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. |
| |
Und unser heutiges Ziel ist es, sicherzustellen, dass Sie über die Werkzeuge verfügen, die Sie zum Spezifizieren und Interpretieren von Modellen benötigen, indem Sie die Plattform für Strukturgleichungsmodelle in JMP Pro 16 verwenden. |
| |
Und das werden wir tun, indem wir zunächst eine kurze Einführung in SEM geben, indem wir Ihnen einfach erklären, was es ist, und insbesondere auf die Verbindungen eingehen, die es mit der Faktorenanalyse und der Regressionsanalyse hat. |
| |
Und nebenbei erfahren wir, warum Pfaddiagramme wesentliche Werkzeuge für SEM sind. |
| |
Und wir werden versuchen, diese Einführung recht kurz zu halten, damit wir uns wirklich auf einige praktische Beispiele konzentrieren können. |
| |
Deshalb werde ich vor diesen Beispielen 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 das tun wir durch die Beantwortung spezifischer Fragen. |
| |
Diese Fragen werden uns dazu bringen, über sehr beliebte Modelle in der SEM zu sprechen, eines davon ist die konfirmatorische Faktorenanalyse und ein anderes die multivariate Regressionsanalyse. |
| |
Und zum Abschluss zeigen wir Ihnen ein Modell, in dem wir diese beiden Analysen zusammenführen, damit Sie wirklich sehen können, wie sehr SEM ein sehr flexibles Framework ist, in das Sie Ihre eigenen Modelle integrieren können. |
| |
Okay, SEM ist also ein Framework, in dem Faktoranalyse und Regressionsanalyse zusammenkommen, und auf der Seite der Faktoranalyse können wir die Fähigkeit zum Messen erlangen |
| |
sogar solche Dinge, die wir nicht direkt beobachten können, auch bekannt als latente Variablen. |
| |
Und auf der Regressionsseite sind wir in der Lage, Beziehungen zwischen Variablen zu untersuchen, unabhängig davon, ob diese beobachtet oder unbeobachtet sind. Wenn man also diese beiden zusammenbringt, erhält man SEM, von dem man sich vorstellen kann, dass es sich um einen sehr flexiblen Rahmen handelt, in dem alle möglichen Unterschiede bestehen Modelle können passen. |
| |
Pfaddiagramme sind wirklich nützliche Werkzeuge in der 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 die 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 zur Darstellung latenter Variablen verwendet, Doppelpfeile dienen zur Darstellung von Varianzen und Kovarianzen und Pfeile mit einer Spitze dienen zur Darstellung von Regressions- oder Belastungseffekten. |
| |
Es gibt noch ein weiteres Symbol, das oft in Pfaddiagrammen verwendet wird und das irgendwie außerhalb des Rahmens dessen liegt, worüber wir heute sprechen werden. |
| |
Aber wenn Sie darauf stoßen, möchte ich nur sicherstellen, dass Sie wissen, dass es da ist und dass es sich um ein Dreieck handelt. Dreiecke werden verwendet, um Mittelwerte und Achsenabschnitte darzustellen, und daher gibt es alle möglichen interessanten Modelle, die wir anpassen können. |
| |
wo wir die mittlere Struktur der Daten modellieren, aber auch hier werden wir heute keine Zeit haben, darüber zu sprechen. |
| |
Nun, wenn es um Pfaddiagramme geht, halte ich es für nützlich, darüber nachzudenken, was die Bausteine sind |
| |
von REM-Modellen, damit wir diese zur Erstellung komplexer Modelle verwenden können. Und eine davon wäre eine einfache lineare Regression. Hier, sehen Sie, haben wir es |
| |
eine lineare Regression, bei der Y auf X zurückgeführt wird. Und beachten Sie, dass sich sowohl X als auch Y in diesen Rechtecken, in diesen Kästchen befinden, da es sich um beobachtete Variablen handelt. |
| |
Und wir verwenden diesen Pfeil mit einer Spitze, um den Regressionseffekt darzustellen, und die Pfeile mit zwei Spitzen, die bei 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 bei der anderen beginnen und enden würde, dann wäre das eine Kovarianz. |
| |
Nun kann im SEM 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, wobei Y Z vorhersagt. |
| |
Und so können wir sequentielle Effekte aufbauen, diese Art von sequentiellen Regressionen, wissen Sie, so viele, wie Sie benötigen, abhängig von Ihren Daten. |
| |
Ein weiterer Baustein wäre ein konfirmatorisches Faktormodell, 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 unbeobachtete latente Variable darstellt. |
| |
Und beachten Sie, dass die latente Variable einseitige Pfeile hat, die auf die Variablen zeigen, die wir beobachten, in diesem Fall W, X und Y. |
| |
Und der Grund, warum diese Variable auf diese Quadrate zeigt, liegt darin, dass in 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 verwirrend ist, wenn wir an Hauptkomponenten wie an einen Prinzipal denken |
| |
Perspektive der Komponentenanalyse. Daher denke ich, dass dies eine gute Gelegenheit ist, die Unterschiede zwischen latenten Variablen aus faktoranalytischer Sicht und Komponenten aus PCA-Perspektive zu ziehen, also werde ich diese Unterschiede etwas näher erläutern. |
| |
In diesem Bild stellen die Quadrate die Variablen dar, die wir gemessen haben, die beobachteten Variablen. Und beachten Sie, ich verwende diese unterschiedlichen Mengen |
| |
Eine blaue Schattierung dieser Variablen stellt den Anteil der Varianz dar, der auf das zurückzuführen ist, was wir messen wollten, eine Art Signal, auf die Dinge, die wir mit unseren Instrumenten messen wollten. |
| |
Und die grau schattierten Bereiche stellen den Anteil der Varianz dar, der auf andere Varianzquellen zurückzuführen ist. Es kann Messfehler umfassen, aber auch systematische Varianz |
| |
einzigartig für jedes dieser Messgeräte. |
| |
Im Fall der Faktoranalyse erfasst die latente Variable also die gesamte gemeinsame Variabilität der beobachteten Variablen. Aus diesem Grund verwenden wir dieses durchgezogene Blau, um die latente Variable darzustellen. |
