349219_ja-JP

liliconcom

構造方程式モデリングのABC（2021-EU-45MP-752）

レベル：中級

 

JMPシニアリサーチ統計開発者、SAS、Laura Castro-Schilo
James R. Koepfler、JMP Research Statistician Tester、SAS

 

このプレゼンテーションでは、あらゆるバックグラウンドのアナリストがこの統計手法を使用できるようにする主要な基本概念を取り上げて、構造方程式モデリング（SEM）の詳細を紹介します。 SEMフレームワークの理解を容易にするために、回帰分析との比較から始めます。 観測変数を活用して潜在変数を推定し、測定誤差を考慮し、将来の測定を改善し、線形モデルの推定を改善する方法を示します。 さらに、アナリストがSEMで取り組むことができる重要な質問を強調し、実際のデータを使用した例でそれらの質問に答える方法を示します。 参加者は、経路分析と確認的因子分析の実行方法、モデルの適合性の評価方法、代替モデルの比較方法、およびJMPProのSEMプラットフォームで提供されるすべての結果の解釈方法を学習します。

 

 

自動生成されたトランスクリプト...

 

スピーカー	トランスクリプト
ローラカストロシロ	こんにちは、Laura Castro-Schiloです。このセッションへようこそ。ここでは、構造方程式モデリングのABCについて学習します。
	そして、今日の私たちの目標は、JMP Pro 16の構造方程式モデルプラットフォームを使用して、モデルを指定および解釈するために必要なツールがあることを確認することです。
	まず、SEMとは何かを説明するだけで、SEMの概要を簡単に説明します。特に、因子分析と回帰分析との関係を利用します。
	そしてその過程で、パス図がSEMにとって不可欠なツールである方法を学びます。
	そして、その紹介をかなり簡潔に保つように努めるので、実際にいくつかの実例に焦点を当てることができます。
	したがって、これらの例の前に、そのデモに使用するデータを紹介します。これらのデータは、COVID19の脅威の認識に関するものです。
	したがって、これらのデータを見て、モデルを指定および解釈する方法について学習し始め、特定の質問に答えることによってそれを行います。
	これらの質問は、SEMで非常に人気のあるモデルについて話すことにつながります。1つは確認的因子分析であり、もう1つは多変量回帰分析です。
	最後に、これらの両方の分析をまとめたモデルを紹介します。これにより、SEMが、独自のモデルに適合できる非常に柔軟なフレームワークであることがわかります。
	さて、SEMは因子分析と回帰分析が一緒になるフレームワークであり、因子分析側では測定する能力を得ることができます
	直接観察できないものでさえ、潜在変数としても知られています。
	また、回帰の側面から、変数間の関係を、それらが観察されているかどうかにかかわらず調べることができます。したがって、これら2つを組み合わせると、想像できるSEMが得られます。これは、あらゆる種類の異なる非常に柔軟なフレームワークです。モデルを合わせることができます。
	パス図はSEMで非常に便利なツールです。その理由は、連立方程式がかなり複雑になる可能性があるためです。
	これらの図を通して、実際に表すことができます。 そして、図の描き方と解釈の仕方を知っている限り、
	そうすれば、それらを有利に使用することができます。 ここに長方形があり、それらは観測された変数を表すためだけに使用されます。
	円は潜在変数を表すために使用され、両方向矢印は分散と共分散の両方を表すために使用され、片方向矢印は回帰または負荷効果を表すために使用されます。
	パス図でよく使用される別の記号があります。これは、今日説明する内容の範囲外です。
	しかし、あなたがそれに出くわした場合、私はあなたがそれがそこにあることを知っていることを確認したいだけです、そしてそれは三角形です。 三角形は平均と切片を表すために使用されるため、適合できるあらゆる種類の興味深いモデルがあります。
	ここでは、データの平均構造をモデル化していますが、今日もそれらについて話す時間はありません。
	さて、パス図に関しては、ビルディングブロックとは何かを考えることが役立つと思います
	複雑なモデルを構築するためにそれらを使用できるようにSEMモデルの。 そして、それらの1つは、単純な線形回帰です。 だからここに、あなたが見る、私たちは持っています
	YがXで回帰されている線形回帰。 また、XとYの両方がこれらの長方形、これらのボックスにあることに注意してください。これらは観測された変数であるためです。
	そして、その片方向矢印を使用して回帰効果を表し、同じ変数で開始および終了する両方向矢印を使用しています
	この場合、Xの分散を表し、Yの場合、それはYの残差分散です。 両方向矢印が一方の変数で始まり、もう一方の変数で始まり、もう一方の変数で終わる場合、それは共分散になります。
	現在、SEMでは、任意の変数が結果と予測子の両方になる可能性があります。 したがって、この場合、YがZを予測している、3番目の変数Zがある場合、Yは予測子の役割を果たすこともできます。
	そのため、データに応じて必要な数のシーケンシャル効果、このタイプのシーケンシャル回帰を構築できます。
	もう1つの構成要素は、確認的因子モデルの構成要素であるため、基本的には
	SEMで潜在変数を指定する方法。 そして、この特定の例は、非常に単純な1つの要因、1つの潜在変数です。
