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

 

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

 

このプレゼンテーションでは、あらゆる背景のアナリストがこの統計手法を使用できるようにするための主要な基本概念をカバーすることにより、構造方程式モデリング (SEM) について詳しく説明します。 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主要な質問に重点を置き、実際のデータを使用した例を使用してそれらの質問に答える方法を示します。 参加者は、パス分析と確認因子分析を実行し、モデルの適合性を評価し、代替モデルを比較し、JMP Pro の SEM プラットフォームで提供されるすべての結果を解釈する方法を学びます。

 

 

自動生成されたトランスクリプト...

 

スピーカー	成績証明書
ラウラ・カストロ＝シーロ	こんにちは、Laura Castro-Schilo です。このセッションへようこそ。構造方程式モデリングの ABC を学びます。
	そして今日の目標は、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、モデルの指定と解釈に必要なツールを確実に入手できるようにすることです。
	そのために、まず SEM について簡単に紹介し、SEM が何であるかを説明し、特に因子分析や回帰分析との関連性を活用します。
	その過程で、パス図が SEM にとってどのように重要なツールであるかを学びます。
	そして、いくつかの実践的な例に実際に焦点を当てることができるように、その紹介をかなり簡潔に保つよう努めるつもりです。
	そこで、これらの例の前に、そのデモで使用するデータを紹介します。これらのデータは、新型コロナウイルス感染症 19 の脅威に対する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、モデルを指定して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で学習を進めていきます。
	これらの質問は、SEM で非常に人気のあるモデル、つまり確認的因子分析と多変量回帰分析についての話につながります。
	最後に、これらの両方の分析を統合したモデルを紹介します。これにより、SEM がいかに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かがわかるでしょう。
	SEM は因子分析と回帰分析を組み合わせたフレームワークであり、因子分析側では次のような測定能力を得ることができます。
	潜在変数とも呼ばれる、私たちが直接観察できないものも含みます。
	そして、回帰側からは、変数が観察されているかどうかにかかわらず、変数間の関係を調べることができます。そのため、これら 2 つを組み合わせると、ご想像のとおり、SEM が得られます。これは、あらゆる種類の異なる要素が含まれる非常に柔軟なフレームワークです。モデルに適合することができます。
	パス図は SEM において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現することができます。 したがって、図の描き方と解釈の仕方を知っている限り、
	そうすれば、それらを有利に利用できるようになります。 ここでは長方形があり、これらは観測変数を表すためにのみ使用されます。
	円は潜在変数を表すために使用され、両矢印は分散と共分散の両方を表すために使用され、片矢印は回帰または負荷効果に使用されます。
	パス図でよく使用される別の記号がありますが、それは今日説明する内容の範囲外です。
	でも、もしそれを見つけたら、それがそこにある、それが三角形だということを知っていただきたいのです。 三角形は平均と切片を表すために使用されるため、当てはめることが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、やはり今日はそれらについて話す時間はありません。
	さて、パス図に関して言えば、構成要素は何かを考えると役に立つと思います。
	SEM モデルを使用して複雑なモデルを構築できるようにします。 そのうちの 1 つは単純な線形回帰です。 ほら、ここにあります
	Y が X に関して回帰される線形回帰。 そして、X と Y は両方とも観測変数であるため、これらの四角形、ボックス内にあることに注目してください。
	そして、回帰効果を表すためにその片方向の矢印と、同じ変数で始まり、終わる両方向の矢印を使用しています。
	この場合は X の分散を表し、Y の場合は Y の残差分散を表します。 両方向の矢印が 1 つの変数で始まり、もう 1 つの変数で始まり...そして終わる場合、それは共分散になります。
	さて、SEM では、どの変数も結果と予測子の両方になることができます。 したがって、この場合、Y が Z を予測する 3 番目の変数 Z があれば、Y は予測子の役割も担うことができます。
	そのため、データに応じて必要なだけ、逐次効果、このタイプの逐次回帰を構築できます。
	もう 1 つの構成要素は確認因子モデルです。これは基本的には
	SEM で潜在変数を指定する方法。 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。
	確認因子モデル。円は観測されていない潜在変数を表します。
	そして、潜在変数には、実際に観測される変数 (この場合は W、X、Y) を指す片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四角形を指す理由は、因子分析では、潜在変数が W、X、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があるためです。
	そして、これを理解することは非常に重要です。なぜなら、主成分を主成分のように考えるときに混同されることが多いからです。
	成分分析の視点。 したがって、これは因子分析の観点からの潜在変数と PCA の観点からの構成要素の区別を一種の方法で引き出す良い機会だと思うので、それらの違いについて少し脱線して説明するつもりです。
	この画像では、四角形は測定した変数、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
	これらの変数に青い陰影を付けて、測定しようとしたもの、信号のようなもの、機器で測定したいものによる分散の割合を表します。
