スピーカー
|
成績証明書
|
| ニコラス・シェルトン |
録音が始まりましたので、ミュートにします。準備ができたら、開始してください。 |
| |
わかった。 |
| アニー・ワイズブロッド |
こんにちは、みんな。 私はアニー・ワイズブロッドです。 私は同僚のプロクター・アンド・ギャンブルのA・ナラヤナン氏とマーク・ベイリー氏と一緒に来ています。私たちがプレゼンする予定です。 |
| |
JMP SEM プラットフォームを使用した瞑想プログラムの評価。 |
| |
それではまず、なぜこのことについて話しているのかを説明することから始めたいと思います。 |
| |
それでP&Gの |
| |
特に新型コロナウイルス感染症の期間を通じて、私たちは人々の健康に重点を置いてきました。 |
| |
パンデミックのため、さまざまな理由で非常にストレスの多い時期ですが、社会不安の地域、物が入手できないサプライチェーンの変化、 |
| |
生活習慣を変える、病気を変える、他人の世話をする。 過去に私たちの生活が大きく変わった点はたくさんあります |
| |
20ヶ月か2年くらいかな。 そのため、このような時期においては、P&G 従業員の健康と幸福を守ることがさらに優先事項となっています。 |
| |
そこで、私たちが焦点を当ててきたのは、人々が仕事をしながら身体的、精神的に自分自身のケアを行えるよう支援する方法です。 |
| |
顧客にサービスを提供し、消費者にサービスを提供し、そして私たちが住んでいるコミュニティをサポートすることも目的としています。 当社では、人々が健康に役立つことを願って、健康のさまざまな側面を教育し、実践できるようにする社内および社外のプログラムを実施しています。 |
| |
そのため、パンデミックが発生したため、個人と部門の両方にサポートを提供する方法を変更する必要がありました。 |
| |
従業員一人ひとりの状況は異なりますが、 |
| |
それは、会社での仕事の種類、住んでいる場所、健康や家族の他のメンバーのケアに関連する個人的な設定などです。 |
| |
そこで、私が数年間教えてきたのは、物理的な 1 つの場所で対面クラスを教えることです。 人々が部屋に現れると、私はストレス、回復力、瞑想についての情報を共有しました。 そして私たちは皆、ライブストリーミングへの切り替えを余儀なくされました。 |
| |
そして、私の聴衆のかなりの数が異なるタイムゾーンや異なる言語を持っているため、私の聴衆は世界中に広がっています。 そして、ちょうどこのプレゼンテーションのために現在行っているのと同じように、ライブ ストリーミング技術を試してみます。 |
| |
そこで、これらの切り替えを行ったとき、私たちはこれらの健康プログラムがどれほど効果的であるかに興味を持ちました。 コンテンツとこの新しい形式のグローバル ライブ ストリーミングは、精神的および感情的健康のトップ領域である幸福にどのような影響を及ぼしますか? |
| |
私は瞑想なしというコースを教えています |
| |
期待。 これは 8 週間のライブストリーミング グローバル コースです。 私たちは週に一度、45分間集まります。 |
| |
それは非常に経験的です。 簡単な紹介から始まり、その後、そのクラスのほとんどの演習を行います。 |
| |
そして参加者は、そのアプローチが何であれ、残りの週を通して実践するよう奨励されます。 目標は、人々が自分自身の個人的なマインドフルネスでより自立できるようになることです。 |
| |
注意力、集中力、回復力、 |
| |
共感力やストレス軽減など、これらのスキルを長期間にわたって練習します。 |
| |
実践は、私たちの周りで何が起こっているのか、私たちがどのように感じているのか、何を考えているのか、などについての認識を高めるのに役立つように選択されています。 |
| |
ストレスに関連するさまざまな側面と、ストレスを軽減する方法、それらの経験に対して異なるアプローチをとる方法、そして喜びを向上させる方法について説明します。 |
| |
私たちは洞察力、規律、そして思いやりに関連するいくつかの異なる実践を通じてこれを実現します。 したがって、8 つの異なる実践のうち、ただ今ここにいることに関連するものがいくつかあります。 |
