349219_ko-KR

liliconcom

구조 방정식 모델링의 ABC(2021-EU-45MP-752)

수준: 중급

 

Laura Castro-Schilo, JMP 선임 연구 통계 개발자, SAS
James R. Koepfler, SAS JMP 연구 통계 테스터

 

이 프레젠테이션은 모든 배경의 분석가가 이 통계 기법을 사용할 수 있도록 하는 주요 기본 개념을 다루면서 구조 방정식 모델링(SEM)에 대한 자세한 소개를 제공합니다. SEM 프레임워크의 이해를 돕기 위해 회귀 분석과의 비교부터 시작합니다. 관찰된 변수를 활용하여 잠재 변수를 추정하고, 측정 오류를 설명하고, 향후 측정을 개선하고, 선형 모델의 추정을 개선하는 방법을 보여줍니다. 또한 분석가가 SEM을 통해 해결할 수 있는 주요 질문을 강조하고 실제 데이터를 사용한 사례를 통해 이러한 질문에 답하는 방법을 보여줍니다. 참석자들은 경로 분석 및 확인 요인 분석을 수행하고, 모델 적합성을 평가하고, 대체 모델을 비교하고, JMP Pro의 SEM 플랫폼에서 제공되는 모든 결과를 해석하는 방법을 배우게 됩니다.

 

 

자동 생성된 스크립트...

 

