揚聲器
|
成績單
|
| 勞拉·卡斯特羅-斯基洛 |
大家好，我是 Laura Castro-Schilo，歡迎參加本次會議，我們將學習結構方程式模型的基礎知識。 |
| |
我們今天的目標是確保您擁有使用 JMP Pro 16 中的結構方程模型平台來指定和解釋模型所需的工具。 |
| |
為此，我們首先簡要介紹 SEM，告訴您它是什麼，特別是利用它與因子分析和迴歸分析的連結。 |
| |
在此過程中，我們將了解路徑圖如何成為 SEM 的重要工具。 |
| |
我們將盡量使介紹保持相當簡短，這樣我們就可以真正專注於一些示例。 |
| |
因此，在這些範例之前，我將介紹我們將用於該演示的數據，這些數據與對 COVID 19 威脅的看法有關。 |
| |
因此，透過查看這些數據，我們將開始了解如何指定和解釋我們的模型，並且我們將透過回答特定問題來做到這一點。 |
| |
這些問題將引導我們討論 SEM 中非常流行的模型，一個是驗證性因素分析，另一個是多元迴歸分析。 |
| |
最後，我們將向您展示一個將這兩種分析結合在一起的模型，這樣您就可以真正看到 SEM 如何成為一個非常靈活的框架，您可以在其中適應您自己的模型。 |
| |
好的，SEM 是一個將因子分析和迴歸分析結合在一起的框架，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，也稱為潛在變數。 |
| |
從迴歸的角度來看，我們能夠檢查變數之間的關係，無論這些變數是觀察到的還是未觀察到的，因此當你將這兩者結合在一起時，你會得到SEM，你可以想像，它是一個非常靈活的框架，其中各種不同的模型可以適合。 |
| |
路徑圖在 SEM 中確實是有用的工具，原因是方程組可能相當複雜 |
| |
實際上可以透過這些圖表來表示。 因此，只要我們知道如何繪製圖表以及如何解釋它們， |
| |
然後我們就可以利用它們來發揮我們的優勢。 所以這裡我們有矩形，這些矩形專門用來表示觀察到的變數。 |
| |
圓圈用於表示潛在變量，雙頭箭頭用於表示方差和協方差，單頭箭頭用於回歸或加載效應。 |
| |
還有另一個符號經常在路徑圖中使用，它有點超出了我們今天要討論的範圍。 |
| |
但如果你遇到它，我只是想確保你知道它在那裡，而且那是一個三角形。 三角形用於表示平均值和截距，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，但我們今天沒有時間討論這些。 |
| |
現在，當談到路徑圖時，我認為思考建構塊是什麼是有用的 |
| |
SEM 模型，以便我們可以使用它們來建立複雜的模型。 其中之一是簡單的線性迴歸。 所以在這裡，你看，我們有 |
| |
線性迴歸，其中 Y 在 X 上回歸。 請注意，X 和 Y 都在這些矩形、這些框中，因為它們是觀察到的變數。 |
| |
我們使用單向箭頭來表示迴歸效應，並使用在同一變數上開始和結束的雙向箭頭 |
| |
在這種情況下，表示 X 的方差，在 Y 的情況下，表示 Y 的殘差方差。 如果雙頭箭頭從一個變數開始並在另一個變數開始...並結束，那麼這將是協方差。 |
| |
現在，在 SEM 中，任何變數都可以既是結果又是預測變數。 因此，在這種情況下，如果我們有第三個變數 Z，其中 Y 預測 Z，則 Y 也可以扮演預測變數的角色。 |
| |
因此，我們可以根據您的資料建立順序效應，即這種類型的順序迴歸，只要您需要，就可以建立任意數量的順序迴歸。 |
| |
另一個建構模組是驗證性因素模型，所以這基本上是 |
| |
我們在 SEM 中指定潛在變數的方式。 這個特定的例子是一個非常簡單的單因子，一個潛在變量 |
| |
驗證性因素模型，其中圓圈代表未觀察到的潛在變數。 |
| |
請注意，潛在變數有一個單向箭頭，指向我們觀察到的變量，在本例中為 W、X 和 Y。 |
| |
這個變數之所以指向這些方塊，是因為在因子分析中，潛在變數導致了我們在 W、X 和 Y 中觀察到的共同變異性。 |
| |
理解這一點非常重要，因為當我們考慮主成分時，它經常會感到困惑 |
| |
成分分析視角。 因此，我認為這是一個很好的機會，可以從因子分析的角度來區分潛在變數和從主成分分析的角度來區分成分，所以我將稍微切題一下來解釋這些差異。 |
| |
