Lautsprecher
|
Transkript
|
| Laura Castro-Schilo |
Hallo zusammen. Willkommen. In dieser Sitzung dreht sich alles um das ABC der Strukturgleichungsmodellierung. Ich werde versuchen, Ihnen genügend Werkzeuge an die Hand zu geben, damit Sie sich wohl fühlen können |
| |
um Modelle zu spezifizieren und die Ergebnisse der Modellanpassung mithilfe der Strukturgleichungsmodellierungsplattform und JMP Pro zu interpretieren. |
| |
Nun beginnen wir damit, Ihnen eine Einführung in die Strukturgleichungsmodellierung zu geben und insbesondere auf die Verbindungen einzugehen, die sie zur Faktorenanalyse und Regressionsanalyse hat. |
| |
Und dann werden wir ein wenig darüber sprechen, wie Pfaddiagramme in SEM verwendet werden und welche wichtige Rolle sie innerhalb dieses Modellierungsrahmens spielen. |
| |
Ich werde versuchen, die Einleitung kurz zu halten, damit wir wirklich Zeit für unsere praktischen Beispiele haben. Nach der Einführung werde ich die Daten vorstellen, die ich zur Demonstration verwenden werde. Es stellt sich heraus, dass diese Daten vorhanden sind |
| |
über Wahrnehmungen von Bedrohungen durch das Covid-19-Virus. Nach der Einführung dieser Daten |
| |
Wir beginnen damit, uns mit der Spezifizierung von Modellen und der Interpretation ihrer Ergebnisse innerhalb der Plattform zu befassen, insbesondere durch Antworten |
| |
ein paar Fragen. Diese Fragen werden es uns nun ermöglichen, auf zwei sehr wichtige Techniken einzugehen, die mit einem REM durchgeführt werden können. Eine davon ist die konfirmatorische Faktorenanalyse und auch die multivariate Regression. |
| |
Und um alles zusammenzufassen, zeige ich Ihnen nur eine kurze Zusammenfassung |
| |
Modell, in dem wir sowohl das konfirmatorische Faktormodell als auch die Regressionsmodelle zusammenbringen. Auf diese Weise können Sie das Potenzial von SEM wirklich erkennen, wenn Sie es mit Ihren eigenen Daten für Ihre eigene Arbeit verwenden. |
| |
Also gut, was ist SEM? Die Modellierung von Strukturgleichungen ist ein Rahmenwerk, in dem Faktorenanalyse und Regressionsanalyse zusammenkommen. |
| |
Und auf der Seite der Faktorenanalyse können wir Dinge messen, die wir nicht direkt beobachten. |
| |
Und auf der Regressionsseite können wir Beziehungen zwischen Variablen untersuchen, unabhängig davon, ob sie beobachtet oder unbeobachtet sind. Wenn Sie also diese beiden Tools zusammenbringen, erhalten wir ein sehr flexibles Framework, nämlich SEM, in das wir eine Reihe verschiedener Modelle integrieren können. |
| |
Pfaddiagramme sind ein einzigartiges Werkzeug innerhalb von SEM, da alle statistischen Strukturgleichungsmodelle, die eigentlichen Modelle, durch ein Diagramm dargestellt werden können. Und deshalb müssen wir nur einiges lernen |
| |
Notation darüber, wie diese Diagramme gezeichnet werden. Und so stellen Quadrate beobachtete Variablen dar, |
| |
Kreise stellen latente Variablen dar, Varianzen oder Kovarianzen werden durch Doppelpfeile dargestellt und Regressionen und Ladungen werden dargestellt |
| |
dargestellt durch einköpfige Pfeile. Nebenbei bemerkt gibt es auch ein Dreieck, das für Pfaddiagramme verwendet wird. |
| |
Aber das liegt außerhalb des Rahmens dessen, worüber wir heute sprechen werden. Das Dreieck wird zur Darstellung von Mittelwerten und Achsenabschnitten verwendet. Und leider haben wir einfach nicht genug Zeit, um über all die tollen Dinge zu sprechen, die wir auch mit unseren Mitteln machen können. |
| |
In Ordnung. Aber ich möchte Ihnen auch nur einige grundlegende... gewissermaßen die Bausteine von zeigen |
| |
x, das sich in einer Box befindet, sagt y voraus, |
| |
das ist auch in einer Box. Wir wissen also, dass es sich um beobachtete Variablen handelt und jede von ihnen einen Doppelpfeil hat, der bei sich selbst beginnt und endet, was bedeutet, dass es sich um Varianzen handelt. |
| |
Für x stellt dieser Pfeil einfach seine Varianten dar, aber für y stellen die Doppelpfeile eine Restvarianz dar. |
| |
Nun wissen Sie vielleicht, dass ein Ergebnis im SEM sowohl ein Ergebnis als auch ein Prädiktor sein kann. Sie können sich also vorstellen, dass es eine weitere Variable z gibt, die auch y vorhersagen könnte, sodass wir innerhalb eines Modells so viele Regressionen zusammenstellen können, wie wir möchten. |
| |
Der zweite Grundbaustein für die Erstellung von SEMs sind konfirmatorische Faktormodelle, und zwar im einfachsten Fall |
| |
Das einfachste Beispiel dafür ist hier, wo wir einen Faktor oder eine latente Variable angeben, die unbeobachtet ist, aber es ist |
| |
Es wird hier mit Pfeilen angezeigt, die auf w, x und y zeigen, da angenommen wird, dass die latente Variable die gemeinsame Variabilität verursacht, die wir über w, x und y hinweg sehen. |
| |
Nun, das hier nennt man konfirmatorisches Faktormodell, es ist nur ein Faktor. Und ich denke, es ist wirklich wichtig, die Unterschiede eines Faktors in der Faktoranalyse zu verstehen |
| |
Perspektive und unterscheiden Sie diese von Hauptkomponenten oder Hauptkomponentenanalyse, die manchmal leicht zu verwechseln sind. |
| |
Deshalb werde ich kurz darauf eingehen, um Ihnen zu zeigen, was sich aus faktoranalytischer Sicht und aus PCA-Perspektive an einem Faktor unterscheidet. |
| |
Diese Quadrate sollen hier also beobachtete Variablen darstellen, die Dinge, die wir messen, und ich habe sie hier blau eingefärbt |
| |
