349219_zh-TW

liliconcom

結構方程模型的ABC（2021-EU-45MP-752）

級別：中級

 

Laura Castro-Schilo，SAS JMP高級研究統計學家開發人員
SAS JMP研究統計員測試員James R. Koepfler

 

本演講通過涵蓋使所有背景的分析人員都可以使用此統計技術的關鍵基礎概念，對結構方程模型（SEM）進行了詳細介紹。 我們從與回歸分析的比較開始，以促進對SEM框架的理解。 我們展示瞭如何利用觀測變量來估計潛在變量，解決測量誤差，改進未來的測量以及改進線性模型的估計。 此外，我們強調了分析人員可以使用SEM解決的關鍵問題，並展示瞭如何使用實際數據通過示例回答這些問題。 與會者將學習如何執行路徑分析和確認性因素分析，評估模型擬合，比較替代模型以及解釋JMP Pro的SEM平台中提供的所有結果。

 

 

自動產生的筆錄...

 

揚聲器	成績單
勞拉·卡斯特羅·希洛（Laura Castro-Schilo）	您好，我是Laura Castro-Schilo，歡迎您參加本次會議，我們將在其中學習結構方程模型的ABC。
	我們今天的目標是使用JMP Pro 16中的結構方程模型平台，確保您具有指定和解釋模型所需的工具。
	我們要做的是，首先通過向SEM簡要介紹一下它是什麼，尤其是利用它與因子分析和回歸分析的聯繫來進行介紹。
	在此過程中，我們將學習路徑圖是SEM必不可少的工具。
	並且我們將嘗試使介紹簡短一些，因此我們可以真正專注於一些示例。
	因此，在這些示例之前，我將介紹我們將用於該演示的數據，這些數據與對COVID 19威脅的感知有關。
	因此，查看這些數據，我們將開始學習如何指定和解釋模型，並通過回答特定問題來做到這一點。
	這些問題將使我們談論SEM中非常流行的模型，一個是驗證性因素分析，另一個是多元回歸分析。
	總結一下，我們將向您展示一個模型，將這兩種分析結合在一起，因此您真的可以看到SEM是一個非常靈活的框架，您可以在其中適應自己的模型。
	好的，所以SEM是一個框架，其中因子分析和回歸分析結合在一起，並且在因子分析方面，我們能夠獲得衡量的能力
	即使是那些我們無法直接觀察到的東西，也稱為潛變量。
	從回歸方面，我們能夠檢查變量之間的關係，無論是觀察到的還是未觀察到的，因此當將這兩個變量放在一起時，可以得到可以想像的SEM，這是一個非常靈活的框架，其中各種不同型號可以適合。
	路徑圖在SEM中確實是非常有用的工具，原因是方程式的系統可能非常複雜
	可以通過這些圖表實際表示出來。 只要我們知道如何繪製圖表以及如何解釋它們，
	那麼我們就可以利用它們發揮我們的優勢。 因此，這裡我們有矩形，因此這些矩形專門用於表示觀察到的變量。
	圓圈用於表示潛在變量，雙頭箭頭用於表示方差和協方差，單頭箭頭用於表示回歸或加載效果。
	路徑圖中經常使用另一個符號，它超出了我們今天要討論的範圍。
	但是，如果您遇到它，我只想確保您知道它在那裡，那是一個三角形。 三角形用於表示均值和截距，因此我們可以擬合各種有趣的模型，
	我們正在對數據的平均結構進行建模，但今天我們再也沒有時間討論這些數據了。
	現在，當涉及到路徑圖時，我認為考慮什麼是構建基塊很有用
	SEM模型，以便我們可以使用它們來構建複雜的模型。 其中之一就是簡單的線性回歸。 所以在這裡，你看，我們有
	線性回歸，其中Y在X上回歸。 並且請注意X和Y都在這些矩形中的這些框中，因為它們是觀察到的變量。
	我們使用那個單向箭頭表示回歸效果，並使用以相同變量開頭和結尾的兩個箭頭
	在這種情況下表示X的方差，在Y的情況下表示Y的殘差。 如果雙頭箭頭從一個變量開始，然後從...開始並在另一個變量處結束，那麼那將是協方差。
	現在，在SEM中，任何變量都可以既是結果又是預測因素。 因此，在這種情況下，如果我們有第三個變量Z（其中Y在預測Z），Y也可以扮演預測器的角色。
	因此，我們可以建立順序效果，這種類型的順序回歸，您知道，取決於數據，可以根據需要創建盡可能多的順序回歸。