在此圖像中，方塊代表我們測量的變量，即觀察到的變量。 請注意，我使用了這些不同數量的 |
| |
這些變數上的藍色陰影表示變異數的比例，該變異數是由於我們想要測量的內容、訊號的種類、我們想要用儀器測量的東西而造成的。 |
| |
灰色陰影區域是由任何其他變異數來源所造成的變異數比例。 它可以包括測量誤差，但也可以包括系統方差，即 |
| |
這些測量儀器都是獨一無二的。 |
| |
因此，在因子分析的情況下，潛在變數捕捉了觀察到的變數的所有常見變異性，這就是為什麼我們使用這種純藍色來表示潛在變數。 |
| |
這與主成分分析中發生的情況形成鮮明對比，主成分分析的目標是降維。 所以在 PCA 中，該分量將解釋最大方差量 |
| |
從我們資料的維度來看。 因此，這意味著該主成分通常是由於什麼原因而導致的變異數的組合 |
| |
我們想要測量的內容，以及其他一些變異數來源。 好吧，該圖再次說明了因果假設，即潛在變數是 |
| |
假設會導致觀察變數中指標的變異性，這就是為什麼那些單向箭頭指向觀察變量，而 PCA 中的情況並非如此。 |
| |
好吧，所以我認為當我們談論 SEM 中的潛在變數時，這是一個有用的區別， |
| |
很多時候，我們談論的是因素分析角度的潛在變數。 |
| |
好的，所以在這裡我選擇向您展示屬於已估計模型的路徑圖。 所以我們這裡有所有的值 |
| |
在這些箭頭上，因為這些都是模型的估計，我認為該圖很好地說明了為什麼人們可以使用 SEM。 |
| |
首先，我們看到有未觀察到的變數。 在這裡，衝突是一個抽象的構造，我們不一定能直接觀察到，因此我們透過利用我們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，分別代表 |
| |
你知道，那個未被觀察到的衝突變數。 我們也能夠解釋測量誤差，即 SEM 中定義潛在變數的方式 |
| |
向我們保證，我們實際上正在考慮測量誤差，因為這些潛在變數只會捕捉所有這些觀察到的變數的共同變異數。 |
| |
另請注意，我們能夠檢查 SEM 中的順序關係。 所以我們有這個未觀察到的衝突變量，但我們也能夠看到， |
| |
你知道，這個支持變數如何影響工作，然後，這個工作變數又如何影響潛在變數？ |
| |
最終，衝突這個不可觀察的變數如何預測各種其他結果。 因此，這些順序關係非常有用，並且在 SEM 中很容易估計。 |
| |
使用SEM 的另一個充分理由是，在JMP Pro 中，我們的平台使用尖端技術來處理缺失數據，因此，即使您有一個簡單的線性回歸並且這確實是您所需要的，但如果您有缺失數據， |
| |
SEM 確保現有的所有內容都用於估計，因此這也非常有幫助。 |
| |
如果這... |
| |
如果到目前為止我所說的激起了您的興趣並且您計劃了解有關 SEM 的更多信息，那麼毫無疑問，您會發現很多術語 |
| |
這是該領域獨有的。 因此，就像其他事情一樣，我們需要熟悉一些術語。 |
| |
因此，此圖對於介紹一些術語也很有用。 首先，我們一直在討論觀察變數或測量變數。 |
| |
在 SEM 中，這些通常稱為明顯變數。 我們有潛在變量，我們已經討論過。 |
| |
但我們也有外生變數的想法，這些變數只能預測其他變數。 |
| |
在我們的模型中，我們只有其中兩個，它們與內生變數形成對比。 因此，這裡的每個其他變數都是內生變量，因為它們有其他變數預測它們。 |
| |
好吧，這些都是內生變數。 我們還有潛在變數指標，因此這些是由潛在變數引起的變數。 |
| |
未被潛在變數解釋的殘差變異數稱為唯一性，它們通常也稱為唯一因子變異數。 因此請記住，除了測量誤差之外，這是該變數特有的系統變異數的組合。 |
| |
我發現當人們學習 SEM 時轉移關注點很有用 |
| |
模型真正在做什麼。 換句話說，透過意識到我們正在對協方差結構進行多元分析 |
| |
（也意味著，但請記住，我們今天討論的不是意味著），而是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理解 SEM。 |
| |
因為它對我們認為的數據有影響，對嗎？ 因此，例如，您知道，我們可以擁有資料表，其中每一行代表不同的觀察結果，每一列都是不同的變數。 |
| |
我們絕對可以使用這些數據在 JMP 中啟動 SEM 平台。 |
| |
