揚聲器
|
成績單
|
| 勞拉·卡斯特羅-斯基洛 |
大家好。 歡迎。 本次會議的全部內容都是關於結構方程式建模的基礎知識，我將嘗試為您提供足夠的工具，讓您能夠感到舒適 |
| |
使用結構方程式建模平台和 JMP Pro 指定模型並解釋模型擬合結果。 |
| |
現在我們要做的是先向您介紹什麼是結構方程式建模，特別是利用它與因子分析和迴歸分析的連結。 |
| |
然後我們將討論如何在 SEM 中使用路徑圖以及它們在該建模框架中的重要作用。 |
| |
我將盡量保持簡短的介紹，以便我們可以真正花時間在我們的實踐範例上。 因此，在介紹之後，我將介紹我將用於演示的數據。 事實證明這些數據是 |
| |
關於對 Covid 19 病毒威脅的看法。 那麼在介紹了這些數據之後， |
| |
我們將開始研究如何指定模型並在平台內解釋其結果，特別是透過回答 |
| |
幾個問題。 現在，這些問題將使我們能夠接觸到兩個可以透過 SEM 完成的非常重要的技術。 一種是驗證性因素分析，也是多元迴歸。 |
| |
最後，我將向您展示一個簡短的內容 |
| |
我們將驗證性因素模型、迴歸模型結合在一起，這樣您就可以真正看到 SEM 的潛力，將其與您自己的資料一起用於您自己的工作。 |
| |
好吧，那什麼是SEM呢？ 結構方程模型是因子分析和迴歸分析結合在一起的架構。 |
| |
從因素分析的角度來看，我們能夠獲得衡量我們無法直接觀察到的事物的能力。 |
| |
在迴歸方面，我們能夠檢查變數之間的關係，無論它們是觀察到的還是未觀察到的。 因此，當您將這兩個工具結合在一起時，我們最終會得到一個非常靈活的框架，即 SEM，我們可以在其中適應許多不同的模型。 |
| |
路徑圖是 SEM 中一個獨特的工具，因為所有統計結構方程模型，即實際模型，都可以用圖來描述。 所以我們只需要學習一些 |
| |
關於如何繪製這些圖表的符號。 所以正方形代表觀察到的變量， |
| |
圓圈代表潛在變量，方差或協方差以雙頭箭頭表示，回歸和載荷使用 |
| |
用單向箭頭表示。 現在，作為旁注，還有一個用於路徑圖的三角形。 |
| |
但這超出了我們今天要討論的範圍。 三角形用於表示平均值和截距。 不幸的是，我們沒有足夠的時間來談論我們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…構建塊 |
| |
盒子裡的 x 在預測 y， |
| |
這也是在一個盒子裡。 所以我們知道這些是觀察到的變量，並且每個變量都有以自身開始和結束的雙頭箭頭，這意味著這些變量是方差。 |
| |
對於 x，該箭頭只是其變體，但對於 y，雙頭箭頭表示殘差變異數。 |
| |
當然，現在您可能知道，在 SEM 中，結果既可以是結果，也可以是預測變數。 所以你可以想像有另一個變數 z y 也可以預測，這樣我們就可以在一個模型中組合我們感興趣的盡可能多的迴歸。 |
| |
建構 SEM 的第二個基本區塊是驗證性因素模型，最基本的 |
| |
最基本的例子就在這裡顯示，我們指定一個因素或一個潛在變量，這是未被觀察到的，但它是 |
| |
這裡用指向 w、x 和 y 的箭頭顯示，因為潛在變數被認為會導致我們在 w、x 和 y 上看到的常見變異性。 |
| |
現在，這被稱為驗證性因素模型，它只是一個因素。 我認為理解因素分析中因素的差異非常重要 |
| |
透視和區分主成分或主成分分析，有時很容易混淆。 |
| |
因此，我將快速切入主題，從因子分析的角度向您展示因子與 PCA 的差異。 |
| |
所以這裡這些方塊代表觀察到的變量，我們正在測量的東西，我在這裡用藍色著色 |
| |