unterschiedliche Beträge von jeder beobachteten Variablen, die die Varianz darstellen, die diese Variablen messen sollen. Es ist also so etwas wie das Signal. Ich meine, das gibt es |
| |
Es sind diese Dinge, die uns wirklich interessieren. Und dann haben wir diese Grauzonen, die einen Anteil der Varianz darstellen, der aus anderen Quellen stammt. Es kann sich um eine systematische Varianz handeln, aber es ist einfach keine Varianz |
| |
was es von unserem Messgerät erfassen soll. Es enthält also |
| |
Quellen sind Varianzen, die für jede dieser Variablen einzigartig sind und auch Messfehler enthalten. |
| |
Der Unterschied zwischen Faktoranalyse und PCA besteht also darin, dass bei der Faktoranalyse eine latente Variable nur die gemeinsame Varianz erfasst |
| |
existiert über alle diese beobachteten Variablen hinweg, und das ist der Teil, den die latente Variable ausmacht. |
| |
Und das steht im Gegensatz zur PCA, wo eine Hauptkomponente die maximale Varianz darstellt, die in den Dimensionen der Daten erklärt werden kann. |
| |
Sie sehen also, dass die Hauptkomponente so viel Varianz aufweisen wird, wie sie erklären kann |
| |
und das bedeutet, dass es aufgrund dessen, was wir messen wollten, und möglicherweise auch aufgrund anderer Varianzquellen zu einer Verschmelzung der Varianz kommen wird. Das ist also eine sehr wichtige Unterscheidung, |
| |
Denn wenn wir unbeobachtete Variablen messen wollen, ist die Faktoranalyse in der Tat die bessere Wahl. Wenn Sie nicht wissen, ob unser Ziel wirklich die Dimensionsreduzierung ist, ist PCA ein ideales Werkzeug dafür. |
| |
Beachten Sie auch hier, dass die Pfeile in unterschiedliche Richtungen zeigen. Und das liegt daran, dass der Faktorenanalyse tatsächlich die Annahme zugrunde liegt, dass diese unbeobachtete Variable die von uns beobachtete Variabilität verursacht. |
| |
Und das ist bei PCA nicht der Fall. Sie können diesen Unterschied hier im Diagramm sehen. Also wann immer wir darüber reden |
| |
Wenn es sich bei SEM um einen Faktor oder eine latente Variable handelt, sprechen wir aus dieser Perspektive der Faktoranalyse höchstwahrscheinlich von einer latenten Variablen. Hier ist ein |
| |
großes Strukturgleichungsmodell, in dem ich eine Reihe verschiedener Elemente aus den zuvor gezeigten Bausteinen zusammengestellt habe. Wenn wir Zahlen sehen, weil wir dieses Modell geschätzt haben. |
| |
Und Sie sehen, dass es beobachtete Variablen gibt, die andere Variablen vorhersagen. Wir haben einige sequentielle Beziehungen, das heißt |
| |
Eine Variable führt zu einer anderen, die dann zu einer anderen führt. Dies ist auch ein interessantes Beispiel, da wir hier eine latente Variable haben, die von einer beobachteten Variablen vorhergesagt wird. Aber auch diese latente Variable |
| |
wiederum sagt andere Variablen voraus. Und so veranschaulicht es, dieses Diagramm veranschaulicht sehr schön, eine Reihe von Verwendungsmöglichkeiten, die wir haben können, aus grundsätzlichen Gründen, die wir für die Verwendung von SEM haben können, einschließlich der fünf unbeobachteten Variablen, die wir innerhalb eines größeren Modells modellieren möchten |
| |
Kontext. Wir wollen vielleicht Messfehler berücksichtigen. Und das ist wichtig, weil latente Variablen von Messfehlern befreit sind, da sie nur die Varianz berücksichtigen, die allen ihren Indikatoren gemeinsam ist. |
| |
Wir ... wenn Sie auch sequentielle Beziehungen zwischen Variablen untersuchen müssen, unabhängig davon, ob sie beobachtet oder unbeobachtet sind, ist SEM ein hervorragendes Werkzeug dafür. |
| |
Und schließlich, wenn Ihnen Daten fehlen, kann SEM auch dann sehr hilfreich sein, wenn Sie nur eine Regression haben, denn |
| |
Alle Ihnen zur Verfügung stehenden Daten werden in SEM während der Schätzung verwendet, zumindest innerhalb der Algorithmen, die wir in JMP Pro haben. |
| |
Das sind also wirklich gute Gründe für den Einsatz von SEM. Jetzt möchte ich dieses Diagramm auch verwenden, um einige wichtige Begriffe einzuführen, auf die Sie sicherlich mehrmals stoßen werden, wenn Sie sich für SEM entscheiden |
| |
ein Werkzeug, das Sie in Ihrer eigenen Arbeit verwenden werden. Wir haben also über beobachtete Variablen gesprochen. Diese werden im SEM-Jargon auch Manifestvariablen genannt. |
| |
Es gibt latente Variablen. Es gibt auch Variablen, die als exogen bezeichnet werden. In diesem Beispiel gibt es nur zwei davon. |
| |
Und das sind Variablen, die nur andere Variablen vorhersagen, und sie stehen im Gegensatz zu endogenen Variablen, die tatsächlich Variablen haben, die sie vorhersagen. Hier sind also alle diese anderen Variablen endogen. |
| |
Latente Variablen, die manifesten Variablen, auf die sie verweisen und die sie vorhersagen, werden auch als latente Variablenindikatoren bezeichnet. |
| |
Und schließlich haben wir über die einzigartige Faktorvarianz aus faktoranalytischer Sicht gesprochen. Und das sind diese Restabweichungen von einem Faktor, |
| |
aus einer latenten Variablen, bei der es sich um eine Varianz handelt, die nicht durch die latente Variable erklärt wird, und die sowohl die Kombination aus systematischer Varianz, die für diese Variable einzigartig ist, als auch des Messfehlers darstellt. |
| |
In Ordnung. |
| |
Ich habe herausgefunden, dass es für ein etwas einfacheres Verständnis der Modellierung von Strukturgleichungen wichtig ist, unseren Fokus darauf zu verlagern, zu erkennen, dass die Daten, die wir wirklich sind |
