Bienvenidos a mi primer post sobre modelado de ecuaciones estructurales y su correspondiente plataforma en Pro JMP . Planeo hacer de esta una serie mensual con publicaciones que expliquen los principios del modelado de ecuaciones estructurales, así como también cómo implementar estos principios dentro de JMP Pro. Para esta primera publicación, presentaré el modelo de ecuaciones estructurales y luego explicaré brevemente dónde se ha usado en el pasado, así como dónde podría usarse en el futuro.
¿Qué es SEM?
El modelado de ecuaciones estructurales (SEM) es un método establecido desde hace mucho tiempo para el modelado de sistemas multivariados que ha tenido una adopción significativa en las ciencias sociales y del comportamiento. La razón de su popularidad en estos campos se debe en gran parte a su simple representación visual de sistemas multivariantes complejos. Los SEM son ideales para comprender relaciones complejas entre variables, lo que permite explicar estas relaciones complejas a quienes tienen poca experiencia en el campo del modelado o en sistemas de ecuaciones. No solo esto, sino que SEM permite determinar cuantitativamente el efecto indirecto de las variables, así como modelar cualquier variable como entrada y salida. Como resultado, SEM puede detectar relaciones que de otro modo podrían pasarse por alto o confundirse cuando se utilizan métodos de modelado tradicionales.
Motivación
Como recién graduado en ingeniería química, tomé nota de estas propiedades únicas en SEM y estoy interesado en explorar sus aplicaciones en el ámbito de la ciencia y la ingeniería, que es una premisa que aún no se ha examinado. En consecuencia, comencé a aprender sobre SEM y cómo construir, evaluar y modificar estos modelos dentro de la plataforma JMP SEM recientemente agregada. Esta plataforma se agregó en JMP Pro 15 y fue el tema de muchas publicaciones de blog. Con la llegada de JMP Pro 16 y, por lo tanto, la adición de muchas funciones nuevas dentro del módulo SEM, parecía un buen momento para compilar una serie de tutoriales para cubrir mi viaje para aprender sobre SEM y aplicar SEM usando JMP Pro 16.
Planeo actualizar esta serie de JMPer Cable en ejecución a medida que aprenda más sobre el tema y el módulo a medida que se desarrolla; esta serie también servirá como una serie de tutoriales de "inicio" para el módulo JMP Pro 16 SEM. Dentro de esta serie, espero señalar obstáculos comunes y abordar temas difíciles que he abordado recientemente. A lo largo de esta serie, mostraré varios conceptos de SEM mediante demostraciones breves en video mediante la aplicación de conjuntos de datos fáciles de entender.
¿Cuándo se puede utilizar SEM?
Quizás se pregunte por qué SEM ha visto poca adopción en ingeniería mientras se emplea mucho en ciencias sociales y del comportamiento. Hay dos razones principales. En primer lugar, existe una barrera de entrada significativa para emplear SEM en cualquier contexto, ya que se requiere una comprensión significativa de las diferentes métricas y métodos estadísticos. El software SEM anterior solía ser bastante difícil de entender y no tenía muchos tutoriales completos asociados con ellos. La plataforma JMP SEM supera los inconvenientes asociados con otros paquetes de software SEM al tener una plataforma de análisis visual integrada junto con los resultados estadísticos, lo que permite una fácil comparación entre modelos.
Además, los usuarios de SEM deben tener un conocimiento profundo de varias reglas para identificar con éxito el modelo y evitar errores al determinar una solución. JMP viene con una ventana de estado que marca automáticamente cualquier error o violación de las reglas que podría dificultar la identificación del modelo, junto con una explicación práctica de por qué ocurrió el error y cómo solucionarlo. Cubriré esta pestaña de error en una publicación posterior, pero solo sé en esta etapa que esto me ha ahorrado incontables horas en la depuración y ha reducido mi frustración con los modelos que no convergen.
En segundo lugar, SEM generalmente se emplea en situaciones en las que existe una estructura hipotética para el modelo subyacente, lo que da como resultado modelos que se han creado en función del conocimiento del sistema por parte del usuario y las relaciones entre las variables. Luego, los datos que se han recopilado se introducen para respaldar o refutar la hipótesis descrita por el modelo. Sin embargo, en ingeniería, la construcción de modelos generalmente sigue un enfoque basado en datos donde los datos recopilados de experimentos o sistemas se estudian para luego sacar hipótesis y conclusiones. Esta es la razón por la cual otros métodos basados en datos, como el aprendizaje automático, se emplean más típicamente en ingeniería y resaltan un problema obvio con la aplicación de SEM en este campo. Propongo que hay un par de formas en que SEM aún se puede aplicar, pero deberá esperar a las publicaciones posteriores de esta serie para obtener más información.
Problemas típicos con SEM
Una desventaja de usar SEM es que requiere un tamaño de muestra grande para hacer inferencias razonables y precisas. La unidad de observación típica en el contexto de la ingeniería sería el sistema singular que se estudia. Al aplicar SEM a situaciones de ingeniería, muchas empresas necesitarían compartir sus datos en sistemas similares para validar el modelo SEM, lo que no sucede a menudo. Sin embargo, existen algunas aplicaciones SEM avanzadas que podrían emplearse para evitar este problema mediante el uso de datos de proceso dependientes del tiempo.
Metodología SEM
Dado que el proceso típico de ajuste de SEM se puede considerar como un método de cuatro etapas, seguiré este método de manera general a lo largo de esta serie de JMPer Cable para explicar cómo cada uno de los conceptos se relaciona con esta metodología típica. Las cuatro etapas son las siguientes:
Gracias por leer y espero que esto haya captado su interés en las aplicaciones de SEM en ingeniería, así como en las poderosas capacidades de SEM y la plataforma SEM en JMP Pro. Espero escuchar de usted en los comentarios.
Gran primera publicación, @jordanwalters ! Ya estoy deseando que llegue el siguiente.
¡Tengo muchas ganas de leer más sobre SEM! Bien hecho @jordanwalters
Gracias @jordanwalters .Espero su discusión sobre la modificación del modelo. Un interés mío es el diseño eficiente de experimentos dado un proceso que tiene un SEM validado. No estoy seguro de si su próxima presentación abordará eso, pero espero con ansias esa discusión.
Gracias por tu interés @gzmorgan0 , ese es un tema interesante y estoy seguro de que una de mis publicaciones más adelante profundizará en esta idea.
Gran post Jordan, deseando leer el siguiente 
Gran primer post Jordan. Estoy interesado en aplicar SEM en problemas empresariales y financieros. Seguiré leyendo tus próximas publicaciones.
AngularJs es un marco de código abierto desarrollado y mantenido por los desarrolladores de Google. Este es uno de los marcos muy efectivos que son muy fáciles de usar en la creación de plantillas de sitios y el enlace informativo bidireccional. Si está interesado en desarrollar aplicaciones basadas en la web, únase Instituto de formación de Angularjs en Bangalore en Academia FITA donde ofrecen la mejor formación con certificación.
Capacitación de Angularjs en Bangalore
Entrenamiento angular en Bangalore
Curso angular en Bangalore
