Altoparlante
|
Trascrizione
|
| Laura Castro-Schilo |
Ciao a tutti. Benvenuto. Questa sessione riguarda l'ABC della modellazione di equazioni strutturali e quello che cercherò è di lasciarti con strumenti sufficienti per poterti sentire a tuo agio |
| |
specificare modelli e interpretare i risultati dell'adattamento dei modelli utilizzando la piattaforma di modellazione di equazioni strutturali e JMP Pro. |
| |
Ora quello che faremo è iniziare fornendovi un'introduzione su cosa sia la modellazione di equazioni strutturali e in particolare attingendo alle connessioni che ha con l'analisi fattoriale e l'analisi di regressione. |
| |
E poi parleremo un po' di come i diagrammi di percorso vengono utilizzati nel SEM e del loro ruolo importante all'interno di questo quadro di modellazione. |
| |
Cercherò di mantenere l'introduzione breve in modo da poter davvero dedicare tempo ai nostri esempi pratici. Quindi, dopo l'introduzione, presenterò i dati che utilizzerò a scopo dimostrativo. Si scopre che questi dati lo sono |
| |
sulla percezione delle minacce del virus Covid 19. Quindi, dopo aver introdotto questi dati, |
| |
inizieremo a esaminare come specificare i modelli e interpretarne i risultati all'interno della piattaforma, in particolare rispondendo |
| |
alcune domande. Ora, queste domande ci permetteranno di toccare due tecniche molto importanti che possono essere eseguite con un SEM. Uno è l'analisi fattoriale confermativa e anche la regressione multivariata. |
| |
E per concludere, ti mostrerò solo un riassunto |
| |
modello in cui riuniamo sia il modello fattoriale confermativo che i modelli di regressione e in questo modo puoi davvero vedere il potenziale che il SEM ha per utilizzarlo con i tuoi dati per il tuo lavoro. |
| |
Va bene, allora cos'è il SEM? La modellazione di equazioni strutturali è un quadro in cui l'analisi fattoriale e l'analisi di regressione si uniscono. |
| |
E dal punto di vista dell'analisi fattoriale, ciò che siamo in grado di ottenere è la capacità di misurare cose che non osserviamo direttamente. |
| |
E dal punto di vista della regressione, siamo in grado di esaminare le relazioni tra le variabili, siano esse osservate o non osservate. Quindi, quando mettiamo insieme questi due strumenti, ci ritroviamo con una struttura molto flessibile, che è il SEM, in cui possiamo adattare una serie di modelli diversi. |
| |
I diagrammi di percorso sono uno strumento unico all'interno del SEM, perché tutti i modelli statistici di equazioni strutturali, i modelli reali, possono essere rappresentati attraverso un diagramma. E quindi dobbiamo impararne solo alcuni |
| |
notazione su come vengono disegnati questi diagrammi. E quindi i quadrati rappresentano le variabili osservate, |
| |
i cerchi rappresentano le variabili latenti, le varianze o le covarianze sono rappresentate con frecce a doppia punta e le regressioni e i caricamenti sono rappresentati |
| |
rappresentato con frecce ad una punta. Ora, come nota a margine, c'è anche un triangolo che viene utilizzato per i diagrammi dei percorsi. |
| |
Ma questo esula dallo scopo di cui parleremo oggi. Il triangolo viene utilizzato per rappresentare medie e intercetta. E sfortunatamente, non abbiamo abbastanza tempo per parlare di tutte le cose fantastiche che possiamo fare anche con i mezzi. |
| |
Bene. Ma voglio anche mostrarvi alcuni fondamentali... tipi di elementi costitutivi di |
| |
x, che è in una scatola, prevede y, |
| |
che è anche in una scatola. Quindi sappiamo che quelle sono variabili osservate e ognuna di esse ha frecce a doppia punta che iniziano e finiscono su se stesse, il che significa che quelle sono varianze. |
| |
Per x, questa freccia rappresenta semplicemente le sue varianti, ma per y, le frecce a doppia punta rappresentano una varianza residua. |
| |
Ora, ovviamente, potresti sapere che nel SEM un risultato può essere sia un risultato che un predittore. Quindi puoi immaginare di avere un'altra variabile z che anche y potrebbe prevedere, in modo da poter mettere insieme tutte le regressioni che ci interessano all'interno di un modello. |
| |
Il secondo elemento base per la costruzione dei SEM sono i modelli fattoriali confermativi, quantomeno basilari |
| |
l'esempio più elementare di ciò è mostrato proprio qui, dove stiamo specificando un fattore o una variabile latente, che non è osservata ma è |
| |
è mostrato qui con le frecce che puntano verso w, x e y perché si pensa che la variabile latente causi la variabilità comune che vediamo attraverso w, x e y. |
| |
Ora, questo qui si chiama modello fattoriale confermativo, è solo un fattore. E penso che sia davvero importante comprendere le distinzioni di un fattore nel fattore analitico |
| |
prospettiva e distinguerla dalle componenti principali o dall’analisi delle componenti principali, che a volte è facile confondersi. |
| |
Quindi prenderò una breve tangente per mostrarti cosa c'è di diverso in un fattore dal punto di vista dell'analisi fattoriale e dall'PCA. |
| |