| |
Hinter der Modellierung verbirgt sich die Kovarianzstruktur unserer Daten. Wir modellieren auch die Mittel, die Mittelstruktur, aber auch das liegt außerhalb des Rahmens der heutigen Präsentation. |
| |
Aber es ist wichtig, darüber nachzudenken, denn es hat Auswirkungen darauf, was unserer Meinung nach unsere Daten sind. |
| |
Wissen Sie, wir sind es gewohnt, unsere Datentabellen zu sehen, und wir haben Zeilen und Variablen sind unsere Spalten, und ja, das ist ... |
| |
Diese Daten können zum Starten unserer SEM-Plattform verwendet werden. Allerdings analysieren unsere Algorithmen tief im Inneren tatsächlich die Kovarianzstruktur dieser Variablen. Wenn Sie also über die Daten nachdenken, sind dies tatsächlich die Daten, die es gibt |
| |
wird unter der Haube modelliert. Das hat auch Auswirkungen darauf, wenn wir über Residuen nachdenken, denn Residuen im SEM beziehen sich auf Varianzen und Kovarianzen von |
| |
Sie wissen schon, diejenigen, die wir schätzen, im Gegensatz zu denen, die wir in der Stichprobe haben. Bei den Residuen müssen wir den Fokus also wieder ein wenig auf das verlagern, was wir gewohnt sind, von anderen standardmäßigen statistischen Techniken hin zu echten |
| |
Machen wir uns klar, was Strukturgleichungsmodelle sind. Und Dinge ... Konzepte wie Freiheitsgrade werden auch Freiheitsgrade in Bezug auf die Kovarianz sein |
| |
Matrix. Sobald wir also den Fokus verlagert haben, ist es meiner Meinung nach viel einfacher, Strukturgleichungsmodelle zu verstehen. |
| |
Jetzt möchte ich hier ein kurzes Beispiel dafür durchgehen, wie die SEM-Schätzung funktioniert. Und so beginnen wir normalerweise damit, ein Modell und die meisten davon zu spezifizieren |
| |
Das Spannende an JMP Pro und unserer SEM-Plattform ist, dass wir dieses Modell direkt über ein Pfaddiagramm spezifizieren können, was es viel intuitiver macht. |
| |
Und während wir dieses Pfaddiagramm zeichnen, spezifizieren wir ein statistisches Modell, das Folgendes impliziert |
| |
Struktur der Kovarianzmatrix der Daten. Das Modell impliziert also diese Kovarianzstruktur, aber dann haben wir natürlich auch Zugriff auf die Kovarianzmatrix der Stichprobe. |
| |
Was bei der Schätzung geschieht, ist, dass wir versuchen, die Werte aus der Stichprobenkovarianz so genau wie möglich abzugleichen, da uns das Modell die Beziehungen zwischen den Daten und nicht innerhalb der Variablen mitteilt. |
| |
Und sobald wir unsere Modellschätzungen haben, verwenden wir diese, um eine tatsächliche Schätzung zu erhalten |
| |
modellimplizierte Kovarianzmatrix, die wir mit der Kovarianzmatrix der Stichprobe vergleichen können. Wenn wir uns also den Unterschied zwischen diesen beiden Matrizen ansehen, |
| |
Wir sind in der Lage, Residuen zu ermitteln, die es uns ermöglichen, ein Gefühl dafür zu bekommen, wie gut unsere Modelle passen oder nicht. Kurz gesagt: So funktioniert die Modellierung von Strukturgleichungen. |
| |
Jetzt sind wir mit dem Intro fertig. Deshalb möchte ich Ihnen die Daten, die ich für unsere Demo verwenden werde, vorstellen und Ihnen ein wenig den Kontext erklären. |
| |
Diese Daten stammen aus einem kürzlich im Journal of Social, Psychological and Personality Science veröffentlichten Artikel. |
| |
Und die Autoren dieses Artikels wollten eine einfache Frage beantworten. Sie sagten: „Wie wirken sich wahrgenommene Bedrohungen durch Covid 19 auf unser Wohlbefinden und unser Verhalten im Bereich der öffentlichen Gesundheit aus?“ Das wirklich Interessante an dieser Frage sind die wahrgenommenen Bedrohungen |
| |
Covid 19 ist ein sehr abstraktes Konzept. Es ist ein Konstrukt, für das wir kein Instrument haben, um es zu messen. Das ist etwas, was wir nicht direkt beobachten. |
| |
Deshalb mussten sie in diesem Artikel zunächst herausfinden, wie sie diese wahrgenommenen Bedrohungen messen können. |
| |
Und der Artikel konzentrierte sich auf zwei spezifische Arten von Bedrohungen. Sie nennen die ersten realistischen Bedrohungen, weil sie sich auf die physische oder finanzielle Sicherheit beziehen. |
| |
Und auch symbolische Bedrohungen, d. h. Bedrohungen, die sich auf die soziokulturelle Identität eines Menschen auswirken. |
| |
Und so kamen sie tatsächlich auf diese endgültige Bedrohungsskala und durchliefen einen sehr strengen Prozess, um diese Umfrage zu entwickeln, diese Skala zur Messung realistischer Bedrohungen und symbolischer Bedrohungen. |
| |
Hier können Sie sehen, dass die Leute antworten mussten, wie groß die Bedrohung, wenn überhaupt, der Ausbruch des Coronavirus für Ihre persönliche Gesundheit ist. |
| |
Wissen Sie, die US-Wirtschaft, was es bedeutet, Amerikaner zu sein, amerikanische Werte und Traditionen. Im Grunde genommen konzentrieren sich diese Fragen auf zwei verschiedene Aspekte des |
| |
Bedrohung durch das Virus, die sie als realistisch bezeichnen, da es sich um persönliche und finanzielle Gesundheitsprobleme handelt. |
| |
Und dann geht es bei der symbolischen Bedrohung eher um diese soziale und kulturelle Komponente. All diese Fragen können Sie hier sehen. |
| |
Und wir haben die Daten aus einer der drei Studien erhalten, die sie durchgeführt haben. Und diese Daten von 550 Teilnehmern, die alle diese Fragen zusätzlich zu einer Reihe anderer Umfragen beantwortet haben, und so können wir diese Daten in unserer Demo verwenden. |
| |