스피커	성적 증명서
로라 카스트로스칠로	안녕하세요. 저는 Laura Castro-Schilo입니다. 이번 세션에 오신 것을 환영합니다. 여기서 구조 방정식 모델링의 ABC를 배우게 됩니다.
	그리고 오늘 우리의 목표는 JMP Pro 16의 구조 방정식 모델 플랫폼을 사용하여 모델을 지정하고 해석하는 데 필요한 도구를 갖추는 것입니다.
	그리고 우리는 먼저 SEM이 무엇인지 설명함으로써 SEM에 대해 간략하게 소개하고, 특히 SEM이 요인 분석 및 회귀 분석과 갖는 연관성을 그리는 것으로 이를 수행할 것입니다.
	그리고 그 과정에서 경로 다이어그램이 어떻게 SEM에 필수적인 도구인지 배우게 될 것입니다.
	그리고 우리는 그 소개를 상당히 간략하게 유지하려고 노력할 것입니다. 그래서 우리는 실제로 몇 가지 예시에 집중할 수 있습니다.
	따라서 해당 예시에 앞서 해당 데모에 사용할 데이터를 소개하겠습니다. 이 데이터는 코로나19 위협에 대한 인식에 관한 것입니다.
	따라서 이러한 데이터를 보면서 우리는 모델을 지정하고 해석하는 방법에 대해 배우기 시작하고 특정 질문에 답함으로써 이를 수행할 것입니다.
	이러한 질문을 통해 우리는 SEM에서 매우 인기 있는 모델에 대해 이야기하게 될 것입니다. 하나는 확인 요인 분석이고 다른 하나는 다변량 회귀 분석입니다.
	마무리로 두 가지 분석을 모두 통합한 모델을 보여드리겠습니다. 이를 통해 SEM이 자신의 모델에 맞출 수 있는 매우 유연한 프레임워크임을 실제로 확인할 수 있습니다.
	자, SEM은 요인 분석과 회귀 분석이 결합된 프레임워크이고 요인 분석 측면에서는 측정 능력을 얻을 수 있습니다.
	심지어 우리가 직접적으로 관찰할 수 없는 것, 즉 잠재 변수라고도 합니다.
	그리고 회귀 측면에서 우리는 관찰 여부에 관계없이 변수 간의 관계를 조사할 수 있습니다. 따라서 이 두 가지를 함께 가져오면 상상할 수 있는 SEM을 얻을 수 있습니다. 이는 모든 종류의 다양한 변수가 있는 매우 유연한 프레임워크입니다. 모델이 적합할 수 있습니다.
	경로 다이어그램은 SEM에서 정말 유용한 도구입니다. 그 이유는 방정식 시스템이 상당히 복잡할 수 있기 때문입니다.
	실제로 이 다이어그램을 통해 표현할 수 있습니다. 따라서 우리가 다이어그램을 그리는 방법과 이를 해석하는 방법을 아는 한,
	그러면 우리는 그것들을 우리에게 유리하게 사용할 수 있습니다. 여기에는 직사각형이 있고 이는 관찰된 변수를 나타내는 데만 사용됩니다.
	원은 잠재변수를 나타내는데 사용되며, 양방향 화살표는 분산과 공분산을 모두 나타내는 데 사용되며, 한쪽 화살표는 회귀 또는 로딩 효과를 나타냅니다.
	경로 다이어그램에 자주 사용되는 또 다른 기호가 있는데 이는 오늘 이야기할 내용의 범위를 벗어나는 것입니다.
	하지만 당신이 그것을 발견한다면, 나는 그것이 거기에 있다는 것을 확실히 하고 싶습니다. 그리고 그것은 삼각형입니다. 삼각형은 평균과 절편을 나타내는 데 사용되므로 우리가 적합할 수 있는 모든 종류의 흥미로운 모델이 있습니다.
	여기서는 데이터의 평균 구조를 모델링하고 있지만 오늘은 이에 대해 이야기할 시간이 없습니다.
	이제 경로 다이어그램에 관해서는 빌딩 블록이 무엇인지 생각하는 것이 유용하다고 생각합니다.
	SEM 모델을 사용하여 복잡한 모델을 구축할 수 있습니다. 그 중 하나는 간단한 선형 회귀입니다. 여기, 보시다시피, 우리는
	Y가 X에서 회귀되는 선형 회귀입니다. 그리고 X와 Y 모두 이 직사각형, 이 상자 안에 있다는 것을 주목하세요. 왜냐하면 그들은 관찰된 변수이기 때문입니다.
	그리고 우리는 회귀 효과를 나타내기 위해 단방향 화살표를 사용하고 동일한 변수에서 시작하고 끝나는 양방향 화살표를 사용합니다.
	이 경우 X의 분산을 나타내고 Y의 경우 Y의 잔차 분산을 나타냅니다. 양방향 화살표가 한 변수에서 시작하여 다른 변수에서 시작하고 끝나는 경우 이는 공분산이 됩니다.
	이제 SEM에서는 모든 변수가 결과이자 예측 변수가 될 수 있습니다. 따라서 이 경우 Y가 Z를 예측하는 세 번째 변수 Z가 있으면 Y가 예측 변수의 역할을 맡을 수도 있습니다.
	따라서 우리는 데이터에 따라 필요한 만큼 순차적 효과, 즉 이러한 유형의 순차적 회귀를 구축할 수 있습니다.
	또 다른 구성 요소는 확인 요인 모델의 구성 요소이며 기본적으로
	SEM에서 잠재 변수를 지정하는 방식입니다. 그리고 이 특별한 예는 매우 간단한 하나의 요소, 하나의 잠재 변수입니다.
	원이 관찰되지 않은 잠재 변수를 나타내는 확인 요인 모델입니다.
	그리고 잠재 변수에는 우리가 관찰하는 변수(이 경우 W, X 및 Y)를 가리키는 일방향 화살표가 있습니다.
	그리고 그 변수가 그 사각형을 가리키는 이유는 요인 분석에서 잠재 변수가 우리가 W, X, Y에서 관찰한 공통 변동성을 유발한다는 생각 때문입니다.
	그리고 이것은 우리가 주요 구성 요소에 대해 생각할 때 종종 혼란스럽기 때문에 이해하는 것이 정말 중요합니다.
	구성 요소 분석 관점. 그래서 저는 이것이 요인 분석 관점의 잠재 변수와 PCA 관점의 구성 요소 간의 차이점을 그릴 수 있는 좋은 기회라고 생각합니다. 따라서 이러한 차이점을 설명하기 위해 약간의 접선을 취하겠습니다.
	이 이미지에서 사각형은 우리가 측정한 변수, 즉 관찰된 변수를 나타냅니다. 그리고 저는 이렇게 다양한 양의
	해당 변수에 파란색 음영을 표시하여 측정하려는 항목, 일종의 신호, 도구로 측정하려는 항목으로 인한 분산 비율을 나타냅니다.
	회색 음영 영역은 다른 분산 원인으로 인한 분산 비율입니다. 여기에는 측정 오류가 포함될 수 있지만 체계적 분산도 포함될 수 있습니다.
	각 측정 장비마다 고유합니다.
	따라서 요인 분석의 경우 잠재 변수는 관찰된 변수 전체의 공통 변동성을 모두 포착하므로 이 단색 파란색을 사용하여 잠재 변수를 나타냅니다.
	이는 차원 축소를 목표로 하는 주성분 분석에서 발생하는 것과는 대조적입니다. 따라서 PCA에서 구성 요소는 최대 분산량을 설명합니다.
	우리 데이터의 차원에서. 이는 주성분이 종종 무엇으로 인한 분산의 조합이 될 것이라는 것을 의미합니다.
	우리가 측정하고 싶은 것뿐만 아니라 다른 분산 소스에도 적용됩니다. 좋습니다. 다시 다이어그램은 인과적 가정, 즉 잠재 변수가 다음과 같다는 사실을 보여줍니다.
	관찰된 변수에서 지표의 변동성을 유발한다고 가정했기 때문에 한쪽 방향 화살표가 관찰된 변수를 가리키고 PCA에서는 그렇지 않습니다.
	좋습니다. 저는 이것이 SEM에서 잠재 변수에 관해 이야기할 때 유용한 구별이라고 생각합니다.
	매우 자주 우리가 말하는 것은 요인 분석 관점의 잠재 변수입니다.
	좋아요, 여기에서는 이미 추정된 모델에 속하는 경로 다이어그램을 보여 주기로 선택했습니다. 따라서 여기에 모든 값이 있습니다.
