Vocero
|
Transcripción
|
| Laura Castro-Schilo |
Hola, soy Laura Castro-Schilo y bienvenido a esta sesión, donde aprenderemos el ABC del modelado de ecuaciones estructurales. |
| |
Y nuestro objetivo hoy es asegurarnos de que tiene las herramientas necesarias para especificar e interpretar modelos, utilizando la plataforma de modelos de ecuaciones estructurales en JMP Pro 16. |
| |
Y vamos a hacer eso, primero dando una breve introducción a SEM simplemente diciéndole qué es y, particularmente, basándonos en las conexiones que tiene con el análisis factorial y el análisis de regresión. |
| |
Y a lo largo del camino, aprenderemos cómo los diagramas de ruta son herramientas esenciales para SEM. |
| |
Y vamos a tratar de que la introducción sea bastante breve, para que realmente podamos centrarnos en algunos ejemplos prácticos. |
| |
Y entonces, antes de esos ejemplos, voy a presentar los datos que usaremos para esa demostración y estos datos son sobre las percepciones de las amenazas de COVID 19. |
| |
Entonces, al observar esos datos, comenzaremos a aprender cómo especificamos e interpretamos nuestros modelos y lo haremos respondiendo preguntas específicas. |
| |
Esas preguntas nos van a llevar a hablar de modelos muy populares en SEM, uno es el análisis factorial confirmatorio y otro, el análisis de regresión multivariante. |
| |
Y para terminar, le mostraremos un modelo en el que reunimos ambos análisis, para que realmente pueda ver cómo SEM es un marco muy flexible en el que puede ajustar sus propios modelos. |
| |
Bien, entonces SEM es un marco donde el análisis factorial y el análisis de regresión se unen, y en el lado del análisis factorial podemos ganar la capacidad de medir |
| |
incluso aquellas cosas que no podemos observar directamente, también conocidas como variables latentes. |
| |
Y desde el lado de la regresión, podemos examinar las relaciones entre las variables, ya sean observadas o no observadas, por lo que cuando reúne esas dos, obtiene SEM, que puede imaginar, es un marco muy flexible donde todo tipo de diferentes los modelos se pueden ajustar. |
| |
Los diagramas de ruta son herramientas realmente útiles en SEM, y la razón es que los sistemas de ecuaciones que pueden ser, ya sabes, bastante complicados |
| |
realmente se puede representar, a través de estos diagramas. Y siempre que sepamos cómo dibujar los diagramas y cómo interpretarlos, |
| |
entonces podremos utilizarlos en nuestro beneficio. Entonces, aquí tenemos rectángulos y esos se usan exclusivamente para representar variables observadas. |
| |
Los círculos se utilizan para representar variables latentes, y las flechas de dos puntas se utilizan para representar tanto las varianzas como las covarianzas, y las flechas de una sola cabeza son para efectos de regresión o carga. |
| |
Hay otro símbolo que se usa a menudo en los diagramas de ruta y está fuera del alcance de lo que vamos a hablar hoy. |
| |
Pero si lo encuentra, solo quiero asegurarme de que sepa que está allí, y que es un triángulo. Los triángulos se utilizan para representar medias e intersecciones, por lo que hay todo tipo de modelos interesantes que podemos ajustar, |
| |
donde estamos modelando la estructura media de los datos, pero nuevamente no tendremos tiempo para hablar sobre eso hoy. |
| |
Ahora, cuando se trata de diagramas de ruta, creo que es útil pensar en cuáles son los bloques de construcción |
| |
de modelos SEM para que podamos usarlos para construir modelos complejos. Y uno de ellos sería una regresión lineal simple. Así que aquí, ves, tenemos |
| |
una regresión lineal donde Y está retrocediendo sobre X. Y observe que tanto X como Y están en estos rectángulos, en estos cuadros, porque son variables observadas. |
| |
Y estamos usando esa flecha de una punta para representar el efecto de regresión y las flechas de dos puntas que comienzan y terminan en la misma variable |
| |
representan, en este caso, la varianza de X, y en el caso de Y, es la varianza residual de Y. Si una flecha de dos puntas comenzara en una variable y comenzara ... y terminara en la otra, entonces sería una covarianza. |
| |
Ahora, en SEM cualquier variable puede ser tanto un resultado como un predictor. Entonces, en este caso, Y también podría asumir el papel de predictor si tuviéramos una tercera variable Z, donde Y está prediciendo Z. |
| |
Y entonces podemos construir efectos secuenciales, este tipo de regresiones secuenciales, ya sabes, tantas como necesites dependiendo de tus datos. |
| |
Otro bloque de construcción sería el de un modelo factorial confirmatorio, y eso es básicamente |
| |
la forma en que especificamos variables latentes en SEM. Y este ejemplo en particular es un factor muy simple, una variable latente |
| |
modelo factorial confirmatorio donde el círculo representa la variable latente no observada. |
| |
Y observe que la variable latente tiene flechas de una cabeza que apuntan a las variables que sí observamos, en este caso W, X e Y. |
| |
Y la razón por la que esa variable apunta a esos cuadrados es porque en el análisis factorial, la idea es que la variable latente causa la variabilidad común que observamos en W, X e Y. |
| |
Y esto es muy importante de entender porque a menudo se confunde cuando pensamos en los componentes principales como un director |
| |
perspectiva de análisis de componentes. Y creo que esta es una buena oportunidad para establecer las distinciones entre las variables latentes desde una perspectiva analítica factorial y los componentes desde una perspectiva PCA, así que voy a tomar un poco de la tangente para explicar esas diferencias. |
| |
En esta imagen, los cuadrados representan las variables que medimos, las variables observadas. Y observe, estoy usando estas diferentes cantidades de |
| |