Quindi qui questi quadrati vogliono rappresentare le variabili osservate, le cose che stiamo misurando, e qui le ho colorate in blu |
| |
quantità diverse da ciascuna variabile osservata, che rappresenta la varianza che tali variabili intendono misurare. Quindi è un po' come il segnale. Voglio dire, c'è |
| |
sono queste le cose che ci interessano veramente. E poi abbiamo queste aree grigie che rappresentano una percentuale di varianza che proviene da altre fonti. Può essere una varianza sistematica, ma è semplicemente una varianza che non lo è |
| |
cosa vogliamo che rilevi dal nostro strumento di misura. Quindi contiene |
| |
le fonti sono varianze uniche per ciascuna di queste variabili e contengono anche errori di misurazione. |
| |
Quindi qual è la differenza tra analisi fattoriale e PCA è che nell'analisi fattoriale, una variabile latente catturerà solo la varianza comune che |
| |
esiste in tutte queste variabili osservate, e questa è la parte di cui tiene conto la variabile latente. |
| |
E questo è in contrasto con la PCA dove una componente principale rappresenta la quantità massima di varianza che può essere spiegata nelle dimensioni dei dati. |
| |
E quindi puoi vedere che la componente principale raccoglierà tutta la varianza che può spiegare |
| |
e ciò significa che ci sarà una fusione di varianza dovuta a ciò che intendevamo misurare e forse anche ad altre fonti di varianza. Quindi questa è una distinzione molto importante, |
| |
perché quando vogliamo misurare variabili non osservate, l'analisi fattoriale è davvero una scelta migliore, a meno che tu non sappia se il nostro obiettivo è davvero la riduzione della dimensione, allora la PCA è uno strumento ideale per questo. |
| |
Nota anche qui che le frecce puntano in direzioni diverse. E questo perché nell'analisi fattoriale c'è davvero il presupposto di fondo che quella variabile non osservata causa la variabilità che osserviamo. |
| |
E questo non è il caso in PCA, quindi puoi vedere questa distinzione qui dal diagramma. Quindi ogni volta che ne parliamo |
| |
un fattore o una variabile latente nel SEM, molto probabilmente stiamo parlando di una variabile latente da questa prospettiva dell'analisi fattoriale. Ora ecco un |
| |
modello di equazioni strutturali di grandi dimensioni in cui ho messo insieme una serie di elementi diversi da quelli costitutivi che ho mostrato prima. Quando vediamo i numeri perché abbiamo stimato questo modello. |
| |
E vedi che ci sono variabili osservate che predicono altre variabili. Abbiamo alcune relazioni sequenziali, il che significa che |
| |
una variabile porta a un'altra, che a sua volta porta a un'altra. Anche questo è un esempio interessante perché qui abbiamo una variabile latente che viene prevista da qualche variabile osservata. Ma anche questa variabile latente |
| |
a sua volta, predice altre variabili. E quindi illustra, questo diagramma illustra bene, una serie di usi che possiamo avere, fondamentalmente per ragioni che possiamo avere per usare il SEM, comprese le cinque variabili non osservate che vogliamo modellare all'interno di un modello più ampio |
| |
contesto. Vogliamo forse tenere conto dell'errore di misurazione. E questo è importante perché le variabili latenti vengono eliminate dagli errori di misurazione perché tengono conto solo della varianza che è in comune tra i loro indicatori. |
| |
Noi...se hai anche la necessità di studiare le relazioni sequenziali tra variabili, siano esse osservate o non osservate, SEM è uno strumento eccellente per questo. |
| |
E infine, se hai dati mancanti, il SEM può essere davvero utile anche se hai solo una regressione, perché |
| |
tutti i dati a tua disposizione verranno utilizzati in SEM durante la stima, almeno all'interno degli algoritmi di cui disponiamo in JMP pro. |
| |
Quindi... questi sono davvero ottimi motivi per utilizzare il SEM. Ora voglio utilizzare questo diagramma anche per introdurre alcuni termini importanti che sicuramente incontrerai più volte se decidi che SEM è un |
| |
uno strumento che utilizzerai nel tuo lavoro. Quindi abbiamo parlato di variabili osservate. Queste sono anche chiamate variabili manifeste nel gergo SEM. |
| |
Ci sono variabili latenti. Esistono anche variabili chiamate esogene. In questo esempio, ce ne sono solo due. |
| |
E quelle sono variabili che predicono solo altre variabili e sono in contrasto con le variabili endogene, che in realtà hanno variabili che le predicono. Quindi qui, tutte queste altre variabili sono endogene. |
| |
Le variabili latenti, le variabili manifeste a cui puntano, che prevedono, sono anche chiamate indicatori di variabili latenti. |
| |
Infine, abbiamo parlato della varianza fattoriale unica dal punto di vista dell'analisi fattoriale. E queste sono le varianze residue di un fattore, |
| |
da una variabile latente, che è una varianza che non è spiegata dalla variabile latente, e rappresenta sia la combinazione di varianza sistematica che è unica per quella variabile più l'errore di misurazione. |
