349219_zh-CN

liliconcom

结构方程模型的ABC（2021-EU-45MP-752）

级别：中级

 

Laura Castro-Schilo，SAS JMP高级研究统计学家开发人员
SAS JMP研究统计员测试员James R. Koepfler

 

本演讲通过涵盖使所有背景的分析人员都可以使用此统计技术的关键基础概念，对结构方程模型（SEM）进行了详细介绍。 我们从与回归分析的比较开始，以促进对SEM框架的理解。 我们展示了如何利用观测变量来估计潜在变量，解决测量误差，改进未来的测量以及改进线性模型的估计。 此外，我们强调了分析人员可以使用SEM解决的关键问题，并展示了如何使用实际数据通过示例回答这些问题。 与会者将学习如何执行路径分析和确认性因素分析，评估模型拟合，比较替代模型以及解释JMP Pro的SEM平台中提供的所有结果。

 

 

自动产生的笔录...

 

扬声器	成绩单
劳拉·卡斯特罗·希洛（Laura Castro-Schilo）	您好，我是Laura Castro-Schilo，欢迎您参加本次会议，我们将在其中学习结构方程模型的ABC。
	我们今天的目标是使用JMP Pro 16中的结构方程模型平台，确保您具有指定和解释模型所需的工具。
	我们要做的是，首先通过向SEM简要介绍一下它是什么，尤其是利用它与因子分析和回归分析的联系来进行介绍。
	在此过程中，我们将学习路径图是SEM必不可少的工具。
	并且我们将尝试使介绍简短一些，因此我们可以真正专注于一些示例。
	因此，在这些示例之前，我将介绍我们将用于该演示的数据，这些数据与对COVID 19威胁的感知有关。
	因此，查看这些数据，我们将开始学习如何指定和解释模型，并通过回答特定问题来做到这一点。
	这些问题将使我们谈论SEM中非常流行的模型，一个是验证性因素分析，另一个是多元回归分析。
	总结一下，我们将向您展示一个模型，将这两种分析结合在一起，因此您真的可以看到SEM是一个非常灵活的框架，您可以在其中适应自己的模型。
	好的，所以SEM是一个框架，其中因子分析和回归分析结合在一起，并且在因子分析方面，我们能够获得衡量的能力
	即使是那些我们无法直接观察到的东西，也称为潜变量。
	从回归方面，我们能够检查变量之间的关系，无论是观察到的还是未观察到的，因此当将这两个变量放在一起时，可以得到可以想象的SEM，这是一个非常灵活的框架，其中各种不同型号可以适合。
	路径图在SEM中确实是非常有用的工具，原因是方程式的系统可能非常复杂
	可以通过这些图表实际表示出来。 只要我们知道如何绘制图表以及如何解释它们，
	那么我们就可以利用它们发挥我们的优势。 因此，这里我们有矩形，因此这些矩形专门用于表示观察到的变量。
	圆圈用于表示潜在变量，双头箭头用于表示方差和协方差，单头箭头用于表示回归或加载效果。
	路径图中经常使用另一个符号，它超出了我们今天要讨论的范围。
	但是，如果您遇到它，我只想确保您知道它在那里，那是一个三角形。 三角形用于表示均值和截距，因此我们可以拟合各种有趣的模型，
	我们正在对数据的平均结构进行建模，但今天我们再也没有时间讨论这些数据了。
	现在，当涉及到路径图时，我认为考虑什么是构建基块很有用
	SEM模型，以便我们可以使用它们来构建复杂的模型。 其中之一就是简单的线性回归。 所以在这里，你看，我们有
	线性回归，其中Y在X上回归。 并且请注意X和Y都在这些矩形中的这些框中，因为它们是观察到的变量。
	我们使用那个单向箭头表示回归效果，并使用以相同变量开头和结尾的两个箭头
	在这种情况下表示X的方差，在Y的情况下表示Y的残差。 如果双头箭头从一个变量开始，然后从...开始并在另一个变量处结束，那么那将是协方差。
	现在，在SEM中，任何变量都可以既是结果又是预测因素。 因此，在这种情况下，如果我们有第三个变量Z（其中Y在预测Z），Y也可以充当预测器的角色。
	因此，我们可以建立顺序效果，这种类型的顺序回归，您知道，取决于数据，可以根据需要创建尽可能多的顺序回归。