Und wir werden einige sehr spezifische Fragen beantworten. Die allererste Frage ist: Wie messen wir die Wahrnehmung der Bedrohungen durch Covid-19? Es gibt zwei Arten von Bedrohungen, an denen wir interessiert sind. Und die Frage ist, wie machen wir das, wenn man bedenkt, dass es sich um ein so abstraktes Konzept handelt. |
| |
Und das führt uns dazu, über die Analyse konfirmatorischer Faktoren und Möglichkeiten zu sprechen, wie wir die Gültigkeit und Zuverlässigkeit unserer Umfragen bewerten können. |
| |
Eine Sache, über die wir jedoch nicht sprechen werden, ist der allererste Schritt, nämlich die explorative Faktorenanalyse. Das ist etwas, was wir außerhalb von SEM tun |
| |
Dies sollte der allererste Schritt zur Entwicklung einer neuen Skala oder einer neuen Umfrage sein, aber hier knüpfen wir an den Schritt der konfirmatorischen Faktorenanalyse an. |
| |
Eine zweite Frage ist, ob die Wahrnehmung von Covid-19-Bedrohungen Auswirkungen auf das Wohlbefinden und das Verhalten im Bereich der öffentlichen Gesundheit hat. Und das wird uns dazu bringen, mehr über Regressionskonzepte zu sprechen. |
| |
Und schließlich: Sind die Auswirkungen jeder Art von Bedrohung auf die Ergebnisse gleich? Und hier werden wir etwas ganz Einzigartiges erfahren |
| |
Eine hilfreiche Funktion von SEM, die es uns ermöglicht, Gleichheitsbeschränkungen für verschiedene Effekte in unseren Modellen festzulegen und systematische Modellvergleiche durchzuführen, um diese Art von Fragen zu beantworten. |
| |
Okay, es ist Zeit für unsere Demo. Lassen Sie mich also fortfahren und Ihnen die Daten zeigen, die ich hier bereits geöffnet habe. |
| |
Beachten Sie, dass meine Datentabellen eine Menge Spalten enthalten, da es eine Reihe verschiedener Umfragen mit Teilnehmern gibt |
| |
auf die ich geantwortet habe, aber die ersten 10 Spalten hier sind diese Fragen bzw. die Antworten auf die Fragen, die ich Ihnen in dieser Umfrage gezeigt habe. |
| |
Wir werden also multivariate Methoden und Strukturgleichungsmodelle analysieren und diese verwenden |
| |
Antworten aus der Umfrage. Bei allen 10 Elementen klicken wir auf Modellvariablen, damit wir unsere Plattform mit diesen Daten starten können. |
| |
Jetzt habe ich eine Datentabelle, die eine Beobachtung pro Zeile enthält. Das ist das Wide-Data-Format, und das werde ich verwenden. |
| |
Beachten Sie jedoch, dass es eine weitere Registerkarte zum Zusammenfassen von Daten gibt. Wenn Sie also nur die Korrelations- oder Kovarianzmatrix haben, können Sie diese jetzt eingeben ... nun, Sie werden es in JMP 16 tun können, |
| |
JMP Pro 16 und das ist eine weitere Option, denn denken Sie daran, dass es hier letztlich darum geht, Kovarianzstrukturen zu modellieren. Sie können also zusammenfassende Daten verwenden, um die Plattform zu starten. |
| |
Okay, also machen wir weiter und klicken auf OK. Und das erste, was wir sehen, ist dieses Modellspezifikationsfenster, das es uns ermöglicht, alle möglichen lustigen Dinge zu tun. |
| |
Mal sehen, ganz rechts hier haben wir das Diagramm und bemerken, dass unser Diagramm eine Standardspezifikation hat. Also unsere Variablen |
| |
Alle haben Doppelpfeile, was bedeutet, dass sie alle eine Varianz aufweisen |
| |
Sie haben auch einen Mittelwert, aber beachten Sie, wenn ich hier mit der rechten Maustaste auf die Leinwand klicke und einige Optionen zum Anzeigen der Mittelwerte oder Achsenabschnitte erhalte. Also |
| |
Auch dies liegt außerhalb des heutigen Rahmens, daher werde ich diese verborgen halten, weiß aber, dass das Standardmodell der Plattform Varianzen und Mittelwerte für jede Variable aufweist, die wir beobachten. |
| |
Die Registerkarte „Liste“ enthält dieselben Informationen wie das Diagramm, jedoch in einem Listenformat, und sie wird Ihre Informationen aufteilen |
| |
Pfade oder Effekte basierend auf ihrem Typ. Wir haben auch einen Statusschritt, der Ihnen eine Menge Informationen über das Modell liefert, das Sie gerade haben. Im Moment sagt es uns also: |
| |
Wissen Sie, die Freiheitsgrade, die wir haben, sind, vorausgesetzt, dass es sich um das hier angegebene Modell handelt, nur das Standardmodell. Und es verrät uns auch Datendetails und andere nützliche Dinge. |
| |
Beachten Sie, dass sich dieses kleine Häkchen hier ändert, wenn ein Problem mit Ihrem Modell vorliegt. Wenn wir also beim Festlegen Ihres Modells auf etwas stoßen, das problematisch aussieht oder auf einen Fehler stößt, ändert sich die Farbe und der Typ dieser Registerkarte |
| |
Daher wird es Ihnen hoffentlich dabei helfen, alle Probleme mit der Spezifikation des Modells zu lösen. |
| |
Okay, ganz links haben wir einen Bereich für einen Modellnamen. Und wir haben auch Von- und Bis-Listen. Dadurch ist es hier sehr einfach, Variablen auszuwählen. |
| |
in der Von- und dann in der Bis-Rolle, wo auch immer diese sein mögen. Und wir können sie mit einköpfigen Pfeilen oder doppelköpfigen Pfeilen verbinden, von denen wir wissen, dass es sich um Regressionen oder Ladungen oder Varianzen oder Kovarianzen handelt. |
| |
Für unseren aktuellen Fall möchten wir nun wirklich herausfinden, wie wir dieses unbeobachtete Konstrukt der Wahrnehmung von Covid 19 messen können |
| |
Gefahr. Und ich weiß, dass die ersten fünf Punkte, die ich hier habe, Antworten auf Fragen sind, die die Autoren als realistische Bedrohungen bezeichnet haben. Also werde ich diese auswählen |
| |