	另一個構建塊將是驗證性因素模型，因此基本上
	我們在SEM中指定潛在變量的方式。 這個特定的例子是一個非常簡單的因素，一個潛在變量
	確認因子模型，其中的圓圈代表未觀察到的潛在變量。
	並註意，潛在變量是一個單向箭頭，指向我們確實觀察到的變量，在這種情況下為W，X和Y。
	那個變量指向那些平方的原因是因為在因子分析中，想法是潛變量引起了我們在W，X和Y上觀察到的共同變量。
	理解這一點非常重要，因為當我們從像主體這樣的主體中考慮主體組件時，常常會感到困惑。
	組件分析的角度。 因此，我認為這是一個很好的機會，可以從因素分析的角度得出潛在變量與從PCA的角度得出成分之間的區別，因此我將切線地解釋這些差異。
	在此圖像中，正方形代表我們測量的變量，即觀察到的變量。 請注意，我正在使用這些不同數量的
	這些變量上的藍色陰影表示方差的比例，這是由於我們要測量的內容，信號的種類以及我們想用儀器測量的東西而引起的。
	灰色陰影區域是由於任何其他方差源引起的方差比例。 它可以包括測量誤差，但也可以包括系統方差，即
	這些測量儀器中的每一個都是唯一的。
	因此，在因子分析的情況下，潛變量捕獲了觀察變量之間的所有常見變化，因此這就是為什麼我們使用這種純藍色表示潛變量的原因。
	與此相反，主成分分析中的目標是減小尺寸。 因此，在PCA中，組件將解釋最大方差
	從我們的數據的維度。 因此，這意味著該主成分通常是由於什麼原因導致的方差的組合
	我們想要衡量的東西，還包括其他一些差異來源。 好的，因此該圖再次說明了這些因果假設，即潛在變量是
	假設其導致所觀察變量的指標發生變化，因此這就是為什麼那些單向箭頭指向所觀察變量的原因，而在PCA中並非如此。
	好吧，所以我認為當我們談論SEM中的潛在變量時，這是一個有用的區分，
	我們經常談論的是從因素分析的角度來看潛在的變量。
	好的，所以我在這裡選擇向您顯示一個屬於已估計模型的路徑圖。 所以我們這裡有所有的價值
	這些箭頭上的箭頭是因為這些都是來自模型的估計值，我認為此圖在說明為什麼要使用SEM方面做得很好。
	首先，我們看到我們有未觀察到的變量。 在這裡，衝突是一種抽象構造，我們不一定必須直接觀察到，因此我們通過利用觀察到的事物將其定義為潛在變量，在這種情況下，我們有三個調查問題代表
	你知道，那個未觀察到的衝突變量。 我們還能夠考慮測量誤差，即在SEM中定義潛在變量的方式
	向我們保證，實際上，我們正在考慮測量誤差，因為那些潛在變量只會捕獲所有這些觀察到的變量之間的公共方差。
	還要注意，我們能夠檢查SEM中的順序關係。 因此，我們有一個未觀察到的衝突變量，但我們也可以看到，
	您知道嗎，此Support變量如何影響工作，然後，Work變量又如何影響潛在變量？
	最終，衝突（未觀察到的變量）如何能夠預測各種其他結果。 因此，這些順序關係非常有用，並且在SEM中非常容易估算。
	使用SEM的另一個很好的理由是，在JMP Pro中，我們的平台使用了先進的技術來處理丟失的數據，因此，即使您具有簡單的線性回歸，但實際上正是您所需要的，如果您缺少數據，
	SEM確保將現有的所有內容都用於估算，這也將非常有幫助。
	如果這...
	如果到目前為止我所說的引起了您的興趣，並且您計劃進一步學習SEM，毫無疑問，您會發現很多術語
	這是該領域獨有的。 就像其他任何事情一樣，我們需要熟悉一些行話。
	因此，此圖對於介紹某些術語也很有用。 首先，我們一直在談論觀察變量或測量變量。
	在SEM中，這些通常稱為清單變量。 我們有潛在變量，我們已經討論過了。
	但是我們也有關於外生變量的想法，那些只是用來預測其他變量的。
	在這裡的模型中，我們只有兩個，與內生變量相反。 因此，這裡的所有其他變量都是內生變量，因為它們還有其他變量可以預測它們。
	好了，這些都是內生變量。 我們也有潛在變量指示符，因此這些是由潛在變量引起的變量。
	潛在變量無法解釋的剩餘方差稱為唯一性，通常也稱為唯一性因子方差。 因此，請記住，這是系統變量的組合，除了測量誤差外，該變量對於變量也是唯一的。