每個觀察變數的不同量，代表這些變數旨在測量的變異數。 所以這有點像是訊號。 我的意思是，有 |
| |
我們真正感興趣的是這個東西。 然後我們有這些灰色區域，它們代表來自其他來源的變異數的比例。 它可以是系統方差，但它只是方差而不是 |
| |
我們希望它從測量儀器中獲得什麼。 所以，它包含 |
| |
來源是每個變數獨有的方差，它們也包含測量誤差。 |
| |
那麼因子分析和 PCA 之間的差異在於，在因子分析中，潛在變數將僅捕獲以下共同變異數： |
| |
存在於所有這些觀察到的變數中，這就是潛在變數所佔的部分。 |
| |
這與 PCA 形成鮮明對比，PCA 的主成分錶示可以用資料維度解釋的最大變異量。 |
| |
所以你可以看到主成分將吸收盡可能多的方差 |
| |
這意味著由於我們打算測量的內容以及可能還有其他變異數來源，將會出現變異數合併。 所以這是一個非常重要的區別 |
| |
因為當我們想要衡量未觀察到的變數時，因素分析確實是更好的選擇，除非你知道我們的目標是否真的是降維，那麼PCA就是一個理想的工具。 |
| |
另請注意，此處的箭頭指向不同的方向。 這是因為在因子分析中，確實存在一個潛在的假設，即未觀察到的變數導致了我們觀察到的變異性。 |
| |
PCA 中的情況並非如此，因此您可以從圖中看到這種差異。 所以每當我們談論 |
| |
SEM 中的因子或潛在變量，我們很可能是從因子分析的角度討論潛在變數。 現在這裡有一個 |
| |
大型結構方程模型，我將先前展示的構建塊中的許多不同元素組合在一起。 當我們看到數字時，因為我們已經估計了這個模型。 |
| |
您會看到觀察到的變數正在預測其他變數。 我們有一些順序關係，這意味著 |
| |
一個變數導致另一個變量，然後又導致另一個變數。 這也是一個有趣的例子，因為我們這裡有一個潛在變量，它是由一些觀察到的變數預測的。 但這個潛在變數也 |
| |
反過來，預測其他變數。 因此，這張圖很好地說明了我們可以使用的許多用途，基本上是我們使用 SEM 的原因，包括我們想要在更大的範圍內建模的五個未觀察到的變量 |
| |
情境.我們或許想要考慮測量誤差。 這很重要，因為潛在變數被消除了測量誤差，因為它們只考慮了指標之間共有的變異數。 |
| |
我們...如果您還需要研究變數之間的順序關係，無論它們是觀察到的還是未觀察到的，SEM 都是一個很好的工具。 |
| |
最後，如果您有缺失數據，即使您只是進行回歸，SEM 也非常有幫助，因為 |
| |
您可以獲得的所有數據都將在估算過程中用於 SEM，至少在我們 JMP pro 中的演算法中是如此。 |
| |
所以…這些都是使用 SEM 的重要原因。 現在我還想用這個圖來介紹一些重要的術語，如果您認為 SEM 是一個，您肯定會多次遇到這些術語。 |
| |
您將在自己的工作中使用的工具。 所以我們討論了觀察到的變數。 在 SEM 行話中，這些也稱為清單變數。 |
| |
存在潛在的變數。 還有一些變數稱為外生變數。 在此範例中，只有兩個。 |
| |
這些變數僅預測其他變量，它們與內生變數形成對比，內生變數實際上有預測它們的變數。 所以在這裡，所有這些其他變數都是內生的。 |
| |
潛變量，它們指向的、它們預測的顯變量，也稱為潛在變量指標。 |
| |
最後，我們從因子分析的角度討論了獨特的因子變異數。 這些是一個因素的殘餘方差， |
| |
來自潛變量，這是潛變量無法解釋的方差，並且表示該變量特有的系統方差加上測量誤差的組合。 |
| |
好的。 |
| |
我發現，為了以更簡單的方式理解結構方程式建模，重要的是要將我們的注意力轉移到認識到我們真正要處理的資料上。 |
| |
