349219_ko-KR

liliconcom

구조 방정식 모델링의 기초 (2021-EU-45MP-752)

레벨 : 중급

 

Laura Castro-Schilo, JMP 선임 연구 통계 학자 개발자, SAS
James R. Koepfler, JMP Research Statistician Tester, SAS

 

이 프레젠테이션에서는 모든 배경의 분석가가이 통계 기법을 사용할 수 있도록하는 주요 기본 개념을 다루면서 SEM (Structural Equation Modeling)에 대한 자세한 소개를 제공합니다. SEM 프레임 워크에 대한 이해를 돕기 위해 회귀 분석과의 비교부터 시작합니다. 관찰 된 변수를 활용하여 잠재 변수를 추정하고, 측정 오류를 설명하고, 향후 측정을 개선하고, 선형 모델의 추정을 개선하는 방법을 보여줍니다. 또한 분석가가 SEM으로 다룰 수있는 주요 질문을 강조하고 실제 데이터를 사용하여 예제를 통해 이러한 질문에 답변하는 방법을 보여줍니다. 참석자는 경로 분석 및 확인 요인 분석을 수행하고, 모델 적합도를 평가하고, 대체 모델을 비교하고, JMP Pro의 SEM 플랫폼에서 제공되는 모든 결과를 해석하는 방법을 배웁니다.

 

 

자동 생성 스크립트 ...

 

