| Lautsprecher |
Transkript |
| Laura Castro-Schilo |
Hallo, ich bin Laura Castro-Schilo und begrüße Sie zu dieser Sitzung, in der wir das ABC der Strukturgleichungsmodellierung lernen werden. |
| |
Und unser heutiges Ziel besteht darin, sicherzustellen, dass Sie über die Tools verfügen, die Sie zum Spezifizieren und Interpretieren von Modellen mithilfe der Plattform für Strukturgleichungsmodelle in JMP Pro 16 benötigen. |
| |
Und das werden wir tun, indem wir zunächst eine kurze Einführung in SEM geben, indem wir Ihnen einfach erklären, was es ist, und insbesondere auf die Verbindungen eingehen, die es mit der Faktorenanalyse und der Regressionsanalyse hat. |
| |
Und nebenbei lernen wir, warum Pfaddiagramme wichtige Werkzeuge für SEM sind. |
| |
Und wir werden versuchen, diese Einführung relativ kurz zu halten, damit wir uns wirklich auf einige praktische Beispiele konzentrieren können. |
| |
Vor diesen Beispielen werde ich die Daten vorstellen, die wir für diese Demo verwenden werden. Diese Daten beziehen sich auf die Wahrnehmung der Bedrohung durch COVID-19. |
| |
Durch die Betrachtung dieser Daten lernen wir, wie wir unsere Modelle spezifizieren und interpretieren, und zwar durch die Beantwortung spezifischer Fragen. |
| |
Diese Fragen führen uns dazu, über sehr beliebte Modelle im SEM zu sprechen, eines davon ist die konfirmatorische Faktorenanalyse und ein anderes die multivariate Regressionsanalyse. |
| |
Und zum Abschluss zeigen wir Ihnen ein Modell, in dem wir diese beiden Analysen zusammenführen, damit Sie wirklich sehen können, wie SEM ein sehr flexibles Framework ist, in das Sie Ihre eigenen Modelle integrieren können. |
| |
Okay, SEM ist ein Rahmen, in dem Faktorenanalyse und Regressionsanalyse zusammenkommen, und auf der Seite der Faktorenanalyse können wir messen |
| |
sogar die Dinge, die wir nicht direkt beobachten können, auch als latente Variablen bekannt. |
| |
Und von der Regressionsseite aus können wir Beziehungen zwischen Variablen untersuchen, unabhängig davon, ob diese beobachtet oder unbeobachtet sind. Wenn Sie diese beiden zusammenbringen, erhalten Sie SEM, das, wie Sie sich vorstellen können, ein sehr flexibles Framework ist, in das alle möglichen unterschiedlichen Modelle passen. |
| |
Pfaddiagramme sind wirklich nützliche Werkzeuge in SEM, und der Grund dafür ist, dass die Gleichungssysteme, die, wissen Sie, ziemlich kompliziert sein können |
| |
tatsächlich durch diese Diagramme dargestellt werden können. Und solange wir wissen, wie man die Diagramme zeichnet und wie man sie interpretiert, |
| |
dann können wir sie zu unserem Vorteil nutzen. Hier haben wir also Rechtecke und diese werden ausschließlich zur Darstellung beobachteter Variablen verwendet. |
| |
Kreise werden zur Darstellung latenter Variablen verwendet, Doppelpfeile zur Darstellung von Varianzen und Kovarianzen und einköpfige Pfeile für Regressions- oder Ladeeffekte. |
| |
Es gibt ein weiteres Symbol, das häufig in Pfaddiagrammen verwendet wird und das nicht in den Rahmen dessen fällt, worüber wir heute sprechen werden. |
| |
Aber wenn Sie darauf stoßen, möchte ich nur sicherstellen, dass Sie wissen, dass es da ist: ein Dreieck. Dreiecke werden verwendet, um Mittelwerte und Achsenabschnitte darzustellen, und daher gibt es alle möglichen interessanten Modelle, die wir anpassen können. |
| |
wo wir die mittlere Struktur der Daten modellieren, aber auch hier werden wir heute keine Zeit haben, darüber zu sprechen. |
| |
Wenn es um Pfaddiagramme geht, ist es meiner Meinung nach sinnvoll, darüber nachzudenken, was die Bausteine sind |
| |
von SEM-Modellen, um diese für die Erstellung komplexer Modelle zu nutzen. Eines davon wäre eine einfache lineare Regression. Hier sehen Sie also: |
| |
eine lineare Regression, bei der Y auf X regressiert wird. Und beachten Sie, dass sich sowohl X als auch Y in diesen Rechtecken, in diesen Kästchen befinden, weil es sich um beobachtete Variablen handelt. |
| |
Und wir verwenden diesen einköpfigen Pfeil, um den Regressionseffekt darzustellen, und die zweiköpfigen Pfeile, die auf derselben Variable beginnen und enden |
| |
stellen in diesem Fall die Varianz von X dar, und im Fall von Y ist es die Residualvarianz von Y. Wenn ein Doppelpfeil bei einer Variablen beginnen und bei der anderen beginnen und enden würde, dann wäre das eine Kovarianz. |
| |
In der SEM kann jede Variable sowohl ein Ergebnis als auch ein Prädiktor sein. In diesem Fall könnte Y also auch die Rolle eines Prädiktors übernehmen, wenn wir eine dritte Variable Z hätten, wobei Y Z vorhersagt. |
| |
Und so können wir sequentielle Effekte erstellen, diese Art von sequentiellen Regressionen, wissen Sie, so viele Sie brauchen, abhängig von Ihren Daten. |
| |
Ein weiterer Baustein wäre ein konfirmatorisches Faktormodell, und das ist im Grunde |
| |
die Art und Weise, wie wir latente Variablen in SEM angeben. Und dieses spezielle Beispiel ist eine sehr einfache Ein-Faktor-, eine latente Variable |
| |
konfirmatorisches Faktorenmodell, bei dem der Kreis die unbeobachtete latente Variable darstellt. |
| |