	我發現當人們在學習SEM時將注意力轉移到什麼方面時，這很有用
	該模型實際上在做什麼。 因此，換句話說，通過意識到我們正在對協方差結構進行多元分析
	（也意味著，但要記住，我們今天不是在談論手段），而是要意識到我們實際上正在分析的是結構
	數據的協方差，這有助於我們更輕鬆地將頭纏繞在SEM上。
	因為它與我們認為數據的含義有關，對嗎？ 因此，例如，您知道，我們可以擁有數據表，其中每一行代表一個不同的觀察值，而每一列則代表一個不同的變量。
	我們絕對可以使用這些數據在JMP中啟動SEM平台。
	但是在幕後，平台正在做的事情是查看這些變量的協方差矩陣，也就是說，實際上是正在分析的數據。
	因此，這也對殘差有影響。 通常，當我們考慮SEM中的殘差時，這些殘差與我們正在分析的協方差矩陣有關。
	對於自由度也是如此，並且自由度將相對於該協方差矩陣。
	是的，因此，我想確保您對SEM的估算方式有所了解。
	因此，我們的開始方式是指定一個模型，幸運的是，在JMP Pro中，我們擁有非常友好的用戶界面
	在這裡，我們可以直接使用路徑圖指定模型，而不必指定或列出複雜的方程組。 您可以簡單地繪製暗示特定協方差結構的路徑圖。
	因此，這些圖暗示了數據的協方差結構，然後在估計期間，我們嘗試根據隱含的模型來獲得與樣本協方差矩陣盡可能接近的模型估計。
	約束，基本上。 一旦有了這些估計，就可以將其插入模型隱式協方差矩陣中，並將這些值與樣本協方差矩陣進行比較，
	它們之間的差異使我們能夠量化模型的擬合度，對。 因此，如果殘差很大，通過查看這兩個協方差矩陣之間的差異，可以知道我們在擬合模型方面做得不好。
	好的，概括地說，這就是SEM的工作方式，我現在想介紹下一部分，介紹我們將在演示中使用的數據。 我確實認為
	通過獲取一些真實數據和真實示例，學習新概念會更容易。
	因此，我們將要使用的數據實際上來自最近發表的一篇文章，該文章發表在《社會，心理學和人格科學》雜誌上，因此於2020年夏天發表。
	作者希望回答一個非常簡單的問題。 他們說，您知道嗎，感知到的COVID 19威脅如何影響健康和公共衛生行為？ 所以
	這是一個簡單的問題，只是事實是，感知到的COVID 19的威脅是一種全新的結構，對。 這是一個非常抽象的想法。
	您知道，什麼被視為COVID 19的威脅，您如何衡量？ 因此，由於這是以前從未測量過的東西，因此作者必須非常謹慎地進行操作。
	研究他們在哪裡進行了調查以能夠測量這些威脅。 和
	進行調查並不容易，對。 我們需要確保我們調查的問題是可靠的，並且是有效的。
	因此，他們必須經歷整個過程，我們將在一分鐘內看到他們是如何做到的。
	現在，在他們的研究中，他們發現可以測量兩種類型的威脅，一種被稱為現實威脅，那就是
	威脅我們的財務和人身安全的事物。
	另一類威脅是……他們稱之為像徵性威脅。 因此，那些事情威脅著我們的社會，文化認同。 同樣重要的是要說這個樣本是針對美國人口的。 他們採樣了
	超過1,000個人，因此他們的問題僅與美國人口有關。
	我們在這裡看到的實際上是集成的COVID 19威脅量表，因此這是他們在經曆三項不同研究後所編制的調查表。 因此，他們發現這兩個威脅
	可以用少量物品來衡量。 他們要求參與者回答冠狀病毒爆發對您的個人健康或整個美國人口的健康有多大威脅（如果有的話），
	您的個人財務安全等。 對於象徵性威脅，問題是，
	病毒對於成為一個美國人意味著什麼，美國的價值觀和傳統以及整個美國人口的權利和自由，等等。 因此，您可以看到這些威脅所代表的差異。
	因此，我們可以訪問這些數據，並且將使用這些數據來回答非常具體的問題。 首先，我們如何衡量對COVID 19威脅的感知，我們將重點關注它們識別出的兩種威脅。
	因此，這將導致我們討論驗證性因素分析和評估測量模型，以確保我們能夠確定調查中的問題是否確實可靠且有效。
	注意，我們將跳過這一非常重要的第一步，這是探索性因素分析，這是我們之前要做的