	왜냐하면 그것들은 모두 모델의 추정치이기 때문입니다. 그리고 저는 이 다이어그램이 SEM을 사용해야 하는 이유를 설명하는 데 좋은 역할을 한다고 생각합니다.
	먼저, 관찰되지 않은 변수가 있다는 것을 알 수 있습니다. 바로 여기서 갈등은 우리가 반드시 직접적으로 관찰할 수 없는 추상적인 구성이므로 우리가 관찰하는 것을 활용하여 이를 잠재 변수로 정의하고 있습니다. 이 경우에는 다음을 나타내는 세 가지 설문조사 질문이 있습니다.
	알다시피, 관찰되지 않은 충돌 변수가 있습니다. 또한 SEM에서 잠재 변수가 정의되는 방식인 측정 오류를 설명할 수 있습니다.
	우리는 실제로 측정 오류를 설명하고 있음을 확신합니다. 왜냐하면 이러한 잠재 변수는 관찰된 모든 변수에 대한 공통 분산만 포착하기 때문입니다.
	또한 SEM에서 순차적 관계를 조사할 수 있다는 점에 유의하세요. 따라서 우리는 관찰되지 않은 충돌 변수를 가지고 있지만 볼 수도 있습니다.
	아시다시피, 이 지원 변수는 어떻게 작업에 영향을 미치고, 이 작업 변수는 다시 잠재 변수에 어떻게 영향을 미치나요?
	그리고 궁극적으로 관찰되지 않는 변수인 갈등이 어떻게 다른 모든 결과를 예측할 수 있는지 살펴보겠습니다. 따라서 이러한 순차적 관계는 매우 유용하고 SEM에서 추정하기가 매우 쉽습니다.
	SEM을 사용하는 또 다른 좋은 이유는 JMP Pro의 플랫폼이 누락된 데이터를 처리하기 위해 최첨단 기술을 사용하기 때문입니다. 따라서 단순한 선형 회귀 분석이 있더라도 실제로는 그것만으로 누락된 데이터가 있는 경우에는
	SEM은 존재하는 모든 것이 추정에 사용되고 있는지 확인하므로 이는 매우 도움이 될 수도 있습니다.
	이 경우...
	지금까지 제가 말한 내용이 귀하의 관심을 불러일으키고 SEM에 대해 더 많이 배울 계획이라면 의심할 여지 없이 많은 용어를 발견하게 될 것입니다.
	그것은 그 분야의 고유한 것입니다. 다른 것과 마찬가지로 우리가 익숙해져야 할 전문 용어도 있습니다.
	따라서 이 다이어그램은 해당 전문 용어를 소개하는 데도 유용합니다. 먼저, 우리는 관찰된 변수 또는 측정된 변수에 대해 이야기해 왔습니다.
	SEM에서는 이를 종종 매니페스트 변수라고 합니다. 우리는 이미 논의한 잠재 변수를 가지고 있습니다.
	그러나 우리는 또한 외생 변수에 대한 아이디어를 가지고 있으며, 이는 다른 변수만을 예측하는 것입니다.
	여기 모델에는 그 중 두 개만 있으며 이는 내생 변수와 대조됩니다. 여기의 다른 모든 변수는 내생 변수입니다. 왜냐하면 변수를 예측하는 다른 변수가 있기 때문입니다.
	좋아요, 이것들은 내생변수입니다. 잠재 변수 지표도 있으므로 이는 잠재 변수로 인해 발생하는 변수입니다.
	그리고 잠재변수로 설명되지 않는 잔차변량을 고유성(uniqueness)이라고 하며, 이를 고유요인변성(unique Factor variance)이라고도 부르기도 합니다. 따라서 이는 측정 오류 외에 해당 변수에 고유한 체계적인 분산의 조합이라는 점을 기억하세요.
	나는 사람들이 SEM을 배울 때 무엇에 초점을 맞추는 것이 유용하다고 생각합니다.
	모델이 실제로 무엇을 하고 있는지. 즉, 공분산 구조에 대한 다변량 분석을 수행하고 있음을 깨닫는 것입니다.
	(또한 수단이지만 오늘은 수단에 대해 이야기하고 있지 않다는 점을 기억하세요.) 그러나 우리가 실제로 분석하고 있는 것은 구조라는 것을 깨닫는 것입니다.
	데이터의 공분산을 통해 SEM에 대한 이해를 훨씬 더 쉽게 할 수 있습니다.
	왜냐하면 그것은 우리가 생각하는 데이터에 영향을 미치기 때문입니다. 그렇죠? 예를 들어, 각 행은 서로 다른 관측값을 나타내고 각 열은 서로 다른 변수인 데이터 테이블을 가질 수 있습니다.
	그리고 우리는 이러한 데이터를 사용하여 JMP에서 SEM 플랫폼을 출시할 수 있습니다.
	그러나 백그라운드에서, 일종의 커튼 뒤에서 플랫폼이 하는 일은 해당 변수의 공분산 행렬, 즉 실제로 분석되는 데이터를 보는 것입니다.
	그리고 이것은 잔차에도 영향을 미칩니다. 종종 SEM에서 잔차에 대해 생각할 때 이는 우리가 분석하는 공분산 행렬과 관련이 있습니다.
	그리고 이것은 자유도에도 적용됩니다. 그리고 자유도는 이 공분산 행렬과 관련됩니다.
	맞습니다. 그래서 저는 SEM이 추정 측면에서 어떻게 작동하는지 살짝 보여드리고 싶습니다.
	그래서 우리가 시작하는 방법은 모델을 지정하는 것입니다. 다행히도 JMP Pro에는 정말 훌륭하고 친숙한 사용자 인터페이스가 있습니다.
	복잡한 방정식 시스템을 지정하거나 나열할 필요 없이 경로 다이어그램을 사용하여 모델을 직접 지정할 수 있습니다. 특정 공분산 구조를 암시하는 경로 다이어그램을 간단히 그릴 수 있습니다.
	따라서 다이어그램은 데이터에 대한 공분산 구조를 암시하고 추정 중에 우리가 하는 일은 암시된 모델을 기반으로 표본 공분산 행렬과 최대한 가깝게 일치하는 모델 추정치를 얻으려고 노력하는 것입니다.
	기본적으로 제약이 있습니다. 이러한 추정치를 얻은 후에는 이를 모델 내재 공분산 행렬에 연결하고 해당 값을 표본 공분산 행렬과 비교할 수 있습니다.
	그리고 둘 사이의 차이를 통해 모델의 적합성을 정량화할 수 있습니다. 따라서 잔차가 크다면 이 두 공분산 행렬의 차이를 살펴봄으로써 모델을 제대로 맞추지 못했다는 것을 알 수 있습니다.
	좋습니다. 간단하게 SEM이 작동하는 방식입니다. 이제 프레젠테이션의 다음 부분에서 데모에 사용할 데이터를 소개하겠습니다. 나는 그렇게 생각한다
	실제 데이터, 실제 사례를 직접 살펴봄으로써 새로운 개념을 배우는 것이 더 쉽습니다.
	따라서 우리가 사용할 데이터는 실제로 사회, 심리, 성격 과학 저널에 게재된 아주 최근에 게재된 기사에서 나온 것입니다. 따라서 이 기사는 2020년 여름에 게재되었습니다.
	그리고 저자는 아주 간단한 질문에 대답하고 싶었습니다. 그들은 코로나19에 대한 인지된 위협이 웰빙과 공중 보건 행동에 어떤 영향을 미치는지 말하더군요. 그래서
	코로나19의 인지된 위협이 완전히 새로운 구조라는 점을 제외하면 간단한 질문입니다. 매우 추상적인 생각입니다.
	아시다시피, 코로나19로 인해 인식된 위협은 무엇이며 이를 어떻게 측정합니까? 그리고 이는 이전에 측정된 적이 없는 것이기 때문에 저자는 매우 신중한 노력을 기울여야 했습니다.
	이러한 위협을 측정할 수 있는 설문 조사를 어디에서 개발했는지 연구합니다. 그리고
	설문 조사를 개발하는 것은 쉽지 않습니다. 우리는 설문조사에 대한 질문이 신뢰할 수 있고 유효한지 확인해야 합니다.
	그래서 그들은 그 과정을 거쳐야 했고, 우리는 그들이 어떻게 그 일을 했는지 잠시 후에 살펴보겠습니다.
	연구를 통해 그들은 측정할 수 있는 두 가지 유형의 위협이 있다는 사실을 발견했습니다. 하나는 현실적인 위협이라고 부르는 것입니다.
	우리의 재정적, 육체적 안전을 위협하는 것들.