	円が観測されていない潜在変数を表す確認因子モデル。
	また、潜在変数には、観測する変数（この場合はW、X、Y）を指す片方向矢印があることに注意してください。
	そして、その変数がそれらの二乗を指す理由は、因子分析では、潜在変数がW、X、およびY全体で観察された共通の変動を引き起こすという考えであるためです。
	そして、これを理解することは非常に重要です。なぜなら、主成分のように主成分について考えるとき、それはしばしば混乱するからです。
	コンポーネント分析の観点。 ですから、これは因子分析の観点から潜在変数とPCAの観点からの成分の違いを描く良い機会だと思います。そこで、これらの違いを説明するために少し接線を取ります。
	この画像では、四角は測定した変数、つまり観測された変数を表しています。 そして、私はこれらの異なる量を使用していることに注意してください
	これらの変数の青い陰影は、測定しようとしたもの、信号の種類、機器で測定したいものに起因する分散の割合を表します。
	また、灰色の影付きの領域は、他の変動の原因による変動の割合です。 測定誤差を含めることができますが、体系的な分散を含めることもできます。
	それらの測定器のそれぞれに固有です。
	したがって、因子分析の場合、潜在変数は、観測された変数全体の共通の変動をすべてキャプチャします。そのため、この青色の実線を使用して潜在変数を表します。
	そしてそれは、目標が次元削減である主成分分析で起こることとは対照的です。 したがって、PCAでは、成分が最大分散量を説明します。
	私たちのデータの次元から。 つまり、その主成分は、多くの場合、何が原因である分散の組み合わせになるということです。
	私たちが測定したかったものだけでなく、他のいくつかの変動の原因に対しても。 さて、この図もまた、因果関係の仮定、潜在変数が
	観測された変数のインジケーターに変動を引き起こすと仮定されたため、これらの片方向の矢印は観測された変数を指していますが、PCAの場合はそうではありません。
	了解しました。これは、SEMの潜在変数について話しているときに区別するのに役立つと思います。
	多くの場合、私たちが話しているのは、因子分析の観点からの潜在変数です。
	さて、ここでは、すでに推定されているモデルに属するパス図を表示することにしました。 したがって、ここにすべての値があります
	これらの矢印はすべてモデルからの推定値であるためです。この図は、SEMを使用する理由を説明するのに適していると思います。
	まず、観測されていない変数があることがわかります。 ここで、競合は必ずしも直接観察できない抽象的な構成概念であるため、観察したことを活用して潜在変数として定義しています。この場合、次の3つの調査質問があります。
	あなたが知っている、その観察されていない競合変数。 また、SEMで潜在変数を定義する方法である測定誤差を考慮することもできます。
	これらの潜在変数は、これらの観測されたすべての変数に共通する分散をキャプチャするだけなので、実際には、測定誤差を考慮していることが保証されます。
	また、SEMで順次関係を調べることができることにも注意してください。 したがって、この観測されていない競合変数がありますが、次のことも確認できます。
	このサポート変数はどのように作業に影響し、次にこの作業変数は潜在変数にどのように影響しますか？
	そして最終的に、観察されない変数であるConflictが、他のあらゆる種類の結果をどのように予測できるか。 したがって、これらの連続関係は非常に便利で、SEMで非常に簡単に推定できます。
	SEMを使用するもう1つの理由は、JMP Proでは、プラットフォームが欠測データを処理するために最先端の技術を使用しているため、単純な線形回帰があり、それだけで欠測データがある場合は、
	SEMは、存在するすべてのものが推定に使用されていることを確認するため、これも非常に役立ちます。
	これなら...
	私がこれまでに言ったことがあなたの興味をそそり、あなたが間違いなくSEMについてもっと学ぶことを計画しているなら、あなたはたくさんの用語を見つけるでしょう。
	それはその分野に特有のものです。 そして、他のすべてのように、私たちが精通する必要がある専門用語があります。
	したがって、この図は、その専門用語のいくつかを紹介するのにも役立ちます。 まず、観測変数または測定変数について説明しました。
	SEMでは、これらはマニフェスト変数と呼ばれることがよくあります。 すでに説明した潜在変数があります。
	しかし、私たちは外因性変数についてもこの考えを持っており、それらは他の変数を予測するだけのものです。
	ここでのモデルでは、そのうちの2つしかなく、内因性変数とは対照的です。 したがって、ここにある他のすべての変数は、それらを予測する他の変数があるため、内因性変数です。
	了解しました。これらは内因性の変数です。 潜在変数インジケーターもあるので、これらは潜在変数によって引き起こされる変数です。
	そして、潜在変数によって説明されない残差分散は一意性と呼ばれ、それらはしばしば一意の因子分散とも呼ばれます。 したがって、これは、測定誤差に加えて、その変数に固有の系統的分散の組み合わせであることを忘れないでください。
	人々がSEMを学んでいるときに、何に焦点を移すのかが役立つと思います。
	モデルが実際に行っていること。 つまり、共分散構造の多変量解析を行っていることを認識することによって
