Vocero
|
Transcripción
|
| Laura Castro-Schilo |
Hola a todos. Bienvenido. Esta sesión trata sobre el ABC del modelado de ecuaciones estructurales y lo que voy a intentar es dejarte con suficientes herramientas para que puedas sentirte cómodo. |
| |
para especificar modelos e interpretar los resultados del ajuste de modelos utilizando la plataforma de modelado de ecuaciones estructurales y JMP Pro. |
| |
Ahora lo que vamos a hacer es comenzar dándole una introducción a lo que es el modelado de ecuaciones estructurales y, en particular, a aprovechar las conexiones que tiene con el análisis factorial y el análisis de regresión. |
| |
Y luego vamos a hablar un poco sobre cómo se utilizan los diagramas de ruta en SEM y su importante papel dentro de este marco de modelado. |
| |
Voy a intentar que la introducción sea breve para que realmente podamos dedicar tiempo a nuestros ejemplos prácticos. Entonces, después de la introducción, presentaré los datos que usaré para la demostración. Resulta que estos datos son |
| |
sobre las percepciones de las amenazas del virus Covid 19. Entonces, después de introducir esos datos, |
| |
Vamos a empezar a ver cómo especificar modelos e interpretar sus resultados dentro de la plataforma, específicamente respondiendo |
| |
Unas cuantas preguntas. Ahora, estas, estas preguntas nos van a permitir abordar dos técnicas muy importantes que se pueden realizar con un SEM. Uno es el análisis factorial confirmatorio y también la regresión multivariada. |
| |
Y para resumir, les mostraré solo una breve |
| |
modelo en el que juntamos tanto el modelo factorial confirmatorio, como los modelos de regresión y de esa manera puedes ver realmente el potencial que tiene el SEM para usarlo con tus propios datos para tu propio trabajo. |
| |
Muy bien, ¿qué es SEM? El modelado de ecuaciones estructurales es un marco donde se unen el análisis factorial y el análisis de regresión. |
| |
Y desde el punto de vista del análisis factorial, lo que podemos obtener es la capacidad de medir cosas que no observamos directamente. |
| |
Y en el lado de la regresión, podemos examinar las relaciones entre variables, ya sean observadas o no. Entonces, cuando juntamos esas dos herramientas, terminamos con un marco muy flexible, que es SEM, donde podemos adaptar varios modelos diferentes. |
| |
Los diagramas de ruta son una herramienta única dentro de SEM, porque todos los modelos estadísticos de ecuaciones estructurales, los modelos reales, se pueden representar a través de un diagrama. Y entonces tenemos que aprender sólo algunos |
| |
notación sobre cómo se dibujan esos diagramas. Y entonces los cuadrados representan variables observadas, |
| |
los círculos representan variables latentes, las varianzas o covarianzas se representan con flechas de doble punta y las regresiones y cargas se representan |
| |
representado con flechas de una sola punta. Ahora, como nota al margen, también hay un triángulo que se utiliza para los diagramas de ruta. |
| |
Pero eso está fuera del alcance de lo que vamos a hablar hoy. El triángulo se utiliza para representar medias e intersecciones. Y desafortunadamente, tampoco tenemos suficiente tiempo para hablar sobre todas las cosas maravillosas que podemos hacer con los medios. |
| |
Está bien. Pero también quiero mostrarles algunos aspectos fundamentales... de los componentes básicos de |
| |
x, que está en una caja, predice y, |
| |
que también está en una caja. Entonces sabemos que son variables observadas y que cada una de ellas tiene flechas de dos puntas que comienzan y terminan en sí mismas, lo que significa que son variaciones. |
| |
Para x, esta flecha es simplemente sus variantes, pero para y, las flechas de dos puntas representan una varianza residual. |
| |
Ahora, por supuesto, quizás sepas que en SEM, un resultado puede ser tanto un resultado como un predictor. Entonces puedes imaginar tener otra variable z que y también podría predecir, de modo que podamos juntar tantas regresiones como estemos interesados dentro de un modelo. |
| |
El segundo bloque básico para construir SEM son los modelos factoriales confirmatorios y, como mínimo, |
| |
El ejemplo más básico de esto se muestra aquí, donde especificamos un factor o una variable latente, que no se observa pero es |
| |
se muestra aquí con flechas que apuntan a w, xey porque se cree que la variable latente causa la variabilidad común que vemos en w, xey. |
| |
Ahora, esto de aquí se llama modelo de factor confirmatorio, es sólo un factor. Y creo que es realmente importante comprender las distinciones de un factor en la analítica factorial. |
| |
perspectiva y distinguirla de los componentes principales o del análisis de componentes principales, que a veces son fáciles de confundir. |
| |
Así que tomaré una tangente rápida para mostrarles qué tiene de diferente un factor desde una perspectiva analítica factorial y desde una perspectiva PCA. |
| |
