Lautsprecher
|
Transkript
|
| Laura Castro-Schilo |
Hallo, ich bin Laura Castro-Schilo und willkommen zu dieser Sitzung, in der wir das ABC der Strukturgleichungsmodellierung lernen werden. |
| |
Unser heutiges Ziel ist es, mithilfe der Plattform für Strukturgleichungsmodelle in JMP Pro 16 sicherzustellen, dass Sie über die Tools verfügen, die zum Spezifizieren und Interpretieren von Modellen erforderlich sind. |
| |
Und wir werden das tun, indem wir zunächst eine kurze Einführung in SEM geben, indem wir Ihnen nur sagen, was es ist, und insbesondere auf die Zusammenhänge zurückgreifen, die es mit der Faktorenanalyse und der Regressionsanalyse hat. |
| |
Auf dem Weg werden wir lernen, wie Pfaddiagramme wesentliche Werkzeuge für SEM sind. |
| |
Und wir werden versuchen, diese Einführung ziemlich kurz zu halten, damit wir uns wirklich auf einige praktische Beispiele konzentrieren können. |
| |
Vor diesen Beispielen werde ich die Daten vorstellen, die wir für diese Demo verwenden werden, und diese Daten beziehen sich auf die Wahrnehmung von COVID 19-Bedrohungen. |
| |
Wenn wir uns diese Daten ansehen, werden wir lernen, wie wir unsere Modelle spezifizieren und interpretieren, und wir werden dies tun, indem wir bestimmte Fragen beantworten. |
| |
Diese Fragen werden uns dazu bringen, über sehr beliebte Modelle im SEM zu sprechen, von denen eines die Analyse des Bestätigungsfaktors und das andere die multivariate Regressionsanalyse ist. |
| |
Zum Abschluss zeigen wir Ihnen ein Modell, in dem wir beide Analysen zusammenführen, damit Sie wirklich sehen können, wie SEM ein sehr flexibles Framework ist, in das Sie Ihre eigenen Modelle einpassen können. |
| |
Okay, SEM ist ein Framework, in dem Faktoranalyse und Regressionsanalyse zusammenkommen, und auf der Seite der Faktoranalyse können wir die Fähigkeit zur Messung erlangen |
| |
selbst die Dinge, die wir nicht direkt beobachten können, werden auch als latente Variablen bezeichnet. |
| |
Und von der Regressionsseite aus können wir die Beziehungen zwischen Variablen untersuchen, unabhängig davon, ob diese beobachtet oder nicht beobachtet werden. Wenn Sie also diese beiden zusammenführen, erhalten Sie SEM, das Sie sich vorstellen können, ein sehr flexibles Framework, in dem alle möglichen Unterschiede bestehen Modelle können fit sein. |
| |
Pfaddiagramme sind wirklich nützliche Werkzeuge in SEM, und der Grund dafür ist, dass die Gleichungssysteme, wie Sie wissen, ziemlich kompliziert sein können |
| |
kann tatsächlich durch diese Diagramme dargestellt werden. Und solange wir wissen, wie man Diagramme zeichnet und wie man sie interpretiert, |
| |
dann können wir sie zu unserem Vorteil nutzen. Hier haben wir also Rechtecke und diese werden ausschließlich zur Darstellung beobachteter Variablen verwendet. |
| |
Kreise werden verwendet, um latente Variablen darzustellen, und Doppelpfeile werden verwendet, um sowohl Varianzen als auch Kovarianzen darzustellen, und Einkopfpfeile werden für Regressions- oder Ladeeffekte verwendet. |
| |
Es gibt ein anderes Symbol, das häufig in Pfaddiagrammen verwendet wird und das außerhalb des Rahmens liegt, über den wir heute sprechen werden. |
| |
Aber wenn Sie darauf stoßen, möchte ich nur sicherstellen, dass Sie wissen, dass es da ist, und das ist ein Dreieck. Dreiecke werden verwendet, um Mittel und Abschnitte darzustellen, und so gibt es alle möglichen interessanten Modelle, die wir anpassen können. |
| |
wo wir die mittlere Struktur der Daten modellieren, aber wir werden heute wieder keine Zeit haben, darüber zu sprechen. |
| |
Wenn es um Pfaddiagramme geht, denke ich, dass es nützlich ist, über die Bausteine nachzudenken |
| |
von SEM-Modellen, damit wir diese verwenden können, um komplexe Modelle zu erstellen. Und eine davon wäre eine einfache lineare Regression. Sie sehen, wir haben hier |
| |
eine lineare Regression, bei der Y auf X zurückgeführt wird. Beachten Sie, dass sich sowohl X als auch Y in diesen Rechtecken in diesen Feldern befinden, da es sich um beobachtete Variablen handelt. |
| |
Und wir verwenden diesen einköpfigen Pfeil, um den Regressionseffekt und die zweiköpfigen Pfeile darzustellen, die mit derselben Variablen beginnen und enden |
| |
stellen in diesem Fall die Varianz von X dar, und im Fall von Y ist es die Restvarianz von Y. Wenn ein Doppelpfeil in einer Variablen beginnen und beginnen ... und bei der anderen enden würde, wäre das eine Kovarianz. |
| |
In SEM kann jede Variable sowohl ein Ergebnis als auch ein Prädiktor sein. In diesem Fall könnte Y also auch die Rolle eines Prädiktors übernehmen, wenn wir eine dritte Variable Z hätten, in der Y Z vorhersagt. |
| |
Und so können wir sequentielle Effekte erstellen, diese Art von sequentiellen Regressionen, wissen Sie, so viele, wie Sie benötigen, abhängig von Ihren Daten. |
| |
Ein weiterer Baustein wäre das eines Bestätigungsfaktormodells, und das ist im Grunde genommen so |
| |
die Art und Weise, wie wir latente Variablen in SEM angeben. Und dieses spezielle Beispiel ist ein sehr einfacher Faktor, eine latente Variable |
| |
Bestätigungsfaktormodell, bei dem der Kreis die nicht beobachtete latente Variable darstellt. |
| |
Beachten Sie, dass die latente Variable einköpfige Pfeile hat, die auf die Variablen zeigen, die wir beobachten, in diesem Fall W, X und Y. |
| |
Der Grund, warum diese Variable auf diese Quadrate zeigt, liegt darin, dass bei der Faktoranalyse die Idee besteht, dass die latente Variable die gemeinsame Variabilität verursacht, die wir über W, X und Y beobachtet haben. |
| |
Und das ist wirklich wichtig zu verstehen, weil es oft verwirrt ist, wenn wir über Hauptkomponenten wie ein Prinzipal nachdenken |
| |
Komponentenanalyse Perspektive. Daher denke ich, dass dies eine gute Gelegenheit ist, die Unterscheidung zwischen latenten Variablen aus faktoranalytischer Sicht und Komponenten aus PCA-Sicht zu treffen. Daher werde ich ein wenig tangential vorgehen, um diese Unterschiede zu erklären. |
| |
In diesem Bild repräsentieren die Quadrate die Variablen, die wir gemessen haben, diese beobachteten Variablen. Und beachte, ich benutze diese unterschiedlichen Mengen von |