스피커	성적 증명서
로라 카스트로-쉴로	안녕하세요, 저는 Laura Castro-Schilo입니다.이 세션에 오신 것을 환영합니다. 여기서 구조 방정식 모델링의 ABC를 배우게됩니다.
	그리고 오늘 우리의 목표는 JMP Pro 16의 구조 방정식 모델 플랫폼을 사용하여 모델을 지정하고 해석하는 데 필요한 도구가 있는지 확인하는 것입니다.
	먼저 SEM이 무엇인지 알려주고, 특히 요인 분석 및 회귀 분석과의 연관성을 바탕으로 SEM에 대해 간략하게 소개함으로써이를 수행 할 것입니다.
	그 과정에서 경로 다이어그램이 SEM의 필수 도구 인 방법을 배우게됩니다.
	그리고 우리는 그 소개를 상당히 짧게 유지하려고 노력할 것입니다. 그래서 우리는 실제로 몇 가지 예제에 집중할 수 있습니다.
	따라서이 예제에 앞서 해당 데모에 사용할 데이터를 소개하겠습니다.이 데이터는 COVID 19 위협에 대한 인식에 관한 것입니다.
	이 데이터를 살펴보면 모델을 지정하고 해석하는 방법에 대해 배우기 시작하고 특정 질문에 답하여이를 수행 할 것입니다.
	이러한 질문을 통해 SEM에서 매우 인기있는 모델에 대해 이야기하게 될 것입니다. 하나는 확인 요인 분석이고 다른 하나는 다변량 회귀 분석입니다.
	그리고이를 마무리하기 위해 두 가지 분석을 모두 통합하는 모델을 보여 드리겠습니다. 따라서 SEM이 자신의 모델에 맞출 수있는 매우 유연한 프레임 워크임을 실제로 알 수 있습니다.
	자, SEM은 요인 분석과 회귀 분석이 결합 된 프레임 워크이며 요인 분석 측면에서 측정 할 수있는 능력을 얻을 수 있습니다.
	우리가 직접 관찰 할 수없는 것들, 잠복 변수라고도합니다.
	회귀 측면에서 우리는 변수 간의 관계를 관찰 할 수 있든 없든 관계를 조사 할 수 있습니다. 따라서이 두 가지를 결합하면 상상할 수있는 SEM을 얻을 수 있습니다. 모델이 적합 할 수 있습니다.
	경로 다이어그램은 SEM에서 정말 유용한 도구이며 그 이유는 방정식 시스템이 상당히 복잡 할 수 있기 때문입니다.
	이 다이어그램을 통해 실제로 표현할 수 있습니다. 그리고 다이어그램을 그리는 방법과 다이어그램을 해석하는 방법을 알고있는 한
	그러면 우리는 그것들을 우리에게 유리하게 사용할 수 있습니다. 그래서 여기에 직사각형이 있으므로 관찰 된 변수를 나타내는 데만 사용됩니다.
	원은 잠재 변수를 나타내는 데 사용되며 양방향 화살표는 분산과 공분산을 모두 나타내는 데 사용되며 단방향 화살표는 회귀 또는 로딩 효과를 나타냅니다.
	경로 다이어그램에서 자주 사용되는 또 다른 기호가 있으며 이것은 오늘 우리가 이야기 할 범위를 벗어납니다.
	그러나 당신이 그것을 발견한다면, 나는 그것이 거기에 있다는 것을 당신이 알고 있는지 확인하고 싶습니다. 그것은 삼각형입니다. 삼각형은 평균과 절편을 나타내는 데 사용되므로 우리가 맞출 수있는 모든 종류의 흥미로운 모델이 있습니다.
	여기서 우리는 데이터의 평균 구조를 모델링하고 있지만, 오늘 이것에 대해 이야기 할 시간이 없습니다.
	이제 경로 다이어그램에 관해서는 빌딩 블록이 무엇인지 생각하는 것이 유용하다고 생각합니다.
	복잡한 모델을 구축하는 데 사용할 수 있도록 SEM 모델의 그 중 하나는 단순한 선형 회귀입니다. 여기, 보시다시피, 우리는
	Y가 X에서 회귀되는 선형 회귀. 그리고 X와 Y는 모두 관찰 된 변수이기 때문에이 사각형 안에있는 상자 안에 있습니다.
	그리고 우리는 회귀 효과를 나타 내기 위해 한 방향 화살표를 사용하고 같은 변수에서 시작하고 끝나는 양방향 화살표를 사용합니다.
	이 경우 X의 분산을 나타내고 Y의 경우 Y의 잔차 분산입니다. 양방향 화살표가 한 변수에서 시작하고 다른 변수에서 끝나는 경우 공분산이됩니다.
	이제 SEM에서 모든 변수는 결과이자 예측 변수가 될 수 있습니다. 따라서이 경우 Y가 Z를 예측하는 세 번째 변수 Z가 있으면 Y가 예측 변수의 역할을 맡을 수도 있습니다.
	그래서 우리는 데이터에 따라 필요한만큼의 순차 효과, 이러한 유형의 순차 회귀를 만들 수 있습니다.
	또 다른 빌딩 블록은 확인 요인 모델의 것입니다.
	SEM에서 잠재 변수를 지정하는 방식. 그리고이 특별한 예는 아주 간단한 하나의 요소, 하나의 잠재 변수입니다
	원이 관측되지 않은 잠재 변수를 나타내는 확인 요인 모델.
	그리고 잠복 변수에는 우리가 관찰하는 변수,이 경우 W, X, Y를 가리키는 단방향 화살표가 있습니다.
	그리고 그 변수가 그 제곱을 가리키는 이유는 요인 분석에서 잠재 변수가 W, X 및 Y에서 관찰 한 공통 변동성을 유발하기 때문입니다.
	그리고 이것은 우리가 주성분과 같은 주성분을 생각할 때 종종 혼동되기 때문에 이해하는 것이 정말 중요합니다.
	구성 요소 분석 관점. 그래서 저는 이것이 요인 분석적 관점의 잠재 변수와 PCA 관점의 구성 요소 사이의 차이를 그릴 수있는 좋은 기회라고 생각합니다. 그래서 저는 그 차이를 설명하기 위해 약간의 접선을 취할 것입니다.
	이 이미지에서 사각형은 우리가 측정 한 변수, 즉 관찰 된 변수를 나타냅니다. 그리고 주목하세요, 저는이 다른 양의
	우리가 측정하고자하는 것, 일종의 신호, 우리가 계측기로 측정하고자하는 것들에 기인 한 분산의 비율을 나타 내기 위해 이러한 변수에 파란색 음영을 표시합니다.
	회색 음영 영역은 다른 분산 원인으로 인한 분산 비율입니다. 여기에는 측정 오류가 포함될 수 있지만 다음과 같은 체계적인 분산도 포함될 수 있습니다.
	각 측정 기기에 고유합니다.
	따라서 요인 분석의 경우 잠복 변수는 관측 된 변수에 대한 공통 변동성을 모두 포착합니다. 이것이 우리가 잠복 변수를 나타 내기 위해이 단색 파란색을 사용하는 이유입니다.
	이것은 차원 축소가 목표 인 주성분 분석에서 일어나는 것과는 대조적입니다. 따라서 PCA에서 구성 요소는 최대 분산 량을 설명합니다.
