Altoparlante
|
Trascrizione
|
| Laura Castro-Schilo |
Ciao, sono Laura Castro-Schilo e benvenuto a questa sessione, dove impareremo l'ABC della modellazione di equazioni strutturali. |
| |
E il nostro obiettivo oggi è assicurarci di disporre degli strumenti necessari per specificare e interpretare i modelli, utilizzando la piattaforma dei modelli di equazioni strutturali in JMP Pro 16. |
| |
E lo faremo, innanzitutto fornendo una breve introduzione al SEM dicendoti semplicemente di cosa si tratta e, in particolare, attingendo alle connessioni che ha con l'analisi fattoriale e l'analisi di regressione. |
| |
E lungo il percorso impareremo come i diagrammi di percorso sono strumenti essenziali per SEM. |
| |
E proveremo a mantenere questa introduzione abbastanza breve, in modo che possiamo davvero concentrarci su alcuni esempi pratici. |
| |
E quindi, prima di questi esempi, introdurrò i dati che utilizzeremo per quella demo e questi dati riguardano la percezione delle minacce COVID 19. |
| |
Quindi, guardando questi dati inizieremo a imparare come specifichiamo e interpretiamo i nostri modelli e lo faremo rispondendo a domande specifiche. |
| |
Queste domande ci porteranno a parlare di modelli molto popolari in SEM, uno è l'analisi fattoriale di conferma e un altro, l'analisi di regressione multivariata. |
| |
E per concludere ti mostreremo un modello in cui riuniamo entrambe le analisi, così puoi davvero vedere come SEM sia un framework molto flessibile in cui puoi adattare i tuoi modelli. |
| |
Ok, quindi SEM è un framework in cui l'analisi fattoriale e l'analisi di regressione si uniscono e sul lato dell'analisi fattoriale siamo in grado di acquisire la capacità di misurare |
| |
anche quelle cose che non possiamo osservare direttamente, note anche come variabili latenti. |
| |
E dal lato della regressione siamo in grado di esaminare le relazioni tra le variabili, sia che queste siano osservate o non osservate e quindi quando metti insieme questi due, ottieni SEM che puoi immaginare, è un quadro molto flessibile in cui tutti i tipi di diversi i modelli possono essere adattati. |
| |
I diagrammi di percorso sono strumenti davvero utili in SEM e il motivo è che i sistemi di equazioni che possono essere, sai, abbastanza complicati |
| |
può effettivamente essere rappresentato, attraverso questi diagrammi. E così finché sappiamo come disegnare i diagrammi e come interpretarli, |
| |
quindi siamo in grado di usarli a nostro vantaggio. Quindi qui abbiamo i rettangoli e quindi quelli sono usati esclusivamente per rappresentare le variabili osservate. |
| |
I cerchi sono usati per rappresentare variabili latenti e le frecce a due punte sono usate per rappresentare sia le varianze che le covarianze e le frecce a una testa sono per gli effetti di regressione o caricamento. |
| |
C'è un altro simbolo che viene spesso utilizzato nei diagrammi dei percorsi ed è un po 'al di fuori dell'ambito di ciò di cui parleremo oggi. |
| |
Ma se lo trovi, voglio solo assicurarmi che tu sappia che è lì, e che è un triangolo. I triangoli sono usati per rappresentare mezzi e intercettazioni e quindi ci sono tutti i tipi di modelli interessanti che possiamo adattare, |
| |
dove stiamo modellando la struttura media dei dati, ma ancora una volta non avremo tempo per parlarne oggi. |
| |
Ora, quando si tratta di diagrammi di percorso, penso sia utile pensare a quali sono gli elementi costitutivi |
| |
di modelli SEM in modo che possiamo usarli per costruire modelli complessi. E uno di questi sarebbe una semplice regressione lineare. Quindi qui, vedi, abbiamo |
| |
una regressione lineare in cui Y viene regredito su X. E nota che sia X che Y sono in questi rettangoli, in queste caselle, perché sono variabili osservate. |
| |
E stiamo usando quella freccia a una punta per rappresentare l'effetto di regressione e le frecce a due punte che iniziano e finiscono sulla stessa variabile |
| |
rappresentano, in questo caso, la varianza di X, e nel caso di Y, è la varianza residua di Y. Se una freccia a doppia punta dovesse iniziare in una variabile e iniziare ... e finire nell'altra, allora sarebbe una covarianza. |
| |
Ora, in SEM qualsiasi variabile può essere sia un risultato che un predittore. Quindi, in questo caso, Y potrebbe anche assumere il ruolo di predittore se avessimo una terza variabile Z, dove Y è predittore di Z. |
| |
E così possiamo costruire effetti sequenziali, questo tipo di regressioni sequenziali, sai, quante ne hai bisogno a seconda dei tuoi dati. |
| |
Un altro elemento costitutivo sarebbe quello di un modello fattoriale di conferma, e quindi fondamentalmente |
| |
il modo in cui specifichiamo le variabili latenti in SEM. E questo particolare esempio è un fattore molto semplice, una variabile latente |
| |
modello fattoriale confermativo in cui il cerchio rappresenta la variabile latente non osservata. |
| |
E si noti che la variabile latente ha frecce a una testa che puntano alle variabili che osserviamo, in questo caso W, X e Y. |
| |
E il motivo per cui quella variabile punta a quei quadrati è perché nell'analisi fattoriale l'idea è che la variabile latente causa la variabilità comune che abbiamo osservato tra W, X e Y. |
| |
E questo è molto importante da capire perché è spesso confuso quando pensiamo a componenti principali come un principale |
| |
prospettiva di analisi dei componenti. E quindi penso che questa sia una buona opportunità per tracciare le distinzioni tra variabili latenti da una prospettiva analitica fattoriale e componenti da una prospettiva PCA, quindi prenderò un po 'di tangente per spiegare queste differenze. |
| |
In questa immagine, i quadrati rappresentano le variabili che abbiamo misurato, quelle variabili osservate. E nota, sto usando queste diverse quantità di |
| |
