398747_zh-CN

liliconcom

使用 JMP 中的 SEM 平台评估冥想计划 (2021-US-30MP-897)

级别：中级

 

A Narayanan，宝洁公司首席科学家
Annie Weisbrod，宝洁公司首席可持续科学家
Mark Bailey，宝洁公司人力资源专家

 

在 Covid-19 危机期间，宝洁公司的工作以三个优先事项为指导：宝洁公司员工的安全、服务消费者和客户以及支持我们的社区。 作为我们确保员工持续健康的努力的一部分，我们提供了在线直播课程来教授冥想和压力恢复能力；该计划是在内部制定并在全球范围内提供的。 在本文中，我们使用四个主要维度来评估这一新冥想计划的影响：弹性、同理心、压力和正念以及其他子维度。 使用 45 个基于医学的调查问题在八周内对参与者的态度和行为的变化进行了调查。 使用 JMP 16 中的 SEM 平台，我们测量了这些构造的尺度属性和随时间的变化，以评估我们的冥想/正念计划的成功，特别是在员工的福祉和生产力方面。 迄今为止，我们的结果令人鼓舞。

 

 

自动生成的成绩单...

 

扬声器	成绩单
尼古拉斯·谢尔顿	好的，录音开始了，我将继续静音，然后，当您准备好时，就可以开始了。
	好的。
安妮韦斯布罗德	大家好。 我是安妮·韦斯布罗德。 我和来自宝洁公司的同事 A Narayanan 和 Mark Bailey 一起来到这里。我们将要进行演示。
	使用 JMP SEM 平台评估冥想计划。
	首先我想解释一下我们为什么要谈论这个。
	所以宝洁的
	优先事项，特别是在新冠疫情期间，我们真正关注的是人们的健康。
	由于流感大流行，由于多种原因，这是一个非常紧张的时期，而且还存在内乱地区，改变了供应链，导致供应链无法获得，
	改变我们的生活习惯、疾病、照顾他人。 过去，我们的生活在很多方面发生了巨大的变化
	20个月，两年左右。 因此，保护宝洁员工的健康和福祉已成为当前更加重要的优先事项。
	所以我们一直关注的是如何帮助人们在工作时照顾好自己的身心，
	服务客户、服务消费者并支持我们所居住的社区。 我们制定了内部和外部计划，教育并允许人们实践不同方面的福祉，希望能够帮助他们的健康。
	因此，随着大流行的发生，我们必须改变向个人和部门提供支持的方式。
	每个员工都有不同的情况，
	无论是他们在公司从事的工作类型、居住地点，还是与他们的健康或其他家庭成员的护理相关的个人环境。
	因此，我多年来一直在教授的内容是在一个物理地点进行面对面的授课。 人们会出现在房间里，我会分享有关压力、弹性和冥想的信息。 我们都被迫转向直播。
	我的观众已经走向全球，因为我们的很多观众有不同的时区、不同的语言。 并尝试使用直播技术，就像我们现在在本次演示中所做的那样。
	因此，当我们进行这些转变时，我们很好奇，这些福利计划的效果如何？ 全球直播的内容和这种新形式对幸福感最重要的心理和情感健康领域有何影响？
	我教授一门名为“无冥想”的课程
	期望。 这是一门为期八周的全球直播课程。 我们每周见面一次，每次 45 分钟。
	这是非常有经验的。 首先是一个简短的介绍，然后我们为该课程的大部分内容进行练习。
	然后鼓励参与者在本周剩下的时间里练习任何方法。 我们的目标是让人们通过自己的个人正念变得更加自给自足，
	注意力、集中力、弹性、
	同理心，以及减轻压力，在较长的时间内练习这些技能。
	选择这些做法是为了帮助我们提高对周围发生的事情的认识，我们的感受如何，我们在想什么，
	与压力相关的不同方面，以及我们如何减轻压力，对这些经历采取不同的方法，并提高快乐。