	使用SEM，對。 您將進行探索性因素分析，然後前往SEM確認先前結果的結構。 本文的作者確實做到了這一點，但我們將重點介紹使用SEM所應遵循的步驟。
	第二個問題是，對COVID 19威脅的感知是否可以預測健康標誌和公共衛生行為。 因此，這個問題將引導我們討論SEM中的多元回歸和路徑分析。
	最後一個問題是，每種威脅對結果的影響是否相等。 這實際上使我們能夠展示SEM的一個非常酷的功能，其中包括在模型中設置相等約束並進行系統的模型比較以回答這些類型的問題。
	好了，現在是進行演示的時間了，我已經有...讓我們看看...。
	糟糕，我如何離開這裡？
	現在還沒有問題的時間。
	我只想退出屏幕，但似乎無法這樣做。
	好，我們走了，所以我們有...
	我已經在這裡打開了JMP的數據表。 這些...這些數據，您可以看到有238列，這是因為作者問
	在這種情況下，有550名參與者提出了許多不同的問題；這是他們的三項研究之一。
	數據中的前10個問題，前十列與我們在威脅規模中看到的那10個問題相對應。
	因此，這些將成為我們首先用於進行驗證性因素分析的方法。 因此，我們將單擊“分析”，然後將使用多元方法，結構方程模型。
	然後，我們將使用這10個變量並單擊模型變量，然後單擊“確定”啟動平台。
	注意，在右側，我們立即看到一個路徑圖。
	而且，該圖已經具有我們前面討論的所有功能，因此每個變量都位於矩形中，這表明它們是觀察到的變量。
	而且每個箭頭都有開始和結束的雙箭頭，因此它們表示每個變量的方差。
	現在，如果我右鍵單擊畫布，則有一個顯示菜單，請注意，默認情況下，均值和截距是隱藏的。
	我將點擊此按鈕只是為了向您表明我們確實有
	表示默認情況下根據所有這些變量估算的值。 因此，我們將不再討論這些內容，因此將其隱藏起來，但是我認為了解這一點很重要
	我們在啟動平台時開始使用的默認模型是所有變量均具有方差和均值估計的模型。
	現在，在這個
	標籤，我們有一個列表標籤，如果單擊該標籤，我們將看到
	與圖表中完全相同的信息，只是列表形式。 因此，所有不同類型的參數都是根據其類型進行拆分的，因此，我們在這裡擁有所有方差以及那裡的所有均值。
	是的，我們有一個狀態標籤，基本上可以告訴我們我們現在指定的特定型號。 它為我們提供了有關該模型的大量有用信息。
	我們具有有關數據，樣本量，自由度的詳細信息，並且我們還具有這些識別規則。 如果您想了解更多有關它們的信息，可以單擊它們。 它給你一點...
	右邊的一些描述。
	但是，真正有用的是，狀態標籤的圖標會不斷變化，這取決於我們所做的更改以及所擁有模型的規格。 所以通常，如果我們有SEM的高級應用程序，
	圖標可能是黃色，當我們遇到一個嚴重的錯誤時，即是一些重要的錯誤，那麼該圖標將是帶有X的橙色，基本上表明存在錯誤。 因此，在指定模型時識別錯誤可能非常有用。
	現在，在用戶界面的左側，我們可以看到
	指定模型的名稱，因此這對跟踪我們的工作流程很有幫助。 我們也有此“發件人”和“發件人”列表。
	因此，這些列表提供了一種非常有用的方式來鏈接變量，可以使用單向箭頭或雙向箭頭。
	因此，例如，在這裡，如果要鏈接它們，則可以單擊該按鈕，然後很快就繪製了一個路徑圖。 因此，這是指定模型的非常有效的方法。
	因此，我將在此處單擊“重置”，只是返回到啟動平台時使用的模型，但要知道，“從”和“到”列表基本上是繪製圖表的方式。
	好的，在這種情況下，我們在此處列出了所有觀察到的變量，但是我知道我們想使用這些變量來指定潛在變量。
	現在，這裡的前五個變量是與該調查中針對實際威脅的項目相對應的變量。 因此，我將通過向下添加一個潛在變量到模型中
	到這裡的這個盒子，上面寫著Latent1，我將名稱更改為realistic，因為我想要
	這五個變量是現實威脅潛在變量的指標。 因此，通過單擊此按鈕，
	我立即得到指定的潛在變量。 請注意，此實際威脅潛在變量的第一次加載在此具有1。
	在這個箭頭中，它基本上表示參數固定為值1的事實。
	之所以這樣做，是因為我們需要設置潛在變量的小數位數。 沒有這個約束，我們將無法識別模型，因此