底層的建模是我們資料的協方差結構。 我們也對手段、手段結構進行建模，但這超出了今天演示的範圍。 |
| |
但考慮這一點很重要，因為它會影響我們對數據的看法。 |
| |
您知道，我們習慣於查看資料表，我們有行，變數是我們的列，是的，那就是... |
| |
這些數據可用於啟動我們的 SEM 平台。 然而，我們的演算法實際上是在分析這些變數的協方差結構。 因此，當您考慮數據時，這些數據實際上是 |
| |
在引擎蓋下建模。 這對於我們考慮殘差時也有影響，因為 SEM 中的殘差與變異數和協方差相關 |
| |
你知道，我們估計的那些，與我們樣本中的那些相比。 因此，殘差，我們再次需要將重點轉移到我們習慣的內容上，從其他標準統計技術轉向真正的殘差 |
| |
讓我們來了解什麼是結構方程模型。 諸如自由度之類的概念也將是關於協方差的自由度 |
| |
矩陣。因此，一旦我們將焦點轉移，我認為理解結構方程模型就會容易得多。 |
| |
現在我想透過一個簡短的例子來說明 SEM 估計是如何運作的。 所以通常我們所做的就是先指定一個模型和最 |
| |
JMP Pro 和我們的 SEM 平台令人興奮的一點是，我們可以直接透過路徑圖指定模型，這使得它更加直觀。 |
| |
因此，當我們繪製路徑圖時，我們正在做的是指定一個統計模型，該模型意味著 |
| |
資料的協方差矩陣的結構。 因此，模型暗示了協方差結構，但是我們當然也可以存取樣本協方差矩陣。 |
| |
因此，在估計過程中發生的事情是，考慮到模型告訴我們資料之間的關係，而不是變數內部的關係，我們嘗試盡可能接近地匹配樣本協方差的值。 |
| |
一旦我們有了模型估計，我們就可以使用它們來獲得實際的 |
| |
我們可以將模型隱含的協方差矩陣與樣本協方差矩陣進行比較。 因此，透過查看這兩個矩陣之間的差異， |
| |
我們能夠獲得殘差，這使我們能夠了解我們的模型擬合或不擬合的程度。 簡而言之，這就是結構方程式建模的工作原理。 |
| |
現在我們已經完成了介紹。 因此，我想向您介紹我將在演示中使用的數據的一些背景資訊。 |
| |
這些數據來自《社會、心理和人格科學期刊》最近發表的一篇文章。 |
| |
本文的作者想回答一個簡單的問題。 他們問道：“Covid 19 的感知威脅如何影響我們的福祉和公共衛生行為？” 這個問題真正有趣的是，感知到的威脅 |
| |
Covid 19是一個非常抽象的概念。 這是一個我們沒有工具來測量它的結構。 這是我們無法直接觀察到的。 |
| |
這就是為什麼在本文中，他們必須先弄清楚如何衡量這些感知到的威脅。 |
| |
本文重點討論了兩種特定類型的威脅。 他們稱之為第一個現實威脅，因為它們與人身或財務安全有關。 |
| |
還有像徵性威脅，也就是對一個人的社會文化認同所構成的威脅。 |
| |
所以他們實際上提出了這個最終的威脅量表，他們經歷了非常嚴格的過程來制定這項調查，這個量表用來衡量現實威脅和象徵性威脅。 |
| |
在這裡你可以看到，人們必須回答冠狀病毒的爆發對你的個人健康有多大威脅（如果有的話）， |
| |
你知道，美國經濟，身為美國人意味著什麼，美國的價值觀和傳統。 基本上，這些問題集中在兩個不同的方面 |
| |
他們認為這種病毒的威脅是現實的，因為它涉及個人和財務健康問題。 |
| |
然後，象徵性威脅更與社會文化成分有關。 所以你可以在這裡看到所有這些問題。 |
| |
我們從他們所做的三項研究之一中獲得了數據。 這些數據來自 550 名參與者，他們回答了所有這些問題以及許多其他調查，因此我們將能夠在我們的演示中使用這些數據。 |
| |