| |
Und das steht im Gegensatz zu dem, was bei der Hauptkomponentenanalyse passiert, wo das Ziel die Dimensionsreduzierung ist. In der PCA erklärt die Komponente also die maximale Varianzmenge |
| |
aus den Dimensionen unserer Daten. Das bedeutet also, dass diese Hauptkomponente oft eine Kombination aus der Varianz ist, die auf was zurückzuführen ist |
| |
was wir messen wollten, sondern auch auf einige andere Varianzquellen. Also gut, und so verdeutlicht das Diagramm auch die kausale Annahme, die Tatsache, dass es latente Variablen gibt |
| |
Es wird angenommen, dass sie die Variabilität ihrer Indikatoren in den beobachteten Variablen verursachen, und deshalb zeigen diese Pfeile mit einer Spitze auf die beobachteten Variablen, und das ist in der PCA nicht der Fall. |
| |
Also gut, ich denke, das ist eine nützliche Unterscheidung, wenn wir über latente Variablen im SEM sprechen. |
| |
Sehr oft geht es um die latenten Variablen aus der Perspektive der Faktorenanalyse. |
| |
Okay, hier möchte ich Ihnen ein Pfaddiagramm zeigen, das zu einem bereits geschätzten Modell gehört. Wir haben also alle Werte hier |
| |
auf diesen Pfeilen, weil das alles Schätzungen des Modells sind, und ich denke, dass dieses Diagramm gut verdeutlicht, warum man SEM verwenden könnte. |
| |
Zuerst sehen wir, dass wir unbeobachtete Variablen haben. Hier ist Konflikt ein abstraktes Konstrukt, das wir nicht unbedingt direkt beobachten können. Deshalb definieren wir ihn als latente Variable, indem wir die Dinge nutzen, die wir beobachten. In diesem Fall haben wir drei Umfragefragen, die dies darstellen |
| |
Sie wissen, dass diese unbeobachtete Konfliktvariable. Wir sind auch in der Lage, Messfehler zu berücksichtigen, also die Art und Weise, wie latente Variablen im SEM definiert werden |
| |
versichert uns, dass wir tatsächlich Messfehler berücksichtigen, da diese latenten Variablen nur sozusagen die gemeinsame Varianz aller dieser beobachteten Variablen erfassen. |
| |
Beachten Sie auch, dass wir sequentielle Beziehungen im SEM untersuchen können. Wir haben also diese unbeobachtete Konfliktvariable, können aber auch sehen: |
| |
Wissen Sie, wie wirkt sich diese Unterstützungsvariable aus, wie beeinflusst sie die Arbeit und wie beeinflusst diese Arbeitsvariable wiederum die latente Variable? |
| |
Und letztendlich, wie Konflikte, die unbeobachtete Variable, alle möglichen anderen Ergebnisse vorhersagen können. Daher sind diese sequentiellen Beziehungen sehr nützlich und im SEM sehr einfach abzuschätzen. |
| |
Ein weiterer guter Grund für die Verwendung von SEM besteht darin, dass unsere Plattform in JMP Pro modernste Techniken zum Umgang mit fehlenden Daten verwendet. Selbst wenn Sie also eine einfache lineare Regression haben und das ist wirklich alles, was Sie brauchen, wenn Sie fehlende Daten haben, |
| |
SEM stellt sicher, dass alles, was vorhanden ist, für die Schätzung verwendet wird, was ebenfalls sehr hilfreich sein kann. |
| |
Wenn das... |
| |
Wenn das, was ich bisher gesagt habe, Ihr Interesse weckt und Sie vorhaben, mehr über SEM zu erfahren, werden Sie zweifellos auf eine Menge Terminologie stoßen |
| |
das ist einzigartig auf diesem Gebiet. Und wie bei allem anderen gibt es auch hier Fachjargon, mit dem wir uns vertraut machen müssen. |
| |
Daher ist dieses Diagramm auch nützlich, um etwas in diesen Fachjargon einzuführen. Erstens haben wir über beobachtete Variablen oder gemessene Variablen gesprochen. |
| |
Im SEM werden diese oft als Manifestvariablen bezeichnet. Wir haben latente Variablen, die wir bereits besprochen haben. |
| |
Aber wir haben auch diese Vorstellung von exogenen Variablen, und diese sind diejenigen, die nur andere Variablen vorhersagen. |
| |
In unserem Modell hier haben wir nur zwei davon und sie stehen im Gegensatz zu endogenen Variablen. Und daher ist jede andere Variable hier eine endogene Variable, weil sie von anderen Variablen vorhergesagt wird. |
| |
Okay, das sind also endogene Variablen. Wir haben auch latente Variablenindikatoren und das sind die Variablen, die durch die latenten Variablen verursacht werden. |
| |
Und die Restvarianz, die nicht durch die latente Variable erklärt wird, wird als Eindeutigkeiten bezeichnet, und sie werden oft auch als eindeutige Faktorvarianzen bezeichnet. Denken Sie also daran, dass es sich hierbei um die Kombination aus systematischer Varianz, die für diese Variable einzigartig ist, und dem Messfehler handelt. |
| |
Ich finde es nützlich, wenn Leute SEM lernen, um den Fokus auf das, was sie tun, zu verschieben |
| |
was das Modell wirklich macht. Mit anderen Worten, indem wir erkennen, dass wir eine multivariate Analyse einer Kovarianzstruktur durchführen |
| |
(und auch Mittel, aber denken Sie daran, dass wir heute nicht über Mittel sprechen), sondern indem wir erkennen, dass es sich bei dem, was wir tatsächlich analysieren, um die Struktur handelt |
| |
der Kovarianzen der Daten hilft uns das, SEM viel einfacher zu verstehen. |
| |
Denn es hat Auswirkungen darauf, was unserer Meinung nach die Daten sind, oder? So können wir zum Beispiel unsere Datentabellen haben, in denen jede Zeile eine andere Beobachtung und jede Spalte eine andere Variable darstellt. |
| |
Und wir können diese Daten definitiv nutzen, um die SEM-Plattform in JMP zu starten. |
| |
Aber im Hintergrund, quasi 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 oft auf die Kovarianzmatrix, die wir analysieren. |
| |
Und das gilt auch für Freiheitsgrade, und die Freiheitsgrade beziehen sich auf diese Kovarianzmatrix. |