Und beachten Sie, dass die latente Variable einköpfige Pfeile hat, die auf die Variablen zeigen, die wir beobachten, in diesem Fall W, X und Y. |
| |
Und der Grund, warum diese Variable auf diese Quadrate verweist, liegt darin, dass bei der Faktorenanalyse davon ausgegangen wird, dass die latente Variable die gemeinsame Variabilität verursacht, die wir bei W, X und Y beobachtet haben. |
| |
Und das ist wirklich wichtig zu verstehen, denn es ist oft verwirrend, wenn wir über Hauptkomponenten nachdenken, wie zum Beispiel eine Hauptkomponente |
| |
Komponentenanalyse-Perspektive. Ich denke, dies ist eine gute Gelegenheit, die Unterschiede zwischen latenten Variablen aus faktoranalytischer Sicht und Komponenten aus PCA-Perspektive aufzuzeigen. Ich werde daher einen kleinen Exkurs machen, um diese Unterschiede zu erklären. |
| |
In diesem Bild stellen die Quadrate die Variablen dar, die wir gemessen haben, die beobachteten Variablen. Und beachten Sie, ich verwende diese unterschiedlichen Mengen an |
| |
Die blaue Schattierung dieser Variablen stellt den Anteil der Varianz dar, der auf das zurückzuführen ist, was wir messen wollten, also das Signal, also die Dinge, die wir mit unseren Instrumenten messen wollten. |
| |
Und die grau schattierten Bereiche stellen den Anteil der Varianz dar, der auf andere Varianzquellen zurückzuführen ist. Dazu können Messfehler gehören, aber auch systematische Varianz, die |
| |
für jedes dieser Messinstrumente einzigartig. |
| |
Im Fall der Faktorenanalyse erfasst die latente Variable die gesamte gemeinsame Variabilität der beobachteten Variablen. Aus diesem Grund verwenden wir dieses durchgehende Blau zur Darstellung der latenten Variable. |
| |
Und das steht im Gegensatz zu dem, was in der Hauptkomponentenanalyse passiert, wo das Ziel die Dimensionsreduktion ist. Und so wird in der PCA die Komponente den maximalen Varianzbetrag erklären |
| |
aus den Dimensionen unserer Daten. Und das bedeutet, dass diese Hauptkomponente oft eine Kombination aus der Varianz sein wird, die auf das zurückzuführen ist, was |
| |
was wir messen wollten, sondern auch auf einige andere Varianzquellen. Also gut, und so veranschaulicht das Diagramm auch die kausale Annahme, die Tatsache, dass latente Variablen |
| |
Es wird angenommen, dass dies die Variabilität ihrer Indikatoren in den beobachteten Variablen verursacht, und deshalb zeigen diese einköpfigen Pfeile auf die beobachteten Variablen, was bei der PCA nicht der Fall ist. |
| |
Also gut, ich denke, das ist eine sinnvolle Unterscheidung, wenn wir über latente Variablen in SEM sprechen. |
| |
Sehr häufig geht es dabei um die latenten Variablen aus der Perspektive der Faktorenanalyse. |
| |
Okay, hier habe ich mich entschieden, Ihnen ein Pfaddiagramm zu zeigen, das zu einem bereits geschätzten Modell gehört. Wir haben also alle Werte hier |
| |
auf diese Pfeile, da es sich dabei um Schätzungen aus dem Modell handelt. Ich denke, dass dieses Diagramm gut veranschaulicht, warum man SEM verwenden könnte. |
| |
Zunächst sehen wir, dass wir unbeobachtete Variablen haben. Konflikt ist hier ein abstraktes Konstrukt, das wir nicht unbedingt direkt beobachten können. Deshalb definieren wir ihn als latente Variable, indem wir die Dinge nutzen, die wir beobachten. In diesem Fall haben wir drei Umfragefragen, die darstellen |
| |
Sie wissen, dass diese unbeobachtete Konfliktvariable. Wir sind auch in der Lage, Messfehler zu berücksichtigen, die Art und Weise, wie latente Variablen in SEM definiert werden |
| |
versichert uns, dass wir tatsächlich Messfehler berücksichtigen, weil diese latenten Variablen nur die gemeinsame Varianz aller dieser beobachteten Variablen erfassen. |
| |
Beachten Sie auch, dass wir sequentielle Beziehungen in SEM untersuchen können. Wir haben also diese unbeobachtete Konfliktvariable, können aber auch sehen, |
| |
Sie wissen, wie diese Unterstützungsvariable die Arbeit beeinflusst und wie diese Arbeitsvariable wiederum die latente Variable beeinflusst? |
| |
Und schließlich geht es darum, wie Konflikte, die unbeobachtete Variable, alle möglichen anderen Ergebnisse vorhersagen können. Daher sind diese sequentiellen Beziehungen sehr nützlich und in SEM sehr einfach abzuschätzen. |
| |
Ein weiterer guter Grund für die Verwendung von SEM ist, dass unsere Plattform in JMP Pro modernste Techniken zur Verarbeitung fehlender Daten verwendet. Selbst wenn Sie also eine einfache lineare Regression haben und das eigentlich alles ist, was Sie brauchen, wenn Sie fehlende Daten haben, |
| |
SEM stellt sicher, dass alles Vorhandene zur Schätzung verwendet wird, und das kann daher ebenfalls sehr hilfreich sein. |
| |
Wenn dies... |
| |
Wenn das, was ich bisher gesagt habe, Ihr Interesse weckt und Sie planen, mehr über SEM zu erfahren, werden Sie zweifellos eine Menge Terminologie finden |
| |
das ist einzigartig in diesem Bereich. Und wie bei allem anderen gibt es auch hier Fachjargon, mit dem wir uns vertraut machen müssen. |
| |
Daher ist dieses Diagramm auch nützlich, um einige dieser Fachbegriffe einzuführen. Zunächst haben wir über beobachtete oder gemessene Variablen gesprochen. |
| |