Entonces aquí estos cuadrados están destinados a representar variables observadas, las cosas que estamos midiendo, y los coloreé aquí en azul. |
| |
diferentes cantidades de cada variable observada, lo que representa la varianza que esas variables pretenden medir. Entonces es algo así como la señal. Quiero decir, hay |
| |
son estas cosas las que realmente nos interesan. Y luego tenemos estas áreas grises que representan una proporción de variación que proviene de otras fuentes. Puede ser una variación sistemática, pero es simplemente una variación que no es |
| |
lo que queremos que recoja de nuestro instrumento de medición. Entonces, contiene |
| |
Las fuentes son varianzas que son únicas para cada una de estas variables y también contienen errores de medición. |
| |
Entonces, ¿cuál es la diferencia entre el análisis factorial y el PCA? Es que en el análisis factorial, una variable latente capturará solo la varianza común que |
| |
existe en todas estas variables observadas, y esa es la parte que representa la variable latente. |
| |
Y eso contrasta con el PCA, donde un componente principal representa la cantidad máxima de varianza que puede explicarse en las dimensiones de los datos. |
| |
Y entonces se puede ver que el componente principal va a captar tanta variación como pueda explicar. |
| |
y eso significa que habrá una combinación de varianza debido a lo que pretendíamos medir y quizás también otras fuentes de varianza. Entonces esta es una distinción muy importante, |
| |
porque cuando queremos medir variables no observadas, el análisis factorial es de hecho una mejor opción, a menos que sepamos si nuestro objetivo realmente es la reducción de dimensiones, entonces el PCA es una herramienta ideal para eso. |
| |
Observe también aquí que las flechas apuntan en diferentes direcciones. Y eso se debe a que en el análisis factorial realmente existe una suposición subyacente de que esa variable no observada está causando la variabilidad que observamos. |
| |
Y ese no es el caso en PCA, por lo que pueden ver esa distinción aquí en el diagrama. Así que cada vez que hablamos de |
| |
un factor o una variable latente en SEM, lo más probable es que estemos hablando de una variable latente desde esta perspectiva del análisis factorial. Ahora aquí hay un |
| |
modelo de ecuación estructural grande donde he reunido una serie de elementos diferentes de los bloques de construcción que mostré antes. Cuando vemos números porque hemos estimado este modelo. |
| |
Y ves que hay variables observadas que predicen otras variables. Tenemos algunas relaciones secuenciales, lo que significa que |
| |
una variable conduce a otra, que luego conduce a otra. Este también es un ejemplo interesante porque aquí tenemos una variable latente que está siendo predicha por alguna variable observada. Pero esta variable latente también |
| |
a su vez, predice otras variables. Y así ilustra, este diagrama ilustra muy bien, una serie de usos que podemos tener, básicamente por razones que podemos tener para usar SEM, incluidas las cinco variables no observadas que queremos modelar dentro de un marco más amplio. |
| |
contexto. Quizás queramos tener en cuenta el error de medición. Y eso es importante porque las variables latentes se eliminan del error de medición porque sólo representan la varianza que es común entre sus indicadores. |
| |
Nosotros... si también tienes la necesidad de estudiar relaciones secuenciales entre variables, ya sean observadas o no, SEM es una excelente herramienta para eso. |
| |
Y, por último, si le faltan datos, SEM también puede ser muy útil incluso si solo tiene una regresión, porque |
| |
Todos los datos que están disponibles para usted se utilizarán en SEM durante la estimación, al menos dentro de los algoritmos que tenemos en JMP pro. |
| |
Entonces... esas son realmente buenas razones para usar SEM. Ahora quiero usar este diagrama también para presentar terminología importante que seguramente encontrarás varias veces si decides que SEM es una |
| |
una herramienta que vas a utilizar en tu propio trabajo. Entonces hablamos de variables observadas. También se denominan variables manifiestas en la jerga SEM. |
| |
Hay variables latentes. También existen variables llamadas exógenas. En este ejemplo, solo hay dos. |
| |
Y esas son variables que sólo predicen otras variables y están en contraste con las variables endógenas, que en realidad tienen variables que las predicen. Así que aquí todas estas otras variables son endógenas. |
| |
Las variables latentes, las variables manifiestas a las que apuntan, que predicen, también se denominan indicadores de variables latentes. |
| |
Y, por último, hablamos de la varianza del factor único desde una perspectiva analítica de factores. Y esas son estas variaciones residuales de un factor, |
| |
de una variable latente, que es la varianza que no se explica por la variable latente y representa tanto la combinación de la varianza sistemática que es exclusiva de esa variable más el error de medición. |
| |
Está bien. |
| |