| |
Richtig, und deshalb möchte ich Ihnen einen kleinen Vorgeschmack darauf geben, wie SEM im Hinblick auf seine Schätzung funktioniert. |
| |
Wir beginnen also damit, ein Modell anzugeben, und glücklicherweise verfügen wir in JMP Pro über diese wirklich tolle, benutzerfreundliche Benutzeroberfläche |
| |
wo wir unsere Modelle direkt mit Pfaddiagrammen spezifizieren können, anstatt komplexe Gleichungssysteme spezifizieren oder auflisten zu müssen. Sie können einfach die Pfaddiagramme zeichnen, die eine bestimmte Kovarianzstruktur implizieren. |
| |
Die Diagramme implizieren also eine Kovarianzstruktur für die Daten, und während der Schätzung versuchen wir dann, Modellschätzungen zu erhalten, die auf der Grundlage des implizierten Modells so gut wie möglich mit der Kovarianzmatrix der Stichprobe übereinstimmen |
| |
Einschränkungen im Grunde. Und sobald wir diese Schätzungen haben, können wir sie in die modellimplizite Kovarianzmatrix einfügen und diese Werte mit der Stichproben-Kovarianzmatrix vergleichen. |
| |
und der Unterschied zwischen ihnen ermöglicht es uns, die Anpassung des Modells zu quantifizieren, richtig. Wenn wir also große Residuen haben, wissen wir, dass wir bei der Anpassung unseres Modells keine sehr gute Arbeit geleistet haben, wenn wir uns die Differenz zwischen diesen beiden Kovarianzmatrizen ansehen. |
| |
Okay, also, kurz gesagt, so funktioniert SEM, und ich möchte jetzt den nächsten Teil der Präsentation nutzen, um die Daten vorzustellen, die wir für unsere Demo verwenden werden. Das denke ich schon |
| |
Es ist einfacher, neue Konzepte zu erlernen, wenn man einige echte Daten und echte Beispiele aus der Praxis in die Finger bekommt. |
| |
Die Daten, die wir verwenden werden, stammen also tatsächlich aus einem kürzlich veröffentlichten Artikel, der in der Zeitschrift Social, Psychological and Personality Science veröffentlicht wurde, und zwar im Sommer 2020. |
| |
Und die Autoren wollten eine sehr einfache Frage beantworten. Sie sagten: 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 wahrgenommene Bedrohung durch COVID 19 ein völlig neues Konstrukt ist, richtig. Es ist eine sehr abstrakte Idee. |
| |
Wissen Sie, was sind die wahrgenommenen Bedrohungen durch COVID 19 und wie messen Sie das, richtig? Und da dies etwas ist, was noch nie zuvor gemessen wurde, mussten die Autoren sehr vorsichtig vorgehen |
| |
Studie, in der sie eine Umfrage entwickelt haben, um diese Bedrohungen messen zu können. Und |
| |
Eine Umfrage zu entwickeln ist nicht einfach, oder? Wir müssen sicherstellen, dass unsere Fragen für unsere Umfrage zuverlässig und gültig sind. |
| |
Und so mussten sie den Prozess durchlaufen und wir werden gleich sehen, wie sie das gemacht haben. |
| |
In ihrer Studie fanden sie nun heraus, dass es zwei Arten von Bedrohungen gibt, die sie messen können: eine, die sie realistische Bedrohungen nennen, und das ist |
| |
Dinge, die unsere finanzielle und physische Sicherheit gefährden. |
| |
Und die andere Art der Bedrohung war … sie nannten sie 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 haben probiert |
| |
über 1.000 Personen und daher beziehen sich ihre Fragen ausschließlich auf die Bevölkerung der Vereinigten Staaten. |
| |
Und was wir hier sehen, ist tatsächlich die integrierte COVID-19-Bedrohungsskala, also der Fragebogen, den sie entwickelt haben, nachdem sie drei verschiedene Studien durchlaufen hatten. Und so fanden sie diese beiden Bedrohungen |
| |
könnte mit einer Handvoll Gegenständen gemessen werden. Sie baten ihre Teilnehmer zu antworten, wie groß die Bedrohung, wenn überhaupt, der Ausbruch des Coronavirus für Ihre persönliche Gesundheit und die Gesundheit der gesamten US-Bevölkerung darstellt. |
| |
Ihre persönliche finanzielle Sicherheit und so weiter. Und für die symbolische Bedrohung lauteten die Fragen, wissen Sie: |
| |
Wie groß ist die Bedrohung durch das Virus für das, was es bedeutet, Amerikaner zu sein, für amerikanische Werte und Traditionen, für die Rechte und Freiheiten der Bevölkerung der Vereinigten Staaten als Ganzes und so weiter? Sie können also die Unterschiede darin erkennen, was diese Bedrohungen darstellen. |
| |
Wir hatten also Zugriff auf diese Daten und werden diese Daten verwenden, um sehr spezifische Fragen zu beantworten. Erstens: Wie messen wir diese Wahrnehmung der Bedrohung durch COVID-19 und konzentrieren uns dabei auf die beiden Bedrohungen, die sie identifiziert haben? |
| |
Dies führt uns dazu, über die Analyse konfirmatorischer Faktoren 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, die explorative Faktorenanalyse, überspringen werden und das ist etwas, was man vorher tun würde |
| |
mit REM, richtig. Sie würden eine explorative Faktorenanalyse 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 befolgen würden. |
| |
Die zweite Frage ist, ob die Wahrnehmung der Bedrohung durch COVID-19 Indikatoren für das Wohlbefinden und das Verhalten im Bereich der öffentlichen Gesundheit vorhersagt. Und 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. Und das ermöglicht es uns tatsächlich, eine sehr coole Funktion von SEM zu zeigen, bei der es darum geht, Gleichheitsbeschränkungen in unseren Modellen festzulegen und systematische Modellvergleiche durchzuführen, um diese Art von Fragen zu beantworten. |
| |
Okay, es ist Zeit für die Demo, und ich habe es schon getan...mal sehen... |
| |
Ups, wie komme ich hier raus? |
| |
Es ist noch nicht Zeit für Fragen. |
| |
Ich möchte einfach nur den Bildschirm verlassen und es scheint mir nicht zu gelingen. |
| |
Okay, los geht's, also haben wir... |
| |