| |
blaue Schattierung dieser Variablen, um den Anteil der Varianz darzustellen, der auf das zurückzuführen ist, was wir messen wollten, auf die Art des Signals und auf die Dinge, die wir mit unseren Instrumenten messen wollten. |
| |
Und die grau schattierten Bereiche sind der Anteil der Varianz, der auf andere Varianzquellen zurückzuführen ist. Es kann Messfehler enthalten, aber es kann auch systematische Varianz enthalten |
| |
einzigartig für jedes dieser Messinstrumente. |
| |
Im Fall der Faktoranalyse erfasst die latente Variable die gesamte gemeinsame Variabilität der beobachteten Variablen. Deshalb verwenden wir dieses durchgezogene Blau, um die latente Variable darzustellen. |
| |
Und das steht im Gegensatz zu dem, was in der Hauptkomponentenanalyse passiert, wo das Ziel die Dimensionsreduzierung ist. In PCA erklärt die Komponente die maximale Varianz |
| |
aus den Dimensionen unserer Daten. Das bedeutet also, dass diese Hauptkomponente oft eine Kombination der Varianz sein wird, die auf was zurückzuführen ist |
| |
was wir messen wollten, aber auch auf einige andere Varianzquellen. In Ordnung, und so zeigt das Diagramm auch die kausale Annahme, die Tatsache, dass latente Variablen sind |
| |
Es wurde angenommen, dass dies die Variabilität ihrer Indikatoren in den beobachteten Variablen verursacht. Deshalb zeigen diese einköpfigen Pfeile auf die beobachteten Variablen, und dies ist bei PCA nicht der Fall. |
| |
Okay, ich denke, dies ist eine nützliche Unterscheidung, wenn wir über latente Variablen in SEM sprechen. |
| |
Sehr oft geht es um die latenten Variablen aus Sicht der Faktorenanalyse. |
| |
Okay, hier habe ich mich entschieden, Ihnen ein Pfaddiagramm zu zeigen, das zu einem Modell gehört, das bereits geschätzt wurde. Wir haben hier also alle Werte |
| |
auf diesen Pfeilen, weil dies alles Schätzungen aus dem Modell sind, und ich denke, dass dieses Diagramm einen guten Job darin macht, zu veranschaulichen, warum man SEM verwenden könnte. |
| |
Erstens sehen wir, dass wir nicht beobachtete Variablen haben. Genau hier ist Konflikt ein abstraktes Konstrukt, das wir nicht unbedingt direkt beobachten können, und daher definieren wir es als latente Variable, indem wir die Dinge nutzen, die wir beobachten. In diesem Fall haben wir drei Umfragefragen, die repräsentieren |
| |
Sie wissen, dass diese unbeobachtete Konfliktvariable. Wir sind auch in der Lage, Messfehler zu berücksichtigen, wie latente Variablen im SEM definiert werden |
| |
versichert uns, dass wir tatsächlich Messfehler berücksichtigen, da diese latenten Variablen nur die gemeinsame Varianz aller dieser beobachteten Variablen erfassen. |
| |
Beachten Sie auch, dass wir in der Lage sind, sequentielle Beziehungen in SEM zu untersuchen. Wir haben also diese unbeobachtete Konfliktvariable, aber wir können auch sehen, |
| |
Sie wissen, wie beeinflusst diese Unterstützungsvariable die Arbeit und wie beeinflusst diese Arbeitsvariable wiederum die latente Variable? |
| |
Und letztendlich, wie Conflict, die unbeobachtete Variable, alle möglichen anderen Ergebnisse vorhersagen kann. Daher sind diese sequentiellen Beziehungen in SEM sehr nützlich und sehr einfach abzuschätzen. |
| |
Ein weiterer guter Grund für die Verwendung von SEM ist, dass unsere Plattform in JMP Pro modernste Techniken für den Umgang mit fehlenden Daten verwendet. Selbst wenn Sie eine einfache lineare Regression haben und dies wirklich alles ist, was Sie benötigen, wenn Sie fehlende Daten haben, |
| |
SEM stellt sicher, dass alles, was vorhanden ist, zur Schätzung verwendet wird, und das kann auch sehr hilfreich sein. |
| |
Wenn das ... |
| |
Wenn das, was ich bisher gesagt habe, Ihr Interesse weckt und Sie zweifellos mehr über SEM erfahren möchten, werden Sie eine Menge Terminologie finden |
| |
das ist einzigartig auf dem Gebiet. Und so wie alles andere gibt es Jargon, mit dem wir uns vertraut machen müssen. |
| |
Daher ist dieses Diagramm auch nützlich, um einen Teil dieses Jargons einzuführen. Zunächst haben wir über beobachtete oder gemessene Variablen gesprochen. |
| |
In SEM werden diese häufig als Manifestvariablen bezeichnet. Wir haben latente Variablen, die wir bereits besprochen haben. |
| |
Wir haben aber auch diese Vorstellung von exogenen Variablen, und diese werden nur andere Variablen vorhersagen. |
| |
In unserem Modell hier haben wir nur zwei davon und sie stehen im Gegensatz zu endogenen Variablen. Und so ist jede andere Variable hier eine endogene Variable, weil sie von anderen Variablen vorhergesagt wird. |
| |
Okay, das sind also endogene Variablen. Wir haben auch Indikatoren für latente Variablen. Dies sind also die Variablen, die durch die latenten Variablen verursacht werden. |
| |
Und die Restvarianz, die nicht durch die latente Variable erklärt wird, wird als Eindeutigkeit bezeichnet, und sie wird oft auch als eindeutige Faktorvarianz bezeichnet. Denken Sie also daran, dass dies die Kombination der systematischen Varianz ist, die für diese Variable zusätzlich zum Messfehler eindeutig ist. |
| |
Ich finde es nützlich, wenn Leute SEM lernen, um eine Art Fokusverschiebung von was zu haben |
| |
was das Modell wirklich macht. Mit anderen Worten, indem wir erkennen, dass wir eine multivariate Analyse einer Kovarianzstruktur durchführen |
| |
(und bedeutet auch, aber denken Sie daran, dass wir heute nicht über Mittel sprechen), sondern indem wir erkennen, dass das, was wir tatsächlich analysieren, die Struktur ist |
| |
Von den Kovarianzen der Daten hilft dies, unsere Köpfe viel einfacher um SEM zu wickeln. |
| |
Weil es Auswirkungen auf das hat, was wir für die Daten halten, oder? Sie wissen also, wir können unsere Datentabellen haben, in denen jede Zeile eine andere Beobachtung darstellt und jede Spalte eine andere Variable ist. |
| |
Und wir können diese Daten definitiv verwenden, um die SEM-Plattform in JMP zu starten. |
| |
Aber im Hintergrund, sozusagen hinter dem Vorhang, betrachtet die Plattform die Kovarianzmatrix dieser Variablen, und das sind tatsächlich die Daten, die analysiert werden. |