	默認情況下，我們將把約束放在潛在變量的第一次加載上，但是我們也可以實現
	如果將潛變量的方差固定為1，則具有相同的目的。 因此，我們的選擇實際上是一個選擇，但是默認情況下，平台會將第一次加載修復為1。 好吧，所以我們有一個現實的潛在威脅變量，另外五個
	您知道，這裡的變量是與符號威脅問題相對應的變量。 因此，我將選擇那些並單擊此處。 我將鍵入Symbolic，然後單擊加號按鈕以添加該符號威脅。
	好的，我們差不多完成了，但是請注意，這裡的模型是在暗示現實和象徵性威脅之間是完全不相關的，這是一個非常強的假設。 因此，我們不想這樣做。
	在大多數情況下，大多數驗證性因子模型都允許潛在變量相互協變量，因此我將在此處選擇它們，然後單擊此雙向箭頭將這兩個節點鏈接起來。
	但是我也可以直接從路徑圖中進行操作。 因此，如果我右鍵單擊潛變量，則可以單擊添加協方差，然後
	在那兒，我可以添加協方差。 因此，這是一種非常酷的方法。 您可以使用列表進行操作，也可以直接在圖表上進行操作，
	無論您選擇什麼。 這樣我們的模型就可以估算了，因此我將其名稱更改為2-Factor CFA，我們可以繼續運行它。
	您會很快看到我們獲得我們的估計值，並將它們全部映射到圖表上，這非常酷。 但是在解釋這些結果之前，我想確保我們專注於此模型比較表。
	原因是表格為我們提供了有關模型擬合的大量信息，並且我們希望在解釋結果之前確保模型擬合良好。 所以
	首先要注意的是，我們在此表中有三個模型，而我們只適合其中一個。
	因此，我們之所以擁有三個，是因為前兩個模型（不受限制的模型和獨立的模型）默認情況下不適合啟動該平台。
	因此，我們故意對這些模型進行擬合，以便為什麼是真正的擬合模型和什麼是真正的擬合模型提供基準，因此我們將它們用作比較框架
	使用我們自己指定的模型。 因此，讓我更具體一點。 例如，不受限制的模型將是一個模型（我將通過路徑圖向您展示），
	無限制模型是每個變量都可以相互轉換的模型。 所以請注意
	卡方統計量（用於衡量失配程度）恰好為零，原因是該模型完全適合數據。 請記住，這裡的數據實際上是數據權的協方差矩陣，因此我們具有零自由度，因為我們已經指定...
	具有零自由度，因為我們正在估計數據中每個可能的方差和協方差。
	所以這是最好的情況，對。 我們沒有錯，但是我們也從數據中估計所有可能的估計。
	另一端是一個模型，它很不合適，這就是獨立性模型。 因此，如果我向您展示路徑圖，
	這是我們的默認模型，在該模型中，我們僅使用方差作為數據的一種手段，這就是獨立性模型的確切含義。 和
	從本質上講，這是一個模型，其中沒有任何其他函數可以隨心所欲，並且您可以看到該模型的卡方統計量實際上非常大，因為存在很多不正確的問題，對了，所以這幾乎是2000個單位，但是我們確實有
	45自由度，因為我們從數據中估計的東西很少。 同樣，這兩個模型基本上提供了
	頻譜的兩端，對。 一方面，一個非常好的擬合模型，另一方面，一個非常差的擬合模型，因此我們將能夠使用該信息來將我們自己的模型與模型進行比較。
	因此，如果我們看一下我們的模型。 請注意，卡方統計量不為零，但僅為147個單位，比2000年少了很多。
	而且我們有34個自由度，因此我們確實有些不適應。 當我們查看該卡方檢驗時，它是一個重要的卡方統計量，因此它表明我們在數據上存在統計上的顯著失配。
	但是，卡方統計量受樣本量的影響，在這種情況下，我們有550個觀察值。 所以
	通常，當您有300或更多的觀測值時，不僅要查找卡方統計量，而且還要進行一些特殊的統計非常重要
	SEM特有的擬合指數，使我們能夠量化模型的擬合度，這就是此處右邊的值。
	第一個擬合指數稱為比較擬合指數，
	索引的範圍是從零到一，因此您可以看到不受限制的模型具有一。 那是最好的擬合模型，而獨立模型則為零，因為最差的擬合模型還好，而且我們的模型的CFI實際上是0.93，大約是0.94。
	這樣就代表了獨立性模型帶來的改進比例。 因此，另一種說法是