sombreado azul en esas variables para representar la proporción de varianza que se debe a lo que pretendíamos medir, el tipo de señal, las cosas que queríamos medir con nuestros instrumentos. |
| |
Y las áreas sombreadas en gris son la proporción de variación que se debe a cualquier otra fuente de variación. Puede incluir error de medición, pero también puede incluir varianza sistemática que es |
| |
único para cada uno de esos instrumentos de medición. |
| |
Entonces, en el caso del análisis factorial, la variable latente captura toda esa variabilidad común entre las variables observadas, y por eso estamos usando este azul sólido para representar la variable latente. |
| |
Y eso contrasta con lo que sucede en el análisis de componentes principales, donde el objetivo es la reducción de dimensiones. Y entonces en PCA, el componente va a explicar la cantidad máxima de varianza |
| |
a partir de las dimensiones de nuestros datos. Y eso significa que ese componente principal será a menudo una combinación de la varianza que se debe a lo que |
| |
lo que queríamos medir, sino también a otras fuentes de variación. Muy bien, y de nuevo, el diagrama ilustra también el supuesto causal, el hecho de que las variables latentes son |
| |
hipotetizado para causar la variabilidad en sus indicadores en las variables observadas, y por eso esas flechas de una sola cabeza apuntan hacia las variables observadas y ese no es el caso en PCA. |
| |
Muy bien, creo que esta es una distinción útil para hacer cuando hablamos de variables latentes en SEM, |
| |
muy a menudo, de lo que estamos hablando es de las variables latentes desde la perspectiva del análisis factorial. |
| |
Bien, aquí he elegido mostrarte un diagrama de ruta que pertenece a un modelo que ya ha sido estimado. Entonces tenemos todos los valores aquí |
| |
en estas flechas porque todas son estimaciones del modelo, y creo que este diagrama hace un buen trabajo al ilustrar por qué uno podría usar SEM. |
| |
Primero, vemos que tenemos variables no observadas. Aquí mismo, el conflicto es una construcción abstracta que no necesariamente podemos observar directamente, por lo que lo estamos definiendo como una variable latente al aprovechar las cosas que observamos, en este caso tenemos tres preguntas de la encuesta que representan |
| |
ya sabes, esa variable de conflicto no observada. También podemos tener en cuenta el error de medición, la forma en que se definen las variables latentes en SEM. |
| |
nos asegura que, de hecho, estamos contabilizando el error de medición, porque esas variables latentes solo van a capturar la varianza común entre todas estas variables observadas. |
| |
También observe que podemos examinar relaciones secuenciales en SEM. Tenemos esta variable de conflicto no observada, pero también podemos ver |
| |
ya sabes, ¿cómo influye esta variable de apoyo, cómo influye eso en el trabajo y luego, cómo esta variable de trabajo a su vez influye en la variable latente? |
| |
Y, en última instancia, cómo el conflicto, la variable no observada, puede predecir todo tipo de otros resultados. Entonces, estas relaciones secuenciales son muy útiles y muy fáciles de estimar en SEM. |
| |
Otra buena razón para usar SEM es que en JMP Pro, nuestra plataforma utiliza técnicas de vanguardia para manejar los datos faltantes, por lo que incluso si tiene una regresión lineal simple y eso es realmente todo lo que necesita, si tiene datos faltantes, |
| |
SEM se asegura de que todo lo que está presente se utilice para la estimación, por lo que también puede ser muy útil. |
| |
Si esto... |
| |
Si lo que he dicho hasta ahora despierta tu interés y planeas aprender más sobre SEM, sin duda encontrarás mucha terminología. |
| |
que es exclusivo del campo. Y así, como cualquier otra cosa, existe una jerga con la que debemos familiarizarnos. |
| |
Entonces, este diagrama también es útil para introducir algo de esa jerga. Primero, hemos estado hablando de variables observadas o variables medidas. |
| |
En SEM, a menudo se les llama variables manifiestas. Tenemos variables latentes, de las que ya hablamos. |
| |
Pero también tenemos esta idea de variables exógenas y esas son las que solo van a predecir otras variables. |
| |
En nuestro modelo aquí, solo tenemos dos de esos y están en contraste con las variables endógenas. Entonces, todas las demás variables aquí son una variable endógena porque tienen otras variables que las predicen. |
| |
Muy bien, esas son variables endógenas. También tenemos indicadores de variables latentes, por lo que estas son las variables causadas por las variables latentes. |
| |
Y la varianza residual que no se explica por la variable latente se llama unicidades, y a menudo también se les llama varianzas de factores únicos. Y recuerde que esta es la combinación de varianza sistemática que es exclusiva de esa variable además del error de medición. |
| |
Encuentro útil cuando las personas están aprendiendo SEM tener un cambio en el enfoque de lo que |
| |
qué está haciendo realmente el modelo. En otras palabras, al darnos cuenta de que estamos haciendo un análisis multivariado de una estructura de covarianza |
| |
(y también significa, pero recuerde que no estamos hablando de medios hoy), pero al darnos cuenta de que lo que en realidad estamos analizando es la estructura |
| |
de las covarianzas de los datos, que nos ayuda a comprender el SEM con mucha más facilidad. |
| |
Porque tiene implicaciones para lo que creemos que son los datos, ¿verdad? Entonces, por ejemplo, ya sabes, podemos tener nuestras tablas de datos, donde cada fila representa una observación diferente y cada columna es una variable diferente. |
| |
Y definitivamente podemos usar esos datos para lanzar la plataforma SEM en JMP. |
| |
Pero en el fondo, más o menos detrás de la cortina, lo que está haciendo la plataforma es mirar la matriz de covarianza de esas variables, y esos son, de hecho, los datos que se están analizando. |