我們將回答一些非常具體的問題。 第一個是，我們如何衡量對 Covid 19 威脅的看法。 我們感興趣的威脅有兩種類型。 問題是，鑑於這是一個如此抽象的概念，我們該如何做到這一點。 |
| |
這將帶我們討論驗證性因素分析以及評估調查有效性和可靠性的方法。 |
| |
我們不打算談論的一件事是第一步，即探索性因素分析。 這是我們在 SEM 之外所做的事情 |
| |
這是製定新量表或新調查的第一步，但在這裡我們將從驗證性因素分析步驟開始。 |
| |
第二個問題是對 Covid 19 威脅的看法是否可以預測健康和公共衛生行為？ 這將帶我們更多地討論回歸概念。 |
| |
最後，每種威脅對結果的影響是否相同？ 這就是我們要了解的非常獨特的地方 |
| |
SEM 的有用功能，使我們能夠對模型中的不同效應施加等式約束，並能夠進行系統性的模型比較來回答這些類型的問題。 |
| |
好的，現在是我們的演示時間了。 那麼，讓我繼續向您展示我已經在此處開啟的資料。 |
| |
請注意，我的數據表有大量列，因為參與者進行了許多不同的調查 |
| |
已回复，但這裡的前 10 列是這些問題，或者是我在該調查中向您展示的問題的答案。 |
| |
所以我們要做的是去分析，多元方法，結構方程模型，我們將使用這些 |
| |
調查的答案。 對於所有 10 個項目，我們將點擊模型變量，以便我們可以使用這些數據啟動我們的平台。 |
| |
現在，我有一個數據表，每行都有一個觀察值。 這就是寬資料格式，這就是我將要使用的格式。 |
| |
但請注意，還有另一個用於匯總資料的選項卡。 因此，如果您只有相關或協方差矩陣，現在可以將其輸入...好吧，您將能夠在 JMP 16 中執行此操作， |
| |
JMP Pro 16 是另一種選擇，因為請記住，歸根結底，我們真正要做的是對協方差結構進行建模。 因此您可以使用匯總資料來啟動平台。 |
| |
好吧，讓我們繼續並點擊“確定”。 我們首先看到的是這個模型規範窗口，它允許我們做各種有趣的事情。 |
| |
讓我們看看，在最右邊我們有圖表，請注意我們的圖表有一個預設規格。 所以我們的變數 |
| |
都有雙頭箭頭，這意味著它們都有差異 |
| |
他們也有一個平均值，但請注意，如果我右鍵單擊此處的畫布，我會得到一些選項來顯示平均值或截距。 所以 |
| |
再說一次，這超出了今天的範圍，所以我將隱藏這些內容，但要知道平台中的預設模型對於我們觀察到的每個變數都有差異和平均值。 |
| |
清單標籤包含與圖表相同的信息，但採用列表格式，它將拆分您的 |
| |
基於其類型的路徑或效果。 我們還有一個狀態步驟，可以為您提供有關您當時擁有的模型的大量資訊。 所以現在，它告訴我們， |
| |
你知道，我們擁有的自由度，因為這是我們在這裡指定的模型只是預設模型。 你知道，它還告訴我們數據詳細資訊和其他有用的信息。 |
| |
請注意，如果您的模型有問題，此處的小複選標記會發生變化。 因此，當您指定模型時，如果我們遇到看起來有問題或錯誤的內容，此選項卡的顏色和類型將發生變化 |
| |
因此，希望可以幫助您解決模型規範的任何類型的問題。 |
| |
好的，在最左邊，我們有一個用於輸入型號名稱的區域。 我們還有往返清單。 所以這使得在這裡選擇變數變得非常容易， |
| |
在從角色中，然後在目標角色中，無論這些角色在哪裡。 我們可以用單頭箭頭或雙頭箭頭將它們連接起來，我們知道，它們是回歸或載荷或方差或協方差。 |
| |
現在就我們現在的情況而言，我們真的想弄清楚如何衡量這種未被觀察到的對 Covid 19 的認知結構 |
| |
威脅。我知道我這裡的前五項是對作者標記為現實威脅的問題的答案。 所以我要選擇那些 |
| |
