Hola, todos. Soy laura Castro- Esquilo. Soy a sénior investigación estadístico desarrollador laboral con el Modelos de ecuaciones estructurales plataforma. Soy en realidad entusiasmado hoy a espectáculo tú alguno de el nuevo características eso nosotros tener en JMP Pro 17. Uno de el grande unos es yendo a permitir a nosotros a explorar grupo diferencias. Eran yendo a hablar acerca de eso a lote hoy.
Nuestro plan para hoy es, con un poco de suerte, Bueno gastar mayoría de el tiempo en a manifestación, en realidad demostración tú aquellos nuevo características. Pero muy brevemente, antes nosotros conseguir en eso, I desear a recordar tú qué Modelos de ecuaciones estructurales es, por qué tú podría desear a usar él, y entonces con un poco de suerte a través de el manifestación, Enfermo espectáculo tú cómo a usar él.
Ahora, nuestro presentación hoy es no muy largo. Qué I también desear a hacer es espectáculo tu compartes con tú alguno adicional recursos de anterior descubrimiento presentaciones y desarrollador tutoriales dónde tu lo harás aprender a lote más detalle en cómo a usar SEM.
Ahora, el descripción general de nuevo características eran yendo a cubrir, eran yendo a primero hablar acerca de múltiple grupo análisis y entonces alguno mejoras eso hemos hecho para longitudinal modelado dentro SEM y para encuesta desarrollo.Después nosotros ir encima aquellos, Bueno ir derecho en el manifestación y en realidad espectáculo tú cómo todo de aquellos son usado.
Modelos de ecuaciones estructurales es a muy general análisis estructura para investigando el asociaciones entre variables. Ahora, este es a muy amplio definición, y eso es intencional, porque Modelos de ecuaciones estructurales es a muy amplio técnica dónde a número de diferente modelos poder ser adaptar.
Aquí He listado a pocos de el modelos eso tú podría adaptar dentro SEM, pero este es no un exhaustivo lista. Él en realidad es a a muy flexible estructura.
A natural pregunta eso podría venir a mente es, si I poder hacer alguno de estos análisis en algún lugar demás, entonces por qué haría I desear a usar a SEM? A veces tú podría no necesidad a usar él, ¿bien? Eso haría ser justo bien. Pero allá son alguno circunstancias en cual SEM haría ser particularmente útil. He incluido aquí a lista de qué aquellos circunstancias podría ser.
El primero es a veces tú podría ser interesado en comprensión el mecanismos por cual cosas suceder. Este es a circunstancia dónde SEM poder ser muy útil. A menudo cuando tú desear a entender mecanismos, eso medio eso tú tener variables eso son ambos predictores y resultados.
Todavía, no muchos estadístico técnicas permitir tú a especificar modelos dónde tú poder tener a variable ser ambos a vaticinador y un resultado. Eso es de hecho algo eso es muy natural en SEM. Si este es algo eso estás laboral en, SEM podría ser muy útil para tú.
Tú en realidad desear a aprovechar su dominio pericia si estás usando SEM. El razón es porque en orden a especificar su modelos, tú en realidad necesidad a pensar acerca de qué son su teorías? Qué es él eso tú saber acerca de su ¿datos? Tú venir arriba con aquellos teorías, tú traducir a ellos en a comprobable modelo, y entonces cuando tú adaptar su modelos, tú ver si o no hay apoyo para aquellos ideas eso tú tener.
Ahora, a muy importante usar caso para SEM es cuando estás laboral con variables eso no puedo ser Medido directamente. Entonces tarde- en variables son muy importante en a número de diferente dominios. Si estás interesado, para ejemplo, en mirando en cliente satisfacción o calidad de a producto en el Ciencias Sociales. hay entonces muchos tarde- en variables, personalidad, inteligencia, aquellos son alguno de el cliché cosas eso tú haría escuchar.Pero en realidad, variables tardías son todo encima el lugar.Si tú trabajar con aquellos, si tú tener investigación preguntas eso implicar tarde- en variables, entonces estás en realidad yendo a beneficio por usando SEM.
A un poco relacionado razón a usar SEM es eso si tú tener variables eso tener medición error y tú de hecho desear a cuenta para eso medición error, SEM poder también ser muy útil. I decir eso este es relacionado a el variables tardías porque el forma en cual nosotros cuenta para el medición error es por especificando variables tardías en SEM.Medición error poder tener a veces inesperado consecuencias en nuestro inferencias. Él poder ser bastante útil a cuenta para él.
Otro beneficio de SEM, y este es uno cosa eso es muy práctico en realidad, es cuando él llega a teniendo desaparecido datos, cual, de curso, son todo encima el lugar, el mayoría popular Estimacion algoritmo para SEM manejas desaparecido datos en a sin costura moda semejante eso el usuario no en realidad necesidad a hacer cualquier cosa. Desaparecido datos son manejado con a corte borde algoritmo y tú en realidad no tener a preocuparse acerca de él como mucho. Si tú tener desaparecido datos, a veces I decir gente incluso si tú justo tener a simple lineal regresión, tú poder beneficio de usando SEM justo porque desaparecido datos son manejado y es fácil.
Por último, Camino Diagramas son a crítico herramienta para Modelos de ecuaciones estructurales. Aquellos diagramas son muy útil porque a veces incluso el mayoría complejo estadístico modelos poder ser transportada en a muy intuitivo moda por confiando en estos diagramas.
En JMP, nosotros usar estos diagramas a facilitar el especificación de nuestro modelos, pero también a transmitir el resultados de modelos. Aquellos diagramas poder ser muy útil cuando estás presentación su resultados a cualquier tipo de audiencia, en realidad.