| |
Va bene. |
| |
Ho scoperto che, per comprendere in modo un po' più semplice la modellazione delle equazioni strutturali, è importante spostare la nostra attenzione sulla consapevolezza che i dati che stiamo realmente ricavando |
| |
la modellazione nascosta è la struttura di covarianza dei nostri dati. Modelliamo anche i mezzi, la struttura dei mezzi, ma, ancora una volta, questo va oltre lo scopo della presentazione di oggi. |
| |
Ma è importante pensarci perché ha implicazioni su ciò che pensiamo siano i nostri dati. |
| |
Sai, siamo abituati a vedere le nostre tabelle di dati e abbiamo righe e variabili sono le nostre colonne, e sì, è così... |
| |
questi dati possono essere utilizzati per lanciare la nostra piattaforma SEM. Tuttavia, i nostri algoritmi, nel profondo, stanno effettivamente analizzando la struttura di covarianza di tali variabili. Quindi, quando pensi ai dati, questi sono davvero i dati che esistono |
| |
essere modellato sotto il cofano. Ciò ha implicazioni anche quando pensiamo ai residui, perché i residui in SEM sono rispetto a varianze e covarianze di |
| |
sai, quelli che stimiamo, in contrasto con quelli che abbiamo nel campione. Quindi, ancora una volta, sui residui abbiamo bisogno di spostare l'attenzione su ciò a cui siamo abituati, da altre tecniche statistiche standard a |
| |
comprenderemo cosa sono i modelli di equazioni strutturali. E cose...concetti come i gradi di libertà saranno anche gradi di libertà rispetto alla covarianza |
| |
matrice. E quindi, una volta effettuato questo spostamento di focus, penso che sia molto più semplice comprendere i modelli di equazioni strutturali. |
| |
Ora voglio esaminare un breve esempio di come funziona la stima SEM. E quindi di solito quello che facciamo è iniziare specificando un modello e altro ancora |
| |
La cosa interessante di JMP Pro e della nostra piattaforma SEM è che possiamo specificare il modello direttamente tramite un diagramma di percorso, il che lo rende molto più intuitivo. |
| |
E quindi quel diagramma del percorso, mentre lo stiamo disegnando, quello che stiamo facendo è specificare un modello statistico che implica il |
| |
struttura della matrice di covarianza dei dati. Quindi il modello implica quella struttura di covarianza, ma ovviamente abbiamo anche accesso alla matrice di covarianza campionaria. |
| |
E quindi ciò che accade durante la stima è che cerchiamo di far corrispondere i valori della covarianza del campione il più vicino possibile, dato ciò che il modello ci dice che le relazioni tra i dati sono, non all'interno delle variabili. |
| |
E una volta che abbiamo le stime del nostro modello, le usiamo per ottenere quelle effettive |
| |
matrice di covarianza implicita nel modello che possiamo confrontare con la matrice di covarianza del campione. Quindi, osservando la differenza tra queste due matrici, |
| |
siamo in grado di ottenere residui, che ci consentono di avere un'idea di quanto bene i nostri modelli si adattino o meno. Quindi, in poche parole, è così che funziona la modellazione delle equazioni strutturali. |
| |
Ora abbiamo finito con l'introduzione. E quindi voglio presentarvi, raccontarvi un po' di contesto per i dati che userò per la nostra demo. |
| |
Questi dati provengono da un articolo pubblicato di recente sul Journal of Social, Psychological and Personality Science. |
| |
E gli autori di questo articolo hanno voluto rispondere a una domanda semplice. Hanno detto: "In che modo le minacce percepite di Covid 19 influiscono sul nostro benessere e sui comportamenti di salute pubblica?" Ora, ciò che è veramente interessante in questa domanda è che le minacce percepite di |
| |
Il Covid 19 è un concetto molto astratto. È un costrutto per il quale non abbiamo uno strumento per misurarlo. È qualcosa che non osserviamo direttamente. |
| |
Ed è per questo che in questo articolo hanno dovuto prima capire come misurare le minacce percepite. |
| |
E l’articolo si concentrava su due tipi specifici di minacce. Le prime le chiamano minacce realistiche, perché riguardano la sicurezza fisica o finanziaria. |
| |
E anche minacce simboliche, che sono quelle minacce che si pongono alla propria identità socioculturale. |
| |
E così hanno effettivamente elaborato questa scala di minaccia finale, hanno seguito un processo molto rigoroso per sviluppare questo sondaggio, questa scala per misurare la minaccia realistica e la minaccia simbolica. |
| |
Qui potete vedere qui che le persone hanno dovuto rispondere a quale minaccia, se esiste, rappresenta l'epidemia del virus corona per la vostra salute personale, |
| |
sai, l'economia degli Stati Uniti, cosa significa essere americano, valori e tradizioni americane. Quindi, fondamentalmente, queste domande si concentrano su due diversi aspetti del |
| |
minaccia del virus, che viene definita realistica, perché riguarda problemi di salute personale e finanziaria. |
| |
E poi la minaccia simbolica riguarda più quella componente socio-culturale. Quindi puoi vedere tutte quelle domande qui. |