| |
Dies hat also auch Auswirkungen auf die Residuen. Wenn wir über Residuen im SEM nachdenken, beziehen sich diese häufig auf die Kovarianzmatrix, die wir analysieren. |
| |
Dies gilt auch für Freiheitsgrade, und die Freiheitsgrade werden in Bezug auf diese Kovarianzmatrix gelten. |
| |
Richtig, und deshalb möchte ich sicherstellen, dass ich Ihnen einen kleinen Vorgeschmack darauf gebe, wie SEM in Bezug auf seine Einschätzung funktioniert. |
| |
Wir beginnen also mit der Angabe eines Modells. Zum Glück haben wir in JMP Pro diese wirklich großartige, benutzerfreundliche Oberfläche |
| |
Hier können wir unsere Modelle direkt mit Pfaddiagrammen spezifizieren, anstatt komplexe Gleichungssysteme spezifizieren oder auflisten zu müssen. Sie können einfach die Pfaddiagramme zeichnen, die eine bestimmte Kovarianzstruktur implizieren. |
| |
Daher implizieren die Diagramme eine Kovarianzstruktur für die Daten. Während der Schätzung versuchen wir, Modellschätzungen zu erhalten, die auf der Grundlage des implizierten Modells so genau wie möglich mit der Stichproben-Kovarianzmatrix übereinstimmen |
| |
Einschränkungen im Grunde. Und sobald wir diese Schätzungen haben, können wir sie in die implizite Kovarianzmatrix des Modells einfügen und diese Werte mit der Kovarianzmatrix der Stichprobe vergleichen. |
| |
und der Unterschied zwischen ihnen ermöglicht es uns, die Anpassung des Modells zu quantifizieren, richtig. Wenn wir also große Residuen haben, indem wir den Unterschied zwischen diesen beiden Kovarianzmatrizen betrachten, wissen wir, dass wir bei der Anpassung unseres Modells keine sehr gute Arbeit geleistet haben. |
| |
Also gut, kurz gesagt, so funktioniert SEM, und ich möchte jetzt den nächsten Teil der Präsentation betrachten, um die Daten vorzustellen, die wir für unsere Demo verwenden werden. Ich denke das |
| |
Es ist einfacher, neue Konzepte zu erlernen, indem wir einige reale Daten, Beispiele aus der realen Welt, in die Hände bekommen. |
| |
Die Daten, die wir verwenden werden, stammen also aus einem kürzlich veröffentlichten Artikel, der in der Zeitschrift Social, Psychological and Personality Science veröffentlicht wurde, und der im Sommer 2020 veröffentlicht wurde. |
| |
Und die Autoren wollten eine sehr einfache Frage beantworten. Sie sagten, wissen Sie, wie wirken sich wahrgenommene Bedrohungen durch COVID 19 auf das Wohlbefinden und das Verhalten im Bereich der öffentlichen Gesundheit aus? Und so |
| |
Es ist eine einfache Frage, abgesehen von der Tatsache, dass die wahrgenommenen Bedrohungen durch COVID 19 ein völlig neues Konstrukt sind, richtig. Es ist eine sehr abstrakte Idee. |
| |
Sie wissen, was ist die wahrgenommene Bedrohung durch COVID 19 und wie messen Sie das? Und so, weil dies etwas ist, was noch nie zuvor gemessen wurde, mussten die Autoren sehr vorsichtig sein |
| |
Studie, in der sie eine Umfrage entwickelten, um diese Bedrohungen messen zu können. Und |
| |
Die Entwicklung einer Umfrage ist nicht einfach, oder? Wir müssen sicherstellen, dass unsere Fragen für unsere Umfrage zuverlässig und gültig sind. |
| |
Also mussten sie den Prozess durchlaufen und wir werden gleich sehen, wie sie das gemacht haben. |
| |
In ihrer Studie stellten sie fest, dass es zwei Arten von Bedrohungen gibt, die sie messen können, eine, die sie als realistische Bedrohungen bezeichnen, und das ist |
| |
Dinge, die unsere finanzielle und physische Sicherheit gefährden. |
| |
Und die andere Art der Bedrohung war ... sie nannten es symbolisch. Das sind also Dinge, die unsere soziale, kulturelle Identität bedrohen, richtig. Und es ist auch wichtig zu sagen, dass diese Stichprobe für die Bevölkerung der Vereinigten Staaten bestimmt war. Sie probierten |
| |
Über 1.000 Personen und damit ihre Fragen beziehen sich ausschließlich auf die Bevölkerung der Vereinigten Staaten. |
| |
Und was wir hier sehen, ist tatsächlich die integrierte COVID 19-Bedrohungsskala. Dies ist also der Fragebogen, den sie nach drei verschiedenen Studien entwickelt haben. Und so fanden sie, dass diese beiden Bedrohungen |
| |
könnte mit einer Handvoll Gegenständen gemessen werden. Sie baten ihre Teilnehmer zu beantworten, inwieweit der Ausbruch des Coronavirus für Ihre persönliche Gesundheit und die Gesundheit der gesamten US-Bevölkerung eine Bedrohung darstellt. |
| |
Ihre persönliche finanzielle Sicherheit und so weiter. Und für die symbolische Bedrohung lauteten die Fragen: |
| |
Wie bedrohlich ist das Virus für das, was es bedeutet, Amerikaner zu sein, amerikanische Werte und Traditionen, die Rechte und Freiheiten der gesamten Bevölkerung der Vereinigten Staaten und so weiter. So können Sie die Unterschiede in der Darstellung dieser Bedrohungen erkennen. |
| |
Wir hatten also Zugriff auf diese Daten und werden diese Daten verwenden, um sehr spezifische Fragen zu beantworten. Wie messen wir zunächst diese Wahrnehmung der COVID 19-Bedrohung und konzentrieren uns auf die beiden von ihnen identifizierten Bedrohungen. |
| |
Dies wird uns dazu veranlassen, über die Analyse von Bestätigungsfaktoren und die Bewertung eines Messmodells zu sprechen, um sicherzustellen, dass wir herausfinden können, ob die Fragen in der Umfrage tatsächlich zuverlässig und gültig sind. |
| |
Beachten Sie, dass wir diesen sehr wichtigen ersten Schritt überspringen werden, nämlich die explorative Faktoranalyse, und das ist etwas, was man vorher tun würde |
| |
mit SEM, rechts. Sie würden eine explorative Faktoranalyse durchführen und dann zu SEM kommen, um die Struktur dieser ... der vorherigen Ergebnisse zu bestätigen. Die Autoren dieses Artikels haben das definitiv getan, aber wir werden uns auf die Schritte konzentrieren, die wir mit SEM ausführen würden. |
| |
Die zweite Frage ist, ob die Wahrnehmung der COVID 19-Bedrohung Wohlfühlmarker und Verhaltensweisen im Bereich der öffentlichen Gesundheit vorhersagt. Diese Frage wird uns dazu bringen, über multiple Regression und Pfadanalyse innerhalb von SEM zu sprechen. |
| |