	我们通过与洞察力、纪律和同情心相关的几种不同的实践来做到这一点。 因此，在八种不同的实践中，我们有几种与现在就在这里有关。
	一个例子就是五种感官冥想，我们
	只是看到，只是听到，只是
	闻，只是尝，
	以刚才来到这里为例，感受一下皮肤上的东西。 我们还有与内省和感恩相关的实践。
	处理干扰，因为我们总是会分心。 头脑只是做它自己的事，所以计数练习、咒语练习就是这样的例子。 我们也有与心相关的练习。
	所以这些非常古老的做法，metta
	自受法有着数千年的历史，来自亚洲文化，用于实践慈爱、关心他人、给予和接受。
	最后，这是最后一种无选择的意识。
	只是存在。
	不做任何事情，只是存在。 在禅宗中很受欢迎
	例如，从业者。 去年，我们已有 1,000 多人报名参加这些课程。 大约 50% 的注册者实际上完成了完整的八周，我们将分享一些统计数据。
	展示这些产品实际提供了什么。
	我们调查
	参与者在课程之前和课程之后的态度和行为。 根据医学标准，我们有 45 个不同的问题。
	这些调查是自愿且匿名的，我们基本上关注的是这四份标准调查问卷。 第一个是五方面正念问卷。
	我们还使用人际反应指数，它与同理心有关，所以同理心关注和采取观点，不同的观点。
	悲伤弹性量表和感知压力量表，这是我们今天演示中要重点关注的内容。
	这是与人们对压力的感受、所处情境的压力以及任何压力相关的不同调查问卷中使用最广泛的。
	减压干预措施的有效性，例如冥想课程。 因此，标准陈述和提出的问题揭示了如何不可预测
	人们感觉自己的处境是，是否可控，他们是否感到负担过重，然后，他们感知到的无助程度是多少。
	他们对这种情况无能为力。
	或者他们的自我效能感，他们对事情将会改变以及他们能够管理压力的信心有多大。 因此，我们将重点关注其中两个与超负荷感觉和在这种情况下感觉不受控制相关的子量表。
	我们有目的地关注压力，不仅是为了演示，也是为了这些课程，因为它是当今世界上最危险的生活方式因素之一。
	许多组织正在制定综合福利计划，以应对各地发布的不同报告。 世界卫生组织在过去十多年里已经确定，长期或未解决的压力是最大的生活方式风险因素，超过了
	肥胖和缺乏体力活动是导致全世界身心慢性疾病的主要原因。
	所以
	好消息是，在这八周的时间内，我们确实看到了显着的增长。
	当我们第一次查看传入的数据时，只是我们在这里看到的简单方法，我们确实看到正念显着增加，
	同理心、弹性，以及人们对压力的感知明显减少。 太好了，我们有兴趣对此进行更深入的调查，因此我联系了我的统计合作伙伴，他将与您分享
	一些调查结果来自前后配对响应。 因此，他现在将接手，并向您展示一些 JMP 功能，以了解他一直在根据我们从调查中获得的答复进行的工作。
一个	谢谢你，安妮。
	你们看到我的屏幕了吗？ 我做不到。
	嘿伙计们，我需要花一些时间，但我不知道，这里的事情不起作用。
	谢谢你，安妮。 大家好。 我叫纳拉亚南。
	我是宝洁公司高级消费者建模和统计部门的一员。 今天我想分享的是数据的分析细节
	来自安妮刚才描述的程序。 所以我的议程将包括三个主题。 我要讲一下因子模型优化，然后我要讲一下验证性因子分析
	优化因子模型。 最后我将讨论纵向测量不变性。 这很重要，因为我们想要衡量潜在手段过程随时间的变化。 那么让我们直接进入第一个主题。
	因子模型优化，我们为什么要这样做？ 原因...我想这样做有两个原因。 首先是安妮提到的10个问题
	实际上并没有针对我们感兴趣测量的两个结构进行优化。
	而且，我们的样本量很小，我们希望确保我们不会在事前和事后提出太多问题。
	这就是我们进行因子模型优化的两个原因。 为了做到这一点，我将借鉴经典测试理论中的两个想法。