| |
E abbiamo ottenuto i dati da uno dei tre studi che hanno condotto. E quei dati di 550 partecipanti che hanno risposto a tutte queste domande oltre a una serie di altri sondaggi e quindi potremo utilizzare quei dati nella nostra demo. |
| |
E risponderemo ad alcune domande molto specifiche. Il primo è: come possiamo misurare la percezione delle minacce del Covid 19? Ci sono due tipi di minacce che ci interessano. E la domanda è: come possiamo farlo, dato che è un concetto così astratto? |
| |
E questo ci porterà a parlare di analisi fattoriale confermativa e di modi in cui possiamo valutare la validità e l’affidabilità delle nostre indagini. |
| |
Una cosa di cui non parleremo però è il primo passo, ovvero l'analisi fattoriale esplorativa. Questo è qualcosa che facciamo al di fuori del SEM |
| |
ed è qualcosa che dovrebbe essere fatto come il primo passo per sviluppare una nuova scala o una nuova indagine, ma qui riprenderemo dalla fase di analisi fattoriale confermativa. |
| |
Una seconda domanda è: la percezione delle minacce del Covid 19 prevede il benessere e i comportamenti di salute pubblica? E questo ci porterà a parlare più approfonditamente dei concetti di regressione. |
| |
E infine, gli effetti di ciascun tipo di minaccia sui risultati sono uguali? Ed è qui che impareremo qualcosa di davvero unico |
| |
caratteristica utile del SEM, che ci consente di imporre vincoli di uguaglianza su diversi effetti all'interno dei nostri modelli e di essere in grado di effettuare confronti sistematici tra modelli per rispondere a questo tipo di domande. |
| |
Ok, quindi è il momento della nostra demo. Quindi lasciami andare avanti e mostrarti i dati, che ho già aperto proprio qui. |
| |
Nota che le mie tabelle di dati hanno moltissime colonne, perché ci sono numerosi sondaggi diversi a cui partecipano |
| |
ho risposto, ma le prime 10 colonne qui sono quelle domande o le risposte alle domande che ti ho mostrato in quel sondaggio. |
| |
E quindi quello che faremo è analizzare metodi multivariati, modelli di equazioni strutturali e li useremo |
| |
risposte dal sondaggio. Faremo clic sulle variabili del modello per tutti e 10 gli elementi in modo da poter avviare la nostra piattaforma con tali dati. |
| |
Ora, in questo momento ho una tabella dati che ha un'osservazione per riga. Questo è il formato dati ampio ed è quello che userò. |
| |
Ma nota che c'è un'altra scheda per riepilogare i dati. Quindi, se hai solo la matrice di correlazione o covarianza, ora puoi inserirla in... beh, potrai farlo in JMP 16, |
| |
JMP Pro 16 e quindi questa è un'altra opzione perché, ricorda che alla fine, ciò che stiamo realmente facendo qui è modellare strutture di covarianza. Quindi puoi utilizzare i dati di riepilogo per avviare la piattaforma. |
| |
Va bene, quindi andiamo avanti e facciamo clic su OK. E la prima cosa che vediamo è questa finestra delle specifiche del modello che ci permette di fare un sacco di cose divertenti. |
| |
Vediamo, all'estrema destra qui abbiamo il diagramma e notiamo che il nostro diagramma ha una specifica predefinita. Quindi le nostre variabili |
| |
hanno tutti frecce a doppia punta, il che significa che hanno tutti una varianza |
| |
Hanno anche una media, ma nota se faccio clic con il pulsante destro del mouse sull'area di disegno qui e ottengo alcune opzioni per mostrare le medie o le intercettazioni. COSÌ |
| |
ancora una volta, questo esula dall'ambito di oggi, quindi li terrò nascosti, ma so che il modello predefinito nella piattaforma ha varianze e medie per ogni variabile che osserviamo. |
| |
La scheda elenco contiene le stesse informazioni del diagramma, ma in formato elenco e suddividerà il tuo |
| |
percorsi o effetti in base al loro tipo. Abbiamo anche una fase di stato che ti fornisce moltissime informazioni sul modello che hai in quel preciso momento. Quindi proprio ora, ci dice, |
| |
sai, i gradi di libertà che abbiamo, dato che questo è il modello che abbiamo specificato qui, è solo il modello predefinito. E ci dice anche, sai, dettagli sui dati e altre cose utili. |
| |
Nota che questo piccolo segno di spunta qui cambia se c'è un problema con il tuo modello. Pertanto, mentre specifichi il tuo modello, se riscontriamo qualcosa che sembra problematico o un errore, questa scheda cambierà colore e tipo |
| |
e quindi sarà utile, si spera, aiutarti a risolvere qualsiasi tipo di problema con le specifiche del modello. |
| |
Ok, all'estrema sinistra abbiamo un'area per avere il nome del modello. E abbiamo anche elenchi da e verso. E quindi questo rende molto semplice selezionare le variabili qui, |
| |
nel ruolo da e poi in a, ovunque possano essere. E possiamo collegarli con frecce a punta singola o a doppia punta, che sappiamo essere regressioni o caricamenti o varianze o covarianze. |
| |
Ora, per quanto riguarda il nostro caso in questo momento, vogliamo davvero capire come misurare questo costrutto di percezioni inosservato del Covid 19 |
| |