	灰色の影付きの領域は、他の分散要因による分散の割合です。 測定誤差が含まれる場合もありますが、次のような系統的な分散も含まれる場合があります。
	それぞれの測定器に固有のものです。
	したがって、因子分析の場合、潜在変数は観測変数全体にわたる共通の変動性をすべて捉えているため、潜在変数を表すためにこの実線の青を使用しているのです。
	これは、次元削減を目的とする主成分分析とは対照的です。 したがって、PCA では、コンポーネントは分散の最大量を説明します。
	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ことを意味します。
	私たちが測定したかったものだけでなく、その他の差異の原因も測定しました。 わかりました。この図は、因果関係の仮定、つまり潜在変数が次のとおりであるという事実も示しています。
	観測変数の指標に変動を引き起こすという仮説が立てられており、それが、一方の矢印が観測変数の方向を向いている理由ですが、PCA ではそうではありません。
	これは、SEM の潜在変数について話す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見た潜在変数です。
	さて、ここでは、すでに推定されたモデルに属するパス図を示すことにしました。 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、この図は SEM を使用する理由をうまく説明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、対立は抽象的な構造であり、必ずしも直接観察できるわけではないため、実際に観察されたものを活用して潜在変数として定義しています。この場合、次のことを表す 3 つの調査質問があります。
	ご存知のとおり、観測されていない競合変数です。 また、SEM で潜在変数が定義され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、これらすべての観測変数にわたる共通の分散を取得するだけであるため、実際には測定誤差を考慮していることが保証されます。
	SEM では順序関係を調べることができることにも注目してください。 このように、観測されていない競合変数が存在しますが、次のことも確認できます。
	この Support 変数はどのように Work に影響を及ぼし、さらにこの Work 変数は潜在変数にどのように影響するのでしょうか?
	そして最終的には、観測されていない変数である紛争が他のあらゆる種類の結果をどのように予測できるかということです。 したがって、これらの順序関係は非常に便利であり、SEM での推定が非常に簡単です。
	SEM を使用するもう 1 つの理由は、JMP Pro では、当社のプラットフォームが欠損データの処理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、実際に必要なのはそれだけである場合でも、データが欠損している場合、
	SEM は、存在するすべての情報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…
	これまでの説明に興味があり、SEM についてさらに学習する予定がある場合は、間違いなく、たくさんの用語を見つけることになるでしょう。
	それはその分野特有のものです。 そして、他のものと同様に、私たちが慣れておく必要のある専門用語があります。
	したがって、この図は、専門用語の一部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てきました。
	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。 潜在変数がありますが、これについてはすでに説明しました。
	しかし、私たちは外生変数という考え方も持っており、それらは他の変数を予測するだけのものです。
	ここのモデルでは、それらのうち 2 つだけがあり、それらは内生変数とは対照的です。 したがって、ここでの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、内生変数です。
	さて、これらは内生変数です。 潜在変数インジケーターもありますので、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、しばしば一意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な分散の組み合わせであることを覚えておいてください。
	人々が SEM を学習しているときに、何に焦点を移すかが役立つと思います。
	モデルが実際に何をしているのか。 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で、
	（そして手段でもありますが、今日は手段について話しているわけではないことを忘れないでください）しかし、私たちが実際に分析しているのは構造であることを認識することによって
	データの共分散を分析することで、SEM についてより簡単に理解できるようになります。
	それは私たちがデータについて考えていることに影響を与えるからですよね? たとえば、各行が異なる観測値を表し、各列が異なる変数であるデータ テーブルを作成できます。
	そして、これらのデータを使用して、JMP で SEM プラットフォームを立ち上げることができます。
	しかし、バックグラウンドで、いわばカーテンの後ろで、プラットフォームが行っていることは、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。 SEM で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あることがよくあります。
	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するものになります。
	そうですね。そこで、SEM が推定の観点からどのように機能するかを少しだけ味わってもらいたいと思います。
	そこで、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、この非常に優れたフレンドリーなユーザー インターフェイスがあります。
	ここでは、複雑な方程式系を指定したりリストしたりする必要がなく、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示唆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、暗示されたモデルに基づいて、サンプルの共分散行列に可能な限り一致するモデル推定値を取得しようとします。