In der SEM werden diese oft als manifeste Variablen bezeichnet. Wir haben latente Variablen, die wir bereits besprochen haben. |
| |
Wir haben aber auch die Vorstellung exogener Variablen, und das sind diejenigen, die nur andere Variablen vorhersagen. |
| |
In unserem Modell hier haben wir nur zwei davon und sie stehen im Gegensatz zu endogenen Variablen. Daher ist jede andere Variable hier eine endogene Variable, da sie von anderen Variablen vorhergesagt wird. |
| |
Okay, das sind also endogene Variablen. Wir haben auch Indikatoren für latente Variablen. Dies sind die Variablen, die durch die latenten Variablen verursacht werden. |
| |
Die Residualvarianz, die nicht durch die latente Variable erklärt wird, nennt man Eindeutigkeiten, oft auch eindeutige Faktorvarianzen. Denken Sie also daran, dass es sich um die Kombination aus systematischer Varianz handelt, die für diese Variable eindeutig ist, und Messfehlern. |
| |
Ich finde es nützlich, wenn Leute SEM lernen, um eine Art Fokusverschiebung zu haben, was |
| |
was das Modell wirklich tut. Mit anderen Worten, wenn wir erkennen, dass wir eine multivariate Analyse einer Kovarianzstruktur durchführen |
| |
(und auch Mittel, aber denken Sie daran, dass wir heute nicht über Mittel sprechen), sondern indem wir erkennen, dass wir tatsächlich die Struktur analysieren |
| |
der Kovarianzen der Daten, das hilft uns dabei, SEM viel einfacher zu verstehen. |
| |
Denn es hat Auswirkungen darauf, was wir von den Daten halten, nicht wahr? So können wir beispielsweise unsere Datentabellen erstellen, in denen jede Zeile eine andere Beobachtung und jede Spalte eine andere Variable darstellt. |
| |
Und wir können diese Daten definitiv verwenden, um die SEM-Plattform in JMP zu starten. |
| |
Doch im Hintergrund, sozusagen hinter den Kulissen, untersucht die Plattform die Kovarianzmatrix dieser Variablen, und das sind tatsächlich die Daten, die analysiert werden. |
| |
Dies hat auch Auswirkungen auf die Residuen. Wenn wir bei SEM an Residuen denken, beziehen wir uns häufig auf die Kovarianzmatrix, die wir analysieren. |
| |
Und dies gilt auch für Freiheitsgrade, und die Freiheitsgrade beziehen sich auf diese Kovarianzmatrix. |
| |
Richtig, und deshalb möchte ich sicherstellen, dass ich Ihnen einen kleinen Vorgeschmack darauf gebe, wie SEM im Hinblick auf seine Schätzung funktioniert. |
| |
Wir beginnen also mit der Festlegung eines Modells und glücklicherweise haben wir in JMP Pro diese wirklich großartige, benutzerfreundliche Benutzeroberfläche |
| |
Hier können wir unsere Modelle direkt mit Pfaddiagrammen spezifizieren, anstatt komplexe Gleichungssysteme spezifizieren oder auflisten zu müssen. Sie können einfach die Pfaddiagramme zeichnen, die eine bestimmte Kovarianzstruktur implizieren. |
| |
Die Diagramme implizieren also eine Kovarianzstruktur für die Daten. Bei der Schätzung versuchen wir dann, Modellschätzungen zu erhalten, die der Kovarianzmatrix der Stichprobe so nahe wie möglich kommen, basierend auf dem implizierten Modell. |
| |
Einschränkungen. Sobald wir diese Schätzungen haben, können wir sie in die implizite Kovarianzmatrix des Modells einfügen und diese Werte mit der Kovarianzmatrix der Stichprobe vergleichen. |
| |
und der Unterschied zwischen ihnen ermöglicht es uns, die Anpassung des Modells zu quantifizieren, richtig. Wenn wir also große Residuen haben, wissen wir durch Betrachtung des Unterschieds zwischen diesen beiden Kovarianzmatrizen, dass wir bei der Anpassung unseres Modells keine sehr gute Arbeit geleistet haben. |
| |
Okay, so funktioniert SEM kurz gesagt. Im nächsten Teil der Präsentation möchte ich Ihnen die Daten vorstellen, die wir für unsere Demo verwenden werden. Ich denke, dass |
| |
Es ist einfacher, neue Konzepte zu erlernen, wenn wir echte Daten und echte Beispiele aus der realen Welt in die Hände bekommen. |
| |
Die Daten, die wir verwenden werden, stammen aus einem erst kürzlich veröffentlichten Artikel, der im Sommer 2020 in der Zeitschrift „Social, Psychological and Personality Science“ erschienen ist. |
| |
Und die Autoren wollten eine sehr einfache Frage beantworten. Sie fragten: „Wie wirken sich die wahrgenommenen Bedrohungen durch COVID 19 auf das Wohlbefinden und das öffentliche Gesundheitsverhalten aus?“ Und so |
| |
Es ist eine einfache Frage, abgesehen von der Tatsache, dass die wahrgenommene Bedrohung durch COVID-19 ein völlig neues Konstrukt ist, richtig. Es ist eine sehr abstrakte Idee. |
| |
Wissen Sie, welche Bedrohungen COVID-19 wahrnimmt und wie man sie misst? Da dies noch nie zuvor gemessen wurde, mussten die Autoren sehr sorgfältig vorgehen. |
| |
Studie, in der sie eine Umfrage entwickelten, um diese Bedrohungen messen zu können. Und |
| |
Die Entwicklung einer Umfrage ist nicht einfach. Wir müssen sicherstellen, dass unsere Fragen für die Umfrage zuverlässig und gültig sind. |
| |
Sie mussten also den Prozess durchlaufen und wir werden gleich sehen, wie sie das gemacht haben. |
| |
In ihrer Studie stellten sie fest, dass es zwei Arten von Bedrohungen gibt, die sie messen konnten. Eine davon nannten sie realistische Bedrohungen, und zwar |
| |
Dinge, die unsere finanzielle und körperliche Sicherheit bedrohen. |
| |