	另一个构建块将是验证性因素模型，因此基本上
	我们在SEM中指定潜在变量的方式。 这个特定的例子是一个非常简单的因素，一个潜在变量
	确认因子模型，其中的圆圈代表未观察到的潜在变量。
	并注意，潜在变量是一个单向箭头，指向我们确实观察到的变量，在这种情况下为W，X和Y。
	那个变量指向那些平方的原因是因为在因子分析中，想法是潜变量引起了我们在W，X和Y上观察到的共同变量。
	理解这一点非常重要，因为当我们从像主体这样的主体中考虑主体组件时，常常会感到困惑。
	组件分析的角度。 因此，我认为这是一个很好的机会，可以从因子分析的角度得出潜在变量与从PCA的角度得出成分之间的区别，因此我将切线地解释这些差异。
	在此图像中，正方形代表我们测量的变量，即观察到的变量。 请注意，我正在使用这些不同数量的
	这些变量上的蓝色阴影表示方差的比例，这是由于我们要测量的内容，信号的种类以及我们想用仪器测量的东西所致。
	灰色阴影区域是由于任何其他方差源引起的方差比例。 它可以包括测量误差，但也可以包括系统方差，即
	这些测量仪器中的每一个都是唯一的。
	因此，在因子分析的情况下，潜变量捕获了观察变量之间的所有常见变化，因此这就是为什么我们使用这种纯蓝色表示潜变量的原因。
	与此相反，主成分分析中的目标是减小尺寸。 因此，在PCA中，组件将解释最大方差
	从我们的数据的维度。 因此，这意味着该主成分通常是由于什么原因导致的方差的组合
	我们想要衡量的东西，还包括其他一些差异来源。 好的，因此该图再次说明了这些因果假设，即潜在变量是
	假设其导致所观察变量的指标发生变化，因此这就是为什么那些单向箭头指向所观察变量的原因，而在PCA中并非如此。
	好吧，所以我认为当我们谈论SEM中的潜在变量时，这是一个有用的区分，
	我们经常谈论的是从因素分析的角度来看潜在的变量。
	好的，所以我在这里选择向您显示一个属于已估计模型的路径图。 所以我们这里有所有的价值
	这些箭头上的箭头是因为这些都是来自模型的估计值，我认为此图在说明为什么要使用SEM方面做得很好。
	首先，我们看到我们有未观察到的变量。 在这里，冲突是一种抽象构造，我们不一定必须直接观察到，因此我们通过利用观察到的事物将其定义为潜在变量，在这种情况下，我们有三个调查问题代表
	你知道，那个未观察到的冲突变量。 我们还能够考虑测量误差，即在SEM中定义潜在变量的方式
	向我们保证，实际上，我们正在考虑测量误差，因为那些潜在变量只会捕获所有这些观察到的变量之间的公共方差。
	还要注意，我们能够检查SEM中的顺序关系。 因此，我们有一个未观察到的冲突变量，但我们也可以看到，
	您知道吗，此Support变量如何影响工作，然后，Work变量又如何影响潜在变量？
	最终，冲突（未观察到的变量）如何能够预测各种其他结果。 因此，这些顺序关系非常有用，并且在SEM中非常容易估算。
	使用SEM的另一个很好的理由是，在JMP Pro中，我们的平台使用了先进的技术来处理丢失的数据，因此，即使您具有简单的线性回归，但实际上正是您所需要的，如果您缺少数据，
	SEM确保将现有的所有内容都用于估算，这也将非常有帮助。
	如果这...
	如果到目前为止我所说的引起了您的兴趣，并且您计划进一步学习SEM，无疑，您将找到很多术语。
	这是该领域独有的。 就像其他任何事情一样，我们需要熟悉一些行话。
	因此，此图对于介绍某些术语也很有用。 首先，我们一直在谈论观察变量或测量变量。
	在SEM中，这些通常称为清单变量。 我们有潜在变量，我们已经讨论过了。
	但是我们也有关于外生变量的想法，那些只是用来预测其他变量的。
	在这里的模型中，我们只有两个，与内生变量相反。 因此，这里的所有其他变量都是内生变量，因为它们还有其他变量可以预测它们。
	好了，这些都是内生变量。 我们也有潜在变量指示符，因此这些是由潜在变量引起的变量。
	潜在变量无法解释的剩余方差称为唯一性，通常也称为唯一性因子方差。 因此，请记住，这是系统变量的组合，除了测量误差外，该变量对于变量也是唯一的。