| |
Y entonces esto también tiene implicaciones para los residuos. A menudo, cuando pensamos en los residuos en SEM, son con respecto a esa matriz de covarianza que estamos analizando. |
| |
Y esto también es cierto para los grados de libertad, y los grados de libertad serán con respecto a esta matriz de covarianza. |
| |
Correcto, y por eso quiero asegurarme de darte una pequeña muestra de cómo funciona SEM en términos de su estimación. |
| |
Entonces, la forma en que comenzamos es especificando un modelo, y afortunadamente, en JMP Pro, tenemos esta interfaz de usuario realmente excelente y amigable |
| |
donde podemos especificar nuestros modelos directamente con diagramas de ruta, en lugar de tener que especificar o enumerar, ya sabes, sistemas complejos de ecuaciones. Simplemente puede dibujar los diagramas de ruta que implican una estructura de covarianza específica. |
| |
Entonces, los diagramas implican una estructura de covarianza para los datos y luego, durante la estimación, lo que hacemos es tratar de obtener estimaciones del modelo que coincidan con la matriz de covarianza de la muestra lo más cerca posible, con base en el modelo implícito. |
| |
restricciones, básicamente. Y una vez que tengamos esas estimaciones, podemos insertarlas en la matriz de covarianza implícita del modelo y comparar esos valores con la matriz de covarianza de la muestra, |
| |
y la diferencia entre ellos nos permite cuantificar el ajuste del modelo, ¿verdad? Entonces, si tenemos residuos grandes, al observar la diferencia entre estas dos matrices de covarianza, sabemos que no hemos hecho un buen trabajo al ajustar nuestro modelo. |
| |
Muy bien, entonces, en pocas palabras, así es como funciona SEM, y me gustaría tomar ahora la siguiente parte de la presentación para presentar los datos que usaremos para nuestra demostración. Creo que |
| |
es más fácil aprender nuevos conceptos poniendo en nuestras manos algunos datos reales, ejemplos reales del mundo real. |
| |
Entonces, los datos que vamos a usar en realidad provienen de un artículo publicado muy recientemente que se publicó en la revista Social, Psychological and Personality Science, y por lo tanto se publicó en el verano de 2020. |
| |
Y los autores querían responder a una pregunta muy sencilla. Dijeron, ya sabes, ¿cómo afectan las amenazas percibidas de COVID 19 al bienestar y los comportamientos de salud pública? Y entonces |
| |
es una pregunta simple, excepto por el hecho de que las amenazas percibidas de COVID 19 es una construcción completamente nueva, ¿verdad? Es una idea muy abstracta. |
| |
Ya sabes, ¿qué son las amenazas percibidas de COVID 19 y cómo se mide, verdad? Y así, como esto es algo que nunca antes se había medido, los autores tuvieron que emprender una labor muy cuidadosa |
| |
estudio donde desarrollaron una encuesta para poder medir esas amenazas. Y |
| |
desarrollar una encuesta no es fácil, verdad. Necesitamos asegurarnos de que nuestras preguntas para nuestra encuesta sean confiables, que sean válidas. |
| |
Entonces tuvieron que pasar por el proceso y veremos cómo lo hicieron en un minuto. |
| |
Ahora, en su estudio encontraron que hay dos tipos de amenazas que pueden medir, una que llamaron amenazas realistas, y es |
| |
cosas que amenazan nuestra seguridad física y financiera. |
| |
Y el otro tipo de amenaza fue ... lo llamaron simbólico. Entonces esas son cosas que amenazan nuestra identidad social y cultural, ¿verdad? Y también es importante decir que esta muestra fue para la población de Estados Unidos. Ellos muestrearon |
| |
más de 1.000 personas y, por lo tanto, sus preguntas pertenecen exclusivamente a la población de los Estados Unidos. |
| |
Y lo que vemos aquí, esta es en realidad la escala de amenazas COVID 19 integrada, por lo que este es el cuestionario que desarrollaron después de pasar por tres estudios diferentes. Y entonces encontraron que esas dos amenazas |
| |
podría medirse con un puñado de elementos. Pidieron a sus participantes que respondieran qué amenaza, si la hay, es el brote de coronavirus, para su salud personal, la salud de la población de EE. UU. En su conjunto, |
| |
su seguridad financiera personal, etc. Y para la amenaza simbólica, las preguntas fueron, ya sabes, |
| |
qué tan amenazante es el virus por lo que significa ser un estadounidense, los valores y tradiciones estadounidenses, y los derechos y libertades de la población de los Estados Unidos en su conjunto, y así sucesivamente. Para que pueda ver las diferencias en lo que representan estas amenazas. |
| |
Así que tuvimos acceso a estos datos y los usaremos para responder preguntas muy específicas. Primero, ¿cómo medimos estas percepciones de la amenaza de COVID 19 y nos centraremos en las dos amenazas que identificaron? |
| |
Entonces, esto nos llevará a hablar sobre el análisis factorial confirmatorio y la evaluación de un modelo de medición para asegurarnos de que podamos averiguar si las preguntas de la encuesta son, de hecho, confiables y válidas. |
| |
Tenga en cuenta que vamos a omitir este primer paso muy importante, que es el análisis factorial exploratorio y eso es algo que uno haría antes. |
| |
usando SEM, a la derecha. Ejecutarías un análisis factorial exploratorio y luego vendrías al SEM para confirmar la estructura de eso ... de los resultados anteriores. Los autores de este artículo definitivamente hicieron eso, pero nos centraremos en los pasos que seguiríamos usando SEM. |
| |
La segunda pregunta es, ¿las percepciones de la amenaza de COVID 19 predicen marcadores de bienestar y comportamientos de salud pública? Entonces, esta pregunta nos llevará a hablar sobre regresión múltiple y análisis de ruta dentro de SEM. |
| |
