こんにちは、みんな。 私はローラカストロ～スキロ。 私はあるシニア研究統計学者開発者働くとの構造方程式モデルプラットホーム。 私は本当に興奮した今日に見せるあなたいくつかののの新しい特徴それ私たちは持っているでJMPプロ17. 1つのの大きいものは行くに許可する私たちに探検するグループ違い。 だった行くに話すについてそれある多く今日。
私たちのプランのために今日は、うまくいけば、良い過ごすほとんどのの時間であるデモ、本当に見せているあなたそれらの新しい特徴。 しかしとても簡単に言うと、前に私たちは得るの中へそれ、私欲しいに思い出させるあなた何構造方程式モデリングは、なぜあなたかもしれない欲しいに使用それ、そしてそれからうまくいけばを通してのデモ、病気見せるあなたどうやってに使用それ。
今、私たちのプレゼンテーション今日はないとても長さ。 何私また欲しいにするは見せるあなたは共有しますとあなたいくつかの追加からのリソース前の発見プレゼンテーションそして開発者チュートリアルどこあなたはそうします学ぶある多くもっと詳細の上どうやってに使用SEM。
今、の概要の新しい特徴だった行くにカバー、だった行くに初め話すについて複数グループ分析そしてそれからいくつかの改善それ私たちは持っています終わりのために縦方向のモデリング内でSEMそしてのために調査発達。後私たちは行く以上それらの、良い行く真っ直ぐの中へのデモそして本当に見せるあなたどうやって全てのそれらのは使用済み。
構造方程式モデリングはあるとても一般的な分析フレームワークのために調査中の協会間変数。 今、これはあるとても広い意味、そしてそれは目的がある、なぜなら構造方程式モデリングはあるとても広い技術どこある番号の違うモデルできるなれフィット。
ここ私はリスト化されたある少しののモデルそれあなたできたフィット内でSEM、しかしこれはないの徹底的なリスト。 それ本当にはあるあるとてもフレキシブルフレームワーク。
あ自然質問それかもしれない来るに心は、もし私できるするいくつかののこれら分析どこかでそれ以外、それからなぜするだろう私欲しいに使用あるSEM? 時々あなたかもしれないない必要に使用それ、右？ それするだろうなれただ大丈夫。 しかしそこにははいくつかの状況でどれのSEMするだろうなれ特に役立つ。 私は含まれていますここあるリストの何それらの状況かもしれないなれ。
の初めは時々あなたかもしれないなれ興味があるで理解のメカニズムによるどれのもの起こる。 これはある状況どこSEMできるなれとても役に立つ。 しばしばいつあなた欲しいに理解するメカニズム、それ手段それあなた持っている変数それは両方予測子そして結果。
まだ、ない多くの統計的テクニック許可するあなたに特定モデルどこあなたできる持っているある変数なれ両方ある予測子そしての結果。 それは実は何かそれはとても自然でSEM。 もしこれは何かそれあなたは働くの上、 SEMできたなれとても役立つのためにあなた。
あなた本当に欲しいにてこの作用あなたのドメイン専門知識もしあなたはを使用してSEM。 の理由はなぜならで注文に特定あなたのモデル、あなた本当に必要に考えるについて何はあなたの理論？ 何はそれそれあなた知るについてあなたのデータ？ あなた来る上とそれらの理論、あなた翻訳する彼らの中へあるテスト可能モデル、そしてそれからいつあなたフィットあなたのモデル、あなた見るかどうかまたはないあるよサポートのためにそれらのアイデアそれあなた持っている。
今、あるとても重要使用場合のためにSEMはいつあなたは働くと変数それできないなれ測定された直接。 それで遅い-で変数はとても重要である番号の違うドメイン。 もしあなたは興味がある、のために例、で探しているでお客様満足または品質のある製品での社会科学。 あるよそれで多くの遅い-で変数、人格、知能、それらのはいくつかののの決まり文句ものそれあなたするだろう聞く。しかし本当に、レイトイン変数は全て以上の場所。もしあなた仕事とそれらの、もしあなた持っている研究質問それ伴う遅い-で変数、それからあなたは本当に行くに利点によるを使用してSEM。
あ幾分関連している理由に使用SEMはそれもしあなた持っている変数それ持っている測定エラーそしてあなた実は欲しいにアカウントのためにそれ測定エラー、 SEMできるまたなれとても役立つ。 私言うそれこれは関連しているにのレイトイン変数なぜならの方法でどれの私たちはアカウントのためにの測定エラーはによる指定するレイトイン変数でSEM。測定エラーできる持っている時々予想外の結果の上私たちの推論。 それできるなれとても役に立つにアカウントのためにそれ。
別の利点のSEM、そしてこれは1つものそれはとても実用的本当に、はいつそれ来るに持っているないデータ、どれの、のコース、は全て以上の場所、のほとんど人気のある推定アルゴリズムのためにSEMハンドルないデータであるシームレスファッションそのようなそれのユーザーしません本当に必要にする何でも。 ないデータは処理されたとある切断角アルゴリズムそしてあなた本当にしないでください持っているに心配についてそれとして多くの。 もしあなた持っているないデータ、時々私教えて人々平もしあなたただ持っているある単純線形回帰、あなたできる利点からを使用してSEMただなぜならないデータは処理されたそしてその簡単。
最後に、パス図表はある致命的道具のために構造方程式モデル。 それらの図はとても役立つなぜなら時々平のほとんど複雑な統計的モデルできるなれ伝わったであるとても直感的なファッションによる頼っての上これら図。