| |
その例としては、五感瞑想が挙げられます。 |
| |
ただ見て、ただ聞いて、ただ |
| |
匂いを嗅いで、ただ味わって、 |
| |
ちょうど今ここに来たことの例として、皮膚にあるものを感じてください。 内省と感謝に関連した実践もあります。 |
| |
私たちはいつも気が散ってしまうので、気を散らすものに対処する。 心はただ自分の仕事をするので、数を数える練習やマントラの練習などがその例です。 心に関する実践も行っております。 |
| |
つまり、これらの非常に古い習慣は、メッタ |
| |
トンレン族は数千年前からアジアの文化圏から生まれ、愛情を持って親切にし、他人を気遣い、与えたり受け取ったりすることを実践しています。 |
| |
そして最後に、これは選択の余地のない認識です。 |
| |
ただ存在するだけ。 |
| |
何もせず、ただ存在しているだけ。 禅の間で非常に人気のある |
| |
たとえば実践者。 過去 1 年間で 1,000 人以上がこれらのコースに登録しました。 サインアップした人の約 50% が実際に 8 週間を完了しました。統計をいくつか共有します。 |
| |
これらの製品が実際に何を提供するかを実証します。 |
| |
調査します |
| |
コース前とコース後の参加者の態度と行動。 医学的基準に基づいた 45 の異なる質問があります。 |
| |
調査は任意かつ匿名で行われ、基本的にこれら 4 つの標準的な調査票を対象としています。 1つ目は5つの側面からなるマインドフルネスアンケートです。 |
| |
また、共感に関連する対人反応性指数も使用します。つまり、共感的な関心や視点、異なる視点を取ることです。 |
| |
今日のデモンストレーションでは、悲しみの回復力の尺度と知覚されたストレスの尺度に焦点を当てます。 |
| |
これは、人々がストレスについてどう感じているか、置かれている状況のストレスの強さなどに関するさまざまなアンケートの中で最も広く使用されています。 |
| |
この瞑想コースのようなストレス軽減介入の有効性。 つまり、標準的なステートメントや尋ねられる質問は、いかに予測不可能であるかを利用しています |
| |
その人は自分の状況がどのようなものであると感じているか、それは制御可能かどうか、過負荷に感じているか、そして無力感のレベルはどの程度であるかを考えます。 |
| |
この状況に対して彼らにできることは何もありません。 |
| |
または、彼らの自己効力感、物事は変わり、ストレスを管理できるとどの程度自信を持っているか。 そこで、その状況での過負荷感と制御不能感に関連する下位尺度のうちの 2 つに焦点を当てます。 |
| |
ストレスは今日世界で最もリスクのあるライフスタイル要因の 1 つであるため、私たちはデモンストレーションだけでなく、これらのコースでも意図的にストレスに焦点を当てています。 |
| |
多くの組織が、各地で出てくるさまざまなレポートに対応するために、総合的な健康プログラムを開発しています。 世界保健機関は、過去 10 年以上にわたって、慢性的または未解決のストレスがライフスタイルの最大のリスク要因であると特定しており、 |
| |
肥満と身体活動の欠如は、世界中で身体的および精神的な慢性疾患の最大の原因となっています。 |
| |
それで |
| |
良いニュースとして、結果を簡単に要約すると、この 8 週間の期間で顕著な増加が見られるということです。 |
| |
入ってくるデータを最初に調べたとき、ここで分かることの単純な手段ですが、マインドフルネス全体で顕著な増加が見られました。 |
| |
共感力、回復力、そして人々のストレスの感じ方の明らかな低下。 それは素晴らしいことです。私たちはこれについてさらに詳しく調査することに興味があったので、統計担当の私のパートナーに連絡を取りました。そのパートナーがあなたと共有するつもりです。 |
| |
調査結果の一部は、事前と事後のペアの回答から得られました。 そこで、彼が引き継いで、私たちがアンケートから得た回答をもとに彼が取り組んできた JMP 機能の一部を紹介します。 |
