Verehrte Gäste,
In „Modell anpassen“ muss ich nach Auswahl von MANOVA den Antworttyp angeben (oder die sogenannte M-Matrix definieren). Standardmäßig wird in anderer Software (SPSS, JASP) die IDENTITY Response verwendet (Identitäts-M-Matrix). Ich habe mich gefragt, ob es eine ausführlichere Erklärung dazu gibt, was die anderen Antworten für die Interpretation Ihrer Daten bedeuten und wann sie für welchen Hypothesentest nützlich sind. Angenommen, ich habe ein Konstrukt aus 5 Elementen in einem Fragebogen, der auf irgendeine Weise Informationen erfasst. Was würde es für die Interpretation dieses Konstrukts bedeuten, wenn ich verschiedene Antworttypen verwende?
Dank im Voraus,
rene
Lieber Levei,
Vielen Dank für Ihr Interesse und Ihre Unterstützung. Bevor ich diese Anfrage online gestellt habe, habe ich diese Informationen bereits gelesen. Ich verstehe die Technik dahinter. Aber es ist die Interpretation der Antworttypen, die ich suche. Ich bin es gewohnt, Kontraste in SPSS zu definieren, zu interpretieren und zu verwenden. Die Abweichung ähnelt in etwa dem durchschnittlichen Antworttyp in JMP Manova. Allerdings bin ich mit der Interpretation der in JMP angebotenen multivariaten Antworttypen nicht vertraut. Wenn ich im Internet suche, finde ich keine Antwort auf diese Frage. Ich hoffe, dass ich mich klar ausgedrückt habe. Nochmals vielen Dank für Ihre Antwort.
René
Hallo Rene,
Mit der M-Matrix können Sie Hypothesen zwischen den verschiedenen Antwortparametern testen, die im Standard-MANOVA-Bericht in JMP angezeigt werden.
Um mich auf das von Ihnen angeführte Beispiel (dh Elemente aus einer Umfrage) zu beziehen, verwende ich unten die Beispieldatentabelle „Online Consumer Data.jmp“, um ein relativ einfaches MANOVA-Modell auszuführen. Hier handelt es sich bei unseren Ergebnissen um drei Elemente, die Antworten auf eine Umfrage zur wahrgenommenen Reputation einer Online-Website darstellen, und wir möchten lediglich die Auswirkung der Variable „Weiblich“ testen. Fühlen Sie sich frei, dieses JSL-Skript auszuführen, um mitzumachen:
dt = Open("$SAMPLE_DATA\Online Consumer Data.jmp");
dt << Fit Model(
Y( :Reput_1, :Reput_2, :Reput_3 ),
Effects( :Female ),
Personality( "Manova" ),
Run
);
Der Standardbericht zeigt die Matrix der Parameterschätzungen des Modells:
Sie können jetzt das Dropdown-Menü „Antwort auswählen“ verwenden, um mit dem Testen von Hypothesen zwischen diesen Antwortparametern zu beginnen. Wenn M die Identitätsmatrix ist, lassen wir einfach die Antwortspalten der Matrix dieser Parameterschätzungen unverändert und fragen: „Gibt es in diesem multivariaten System insgesamt einen Effekt von „Weiblich“?“ Die Antwort ist ja:
Beachten Sie, dass beim Öffnen des Übersichtsfelds „M-transformierte Parameterschätzungen“ die unveränderten Parameterschätzungen angezeigt werden (technisch gesehen multipliziert die M-Matrix die Parm Est-Matrix nach, sodass Sie auf diese Weise die transformierten Schätzungen erhalten). Für eine zusätzliche Interpretation würden wir sagen: „Ja, es gibt einen signifikanten Unterschied zwischen Männern und Frauen in unseren Antworten.“ Ein Blick auf die Schätzungen und/oder die Darstellungen der kleinsten Quadrate kann helfen, diese Ergebnisse etwas besser zu interpretieren. Aber manchmal reicht das nicht aus, sodass jemand vielleicht wissen möchte, ob „Weiblich“ bei einer bestimmten Person eine Wirkung hat Kombination der Spalten in der Parm Est-Matrix. Nehmen wir an, wir möchten wissen, ob sich in der Summe aller unserer Antworten ein Effekt ergibt. Dazu wählen wir „Summe“ unter der Dropdown-Liste „Antwort auswählen“ aus und sehen, dass die Antwort erneut lautet: „Ja, es gibt einen signifikanten Effekt“:
Die Interpretation ist hier viel einfacher, da Female zwei Ebenen hat und die Option „Sum“ dazu führte, dass unsere Parm Est-Matrix auf nur einen Vektor reduziert wurde. Wir können also sagen: „Es gibt einen signifikanten Unterschied zwischen Männern und Frauen, wenn man die Summe der wahrgenommenen Reputation bei unseren drei Artikeln betrachtet.“ Die negative Schätzung von Female[0] weist darauf hin, dass die Summe dieser Antworten bei Männern niedriger ausfällt.“
Die Verwendung anderer M-Auswahlmöglichkeiten für diese Daten macht möglicherweise keinen Sinn. Beispielsweise ist die Option „Profil“ wahrscheinlich am nützlichsten für Ergebnisse, die wiederholte Messungen darstellen. Wenn Sie mit der Maus über die Option „Profil“ fahren, finden Sie diese Beschreibung
Was in unserem Beispiel darauf hindeutet, dass wir fragen werden, ob es einen Effekt von „Weiblich“ im Unterschied zwischen Punkt 1 und 2 und zwischen Punkt 2 und 3 gibt. Ich glaube nicht, dass das für diese Daten so viel Sinn macht, aber wenn es sich bei den Daten um wiederholte Messungen handeln würde, würde diese Option zeitliche Unterschiede testen: „Gibt es Unterschiede zwischen Männern und Frauen von einem Anlass zum nächsten?“
Wie Sie wissen, gibt es in der Ausgabe andere Optionen für M. Wenn Sie sich die Matrix und den transformierten Parm Est ansehen, können Sie sehen, welche Hypothese getestet wird.
Abschließend möchte ich hinzufügen, dass der DF eines Tests den Grad der „Detailgenauigkeit“ verrät, den Sie durch den Test erhalten. Mit der Option „Summe“ konnten wir unsere Interpretation sehr genau bestimmen, und das ist keine Überraschung, da der DF = 1 ist. Die Option „Identität“ ermöglichte uns einen 3-DF-Test, was bedeutet, dass wir wissen, dass es Unterschiede gibt, diese Unterschiede jedoch „irgendwo“ in unseren Antworten liegen.
HTH,
~Laura CS
Oh! Ich füge hinzu, dass die Plattform „Structural Equation Models“ besonders hilfreich sein könnte, wenn Sie über die von Ihnen beschriebenen Vermessungsdaten verfügen, da sie Ihr Konstrukt direkt modellieren und Messfehler in Ihren Modellen berücksichtigen kann.