minaccia. E so che i primi cinque elementi che ho qui sono le risposte a domande che gli autori hanno etichettato come minacce realistiche. Quindi selezionerò quelli |
| |
variabili e ora qui cambieremo il nome predefinito da latente a realistico perché sarà la variabile latente della minaccia realistica. Quindi faccio clic sul pulsante più. E nota, te lo diamo automaticamente |
| |
questo modello fattoriale confermativo con un fattore per la minaccia realistica. Un'osservazione interessante qui è che c'è un 1 su questo primo caricamento |
| |
ciò indica che questo percorso, questo effetto della variabile latente sulla prima variabile osservata è fissato a uno. |
| |
E dobbiamo averlo, perché altrimenti il nostro modello non verrebbe identificato. |
| |
Quindi, per impostazione predefinita, fisseremo il tuo primo caricamento su uno per identificare il modello ed essere in grado di ottenere tutte le tue stime. |
| |
Un'alternativa sarebbe fissare la varianza della variabile latente su uno, il che aiuterebbe anche a identificare il modello, ma è una questione di scelta. |
| |
Va bene, quindi abbiamo un modello per una minaccia realistica. E ora selezionerò quelle che rappresentano una minaccia simbolica e la chiamerò simbolica e premeremo avanti e aggiungeremo |
| |
la nostra variabile latente per questo. Ho cambiato la mia risoluzione. E così ora stiamo vedendo un po’ meno di quanto mi aspettassi. Ma eccoci qui. C'è il nostro modello. Ora |
| |
potremmo volerlo |
| |
specificare, e questo è davvero molto importante, |
| |
minacce realistiche e simboliche. Ci aspettiamo che questi varino, co-varino e quindi li selezioneremo nel nostro elenco da e a e faremo clic sulla nostra freccia a doppia punta per aggiungere quella covarianza. |
| |
E quindi notate qui, questa è la nostra analisi fattoriale confermativa completa a due fattori. Quindi possiamo dare un nome al nostro modello e siamo pronti a correre. Quindi andiamo avanti e facciamo clic su Esegui. |
| |
E abbiamo tutte le nostre stime molto rapidamente. Tutto è qui. Ora |
| |
ciò su cui voglio attirare la tua attenzione, però, è la tabella comparativa dei modelli. E il motivo è che vogliamo essere sicuri che il nostro modello si adatti bene prima di tentare di interpretare i risultati. |
| |
Parliamo quindi di ciò che appare in questa tabella. Per prima cosa notiamo che qui ci sono due modelli che non abbiamo adattato ma che la piattaforma li adatta per impostazione predefinita al momento del lancio. |
| |
E li usiamo come una sorta di riferimento, una linea di base che possiamo usare per confrontare un modello. Il modello senza restrizioni che ti mostrerò qui, |
| |
di cosa si tratta, se avessimo ogni singola variabile che covaria tra loro, ecco proprio il modello senza restrizioni. In altre parole, è una linea di base per ciò che è meglio che possiamo fare in termini di adattamento. |
| |
Ora la statistica chi quadrato rappresenta la quantità di disadattamento in un modello. E poiché qui stiamo stimando ogni possibile varianza e covarianza senza alcuna restrizione, |
| |
ecco perché il chi quadrato è zero. Ora, abbiamo anche zero gradi di libertà perché stiamo stimando tutto. E quindi è un modello perfettamente calzante e serve come base per... |
| |
serve come base per capire qual è il meglio che possiamo fare. |
| |
Va bene, allora il modello di indipendenza è in realtà il modello che abbiamo qui come predefinito quando abbiamo lanciato la piattaforma per la prima volta. Quindi questo è un punto di riferimento per il peggio, forse non il peggio, ma un modello piuttosto pessimo. |
| |
È quello in cui le variabili sono completamente non correlate tra loro. E puoi vedere infatti che la statistica del chi quadrato salta a circa 2000 unità. Ma ovviamente ora abbiamo 45 gradi di libertà perché non stiamo stimando molto in questo modello. |
| |
E infine abbiamo il nostro modello fattoriale confermativo a due fattori e vediamo anche che il chi quadrato è grande, è 147 |
| |
con 34 gradi di libertà. È molto più piccolo del modello di indipendenza, quindi stiamo andando meglio, per fortuna, ma è comunque un chi quadrato significativo, suggerendo che c'è un significativo disadattamento nei dati. |
| |
Ora, ecco una grande sfida con il SEM. In passato le persone si rendevano conto che il chi quadrato è influenzato, è influenzato dalla dimensione del campione. E qui abbiamo 550 osservazioni. Quindi è molto probabile che anche i modelli che si adattano bene ne abbiano un po' |
| |
Si rivelerà significativo a causa dell’ampia dimensione del campione. Quindi quello che è successo è che sono stati sviluppati indici di adattamento esclusivi del SEM per permetterci di valutare l'adattamento del modello, indipendentemente dal chi quadrato, ed è qui che entrano in gioco questi modelli di base. |
| |
Il primo qui è chiamato indice di adattamento comparativo. In realtà varia da zero a uno. Qui puoi vedere che uno è il valore per un modello che si adatta perfettamente e zero è il valore per il modello che si adatta davvero poco, il modello di indipendenza. |