	我发现当人们在学习SEM时将注意力转移到什么方面时，这很有用
	该模型实际上在做什么。 因此，换句话说，通过意识到我们正在对协方差结构进行多元分析
	（也意味着，但要记住，我们今天不是在谈论手段），而是要意识到我们实际上正在分析的是结构
	数据的协方差，这有助于我们更轻松地将头缠绕在SEM上。
	因为它与我们认为数据的含义有关，对吗？ 因此，例如，您知道，我们可以拥有数据表，其中每一行代表一个不同的观察值，而每一列则代表一个不同的变量。
	我们绝对可以使用这些数据在JMP中启动SEM平台。
	但是在幕后，平台正在做的事情是查看这些变量的协方差矩阵，也就是说，实际上是正在分析的数据。
	因此，这也对残差有影响。 通常，当我们考虑SEM中的残差时，这些残差与我们正在分析的协方差矩阵有关。
	对于自由度也是如此，并且自由度将相对于该协方差矩阵。
	是的，因此，我想确保您对SEM的估算方式有所了解。
	因此，我们的开始方式是指定一个模型，幸运的是，在JMP Pro中，我们拥有非常友好的用户界面
	在这里，我们可以直接使用路径图指定模型，而不必指定或列出复杂的方程组。 您可以简单地绘制暗示特定协方差结构的路径图。
	因此，这些图暗示了数据的协方差结构，然后在估计期间，我们尝试基于隐含的模型来尝试获得与样本协方差矩阵尽可能接近的模型估计。
	约束，基本上。 一旦有了这些估计，就可以将其插入模型隐式协方差矩阵中，并将这些值与样本协方差矩阵进行比较，
	它们之间的差异使我们能够量化模型的拟合度，对。 因此，如果残差很大，通过查看这两个协方差矩阵之间的差异，可以知道我们在拟合模型方面做得不好。
	好的，概括地说，这就是SEM的工作方式，我现在想介绍下一部分，介绍我们将在演示中使用的数据。 我确实认为
	通过获取一些真实数据和真实示例，学习新概念会更容易。
	因此，我们将要使用的数据实际上来自最近发表的一篇文章，该文章发表在《社会，心理学和人格科学》杂志上，因此于2020年夏天发表。
	作者希望回答一个非常简单的问题。 他们说，您知道吗，感知到的COVID 19威胁如何影响健康和公共卫生行为？ 所以
	这是一个简单的问题，只是事实是，感知到的COVID 19的威胁是一种全新的结构，对。 这是一个非常抽象的想法。
	您知道，什么被视为COVID 19的威胁，您如何衡量？ 因此，由于这是以前从未测量过的东西，因此作者必须非常谨慎地进行操作。
	研究他们在哪里进行了调查以能够测量这些威胁。 和
	进行调查并不容易，对。 我们需要确保我们调查的问题是可靠的，并且是有效的。
	因此，他们必须经历整个过程，我们将在一分钟内看到他们是如何做到的。
	现在，在他们的研究中，他们发现可以测量两种类型的威胁，一种被称为现实威胁，那就是
	威胁我们的财务和人身安全的事物。
	另一类威胁是……他们称之为象征性威胁。 因此，那些事情威胁着我们的社会，文化认同。 同样重要的是要说这个样本是针对美国人口的。 他们采样了
	超过1,000个人，因此他们的问题仅与美国人口有关。
	我们在这里看到的实际上是集成的COVID 19威胁量表，因此这是他们在经历三项不同研究后所编制的调查表。 因此，他们发现这两个威胁
	可以用少量物品来衡量。 他们要求参与者回答冠状病毒爆发对您的个人健康或整个美国人口的健康有多大威胁（如果有的话），
	您的个人财务安全等。 对于象征性威胁，问题是，
	病毒对于成为一个美国人意味着什么，美国的价值观和传统以及整个美国人口的权利和自由，等等。 因此，您可以看到这些威胁所代表的差异。
	因此，我们可以访问这些数据，并且将使用这些数据来回答非常具体的问题。 首先，我们如何衡量对COVID 19威胁的感知，我们将重点关注它们识别出的两种威胁。
	因此，这将导致我们讨论验证性因素分析和评估测量模型，以确保我们能够确定调查中的问题是否确实可靠且有效。
	注意，我们将跳过这一非常重要的第一步，这是探索性因素分析，这是我们之前要做的