Todo bien, entonces este es justo a muy breve lista de por qué tú podría desear a usar SEM. I hacer desear a compartir a enlace aquí a a presentación eso I dio a lo largo de con James Cuffler, quien es también en trabajo desarrollo. Nosotros hizo a desarrollador tutorial dónde nosotros de hecho fue en a mucho más profundidad acerca de el razones por qué tú podría desear a usar SEM. Si tú desear a controlar eso afuera, I justo buscado a compartir este enlace aquí. Si tú descargar el diapositivas de el comunidad, tú no tener a tipo este largo enlace. Tú poder justo hacer clic en eso y controlar eso video afuera.
Todo bien, entonces cómo a usar SEM. De nuevo, Soy yendo a ir en a manifestación y Enfermo espectáculo tú cómo a usar SEM, pero mi manifestación es no yendo a ser también enfocado en a tutorial tipo de presentación, principalmente porque de tiempo restricciones.Nosotros desear a mantener este corto y dulce.
Qué I desear a hacer en este deslizar es compartir con tú adicional video presentaciones dónde tú poder ir y aprender más en a tutorial forma cómo a usar Modelos de ecuaciones estructurales para a pocos diferente caso estudios, básicamente. Aquí, este primero video es a enlace dónde I cubierto cómo a modelo encuesta datos y latencia variables. Nosotros cubrir cosas como confirmatorio factor análisisy camino análisis con y sin latencia variables.
Si tú tener longitudinal datos, este video poder ser bastante útil. Aquí I fue encima cómo a adaptar crecimiento tardío curva modelos y cómo a interpretar aquellos resultados. Bien hacer a pequeño poco de longitudinal modelado aquí hoy en el manifestación, pero nosotros no ser capaz ser capaz a ir en el detalles de nuevo en a tutorial forma. I definitivamente alentar tú a mirar eso si tú son interesado.
Si tú no tener previo SEM experiencia, I muy mucho alentar tú a mirar este otro video dónde Jaime Gemelos y I habló acerca de edificio Modelos de ecuaciones estructurales en JMP Pro. Este uno es muy introductorio, y entonces tú podría desear a comenzar con eso uno previo a yendo a el otros.
Bueno, entonces ahora es tiempo a conseguir en a pequeño descripción general de el nuevo características en JMP Pro 17. Múltiple grupo análisis es a característica eso He estado en realidad mirando adelante a presentación en porque este es algo eso se extiende todo de el modelos eso poder ser adaptar dentro SE METRO. Él hace entonces por permitiendo a nosotros a investigar similitudes y diferencias al otro lado de subpoblaciones.Nosotros hacer este por incorporando a agrupamiento variable en nuestro análisis.
Ahora, el mayoría popular múltiple grupo análisis ejemplos generalmente espectáculo a agrupamiento variable eso tiene pocos niveles. Cosas como demográfico variables son usado muy a menudo. En efecto, en el manifestación Soy yendo a hacer, Soy también yendo a usar a simple demográfico variable. Pero en realidad, hay No límite a cómo muchos niveles tú en realidad debería tener. Qué en realidad asuntos es cómo muchos observaciones hacer tú tener para cada nivel. Tú desear a tener a relativamente bien muestra tamaño para cada de aquellos subgrupos.
Ahora, allá es a general estrategia para el análisis. Eran yendo a ver este en práctica, pero I desear tú a comenzar pensamiento acerca de cómo este en realidad obras. Es de hecho bastante simple. Qué nosotros hacer en múltiple grupo análisis es adaptar dos modelos.
Uno de aquellos modelos es yendo a ser a más restringido versión de el otro. Una vez nosotros adaptar ambos de a ellos, Bueno ser capaz a hacer a probabilidad relación prueba o a alto cuadrado diferencia prueba en orden a hacer un inferencia acerca de si el restricciones eso nosotros impuesto en uno de el modelos son en hecho sostenible. Este es cómo nosotros cifra afuera si allá son estadísticamente significativo diferencias al otro lado de grupos. De nuevo, Bueno ver eso jugar afuera en el manifestación .
En términos de longitudinal datos análisis, hemos hecho él a lote más fácil a interpretar el resultados de su modelos por mirando en el modelo implícito trayectorias a través de a nuevo predicho valores trama. Nosotros también tener hecho él a lote más fácil a especificar multivariado crecimiento curvas. Si estás familiar con estos modelos, ellos permitir tú a investigar el asociación de múltiple procesos encima tiempo. Ellos poder ser muy útil, pero él usado a ser a pequeño tedioso en términos de cómo a especificar aquellos. Ahora hemos hecho eso muy fácil y rápido a través de el usar de modelo atajos. Para alguno avanzado aplicaciones, hemos también hecho él más fácil a definir un independencia modelo basado en qué usuarios desear a tener como el independencia modelo.
Allá son también alguno mejoras para encuestas. Este en realidad es principalmente enfocado en racionalización su flujo de trabajo para desarrollando encuestas. Generalmente el analítico flujo de trabajo empieza por usando exploratorio factor análisis, y entonces tú llevar aquellos resultados y confirmar a ellos con un independiente muestra usando confirmatorio factor análisis en SEM .
Qué hemos hecho con el ayuda de jianfeng Timbre, OMS es el desarrollador para Exploratorio Factor Análisis, hemos estado capaz ahora a enlace el dos plataformas por básicamente permitiendo tú a Copiar el modelo especificación de exploratorio factor análisis y entonces pegar eso en SEM entonces eso tú poder fácilmente y rápidamente confirmar su resultados.