但在後台，也就是在幕後，平台正在做的是查看這些變數的協方差矩陣，也就是實際上正在分析的資料。 |
| |
因此這對殘差也有影響。 通常，當我們考慮 SEM 中的殘差時，這些殘差是與我們正在分析的協方差矩陣相關的。 |
| |
對於自由度也是如此，而自由度將與該協方差矩陣相關。 |
| |
是的，所以我想確保讓您稍微了解一下 SEM 在估算方面的工作原理。 |
| |
因此，我們開始的方式是指定一個模型，值得慶幸的是，在 JMP Pro 中，我們擁有非常友善的使用者介面 |
| |
我們可以直接用路徑圖指定我們的模型，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，這些圖暗示了資料的協方差結構，然後在估計過程中，我們所做的就是根據隱含的模型，嘗試獲得與樣本協方差矩陣盡可能匹配的模型估計 |
| |
基本上，限制。 一旦我們有了這些估計，我們就可以將它們插入模型隱含協方差矩陣中，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，對吧。 因此，如果我們有很大的殘差，透過查看這兩個協方差矩陣之間的差異，我們就知道我們在擬合模型方面做得不夠好。 |
| |
好吧，簡而言之，這就是 SEM 的工作原理，我現在想在簡報的下一部分中介紹我們將用於演示的數據。 我確實認為 |
| |
透過掌握一些真實的數據、真實的例子，學習新概念會更容易。 |
| |
因此，我們要使用的數據實際上來自最近發表在《社會、心理和人格科學》雜誌上的一篇文章，該文章發表於 2020 年夏天。 |
| |
作者想回答一個很簡單的問題。 他們說，你知道，感知到的 COVID 19 威脅如何影響福祉和公共衛生行為？ 所以 |
| |
這是一個簡單的問題，但人們所感知到的 COVID 19 威脅是一個全新的概念，對吧。 這是一個非常抽象的想法。 |
| |
您知道，人們認為新冠病毒 (COVID-19) 的威脅是什麼，您如何衡量它，對嗎？ 因此，因為這是以前從未測量過的東西，所以作者必須進行非常仔細的研究 |
| |
研究他們在哪裡開展了一項調查來衡量這些威脅。 和 |
| |
開展調查並不容易，對吧。 我們需要確保我們的調查問題是可靠的、有效的。 |
| |
所以他們必須經歷這個過程，我們很快就會看到他們是如何做到的。 |
| |
現在，在他們的研究中，他們發現有兩種類型的威脅可以衡量，一種被他們稱為現實威脅，那就是 |
| |
威脅我們的財務和人身安全的事。 |
| |
另一種威脅是……他們稱之為象徵性的。 所以這些都是威脅我們社會、文化認同的事情，對吧。 同樣重要的是，這個樣本是針對美國人口的。 他們採樣了 |
| |
超過 1,000 人，因此他們的問題僅與美國人口有關。 |
| |
我們在這裡看到的，這實際上是綜合的 COVID 19 威脅量表，所以這是他們在經過三個不同的研究後開發的問卷。 所以他們發現這兩個威脅 |
| |
可以用少數項目來衡量。 他們要求參與者回答冠狀病毒的爆發對你的個人健康、整個美國人口的健康有多大威脅（如果有）， |
| |
您的個人財務安全等等。 對於象徵性威脅，問題是，你知道， |
| |
該病毒對身為一個美國人的意義、美國的價值觀和傳統、以及美國全體人民的權利和自由等構成了多大的威脅。 因此您可以看到這些威脅所代表的差異。 |
| |
因此，我們可以存取這些數據，並將使用這些數據來回答非常具體的問題。 首先，我們如何衡量這些對 COVID 19 威脅的看法，我們將重點放在他們發現的兩個威脅。 |
| |
因此，這將引導我們討論驗證性因素分析和評估測量模型，以確保我們能夠弄清楚調查中的問題實際上是否可靠且有效。 |
| |
請注意，我們將跳過這個非常重要的第一步，即探索性因素分析，這是人們之前會做的事情 |
| |
使用SEM，對。 您將執行探索性因子分析，然後使用 SEM 來確認先前結果的結構。 本文的作者確實做到了這一點，但我們將重點放在使用 SEM 所遵循的步驟。 |
| |
第二個問題是，對 COVID 19 威脅的看法是否可以預測健康指標和公共衛生行為。 這個問題將引導我們討論 SEM 中的多元迴歸和路徑分析。 |
| |
最後一個問題是每個威脅對結果的影響是否相同。 這實際上讓我們能夠展示 SEM 的一個非常酷的功能，其中包括在我們的模型中設置等式約束並進行系統的模型比較來回答這些類型的問題。 |