變量，現在我們將把潛在變量的預設名稱更改為“現實”，因為這將是現實威脅潛在變量。 所以我點擊加號按鈕。 請注意，我們會自動為您提供 |
| |
這項驗證性因素模型具有一個現實威脅因素。 這裡一個有趣的觀察是，第一次加載時有一個 1 |
| |
這顯示在這條路徑上，潛在變數對第一個觀察到的變數的影響固定為 1。 |
| |
我們需要它，否則我們的模型將無法被識別。 |
| |
因此，預設情況下，我們會將您的第一次載入修復為一個，以便識別模型並能夠獲得您的所有估計值。 |
| |
另一種方法是將潛在變數的變異數固定為 1，這也有助於識別模型，但這取決於您的選擇。 |
| |
好的，我們有了一個現實威脅的模型。 現在我要選擇那些象徵性威脅，我稱之為象徵性威脅，我們將繼續並添加 |
| |
我們的潛在變數。 我改變了我的決心。 所以現在我們看到的情況比我預期的少。 但我們開始了。 這就是我們的模型。 現在 |
| |
我們可能想要 |
| |
指定，這實際上非常重要， |
| |
現實和象徵性的威脅。 我們希望這些變數能夠變化、共同變化，因此，我們將在「來源」和「目標」清單中選擇它們，然後按一下雙頭箭頭來新增該協方差。 |
| |
請注意，這是我們完整的兩因素驗證性因素分析。 所以我們可以命名我們的模型並準備好運行。 因此，讓我們繼續並點擊“運行”。 |
| |
我們很快就得到了所有的估計。 一切都在這裡。 現在 |
| |
不過，我想提請您注意的是型號比較表。 原因是我們希望在嘗試解釋結果之前確保我們的模型非常適合。 |
| |
那麼讓我們來談談這個表中顯示的內容。 首先讓我們注意，這裡有兩個模型我們不適合，但平台在啟動時預設適合它們。 |
| |
我們將它們用作參考，即我們可以用來比較模型的基線。 我將在這裡向您展示不受限制的模型， |
| |
它是什麼，如果我們讓每個變數都互相共變，那就是無限制模型。 換句話說，這是我們在配合方面能做到最好的基準。 |
| |
現在，卡方統計量表示模型中的失配量。 因為我們在這裡沒有任何限制地估計每一個可能的方差和協方差， |
| |
這就是卡方為零的原因。 現在，我們的自由度也為零，因為我們正在估計一切。 所以它是一個完美擬合的模型，它可以作為......的基線。 |
| |
作為了解我們能做到最好的事情的基準。 |
| |
好吧，那麼獨立模型實際上就是我們第一次啟動平台時預設的模型。 因此，這是最壞情況的基線，也許不是最壞的情況，但卻是一個非常糟糕的模型。 |
| |
這是變數彼此完全不相關的情況。 您確實可以看到卡方統計量躍升至約 2000 個單位。 當然，我們現在有 45 個自由度，因為我們在這個模型中根本沒有進行太多估計。 |
| |
最後，我們有自己的兩因素驗證因素模型，我們也看到卡方很大，為 147 |
| |
具有 34 個自由度。 它比獨立模型小得多，所以值得慶幸的是，我們做得更好，但它仍然是一個顯著的卡方，表明數據存在顯著的不擬合。 |
| |
現在，SEM 面臨一項重大挑戰。 過去，人們意識到卡方會受到影響，它受到樣本量的影響。 這裡我們有 550 個觀察。 所以即使是非常合身的型號也很可能會有一點 |
| |
由於樣本量很大，結果很重要。 因此，我們開發了 SEM 獨有的適配指數，使我們能夠評估模型適配度，而不管卡方如何，這就是這些基準模型的用武之地。 |
| |
這裡的第一個稱為比較適合指數。 實際上它的範圍是從零到一。 您可以在此處看到，1 是完美擬合模型的值，0 是非常差的擬合模型（獨立模型）的值。 |
| |
和 |
| |
我一直無意中對這個進行排序。 好的，那麼這個指數對我們自己的模型來說意味著 0.9395。 這是比例，是的，這是我們的模型做得更好的比例 |