Variablen und jetzt ändern wir hier den Standardnamen der latenten Variablen in „realistisch“, da dies die latente Variable der realistischen Bedrohung sein wird. Also klicke ich auf den Plus-Button. Und beachten Sie, wir geben Ihnen automatisch weiter |
| |
Dieses bestätigende Faktormodell mit einem Faktor für eine realistische Bedrohung. Eine interessante Beobachtung hierbei ist, dass es bei diesem ersten Laden eine 1 gibt |
| |
Das zeigt an, dass dieser Pfad, dieser Effekt der latenten Variablen auf die erste beobachtete Variable, auf eins festgelegt ist. |
| |
Und das müssen wir haben, denn sonst würde unser Modell nicht identifiziert werden. |
| |
Daher legen wir standardmäßig fest, was Sie zum ersten Mal laden, um das Modell zu identifizieren und alle Ihre Schätzungen erhalten zu können. |
| |
Eine Alternative wäre, die Varianz der latenten Variablen auf eins festzulegen, was auch bei der Identifizierung des Modells helfen würde, aber es ist eine Frage der Wahl, was man tut. |
| |
Okay, wir haben also ein Modell für eine realistische Bedrohung. Und jetzt werde ich diejenigen auswählen, die eine symbolische Bedrohung darstellen, und ich nenne sie symbolisch, und wir werden auf „Weiter“ klicken und „Hinzufügen“ hinzufügen |
| |
unsere latente Variable dafür. Ich habe meine Auflösung geändert. Und jetzt sehen wir etwas weniger, als ich erwartet hatte. Aber los geht's. Da ist unser Modell. Jetzt |
| |
wir möchten vielleicht |
| |
spezifizieren, und das ist eigentlich sehr wichtig, |
| |
realistische und symbolische Bedrohungen. Wir gehen davon aus, dass diese variieren, kovariieren, und deshalb würden wir sie in unserer Von- und Bis-Liste auswählen und auf unseren Doppelpfeil klicken, um diese Kovarianz hinzuzufügen. |
| |
Und beachten Sie hier, dass dies unsere vollständige Zwei-Faktor-Analyse der bestätigenden Faktoren ist. Wir können also unserem Modell einen Namen geben und schon kann es losgehen. Machen wir also weiter und klicken Sie auf „Ausführen“. |
| |
Und wir haben alle unsere Kostenvoranschläge sehr schnell. Alles ist hier. Jetzt |
| |
Worauf ich Sie jedoch aufmerksam machen möchte, ist die Modellvergleichstabelle. Der Grund dafür ist, dass wir sicherstellen wollen, dass unser Modell gut passt, bevor wir uns an die Interpretation der Ergebnisse machen. |
| |
Lassen Sie uns darüber sprechen, was in dieser Tabelle angezeigt wird. Beachten wir zunächst, dass es hier zwei Modelle gibt, die wir nicht angepasst haben, aber die Plattform passt sie beim Start standardmäßig an. |
| |
Und wir verwenden diese als eine Art Referenz, eine Basislinie, mit der wir ein Modell vergleichen können. Das uneingeschränkte Modell zeige ich Ihnen hier, |
| |
Was es ist, wenn wir jede einzelne Variable untereinander kovariieren ließen, dann gäbe es das uneingeschränkte Modell. Mit anderen Worten: Es handelt sich um eine Grundlage dafür, was wir im Hinblick auf die Passform am besten erreichen können. |
| |
Die Chi-Quadrat-Statistik stellt nun den Grad der Fehlanpassung in einem Modell dar. Und weil wir hier jede mögliche Varianz und Kovarianz ohne Einschränkungen schätzen, |
| |
Deshalb ist das Chi-Quadrat Null. Jetzt haben wir auch null Freiheitsgrade, weil wir alles schätzen. Es ist also ein perfekt passendes Modell und dient als Basis für... |
| |
dient als Grundlage für das Verständnis dessen, was das Beste ist, was wir tun können. |
| |
Also gut, dann ist das Unabhängigkeitsmodell eigentlich das Modell, das wir hier als Standard haben, als wir die Plattform zum ersten Mal gestartet haben. Das ist also eine Basis für das Schlimmste, vielleicht nicht das Schlimmste, aber ein ziemlich schlechtes Modell. |
| |
Dabei sind die Variablen völlig unabhängig voneinander. Und Sie können tatsächlich sehen, dass die Chi-Quadrat-Statistik auf etwa 2000 Einheiten ansteigt. Aber natürlich haben wir jetzt 45 Freiheitsgrade, weil wir in diesem Modell überhaupt nicht viel schätzen. |
| |
Und schließlich haben wir unser eigenes zweifaktorielles Bestätigungsfaktormodell und wir sehen auch, dass das Chi-Quadrat groß ist, nämlich 147 |
| |
mit 34 Freiheitsgraden. Es ist viel kleiner als das Unabhängigkeitsmodell, also schneiden wir zum Glück besser ab, aber es ist immer noch ein signifikantes Chi-Quadrat, was darauf hindeutet, dass die Daten eine erhebliche Fehlanpassung aufweisen. |
| |
Hier liegt nun eine große Herausforderung bei SEM. Früher erkannten die Menschen, dass das Chi-Quadrat von der Stichprobengröße beeinflusst wird. Und hier haben wir 550 Beobachtungen. Es ist also sehr wahrscheinlich, dass selbst gut sitzende Modelle ein wenig haben |
| |
Aufgrund der großen Stichprobengröße wird es sich als signifikant erweisen. Was also passiert ist, ist, dass für SEM einzigartige Anpassungsindizes entwickelt wurden, die es uns ermöglichen, die Modellanpassung unabhängig vom Chi-Quadrat zu beurteilen, und hier kommen diese Basismodelle ins Spiel. |
| |
Der erste wird hier als vergleichender Anpassungsindex bezeichnet. Tatsächlich liegt der Wert zwischen null und eins. Hier sehen Sie, dass Eins der Wert für ein perfekt passendes Modell und Null der Wert für das wirklich schlecht passende Modell, das Unabhängigkeitsmodell, ist. |
| |
Und |
| |
Ich sortiere das immer wieder aus Versehen. Okay, was bedeutet dieser Index für unser eigenes Modell also .9395? Es ist das Verhältnis, es ist ein Verhältnis davon, wie viel besser wir mit unserem Modell abschneiden |