Nosotros también tener a nuevo atajo para traspuesta el escala de su tarde en variables. A veces este es útil cuando estás desarrollando encuestas para especificando modelos. Nosotros también tener a número de más nuevo calor mapas eso son justo yendo a hacer él más fácil a interpretar el resultados de su análisis.
Ahora, último pero no el menos, nuestro plataforma tiene siempre estado muy rápido. Pero en este liberar, cris Salió bien poner a lote de impresionante esfuerzo hacia mejorando incluso más el actuación de nuestro interno algoritmos. Si tú tener lotes de variables o lotes de datos, definitivamente dar él a disparo.I soy muy, muy impresionado y entusiasmado acerca de qué nosotros tener a oferta en términos de el actuación de el plataforma como Bueno.
Bueno, entonces es tiempo para el manifestación. vamos ir adelante y espectáculo tú qué I tener encima aquí. I tener a diario dónde Soy yendo a trabajar a través de, con un poco de suerte nosotros tener suficiente tiempo a trabajar a través de tres ejemplos.
El primero uno aquí, tal vez no asombrosamente, usos nuestro grande clase datos mesa. Es yendo a ser a muy simple ejemplo justo a introducir el nociones detrás múltiple grupo análisis. Ahora, qué Soy yendo a hacer aquí, nosotros tener dos variables, ¿bien? Altura y peso.Qué I desear a hacer es investigar el asociación entre estos dos variables por sexo. Soy yendo a ir a el Analizar menú, ir abajo a multivariado Métodos, y entonces Estructural Ecuaciones Modelos. Soy yendo a usar ambos de aquellos variables y hacer clic en Modelo Variables.
Ahora, el marca nuevo característica de múltiple grupo análisis poder ser encontró en este lanzamiento diálogo bajo este Grupos botón. Este botón es nuevo y eso es qué yendo a permitir a nosotros a seleccionar nuestro agrupamiento variable y hacer clic en grupos en orden a usar eso como nuestro agrupamiento variable.Eran yendo a mirar en cómo machos y hembras y si ellos diferir de básicamente en su asociación entre altura y peso. Eran yendo a haga clic en O bien.
Ahora, este es el plataforma. Tú poder ver si tú tener visto nuestro plataforma antes, él aspecto muy similar como antes, con el excepción de estos nuevo pestañas bien aquí. El pestañas son allá a decir a nosotros acerca de el diferente grupos eso nosotros tener en nuestro análisis. En este caso, hay solo dos niveles para nuestro agrupamiento variables. Nosotros tener a pestaña para el hembras y a pestaña para machos.
Uno de el cosas tu lo harás aviso es eso el Camino Diagramas tener a modelo ya como a por defecto para cada de aquellos grupos. Aquellos por defecto modelos son el mismo. Eso es por qué cuando I cambiar pestañas, nada en realidad cambios. El Unión pestaña, como el nombre implica, él muestra a nosotros qué en común al otro lado de todo de nuestro agrupamiento, Bueno, el niveles de nuestro agrupamiento variable. Aquí, este es por qué este diagrama también aspecto el mismo.
En orden a especificar a simple lineal regresión en SEM , aquí, Soy justo yendo a seleccionar en este De Lista el altura variable, y entonces en el a lista, Soy yendo a seleccionar peso.Soy yendo a enlace aquellos dos variables con a uno con membrete flecha, cual es qué agrega eso regresión camino a mi modelo. Este es justo a simple lineal regresión dónde altura es prediciendo peso.
Ahora, a veces I como a botón derecho del ratón en el lienzo de el Camino Diagrama y I ir a personalizar diagrama justo a hacer el nodos a pequeño poco más grande porque I encontrar eso a veces, especialmente cuando el diagramas son pequeño, eso aspecto a lote mejor.Este es justo a simple lineal regresión.
Ahora, aviso eso porque I hizo mi modelo especificación bajo el Unión pestaña, ambos el hembras y el machos heredado aquellos mismo cambios y especificaciones a el modelo eso I hecho. Si I hacer cualquier cambios dentro a grupo específico pestaña, entonces aquellos cambios voluntad solo aplicar a eso grupo. Pero en este caso, qué I desear a hacer es adaptar un inicial modelo dónde ambos machos y famales y hembras conseguir su propio estimados para este lineal regresión.
Ahora, mantener en mente eso el Estimacion de este modelo es todo hecho simultáneamente. Eran no por separado adecuado este modelo para hembras y para machos. Todo es hecho simultáneamente, pero Soy aún capaz a permitir cada de el grupos a tener su propio estimados para el modelo.
Soy yendo a hacer clic en Correr, y Bueno ver hay a modelo comparación mesa dónde nosotros poder aprender a lote acerca de el adaptar de el modelo. Pero ahora, algo eso es nuevo en nuestro informe es eso nosotros tener estos pestañas para cada de nuestro grupos. Nosotros tener a pestaña para el hembras y a pestaña para el machos.
Ahora, si tú enfocar en el regresión coeficiente, para ejemplo, I poder ir atrás y adelante y darse cuenta eso I hacer tener, en hecho, a diferente estimar para eso coeficiente.
Ahora, el coeficiente aspecto diferente, pero I no tener a prueba, a formal estadístico prueba eso dice a mí si o no eso asociación es estadísticamente significativo. El diferencia y el asociación es diferente. En cualquier tasa, el machos aquí tener acerca de 3.4, femenino tener a pequeño poco más grande valor. Pero qué nosotros en realidad desear es a adaptar a segundo modelo dónde nosotros fuerza un igualdad restricción en eso parámetro estimar, y entonces nosotros poder usar eso a comparar contra este modelo. vamos ir adelante y hacer eso.