| |
好吧，現在是演示時間了，我已經…讓我們看看… |
| |
哎呀，我該如何離開這裡？ |
| |
現在還不是提問的時間。 |
| |
我只是想退出螢幕，但似乎做不到。 |
| |
好吧，我們開始了，所以我們... |
| |
我已經在此處開啟了 JMP 的資料表。 這個...這些數據，你可以看到有 238 列，那是因為作者問 |
| |
本案例中 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。 |
| |
前 10 個問題，即我在數據中的前 10 列，與我們在威脅量表中看到的 10 個問題相對應。 |
| |
因此，這些將是我們首先用來進行驗證性因素分析的那些。 因此，我們將點擊“分析”，我們將使用多元方法、結構方程模型。 |
| |
我們將使用這 10 個變數並點擊模型變量，然後按一下「確定」啟動平台。 |
| |
請注意，在右側我們立即看到有一個路徑圖。 |
| |
您知道，該圖已經包含了我們之前討論的所有功能，因此每個變數都位於矩形中，表明它們是觀察到的變數。 |
| |
每個變數都有這些從自身開始和結束的雙頭箭頭，因此它們代表每個變數的變異數。 |
| |
現在，如果我右鍵單擊畫布，則會出現一個顯示選單，並注意預設隱藏平均值和截距。 |
| |
我點擊這個只是為了告訴你我們確實有 |
| |
意味著根據所有這些變數預設估計。 所以我們不會談論這些，所以我們會把它們隱藏起來，但我確實認為知道這一點很重要 |
| |
當我們啟動平台時，我們開始使用的預設模型是所有變數都有變異數和平均值估計值的模型。 |
| |
現在，關於這個 |
| |
選項卡，我們有一個清單選項卡，如果我們點擊它，我們會看到我們有 |
| |
與圖表中的資訊完全相同，但採用列表形式。 因此，所有不同類型的參數都根據參數的類型進行劃分，因此我們在這裡擁有所有方差，在那裡擁有所有平均值。 |
| |
是的，我們有一個狀態選項卡，這基本上告訴我們我們現在指定的具體模型。 它為我們提供了有關該模型的大量有用資訊。 |
| |
我們有關於數據、樣本大小、自由度的詳細信息，我們也有這些識別規則。 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... |
| |
右邊有個小描述。 |
| |
但真正有幫助的是，狀態選項卡的圖示會不斷變化，這取決於我們所做的更改以及我們所擁有模型的規格。 通常，如果我們有 SEM 的高級應用，這 |
| |
圖示可能是黃色的，當我們遇到嚴重錯誤，一些重要錯誤時，該圖示將是帶有 X 的橙色，基本上表示有錯誤。 因此，在我們指定模型時識別錯誤可能非常有用。 |
| |
現在在用戶介面的左側，我們看到我們可以 |
| |
指定我們模型的名稱，所以這非常有幫助，可以追蹤我們的工作流程。 我們還有「寄件者」和「收件者」清單。 |
| |
因此，這些列表提供了一種非常有用的方式來連結變量，可以使用單向箭頭或雙向箭頭。 |
| |
例如，在這裡，如果我想連結這些，我可以單擊該按鈕，很快我就繪製了一個路徑圖，對吧。 所以這是指定模型的一個非常有效的方法。 |
| |
因此，我將在此處單擊重置，只是為了返回到啟動平台時的模型，但要知道“從”和“到”列表基本上是我們繪製圖表的方式。 |
| |
好的，在這種情況下，我們列出了所有觀察到的變量，但我知道我們想使用這些變量來指定潛在變量。 |
| |
現在，這裡的前五個變數是與現實威脅調查中的項目相對應的變數。 所以我將透過向下添加一個潛在變數到模型中 |
| |
到這裡的這個框，其中寫著 Latent1，我將把名稱更改為 Realistic，因為我想要 |
| |
這五個變數是現實威脅潛在變數的指標。 因此，透過點擊此按鈕， |
| |
我立即指定了該潛在變數。 請注意，這個現實威脅潛在變數的第一次載入有一個 1... |
| |
在這個箭頭中，這基本上代表了參數固定為值 1 的事實。 |
| |
我們這樣做是因為我們需要設定潛在變數的規模。 如果沒有這個約束，我們將無法辨識模型，因此 |
| |
預設情況下，我們將在第一次載入潛在變數時放置該約束，但我們也可以實現 |
| |