| |
E |
| |
Continuo a ordinarlo per sbaglio. Ok, allora cosa significa questo indice per il nostro modello: .9395. È la proporzione, sì, è una proporzione di quanto stiamo facendo meglio con il nostro modello |
| |
rispetto al modello indipendentista. Quindi questo è semplicemente migliore del 94% rispetto al modello di indipendenza, il che è abbastanza buono. |
| |
Le linee guida indicano che un CFI pari o superiore a 0,9 è accettabile. Di solito vogliamo che sia il più vicino possibile a uno e 0,95 è l'ideale. |
| |
Abbiamo poi anche questo RMSCA, la radice quadrata dell'errore di approssimazione, che rappresenta la quantità di disadattamento per grado di libertà. |
| |
E quindi vogliamo che questo sia molto piccolo. Varia anche da zero a uno. E vedete qui, il nostro modello ha .07, circa .08, |
| |
e in generale 0,1 o inferiore è buono, adeguato ed è ciò che vogliamo vedere. E poi durante il viaggio, otteniamo alcuni limiti di confidenza attorno a questa statistica. COSÌ |
| |
ciò che questo suggerisce è che in effetti il modello è un buon adattamento... è un modello di adattamento accettabile e quindi andremo avanti e proveremo a interpretarlo. |
| |
Ma è davvero importante valutare l'adattamento del modello prima di entrare nei dettagli del modello perché non impareremo molto, o almeno non molte informazioni utili se il nostro modello non si adatta bene fin dall'inizio. |
| |
Va bene, quindi, poiché questa è un'analisi fattoriale confermativa, troveremo molto utile mostrarla (faccio clic qui con il tasto destro del mouse) e ora mostrerò le stime standardizzate sul diagramma. Va bene. Ciò significa che avremo |
| |
stime qui per i caricamenti fattoriali presenti nella metrica di correlazione, che è davvero utile e importante per interpretare questi caricamenti nell'analisi fattoriale. |
| |
Anche questo valore verrà riscalato in modo da rappresentare la correlazione effettiva tra queste due variabili latenti, che in questo caso è |
| |
punto sostanziale di correlazione. Nel menu del triangolo rosso, possiamo anche trovare i coefficienti dei parametri standardizzati sotto forma di tabella in modo da poter ottenere maggiori dettagli sugli errori standard e sulla statistica Z e così via. |
| |
Ma qui puoi vedere che tutti questi valori sono abbastanza... sai che sono abbastanza accettabili. Sono la correlazione tra la variabile osservata e la variabile latente. |
| |
E generalmente sono tra 0,48 e 0,8 o giù di lì da queste parti. Quindi questi sono valori abbastanza decenti. Vogliamo che siano il più in alto possibile. |
| |
E un'altra cosa che noterai qui riguardo ai nostri diagrammi, che è una funzionalità di JMP Pro 16, è che |
| |
queste variabili osservate hanno un po' di ombreggiatura, una piccola area grigia qui, che in realtà rappresenta la quantità o la porzione di |
| |
varianza spiegata dalla variabile latente. Quindi è davvero bello, perché puoi davvero vedere solo visivamente dalle piccole ombreggiature che le variabili per le minacce simboliche |
| |
in realtà la loro varianza è spiegata maggiormente dalla variabile latente. Quindi forse questo è un fattore migliore rispetto al fattore di minaccia realistico, basato semplicemente sulla quantità di varianza spiegata. |
| |
Ora voglio attirare la vostra attenzione su un'opzione chiamata valutazione del modello di misurazione e che sarà molto utile per permetterci di capire se |
| |
le domande, le singole domande di quel sondaggio sono in realtà buone domande. |
| |
Sappiamo che sulla base dell'affidabilità statistica... dell'indicatore, vogliamo che le nostre domande siano affidabili ed è ciò che stiamo tramando da questa parte. Quindi notate che diamo un po' |
| |
linea qui per una soglia suggerita di quale sia l'affidabilità accettabile per ciascuna di queste domande e puoi vedere in effetti che la minaccia simbolica è migliore |
| |
Sembra che le cose vadano un po' meglio lì. Le domande sono più affidabili rispetto alla minaccia realistica. Ma in generale, sono entrambi abbastanza buoni |
| |
Sai, il fatto che non superino il limite non è terribile. Voglio dire, sono in giro... queste due domande sono in giro |
| |
soglia adeguata che ci aspetteremmo per l’affidabilità dell’indicatore. Abbiamo anche delle statistiche che ci dicono sull'affidabilità del composito. In altre parole, se dovessimo cogliere tutte queste domande e |
| |
magari prendi tutte queste domande per una minaccia realistica e otteniamo un punteggio medio per tutte quelle risposte |
| |
per individuo, sarebbe un composto per la minaccia realistica e potremmo fare lo stesso per quella simbolica. |
| |
E quindi quello che abbiamo qui è quell'indice di affidabilità. Tutti questi indici, tra l'altro, vanno da zero a uno. |
| |
E quindi vogliamo che siano il più vicini possibile a uno perché vogliamo che siano molto affidabili e qui vediamo che entrambi questi |
| |
