Modélisation par équations structurelles@LauraCS
Laura, j'ai une question simple (je l'espère).
J'ai deux variables (x et y) qui prédisent une variable de résultat Z
Le problème est que je pense que y dépend de x
J'aimerais mettre en place une analyse de chemin qui me montre si y a une contribution indépendante à Z ou s'il sert simplement de proxy pour x. Lorsque je le fais comme je pense que je devrais le faire, je n'obtiens pas la réponse que j'aime;)
Merci beaucoup pour vos conseils -
Tim Roberts, professeur de radiologie, CHOP
Modélisation statistique avancéeExploration et visualisation des donnéesObjet : Modélisation d'équations structurellesJe suis tout à fait d'accord, Tim. Je n'avais pas remarqué que vous aviez des données manquantes... cela explique certainement les petites différences !
Objet : Modélisation d'équations structurelles@LauraCS Merci, mais empiriquement, je ne pense pas que cela devrait changer les coefficients de FA--> M50 ou GABA--> M50. La raison pour laquelle nous voyons une légère différence entre un modèle de régression multiple et un modèle médiatisé est très probablement due à une petite quantité de données manquantes qui ne limitent peut-être pas (?) le modèle de régression multiple, mais limiteraient (?) le modèle médiatisé ou le modèle multiple. modèle de régression avec covariance de flèche courbe. Cela vous semble-t-il possible ?
Objet : Modélisation d'équations structurellesContent que ça soit utile, @robertstpl !Le modèle de médiation implique que l'âge a un effet sur le GABA et le FA et que vous faites (peut-être) l'hypothèse que l'âge a des effets indirects sur M50 qui passent par le GABA et le FA. Le menu du triangle rouge a une option pour les effets indirects afin que vous puissiez voir ce qu'ils sont, s'ils vous intéressent. Ainsi, s'il y a des effets indirects significatifs, le modèle de médiation vous permet de faire des déclarations comme "L'âge affecte M50 via GABA/FA au-delà de son effet direct sur M50". Le modèle de régression multiple ne fait pas d'hypothèses explicites sur la façon dont l'âge, le GABA et l'AF sont associés ; en ajoutant les covariances, nous supposons simplement qu'elles pourraient être liées, mais leurs associations ne sont probablement pas le principal intérêt de ce modèle.
HTH,
~Laura
Objet : Modélisation d'équations structurellesMerci @LauraCS c'est très utile. Quelles sont les conséquences de l'utilisation du modèle de médiation (lignes droites) par rapport au modèle de régression multiple avec covariance (lignes courbes) ?
Objet : Modélisation d'équations structurellesMerci d'avoir partagé les captures d'écran. Je me demande s'il y a quelque chose dans les données qui fait que l'estimation aboutit à ces petites différences, surtout compte tenu des grandes différences de variances. Si vous souhaitez partager vos données (via le support technique ou DM), je pourrais vous donner plus de détails. Cependant, je m'attends à voir les mêmes estimations. Le script ci-joint utilise un exemple de tableau de données simulé pour s'adapter aux deux mêmes modèles et les résultats sont comme prévu :
En remarque, vous pourriez envisager d'ajouter des covariances dans ces modèles, à moins que vous ne vous attendiez vraiment à ce qu'elles soient nulles. Plus précisément, dans le modèle de chemin, la covariance résiduelle entre GABA et FA pourrait être nécessaire, et dans le modèle de régression, les covariances entre l'âge, le GABA et FA seraient habituelles à inclure.
Meilleur,
~Laura
Objet : Modélisation d'équations structurelles@LauraCS Deux captures d'écran des modèles joints
Objet : Modélisation d'équations structurellesdésolé "x et y sont connectés à Z, mais pas l'un à l'autre"
Objet : Modélisation d'équations structurellesJE PENSE que cela se résume à la différence entre SEM (lorsque le modèle est un triangle) et la régression multiple (que je pense que ce chemin réduit à lorsque x et y sont également connectés mais pas l'un à l'autre) ? Est-ce une interprétation raisonnable? Merci beaucoup au passage
Objet : Modélisation d'équations structurellesJe m'attendrais aux mêmes estimations de régression non standardisées, mais à des estimations standardisées différentes. En effet, les estimations standardisées dépendent de la variance implicite du modèle des variables qui diffère entre ces deux modèles. Si vos estimations non standardisées sont différentes, je devrais examiner le modèle exact. N'hésitez pas à me contacter par DM si vous souhaitez partager votre modèle/données ou vous pouvez également l'envoyer à support@jmp.com
Meilleur,
~Laura
Objet : Modélisation d'équations structurellesMerci. Heureusement pour nous, c'était plus ou moins ce que nous faisions de toute façon. Malheureusement pour nous, cela nous donne une réponse que nous n'aimons pas. Mais au moins, nous sommes convaincus que nous avons bien fait les choses.
Fait intéressant, lorsque nous brisons la connexion entre X et Y - c'est-à-dire que X et Y vont indépendamment à Z, nous obtenons PRESQUE les mêmes poids et valeurs de p, mais pas exactement. Une idée pourquoi pas exactement ?
Merci - Tim
Objet : Modélisation d'équations structurellesSalut Tim,
Merci pour votre question! Comment configurez-vous votre modèle ? Sur la base de votre description, je suggérerais d'adapter un modèle comme celui-ci:
où Leadership = X, Conflit = Y et Satisfaction = Z.
Il semble que le coefficient clé sur lequel vous voulez vous concentrer soit celui de Y -> Z. Si cette estimation est statistiquement et pratiquement significative, alors vous saurez que Y a une contribution indépendante à Z au-delà de ce que X a. Dans le menu du triangle rouge, vous trouverez également les estimations standardisées qui sont souvent utilisées comme tailles d'effet pour quantifier l'ampleur de l'effet.
HTH,
~Laura