Und die letzte Frage ist, ob die Auswirkungen jeder Art von Bedrohung auf die Ergebnisse gleich sind. Auf diese Weise können wir eine sehr coole Funktion von SEM zeigen, bei der Gleichheitsbeschränkungen in unseren Modellen festgelegt und systematische Modellvergleiche durchgeführt werden, um diese Art von Fragen zu beantworten. |
| |
Okay, es ist Zeit für die Demo und ich habe bereits ... mal sehen ... |
| |
Ups, wie komme ich hier raus? |
| |
Es ist noch keine Zeit für Fragen. |
| |
Ich möchte nur den Bildschirm verlassen und kann es anscheinend nicht tun. |
| |
Okay, los geht's, also haben wir ... |
| |
Ich habe bereits die Datentabelle von JMP hier geöffnet. Diese ... diese Daten, Sie können sehen, dass es 238 Spalten gibt, also weil die Autoren gefragt haben |
| |
eine Reihe verschiedener Fragen von 550 Teilnehmern in diesem Fall; Dies ist eine ihrer drei Studien. |
| |
Und die ersten 10 Fragen, die zehn ersten Spalten, die ich in den Daten habe, entsprechen den 10 Fragen, die wir in ihrer Bedrohungsskala gesehen haben. |
| |
Diese werden wir also zuerst verwenden, um eine Analyse der Bestätigungsfaktoren durchzuführen. Und so klicken wir auf Analysieren, wir gehen zu multivariaten Methoden, Strukturgleichungsmodellen. |
| |
Wir werden diese 10 Variablen verwenden und auf Modellvariablen klicken, und dann werden wir auf OK klicken, um die Plattform zu starten. |
| |
Ein Hinweis, dass auf der rechten Seite sofort ein Pfaddiagramm angezeigt wird. |
| |
Und dieses Diagramm enthält bereits alle Funktionen, die wir zuvor besprochen haben. Daher sind alle Variablen in Rechtecken angeordnet, was darauf hindeutet, dass es sich um beobachtete Variablen handelt. |
| |
Und jeder von ihnen hat diese Doppelpfeile, die an sich selbst beginnen und enden, sodass sie eine Varianz jeder dieser Variablen darstellen. |
| |
Wenn ich jetzt mit der rechten Maustaste auf die Leinwand klicke, wird ein Show-Menü angezeigt. Beachten Sie, dass die Mittel und Abschnitte standardmäßig ausgeblendet sind. |
| |
Ich werde darauf klicken, um Ihnen zu zeigen, dass wir es tatsächlich tun |
| |
Mittelwerte, die standardmäßig aus all diesen Variablen geschätzt werden. Also werden wir nicht darüber reden, also werden wir sie versteckt halten, aber ich denke, es ist wichtig zu wissen |
| |
Das Standardmodell, mit dem wir beim Start der Plattform beginnen, ist eines, bei dem alle Variablen Abweichungen und geschätzte Mittelwerte aufweisen. |
| |
Nun dazu |
| |
Registerkarte, wir haben eine Liste Registerkarte, und wenn wir darauf klicken, sehen wir, dass wir haben |
| |
genau die gleichen Informationen, die wir im Diagramm haben, aber in einer Listenform. Und so werden alle verschiedenen Arten von Parametern basierend auf der Art der Parameter aufgeteilt, so dass wir alle Abweichungen hier und alle Mittel dort haben. |
| |
Richtig, wir haben eine Statusregisterkarte, die uns im Grunde über das spezifische Modell informiert, das wir gerade angegeben haben. Es gibt uns eine Reihe nützlicher Informationen zu diesem Modell. |
| |
Wir haben Details zu den Daten, unserer Stichprobengröße, den Freiheitsgraden und wir haben auch diese Identifikationsregeln. Sie können darauf klicken, wenn Sie mehr über sie erfahren möchten. Es gibt dir ein bisschen ... |
| |
Eine kleine Beschreibung rechts. |
| |
Es ist jedoch sehr hilfreich zu wissen, dass sich dieses Symbol für die Statusregisterkarte ständig ändert, abhängig von den Änderungen, die wir vornehmen, und von der Spezifikation des Modells, das wir haben. Und so oft, wenn wir eine fortgeschrittene Anwendung von SEM haben, ist dies |
| |
Das Symbol hat möglicherweise die Farbe Gelb. Wenn ein schwerwiegender Fehler vorliegt, ein wichtiger Fehler, wird dieses Symbol orange mit einem X angezeigt, was im Grunde darauf hinweist, dass ein Fehler vorliegt. Daher kann es sehr nützlich sein, Fehler zu identifizieren, wenn wir unsere Modelle spezifizieren. |
| |
Auf der linken Seite der Benutzeroberfläche sehen wir, dass wir es können |
| |
Geben Sie den Namen unseres Modells an, daher ist dies sehr hilfreich, um den Überblick über unseren Workflow zu behalten. Und wir haben auch diese Von- und Bis-Listen. |
| |
Daher bieten diese Listen eine sehr nützliche Möglichkeit, Variablen zu verknüpfen, entweder mit einem einseitigen Pfeil oder einem zweiköpfigen Pfeil. |
| |
Wenn ich diese zum Beispiel hier verknüpfen möchte, kann ich auf diese Schaltfläche klicken und habe sehr schnell ein Pfaddiagramm gezeichnet, richtig. Es ist also eine sehr effiziente Möglichkeit, Modelle anzugeben. |
| |
Daher klicke ich hier auf Zurücksetzen, um zu dem Modell zurückzukehren, das wir beim Starten der Plattform hatten, aber ich weiß, dass die Listen Von und Bis im Grunde Möglichkeiten sind, wie wir die Diagramme zeichnen können. |
| |
Okay, in diesem Fall sind alle beobachteten Variablen hier aufgelistet, aber ich weiß, dass wir diese Variablen verwenden möchten, um latente Variablen anzugeben. |
| |
Die ersten fünf Variablen hier entsprechen den Elementen in dieser Umfrage für die realistische Bedrohung. Und so werde ich dem Modell eine latente Variable hinzufügen, indem ich nach unten gehe |
| |
zu dieser Box hier unten, wo Latent1 steht und ich den Namen in Realistic ändern werde, weil ich will |
| |
Diese fünf Variablen sind die Indikatoren für eine realistische latente Bedrohungsvariable. Wenn Sie also auf diese Schaltfläche klicken, |
| |
Ich bekomme sofort diese latente Variable angegeben. Beachten Sie, dass das erste Laden für diese realistische latente Bedrohungsvariable eine 1 in dieser ... |
| |
in diesem in diesem Pfeil, und das repräsentiert im Grunde die Tatsache, dass der Parameter auf den Wert 1 festgelegt ist. |
| |
Und wir tun dies, weil wir die Skalierung der latenten Variablen festlegen müssen. Ohne diese Einschränkung könnten wir das Modell nicht identifizieren und so weiter |
| |
Standardmäßig werden wir diese Einschränkung beim ersten Laden der latenten Variablen festlegen, aber wir könnten dies auch erreichen |
| |
der gleiche Zweck, wenn wir die Varianz der latenten Variablen auf 1 festlegen. Welches wir also tun, ist wirklich eine Frage der Wahl, aber standardmäßig korrigiert die Plattform das erste Laden auf 1. Okay, wir haben also eine realistische latente Bedrohungsvariable und die anderen fünf |