Descubrí que para comprender el modelado de ecuaciones estructurales de una manera un poco más fácil, es importante cambiar nuestro enfoque y darnos cuenta de que los datos que realmente estamos |
| |
El modelado oculto es la estructura de covarianza de nuestros datos. También modelamos los medios, la estructura de los medios, pero nuevamente, eso está fuera del alcance de la presentación de hoy. |
| |
Pero es importante pensar en esto porque tiene implicaciones para lo que creemos que son nuestros datos. |
| |
Ya sabes, estamos acostumbrados a ver nuestras tablas de datos y tenemos filas y variables como nuestras columnas, y sí, eso es... |
| |
Estos datos se pueden utilizar para lanzar nuestra plataforma SEM. Sin embargo, nuestros algoritmos, en el fondo, en realidad están analizando la estructura de covarianza de esas variables. Entonces, cuando piensas en los datos, estos son realmente los datos que están |
| |
siendo modelado bajo el capó. Eso también tiene implicaciones cuando pensamos en los residuos, porque los residuos en SEM son con respecto a las varianzas y covarianzas de |
| |
ya sabes, los que estimamos, a diferencia de los que tenemos en la muestra. Entonces, nuevamente, necesitamos un pequeño cambio de enfoque en materia de residuos, hacia lo que estamos acostumbrados, desde otras técnicas estadísticas estándar a técnicas realmente |
| |
Entender qué son los modelos de ecuaciones estructurales. Y cosas... conceptos como grados de libertad también van a ser grados de libertad con respecto a la covarianza. |
| |
matriz. Y una vez que hagamos este cambio de enfoque, creo que será mucho más fácil entender los modelos de ecuaciones estructurales. |
| |
Ahora quiero repasar un breve ejemplo de cómo funciona la estimación SEM. Por lo general, lo que hacemos es comenzar especificando un modelo y lo más |
| |
Lo interesante de JMP Pro y nuestra plataforma SEM es que podemos especificar ese modelo directamente a través de un diagrama de ruta, lo que lo hace mucho más intuitivo. |
| |
Y ese diagrama de ruta, mientras lo dibujamos, lo que estamos haciendo es especificar un modelo estadístico que implica la |
| |
estructura de la matriz de covarianza de los datos. Entonces, el modelo implica esa estructura de covarianza, pero, por supuesto, también tenemos acceso a la matriz de covarianza de la muestra. |
| |
Entonces, lo que sucede durante la estimación es que intentamos hacer coincidir los valores de la covarianza muestral lo más cerca posible, dado lo que el modelo nos dice que son las relaciones entre los datos, no dentro de las variables. |
| |
Y una vez que tenemos las estimaciones de nuestro modelo, las usamos para obtener una estimación real. |
| |
matriz de covarianza implícita en el modelo que podemos comparar con la matriz de covarianza de muestra. Entonces, al observar la diferencia entre esas dos matrices, |
| |
Podemos obtener residuos, lo que nos permite tener una idea de qué tan bien encajan o no nuestros modelos. En pocas palabras, así es como funciona el modelado de ecuaciones estructurales. |
| |
Ahora hemos terminado con la introducción. Por eso quiero presentarles un poco de contexto sobre los datos que usaré para nuestra demostración. |
| |
Estos datos provienen de un artículo publicado muy recientemente en el Journal of Social, Psychological and Personality Science. |
| |
Y los autores de este artículo querían responder una pregunta sencilla. Dijeron: "¿Cómo afectan las amenazas percibidas de Covid 19 a nuestro bienestar y comportamientos de salud pública?" Ahora bien, lo realmente interesante de esta pregunta es que las amenazas percibidas de |
| |
Covid 19 es un concepto muy abstracto. Es un constructo para el cual no tenemos un instrumento para medirlo. Es algo que no observamos directamente. |
| |
Y es por eso que en este artículo, primero tuvieron que descubrir cómo medir esas amenazas percibidas. |
| |
Y el artículo se centró en dos tipos específicos de amenazas. A las primeras las llaman amenazas realistas porque están relacionadas con la seguridad física o financiera. |
| |
Y también las amenazas simbólicas, que son aquellas amenazas que se plantean a la propia identidad sociocultural. |
| |
Y entonces llegaron a esta escala de amenaza final, pasaron por un proceso muy riguroso para desarrollar esta encuesta, esta escala para medir la amenaza realista y la amenaza simbólica. |
| |
Aquí puede ver que la gente tuvo que responder hasta qué punto representa una amenaza, si la hay, el brote de coronavirus para su salud personal. |
| |
ya sabes, la economía estadounidense, lo que significa ser estadounidense, los valores y tradiciones estadounidenses. Básicamente, estas preguntas se centran en dos aspectos diferentes de la |
| |
amenaza del virus, que consideran realista, porque se refiere a cuestiones de salud personal y financiera. |
| |
Y luego la amenaza simbólica tiene más que ver con ese componente cultural social. Entonces puedes ver todas esas preguntas aquí. |
| |