でJMP、私たちは使用これら図に促進するの仕様の私たちのモデル、しかしまたに取り次ぐの結果のモデル。 それらの図できるなれとても役立ついつあなたはプレゼンテーションするあなたの結果にどれでもタイプの観客、本当に。
全て右、それでこれはただあるとても簡単なリストのなぜあなたかもしれない欲しいに使用SEM。 私する欲しいに共有あるリンクここにあるプレゼンテーションそれ私与えた平行とジェームズ・カフラーだれのまたで仕事発達。 私たちはしたある開発者チュートリアルどこ私たちは実は行ったの中へある多くのもっと深さについての理由なぜあなたかもしれない欲しいに使用SEM。 もしあなた欲しいにチェックそれ外、私ただ欲しかったに共有これリンクここ。 もしあなたダウンロードのスライドからのコミュニティ、あなたしないでください持っているにタイプこれ長さリンク。 あなたできるただクリックの上それそしてチェックそれビデオ外。
全て右、それでどうやってに使用SEM。 また、私は行くに行くの中へあるデモそして病気見せるあなたどうやってに使用SEM、しかし私のデモはない行くになれあまりにも集中したの上あるチュートリアルタイプのプレゼンテーション、たいていなぜならの時間制約。私たちは欲しいに保つこれ短いそして甘い。
何私欲しいにするでこれ滑り台は共有とあなた追加ビデオプレゼンテーションどこあなたできる行くそして学ぶもっとであるチュートリアル形状どうやってに使用構造方程式モデルのためにある少し違う場合勉強、基本的に。 ここ、これ初めビデオはあるリンクどこ私覆われたどうやってにモデル調査データそしてレイテンシ変数。 私たちはカバーもののように確認的な要素分析とパス分析とそしてそれなしレイテンシ変数。
もしあなた持っている縦方向のデータ、これビデオできるなれとても役立つ。 ここ私行った以上どうやってにフィット成長後期曲線モデルそしてどうやってに解釈するそれらの結果。 良いするある少し少しの縦方向のモデリングここ今日でのデモ、しかし私たちはしませんなれできるすることができるに行くの中への詳細またであるチュートリアル方法。 私絶対に奨励するあなたに時計それもしあなたは興味がある。
もしあなたしないでください持っている前SEM経験、私とても多くの奨励するあなたに時計これ他のビデオどこジェームスカフラーそして私話しましたについて建物構造方程式モデルでJMPプロ。 これ1つはとても入門、そしてそれであなたかもしれない欲しいに始めるとそれ1つ前に行くにのその他。
わかった、それで今その時間に得るの中へある少し概要のの新しい特徴でJMPプロ17.複数グループ分析はある特徴それ私はされた本当に探しているフォワードにプレゼンテーションするの上なぜならこれは何かそれ伸びる全てののモデルそれできるなれフィット内でSE M. それするそれでによる許可する私たちに調査する類似点そして違い横切って亜集団。私たちはするこれによる組み込むあるグループ化変数の中へ私たちの分析。
今、のほとんど人気のある複数グループ分析例いつもの見せるあるグループ化変数それもっている少しレベル。 もののように人口統計変数は使用済みとても頻繁。 確かに、でのデモ私は行くにする、私はまた行くに使用ある単純人口統計変数。 しかし本当に、あるよいいえ限界にどうやって多くのレベルあなた本当にすべき持っている。 何本当に問題はどうやって多くの観察するあなた持っているのためにそれぞれレベル。 あなた欲しいに持っているある比較的良いサンプルサイズのためにそれぞれのそれらのサブグループ。
今、そこにははある一般的な戦略のためにの分析。 だった行くに見るこれで練習する、しかし私欲しいあなたに始める考えについてどうやってこれ本当に動作します。 その実はとても単純。 何私たちはするで複数グループ分析はフィット二モデル。
1つのそれらのモデルは行くになれあるもっと制限付きバージョンのの他の。 一度私たちはフィット両方の彼ら、良いなれできるにするある可能性比率テストまたはある高い四角違いテストで注文に作るの推論についてかどうかの制限それ私たちは課せられたで1つののモデルはで事実耐えられる。 これはどうやって私たちは形外かどうかそこにはは統計的に重要な違い横切ってグループ。 また、良い見るそれ遊ぶ外でのデモ。
で条項の縦方向のデータ分析、私たちは持っています作ったそれある多くより簡単にに解釈するの結果からあなたのモデルによる探しているでのモデル暗黙の軌跡を通してある新しい予測された価値観プロット。 私たちはまた持っている作ったそれある多くより簡単にに特定多変量成長曲線。 もしあなたはおなじみとこれらモデル、彼らは許可するあなたに調査するの協会の複数プロセス以上時間。 彼らはできるなれとても役立つ、しかしそれ使用済みになれある少し退屈なで条項のどうやってに特定それらの。 今私たちは持っています終わりそれとても簡単そして速いを通しての使用のモデルショートカット。 のためにいくつかの高度なアプリケーション、私たちは持っていますまた作ったそれより簡単にに定義するの独立モデルベースのの上何ユーザー欲しいに持っているとしての独立モデル。
そこにははまたいくつかの改善のために調査。 これ本当にはたいてい集中したの上合理化あなたのワークフローのために現像調査。 いつものの分析的なワークフロー始まりますによるを使用して探索的な要素分析、そしてそれからあなた取るそれらの結果そして確認する彼らとの独立したサンプルを使用して確認的な要素分析でSEM 。