如果我們將潛在變數的變異數固定為 1，也會達到同樣的目的。 所以我們做哪一個實際上是一個選擇的問題，但作為默認，平台會將第一次加載固定為1。 好的，我們有一個現實的威脅潛在變數和其他五個 |
| |
這裡的變數是對應於象徵性威脅問題的變數。 所以我將選擇它們並單擊此處。 我將輸入“符號”，然後點擊加號按鈕以新增該符號威脅。 |
| |
好的，我們快完成了，但請注意，這裡的模型意味著現實威脅和象徵性威脅彼此完全不相關，這是一個非常強烈的假設。 所以我們不想這樣做。 |
| |
在大多數情況下，大多數驗證性因子模型允許潛在變數相互協變，因此我將在此處選擇它們，並且我可以單擊此雙頭箭頭來連結這兩個節點。 |
| |
但我也可以直接從路徑圖來做。 因此，如果我右鍵單擊潛在變量，我可以單擊“添加協方差”並 |
| |
就在那裡，我可以添加協方差。 所以這是一個非常酷的方式。 你可以用列表來做，也可以直接在圖上做， |
| |
無論你的選擇是什麼。 我們的模型已準備好進行估計，因此我將名稱更改為 2-Factor CFA，我們可以繼續運行它。 |
| |
您可以看到，我們很快就獲得了估計值，並將它們全部映射到圖表上，這非常酷。 但在我們解釋這些結果之前，我想確保我們專注於這個模型比較表。 |
| |
原因是該表為我們提供了大量有關模型擬合的信息，我們希望在解釋結果之前確保模型擬合良好。 所以 |
| |
這裡首先要注意的是，我們在這個表中...有三個模型，但我們只適合其中一個。 |
| |
因此，我們擁有三個模型的原因是因為前兩個模型（無限制模型和獨立模型）在啟動平台時預設不適合。 |
| |
因此，我們有意擬合這些模型，以便為什麼是真正好的擬合模型和什麼是真正糟糕的擬合模型提供基線，因此我們將它們用作比較框架 |
| |
與我們自己指定的模型。 讓我說得更具體一點。 例如，無限制模型將是一個模型（我將用路徑圖向您展示）， |
| |
無限制模型是允許每個變數彼此共變的模型，好吧。 所以請注意 |
| |
作為失配度量的卡方統計量恰好為零，原因是該模型完美地擬合了資料。 請記住，這裡的資料實際上是資料權的協方差矩陣，因此我們的自由度為零，因為我們已經指定了... |
| |
自由度為零，因為我們正在估計資料中所有可能的變異數和協方差。 |
| |
所以這是最好的情況，對吧。 我們沒有失配，但我們也在根據數據估計每一種可能的估計。 |
| |
光譜的另一端是一個非常不適合的模型，這就是獨立模型。 所以如果我向你展示路徑圖 |
| |
在我們的預設模型中，我們僅將變異數作為資料的手段，這正是獨立性模型。 和 |
| |
這本質上是一個沒有任何東西與其他東西共變的模型，你可以看到該模型的卡方統計量實際上相當大，因為有很多不適應，對吧，所以它幾乎是2000 個單位，但我們確實有 |
| |
45 個自由度，因為我們從數據估計的東西很少。 再說一次，這兩個模型基本上提供 |
| |
頻譜的兩端，右。 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，所以我們將能夠使用這些資訊來將我們自己的模型與那些模型進行比較。 |
| |
所以，如果我們看看我們的模型。 請注意，卡方統計量不為零，但只有 147 個單位，比 2000 小得多。 |
| |
而且我們有 34 個自由度，所以我們確實有一些不適應。 當我們查看該卡方的檢定時，它是一個顯著的卡方統計數據，因此這表明我們在數據中存在統計上顯著的不適合。 |
| |
然而，卡方統計量受樣本大小的影響，在本例中我們有 550 個觀測值。 所以 |
| |
通常，當您有 300 個或更多觀察值時，不僅要查找卡方統計量，還要找到一些特殊的值，這一點非常重要 |
| |
SEM 獨有的適配指數使我們能夠量化模型的適合度，這就是此處右側的值。 |
| |
這個第一個適配指數稱為比較適配指數， |
| |
索引範圍從零到一，因此您可以看到無限模型有一個 1。 這是最好的擬合模型，獨立模型為零，因為最糟糕的擬合模型，好吧，我們的模型實際上有 0.93 的 CFI，大約 0.94。 |
| |
這代表了獨立模型的改進比例。 所以另一種說法是 |
| |
我們的模型比獨立模型的適合度好約 94%，所以這實際上相當不錯。 通常我們希望 CFI 值為 0.9 或更高。 越接近一越好。 |
| |
現在近似均方根誤差是另一個擬合指標，但那個， |