	基本的には制約があります。 これらの推定値を取得したら、それらをモデルの暗黙的共分散行列に代入し、それらの値をサンプル共分散行列と比較できます。
	そしてそれらの差により、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見ると、モデルの適合があまりうまくできていないことがわかります。
	簡単に言うと、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たいと思います。 私はそう思います
	実際のデータや現実世界の例を実際に手に入れることで、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、Social, Psychological and Personality Science ジャーナルに掲載されたごく最近発表された記事からのものであり、これは 2020 年の夏に発表されました。
	そして著者たちは、非常に単純な質問に答えたいと考えていました。 彼らは、新型コロナウイルス感染症 19 の認識されている脅威が幸福や公衆衛生上の行動にどのような影響を与えるのか、と言いました。 など
	それは単純な質問ですが、認識されている新型コロナウイルスの脅威がまったく新しい概念であるという事実を除けば、そうですよね。 とても抽象的な考え方ですね。
	新型コロナウイルス感染症 (COVID 19) の脅威として認識されているものは何か、そしてそれをどのように測定するかはご存知ですよね? したがって、これはこれまでに測定されたことのないものであるため、著者は非常に慎重な作業を行う必要がありました。
	それらの脅威を測定できる調査を開発した場所を調査しました。 そして
	アンケートを作成するのは簡単ではありません。 アンケート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。
	それで、彼らはプロセスを経る必要がありました、そして私たちは彼らがそれをどのように行ったかをすぐに見るつもりです。
	さて、彼らの研究では、測定できる脅威には 2 種類あることがわかりました。1 つは現実的な脅威と呼ばれるもので、
	私たちの経済的、物理的な安全を脅かすもの。
	そしてもう一つの種類の脅威は...彼らはそれを象徴的と呼んでいました。 つまり、そ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なのですね。 そして、このサンプルが米国の人口を対象としたものであるということも重要です。 彼らはサンプリングした
	1,000 人以上の個人が参加しているため、彼らの質問は米国の人口のみに関係します。
	ここで見られるのは、実際には統合された新型コロナウイルス感染症 19 の脅威スケールであり、3 つの異なる研究を経て開発されたアンケートです。 そこで彼らは、これら 2 つの脅威が存在することを発見しました。
	いくつかのアイテムで測定できます。 彼らは参加者に、新型コロナウイルスの流行があなた個人の健康、米国国民全体の健康にとって、もしあるとすればどの程度の脅威であるかを回答するよう求めました。
	個人の経済的安全など。 象徴的な脅威については、次のような質問がありました。
	アメリカ人であることの意味、アメリカの価値観と伝統、アメリカ国民全体の権利と自由にとって、ウイルスはどれほどの脅威なのか、など。 したがって、これらの脅威が表す内容の違いがわかります。
	したがって、私たちはこれらのデータにアクセスできたので、それらのデータを使用して非常に具体的な質問に答えるつもりです。 まず、新型コロナウイルス感染症 19 の脅威に対するこれらの認識をどのように測定するのか、そしてそれらが特定した 2 つの脅威に焦点を当てます。
	したがって、これは、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するための、確認的要因分析と測定モデルの評価についての話につながるでしょう。
	この非常に重要な最初のステップはスキップすることに注意してください。これは探索的因子分析であり、事前に実行するものです。
	SEMを使っているんですね。 探索的因子分析を実行してから、SEM にアクセスして、以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実行しましたが、ここでは SEM を使用して実行する手順に焦点を当てます。
	2 番目の質問は、新型コロナウイルス感染症 19 の脅威に対する認識が、幸福度の指標や公衆衛生上の行動を予測するかどうかです。 この質問は、SEM 内の重回帰とパス分析についての話につながることになります。
	そして最後の疑問は、各タイプの脅威が結果に及ぼす影響は等しいかということです。 これにより、実際に SEM の非常に優れた機能を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、この種の質問に答えることが含まれます。
	さて、それではデモの時間です、そして私はすでに持っています...見てみましょう...
	おっと、どうすればここから出られるでしょうか？
	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、それができないようです。
	さて、それでは...
	ここではすでに JMP のデータ テーブルを開いてあります。 これ...これらのデータには 238 列があることがわかります。これは作成者が尋ねたものです。
	この場合、550 人の参加者からさまざまな質問が多数寄せられました。これは彼らの 3 つの研究のうちの 1 つです。
	そして、最初の 10 の質問、つまりデータ内の最初の 10 列は、脅威のスケールで確認された 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されるものになります。 そして、[分析] をクリックして、多変量法、構造方程式モデルに進みます。
	これら 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がすぐにわかります。
	そして、その図には、先ほど説明したすべての特徴がすでに含まれているため、各変数は長方形の中にあり、それらが観測変数であることを示唆しています。
	そして、それらのそれぞれには、それ自体で始まり、終わる両方向の矢印があるため、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、平均値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。