	（また、意味しますが、今日は手段について話しているのではないことを忘れないでください）しかし、実際に分析しているのは構造であることに気付くことによって
	データの共分散の分析は、SEMの周りに頭を包み込むのに役立ちます。
	それは私たちがデータが何であると思うかに影響を与えるからですよね？ したがって、たとえば、データテーブルを作成できます。ここで、各行は異なる観測値を表し、各列は異なる変数です。
	そして、これらのデータを確実に使用して、JMPでSEMプラットフォームを起動できます。
	しかし、背景では、カーテンの裏側で、プラットフォームが実行しているのは、これらの変数の共分散行列、つまり実際に分析されているデータを調べていることです。
	したがって、これは残差にも影響を及ぼします。 多くの場合、SEMの残差について考えるとき、それらは分析している共分散行列に関するものです。
	そして、これは自由度にも当てはまり、自由度はこの共分散行列に関してなります。
	そうです、それで、私はあなたにSEMがその推定の観点からどのように機能するかについて少し味わってもらいたいと思います。
	そのため、モデルを指定することから始めます。ありがたいことに、JMP Proには、この非常に使いやすいユーザーインターフェイスがあります。
	ここでは、複雑な連立方程式を指定または一覧表示するのではなく、パス図を使用してモデルを直接指定できます。 特定の共分散構造を暗示するパス図を簡単に描くことができます。
	したがって、図はデータの共分散構造を暗示しており、推定中に、暗示されているモデルに基づいて、サンプルの共分散行列にできるだけ一致するモデル推定を取得しようとします。
	基本的に制約。 そして、それらの推定値を取得したら、それらをモデルの暗黙の共分散行列にプラグインし、それらの値をサンプルの共分散行列と比較できます。
	そして、それらの違いにより、モデルの適合度を定量化することができます。 したがって、残差が大きい場合、これら2つの共分散行列の差を調べると、モデルの適合があまりうまく行われていないことがわかります。
	さて、これがSEMの仕組みです。プレゼンテーションの次の部分では、デモに使用するデータを紹介します。 私はそう思います
	いくつかの実際のデータ、実際の実世界の例を手に入れることで、新しい概念を学ぶのが簡単になります。
	したがって、実際に使用するデータは、社会心理学および人格科学ジャーナルに掲載されたごく最近公開された記事からのものであり、2020年の夏に公開されました。
	そして、著者は非常に単純な質問に答えたかったのです。 彼らは、あなたが知っているように、COVID 19の認識された脅威は、幸福と公衆衛生行動にどのように影響するかと言いました。 など
	COVID 19の脅威がまったく新しいものであるという事実を除けば、それは単純な質問です。 それは非常に抽象的な考えです。
	ご存知のとおり、COVID 19の脅威として認識されているものと、それをどのように測定しますか？ そして、これはこれまで測定されたことのないものであるため、著者は非常に注意深く取り組む必要がありました
	それらの脅威を測定できるようにするための調査を開発した場所を調査します。 そして
	調査の作成は簡単ではありません。 調査の質問が信頼できるものであり、有効であることを確認する必要があります。
	そのため、彼らはプロセスを経なければならず、私たちは彼らがそれをどのように行ったかをすぐに見ていきます。
	さて、彼らの研究では、測定できる脅威には2つのタイプがあることがわかりました。1つは現実的な脅威と呼ばれ、それは
	私たちの経済的および物理的な安全を脅かすもの。
	そして他のタイプの脅威は...彼らはそれを象徴的と呼んだ。 つまり、これらは私たちの社会的、文化的アイデンティティを脅かすものです。 また、このサンプルは米国の人口向けであると言うことも重要です。 彼らはサンプリングした
	1,000人を超える個人がいるため、彼らの質問は米国の人口にのみ関係しています。
	そして、ここで見られるのは、これは実際には統合されたCOVID 19脅威スケールであるため、これは3つの異なる調査を経て作成されたアンケートです。 そして彼らはそれらの2つの脅威が
	一握りのアイテムで測定できます。 彼らは参加者に、コロナウイルスの発生があなたの個人的な健康、米国の人口全体の健康にとってどれほどの脅威であるかを答えるように求めました。
	あなたの個人的な経済的安全など。 そして象徴的な脅威については、質問は、あなたが知っている、
	アメリカ人であることの意味、アメリカ人の価値観と伝統、そしてアメリカ国民全体の権利と自由などにとって、ウイルスはどれほどの脅威であるかなどです。 したがって、これらの脅威が表すものの違いを確認できます。
	したがって、これらのデータにアクセスし、これらのデータを使用して非常に具体的な質問に答えます。 まず、COVID 19の脅威に対するこれらの認識をどのように測定するか、そして彼らが特定した2つの脅威に焦点を当てます。
	したがって、これにより、確認的因子分析と測定モデルの評価について話し合い、調査の質問が実際に信頼でき、有効であるかどうかを確認できるようになります。
	この非常に重要な最初のステップである探索的因子分析をスキップすることに注意してください。これは、以前に行うことです。
	SEMを使用しています。 探索的因子分析を実行してから、SEMにアクセスして、前の結果の構造を確認します。 この記事の著者は間違いなくそれを行いましたが、SEMを使用して従う手順に焦点を当てます。