| |
im Vergleich zum Unabhängigkeitsmodell. Wir sind also etwa 94 % besser als das Unabhängigkeitsmodell, was ziemlich gut ist. |
| |
Die Richtlinien besagen, dass ein CFI von 0,9 oder höher akzeptabel ist. Normalerweise möchten wir, dass er so nahe wie möglich bei eins liegt, und 0,95 ist ideal. |
| |
Wir haben dann auch diesen RMSCA, den quadratischen Hauptnäherungsfehler, der das Ausmaß der Fehlanpassung pro Freiheitsgrad darstellt. |
| |
Deshalb möchten wir, dass dies sehr klein ist. Es reicht auch von null bis eins. Und Sie sehen hier, unser Modell hat .07, ungefähr .08, |
| |
und im Allgemeinen ist .1 oder niedriger gut, ausreichend, und das ist es, was wir sehen wollen. Und dann erhalten wir auf der Fahrt einige Vertrauensgrenzen für diese eine Statistik. Also |
| |
Was dies darauf hindeutet, ist, dass das Modell tatsächlich gut passt ... ein akzeptables Modell ist und wir daher versuchen werden, es zu interpretieren. |
| |
Aber es ist wirklich wichtig, die Modellanpassung zu beurteilen, bevor wir uns wirklich mit den Details des Modells befassen, denn wir werden nicht viel lernen oder zumindest nicht viele nützliche Informationen, wenn unser Modell nicht von Anfang an gut passt. |
| |
Okay, da es sich um eine konfirmatorische Faktorenanalyse handelt, wird es für uns sehr nützlich sein, sie anzuzeigen (ich klicke hier mit der rechten Maustaste), und jetzt zeige ich die standardisierten Schätzungen im Diagramm. In Ordnung. Das bedeutet, dass wir haben werden |
| |
Schätzungen hier für die Faktorladungen, die in der Korrelationsmetrik enthalten sind, was für die Interpretation dieser Ladungen in der Faktoranalyse wirklich nützlich und wichtig ist. |
| |
Dieser Wert wird hier ebenfalls neu skaliert, sodass er die tatsächliche Korrelation zwischen diesen beiden latenten Variablen darstellt, was in diesem Fall der Fall ist |
| |
wesentliches Argument für die Korrelation. Im Menü des roten Dreiecks finden wir auch die standardisierten Parameterkoeffizienten in Tabellenform, sodass wir mehr Details zu Standardfehlern und Z-Statistiken usw. erhalten. |
| |
Aber Sie können hier sehen, dass alle diese Werte ziemlich … Sie wissen, sie sind ziemlich akzeptabel. Sie sind die Korrelation zwischen der beobachteten Variablen und der latenten Variablen. |
| |
Und sie liegen hier im Allgemeinen bei etwa 0,48 bis etwa 0,8. Das sind also ziemlich gute Werte. Wir wollen, dass sie so hoch wie möglich sind. |
| |
Und noch etwas wird Ihnen hier an unseren Diagrammen auffallen, bei denen es sich um eine Funktion von JMP Pro 16 handelt: |
| |
Diese beobachteten Variablen haben eine kleine Schattierung, hier einen kleinen grauen Bereich, der tatsächlich die Menge oder den Anteil davon darstellt |
| |
Varianz erklärt durch die latente Variable. Es ist also wirklich cool, weil man anhand der kleinen Schattierung, dass die Variablen für symbolische Bedrohungen stehen, wirklich visuell erkennen kann |
| |
tatsächlich wird ein größerer Teil ihrer Varianz durch die latente Variable erklärt. Vielleicht ist dies also ein besserer Faktor als der realistische Bedrohungsfaktor, allein basierend auf der Betrachtung, wie viel Varianz erklärt wird. |
| |
Jetzt möchte ich Ihre Aufmerksamkeit auf eine Option namens „Bewertungsmodell“ lenken, die sehr hilfreich sein wird, damit wir verstehen können, ob |
| |
Die Fragen, die einzelnen Fragen in dieser Umfrage, sind eigentlich gute Fragen. |
| |
Wir wissen, dass wir auf der Grundlage der statistischen ... der Indikatorzuverlässigkeit wollen, dass unsere Fragen zuverlässig sind, und das ist es, was wir auf dieser Seite darstellen. Beachten Sie also, dass wir ein wenig geben |
| |
Hier finden Sie einen empfohlenen Schwellenwert für die akzeptable Zuverlässigkeit einer dieser Fragen, und Sie können tatsächlich sehen, dass die symbolische Bedrohung eine bessere ist |
| |
Scheint dort etwas besser zu laufen. Die Fragen sind im Vergleich zur realistischen Bedrohung zuverlässiger. Aber im Großen und Ganzen sind beide ziemlich gut |
| |
Wissen Sie, die Tatsache, dass sie die Grenze nicht überschreiten, ist nicht schlimm. Ich meine, sie sind da... diese beiden Fragen sind da |
| |
angemessener Schwellenwert, den wir für die Zuverlässigkeit des Indikators erwarten würden. Wir verfügen hier auch über Statistiken, die Aufschluss über die Zuverlässigkeit des Verbundwerkstoffs geben. Mit anderen Worten, wenn wir alle diese Fragen aufgreifen würden und |
| |
Nehmen Sie vielleicht alle diese Fragen für eine realistische Bedrohung und wir erhalten eine durchschnittliche Punktzahl für alle diese Antworten |
| |
pro Person wäre das eine Zusammensetzung für eine realistische Bedrohung und wir könnten das Gleiche für eine symbolische tun. |
| |
Was wir hier also haben, ist dieser Zuverlässigkeitsindex. Alle diese Indizes liegen übrigens im Bereich von null bis eins. |
| |
Deshalb möchten wir, dass sie so nah wie möglich beieinander liegen, weil wir möchten, dass sie sehr zuverlässig sind, und wir sehen hier, dass beides der Fall ist |
| |
Verbundwerkstoffe weisen eine ausreichende Zuverlässigkeit auf. Sie sind also gut darin, für andere Analysen eine durchschnittliche Punktzahl zu verwenden. |
| |
Wir haben auch die maximale Zuverlässigkeit konstruiert und dabei handelt es sich eher um die Zuverlässigkeitswerte für die latenten Variablen selbst als um die Zuverlässigkeit |