Und die andere Art der Bedrohung war... sie nannten es symbolisch. Das sind also Dinge, die unsere soziale, kulturelle Identität bedrohen. Und es ist auch wichtig zu erwähnen, dass diese Stichprobe die Bevölkerung der Vereinigten Staaten betraf. Sie befragten |
| |
Es handelt sich um über 1.000 Personen, und ihre Fragen beziehen sich daher ausschließlich auf die Bevölkerung der Vereinigten Staaten. |
| |
Und was wir hier sehen, ist die integrierte COVID-19-Bedrohungsskala. Dies ist der Fragebogen, den sie nach drei verschiedenen Studien entwickelt haben. Sie fanden heraus, dass diese beiden Bedrohungen |
| |
konnte mit einer Handvoll Items gemessen werden. Sie baten ihre Teilnehmer, zu beantworten, wie groß die Bedrohung durch den Ausbruch des Coronavirus für ihre persönliche Gesundheit, die Gesundheit der US-Bevölkerung insgesamt, |
| |
Ihre persönliche finanzielle Sicherheit und so weiter. Und für symbolische Bedrohung waren die Fragen, wissen Sie, |
| |
Wie groß ist die Bedrohung durch das Virus für das Amerikanersein, für amerikanische Werte und Traditionen sowie für die Rechte und Freiheiten der US-Bevölkerung insgesamt usw. Sie sehen also, welche Unterschiede diese Bedrohungen darstellen. |
| |
Wir hatten also Zugriff auf diese Daten und werden sie nutzen, um ganz konkrete Fragen zu beantworten. Erstens: Wie messen wir diese Wahrnehmung der Bedrohung durch COVID-19? Wir werden uns auf die beiden identifizierten Bedrohungen konzentrieren. |
| |
Dies führt uns dazu, über die konfirmatorische Faktorenanalyse und die Bewertung eines Messmodells zu sprechen, um sicherzustellen, dass wir herausfinden können, ob die Fragen in der Umfrage tatsächlich zuverlässig und gültig sind. |
| |
Beachten Sie, dass wir diesen sehr wichtigen ersten Schritt überspringen werden, nämlich die explorative Faktorenanalyse. Das ist etwas, was man tun würde, bevor |
| |
Mit SEM, richtig. Man führt eine explorative Faktorenanalyse durch und verwendet anschließend SEM, um die Struktur der vorherigen Ergebnisse zu bestätigen. Die Autoren dieses Artikels haben das definitiv getan, aber wir konzentrieren uns auf die Schritte, die wir mit SEM durchführen würden. |
| |
Die zweite Frage lautet: Lässt sich die Wahrnehmung der COVID-19-Bedrohung auf Wohlbefindensmerkmale und gesundheitspolitisches Verhalten vorhersagen? Diese Frage führt uns zu einer Diskussion über multiple Regressions- und Pfadanalysen im Rahmen von SEM. |
| |
Die letzte Frage lautet: Sind die Auswirkungen aller Bedrohungsarten auf die Ergebnisse gleich? Damit können wir eine interessante Funktion von SEM demonstrieren: Wir setzen Gleichheitsbeschränkungen in unseren Modellen und führen systematische Modellvergleiche durch, um diese Fragen zu beantworten. |
| |
Also gut, es ist Zeit für die Demo, und ich habe bereits … mal sehen … |
| |
Ups, wie komme ich hier raus? |
| |
Es ist noch nicht Zeit für Fragen. |
| |
Ich möchte einfach den Bildschirm verlassen, aber es scheint mir nicht zu gelingen. |
| |
Okay, los geht’s, wir haben also … |
| |
Ich habe die Datentabelle von JMP bereits hier geöffnet. Diese Daten, wie Sie sehen, haben 238 Spalten. Das liegt daran, dass die Autoren darum gebeten haben. |
| |
Dabei wurden den 550 Teilnehmern zahlreiche verschiedene Fragen gestellt; dies ist eine ihrer drei Studien. |
| |
Und die ersten zehn Fragen, die ersten zehn Spalten, die ich in den Daten habe, entsprechen den zehn Fragen, die wir in ihrer Bedrohungsskala gesehen haben. |
| |
Und diese werden wir als Erstes verwenden, um eine konfirmatorische Faktorenanalyse durchzuführen. Wir klicken auf „Analysieren“ und gehen zu „Multivariate Methoden, Strukturgleichungsmodelle“. |
| |
Und wir werden diese 10 Variablen verwenden und auf „Modellvariablen“ klicken. Dann werden wir auf „OK“ klicken, um die Plattform zu starten. |
| |
Beachten Sie, dass wir auf der rechten Seite sofort ein Pfaddiagramm sehen. |
| |
Und dieses Diagramm weist bereits alle Merkmale auf, die wir zuvor besprochen haben. Alle Variablen befinden sich in Rechtecken, was darauf hindeutet, dass es sich um beobachtete Variablen handelt. |
| |
Und jeder von ihnen hat diese Doppelpfeile, die bei sich selbst beginnen und enden, sodass sie eine Varianz jeder dieser Variablen darstellen. |
| |
Wenn ich jetzt mit der rechten Maustaste auf die Leinwand klicke, wird ein Menü zum Anzeigen angezeigt. Beachten Sie, dass die Mittelwerte und Achsenabschnitte standardmäßig ausgeblendet sind. |
| |
Ich klicke hierauf, um Ihnen zu zeigen, dass wir tatsächlich |
| |
Mittelwerte, die standardmäßig aus all diesen Variablen geschätzt werden. Deshalb werden wir nicht darüber sprechen, also werden wir sie verborgen halten, aber ich denke, es ist wichtig zu wissen |
| |
dass das Standardmodell, mit dem wir beim Start der Plattform beginnen, eines ist, bei dem für alle Variablen Varianzen und Mittelwerte geschätzt werden. |
| |
Nun zu diesem |
| |
Registerkarte, wir haben eine Liste Registerkarte, und wenn wir darauf klicken, sehen wir, dass wir haben |
| |
Genau dieselben Informationen wie im Diagramm, allerdings in Listenform. Alle verschiedenen Parametertypen sind nach Parametertyp unterteilt. So haben wir alle Varianzen hier und alle Mittelwerte dort. |