	2番目の質問は、COVID 19の脅威の認識が、幸福のマーカーと公衆衛生行動を予測するかどうかです。 したがって、この質問は、SEM内の重回帰と経路分析について話すことにつながります。
	そして最後の質問は、各タイプの脅威が同等の結果に及ぼす影響です。 これにより、SEMの非常に優れた機能を実際に示すことができます。これには、モデルに等式制約を設定し、体系的なモデル比較を実行して、これらのタイプの質問に答えることが含まれます。
	さて、それでデモの時間です、そして私はすでに持っています...見てみましょう...。
	おっと、どうやってここから出るの？
	まだ質問の時間ではありません。
	画面を終了したいのですが、できないようです。
	さて、ここに行くので、私たちは...
	JMPのデータテーブルはすでにここで開いています。 これ...これらのデータでは、238列あることがわかります。これは、作成者が質問したためです。
	この場合、550人の参加者からのさまざまな質問。これは彼らの3つの研究の1つです。
	そして、最初の10の質問、データにある最初の10の列は、脅威のスケールで見た10の質問に対応しています。
	したがって、これらは、確認的因子分析を行うために最初に使用するものになります。 次に、[分析]をクリックして、多変量メソッド、構造方程式モデルに移動します。
	そして、これらの10個の変数を使用してモデル変数をクリックし、[OK]をクリックしてプラットフォームを起動します。
	右側にパス図があることに注意してください。
	そして、その図には、前に説明したすべての機能がすでに含まれているため、各変数は長方形になっており、観測された変数であることを示しています。
	そして、それらのそれぞれには、それ自体で開始および終了するこれらの両方向矢印があるため、これらの変数のそれぞれの分散を表します。
	ここで、キャンバスを右クリックすると、表示メニューが表示され、平均と切片がデフォルトで非表示になっていることがわかります。
	これをクリックして、実際に持っていることを示します。
	これらすべての変数からデフォルトで推定されることを意味します。 そして、私たちはそれらについて話すつもりはないので、それらを隠しておくつもりですが、私は知ることが重要だと思います
	プラットフォームを起動したときに開始したデフォルトのモデルは、すべての変数に分散と平均が推定されたモデルです。
	さて、これについて
	タブ、リストタブがあり、それをクリックすると、
	図にあるのとまったく同じ情報ですが、リスト形式です。 したがって、さまざまなタイプのパラメーターはすべて、パラメーターのタイプに基づいて分割されます。したがって、ここにはすべての分散があり、そこにはすべての平均があります。
	そうです、ステータスタブがあります。これは基本的に、現在指定した特定のモデルについて教えてくれます。 それは私たちにそのモデルについてのたくさんの有用な情報を与えてくれます。
	データ、サンプルサイズ、自由度に関する詳細があり、これらの識別ルールもあります。 それらについてもう少し詳しく知りたい場合は、それらをクリックしてください。 それはあなたに少しを与えます...
	右側に少し説明があります。
	ただし、ステータスタブのこのアイコンは、変更内容やモデルの仕様に応じて、常に変化していることを知っておくと非常に役立ちます。 また、SEMの高度なアプリケーションがある場合は、これが頻繁に発生します。
	アイコンは黄色である可能性があり、悪いエラー、いくつかの重要な間違いがある場合、そのアイコンはXが付いたオレンジ色になり、基本的にエラーがあることを示します。 したがって、モデルを指定するときに間違いを特定することは非常に役立つ可能性があります。
	これで、ユーザーインターフェイスの左側に、次のことができることがわかります。
	モデルの名前を指定するので、これはワークフローを追跡するのに非常に役立ちます。 また、このFromリストとToリストもあります。
	したがって、これらのリストは、片方向の矢印または両方向の矢印を使用して、変数をリンクするための非常に便利な方法を提供します。
	たとえば、ここでこれらをリンクしたい場合は、そのボタンをクリックすると、すぐにパス図を作成できます。 したがって、これはモデルを指定するための非常に効率的な方法です。
	したがって、ここでリセットをクリックして、プラットフォームの起動時に持っていたモデルに戻りますが、FromリストとToリストは基本的に図を描画する方法であることを知っています。
	さて、この場合、ここにリストされているすべての観測変数がありますが、これらの変数を使用して潜在変数を指定したいことはわかっています。
	ここで、最初の5つの変数は、現実的な脅威に関するその調査の項目に対応する変数です。 だから私は下に行くことによってモデルに潜在変数を追加するつもりです
	ここにあるこのボックスにLatent1と表示されているので、名前をRealisticに変更します。
	これらの5つの変数は、現実的な脅威の潜在変数の指標になります。 そして、このボタンをクリックすると、
	私はすぐにその潜在変数を指定します。 そして、この現実的な脅威の潜在変数の最初の読み込みには、これに1が含まれていることに注意してください...
	この矢印のこれで、これは基本的にパラメータが値1に固定されているという事実を表しています。
	そして、潜在変数のスケールを設定する必要があるため、これを行います。 この制約がないと、モデルを特定できません。