	一是可靠性。 可靠性实际上与测量的一致性有关。 我们希望确保构造中的项目测量的是相同的东西。 并且有许多不同的可靠性衡量标准。 我要在这里使用的是
	可靠性系数，或 Cronbach's alpha。 你可以在那里看到公式。 我使用它的原因之一是因为它可以在 JMP 的多变量平台中使用选项项可靠性来使用。
	现在一个
	这种方法的缺点是它假设所有变量或项目都同样可靠。
	我们知道有些项目的可靠性与其他项目不同，在这种情况下，我们可以使用平均方差提取器。
	那是什么？ 为了解释这一点，我将实际使用验证性因素模型的路径图。 我想在这里描述三个组成部分。
	顶部的那个实际上被包围在一个圆圈中，这就是潜在变量。
	然后底部有一个指标，被包围在一个矩形中，在这个例子中，有四个指标，它们是利用这个潜在变量的大问题。
	然后是四个Lambda变量，它们实际上是给出每个指标强度的因子载荷
	进入构造。 因此提取的平均方差是 Lambda 和
	误差的方差，位于底部。 三角洲位于底部。 这是错误
	成分。为了简单起见，我们将它们视为测量误差，并且这些误差的方差也包含在提取的平均评分的计算中。
	如果你看一下公式，如果底部没有误差方差，最大值将为 1，这就是我们想要的。
	所以
	另一个在衡量可靠性方面也有用的项目是项目可靠性，它实际上只不过是潜在变量指标的每个回归的单独 R 平方。 当我们进入 JMP 时我们就会看到这一点。
	经典测试理论中第二个重要的概念是有效性。 有效性涉及变量是否衡量了它应该衡量的内容。 再说一遍，这里有很多不同的
	版本的有效性。 我要关注的是区分有效性，这与您正在测量的结构是否独特且独特有关。
	好的，有了这两个概念，我实际上将进入 JMP 并展示我们所做的建模的一些细节。 所以我将从这 10 个问题开始进行探索性因素分析
	与应力域有关。 现在，在我所有的分析中，我将
	显示分析结果。 我不会引导您一步一步地点击并完成此操作，因为这将花费很长时间，而且 JMP 中对此有详细记录。
	大的，我们称之为
	重载的组件，以及具有三个项目的较小组件，我们称之为无法控制。 所以这是一个探索性因素分析，它似乎支持两个因素。
	我们想确认我们的数据确实如此，并且数据将支持这一点。 因此，我将对这 10 个问题进行验证性因素分析。
	我们可以看到，过载组件连接到七个指示器，而不可控组件连接到三个指示器。
	我们想看看这个数据有多好......这个模型与数据的拟合程度如何。 我们可以看到，查看...卡方在 34 个自由度处为 44，并且并不显着，因此该模型得到了数据的支持。
	我们希望在底部看到的其他内容是我提到的构造有效性矩阵。
	该矩阵的对角线给出了提取的平均方差。 我们可以看到，不可控因素的方差相当高，而过载因素的方差实际上很低。
	正交元素告诉您每个因素与其他因素共享的方差量。 对于过载因子，这的方差
	事实上，与不可控因素共享的方差高于其与自身指标共享的方差，如对角线所示。 而这并不是我们想要的优化因子结构。
	而且，如果你去看看
	路径图与估计，其实你可以看到
	单个项目的可靠性，显示在
	这里的矩形。 你可以看到
	连接到过载因子分量的七个指标具有不同的项目可靠性，范围从0.277到0.551。
	我们想选择一些
	具有高可靠性。
	所以我们将使用这些项目可靠性的概念，
	事实上，区分有效性是为了优化我们的因素。
	我要回去看看
	所有这些指标都放在一个表中。
	这个表有这两列的Cronbach's alpha，它也有删除一个item时Cronbach's alpha的变化