| |
Richtig, wir haben eine Statusregisterkarte, die uns im Wesentlichen Informationen zu dem von uns gerade angegebenen Modell liefert. Sie liefert uns eine Reihe nützlicher Informationen zu diesem Modell. |
| |
Wir haben Details zu den Daten, unserem Stichprobenumfang, den Freiheitsgraden und auch diese Identifikationsregeln. Sie können darauf klicken, wenn Sie mehr darüber erfahren möchten. Es gibt Ihnen ein bisschen... |
| |
Eine kleine Beschreibung rechts. |
| |
Es ist jedoch sehr hilfreich zu wissen, dass sich dieses Symbol für die Statusregisterkarte ständig ändert, abhängig von den Änderungen, die wir vornehmen, und von der Spezifikation des Modells, das wir haben. Bei einer erweiterten SEM-Anwendung ist dies häufig der Fall. |
| |
Das Symbol kann gelb sein. Bei einem schwerwiegenden Fehler, einem wichtigen Fehler, ist es orange mit einem X. Dies zeigt an, dass ein Fehler vorliegt. Es kann daher sehr hilfreich sein, Fehler bei der Spezifikation unserer Modelle zu identifizieren. |
| |
Auf der linken Seite der Benutzeroberfläche sehen wir, dass wir |
| |
Geben Sie den Namen unseres Modells an. Dies ist sehr hilfreich, um den Überblick über unseren Workflow zu behalten. Außerdem haben wir diese Von- und Bis-Listen. |
| |
Daher bieten diese Listen eine sehr nützliche Möglichkeit, Variablen zu verknüpfen, entweder mithilfe eines einköpfigen oder eines zweiköpfigen Pfeils. |
| |
Wenn ich diese beispielsweise hier verknüpfen möchte, klicke ich auf die Schaltfläche und zeichne schnell ein Pfaddiagramm. Das ist eine sehr effiziente Möglichkeit, Modelle anzugeben. |
| |
Ich klicke hier auf „Zurücksetzen“, um zu dem Modell zurückzukehren, das wir beim Starten der Plattform hatten. Beachten Sie jedoch, dass die Listen „Von“ und „Bis“ grundsätzlich Möglichkeiten zum Zeichnen der Diagramme sind. |
| |
Okay, in diesem Fall haben wir alle beobachteten Variablen hier aufgelistet, aber ich weiß, dass wir diese Variablen verwenden möchten, um latente Variablen anzugeben. |
| |
Die ersten fünf Variablen entsprechen den Punkten in der Umfrage zur realistischen Bedrohung. Ich werde dem Modell eine latente Variable hinzufügen, indem ich nach unten gehe. |
| |
zu diesem Feld hier unten, wo es heißt Latent1 und ich werde den Namen in Realistisch ändern, weil ich will |
| |
Diese fünf Variablen sind Indikatoren für eine realistische Bedrohungsvariable. Klicken Sie auf diese Schaltfläche, |
| |
Ich erhalte sofort die Angabe dieser latenten Variable. Beachten Sie, dass die erste Ladung dieser latenten Variable für realistische Bedrohungen eine 1 enthält ... |
| |
in diesem in diesem Pfeil, und das stellt im Wesentlichen die Tatsache dar, dass der Parameter auf den Wert 1 festgelegt ist. |
| |
Und wir tun dies, weil wir die Skala der latenten Variable festlegen müssen. Ohne diese Einschränkung wären wir nicht in der Lage, das Modell zu identifizieren und so |
| |
Standardmäßig werden wir diese Einschränkung beim ersten Laden der latenten Variable platzieren, aber wir könnten auch erreichen |
| |
den gleichen Zweck, wenn wir die Varianz der latenten Variable auf 1 festlegen. Welche wir also verwenden, ist wirklich eine Frage der Wahl, aber standardmäßig wird die Plattform die erste Ladung auf 1 festlegen. Okay, wir haben also eine latente Variable für realistische Bedrohungen und die anderen fünf |
| |
Die Variablen hier entsprechen den Fragen zu symbolischen Bedrohungen. Ich wähle sie aus und klicke hier. Ich gebe „Symbolisch“ ein und klicke auf das Pluszeichen, um die symbolische Bedrohung hinzuzufügen. |
| |
Okay, wir sind fast fertig. Beachten Sie jedoch, dass dieses Modell hier impliziert, dass realistische und symbolische Bedrohungen völlig unabhängig voneinander sind. Das ist eine sehr starke Annahme. Deshalb wollen wir das nicht tun. |
| |
Die meisten konfirmatorischen Faktormodelle gestatten es den latenten Variablen, miteinander zu kovariieren. Deshalb wähle ich sie hier aus und klicke auf diesen Doppelpfeil, um die beiden Knoten zu verknüpfen. |
| |
Ich kann es aber auch direkt aus dem Pfaddiagramm heraus tun. Wenn ich also mit der rechten Maustaste auf die latente Variable klicke, kann ich auf Kovarianzen hinzufügen klicken und |
| |
Genau hier kann ich die Kovarianz hinzufügen. Das ist eine ziemlich coole Methode. Sie können es mit der Liste tun, Sie können es direkt im Diagramm tun. |
| |
Was auch immer Sie wählen. Unser Modell ist nun bereit zur Schätzung. Ich ändere den Namen in „2-Faktor-CFA“ und wir können es ausführen. |
| |
Sie sehen, wir erhalten schnell unsere Schätzungen und sie werden alle im Diagramm abgebildet, was ziemlich cool ist. Bevor wir diese Ergebnisse interpretieren, möchte ich jedoch sicherstellen, dass wir uns auf diese Modellvergleichstabelle konzentrieren. |
| |
Der Grund dafür ist, dass die Tabelle uns viele Informationen über die Anpassung des Modells liefert und wir sicherstellen möchten, dass das Modell gut passt, bevor wir die Ergebnisse interpretieren. Also |
| |
das Erste, was hier auffällt, ist, dass wir drei Modelle in dieser ... in dieser Tabelle haben und nur eines davon passt. |