	我們的模型比獨立模型的擬合度高約94％，因此實際上非常好。 通常，我們希望CFI值為0.9或更高。 越接近越好。
	現在，近似值的均方根誤差是另一個擬合指數，但是那個
	儘管它的範圍也從零到一，但我們希望該索引中的值非常低。 因此請注意，不受限制的模型的值為零
	獨立模型是.27。 對於可接受的模型，我們通常希望此處的值等於或小於0.1。 我們的值是.07，大約是.08，這實際上是相當不錯的。
	我們對於此特定估計也有一些置信區間，並且您可以看到這些值也低於.1，所以這是一個很好的擬合模型。 因此，一旦我們知道該模型...能夠很好地擬合我們的數據，便可以繼續進行解釋。
	現在，作為估算的默認值，我們將向您顯示非標準化參數的估算。
	但是對於因子分析，查看標準化解決方案要有用得多，因此，我將在畫布上單擊鼠標右鍵，並顯示標準化的估計值。
	因此，現在這裡的值處於相關度量標準，因此我們希望這些值盡可能接近一個值，
	因為它們代表了觀察變量與潛在變量的相關性。 並且請注意，無論對於現實威脅還是像徵性威脅，其價值都相當不錯。
	我們不希望它們小於.4，因此這些值很好。 另一個非常獨特且非常有用的東西，它對JMP Pro來說是唯一的，就是這裡的變量...任何內生的變量
	預測器，對著它們，指向陰影處。
	請注意，這些正方形內有一些灰色，因此陰影與預測變量所解釋的方差量成正比。
	因此，它使我們可以直觀地快速查看哪些變量在解釋其方差方面做得非常好。 在這種情況下，似乎這三個變量
	用最深的灰色填充最深，表明符號威脅潛變量在解釋這三個觀測變量的方差方面做得很好。
	我們還看到，兩個潛在變量之間的相關性約為0.4，這是一個有趣的發現。
	在紅色三角形菜單中，我們可以集中所有的輸出，但是我將專門集中於一個
	選項稱為評估測量模型。 這就是我們將要找到大量統計信息的地方，可以用來量化構造的可靠性和有效性。
	因此，如果單擊此處，就會有一個很好的小儀表板。 我們這裡的第一個信息是
	指標可靠性，因此這可以量化該調查中每個問題的可靠性，我們提供了一個圖。
	向我們展示所有這些價值。 請注意，這裡有一條紅線表示我們希望擁有的閾值，對。 我們希望每個項目至少具有那麼高的可靠性。 現在，
	您知道，這些閾值類型需要用我們自己的批判性思維來解釋，因為顯然，
	您知道，例如，此特定項目低於閾值，但它仍非常接近閾值，因此我們不會將其丟棄。 我們仍然可以考慮
	相對可靠，並且仍然是此潛在變量的良好指標。 但是，再次，請謹慎解釋此處的閾值。
	但是從該圖中可以明顯看出，符號威脅潛在變量似乎比實際威脅具有更可靠的指標。 雖然它們都非常好，但是具有像徵意義的一個，我們知道在衡量這一點上做得更好。
	右邊的值是複合材料的可靠性係數。 換句話說，它們量化了潛在變量的整體可靠性，並且有兩種類型的可靠性。
	我不會詳細介紹它們之間的差異，但是請注意，這些值的範圍從零到一，我們希望它們盡可能地接近一。 而且我們還提供
	您知道，有些帶有某種閾值的圖表明了我們想要的可靠性期望值，最小值，在這種情況下，無論是現實威脅還是像徵性威脅，都具有良好的可靠性。
	我們這裡的另一個可視化是關於構造有效性矩陣和
	請記住，當您嘗試測量看不到的東西時，很難弄清楚它是否真的
	是您打算測量的。 您真的在衡量自己想要的嗎？ 這就是我們可以確定的信息。
	這裡的可視化描繪了這個矩陣的上三角，讓我簡單地解釋一下這些值代表什麼。 在這個較低的...
	在對角線下方，我們具有潛在變量之間的相關性。 大約是4.4。 對角線條目代表提取的平均方差量
	從...潛在變量從其指標中提取的... 因此，您希望這些值盡可能高。
	在對角線上方，我們具有平方相關。 換句話說，它是潛在變量之間的重疊方差量。
	所以解釋這個矩陣的關鍵是我們希望對角線的值更高
	比對角線上方和右側的值要大得多，請注意，通過可視化可以很容易地看出我們所做的，實際上，
	對角線的值比上方或右邊的值大。 這是構造效度的良好證據。
	因此，這裡的所有內容都表明，現實和象徵性威脅實際上都是
	有效的，可靠的潛在變量，並且調查似乎在衡量這兩個方面都做得很好。