何私たちは持っています終わりとのヘルプの建峰丁さん、誰がはの開発者のために探索的要素分析、私たちは持っていますされたできる今にリンクの二プラットフォームによる基本的に許可するあなたにコピーのモデル仕様から探索的な要素分析そしてそれからペーストそれの中へSEMそれでそれあなたできる簡単にそして素早く確認するあなたの結果。
私たちはまた持っているある新しいショートカットのために切り替えの規模のあなたの遅刻変数。 時々これは役立ついつあなたは現像調査のために指定するモデル。 私たちはまた持っているある番号のもっと新しい熱地図それはただ行くに作るそれより簡単にに解釈するの結果のあなたの分析。
今、最後しかしない少しでも、私たちのプラットホームもっているいつもされたとても速い。 しかしでこれリリース、クリスゴットウェル置くある多くの素晴らしい努力向かって改善する平もっとのパフォーマンスの私たちの内部アルゴリズム。 もしあなた持っているたくさんの変数またはたくさんのデータ、絶対に与えるそれあるショット。私午前とても、とても感動したそして興奮したについて何私たちは持っているにオファーで条項ののパフォーマンスののプラットホームとして良い。
わかった、それでその時間のためにのデモ。 しましょう行く先にそして見せるあなた何私持っている以上ここ。 私持っているあるジャーナルどこ私は行くに仕事を通して、うまくいけば私たちは持っている十分時間に仕事を通して三つ例。
の初め1つここ、多分ない驚くべきことに、用途私たちの大きいクラスデータテーブル。 その行くになれあるとても単純例ただに導入の概念後ろに複数グループ分析。 今、何私は行くにするここ、私たちは持っている二変数、右？ 身長そして重さ。何私欲しいにするは調査するの協会間これら二変数によるセックス。 私は行くに行くにの分析するメニュー、行く下に多変量メソッド、そしてそれから構造的方程式モデル。 私は行くに使用両方のそれらの変数そしてクリックの上モデル変数。
今、のブランド新しい特徴の複数グループ分析できるなれ見つかったでこれ打ち上げダイアログ下これグループボタン。 これボタンは新しいそしてそれは何ですか行くに許可する私たちに選択する私たちのグループ化変数そしてクリックの上グループで注文に使用それとして私たちのグループ化変数。だった行くに見てでどうやって男性そして女性そしてかどうか彼らは異なる基本的にの上彼らの協会間身長そして重さ。 だった行くに「O」をクリックしますケイ。
今、これはのプラットホーム。 あなたできる見るもしあなた持っている見た私たちのプラットホーム前に、それ見た目とても似ているとして前に、との例外のこれら新しいタブ右ここ。 のタブはそこにはに教えて私たちについての違うグループそれ私たちは持っているで私たちの分析。 でこれ場合、あるよのみ二レベルのために私たちのグループ化変数。 私たちは持っているあるタブのためにの女性そしてあるタブのために男性。
1つののものあなたはそうします知らせはそれのパス図表持っているあるモデルすでにとしてあるデフォルトのためにそれぞれのそれらのグループ。 それらのデフォルトモデルはの同じ。 それはなぜいつ私スイッチタブ、何もない本当に変化します。 の連合タブ、としての名前暗示する、それショー私たち何ですかで一般横切って全ての私たちのグループ化、良い、のレベルの私たちのグループ化変数。 ここ、これはなぜこれ図また見た目の同じ。
で注文に特定ある単純線形回帰でSEM 、ここ、私はただ行くに選択するでこれからリストの身長変数、そしてそれからでのにリスト、私は行くに選択する重さ。私は行くにリンクそれらの二変数とある1つに向かった矢印、どれのは何追加しますそれ回帰パスに私のモデル。 これはただある単純線形回帰どこ身長は予測する重さ。
今、時々私のようにに右クリックの上のキャンバスののパスダイアグラムそして私行くにカスタマイズ図ただに作るのノードある少し少しより大きななぜなら私探すそれ時々、特にいつの図は小さい、それ見た目ある多くより良い。これはただある単純線形回帰。
今、知らせそれなぜなら私した私のモデル仕様下の連合タブ、両方の女性そしての男性遺伝性のそれらの同じ変化そして仕様にのモデルそれ私作った。 もし私作るどれでも変化内であるグループ特定のタブ、それからそれらの変化意思のみ適用するにそれグループ。 しかしでこれ場合、何私欲しいにするはフィットのイニシャルモデルどこ両方男性と女性そして女性得る彼らの自分の見積りのためにこれ線形回帰。
今、保つで心それの推定のこれモデルは全て終わり同時に。 だったない別々にフィッティングこれモデルのために女性そしてのために男性。 すべては終わり同時に、しかし私はまだできるに許可するそれぞれののグループに持っている彼らの自分の見積りのためにのモデル。
私は行くにクリックの上走る、そして良い見るあるよあるモデル比較テーブルどこ私たちはできる学ぶある多くについてのフィットののモデル。 しかし今、何かそれは新しいで私たちの報告はそれ私たちは持っているこれらタブのためにそれぞれの私たちのグループ。 私たちは持っているあるタブのためにの女性そしてあるタブのためにの男性。
今、もしあなた集中の上の回帰係数、のために例、私できる行く戻るそして前方へそして気づくそれ私する持っている、で事実、ある違う見積もりのためにそれ係数。