Y la última pregunta es si los efectos de cada tipo de amenaza sobre los resultados son iguales. Y esto en realidad nos permite mostrar una característica muy interesante de SEM, que implica establecer restricciones de igualdad en nuestros modelos y realizar comparaciones sistemáticas de modelos para responder a este tipo de preguntas. |
| |
Muy bien, es hora de la demostración, y ya tengo ... veamos ... |
| |
Ups, ¿cómo salgo de aquí? |
| |
Aún no es el momento de hacer preguntas. |
| |
Solo quiero salir de la pantalla y parece que no puedo hacerlo. |
| |
Bien, aquí vamos, entonces tenemos ... |
| |
Ya tengo la tabla de datos de JMP abierta aquí. Esto ... estos datos, puede ver que hay 238 columnas, así que eso se debe a que los autores preguntaron |
| |
una serie de preguntas diferentes de 550 participantes en este caso; este es uno de sus tres estudios. |
| |
Y las primeras 10 preguntas, las diez primeras columnas que tengo en los datos corresponden a esas 10 preguntas que vimos en su escala de amenazas. |
| |
Y entonces, esos serán los que usaremos primero para hacer un análisis factorial confirmatorio. Y entonces vamos a hacer clic en analizar, iremos a métodos multivariados, modelos de ecuaciones estructurales. |
| |
Y usaremos esas 10 variables y haremos clic en las variables del modelo, y luego haremos clic en Aceptar para iniciar la plataforma. |
| |
Un aviso de que en el lado derecho inmediatamente vemos que hay un diagrama de ruta. |
| |
Y ese diagrama ya tiene, ya sabes, todas las características que discutimos anteriormente, por lo que cada una de las variables está en rectángulos, lo que sugiere que son variables observadas. |
| |
Y cada uno de ellos tiene estas flechas de dos puntas que comienzan y terminan en sí mismos, por lo que representan una varianza de cada una de esas variables. |
| |
Ahora, si hago clic con el botón derecho en el lienzo, hay un menú de mostrar y noto que las medias y las intersecciones están ocultas de forma predeterminada. |
| |
Voy a hacer clic en esto solo para mostrarles que, de hecho, tenemos |
| |
medias estimadas por defecto a partir de todas estas variables. Y no vamos a hablar de ellos, así que los mantendremos ocultos, pero creo que es importante saber |
| |
que el modelo predeterminado con el que comenzamos cuando lanzamos la plataforma es uno en el que todas las variables tienen varianzas y medias estimadas. |
| |
Ahora, en esto |
| |
pestaña, tenemos una pestaña de lista, y si hacemos clic en ella, vemos que tenemos |
| |
exactamente la misma información que tenemos en el diagrama pero en forma de lista. Entonces, todos los diferentes tipos de parámetros se dividen según el tipo de parámetro que es, por lo que tenemos todas las variaciones aquí y todos los medios allá. |
| |
Bien, tenemos una pestaña de estado y esto básicamente nos dice, ya sabes, sobre el modelo específico que hemos especificado en este momento. Nos da mucha información útil sobre ese modelo. |
| |
Tenemos detalles sobre los datos, el tamaño de nuestra muestra, los grados de libertad y también tenemos estas reglas de identificación. Puede hacer clic en ellos si desea obtener más información sobre ellos. Te da un poco ... |
| |
Una pequeña descripción a la derecha. |
| |
Pero lo que es realmente útil saber es que este icono de la pestaña de estado cambia constantemente, según los cambios que hagamos y según la especificación del modelo que tengamos. Y muchas veces, si tenemos una aplicación avanzada de SEM, este |
| |
El icono puede ser de color amarillo y cuando tenemos un error grave, algún error importante, ese icono será naranja con una X, lo que básicamente indica que hay un error. Por lo tanto, podría ser muy útil identificar errores a medida que especificamos nuestros modelos. |
| |
Ahora, en el lado izquierdo de la interfaz de usuario, vemos que podemos |
| |
especificar el nombre de nuestro modelo, por lo que es muy útil, como para realizar un seguimiento de nuestro flujo de trabajo. Y también tenemos estas listas Desde y Hasta. |
| |
Y así, estas listas proporcionan una forma muy útil de vincular variables, ya sea usando una flecha de una punta o una flecha de dos puntas. |
| |
Entonces, aquí, por ejemplo, si quiero vincularlos, puedo hacer clic en ese botón y muy rápidamente he dibujado un diagrama de ruta, ¿verdad? Por tanto, es una forma muy eficaz de especificar modelos. |
| |
Entonces, voy a hacer clic en restablecer aquí solo para volver al modelo que teníamos al lanzar la plataforma, pero sepan que las listas Desde y Hasta son básicamente formas en las que podemos dibujar los diagramas. |
| |
Bien, en este caso tenemos todas las variables observadas enumeradas aquí, pero sé que queremos usar esas variables para especificar variables latentes. |
| |
Ahora, las primeras cinco variables aquí son las que corresponden a los elementos de esa encuesta para la amenaza realista. Y entonces voy a agregar una variable latente al modelo bajando |
| |
a este cuadro de aquí abajo, donde dice Latente1 y voy a cambiar el nombre a Realista, porque quiero |
| |
estas cinco variables para ser los indicadores de una variable latente de amenaza realista. Y al hacer clic en este botón, |
| |
Inmediatamente obtengo esa variable latente especificada. Y observe, la primera carga para esta variable latente de amenaza realista tiene un 1 en esto ... |
| |
en esto en esta flecha, y eso básicamente representa el hecho de que el parámetro se fija al valor de 1. |
| |
Y hacemos esto porque necesitamos establecer la escala de la variable latente. Sin esta restricción, no podríamos identificar el modelo y por lo tanto |
| |
por defecto vamos a colocar esa restricción en la primera carga de la variable latente, pero también podríamos lograr |
| |