ombreggiatura blu su queste variabili per rappresentare la proporzione di varianza che è dovuta a ciò che intendevamo misurare, tipo di segnale, le cose che volevamo misurare con i nostri strumenti. |
| |
E le aree ombreggiate in grigio sono la proporzione di varianza dovuta a qualsiasi altra fonte di varianza. Può includere errori di misurazione, ma può anche includere varianza sistematica |
| |
unico per ciascuno di questi strumenti di misurazione. |
| |
E così, nel caso dell'analisi fattoriale, la variabile latente cattura tutta quella variabilità comune tra le variabili osservate, ed è per questo che stiamo usando questo blu fisso per rappresentare la variabile latente. |
| |
E questo è in contrasto con quanto accade nell'analisi delle componenti principali, dove l'obiettivo è la riduzione delle dimensioni. E così in PCA, il componente spiegherà la quantità massima di varianza |
| |
dalle dimensioni dei nostri dati. E quindi ciò significa che quella componente principale sarà spesso una combinazione della varianza dovuta a cosa |
| |
ciò che volevamo misurare, ma anche ad altre fonti di varianza. Va bene, e così di nuovo il diagramma illustra anche quelle l'assunzione causale, il fatto che le variabili latenti siano |
| |
ipotizzato di causare la variabilità dei loro indicatori nelle variabili osservate, ed è per questo che quelle frecce unidirezionali puntano verso le variabili osservate e questo non è il caso della PCA. |
| |
Va bene, quindi penso che questa sia un'utile distinzione da fare quando parliamo di variabili latenti in SEM, |
| |
molto spesso, quello di cui parliamo sono le variabili latenti dal punto di vista dell'analisi fattoriale. |
| |
Ok, quindi qui ho scelto di mostrarti un diagramma del percorso che appartiene a un modello che è già stato stimato. Quindi abbiamo tutti i valori qui |
| |
su queste frecce perché sono tutte stime del modello e penso che questo diagramma faccia un buon lavoro nell'illustrare perché si potrebbe usare SEM. |
| |
In primo luogo, vediamo che abbiamo variabili non osservate. Proprio qui, il conflitto è un costrutto astratto che non possiamo necessariamente osservare direttamente e quindi lo definiamo come una variabile latente facendo leva sulle cose che osserviamo, in questo caso abbiamo tre domande del sondaggio che rappresentano |
| |
sai, quella variabile di conflitto inosservata. Siamo anche in grado di tenere conto dell'errore di misurazione, il modo in cui le variabili latenti sono definite in SEM |
| |
ci assicura che, in effetti, stiamo tenendo conto dell'errore di misurazione, perché quelle variabili latenti cattureranno solo la varianza comune tra tutte queste variabili osservate. |
| |
Notare anche che siamo in grado di esaminare le relazioni sequenziali in SEM. Quindi abbiamo questa variabile di conflitto non osservata ma siamo anche in grado di vedere, |
| |
sai, come funziona questa variabile Supporto, come influenza il Lavoro e poi, come questa variabile Lavoro a sua volta influenza la variabile latente? |
| |
E in definitiva, come il conflitto, la variabile non osservata, può prevedere tutti i tipi di altri risultati. E quindi queste relazioni sequenziali sono molto utili e molto facili da stimare in SEM. |
| |
Un altro buon motivo per utilizzare SEM è che in JMP Pro, la nostra piattaforma utilizza tecniche all'avanguardia per la gestione dei dati mancanti, quindi anche se hai una semplice regressione lineare e questo è davvero tutto ciò di cui hai bisogno, se hai dati mancanti, |
| |
SEM si assicura che tutto ciò che è presente venga utilizzato per la stima e quindi anche questo può essere molto utile. |
| |
Se questo... |
| |
se quello che ho detto finora suscita il tuo interesse e hai intenzione di saperne di più su SEM, senza dubbio troverai molta terminologia |
| |
questo è unico per il campo. E quindi, come qualsiasi altra cosa, c'è un gergo con cui dobbiamo familiarizzare. |
| |
E così, questo diagramma è utile anche per introdurre un po 'di quel gergo. Innanzitutto, abbiamo parlato di variabili osservate o variabili misurate. |
| |
In SEM queste sono spesso chiamate variabili manifest. Abbiamo variabili latenti, di cui abbiamo già discusso. |
| |
Ma abbiamo anche questa idea delle variabili esogene e quelle sono quelle che prediranno solo altre variabili. |
| |
Nel nostro modello qui, ne abbiamo solo due e sono in contrasto con le variabili endogene. E quindi ogni altra variabile qui è una variabile endogena perché hanno altre variabili che le prevedono. |
| |
Va bene, quindi quelle sono variabili endogene. Abbiamo anche indicatori di variabili latenti e quindi queste sono le variabili che sono causate dalle variabili latenti. |
| |
E la varianza residua che non è spiegata dalla variabile latente è chiamata unicità, e spesso viene chiamata anche varianza fattoriale unica. E quindi ricorda che questa è la combinazione della varianza sistematica che è unica per quella variabile oltre all'errore di misurazione. |
| |
Trovo utile quando le persone stanno imparando SEM per avere un cambiamento nel focus di cosa |
| |
cosa sta realmente facendo il modello. Quindi, in altre parole, rendendoci conto che stiamo facendo un'analisi multivariata di una struttura di covarianza |
| |
(e significa anche, ma ricorda che non parliamo di mezzi oggi), ma rendendoci conto che ciò che stiamo effettivamente analizzando è la struttura |
| |
delle covarianze dei dati, che ci aiuta a capire meglio il SEM molto più facilmente. |
| |
Perché ha implicazioni per ciò che pensiamo siano i dati, giusto? Quindi, ad esempio, sai, possiamo avere le nostre tabelle di dati, in cui ogni riga rappresenta un'osservazione diversa e ogni colonna è una variabile diversa. |
| |
E possiamo sicuramente utilizzare questi dati per lanciare la piattaforma SEM in JMP. |
| |