	実際にそうしていることを示すためにこれをクリックします。
	は、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。 したがって、それらについては話すつもりはないので、隠しておきますが、知っておくことが重要だと思います
	プラットフォームを立ち上げたときに開始する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るモデルです。
	さて、これについては
	タブにはリスト タブがあり、それをクリックすると次の内容が表示されます。
	図にあるものとまったく同じ情報がリスト形式で表示されます。 そして、さまざまなタイプのパラメータはすべて、そのパラメータのタイプに基づいて分割されるため、ここではすべての分散が得られ、向こうではすべての平均が得られます。
	そうです、ステータス タブがあり、これは基本的に、現在指定している特定のモデルについて示しています。 それは、そのモデルに関する多くの有益な情報を提供します。
	データ、サンプルサイズ、自由度についての詳細があり、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...
	右にちょっとした説明。
	しかし、知っておくと本当に役立つのは、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するということです。 そして、多くの場合、SEM の高度なアプリケーションがある場合、これは
	アイコンは黄色で、悪いエラーや重要な間違いがある場合、そのアイコンはオレンジ色の X 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、モデルを指定する際に間違いを特定するのに非常に役立つ可能性があります。
	ユーザー インターフェイスの左側で、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。 そして、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、片矢印または両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、これらをリンクしたい場合、そのボタンをクリックすると、すぐにパス図が描画されます。 したがって、これはモデルを指定する非常に効率的な方法です。
	ここでは、プラットフォームの起動時のモデルに戻るために [リセット] をクリックしますが、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おいてください。
	この場合、観測された変数はすべてここにリストされていますが、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。
	さて、ここでの最初の 5 つの変数は、現実的な脅威に関する調査の項目に対応するものです。 そして、下に進むことでモデルに潜在変数を追加します
	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 5 つの変数は、現実的な脅威の潜在変数の指標となります。 そして、このボタンをクリックすると、
	指定された潜在変数をすぐに取得します。 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 1 があることに注意してください...
	この矢印の中にあり、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。
	これを行うのは、潜在変数のスケールを設定する必要があるためです。 この制約がなければ、モデルを識別することができません。
	デフォルトでは、潜在変数の最初の読み込み時にその制約を設定しますが、これを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、デフォルトとして、プラットフォームは最初の読み込みを 1 に固定します。 さて、現実的な脅威の潜在変数と他の 5 つの変数ができました。
	ここでの変数は、ご存知のとおり、象徴的な脅威の質問に対応するものです。 そこで、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、これでほぼ完了ですが、ここでのこのモデルは、現実的な脅威と象徴的な脅威が互いに完全に相関関係がないことを暗示しており、これは非常に強力な仮定であることに注意してください。 だから私たちはそんなことはしたくないのです。
	ほとんどの確認因子モデルでは、潜在変数が相互に共変することが許可されているため、ここでそれらを選択し、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、
	そこに共分散を追加できます。 それはかなりクールな方法です。 リストを使用して実行することも、図上で直接実行することもできます。
	あなたの選択は何であれ。 モデルを推定する準備ができたので、名前を 2-Factor CFA に変更して、実行してみましょう。
	そして、非常にすぐに見積もりを取得し、それらがすべて図にマッピングされていることがわかります。これは非常に素晴らしいことです。 ただし、これらの結果を解釈する前に、このモデル比較表に注目してください。
	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適切に適合していることを確認したいためです。 それで
	ここで最初に注目していただきたいのは、このテーブルには 3 つのモデルがあり、そのうちの 1 つだけを当てはめているということです。
	3 つある理由は、最初の 2 つのモデル、無制限モデルと独立モデルが、プラットフォームの立ち上げ時にデフォルトで適合しないためです。
	そこで、本当に良い適合モデルと本当に悪い適合モデルのベースラインを提供するために、これらのモデルを意図的に適合させ、それらを比較の枠組みとして使用します。
	当社指定モデルを使用。 それでは、もう少し具体的にお話しましょう。 たとえば、無制限のモデルはモデルになります (パス図で説明します)。
	無制限のモデルは、すべての変数が相互に共変動することが許可されるモデルです。 そしてそれに気づいてください
	不適合の尺度であるカイ二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り、次のように指定したため自由度はゼロであることを思い出してください。