| |
儘管它的範圍也從零到一，但我們希望該索引的值非常非常低。 因此請注意，無限制模型的值為零 |
| |
獨立模型為 0.27。 對於可接受的模型，我們通常希望此處的值為 0.1 或更低。 我們的有 0.07，大約 0.08，這實際上相當不錯。 |
| |
對於這個特定的估計，我們還有一些置信區間，您可以看到這些值也低於 0.1，所以這是一個很好的擬合模型，對吧。 因此，一旦我們知道該模型...非常適合我們的數據，那麼我們就可以繼續解釋它。 |
| |
現在，作為我們估計的預設值，我們將向您顯示非標準化參數估計值。 |
| |
但對於因子分析，查看標準化解決方案更有用，因此我將右鍵單擊畫布，然後顯示標準化估計值。 |
| |
因此，現在這裡的值採用相關度量，因此我們希望這些值盡可能接近 1， |
| |
因為它們代表了觀察變數與潛在變數的相關性。 請注意，無論是對於現實威脅還是像徵性威脅，這些值都相當不錯。 |
| |
我們不希望它們低於 0.4 左右，因此這些值很好。 另一件非常獨特且非常有用的事情，它是 JMP Pro 所獨有的，是這裡的變數...任何內生變數 |
| |
預測者，對，指向他們，它是陰影的。 |
| |
請注意，這些方塊內部有一點灰色，因此陰影與預測變數解釋的變異量成正比。 |
| |
因此，它使我們能夠非常快速地直觀地看到哪些變數在解釋其變異數方面做得非常好。 在這種情況下，這三個變數似乎 |
| |
充滿了深灰色，這表明象徵性威脅潛在變數在解釋這三個觀察到的變數的變異數方面做得相當好。 |
| |
我們還發現這兩個潛在變數的相關性約為 0.4，這是一個有趣的發現。 |
| |
我們可以在紅色小三角選單中關注各種輸出，但我將特別關注其中一個 |
| |
稱為評估測量模型的選項。 這就是我們將找到大量統計數據的地方，我們可以量化我們的構造的可靠性和有效性。 |
| |
因此，如果我們點擊那裡，我們就會看到這個漂亮的小儀表板。 我們在這裡得到的第一個訊息是 |
| |
指標可靠性，因此這量化了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觀。 請注意，我們這裡有一條紅線，代表我們希望擁有的閾值，對吧。 我們希望我們的每件產品至少都具有相同的可靠性。 現在， |
| |
你知道，這些類型的閾值需要用我們自己的批判性思維來解釋，因為顯然， |
| |
例如，您知道，這個特定項目低於閾值，但它仍然非常接近閾值，因此我們不會將其丟棄。 我們還是可以考慮的 |
| |
相對可靠，並且它仍然是這個潛在變數的一個很好的指標。 但再次強調，請謹慎解釋此處的閾值。 |
| |
但從該圖中可以明顯看出的一件事是，象徵性威脅潛在變數似乎比現實威脅具有更可靠的指標。 不過，它們都相當不錯，但像徵性的，你知道，我們在衡量這一點方面做得更好。 |
| |
右側的數值是複合材料的可靠性係數。 換句話說，它們量化了整個潛在變數的可靠性，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，但請注意這些值的範圍從零到一，我們希望它們盡可能接近一。 並且我們也提供 |
| |
你知道，一些圖的閾值顯示我們想要的可靠性量是多少，最小的，在這種情況下，現實和象徵性的威脅都具有良好的可靠性。 |
| |
我們這裡的另一個視覺化是建構有效性矩陣 |
| |
請記住，當您嘗試測量無法直接看到的東西時，很難弄清楚它是否真的存在 |
| |
是你想要它測量的。 你真的在衡量你想要的嗎？ 這就是這些資訊讓我們能夠確定的。 |
| |
這裡的視覺化描繪了這個矩陣的上三角，讓我簡單解釋一下這些數值代表什麼。 在這個較低... |
| |
對角線下方，我們有潛在變數之間的相關性。 大約是0.4。 對角線條目表示提取的平均方差量 |
| |
來自…潛在變數從其指標中提取。 因此您希望這些值盡可能高。 |
| |
在對角線上方我們有平方相關性。 換句話說，它是潛在變數之間重疊變異數的量。 |
| |
因此解釋這個矩陣的關鍵是我們希望對角線中的值更高 |
| |
比對角線上方和右側的值要多，請注意，可視化使我們很容易看到，事實上， |
| |
對角線中的值比上方或右側的值更大。 這是結構有效性的良好證據。 |
| |
因此，這裡的一切都表明，現實和象徵性的威脅實際上都是， |