| |
Variablen hier sind diejenigen, die, wie Sie wissen, den symbolischen Bedrohungsfragen entsprechen. Also werde ich diese auswählen und hier klicken. Ich werde Symbolic eingeben und auf das Pluszeichen klicken, um diese symbolische Bedrohung hinzuzufügen. |
| |
Okay, wir sind fast fertig, aber beachten Sie, dass dieses Modell hier impliziert, dass realistische und symbolische Bedrohungen vollkommen unkorreliert sind, und das ist eine sehr starke Annahme. Und das wollen wir nicht. |
| |
In den meisten Bestätigungsfaktormodellen können die latenten Variablen zum größten Teil miteinander kovariieren. Daher werde ich sie hier auswählen und auf diesen Doppelpfeil klicken, um diese beiden Knoten zu verknüpfen. |
| |
Ich kann es aber auch direkt aus dem Wegdiagramm machen. Wenn ich also mit der rechten Maustaste auf die latente Variable klicke, kann ich auf Kovarianzen hinzufügen und klicken |
| |
Genau dort kann ich diese Kovarianz hinzufügen. Es ist also ein ziemlich cooler Weg. Sie können es mit der Liste tun, Sie können es direkt auf dem Diagramm tun, |
| |
was auch immer deine Wahl ist. Und so ist unser Modell bereit, geschätzt zu werden, also werde ich den Namen in 2-Faktor-CFA ändern und wir können fortfahren und es ausführen. |
| |
Und Sie können sehr schnell sehen, dass wir unsere Schätzungen erhalten und sie alle auf das Diagramm abgebildet sind, was ziemlich cool ist. Bevor wir diese Ergebnisse interpretieren, möchte ich sicherstellen, dass wir uns auf diese Modellvergleichstabelle konzentrieren. |
| |
Der Grund dafür ist, dass die Tabelle viele Informationen über die Anpassung des Modells enthält und wir sicherstellen möchten, dass das Modell gut passt, bevor wir die Ergebnisse interpretieren. So |
| |
Das erste, was hier auffällt, ist, dass wir drei Modelle in dieser ... in dieser Tabelle haben und nur eines davon passen. |
| |
Der Grund, warum wir drei haben, ist, dass die ersten beiden Modelle, das uneingeschränkte und das Unabhängigkeitsmodell, beim Start der Plattform standardmäßig nicht passen. |
| |
Deshalb passen wir diese Modelle absichtlich an, um eine Basis für das zu schaffen, was ein wirklich gut passendes Modell und was ein wirklich schlecht passendes Modell ist, und verwenden diese Modelle als Vergleichsrahmen |
| |
mit unseren eigenen spezifizierten Modellen. Lassen Sie mich etwas genauer sein. Zum Beispiel wäre das uneingeschränkte Modell ein Modell (ich werde es Ihnen mit dem Pfaddiagramm zeigen), |
| |
Das uneingeschränkte Modell ist eines, bei dem jede Variable in Ordnung miteinander kovärieren darf. Und so beachte das |
| |
Die Chi-Quadrat-Statistik, die ein Maß für die Fehlanpassung ist, ist genau Null, und der Grund dafür ist, dass dieses Modell perfekt zu den Daten passt. Denken Sie daran, dass unsere Daten hier wirklich die Kovarianzmatrix des Datenrechts sind und wir daher keine Freiheitsgrade haben, weil wir angegeben haben ... |
| |
haben null Freiheitsgrade, weil wir jede mögliche Varianz und Kovarianz in den Daten schätzen. |
| |
Das ist also das bestmögliche Szenario, richtig. Wir haben keine Fehlanpassung, aber wir schätzen auch jede mögliche Schätzung aus den Daten. |
| |
Das andere Ende des Spektrums ist ein Modell, das wirklich schlecht passen würde, und genau das ist das Unabhängigkeitsmodell. Wenn ich Ihnen also das Pfaddiagramm zeige, |
| |
Hier ist unser Standardmodell, bei dem wir nur Varianz als Mittel für die Daten haben, genau das ist das Unabhängigkeitsmodell. Und |
| |
Das ist im Wesentlichen ein Modell, bei dem nichts mit irgendetwas anderem übereinstimmt, und Sie können sehen, dass die Chi-Quadrat-Statistik für dieses Modell tatsächlich ziemlich groß ist, weil es eine Menge Fehlanpassungen gibt, richtig, also sind es fast 2000 Einheiten, aber wir haben |
| |
45 Freiheitsgrade, weil wir nur sehr wenige Dinge aus den Daten schätzen. Und so bieten diese beiden Modelle im Grunde wieder |
| |
die beiden Enden des Spektrums, rechts. Auf der einen Seite ein wirklich gut passendes Modell und auf der anderen Seite ein wirklich schlecht passendes Modell, und so können wir diese Informationen verwenden, um unser eigenes Modell mit denen zu vergleichen. |
| |
Also, wenn wir uns unser Modell ansehen. Beachten Sie, dass die Chi-Quadrat-Statistik nicht Null ist, sondern nur 147 Einheiten, was viel weniger als 2000 ist. |
| |
Und wir haben 34 Freiheitsgrade, also haben wir einige Fehlanpassungen. Und wenn wir uns den Test für dieses Chi-Quadrat ansehen, handelt es sich um eine signifikante Chi-Quadrat-Statistik, was darauf hindeutet, dass die Daten eine statistisch signifikante Fehlanpassung aufweisen. |
| |
Die Chi-Quadrat-Statistik wird jedoch von der Stichprobengröße beeinflusst, und in diesem Fall liegen 550 Beobachtungen vor. Und so |
| |
Wenn Sie 300 oder mehr Beobachtungen haben, ist es normalerweise sehr wichtig, nicht nur die Chi-Quadrat-Statistik nachzuschlagen, sondern auch einige spezielle |
| |
Anpassungsindizes, die nur für SEM gelten und es uns ermöglichen, die Anpassung des Modells zu quantifizieren, und genau hier befinden sich die Werte rechts. |
| |
Dieser erste Anpassungsindex wird als Vergleichsanpassungsindex bezeichnet |
| |
Der Index reicht von null bis eins, sodass Sie sehen können, dass das uneingeschränkte Modell eine Eins hat. Das ist das am besten passende Modell und das Unabhängigkeitsmodell hat Null, weil das am schlechtesten passende Modell in Ordnung ist und unser Modell tatsächlich einen CFI von 0,93 hat, ungefähr 0,94. |
| |
Und das ist der Anteil der Verbesserungen gegenüber dem Unabhängigkeitsmodell. Eine andere Art, das zu sagen, ist |
| |
Unser Modell passt ungefähr 94% besser als das Unabhängigkeitsmodell, also ist das eigentlich ziemlich gut. Und normalerweise wollen wir CFI-Werte von 0,9 oder höher. Je näher man ist, desto besser. |
| |
Nun ist der quadratische mittlere Approximationsfehler ein anderer Anpassungsindex, aber dieser, |
| |