i compositi hanno un’affidabilità adeguata. Quindi sono bravi in termini di utilizzo di un punteggio medio per altre analisi. |
| |
Abbiamo anche costruito l'affidabilità massima e questi sono più i valori di affidabilità per le variabili latenti stesse piuttosto che |
| |
creazione di medie. Quindi avremo sempre questi valori un po' più alti perché quando usi variabili latenti, avrai misure migliori. |
| |
La matrice di validità di costrutto ci fornisce moltissime informazioni utili. La chiave qui è che il triangolare inferiore ha semplicemente la correlazione tra i due fattori in questo caso. |
| |
Ma i valori nella diagonale rappresentano la varianza media estratta da tutti gli indicatori del fattore. |
| |
E quindi qui vedete che le minacce simboliche hanno in media una varianza più spiegata rispetto alle minacce realistiche, ma qui entrambe hanno valori sostanziali, il che è positivo. |
| |
E, cosa più importante, vogliamo che questi valori diagonali siano più grandi del triangolare superiore perché il triangolare superiore rappresenta le barriere sovrapposte tra i due fattori. |
| |
E potete immaginare che vogliamo che i fattori abbiano più sovrapposizioni e varianze con i propri indicatori che con altri |
| |
costruire con un fattore diverso. E quindi questo proprio qui, insieme a tutte queste altre statistiche |
| |
sono una buona prova che il sondaggio ci sta fornendo risposte valide e affidabili e che possiamo effettivamente utilizzarlo per rispondere ad altre domande. E quindi è quello che faremo qui. Lo chiuderemo e lo farò |
| |
eseguiamo un modello diverso, rilanceremo la nostra piattaforma, ma questa volta userò... |
| |
Ho un paio di variabili qui che ho creato. Questi due lo sono |
| |
compositi, sono le medie per tutte le domande relative a minacce realistiche e simboliche. Quindi ho quei punteggi compositi proprio qui. |
| |
E li modellerò insieme a...ho una misura per l'ansia. Ho una misura per l'affetto negativo. E possiamo anche aggiungere un po' del CDC |
| |
aderenza. Quindi questi sono se le persone aderiscono alle raccomandazioni del CDC, i comportamenti di salute pubblica. E quindi lanceremo la piattaforma con tutte queste variabili. |
| |
E quello che voglio fare qui è concentrarmi forse sull'adattamento di un modello di regressione. Quindi ho selezionato quelle variabili, i miei predittori, i miei risultati. E faccio semplicemente clic sulla freccia a una testa per configurarlo. Ora il modello non è completamente... |
| |
specificato correttamente ancora perché vogliamo assicurarci che entrambi i nostri file. |
| |
Covid |
| |
minacce qui, vogliamo assicurarci che covarino tra loro, perché non abbiamo alcun motivo di presumere che non covarino. |
| |
Lo stesso vale per il risultato, devono covariare perché non vogliamo imporre strane restrizioni sulla loro ortogonalità. |
| |
E quindi questa qui è essenzialmente un'analisi del percorso. È un'analisi di regressione multipla multivariata. E quindi possiamo semplicemente metterlo qui, regressione multivariata, e lo seguiremo ed eseguiremo il nostro modello. |
| |
Va bene. Quindi nota che, poiché ci adattiamo a ogni... |
| |
abbiamo zero gradi di libertà perché abbiamo stimato ogni varianza e covarianza tra i dati. Quindi, anche se questo suggerimento è perfetto, |
| |
tutto quello che abbiamo fatto finora è stato adattare un modello di regressione. E quello che voglio fare per enfatizzarlo davvero è mostrarti...che cambierò il layout del mio diagramma |
| |
per rendere più semplice mostrare... le associazioni tra entrambi i tipi di minaccia. Voglio nascondere varianze e covarianze e puoi vedere qui, solo... |
| |
Ho nascosto gli altri bordi in modo che possiamo concentrarci solo sulle relazioni che queste due minacce hanno sui nostri tre risultati. Ora nella mia tabella dati, ho già adattato un modello di adattamento, ho usato lo stesso ansia |
| |
variabile come risultato e le stesse due minacce come predittori. E voglio metterli fianco a fianco perché voglio mostrartelo in effetti |
| |
le stime per la regressione della previsione dell'ansia qui sono esattamente gli stessi valori che abbiamo qui nella piattaforma SEM per entrambe le previsioni. |
| |
Ed è quello che dovremmo aspettarci. Modello adatto, voglio dire, questa è regressione. Finora stiamo facendo una regressione. |
| |
Tecnicamente, potresti dire, beh, se solo, mi sento a mio agio nell'eseguire tre di quei modelli di adattamento utilizzando questi tre diversi risultati, allora cos'è che SEM mi sta comprando, è meglio. |
| |
Beh, potrebbe, potresti non aver bisogno di nient'altro e questo potrebbe essere ottimo per le tue esigenze, ma una caratteristica unica di SEM è che possiamo testare direttamente se ci sono |
| |
uguaglianza...se i vincoli di uguaglianza nel modello sono sostenibili. Ciò che intendiamo con questo è che posso prendere questi due effetti (ad esempio, effetti di minaccia realistici e simbolici sull'ansia) e posso usare questo pulsante Imposta uguale per imporre un vincolo di uguaglianza. Nota qui, |
| |
