Hallo wundervolle Gemeinschaft!
Ich habe meine Analysen fast abgeschlossen, aber ich muss die nomologische Validität meiner Messskala überprüfen. Ich habe zu diesem Thema gelesen, aber ich verstehe nicht, wie man es in JMP Pro 16 macht.
Ich würde gerne eine Tabelle wie die im Anhang machen.Kannst du mir bitte helfen?
Vielen Dank!
Natalie 
Hallo Natalie,
Ich denke, dass Sie mehr Informationen zu Ihrer Analyse bereitstellen müssen. Ich gehe davon aus, dass das von Ihnen angehängte Beispiel aus einem Strukturgleichungsmodell stammt. Aber es wäre nützlich, wenn Sie erklären könnten, woher es kommt und wie sich das, was Sie zu tun versuchen, damit zusammenhängt.
Grüße,
Phil
Hallo Natalie,
Wie Phil sagte, wäre es hilfreich, mehr Klarheit über die von Ihnen durchgeführten Analysen zu haben. Aus einer älteren Frage, die Sie gestellt haben, gehe ich davon aus, dass Sie ein Modell der konfirmatorischen Faktorenanalyse (CFA) mit 3 latenten Variablen (den Subskalen Ihrer Messskala) anpassen.
Im Allgemeinen besteht eine effektive Möglichkeit zum Testen der konvergenten und diskriminanten Validität Ihrer Skala darin, einen anderen CFA mit Ihrer Skala und auch ein paar anderen Skalen, die mit Ihrer kovariieren sollten und nicht, anzupassen. Ihr CFA sollte so viele latente Variablen (LVs) haben, wie Sie denken, dass Ihre Skala misst, plus die LVs der anderen Skalen, und alle LVs sollten kovariieren. Nachdem Sie das Modell angepasst haben, finden Sie im roten Dreieckmenü "Messmodell bewerten", das die Zuverlässigkeit Ihrer Indikatoren und Ihrer Subskalen anzeigt. Es wird auch eine "Gültigkeitsmatrix erstellen" zusammen mit einer Visualisierung der Matrix angezeigt. Ihr Ziel ist es zu zeigen, dass die diagonalen Einträge in dieser Matrix größer sind als die Werte darüber und rechts davon. Der Grund dafür ist, dass die Diagonalwerte die durchschnittliche Varianz sind, die von den LVs aus den Indikatoren extrahiert wurde und die Werte oben und rechts die geteilte Varianz darstellen über die LVs. Sie möchten sicherstellen, dass Ihre LVs (Subskalen) mehr Varianz mit ihren eigenen Indikatoren als mit den anderen LVs gemeinsam haben, und dies wird durch größere Werte in der Diagonale belegt. Sie können auch die Werte unterhalb der Diagonale untersuchen, bei denen es sich einfach um die Korrelationen zwischen den LVs handelt – diejenigen, von denen Sie annehmen, dass sie mit den LVs Ihrer Skala korrelieren, sollten diese Assoziationen zeigen, und diejenigen, von denen Sie annehmen, dass sie nicht mit den LVs Ihrer Skala korrelieren, sollten ebenfalls dieses Muster aufweisen.
Hier ist ein Beispiel, bei dem die latenten Variablen (alle außer Reputation) wohldefiniert sind und eine gute konvergente und diskriminante Gültigkeit haben:
In dieser Video-Präsentation ab Minute 31 finden Sie eine ausführlichere Erläuterung der Option Messmodell bewerten: https://community.jmp.com/t5/Discovery-Summit-Americas-2020/ABCs-of-Structural-Equations-Models-2020-US-45MP-590/ta-p/281529
HTH,
~Laura