| あん |
ありがとう、アニー。 |
| |
皆さん、私の画面を見ていますか？ できないんです。 |
| |
皆さん、少し時間が必要ですが、ここでは物事がうまくいっていません。 |
| |
ありがとう、アニー。 やあみんな。 私の名前はナラヤナンです。 |
| |
私は P&G の先進消費者モデリングおよび統計部門に所属しています。 今日私がやりたいのは、データの分析詳細を共有することです。 |
| |
これは、アニーが説明したプログラムから来ています。 したがって、私の議題は 3 つのトピックで構成されます。 因子モデルの最適化について話してから、検証的因子分析について説明します。 |
| |
最適化された因子モデル。 それでは最後に、縦方向の測定の不変性について説明します。 これは、潜在的手段の経過の時間の経過に伴う変化を測定したいため重要です。 それでは、早速最初のトピックに入りましょう。 |
| |
そして因子モデルの最適化ですが、なぜこれを行うのでしょうか? 理由は…これをやりたい理由は2つあります。 まずはアニーが挙げた10の質問 |
| |
実際には、測定対象の 2 つの構成に対して最適化されていません。 |
| |
また、サンプルサイズが小さいため、事前と事後に寄せられる質問が多すぎないようにしたいと考えています。 |
| |
これらが、私たちが因子モデルの最適化を行う 2 つの理由です。 それを行うために、古典的なテスト理論から 2 つのアイデアを活用します。 |
| |
1つは信頼性です。 実際、信頼性は測定の一貫性に関係します。 構成内の項目が同じものを測定していることを確認したいと考えています。 そして、信頼性の尺度にはさまざまなものがあります。 ここで使用するのは、 |
| |
信頼性係数、またはクロンバックのアルファ。 そこに式が表示されます。 私がこれを使用している理由の 1 つは、JMP の多変量プラットフォームでオプション項目の信頼性を使用して利用できるためです。 |
| |
さあ 1 つ |
| |
この尺度の欠点は、すべての変数または項目が同等に信頼できると仮定していることです。 |
| |
また、一部の項目の信頼性が他の項目と同じではないことがわかっているため、その場合は平均分散抽出器を使用できます。 |
| |
さて、それは何ですか？ それを説明するために、ここでは確認因子モデルのパス図を実際に使ってみます。 ここで説明したい 3 つのコンポーネントがあります。 |
| |
一番上の、実際には円で囲まれたもの、これが潜在変数です。 |
| |
そして、長方形で囲まれた一番下の 1 つはインジケーターです。そしてこの例では、この潜在変数を利用する非常に大きな質問である 4 つのインジケーターがあります。 |
| |
次に、4 つのラムダ変数があり、実際には各インジケーターの強さを与える因子負荷量です。 |
| |
構造を利用します。 したがって、抽出された平均分散はラムダ式と |
| |
誤差の分散。一番下にあります。 デルタは一番下にあります。 ここにエラーがあります |
| |
コンポーネント。簡単にするために、それらを測定誤差とみなします。これらの誤差の分散も、抽出された平均評価の計算に含まれます。 |
| |
式を見ると、下部に誤差分散がない場合、最大値は 1 となり、これが望ましいことになります。 |
| |
それで |
| |
信頼性の測定に役立つもう 1 つの項目は項目の信頼性です。これは実際には、潜在変数に関する指標のこれらの各回帰の個々の R 二乗に他なりません。 それは、JMP を使用するときにわかります。 |
| |
古典的なテスト理論の 2 番目の重要な概念は、妥当性です。 妥当性は、変数が測定すべきものを測定するかどうかに関係します。 そしてここでもまた、たくさんの異なるものがあります |
| |
有効性のバージョン。 私が焦点を当てようとしているのは識別妥当性です。これは、測定している構成要素が一意で区別できるかどうかに関係します。 |
| |
さて、これら 2 つの概念を踏まえて、実際に JMP について説明し、私たちが行ったモデリングの詳細をいくつか示します。 それでは、10 の質問の探索的な因子分析から始めます。 |