Ma sullo sfondo, una sorta di dietro le quinte, ciò che la piattaforma sta facendo è guardare la matrice di covarianza di quelle variabili, e cioè, in effetti, i dati che vengono analizzati. |
| |
E quindi questo ha implicazioni anche per i residui. Spesso quando pensiamo ai residui in SEM, questi sono rispetto a quella matrice di covarianza che stiamo analizzando. |
| |
E questo vale anche per i gradi di libertà, e i gradi di libertà saranno rispetto a questa matrice di covarianza. |
| |
Giusto, quindi voglio assicurarmi di darti un piccolo assaggio di come funziona SEM in termini di stima. |
| |
Quindi il modo in cui iniziamo è specificando un modello e, fortunatamente, in JMP Pro, abbiamo questa interfaccia utente davvero fantastica |
| |
dove possiamo specificare i nostri modelli direttamente con diagrammi di percorso, invece di dover specificare o elencare, sai, complessi sistemi di equazioni. Puoi semplicemente disegnare i diagrammi del percorso che implicano una specifica struttura di covarianza. |
| |
E quindi i diagrammi implicano una struttura di covarianza per i dati e quindi durante la stima, ciò che facciamo è cercare di ottenere stime del modello che corrispondano il più fedelmente possibile alla matrice di covarianza del campione, sulla base del modello implicito |
| |
vincoli, fondamentalmente. E una volta ottenute queste stime, possiamo inserirle nella matrice di covarianza implicita del modello e confrontare quei valori con la matrice di covarianza campionaria, |
| |
e la differenza tra loro ci permette di quantificare l'adattamento del modello, giusto. Quindi, se abbiamo grandi residui, osservando la differenza tra queste due matrici di covarianza, allora sappiamo che non abbiamo fatto un ottimo lavoro nell'adattare il nostro modello. |
| |
Va bene, quindi, in poche parole è così che funziona SEM, e vorrei prendere ora la parte successiva della presentazione per introdurre i dati che useremo per la nostra demo. Lo penso |
| |
è più facile apprendere nuovi concetti mettendo le mani su alcuni dati reali, esempi del mondo reale. |
| |
Quindi i dati che utilizzeremo in realtà provengono da un articolo pubblicato di recente che è stato pubblicato sulla rivista Social, Psychological and Personality Science, e quindi è stato pubblicato nell'estate del 2020. |
| |
E gli autori hanno voluto rispondere a una domanda molto semplice. Hanno detto, sai, in che modo le minacce percepite di COVID 19 influiscono sul benessere e sui comportamenti di salute pubblica? E così |
| |
è una domanda semplice, tranne per il fatto che le minacce percepite di COVID 19 sono un costrutto completamente nuovo, giusto. È un'idea molto astratta. |
| |
Sai, quali sono le minacce percepite di COVID 19 e come lo misuri, giusto? E così, poiché questo è qualcosa che non è mai stato misurato prima, gli autori hanno dovuto impegnarsi in modo molto attento |
| |
studio dove hanno sviluppato un sondaggio per essere in grado di misurare tali minacce. E |
| |
sviluppare un sondaggio non è facile, vero. Dobbiamo assicurarci che le nostre domande per il nostro sondaggio siano affidabili, che siano valide. |
| |
E così hanno dovuto passare attraverso il processo e vedremo come lo hanno fatto tra un minuto. |
| |
Ora, nel loro studio hanno scoperto che ci sono due tipi di minacce che potevano misurare, una che hanno chiamato minacce realistiche, e cioè |
| |
cose che minacciano la nostra sicurezza finanziaria e fisica. |
| |
E l'altro tipo di minaccia era ... lo chiamavano simbolico. Quindi quelle sono cose che minacciano la nostra identità sociale, culturale, giusto. Ed è anche importante dire che questo campione era per la popolazione degli Stati Uniti. Hanno provato |
| |
oltre 1.000 individui e quindi le loro domande riguardano esclusivamente la popolazione degli Stati Uniti. |
| |
E quello che vediamo qui, questa è in realtà la scala integrata delle minacce COVID 19, quindi questo è il questionario che hanno sviluppato dopo aver attraversato tre diversi studi. E così hanno scoperto che quelle due minacce |
| |
potrebbe essere misurato con una manciata di oggetti. Hanno chiesto ai loro partecipanti di rispondere a quale minaccia, se del caso, è l'epidemia di coronavirus, per la tua salute personale, per la salute della popolazione degli Stati Uniti nel suo insieme, |
| |
la tua sicurezza finanziaria personale e così via. E per minaccia simbolica, le domande erano, sai, |
| |
quanta minaccia è il virus per ciò che significa essere un americano, i valori e le tradizioni americani, i diritti e le libertà della popolazione degli Stati Uniti nel suo complesso, e così via. Quindi puoi vedere le differenze in ciò che rappresentano queste minacce. |
| |
Quindi abbiamo avuto accesso a questi dati e li utilizzeremo per rispondere a domande molto specifiche. Innanzitutto, come misuriamo queste percezioni della minaccia COVID 19 e ci concentreremo sulle due minacce che hanno identificato. |
| |
E quindi, questo ci porterà a parlare di analisi fattoriale di conferma e di valutazione di un modello di misurazione per essere sicuri di poter capire se le domande del sondaggio sono, in effetti, affidabili e valide. |
| |
Si noti che salteremo questo primo passaggio molto importante, che è l'analisi fattoriale esplorativa ed è qualcosa che si farebbe prima |
| |
usando SEM, giusto. Faresti un'analisi fattoriale esplorativa e poi verrai al SEM per confermare la struttura di quella ... dei risultati precedenti. Gli autori di questo articolo lo hanno sicuramente fatto, ma ci concentreremo sui passaggi che avremmo seguito utilizzando SEM. |
| |
La seconda domanda è: le percezioni della minaccia COVID 19 prevedono indicatori di benessere e comportamenti di salute pubblica. E quindi questa domanda ci porterà a parlare di regressione multipla e analisi del percorso all'interno del SEM. |
| |