	그리고 또 다른 유형의 위협은... 그들은 그것을 상징적이라고 불렀습니다. 그래서 그것은 우리의 사회적, 문화적 정체성을 위협하는 것들이죠. 그리고 이 표본이 미국 인구를 위한 것이라고 말하는 것도 중요합니다. 그들은 샘플링했다
	1,000명 이상의 개인이 있으므로 그들의 질문은 전적으로 미국 인구와 관련이 있습니다.
	그리고 여기서 볼 수 있는 것은 실제로 통합된 코로나 19 위협 척도이므로 세 가지 다른 연구를 거쳐 개발한 설문지입니다. 그래서 그들은 그 두 가지 위협이 있다는 것을 발견했습니다.
	소수의 항목으로 측정할 수 있습니다. 그들은 참가자들에게 코로나바이러스 발생이 귀하의 개인 건강과 미국 인구 전체의 건강에 얼마나 큰 위협이 되는지 대답하도록 요청했습니다.
	개인의 재정적 안전 등. 상징적 위협에 대한 질문은, 아시다시피,
	미국, 미국의 가치와 전통, 미국 인구 전체의 권리와 자유 등이 무엇을 의미하는지에 대한 바이러스는 얼마나 큰 위협입니까? 따라서 이러한 위협이 나타내는 차이점을 확인할 수 있습니다.
	그래서 우리는 이러한 데이터에 접근할 수 있었고 이 데이터를 사용하여 매우 구체적인 질문에 답할 것입니다. 첫째, 코로나19 위협에 대한 이러한 인식을 어떻게 측정하고, 그들이 식별한 두 가지 위협에 초점을 맞출 것입니다.
	따라서 설문조사의 질문이 실제로 신뢰할 수 있고 타당한지 확인할 수 있도록 확인 요인 분석과 측정 모델 평가에 대해 이야기하겠습니다.
	우리는 매우 중요한 첫 번째 단계인 탐색적 요인 분석을 건너뛸 것이라는 점에 주목하세요. 이 단계는 이전에 수행했던 작업입니다.
	SEM을 사용하는 거죠. 그렇죠. 탐색적 요인 분석을 실행한 다음 SEM을 방문하여 이전 결과의 구조를 확인합니다. 이 기사의 저자는 확실히 그렇게 했지만 우리는 SEM을 사용하여 따를 단계에 중점을 둘 것입니다.
	두 번째 질문은 코로나19 위협에 대한 인식이 웰빙 지표와 공중 보건 행동을 예측하는가입니다. 이 질문은 SEM 내의 다중 회귀 및 경로 분석에 대해 이야기하도록 이끌 것입니다.
	마지막 질문은 각 유형의 위협이 결과에 미치는 영향이 동일하다는 것입니다. 이를 통해 실제로 모델에 동등 제약 조건을 설정하고 이러한 유형의 질문에 답하기 위해 체계적인 모델 비교를 수행하는 SEM의 매우 멋진 기능을 보여줄 수 있습니다.
	좋습니다. 이제 데모를 할 시간입니다. 이미 데모를 해 봤습니다...어쩌죠...
	이런, 여기서 어떻게 나가나요?
	아직 질문할 시간이 아닙니다.
	화면에서 나가고 싶은데 할 수가 없는 것 같아요.
	좋아, 자, 그럼 우리는...
	JMP의 데이터 테이블이 이미 여기에 열려 있습니다. 이...이 데이터에는 238개의 열이 있는 것을 볼 수 있습니다. 이는 작성자가 요청했기 때문입니다.
	이 경우에는 550명의 참가자가 다양한 질문을 했습니다. 이것은 그들의 세 가지 연구 중 하나입니다.
	그리고 처음 10개의 질문, 즉 제가 데이터에 있는 첫 번째 열 10개는 위협 규모에서 본 10개의 질문에 해당합니다.
	그래서 이것들은 우리가 확인적 요인 분석을 수행하기 위해 먼저 사용하는 것들이 될 것입니다. 분석을 클릭하고 다변량 방법, 구조 방정식 모델로 이동합니다.
	그리고 이 10개의 변수를 사용하고 모델 변수를 클릭한 다음 확인을 클릭하여 플랫폼을 시작하겠습니다.
	오른쪽에는 경로 다이어그램이 즉시 표시됩니다.
	그리고 그 다이어그램에는 앞서 논의한 모든 기능이 이미 포함되어 있으므로 각 변수는 직사각형으로 표시되어 관찰된 변수임을 나타냅니다.
	그리고 각각에는 시작하고 끝나는 양방향 화살표가 있으므로 각 변수의 변화를 나타냅니다.
	이제 캔버스를 마우스 오른쪽 버튼으로 클릭하면 표시 메뉴가 표시되고 평균과 절편이 기본적으로 숨겨집니다.
	실제로 우리가 알고 있는 것을 보여드리기 위해 이것을 클릭하겠습니다.
	이는 기본적으로 이러한 모든 변수로부터 추정된 것을 의미합니다. 그래서 우리는 그것에 대해 이야기하지 않을 것이기 때문에 그것들을 숨길 것입니다. 그러나 나는 그것을 아는 것이 중요하다고 생각합니다
	플랫폼을 출시할 때부터 시작하는 기본 모델은 모든 변수에 분산과 평균이 추정되는 모델입니다.
	이제 이에 대해
	탭에는 목록 탭이 있고 이를 클릭하면 목록 탭이 표시됩니다.
	다이어그램에 있는 정보와 정확히 동일하지만 목록 형식입니다. 따라서 다양한 유형의 매개변수는 모두 매개변수 유형에 따라 분할되므로 여기에는 모든 차이가 있고 저기에는 모든 수단이 있습니다.
	맞습니다. 상태 탭이 있는데 이는 기본적으로 우리가 지금 지정한 특정 모델에 대해 알려줍니다. 이는 해당 모델에 대한 유용한 정보를 제공합니다.
	우리는 데이터, 표본 크기, 자유도에 대한 세부 정보를 갖고 있으며 이러한 식별 규칙도 있습니다. 그들에 대해 조금 더 알아보고 싶다면 클릭하면 됩니다. 그것은 당신에게 약간을 제공합니다 ...
	오른쪽에 약간의 설명이 있습니다.
	하지만 알아두면 정말 도움이 되는 점은 상태 탭의 이 아이콘이 우리가 수행하는 변경 사항과 우리가 보유한 모델의 사양에 따라 지속적으로 변경된다는 것입니다. 그리고 종종 SEM의 고급 응용 프로그램이 있으면
	아이콘은 노란색일 수 있으며 나쁜 오류나 중요한 실수가 있는 경우 해당 아이콘은 X가 있는 주황색으로 표시되어 기본적으로 오류가 있음을 나타냅니다. 따라서 모델을 지정할 때 실수를 식별하는 것이 매우 유용할 수 있습니다.
	이제 사용자 인터페이스 왼쪽에 다음과 같은 작업이 가능하다는 것을 알 수 있습니다.
	모델 이름을 지정하면 작업 흐름을 추적하는 데 매우 유용합니다. 그리고 From 및 To 목록도 있습니다.
	따라서 이 목록은 단방향 화살표나 양방향 화살표를 사용하여 변수를 연결하는 매우 유용한 방법을 제공합니다.
	예를 들어 여기에서 이들을 연결하고 싶다면 해당 버튼을 클릭하면 매우 빠르게 경로 다이어그램이 그려집니다. 따라서 이는 모델을 지정하는 매우 효율적인 방법입니다.
	따라서 여기에서 재설정을 클릭하여 플랫폼을 시작할 때 사용했던 모델로 돌아가겠습니다. 하지만 시작 및 끝 목록은 기본적으로 다이어그램을 그릴 수 있는 방법이라는 것을 알고 있습니다.
	좋아, 이 경우 여기에 나열된 모든 관찰 변수가 있지만 잠재 변수를 지정하기 위해 해당 변수를 사용하고 싶다는 것을 알고 있습니다.
	이제 여기의 처음 5개 변수는 현실적인 위협에 대한 설문 조사의 항목에 해당하는 변수입니다. 그래서 저는 아래로 내려가 모델에 잠재 변수를 추가하겠습니다.
	여기 아래 상자에 Latent1이라고 적혀 있고 이름을 Realistic로 바꾸겠습니다.
	이 다섯 가지 변수는 현실적인 위협 잠재 변수의 지표가 됩니다. 그리고 이 버튼을 클릭하면,
	즉시 해당 잠재 변수가 지정됩니다. 그리고 이 현실적인 위협 잠재 변수에 대한 첫 번째 로딩은 1입니다.
	이 화살표는 기본적으로 매개변수가 1의 값으로 고정되어 있다는 사실을 나타냅니다.