| |
Der Grund, warum wir drei haben, liegt darin, dass die ersten beiden Modelle, das uneingeschränkte und das Unabhängigkeitsmodell, beim Starten der Plattform nicht standardmäßig installiert sind. |
| |
Und so passen wir diese Modelle absichtlich an, um eine Art Basis dafür zu schaffen, was ein wirklich gut passendes Modell ist und was ein wirklich schlecht passendes Modell ist, und so verwenden wir diese als Vergleichsrahmen |
| |
mit unseren eigenen spezifizierten Modellen. Lassen Sie mich also etwas konkreter werden. Zum Beispiel wäre das uneingeschränkte Modell ein Modell (ich werde es Ihnen anhand des Pfaddiagramms zeigen), |
| |
Das uneingeschränkte Modell ist eines, bei dem jede Variable miteinander kovariieren darf. Beachten Sie also, dass |
| |
Die Chi-Quadrat-Statistik, ein Maß für die Fehlanpassung, ist genau null. Der Grund dafür ist, dass dieses Modell perfekt zu den Daten passt. Denken Sie daran, dass unsere Daten hier eigentlich die Kovarianzmatrix der Daten darstellen. Daher haben wir null Freiheitsgrade, weil wir … angegeben haben. |
| |
haben null Freiheitsgrade, weil wir jede mögliche Varianz und Kovarianz in den Daten schätzen. |
| |
Das ist also das bestmögliche Szenario, richtig. Wir haben keine Fehlanpassung, schätzen aber auch jede mögliche Schätzung anhand der Daten. |
| |
Das andere Ende des Spektrums ist ein Modell, das wirklich schlecht passen würde, und das ist das Unabhängigkeitsmodell. Wenn ich Ihnen also das Pfaddiagramm zeige, |
| |
Hier unser Standardmodell, bei dem wir nur die Varianz als Mittelwert für die Daten haben. Genau das ist das Unabhängigkeitsmodell. Und |
| |
Das ist im Wesentlichen ein Modell, bei dem nichts mit irgendetwas anderem kovariiert, und Sie können sehen, dass die Chi-Quadrat-Statistik für dieses Modell tatsächlich ziemlich groß ist, weil es viele Fehlanpassungen gibt, also fast 2000 Einheiten, aber wir haben |
| |
45 Freiheitsgrade, da wir nur sehr wenige Dinge aus den Daten abschätzen. Und so liefern diese beiden Modelle im Grunde |
| |
die beiden Enden des Spektrums, richtig. Auf der einen Seite ein wirklich gut passendes Modell und auf der anderen Seite ein wirklich schlecht passendes Modell. Wir werden diese Informationen nutzen können, um unser eigenes Modell mit diesen zu vergleichen. |
| |
Wenn wir uns also unser Modell ansehen, fällt auf, dass der Chi-Quadrat-Wert nicht Null ist, sondern nur 147 Einheiten beträgt, also deutlich weniger als 2000. |
| |
Und wir haben 34 Freiheitsgrade, also liegt eine gewisse Fehlanpassung vor. Und wenn wir uns den Test für dieses Chi-Quadrat ansehen, handelt es sich um eine signifikante Chi-Quadrat-Statistik, was darauf hindeutet, dass die Daten eine statistisch signifikante Fehlanpassung aufweisen. |
| |
Die Chi-Quadrat-Statistik wird jedoch von der Stichprobengröße beeinflusst, und in diesem Fall haben wir 550 Beobachtungen. Und so |
| |
Normalerweise ist es bei 300 oder mehr Beobachtungen sehr wichtig, nicht nur die Chi-Quadrat-Statistik nachzuschlagen, sondern auch einige spezielle |
| |
Anpassungsindizes, die nur bei SEM vorkommen und die es uns ermöglichen, die Anpassung des Modells zu quantifizieren. Und das sind die Werte hier rechts. |
| |
Dieser erste Anpassungsindex wird als vergleichender Anpassungsindex bezeichnet und |
| |
Der Index reicht von null bis eins. Sie sehen also, dass das uneingeschränkte Modell eine Eins hat. Das ist das am besten passende Modell. Das Unabhängigkeitsmodell hat eine Null, weil es das am schlechtesten passende Modell ist. Unser Modell hat tatsächlich einen CFI von 0,93, also etwa 0,94. |
| |
Dies stellt den Anteil der Verbesserung gegenüber dem Unabhängigkeitsmodell dar. Anders ausgedrückt: |
| |
Unser Modell passt um etwa 94 % besser als das Unabhängigkeitsmodell, also ist das eigentlich ziemlich gut. Normalerweise streben wir CFI-Werte von 0,9 oder höher an. Je näher bei 1, desto besser. |
| |
Der mittlere quadratische Näherungsfehler ist ein weiterer Anpassungsindex, aber dieser |
| |
Obwohl der Index ebenfalls zwischen null und eins liegt, möchten wir sehr, sehr niedrige Werte in diesem Index. Beachten Sie also, dass das uneingeschränkte Modell einen Wert von null hat. |
| |
und das Unabhängigkeitsmodell liegt bei .27. Normalerweise wünschen wir uns Werte von .1 oder weniger für akzeptable Modelle. Unser Modell liegt bei .07, etwa .08, und das ist eigentlich ziemlich gut. |
| |
Wir haben auch einige Konfidenzintervalle für diese spezielle Schätzung, und Sie können sehen, dass diese Werte ebenfalls unter 0,1 liegen. Dies ist also ein gut passendes Modell. Sobald wir wissen, dass das Modell gut zu unseren Daten passt, können wir mit der Interpretation fortfahren. |
| |
Als Standard für unsere Schätzungen zeigen wir Ihnen jetzt die nicht standardisierten Parameterschätzungen. |
| |
Für die Faktorenanalyse ist es jedoch viel nützlicher, sich die standardisierte Lösung anzusehen. Ich klicke also mit der rechten Maustaste auf die Leinwand und zeige die standardisierten Schätzungen an. |
| |
Die Werte hier sind also eine Korrelationsmetrik, also wollen wir, dass diese Werte so nahe wie möglich bei eins liegen. |