	우리 데이터의 차원에서. 즉, 주성분은 종종 무엇으로 인한 분산의 조합이 될 것입니다.
	우리가 측정하고 싶었던 것뿐만 아니라 다른 분산 소스에도 적용됩니다. 좋아요, 그리고 다시 다이어그램은 인과 적 가정, 잠재 변수가 있다는 사실을 보여줍니다.
	관찰 된 변수에서 지표의 변동성을 유발하는 것으로 가정되었으므로 이러한 단방향 화살표가 관찰 된 변수를 가리키고 있으며 PCA에서는 그렇지 않습니다.
	좋습니다. SEM의 잠재 변수에 대해 이야기 할 때 이것이 유용한 구분이라고 생각합니다.
	매우 자주, 우리가 이야기하는 것은 요인 분석 관점에서 볼 때 잠재 변수입니다.
	자, 여기에서 이미 추정 된 모델에 속하는 경로 다이어그램을 보여 주기로 선택했습니다. 여기에 모든 값이 있습니다.
	이 화살표는 모두 모델의 추정치이므로이 다이어그램은 SEM을 사용할 수있는 이유를 설명하는 데 유용하다고 생각합니다.
	먼저 관찰되지 않은 변수가 있음을 알 수 있습니다. 바로 여기에서 갈등은 우리가 직접 관찰 할 수없는 추상적 인 구조입니다. 그래서 우리가 관찰하는 것들을 활용하여 그것을 잠재 변수로 정의하고 있습니다.
	아시다시피 관찰되지 않은 충돌 변수입니다. 또한 SEM에서 잠재 변수가 정의되는 방식 인 측정 오류를 설명 할 수 있습니다.
	우리가 실제로 측정 오류를 설명하고 있음을 보장합니다. 왜냐하면 이러한 잠재 변수는 관찰 된 모든 변수에 대한 공통 분산을 캡처 할 뿐이 기 때문입니다.
	또한 SEM에서 순차적 관계를 조사 할 수 있습니다. 그래서 우리는 관찰되지 않은 충돌 변수를 가지고 있지만 우리는 또한 볼 수 있습니다.
	이 지원 변수가 어떻게 일에 영향을 미치고,이 일 변수가 잠재 변수에 어떻게 영향을 미치는지 아시나요?
	그리고 궁극적으로 관찰되지 않은 변수 인 Conflict가 모든 종류의 다른 결과를 예측할 수있는 방법입니다. 따라서 이러한 순차적 관계는 SEM에서 매우 유용하고 추정하기 매우 쉽습니다.
	SEM을 사용하는 또 다른 좋은 이유는 JMP Pro에서 우리 플랫폼은 누락 된 데이터를 처리하기 위해 최첨단 기술을 사용하기 때문입니다. 따라서 단순한 선형 회귀가 있고 데이터가 누락 된 경우 필요한 모든 것입니다.
	SEM은 존재하는 모든 것이 추정에 사용되고 있는지 확인하므로 매우 유용 할 수 있습니다.
	이 경우...
	지금까지 제가 말한 내용이 관심을 불러 일으키고 SEM에 대해 더 많이 배울 계획이라면 의심 할 여지없이 많은 용어를 발견하게 될 것입니다.
	필드에 고유합니다. 그리고 다른 것과 마찬가지로 우리가 익숙해 져야 할 전문 용어가 있습니다.
	따라서이 다이어그램은 해당 전문 용어를 소개하는데도 유용합니다. 먼저 관찰 된 변수 또는 측정 된 변수에 대해 이야기했습니다.
	SEM에서는 종종 매니페스트 변수라고합니다. 우리는 이미 논의한 잠재 변수가 있습니다.
	그러나 우리는 또한 외생 적 변수에 대한 아이디어를 가지고 있으며 그것들은 다른 변수만을 예측할 것입니다.
	여기 모델에는 두 개만 있으며 내생 변수와 대조됩니다. 그래서 여기에있는 다른 모든 변수는 내생 변수입니다. 왜냐하면 그것들은 그들을 예측하는 다른 변수를 가지고 있기 때문입니다.
	자, 그것들은 내생 변수입니다. 우리는 또한 잠재 변수 지표를 가지고 있으며 이것이 잠재 변수에 의해 야기되는 변수입니다.
	그리고 잠재 변수로 설명되지 않는 잔차 분산을 고유성이라고하며 고유 요인 분산이라고도합니다. 그리고 이것은 측정 오류와 함께 해당 변수에 고유 한 체계적 분산의 조합이라는 것을 기억하십시오.
	사람들이 SEM을 배우고 어떤 것에 초점을 맞추는 것이 유용하다고 생각합니다.
	모델이 실제로하는 일. 즉, 우리가 공분산 구조에 대한 다변량 분석을하고 있음을 인식함으로써
	(또한 의미합니다.하지만 오늘은 의미에 대해 이야기하는 것이 아니라는 것을 기억하십시오) 그러나 실제로 분석하고있는 것이 구조라는 것을 인식함으로써
	데이터의 공분산으로 인해 SEM을 훨씬 더 쉽게 둘러 볼 수 있습니다.
	데이터가 무엇이라고 생각하는지에 영향을 미치기 때문입니다. 예를 들어, 각 행이 서로 다른 관측치를 나타내고 각 열이 서로 다른 변수 인 데이터 테이블을 가질 수 있습니다.
	그리고 우리는 이러한 데이터를 JMP에서 SEM 플랫폼을 시작하는 데 확실히 사용할 수 있습니다.
	하지만 백그라운드에서 일종의 커튼 뒤에서 플랫폼이하는 일은 이러한 변수의 공분산 행렬을 보는 것입니다. 실제로 분석되는 데이터입니다.
	그리고 이것은 또한 잔차에도 영향을 미칩니다. 종종 SEM의 잔차에 대해 생각할 때, 그것은 우리가 분석하는 공분산 행렬과 관련이 있습니다.
	그리고 이것은 자유도에 대해서도 마찬가지입니다. 그리고 자유도는이 공분산 행렬에 대한 것입니다.
	맞습니다. 그래서 저는 SEM이 추정 측면에서 어떻게 작동하는지 여러분에게 약간의 맛을 드리고 싶습니다.
	그래서 우리가 시작하는 방법은 모델을 지정하는 것입니다. 고맙게도 JMP Pro에는 매우 친숙한 사용자 인터페이스가 있습니다.
	복잡한 방정식 시스템을 지정하거나 나열하지 않고 경로 다이어그램으로 직접 모델을 지정할 수 있습니다. 특정 공분산 구조를 암시하는 경로 다이어그램을 간단히 그릴 수 있습니다.
	따라서 다이어그램은 데이터에 대한 공분산 구조를 암시하고 추정하는 동안 암시 된 모델을 기반으로 샘플 공분산 행렬과 최대한 가깝게 일치하는 모델 추정값을 얻으려고합니다.
	기본적으로 제약. 이러한 추정치를 얻은 후에는이를 모델 내재 공분산 행렬에 연결하고 해당 값을 샘플 공분산 행렬과 비교할 수 있습니다.
	그리고 그들 사이의 차이는 우리가 모델의 적합도를 정량화 할 수있게 해줍니다. 따라서이 두 공분산 행렬의 차이를 살펴보면 잔차가 크면 모델을 잘 맞추지 못했음을 알 수 있습니다.