Soy yendo a ser en el Unión pestaña y Soy yendo a seleccionar eso regresión camino y Soy yendo a hacer clic el botón, Colocar Igual.Este es yendo a traer arriba este diálogo cual es justo yendo a preguntar a mí a confirmar eso I hacer desear a aplicar este igualdad restricción al otro lado de todo de mi grupos, cual I hacer. Soy yendo a hacer clic Bueno. Ahora aviso eso I tener este nuevo etiqueta eso era poner aquí en el borde. Si I mirar en el femenino pestaña y el masculino pestaña, eso etiqueta es aún demostración arriba en eso borde en eso flecha.Eso es nuestro forma a transmitir a tú, el usuario, eso el mismo parámetro estimar es yendo a ser usado básicamente a describir eso asociación.
Bueno, entonces vamos ir atrás y modelo nombre. Eran yendo a cambiar este a ser regresión efecto es igual. Nosotros fuerza eso a ser igual en este modelo. Eran yendo a ir adelante y hacer clic en Correr. Ahora, de nuevo, nosotros podría mirar en nuestro modelo comparación a mirar en el adaptar de mi diferente modelos. I poder seleccionar el dos modelos eso I justo adaptar, y porque uno de aquellos modelos es a restringido versión de el otro, nosotros llamar este eso el modelos son anidado, nosotros poder de hecho hacer a probabilidad relación prueba.
Eso es hecho muy fácilmente en nuestro plataforma simplemente por seleccionando el dos modelos y haciendo clic en Comparar Seleccionado Modelos. Nosotros voluntad obtener a diferencia en el chi cuadrado, cual representa el cambiar en el inadaptado de el modelo. Nosotros también mirar en el diferencia en grados de libertad entre el dos modelos y el diferencias en el Adaptar de acuerdo a a alguno de el mayoría popular Adaptar Estadísticas en SEM.
Ahora, de acuerdo a a este específico prueba, él aparece eso el cambiar en chi cuadrado, el aumentar en inadaptado es no estadísticamente significativo. Si nosotros usar justo este chi cuadrado diferencia prueba, nosotros haría entonces venir a el conclusión eso incluso aunque aquellos dos valores son diferente, ellos son no estadísticamente diferente. Ahora nosotros podría ir atrás abajo aquí a nuestro pestaña resultados y tú poder ver eso el regresión coeficiente es el mismo incluso cuando I ir al otro lado de el pestañas.Nosotros podría entonces decir, Bueno, hay No diferencia entre machos y hembras en términos de cómo altura predice peso.
Este es a muy simple ejemplo de cómo nosotros podría usar igualdad restricciones al otro lado de grupos en orden a prueba a específico hipótesis. Ahora, como tú poder imaginar, I podría ir atrás en mi modelo especificación y I podría poner igualdad restricciones también en el diferencia de altura y en el residual diferencia de peso.Si eso es algo eso es de interés a a mí, si I desear a prueba aquellos diferencias, este estructura permite a mí a hacer eso.
Ahora, a lote de veces estás yendo a tener más complicado modelos Bueno más allá de lineal regresión, o tú podría tener más niveles de su agrupamiento variable, y eso es totalmente bien. Este es a simple ejemplo eso con un poco de suerte tú poder... Eso permite tú a ver cómo tú podría extender este en a más complicado configuración.Bueno, entonces eso es este ejemplo.
I desear a mover en a un ejemplo eso usos longitudinal datos. Ahora, eran no yendo a mover lejos de múltiple grupo análisis enteramente. Eran básicamente yendo a destacar alguno de aquellos longitudinal análisis mejoras, pero entonces aún traer atrás el noción de múltiple grupo análisis.
Para este ejemplo, I desear tú a imaginar eso nosotros tener datos mesa dónde nosotros tener datos de estudiantes eso tener tomado un académico logro prueba para cuatro consecutivo años. Tal vez qué nosotros en realidad desear a encontrar afuera de estos datos es si estudiantes logro... Cómo es él desarrollando encima ¿tiempo? Si machos y hembras diferir de en su trayectorias encima ¿tiempo? Estos son yendo a ser el dos preguntas eso eran yendo a enfocar en para este particular ejemplo.
Ahora, allá es a muestra datos mesa eso tú voluntad encontrar dentro nuestro muestra datos carpeta. Es llamado Académico Logro. Tú podría usar eso a seguir a lo largo de con este ejemplo. En este datos, nosotros tener 100 filas. Cada fila representa a diferente alumno eso tomó este académico logro prueba. Tú poder ver eso aquí, estos cuatro columnas representar el puntuaciones en eso múltiple elección prueba eso era tomado para años en a fila.Aquellos son el datos eso Soy yendo a enfocar en para adecuado a longitudinal modelo.
Soy yendo a ir a el Analizar menú, Multi variar Métodos, Modelos de ecuaciones estructurales, y aquellos cuatro variables son seleccionado. Soy justo yendo a hacer clic en Modelo variables en orden a usar aquellos en SEM. Soy yendo a hacer clic Bueno. Recordar, el primero pregunta era, cómo hacer estudiantes' académico logro desarrollar encima ¿tiempo? Nosotros desear a caracterizar eso crecimiento o cifra afuera si allá es crecimiento en efecto.
Nosotros tener nuestro modelo atajo abajo en el abajo izquierda, y tú poder ver eso bajo el Longitud análisis menú, nosotros tener a nuevo opción. Eran yendo a conseguir a este opción más tarde hoy, multivariado, tarde en crecimiento curvas.