| |
weil sie die Korrelation der beobachteten Variable mit der latenten Variable darstellen. Und beachten Sie, sowohl für die realistische als auch für die symbolische Bedrohung sind die Werte ziemlich gut. |
| |
Wir möchten nicht, dass sie unter etwa 0,4 liegen, daher sind diese Werte gut. Ein weiteres einzigartiges und wirklich nützliches Merkmal, das nur in JMP Pro vorkommt, ist, dass die Variablen hier ... jede endogene Variable, die |
| |
Prädiktoren, richtig, wenn man auf sie zeigt, ist es schattiert. |
| |
Beachten Sie, dass sich innerhalb dieser Quadrate ein wenig Grau befindet und dass die Schattierung proportional zur Menge der durch die Prädiktoren erklärten Varianz ist. |
| |
So können wir schnell visuell erkennen, welche Variablen ihre Varianz wirklich gut erklären. In diesem Fall scheinen diese drei Variablen |
| |
sind am stärksten mit diesem dunkleren Grau gefüllt, was darauf schließen lässt, dass die latente Variable der symbolischen Bedrohungen die Varianz dieser drei beobachteten Variablen ziemlich gut erklärt. |
| |
Wir sehen auch, dass die beiden latenten Variablen etwa um 0,4 korreliert sind, was ein interessantes Ergebnis ist. |
| |
Und es gibt alle möglichen Ausgaben, auf die wir uns hier im roten Dreieckmenü konzentrieren könnten, aber ich werde mich speziell auf eine konzentrieren |
| |
Option „Messmodell bewerten“. Hier finden wir zahlreiche Statistiken, mit denen wir die Zuverlässigkeit und Gültigkeit unserer Konstrukte quantifizieren können. |
| |
Wenn wir hier klicken, sehen wir dieses nette kleine Dashboard. Und die erste Information, die wir hier sehen, ist |
| |
Indikatorzuverlässigkeit, also die Quantifizierung der Zuverlässigkeit jeder einzelnen Frage in dieser Umfrage und wir stellen ein Diagramm bereit, das dies ist. |
| |
zeigt uns all diese Werte. Beachten Sie, dass wir hier eine rote Linie als Schwellenwert für das gewünschte Ergebnis haben. Wir möchten mindestens diese Zuverlässigkeit für jeden unserer Punkte erreichen. Nun, |
| |
Sie wissen, diese Art von Schwellenwerten müssen mit unserem eigenen kritischen Denken interpretiert werden, denn offensichtlich |
| |
Wissen Sie, dieser bestimmte Artikel liegt beispielsweise unter dem Schwellenwert, aber immer noch ziemlich nahe daran, also werden wir ihn nicht wegwerfen. Wir können ihn immer noch als |
| |
relativ zuverlässig und immer noch ein guter Indikator für diese latente Variable. Aber auch hier gilt: Interpretieren Sie die Schwellenwerte mit Vorsicht. |
| |
Aus diesem Diagramm wird jedoch deutlich, dass die latente Variable der symbolischen Bedrohungen zuverlässigere Indikatoren zu haben scheint als die der realistischen Bedrohungen. Beide sind zwar recht gut, aber die symbolische Variable können wir besser messen. |
| |
Die Werte rechts sind Reliabilitätskoeffizienten für die zusammengesetzten Variablen. Mit anderen Worten: Sie quantifizieren die Reliabilität der latenten Variable als Ganzes. Es gibt zwei Arten von Reliabilität. |
| |
Ich werde hier nicht näher auf die Unterschiede eingehen, aber beachten Sie, dass diese Werte zwischen null und eins liegen und wir möchten, dass sie so nahe wie möglich bei eins liegen. Außerdem bieten wir |
| |
wissen Sie, einige Diagramme mit dem Schwellenwert, der sozusagen den gewünschten Grad an Zuverlässigkeit angibt, das Minimum, und in diesem Fall weisen sowohl die realistische als auch die symbolische Bedrohung eine gute Zuverlässigkeit auf. |
| |
Und die andere Visualisierung, die wir hier haben, ist für eine Konstruktvaliditätsmatrix und |
| |
Denken Sie daran, dass es sehr schwierig ist, herauszufinden, ob es wirklich |
| |
ist das, was Sie messen möchten. Messen Sie wirklich das, was Sie wollten? Genau das können wir mit diesen Informationen feststellen. |
| |
Die Visualisierung hier stellt das obere Dreieck dieser Matrix dar. Lassen Sie mich kurz erklären, was die Werte darstellen. Im unteren ... |
| |
Unterhalb der Diagonale sehen wir die Korrelation zwischen der latenten Variable. Das ist ungefähr .4. Die diagonalen Einträge stellen den durchschnittlichen Betrag der extrahierten Varianz dar |
| |
aus den ..., die die latenten Variablen aus ihren Indikatoren extrahieren. Und deshalb möchten Sie, dass diese Werte so hoch wie möglich sind. |
| |
Und oberhalb der Diagonale haben wir diese quadrierte Korrelation. Mit anderen Worten, es ist der Betrag der überlappenden Varianz zwischen den latenten Variablen. |
| |
Der Schlüssel zur Interpretation dieser Matrix liegt darin, dass wir Werte in der Diagonale höher haben wollen |
| |
als die Werte oberhalb und rechts von der Diagonale, und beachten Sie hier, die Visualisierung macht es sehr einfach zu erkennen, dass wir tatsächlich |
| |
haben in der Diagonale größere Werte als darüber oder rechts. Und das ist ein guter Beweis für die Konstruktvalidität. |
| |
Alles deutet darauf hin, dass sowohl die realistischen als auch die symbolischen Bedrohungen tatsächlich |
| |
latente Variablen, die gültig und zuverlässig sind, und die Umfrage scheint beides gut zu messen. |
| |