Obwohl es auch von null bis eins reicht, wollen wir sehr, sehr niedrige Werte in diesem Index. Beachten Sie also, dass das uneingeschränkte Modell den Wert Null hat |
| |
und das Unabhängigkeitsmodell ist .27. Normalerweise möchten wir hier Werte von 0,1 oder weniger für akzeptable Modelle. Und unsere hat eine .07, ungefähr .08, und das ist eigentlich ziemlich gut. |
| |
Wir haben auch einige Konfidenzintervalle für diese bestimmte Schätzung, und Sie können sehen, dass diese Werte ebenfalls unter 0,1 liegen. Dies ist also ein gut passendes Modell, richtig. Wenn wir also wissen, dass das Modell ... gut zu unseren Daten passt, können wir es interpretieren. |
| |
Als Standard in unseren Schätzungen zeigen wir Ihnen jetzt die nicht standardisierten Parameterschätzungen. |
| |
Für die Faktorenanalyse ist es jedoch viel nützlicher, sich die standardisierte Lösung anzusehen, also klicke ich mit der rechten Maustaste auf die Leinwand und zeige standardisierte Schätzungen an. |
| |
Und jetzt sind die Werte hier in einer Korrelationsmetrik, also möchten wir, dass diese Werte so nahe wie möglich an eins liegen. |
| |
weil sie die Korrelation der beobachteten Variablen mit der latenten Variablen darstellen. Beachten Sie, dass die Werte sowohl für realistische als auch für symbolische Bedrohungen ziemlich gut sind. |
| |
Wir wollen nicht, dass sie niedriger als etwa 0,4 sind, und deshalb sind diese Werte gut. Eine andere Sache, die sehr einzigartig und wirklich nützlich ist, ist einzigartig für JMP Pro, dass die Variablen hier die ... jede Variable sind, die endogen ist |
| |
Prädiktoren, richtig, auf sie zeigend, es ist schattiert. |
| |
Beachten Sie, dass sich in diesen Quadraten ein wenig Grau befindet und die Schattierung proportional zur Varianz ist, die von den Prädiktoren erklärt wird. |
| |
Auf diese Weise können wir sehr schnell visuell erkennen, welche Variablen ihre Varianz wirklich gut erklärt haben. In diesem Fall scheinen diese drei Variablen |
| |
sind am meisten mit diesem dunkleren Grau gefüllt, was darauf hindeutet, dass die latente Variable für symbolische Bedrohungen die Varianz dieser drei beobachteten Variablen ziemlich gut erklärt. |
| |
Wir sehen auch, dass die beiden latenten Variablen um 0,4 korreliert sind, was ein interessanter Befund ist. |
| |
Und es gibt alle Arten von Ausgaben, auf die wir uns hier im Menü des roten Dreiecks konzentrieren könnten, aber ich werde mich speziell auf eine konzentrieren |
| |
Option namens Bewertungsmessmodell. Und hier finden wir viele Statistiken, mit denen wir die Zuverlässigkeit und Gültigkeit unserer Konstrukte quantifizieren können. |
| |
Wenn wir dort klicken, haben wir dieses nette kleine Dashboard. Und die ersten Informationen, die wir hier haben, sind |
| |
Indikatorzuverlässigkeit, so dass die Zuverlässigkeit jeder der Fragen in dieser Umfrage quantifiziert wird und wir ein Diagramm bereitstellen, das ist. |
| |
zeigt uns all diese Werte. Und beachten Sie, wir haben hier eine rote Linie für eine Schwelle dessen, was wir uns erhoffen, richtig. Wir möchten mindestens so viel Zuverlässigkeit in jedem unserer Artikel haben. Jetzt, |
| |
Sie wissen, diese Arten von Schwellenwerten müssen mit unserem eigenen kritischen Denken interpretiert werden, weil offensichtlich |
| |
Sie wissen, dass dieser bestimmte Gegenstand zum Beispiel unter dem Schwellenwert liegt, aber immer noch ziemlich nahe am Schwellenwert liegt, sodass wir ihn nicht wegwerfen werden. Wir können es immer noch in Betracht ziehen |
| |
relativ zuverlässig und und es ist immer noch ein guter Indikator für diese latente Variable. Aber auch hier interpretieren Sie die Schwellenwerte mit Vorsicht. |
| |
Aus dieser Darstellung geht jedoch hervor, dass die latente Variable für symbolische Bedrohungen zuverlässigere Indikatoren zu haben scheint als die realistischen Bedrohungen. Sie sind beide ziemlich gut, aber die symbolische, wissen Sie, wir messen das besser. |
| |
Die Werte rechts sind Zuverlässigkeitskoeffizienten für die Verbundwerkstoffe. Mit anderen Worten, sie quantifizieren die Zuverlässigkeit der latenten Variablen als Ganzes und es gibt zwei Arten von Zuverlässigkeit. |
| |
Ich werde nicht auf die Details ihrer Unterschiede eingehen, aber ich stelle fest, dass diese Werte zwischen null und eins liegen und wir möchten, dass sie so nahe wie möglich bei eins liegen. Und wir bieten auch |
| |
Sie wissen, einige Diagramme mit dem Schwellenwert für die Angabe der gewünschten Zuverlässigkeit, des Minimums und in diesem Fall sowohl der realistischen als auch der symbolischen Bedrohung weisen eine gute Zuverlässigkeit auf. |
| |
Und die andere Visualisierung, die wir hier haben, ist für eine Konstruktvaliditätsmatrix und |
| |
Denken Sie daran, dass es sehr schwierig ist, herauszufinden, ob es wirklich ist, wenn Sie versuchen, etwas zu messen, das Sie nicht direkt sehen |
| |
ist das, was Sie damit messen wollen. Messen Sie wirklich, was Sie wollten? Und genau das können wir anhand dieser Informationen feststellen. |
| |
Die Visualisierung hier zeigt das obere Dreieck dieser Matrix und lässt mich kurz erklären, was die Werte darstellen. In diesem unteren ... |
| |
Unterhalb der Diagonale haben wir die Korrelation zwischen der latenten Variablen. Das ist ungefähr .4. Die diagonalen Einträge repräsentieren den durchschnittlichen Betrag der extrahierten Varianz |
| |
aus dem ..., das die latenten Variablen aus ihren Indikatoren extrahieren. Sie möchten also, dass diese Werte so hoch wie möglich sind. |
| |
Und oberhalb der Diagonale haben wir diese quadratische Korrelation. Mit anderen Worten, es ist der Betrag der überlappenden Varianz zwischen den latenten Variablen. |
| |
Der Schlüssel zur Interpretation dieser Matrix ist also, dass die Werte in der Diagonale höher sein sollen |
| |
als die Werte über und rechts von der Diagonale, und beachten Sie hier, die Visualisierung macht es sehr leicht zu sehen, dass wir tatsächlich tun, tatsächlich |
| |
haben größere Werte in der Diagonale als oben oder rechts. Und das ist ein guter Beweis für die Konstruktvalidität. |
| |
Alles hier deutet darauf hin, dass sowohl die realistischen als auch die symbolischen Bedrohungen tatsächlich bestehen. |