	使用SEM，对。 您将进行探索性因素分析，然后前往SEM确认先前结果的结构。 本文的作者确实做到了这一点，但我们将重点介绍使用SEM所应遵循的步骤。
	第二个问题是，对COVID 19威胁的感知是否可以预测健康标志和公共卫生行为。 因此，这个问题将引导我们讨论SEM中的多元回归和路径分析。
	最后一个问题是，每种威胁对结果的影响是否相等。 这实际上使我们能够展示SEM的一个非常酷的功能，其中包括在模型中设置相等约束并进行系统的模型比较以回答这些类型的问题。
	好了，现在是进行演示的时间了，我已经有...让我们看看...。
	糟糕，我如何离开这里？
	现在还没有问题的时间。
	我只想退出屏幕，但似乎无法这样做。
	好，我们走了，所以我们有...
	我已经在这里打开了JMP的数据表。 这些...这些数据，您可以看到有238列，这是因为作者问
	在这种情况下，有550名参与者提出了许多不同的问题；这是他们的三项研究之一。
	数据中的前10个问题，前十列与我们在威胁规模中看到的那10个问题相对应。
	因此，这些将成为我们首先用于进行验证性因素分析的方法。 因此，我们将单击“分析”，然后将使用多元方法，结构方程模型。
	然后，我们将使用这10个变量并单击模型变量，然后单击“确定”启动平台。
	注意，在右侧，我们立即看到一个路径图。
	而且，该图已经具有我们前面讨论的所有功能，因此每个变量都位于矩形中，这表明它们是观察到的变量。
	而且每个箭头都有开始和结束的双箭头，因此它们表示每个变量的方差。
	现在，如果我右键单击画布，则有一个显示菜单，请注意，默认情况下，均值和截距是隐藏的。
	我将点击此按钮只是为了向您表明我们确实有
	表示默认情况下根据所有这些变量估算的值。 因此，我们将不再讨论这些内容，因此将其隐藏起来，但是我认为了解这一点很重要
	我们在启动平台时开始使用的默认模型是所有变量均具有方差和均值估计的模型。
	现在，在这个
	标签，我们有一个列表标签，如果单击该标签，我们将看到
	与图表中完全相同的信息，只是列表形式。 因此，所有不同类型的参数都是根据其类型进行拆分的，因此，我们在这里拥有所有方差以及那里的所有均值。
	是的，我们有一个状态标签，基本上可以告诉我们我们现在指定的特定型号。 它为我们提供了有关该模型的大量有用信息。
	我们具有有关数据，样本量，自由度的详细信息，并且我们还具有这些识别规则。 如果您想了解更多有关它们的信息，可以单击它们。 它给你一点...
	右边的一些描述。
	但是，真正有用的是，状态标签的图标会不断变化，这取决于我们所做的更改以及所拥有模型的规格。 所以通常，如果我们有SEM的高级应用程序，
	图标可能是黄色，当我们遇到一个严重的错误时，即是一些重要的错误，那么该图标将是带有X的橙色，基本上表明存在错误。 因此，在指定模型时识别错误可能非常有用。
	现在，在用户界面的左侧，我们可以看到
	指定模型的名称，因此这对跟踪我们的工作流程很有帮助。 我们也有此“发件人”和“发件人”列表。
	因此，这些列表提供了一种非常有用的方式来链接变量，可以使用单向箭头或双向箭头。
	因此，例如，在这里，如果要链接它们，则可以单击该按钮，然后很快就绘制了一个路径图。 因此，这是指定模型的非常有效的方法。
	因此，我将在此处单击“重置”，只是返回到启动平台时使用的模型，但要知道，“从”和“到”列表基本上是绘制图表的方式。
	好的，在这种情况下，我们在此处列出了所有观察到的变量，但是我知道我们想使用这些变量来指定潜在变量。
	现在，这里的前五个变量是与该调查中针对实际威胁的项目相对应的变量。 因此，我将通过向下添加一个潜在变量到模型中
	到这里的这个盒子，上面写着Latent1，我将名称更改为realistic，因为我想要
	这五个变量是现实威胁潜在变量的指标。 因此，通过单击此按钮，
	我立即得到指定的潜在变量。 请注意，此实际威胁潜在变量的第一次加载在此具有1。
	在这个箭头中，它基本上表示参数固定为值1的事实。
	之所以这样做，是因为我们需要设置潜在变量的小数位数。 没有这个约束，我们将无法识别模型，因此