| |
與獨立模型相比。 所以這只是，你知道，比獨立模型好 94%，這非常好。 |
| |
準則規定 CFI 為 0.9 或更高是可以接受的。 我們通常希望它盡可能接近 1，0.95 是理想的值。 |
| |
然後我們也有 RMSCA，即近似的主平方根誤差，它表示每個自由度的失配量。 |
| |
所以我們希望它非常小。 它的範圍也從零到一。 你看，我們的模型有 0.07，大約 0.08， |
| |
一般來說，0.1 或更低是好的，足夠了，這就是我們希望看到的。 然後，在這過程中，我們對這項統計數據有了一些信心限制。 所以 |
| |
這表明該模型確實是一個很好的擬合......是一個可接受的擬合模型，因此我們將繼續嘗試並解釋它。 |
| |
但在真正了解模型的細節之前評估模型適配度非常重要，因為如果我們的模型從一開始就不太適合，我們就不會學到太多，或至少不會學到很多有用的信息。 |
| |
好吧，因為這是驗證性因素分析，所以我們會發現它非常有用（我右鍵單擊此處），現在我將在圖表上顯示標準化估計值。 好的。 這意味著我們將有 |
| |
此處估計相關性測量中的因子負荷，這對於解釋因子分析中的這些載荷非常有用且重要。 |
| |
這裡的這個值也將被重新調整，以便它代表這兩個潛在變數之間的實際相關性，在這種情況下是 |
| |
相關性的實質點。 在紅色小三角選單中，我們還可以以表格形式找到標準化參數係數，這樣我們就可以獲得有關標準誤差和Z統計量等更多詳細資訊。 |
| |
但您可以在這裡看到所有這些值都相當......您知道它們是相當可以接受的。 它們是觀察變數和潛在變數之間的相關性。 |
| |
這裡的值通常約為 0.48 至 0.8 左右。 所以這些都是相當不錯的價值觀。 我們希望它們盡可能高。 |
| |
關於我們的圖表（JMP pro 16 的一項功能），您會注意到的另一件事是 |
| |
這些觀察到的變數有一點陰影，這裡有一點灰色區域，它實際上代表了 |
| |
由潛在變數解釋的變異數。 所以這真的很酷，因為你真的可以從小陰影中直觀地看到像徵性威脅的變量 |
| |
實際上有更多的方差是由潛在變數解釋的。 因此，僅根據解釋了多少方差，這也許是比現實威脅因素更好的因素。 |
| |
現在我想提請您注意一個稱為評估測量模型的選項，這將非常有幫助，讓我們了解是否 |
| |
調查中的問題、個別問題其實都是好問題。 |
| |
我們知道，基於統計數據……指標的可靠性，我們希望我們的問題是可靠的，這就是我們在這一方面所繪製的。 所以請注意我們給了一點 |
| |
這裡列出了對於這些問題中的任何一個問題的可接受可靠性的建議閾值，事實上，您可以看到像徵性威脅是更好的 |
| |
看來那裡做得好一些。 與現實威脅相比，這些問題更可靠。 但整體來說，兩個都還不錯 |
| |
你知道，他們沒有越界這一事實並不可怕。 我的意思是，他們就在…這兩個問題圍繞著 |
| |
我們期望指標可靠性的足夠閾值。 我們這裡還有統計數據可以告訴我們複合材料的可靠性。 換句話說，如果我們抓住所有這些問題並 |
| |
也許抓住所有這些問題來尋找現實的威脅，我們會得到所有這些答案的平均分 |
| |
對個人來說，這將是現實威脅的綜合，我們可以對象徵性威脅做同樣的事情。 |
| |
所以我們這裡有的是可靠性指數。 順便說一下，所有這些指數的範圍都是從零到一。 |
| |
所以我們希望它們盡可能接近，因為我們希望它們非常可靠，我們在這裡看到這兩者 |
| |
複合材料具有足夠的可靠性。 因此，他們擅長使用平均分數進行其他分析。 |
| |