Pero nosotros también tener tenía a pocos otro opciones aquí eso hacer longitudinal modelado muy rápido y simple. Para este ejemplo, Soy yendo a usar el Adaptar y Comparar Crecimiento modelos. Cuando I hacer eso, tres diferente modelos son adaptar. I obtener a chi cuadrado diferencia prueba para todo de el posible combinaciones aquí. Si I mirar en el Adaptar índices y también el resultados de este chi cuadrado diferencia prueba, I voluntad reconocer eso el mejor adecuado modelo aquí es el lineal crecimiento curva modelo. En otro palabras, él aparece eso el puntuaciones en este académico logro prueba encima tiempo poder ser mejor caracterizada por lineal crecimiento.
Basado en eso, I voluntad ir adelante y enfocar en interpretando el resultados de este lineal crecimiento curva modelo. Soy yendo a abierto eso y recordar eso eso uno de el nuevo características para longitudinal modelado es a nuevo predicho valores trama eso permite a nosotros a interpretar el resultados de nuestro modelos a lote más fácilmente. Si estás familiar con crecimiento curva modelos, tú saber eso alguno de el llave parámetro estimados son estos bien aquí. Ellos decir a nosotros en promedio cómo nuestro estudiantes dónde hacer ellos comenzar y cómo son ellos cambiando encima tiempo y cómo mucho variabilidad allá es en aquellos trayectorias.
Bajo el rojo triángulo menú de este particular modelo, si I Desplazarse abajo, Soy yendo a encontrar un opción llamado predicho valores trama. Si I hacer clic en eso, tú voluntad ver eso como a por defecto, nosotros espectáculo tú caja parcelas de el predicho valores para todo de el resultado variables en el modelo.
Ahora, cuando tú tener longitudinal datos, nosotros tener a muy conveniente opción aquí eso permite tú a conectar el datos puntos y de hecho obtener a espaguetis trama eso muestra tú cada de el individual predicho trayectorias por el modelo. Ahora, es bonito Frío porque el trama es, en hecho, vinculado a el datos mesa. Lo que trozos escogidos tú tener aquí en el trama, tú poder también ver aquellos en su datos mesa, cual es algo eso tú saber a esperar de JMP.
En términos de interpretando el resultados de el modelo, es No sorpresa eso estos son todo derecho líneas porque nosotros adaptar a lineal modelo. Pero tú poder ciertamente ver eso allá es a lote de variabilidad en el forma estos estudiantes son cambiando. Alguno estudiantes comenzar en el arriba en el comienzo y son aún creciente. Otro estudiantes son a partir de bajo y son de hecho exhibiendo a pequeño poco de rechazar encima tiempo.
Pero nosotros también ver un promedio trayectoria aquí eso parece a espectáculo a pequeño poco de aumentar encima tiempo. En promedio, allá es alguno aumentar, pero hay a lote de variabilidad en cómo gente son cambiando. De curso, uno de el natural preguntas tú podría tener es, qué factores predecir aquellos diferente trayectorias, como el variabilidad en eso interceptar pendiente, eso es algo eso He cubierto en otro presentaciones, entonces Soy no yendo a hablar acerca de eso ahora.Pero de nuevo, I alentar tú a usar el profético valores trama a mejor interpretar su longitudinal análisis.
Nosotros habló acerca de usuarios ser capaz a especificar su propio independencia modelo. Eso es algo eso nosotros hacer aquí en el modelo comparación mesa y poder ser muy útil para longitudinal análisis. Nosotros hacer tener un independencia modelo eso es alimentado por por defecto, pero si tú elegir a cambiar eso, entonces tú podría siempre botón derecho del ratón en cualquier dado modelo eso tú desear a colocar como el independencia independencia modelo, y nosotros voluntad llevar cuidado de eso cambiar para tú.
Eso es un avanzado técnica. I muy mucho aconsejar tú a, si estás no familiar como a qué el adecuado independencia modelo para su análisis, tú debería en realidad llevar a mirar en el literatura a hacer seguro eso estás usando a bien independencia modelo porque él en realidad varía a veces por contexto.
Soy sesión próximo a este hermoso ventana y el sol, es a espléndido día entonces Soy yendo a tener a ajustar aquí mi computadora entonces eso I no tener todo el luz en mi rostro. I disculparse para eso.
Bueno, entonces vamos conseguir atrás a este pregunta. Nosotros dicho eso cómo hacer estudiantes lograr y desarrollar encima este período de ¿tiempo? Nosotros ahora tener un comprensión eso él se desarrolla en este lineal moda y eso allá es sustancial variabilidad. Eso es el respuesta a eso pregunta.
Bien, el próximo cosa es, hacer machos y hembras diferir de en estos trayectorias? El forma eran yendo a reconocer y DIRECCIÓN eso pregunta es por usando múltiple grupo análisis. t su podría ser atrás en el plataforma, nosotros podría usar el principal triángulo menú a rehacer y relanzar nuestro análisis.
Ahora qué eran yendo a hacer es traer este agrupamiento variable, I tener a sexo como un grupos variable. Justo por haciendo este, Bueno ser capaz a invocar nuestro múltiple grupo análisis funcionalidad. Soy yendo a hacer clic Bueno, y ahora tú poder ver eso nuestro informe para el plataforma tiene el niveles de nuestro agrupamiento variable aquí como pestañas.
Justo como antes, tú poder ver eso el machos y el hembras tener el mismo modelo como a por defecto, pero nosotros poder hacer cambios a eso. Eran yendo a trabajar dentro el Unión pestaña porque I desear el cambios eso Soy acerca de a hacer a el modelo especificación, I desear a ellos a aplicar para ambos machos y hembras.