	因此，下一步可能是，我們可能選擇抓住代表此處現實威脅的所有五個問題，並在所有這些問題之間建立平均值。
	突然之間，我們將採取一種代表現實威脅的措施。 我們可以這樣做，對於代表象徵性威脅的其他五個變量也可以這樣做。
	因此，僅出於說明目的，我實際上已經創建了這些變量，因此讓我們去分析多元方法，結構方程模型。 我將尋找那些
	平均變量。 因此，這裡的現實威脅和符號威脅是這些變量中每個列的平均值。
	除了...之外，我還將對這些行為進行建模...我們有衡量焦慮的方法，也有衡量負面影響或負面負面情緒的方法。
	最後，我們有一個遵守公共衛生行為的措施，因此我們也將對其進行建模，然後單擊“確定”啟動該平台。
	這裡的圖表按鈕，我們可以進入自定義菜單，我們可以更改圖表的各個方面，這確實非常非常棒。 現在，我將專注於增加...的寬度
	這些的寬度
	變量，以便我們可以讀取節點內部的內容。 我要做的是建立一個模型，在該模型中，現實威脅和符號威脅都將成為這些有趣結果的預測因素，對。 有種
	您知道焦慮，負面影響以及公共衛生行為的標記，因此我們將這些標記與單向箭頭相關聯，以指定預測。 因此，我們將研究這些影響實際上是否顯著。
	現在請注意，我尚未完全指定此模型，因為在此特定模型中，
	現實威脅和符號威脅之間沒有任何联系，這在模型中要說這兩項不是
	隨和。 因此，我們總是要確保我們在預測變量之間以及在結果的剩餘方差之間都包含協方差。
	因此，我們可以直接從“發件人”列表中指定這些對象，在這種情況下，我將使用此菜單中的“添加協方差”，並將實際威脅和符號威脅鏈接在一起。
	我還將使用列表在這些結果的殘差之間添加協方差。 現在我們有了一個正確指定的完整模型，這通常稱為路徑分析，但它也...
	它基本上是一個集合，同時是回歸模型的集合，因此我們將運行它。
	從模型比較表中註意到，我們的模型沒有自由度，並且具有完美的卡方，卡方為零。
	但實際上，自由度為零意味著我們的模型不可測，
	因為我們已經提取了我們可以從數據中提取的所有信息。 所以本質上，這就是我們擬合回歸模型時所要做的。 因此，這沒有問題，但是只要知道您無法解釋這個Chi Square並說，哦，我的模型非常合適。
	它非常適合，因為您已提取了可以從模型中提取的所有內容。 所以無論如何，這就像一個回歸模型。
	好吧，所以，如果我們去研究結果，您會知道，我們可以解釋各種真正重要的信息，但我將重點介紹幾件事。 第一的，
	請注意，我們的圖是完全互動的，這真的非常酷。 我只是四處移動，以關注幾種效果。 我將在此模型中隱藏方差和協方差，以便我們可以真正專注於回歸模型的結果，
	從路徑分析。 請注意，如此現實和象徵性的威脅，對焦慮都有積極的影響。
	因此，這確實很有趣，並且這裡的箭頭是固定的，因為在參數估算表中可以看到，其影響具有統計意義，您可以在此處看到。 因此，如果它們無關緊要，
	實際上，箭頭將顯示為虛線箭頭。 因此，路徑圖傳達了很多信息。 所以我們對焦慮有積極的顯著作用
	當然這很有趣，但是到目前為止，我們要做的還是以同時的方式進行擬合回歸模型。
	而且，實際上，如果我們回到數據表，我在這裡有一個來自擬合模型的腳本，在這裡我實際上使用了同樣的焦慮
	結果和兩個相同的預測因素，現實威脅和象徵性威脅，
	我只是簡單地估計一個多元回歸模型。 我想向您展示的原因是，請注意此處的參數估計值與我們從SEM獲得的值完全相同。
	這並不奇怪，因為事實上，我們正在進行同時回歸。 所以到現在為止，您可能想知道
	SEM對您有什麼幫助，對，因為從技術上講，您可以使用這三個結果運行三個單獨的擬合模型，並且可以獲得到目前為止我們已經獲得的相同信息。
	但是，如果您缺少數據，您仍要使用SEM，因為那樣我們就可以使用...所有數據都將被使用，而不是刪除行。
	但是，如果您想使用SEM，您還將能夠回答一些非常有趣的附加問題。
	在這種情況下，我們可能想知道現實威脅對焦慮的影響是否在統計學上更大
	而不是像徵性威脅對焦慮的影響。 到目前為止，我們知道它們都與零有很大不同，但是彼此之間是否有顯著不同？