我們也建構了最大可靠性，這些更多的是潛在變數本身的可靠性值，而不是 |
| |
創造平均值。 因此，我們總是將這些值設定得更高一些，因為當您使用潛在變數時，您將獲得更好的度量。 |
| |
構造有效性矩陣為我們提供了大量有用的信息。 這裡的關鍵是，在這種情況下，下三角僅具有兩個因素之間的相關性。 |
| |
但對角線中的值代表從該因子的所有指標中提取的平均變異數。 |
| |
因此，在這裡您可以看到，平均而言，象徵性威脅比現實威脅具有更多可解釋的方差，但它們都具有實質價值，這很好。 |
| |
最重要的是，我們希望這些對角線值大於上三角形，因為上三角形代表兩個因素之間的重疊障礙。 |
| |
你可以想像，我們希望這些因素與它們自己的指標比與其他一些指標有更多的重疊和方差 |
| |
用不同的因素建構。 所以就在這裡，連同所有其他統計數據 |
| |
這些都是很好的證據，表明調查為我們提供了有效且可靠的答案，並且我們實際上可以用它來解決其他問題。 這就是我們要做的。 我們要結束這個，我要 |
| |
運行不同的模型，我們將重新啟動我們的平台，但這次我將使用... |
| |
我在這裡創建了幾個變數。 這兩個是 |
| |
綜合來看，它們是與現實和象徵性威脅相關的所有問題的平均值。 所以我這裡有這些綜合分數。 |
| |
我將對這些進行建模……我有一個焦慮測量方法。 我有一個衡量負面影響的措施。 我們還可以添加一點 CDC |
| |
堅持。這些就是人們是否遵守疾病預防控制中心的建議、公共衛生行為。 因此，我們將推出具有所有這些變數的平台。 |
| |
我在這裡想做的可能是專注於擬合迴歸模型。 所以我選擇了這些變數、我的預測因子、我的結果。 我只需單擊單向箭頭即可進行設定。 現在模型還沒有完全... |
| |
尚未正確指定，因為我們想確保我們的。 |
| |
嚴重特殊傳染性肺炎 |
| |
對於這裡的威脅，我們希望確保這些威脅彼此共變，因為我們沒有任何理由假設它們不會共變。 |
| |
與結果相同，它們需要共變，因為我們不想對它們的正交施加任何奇怪的限制。 |
| |
所以這本質上是一個路徑分析。 這是一個多元多元迴歸分析。 所以我們可以把它放在這裡，多元回歸，我們將繼續它並運行我們的模型。 |
| |
好的。 所以請注意，因為我們適合每個... |
| |
我們的自由度為零，因為我們已經估計了資料之間的每個變異數和協方差。 因此，儘管這個建議非常合適， |
| |
到目前為止我們所做的只是擬合迴歸模型。 我想要真正強調的是向您展示...我將更改圖表的佈局 |
| |
為了更容易顯示...兩種類型的威脅之間的關聯。 我想隱藏方差和協方差，你可以在這裡看到，只是... |
| |
我隱藏了其他邊緣，以便我們可以只專注於這兩個威脅對我們的三個結果的關係。 現在在我的數據表中，我已經使用擬合模型擬合了一個，我也使用了焦慮 |
| |
變數作為我的結果，同樣的兩個威脅作為預測變數。 我想把它們並排放置 因為我想向你展示事實上 |
| |
這裡焦慮預測迴歸的估計值與我們在 SEM 平台中對這兩個預測的值完全相同。 |
| |
這就是我們應該期待的。 擬合模型，我的意思是，這是迴歸。 到目前為止我們正在進行回歸。 |
| |
從技術上講，你可以說，好吧，如果我可以輕鬆地使用這三種不同的結果來運行其中的三個擬合模型，那麼 SEM 給我買的是什麼，那就更好了。 |
| |
嗯，可能，您可能不需要任何其他東西，這可能非常適合您的需求，但是 SEM 的一個獨特功能是我們可以直接測試是否存在 |
| |
等式...模型中的等式限制是否成立。 因此，我們的意思是，我可以採用這兩種效果（例如，對焦慮的現實和象徵性威脅效果），並且我可以使用此設定相等按鈕來施加相等約束。 注意這裡， |