	그리고 우리는 잠재 변수의 규모를 설정해야 하기 때문에 이렇게 합니다. 이 제약 조건이 없으면 모델을 식별할 수 없으므로
	기본적으로 우리는 잠재 변수를 처음 로딩할 때 해당 제약 조건을 적용할 예정이지만, 다음과 같은 목표도 달성할 수 있습니다.
	잠재 변수의 분산을 1로 고정해도 같은 목적입니다. 그래서 우리가 무엇을 하느냐는 실제로 선택의 문제이지만, 기본적으로 플랫폼은 첫 번째 로딩을 1로 고정합니다. 좋습니다. 현실적인 위협 잠재 변수가 있고 나머지 5개는
	여기 변수는 상징적 위협 질문에 해당하는 변수입니다. 이를 선택하고 여기를 클릭하겠습니다. Symbolic을 입력하고 더하기 버튼을 클릭하여 상징적인 위협을 추가하겠습니다.
	좋아요, 거의 다 끝났습니다. 하지만 여기 이 모델은 현실적 위협과 상징적 위협이 서로 완벽하게 상관관계가 없다는 것을 암시하고 있으며 이는 매우 강력한 가정입니다. 그래서 우리는 그렇게 하고 싶지 않습니다.
	대부분의 확증적 요인 모델은 잠재 변수가 서로 공변하도록 허용하므로 여기에서 이를 선택하고 이 양방향 화살표를 클릭하여 두 노드를 연결할 수 있습니다.
	하지만 경로 다이어그램에서 직접 수행할 수도 있습니다. 따라서 잠재 변수를 마우스 오른쪽 버튼으로 클릭하면 공분산 추가를 클릭하고
	바로 거기에 공분산을 추가할 수 있습니다. 그러니까 꽤 괜찮은 방법이군요. 목록으로 할 수도 있고, 다이어그램에서 직접 할 수도 있고,
	당신의 선택이 무엇이든. 이제 모델을 추정할 준비가 되었으므로 이름을 2-Factor CFA로 변경하고 계속해서 실행할 수 있습니다.
	그리고 매우 빠르게 추정치를 얻을 수 있으며 모두 다이어그램에 매핑되어 있습니다. 이는 매우 멋진 일입니다. 하지만 그 결과를 해석하기 전에 먼저 이 모델 비교표에 초점을 맞추고 싶습니다.
	그 이유는 표가 모델의 적합도에 대한 많은 정보를 제공하므로 결과를 해석하기 전에 모델이 잘 맞는지 확인하고 싶기 때문입니다. 그래서
	여기서 가장 먼저 주목해야 할 점은 이 표에는 세 가지 모델이 있고 그 중 하나만 적합하다는 것입니다.
	그래서 우리가 세 가지 모델을 가지고 있는 이유는 처음 두 모델인 무제한 모델과 독립 모델이 플랫폼 출시 시 기본적으로 적합하지 않기 때문입니다.
	그래서 우리는 정말 좋은 피팅 모델과 정말 나쁜 피팅 모델에 대한 기준을 제공하기 위해 의도적으로 이러한 모델을 피팅하고 이를 비교 프레임으로 사용합니다.
	우리가 지정한 모델을 사용합니다. 좀 더 구체적으로 말씀드리겠습니다. 예를 들어, 제한되지 않은 모델은 모델입니다(경로 다이어그램을 통해 보여드리겠습니다).
	무제한 모델은 모든 변수가 서로 공변할 수 있는 모델입니다. 그래서 주목하세요
	부적합의 척도인 카이제곱 통계량은 정확히 0인데, 그 이유는 이 모델이 데이터를 완벽하게 적합시키기 때문입니다. 여기의 데이터는 실제로 오른쪽 데이터의 공분산 행렬이라는 점을 기억하세요. 따라서 우리가 지정했기 때문에 자유도는 0입니다.
	데이터의 가능한 모든 분산과 공분산을 추정하기 때문에 자유도가 0입니다.
	이것이 가능한 최선의 시나리오입니다. 그렇죠. 부적합은 없지만 데이터에서 가능한 모든 추정치를 추정하고 있습니다.
	스펙트럼의 다른 쪽 끝은 정말 적합하지 않은 모델이며 이것이 바로 독립 모델입니다. 따라서 경로 다이어그램을 보여드리면,
	여기서는 데이터의 수단으로 분산만 사용하는 기본 모델이 바로 독립 모델입니다. 그리고
	이는 본질적으로 다른 것과 공변하는 것이 없는 모델입니다. 해당 모델의 카이 제곱 통계는 실제로 꽤 큽니다. 부적합이 많기 때문입니다. 그렇죠. 거의 2000단위에 달합니다.
	자유도는 45도입니다. 왜냐하면 데이터에서 아주 적은 양을 추정하기 때문입니다. 다시 말하지만, 이 두 모델은 기본적으로 다음을 제공합니다.
	스펙트럼의 양쪽 끝이요. 오른쪽이죠. 한편으로는 정말 좋은 피팅 모델이고 다른 한편으로는 정말 좋지 않은 피팅 모델입니다. 따라서 우리는 해당 정보를 사용하여 우리 자신의 모델을 다른 모델과 비교할 수 있습니다.
	그래서 우리 모델을 보면. 카이 제곱 통계는 0이 아니지만 147단위에 불과하며 이는 2000보다 훨씬 적습니다.
	그리고 우리에게는 34개의 자유도가 있으므로 약간의 부적합이 있습니다. 그리고 카이 제곱에 대한 테스트를 보면 이는 중요한 카이 제곱 통계이므로 데이터에 통계적으로 유의미한 부적합이 있음을 나타냅니다.
	그러나 카이 제곱 통계는 표본 크기의 영향을 받으며 이 경우 관측치는 550개입니다. 그래서
	일반적으로 관측치가 300개 이상인 경우 카이 제곱 통계량뿐만 아니라 일부 특수 통계량도 찾아보는 것이 매우 중요합니다.
	모델의 적합성을 정량화할 수 있는 SEM 고유의 적합 지수, 이것이 바로 여기 오른쪽에 있는 값입니다.
	이 첫 번째 적합도 지수를 비교 적합도 지수라고 하며,
	인덱스 범위는 0에서 1까지이므로 제한되지 않은 모델에 1이 있는 것을 볼 수 있습니다. 이것이 가장 적합한 모델이고 독립 모델에는 0이 있습니다. 왜냐하면 최악의 피팅 모델이기 때문입니다. 알겠습니다. 우리 모델은 실제로 CFI가 .93, 즉 약 .94입니다.
	이는 독립 모델의 개선 비율을 나타냅니다. 그래서 그것을 말하는 또 다른 방법은
	우리 모델은 독립 모델보다 약 94% 더 적합하므로 실제로 꽤 좋습니다. 그리고 일반적으로 우리는 .9 이상의 CFI 값을 원합니다. 하나에 가까울수록 좋습니다.
	이제 근사의 제곱 평균 제곱 오차는 또 다른 적합 지수이지만 그 중 하나는
	범위는 0에서 1까지이지만 해당 인덱스에서 매우 낮은 값을 원합니다. 따라서 제한되지 않은 모델의 값은 0입니다.
	독립성 모델은 .27입니다. 우리는 일반적으로 허용 가능한 모델에 대해 .1 이하의 값을 원합니다. 그리고 우리의 수치는 .07, 약 .08인데 실제로 꽤 좋습니다.
	또한 이 특정 추정치에 대한 몇 가지 신뢰 구간이 있으며 해당 값도 .1 미만임을 알 수 있으므로 이는 좋은 피팅 모델입니다. 따라서 모델이 데이터에 잘 맞는다는 것을 알게 되면 계속해서 모델을 해석할 수 있습니다.
	이제 추정치의 기본값으로 표준화되지 않은 매개변수 추정치를 보여 드리겠습니다.
	하지만 요인 분석의 경우 표준화된 솔루션을 보는 것이 훨씬 더 유용하므로 캔버스를 마우스 오른쪽 버튼으로 클릭하고 표준화된 추정치를 표시하겠습니다.
	이제 여기에 있는 값은 상관 측정항목에 있으므로 해당 값이 가능한 한 1에 가까워지기를 원합니다.
	관찰된 변수와 잠재 변수의 상관관계를 나타내기 때문입니다. 그리고 현실적 위협과 상징적 위협 모두에 대한 값이 꽤 좋습니다.
	우리는 그 값이 약 .4보다 낮기를 원하지 않으므로 이 값은 좋습니다. 매우 독특하고 유용한 또 다른 점은 JMP Pro의 고유한 점입니다. 여기에 있는 변수는...
	예측 변수는 맞습니다. 그들을 가리키면 음영 처리되어 있습니다.