	자, 요약하자면 SEM이 작동하는 방식입니다. 이제 프레젠테이션의 다음 부분에서 데모에 사용할 데이터를 소개하겠습니다. 나는 생각한다
	실제 데이터와 실제 사례를 손에 넣어 새로운 개념을 배우는 것이 더 쉽습니다.
	그래서 우리가 사용할 데이터는 실제로 사회, 심리학 및 성격 과학 저널에 게재 된 아주 최근에 출판 된 기사에서 가져온 것입니다. 그래서 이것은 2020 년 여름에 출판되었습니다.
	그리고 저자들은 아주 간단한 질문에 답하기를 원했습니다. 그들은 COVID 19의인지 된 위협이 웰빙과 공중 보건 행동에 어떤 영향을 미칠까요? 그래서
	COVID 19의인지 된 위협이 완전히 새로운 구조라는 사실을 제외하면 간단한 질문입니다. 매우 추상적 인 아이디어입니다.
	COVID 19의 위협으로 인식되는 것은 무엇이며 어떻게 측정합니까? 그래서 이것은 이전에 측정 된 적이없는 것이기 때문에 저자들은 매우 조심스럽게 참여해야했습니다.
	이러한 위협을 측정 할 수있는 설문 조사를 개발 한 곳을 연구합니다. 과
	설문 조사를 개발하는 것은 쉽지 않습니다. 설문 조사에 대한 질문이 신뢰할 수 있고 유효한지 확인해야합니다.
	그래서 그들은 그 과정을 거쳐야했고 우리는 그들이 그것을 어떻게했는지 잠시 후에 볼 것입니다.
	이제 연구에서 그들은 측정 할 수있는 두 가지 유형의 위협이 있다는 것을 발견했습니다. 하나는 현실적인 위협이라고 불렀습니다.
	우리의 재정적, 신체적 안전을 위협하는 것들.
	그리고 다른 유형의 위협은 ... 그들은 그것을 상징적이라고 불렀습니다. 그래서 그것은 우리의 사회적, 문화적 정체성을 위협하는 것들입니다. 그리고이 샘플이 미국 인구를위한 것이라고 말하는 것도 중요합니다. 그들은 샘플링
	1,000 명이 넘는 개인과 그들의 질문은 전적으로 미국 인구와 관련이 있습니다.
	우리가 여기서 보는 것은 실제로 통합 된 COVID 19 위협 척도입니다. 이것이 세 가지 다른 연구를 거쳐 개발 한 설문지입니다. 그래서 그들은 그 두 가지 위협이
	소수의 항목으로 측정 할 수 있습니다. 그들은 참가자들에게 귀하의 개인 건강, 미국 인구 전체의 건강을 위해 코로나 바이러스 발생이 얼마나 위협이 될지 대답하도록 요청했습니다.
	당신의 개인 재정적 안전 등등. 상징적 인 위협에 대한 질문은
	미국, 미국의 가치와 전통, 미국 인구 전체의 권리와 자유 등이 의미하는 바에 대한 바이러스의 위협이 얼마나 되는가. 따라서 이러한 위협이 나타내는 차이를 확인할 수 있습니다.
	그래서 우리는이 데이터에 접근 할 수 있었고이 데이터를 사용하여 매우 구체적인 질문에 답할 것입니다. 첫째, COVID 19 위협에 대한 이러한 인식을 어떻게 측정하고 그들이 식별 한 두 가지 위협에 초점을 맞출 것입니다.
	그래서 이것은 우리가 확증 요인 분석에 대해 이야기하고 설문 조사의 질문이 실제로 신뢰할 수 있고 유효한지 확인할 수 있도록 측정 모델을 평가하도록 이끌 것입니다.
	탐색 적 요인 분석 인이 매우 중요한 첫 번째 단계를 건너 뛰겠다는 점에 유의하십시오.
	바로 SEM을 사용합니다. 탐색 적 요인 분석을 실행 한 다음 SEM으로 이동하여 이전 결과의 구조를 확인합니다. 이 기사의 작성자는 확실히 그렇게했지만 SEM을 사용하여 따라야 할 단계에 초점을 맞출 것입니다.
	두 번째 질문은 COVID 19 위협에 대한 인식이 웰빙 지표와 공중 보건 행동을 예측하는 것입니다. 그래서이 질문은 우리가 SEM 내의 다중 회귀 및 경로 분석에 대해 이야기하게 할 것입니다.
	마지막 질문은 각 유형의 위협이 결과에 미치는 영향입니다. 그리고 이것은 실제로 우리가 모델에 동등 제약을 설정하고 이러한 유형의 질문에 답하기 위해 체계적인 모델 비교를 수행하는 SEM의 매우 멋진 기능을 보여줄 수있게합니다.
	자, 이제 데모 시간입니다. 벌써 ... 보자 ....
	죄송합니다. 여기서 나가려면 어떻게해야하나요?
	아직 질문 할 시간이 아닙니다.
	화면을 종료하고 싶지만 할 수없는 것 같습니다.
	좋아요,갑니다. 그래서 우리는 ...
	JMP의 데이터 테이블이 이미 여기에 열려 있습니다. 이 ...이 데이터는 238 개의 열이있는 것을 볼 수 있습니다.
	이 경우 550 명의 참가자의 다양한 질문; 이것은 그들의 세 가지 연구 중 하나입니다.
	처음 10 개의 질문, 데이터에있는 10 개의 첫 번째 열은 위협 척도에서 본 10 개의 질문에 해당합니다.
	그래서 그것들은 우리가 확인 요인 분석을하기 위해 처음으로 사용할 것입니다. 분석을 클릭하고 다변량 방법, 구조 방정식 모델로 이동합니다.
	10 개의 변수를 사용하고 모델 변수를 클릭 한 다음 확인을 클릭하여 플랫폼을 시작합니다.
	오른쪽에 경로 다이어그램이 즉시 표시됩니다.
	그리고 그 다이어그램에는 이미 앞에서 논의한 모든 기능이 포함되어 있으므로 각 변수는 직사각형으로되어있어 관찰 된 변수임을 암시합니다.
	그리고 그들 각각은 스스로 시작하고 끝나는 양방향 화살표를 가지고 있습니다. 그래서 그것들은 각각의 변수들의 분산을 나타냅니다.
	이제 캔버스를 마우스 오른쪽 버튼으로 클릭하면 표시 메뉴가 있으며 기본적으로 수단과 절편이 숨겨져 있습니다.
	저는 이것을 클릭하여 우리가 실제로
	기본적으로 이러한 모든 변수에서 추정되는 것을 의미합니다. 그래서 우리는 이것들에 대해 이야기하지 않을 것입니다. 그래서 우리는 그것들을 숨길 것입니다.하지만 저는 아는 것이 중요하다고 생각합니다.
	플랫폼을 시작할 때 시작하는 기본 모델은 모든 변수에 분산과 평균이 추정되는 모델입니다.
	자, 이것에
	탭에는 목록 탭이 있습니다.이 탭을 클릭하면
	다이어그램에있는 것과 똑같은 정보이지만 목록 형식입니다. 그래서 모든 다른 유형의 매개 변수는 그것이있는 매개 변수의 유형에 따라 분할됩니다. 그래서 우리는 여기에 모든 분산과 거기에있는 모든 평균을 가지고 있습니다.