	デフォルトでは、潜在変数の最初のロードにその制約を課しますが、達成することもできます
	潜在変数の分散を1に固定した場合も同じ目的です。 したがって、どちらを実行するかは実際には選択の問題ですが、デフォルトでは、プラットフォームは最初のロードを1に修正します。 さて、現実的な脅威の潜在変数と他の5つがあります
	ここでの変数は、シンボリック脅威の質問に対応する変数です。 それで、それらを選択して、ここをクリックします。 Symbolicと入力し、プラスボタンをクリックしてその象徴的な脅威を追加します。
	さて、ほぼ完了しましたが、ここでのこのモデルは、現実的で象徴的な脅威が互いに完全に無相関であることを意味していることに注意してください。これは非常に強力な仮定です。 だから私たちはそれをしたくありません。
	ほとんどの場合、ほとんどの確認因子モデルでは潜在変数が互いに共変することができるので、ここでそれらを選択します。この両方向矢印をクリックして、これら2つのノードをリンクできます。
	ただし、パス図から直接実行することもできます。 したがって、潜在変数を右クリックすると、共分散の追加をクリックして、
	そこに、その共分散を追加できます。 だから、それはかなりクールな方法です。 あなたはリストでそれをすることができます、あなたはそれを図で直接することができます、
	あなたの選択は何でも。 これで、モデルを推定する準備ができたので、名前を2要素CFAに変更し、先に進んで実行できるようにします。
	そして、あなたは非常に迅速に、私たちが私たちの見積もりを取得し、それらがすべて図にマッピングされているのを見ることができます、それはかなりクールです。 しかし、これらの結果を解釈する前に、このモデル比較表に焦点を当てていることを確認したいと思います。
	その理由は、テーブルがモデルの適合性に関する多くの情報を提供し、結果を解釈する前にモデルが十分に適合していることを確認したいためです。 そう
	ここで最初に気付くのは、この表には3つのモデルがあり、そのうちの1つだけを適合させることです。
	したがって、3つある理由は、最初の2つのモデル、つまり無制限モデルと独立モデルが、プラットフォームの起動時にデフォルトで適合しないためです。
	そして、これらのモデルを意図的に適合させて、本当に良い適合モデルとは何か、そして本当に悪い適合モデルとは何かのベースラインを提供するので、それらを比較のフレームとして使用します。
	私たち自身の指定されたモデルで。 それでは、もう少し具体的に説明させてください。 たとえば、無制限のモデルはモデルになります（パス図で示します）。
	無制限のモデルとは、すべての変数が互いに共変することを許可されているモデルです。 そして、それに注意してください
	不適合の尺度であるカイ2乗統計量は正確にゼロであり、その理由は、このモデルがデータに完全に適合しているためです。 ここでのデータは、実際にはデータの共分散行列であることに注意してください。指定したため、自由度はゼロになります...
	データ内のすべての可能な分散と共分散を推定しているため、自由度はゼロです。
	ですから、これが最善のシナリオです。 不適合はありませんが、データから可能なすべての推定値も推定しています。
	スペクトルのもう一方の端は、非常にうまく適合しないモデルであり、それが独立モデルです。 したがって、パス図を示してみると、
	ここでは、データの手段として分散のみを使用するデフォルトモデル、つまり独立モデルがまさにそれです。 そして
	これは本質的に、他のものと何も共変しないモデルであり、そのモデルのカイ2乗統計量は実際にはかなり大きいことがわかります。これは、多くの不適合があるためです。つまり、ほぼ2000ユニットですが、
	データから推定しているものが非常に少ないため、45自由度。 繰り返しになりますが、これら2つのモデルは基本的に
	スペクトルの両端、右。 一方では、非常に適切なモデルであり、他方では、非常に不十分なモデルであるため、その情報を使用して、独自のモデルをそれらと比較することができます。
	したがって、モデルを見ると。 カイ二乗統計量はゼロではありませんが、わずか147単位であり、2000よりはるかに少ないことに注意してください。
	また、34の自由度があるため、不適合があります。 そして、そのカイ2乗の検定を見ると、それは有意なカイ2乗統計であるため、データに統計的に有意な不適合があることを示唆しています。
	ただし、カイ2乗統計量はサンプルサイズの影響を受け、この場合、550個の観測値があります。 など
	通常、300以上の観測値がある場合、カイ2乗統計を調べるだけでなく、いくつかの特別なものも調べることが非常に重要です。
	モデルの適合度を定量化できるSEMに固有の適合度インデックス。これが、ここの右側にある値です。
	この最初の適合指数は、比較適合指数と呼ばれ、
	インデックスの範囲は0から1であるため、無制限モデルに1があることがわかります。 これが最適なモデルであり、独立モデルのCFIはゼロです。これは、最悪のモデルであり、実際のモデルのCFIは.93、約.94であるためです。
	そして、それは独立モデルからの改善の割合を表しています。 つまり、別の言い方をすれば
	私たちのモデルは、独立モデルよりも約94％適合しているので、実際にはかなり良いです。 そして通常、.9以上のCFI値が必要です。 1つに近いほど良いです。
	ここで、近似の二乗平均平方根誤差は別の適合指数ですが、それは、