	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。
	つまり、これが可能な限り最良のシナリオです。 不適合はありませんが、データから可能な限り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、非常に適合性の悪いモデルであり、それが独立モデルです。 パス図でお見せすると、
	ここでは、データの平均として分散のみを使用するデフォルトのモデルを示します。これがまさに独立モデルです。 そして
	これは本質的に、他のものと共振するものが何もないモデルであり、そのモデルのカイ 2 乗統計量が実際には非常に大きいことがわかります。多くの不適合があるためです。つまり、ほぼ 2000 単位ですが、実際には
	データから推定するものはほとんどないため、自由度は 45 です。 繰り返しになりますが、これら 2 つのモデルは基本的に次のことを提供します。
	スペクトルの両端ですね。 一方では非常に適合度の高いモデル、他方では非常に適合度の低いモデルであるため、その情報を使用して独自のモデルをそれらのモデルと比較できるようになります。
	それでは、モデルを見てみましょう。 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 よりもはるかに小さいことに注意してください。
	自由度は 34 あるため、不適合がいくつかあります。 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が示唆されます。
	ただし、カイ二乗統計量はサンプル サイズの影響を受けるため、この場合は 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、カイ二乗統計量を調べるだけでなく、いくつかの特別な統計量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 に固有の適合インデックス。そ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 なので、無制限のモデルには 1 があることがわかります。 これが最良の適合モデルであり、独立モデルの適合度はゼロです。最悪の適合モデルだからです。わかりましたが、実際のモデルの CFI は 0.93 (約 0.94) です。
	したがって、これは独立モデルからの改善の割合を表します。 つまり、別の言い方をすると、
	私たちのモデルは独立モデルよりも約 94% 良く適合しており、実際にはかなり良好です。 そして通常は、CFI 値を 0.9 以上にする必要があります。 1 に近いほど良いです。
	さて、近似の二乗平均平方根誤差は別の近似指数ですが、それは、
	これも 0 から 1 の範囲ですが、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、制限のないモデルの値が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、許容可能なモデルでは、ここでの値が 0.1 以下であることが必要です。 そして、私たちのものは.07、約.08で、実際にはかなり良いです。
	この特定の推定値にはいくつかの信頼区間もあり、それらの値も 0.1 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、モデルがデータによく適合していることがわかったら、解釈に進むことができます。
	ここで、推定値のデフォルトとして、標準化されていないパラメータ推定値を示します。
	ただし、因子分析の場合は、標準化された解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。
	ここでの値は相関メトリクス内にあるため、これらの値をできるだけ 1 に近づけたいと考えています。
	なぜなら、それらは観測変数と潜在変数の相関関係を表すからです。 そして、現実的な脅威と象徴的な脅威の両方の値がかなり優れていることに注目してください。
	約 0.4 よりも低くすることは望ましくないため、これらの値は適切です。 もう 1 つ、非常にユニークで非常に便利な点は、JMP Pro に特有のものです。それは、ここでの変数が...
	予測器、そうです、それらを指していると、影が付いています。
	ここでは、これらの正方形の内側に少し灰色があり、その陰影が予測子によって説明される分散の量に比例していることに注意してください。
	そのため、どの変数が分散を説明するのに非常にうまく機能しているかを視覚的にすぐに確認できるようになります。 この場合、次の 3 つの変数のようです。
	は、その濃い灰色で最も満たされており、シンボリック脅威潜在変数がこれら 3 つの観測変数の分散を説明するのにかなりうまく機能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 0.4 で相関していることもわかり、これは興味深い発見です。
	ここの赤い三角ボタンのメニューには、注目できるあらゆる種類の出力がありますが、ここでは特に 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。 ここで、構築の信頼性と妥当性を定量化できる多くの統計が見つかります。
	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表示されます。 そしてここで私たちが得た最初の情報は
	指標の信頼性を評価するため、調査の各質問の信頼性を定量化し、プロットを提供します。
	これらすべての価値観を示しています。 ここに、期待する値のしきい値を示す赤い線があることに注目してください。 私たちは、各アイテムに少なくともそれくらいの信頼性を持たせたいと考えています。 今、
	このような種類のしきい値は、私たち自身の批判的思考によって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ため、廃棄するつもりはありません。 まだ検討できます
	比較的信頼性が高く、依然としてこの潜在変数を示す優れた指標です。 ただし、ここでもしきい値を慎重に解釈してください。
	しかし、このプロットから明らかな 1 つのことは、象徴的な脅威の潜在変数には、現実的な脅威よりも信頼できる指標があるように見えるということです。 どちらもかなり優れていますが、象徴的なものは、ご存知のように、私たちがそれを測定する上でより良い仕事をしています。