E l'ultima domanda è: gli effetti di ogni tipo di minaccia sui risultati sono uguali. E questo in realtà ci consente di mostrare una caratteristica molto interessante del SEM, che implica l'impostazione di vincoli di uguaglianza nei nostri modelli e lo svolgimento di confronti sistematici dei modelli per rispondere a questi tipi di domande. |
| |
Va bene, quindi è il momento per la demo, e ho già ... vediamo ... |
| |
Ops, come posso uscire di qui? |
| |
Non è ancora il momento per le domande. |
| |
Voglio solo uscire dallo schermo e non riesco a farlo. |
| |
Ok, eccoci qui, quindi abbiamo ... |
| |
Ho già la tabella dati di JMP aperta qui. Questi ... questi dati, puoi vedere che ci sono 238 colonne, quindi è perché gli autori hanno chiesto |
| |
una serie di domande diverse da 550 partecipanti in questo caso; questo è uno dei loro tre studi. |
| |
E le prime 10 domande, le prime dieci colonne che ho nei dati corrispondono a quelle 10 domande che abbiamo visto nella loro scala delle minacce. |
| |
E così, quelli saranno quelli che useremo per primi per fare un'analisi fattoriale di conferma. Quindi faremo clic su analizza, andremo a metodi multivariati, modelli di equazioni strutturali. |
| |
E useremo quelle 10 variabili e faremo clic sulle variabili del modello, quindi faremo clic su OK per avviare la piattaforma. |
| |
Un avviso che sul lato destro vediamo subito che c'è un diagramma del percorso. |
| |
E quel diagramma ha già, sai, tutte le caratteristiche di cui abbiamo discusso in precedenza, quindi ciascuna delle variabili è in rettangoli, il che suggerisce che sono variabili osservate. |
| |
E ognuno di loro ha queste frecce a due punte che iniziano e finiscono su se stesse, quindi rappresentano una varianza di ciascuna di quelle variabili. |
| |
Ora, se faccio clic con il pulsante destro del mouse sulla tela, viene visualizzato un menu Mostra e noto che i mezzi e le intercettazioni sono nascosti per impostazione predefinita. |
| |
Farò clic su questo solo per mostrarti che, in effetti, ce l'abbiamo |
| |
significa stimato per impostazione predefinita da tutte queste variabili. E quindi non ne parleremo, quindi li terremo nascosti, ma penso sia importante saperlo |
| |
che il modello predefinito con cui iniziamo quando abbiamo lanciato la piattaforma è quello in cui tutte le variabili hanno varianze e medie stimate. |
| |
Ora, su questo |
| |
scheda, abbiamo una scheda elenco e se facciamo clic su di essa vediamo che abbiamo |
| |
le stesse identiche informazioni che abbiamo nel diagramma ma sotto forma di elenco. E così tutti i diversi tipi di parametri sono suddivisi in base al tipo di parametro che è, quindi abbiamo tutte le varianze qui e tutti i mezzi là. |
| |
Bene, abbiamo una scheda di stato e questo fondamentalmente ci dice, sai, del modello specifico che abbiamo specificato in questo momento. Ci fornisce un sacco di informazioni utili su quel modello. |
| |
Abbiamo dettagli sui dati, la nostra dimensione del campione, i gradi di libertà e abbiamo anche queste regole di identificazione. Puoi fare clic su di essi se vuoi saperne di più su di loro. Ti dà un po '... |
| |
Una piccola descrizione a destra. |
| |
Ma ciò che è veramente utile sapere è che questa icona per la scheda di stato cambia costantemente, a seconda dei cambiamenti che facciamo e delle specifiche del modello che abbiamo. E così spesso, se abbiamo un'applicazione avanzata di SEM, questa |
| |
L'icona potrebbe essere di colore giallo e quando abbiamo un brutto errore, qualche errore importante, allora quell'icona sarà un'arancia con una X, in pratica indicando che c'è un errore. Quindi potrebbe essere molto utile identificare gli errori mentre stiamo specificando i nostri modelli. |
| |
Ora sul lato sinistro dell'interfaccia utente, vediamo che possiamo |
| |
specificare il nome del nostro modello, quindi questo è molto utile, un po 'per tenere traccia del nostro flusso di lavoro. E abbiamo anche questo elenco Da e A. |
| |
E così, questi elenchi forniscono un modo molto utile per collegare le variabili, utilizzando una freccia a una o due punte. |
| |
Quindi qui, ad esempio, se voglio collegarli, posso fare clic su quel pulsante e molto rapidamente ho disegnato un diagramma del percorso, giusto. Quindi è un modo molto efficiente per specificare i modelli. |
| |
Quindi farò clic su Ripristina qui solo per tornare al modello che avevamo all'avvio della piattaforma, ma sappi che gli elenchi Da e A sono fondamentalmente i modi in cui possiamo disegnare i diagrammi. |
| |
Ok, in questo caso abbiamo tutte le variabili osservate elencate qui, ma so che vogliamo usare quelle variabili per specificare variabili latenti. |
| |
Ora, le prime cinque variabili qui sono quelle che corrispondono agli elementi in quell'indagine per la minaccia realistica. Quindi aggiungerò una variabile latente al modello scendendo |
| |
a questa casella quaggiù, dove dice Latent1 e cambierò il nome in Realistic, perché lo voglio |
| |
queste cinque variabili devono essere gli indicatori di una variabile latente di minaccia realistica. Quindi, facendo clic su questo pulsante, |
| |
Ottengo immediatamente quella variabile latente specificata. E nota, il primo caricamento per questa variabile latente di minaccia realistica ha un 1 in questo ... |
| |
in questo in questa freccia, e ciò rappresenta sostanzialmente il fatto che il parametro è fissato al valore di 1. |
| |
E lo facciamo perché dobbiamo impostare la scala della variabile latente. Senza questo vincolo, non saremmo in grado di identificare il modello e così via |
| |
per impostazione predefinita, imposteremo quel vincolo al primo caricamento della variabile latente, ma potremmo anche ottenere |
| |