	맞습니다. 상태 탭이 있고 이것은 기본적으로 우리가 지금 지정한 특정 모델에 대해 알려줍니다. 해당 모델에 대한 유용한 정보를 많이 제공합니다.
	데이터, 표본 크기, 자유도에 대한 세부 정보가 있으며 이러한 식별 규칙도 있습니다. 그들에 대해 조금 더 배우고 싶다면 그들을 클릭 할 수 있습니다. 그것은 당신에게 약간을 준다 ...
	오른쪽에 약간의 설명이 있습니다.
	그러나 정말 도움이되는 것은 상태 탭의이 아이콘이 우리가 수행하는 변경 사항과 보유한 모델 사양에 따라 지속적으로 변경된다는 것입니다. 그리고 종종 SEM의 고급 응용 프로그램이있는 경우
	아이콘은 노란색 일 수 있으며 잘못된 오류가있을 때 몇 가지 중요한 실수가있을 때 해당 아이콘은 기본적으로 오류가 있음을 나타내는 X 표시가있는 주황색이됩니다. 따라서 모델을 지정할 때 실수를 식별하는 것이 매우 유용 할 수 있습니다.
	이제 사용자 인터페이스의 왼쪽에서
	모델의 이름을 지정하면 워크 플로를 추적하는 데 매우 유용합니다. 또한이 From 및 To 목록도 있습니다.
	따라서 이러한 목록은 한 방향 화살표 또는 양방향 화살표를 사용하여 변수를 연결하는 매우 유용한 방법을 제공합니다.
	예를 들어 여기에 링크를 원하면 버튼을 클릭하면 경로 다이어그램을 아주 빠르게 그렸습니다. 따라서 모델을 지정하는 매우 효율적인 방법입니다.
	여기에서 재설정을 클릭하여 플랫폼을 시작할 때 사용했던 모델로 돌아가겠습니다.하지만 From 및 To 목록은 기본적으로 다이어그램을 그릴 수있는 방법이라는 것을 알고 있습니다.
	좋아요,이 경우 우리는 여기에 모든 관찰 된 변수를 나열했지만, 우리는 잠재 변수를 지정하기 위해 그 변수를 사용하고 싶다는 것을 알고 있습니다.
	이제 여기에서 처음 5 개의 변수는 현실적인 위협에 대한 설문 조사의 항목에 해당하는 변수입니다. 그래서 아래로 내려 가서 모델에 잠재 변수를 추가하겠습니다.
	여기 아래에있는이 상자에 Latent1이 표시되고 이름을 Realistic으로 변경할 것입니다.
	이 다섯 가지 변수는 현실적인 위협 잠재 변수의 지표가됩니다. 이 버튼을 클릭하면
	나는 즉시 그 잠재 변수를 지정합니다. 이 현실적인 위협 잠재 변수에 대한 첫 번째 로딩은 여기에 1이 있습니다.
	이 화살표는 기본적으로 매개 변수가 1의 값으로 고정되어 있다는 사실을 나타냅니다.
	그리고 우리는 잠재 변수의 척도를 설정해야하기 때문에 이렇게합니다. 이 제약이 없으면 모델을 식별 할 수 없으므로
	기본적으로 우리는 잠재 변수의 첫 번째 로딩에 그 제약을 둘 것입니다.
	잠재 변수의 분산을 1로 고정한 경우에도 동일한 목적이 있습니다. 그래서 우리가하는 것은 정말 선택의 문제이지만, 기본적으로 플랫폼은 첫 번째 로딩을 1로 고정 할 것입니다. 좋아요, 우리는 현실적인 위협 잠재 변수가 있고 나머지 5 개는
	여기서 변수는 상징적 위협 질문에 해당하는 변수입니다. 그래서 저는 그것들을 선택하고 여기를 클릭 할 것입니다. Symbolic을 입력하고 더하기 버튼을 클릭하여 그 상징적 위협을 추가합니다.
	좋습니다. 거의 완료되었지만 여기이 모델은 현실적이고 상징적 인 위협이 서로 완벽하게 상관 관계가 없음을 암시하고 있으며 이는 매우 강력한 가정입니다. 그래서 우리는 그렇게하고 싶지 않습니다.
	대부분의 경우 대부분의 확인 요인 모델은 잠재 변수가 서로 공변 할 수 있도록 허용하므로 여기에서 선택하고이 양방향 화살표를 클릭하여 두 노드를 연결할 수 있습니다.
	하지만 경로 다이어그램에서 직접 할 수도 있습니다. 잠재 변수를 마우스 오른쪽 버튼으로 클릭하면 공분산 추가를 클릭하고
	바로 거기에 공분산을 추가 할 수 있습니다. 그래서 그것은 매우 멋진 방법입니다. 목록으로 할 수 있고 다이어그램에서 직접 할 수 있습니다.
	당신의 선택은 무엇이든. 이제 모델을 추정 할 준비가되었으므로 이름을 2-Factor CFA로 변경하고 계속해서 실행할 수 있습니다.
	그리고 여러분은 매우 빠르게 우리의 추정치를 얻었고 그것들이 모두 다이어그램에 매핑되어 있다는 것을 알 수 있습니다. 매우 멋집니다. 그러나 이러한 결과를 해석하기 전에이 모델 비교 테이블에 초점을 맞추고 싶습니다.
	그 이유는 테이블이 모델의 적합성에 대한 많은 정보를 제공하고 결과를 해석하기 전에 모델이 잘 맞는지 확인하기 때문입니다. 그래서
	여기서 가장 먼저 주목해야 할 것은이 테이블에 세 가지 모델이 있으며 그중 하나만 적합하다는 것입니다.
	그래서 우리가 세 가지 모델을 가지고있는 이유는 처음 두 모델 인 무제한 및 독립 모델이 기본적으로 플랫폼 출시에 적합하지 않기 때문입니다.
	그래서 우리는이 모델들을 의도적으로 맞춰서 어떤 것이 정말 좋은 피팅 모델인지, 그리고 정말 나쁜 피팅 모델인지에 대한 기준을 제공합니다. 그래서 우리는 그것들을 비교 프레임으로 사용합니다.
	우리 고유의 지정된 모델로. 그럼 좀 더 구체적으로 말씀 드리겠습니다. 예를 들어, 제한되지 않은 모델은 모델이됩니다 (경로 다이어그램으로 보여 드리겠습니다).
	무제한 모델은 모든 변수가 서로 결합 할 수있는 모델입니다. 그리고
	부적합의 척도 인 카이 제곱 통계는 정확히 0이고, 그 이유는이 모델이 데이터에 완벽하게 적합하기 때문입니다. 여기서 우리의 데이터는 실제로 데이터의 공분산 행렬이라는 것을 기억하십시오. 따라서 우리는 다음을 지정했기 때문에 자유도가 0입니다.
	데이터에서 가능한 모든 분산과 공분산을 추정하기 때문에 자유도가 0입니다.
	그래서 이것이 최선의 시나리오입니다. 맞습니다. 우리는 부적합이 없지만 데이터에서 가능한 모든 추정치를 추정하고 있습니다.
	스펙트럼의 다른 쪽 끝은 정말 적합하지 않은 모델이고 그것이 독립 모델입니다. 그래서 제가 경로 다이어그램으로 보여 드리면
	여기에서 데이터에 대한 수단으로 분산 만있는 기본 모델이 바로 독립 모델입니다. 과