今、の係数見た目違う、しかし私しないでください持っているあるテスト、あるフォーマル統計的テストそれ言う自分かどうかまたはないそれ協会は統計的に重要な。 の違いそしての協会は違う。 でどれでもレート、の男性ここ持っているについて3.4、女性持っているある少し少しより大きな価値。 しかし何私たちは本当に欲しいはにフィットある2番モデルどこ私たちは力の平等制約の上それパラメータ見積もり、そしてそれから私たちはできる使用それに比較するに対してこれモデル。 しましょう行く先にそしてするそれ。
私は行くになれの上の連合タブそして私は行くに選択するそれ回帰パスそして私は行くにクリックのボタン、セット等しい。これは行くに持ってくる上これダイアログどれのはただ行くに聞く自分に確認するそれ私する欲しいに適用するこれ平等制約横切って全ての私のグループ、どれの私する。 私は行くにクリックわかった。 今知らせそれ私持っているこれ新しいラベルそれだった置くここの上の角。 もし私見てでの女性タブそしての男タブ、それラベルはまだ見せている上の上それ角の上それ矢印。それは私たちの方法に取り次ぐにあなた、のユーザー、それの同じパラメータ見積もりは行くになれ使用済み基本的にに説明するそれ協会。
わかった、それでしましょう行く戻るそしてモデル名前。 だった行くに変化これになれ回帰効果は等しい。 私たちは力それになれ等しいでこれモデル。 だった行くに行く先にそしてクリックの上走る。 今、また、私たちはできた見てで私たちのモデル比較に見てでのフィットの私の違うモデル。 私できる選択するの二モデルそれ私ただフィット、そしてなぜなら1つのそれらのモデルはある制限付きバージョンのの他の、私たちは電話これそれのモデルは入れ子になった、私たちはできる実はするある可能性比率テスト。
それは終わりとても簡単にで私たちのプラットホーム単にによる選択するの二モデルそしてクリックするの上比較する選択済みモデル。 私たちは意思得るある違いでのち四角、どれのを表しますの変化での不適合者ののモデル。 私たちはまた見てでの違いで度の自由間の二モデルそしての違いでのフィットによるとにいくつかのののほとんど人気のあるフィット統計でSEM。
今、によるとにこれ特定のテスト、それ表示されますそれの変化でち四角、の増加で不適合者はない統計的に重要な。 もし私たちは使用ただこれち四角違いテスト、私たちはするだろうそれから来るにの結論それ平けれどそれらの二価値観は違う、彼らはない統計的に違う。 今私たちはできた行く戻る下ここに私たちのタブ結果そしてあなたできる見るそれの回帰係数はの同じ平いつ私行く横切ってのタブ。私たちはできたそれから言う、良い、あるよいいえ違い間男性そして女性で条項のどうやって身長予測する重さ。
これはあるとても単純例のどうやって私たちはできた使用平等制約横切ってグループで注文にテストある特定の仮説。 今、としてあなたできる想像する、私できた行く戻るの中へ私のモデル仕様そして私できた置く平等制約またの上の分散の身長そしての上の残留物分散の重さ。もしそれは何かそれはの興味に自分、もし私欲しいにテストそれらの違い、これフレームワーク許可します自分にするそれ。
今、ある多くの回あなたは行くに持っているもっと複雑モデル良い超えて線形回帰、またはあなたかもしれない持っているもっとレベルのあなたのグループ化変数、そしてそれは完全に大丈夫。 これはある単純例それうまくいけばあなたできる... それ許可しますあなたに見るどうやってあなたできた伸ばすこれの中へあるもっと複雑設定。わかった、それでそれはこれ例。
私欲しいに動くの上にの例それ用途縦方向のデータ。 今、だったない行くに動く離れてから複数グループ分析全体的に。 だった基本的に行くにハイライトいくつかののそれらの縦方向の分析改善、しかしそれからまだ持ってくる戻るの概念の複数グループ分析。
のためにこれ例、私欲しいあなたに想像するそれ私たちは持っているデータテーブルどこ私たちは持っているデータから学生それ持っている取られたのアカデミック成果テストのために四連続した年。 多分何私たちは本当に欲しいに探す外からこれらデータはかどうか学生成果... どうやってはそれ現像以上時間？ かどうか男性そして女性異なるで彼らの軌跡以上時間？ これらは行くになれの二質問それだった行くに集中の上のためにこれ特定の例。
今、そこにははあるサンプルデータテーブルそれあなた意思探す内で私たちのサンプルデータフォルダ。 その呼ばれたアカデミック成果。 あなたできた使用それにフォローする平行とこれ例。 でこれデータ、私たちは持っている100行。 それぞれ行を表しますある違う学生それ取ったこれアカデミック成果テスト。 あなたできる見るそれここ、これら四列代表するのスコアの上それ複数選択テストそれだった取られたのために年である行。それらのはのデータそれ私は行くに集中の上のためにフィッティングある縦方向のモデル。
私は行くに行くにの分析するメニュー、マルチ変化させるメソッド、構造方程式モデル、そしてそれらの四変数は選択されました。 私はただ行くにクリックの上モデル変数で注文に使用それらのでSEM。 私は行くにクリックわかった。 覚えて、の初め質問だった、どうやってする学生'アカデミック成果開発する以上時間？ 私たちは欲しいに特徴づけるそれ成長または形外かどうかそこにはは成長確かに。
私たちは持っている私たちのモデルショートカット下での底左、そしてあなたできる見るそれ下の経度分析メニュー、私たちは持っているある新しいオプション。 だった行くに得るにこれオプション後で今日、多変量、遅いで成長曲線。
