398747_zh-TW

liliconcom

使用 JMP 中的 SEM 平台評估冥想計劃 (2021-US-30MP-897)

級別：中級

 

A Narayanan，首席科學家，寶潔公司
Annie Weisbrod，首席可持續發展科學家，寶潔公司
Mark Bailey，寶潔公司人力資源專家

 

在 Covid-19 危機期間，寶潔的工作以三個優先事項為指導：寶潔員工的安全、為消費者和客戶服務以及支持我們的社區。 作為我們努力確保員工持續健康的一部分，我們提供了在線直播課程來教授冥想和抗壓能力；該程序是內部開發並在全球範圍內提供的。 在本文中，我們通過使用四個主要維度來評估這一新冥想計劃的影響：彈性、同理心、壓力和正念，以及其他子維度。 使用 45 個基於醫學的調查問題在八週內調查了參與者態度和行為的變化。 使用 JMP 16 中的 SEM 平台，我們測量了這些構造的尺度屬性和隨時間的變化，以評估我們的冥想/正念計劃的成功，特別是在員工的幸福感和生產力方面。 迄今為止，我們的結果令人鼓舞。

 

 

自動生成的成績單...

 

揚聲器	成績單
尼古拉斯·謝爾頓	好的錄音開始了，我將繼續靜音，然後，當你準備好時，你可以開始一切順利。
	好的。
安妮·維斯布羅德	大家好。 我是安妮·維斯布羅德。 我和我的同事，寶潔公司的 A Narayanan 和 Mark Bailey 在這裡。我們將介紹。
	使用 JMP SEM 平台評估冥想計劃。
	所以首先我想先解釋一下我們為什麼要討論這個問題。
	所以寶潔
	優先事項，尤其是在 COVID 時期，我們真正關注的是人們的健康。
	由於大流行，由於許多原因，這是一個非常緊張的時期，但也有內亂領域，改變了無法獲得東西的供應鏈，
	改變我們的生活習慣、疾病、照顧他人。 在過去，我們的生活在很多方面發生了重大變化
	20個月，兩年左右。 因此，在這些時期，保護寶潔員工的健康和福祉已成為重中之重。
	所以我們一直關注的是如何幫助人們在工作時照顧好自己的身心，
	服務客戶，服務消費者，並支持我們生活的社區。 我們制定了內部和外部計劃，教育並允許人們練習不同方面的幸福，希望能幫助他們的健康。
	因此，隨著大流行的發生，我們不得不改變向個人和部門提供支持的方式。
	每個員工都有不同的情況，
	無論是他們在公司的工作類型、居住地，還是與他們的健康或照顧其他家庭成員有關的個人環境。
	所以我多年來一直在教的是在一個物理站點教授面對面的課程。 人們會出現在房間裡，我會分享關於壓力、彈性和冥想的信息。 我們都被迫切換到直播。
	我的觀眾已經走向全球，因為我們的很多觀眾有不同的時區、不同的語言。 並使用實時流媒體技術，就像我們現在為這個演示所做的那樣。
	所以，當我們做出這些轉變時，我們很好奇，這些福利計劃的效果如何？ 全球直播的內容和這種新格式是否會影響最重要的心理和情緒健康領域？
	我教一門課程，叫做沒有冥想
	期望。 這是一個為期八週的全球直播課程。 我們每週見面一次，每次 45 分鐘。
	這是高度體驗。 它從一個簡短的介紹開始，然後我們為該課程的大部分內容進行練習。
	然後鼓勵參與者在本週剩下的時間裡練習任何方法。 目標是讓人們通過自己的正念變得更加自給自足，
	專注，專注，彈性，
	同理心，也減輕壓力，在更長的時間內練習這些技能。
	選擇這些練習是為了幫助我們提高對周圍發生的事情的認識，我們的感受，我們在想什麼，
	與壓力相關的不同方面以及我們如何減少壓力，對這些經歷有不同的方法，也可以提高快樂。
	我們通過與洞察力、紀律和同情心相關的幾種不同實踐來做到這一點。 所以在八種不同的實踐中，我們有幾種與現在就在這裡有關。