I voluntad también destacar, y este es justo a pequeño lado nota, eso bajo el Estado pestaña, estás yendo a encontrar grupo específico información eso nosotros no tener antes cuando nosotros no tener múltiple grupo análisis. Tú poder tener alguno información acerca de su datos, desaparecido datos, y entonces en eso es específico a el grupos.
Bueno, entonces vamos ir adelante y respuesta este pregunta. Hacer machos y hembras tener diferencias en su trayectorias? Bien, I ya saber eso el lineal modelo encaja mejor, entonces Soy yendo a ir a nuestro modelo atajos, Longitud Análisis, y Soy yendo a hacer clic en el lineal latencia crecimiento curva. El Atajos muy rápidamente colocar arriba el modelo para a mí, hacer él muy simple, y ellos hacer eso al otro lado de todo de el niveles de el agrupamiento variable. I tener el lineal crecimiento curva modelo.
Aviso eso estos llave aspectos de el modelo, el estimados eso en realidad caracterizar el cambiar en nuestro datos, no tener cualquier etiquetas en aquellos bordes, cual medio eso ellos son libremente estimado al otro lado de machos y hembras. Mi primero modelo aquí es a lineal crecimiento curva modelo. Soy justo yendo a poner a pequeño palabra clave aquí. Ups, I borrado él. Lineal crecimiento curva. Pero I buscado a incluir aquí eso este es libremente estimado bien al otro lado de el grupos. Soy yendo a hacer clic en correr. Excelente.
Nosotros poder ver aquí alguno Adaptar índices. En mi informe, I poder ver a pestaña para el machos y para el hembras. De curso, como tu lo harías esperar, si I ir atrás y adelante, I podría llevar a mirar en el resultados para el hembras y entonces ir atrás y mirar en cómo aquellos resultados son tal vez diferente para el machos. Este es interesante. Allá aparecer a ser alguno diferencias, pero de nuevo, nosotros podría desear a cifra afuera si el diferencias eso nosotros observar justo de mirando en estos estimados pero aquellos son en hecho, estadísticamente significativo.
Qué Enfermo hacer es Soy yendo a ir atrás a mi modelo especificación y Soy yendo a hacer un OmniVis prueba.En otro palabras, bastante que justo poniendo un igualdad restricción en uno de estos estimados, Soy de hecho yendo a hacer eso para todo de estos estimados, el interceptar significar, el significar para el pendiente, y el covarianza de el interceptar y pendiente, y su variaciones.
Tú no tener a hacer él este forma, pero en realidad es su investigación pregunta eso debería ser estrella de guía dónde hacer tú lugar aquellos igualdad restricciones? En mi caso, I justo desear a hacer un omniVis prueba dónde I cifra afuera si el trayectorias para machos y hembras son diferente y si o no I necesidad a separado estimar para aquellos parámetros.
I tener todo de aquellos bordes seleccionado y Soy yendo a hacer clic en colocar igual. Aquí I confirmado eso I hacer desear aquellos igualdad restricciones al otro lado de ambos grupos. Este es de hecho bastante útil cuando tú tener más que dos niveles en su agrupamiento variable. Él podría ser eso tú desear igualdad restricciones al otro lado de, decir, dos grupos pero no el tercero. Tú poder desmarcar alguno de aquellos grupos aquí si tú necesario a.
Soy yendo a hacer clic Bueno. Ahora todo de aquellos bordes consiguió a diferente etiqueta. Tú poder ver eso si I ir y mirar en el machos y el modelo para el hembras, aquellos etiquetas son el mismo.De nuevo, justo a recordar a nosotros eso eran yendo a estimar solo uno estimar para cada de aquellos bordes al otro lado de grupos.
Bueno, entonces este, una vez de nuevo, es a lineal crecimiento curva, pero I tener igual crecimiento estimados. vamos ir adelante y correr eso modelo. Nosotros poder ver, de nuevo, nosotros podría enfocar en el adaptar de este modelo. Él no parecer a ser como bien como el anterior uno. Porque este segundo modelo es a restringido versión de el primero, nosotros poder de hecho seleccionar aquellos dos modelos y hacer a significativo comparación por haciendo clic en Comparar Seleccionado Modelos.
Como antes, nosotros son capaz a ver aquí el cambiar en el chi cuadrado a lo largo de con el cambiar en el grados de libertad. Este dice a nosotros cómo mucho aumentar en inadaptado es allá en nuestro modelo, y es eso aumentar en inadaptado estadísticamente ¿significativo?
Si él es, cual en este caso él es, entonces nosotros básicamente son dicho eso aquellos igualdad restricciones son no sostenible. Él era no a bien idea a lugar aquellos. Ahora nosotros poder decir con a formal estadístico prueba eso allá son estadísticamente significativo diferencias en el trayectorias al otro lado de machos y hembras.
Ahora, tú podría desear a mirar en aquellos diferencias por usando el predicho valores trama.Eso es algo eso nosotros poder hacer justo por yendo en el rojo triángulo menú. Pero qué Soy yendo a hacer primero, de hecho es I no en realidad desear a mirar en el modelo eso tiene el igual crecimiento estimados porque nosotros justo comprendió eso aquellos igualdad restricciones eran en realidad no a bien idea. Soy no yendo a mirar en eso. En cambio, Soy yendo a mirar en el primero modelo nosotros adaptar, y Soy yendo a hacer el mismo para el machos aquí.Bajo el rojo triángulo menú, Soy yendo a hacer clic en Predicho Valores Trama, y Soy yendo a conectar aquellos puntos porque I saber mi datos son longitudinal.