lo stesso scopo se fissiamo la varianza della variabile latente a 1. Quindi quale fare è davvero una questione di scelta, ma come impostazione predefinita, la piattaforma fisserà il primo caricamento a 1. Ok, quindi abbiamo una variabile latente minacce realistiche e le altre cinque |
| |
le variabili qui sono quelle che corrispondono, sai, alle domande sulle minacce simboliche. Quindi selezionerò quelli e farò clic qui. Digiterò Simbolico e farò clic sul pulsante più per aggiungere quella minaccia simbolica. |
| |
Ok, quindi abbiamo quasi finito, ma nota che questo modello qui sta implicando che le minacce realistiche e simboliche sono perfettamente non correlate tra loro, e questo è un presupposto molto forte. E quindi non vogliamo farlo. |
| |
Per la maggior parte, la maggior parte dei modelli fattoriali di conferma consente alle variabili latenti di covariare tra loro, quindi le selezionerò qui e posso fare clic su questa freccia a due punte per collegare questi due nodi. |
| |
Ma posso anche farlo direttamente dal diagramma del percorso. Quindi, se faccio clic con il pulsante destro del mouse sulla variabile latente, posso fare clic su aggiungi covarianze e |
| |
proprio lì, posso aggiungere quella covarianza. Quindi è un modo piuttosto interessante. Puoi farlo con l'elenco, puoi farlo direttamente sul diagramma, |
| |
qualunque sia la tua scelta. E quindi il nostro modello è pronto per essere stimato, quindi cambierò il nome in 2-Factor CFA e potremo andare avanti e eseguirlo. |
| |
E puoi vedere, molto rapidamente, che otteniamo le nostre stime e sono tutte mappate sul diagramma, il che è piuttosto interessante. Ma prima di interpretare questi risultati, voglio assicurarmi di concentrarci su questa tabella di confronto dei modelli. |
| |
Il motivo è che la tabella ci fornisce molte informazioni sull'adattamento del modello e vogliamo assicurarci che il modello si adatti bene prima di interpretare i risultati. Così |
| |
la prima cosa da notare qui è che abbiamo tre modelli in questo ... in questa tabella e ne inseriamo solo uno. |
| |
Quindi il motivo per cui ne abbiamo tre è perché i primi due modelli, i modelli illimitati e indipendenti, non sono adatti per impostazione predefinita all'avvio della piattaforma. |
| |
E quindi adattiamo questi modelli apposta per fornire una linea di base per ciò che è davvero un buon modello di adattamento e cos'è un modello di adattamento davvero scadente, e quindi li usiamo come quadro di confronto |
| |
con i nostri modelli specificati. Quindi lasciami essere un po 'più specifico. Ad esempio, il modello senza restrizioni sarebbe un modello (ti mostrerò con il diagramma del percorso), |
| |
il modello illimitato è quello in cui ogni variabile può covare l'una con l'altra, d'accordo. E quindi notalo |
| |
la statistica del Chi quadrato, che è una misura del disadattamento, è esattamente zero e il motivo è che questo modello si adatta perfettamente ai dati. Ricorda che i nostri dati qui sono in realtà la matrice di covarianza dei dati giusti, quindi abbiamo zero gradi di libertà perché abbiamo specificato ... |
| |
avere zero gradi di libertà perché stiamo stimando ogni possibile varianza e covarianza nei dati. |
| |
Quindi questo è il miglior scenario possibile, giusto. Non abbiamo disadattato ma stiamo anche stimando ogni possibile stima dai dati. |
| |
L'altra estremità dello spettro è un modello che si adatterebbe davvero male ed è questo il modello di indipendenza. Quindi se ti mostro con il diagramma del percorso, |
| |
qui il nostro modello predefinito in cui abbiamo solo la varianza come mezzo per i dati, che è esattamente ciò che è il modello di indipendenza. E |
| |
che è essenzialmente un modello in cui niente covary con nient'altro, e puoi vedere la statistica del Chi quadrato per quel modello è in realtà piuttosto grande, perché c'è molto disadattamento, giusto, quindi sono quasi 2000 unità, ma abbiamo |
| |
45 gradi di libertà perché stiamo stimando pochissime cose dai dati. E così di nuovo, questi due modelli forniscono fondamentalmente |
| |
le due estremità dello spettro, a destra. Da un lato, un modello di adattamento davvero buono e dall'altra un modello di adattamento davvero scadente, quindi saremo in grado di utilizzare queste informazioni per confrontare il nostro modello con quelli. |
| |
Quindi, se guardiamo il nostro modello. Notare che la statistica del Chi quadrato non è zero, ma è solo 147 unità, che è molto inferiore a 2000. |
| |
E abbiamo 34 gradi di libertà, quindi abbiamo qualche disadattato. E quando guardiamo il test per quel Chi quadrato, è una statistica del Chi quadrato significativa, quindi suggerisce che abbiamo un disadattamento statisticamente significativo nei dati. |
| |
Tuttavia, la statistica del Chi quadrato è influenzata dalla dimensione del campione e, in questo caso, abbiamo 550 osservazioni. E così |
| |
di solito, quando si hanno 300 o più osservazioni, è molto importante non solo cercare la statistica del Chi quadrato, ma anche alcune speciali |
| |
indici di adattamento che sono unici per SEM che ci consentono di quantificare l'adattamento del modello, e questo è ciò che i valori sono qui a destra. |
| |
Questo primo indice di adattamento è chiamato indice di adattamento comparativo e quello |
| |
L'indice varia da zero a uno, quindi puoi vedere che il modello senza restrizioni ne ha uno. Questo è il modello più adatto e il modello di indipendenza ha zero, perché il modello peggiore, va bene, e il nostro modello ha effettivamente un CFI di 0,93, circa 0,94. |
| |
E quindi questo rappresenta la percentuale di miglioramento rispetto al modello di indipendenza. Quindi un altro modo per dirlo è |
| |
il nostro modello si adatta a circa il 94% in più rispetto al modello di indipendenza, quindi in realtà è abbastanza buono. E di solito vogliamo valori CFI di .9 o superiori. Più ci si avvicina, meglio è. |
| |