しかし私たちはまた持っている持っていたある少し他のオプションここそれ作る縦方向のモデリングとても素早いそして単純。 のためにこれ例、私は行くに使用のフィットそして比較する成長モデル。 いつ私するそれ、三つ違うモデルはフィット。 私得るあるち四角違いテストのために全てのの可能組み合わせここ。 もし私見てでのフィットインデックスそしてまたの結果からこれち四角違いテスト、私意思認識するそれの最高フィッティングモデルここはの線形成長曲線モデル。 で他の言葉、それ表示されますそれのスコアの上これアカデミック成果テスト以上時間できるなれ最高特徴的なによる線形成長。
ベースの上それ、私意思行く先にそして集中の上通訳するの結果からこれ線形成長曲線モデル。 私は行くに開けるそれそして想起それそれ1つのの新しい特徴のために縦方向のモデリングはある新しい予測された価値観プロットそれ許可します私たちに解釈するの結果の私たちのモデルある多くもっと簡単に。 もしあなたはおなじみと成長曲線モデル、あなた知るそれいくつかののの鍵パラメータ見積りはこれら右ここ。 彼らは教えて私たちの上平均どうやって私たちの学生どこする彼らは始めるそしてどうやっては彼らは変化以上時間そしてどうやって多くの変動性そこにははでそれらの軌跡。
下の赤三角形メニューのこれ特定のモデル、もし私スクロール下、私は行くに探すのオプション呼ばれた予測された価値観プロット。 もし私クリックの上それ、あなた意思見るそれとしてあるデフォルト、私たちは見せるあなた箱プロットのの予測された価値観のために全てのの結果変数でのモデル。
今、いつあなた持っている縦方向のデータ、私たちは持っているあるとても便利オプションここそれ許可しますあなたに接続するのデータポイントそして実は得るあるスパゲッティプロットそれショーあなたそれぞれのの個人予測された軌跡によるのモデル。 今、そのかわいいいいねなぜならのプロットは、で事実、リンクされたにのデータテーブル。 何でも選択あなた持っているここの上のプロット、あなたできるまた見るそれらのであなたのデータテーブル、どれのは何かそれあなた知るに期待するからJMP。
で条項の通訳するの結果ののモデル、そのいいえ驚きそれこれらは全て真っ直ぐ行なぜなら私たちはフィットある線形モデル。 しかしあなたできる確かに見るそれそこにははある多くの変動性での方法これら学生は変化。 いくつかの学生始めるの上の上での始まりそしてはまだ増加しています。 他の学生は起動低いそしては実は展示中ある少し少しの衰退以上時間。
しかし私たちはまた見るの平均軌跡ここそれらしいに見せるある少し少しの増加以上時間。 の上平均、そこにははいくつかの増加、しかしあるよある多くの変動性の上どうやって人々は変化。 のコース、 1つのの自然質問あなたかもしれない持っているは、何要因予測するそれらの違う軌跡、のようにの変動性でそれインターセプトスロープ、それは何かそれ私は覆われたで他のプレゼンテーション、それで私はない行くに話すについてそれ今。しかしまた、私奨励するあなたに使用の予測的な価値観プロットにより良い解釈するあなたの縦方向の分析。
私たちは話しましたについてユーザーいるできるに特定彼らの自分の独立モデル。 それは何かそれ私たちはするここでのモデル比較テーブルそしてできるなれとても役に立つのために縦方向の分析。 私たちはする持っているの独立モデルそれは餌を与えたによるデフォルト、しかしもしあなた選ぶに変化それ、それからあなたできたいつも右クリックの上どれでも与えられたモデルそれあなた欲しいにセットとしての独立独立モデル、そして私たちは意思取るお手入れのそれ変化のためにあなた。
それはの高度な技術。 私とても多くのアドバイスするあなたに、もしあなたはないおなじみとしてに何ですかのちゃんとした独立モデルのためにあなたの分析、あなたすべき本当に取るある見てでの文学に作るもちろんそれあなたはを使用してある良い独立モデルなぜならそれ本当に不定時々によるコンテクスト。
私は座っている次にこれ美しい窓そしての太陽、そのある素敵日それで私は行くに持っているに調整するここ私のコンピューターそれでそれ私しないでください持っている全てのライトの上私の顔。 私謝るのためにそれ。
わかった、それでしましょう得る戻るにこれ質問。 私たちは言ったそれどうやって学生をする成し遂げるそして開発する以上これ期間の時間？ 私たちは今持っているの理解それそれ発展するでこれ線形ファッションそしてそれそこにはは実質的な変動性。 それはの答えにそれ質問。
良い、の次ものは、する男性そして女性異なるでこれら軌跡？ の方法だった行くに認めるそして住所それ質問はによるを使用して複数グループ分析。 T彼のできたなれ戻るでのプラットホーム、私たちはできた使用の主要三角形メニューにやり直しそして再起動する私たちの分析。
今何だった行くにするは持ってくるこれグループ化変数、私持っているあるセックスとしてグループ変数。 ただによるやってるこれ、良いなれできるに呼び出す私たちの複数グループ分析機能性。 私は行くにクリックわかった、そして今あなたできる見るそれ私たちの報告のためにのプラットホームもっているのレベルの私たちのグループ化変数こことしてタブ。
ただとして前に、あなたできる見るそれの男性そしての女性持っているの同じモデルとしてあるデフォルト、しかし私たちはできる作る変化にそれ。 だった行くに仕事内での連合タブなぜなら私欲しいの変化それ私はについてにするにのモデル仕様、私欲しい彼らに適用するのために両方男性そして女性。