| |
這些小標籤表明這兩條路徑將具有相同的效果。 然後我們就可以 |
| |
運行模型，我們現在可以在模型比較表中選擇這些模型，並將它們與比較所選模型選項進行比較。 |
| |
我們將得到的是卡方的變化。 因此，我們只看到卡方從一個模型到下一個模型的變化。 所以這基本上是說，好吧， |
| |
該模型會變得更糟，因為您現在添加了約束。 所以你獲得了一定程度的自由，你現在有更多的不適應，問題是，這種不適應很重要嗎？ |
| |
在這種情況下，答案是肯定的。 當然，這會受到樣本量的影響。 因此，我們也研究了 CFI 和 RMSEA 的差異，任何 0.01 或更大的值都表明 |
| |
這種不適應的情況是不容忽視的。 這是由這個限制增加的一個顯著的額外不適應。 |
| |
所以現在我們知道了，我們可以直接說…我們知道這是更好的擬合模型，沒有這種約束，我們可以斷言現實的威脅具有更大的積極性 |
| |
與象徵性威脅相比，與焦慮的關聯也有正面的顯著影響，但顯著性不強，不如統計上的強，不如現實的威脅強。 好的。 還有其他的 |
| |
我們這裡有有趣的效果。 因此，當會議即將結束時，我要做的就是提請您注意這個有趣的事情 |
| |
在這裡，兩種類型的威脅對遵守 CDC 行為有不同的影響。 而且文章確實 |
| |
非常注意這項發現，因為，你知道，這些都是威脅。 但正如你可能想像的那樣，那些感到個人受到威脅的人 |
| |
當健康或財務安全受到威脅時，他們更有可能遵守疾病預防控制中心關於保持社交距離和避免社交聚會的指導方針，而那些 |
| |
感到威脅是像徵性的，是對其社會文化價值的威脅， |
| |
這些人不太可能遵守疾病管制中心的行為，也許是因為他們覺得這些社會文化規範受到了威脅。 這是一個有趣的發現，我們看到在這裡我們當然可以測試該模型中許多其他路徑的等效性。 |
| |
好的，所以我想做的最後一件事就是向您展示（我們不會描述這個完整的模型），但我確實想向您展示當您將兩者結合在一起時會發生什麼 |
| |
（讓我們把它放大一點）迴歸和因子分析。 |
| |
要真正發揮結構方程模型的全部潛力，您應該對潛在變量進行建模，我們在這裡將這兩種威脅作為潛在變量，這使我們能夠真正消除這些威脅中的測量誤差 |
| |
調查項目以及潛在變數之間的模型關聯，這使我們能夠產生無偏效應，因為…未衰減的效應…因為我們在測量時考慮了測量誤差 |
| |
直接表示潛在變數和變數。 請注意，我們正在利用 SEM，因為我們正在研究許多不同因素之間的順序關聯，因此在這裡您可以看到我們很酷的圖表，其中 |
| |
我可以四處走動，嘗試向您展示我們擁有的所有酷炫效果，並強調我們的圖表是 |
| |
完全互動式，真正具有視覺吸引力，並且很快我們就可以根據線的類型識別顯著影響與非顯著影響（在本例中為這些虛線）。 所以 |
| |
再次為了真正發揮 SEM 的全部威力，您可以看到我們在這裡如何研究潛在變數的威脅，並研究它們與許多其他變數的關聯 |
| |
公共衛生行為和健康變數。 因此，我將在這裡停止演示 |
| |
讓您知道，除了幻燈片之外，我們還有一份非常有用的文檔，我們平台的測試人員James Koepfler 整理了一份非常棒的文檔，他在其中給出了一系列關於如何使用我們平台的非常好的技巧， |
| |
從指定模型，到如何比較模型的提示，什麼是合適的，什麼是嵌套模型，所有這些資訊我認為如果您決定使用，您會發現非常有價值 |
| |
該平台。 因此，絕對建議您前往 JMP 社群獲取這些對簡報進行補充的資料。 至此，我將結束它，一旦這一切上線，我們將回答問題。 非常感謝。 |