	그것은 본질적으로 아무것도 다른 것과 공 변하지 않는 모델입니다. 그리고 여러분은 그 모델에 대한 카이 제곱 통계가 실제로 꽤 큰 것을 볼 수 있습니다. 왜냐하면 많은 부적합이 있기 때문입니다. 맞습니다. 그래서 거의 2000 단위입니다.
	45 도의 자유도는 데이터에서 거의 추정하지 않기 때문입니다. 다시 말하지만이 두 모델은 기본적으로
	스펙트럼의 두 끝입니다. 한편으로는 정말 좋은 피팅 모델이고 다른 한편으로는 정말 좋지 않은 피팅 모델입니다. 따라서 우리는 그 정보를 사용하여 우리 자신의 모델과 그것들을 비교할 수있을 것입니다.
	따라서 모델을 살펴보면. 카이 제곱 통계는 0이 아니지만 147 단위로 2000보다 훨씬 작습니다.
	그리고 우리는 34 도의 자유도를 가지고 있으므로 약간의 부적합이 있습니다. 그리고 우리가 그 카이 제곱에 대한 검정을 볼 때, 이것은 유의 한 카이 제곱 통계이므로 데이터에 통계적으로 유의 한 부적합이 있음을 나타냅니다.
	그러나 카이 제곱 통계량은 표본 크기의 영향을받으며이 경우 550 개의 관측치가 있습니다. 그래서
	일반적으로 관측치가 300 개 이상인 경우 카이 제곱 통계를 찾는 것뿐만 아니라 특별한
	모델의 적합도를 정량화 할 수있는 SEM 고유의 적합 지수입니다. 이것이 바로 여기에있는 값입니다.
	이 첫 번째 적합 지수를 비교 적합 지수라고하며
	인덱스 범위는 0부터 1까지이므로 제한되지 않은 모델에 1이 있음을 알 수 있습니다. 그것은 가장 적합한 모델이고 독립 모델은 0을 갖습니다. 왜냐하면 최악의 피팅 모델은 좋습니다. 그리고 우리 모델의 CFI는 실제로 .93, 약 .94입니다.
	그리고 그것은 독립 모델에서 개선 된 비율을 나타냅니다. 그래서 그것을 말하는 또 다른 방법은
	우리 모델은 독립 모델보다 약 94 % 더 잘 맞습니다. 그래서 실제로 꽤 좋습니다. 그리고 보통 우리는 .9 이상의 CFI 값을 원합니다. 하나에 가까울수록 좋습니다.
	근사치의 제곱 평균 제곱근 오차는 또 다른 적합 지수입니다.
	또한 0에서 1까지의 범위가 있지만 해당 인덱스에서 매우 낮은 값을 원합니다. 제한되지 않은 모델의 값은 0입니다.
	독립 모델은 .27입니다. 일반적으로 허용되는 모델에 대해 .1 이하의 값을 원합니다. 그리고 우리는 .07, 약 .08을 가지고 있습니다. 그것은 실제로 꽤 좋습니다.
	이 특정 추정치에 대한 신뢰 구간도 있습니다.이 값도 .1 미만이라는 것을 알 수 있으므로 이것은 좋은 피팅 모델입니다. 모델이 데이터에 잘 맞는다는 것을 알게되면 계속해서 해석 할 수 있습니다.
	이제 추정치의 기본값으로 표준화되지 않은 모수 추정치를 표시합니다.
	그러나 요인 분석의 경우 표준화 된 솔루션을 보는 것이 훨씬 더 유용하므로 캔버스를 마우스 오른쪽 버튼으로 클릭하고 표준화 된 추정치를 표시하겠습니다.
	이제 여기에있는 값은 상관 메트릭에 있으므로 해당 값이 가능한 한 1에 가까워 지길 원합니다.
	관측 된 변수와 잠재 변수의 상관 관계를 나타 내기 때문입니다. 그리고 현실적 위협과 상징적 위협 모두에 대한 가치는 꽤 좋습니다.
	우리는 그것들이 약 .4보다 낮은 것을 원하지 않으므로이 값들은 좋습니다. 매우 독특하고 정말 유용한 또 다른 점은 JMP Pro에 고유 한 것입니다. 여기에있는 변수는 ...
	예측 자, 맞습니다. 그것들을 가리키면 음영 처리되어 있습니다.
	여기에이 사각형 안에 약간의 회색이 있습니다. 따라서 음영은 예측자가 설명하는 분산의 양에 비례합니다.
	그래서 우리는 어떤 변수가 그들의 분산을 설명하는데 정말 좋은 일을하고 있는지 시각적으로 매우 빠르게 볼 수 있습니다. 이 경우에는이 세 가지 변수가
	더 어두운 회색으로 가장 많이 채워져 있으며, 이는 상징적 위협 잠재 변수가이 세 가지 관찰 된 변수의 분산을 설명하는 데 꽤 잘하고 있음을 나타냅니다.
	우리는 또한 두 개의 잠재 변수가 .4에 대해 상관 관계가 있다는 것을 알았습니다. 이것은 흥미로운 발견입니다.
	여기 빨간색 삼각형 메뉴에 집중할 수있는 모든 종류의 출력이 있지만, 특히 하나에 집중하겠습니다.
	측정 모델 평가라는 옵션. 그리고 여기에서 우리 구조의 신뢰성과 타당성을 정량화 할 수있는 많은 통계를 찾을 수 있습니다.
	여기를 클릭하면 멋진 작은 대시 보드가 있습니다. 여기에있는 첫 번째 정보는
	지표 신뢰도이므로 해당 설문 조사에서 각 질문의 신뢰도를 정량화하고 그에 대한 플롯을 제공합니다.
	이 모든 가치를 보여줍니다. 그리고 주목하세요. 여기에 우리가 원하는 것의 문턱을 나타내는 빨간 선이 있습니다. 우리는 각 항목에서 최소한 그 정도의 신뢰성을 갖기를 원합니다. 지금,
	이러한 유형의 임계 값은 우리 자신의 비판적 사고로 해석되어야합니다.
	예를 들어,이 특정 항목은 임계 값 아래에 있지만 여전히 임계 값에 매우 가깝기 때문에 버리지 않을 것입니다. 우리는 여전히 그것을 고려할 수 있습니다
	상대적으로 신뢰할 수 있고 여전히이 잠재 변수의 좋은 지표입니다. 그러나 여기서도 임계 값을주의해서 해석하십시오.
	그러나이 플롯에서 분명한 것은 상징적 위협 잠재 변수가 현실적인 위협보다 더 신뢰할 수있는 지표를 갖는 것으로 보인다는 것입니다. 둘 다 꽤 훌륭하지만 상징적 인 것은 우리가 더 잘 측정하고 있습니다.
	오른쪽 값은 복합재에 대한 신뢰도 계수입니다. 즉, 잠재 변수 전체의 신뢰도를 정량화하며 신뢰도에는 두 가지 유형이 있습니다.
	차이점에 대해 자세히 설명하지는 않겠지 만 이러한 값의 범위는 0에서 1까지이며 가능한 한 1에 가까워 야합니다. 그리고 우리는 또한 제공합니다
	아시다시피, 우리가 원하는 최소한의 신뢰도를 나타내는 일종의 임계 값이있는 일부 플롯은이 경우 현실적이고 상징적 인 위협 모두 좋은 신뢰도를 가지고 있습니다.
	그리고 여기에있는 다른 시각화는 구성 유효성 매트릭스에 대한 것입니다.