queste piccole etichette indicano che questi due percorsi avranno lo stesso effetto. E allora potremo |
| |
esegui il modello e ora possiamo selezionare quei modelli nella nostra tabella di confronto dei modelli e confrontarli con questa opzione di confronto dei modelli selezionati. |
| |
E quello che otterremo sarà un cambiamento nel chi quadrato. Quindi, vediamo solo il cambiamento del chi quadrato passando da un modello a quello successivo. Quindi questo in pratica dice, okay, |
| |
il modello peggiorerà perché ora hai aggiunto un vincolo. Quindi hai guadagnato un certo grado di libertà, ora hai più disadattati, e la domanda è: questo disadattato è significativo? |
| |
La risposta in questo caso è sì. Naturalmente, questo è influenzato dalla dimensione del campione. Quindi esaminiamo anche la differenza tra CFI e RMSEA e tutto ciò che è .01 o superiore suggerisce che |
| |
il disadattato è troppo per essere ignorato. È un significativo ulteriore disadattamento aggiunto da questo vincolo. |
| |
Quindi ora che lo sappiamo, possiamo dire direttamente... sappiamo che questo è il modello più adatto, quello che non aveva quel vincolo e possiamo affermare che le minacce realistiche hanno maggiori effetti positivi |
| |
associazione con l'ansia rispetto alle minacce simboliche, che hanno anche un effetto positivo significativo, ma non è forte in modo significativo, non così forte come statisticamente, non così forte come le minacce realistiche. Va bene. E ce n'è altro |
| |
effetti interessanti che abbiamo qui. Quindi quello che farò mentre ci avviciniamo alla fine della sessione è attirare la vostra attenzione su questo aspetto interessante |
| |
effetto quaggiù dove entrambi i tipi di minacce hanno effetti diversi sull'aderenza ai comportamenti del CDC. E l'articolo davvero |
| |
presta molta attenzione a questa constatazione perché, si sa, queste sono entrambe minacce. Ma come puoi immaginare, coloro che si sentono minacciati per la propria persona |
| |
salute o minacce alla loro sicurezza finanziaria, è più probabile che aderiscano alle linee guida del CDC sul distanziamento sociale e sull'evitare incontri sociali, mentre coloro che |
| |
sentono che la minaccia è simbolica, una minaccia ai loro valori socio-culturali, |
| |
quelle persone hanno molte meno probabilità di aderire a quei comportamenti del CDC, forse perché sentono che quelle norme sociali culturali sono minacciate. Quindi è una scoperta interessante e vediamo che qui possiamo ovviamente testare l'equivalenza di una serie di altri percorsi in questo modello. |
| |
Ok, quindi l'ultima cosa che volevo fare è semplicemente mostrarti (non descriveremo questo modello completo), ma volevo mostrarti cosa succede quando metti insieme entrambi |
| |
(ingrandiamolo un po') regressione e analisi fattoriale. |
| |
Per utilizzare davvero tutto il potenziale dei modelli di equazioni strutturali, dovresti modellare le tue variabili latenti, qui abbiamo entrambe le minacce come variabili latenti che ci consentono di eliminare davvero l'errore di misurazione da quelle |
| |
elementi dell'indagine e associazioni di modelli tra variabili latenti, che ci consentono di avere effetti imparziali perché... effetto non attenuato... perché teniamo conto dell'errore di misurazione quando misuriamo |
| |
direttamente il lante e le variabili. E notate, stiamo sfruttando il SEM, perché stiamo esaminando le associazioni sequenziali tra una serie di fattori diversi e quindi qui sotto potete vedere il nostro fantastico diagramma che |
| |
Posso spostarmi per provare a mostrarti tutti gli effetti interessanti che abbiamo e anche evidenziare il fatto che i nostri diagrammi lo sono |
| |
completamente interattivo, visivamente davvero accattivante e molto rapidamente possiamo identificare gli effetti significativi in base al tipo di linea rispetto agli effetti non significativi, in questo caso queste linee tratteggiate. E così |
| |
ancora una volta per avere davvero tutta la potenza del SEM, puoi vedere come qui stiamo osservando quelle minacce di variabili latenti e osservando le loro associazioni con una serie di altre |
| |
comportamenti di salute pubblica e con variabili relative al benessere. E quindi con questo, interromperò la demo qui e |
| |
farti sapere che abbiamo un documento davvero utile oltre alle diapositive, abbiamo un documento davvero eccezionale che il tester della nostra piattaforma, James Koepfler, ha messo insieme in cui fornisce una serie di ottimi consigli su come utilizzare la nostra piattaforma, |
| |
dalla specifica del modello, ai suggerimenti su come confrontare i modelli, cosa è appropriato guardare, cos'è un modello nidificato, tutte queste informazioni che penso troverai estremamente preziose se decidi di utilizzare |
| |
la piattaforma. Quindi suggerisco vivamente di accedere alla community JMP per ottenere questi materiali supplementari alla presentazione. E con questo, concluderò e risponderemo alle domande una volta che tutto sarà operativo. Grazie mille. |