el mismo propósito si fijamos la varianza de la variable latente en 1. Entonces, cuál hacemos es realmente una cuestión de elección, pero de manera predeterminada, la plataforma fijará la primera carga en 1. Bien, tenemos una variable latente de amenazas realistas y las otras cinco |
| |
las variables aquí son las que corresponden, ya sabes, a las preguntas sobre amenazas simbólicas. Entonces, los seleccionaré y haré clic aquí. Voy a escribir Simbólico y voy a hacer clic en el botón más para agregar esa amenaza simbólica. |
| |
Bien, casi terminamos, pero observe que este modelo aquí implica que las amenazas realistas y simbólicas no están perfectamente correlacionadas entre sí, y esa es una suposición muy fuerte. Y entonces no queremos hacer eso. |
| |
En su mayor parte, la mayoría de los modelos de factores confirmatorios permiten que las variables latentes covarien entre sí, por lo que las seleccionaré aquí, y puedo hacer clic en esta flecha de dos puntas para vincular esos dos nodos. |
| |
Pero también puedo hacerlo directamente desde el diagrama de ruta. Entonces, si hago clic derecho en la variable latente, puedo hacer clic en agregar covarianzas y |
| |
ahí mismo, puedo agregar esa covarianza. Así que es una forma genial. Puedes hacerlo con la lista, puedes hacerlo directamente en el diagrama, |
| |
cualquiera que sea su elección. Y entonces nuestro modelo está listo para ser estimado, así que voy a cambiar el nombre a 2-Factor CFA y podemos seguir adelante y ejecutarlo. |
| |
Y pueden ver, muy rápidamente, obtenemos nuestras estimaciones y todas están mapeadas en el diagrama, lo cual es bastante bueno. Pero antes de interpretar esos resultados, quiero asegurarme de que nos centremos en esta tabla de comparación de modelos. |
| |
La razón es que la tabla nos proporciona mucha información sobre el ajuste del modelo y queremos asegurarnos de que el modelo se ajuste bien antes de interpretar los resultados. Asi que |
| |
lo primero que hay que notar aquí es que tenemos tres modelos en esta ... en esta tabla y solo encajamos uno de ellos. |
| |
Entonces, la razón por la que tenemos tres es porque los dos primeros modelos, los modelos sin restricciones e independientes, no se ajustan de forma predeterminada al lanzamiento de la plataforma. |
| |
Y entonces ajustamos estos modelos a propósito para proporcionar una línea de base para lo que es un modelo de ajuste realmente bueno y lo que es un modelo de ajuste realmente malo, por lo que los usamos como un marco de comparación |
| |
con nuestros propios modelos específicos. Déjame ser un poco más específico. Por ejemplo, el modelo sin restricciones sería un modelo (te lo voy a mostrar con el diagrama de ruta), |
| |
el modelo irrestricto es aquel en el que se permite que todas las variables covarien entre sí, de acuerdo. Y entonces nota que |
| |
el estadístico Chi cuadrado, que es una medida de desajuste, es exactamente cero, y la razón es que este modelo se ajusta perfectamente a los datos. Recuerde que nuestros datos aquí son realmente la matriz de covarianza de los datos correctos, por lo que tenemos cero grados de libertad porque hemos especificado ... |
| |
tienen cero grados de libertad porque estamos estimando cada posible varianza y covarianza en los datos. |
| |
Así que este es el mejor escenario posible, ¿verdad? No tenemos ningún desajuste, pero también estamos estimando todas las estimaciones posibles a partir de los datos. |
| |
El otro extremo del espectro es un modelo que encajaría muy mal y eso es lo que es el modelo de independencia. Entonces, si les muestro con el diagrama de ruta, |
| |
aquí nuestro modelo predeterminado donde solo tenemos la varianza como un medio para los datos, eso es exactamente lo que es el modelo de independencia. Y |
| |
ese es esencialmente un modelo en el que nada covaría con nada más, y puede ver que la estadística de Chi cuadrado para ese modelo es de hecho bastante grande, porque hay muchos desajustes, correcto, por lo que son casi 2000 unidades, pero tenemos |
| |
45 grados de libertad porque estamos estimando muy pocas cosas a partir de los datos. Y de nuevo, estos dos modelos básicamente proporcionan |
| |
los dos extremos del espectro, a la derecha. Por un lado, un modelo de muy buen ajuste y, por otro lado, un modelo de muy mal ajuste, por lo que podremos usar esa información para comparar nuestro propio modelo con esos. |
| |
Entonces, si miramos nuestro modelo. Observe que la estadística de Chi cuadrado no es cero, pero es solo 147 unidades, que es mucho menos que 2000. |
| |
Y tenemos 34 grados de libertad, por lo que tenemos algunos inadaptados. Y cuando miramos la prueba para ese Chi cuadrado, es un estadístico de Chi cuadrado significativo, por lo que sugiere que tenemos un desajuste estadísticamente significativo en los datos. |
| |
Sin embargo, el estadístico Chi cuadrado está influenciado por el tamaño de la muestra y, en este caso, tenemos 550 observaciones. Y entonces |
| |
Por lo general, cuando tiene 300 o más observaciones, es muy importante no solo buscar la estadística de Chi cuadrado, sino también algunas |
| |
índices de ajuste que son exclusivos de SEM que nos permiten cuantificar el ajuste del modelo, y eso es lo que los valores están a la derecha aquí. |
| |
Este primer índice de ajuste se denomina índice de ajuste comparativo y |
| |
El índice varía de cero a uno, por lo que puede ver que el modelo sin restricciones tiene uno. Ese es el modelo de mejor ajuste y el modelo de independencia tiene cero, porque el modelo de peor ajuste, está bien, y nuestro modelo en realidad tiene un CFI de .93, aproximadamente .94. |
| |
Y eso representa la proporción de mejora del modelo de independencia. Entonces otra forma de decir eso es |
| |
nuestro modelo se ajusta aproximadamente un 94% mejor que el modelo de independencia, por lo que en realidad es bastante bueno. Y normalmente queremos valores CFI de .9 o más. Cuanto más cerca de uno, mejor. |