| |
潛在變數是有效的、可靠的，調查似乎很好地衡量了這兩個變數。 |
| |
因此，下一步可能是，我們可以選擇抓住代表現實威脅的所有這五個問題，並且我們可以對所有這些問題創建一個平均值。 |
| |
突然之間，我們就會有了一個代表現實威脅的衡量標準。 我們可以這樣做，我們也可以對代表象徵性威脅的其他五個變數做同樣的事情。 |
| |
所以我們只是為了說明，我實際上已經創建了這些變量，所以讓我們來分析，多元方法，結構方程模型。 我要去尋找那些 |
| |
平均變數。 因此，這裡的現實威脅和象徵性威脅是每個變數的各列的平均值。 |
| |
我將對這些進行建模，除了......我們有一個衡量焦慮的措施，我們還有一個衡量負面影響或消極負面情緒的措施。 |
| |
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，然後按一下「確定」啟動該平台。 |
| |
這裡的圖表按鈕，我們可以進入自訂選單，我們可以更改圖表的各個方面，這真的非常棒。 現在，我只想專注於增加...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。 我要做的是擬合一個模型，其中現實和象徵性威脅都將成為這些有趣結果的預測因素，對吧。 有某種 |
| |
您知道，焦慮、負面影響以及公共衛生行為的標記，因此我們將用單向箭頭將它們連結起來以指定預測。 因此，我們將調查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，因為在這個特定模型中， |
| |
現實威脅和象徵性威脅之間沒有聯繫，模型中的一個非常強大的限制是說這兩件事不是 |
| |
完全共變。 因此，我們始終希望確保包含預測變數之間以及結果的殘差變異數之間的協方差。 |
| |
因此，我們可以直接從「來自」清單中指定這些威脅，在本例中，我將使用此選單中的新增協方差，並且我將連結現實威脅和象徵性威脅。 |
| |
我還將使用列表來添加這些結果的殘差之間的協方差。 現在我們有了一個完整的正確指定的模型，這通常稱為路徑分析，但它也是... |
| |
它基本上是一個集合，回歸模型的同時集合，所以我們將運行它。 |
| |
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，並且卡方為零。 |
| |
但本質上，自由度為零，這意味著我們的模型不可測試， |
| |
因為我們已經提取了可以從數據中提取的所有資訊。 這本質上就是我們在擬合迴歸模型時所做的事情。 所以這沒有問題，但要知道你不能解釋這個卡方並說，哦，我的模型非常適合。 |
| |
它非常適合，因為您已經提取了可以從模型中提取的所有內容。 無論如何，它就像一個回歸模型。 |
| |
好吧，如果我們去看結果，你知道，我們可以解釋各種非常重要的訊息，但我將重點放在幾件事上。 第一的， |
| |
請注意，我們的圖表是完全互動的，這真的非常酷。 我只是移動一些東西來關註一些效果。 我將隱藏該模型中的變異數和協方差，以便我們可以真正專注於迴歸模型的結果， |
| |
從路徑分析。 請注意，現實和象徵性的威脅都對焦慮有正面的影響。 |
| |
這真的很有趣，這裡的箭頭是實心的，因為你可以在參數估計表中看到，效果在統計上是顯著的。 所以如果它們微不足道的話 |
| |
實際上，箭頭會顯示為虛線箭頭。 所以路徑圖傳達了很多訊息。 所以我們對焦慮有正面的顯著影響 |
| |
當然，這很有趣，但到目前為止，我們所做的一切都是以同時的方式擬合迴歸模型。 |
| |
事實上，如果我們回到數據表，我這裡有一個來自擬合模型的腳本，我實際上在其中使用了相同的焦慮 |
| |
結果和相同的兩個預測因素，現實的和象徵性的威脅， |
| |
我簡單地估計了一個多元迴歸模型。 我想向您展示這一點的原因是，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。 所以到目前為止，您可能想知道 |
| |
SEM 能為您帶來什麼，對吧，因為從技術上講，您可以運行三個獨立的擬合模型來獲得這三種結果，並且您可以獲得與我們迄今為止獲得的相同資訊。 |
| |
但是，如果您缺少數據，您仍然想使用 SEM，因為那時我們將使用...所有數據都將被使用，而不是刪除行。 |