私意思またハイライト、そしてこれはただある少し側注記、それ下の状態タブ、あなたは行くに探すグループ特定の情報それ私たちはしませんでした持っている前にいつ私たちはしませんでした持っている複数グループ分析。 あなたできる持っているいくつかの情報についてあなたのデータ、ないデータ、そしてそれでの上それは特定のにのグループ。
わかった、それでしましょう行く先にそして答えこれ質問。 する男性そして女性持っている違いで彼らの軌跡？ 良い、私すでに知るそれの線形モデル合う最高、それで私は行くに行くに私たちのモデルショートカット、経度分析、そして私は行くにクリックの上の線形レイテンシー成長曲線。 のショートカットとても素早くセット上のモデルのために自分、作るそれとても単純、そして彼らはするそれ横切って全てののレベルののグループ化変数。 私持っているの線形成長曲線モデル。
知らせそれこれら鍵側面ののモデル、の見積りそれ本当に特徴づけるの変化で私たちのデータ、しないでください持っているどれでもラベルの上それらのエッジ、どれの手段それ彼らは自由に推定横切って男性そして女性。 私の初めモデルここはある線形成長曲線モデル。 私はただ行くに置くある少しキーワードここ。 おっと、私消去されたそれ。 線形成長曲線。 しかし私欲しかったに含むここそれこれは自由に推定右横切ってのグループ。 私は行くにクリックの上走る。 素晴らしい。
私たちはできる見るここいくつかのフィットインデックス。 で私の報告、私できる見るあるタブのためにの男性そしてのためにの女性。 のコース、としてあなたはそうするだろう期待する、もし私行く戻るそして前方へ、私できた取るある見てでの結果のためにの女性そしてそれから行く戻るそして見てでどうやってそれらの結果は多分違うのためにの男性。 これは面白い。 そこには現れるになれいくつかの違い、しかしまた、私たちはかもしれない欲しいに形外かどうかの違いそれ私たちは観察するただから探しているでこれら見積りしかしそれらのはで事実、統計的に重要な。
何病気するは私は行くに行く戻るに私のモデル仕様そして私は行くにするのオムニヴィステスト。で他の言葉、それよりもよりもただ置くの平等制約の上1つのこれら見積り、私は実は行くにするそれのために全てのこれら見積り、のインターセプト平均、の平均のためにのスロープ、そしての共分散ののインターセプトそしてスロープ、そして彼らの差異。
あなたしないでください持っているにするそれこれ方法、しかし本当にそのあなたの研究質問それすべきなれ導くどこするあなた場所それらの平等制約? で私の場合、私ただ欲しいにするのオムニヴィステストどこ私形外かどうかの軌跡のために男性そして女性は違うそしてかどうかまたはない私必要ある別見積もりのためにそれらのパラメーター。
私持っている全てのそれらのエッジ選択されたそして私は行くにクリックの上セット等しい。 ここ私確認済みそれ私する欲しいそれらの平等制約横切って両方グループ。 これは実はとても役立ついつあなた持っているもっとよりも二レベルであなたのグループ化変数。 それかもしれないなれそれあなた欲しい平等制約横切って、言う、二グループしかしないの三番目。 あなたできるチェックを外しますいくつかののそれらのグループここもしあなた必要なに。
私は行くにクリックわかった。 今全てのそれらのエッジ得たある違うラベル。 あなたできる見るそれもし私行くそして見てでの男性そしてのモデルのためにの女性、それらのラベルはの同じ。また、ただに思い出させる私たちそれだった行くに見積もりのみ1つ見積もりのためにそれぞれのそれらのエッジ横切ってグループ。
わかった、それでこれ、一度また、はある線形成長曲線、しかし私持っている等しい成長見積り。 しましょう行く先にそして走るそれモデル。 私たちはできる見る、また、私たちはできた集中の上のフィットのこれモデル。 それしません思われるになれとして良いとしての前の1つ。 なぜならこれ2番モデルはある制限付きバージョンのの初め、私たちはできる実は選択するそれらの二モデルそしてするある意味のある比較によるクリックするの上比較する選択済みモデル。
として前に、私たちははできるに見るここの変化でのち四角平行との変化での度の自由。 これ言う私たちどうやって多くの増加で不適合者はそこにはで私たちのモデル、そしてはそれ増加で不適合者統計的に重要な？
もしそれは、どれのでこれ場合それは、それから私たちは基本的には言ってるそれそれらの平等制約はない耐えられる。 それだったないある良いアイデアに場所それらの。 今私たちはできる言うとあるフォーマル統計的テストそれそこにはは統計的に重要な違いでの軌跡横切って男性そして女性。
今、あなたかもしれない欲しいに見てでそれらの違いによるを使用しての予測された価値観プロット。それは何かそれ私たちはできるするただによる行くの中への赤三角形メニュー。 しかし何私は行くにする初め、実はは私しないでください本当に欲しいに見てでのモデルそれもっているの等しい成長見積りなぜなら私たちはただ気がついたそれそれらの平等制約だった本当にないある良いアイデア。 私はない行くに見てでそれ。 その代わり、私は行くに見てでの初めモデル私たちはフィット、そして私は行くにするの同じのためにの男性ここ。下の赤三角形メニュー、私は行くにクリックの上予測された価値観プロット、そして私は行くに接続するそれらのポイントなぜなら私知る私のデータは縦方向の。