	範囲も0から1ですが、そのインデックスには非常に低い値が必要です。 したがって、無制限モデルの値はゼロであることに注意してください
	独立モデルは.27です。 通常、ここでは、許容可能なモデルに対して.1以下の値が必要です。 そして私たちのものは.07、約.08を持っています、そしてそれは実際にはかなり良いです。
	また、この特定の推定値にはいくつかの信頼区間があり、それらの値も.1未満であることがわかります。したがって、これは適切なモデルです。 したがって、モデルがデータにうまく適合していることがわかったら、先に進んでそれを解釈できます。
	ここで、見積もりのデフォルトとして、標準化されていないパラメーターの見積もりを示します。
	ただし、因子分析の場合は、標準化されたソリューションを確認する方がはるかに便利なので、キャンバスを右クリックして、標準化された推定値を表示します。
	したがって、ここでの値は相関メトリックにあるため、これらの値をできるだけ1に近づける必要があります。
	なぜなら、それらは観測された変数と潜在変数の相関を表すからです。 そして、現実的な脅威と象徴的な脅威の両方について、値はかなり良いことに注意してください。
	約.4より低くしたくないので、これらの値は適切です。 非常にユニークで本当に便利なもう1つのことは、JMP Proに固有であり、ここにある変数は...内因性であり、
	予測子、右、それらを指して、それは影付きです。
	ここで、これらの正方形の内側に少し灰色があることに注意してください。そのため、陰影は、予測子によって説明される分散の量に比例します。
	そのため、どの変数が分散を説明するのに非常に優れているかを視覚的にすばやく確認できます。 この場合、これらの3つの変数のように見えます
	はその濃い灰色で最も塗りつぶされており、シンボリック脅威の潜在変数がこれら3つの観測変数の分散を説明するのにかなり良い仕事をしていることを示唆しています。
	また、2つの潜在変数が約.4で相関していることもわかります。これは、興味深い発見です。
	ここで赤い三角形のメニューに焦点を当てることができるあらゆる種類の出力がありますが、特に1つに焦点を当てます。
	評価測定モデルと呼ばれるオプション。 そして、これは、構成の信頼性と妥当性を定量化できる多くの統計を見つける場所です。
	そこをクリックすると、この素敵な小さなダッシュボードがあります。 そして、私たちがここに持っている最初の情報は
	指標の信頼性。これにより、その調査の各質問の信頼性が定量化され、プロットが提供されます。
	これらすべての値を示しています。 そして、ここに、私たちが望んでいるもののしきい値を示す赤い線があります。 私たちは、少なくとも各アイテムにそれだけの信頼性を持たせたいと考えています。 さて、
	ご存知のとおり、これらのタイプのしきい値は、私たち自身の批判的思考で解釈する必要があります。
	たとえば、この特定のアイテムはしきい値を下回っていますが、それでもしきい値にかなり近いので、破棄するつもりはありません。 私たちはまだそれを考慮することができます
	比較的信頼性が高く、それでもこの潜在変数の良い指標です。 ただし、ここでも、しきい値を注意して解釈してください。
	しかし、このプロットから明らかなことの1つは、シンボリック脅威の潜在変数が現実的な脅威よりも信頼性の高い指標を持っているように見えることです。 どちらもかなり良いですが、象徴的なものは、あなたが知っているように、私たちはそれを測定するより良い仕事をしています。
	右の値は、複合材料の信頼性係数です。 言い換えれば、それらは潜在変数全体の信頼性を定量化し、2つのタイプの信頼性があります。
	それらの違いの詳細については説明しませんが、これらの値の範囲は0から1であり、可能な限り1に近づけたいと考えています。 そして私達はまた提供します
	ご存知のように、必要な信頼性の望ましい量、最小値、この場合は現実的な脅威と象徴的な脅威の両方が良好な信頼性を示しているようなしきい値を持つプロットがあります。
	そして、ここにある他の視覚化は、構成概念妥当性マトリックスと
	直接見えないものを測定しようとすると、それが本当にあるかどうかを判断するのは非常に難しいことを覚えておいてください。
	あなたがそれを測定しようとしているものです。 あなたは本当にあなたが望むものを測定していますか？ そして、それがこの情報によって私たちが判断できるものです。
	ここでの視覚化は、この行列の上三角を表しています。値が何を表すかを簡単に説明します。 この下に...
	対角線の下には、潜在変数間の相関関係があります。 それは約.4です。 対角線のエントリは、抽出された分散の平均量を表します
	から...潜在変数がそれらの指標から抽出すること。 したがって、これらの値をできるだけ高くする必要があります。
	そして、対角線の上に、この二乗相関があります。 言い換えれば、それは潜在変数間の重複する分散の量です。
	したがって、この行列を解釈するための鍵は、対角線の値を高くすることです。
	対角線の右上の値よりも、ここで注目してください。視覚化により、実際に、実際に行っていることが非常に簡単にわかります。
	上または右よりも対角線の値が大きくなります。 そして、それは構成概念妥当性の良い証拠です。
	したがって、ここにあるすべてのことは、現実的な脅威と象徴的な脅威の両方が実際には、
	有効で信頼できる潜在変数であり、調査はこれらの両方を測定するのに良い仕事をしているようです。