| |
ストレス領域に関係します。 さて、私が分析した結果、私はこうするつもりです。 |
| |
分析結果を示します。 ポイント アンド クリックによるこの手順については、長い時間がかかるため説明しません。これらの手順は JMP に詳しく文書化されています。 |
| |
大きなもの、私たちはそれを |
| |
オーバーロードされたコンポーネント、および 3 つの項目を含む小さいコンポーネントを制御不能と呼んでいます。 つまり、これは探索的な因子分析であり、2 つの因子をサポートしていると思われます。 |
| |
そして、それが実際に私たちのデータで真実であることを確認したいと考えており、データはそれを裏付けるでしょう。 そこで、同じ 10 個の質問の確認因子分析を開始します。 |
| |
そして、過負荷コンポーネントは 7 つのインジケーターに接続され、制御不能コンポーネントは 3 つのインジケーターに接続されていることがわかります。 |
| |
このデータがどの程度よくデータに適合するのかを調べたいと思います。 そして、次のカイ 2 乗を見るとわかります...カイ 2 乗は 34 自由度で 44 であり、重要ではないため、このモデルはデータによってサポートされています。 |
| |
そして、最後に確認したいもう 1 つは、私が言及した構成要素の妥当性マトリックスです。 |
| |
この行列の対角は、抽出された平均分散を示します。 そして、制御不可能な要因の分散はかなり高く、過負荷要因の分散は実際には低いことがわかります。 |
| |
直交要素は、各因子が他の因子と共有する分散の量を示します。 そして、過負荷要因については、この分散は |
| |
実際、対角線に示されているように、制御不能な要素との要素のシェアは、それ自体の指標を共有する分散よりも高くなります。 そして、これは私たちが望む最適化された因子構造ではありません。 |
| |
また、行って見てみると、 |
| |
推定値を含むパス図を実際に見ることができます。 |
| |
個々のアイテムの信頼度は、ここに示されています。 |
| |
ここの長方形。 そして、あなたは見ることができます |
| |
過負荷因子コンポーネントに接続されている 7 つの指標には、0.277 から 0.551 の範囲の異なる項目信頼性があります。 |
| |
そして、次のようなものをいくつか選びたいと思います。 |
| |
高い信頼性を持っています。 |
| |
そこで、アイテムの信頼性に関するこれらの概念を使用します。 |
| |
実際に係数を最適化するために妥当性を識別します。 |
| |
そして戻って見てみます |
| |
これらすべての指標を表にまとめます。 |
| |
そして、このテーブルにはこれら 2 つの列にクロンバックのアルファが含まれており、アイテムが削除されたときのクロンバックのアルファの変化も含まれています。 |
| |
複合全体のクロンバックのアルファからのものであり、最後の列にはアイテムの信頼性もあります。 したがって、この数値マトリックスを調べて係数を最適化する 1 つの方法は、信頼性の高い項目 (おそらく上位 3 つ) を選択することです。 |
| |
さて、この特定の状況では、私も使用するのが好きです |
| |
の |
| |
アイテムが削除されたときのクロンバックのアルファ。 そして3番目の項目を見ると、 |
| |
その項目が 3 番目に高いにもかかわらず |
| |
アイテムの信頼性、この列を見るとき、私はそれをアルファ デルタと呼んでいます。 |
| |
これは、アイテムが削除されたときの複合全体の信頼性の変化です。 実はそこに大きな変更があったのが３番目の項目でございまして、そのためこの項目は選ばず、実はそのすぐ下の項目を選択させていただきました。 |
| |
したがって、最適化された因子の解決策として、最初の因子と 5 番目の要素から上位 2 つの項目を選択します。次に、2 番目の因子 (制御不能) については、上位 2 つの項目を選択します。アイテムの信頼度が非常に低い。 |
| |
それで、 |
| |