	右側の値は、複合材料の信頼性係数です。 言い換えれば、潜在変数全体の信頼性を定量化するものであり、信頼性には 2 種類あります。
	それらの違いの詳細には立ち入りませんが、これらの値の範囲は 0 から 1 であり、できるだけ 1 に近づけたいことに注意してください。 そして、私たちも提供します
	ご存知のように、必要な信頼性の最小値を示すようなしきい値を備えたいくつかのプロットは、この場合、現実的な脅威と象徴的な脅威の両方が良好な信頼性を持っています。
	ここでのもう 1 つの視覚化は、構成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場合、それが本当に測定されているかどうかを判断するのは非常に難しいことに留意してください。
	測定しようとしているものです。 本当に望んでいることを測定していますか? そして、それがこの情報によって判断できることになります。
	ここでの視覚化は、この行列の上三角を表しています。値が何を表すかについて簡単に説明します。 この下の方では・・・
	対角線の下には、潜在変数間の相関関係があります。 .4くらいですね。 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。
	...潜在変数が指標から抽出するものから。 したがって、そ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は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鍵となるのは、対角線の値を大きくすることです。
	対角線の上と右側の値よりも、視覚化によって、実際に次のことを行うことが非常に簡単にわかることに注目してください。
	上または右側よりも対角線の値が大きくなります。 そしてそれは構成が妥当であることの良い証拠です。
	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、実際には次のようなものであることを示唆しています。
	それは有効であるか、信頼できるかという潜在変数であり、調査はこれらの両方をうまく測定しているようです。
	したがって、次のステップとしては、ここで現実的な脅威を表す 5 つの質問をすべて取得し、これらすべての平均を作成することが考えられます。
	そして突然、現実的な脅威を表す 1 つの尺度が得られることになります。 私たちは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を行うことができます。
	説明のために、これらの変数はすでに作成済みなので、多変量法、構造方程式モデルの分析に進みましょう。 そして、私はそれらを探すつもりです
	平均変数。 ここでの現実的かつ象徴的な脅威として、これらは各変数の列全体の平均です。
	そして、私たちはそれらをモデル化するつもりです...不安の尺度もあり、否定的な感情や否定的な否定的な感情の尺度もあります。
	そして最後に、公衆衛生行動の遵守に関する尺度があるので、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。
	ここの図のボタンを使用すると、カスタマイズされたメニューに移動でき、図のあらゆる種類の側面を変更できます。これは本当に素晴らしいです。 今は幅を広げることに専念するつもりです...
	これらの幅
	変数を使用して、ノードの内部にあるもの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のは、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を当てはめることです。 ある種の
	不安、悪影響、公衆衛生上の行動のマーカーなので、これらを片矢印でリンクして予測を指定します。 そこで、これらの影響が実際に重大であるかどうかを調査するつもりです。
	ここで、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。なぜなら、この特定のモデルでは、
	現実的な脅威と象徴的な脅威の間には何の関連性もありません。そして、これら 2 つの脅威がそうでないと言うには、モデルにおいて非常に強い制約となります。
	まったく共変動します。 したがって、予測変数間の共分散だけでなく、結果の残差分散間の共分散も必ず含めるようにしたいと考えています。
	そのため、From リストからそれらを直接指定できます。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の共分散を追加します。 これで、完全に正しく指定されたモデルが完成しました。これはパス分析と呼ばれることが多いですが、...
	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なので、それを実行します。
	また、モデルの比較表から、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 0 であることに注目してください。
	しかし、基本的に自由度がゼロということは、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る情報はすべて抽出したからです。 つまり、これが回帰モデルを当てはめる際に本質的に行うことです。 したがって、それ自体に問題はありませんが、このカイ 2 乗を解釈して、「私のモデルは非常によく当てはまります」などとは言えないことを知っておいてください。
	モデルから抽出できるものはすべて抽出したので、よく適合します。 とにかく、こ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、ここではいくつかのことに焦点を当てます。 初め、
	私たちの図は完全にインタラクティブであることに注目してください。これは本当に素晴らしいことです。 いくつかのエフェクトに焦点を当てるために、作業を移動しているだけです。 このモデルでは分散と共分散を非表示にして、回帰モデルの結果に集中できるようにします。
	パス分析から。 ここで、非常に現実的で象徴的な脅威が、どちらも不安にプラスの効果をもたらしていることに注目してください。
	これは非常に興味深いもので、ここで矢印が実線になっているのは、パラメータ推定値の表で確認できるように、効果が統計的に有意であるためです。 したがって、それらが重要ではない場合、
	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。 したがって、不安に対して有意なプラスの効果があります