Y obtuvimos los datos de uno de los tres estudios que hicieron. Y esos datos de 550 participantes que respondieron todas estas preguntas además de otras encuestas, podremos utilizar esos datos en nuestra demostración. |
| |
Y vamos a responder algunas preguntas muy específicas. La primera es, ¿cómo hacemos para medir las percepciones sobre las amenazas de Covid 19? Hay dos tipos de amenazas que nos interesan. Y la pregunta es, ¿cómo hacemos esto, dado que es un concepto tan abstracto? |
| |
Y esto nos llevará a hablar sobre el análisis factorial confirmatorio y las formas en que podemos evaluar la validez y confiabilidad de nuestras encuestas. |
| |
Sin embargo, una cosa de la que no vamos a hablar es del primer paso, que es el análisis factorial exploratorio. Eso es algo que hacemos fuera del SEM. |
| |
y es algo que debería hacerse como primer paso para desarrollar una nueva escala o una nueva encuesta, pero aquí vamos a comenzar con el paso del análisis factorial confirmatorio. |
| |
Una segunda pregunta es: ¿las percepciones sobre las amenazas de Covid 19 predicen los comportamientos de bienestar y salud pública? Y esto nos llevará a hablar más sobre conceptos de regresión. |
| |
Y, por último, ¿son iguales los efectos de cada tipo de amenaza sobre los resultados? Y aquí es donde vamos a aprender acerca de una muy singular |
| |
Característica útil de SEM, que nos permite imponer restricciones de igualdad a diferentes efectos dentro de nuestros modelos y poder realizar comparaciones sistemáticas de modelos para responder este tipo de preguntas. |
| |
Bien, entonces es hora de nuestra demostración. Así que déjenme seguir adelante y mostrarles los datos, que ya tengo abiertos aquí. |
| |
Observe que mis tablas de datos tienen un montón de columnas, porque hay varias encuestas diferentes que los participantes |
| |
respondí, pero las primeras 10 columnas aquí son esas preguntas, o las respuestas a las preguntas que les mostré en esa encuesta. |
| |
Entonces, lo que vamos a hacer es analizar métodos multivariados, modelos de ecuaciones estructurales y los usaremos. |
| |
respuestas de la encuesta. En los 10 elementos, haremos clic en las variables del modelo para que podamos iniciar nuestra plataforma con esos datos. |
| |
Ahora, ahora tengo una tabla de datos que tiene una observación por fila. Eso es el formato de datos amplio, y eso es lo que voy a utilizar. |
| |
Pero observe que hay otra pestaña para resumir datos. Entonces, si solo tiene la matriz de correlación o covarianza, ahora puede ingresarla en... bueno, podrá hacerlo en JMP 16, |
| |
JMP Pro 16 y esa es otra opción porque, recuerden que al final del día, lo que realmente estamos haciendo aquí es modelar estructuras de covarianza. Por lo tanto, puede utilizar datos resumidos para iniciar la plataforma. |
| |
Muy bien, sigamos adelante y hagamos clic en Aceptar. Y lo primero que vemos es esta ventana de especificación del modelo que nos permite hacer todo tipo de cosas divertidas. |
| |
Veamos, en el extremo derecho aquí tenemos el diagrama y observemos que nuestro diagrama tiene una especificación predeterminada. Entonces nuestras variables |
| |
Todos tienen flechas de dos puntas, lo que significa que todos tienen una variación. |
| |
También tienen una media, pero observe si hago clic derecho en el lienzo aquí y aparecen algunas opciones para mostrar las medias o las intersecciones. Entonces |
| |
Nuevamente, esto está fuera del alcance de hoy, así que los mantendré ocultos, pero sepa que el modelo predeterminado en la plataforma tiene variaciones y medias para cada variable que observamos. |
| |
La pestaña de lista contiene la misma información que el diagrama, pero en formato de lista y dividirá su |
| |
rutas o efectos según su tipo. También tenemos un paso de estado que te brinda mucha información sobre el modelo que tienes en ese mismo momento. Así que ahora mismo nos dice: |
| |
ya sabes, los grados de libertad que tenemos, dado que este es el modelo que hemos especificado aquí, es solo el modelo predeterminado. Y también nos dice, ya sabes, detalles de datos y otras cosas útiles. |
| |
Observe que esta pequeña marca de verificación aquí cambia si hay un problema con su modelo. Entonces, mientras especifica su modelo, si encontramos algo que parece problemático o un error, esta pestaña cambiará de color y tipo. |
| |
Por lo tanto, será útil para ayudarlo a resolver cualquier tipo de problema con las especificaciones del modelo. |
| |
Bien, en el extremo izquierdo tenemos un área para tener el nombre del modelo. Y también tenemos listas desde y hacia. Y esto hace que sea muy fácil seleccionar variables aquí, |
| |
en el rol de origen y luego de destino, dondequiera que estén. Y podemos conectarlas con flechas de una o dos puntas, que sabemos que son regresiones, cargas, varianzas o covarianzas. |
| |
Ahora, para nuestro caso actual, realmente queremos descubrir cómo medimos esta construcción no observada de percepciones de Covid 19. |
| |