	직접 볼 수없는 무언가를 측정하려고 할 때 실제로 측정이 어려운지 알아 내기가 매우 어렵습니다.
	측정하려는 것입니다. 정말로 원하는 것을 측정하고 있습니까? 이것이 바로이 정보를 통해 우리가 결정할 수있는 것입니다.
	여기 시각화는이 행렬의 위쪽 삼각형을 묘사하고 있으며, 값이 무엇을 나타내는 지 간단히 설명하겠습니다. 이 아래에 ...
	대각선 아래에는 잠재 변수 간의 상관 관계가 있습니다. 약 .4입니다. 대각선 항목은 추출 된 평균 분산 량을 나타냅니다.
	잠재 변수가 지표에서 추출한다는 것에서. 따라서 이러한 값이 가능한 한 높기를 원합니다.
	그리고 대각선 위에는이 제곱 상관 관계가 있습니다. 즉, 잠재 변수 간의 중복 분산의 양입니다.
	따라서이 행렬을 해석하는 핵심은 대각선의 값이
	위의 값과 대각선의 오른쪽에있는 값보다 여기에서 볼 수 있습니다. 시각화를 통해 실제로는
	위나 오른쪽에있는 것보다 대각선에서 더 큰 값을가집니다. 그리고 그것은 구성 타당성의 좋은 증거입니다.
	그래서 여기에있는 모든 것은 현실적이고 상징적 인 위협이 사실,
	타당하고 신뢰할 수있는 잠재 변수이며 설문 조사는이 두 가지를 모두 측정하는 데 좋은 역할을하는 것 같습니다.
	따라서 다음 단계는 여기에서 현실적인 위협을 나타내는 다섯 가지 질문을 모두 선택하여이 모든 항목에 대한 평균을 생성 할 수 있습니다.
	그리고 갑자기 현실적인 위협을 나타내는 하나의 측정 값이 생겼습니다. 우리는 그렇게 할 수 있고 상징적 위협을 나타내는 다른 다섯 가지 변수에 대해서도 똑같이 할 수 있습니다.
	설명을 위해 실제로 이미 이러한 변수를 만들었으므로 분석, 다변량 방법, 구조 방정식 모델로 이동하겠습니다. 그리고 나는 그것들을 찾을 것입니다
	평균 변수. 따라서 여기에서 현실적이고 상징적 인 위협은 각 변수에 대한 열의 평균입니다.
	그리고 저는 그것들을 모델링 할 것입니다. 우리는 불안에 대한 척도를 가지고 있으며 부정적인 영향이나 부정적인 부정적인 감정에 대한 척도도 가지고 있습니다.
	마지막으로 공중 보건 행동을 준수하기위한 측정 값이 있으므로이를 모델링하고 확인을 클릭하여 플랫폼을 시작합니다.
	여기에있는 다이어그램 버튼은 사용자 지정 메뉴로 이동하여 다이어그램의 모든 측면을 변경할 수 있습니다. 정말 훌륭합니다. 지금은 너비를 늘리는 데 초점을 맞출 것입니다.
	이것들의 폭
	변수를 사용하여 노드 내부의 내용을 읽을 수 있습니다. 그리고 제가하려고하는 것은 현실적이고 상징적 인 위협이 이러한 흥미로운 결과를 예측할 수있는 모델을 맞추는 것입니다. 맞습니다. 일종의
	아시다시피 불안, 부정적인 영향 및 공중 보건 행동에 대한 마커를 표시합니다. 따라서 예측을 지정하기 위해이를 단방향 화살표와 연결하겠습니다. 그래서 우리는 이러한 효과가 실제로 중요한지 조사 할 것입니다.
	이제이 모델을 완전히 지정하지 않았습니다.이 특정 모델에서는
	현실적 위협과 상징적 위협 사이에는 연관성이 없으며, 이는 모델에서이 두 가지가 그렇지 않다고 말하는 매우 강력한 제약이 될 것입니다.
	전혀 covarying. 따라서 우리는 항상 예측 변수 간의 공분산과 결과의 잔차 분산 간의 공분산을 포함하고 싶습니다.
	따라서 From 목록에서 직접 지정할 수 있습니다.이 경우이 메뉴에서 공분산 추가를 사용하고 현실적이고 상징적 인 위협을 연결하겠습니다.
	또한 목록을 사용하여 이러한 결과의 잔차 사이에 공분산을 추가 할 것입니다. 이제 우리는 완전히 정확하게 지정된 모델을 가지고 있으며, 이것은 종종 경로 분석이라고 부르지 만 또한 ...
	그것은 기본적으로 컬렉션, 회귀 모델의 동시 컬렉션입니다. 그래서 우리는 그것을 실행할 것입니다.
	그리고 모델 비교 테이블에서 우리 모델에는 자유도가없고 완벽한 카이 제곱이 있고 카이 제곱이 0이라는 것을 알 수 있습니다.
	하지만 본질적으로 자유도가 0이라는 것은 모델을 테스트 할 수 없음을 의미합니다.
	데이터에서 추출 할 수있는 모든 정보를 추출했기 때문입니다. 그래서 그것은 본질적으로 회귀 모델을 맞출 때 우리가하는 일입니다. 그래서 문제는 없지만이 Chi Square를 해석 할 수 없다는 것을 알고, 내 모델이 너무 잘 맞습니다.
	모델에서 추출 할 수있는 모든 것을 추출했기 때문에 잘 맞습니다. 어쨌든 그것은 회귀 모델과 같습니다.
	좋습니다. 결과를 살펴보면 해석 할 수있는 정말 중요한 정보가 많이 있지만 저는 몇 가지에 초점을 맞출 것입니다. 먼저,
	우리의 다이어그램은 완전히 상호 작용이 가능합니다. 정말 멋집니다. 그리고 저는 몇 가지 효과에 초점을 맞추기 위해 물건을 이동하고 있습니다. 회귀 모델의 결과에 실제로 집중할 수 있도록이 모델의 분산과 공분산을 숨길 것입니다.
	경로 분석에서. 그리고 여기에서 매우 현실적이고 상징적 인 위협에 주목하십시오. 둘 다 불안에 긍정적 인 영향을 미칩니다.
	정말 흥미 롭습니다. 여기 모수 추정치 표에서 볼 수있는 효과가 통계적으로 유의미하기 때문에 화살표가 단단합니다. 따라서 그들이 중요하지 않다면
	실제로 화살표는 점선 화살표로 표시됩니다. 따라서 경로 다이어그램은 많은 정보를 전달합니다. 그래서 우리는 불안에 긍정적 인 의미있는 영향을 미칩니다
	물론 흥미 롭습니다.하지만 지금까지 우리가 한 모든 것은 회귀 모델을 동시에 맞추는 것입니다.
	그리고 실제로 데이터 테이블로 돌아 가면 여기에 맞는 모델의 스크립트가 있습니다. 실제로 동일한 불안감을 사용합니다.
	결과와 동일한 두 가지 예측 변수, 현실적이고 상징적 인 위협,
	저는 단순히 다중 회귀 모델을 추정합니다. 제가 이것을 보여 드리고 싶었던 이유는 여기 모수 추정치가 SEM에서 얻은 값과 정확히 일치하기 때문입니다.
	사실 우리는 동시 회귀를 수행하고 있기 때문에 놀라운 일이 아닙니다. 따라서이 시점까지 궁금 할 것입니다.