Ora l'errore quadratico medio della radice di approssimazione è un altro indice di adattamento, ma quello, |
| |
sebbene vada anche da zero a uno, vogliamo valori molto, molto bassi in quell'indice. Quindi nota che il modello senza restrizioni ha un valore pari a zero |
| |
e il modello di indipendenza è .27. Di solito vogliamo valori qui che sono .1 o inferiori per i modelli accettabili. E il nostro ha un .07, circa .08, e in realtà è abbastanza buono. |
| |
Abbiamo anche alcuni intervalli di confidenza per questa stima particolare e puoi vedere che anche quei valori sono inferiori a .1, quindi questo è un buon modello di adattamento, giusto. Quindi, una volta che sappiamo che il modello ha ... si adatta bene ai nostri dati, possiamo andare avanti e interpretarlo. |
| |
Ora, come impostazione predefinita nelle nostre stime, ti mostreremo le stime dei parametri non standardizzate. |
| |
Ma per l'analisi fattoriale, è molto più utile guardare la soluzione standardizzata, quindi farò clic con il pulsante destro del mouse sulla tela e mostrerò le stime standardizzate. |
| |
Quindi, ora i valori qui sono in una metrica di correlazione, quindi vogliamo che quei valori siano il più vicino possibile a uno, |
| |
perché rappresentano la correlazione della variabile osservata con la variabile latente. E nota, sia per la minaccia realistica che per quella simbolica, i valori sono piuttosto buoni. |
| |
Non vogliamo che siano inferiori a circa 0,4, quindi questi valori sono buoni. Un'altra cosa che è davvero unica e davvero utile, è unica per JMP Pro, è che le variabili qui il ... qualsiasi variabile endogena che ha |
| |
predittori, giusto, indicandoli, è ombreggiato. |
| |
Notare che qui c'è un po 'di grigio all'interno di questi quadrati, quindi l'ombreggiatura è proporzionale alla quantità di varianza spiegata dai predittori. |
| |
E quindi ci consente di vedere visivamente molto rapidamente quali variabili stavano facendo un ottimo lavoro nello spiegare la loro varianza. In questo caso, sembrano queste tre variabili |
| |
sono pieni di quel grigio più scuro, suggerendo che la variabile latente minacce simboliche sta facendo un buon lavoro nello spiegare la varianza di queste tre variabili osservate. |
| |
Vediamo anche che le due variabili latenti sono correlate circa .4, il che è un dato interessante. |
| |
E ci sono tutti i tipi di output su cui potremmo concentrarci qui nel menu del triangolo rosso, ma mi concentrerò specificamente su uno |
| |
opzione denominata valutare il modello di misurazione. Ed è qui che troveremo molte statistiche in cui possiamo quantificare l'affidabilità e la validità dei nostri costrutti. |
| |
Quindi, se clicchiamo lì, abbiamo questa piccola dashboard carina. E la prima informazione che abbiamo qui è |
| |
affidabilità dell'indicatore, quindi questo quantifica l'affidabilità di ciascuna delle domande in quell'indagine e forniamo un grafico che è. |
| |
mostrandoci tutti questi valori. E nota, abbiamo una linea rossa qui per una soglia di ciò che speriamo di avere, giusto. Vogliamo avere almeno quell'affidabilità in ciascuno dei nostri articoli. Adesso, |
| |
sai, questi tipi di soglie devono essere interpretati, sai, con il nostro pensiero critico, perché ovviamente, |
| |
sai, questo questo particolare oggetto, per esempio, è al di sotto della soglia, ma è ancora abbastanza vicino alla soglia, quindi non lo butteremo fuori. Possiamo ancora considerarlo |
| |
relativamente affidabile ed è ancora un buon indicatore di questa variabile latente. Ma ancora una volta, basta interpretare le soglie qui con cautela. |
| |
Ma una cosa che risulta evidente da questa trama è che la variabile latente delle minacce simboliche sembra avere indicatori più affidabili rispetto alle minacce realistiche. Sono entrambi abbastanza buoni, però, ma quello simbolico, sai, stiamo facendo un lavoro migliore nel misurarlo. |
| |
I valori a destra sono coefficienti di affidabilità per i compositi. In altre parole, quantificano l'affidabilità della variabile latente nel suo insieme e ci sono due tipi di affidabilità. |
| |
Non entrerò nei dettagli delle loro differenze, ma noterò che questi valori vanno da zero a uno e vogliamo che siano il più vicino possibile a uno. E forniamo anche |
| |
sai, alcune trame con la soglia di una sorta di indicazione di qual è la quantità desiderata di affidabilità che vogliamo, il minimo e, in questo caso, la minaccia sia realistica che simbolica hanno buone affidabilità. |
| |
E l'altra visualizzazione che abbiamo qui è per una matrice di validità del costrutto e |
| |
tieni presente che quando stai cercando di misurare qualcosa che non vedi direttamente, è molto difficile capire se lo è davvero |
| |
è ciò che intendi misurare. Stai davvero misurando quello che volevi? Ed è ciò che queste informazioni ci consentono di determinare. |
| |
La visualizzazione qui rappresenta il triangolare superiore di questa matrice e lasciatemi spiegare brevemente cosa rappresentano i valori. In questo inferiore ... |
| |
al di sotto della diagonale, abbiamo la correlazione tra la variabile latente. Si tratta di .4. Le voci diagonali rappresentano la quantità media di varianza estratta |
| |
dal ... che le variabili latenti estraggono dai loro indicatori. E quindi vuoi che quei valori siano i più alti possibile. |
| |
E sopra la diagonale abbiamo questa correlazione al quadrato. In altre parole, è la quantità di varianza sovrapposta tra le variabili latenti. |
| |
E quindi la chiave per interpretare questa matrice è che vogliamo che i valori nella diagonale siano più alti |
| |
rispetto ai valori sopra ea destra della diagonale, e nota qui, la visualizzazione rende molto facile vedere che facciamo, in effetti, |
| |
hanno valori più grandi nella diagonale rispetto a quelli sopra o a destra. E questa è una buona prova della validità del costrutto. |