amenaza. Y sé que los primeros cinco elementos que tengo aquí son las respuestas a preguntas que los autores denominaron amenazas realistas. Así que voy a seleccionar esos |
| |
variables y ahora aquí vamos a cambiar el nombre predeterminado de latente a realista porque esa será la variable latente de amenaza realista. Entonces hago clic en el botón más. Y ojo, automáticamente te damos |
| |
este modelo factorial confirmatorio con un factor para amenaza realista. Una observación interesante aquí es que hay un 1 en esta primera carga. |
| |
eso indica que este camino, este efecto de la variable latente sobre la primera variable observada se fija en uno. |
| |
Y necesitamos tener eso, porque de lo contrario nuestro modelo no sería identificado. |
| |
Por lo tanto, de forma predeterminada, fijaremos cuál es su primera carga en uno para identificar el modelo y poder obtener todas sus estimaciones. |
| |
Una alternativa sería fijar la varianza de la variable latente en uno, lo que también ayudaría a identificar el modelo, pero es una cuestión de elección. |
| |
Muy bien, entonces tenemos un modelo para una amenaza realista. Y ahora voy a seleccionar aquellas que son amenazas simbólicas y las llamaré simbólicas y vamos a presionar "Continuar y agregar". |
| |
nuestra variable latente para eso. Cambié mi resolución. Y ahora estamos viendo un poco menos de lo que esperaba. Pero allá vamos. Ahí está nuestro modelo. Ahora |
| |
podríamos querer |
| |
especificar, y esto es realmente muy importante, |
| |
amenazas realistas y simbólicas. Esperamos que varíen, covaríen y, por lo tanto, los seleccionaríamos en nuestra lista desde y hasta y haríamos clic en nuestra flecha de doble punta para agregar esa covarianza. |
| |
Y observen que este es nuestro análisis factorial confirmatorio completo de dos factores. Entonces podemos nombrar nuestro modelo y estamos listos para ejecutar. Así que sigamos adelante y hagamos clic en Ejecutar. |
| |
Y tenemos todas nuestras estimaciones muy rápidamente. Todo está aquí. Ahora |
| |
Sin embargo, sobre lo que quiero llamar su atención es sobre la tabla de comparación de modelos. Y la razón es porque queremos asegurarnos de que nuestro modelo se ajuste bien antes de intentar interpretar los resultados. |
| |
Entonces, hablemos de lo que aparece en esta tabla. Primero, observemos que hay dos modelos aquí que no ajustamos, pero la plataforma los ajusta de forma predeterminada al iniciarse. |
| |
Y los usamos como una especie de referencia, una línea de base que podemos usar para comparar un modelo. El modelo sin restricciones que os mostraré aquí, |
| |
Lo que es, si tuviéramos todas las variables covariando entre sí, ese es el modelo sin restricciones. En otras palabras, es una base para saber qué es lo mejor que podemos hacer en términos de ajuste. |
| |
Ahora, la estadística de chi cuadrado representa la cantidad de desajuste en un modelo. Y debido a que aquí estamos estimando todas las varianzas y covarianzas posibles sin ninguna restricción, |
| |
por eso el chi cuadrado es cero. Ahora también tenemos cero grados de libertad porque estamos estimando todo. Y entonces es un modelo que encaja perfectamente y sirve como base para... |
| |
sirve como base para comprender qué es lo mejor que podemos hacer. |
| |
Muy bien, entonces el modelo de independencia es en realidad el modelo que teníamos aquí como predeterminado cuando lanzamos la plataforma por primera vez. Así que ese es un punto de referencia para lo peor, tal vez no lo peor, pero sí un modelo bastante malo. |
| |
Es aquel en el que las variables no están completamente correlacionadas entre sí. Y se puede ver, de hecho, que la estadística de chi cuadrado salta a unas 2000 unidades. Pero, por supuesto, ahora tenemos 45 grados de libertad porque no estamos estimando mucho en este modelo. |
| |
Y finalmente tenemos nuestro propio modelo factorial confirmatorio de dos factores y también vemos que el chi cuadrado es grande, es 147. |
| |
con 34 grados de libertad. Es mucho más pequeño que el modelo de independencia, por lo que afortunadamente nos está yendo mejor, pero sigue siendo un chi cuadrado significativo, lo que sugiere que hay un desajuste significativo en los datos. |
| |
Ahora, aquí hay un gran desafío con SEM. En el pasado, la gente se daba cuenta de que el chi cuadrado se ve afectado, está influenciado por el tamaño de la muestra. Y aquí tenemos 550 observaciones. Por lo tanto, es muy probable que incluso los modelos que se ajustan bien tengan un poco |
| |
Va a resultar significativo debido al gran tamaño de la muestra. Entonces, lo que sucedió es que se desarrollaron índices de ajuste que son exclusivos de SEM para permitirnos evaluar el ajuste del modelo, independientemente del chi cuadrado y ahí es donde entran estos modelos de referencia. |
| |
El primero aquí se llama índice de ajuste comparativo. En realidad, oscila entre cero y uno. Puede ver aquí que uno es el valor de un modelo que se ajusta perfectamente y cero es el valor del modelo que se ajusta muy mal, el modelo de independencia. |