	所以一個例子就是五種感官冥想，我們
	只是看，只是聽，只是
	聞，只是嘗，
	只是感覺皮膚上的東西，作為剛剛來到這裡的一個例子。 我們也有與內省和感恩有關的實踐。
	處理分心，因為我們總是分心。 心只是做它的事，所以計數練習，咒語練習就是這樣的例子。 我們也有與心臟有關的實踐。
	所以這些非常古老的做法，慈
	和tonglen有著千年的歷史，從亞洲文化中走出來，踐行慈愛、關心他人、給予和接受。
	然後，最後，這最後一個無選擇的意識。
	只是存在。
	不做任何事，只是存在。 在禪宗中很受歡迎
	以實踐者為例。 在過去的一年裡，我們已經有超過 1,000 人報名參加了這些課程。 大約 50% 的註冊人實際上完成了整整八週，我們將分享一些統計數據。
	展示這些產品實際上提供了什麼。
	我們調查
	學員在課前和課後的態度和行為。 根據醫療標準，我們有 45 個不同的問題。
	這些調查是自願和匿名的，我們基本上是在看這四個標準問卷。 第一個是五面正念問卷。
	我們還使用人際反應指數，它與移情有關，因此移情關注和採取觀點，不同的觀點。
	悲傷彈性量表和感知壓力量表，這是我們今天將在演示中關注的內容。
	這是不同問卷中使用最廣泛的問卷，這些問卷涉及人們對壓力的感受、他們所處環境的壓力以及任何
	減壓干預的有效性，比如這個冥想課程。 所以標準的陳述，被問到的問題是如何不可預測的
	這個人感覺他們的處境是否可控，他們是否感到超負荷，然後，他們感知到的無助程度是多少。
	對於這種情況，他們無能為力。
	或者他們的自我效能感，他們對事情會發生變化以及他們能夠管理壓力的信心。 因此，我們將重點關注與在這種情況下感覺超負荷和感覺不受控制有關的兩個分量表。
	我們專注於有目的的壓力，不僅僅是為了演示，也為了這些課程，因為它是當今世界上最危險的生活方式因素之一。
	許多組織正在開發綜合福利計劃，以應對各地出現的不同報告。 過去十多年來，世界衛生組織已確定慢性或未解決的壓力是生活方式的最大風險因素，超過
	肥胖和缺乏體力活動，是全球身心慢性疾病的主要原因。
	所以
	好消息是結果的簡要總結，在這八週的時間跨度內，我們確實看到了顯著的增長。
	當我們第一次查看傳入的數據時，只是我們在這裡看到的簡單方法，我們確實看到正念的顯著增加，
	同理心、彈性，以及人們感知壓力的方式明顯減少。 太好了，我們有興趣對此進行更深入的調查，所以我聯繫了我的統計合作夥伴，他將與您分享
	一些調查結果來自配對前和配對後的回答。 因此，他現在將接手並向您展示一些 JMP 功能，以了解他一直在處理我們從調查中獲得的這些回复。
一個	謝謝你，安妮。
	你們看到我的屏幕了嗎？ 我不能。
	嘿伙計們，我需要一些時間，但我不知道，這裡的事情不正常。
	謝謝你，安妮。 大家好。 我的名字是納拉亞南。
	我是寶潔高級消費者建模和統計部門的一員。 我今天要做的是分享數據的分析細節
	來自安妮剛剛描述的程序。 所以我的議程將包括三個主題。 我先講因子模型優化，然後講驗證性因子分析
	優化因子模型。 最後我將討論縱向測量不變性。 這很重要，因為我們想要測量潛在均值過程隨時間的變化。 因此，讓我們直接進入第一個主題。
	還有因子模型優化，我們為什麼還要這樣做？ 原因……我想這樣做有兩個原因。 首先Annie提到的10個問題
	實際上並沒有針對我們有興趣測量的兩個結構進行優化。
	而且，我們的樣本量很小，我們希望確保我們不會有太多來自前後的問題。
	這就是我們進行因子模型優化的兩個原因。 為了做到這一點，我將藉鑑經典測試理論中的兩個想法。