| |
Durchschnittswerte bilden. Deshalb werden diese Werte immer etwas höher sein, denn wenn Sie latente Variablen verwenden, erhalten Sie bessere Messwerte. |
| |
Die Konstruktvaliditätsmatrix liefert uns eine Menge nützlicher Informationen. Der Schlüssel hier ist, dass das untere Dreieck in diesem Fall einfach die Korrelation zwischen den beiden Faktoren aufweist. |
| |
Die Werte in der Diagonale stellen jedoch die durchschnittliche Varianz dar, die über alle Indikatoren des Faktors extrahiert wurde. |
| |
Hier sehen Sie also, dass symbolische Bedrohungen im Durchschnitt eine größere erklärte Varianz aufweisen als realistische Bedrohungen, aber beide haben hier erhebliche Werte, was gut ist. |
| |
Und was am wichtigsten ist: Wir möchten, dass diese Diagonalwerte größer sind als das obere Dreieck, da das obere Dreieck die überlappenden Barrieren zwischen den beiden Faktoren darstellt. |
| |
Und Sie können sich vorstellen, dass wir möchten, dass sich die Faktoren mit ihren eigenen Indikatoren stärker überschneiden und variieren als mit anderen |
| |
mit einem anderen Faktor konstruieren. Und das hier, zusammen mit all diesen anderen Statistiken |
| |
sind ein guter Beweis dafür, dass die Umfrage uns valide und verlässliche Antworten liefert und wir sie tatsächlich für die Verfolgung anderer Fragen nutzen können. Und genau das werden wir hier tun. Wir werden das schließen und ich werde es tun |
| |
Wenn wir ein anderes Modell verwenden, werden wir unsere Plattform neu starten, aber dieses Mal werde ich ... verwenden. |
| |
Ich habe hier ein paar Variablen, die ich erstellt habe. Diese beiden sind |
| |
Bei den zusammengesetzten Zahlen handelt es sich um Durchschnittswerte für alle Fragen, die sich auf realistische und symbolische Bedrohungen bezogen. Ich habe also diese zusammengesetzten Ergebnisse hier. |
| |
Und ich werde diese zusammen mit ... modellieren. Ich habe ein Maß für Angst. Ich habe ein Maß für negative Affekte. Und wir können auch ein wenig CDC hinzufügen |
| |
Adhärenz. Es geht also darum, ob sich die Menschen an die Empfehlungen der CDC halten, also an die Verhaltensweisen im Bereich der öffentlichen Gesundheit. Deshalb werden wir die Plattform mit all diesen Variablen starten. |
| |
Und was ich hier tun möchte, ist vielleicht, mich auf die Anpassung eines Regressionsmodells zu konzentrieren. Also habe ich diese Variablen ausgewählt, meine Prädiktoren, meine Ergebnisse. Und ich klicke einfach auf den einseitigen Pfeil, um es einzurichten. Jetzt ist das Modell nicht vollständig... |
| |
noch richtig angegeben, weil wir sicherstellen wollen, dass beide unsere. |
| |
Covid |
| |
Wenn es sich hier um Bedrohungen handelt, möchten wir sicherstellen, dass diese miteinander kovariieren, denn wir haben keinen Grund anzunehmen, dass sie nicht kovariieren. |
| |
Das Gleiche gilt für das Ergebnis: Sie müssen kovariieren, weil wir keine seltsamen Einschränkungen hinsichtlich ihrer Orthogonalität auferlegen wollen. |
| |
Und hier handelt es sich im Wesentlichen um eine Pfadanalyse. Es handelt sich um eine multivariate multiple Regressionsanalyse. Und so können wir es einfach hier einsetzen, multivariate Regression, und wir werden damit weitermachen und unser Modell ausführen. |
| |
Okay. Merken Sie sich das, denn wir passen zu jedem... |
| |
Wir haben null Freiheitsgrade, weil wir jede Varianz und Kovarianz zwischen den Daten geschätzt haben. Auch wenn dieser Vorschlag perfekt passt, |
| |
Bisher haben wir lediglich ein Regressionsmodell angepasst. Und um das wirklich hervorzuheben, möchte ich Ihnen zeigen, dass ich das Layout meines Diagramms ändern werde |
| |
um es einfacher zu machen, die Zusammenhänge zwischen beiden Arten von Bedrohungen aufzuzeigen. Ich möchte Varianzen und Kovarianzen ausblenden und Sie können es hier sehen, nur ... |
| |
Ich habe die anderen Kanten ausgeblendet, damit wir uns nur auf die Beziehungen zwischen diesen beiden Bedrohungen und unseren drei Ergebnissen konzentrieren können. Jetzt habe ich in meiner Datentabelle bereits ein Fit-Modell angepasst, ich habe auch Angst verwendet |
| |
Variable wie mein Ergebnis und die gleichen zwei Bedrohungen wie die Prädiktoren. Und ich möchte sie nebeneinander stellen, weil ich Ihnen das tatsächlich zeigen möchte |
| |
Die Schätzungen für die Regression der Angstvorhersage sind hier genau die gleichen Werte, die wir hier in der SEM-Plattform für beide Vorhersagen haben. |
| |
Und das sollten wir erwarten. Fit-Modell, ich meine, das ist Regression. Bisher führen wir eine Regression durch. |
| |
Technisch gesehen könnte man sagen: Wenn ich einfach drei dieser Fit-Modelle mit diesen drei unterschiedlichen Ergebnissen ausführen kann, was kauft mir SEM dann? Das ist besser. |
| |
Nun, vielleicht brauchen Sie nichts anderes und das könnte für Ihre Bedürfnisse großartig sein, aber ein einzigartiges Merkmal von SEM ist, dass wir direkt testen können, ob es welche gibt |
| |
Gleichheit...ob Gleichheitsbeschränkungen im Modell haltbar sind. Was wir damit meinen, ist, dass ich diese beiden Effekte nutzen kann (z. B. realistische und symbolische Bedrohungseffekte auf Angstzustände) und diese Gleichheitsschaltfläche verwenden kann, um eine Gleichheitsbeschränkung aufzuerlegen. Beachten Sie hier, |
| |
Diese kleinen Etiketten weisen darauf hin, dass diese beiden Wege die gleiche Wirkung haben. Und dann können wir es |