Ich habe hier bereits die Datentabelle von JMP geöffnet. Diese ... diese Daten, Sie sehen, es gibt 238 Spalten, das liegt also daran, dass die Autoren danach gefragt haben |
| |
eine Reihe unterschiedlicher 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 also diejenigen sein, die wir zuerst verwenden, um eine konfirmatorische Faktorenanalyse durchzuführen. Also klicken wir auf „Analysieren“ und gehen zu multivariaten Methoden und Strukturgleichungsmodellen. |
| |
Und wir werden diese 10 Variablen verwenden und auf Modellvariablen klicken, und dann werden wir auf OK klicken, um die Plattform zu starten. |
| |
Beachten Sie, dass wir auf der rechten Seite sofort ein Pfaddiagramm sehen. |
| |
Und dieses Diagramm weist bereits alle Merkmale auf, die wir zuvor besprochen haben, sodass jede der Variablen in Rechtecken dargestellt ist, was darauf hindeutet, dass es sich um beobachtete Variablen handelt. |
| |
Und jeder von ihnen hat diese Doppelpfeile, die bei sich selbst beginnen und enden, sodass sie eine Varianz jeder dieser Variablen darstellen. |
| |
Wenn ich nun mit der rechten Maustaste auf die Leinwand klicke, wird ein Anzeigemenü angezeigt und ich bemerke, dass die Mittelwerte und Achsenabschnitte standardmäßig ausgeblendet sind. |
| |
Ich klicke darauf, um Ihnen zu zeigen, dass dies tatsächlich der Fall ist |
| |
Mittelwerte, die standardmäßig aus all diesen Variablen geschätzt werden. Deshalb werden wir nicht darüber reden, also werden wir sie geheim halten, aber ich denke, es ist wichtig, es zu wissen |
| |
dass das Standardmodell, mit dem wir beim Start der Plattform beginnen, eines ist, bei dem für alle Variablen Varianzen und Mittelwerte geschätzt werden. |
| |
Nun dazu |
| |
Wir haben einen Listen-Tab, und wenn wir darauf klicken, sehen wir, dass wir einen haben |
| |
die exakt gleichen Informationen, die wir im Diagramm haben, jedoch in Listenform. Daher werden alle verschiedenen Parametertypen je nach Parametertyp aufgeteilt, sodass wir hier alle Varianzen und dort alle Mittelwerte haben. |
| |
Richtig, wir haben eine Statusregisterkarte, die uns im Wesentlichen Auskunft über das spezifische Modell gibt, das wir gerade angegeben haben. Es gibt uns eine Menge nützlicher Informationen über dieses Modell. |
| |
Wir haben Details zu den Daten, unserer Stichprobengröße, den Freiheitsgraden und wir haben auch diese Identifikationsregeln. Sie können darauf klicken, wenn Sie etwas mehr über sie erfahren möchten. Es gibt dir ein bisschen... |
| |
Eine kleine Beschreibung rechts. |
| |
Aber was wirklich hilfreich ist zu wissen, ist, dass sich dieses Symbol für die Statusregisterkarte ständig ändert, abhängig von den Änderungen, die wir vornehmen, und abhängig von der Spezifikation des Modells, das wir haben. Und so oft, wenn wir eine fortgeschrittene Anwendung von SEM haben, ist dies |
| |
Das Symbol könnte die Farbe Gelb haben, und wenn wir einen schweren Fehler haben, einen wichtigen Fehler, dann wird dieses Symbol ein Orange mit einem X sein, was im Grunde darauf hinweist, dass ein Fehler vorliegt. Daher könnte es sehr nützlich sein, Fehler bei der Spezifikation unserer Modelle zu identifizieren. |
| |
Jetzt sehen wir auf der linken Seite der Benutzeroberfläche, dass wir es können |
| |
Geben Sie den Namen unseres Modells an. Dies ist sehr hilfreich, um den Überblick über unseren Arbeitsablauf zu behalten. Und wir haben auch diese Von- und Bis-Listen. |
| |
Daher bieten diese Listen eine sehr nützliche Möglichkeit, Variablen zu verknüpfen, entweder mithilfe eines Pfeils mit einer oder zwei Spitzen. |
| |
Wenn ich diese hier zum Beispiel verknüpfen möchte, kann ich auf diese Schaltfläche klicken und schon habe ich ganz schnell ein Pfaddiagramm gezeichnet, richtig. Es ist also eine sehr effiziente Möglichkeit, Modelle zu spezifizieren. |
| |
Deshalb klicke ich hier auf „Zurücksetzen“, um zu dem Modell zurückzukehren, das wir beim Start der Plattform hatten. Beachten Sie jedoch, dass die Von- und Bis-Listen 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. |
| |
Nun sind die ersten fünf Variablen hier diejenigen, die den Elementen in dieser Umfrage für die realistische Bedrohung entsprechen. Deshalb werde ich dem Modell eine latente Variable hinzufügen, indem ich nach unten gehe |
| |
zu diesem Feld hier unten, wo „Latent1“ steht und ich den Namen in „Realistisch“ ändern werde, weil ich möchte |
| |
Diese fünf Variablen gelten als Indikatoren für eine realistische latente Bedrohungsvariable. Und wenn Sie auf diese Schaltfläche klicken, |
| |
Ich bekomme sofort die Angabe dieser latenten Variablen. Und beachten Sie, dass der erste Ladevorgang für diese realistische latente Bedrohungsvariable in diesem Fall eine 1 hat ... |
| |
in diesem Pfeil, und das stellt im Grunde die Tatsache dar, dass der Parameter auf den Wert 1 festgelegt ist. |
| |
Und wir tun dies, weil wir die Skala der latenten Variablen festlegen müssen. Ohne diese Einschränkung wären wir nicht in der Lage, das Modell usw. zu identifizieren |
| |
Standardmäßig legen wir diese Einschränkung beim ersten Laden der latenten Variablen fest, aber wir könnten dies auch erreichen |
| |
denselben Zweck, wenn wir die Varianz der latenten Variablen auf 1 festlegen. Was wir also tun, ist eigentlich eine Frage der Wahl, aber standardmäßig legt die Plattform den ersten Ladevorgang auf 1 fest. Okay, wir haben also eine latente Variable für realistische Bedrohungen und die anderen fünf |
| |
Die Variablen hier sind diejenigen, die den Fragen zu symbolischen Bedrohungen entsprechen. Deshalb werde ich diese auswählen und hier klicken. Ich gebe „Symbolisch“ ein und klicke auf die Plus-Schaltfläche, um diese symbolische Bedrohung hinzuzufügen. |
