構造方程式モデルを正常に構築するための正しいまたは一般的な手順は何ですか？私は構造方程式モデリングについての理論を学びましたが、構造方程式モデルを構築する十分な経験がありません。 私は良いSEMを構築するのに苦労して多くの時間を費やしました。 構造方程式モデルを構築する手順についていくつか質問があります。誰かが私に答えをくれて、私を救ってくれることを願っています。 JMP pro16を使用しています。
Q1。 構造方程式モデルを構築するための自分の手順に問題はありますか？また、見逃した手順はありますか？
私のステップ：
1.最尤推定を使用しているので、モデル内の内因性変数である可能性のある各変数の分布を確認し、通常の分布ではない変数を変換します。
2.潜在的な推定の問題を回避するために、分散が非常に大きいまたは小さいいくつかの変数を再スケーリングします。
3.自然システム（水、生息地、空気など）のいくつかの側面（約3〜5）に関連する50を超える変数があります。 それらのいくつかを使用して、自然システムのさまざまな側面を表す3〜5個の潜在変数を作成したいと思います。 次に、人間の発達を表すいくつかの観測変数を最終的な構造方程式モデルの外因性変数として使用して、人間の発達が自然システムのいくつかの側面にどのように影響し、次に動物グループにどのように影響するかを確認したいと思います。 次の図は、概念モデルです。
4.結果と既存の理論に基づいて、50個の変数の相関分析を実行し、相関が0.3を超え、理論的には同じ側面に分類される変数をグループ化しました（一部の変数は複数のグループに属していました）。 だから私は変数のいくつかのグループを手に入れました。
5.各グループの因子分析を実行します。 各グループで、潜在変数の指標と同じ係数で負荷が高く類似している2〜3個の変数を選択しました（このステップは主観的な傾向があります）。
6.選択した変数を使用して確認的因子分析を実行します（下の図を参照）。 合格した場合（適合指数、指標の信頼性、複合信頼性、最大の実現可能性の構築、妥当性マトリックスの構築）、これらの潜在変数を使用して、観測された変数（人間の発達、動物グループ）を含む構造方程式モデルを構築します。 合格しない場合は、合格するまで変数の組み合わせを変更します。
7.構造方程式モデルを作成し、適合指数を確認します。
Q2：構造方程式モデルを正常に構築するための正しいまたは一般的な手順は何ですか？
CFAの前に、クラスタリング分析、PCA、および因子分析の実施について言及している回答やビデオを見たことがありますが、よくわかりません。 また、SEMを構築するためのステップバイステップの説明を提供する記事/本/ビデオを誰かが私に勧めてもらえますか？ ありがとう。
アナリティクスマックOSウィンドウズRe：構造方程式モデルを正常に構築するための正しいまたは一般的な手順は何ですか？やあ、
まだ返信がないのでごめんなさい。 この理由の1つは、SEMがJMPユーザーのコミュニティにとって比較的新しいことです。
投稿に1つの質問を投稿できれば、それも役立つと思います。 短く特定のリクエストであるディスカッション投稿は、最良の応答を得る傾向があります。 ほとんどの場合、実行しようとしていることを説明するために可能な限り単純なサンプルデータを投稿することも良いことです。
私はSEMについて少し知っています（それは私の統計MScのモジュールの1つでした）。 私の知る限り、構造方程式モデルを構築するための「正しい方法」を処方するのは難しいと思います。 あなたが提案したアプローチについてコメントするのに十分なことはわかりません。 50個の変数はSEMの例で見たよりもはるかに多いので、これは難しいかもしれません。
リソースに関しては、Laura Castro-Schilo（ @LauraCS ）。 例えば、 JMP（R）Pro 15（2019-US-45MP-273）の構造方程式モデルの概要
また、私の同僚、 @jordanwalters 、SEMに関する記事を毎月投稿していますJMPerケーブル。 ジョーダンは、SEMについて学ぶときに役立つと思ったリソースについていくつかの提案があるかもしれません。
申し訳ありませんが、あなたの質問には本当に答えることができませんでした。 しかし、これがお役に立てば幸いです。
フィル
Re：構造方程式モデルを正常に構築するための正しいまたは一般的な手順は何ですか？こんにちはlujc07、
SEMのリソース：
JMPでSEMを使用するための良い手始めとして、Laura（@LauraCS）のリソースと投稿を探すことを強くお勧めします。
注目すべきものは次のとおりです。 https://community.jmp.com/t5/Discovery-Summit-Americas-2020/ABCs-of-Structural-Equations-Models-2020-US-45MP-590/ta-p/281529