| |
然而，如果您想使用 SEM，您也可以回答其他非常有趣的問題。 |
| |
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上更大 |
| |
比象徵性威脅對焦慮的影響更大，對吧。 到目前為止，我們知道它們都與零顯著不同，但是它們彼此之間有顯著不同嗎？ |
| |
這是我們可以透過使用 SEM 平台來回答的問題。 回到我們的模型規範面板，我們可以選擇這兩種效果，在操作按鈕中我們有設定相等按鈕，所以如果我們按下它，請注意我們會得到一點 |
| |
此處的標籤表示這兩種效果將設定為相等。 他們將被估計為一個。 因此，如果我們將此處的名稱更改為 equaleffects 並運行該模型，我們將獲得該特定的擬合統計數據 |
| |
具有等式限制條件的模型。 請注意，我們現在獲得了一個自由度，所以突然之間，我們有了一個可測試的模型。 |
| |
我們可以使用模型比較表來選擇我們想要相互比較的兩個模型，然後清除點擊比較所選模型。 |
| |
現在我們獲得了卡方差異檢驗，因此我們能夠對模型進行統計比較，並了解我們的失配量是多少 |
| |
模型中引入等式限制條件。 在這裡我們可以看到它的卡方度量大約是 8.6 個單位，而且它的 p 值實際上是顯著的。 所以這表明 |
| |
設定等式限制會導致模型出現大量失配。 而且我們也知道卡方受樣本數的影響，所以我們也有這些差異 |
| |
我們討論過的適配指數，對於 CFI，我們通常不希望其增加超過 0.01 |
| |
至多，最多。 事實上0.01或更高是不太好。 對於 RMSEA，您知道，您不希望該值高於 0.1。 |
| |
因此，這裡的所有證據都表明，設定等式限制會導致擬合模型明顯更差。 |
| |
換句話說，如果我們回到最適合的模型，我們現在可以說，基於卡方差異檢驗， |
| |
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，您知道，這些類型的問題我們可以透過該模型的其他部分來解決，但 SEM 再次提供了很大的靈活性，讓我們可以比較模型內不同效應的相等性。 |
| |
好的，所以，為了節省時間，我要結束這個主題，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。 我們還看到了 |
| |
路徑分析，我們正在進行多元迴歸分析，但實際上我們可以在一個模型中使用這兩個概念。 所以我已經在資料表中保存了一個腳本，您可以看到我在這個模型中所做的實際上是 |
| |
估計潛在變數。 我正在使用問卷中的原始項目對象徵性威脅和現實威脅的潛在變數進行建模。 |
| |
因此，透過這樣做，而不是創建跨列的平均值， |
| |
實際上，我將對潛在變數進行建模，這使我能夠獲得回歸效應，潛在變數中的所有這些效應都將是無偏的，並且不會因測量誤差而減弱，因為我獲得了更多 |
| |
對象徵性和現實威脅更有效、更純粹的衡量標準。 因此，我們在這裡進行估計，您可以看到順序關係，而我的模型則複雜得多。 |
| |
我不會深入討論模型的細節，但只需知道，透過對潛在變數進行建模並查看潛在變數之間的關係，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數之間的關聯將更好地估計... |
| |
對於模型。 我實際上估計了這個模型，你可以在這裡看到結果。 所以請注意，這裡有一些邊緣... |
| |
箭頭有點虛線，表示這些影響並不顯著。 我們也看到陰影的可視化有多麼強大，對吧。 我們能夠解釋 |
| |
遵守公共衛生行為的一定比例的差異。 與我們對任何其他結果的解釋相比，我們似乎在解釋正面影響的變異數方面做得更好。 又是這樣 |
| |
基本上，兩全其美，既能夠指定我們的潛在變量，又能直接使用我們的平台對其進行建模。 |
| |
因此，我將在此停止演示，但我將引導您了解以下事實：在 JMP 社群網站中，我們提供了補充資料 |
| |
詹姆斯·科普弗勒 (James Koepfler) 創建了。 它們確實是很棒的材料，其中有很多關於如何解釋我們的模型、如何使用模型比較表的技巧， |
| |
基本上，您在演示過程中想要做的所有筆記都可以在補充資料中找到。 因此，我準備好提出問題了。 |