| |
Ahora, el error cuadrático medio de aproximación es otro índice de ajuste, pero ese, |
| |
aunque también varía de cero a uno, queremos valores muy, muy bajos en ese índice. Observe que el modelo sin restricciones tiene un valor de cero. |
| |
y el modelo de independencia es .27. Por lo general, queremos valores aquí que sean .1 o inferiores para los modelos aceptables. Y el nuestro tiene un .07, aproximadamente .08, y eso es bastante bueno. |
| |
También tenemos algunos intervalos de confianza para esta estimación en particular, y puede ver que esos valores también están por debajo de .1, por lo que este es un buen modelo de ajuste, ¿verdad? Entonces, una vez que sabemos que el modelo ... se ajusta bien a nuestros datos, podemos seguir adelante e interpretarlo. |
| |
Ahora, de forma predeterminada en nuestras estimaciones, le mostraremos las estimaciones de los parámetros no estandarizados. |
| |
Pero para el análisis factorial, es mucho más útil mirar la solución estandarizada, así que haré clic derecho en el lienzo y mostraré estimaciones estandarizadas. |
| |
Entonces, ahora los valores aquí están en una métrica correlacional, por lo que queremos que esos valores estén lo más cerca posible de uno, |
| |
porque representan la correlación de la variable observada con la variable latente. Y fíjense, tanto para amenazas realistas como simbólicas, los valores son bastante buenos. |
| |
No queremos que sean inferiores a aproximadamente .4, por lo que estos valores son buenos. Otra cosa que es muy única y realmente útil, es exclusiva de JMP Pro, es que las variables aquí son ... cualquier variable endógena que tenga |
| |
predictores, a la derecha, apuntándolos, está sombreado. |
| |
Observe que aquí hay un poco de gris dentro de estos cuadrados, por lo que el sombreado es proporcional a la cantidad de varianza explicada por los predictores. |
| |
Y así nos permite ver visualmente muy rápidamente qué variables estaban haciendo un buen trabajo al explicar su varianza. En este caso, parece que estas tres variables |
| |
están más llenas de ese gris más oscuro, lo que sugiere que la variable latente de amenazas simbólicas está haciendo un buen trabajo al explicar la varianza de estas tres variables observadas. |
| |
También vemos que las dos variables latentes están correlacionadas alrededor de .4, lo cual es un hallazgo interesante. |
| |
Y hay todo tipo de resultados en los que podríamos enfocarnos aquí en el menú del triángulo rojo, pero me enfocaré específicamente en uno |
| |
Opción denominada evaluar modelo de medición. Y aquí es donde vamos a encontrar una gran cantidad de estadísticas donde podemos cuantificar la confiabilidad y la validez de nuestros constructos. |
| |
Entonces, si hacemos clic allí, tenemos este pequeño y agradable panel de control. Y la primera información que tenemos aquí es |
| |
confiabilidad del indicador, por lo que este cuantifica la confiabilidad de cada una de las preguntas de esa encuesta y proporcionamos una gráfica que es. |
| |
mostrándonos todos estos valores. Y fíjense, tenemos una línea roja aquí para un umbral de lo que esperamos tener, ¿verdad? Queremos tener al menos esa fiabilidad en cada uno de nuestros artículos. Ahora, |
| |
ya sabes, estos tipos de umbrales necesitan ser interpretados, ya sabes, con nuestro propio pensamiento crítico, porque obviamente, |
| |
ya sabes, este artículo en particular, por ejemplo, está por debajo del umbral, pero todavía está bastante cerca del umbral, así que no lo vamos a tirar. Todavía podemos considerarlo |
| |
relativamente confiable y sigue siendo un buen indicador de esta variable latente. Pero nuevamente, interprete los umbrales aquí con precaución. |
| |
Pero una cosa que se desprende de esta gráfica es que la variable latente de amenazas simbólicas parece tener indicadores más confiables que las amenazas realistas. Sin embargo, ambos son bastante buenos, pero el simbólico, ya sabes, estamos haciendo un mejor trabajo al medirlo. |
| |
Los valores a la derecha son coeficientes de confiabilidad para los compuestos. En otras palabras, cuantifican la confiabilidad de la variable latente como un todo y hay dos tipos de confiabilidad. |
| |
No voy a entrar en los detalles de sus diferencias, pero noto que estos valores van de cero a uno y queremos que estén lo más cerca posible de uno. Y también proporcionamos |
| |
ya sabes, algunas parcelas con el umbral de indicar cuál es la cantidad deseada de confiabilidad que queremos, la mínima y, en este caso, la amenaza tanto realista como simbólica tienen buenas confiabilidades. |
| |
Y la otra visualización que tenemos aquí es para una matriz de validez de constructo y |
| |
Tenga en cuenta que cuando intenta medir algo que no ve directamente, es muy difícil averiguar si realmente |
| |
es lo que pretendes que mida. ¿Realmente estás midiendo lo que querías? Y eso es lo que esta información nos permite determinar. |
| |
La visualización aquí representa el triangular superior de esta matriz, y permítanme explicar brevemente qué representan los valores. En este bajo ... |
| |
Por debajo de la diagonal, tenemos la correlación entre la variable latente. Eso es aproximadamente .4. Las entradas diagonales representan la cantidad promedio de varianza extraída |
| |
del ... que las variables latentes extraen de sus indicadores. Y, entonces, desea que esos valores sean lo más altos posible. |
| |
Y por encima de la diagonal tenemos esta correlación al cuadrado. En otras palabras, es la cantidad de varianza superpuesta entre las variables latentes. |
| |
Entonces, la clave para interpretar esta matriz es que queremos que los valores en la diagonal sean más altos |
| |