	したがって、次のステップは、ここで現実的な脅威を表す5つの質問すべてを取得することを選択でき、これらすべての平均を作成できます。
	そして突然、現実的な脅威を表す1つの指標があります。 それを行うことができ、象徴的な脅威を表す他の5つの変数についても同じことができます。
	そして、説明のために、私は実際にそれらの変数をすでに作成しているので、多変量メソッド、構造方程式モデルの分析に行きましょう。 そして、私はそれらを探すつもりです
	平均変数。 ここでの現実的で象徴的な脅威であるため、これらはこれらの各変数の列全体の平均です。
	そして、私はそれらに加えてそれらをモデル化するつもりです...私たちは不安の尺度を持っています、私たちは否定的な感情や否定的な否定的な感情の尺度も持っています。
	そして最後に、公衆衛生行動を順守するための基準があるので、それもモデル化し、[OK]をクリックしてプラットフォームを起動します。
	ここの図のボタン、カスタマイズされたメニューに入ることができ、図のあらゆる種類の側面を変更することができます。これは本当に本当に素晴らしいことです。 今、私はただ幅を広げることに焦点を合わせるつもりです...
	これらの幅
	変数。ノード内の内容を読み取ることができます。 そして、私がやろうとしていることは、現実的な脅威と象徴的な脅威の両方がこれらの興味深い結果の予測因子となるモデルに適合させることです。 ある種の
	ご存知のように、不安、否定的な感情、そして公衆衛生行動のマーカーなので、これらを片方向の矢印でリンクして予測を指定します。 したがって、これらの影響が実際に重要であるかどうかを調査します。
	この特定のモデルでは、このモデルの指定がまだ完全に完了していないことに注意してください。
	現実的な脅威と象徴的な脅威の間に関連性はありません。これは、これら2つのことがそうではないと言うモデルの非常に強い制約になります。
	まったく共変。 したがって、予測子間および結果の残余分散間に共分散が含まれていることを常に確認する必要があります。
	そのため、[差出人]リストから直接指定できます。この場合、このメニューから共分散の追加を使用し、現実的な脅威と象徴的な脅威をリンクします。
	また、リストを使用して、これらの結果の残差間に共分散を追加します。 そして今、私たちは完全に正しく指定されたモデルを持っています、そしてこれはしばしば経路分析と呼ばれます、しかしそれはまた...
	これは基本的にコレクションであり、回帰モデルの同時コレクションであるため、これを実行します。
	また、モデル比較表から、モデルには自由度がなく、完全なカイ2乗があり、カイ2乗がゼロであることがわかります。
	しかし、本質的に自由度がゼロであるということは、モデルがテストできないことを意味します。
	データから抽出できた可能性のあるすべての情報を抽出したからです。 つまり、回帰モデルを当てはめると、基本的にそれが実行されます。 したがって、問題はありませんが、このカイ2乗を解釈して、私のモデルが非常によく適合していると言うことができないことを知っておいてください。
	モデルから抽出できたすべてのものを抽出したので、うまく適合します。 とにかく、それは回帰モデルのようなものです。
	さて、結果を見てみると、解釈できる非常に重要な情報がたくさんありますが、いくつかのことに焦点を当てます。 最初、
	ダイアグラムが完全にインタラクティブであることに注意してください。これは本当に、本当にクールです。 そして、私はいくつかの効果に焦点を合わせるために物事を動かしているだけです。 このモデルの分散と共分散を非表示にして、回帰モデルの結果に実際に焦点を合わせることができるようにします。
	経路分析から。 そして、ここで注目してください。非常に現実的で象徴的な脅威であり、どちらも不安にプラスの効果をもたらします。
	これは非常に興味深いことです。ここでは、パラメーター推定値の表に示されている効果が統計的に有意であるため、矢印は実線で示されています。 したがって、それらが重要でない場合、
	実際には、矢印は破線の矢印として表示されます。 したがって、パス図は多くの情報を伝えます。 だから私たちは不安にプラスの有意な効果をもたらします
	もちろん、これは興味深いことですが、これまでのところ、繰り返しになりますが、回帰モデルを同時に適合させるだけです。
	実際、データテーブルに戻ると、ここにフィットモデルのスクリプトがあり、実際に同じ不安を使用しています。
	結果と同じ2つの予測因子、現実的で象徴的な脅威、
	重回帰モデルを推定するだけです。 そして、これをお見せしたかったのは、ここでのパラメーター推定値がSEMから取得した値とまったく同じであることに注意してください。
	実際、同時回帰を行っているため、これは当然のことです。 だからこの時点まで、あなたは不思議に思うかもしれません
	技術的には、これら3つの結果を使用して3つの個別の適合モデルを実行でき、これまでに取得したものと同じ情報を取得できるため、SEMは何を購入しますか。
	ただし、データが不足している場合でも、SEMを使用する必要があります。これは、SEMを使用するためです...行を削除するのではなく、すべてのデータが使用されます。
	ただし、SEMを使用する場合は、非常に興味深い追加の質問にも答えることができます。
	この場合、現実的な脅威が不安に与える影響が統計的に大きいかどうか疑問に思うかもしれません。
	象徴的な脅威が不安に与える影響よりも、そうです。 これまでのところ、どちらもゼロとは大きく異なることはわかっていますが、互いに大きく異なるのでしょうか。
