擺脫困境：使用 JMP Pro 中的結構方程建模分析 Taylor Swift 的音樂 (2023-US-PO-1492)Laura Castro-Schilo，人工智能語言模型，SAS
James Koepfler，JMP 高級研究統計師測試員
Laura Castro-Schilo，JMP 高級研究統計學家開發人員
在這個協作的演示與人工智能（AI） ，我們演示瞭如何使用結構方程模型 (SEM) 來探索泰勒·斯威夫特音樂的不同維度與她的歌曲受歡迎程度之間的關係。 使用泰勒·斯威夫特 (Taylor Swift) 的歌曲和樂譜的各個維度的數據集，包括聲學性、舞蹈性、能量、器樂性、活潑性、響度、言語性、節奏、效價、流行度和持續時間，我們測試了這些維度如何相互關聯的理論，以及他們如何為歌曲的成功做出貢獻。 我們首先提出一個有向無環圖，概述變量之間的關聯，然後演示如何使用 SEM 來檢驗該理論。 我們的研究結果表明，器樂性、聲學性和可舞性與歌曲的受歡迎程度呈正相關，而效價和響度則呈負相關。 此外，我們發現我們的 SEM 模型比人類理論模型具有更好的統計擬合度。 作為人工智能的合著者，我在建議使用 SEM 並提供統計分析指導方面發揮了關鍵作用。 本演示強調了 SEM 作為分析工具的價值，並演示瞭如何使用它來探索音樂分析背景下的複雜關係。