	一是可靠性。 可靠性實際上與測量的一致性有關。 我們要確保構造中的項目測量的是相同的東西。 並且有許多不同的可靠性衡量標準。 我將在這裡使用的是
	信度係數，或 Cronbach's alpha。 你可以在那裡看到公式。 我使用它的一個原因是因為它可以在 JMP 的多變量平台中使用選項項目可靠性。
	現在一個
	該度量的缺點是它假設所有變量或項目都同樣可靠。
	而且我們知道有些項目的可靠性與其他項目不同，在這種情況下，我們可以使用平均方差提取器。
	那是什麼？ 為了解釋這一點，我將實際使用驗證因子模型的路徑圖。 這裡我想描述三個組件。
	頂部的那個實際上被包圍在一個圓圈中，這就是潛在變量。
	然後在底部的一個，被一個矩形包圍，有一個指標，在這個例子中，有四個指標是非常大的問題，它們利用了這個潛在的變量。
	然後有四個 Lambda 變量，它們實際上是給出每個指標強度的因子載荷
	進入構造。 所以提取的平均方差是 Lambdas 和
	誤差的方差，位於底部。 三角洲位於底部。 這是錯誤
	成分。為簡單起見，我們將它們視為測量誤差，這些誤差的方差也包括在提取的平均評分的計算中。
	如果你看公式，如果底部沒有誤差方差，最大值將為 1，這就是我們想要的。
	所以
	另一個在測量信度方面也很有用的項目是項目信度，它實際上只是指標對潛在變量的這些回歸中的每一個的單個 R 平方。 當我們進入 JMP 時，我們會看到這一點。
	經典測試理論中第二個重要的概念是有效性。 效度與變量是否衡量它應該衡量的內容有關。 再次在這裡，有許多不同的
	有效性的版本。 我將要關注的是區分效度，它與你測量的結構是否獨特和獨特有關。
	好的，有了這兩個概念，我實際上將進入 JMP 並展示我們所做的建模的一些細節。 所以我將從這10個問題的探索性因素分析開始
	關注應力域。 現在在我所有的分析中，我將
	顯示分析結果。 我不會一步一步地指導你，點擊，因為這需要很長時間，而且它們在 JMP 中有很好的記錄。
	大的，我們稱之為
	重載的組件，以及具有三個項目的較小的組件，我們稱之為不可控。 所以這是一個探索性因素分析，似乎支持兩個因素。
	我們想確認它，事實上，在我們的數據中是正確的，並且數據將支持這一點。 所以我要對同樣的10個問題進行驗證性因素分析。
	我們可以看到，過載組件連接到七個指標，不可控組件連接到三個指標。
	我們想看看這些數據有多好……這個模型與數據的擬合程度如何。 我們可以看到，看...的卡方，卡方在 34 個自由度上是 44，並不顯著，所以這個模型是有數據支持的。
	我們希望在底部看到的其他內容是我提到的構造有效性矩陣。
	該矩陣的對角線給出了提取的平均方差。 我們可以看到，不可控因素的方差相當高，而過載因素的方差實際上很低。
	正交元素告訴您每個因素與另一個因素共享的方差量。 而對於重載因子，這個方差
	與不可控制的因子份額實際上比它份額自己的指標的方差高，如對角線所示。 這不是我們想要的優化因子結構。
	而且，如果你去看看
	帶估計的路徑圖，其實可以看
	單個項目的可靠性，在此處顯示
	矩形在這裡。 你可以看到
	與超載因子分量相關的七個指標具有不同的項目信度，範圍從 0.277 到 0.551。
	我們想選擇一些
	具有高可靠性。
	所以我們將使用這些項目可靠性的概念，
	區分效度實際上是優化我們的因素。
	我要回去看看
	所有這些指標放在一個表格中。
	並且這張表在這兩列中都有Cronbach's alpha，它也有刪除項目時Cronbach's alpha的變化
	來自整個複合材料的 Cronbach's alpha，並且它在最後一列具有項目信度。 因此，查看這個數字矩陣並優化您的因素的一種方法是選擇具有高可靠性的項目，這可能是前三名。