| |
Okay, wir sind fast fertig, aber beachten Sie, dass dieses Modell impliziert, dass realistische und symbolische Bedrohungen überhaupt nicht miteinander korrelieren, und das ist eine sehr starke Annahme. Und deshalb wollen wir das nicht tun. |
| |
Die meisten konfirmatorischen Faktormodelle ermöglichen größtenteils eine Kovariation der latenten Variablen untereinander, daher wähle ich sie hier aus und kann auf diesen Doppelpfeil klicken, um diese beiden Knoten zu verbinden. |
| |
Ich kann es aber auch direkt aus dem Pfaddiagramm heraus 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 eine ziemlich coole Art und Weise. Sie können es mit der Liste tun, Sie können es direkt im Diagramm tun, |
| |
Was auch immer Ihre Wahl ist. Unser Modell kann nun geschätzt werden. Ich werde den Namen in „2-Faktor-CFA“ ändern und wir können es ausführen. |
| |
Und wie Sie sehen, erhalten wir sehr schnell unsere Schätzungen und sie werden alle im Diagramm abgebildet, was ziemlich cool ist. Aber bevor wir diese Ergebnisse interpretieren, möchte ich sicherstellen, dass wir uns auf diese Modellvergleichstabelle konzentrieren. |
| |
Der Grund dafür ist, dass uns die Tabelle viele Informationen über die Anpassung des Modells liefert und wir sicherstellen möchten, dass das Modell gut passt, bevor wir die Ergebnisse interpretieren. Also |
| |
Das erste, was hier auffällt, ist, dass wir in dieser ... Tabelle drei Modelle haben und nur eines davon passt. |
| |
Der Grund, warum wir drei haben, liegt darin, dass die ersten beiden Modelle, das uneingeschränkte Modell und das Unabhängigkeitsmodell, beim Start der Plattform nicht standardmäßig fit sind. |
| |
Deshalb passen wir diese Modelle absichtlich an, um eine Grundlage dafür zu schaffen, welches Modell wirklich gut passt und welches Modell wirklich schlecht passt, und nutzen diese als Vergleichsrahmen |
| |
mit unseren eigenen spezifizierten Modellen. Lassen Sie mich etwas konkreter werden. Das uneingeschränkte Modell wäre zum Beispiel ein Modell (ich zeige es Ihnen mit dem Pfaddiagramm), |
| |
Das uneingeschränkte Modell ist eines, bei dem jede Variable untereinander kovariieren darf, in Ordnung. Und merken Sie sich 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 in Wirklichkeit die Kovarianzmatrix des Datenrechts sind und wir daher null 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 keinen Außenseiter, aber wir schätzen auch jede mögliche Schätzung anhand der Daten. |
| |
Das andere Ende des Spektrums ist ein Modell, das wirklich schlecht passen würde, und das ist das Unabhängigkeitsmodell. Wenn ich Ihnen also das Pfaddiagramm zeige, |
| |
Hier unser Standardmodell, bei dem wir nur die Varianz als Mittelwert für die Daten haben, das ist genau das, was das Unabhängigkeitsmodell ist. Und |
| |
Das ist im Wesentlichen ein Modell, bei dem nichts mit irgendetwas anderem kovariiert, und Sie können sehen, dass die Chi-Quadrat-Statistik für dieses Modell tatsächlich ziemlich groß ist, weil es viele Fehlanpassungen gibt, richtig, also sind es fast 2000 Einheiten, aber das haben wir |
| |
45 Freiheitsgrade, weil wir aus den Daten nur sehr wenige Dinge abschätzen. Und auch diese beiden Modelle bieten grundsätzlich etwas |
| |
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 werden wir diese Informationen nutzen können, um unser eigenes Modell mit diesen zu vergleichen. |
| |
Schauen wir uns also unser Modell an. Beachten Sie, dass die Chi-Quadrat-Statistik nicht Null ist, sondern nur 147 Einheiten beträgt, was viel weniger als 2000 ist. |
| |
Und wir haben 34 Freiheitsgrade, also haben wir einige Außenseiter. Und wenn wir uns den Test für dieses Chi-Quadrat ansehen, handelt es sich um eine signifikante Chi-Quadrat-Statistik, was darauf hindeutet, dass wir eine statistisch signifikante Fehlanpassung in den Daten haben. |
| |
Die Chi-Quadrat-Statistik wird jedoch von der Stichprobengröße beeinflusst, und in diesem Fall haben wir 550 Beobachtungen. Und so |
| |
Wenn Sie 300 oder mehr Beobachtungen haben, ist es normalerweise sehr wichtig, nicht nur die Chi-Quadrat-Statistik nachzuschlagen, sondern auch einige Besonderheiten |
| |
Anpassungsindizes, die es nur bei SEM gibt und die es uns ermöglichen, die Anpassung des Modells zu quantifizieren. Die Werte befinden sich hier rechts. |
| |
Dieser erste Anpassungsindex wird als vergleichender Anpassungsindex bezeichnet |
| |
Der Index reicht von Null bis Eins, sodass Sie sehen können, dass das uneingeschränkte Modell eine Eins hat. Das ist das Modell mit der besten Anpassung, und das Unabhängigkeitsmodell hat Null, weil es das Modell mit der schlechtesten Anpassung ist, und unser Modell hat tatsächlich einen CFI von 0,93, also etwa 0,94. |
| |
Und das stellt den Anteil der Verbesserung gegenüber dem Unabhängigkeitsmodell dar. Anders ausgedrückt: |
| |
Unser Modell passt etwa 94 % besser als das Unabhängigkeitsmodell, das ist also eigentlich ziemlich gut. Und normalerweise wollen wir CFI-Werte von 0,9 oder höher. Je näher an eins, desto besser. |
| |
Nun ist der quadratische Mittelwert der Näherung ein weiterer Anpassungsindex, aber dieser, |
| |
Obwohl er ebenfalls von null bis eins reicht, wollen wir in diesem Index sehr, sehr niedrige Werte. Beachten Sie also, dass das uneingeschränkte Modell den Wert Null hat |
| |
und das Unabhängigkeitsmodell ist .27. Normalerweise wollen wir hier Werte, die für akzeptable Modelle 0,1 oder niedriger sind. Und unseres hat einen Wert von .07, etwa .08, und das ist eigentlich ziemlich gut. |
| |