	默认情况下，我们将把约束放在潜在变量的第一次加载上，但是我们也可以实现
	如果将潜变量的方差固定为1，则具有相同的目的。 因此，我们的选择实际上是一个选择，但是默认情况下，平台会将第一次加载修复为1。 好吧，所以我们有一个现实的潜在威胁变量，另外五个
	您知道，这里的变量是与符号威胁问题相对应的变量。 因此，我将选择那些并单击此处。 我将键入Symbolic，然后单击加号按钮以添加该符号威胁。
	好的，我们差不多完成了，但是请注意，这里的模型是在暗示现实和象征性威胁之间是完全不相关的，这是一个非常强的假设。 因此，我们不想这样做。
	在大多数情况下，大多数验证性因子模型都允许潜在变量相互协变量，因此我将在此处选择它们，然后单击此双向箭头将这两个节点链接起来。
	但是我也可以直接从路径图中进行操作。 因此，如果我右键单击潜变量，则可以单击添加协方差，然后
	在那儿，我可以添加协方差。 因此，这是一种非常酷的方法。 您可以使用列表进行操作，也可以直接在图表上进行操作，
	无论您选择什么。 这样我们的模型就可以估算了，因此我将其名称更改为2-Factor CFA，我们可以继续运行它。
	您很快就会看到，我们获得了估计值，并且将它们全部映射到了图表上，这非常酷。 但是在解释这些结果之前，我想确保我们专注于此模型比较表。
	原因是表格为我们提供了有关模型拟合的大量信息，我们希望在解释结果之前确保模型拟合良好。 所以
	首先要注意的是，我们在此表中有三个模型，而我们只适合其中一个。
	因此，我们之所以拥有三个，是因为默认情况下，前两个模型（无限制模型和独立模型）在启动该平台时不适合。
	因此，我们故意对这些模型进行拟合，以便为什么是真正的拟合模型和什么是真正的拟合模型提供基准，因此我们将它们用作比较框架
	使用我们自己指定的模型。 因此，让我更具体一点。 例如，不受限制的模型将是一个模型（我将通过路径图向您展示），
	无限制模型是每个变量都可以相互转换的模型。 所以请注意
	卡方统计量（用于衡量失配程度）恰好为零，原因是该模型完全适合数据。 请记住，这里的数据实际上是数据权的协方差矩阵，因此我们具有零自由度，因为我们已经指定...
	具有零自由度，因为我们正在估计数据中每个可能的方差和协方差。
	所以这是最好的情况，对。 我们没有错，但是我们也从数据中估计所有可能的估计。
	另一端是一个模型，它很不合适，这就是独立性模型。 因此，如果我向您展示路径图，
	这是我们的默认模型，在该模型中，我们仅使用方差作为数据的一种手段，这就是独立性模型的确切含义。 和
	从本质上讲，这是一个模型，其中没有任何其他函数可以随心所欲，并且您可以看到该模型的卡方统计量实际上非常大，因为存在很多不正确的问题，对了，所以这几乎是2000个单位，但是我们确实有
	45自由度，因为我们从数据中估计的东西很少。 同样，这两个模型基本上提供了
	频谱的两端，对。 一方面，一个非常好的拟合模型，另一方面，一个非常差的拟合模型，因此我们将能够使用该信息来将我们自己的模型与模型进行比较。
	因此，如果我们看一下我们的模型。 请注意，卡方统计量不为零，但仅为147个单位，比2000年少了很多。
	而且我们有34个自由度，因此我们确实有些不适应。 而且，当我们查看该卡方检验时，它是一个重要的卡方统计量，因此它表明我们在数据上存在统计上的显着失配。
	但是，卡方统计量受样本量的影响，在这种情况下，我们有550个观察值。 所以
	通常，当您有300或更多的观测值时，不仅要查找卡方统计量，而且还要进行一些特殊的统计非常重要
	SEM特有的拟合指数，使我们能够量化模型的拟合度，这就是此处右边的值。
	第一个拟合指数称为比较拟合指数，
	索引的范围是从零到一，因此您可以看到不受限制的模型具有一。 那是最好的拟合模型，而独立模型则为零，因为最差的拟合模型还好，而且我们的模型的CFI实际上为.93，约为.94。
	这样就代表了独立性模型带来的改进比例。 因此，另一种说法是
	我们的模型比独立模型的拟合度高约94％，因此实际上非常好。 通常，我们希望CFI值为0.9或更高。 越接近越好。