因子の解決策を 10 の質問から 5 つの質問に最適化しました。 |
| |
最適化された係数ソリューションを確認し、これまで説明したすべての指標に関してどのように対処しているかを確認します。 |
| |
これが最適化された因子の解です。次数因子には 3 つの指標があり、制御不可能な因子と 2 つの指標があり、ここでもモデルはデータによりよく適合し、カイ 2 乗は 2、4 自由度であり、カイ 2 乗値は拒否されません。 |
| |
それから下に行きます |
| |
そして判別の妥当性を見てください。 最適化された因子ソリューションを使用すると、過負荷の分散が実際に増加していることがわかります。 |
| |
そして制御不能と共有する分散は減少しました。 したがって、直交値は対角値よりも小さく、これはまさに私たちがサポートしたいものです |
| |
正当性を区別します。 したがって、解を最適化することによって、妥当性の識別が達成され、元の 10 個の質問よりも優れたモデルも得られました。 |
| |
さて、因子解を最適化しました。 |
| |
次のステップは、測定モデルの不変性を実行することです。 |
| |
自分がどこにいるのかを思い出してみましょう。 私たちはさまざまな表や分析を見てきました。 我々は持っています |
| |
共感、ストレス、回復力、マインドフルネス。 |
| |
そして私たちはストレスだけに集中することになります。 ここで答えたい主な質問は、潜在変数の平均スコアに改善があるかどうかです。 |
| |
8 週間のプログラム中に投稿する前に準備を進めますか? |
| |
そして、それを確立するには、まず縦方向の測定の不変性を示す必要があります。 |
| |
さて、それは何ですか？ 実際、私は最近このことを知りました。ここに、JMP 開発者の Laura Schilo と Paul Russo が書いた優れた論文のプラグインを入れさせていただきます。 |
| |
構造方程式モデリングの最新号では、縦方向の測定不変性を含む JMP のさまざまな機能すべてが詳しく説明されています。 |
| |
長期的な測定不変性の考え方は、潜在変数の意味が時間の経過とともに変化していないことを確認することです。 |
| |
潜在変数の平均変化を計算する前に、最初と最後で同じものを測定していることを確認する必要があります。 したがって、それを確立するには 4 つのステップがあります。 |
| |
これらは実際には 4 つの異なるモデルです。 1 つ目は、因子の数と負荷パターンが同じで制約が最小限の構成モデルです。 |
| |
2 つ目は弱い不変性モデルで、さらにいくつかの制限を追加します。 ネジをもう少し締めて、「このモデルはまだサポートされていますか?」と質問します。 |
| |
そして、ネジをもう少し締めて、その上で、アイテムのインターセプトの品質を課したらどうなるでしょうか? そして最後に、 |
| |
ネジの最後のネジ部分に項目の差異を追加し、2 つの時点にわたるそれらの品質を設定したらどうなるでしょうか? |
| |
したがって、これを段階的に行う方法の詳細は、先ほど述べた記事に含まれています。 ここでは結果のみを示します。 |
| |
おっと。 |
| |
それで、これで |
| |
パス図を示しています |
| |
調査前の段階と調査後の段階の両方で、過負荷と制御不能という 2 つの要因が発生します。 つまり、オーバーロードされたプリ、制御不能なプリ、そしてポストについても同じことが起こります。 |
| |
過負荷は 3 つの項目で説明され、制御不能は 2 つの項目に関連付けられます。 ここの文字は違います |
| |
モデルに課せられた制約。 たとえば、C3 |
| |
過負荷からプレの「緊張してストレスを感じた」項目まで |
| |
投稿内の同じアイテムと等しいように制約されます。 これは、制約がサポートされていることを確認するためにモデルに適用する制約の一部です。 |
| |
したがって、文字はモデルに課せられたさまざまな制約を示しており、これらの推定値は等しくなります。 同様に、 |
| |
等価項目の切片も等しくなります。 |
| |
によって示されるもの |
| |
A. |