que los valores de arriba y a la derecha de la diagonal, y observe que aquí, la visualización hace que sea muy fácil ver que, de hecho, |
| |
tienen valores más grandes en la diagonal que los que tenemos arriba o hacia la derecha. Y esa es una buena evidencia de validez de constructo. |
| |
Y así, todo aquí sugiere que tanto las amenazas realistas como las simbólicas son, de hecho, |
| |
variables latentes que son válidas, que son confiables, y la encuesta parece hacer un buen trabajo midiendo ambas. |
| |
Entonces, un próximo paso podría ser, quizás podríamos elegir tomar las cinco preguntas que representan las amenazas realistas aquí, y podríamos crear un promedio de todas ellas. |
| |
Y de repente, tendríamos una medida que representa amenazas realistas. Podríamos hacer eso y podríamos hacer lo mismo con las otras cinco variables que representan amenazas simbólicas. |
| |
Entonces, solo para ilustrar, ya he creado esas variables, así que vayamos a analizar, métodos multivariados, modelos de ecuaciones estructurales. Y voy a buscar esos |
| |
variable media. Entonces, las amenazas realistas y simbólicas aquí, son el promedio en las columnas para cada una de estas variables. |
| |
Y voy a modelar esos además de ... tenemos una medida de ansiedad, también tenemos una medida de afectos negativos o emociones negativas negativas. |
| |
Y, por último, tenemos una medida de adherencia a los comportamientos de salud pública, por lo que también vamos a modelar eso y vamos a hacer clic en Aceptar para iniciar la plataforma. |
| |
Los botones del diagrama aquí, podemos ir a un menú personalizado, podemos cambiar todo tipo de aspectos del diagrama, lo cual es realmente genial. En este momento, solo me voy a concentrar en aumentar el ancho de ... |
| |
el ancho de estos |
| |
variables, para que podamos leer lo que hay dentro de los nodos. Y lo que voy a hacer es ajustar un modelo en el que tanto las amenazas realistas como las simbólicas serán predictores de estos resultados interesantes, ¿no? Hay una especie de |
| |
marcadores para, ya sabes, ansiedad, afecto negativo y también el comportamiento de salud pública, por lo que vamos a vincularlos con una flecha de una sola cabeza para especificar las predicciones. Entonces, vamos a investigar si estos efectos son, de hecho, significativos. |
| |
Ahora, observe que aún no he terminado de especificar este modelo, porque en este modelo en particular, |
| |
no hay conexión entre las amenazas realistas y simbólicas, y esa sería una restricción muy fuerte en el modelo para decir que estas dos cosas no son |
| |
covariando en absoluto. Por eso, siempre queremos asegurarnos de incluir covarianzas entre nuestros predictores y también entre las variaciones residuales de nuestros resultados. |
| |
Y entonces podríamos especificarlos directamente desde la lista De, en este caso voy a usar agregar covarianzas de este menú, y voy a vincular las amenazas realistas y simbólicas. |
| |
También usaré las listas para agregar covarianzas entre los residuos de estos resultados. Y ahora tenemos un modelo completo correctamente especificado, y esto a menudo se llama análisis de ruta, pero también es ... |
| |
es básicamente una colección, una colección simultánea de modelos de regresión y por eso vamos a ejecutar eso. |
| |
Y observe en la tabla de comparación del modelo que nuestro modelo no tiene grados de libertad y tiene un Chi Cuadrado perfecto y el Chi cuadrado es cero. |
| |
Pero esencialmente al tener cero grados de libertad, significa que nuestro modelo no es comprobable, |
| |
porque hemos extraído toda la información que podríamos haber extraído de nuestros datos. Entonces, eso es esencialmente lo que hacemos cuando ajustamos un modelo de regresión. Así que no hay problema con eso, pero debes saber que no puedes interpretar este Chi Cuadrado y decir, oh, mi modelo encaja tan bien. |
| |
Encaja bien porque ha extraído todo lo que podría haber extraído del modelo. De todos modos, es como un modelo de regresión. |
| |
Muy bien, si vamos y miramos los resultados, ya sabes, hay todo tipo de información realmente importante que podemos interpretar, pero me voy a centrar en un par de cosas. Primero, |
| |
observe que nuestros diagramas son completamente interactivos, lo cual es realmente genial. Y solo estoy moviendo las cosas para enfocarme en un par de efectos. Voy a ocultar las varianzas y las covarianzas en este modelo, para que realmente podamos enfocarnos en los resultados de los modelos de regresión, |
| |
del análisis de ruta. Y fíjense aquí, amenazas tan realistas y simbólicas, ambas tienen un efecto positivo sobre la ansiedad. |
| |
Así que eso es realmente interesante y aquí las flechas son sólidas porque los efectos, que pueden ver aquí en la tabla de estimaciones de parámetros, son estadísticamente significativos. Entonces, si fueran insignificantes, |
| |
en realidad, las flechas se mostrarían como flechas discontinuas. Entonces, el diagrama de ruta transmite mucha información. Entonces tenemos efectos positivos significativos sobre la ansiedad. |
| |
y eso es interesante, por supuesto, pero hasta ahora, todo lo que hemos hecho, nuevamente, es ajustar modelos de regresión de manera simultánea. |
| |
Y, de hecho, si volvemos a la tabla de datos, tengo un script aquí del modelo de ajuste, donde en realidad uso la misma ansiedad |
| |
resultado y los mismos dos predictores, amenazas realistas y simbólicas, |
| |
y simplemente estimo un modelo de regresión múltiple. Y la razón por la que quería mostrarle esto es porque, observe que las estimaciones de los parámetros aquí son exactamente el mismo valor que obtuvimos de SEM. |
| |
Y eso no es ninguna sorpresa, porque, de hecho, estamos haciendo una regresión simultánea. Así que hasta este punto, quizás te preguntes |
| |