	여기 이 사각형 내부에는 약간의 회색이 있으므로 음영은 예측 변수에 의해 설명되는 분산의 양에 비례합니다.
	따라서 어떤 변수가 분산을 잘 설명하는지 시각적으로 매우 빠르게 확인할 수 있습니다. 이 경우에는 이 세 가지 변수처럼 보입니다.
	가장 어두운 회색으로 채워져 있으며, 이는 상징적 위협 잠재 변수가 관찰된 세 가지 변수의 분산을 꽤 잘 설명하고 있음을 시사합니다.
	또한 두 잠재 변수의 상관관계가 약 .4라는 것을 알 수 있는데 이는 흥미로운 결과입니다.
	빨간색 삼각형 메뉴에는 우리가 집중할 수 있는 모든 종류의 출력이 있습니다. 하지만 저는 특히 한 가지에만 집중하겠습니다.
	측정 모델 평가라는 옵션이 있습니다. 그리고 여기에서 우리 구성의 신뢰성과 타당성을 정량화할 수 있는 많은 통계를 찾을 수 있습니다.
	여기를 클릭하면 멋진 작은 대시보드가 나타납니다. 그리고 우리가 여기서 얻은 첫 번째 정보는 다음과 같습니다.
	지표 신뢰도는 해당 설문조사의 각 질문에 대한 신뢰도를 정량화하고 이에 대한 도표를 제공합니다.
	이 모든 가치를 보여줍니다. 그리고 우리가 갖고자 하는 것의 한계점을 나타내는 빨간색 선이 여기에 있습니다. 우리는 각 항목에 대해 최소한 그만큼의 신뢰성을 갖고 싶습니다. 지금,
	아시다시피, 이러한 유형의 임계값은 우리 자신의 비판적 사고로 해석되어야 합니다.
	예를 들어, 이 특정 항목은 임계값보다 낮지만 여전히 임계값에 꽤 가깝기 때문에 버리지 않을 것입니다. 우리는 여전히 그것을 고려할 수 있습니다
	상대적으로 신뢰할 수 있고 여전히 이 잠재 변수를 나타내는 좋은 지표입니다. 하지만 여기서도 임계값을 주의해서 해석하세요.
	그러나 이 플롯에서 분명한 것은 상징적 위협 잠재변수가 현실적인 위협보다 더 신뢰할 수 있는 지표를 가지고 있는 것으로 보인다는 것입니다. 둘 다 꽤 훌륭하지만 상징적인 것은 우리가 그것을 더 잘 측정하고 있다는 것입니다.
	오른쪽 값은 복합재의 신뢰도 계수입니다. 즉, 잠재변수의 신뢰도를 전체적으로 정량화하는데, 신뢰도에는 두 가지 유형이 있습니다.
	차이점을 자세히 설명하지는 않겠습니다. 하지만 이 값의 범위는 0부터 1까지이며 가능한 한 1에 가까워지기를 바랍니다. 그리고 우리는 또한 제공합니다
	아시다시피, 우리가 원하는 신뢰도의 원하는 정도, 최소값, 이 경우 현실적 위협과 상징적 위협 모두 좋은 신뢰도를 나타내는 일종의 임계값이 있는 일부 플롯이 있습니다.
	여기에 있는 다른 시각화는 구성 타당성 매트릭스와
	직접적으로 볼 수 없는 것을 측정하려고 할 때 그것이 실제로 있는지 알아내기가 매우 어렵다는 점을 명심하십시오.
	측정하려는 것입니다. 정말로 원하는 것을 측정하고 있나요? 그리고 이것이 바로 이 정보를 통해 우리가 결정할 수 있는 것입니다.
	여기의 시각화는 이 행렬의 상부 삼각을 묘사하고 있으며, 값이 무엇을 나타내는지 간단히 설명하겠습니다. 이 낮은 곳에...
	대각선 아래에는 잠재 변수 간의 상관 관계가 있습니다. 그것은 약 0.4입니다. 대각선 항목은 추출된 평균 분산량을 나타냅니다.
	...에서 잠재 변수가 지표에서 추출됩니다. 그래서 당신은 그 값이 가능한 한 높기를 원합니다.
	그리고 대각선 위에는 이 제곱 상관관계가 있습니다. 즉, 잠재 변수 간의 중복되는 분산의 양입니다.
	따라서 이 행렬을 해석하는 핵심은 대각선의 값이 더 높아지기를 원한다는 것입니다.
	위의 값과 대각선 오른쪽의 값보다 여기서 주목하세요. 시각화를 통해 실제로는
	위나 오른쪽보다 대각선의 값이 더 큽니다. 그리고 이는 구성 타당성의 좋은 증거입니다.
	따라서 여기에 있는 모든 내용은 현실적 위협과 상징적 위협이 모두 실제로는
	유효하고 신뢰할 수 있는 잠재 변수가 있으며 설문조사는 이 두 가지를 모두 잘 측정하는 것 같습니다.
	따라서 다음 단계는 여기에서 현실적인 위협을 나타내는 다섯 가지 질문을 모두 선택하여 이들 모두에 대한 평균을 만드는 것입니다.
	그리고 갑자기 현실적인 위협을 나타내는 하나의 측정값을 얻게 됩니다. 우리는 그렇게 할 수 있고 상징적 위협을 나타내는 다른 5개 변수에 대해서도 동일한 작업을 수행할 수 있습니다.
	설명을 위해 실제로는 이미 해당 변수를 만들었으므로 분석, 다변량 방법, 구조 방정식 모델로 이동하겠습니다. 그리고 난 그걸 찾아볼 거야
	평균변수. 여기서 현실적이고 상징적인 위협은 각 변수에 대한 열 전체의 평균입니다.
	그리고 저는 그것들을 모델로 삼을 것입니다. 우리는 불안에 대한 척도가 있고 부정적인 영향이나 부정적인 감정에 대한 척도도 있습니다.
	마지막으로 공중 보건 행동 준수에 대한 척도가 있으므로 이를 모델로 삼고 확인을 클릭하여 플랫폼을 시작하겠습니다.
	여기에 있는 다이어그램 버튼을 사용하면 사용자 정의 메뉴로 이동할 수 있고 다이어그램의 모든 측면을 변경할 수 있습니다. 이는 정말 정말 훌륭합니다. 지금은 너비를 늘리는 데만 집중하겠습니다.
	이들의 너비
	변수를 사용하여 노드 내부에 있는 내용을 읽을 수 있습니다. 그리고 제가 하려는 일은 현실적인 위협과 상징적인 위협 모두가 이러한 흥미로운 결과를 예측하는 모델이 되는 모델을 맞추는 것입니다. 일종의
	아시다시피 불안, 부정적인 영향 및 공중 보건 행동에 대한 지표이므로 이를 일방향 화살표로 연결하여 예측을 지정하겠습니다. 그래서 우리는 이러한 효과가 실제로 유의미한지 조사할 것입니다.
	이제 이 모델의 지정이 아직 완전히 완료되지 않았습니다. 왜냐하면 이 특정 모델에서는
	현실적 위협과 상징적 위협 사이에는 연관성이 없습니다. 그리고 이는 모델에서 이 두 가지가 그렇지 않다고 말하는 매우 강력한 제약이 될 것입니다.
	전혀 공변합니다. 따라서 우리는 항상 예측 변수 간의 공분산과 결과의 잔차 분산 간의 공분산을 포함하기를 원합니다.
	따라서 보낸 사람 목록에서 이를 직접 지정할 수 있습니다. 이 경우 이 메뉴에서 공분산 추가를 사용하고 현실적이고 상징적인 위협을 연결하겠습니다.
	또한 목록을 사용하여 이러한 결과의 잔차 사이에 공분산을 추가할 것입니다. 이제 우리는 완전히 정확하게 지정된 모델을 갖게 되었습니다. 이를 흔히 경로 분석이라고 부르기도 하지만...
	이는 기본적으로 회귀 모델의 동시 모음인 컬렉션이므로 이를 실행할 것입니다.
	그리고 모델 비교표에서 우리 모델에는 자유도가 없고 완벽한 카이 제곱이 있고 카이 제곱은 0이라는 것을 알 수 있습니다.
	그러나 본질적으로 자유도가 0이라는 것은 우리 모델을 테스트할 수 없다는 것을 의미합니다.
	왜냐하면 우리는 데이터에서 추출할 수 있는 모든 정보를 추출했기 때문입니다. 이것이 본질적으로 회귀 모델을 적합할 때 수행하는 작업입니다. 따라서 거기에는 문제가 없습니다. 하지만 이 카이제곱을 해석할 수 없다는 점만 알아두시고 '오 내 모델이 너무 잘 맞아요'라고 말씀하세요.