	もちろんそ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当てはめただけです。
	そして実際、データ テーブルに戻ると、ここにフィット モデルから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、現実的な脅威と象徴的な脅威、
	そして、単純に重回帰モデルを推定します。 これを示したかった理由は、ここでのパラメータ推定値が SEM から取得した値とまったく同じであることに注目してください。
	実際、同時回帰を行っているのですから、これは驚くべきことではありません。 ここまでで、あなたは疑問に思うかもしれません
	SEM で何が得られるのか、そうですか。技術的には、これら 3 つの結果で 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のと同じ情報を取得できるからです。
	ただし、データが欠落している場合でも、行を削除するのではなくすべてのデータが使用されるため、SEM を使用する必要があります。
	ただし、SEM を使用したい場合は、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より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、そうですね。 これまでのところ、両方ともゼロから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?
	これは、SEM プラットフォームを使用することで答えることができる質問です。 そして、モデル仕様パネルに戻ると、これらのエフェクトの両方を選択できます。アクション ボタンの上には、「均等に設定」ボタンがあるので、これを押すと、少しの効果が得られることに注目してください。
	ここでのラベルは、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 つとして推定されます。 したがって、同じ効果が得られるようにここで名前を変更し、このモデルを実行すると、その特定の適合統計を取得することになります。
	等式制約のあるモデル。 そして、自由度が 1 つ増えたので、突然、テスト可能なモデルができたことに注目してください。
	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、選択したモデルの比較をクリックする操作をクリアできます。
	これで、カイ二乗差検定が得られるので、モデルを統計的に比較し、不適合の量を確認できるようになります。
	等価制約がモデルに誘導されます。 ここで、カイ二乗計量では約 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。 したがって、これは次のことを示唆しています
	等式制約を設定すると、モデルにかなりの不適合が生じます。 また、カイ二乗がサンプルサイズの影響を受けることもわかっているので、サンプルサイズの違いもわかります。
	CFI については、通常、これが 0.01 以上増加することは望ましくありません。
	せいぜい。 実は.01以上はあまり良くありません。 RMSEA については、これを .1 よりも高くすることは望ましくありません。
	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性が大幅に低下することを示唆しています。
	言い換えれば、最もよく適合するモデルに戻ると、カイ二乗差検定に基づいて次のように言えるようになります。
	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与える影響よりもはるかに高いということです。
	このような種類の質問には、このモデルの他の部分を使用して対処することもできますが、やはり SEM を使用すると、モデル内のさまざまな効果の同等性を比較できるため、多くの柔軟性が得られます。
	さて、それでは、時間の都合上、これで終わりにさせていただきますが、ここまでは確認要因モデルを見てきましたので、お見せしたいと思います。 私たちも見ました
	パス分析では多変量回帰分析を行っていますが、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。 それで、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、このモデルで私が実際に何をしているのかを見ることができます
	潜在変数の推定。 私はアンケート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、これを行うことで、列全体の平均を作成する代わりに、
	実際に潜在変数をモデル化することで、回帰効果を得ることができます。潜在変数間のこれらすべての効果は偏りがなく、測定誤差によって減衰されません。
	象徴的かつ現実的な脅威の、より有効でより純粋な尺度です。 ここで私たちは推定を行っています。連続的な関係がわかりますが、ここでの私のモデルははるかに複雑です。
	モデルの詳細には立ち入りませんが、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、実際に最良の結果を得ることができるということだけは知っておいてください。
	これらの潜在変数間の関連性により、より適切な推定値が得られるため、SEM からの機能が提供されます。
	モデルのために。 このモデルを実際に推定しました。結果はここで確認できます。 ここで、いくつかのエッジがあることに注意してください...
	破線の矢印が付いているものは、それらの影響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がわかります。 私たちは説明することができます
	公衆衛生上の行動遵守の差異の一部。 そして、ここでの他の結果よりも、ポジティブな感情に関する差異をうまく説明できているようです。 そしてまたそれは
	基本的に、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それらを直接モデル化することもできるという、両方の長所を生かしたものです。
	それで、デモはここで終了しますが、JMP コミュニティ Web サイトには、次のような補足資料があるという事実をお伝えしておきます。
	ジェームス・ケフラーが作成しました。 これらは、モデルを解釈する方法、モデル比較表の使用方法、
	基本的に、このプレゼンテーション中に取りたかったメモはすべて、補足資料で入手できます。 それでは、これで質問に応じる準備が整いました。

