Estimados,
En Ajustar modelo, después de seleccionar MANOVA, necesito especificar el tipo de respuesta (o definir la llamada matriz M). Estándar en otros software (SPSS, JASP) se utiliza la respuesta IDENTITY (identity m-matrix). Me preguntaba si hay una explicación más elaborada de lo que significa la otra Respuesta para la interpretación de sus datos y cuándo son útiles para cada prueba de hipótesis. Digamos que tengo un constructo de 5 ítems en un cuestionario que captura información de alguna manera, ¿qué significaría para la interpretación de este constructo si uso diferentes tipos de respuesta?
Gracias de antemano,
René
Estimado cliente,
Gracias por su interés y apoyo. Antes de poner esta solicitud en línea ya leí esta información. Entiendo la técnica detrás de esto. Pero lo que estoy buscando es la interpretación de los tipos de respuesta. Estoy acostumbrado a definir, interpretar y utilizar contrastes en SPSS. La desviación se parece un poco al tipo de respuesta media en JMP Manova. Sin embargo, no estoy familiarizado con la interpretación de los tipos de respuesta multivariados que ofrece JMP. Cuando busco en Internet no encuentro respuesta a esa pregunta. Espero ser claro, una vez más gracias por tu respuesta.
René
Hola René,
La matriz M le permite probar hipótesis entre los diferentes parámetros de respuesta, que se muestran en el informe MANOVA predeterminado en JMP.
Para relacionarme con el ejemplo que planteó (es decir, elementos de una encuesta), estoy usando debajo la tabla de datos de muestra "Online Consumer Data.jmp" para ejecutar un modelo MANOVA relativamente simple. Aquí, nuestros resultados son 3 elementos que representan respuestas a una encuesta sobre la reputación percibida de un sitio web en línea, y solo queremos probar el efecto de la variable "Mujer". Siéntase libre de ejecutar este script JSL para seguirlo:
dt = Open("$SAMPLE_DATA\Online Consumer Data.jmp");
dt << Fit Model(
Y( :Reput_1, :Reput_2, :Reput_3 ),
Effects( :Female ),
Personality( "Manova" ),
Run
);
El informe predeterminado muestra la matriz de Estimaciones de Parámetros del modelo:
Ahora puede utilizar el menú desplegable "Elegir respuesta" para comenzar a probar hipótesis entre estos parámetros de respuesta. Cuando M es la matriz de identidad, simplemente dejamos sin cambios las columnas de respuesta de esta matriz de Estimaciones de parámetros y preguntamos "¿existe un efecto de Mujer en general en este sistema multivariado?" La respuesta es sí:
Tenga en cuenta que al abrir el cuadro de esquema "Estimaciones de parámetros transformadas por M" se mostrarán las estimaciones de parámetros sin cambios (técnicamente, la matriz M postmultiplica la matriz Parm Est, así es como se obtienen las estimaciones transformadas). Para una interpretación adicional, diríamos "sí, hay una diferencia significativa entre hombres y mujeres en nuestras respuestas" y revisar las estimaciones y/o los gráficos de medias de mínimos cuadrados puede ayudar a interpretar esos resultados un poco más. Pero a veces esto no es suficiente detalle, por lo que alguien podría querer saber si Female tiene un efecto en un determinado combinación de las columnas de la matriz Parm Est. Digamos que queremos saber si hay un efecto en la suma de todas nuestras respuestas. Para esto, seleccionamos "Suma" en el menú desplegable "Elegir respuesta" y podemos ver que la respuesta nuevamente es sí, hay un efecto significativo:
La interpretación aquí es mucho más fácil porque Femenino tiene 2 niveles y la opción "Suma" resultó en reducir nuestra matriz Parm Est a solo un vector. Entonces podemos decir "hay una diferencia significativa entre hombres y mujeres cuando se observa la suma de la reputación percibida en nuestros 3 ítems". La estimación negativa de Mujer[0] indica que los hombres tienen una suma menor en estas respuestas".
Es posible que utilizar otras opciones de M para estos datos no tenga ningún sentido... por ejemplo, la opción "Perfil" probablemente sea más útil para resultados que representan medidas repetidas. Si pasas el cursor sobre la opción "Perfil", encontrarás esta descripción.
lo que en nuestro ejemplo sugiere que vamos a preguntar si hay un efecto de "Mujer" en la diferencia entre los elementos 1 y 2 y entre los elementos 2 y 3. No creo que esto tenga mucho sentido para estos datos, pero si los datos fueran medidas repetidas, esta opción probaría las diferencias de un momento a otro: "¿hay diferencias entre hombres y mujeres de una ocasión a otra?"
Como sabes, hay otras opciones para M en la salida... al observar la matriz y el Parm Est transformado, podrás ver qué hipótesis se está probando.
Por último, agregaré que el DF de una prueba revela el nivel de "detalle" que obtiene de la prueba. Usando la opción "Suma", pudimos ser muy específicos acerca de nuestra interpretación, y eso no es una sorpresa porque el DF = 1. La opción "Identidad" nos dio una prueba de 3 DF, lo que significa que sabemos que hay diferencias pero esas diferencias están "en algún lugar" de nuestras respuestas.
HTH,
~Laura CS
¡Oh! Agregaré que si tiene datos de encuesta como los que describió, la plataforma de Modelos de ecuaciones estructurales podría ser particularmente útil, ya que puede modelar su construcción directamente y tener en cuenta el error de medición en sus modelos.
