Come nuovo utente della modellazione di equazioni strutturali (SEM) di SAS JMP, sto cercando consigli su come affrontare correttamente le variabili confondenti nelle mie analisi SEM. Non sono riuscito a trovare linee guida appropriate su come controllare queste variabili confondenti nella letteratura attuale.
Apprezzerei qualsiasi suggerimento che possa garantire che le variabili confondenti siano adeguatamente contabilizzate. Grazie in anticipo!
CIAO @Hcrooo ,
Forse il modo più semplice per pensare ad affrontare correttamente le variabili confondenti in SEM è utilizzare un esempio di regressione lineare. Supponiamo di essere interessati a esaminare l'effetto dell'indice di massa corporea (BMI) sulla pressione sanguigna (BP). Utilizzando la tabella di dati di esempio "Diabetes.jmp", posso adattare una semplice regressione lineare in SEM e i risultati sarebbero simili a questo,
suggerendo che un aumento di un'unità del BMI si traduca in un aumento di 1,24 unità della PA. Tuttavia, siamo preoccupati per l'età come fattore confondente, quindi vogliamo aggiungerlo al modello per adattarlo correttamente al suo effetto. Lo faremmo aggiungendo l'età come predittore della PA e anche aggiungendo la sua covarianza con il BMI. I risultati sarebbero simili a questo,
Possiamo vedere che tutti gli effetti sono statisticamente significativi e l'effetto del BMI sulla PA è ora minore (1,08) perché stiamo controllando per età. La tua applicazione SEM potrebbe essere più complessa di questo esempio, ma l'idea generale è che il confondente dovrebbe essere aggiunto come predittore nelle equazioni in cui vuoi aggiustarlo, e dovrebbero essere specificate anche le associazioni del confondente con altre variabili nel modello (in questo caso abbiamo aggiunto la covarianza con il BMI).
HTH,
~ Laura