Este es el trama eso es específico a el machos, a el masculino muestra. Pero él haría ser en realidad útil a mirar en este trama lado por lado con el trama para el hembras. Es de hecho bastante lindo eso todo de nuestro triangulo rojo menú opciones aquí son automáticamente transformado en al otro lado de todo de su grupos, entonces tú no tener a ir grupo por grupo torneado en el cosas tú desear a ver.
Pero otro truco eso I en realidad como es, cuando tú tener a con pestañas informe, tú poder siempre bien- hacer clic en él y cambiar el estilo de el informe entonces eso es en a horizontal desparramar.Este es yendo a permitir tú a ver el pestañas lado por lado, el contenido de a ellos.
Soy yendo a hacer clic en h horizontal Desparramar. Ahora aviso eso I tener el machos y el hembras lado por lado. Soy yendo a usar el rojo triángulo menú a lo largo de con el opción o Alt. llave en orden orden a doblar apagado el resumen de adaptar, el parámetro estimados, y el diagrama. En realidad, todo I desear a ver es el predicho valores trama. Soy yendo a hacer clic Bueno. Perfecto.
Ahora I poder ver el predicho valores trama para el machos y para el hembras. I poder ver eso lado por lado. Muy a propósito, nosotros tener aquí el Y eje en el mismo escala entonces eso estos parcelas son comparable. Ahora tú poder ver cómo el trayectorias diferir de. Nosotros ver eso hay a lote más desparramar para el muestra para el hembras. Allá también parece a ser a pequeño poco de a diferencia en eso promedio trayectoria en el cantidad de crecimiento.
De nuevo, hay muchos más seguir arriba pruebas eso nosotros podría hacer aquí en orden a cifra afuera dónde el específico diferencias mentir. Si nosotros buscado a prueba eso, nosotros podría decir, Bueno, es allá a diferencia específicamente en el diferencia de el ¿pendiente?Nosotros podría poner eso igualdad restricción y hacer más específico pruebas como seguimientos. Pero para ahora, I esperanza eso justo demostración tú este ejemplo en realidad permite tú a ver cómo múltiple grupo análisis poder ser usado en a más complejo configuración y cómo este nuevo profético valores trama poder ser usado a en realidad facilitar el interpretación de su longitudinal modelos.
Todo bien. Eran casi en el fin de el manifestación y qué I desear a hacer muy rápidamente con el mismo datos, I en realidad buscado a destacar el multivariado crecimiento curvas atajo. l y a mí ir adelante y ir atrás aquí a el Modelos de ecuaciones estructurales plataforma, y este tiempo, imaginar eso nosotros tener dos conjuntos de puntuaciones encima tiempo.
Entonces eran yendo a ser mirando en dos procesos. Nosotros no justo tener académico logro en eso uno prueba. Nosotros tener él en dos diferente pruebas y nosotros desear a ver cómo aquellos dos procesos son cambiando. Cómo son ellos relacionado encima ¿tiempo? Soy yendo a usar todo de estos variables aquí, hacer clic en Modelo variables y Bueno. Ud. hacer el modelo atajo, recordar eso longitudinal análisis latente multivariado crecimiento curva, eso atajo permite a mí a seleccionar variables para uno específico proceso.
Aquí, I podría tener aquellos primero cuatro variables. Eso era mi primero proceso I desear a mirar en. vamos justo decir eso aquellos eran matemáticas puntuaciones. Soy yendo a llamar eso matemáticas. Y UNED conseguir a elegir aquí qué tipo de crecimiento tú desear a especificar para eso específico proceso para eso colocar de variables. Eran yendo a palo a a lineal crecimiento, y entonces nosotros poder hacer clic el más botón en orden a tener eso hecho para a nosotros bien lejos. Y UNED poder ver el avance en el fondo aquí. W. mi tener un interceptar y a pendiente para matemáticas. t gallina nosotros poder cambiar el nombre aquí. Tal vez el segundo proceso es ciencia, y ahora nosotros poder seleccionar el variables, el repetido medidas para eso ciencia prueba encima el cuatro años.
A ganar, eran yendo a palo a el lineal modelo, y eran yendo a hacer clic el más botón. V ery rápidamente, eso modelo es cambiando allá en el fondo. Eran hecho ahora. Entonces Soy justo yendo a hacer clic Bueno. A ganar, ahora I podría justo hacer clic Correr y muy rápidamente conseguir el resultados para eso modelo. Este es un avanzado solicitud, pero él es a en realidad interesante uno porque él permite tú a mirar en cómo el inicial tiempo punto, el intercepta al otro lado de dos procesos en este caso, cómo son aquellos interceptar puntuaciones ¿relacionado?Son ellos ¿asociado? A también el tarifas de cambiar encima tiempo.
Si tú tener a más alto puntaje en matemáticas, hacer tú también tender a tener no justo a más alto puntaje, pero a más alto pendiente encima tiempo en ¿matemáticas? Hace eso significar tú también tener a más alto tasa de cambiar en ¿ciencia? A según a este, tú hacer, porque nosotros tener a positivo asociación entre aquellos dos factores.
De nuevo, justo destacando alguno de eso nuevo funcionalidad. Mi muy último ejemplo es para encuesta desarrollo. Este es yendo a ser muy breve, I promesa. vamos justo decir aquí eso nosotros desear a cifra afuera qué son el llave conductores de cliente ¿satisfacción? W. mi saber eso percibido calidad de nuestro producto y el reputación de nuestro marca son en realidad importante. Pero en realidad, antes nosotros poder incluso respuesta cualquier preguntas acerca de cliente satisfacción, nosotros en realidad necesidad a hacer seguro eso nosotros tener a válido y confiable forma a evaluar aquellos variables. Porque estos son variables eso son no observado directamente, ellos son latente variables, y por lo tanto, es difícil a hacer seguro eso nosotros son medición a ellos en a confiable y válido forma. S encuesta desarrollo es todo acerca de logrando eso meta.