| |
Y |
| |
Sigo clasificando esto por accidente. Bien, ¿qué significa este índice para nuestro propio modelo? .9395. Es la proporción, sí, es una proporción de cuánto mejor lo estamos haciendo con nuestro modelo. |
| |
en comparación con el modelo independentista. Así que esto es, ya sabes, un 94% mejor que el modelo de independencia, lo cual es bastante bueno. |
| |
Las pautas son que un CFI de 0,9 o más es aceptable. Generalmente queremos que sea lo más cercano posible a uno y .95 es ideal. |
| |
También tenemos este RMSCA, la raíz del error cuadrático principal de aproximación, que representa la cantidad de desajuste por grado de libertad. |
| |
Y por eso queremos que esto sea muy pequeño. También varía de cero a uno. Y verá aquí, nuestro modelo tiene .07, aproximadamente .08, |
| |
y en términos generales .1 o menos es bueno, es adecuado y eso es lo que queremos ver. Y luego, en el camino, obtenemos algunos límites de confianza en torno a esta estadística. Entonces |
| |
Lo que esto sugiere es que, de hecho, el modelo se ajusta bien... es un modelo de ajuste aceptable y, por lo tanto, vamos a seguir adelante e intentar interpretarlo. |
| |
Pero es realmente importante evaluar el ajuste del modelo antes de entrar realmente en los detalles del modelo porque no vamos a aprender mucho, o al menos no mucha información útil, si nuestro modelo no se ajusta bien desde el principio. |
| |
Muy bien, debido a que este es un análisis factorial confirmatorio, nos resultará muy útil mostrarlo (hago clic derecho aquí), y ahora mostraré las estimaciones estandarizadas en el diagrama. Está bien. Esto significa que vamos a tener |
| |
estimaciones aquí para las cargas factoriales que están en la métrica de correlación, lo cual es realmente útil e importante para interpretar estas cargas en el análisis factorial. |
| |
Este valor aquí también será reescalado para que represente la correlación real entre estas dos variables latentes, que en este caso es |
| |
punto sustancial para la correlación. En el menú del triángulo rojo, también podemos encontrar los coeficientes de los parámetros estandarizados en forma de tabla para que podamos obtener más detalles sobre los errores estándar y la estadística Z, etc. |
| |
Pero puedes ver aquí que todos estos valores son bastante... sabes que son bastante aceptables. Son la correlación entre la variable observada y la variable latente. |
| |
Y por lo general son entre .48 y .8 aproximadamente por aquí. Entonces esos son valores bastante decentes. Queremos que sean lo más altos posible. |
| |
Y otra cosa que notarás aquí sobre nuestros diagramas, que es una característica de JMP pro 16, es que |
| |
Estas variables observadas tienen un poco de sombra, una pequeña área gris aquí, que en realidad representa la cantidad o porción de |
| |
varianza explicada por la variable latente. Así que es realmente genial, porque puedes ver visualmente a partir del pequeño sombreado que las variables para amenazas simbólicas |
| |
en realidad tienen una mayor parte de su varianza explicada por la variable latente. Entonces, tal vez este sea un factor mejor que el factor de amenaza realista, basándose simplemente en observar cuánta varianza se explica. |
| |
Ahora quiero llamar su atención sobre una opción llamada evaluar el modelo de medición y que será muy útil para permitirnos comprender si |
| |
las preguntas, las preguntas individuales de esa encuesta son en realidad buenas preguntas. |
| |
Sabemos que, basándonos en las estadísticas... la confiabilidad del indicador, queremos que nuestras preguntas sean confiables y eso es lo que estamos tramando de este lado. Así que fíjate que damos un poco |
| |
Haga línea aquí para obtener un umbral sugerido de lo que es una buena confiabilidad aceptable para cualquiera de estas preguntas y podrá ver, de hecho, que la amenaza simbólica es una mejor opción. |
| |
Parece estar un poco mejor allí. Las preguntas son más fiables en comparación con la amenaza realista. Pero en general ambos son bastante buenos. |
| |
Ya sabes, el hecho de que no crucen la línea no es terrible. Quiero decir, están por ahí... estas dos preguntas están por ahí. |
| |
umbral adecuado que esperaríamos para la confiabilidad del indicador. También tenemos aquí estadísticas que nos informan sobre la confiabilidad del compuesto. En otras palabras, si tomáramos todas estas preguntas y |
| |
tal vez tomemos todas estas preguntas para encontrar una amenaza realista y obtengamos una puntuación promedio para todas esas respuestas. |
| |
por individuo, esa sería una combinación para una amenaza realista y podríamos hacer lo mismo para una amenaza simbólica. |
| |
Y lo que tenemos aquí es ese índice de confiabilidad. Todos estos índices, por cierto, van de cero a uno. |
| |
Por eso queremos que estén lo más cerca posible de uno porque queremos que sean muy confiables y vemos aquí que ambos |
| |