| |
E così, tutto qui suggerisce che sia le minacce realistiche che quelle simboliche sono, in effetti, |
| |
variabili latenti che sono valide, che sono affidabili e l'indagine sembra fare un buon lavoro nel misurarle entrambe. |
| |
Quindi un passo successivo potrebbe essere, potremmo forse scegliere di afferrare tutte quelle cinque domande che rappresentano le minacce realistiche qui, e potremmo creare una media tra tutte queste. |
| |
E all'improvviso avremmo una misura che rappresenta minacce realistiche. Potremmo farlo e potremmo fare lo stesso per le altre cinque variabili che rappresentano minacce simboliche. |
| |
E quindi, solo a titolo illustrativo, in realtà ho già creato quelle variabili, quindi passiamo ad analizzare, metodi multivariati, modelli di equazioni strutturali. E cercherò quelli |
| |
variabile media. In modo che le minacce realistiche e simboliche qui, queste siano la media tra le colonne per ciascuna di queste variabili. |
| |
E li modellerò oltre a ... abbiamo una misura per l'ansia, abbiamo anche una misura per gli affetti negativi o le emozioni negative negative. |
| |
Infine, abbiamo una misura per l'aderenza ai comportamenti di salute pubblica, quindi modelleremo anche questo e faremo clic su OK per avviare la piattaforma. |
| |
I pulsanti del diagramma qui, possiamo entrare in un menu personalizzato, possiamo cambiare tutti i tipi di aspetti del diagramma, il che è davvero, davvero fantastico. In questo momento, mi concentrerò solo sull'aumento della larghezza di ... |
| |
la larghezza di questi |
| |
variabili, in modo che possiamo leggere cosa c'è dentro i nodi. E quello che farò è adattare un modello in cui minacce sia realistiche che simboliche saranno predittori di questi risultati interessanti, giusto. C'è una specie di |
| |
marcatori per, sai, ansia, affetto negativo e anche comportamento di salute pubblica, quindi li collegheremo con una freccia a una punta per specificare le previsioni. Quindi esamineremo se questi effetti sono, in effetti, significativi. |
| |
Ora nota che non ho ancora finito di specificare questo modello, perché in questo particolare modello, |
| |
non c'è connessione tra le minacce realistiche e quelle simboliche, e questo sarebbe un vincolo molto forte nel modello per dire che queste due cose non sono |
| |
covarying a tutti. E quindi vogliamo sempre assicurarci di includere le covarianze tra i nostri predittori e anche tra le varianze residue dei nostri risultati. |
| |
E quindi potremmo specificare quelli direttamente dall'elenco Da, in questo caso userò aggiungi covarianze da questo menu e collegherò le minacce realistiche e simboliche. |
| |
Userò gli elenchi anche per aggiungere covarianze tra i residui di questi risultati. E ora abbiamo un modello completamente specificato correttamente, e questo è spesso chiamato analisi del percorso ma è anche ... |
| |
è fondamentalmente una raccolta, una raccolta simultanea di modelli di regressione e quindi la eseguiremo. |
| |
E si noti dalla tabella di confronto del modello che il nostro modello non ha gradi di libertà e ha un Chi quadrato perfetto e il Chi quadrato è zero. |
| |
Ma essenzialmente avendo zero gradi di libertà, significa che il nostro modello non è testabile, |
| |
perché abbiamo estratto tutte le informazioni che avremmo potuto estrarre dai nostri dati. Quindi questo è essenzialmente ciò che facciamo quando adattiamo un modello di regressione. Quindi non c'è problema con questo, ma sappi solo che non puoi interpretare questo Chi Square e dire, oh il mio modello si adatta così bene. |
| |
Si adatta bene perché hai estratto tutto ciò che avresti potuto estrarre dal modello. Quindi, comunque, è proprio come un modello di regressione. |
| |
Va bene, quindi se andiamo a vedere i risultati, sai, ci sono tutti i tipi di informazioni davvero importanti che possiamo interpretare, ma mi concentrerò su un paio di cose. Primo, |
| |
notate che i nostri diagrammi sono completamente interattivi, il che è davvero molto interessante. E sto solo spostando le cose per concentrarmi su un paio di effetti. Nasconderò le varianze e le covarianze in questo modello, in modo che possiamo davvero concentrarci sui risultati dei modelli di regressione, |
| |
dall'analisi del percorso. E notate qui, minacce così realistiche e simboliche, entrambe hanno un effetto positivo sull'ansia. |
| |
Quindi è davvero interessante e qui le frecce sono solide perché gli effetti, che puoi vedere qui nella tabella delle stime dei parametri, sono statisticamente significativi. Quindi, se fossero insignificanti, |
| |
in realtà, le frecce sarebbero visualizzate come frecce tratteggiate. Quindi il diagramma del percorso trasmette molte informazioni. Quindi abbiamo effetti significativi positivi sull'ansia |
| |
e questo è interessante, ovviamente, ma finora tutto ciò che abbiamo fatto, ancora una volta, è stato di montare modelli di regressione in modo simultaneo. |
| |
E, in effetti, se torniamo alla tabella dei dati, ho uno script qui dal modello di adattamento, dove in realtà uso la stessa ansia |
| |
risultato e gli stessi due predittori, minacce realistiche e simboliche, |
| |
e io stimo semplicemente un modello di regressione multipla. E il motivo per cui volevo mostrarti questo è perché, nota che le stime dei parametri qui sono esattamente lo stesso valore che abbiamo ottenuto da SEM. |
| |
E non è una sorpresa, perché, in effetti, stiamo facendo una regressione simultanea. Quindi, fino a questo punto, potresti chiedertelo |
| |
cosa ti offre SEM, giusto, perché tecnicamente potresti eseguire tre modelli di adattamento separati con questi tre risultati e potresti ottenere le stesse informazioni che abbiamo ottenuto finora. |
| |