Wir haben auch einige Konfidenzintervalle für diese spezielle Schätzung, und Sie können sehen, dass diese Werte ebenfalls unter 0,1 liegen, also ist dies ein gut passendes Modell, richtig. Sobald wir also wissen, dass das Modell ... gut zu unseren Daten passt, können wir mit der Interpretation fortfahren. |
| |
Als Standardeinstellung unserer Schätzungen zeigen wir Ihnen nun die nicht standardisierten Parameterschätzungen. |
| |
Aber für die Faktoranalyse ist es viel nützlicher, sich die standardisierte Lösung anzusehen, also klicke ich mit der rechten Maustaste auf die Leinwand und zeige die standardisierten Schätzungen an. |
| |
Die Werte hier liegen also in einer Korrelationsmetrik vor, sodass wir möchten, dass diese Werte so nahe wie möglich bei eins liegen. |
| |
weil sie die Korrelation der beobachteten Variablen mit der latenten Variablen darstellen. Und beachten Sie, dass die Werte sowohl für die realistische als auch für die symbolische Bedrohung ziemlich gut sind. |
| |
Wir möchten nicht, dass sie unter etwa 0,4 liegen, daher sind diese Werte gut. Eine weitere Sache, die sehr einzigartig und wirklich nützlich ist, es gibt sie nur bei JMP Pro, ist, dass die Variablen hier ... jede endogene Variable sind, die vorhanden ist |
| |
Prädiktoren, richtig, wenn man auf sie zeigt, ist es schattiert. |
| |
Beachten Sie, dass sich in diesen Quadraten ein wenig Grau befindet, sodass die Schattierung proportional zum Ausmaß der durch die Prädiktoren erklärten Varianz ist. |
| |
So können wir sehr schnell visuell erkennen, welche Variablen ihre Varianz wirklich gut erklären konnten. In diesem Fall scheinen es diese drei Variablen zu sein |
| |
sind am stärksten mit diesem dunkleren Grau gefüllt, was darauf hindeutet, dass die latente Variable symbolische Bedrohungen die Varianz dieser drei beobachteten Variablen recht gut erklären kann. |
| |
Wir sehen auch, dass die beiden latenten Variablen etwa 0,4 korrelieren, was ein interessanter Befund ist. |
| |
Und es gibt alle Arten von Ausgaben, auf die wir uns hier im Menü mit dem roten Dreieck konzentrieren könnten, aber ich werde mich speziell auf eine konzentrieren |
| |
Option namens „Messmodell bewerten“. Und hier werden wir viele Statistiken finden, mit denen wir die Zuverlässigkeit und Gültigkeit unserer Konstrukte quantifizieren können. |
| |
Wenn wir also dort klicken, haben wir dieses nette kleine Dashboard. Und die ersten Informationen, die wir hier haben, sind |
| |
Indikatorzuverlässigkeit, also quantifiziert dieser die Zuverlässigkeit jeder der Fragen in dieser Umfrage und wir stellen ein entsprechendes Diagramm bereit. |
| |
zeigt uns all diese Werte. Und beachten Sie, wir haben hier eine rote Linie für einen Schwellenwert dessen, was wir uns erhoffen, richtig. Mindestens so viel Zuverlässigkeit wollen wir bei jedem unserer Artikel haben. Jetzt, |
| |
Wissen Sie, diese Art von Schwellenwerten müssen mit unserem eigenen kritischen Denken interpretiert werden, denn offensichtlich |
| |
Wissen Sie, dieser bestimmte Artikel liegt zum Beispiel unter dem Schwellenwert, liegt aber immer noch ziemlich nahe am Schwellenwert, also werden wir ihn nicht wegwerfen. Wir können es noch in Betracht ziehen |
| |
relativ zuverlässig und immer noch ein guter Indikator für diese latente Variable. Aber auch hier sollten Sie die Schwellenwerte nur mit Vorsicht interpretieren. |
| |
Aus dieser Darstellung geht jedoch hervor, dass die latente Variable der symbolischen Bedrohungen zuverlässigere Indikatoren zu haben scheint als die realistischen Bedrohungen. Sie sind zwar beide ziemlich gut, aber das Symbolische, wissen Sie, können wir besser messen. |
| |
Die Werte auf der rechten Seite 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 Einzelheiten ihrer Unterschiede eingehen, aber beachten Sie, dass diese Werte zwischen Null und Eins liegen und wir möchten, dass sie so nahe wie möglich bei Eins liegen. Und wir bieten auch |
| |
Wissen Sie, einige Plots mit dem Schwellenwert, der angibt, wie hoch das gewünschte Maß an Zuverlässigkeit ist, das Minimum und in diesem Fall sowohl die realistische als auch die symbolische Bedrohung, haben gute Zuverlässigkeiten. |
| |
Und die andere Visualisierung, die wir hier haben, ist für eine Konstruktgültigkeitsmatrix und |
| |
Denken Sie daran, dass es sehr schwierig ist, herauszufinden, ob es wirklich so ist, wenn Sie versuchen, etwas zu messen, das Sie nicht direkt sehen |
| |
ist das, was Sie damit messen möchten. Messen Sie wirklich, was Sie wollten? Und genau das können wir anhand dieser Informationen feststellen. |
| |
Die Visualisierung hier stellt das obere Dreieck dieser Matrix dar, und ich möchte kurz erklären, was die Werte darstellen. In diesem unteren... |
| |
Unterhalb der Diagonale haben wir die Korrelation zwischen der latenten Variablen. Das sind etwa 0,4. Die diagonalen Einträge stellen den durchschnittlichen Betrag der extrahierten Varianz dar |
| |
aus dem..., das die latenten Variablen aus ihren Indikatoren extrahieren. Deshalb möchten Sie, dass diese Werte so hoch wie möglich sind. |
| |
Und über der Diagonale haben wir diesen quadratischen Zusammenhang. Mit anderen Worten: Es handelt sich um das Ausmaß der überlappenden Varianz zwischen den latenten Variablen. |
| |
Der Schlüssel zur Interpretation dieser Matrix liegt also darin, dass die Werte in der Diagonale höher sein sollen |
| |
als die Werte über und rechts von der Diagonale, und beachten Sie, dass die Visualisierung hier sehr leicht erkennen lässt, dass wir tatsächlich Folgendes tun: |
| |
haben in der Diagonale größere Werte als oben oder rechts. Und das ist ein guter Beweis für die Konstruktvalidität. |