| |
latente Variablen, die gültig sind, die zuverlässig sind, und die Umfrage scheint beide gut zu messen. |
| |
Ein nächster Schritt könnte also sein, wir könnten uns vielleicht dafür entscheiden, all diese fünf Fragen zu beantworten, die die realistischen Bedrohungen hier darstellen, und wir könnten einen Durchschnitt über all diese erstellen. |
| |
Und plötzlich hätten wir eine Maßnahme, die realistische Bedrohungen darstellt. Wir könnten das tun und wir könnten das gleiche für die anderen fünf Variablen tun, die symbolische Bedrohungen darstellen. |
| |
Lassen Sie uns zur Veranschaulichung diese Variablen bereits erstellt haben. Lassen Sie uns nun multivariate Methoden und Strukturgleichungsmodelle analysieren. Und ich werde nach denen suchen |
| |
durchschnittliche Variable. Damit hier realistische und symbolische Bedrohungen auftreten, ist dies der Durchschnitt über die Spalten für jede dieser Variablen. |
| |
Und ich werde diese zusätzlich zu ... modellieren. Wir haben ein Maß für Angst, wir haben auch ein Maß für negative Auswirkungen oder negative negative Emotionen. |
| |
Und schließlich haben wir ein Maß für die Einhaltung des Verhaltens im Bereich der öffentlichen Gesundheit. Daher werden wir dies auch modellieren und auf OK klicken, um die Plattform zu starten. |
| |
Mit den Diagrammschaltflächen hier können wir in ein benutzerdefiniertes Menü gehen, wir können alle möglichen Aspekte des Diagramms ändern, was wirklich, wirklich großartig ist. Im Moment werde ich mich nur darauf konzentrieren, die Breite von ... |
| |
die Breite dieser |
| |
Variablen, damit wir lesen können, was sich in den Knoten befindet. Und ich werde in ein Modell passen, in dem sowohl realistische als auch symbolische Bedrohungen Prädiktoren für diese interessanten Ergebnisse sein werden, richtig. Es gibt irgendwie |
| |
Sie wissen, Marker für Angstzustände, negative Auswirkungen und auch das Verhalten im Bereich der öffentlichen Gesundheit. Daher werden wir diese mit einem einseitigen Pfeil verknüpfen, um die Vorhersagen zu spezifizieren. Wir werden also untersuchen, ob diese Effekte tatsächlich signifikant sind. |
| |
Beachten Sie jetzt, dass ich die Spezifikation dieses Modells noch nicht vollständig abgeschlossen habe, da in diesem speziellen Modell |
| |
Es gibt keinen Zusammenhang zwischen den realistischen und den symbolischen Bedrohungen, und das wäre eine sehr starke Einschränkung im Modell, zu sagen, dass diese beiden Dinge nicht der Fall sind |
| |
überhaupt kovariierend. Deshalb möchten wir immer sicherstellen, dass wir Kovarianzen zwischen unseren Prädiktoren und auch zwischen den verbleibenden Varianzen unserer Ergebnisse berücksichtigen. |
| |
Und so könnten wir diese direkt aus der Von-Liste angeben. In diesem Fall verwende ich Add-Kovarianzen aus diesem Menü und verknüpfe die realistischen und symbolischen Bedrohungen. |
| |
Ich werde die Listen auch verwenden, um Kovarianzen zwischen den Residuen dieser Ergebnisse hinzuzufügen. Und jetzt haben wir ein vollständig korrekt spezifiziertes Modell, und dies wird oft als Pfadanalyse bezeichnet, aber es ist auch ... |
| |
Es ist im Grunde eine Sammlung, eine gleichzeitige Sammlung von Regressionsmodellen, und deshalb werden wir das ausführen. |
| |
Beachten Sie aus der Modellvergleichstabelle, dass unser Modell keine Freiheitsgrade hat und ein perfektes Chi-Quadrat hat und das Chi-Quadrat Null ist. |
| |
Aber im Wesentlichen bedeutet dies, dass unser Modell nicht testbar ist, wenn es keine Freiheitsgrade hat. |
| |
weil wir alle Informationen extrahiert haben, die wir aus unseren Daten hätten extrahieren können. Das ist also im Wesentlichen das, was wir tun, wenn wir ein Regressionsmodell anpassen. Das ist also kein Problem, aber wissen Sie einfach, dass Sie dieses Chi-Quadrat nicht interpretieren können und sagen Sie: Oh, mein Modell passt so gut. |
| |
Es passt gut, weil Sie alles extrahiert haben, was Sie aus dem Modell hätten extrahieren können. Jedenfalls ist es wie ein Regressionsmodell. |
| |
Okay, wenn wir uns die Ergebnisse ansehen, gibt es alle möglichen wirklich wichtigen Informationen, die wir interpretieren können, aber ich werde mich auf ein paar Dinge konzentrieren. Zuerst, |
| |
Beachten Sie, dass unsere Diagramme vollständig interaktiv sind, was wirklich sehr, sehr cool ist. Und ich bewege nur Dinge, um mich auf ein paar Effekte zu konzentrieren. Ich werde die Varianzen und Kovarianzen in diesem Modell verbergen, damit wir uns wirklich auf die Ergebnisse der Regressionsmodelle konzentrieren können. |
| |
aus der Pfadanalyse. Und beachten Sie hier, dass realistische und symbolische Bedrohungen beide einen positiven Effekt auf die Angst haben. |
| |
Das ist wirklich interessant und hier sind die Pfeile durchgehend, da die Auswirkungen, die Sie hier in der Tabelle der Parameterschätzungen sehen können, statistisch signifikant sind. Also, wenn sie unbedeutend waren, |
| |
Tatsächlich würden die Pfeile als gestrichelte Pfeile angezeigt. Das Pfaddiagramm vermittelt also viele Informationen. Wir haben also positive signifikante Auswirkungen auf die Angst |
| |
und das ist natürlich interessant, aber bisher haben wir wieder nur Fit-Regressionsmodelle auf simultane Weise angepasst. |
| |
Und tatsächlich, wenn wir zur Datentabelle zurückkehren, habe ich hier ein Skript aus dem Fit-Modell, in dem ich tatsächlich dieselbe Angst verwende |
| |
Ergebnis und die gleichen zwei Prädiktoren, realistische und symbolische Bedrohungen, |
| |
und ich schätze einfach ein multiples Regressionsmodell. Und der Grund, warum ich Ihnen dies zeigen wollte, ist, dass die Parameterschätzungen hier genau den gleichen Wert haben, den wir von SEM erhalten haben. |
| |
Und das ist keine Überraschung, denn tatsächlich führen wir eine gleichzeitige Regression durch. Bis zu diesem Punkt könnten Sie sich also fragen |
| |
Was kauft SEM für Sie, richtig, denn technisch gesehen könnten Sie drei separate Anpassungsmodelle mit diesen drei Ergebnissen ausführen und dieselben Informationen erhalten, die wir bisher erhalten haben. |