I tener un ejemplo aquí eso es yendo a permitir a nosotros a ver cómo exploratorio factor análisis es ahora vinculado a SEM entonces eso tú poder hacer encuesta desarrollo en a en realidad simplificado moda. I tener 843 filas en este datos mesa. Cada fila representa un individual OMS completado afuera a encuesta. En eso encuesta, ellos dio a nosotros calificaciones, contestada preguntas acerca de el percibido calidad de nuestro producto. Ellos también dio a nosotros diferente respuestas para el percibido marca de nuestro marca. t gallina ellos también respuesta preguntas acerca de su satisfacción con el producto. Este podría ser cosas como, cómo probable son tú a recomendar nuestro producto a alguien tú ¿saber? Aquellos tipos de preguntas.
I ya tener a salvado guion para el factor análisis plataforma. Soy no yendo a conseguir en el detalles de cómo tú usar este plataforma, pero I hacer desear a enfocar en el hecho eso el resultados de este análisis son bien aquí en el girado factor cargando matriz. Eso es el llave resultado de este análisis. Ud. generalmente, qué nosotros desear a ver aquí es eso el preguntas eso son supuesto a medida, en este caso, satisfacción, eso ellos son en hecho, cargando en el mismo factor.
En esto caso ellos son, y eso es bien noticias. Nosotros ver el mismo patrón para calidad. El más sustancial cargas son para estos primero tres preguntas de calidad. Aviso eso allá es uno calidad pregunta eso no parecer a tener a bien alto cargando en cualquier de el factores. Entonces tal vez nosotros haría ir atrás y hacer seguro eso el fraseología de eso pregunta es bien, o nosotros podría justo desear a tirar afuera eso pregunta en total.
hay también a pareja de preguntas para percepciones de nuestro marca eso no parecer a hacer muy Bueno. A ganar, generalmente tú hacer muy cuidadoso selección de su preguntas. Tú haría ir atrás, leer qué eran aquellos preguntas, es allá algo nosotros debería retocar, o deberá nosotros justo conseguir deshacerse de ¿a ellos? Ahora, para el tiempo ser, el característica I desear a destacar es eso bajo el rojo triángulo menú de este modelo, allá es a nuevo opción para proceso de copiar el modelo especificación para SEM. Soy yendo a hacer clic eso. W. sombrero él hace es eso el cargas eso son atrevido aquí en nuestro final girado factor cargando, aquellos cargas son yendo a ser almacenado entonces eso nosotros poder usar a ellos en el SEM plataforma.
Normalmente, tu lo harías desear a recolectar a nuevo independiente muestra entonces eso tú poder confirmar estos exploratorio resultados. Ahora, vamos justo asumir para a minuto aquí eso este datos mesa es mi nuevo independiente muestra, y I haría ahora ir a Analizar, multivariado Métodos, Modelos de ecuaciones estructurales, y I poder usar todo aquellos mismo variables, como en modelo variables, y entonces Bueno a lanzamiento el plataforma.
Normalmente, de nuevo, tú desear a confirmar el resultados eso tú encontró con un independiente muestra. Qué tú poder hacer es en el principal rojo triángulo menú, tú poder hacer clic en pegar modelo especificación. norte Ay aviso eso el factor cargas de el factor análisis plataforma eran reescalado por el estándar desviaciones de el indicadores. Soy yendo a hacer clic Bueno, y tú poder ver ahora eso el valores aquí son fijado para el cargas de aquellos tarde en variables. Ellos son fijado a corresponder a el valores de el factor análisis plataforma.
Ahora, de nuevo, ellos tener a ser reescalado porque el diferencia de el variables es tomado en consideración. Eso es el adecuado forma a especificar el modelo. Pero es en realidad lindo a ser capaz a línea de corriente este flujo de trabajo porque normalmente, si tú en realidad desear a adaptar a confirmatorio factor modelo basado en un exploratorio factor análisis, tú haría tener a poner estos restricciones por mano.t sombreros en realidad tedioso. Entonces hemos hecho él muy fácil. Estos latente variables tener cargas eso son fijado a conocido valores de a anterior estudiar, de a anterior exploratorio análisis, y nosotros poder ahora confirmar si o no eso factorial estructura aún sostiene con a nuevo muestra.
Uno cosa I debería aclarar es eso el tres variables eso hizo no tener sustancial factor cargas en el informe son no ser vinculado a cualquier de el latente variables. R realmente, nosotros no desear estos a ser aquí en el análisis. W. sombrero I poder hacer es el triangulo rojo menú también tiene un opción para eliminando manifiesto variables de el análisis.
Soy yendo a usar eso entonces eso I poder rápidamente justo encontrar calidad 3, marca 3, y marca 5 un Dakota del Norte I poder justo hacer clic Bueno a conseguir deshacerse de aquellos variables porque I no en realidad desear a adaptar mi modelo con a ellos en allá. A ganar, ahora I poder justo correr este modelo, evaluar el adaptar, y cifra afuera si I poder, en hecho, confirmar mi resultados de exploratorio factor análisis usando confirmatorio factor análisis en SEM. t sombrero es todo I tener para este manifestación. I esperanza eso este es útil y I mirar adelante a respondiendo todo su preguntas durante el vivir Preguntas y respuestas.Agradecer tú muy mucho.