| |
Und so deutet alles hier darauf hin, dass sowohl die realistischen als auch die symbolischen Bedrohungen tatsächlich |
| |
latente Variablen, die gültig und zuverlässig sind, und die Umfrage scheint beides gut messen zu können. |
| |
Ein nächster Schritt könnte also sein, dass wir uns vielleicht dafür entscheiden, alle fünf Fragen zu beantworten, die hier die realistischen Bedrohungen darstellen, und über all diese einen Durchschnitt bilden könnten. |
| |
Und plötzlich hätten wir eine Maßnahme, die realistische Bedrohungen darstellt. Wir könnten das tun, und wir könnten dasselbe für die anderen fünf Variablen tun, die symbolische Bedrohungen darstellen. |
| |
Und nur zur Veranschaulichung: Ich habe diese Variablen tatsächlich bereits erstellt, also gehen wir zur Analyse, zu multivariaten Methoden und zu Strukturgleichungsmodellen. Und ich werde danach suchen |
| |
Durchschnittsvariable. Damit es hier realistische und symbolische Bedrohungen gibt, handelt es sich dabei um den Durchschnitt aller Spalten für jede dieser Variablen. |
| |
Und ich werde diese zusätzlich modellieren ... Wir haben ein Maß für Angst, wir haben auch ein Maß für negative Affekte oder negative negative Emotionen. |
| |
Und schließlich haben wir ein Maß für die Einhaltung von Verhaltensweisen im Bereich der öffentlichen Gesundheit, und deshalb werden wir auch dieses modellieren und auf „OK“ klicken, um die Plattform zu starten. |
| |
Mit den Diagrammschaltflächen hier können wir in ein benutzerdefiniertes Menü wechseln und alle möglichen Aspekte des Diagramms ändern, was wirklich, wirklich großartig ist. Im Moment werde ich mich nur darauf konzentrieren, die Breite von ... zu vergrößern. |
| |
die Breite dieser |
| |
Variablen, damit wir lesen können, was sich in den Knoten befindet. Und ich werde ein Modell anpassen, in dem sowohl realistische als auch symbolische Bedrohungen als Prädiktoren für diese interessanten Ergebnisse dienen, richtig. Es gibt so etwas wie |
| |
Marker für Angstzustände, negative Auswirkungen und auch das öffentliche Gesundheitsverhalten. Daher werden wir diese mit einem Pfeil mit einer Spitze verknüpfen, um die Vorhersagen zu präzisieren. Wir werden also untersuchen, ob diese Effekte tatsächlich signifikant sind. |
| |
Beachten Sie, dass ich mit der Spezifikation dieses Modells noch nicht ganz fertig bin, 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, wenn man sagen würde, dass dies bei beiden Dingen nicht der Fall ist |
| |
kovariieren überhaupt. Deshalb möchten wir immer sicherstellen, dass wir Kovarianzen zwischen unseren Prädiktoren und auch zwischen den Restvarianzen unserer Ergebnisse einbeziehen. |
| |
Damit wir diese direkt aus der Liste „Von“ angeben können, verwende ich in diesem Fall „Kovarianzen hinzufügen“ 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 das wird oft als Pfadanalyse bezeichnet, aber es ist auch... |
| |
Im Grunde handelt es sich um eine Sammlung, eine gleichzeitige Sammlung von Regressionsmodellen, und deshalb werden wir sie ausführen. |
| |
Und beachten Sie anhand der Modellvergleichstabelle, dass unser Modell keine Freiheitsgrade hat und ein perfektes Chi-Quadrat hat und das Chi-Quadrat Null ist. |
| |
Da wir aber keine Freiheitsgrade haben, bedeutet dies im Wesentlichen, dass unser Modell nicht überprüfbar ist. |
| |
weil wir aus unseren Daten alle Informationen extrahiert haben, die wir hätten extrahieren können. Das ist also im Wesentlichen das, was wir tun, wenn wir ein Regressionsmodell anpassen. Das ist also kein Problem, aber seien Sie sich bewusst, dass Sie dieses Chi-Quadrat nicht interpretieren und sagen können: „Oh, mein Modell passt so gut.“ |
| |
Es passt gut, weil Sie alles extrahiert haben, was Sie aus dem Modell hätten extrahieren können. Es ist also wie ein Regressionsmodell. |
| |
Also gut, wenn wir uns die Ergebnisse ansehen, wissen Sie, dass es alle möglichen wirklich wichtigen Informationen gibt, die wir interpretieren können, aber ich werde mich auf ein paar Dinge konzentrieren. Erste, |
| |
Beachten Sie, dass unsere Diagramme vollständig interaktiv sind, was wirklich sehr, sehr cool ist. Und ich verschiebe die Dinge nur, um mich auf ein paar Effekte zu konzentrieren. Ich werde die Varianzen und Kovarianzen in diesem Modell ausblenden, damit wir uns wirklich auf die Ergebnisse der Regressionsmodelle konzentrieren können. |
| |
aus der Pfadanalyse. Und beachten Sie hier, dass realistische und symbolische Drohungen sich beide positiv auf die Angst auswirken. |
| |
Das ist also wirklich interessant und hier sind die Pfeile durchgezogen, weil die Effekte, die Sie hier in der Tabelle der Parameterschätzungen sehen können, statistisch signifikant sind. Wenn sie also unbedeutend wären, |
| |
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 bis jetzt haben wir wiederum nur Regressionsmodelle gleichzeitig angepasst. |
| |
Und tatsächlich, wenn wir zur Datentabelle zurückkehren, habe ich hier ein Skript vom 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 das zeigen wollte, ist, dass die Parameterschätzungen hier genau die gleichen Werte haben, die wir aus dem SEM erhalten haben. |
| |
Und das ist keine Überraschung, denn tatsächlich führen wir eine gleichzeitige Regression durch. Bis zu diesem Punkt fragen Sie sich vielleicht |
| |
Was bringt Ihnen SEM? Richtig, denn technisch gesehen könnten Sie drei separate Anpassungsmodelle mit diesen drei Ergebnissen ausführen und die gleichen Informationen erhalten, die wir bisher erhalten haben. |
| |
Wenn Ihnen jedoch Daten fehlen, möchten Sie trotzdem SEM verwenden, denn dann werden wir ... alle Daten verwenden, anstatt Zeilen zu löschen. |