	모델에서 추출할 수 있는 모든 것을 추출했기 때문에 잘 맞습니다. 어쨌든 회귀 모델과 같습니다.
	좋습니다. 결과를 살펴보면 우리가 해석할 수 있는 매우 중요한 정보가 많이 있지만 저는 몇 가지 사항에 중점을 두겠습니다. 첫 번째,
	우리 다이어그램이 완전히 대화형이라는 점에 주목하세요. 정말 멋지네요. 그리고 저는 몇 가지 효과에 초점을 맞추기 위해 물건을 옮기고 있습니다. 회귀 모델의 결과에 집중할 수 있도록 이 모델의 분산과 공분산을 숨기겠습니다.
	경로 분석을 통해 그리고 여기서 주목하세요. 현실적이고 상징적인 위협은 둘 다 불안에 긍정적인 영향을 미칩니다.
	정말 흥미롭습니다. 여기서 화살표는 실선입니다. 여기 모수 추정치 표에서 볼 수 있는 효과가 통계적으로 유의하기 때문입니다. 그러니 그것들이 미미한 것이라면,
	실제로 화살표는 점선 화살표로 표시됩니다. 따라서 경로 다이어그램은 많은 정보를 전달합니다. 따라서 우리는 불안에 긍정적이고 유의미한 영향을 미칩니다.
	물론 그것도 흥미롭지만, 지금까지 우리가 한 것은 회귀 모델을 동시에 맞추는 것뿐입니다.
	그리고 실제로 데이터 테이블로 돌아가면 여기에 적합 모델의 스크립트가 있는데, 여기서 실제로 동일한 불안을 사용합니다.
	결과와 동일한 두 가지 예측 변수인 현실적 위협과 상징적 위협,
	저는 단순히 다중 회귀 모델을 추정합니다. 제가 이것을 보여드리고 싶은 이유는 여기서 매개변수 추정치가 SEM에서 얻은 값과 정확히 동일하기 때문입니다.
	사실 우리는 동시 회귀를 수행하고 있기 때문에 이는 놀라운 일이 아닙니다. 그럼 이 시점까지는 궁금하실 겁니다.
	SEM은 무엇을 제공합니까? 기술적으로 이러한 세 가지 결과를 사용하여 세 가지 개별 적합 모델을 실행할 수 있고 지금까지 얻은 것과 동일한 정보를 얻을 수 있기 때문입니다.
	그러나 누락된 데이터가 있는 경우에도 SEM을 사용하고 싶을 것입니다. 그러면 행을 삭제하는 대신 모든 데이터를 사용할 것이기 때문입니다.
	그러나 SEM을 사용하고 싶다면 꽤 흥미로운 추가 질문에 답할 수도 있습니다.
	이 경우 현실적인 위협이 불안에 미치는 영향이 통계적으로 더 큰지 궁금할 수 있습니다.
	상징적 위협이 불안에 미치는 영향보다 말이죠. 지금까지 우리는 둘 다 0과 크게 다르다는 것을 알고 있지만 서로 크게 다른가요?
	그리고 그것은 SEM 플랫폼을 사용하여 답할 수 있는 질문입니다. 모델 사양 패널로 돌아가서 두 가지 효과를 모두 선택할 수 있으며 여기 작업 버튼에는 동일 설정 버튼이 있습니다.
	여기에 있는 레이블은 두 효과가 모두 동일하게 설정될 것임을 의미합니다. 그들은 하나로 추정될 것입니다. 따라서 여기에서 이름을 동일 효과로 변경하고 이 모델을 실행하면 해당 특정에 대한 적합 통계를 얻을 수 있습니다.
	등식 제약 조건이 있는 모델입니다. 이제 우리는 1개의 자유도를 얻었으므로 갑자기 테스트 가능한 모델이 생겼습니다.
	그리고 모델 비교 테이블을 사용하여 서로 비교할 두 모델을 선택하고 선택한 모델 비교를 클릭하여 지울 수 있습니다.
	이제 카이 제곱 차이 테스트를 얻었으므로 모델을 통계적으로 비교하고 우리가 만든 부적합의 정도를 확인할 수 있습니다.
	모델에서 동등 제약 조건이 유도됩니다. 여기서 우리는 카이 제곱 측정법이 약 8.6 단위이고 그에 대한 p 값이 실제로 중요하다는 것을 알 수 있습니다. 그래서 이것은 다음을 암시합니다.
	등식 제약 조건을 설정하면 모델에 상당한 양의 부적합이 발생합니다. 그리고 우리는 카이제곱이 표본 크기의 영향을 받는다는 것을 알고 있기 때문에 그 차이도 있습니다.
	우리가 논의한 적합 지수와 CFI의 경우 일반적으로 이것이 0.01 이상 증가하는 것을 원하지 않습니다.
	기껏해야. 사실 .01 이상은 그다지 좋지 않습니다. 그리고 RMSEA의 경우 이 값이 .1보다 높기를 원하지 않습니다.
	따라서 여기에 있는 모든 증거는 동등 제약 조건을 설정하면 훨씬 더 나쁜 적합 모델로 이어진다는 것을 암시합니다.
	즉, 가장 적합한 모델로 돌아가면 이제 카이 제곱 차이 테스트를 기반으로 다음과 같이 말할 수 있습니다.
	현실적 위협이 불안에 미치는 영향은 상징적 위협이 불안에 미치는 영향보다 훨씬 높다는 것이다.
	이러한 유형의 질문은 이 모델의 다른 부분을 통해 해결할 수 있지만 SEM은 모델 내에서 다양한 효과의 동등성을 비교할 수 있도록 함으로써 많은 유연성을 제공합니다.
	좋습니다. 시간 관계상 이 내용을 마무리하겠습니다. 하지만 지금까지 보여드리고 싶은 것은 확증적 요인 모델을 본 것입니다. 우리도 봤어요
	다변량 회귀 분석을 수행하는 경로 분석이지만 실제로는 하나의 모델에서 두 가지 개념을 모두 사용할 수 있습니다. 그래서 저는 이미 데이터 테이블에 저장한 스크립트를 가지고 있습니다. 이 모델에서 제가 하고 있는 일이 실제로는
	잠재 변수 추정. 저는 설문조사와 설문지의 원래 항목을 사용하여 상징적 위협과 현실적인 위협 모두에 대한 잠재 변수를 모델링하고 있습니다.
	따라서 이렇게 하면 열 전체에 걸쳐 평균을 생성하는 대신
	실제로 잠재 변수를 모델링할 예정이며 이를 통해 회귀 효과를 얻을 수 있습니다. 잠재 변수 사이의 이러한 모든 효과는 측정 오류로 인해 편향되지 않고 약화되지 않을 것입니다.
	상징적이고 현실적인 위협에 대한 보다 타당하고 보다 순수한 척도입니다. 여기에서 우리가 추정하고 있는 것은 순차 관계를 볼 수 있으며 여기 제 모델은 훨씬 더 복잡합니다.
	모델의 세부 사항을 다루지는 않겠지만, 잠재 변수를 모델링하고 잠재 변수 간의 관계를 살펴보면 실제로 최상의 결과를 얻을 수 있다는 점만 알아두세요.
	잠재 변수 간의 연관성이 더 나은 추정이 될 것이기 때문에 SEM의 기능...
	모델을 위해. 저는 실제로 이 모델을 추정했습니다. 결과는 여기에서 볼 수 있습니다. 여기에 주목하세요. 몇 가지 가장자리가 있습니다.
	점선으로 표시된 화살표가 있는데, 이는 해당 효과가 중요하지 않음을 나타냅니다. 또한 음영 시각화가 얼마나 강력한지 알 수 있습니다. 우리는 설명할 수 있습니다
	공중 보건 행동을 준수하는 데 어느 정도의 차이가 있습니다. 그리고 우리는 여기의 다른 어떤 결과보다 긍정적인 영향에 대한 차이를 더 잘 설명하고 있는 것 같습니다. 그리고 또 그렇죠
	기본적으로 잠재 변수를 지정할 수 있을 뿐만 아니라 플랫폼을 사용하여 직접 모델링할 수도 있다는 점에서 두 가지 장점을 모두 누릴 수 있습니다.
	그럼 여기서 데모를 중단하고 JMP 커뮤니티 웹사이트에 다음과 같은 보충 자료가 있다는 사실을 알려드리겠습니다.
	James Koepfler가 만들었습니다. 우리 모델을 해석하는 방법, 모델 비교표를 활용하는 방법,
	기본적으로 이 프레젠테이션 중에 기록하고 싶었던 모든 메모는 보충 자료에서 얻을 수 있습니다. 그래서 저는 질문을 던질 준비가 되었습니다.