これはのプロットそれは特定のにの男性、にの男サンプル。 しかしそれするだろうなれ本当に役立つに見てでこれプロット側による側とのプロットのためにの女性。 その実はとてもニースそれ全ての私たちの赤い三角メニューオプションここは自動的に回ったの上横切って全てのあなたのグループ、それであなたしないでください持っているに行くグループによるグループ旋回の上のものあなた欲しいに見る。
しかし別の騙すそれ私本当にのようには、いつあなた持っているあるタブ付き報告、あなたできるいつも右-クリックの上それそして変化のスタイルのの報告それでそれそのの上ある水平広める。これは行くに許可するあなたに見るのタブ側による側、のコンテンツの彼ら。
私は行くにクリックの上H水平の広める。 今知らせそれ私持っているの男性そしての女性側による側。 私は行くに使用の赤三角形メニュー平行とのオプションまたは代替鍵で注文注文に振り向くオフのまとめのフィット、のパラメータ見積り、そしての図。 本当に、全て私欲しいに見るはの予測された価値観プロット。 私は行くにクリックわかった。 完璧。
今私できる見るの予測された価値観プロットのためにの男性そしてのためにの女性。 私できる見るそれ側による側。 とても意図的に、私たちは持っているここのY軸での同じ規模それでそれこれらプロットは匹敵します。 今あなたできる見るどうやっての軌跡異なる。 私たちは見るそれあるよある多くもっと広めるのためにのサンプルのためにの女性。 そこにはまたらしいになれある少し少しのある違いの上それ平均軌跡での額の成長。
また、あるよ多くのもっとフォローする上テストそれ私たちはできたするここで注文に形外どこの特定の違い嘘。 もし私たちは欲しかったにテストそれ、私たちはできた言う、良い、はそこにはある違い具体的にはでの分散ののスロープ？私たちはできた置くそれ平等制約そしてするもっと特定のテストとしてフォローアップ。 しかしのために今、私希望それただ見せているあなたこれ例本当に許可しますあなたに見るどうやって複数グループ分析できるなれ使用済みであるもっと複雑な設定そしてどうやってこれ新しい予測的な価値観プロットできるなれ使用済みに本当に促進するの解釈のあなたの縦方向のモデル。
全て右。 だったほとんどでの終わりののデモそして何私欲しいにするとても素早くとの同じデータ、私本当に欲しかったにハイライトの多変量成長曲線ショートカット。 Lなど自分行く先にそして行く戻るここにの構造方程式モデルプラットホーム、そしてこれ時間、想像するそれ私たちは持っている二セットのスコア以上時間。
それでだった行くになれ探しているで二プロセス。 私たちはしないでくださいただ持っているアカデミック成果の上それ1つテスト。 私たちは持っているそれの上二違うテストそして私たちは欲しいに見るどうやってそれらの二プロセスは変化。 どうやっては彼らは関連している以上時間？ 私は行くに使用全てのこれら変数ここ、クリックの上モデル変数そしてわかった。 Uだーのモデルショートカット、覚えてそれ縦方向の分析多変量潜在成長曲線、それショートカット許可します自分に選択する変数のために1つ特定のプロセス。
ここ、私かもしれない持っているそれらの初め四変数。 それだった私の初めプロセス私欲しいに見てで。 しましょうただ言うそれそれらのだった数学得点。 私は行くに電話それ数学。 Yあなた得るに選ぶここ何タイプの成長あなた欲しいに特定のためにそれ特定のプロセスのためにそれセットの変数。 だった行くにスティックにある線形成長、そしてそれから私たちはできるクリックのプラスボタンで注文に持っているそれ終わりのために私たち右離れて。 Yあなたできる見るのプレビューでの背景ここ。 W e持っているのインターセプトそしてあるスロープのために数学。 T鶏私たちはできる変化の名前ここ。 多分の2番プロセスは科学、そして今私たちはできる選択するの変数、の繰り返された対策のためにそれ科学テスト以上の四年。
あ得、だった行くにスティックにの線形モデル、そしてだった行くにクリックのプラスボタン。 Vエリ素早く、それモデルは変化そこにはの上の背景。 だった終わり今。 それで私はただ行くにクリックわかった。 あ得、今私できたただクリック走るそしてとても素早く得るの結果のためにそれモデル。 これはの高度な応用、しかしそれはある本当に面白い1つなぜならそれ許可しますあなたに見てでどうやってのイニシャル時間ポイント、のインターセプト横切って二プロセスでこれ場合、どうやってはそれらのインターセプトスコア関連している？は彼らは関連する？ あまたの料金の変化以上時間。
もしあなた持っているあるより高いスコアで数学、するあなたまた傾向があるに持っているないただあるより高いスコア、しかしあるより高いスロープ以上時間で数学？ するそれ平均あなたまた持っているあるより高いレートの変化で科学？ あ記録にこれ、あなたする、なぜなら私たちは持っているあるポジティブ協会間それらの二要因。
また、ただハイライトいくつかののそれ新しい機能性。 私のとても最後例はのために調査発達。 これは行くになれとても簡単な、私約束。 しましょうただ言うここそれ私たちは欲しいに形外何はの鍵運転手のお客様満足？ W e知るそれ認識された品質の私たちの製品そしての評判の私たちのブランドは本当に重要。 しかし本当に、前に私たちはできる平答えどれでも質問についてお客様満足、私たちは本当に必要に作るもちろんそれ私たちは持っているある有効そして信頼性のある方法に評価それらの変数。 なぜならこれらは変数それはない観察された直接、彼らは潜在的な変数、そしてしたがって、その難しいに作るもちろんそれ私たちはは測定する彼らである信頼性のあるそして有効方法。 Sアーベイ発達は全てについて達成するそれゴール。