Tuttavia, beh, se hai dati mancanti, vuoi comunque usare SEM perché quindi useremo ... tutti i dati verranno utilizzati anziché rilasciare righe. |
| |
Tuttavia, se desideri utilizzare SEM, sarai anche in grado di rispondere a ulteriori domande piuttosto interessanti. |
| |
In questo caso, potremmo chiederci se l'effetto che la minaccia realistica ha sull'ansia sia statisticamente maggiore |
| |
dell'effetto che la minaccia simbolica ha sull'ansia, giusto. Finora, sappiamo che sono entrambi significativamente diversi da zero, ma sono significativamente diversi l'uno dall'altro? |
| |
E questa è una domanda a cui possiamo rispondere utilizzando la piattaforma SEM. E tornando al nostro pannello delle specifiche del modello, possiamo selezionare entrambi gli effetti e qui nei pulsanti Azione abbiamo il pulsante uguale, quindi se lo premiamo, notiamo che otteniamo un po ' |
| |
etichetta qui che implica che entrambi questi effetti saranno impostati allo stesso modo. Saranno stimati come uno. Quindi, se cambiamo il nome qui in effetti uguali e utilizziamo questo modello, otterremo le statistiche di adattamento per quello specifico |
| |
modello che ha i vincoli di uguaglianza. E notate che ora abbiamo ottenuto un grado di libertà, quindi all'improvviso abbiamo un modello verificabile. |
| |
E possiamo utilizzare la tabella di confronto dei modelli per selezionare i due modelli che vogliamo confrontare l'uno con l'altro e deselezionare il tuo clic confronta i modelli selezionati. |
| |
E ora otteniamo un test della differenza del Chi quadrato, quindi siamo in grado di confrontare il modello statisticamente e vedere qual è la quantità di disadattamento che il nostro |
| |
il vincolo di uguaglianza induce nel modello. E qui possiamo vedere che si tratta di circa 8,6 unità nella metrica del Chi quadrato e il valore p per questo è, in effetti, significativo. Quindi questo lo suggerisce |
| |
l'impostazione di tale vincolo di uguaglianza induce una quantità significativa di disadattamento nel modello. E anche noi, poiché sappiamo che il Chi quadrato è influenzato dalla dimensione del campione, abbiamo anche la differenza in quelli |
| |
si adattano agli indici di cui abbiamo discusso e per il CFI, di solito non vogliamo che questo aumenti, non più di 0,01 |
| |
al massimo. In effetti .01 o superiore non è così buono. E per RMSEA, sai, non vuoi che questo sia superiore a .1. |
| |
Quindi tutte le prove qui suggeriscono che l'impostazione dei vincoli di uguaglianza porta a un modello di adattamento significativamente peggiore. |
| |
In altre parole, se torniamo al modello che si adatta meglio, ora siamo in grado di dire, in base a quel test della differenza del Chi quadrato, |
| |
che l'effetto che la minaccia realistica ha sull'ansia è significativamente più alto dell'effetto che la minaccia simbolica ha sull'ansia. |
| |
E quindi quei tipi di domande, sai, potremmo affrontarli con altre parti di questo modello, ma ancora una volta il SEM offre molta flessibilità permettendoci di confrontare l'uguaglianza dei diversi effetti all'interno del modello. |
| |
Va bene, quindi, nell'interesse del tempo, lo chiuderò, ma, e voglio mostrarti finora, sai che abbiamo visto un modello fattoriale di conferma. Abbiamo anche visto |
| |
un'analisi del percorso, in cui stiamo eseguendo un'analisi di regressione multivariata, ma possiamo effettivamente utilizzare entrambi questi concetti in un modello. Quindi ho uno script che ho già salvato nella mia tabella dati e puoi vedere che cosa sto facendo qui in questo modello è in realtà |
| |
stima delle variabili latenti. Sto modellando variabili latenti per minacce sia simboliche che realistiche, utilizzando gli elementi originali del sondaggio, dal questionario. |
| |
Quindi, in questo modo, invece di creare medie tra le colonne, |
| |
In realtà modellerò le variabili latenti, e questo mi permette di ottenere effetti di regressione, tutti questi effetti tra le variabili latenti saranno imparziali e non attenuati dall'errore di misurazione, perché sto ottenendo un |
| |
una misura più valida, più pura delle minacce simboliche e realistiche. E quindi qui stiamo stimando, puoi vedere relazioni sequenziali, e il mio modello qui è molto più complesso. |
| |
Non entrerò nei dettagli del modello, ma sappi solo che modellando variabili latenti e osservando le relazioni tra variabili latenti, siamo davvero in grado di ottenere il meglio |
| |
funzionalità dal SEM perché le nostre associazioni tra quelle variabili latenti saranno stime migliori di ... |
| |
per il modello. E in realtà ho stimato questo modello, puoi vedere i risultati qui sotto. E quindi nota qui, ci sono alcuni bordi che sono ... |
| |
che hanno frecce che sono un po 'tratteggiate, a indicare che quegli effetti non sono significativi. Vediamo anche quanto sia potente la visualizzazione dell'ombreggiatura, giusto. Siamo in grado di spiegare |
| |
una certa percentuale di varianza nell'aderire a comportamenti di salute pubblica. E sembra che stiamo facendo un lavoro migliore nello spiegare la varianza sull'affetto positivo rispetto a qualsiasi altro risultato qui. E così è di nuovo |
| |
in pratica, il meglio di entrambi i mondi, essendo in grado di specificare le nostre variabili latenti ma anche modellarle direttamente utilizzando la nostra piattaforma. |
| |
Quindi, con questo interromperò la demo qui, ma ti indirizzerò al fatto che nel sito Web della comunità di JMP, abbiamo materiali supplementari che |
| |
James Koepfler ha creato. Sono materiali davvero fantastici che hanno molti suggerimenti su come interpretare i nostri modelli, come utilizzare la tabella di confronto dei modelli, |
| |
e fondamentalmente tutti gli appunti che avresti voluto prendere durante questa presentazione, li puoi ottenere sui materiali supplementari. E così con questo sono pronto ad aprirlo alle domande. |