| |
Wenn Sie jedoch SEM verwenden möchten, können Sie auch weitere Fragen beantworten, die sehr interessant sind. |
| |
In diesem Fall könnten wir uns fragen, ob die Wirkung einer realistischen Bedrohung auf die Angst statistisch gesehen größer ist |
| |
als die Wirkung, die eine symbolische Bedrohung auf die Angst hat, richtig. Bisher wissen wir, dass beide signifikant von Null abweichen. Aber unterscheiden sie sich signifikant voneinander? |
| |
Und das ist eine Frage, die wir mithilfe der SEM-Plattform beantworten können. Und wenn wir zu unserem Modellspezifikationsfenster zurückkehren, können wir beide Effekte auswählen und hier oben in den Aktionsschaltflächen haben wir die Schaltfläche „Gleich einstellen“. Wenn wir also darauf drücken, sehen wir, dass wir ein wenig bekommen |
| |
Geben Sie hier eine Beschriftung ein, die bedeutet, dass beide Effekte gleich eingestellt werden. Sie werden als eins geschätzt. Wenn wir also den Namen hier in „Equal Effects“ ändern und dieses Modell ausführen, erhalten wir die Anpassungsstatistiken für dieses spezielle Modell |
| |
Modell, das die Gleichheitsbeschränkungen hat. Und beachten Sie, dass wir jetzt einen Freiheitsgrad gewonnen haben und plötzlich ein testbares Modell haben. |
| |
Und wir können die Modellvergleichstabelle verwenden, um die beiden Modelle auszuwählen, die wir miteinander vergleichen möchten, und Ihren Klick auf „Ausgewählte Modelle vergleichen“ löschen. |
| |
Und jetzt erhalten wir einen Chi-Quadrat-Differenztest, damit wir das Modell statistisch vergleichen und sehen können, wie groß die Fehlanpassung ist |
| |
Gleichheitsbeschränkung im Modell induziert. Und hier können wir sehen, dass es in der Chi-Quadrat-Metrik etwa 8,6 Einheiten sind und der p-Wert dafür tatsächlich signifikant ist. Das deutet also darauf hin |
| |
Das Festlegen dieser Gleichheitsbeschränkung führt zu erheblichen Fehlanpassungen im Modell. Und da wir wissen, dass das Chi-Quadrat von der Stichprobengröße beeinflusst wird, haben wir auch den Unterschied zwischen diesen |
| |
Fit-Indizes, die wir besprochen haben, und für den CFI wollen wir normalerweise nicht, dass dieser ansteigt, nicht mehr als 0,01 |
| |
höchstens. Tatsächlich ist .01 oder höher nicht so gut. Und für RMSEA soll dieser Wert nicht höher als 0,1 sein. |
| |
Alle hier vorliegenden Beweise deuten also darauf hin, dass das Festlegen der Gleichheitsbeschränkungen zu einem deutlich schlechter passenden Modell führt. |
| |
Mit anderen Worten: Wenn wir zu dem Modell zurückkehren, das am besten passt, können wir jetzt auf der Grundlage dieses Chi-Quadrat-Differenztests sagen: |
| |
dass die Wirkung einer realistischen Bedrohung auf die Angst deutlich größer ist als die Wirkung der symbolischen Bedrohung auf die Angst. |
| |
Wir könnten diese Art von Fragen also mit anderen Teilen dieses Modells beantworten, aber auch hier bietet SEM viel Flexibilität, indem es uns ermöglicht, die Gleichheit verschiedener Effekte innerhalb des Modells zu vergleichen. |
| |
Okay, und aus Zeitgründen werde ich das abschließen, aber ich möchte Ihnen bis jetzt zeigen, dass Sie wissen, dass wir ein konfirmatorisches Faktormodell gesehen haben. Wir haben auch gesehen |
| |
eine Pfadanalyse, bei der wir eine multivariate Regressionsanalyse durchführen, aber wir können tatsächlich beide Konzepte in einem Modell verwenden. 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 sowohl für symbolische als auch für realistische Bedrohungen und verwende dabei die Originalelemente aus der Umfrage und dem Fragebogen. |
| |
Anstatt also Durchschnittswerte über die Spalten hinweg zu erstellen, |
| |
Ich werde tatsächlich die latenten Variablen modellieren, und das ermöglicht es mir, Regressionseffekte zu erhalten. Alle diese Effekte unter latenten Variablen werden unvoreingenommen und nicht durch Messfehler abgeschwächt sein, weil ich mehr erhalte |
| |
ein gültigeres, reineres Maß symbolischer und realistischer Bedrohungen. Und hier schätzen wir, Sie können sequentielle Beziehungen sehen, und mein Modell hier ist viel komplexer. |
| |
Ich werde nicht auf die Details des Modells eingehen, möchte aber 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 ... sein werden. |
| |
für das Modell. Und ich habe dieses Modell tatsächlich geschätzt, die Ergebnisse können Sie hier unten sehen. Beachten Sie also, dass es hier ein paar Kanten gibt, die... |
| |
die Pfeile haben, die irgendwie gestrichelt sind, was darauf hinweist, dass diese Auswirkungen nicht signifikant sind. Wir sehen auch, wie kraftvoll die Visualisierung der Schattierung ist, richtig. Wir können es erklären |
| |
ein gewisser Anteil der Varianz bei der Einhaltung öffentlicher Gesundheitsverhaltensweisen. Und es scheint, als ob wir die Varianz bei positiven Auswirkungen besser erklären können als bei allen anderen Ergebnissen hier. Und so ist es wieder |
| |
Im Grunde das Beste aus beiden Welten: die Möglichkeit, unsere latenten Variablen zu spezifizieren, sie aber auch direkt über unsere Plattform zu modellieren. |
| |
Damit beende ich die Demo hier, möchte Sie jedoch darauf hinweisen, dass wir auf der JMP-Community-Website ergänzende Materialien dazu haben |
| |
James Koepfler hat geschaffen. Es handelt sich um wirklich großartige Materialien, die viele Tipps zur Interpretation unserer Modelle, zur Verwendung der Modellvergleichstabelle, usw. enthalten. |
| |
Und im Grunde alle Notizen, die Sie sich während dieser Präsentation gewünscht hätten, finden Sie in den ergänzenden Materialien. Und damit bin ich bereit, es für Fragen zu öffnen. |
