该平台。 因此，绝对建议您前往 JMP 社区获取这些对演示文稿进行补充的材料。 至此，我将结束它，一旦这一切上线，我们将回答问题。 非常感谢。 |