| |
Führen Sie das Modell aus und wir können diese Modelle nun in unserer Modellvergleichstabelle auswählen und sie mit der Option „Ausgewählte Modelle vergleichen“ vergleichen. |
| |
Und was wir bekommen werden, ist eine Veränderung im Chi-Quadrat. Wir sehen also nur die Veränderung des Chi-Quadrats von einem Modell zum nächsten. Das heißt also im Grunde: Okay, |
| |
Das Modell wird schlechter, weil Sie jetzt eine Einschränkung hinzugefügt haben. Sie haben also einen gewissen Grad an Freiheit gewonnen, Sie haben jetzt mehr Außenseiter und die Frage ist, ist dieser Außenseiter von Bedeutung? |
| |
Die Antwort lautet in diesem Fall: Ja. Dies wird natürlich von der Stichprobengröße beeinflusst. Wir schauen uns also auch den Unterschied zwischen CFI und RMSEA an und alles, was 0,01 oder größer ist, deutet darauf hin |
| |
Der Außenseiter ist zu viel, um ihn zu ignorieren. Es handelt sich um einen erheblichen zusätzlichen Außenseiter, der durch diese Einschränkung hinzugefügt wird. |
| |
Da wir das nun wissen, können wir direkt sagen: Wir wissen, dass dies das besser passende Modell ist, das Modell, das diese Einschränkung nicht hatte, und wir können behaupten, dass realistische Bedrohungen größere positive Auswirkungen haben |
| |
Assoziation mit Angst im Vergleich zu den symbolischen Drohungen, die ebenfalls einen positiven signifikanten Effekt haben, aber nicht so stark signifikant sind, nicht so stark wie statistisch gesehen, nicht so stark wie die realistischen Drohungen. In Ordnung. Und es gibt noch andere |
| |
interessante Effekte, die wir hier haben. Da wir uns dem Ende der Sitzung nähern, werde ich Ihre Aufmerksamkeit einfach auf dieses interessante Thema lenken |
| |
Hier unten wirken sich beide Arten von Bedrohungen unterschiedlich auf die Einhaltung des CDC-Verhaltens aus. Und der Artikel wirklich |
| |
schenkt dieser Feststellung große Aufmerksamkeit, da es sich, wie Sie wissen, um beides Bedrohungen handelt. Aber wie Sie sich vorstellen können, diejenigen, die sich persönlich bedroht fühlen |
| |
Gesundheit oder Bedrohungen ihrer finanziellen Sicherheit, halten sie sich eher an die CDC-Richtlinien zur sozialen Distanzierung und zur Vermeidung gesellschaftlicher Zusammenkünfte, während diejenigen, die dies tun |
| |
haben das Gefühl, dass Bedrohung symbolischer Natur ist, eine Bedrohung ihrer sozialen und kulturellen Werte, |
| |
Bei diesen Leuten ist die Wahrscheinlichkeit deutlich geringer, dass sie sich an die CDC-Verhaltensweisen halten, vielleicht weil sie das Gefühl haben, dass diese sozialen und kulturellen Normen bedroht sind. Das ist also ein interessanter Befund und wir sehen, dass wir hier natürlich die Äquivalenz einer Reihe anderer Pfade in diesem Modell testen können. |
| |
Okay, das Letzte, was ich tun wollte, ist, es Ihnen zu zeigen (wir werden dieses vollständige Modell nicht beschreiben), aber ich wollte Ihnen zeigen, was passiert, wenn Sie beides zusammenbringen |
| |
(machen wir das etwas größer) Regression und Faktorenanalyse. |
| |
Um das volle Potenzial von Strukturgleichungsmodellen wirklich auszuschöpfen, sollten Sie Ihre latenten Variablen modellieren. Wir haben hier beide Bedrohungen als latente Variablen, die es uns ermöglichen, den Messfehler wirklich aus diesen zu entfernen |
| |
Umfrageelemente und Modellassoziationen zwischen latenten Variablen, die es uns ermöglichen, unvoreingenommene Effekte zu erzielen, weil...unabgeschwächte Effekte...weil wir Messfehler berücksichtigen, wenn wir messen |
| |
der Latant und die Variablen direkt. Und beachten Sie, dass wir SEM nutzen, weil wir sequentielle Assoziationen über eine Reihe verschiedener Faktoren hinweg betrachten. Hier unten können Sie unser cooles Diagramm sehen |
| |
Ich kann herumgehen und versuchen, Ihnen alle coolen Effekte zu zeigen, die wir haben, und auch die Tatsache hervorzuheben, dass unsere Diagramme es sind |
| |
Vollständig interaktiv, optisch wirklich ansprechend, und sehr schnell können wir signifikante Effekte basierend auf der Art der Linie im Vergleich zu nicht signifikanten Effekten, in diesem Fall diesen gestrichelten Linien, identifizieren. Und so |
| |
Um noch einmal die volle Leistungsfähigkeit von SEM zu nutzen, können Sie hier sehen, wie wir uns mit den Bedrohungen durch latente Variablen und deren Assoziationen mit einer Reihe anderer befassen |
| |
Verhaltensweisen im Bereich der öffentlichen Gesundheit und mit Variablen zum Wohlbefinden. Und damit werde ich die Demo hier und jetzt stoppen |
| |
Lassen Sie Sie wissen, dass wir zusätzlich zu den Folien ein wirklich nützliches Dokument haben. Wir haben ein wirklich tolles Dokument, das der Tester unserer Plattform, James Koepfler, zusammengestellt hat und in dem er eine Reihe wirklich toller Tipps zur Nutzung unserer Plattform gibt. |
| |
Von der Spezifikation des Modells bis hin zu Tipps zum Vergleichen von Modellen, was angemessen ist und was ein verschachteltes Modell ist – all diese Informationen werden meiner Meinung nach für Sie äußerst wertvoll sein, wenn Sie sich für die Verwendung entscheiden |
| |
die Platform. Wir empfehlen Ihnen daher auf jeden Fall, die JMP-Community aufzusuchen, um diese Materialien zu erhalten, die die Präsentation ergänzen. Und damit werde ich es abschließen und wir werden Fragen beantworten, sobald das alles live geht. Vielen Dank. |