	现在，近似值的均方根误差是另一个拟合指数，但是那个
	尽管它的范围也从零到一，但我们希望该索引中的值非常低。 因此请注意，不受限制的模型的值为零
	独立模型是.27。 对于可接受的模型，我们通常希望此处的值等于或小于0.1。 我们的值是.07，大约是.08，这实际上是相当不错的。
	我们对于此特定估计也有一些置信区间，并且您可以看到这些值也低于.1，所以这是一个很好的拟合模型。 因此，一旦我们知道该模型...能够很好地拟合我们的数据，便可以继续进行解释。
	现在，作为估算的默认值，我们将向您显示非标准化参数的估算。
	但是对于因子分析，查看标准化解决方案要有用得多，因此，我将在画布上单击鼠标右键，并显示标准化的估计值。
	因此，现在这里的值处于相关度量标准，因此我们希望这些值尽可能接近一个值，
	因为它们代表了观察变量与潜在变量的相关性。 并且请注意，无论对于现实威胁还是象征性威胁，其价值都相当不错。
	我们不希望它们小于.4，因此这些值很好。 另一个非常独特且非常有用的东西，它对JMP Pro来说是唯一的，就是这里的变量...任何内生的变量
	预测器，对着它们，指向阴影处。
	请注意，这些正方形内有一些灰色，因此阴影与预测变量所解释的方差量成正比。
	因此，它使我们可以直观地快速查看哪些变量在解释其方差方面做得非常好。 在这种情况下，似乎这三个变量
	用最深的灰色填充最深，表明符号威胁潜变量在解释这三个观测变量的方差方面做得很好。
	我们还看到，两个潜在变量之间的相关性约为0.4，这是一个有趣的发现。
	在红色三角形菜单中，我们可以集中所有的输出，但是我将专门集中于一个
	选项称为评估测量模型。 这就是我们将要找到大量统计信息的地方，可以用来量化构造的可靠性和有效性。
	因此，如果单击此处，就会有一个很好的小仪表板。 我们这里的第一个信息是
	指标可靠性，因此这可以量化该调查中每个问题的可靠性，我们提供了一个图。
	向我们展示所有这些价值。 请注意，这里有一条红线表示我们希望拥有的阈值，对。 我们希望每个项目至少具有那么高的可靠性。 现在，
	您知道，这些阈值类型需要用我们自己的批判性思维来解释，因为显然，
	您知道，例如，此特定项目低于阈值，但它仍非常接近阈值，因此我们不会将其丢弃。 我们仍然可以考虑
	相对可靠，并且仍然是此潜在变量的良好指标。 但是，再次，请谨慎解释此处的阈值。
	但是从该图中可以明显看出，符号威胁潜在变量似乎比实际威胁具有更可靠的指标。 虽然它们都非常好，但是具有象征意义的一个，我们知道在衡量这一点上做得更好。
	右边的值是复合材料的可靠性系数。 换句话说，它们量化了潜在变量的整体可靠性，并且有两种类型的可靠性。
	我不会详细介绍它们之间的差异，但是请注意，这些值的范围从零到一，我们希望它们尽可能地接近一。 而且我们还提供
	您知道，有些带有某种阈值的图表明了我们想要的可靠性期望值，最小值，在这种情况下，无论是现实威胁还是象征性威胁，都具有良好的可靠性。
	我们这里的另一个可视化是关于构造有效性矩阵和
	请记住，当您尝试测量看不到的东西时，很难弄清楚它是否真的
	是您打算测量的。 您真的在衡量自己想要的吗？ 这就是我们可以确定的信息。
	这里的可视化描绘了这个矩阵的上三角，让我简单地解释一下这些值代表什么。 在这个较低的...
	在对角线下方，我们具有潜在变量之间的相关性。 大约是4.4。 对角线条目代表提取的平均方差量
	从...潜在变量从其指标中提取的... 因此，您希望这些值尽可能高。
	在对角线上方，我们具有平方相关。 换句话说，它是潜在变量之间的重叠方差量。
	所以解释这个矩阵的关键是我们希望对角线的值更高
	比对角线上方和右侧的值要大得多，请注意，通过可视化可以很容易地看出我们所做的，实际上，
	对角线的值比上方或右边的值大。 这是构造效度的良好证据。
	因此，这里的所有内容都表明，现实和象征性威胁实际上都是
	有效的，可靠的潜在变量，并且调查似乎在衡量这两个方面都做得很好。