	기술적으로는이 세 가지 결과로 세 개의 개별 적합 모델을 실행할 수 있고 지금까지 얻은 것과 동일한 정보를 얻을 수 있기 때문입니다.
	그러나 누락 된 데이터가있는 경우에도 SEM을 사용하고 싶습니다. 그러면 우리는 사용할 것입니다. 행을 삭제하는 대신 모든 데이터가 사용됩니다.
	그러나 SEM을 사용하려는 경우 꽤 흥미로운 추가 질문에 답할 수도 있습니다.
	이 경우 현실적인 위협이 불안에 미치는 영향이 통계적으로 더 큰지 궁금 할 수 있습니다.
	상징적 위협이 불안에 미치는 영향보다 지금까지 우리는 둘 다 0과 크게 다르지만 서로 크게 다르다는 것을 알고 있습니다.
	이것이 바로 SEM 플랫폼을 사용하여 답할 수있는 질문입니다. 모델 사양 패널로 돌아가서이 두 가지 효과를 모두 선택할 수 있습니다. 여기에있는 Action 버튼에는 같은 설정 버튼이 있습니다.이 버튼을 누르면
	이 두 효과가 동일하게 설정 될 것임을 의미하는 레이블입니다. 그것들은 하나로 추정 될 것입니다. 따라서 여기에서 이름을 동일한 효과로 변경하고이 모델을 실행하면 해당 특정에 대한 적합 통계를 얻을 수 있습니다.
	동등 제약이있는 모델. 이제 우리는 1 도의 자유를 얻었습니다. 그래서 갑자기 테스트 가능한 모델이 생겼습니다.
	그리고 모델 비교 테이블을 사용하여 서로 비교할 두 모델을 선택하고 선택한 모델 비교 클릭을 지울 수 있습니다.
	이제 우리는 카이 제곱 차이 테스트를 얻습니다. 따라서 모델을 통계적으로 비교하고 우리의 부적합 정도를 확인할 수 있습니다.
	동등 제약은 모델에서 유도합니다. 그리고 여기에서 카이 제곱 미터법으로 약 8.6 단위라는 것을 알 수 있습니다. 그리고 그에 대한 p 값은 실제로 중요합니다. 그래서 이것은
	등식 제약 조건을 설정하면 모델에 상당한 양의 부적합이 발생합니다. 또한 우리는 카이 제곱이 표본 크기의 영향을 받는다는 것을 알기 때문에 그 차이도 있습니다.
	우리가 논의한 지수에 적합하고 CFI의 경우 일반적으로이 수치가 .01 이상으로 증가하는 것을 원하지 않습니다.
	기껏해야. 사실 .01 이상은 좋지 않습니다. RMSEA의 경우이 값이 .1보다 높으면 안됩니다.
	따라서 여기에있는 모든 증거는 등식 제약 조건을 설정하면 훨씬 더 나쁜 피팅 모델로 이어진다는 것을 시사합니다.
	다시 말해, 가장 잘 맞는 모델로 돌아 가면 이제 카이 제곱 차이 테스트를 기반으로 말할 수 있습니다.
	현실적 위협이 불안에 미치는 영향이 상징적 위협이 불안에 미치는 영향보다 훨씬 더 크다는 것입니다.
	이러한 유형의 질문은이 모델의 다른 부분으로 해결할 수 있지만 SEM은 모델 내에서 서로 다른 효과의 동등성을 비교할 수 있도록하여 많은 유연성을 제공합니다.
	좋습니다. 시간을 고려하여이 부분을 마무리하겠습니다.하지만 지금까지 보여 드리고 싶은 것은 확증 요인 모델을 보았습니다. 우리는 또한 보았다
	다변량 회귀 분석을 수행하는 경로 분석이지만 실제로 두 개념을 하나의 모델에서 사용할 수 있습니다. 데이터 테이블에 이미 저장 한 스크립트가 있습니다.이 모델에서 제가하는 작업이 실제로
	잠재 변수 추정. 설문 조사의 원본 항목을 사용하여 설문지에서 가져온 상징적 위협과 현실적 위협 모두에 대한 잠재 변수를 모델링하고 있습니다.
	이렇게하면 열에 대한 평균을 만드는 대신
	저는 실제로 잠재 변수를 모델링 할 것입니다. 그러면 회귀 효과를 얻을 수 있습니다. 잠재 변수 사이의 이러한 모든 효과는 편향되지 않고 측정 오류에 의해 감쇠되지 않을 것입니다.
	상징적이고 현실적인 위협에 대한보다 타당하고 순수한 척도입니다. 그래서 여기서 우리는 추정하고 있습니다. 여러분은 순차적 인 관계를 볼 수 있습니다. 여기 제 모델은 훨씬 더 복잡합니다.
	모델에 대해 자세히 설명하지는 않겠지 만 잠재 변수를 모델링하고 잠재 변수 간의 관계를 살펴보면 실제로 최상의 결과를 얻을 수 있습니다.
	잠재 변수 간의 연관성이 더 나은 추정치가 될 것이기 때문입니다.
	모델을 위해. 그리고 저는 실제로이 모델을 추정했습니다. 아래에서 결과를 볼 수 있습니다. 여기에 몇 가지 가장자리가 있습니다.
	점선 모양의 화살표가있는 것은 해당 효과가 중요하지 않음을 나타냅니다. 또한 셰이딩 시각화가 얼마나 강력한 지 알 수 있습니다. 우리는 설명 할 수 있습니다
	공중 보건 행동을 고수하는 비율의 일부. 그리고 우리는 여기에서 다른 어떤 결과보다 긍정적 인 영향에 대한 분산을 더 잘 설명하고있는 것 같습니다. 그리고 다시 그것은
	기본적으로 두 세계의 장점은 잠재 변수를 지정할 수있을뿐만 아니라 플랫폼을 사용하여 직접 모델링 할 수 있다는 것입니다.
	여기에서 데모를 중단하겠습니다.하지만 JMP 커뮤니티 웹 사이트에 다음과 같은 추가 자료가 있다는 사실을 알려 드리겠습니다.
	James Koepfler가 만들었습니다. 모델을 해석하는 방법, 모델 비교표를 사용하는 방법에 대한 많은 팁이있는 정말 훌륭한 자료입니다.
	그리고 기본적으로이 프리젠 테이션 중에 작성하고 싶었던 모든 메모는 보충 자료에서 얻을 수 있습니다. 그래서 질문을 할 준비가되었습니다.

브레이크 아웃데이터 탐색예측 모델링Re : 구조 방정식 모델링의 기초 (2021-EU-45MP-752)

좋아요, 좋아요! 뛰어난 프레젠테이션, 뛰어난 교육 기술!

 

새 사용자가 SEM을 이해하는 데 도움이됩니다. 세 가지 의견이 있습니다.

 

1. 다른 고급 플랫폼 (Lisrel, Mplus, Lavan) 등에서 이미 SEM을 사용하는 사용자를 위해 중급 고급 세션을 갖는 것이 도움이 될 수 있습니다.

 

2. 뛰어난 데이터 처리 / 분석 / 그래프 기능의 조합으로 JMP는이 분야에서 강력한 경쟁자가 될 수 있습니다.

 

3. 그러나 SEM 모델링에 베이지안 접근법을 결합하려는 움직임이 있습니다. 향후 발전을 고려할 가치가있을 것입니다.