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)

ありがとう@エハルーン！ このページに戻ってきて、コメントに感謝していないことに気づきました。 プレゼンテーションがわかりやすくてよかったです。コメントもありがとうございます。 実際、SEM ユーザー向けにさらに高度なセッションを開催できることを楽しみにしています。 より高度なトピック (SEM での縦断データのモデリング) は、ここで利用できるようになりました。 https://community.jmp.com/t5/Discovery-Summit-Americas-2021/Modeling-Trajectories-over-Time-with-Structural-Equation-Models/tac-p/426558#M111また、機能の改善にも引き続き取り組んでおり、ベイズ推定に関するご提案を参考にさせていただきました。

 

再度、感謝します！

〜ローラ

Re: 構造方程式モデリングの ABC (2021-EU-45MP-752)

賛成、称賛! 素晴らしいプレゼンテーション、素晴らしい指導力！

 

これは、新規ユーザーが SEM についてある程度の理解を得るのに役立ちます。 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 SEM をすでに使用しているユーザー向けに、中上級のセッションを開催すると役立つ場合があります。

 

2. 優れたデータ処理/分析/グラフ作成能力の組み合わせにより、JMP はこの分野で強力な競争相手となる可能性があります。

 

3. ただし、ベイジアン アプローチを SEM モデリングに組み合わせようとする動きもあります。 将来の進歩のために検討する価値があるかもしれません。