¿Qué le compra SEM? Porque técnicamente, podría ejecutar tres modelos de ajuste separados con estos tres resultados y podría obtener la misma información que hemos obtenido hasta ahora. |
| |
Sin embargo, bueno, si le faltan datos, aún desea usar SEM porque luego vamos a usar ... todos los datos se usarán en lugar de eliminar filas. |
| |
Sin embargo, si desea utilizar SEM, también podrá responder preguntas adicionales que son bastante interesantes. |
| |
En este caso, podríamos preguntarnos si el efecto que tiene la amenaza realista sobre la ansiedad es estadísticamente mayor. |
| |
que el efecto que tiene la amenaza simbólica sobre la ansiedad, ¿no? Hasta ahora, sabemos que ambos son significativamente diferentes de cero, pero ¿son significativamente diferentes entre sí? |
| |
Y esa es una pregunta que podemos responder utilizando la plataforma SEM. Y volviendo a nuestro panel de especificación de modelo, podemos seleccionar ambos efectos y aquí arriba en los botones de Acción tenemos el botón de establecer igual, así que si lo presionamos, notaremos que obtenemos un poco |
| |
etiqueta aquí que implica que ambos efectos van a ser iguales. Se estimarán como uno. Entonces, si cambiamos el nombre aquí a efectos iguales y ejecutamos este modelo, obtendremos las estadísticas de ajuste para ese |
| |
modelo que tiene las restricciones de igualdad. Y observe que ahora hemos ganado un grado de libertad, así que, de repente, tenemos un modelo comprobable. |
| |
Y podemos usar la tabla de comparación de modelos para seleccionar los dos modelos que queremos comparar entre sí y borrar su clic para comparar modelos seleccionados. |
| |
Y ahora obtenemos una prueba de diferencia de Chi cuadrado, por lo que podemos comparar el modelo estadísticamente y ver cuál es la cantidad de desajuste que nuestro |
| |
la restricción de igualdad induce en el modelo. Y aquí podemos ver que se trata de aproximadamente 8,6 unidades en la métrica Chi cuadrado y el valor p para eso es, de hecho, significativo. Entonces esto sugiere que |
| |
establecer esa restricción de igualdad induce una cantidad significativa de desajuste en el modelo. Y también, como sabemos que el tamaño de la muestra influye en el chi cuadrado, también tenemos la diferencia en esos |
| |
ajustar los índices que discutimos y para el CFI, generalmente no queremos que esto aumente, más de .01 |
| |
como máximo. De hecho, 0,01 o más no es tan bueno. Y para RMSEA, ya sabes, no quieres que sea más alto que .1. |
| |
Entonces, toda la evidencia aquí sugiere que establecer las restricciones de igualdad conduce a un modelo de ajuste significativamente peor. |
| |
En otras palabras, si volvemos al modelo que mejor se ajusta, ahora podemos decir, basándonos en esa prueba de diferencia de Chi cuadrado, |
| |
que el efecto que tiene la amenaza realista sobre la ansiedad es significativamente mayor que el efecto que tiene la amenaza simbólica sobre la ansiedad. |
| |
Entonces, ese tipo de preguntas, ya sabes, podríamos abordarlas con otras partes de este modelo, pero nuevamente SEM brinda mucha flexibilidad al permitirnos comparar la igualdad de diferentes efectos dentro del modelo. |
| |
De acuerdo, y en aras del tiempo, voy a cerrar esto, pero, y quiero mostrarles hasta ahora, saben que vimos un modelo factorial confirmatorio. También vimos |
| |
un análisis de ruta, donde estamos haciendo un análisis de regresión multivariante, pero en realidad podemos usar ambos conceptos en un modelo. Entonces tengo un script que ya guardé en mi tabla de datos, y pueden ver lo que estoy haciendo aquí en este modelo es en realidad |
| |
estimación de variables latentes. Estoy modelando variables latentes para amenazas simbólicas y realistas, utilizando los elementos originales de la encuesta, del cuestionario. |
| |
Entonces, al hacer esto, en lugar de crear promedios en las columnas, |
| |
De hecho, voy a modelar las variables latentes, y eso me permite obtener efectos de regresión, todos estos efectos entre las variables latentes serán insesgados y no serán atenuados por el error de medición, porque estoy obteniendo un mayor |
| |
una medida más válida, más pura de amenazas simbólicas y realistas. Y aquí estamos estimando, pueden ver relaciones secuenciales, y mi modelo aquí es mucho más complejo. |
| |
No voy a entrar en los detalles del modelo, pero sé que al modelar las variables latentes y observar las relaciones entre las variables latentes, realmente podemos obtener la mejor |
| |
funcionalidad de SEM porque nuestras asociaciones entre esas variables latentes serán mejores estimaciones de ... |
| |
para el modelo. Y de hecho calculé este modelo, pueden ver los resultados aquí abajo. Y fíjense aquí, hay algunos bordes que son ... |
| |
que tienen flechas que son una especie de guiones, lo que indica que esos efectos no son significativos. También vemos lo poderosa que es la visualización del sombreado, ¿verdad? Somos capaces de explicar |
| |
cierta proporción de variación de la adherencia a los comportamientos de salud pública. Y parece que estamos haciendo un mejor trabajo al explicar la variación en el afecto positivo que en cualquiera de los otros resultados aquí. Y de nuevo es |
| |
básicamente, lo mejor de ambos mundos, pudiendo especificar nuestras variables latentes pero también modelarlas directamente usando nuestra plataforma. |
| |
Y entonces, con eso voy a detener la demostración aquí, pero les diré que en el sitio web de la comunidad de JMP, tenemos materiales complementarios que |
| |
James Koepfler ha creado. Son materiales realmente geniales que tienen muchos consejos sobre cómo interpretar nuestros modelos, cómo usar la tabla de comparación de modelos, |
| |
y básicamente todas las notas que hubiera querido tomar durante esta presentación, puede obtenerlas en los materiales complementarios. Y así, con eso, estoy listo para abrirlo a preguntas. |