	因此，下一步可能是，我们可以选择抓住代表现实威胁的所有五个问题，然后可以对所有这些问题求平均值。
	突然之间，我们将采取一种代表现实威胁的措施。 我们可以这样做，对于代表象征性威胁的其他五个变量也可以这样做。
	因此，仅出于说明目的，我实际上已经创建了这些变量，因此让我们去分析多元方法，结构方程模型。 我将寻找那些
	平均变量。 因此，这里的现实威胁和符号威胁是这些变量中每个列的平均值。
	除了...之外，我还将对这些模型进行建模...我们有衡量焦虑的方法，也有衡量负面影响或负面负面情绪的方法。
	最后，我们有一个措施来遵守公共卫生行为，因此我们也将对其进行建模，然后单击“确定”启动该平台。
	这里的图表按钮，我们可以进入自定义菜单，我们可以更改图表的各个方面，这确实非常非常棒。 现在，我将专注于增加...的宽度
	这些的宽度
	变量，以便我们可以读取节点内部的内容。 我要做的是建立一个模型，在该模型中，现实威胁和符号威胁都将成为这些有趣结果的预测因素，对。 有种
	焦虑，负面影响以及公共卫生行为的标记，因此我们将这些标记与单向箭头相关联，以指定预测。 因此，我们将研究这些影响实际上是否显着。
	现在请注意，我尚未完全指定此模型，因为在此特定模型中，
	现实威胁和符号威胁之间没有任何联系，这在模型中将是非常强大的约束，可以说这两件事不是
	随和。 因此，我们总是要确保我们在预测变量之间以及在结果的剩余方差之间都包含协方差。
	因此，我们可以直接从“发件人”列表中指定这些对象，在这种情况下，我将使用此菜单中的“添加协方差”，并将实际威胁和符号威胁链接在一起。
	我还将使用列表在这些结果的残差之间添加协方差。 现在我们有了一个正确指定的完整模型，这通常称为路径分析，但它也...
	它基本上是一个集合，同时是回归模型的集合，因此我们将运行它。
	从模型比较表中注意到，我们的模型没有自由度，并且具有完美的卡方，卡方为零。
	但实际上，自由度为零意味着我们的模型不可测，
	因为我们已经提取了我们可以从数据中提取的所有信息。 所以本质上，这就是我们拟合回归模型时所要做的。 因此，这没有问题，但是只要知道您无法解释这个Chi Square并说，哦，我的模型非常合适。
	它非常适合，因为您已提取了可以从模型中提取的所有内容。 所以无论如何，这就像一个回归模型。
	好吧，所以，如果我们去研究结果，您会知道，我们可以解释各种真正重要的信息，但我将重点介绍几件事。 第一的，
	请注意，我们的图是完全互动的，这真的非常酷。 我只是四处移动，以关注几种效果。 我将在此模型中隐藏方差和协方差，以便我们可以真正专注于回归模型的结果，
	从路径分析。 请注意，如此现实和象征性的威胁，对焦虑都有积极的影响。
	因此，这确实很有趣，并且这里的箭头是固定的，因为在参数估算表中可以看到，其影响具有统计意义，您可以在此处看到。 因此，如果它们无关紧要，
	实际上，箭头将显示为虚线箭头。 因此，路径图传达了很多信息。 所以我们对焦虑有积极的显著作用
	当然这很有趣，但是到目前为止，我们要做的还是以同时的方式进行拟合回归模型。
	而且，实际上，如果我们回到数据表，我在这里有一个来自拟合模型的脚本，在这里我实际上使用了同样的焦虑
	结果和两个相同的预测因素，现实威胁和象征性威胁，
	我只是简单地估计一个多元回归模型。 我想向您展示的原因是，请注意此处的参数估计值与我们从SEM获得的值完全相同。
	这并不奇怪，因为事实上，我们正在进行同时回归。 所以到现在为止，您可能想知道
	SEM对您有什么帮助，对，因为从技术上讲，您可以使用这三个结果运行三个单独的拟合模型，并且可以获得到目前为止我们已经获得的相同信息。
	但是，如果您缺少数据，您仍然要使用SEM，因为那样我们将要使用...所有数据都将被使用，而不是删除行。
	但是，如果您想使用SEM，您还将能够回答一些非常有趣的附加问题。
	在这种情况下，我们可能想知道现实威胁对焦虑的影响是否在统计学上更大
	而不是象征性威胁对焦虑的影响。 到目前为止，我们知道它们都与零有很大不同，但是彼此之间是否有显着不同？