さらに、そこには多くの優れたSEMテキストがあります。優れたスターターは、Rex Klineによる「構造方程式モデリングの原則と実践」であり、それに適用された曲がりがあります。 表示される他の著者は、Ken Bollen、Schumacker＆Lomax、Rick Hoyal、および他の多くの著者です。すべてのテキストも優れたリソースであり、一部のテキストは他のテキストよりも技術的です。 ほとんどのテキストは教育や社会科学の例を使用する可能性がありますが、アプローチは一般的に適用されます。 この手法は、これらの分野で広く使用されています。
再： Q2：あなたがリストした他の次元削減手法（PCA、クラスタリングなど）とは対照的に、SEMが探索的因子分析（EFA / FA）に従うことが一般的に最も適切であると考えられます。 ただし、文献を読んでいる場合は、PCAのような他の文献が以前に使用されているのを目にするかもしれません。 それについて考えるための頭の中で役立つ順序は、相関行列-> EFA-> CFA-> SEMかもしれません。
再： Q1：手順1〜6は、SEMに移行するための一般的な手順です。 実際、人々はこれらの重要な初期のステップを忘れて、頭痛につながる可能性のあるモデルをすぐに構築しようとすることがあると思います。 私が持っているいくつかの提案：
ステップ5：
各グループの因子分析を実行します。 各グループで、潜在変数の指標と同じ係数で負荷が高く類似している2〜3個の変数を選択しました（このステップは主観的な傾向があります）。
FAのステップでは、潜在変数「水、空気、生息地」に関連するすべての変数（v1-v9など）をFAに含めることを検討します（これを行った可能性がありますが、よくわかりませんでした）。 その理由は、これらの他の要因と相互負荷をかける可能性のある変数を特定し、それらを含めるかどうかを決定するのに役立つためです。 アイテムがそれ自体で小さなサブセットに含まれている場合は見栄えがよくなりますが、他の変数に含まれている場合は、保持したいアイテムではない可能性があります。また、これらの要因が予想どおりに分離されているかどうかを確認するのにも役立ちます。
さらに、潜在変数に少なくとも3つの変数を使用し（経験則として）、それ以上の変数がある場合は適切であり、因子（4や5など）に十分にロードして、それらを一緒に運ぶ必要はありません。彼らが構成をうまく測定するならば、それらを投げ出します。 十分なデータがある場合は、データの一部（テストセット）でEFAを実行してから、別のデータセット（有効性セット）でCFAをフォローアップできることが理想的であることに注意してください。 EFAの因子構造はデータによって駆動され、新しいデータセットのCFAでフォローアップすると、アイテムのパラメーターと因子が適切に複製されているかどうかを識別するのに役立ちます。
ステップ6：
- 6.選択した変数を使用して確認的因子分析を実行します（下の図を参照）。 合格した場合（適合指数、指標の信頼性、複合信頼性、最大の実現可能性の構築、妥当性マトリックスの構築）、これらの潜在変数を使用して、観測された変数（人間の発達、動物グループ）を含む構造方程式モデルを構築します。 合格しない場合は、合格するまで変数の組み合わせを変更します。
潜在変数の変数（投稿でメモしたすべての情報を使用）と使用する観測変数を決定したら、テストするさまざまなSEMについて考えます。 SEMの目標は、理論またはより一般的には領域に関する知識を使用してテストすることです。多数競合するモデル。 競合するモデルは、パラメーター化が異なるモデルです。 簡単な例として、「Human Development 2」と「Habitat」の間のパスを削除すると、テストできる新しい、少し単純なモデル（ネストされたモデル）が作成されます。 モデルは1つのパラメーターが異なり、新しい一連の適合指数と結果が得られます。 そのモデルがそのパスを含むモデルと同様に実際に適合する場合、それがより複雑なモデルと同様に適合するより倹約的なモデルであるという統計的証拠があると結論付けることができます。 このアイデアを拡張して、理論に適した適切なモデルに落ち着くまで、複数のモデルを実行できます。 モデルを変更して他のモデルを試すときは、パスの変更を意図的に行い、自分にとって意味のあることや興味のある理論をテストすることをお勧めします。
SEMでは、通常、モデルを相互にテストして（パスを変更することにより）、モデルの複雑さに対してデータの平均と共分散構造をどれだけうまく再現できるかを確認します。 このアプローチは、結果を最もよく予測したり、決定係数を最大化する変数のサブセットを見つけることに関心がある回帰のようなものとは少し異なります。
これがお役に立てば幸いです。 私が提供したリソースは、ここで提供できたものよりもかなり深くなります。