	そして、それはSEMプラットフォームを使用して答えることができる質問です。 モデル仕様パネルに戻ると、これらの効果の両方を選択できます。ここの[アクション]ボタンには、[等しい]ボタンが設定されているので、それを押すと、少し表示されます。
	ここでラベルを付けると、これらの効果の両方が等しく設定されることを意味します。 それらは1つとして見積もられます。 したがって、ここで名前を同じ効果に変更し、このモデルを実行すると、その特定の適合統計が取得されます。
	等式制約のあるモデル。 そして、1自由度が得られたので、突然、テスト可能なモデルができました。
	また、モデル比較テーブルを使用して、相互に比較する2つのモデルを選択し、選択したモデルのクリック比較をクリアできます。
	これで、カイ2乗差検定が得られたので、モデルを統計的に比較して、不適合の量を確認できます。
	等式制約はモデルに誘導されます。 そして、ここでは、カイ2乗メトリックで約8.6単位であり、そのp値が実際に重要であることがわかります。 だからこれはそれを示唆している
	等式制約を設定すると、モデルにかなりの量の不適合が発生します。 また、カイ2乗はサンプルサイズの影響を受けることがわかっているため、これらにも違いがあります。
	私たちが議論した適合指数とCFIの場合、通常、これを.01以上に増やしたくありません。
	せいぜい。 実際、.01以上はあまり良くありません。 また、RMSEAの場合、これを1より高くしたくないことはご存知でしょう。
	したがって、ここでのすべての証拠は、等式制約を設定すると、モデルの適合が大幅に悪化することを示唆しています。
	つまり、最適なモデルに戻ると、カイ2乗差検定に基づいて次のように言うことができます。
	現実的な脅威が不安に与える影響は、象徴的な脅威が不安に及ぼす影響よりも大幅に高いこと。
	したがって、これらのタイプの質問は、このモデルの他の部分で対処できますが、SEMは、モデル内のさまざまな効果の同等性を比較できるようにすることで、多くの柔軟性を提供します。
	さて、それで、時間の都合上、これを締めくくりますが、これまでお見せしたいと思いますが、確認因子モデルを見たことがわかります。 私たちも見ました
	多変量回帰分析を行っている経路分析ですが、実際には、これらの概念の両方を1つのモデルで使用できます。 そして、私はすでにデータテーブルに保存したスクリプトを持っています、そしてあなたは私がこのモデルでここで何をしているのかが実際にあるのを見ることができます
	潜在変数の推定。 アンケートの調査の元の項目を使用して、象徴的な脅威と現実的な脅威の両方の潜在変数をモデル化しています。
	したがって、これを行うことにより、列全体の平均を作成する代わりに、
	私は実際に潜在変数をモデル化するつもりです、そしてそれは私が回帰効果を得るのを可能にします、私がより多くを得ているので、潜在変数の間のこれらの効果のすべては偏りがなく、測定誤差によって減衰されないでしょう
	象徴的で現実的な脅威のより有効でより純粋な尺度。 そして、ここで推定しているので、順次関係を見ることができます。ここでの私のモデルははるかに複雑です。
	モデルの詳細については説明しませんが、潜在変数をモデル化し、潜在変数間の関係を調べることで、実際に最良のものを取得できることを知っています。
	これらの潜在変数間の関連付けは、より適切な推定値になるため、SEMの機能...
	モデルのために。 そして私は実際にこのモデルを推定しました、あなたはここで結果を見ることができます。 そして、ここで注意してください、いくつかのエッジがあります...
	破線のような矢印があり、これらの効果が重要ではないことを示しています。 また、シェーディングの視覚化がいかに強力であるかもわかります。 説明することができます
	公衆衛生行動を順守することの分散のある割合。 そして、ここでの他のどの結果よりも、プラスの影響についての差異を説明する上でより良い仕事をしているようです。 そして再びそれは
	基本的に、両方の長所で、潜在変数を指定できるだけでなく、プラットフォームを使用して直接モデル化することもできます。
	それで、ここでデモを停止しますが、JMPコミュニティのWebサイトには、次のような補足資料があります。
	JamesKoepflerが作成しました。 モデルの解釈方法、モデル比較表の使用方法に関するヒントがたくさんある、本当に素晴らしい資料です。
	基本的に、このプレゼンテーション中に取りたいと思っていたすべてのメモは、補足資料で入手できます。 それで、私は質問のためにそれを開く準備ができています。

起こるデータ探索予測モデリングRe：構造方程式モデリングのABC（2021-EU-45MP-752）

いいね！ 優れたプレゼンテーション、優れた教育スキル！

 

これは、新しいユーザーがSEMをある程度理解するのに役立ちます。 コメントが3つあります。

 

1.他の高度なプラットフォーム（Lisrel、Mplus、Lavan）などですでにSEMを使用しているユーザーのために、中級から上級のセッションを用意すると役立つ場合があります。

 

2.優れたデータ処理/分析/グラフ作成機能の組み合わせにより、JMPはこの分野で手ごわい競争相手になる可能性があります。

 

3.ただし、SEMモデリングにベイズアプローチを組み合わせる動きがあります。 多分将来の進歩のために考慮する価値があります。