	这是我们可以使用SEM平台回答的问题。 回到我们的模型规格面板，我们可以选择这些效果，然后在“动作”按钮中选择“等于”按钮，因此，如果按下该按钮，请注意一点
	此处的标签表示这两个效果都将设置为相等。 他们将被估计为一个。 因此，如果我们在此处将名称更改为相等效果并运行该模型，我们将获取该特定对象的拟合统计信息
	具有相等约束的模型。 请注意，我们现在已经获得了一个自由度，所以突然之间，我们有了一个可测试的模型。
	然后，我们可以使用模型比较表来选择我们要彼此比较的两个模型，然后清除单击“比较选定模型”的操作。
	现在我们获得了卡方差检验，因此我们能够在统计上比较该模型，并查看我们的失配量是多少
	等式约束在模型中产生。 在这里，我们可以看到在卡方度量中大约是8.6个单位，并且p值实际上是很重要的。 所以这表明
	设置等式约束会在模型中引起大量的失配。 而且，由于我们知道卡方受样本量的影响，因此我们也有不同之处
	我们讨论过的适合CFI的指数，对于CFI，我们通常不希望指数超过.01
	至多，最多。 实际上.01或更高不是很好。 而且对于RMSEA，您不希望该值高于1.。
	因此，这里的所有证据都表明，设置等式约束会导致拟合模型明显恶化。
	换句话说，如果我们回到最适合的模型，那么根据卡方差检验，我们现在可以说，
	现实威胁对焦虑的影响明显高于象征性威胁对焦虑的影响。
	因此，您可以使用该模型的其他部分来解决这些类型的问题，但是SEM通过允许我们比较模型中不同效果的相等性来提供很大的灵活性。
	好的，为了节省时间，我将结束这个问题，但是到目前为止，我确实想向您展示，您知道我们看到了一个验证性因素模型。 我们也看到了
	路径分析，我们正在进行多元回归分析，但实际上我们可以在一个模型中同时使用这两个概念。 因此，我有一个已经保存在数据表中的脚本，您可以看到我在此模型中所做的实际上是
	估计潜在变量。 我正在使用调查问卷中的原始项目为符号威胁和现实威胁建模潜在变量。
	因此，通过执行此操作，而不是在各列之间创建平均值，
	实际上，我将对潜在变量进行建模，这将使我能够获得回归效应，因为这些潜在变量中的所有这些效应都将因测量误差而不受偏倚和衰减，因为我将获得更多
	一种更有效，更纯净的象征性威胁和现实威胁的度量。 因此，我们在这里进行估算，您可以看到顺序关系，而这里的模型要复杂得多。
	我将不涉及模型的详细信息，但只知道通过对潜变量建模并查看潜变量之间的关系，我们确实能够获得最佳结果。
	SEM的功能，因为我们这些潜在变量之间的关联将更好地估计...
	用于模型。 我实际上估计了该模型，您可以在此处查看结果。 因此请注意，这里有一些优势...
	带有虚线的箭头，表示这些效果不明显。 我们还看到了阴影的可视化功能多么强大，对。 我们能够解释
	坚持公共卫生行为的比例有所不同。 似乎我们在解释积极影响方面的差异方面比在这里对任何其他结果的差异方面做得更好。 所以这又是
	基本上，两全其美，既可以指定我们的潜在变量，又可以使用我们的平台直接对其建模。
	因此，我将在此处停止演示，但我将带您了解一个事实，即在JMP社区网站上，我们有补充材料，其中包括
	James Koepfler创建了。 它们是非常好的材料，其中包含有关如何解释我们的模型，如何使用模型比较表，
	基本上所有您在本次演讲中想要记录的笔记，都可以从补充材料中获得。 因此，我准备公开提出问题。

爆发数据探索预测建模回复：结构方程模型的ABC（2021-EU-45MP-752）

竖起大拇指，鸣谢！ 优秀的演讲，出色的教学技能！

 

它确实有助于新用户对SEM有所了解。 我有三个评论。

 

1.对于已经在其他高级平台（Lisrel，Mplus，Lavan）等中使用SEM的用户，进行一次高级中间会话可能会有所帮助。

 

2.出色的数据处理/分析/绘图功能的结合使JMP在这一领域可以成为强大的竞争者。

 

3.但是，有一种方法可以将贝叶斯方法结合到SEM建模中。 也许值得考虑未来的发展。