Los compuestos tienen una confiabilidad adecuada. Por lo tanto, son buenos en términos de utilizar una puntuación promedio entre ellos para otros análisis. |
| |
También tenemos una confiabilidad máxima del constructo y estos son más los valores de confiabilidad para las variables latentes mismas que |
| |
creando promedios. Por lo tanto, siempre tendremos estos valores un poco más altos porque cuando se usan variables latentes, se obtienen mejores medidas. |
| |
La matriz de validez de constructo nos brinda mucha información útil. La clave aquí es que el triangular inferior simplemente tiene la correlación entre los dos factores en este caso. |
| |
Pero los valores en la diagonal representan la varianza promedio extraída de todos los indicadores del factor. |
| |
Y aquí se ve que las amenazas simbólicas tienen en promedio más varianza explicada que las amenazas realistas, pero ambas tienen valores sustanciales aquí, lo cual es bueno. |
| |
Y lo más importante, queremos que estos valores diagonales sean mayores que el triangular superior porque el triangular superior representa las barreras superpuestas entre los dos factores. |
| |
Y como puedes imaginar, queremos que los factores tengan más superposiciones y variaciones con sus propios indicadores que con otros. |
| |
construir con un factor diferente. Y esto aquí, junto con todas estas otras estadísticas. |
| |
son una buena prueba de que la encuesta nos está dando respuestas válidas y fiables y que, de hecho, podemos utilizarla para responder a otras preguntas. Y eso es lo que vamos a hacer aquí. Vamos a cerrar esto y voy a |
| |
ejecutar un modelo diferente, vamos a relanzar nuestra plataforma, pero esta vez voy a usar... |
| |
Tengo un par de variables aquí que creé. Estos dos son |
| |
compuestos, son promedios de todas las preguntas relacionadas con amenazas realistas y simbólicas. Así que tengo esas puntuaciones compuestas aquí mismo. |
| |
Y voy a modelarlos junto con... tengo una medida para la ansiedad. Tengo una medida para el afecto negativo. Y también podemos agregar un poquito del CDC. |
| |
adherencia. Se trata de si las personas siguen las recomendaciones de los CDC, los comportamientos de salud pública. Y entonces lanzaremos la plataforma con todas estas variables. |
| |
Y lo que quiero hacer aquí es quizás centrarme en ajustar un modelo de regresión. Entonces seleccioné esas variables, mis predictores, mis resultados. Y simplemente hago clic en la flecha de una punta para configurarlo. Ahora el modelo no está completamente... |
| |
especificado correctamente todavía porque queremos asegurarnos de que ambos nuestros. |
| |
COVID-19 |
| |
amenazas aquí, queremos asegurarnos de que covarían entre sí, porque no tenemos ninguna razón para suponer que no covarían. |
| |
Lo mismo ocurre con el resultado, deben covariar porque no queremos imponer restricciones extrañas sobre su ortogonalidad. |
| |
Y esto de aquí es esencialmente un análisis de ruta. Es un análisis multivariado de regresión múltiple. Entonces podemos ponerlo aquí, regresión multivariada, y vamos a seguir con esto y ejecutar nuestro modelo. |
| |
Bueno. Así que note que debido a que nos adaptamos a todos... |
| |
Tenemos cero grados de libertad porque hemos estimado cada varianza y covarianza entre los datos. Entonces, aunque esta sugerencia encaja perfectamente, |
| |
Todo lo que hemos hecho hasta ahora es ajustar un modelo de regresión. Y lo que quiero hacer para enfatizar esto es mostrarles... Voy a cambiar el diseño de mi diagrama. |
| |
para que sea más fácil mostrar... las asociaciones entre ambos tipos de amenazas. Quiero ocultar variaciones y covarianzas y puedes ver aquí, solo... |
| |
He ocultado los otros bordes para que podamos centrarnos en las relaciones que estas dos amenazas tienen en nuestros tres resultados. Ahora, en mi tabla de datos, ya ajusté un modelo de ajuste, usé la ansiedad de la misma manera. |
| |
variable como mi resultado y las mismas dos amenazas como predictores. Y quiero ponerlos uno al lado del otro porque quiero mostrarles que, de hecho, |
| |
Las estimaciones para la regresión de la predicción de ansiedad aquí son exactamente los mismos valores que tenemos aquí en la plataforma SEM para ambas predicciones. |
| |
Y eso es lo que deberíamos esperar. Modelo de ajuste, quiero decir, esto es regresión. Hasta ahora estamos haciendo una regresión. |
| |
Técnicamente, se podría decir, bueno, si me siento cómodo ejecutando tres de esos modelos de ajuste usando estos tres resultados diferentes, entonces, ¿qué es lo que SEM me está comprando? Eso es mejor. |
| |
Bueno, puede que no necesites nada más y esto puede ser excelente para tus necesidades, pero una característica única de SEM es que podemos probar directamente si hay |
| |
igualdad...si las restricciones de igualdad en el modelo son sostenibles. Entonces, lo que queremos decir con esto es que puedo tomar estos dos efectos (por ejemplo, efectos de amenaza realistas y simbólicos sobre la ansiedad) y puedo usar este botón de establecer igualdad para imponer una restricción de igualdad. Aviso aquí, |