	這是我們可以使用SEM平台回答的問題。 回到我們的模型規格面板，我們可以選擇這些效果，然後在“動作”按鈕中選擇“等於”按鈕，因此，如果按下該按鈕，請注意一點
	此處的標籤表示這兩個效果都將設置為相等。 他們將被估計為一個。 因此，如果我們在此處將名稱更改為相等效果並運行該模型，我們將獲取該特定對象的擬合統計信息
	具有相等約束的模型。 請注意，我們現在已經獲得了一個自由度，所以突然之間，我們有了一個可測試的模型。
	然後，我們可以使用模型比較表來選擇我們要彼此比較的兩個模型，然後清除單擊“比較選定模型”的操作。
	現在我們獲得了卡方差檢驗，因此我們能夠在統計上比較該模型，並查看我們的失配量是多少
	等式約束在模型中產生。 在這裡，我們可以看到在卡方度量中大約是8.6個單位，並且p值實際上是很重要的。 所以這表明
	設置等式約束會在模型中引起大量的失配。 而且，由於我們知道卡方受樣本量的影響，因此我們也有不同之處
	我們討論過的適合CFI的指數，對於CFI，我們通常不希望指數超過.01
	至多，最多。 實際上.01或更高不是很好。 而且對於RMSEA，您不希望該值高於1.。
	因此，這裡的所有證據都表明，設置等式約束會導致擬合模型明顯惡化。
	換句話說，如果我們回到最適合的模型，那麼根據卡方差檢驗，我們現在可以說，
	現實威脅對焦慮的影響明顯高於象徵性威脅對焦慮的影響。
	因此，您可以使用該模型的其他部分來解決這些類型的問題，但是SEM通過允許我們比較模型中不同效果的相等性來提供很大的靈活性。
	好的，為了節省時間，我將結束這個問題，但是到目前為止，我確實想向您展示，您知道我們看到了一個驗證性因素模型。 我們也看到了
	路徑分析，我們正在進行多元回歸分析，但實際上我們可以在一個模型中同時使用這兩個概念。 因此，我有一個已經保存在數據表中的腳本，您可以看到我在此模型中所做的實際上是
	估計潛在變量。 我正在使用調查問卷中的原始項目為符號威脅和現實威脅建模潛在變量。
	因此，通過執行此操作，而不是在各列之間創建平均值，
	實際上，我將對潛在變量進行建模，這將使我能夠獲得回歸效應，因為這些潛在的變量中的所有這些效應都將因測量誤差而無偏且不會衰減。
	一種更有效，更純淨的象徵性威脅和現實威脅的度量。 因此，我們在這裡進行估算，您可以看到順序關係，而這裡的模型要復雜得多。
	我將不涉及模型的詳細信息，但只知道通過對潛變量建模並查看潛變量之間的關係，我們確實能夠獲得最佳結果。
	SEM的功能，因為我們這些潛在變量之間的關聯將更好地估計...
	用於模型。 我實際上估計了該模型，您可以在此處查看結果。 因此請注意，這裡有一些優勢...
	帶有虛線的箭頭，表示這些效果不明顯。 我們還看到了陰影的可視化功能多麼強大，對。 我們能夠解釋
	堅持公共衛生行為的比例有所不同。 似乎我們在解釋積極影響方面的差異方面比在這裡的任何其他結果方面做得更好。 所以這又是
	基本上，兩全其美，既可以指定我們的潛在變量，又可以使用我們的平台直接對其建模。
	因此，我將在此處停止演示，但我將帶您了解一個事實，即在JMP社區網站上，我們有補充材料，
	James Koepfler創建了。 它們是非常棒的材料，其中包含有關如何解釋我們的模型，如何使用模型比較表，
	基本上所有您在本次演講中想要記錄的筆記，都可以從補充材料中獲得。 因此，我準備公開提出問題。

爆發數據探索預測建模回复：結構方程模型的ABC（2021-EU-45MP-752）

豎起大拇指，鳴謝！ 優秀的演講，出色的教學技能！

 

它確實有助於新用戶對SEM有所了解。 我有三個評論。

 

1.對於已經在其他高級平台（Lisrel，Mplus，Lavan）等中使用SEM的用戶，進行一次高級中間會話可能會有所幫助。

 

2.出色的數據處理/分析/繪圖功能的結合使JMP在該領域可以成為強大的競爭者。

 

3.但是，有一種方法可以將貝葉斯方法結合到SEM建模中。 也許值得考慮未來的發展。