	現在，在這種特殊情況下，我也喜歡使用
	這
	刪除項目時的 Cronbach alpha。 如果你看第三項，
	即使該項目排名第三
	項目可靠性，當我們查看此列時，我稱其為 alpha delta，
	這是刪除項目時整個組合的可靠性變化。 那裡，其實是第三項的一個很大的改動，所以我沒有選擇這一項，實際上我選擇了它下面的一項。
	所以對於優化的因子解決方案，我要從第一個因子和第五個項目中選擇前兩個項目，然後對於第二個因素，不可控，我要選擇前兩個項目，因為第三個項目具有非常低的項目可靠性。
	所以，有
	將因子解從 10 個問題優化為 5 個，
	我將確認優化的因素解決方案，並看看我們在剛剛討論的所有指標方面做得如何。
	所以這裡是優化的因子解決方案，階因子有三個指標，不可控因子，兩個指標，我們的模型再次擬合數據要好得多，卡方為 2，自由度為 4，卡方值沒有被拒絕。
	然後我們下去
	並查看區分有效性。 現在使用優化的因子解決方案，您可以看到重載的方差實際上已經增加
	並且它與 uncontrolable 共享的方差減少了。 所以正交值小於對角線上的值，這正是我們想要支持的
	區分有效性。 因此，通過優化解決方案，我們實現了區分效度，並且我們還獲得了比原來的 10 個問題更好的模型。
	好的，所以我們優化了我們的因子解決方案。
	下一步是做測量模型的不變性。
	讓我們提醒自己我們在哪裡。 我們已經看到了很多不同的表格和分析。 我們有
	同理心、壓力、彈性和正念。
	我們將只關注壓力。 我們在這裡要回答的主要問題是潛在變量的平均分數是否有所提高
	在為期八週的計劃中從前到後？
	為了確定這一點，我們必須首先證明縱向測量不變性。
	那是什麼？ 事實上，我最近才知道這一點，讓我在這裡插入一篇由 JMP 開發人員 Laura Schilo 和 Paul Russo 撰寫的優秀論文的插件
	在最新一期的結構方程建模中，他們詳細介紹了 JMP 的所有不同功能，包括縱向測量不變性。
	縱向測量不變性的想法是確保潛在變量的含義不會隨著時間而改變。
	在我們可以計算潛在變量的平均變化之前，我們要確保我們在開始和結束時測量的是相同的東西。 因此，為了確定這一點，有四個步驟。
	這實際上是四種不同的模型。 首先是具有相同數量的因素和加載模式的限制最少的配置模型。
	第二個是弱不變性模型，我們在其中添加了一些限制。 我們稍微擰緊螺絲，然後問一個問題，這個模型還支持嗎？
	然後我們再擰緊一些螺絲，並在此之上說，如果我強加項目攔截的質量怎麼辦？ 那麼最後，
	螺絲上的最後一個螺紋，如果我們添加項目差異並在兩個時間點上放置一個質量怎麼辦？
	所以如何一步一步做的細節，包含在我剛剛提到的那篇文章中。 我只想在這裡顯示結果。
	哎呀。
	所以在這個
	路徑圖，我正在展示
	在調查前階段和調查後階段，這兩個因素，超載和不可控。 所以我們有超載的 pre，不可控的 pre，和 post 一樣的東西。
	超載由三項解釋，不可控制與兩項有關。 現在這裡的字母不同了
	對模型施加的約束。 例如，C3
	從超負荷到項目“感到緊張和壓力”的預
	被限制為等於帖子中的同一項目。 這是我們對模型施加的約束的一部分，以確保約束得到支持。
	因此，這些字母表示對模型施加的不同約束，並且這些估計是相等的。 相似地，
	等效項的截距也相等，
	由
	一個。

爆發數據探索數據可視化回复：使用 JMP 中的 SEM 平台評估冥想計劃 (2021-US-30MP-897)

做得好，

請<如果你能把全文發給我

raaed1983@gmail.com

 

問候