	来自整个组合的 Cronbach's alpha，并且它在最后一列中具有项目可靠性。 因此，查看这个数字矩阵并优化因子的一种方法是选择可靠性高的项目，这些项目可能是前三个。
	现在，在这种特殊情况下，我也喜欢使用
	这
	删除项目时的克朗巴赫 alpha。 如果你看第三项，
	即使该项目排名第三
	项目可靠性，当我们看这个专栏时，我称之为 alpha delta，
	这是删除该项目后整个组合的可靠性变化。 事实上，第三项有一个很大的变化，因此，我没有选择这项，事实上，我选择了它下面的一项。
	因此，对于优化的因子解决方案，我将选择第一个因子和第五项中的前两项，然后对于第二个因子，不可控，我将选择前两项，因为第三项项目可靠性非常低。
	所以，有
	将因子解决方案从 10 个问题优化为 5 个问题，
	我将确认优化的因子解决方案，并看看我们在刚刚讨论的所有指标方面的表现如何。
	所以这里是优化后的因子解，阶因子有三个指标，不可控因素有两个指标，同样我们的模型对数据拟合得更好，2、4自由度的卡方并且卡方值没有被拒绝。
	然后我们下去
	并查看区分效度。 现在，通过优化的因子解决方案，您可以看到过载的方差实际上增加了
	并且它与不可控制共享的方差已经减少。 所以正交值小于对角线上的值，这正是我们想要支持的
	区分有效性。 因此，通过优化解决方案，我们实现了区分有效性，并且我们还获得了比原始 10 个问题更好的模型。
	好的，我们已经优化了因子解决方案。
	下一步是测量模型不变性。
	让我们提醒自己我们在哪里。 我们已经看到了很多不同的表格和分析。 我们有
	同理心、压力、弹性和正念。
	我们将只关注压力。 我们在这里要回答的主要问题是潜在变量的平均分数是否有所提高
	在为期八周的课程中从前到后？
	为了证实这一点，我们必须首先证明纵向测量不变性。
	那是什么？ 事实上，我最近了解到了这一点，让我在这里插入一篇由 JMP 开发人员 Laura Schilo 和 Paul Russo 撰写的优秀论文
	在最新一期的《结构方程模型》中，他们详细介绍了 JMP 的所有不同功能，包括纵向测量不变性。
	纵向测量不变性的想法是确保潜在变量的含义不随时间而改变。
	在我们计算潜在变量的平均变化之前，我们要确保我们在开始和结束时测量的是相同的东西。 因此，为了确定这一点，有四个步骤。
	这些实际上是四种不同的模型。 首先是在相同数量的因素和加载模式下具有最少限制的配置模型。
	第二个是弱不变性模型，我们在其中添加了更多限制。 我们稍微拧紧螺丝并提出问题，这个模型是否仍然受支持？
	然后我们再拧紧螺丝，除此之外，如果我强加项目拦截的质量会怎么样？ 然后最后，
	螺丝上的最后一个螺纹，如果我们添加项目差异并在两个时间点上计算这些差异的质量会怎么样？
	因此，如何逐步执行此操作的详细信息包含在我刚才提到的那篇文章中。 我只想在这里显示结果。
	哎呀。
	所以在这个
	路径图，我正在展示
	无论是在调查前阶段还是在调查后阶段，这两个因素都是超负荷且不可控的。 所以我们有超载的前置、无法控制的前置，以及同样的前置。
	超载由三项解释，而失控则与两项相关。 现在这里的字母不同了
	对模型施加的约束。 例如，C3
	从超载到预检“感到紧张和压力”
	被限制为等于帖子中的同一项目。 这是我们对模型施加的约束的一部分，以确保这些约束得到支持。
	因此，字母表示对模型施加的不同约束，并且这些估计是相等的。 相似地，
	等价项的截距也相等，
	分别表示为
	A。

爆发数据探索数据可视化回复：使用 JMP 中的 SEM 平台评估冥想计划 (2021-US-30MP-897)

做得好，

请<如果您可以将全文发送给我

raaed1983@gmail.com

 

问候