| |
Estas pequeñas etiquetas indican que estos dos caminos tendrán el mismo efecto. Y entonces podemos |
| |
ejecute el modelo y ahora podemos seleccionar esos modelos en nuestra tabla de comparación de modelos y compararlos con esta opción de comparar modelos seleccionados. |
| |
Y lo que obtendremos es un cambio en chi cuadrado. Entonces, vemos simplemente el cambio de chi cuadrado de un modelo a otro. Entonces esto básicamente dice, está bien, |
| |
el modelo empeorará porque ahora ha agregado una restricción. Entonces ganaste un grado de libertad, ahora tienes más inadaptados, y la pregunta es: ¿es significativo ese desadaptado? |
| |
La respuesta en este caso es sí. Por supuesto, esto está influenciado por el tamaño de la muestra. Entonces también miramos la diferencia en el CFI y RMSEA y cualquier valor que sea .01 o mayor sugiere que |
| |
el inadaptado es demasiado para ignorarlo. Es un desajuste adicional significativo añadido por esta restricción. |
| |
Ahora que sabemos eso, podemos decir directamente en esto... sabemos que este es el modelo que mejor se ajusta, el que no tenía esa restricción y podemos afirmar que las amenazas realistas tienen mayores efectos positivos. |
| |
asociación con la ansiedad en comparación con las amenazas simbólicas, que también tienen un efecto significativo positivo, pero no es tan fuerte significativamente, ni tan fuerte estadísticamente, ni tan fuerte como las amenazas realistas. Está bien. Y hay otros |
| |
efectos interesantes que tenemos aquí. Entonces, lo que voy a hacer a medida que nos acercamos al final de la sesión es simplemente llamar su atención sobre este interesante |
| |
efecto aquí donde ambos tipos de amenazas tienen efectos diferentes en la adherencia a los comportamientos de los CDC. Y el artículo realmente |
| |
presta mucha atención a este hallazgo porque, ya sabes, ambas son amenazas. Pero como se puede imaginar, aquellos que sienten amenazas a su vida personal |
| |
salud o amenazas a su seguridad financiera, es más probable que cumplan con las pautas de los CDC de distanciamiento social y evitar reuniones sociales, mientras que aquellos que |
| |
sienten que la amenaza es simbólica, una amenaza a sus valores sociales y culturales, |
| |
Es mucho menos probable que esas personas se adhieran a esos comportamientos de los CDC, tal vez porque sienten que esas normas socioculturales están amenazadas. Es un hallazgo interesante y vemos que aquí, por supuesto, podemos probar la equivalencia de varios otros caminos en este modelo. |
| |
Bien, lo último que quería hacer es simplemente mostrarte (no vamos a describir este modelo completo), pero sí quería mostrarte lo que sucede cuando juntas ambos. |
| |
(hagamos esto un poco más grande) regresión y análisis factorial. |
| |
Para realmente utilizar todo el potencial de los modelos de ecuaciones estructurales, se deben modelar sus variables latentes, aquí tenemos tanto amenazas como variables latentes que nos permiten realmente purgar el error de medición de aquellas. |
| |
elementos de la encuesta y asociaciones de modelos entre variables latentes, lo que nos permite tener efectos insesgados porque... efecto no atenuado... porque estamos teniendo en cuenta el error de medición cuando medimos |
| |
el latante y las variables directamente. Y observe, estamos aprovechando SEM, porque estamos analizando asociaciones secuenciales a través de una serie de factores diferentes, por lo que aquí abajo puede ver nuestro interesante diagrama que |
| |
Puedo moverme para intentar mostrarte todos los efectos interesantes que tenemos y también resaltar el hecho de que nuestros diagramas son |
| |
Totalmente interactivo, muy atractivo visualmente y muy rápidamente podemos identificar efectos significativos según el tipo de línea versus efectos no significativos, en este caso, estas líneas discontinuas. Y entonces |
| |
Nuevamente para tener todo el poder de SEM, puedes ver cómo aquí estamos analizando esas amenazas de variables latentes y analizando sus asociaciones con una serie de otras |
| |
comportamientos de salud pública y con variables de bienestar. Y con eso, voy a detener la demostración aquí y |
| |
Les hago saber que tenemos un documento realmente útil además de las diapositivas, tenemos un documento realmente excelente que el evaluador de nuestra plataforma, James Koepfler, elaboró donde brinda un montón de consejos realmente excelentes sobre cómo usar nuestra plataforma. |
| |
desde especificar el modelo hasta consejos sobre cómo comparar modelos, qué es apropiado mirar, qué es un modelo anidado, toda esta información creo que la encontrarás muy valiosa si decides usarla. |
| |
la plataforma. Definitivamente le sugerimos que vaya a JMP Community para obtener estos materiales que son complementarios a la presentación. Y con eso, voy a concluir y responderemos preguntas una vez que todo esto esté activo. Muchas gracias. |