| |
Wenn Sie jedoch fehlende Daten haben, möchten Sie trotzdem SEM verwenden, da wir dann ... alle Daten verwenden, anstatt Zeilen zu löschen. |
| |
Wenn Sie jedoch SEM verwenden möchten, können Sie auch zusätzliche Fragen beantworten, die ziemlich interessant sind. |
| |
In diesem Fall könnten wir uns fragen, ob der Effekt, den eine realistische Bedrohung auf die Angst hat, statistisch größer ist |
| |
als die Wirkung, die symbolische Bedrohung auf die Angst hat, richtig. Bisher wissen wir, dass sie sich beide signifikant von Null unterscheiden, aber unterscheiden sie sich signifikant voneinander? |
| |
Und diese Frage können wir mithilfe der SEM-Plattform beantworten. Wenn wir zu unserem Modellspezifikationsfenster zurückkehren, können wir beide Effekte auswählen. Hier oben in den Aktionsschaltflächen haben wir die Schaltfläche "Gleich setzen". Wenn wir diese Taste drücken, bemerken wir, dass wir ein wenig bekommen |
| |
Beschriften Sie hier, dass beide Effekte gleich sind. Sie werden als eins geschätzt. Wenn wir also den Namen hier in gleiche Effekte ändern und dieses Modell ausführen, erhalten wir die Anpassungsstatistik für dieses spezifische Modell |
| |
Modell mit Gleichheitsbeschränkungen. Und beachten Sie, dass wir jetzt einen Freiheitsgrad erreicht haben, sodass wir plötzlich ein testbares Modell haben. |
| |
Mithilfe der Modellvergleichstabelle können Sie die beiden Modelle auswählen, die wir miteinander vergleichen möchten, und Ihren Klick löschen, um ausgewählte Modelle zu vergleichen. |
| |
Und jetzt erhalten wir einen Chi-Quadrat-Differenztest, damit wir das Modell statistisch vergleichen und sehen können, wie viel Fehlanpassung unser Modell hat |
| |
Gleichheitsbeschränkung induziert im Modell. Und hier können wir sehen, dass es ungefähr 8,6 Einheiten in der Chi-Quadrat-Metrik sind und der p-Wert dafür tatsächlich signifikant ist. Das deutet also darauf hin |
| |
Das Festlegen dieser Gleichheitsbeschränkung führt zu einer erheblichen Fehlanpassung im Modell. Und weil wir wissen, dass das Chi-Quadrat von der Stichprobengröße beeinflusst wird, haben wir auch den Unterschied in diesen |
| |
Anpassungsindizes, die wir besprochen haben, und für das CFI möchten wir normalerweise nicht, dass sich dieser Wert um mehr als 0,01 erhöht |
| |
höchstens. In der Tat ist 0,01 oder höher nicht so gut. Und für RMSEA möchten Sie nicht, dass dieser Wert höher als 0,1 ist. |
| |
Alle hier vorliegenden Beweise deuten darauf hin, dass das Festlegen der Gleichheitsbeschränkungen zu einem deutlich schlechteren Anpassungsmodell führt. |
| |
Mit anderen Worten, wenn wir zu dem Modell zurückkehren, das am besten passt, können wir jetzt basierend auf diesem Chi-Quadrat-Differenztest sagen: |
| |
dass der Effekt, den eine realistische Bedrohung auf die Angst hat, signifikant höher ist als der Effekt, den die symbolische Bedrohung auf die Angst hat. |
| |
Sie wissen, dass wir diese Art von Fragen mit anderen Teilen dieses Modells beantworten können, aber auch hier bietet SEM viel Flexibilität, indem es uns ermöglicht, die Gleichheit verschiedener Effekte innerhalb des Modells zu vergleichen. |
| |
Okay, und so, im Interesse der Zeit werde ich das schließen, aber und ich möchte Ihnen bisher zeigen, dass wir ein Bestätigungsfaktormodell gesehen haben. Wir haben auch gesehen |
| |
Eine Pfadanalyse, bei der wir eine multivariate Regressionsanalyse durchführen, aber beide Konzepte tatsächlich in einem Modell verwenden können. Ich habe also ein Skript, das ich bereits in meiner Datentabelle gespeichert habe, und Sie können sehen, was ich hier in diesem Modell tatsächlich mache |
| |
Schätzung latenter Variablen. Ich modelliere latente Variablen für symbolische und realistische Bedrohungen unter Verwendung der Originalelemente aus der Umfrage und des Fragebogens. |
| |
Und so können Sie auf diese Weise keine Durchschnittswerte über die Spalten hinweg erstellen. |
| |
Ich werde tatsächlich die latenten Variablen modellieren, und das ermöglicht mir, Regressionseffekte zu erhalten. Alle diese Effekte unter den latenten Variablen werden durch Messfehler unvoreingenommen und ungedämpft sein, weil ich mehr erhalte |
| |
ein valideres, reineres Maß für symbolische und realistische Bedrohungen. Und hier schätzen wir, dass Sie sequentielle Beziehungen sehen können, und mein Modell hier ist viel komplexer. |
| |
Ich werde nicht auf die Details des Modells eingehen, sondern nur wissen, dass wir durch die Modellierung latenter Variablen und die Betrachtung der Beziehungen zwischen latenten Variablen wirklich das Beste erzielen können |
| |
Funktionalität von SEM, weil unsere Assoziationen zwischen diesen latenten Variablen bessere Schätzungen von ... |
| |
für das Modell. Und ich habe dieses Modell tatsächlich geschätzt, die Ergebnisse können Sie hier unten sehen. Beachten Sie also, dass es hier einige Kanten gibt, die ... |
| |
die Pfeile haben, die irgendwie gestrichelt sind, was darauf hinweist, dass diese Effekte nicht signifikant sind. Wir sehen auch, wie leistungsfähig die Visualisierung der Schattierung ist, richtig. Wir können es erklären |
| |
Ein gewisser Anteil der Varianz bei der Einhaltung des Verhaltens im Bereich der öffentlichen Gesundheit. Und es scheint, als ob wir die Varianz in Bezug auf positive Auswirkungen besser erklären können als in Bezug auf die anderen Ergebnisse hier. Und so ist es wieder |
| |
Im Grunde genommen das Beste aus beiden Welten, unsere latenten Variablen spezifizieren, aber auch direkt über unsere Plattform modellieren zu können. |
| |
Und damit werde ich die Demo hier stoppen, aber ich werde Sie auf die Tatsache hinweisen, dass wir auf der JMP Community-Website ergänzende Materialien haben, die |
| |
James Koepfler hat erstellt. Es sind wirklich großartige Materialien, die viele Tipps zur Interpretation unserer Modelle und zur Verwendung der Modellvergleichstabelle enthalten. |
| |
und im Grunde alle Notizen, die Sie während dieser Präsentation machen wollten, können Sie auf den ergänzenden Materialien erhalten. Und damit bin ich bereit, es für Fragen zu öffnen. |