브레이크아웃데이터 탐색예측 모델링답변: 구조 방정식 모델링의 ABC(2021-EU-45MP-752)

감사합니다 @eharoon ! 나는 이 페이지를 다시 방문했고 귀하의 의견에 대해 감사하지 않았다는 것을 깨달았습니다. 프리젠테이션이 명확하다는 점을 알게 되어 기쁘고 귀하의 의견에 감사드립니다. 실제로 SEM 사용자를 위한 고급 세션이 더욱 많아지기를 기대합니다. 이제 다음에서 더 고급 주제(SEM의 종단적 데이터 모델링)를 사용할 수 있습니다. https://community.jmp.com/t5/Discovery-Summit-Americas-2021/Modeling-Trajectories-over-Time-with-Structural-Equation-Models/tac-p/426558#M111 또한 기능 개선을 위해 지속적으로 노력하고 있으며 베이지안 추정에 대한 귀하의 제안을 참고했습니다.

 

다시 한 번 감사드립니다!

~로라

답변: 구조 방정식 모델링의 ABC(2021-EU-45MP-752)

엄지손가락을 치켜세우세요! 뛰어난 프레젠테이션, 탁월한 강의력!

 

이는 새로운 사용자가 SEM을 어느 정도 이해하는 데 도움이 됩니다. 세 가지 의견이 있습니다.

 

1. 이미 다른 고급 플랫폼(Lisrel, Mplus, Lavan) 등에서 SEM을 사용하고 있는 사용자에게는 중급 고급 세션을 갖는 것이 도움이 될 수 있습니다.

 

2. 뛰어난 데이터 처리/분석/그래프 작성 능력이 결합되어 JMP는 이 분야에서 강력한 경쟁자가 될 수 있습니다.

 

3. 그러나 베이지안 접근법을 SEM 모델링에 결합하려는 움직임이 있습니다. 아마도 미래의 발전을 고려해 볼 가치가 있을 것입니다.