私持っているの例ここそれは行くに許可する私たちに見るどうやって探索的な要素分析は今リンクされたにSEMそれでそれあなたできるする調査発達である本当に合理化されたファッション。 私持っている843行でこれデータテーブル。 それぞれ行を表しますの個人誰が満たされた外ある調査。 でそれ調査、彼らは与えた私たち評価、答えた質問についての認識された品質の私たちの製品。 彼らはまた与えた私たち違う答えのためにの認識されたブランドの私たちのブランド。 T鶏彼らはまた答え質問について彼らの満足との製品。 これできたなれもののように、どうやっておそらくはあなたに推薦する私たちの製品に誰かあなた知る？ それらの種類の質問。
私すでに持っているある保存されました脚本のためにの要素分析プラットホーム。 私はない行くに得るの中への詳細のどうやってあなた使用これプラットホーム、しかし私する欲しいに集中の上の事実それの結果からこれ分析は右ここでの回転した要素読み込み中マトリックス。 それはの鍵結果からこれ分析。 U結局のところ、何私たちは欲しいに見るここはそれの質問それは想定に測定、でこれ場合、満足、それ彼らははで事実、読み込み中の中への同じ要素。
この中で場合彼らはは、そしてそれは良いニュース。 私たちは見るの同じパターンのために品質。 のもっと実質的な積載量はのためにこれら初め三つ質問の品質。 知らせそれそこにはは1つ品質質問それしません思われるに持っているある良い高い読み込み中でどれでものの要因。 それで多分私たちはするだろう行く戻るそして作るもちろんそれの言葉遣いのそれ質問は良い、または私たちはかもしれないただ欲しいに投げる外それ質問全く。
あるよまたあるカップルの質問のために認識の私たちのブランドそれしませんでした思われるにするとても良い。 あ得、いつものあなたするとても注意深い選択のあなたの質問。 あなたするだろう行く戻る、読む何だったそれらの質問、はそこには何か私たちはすべき微調整、またはするだろう私たちはただ得る取り除くの彼ら？ 今、のためにの時間いる、の特徴私欲しいにハイライトはそれ下の赤三角形メニューのこれモデル、そこにははある新しいオプションのためにコピーするのモデル仕様のためにSEM。 私は行くにクリックそれ。 W帽子それするはそれの積載量それは大胆なここで私たちの最後の回転した要素読み込み中、それらの積載量は行くになれ保管されているそれでそれ私たちはできる使用彼らでのSEMプラットホーム。
通常は、あなたはそうするだろう欲しいに集めるある新しい独立したサンプルそれでそれあなたできる確認するこれら探索的な結果。 今、しましょうただ仮定するのためにある分ここそれこれデータテーブルは私の新しい独立したサンプル、そして私するだろう今行くに分析して、多変量メソッド、構造方程式モデル、そして私できる使用全てそれらの同じ変数、のようにの上モデル変数、そしてそれからわかったに打ち上げのプラットホーム。
通常は、また、あなた欲しいに確認するの結果それあなた見つかったとの独立したサンプル。 何あなたできるするはでの主要赤三角形メニュー、あなたできるクリックの上ペーストモデル仕様。 Nああ知らせそれの要素積載量からの要素分析プラットホームだった再スケールされたによるの標準逸脱ののインジケーター。 私は行くにクリックわかった、そしてあなたできる見る今それの価値観ここは修理済みのためにの積載量のそれらの遅いで変数。 彼らは修理済みに対応するにの価値観からの要素分析プラットホーム。
今、また、彼らは持っているになれ再スケールされただっての分散のの変数は取られたの中へ考慮。 それはのちゃんとした方法に特定のモデル。 しかしその本当にニースになれできるに合理化するこれワークフローなぜなら通常は、もしあなた本当に欲しいにフィットある確認的な要素モデルベースのの上の探索的な要素分析、あなたするだろう持っているに置くこれら制約による手。T帽子の本当に退屈な。 それで私たちは持っています作ったそれとても簡単。 これら潜在的な変数持っている積載量それは修理済みに知られている価値観からある前の勉強、からある前の探索的な分析、そして私たちはできる今確認するかどうかまたはないそれ階乗構造まだ保持しますとある新しいサンプル。
1つもの私すべき明らかにするはそれの三つ変数それしたない持っている実質的な要素積載量での報告はないいるリンクされたにどれでものの潜在的な変数。 Rほんとに、私たちはしないでください欲しいこれらになれここでの分析。 W帽子私できるするはの赤い三角メニューまたもっているのオプションのために削除するマニフェスト変数からの分析。
私は行くに使用それそれでそれ私できる素早くただ探す品質3、ブランド3、そしてブランド5a nd私できるただクリックわかったに得る取り除くのそれらの変数なぜなら私しないでください本当に欲しいにフィット私のモデルと彼らでそこには。 あ得、今私できるただ走るこれモデル、評価のフィット、そして形外かどうか私できる、で事実、確認する私の結果から探索的な要素分析を使用して確認的な要素分析でSEM。 T帽子は全て私持っているのためにこれデモ。 私希望それこれは役立つそして私見てフォワードに答える全てあなたの質問その間のライブQ&A。感謝あなたとても多くの。