Ein nächster Schritt könnte darin bestehen, dass wir uns alle fünf Fragen heraussuchen, die die realistischen Bedrohungen darstellen, und daraus einen Durchschnitt bilden. |
| |
Und plötzlich hätten wir eine Kennzahl, die realistische Bedrohungen darstellt. Das könnten wir tun, und das Gleiche könnten wir für die anderen fünf Variablen tun, die symbolische Bedrohungen darstellen. |
| |
Zur Veranschaulichung: Ich habe diese Variablen bereits erstellt. Gehen wir also zur Analyse, zu multivariaten Methoden und zu Strukturgleichungsmodellen. Ich werde nach diesen suchen. |
| |
Durchschnittsvariable. Damit es hier realistische und symbolische Bedrohungen gibt, handelt es sich um den Durchschnitt der Spalten für jede dieser Variablen. |
| |
Und ich werde diese zusätzlich modellieren... wir haben ein Maß für Angst, wir haben auch ein Maß für negative Affekte oder negative Emotionen. |
| |
Und schließlich verfügen wir über eine Maßnahme zur Einhaltung öffentlicher Gesundheitsvorschriften. Auch diese werden wir modellieren. Anschließend klicken wir auf „OK“, um die Plattform zu starten. |
| |
Über die Diagrammschaltflächen hier gelangen wir in ein benutzerdefiniertes Menü und können alle möglichen Aspekte des Diagramms ändern, was wirklich toll ist. Ich konzentriere mich jetzt nur darauf, die Breite zu vergrößern... |
| |
die Breite dieser |
| |
Variablen, damit wir lesen können, was sich in den Knoten befindet. Und was ich tun werde, ist, ein Modell anzupassen, bei dem sowohl realistische als auch symbolische Bedrohungen diese interessanten Ergebnisse vorhersagen. Es gibt eine Art |
| |
Marker für Angst, negative Affekte und auch das öffentliche Gesundheitsverhalten. Wir werden diese mit einem einköpfigen Pfeil verknüpfen, um die Vorhersagen zu präzisieren. Wir werden also untersuchen, ob diese Effekte tatsächlich signifikant sind. |
| |
Beachten Sie, dass ich mit der Spezifikation dieses Modells noch nicht ganz fertig bin, denn in diesem speziellen Modell |
| |
Es gibt keinen Zusammenhang zwischen den realistischen und den symbolischen Bedrohungen, und es wäre eine sehr starke Einschränkung im Modell zu sagen, dass diese beiden Dinge nicht |
| |
Kovarianzen sind überhaupt nicht relevant. Deshalb möchten wir immer sicherstellen, dass wir Kovarianzen zwischen unseren Prädiktoren und auch zwischen den Residualvarianzen unserer Ergebnisse berücksichtigen. |
| |
Wir könnten diese also direkt aus der Liste „Von“ angeben. In diesem Fall werde ich „Kovarianzen hinzufügen“ aus diesem Menü verwenden und die realistischen und symbolischen Bedrohungen verknüpfen. |
| |
Ich werde die Listen auch verwenden, um Kovarianzen zwischen den Residuen dieser Ergebnisse hinzuzufügen. Damit haben wir ein vollständig korrekt spezifiziertes Modell. Dies wird oft als Pfadanalyse bezeichnet, ist aber auch … |
| |
es handelt sich im Grunde um eine Sammlung, eine gleichzeitige Sammlung von Regressionsmodellen, und das werden wir ausführen. |
| |
Und beachten Sie in der Modellvergleichstabelle, dass unser Modell keine Freiheitsgrade hat und ein perfektes Chi-Quadrat aufweist und das Chi-Quadrat Null ist. |
| |
Aber im Wesentlichen bedeutet die Tatsache, dass es null Freiheitsgrade gibt, dass unser Modell nicht testbar ist. |
| |
Weil wir alle Informationen aus unseren Daten extrahiert haben, die wir hätten extrahieren können. Das ist im Wesentlichen das, was wir tun, wenn wir ein Regressionsmodell anpassen. Das ist also kein Problem, aber man kann dieses Chi-Quadrat nicht interpretieren und sagen: „Oh, mein Modell passt so gut.“ |
| |
Es passt gut, weil Sie alles extrahiert haben, was Sie aus dem Modell hätten extrahieren können. Es ist also wie ein Regressionsmodell. |
| |
Okay, wenn wir uns die Ergebnisse ansehen, wissen Sie, dass es viele wichtige Informationen gibt, die wir interpretieren können, aber ich werde mich auf ein paar Dinge konzentrieren. Erstens: |
| |
Beachten Sie, dass unsere Diagramme vollständig interaktiv sind, was wirklich toll ist. Ich verschiebe die Elemente, um mich auf einige Effekte zu konzentrieren. Ich verstecke die Varianzen und Kovarianzen in diesem Modell, damit wir uns auf die Ergebnisse der Regressionsmodelle konzentrieren können. |
| |
aus der Pfadanalyse. Und beachten Sie hier, dass sowohl realistische als auch symbolische Bedrohungen einen positiven Effekt auf die Angst haben. |
| |
Das ist wirklich interessant. Die Pfeile sind hier durchgezogen, weil die Effekte, wie Sie hier in der Tabelle der Parameterschätzungen sehen, statistisch signifikant sind. Wenn sie also unbedeutend wären, |
| |
Tatsächlich würden die Pfeile gestrichelt dargestellt. Das Pfaddiagramm vermittelt also viele Informationen. Wir haben also positive signifikante Auswirkungen auf Angstzustände |
| |
und das ist natürlich interessant, aber bisher haben wir lediglich Regressionsmodelle gleichzeitig angepasst. |
| |
Und wenn wir zurück zur Datentabelle gehen, habe ich hier ein Skript von Fit Model, wo ich tatsächlich dieselbe Angst benutze |
| |
Ergebnis und die gleichen beiden Prädiktoren, realistische und symbolische Bedrohungen, |
| |
und ich schätze einfach ein multiples Regressionsmodell. Und der Grund, warum ich Ihnen das zeigen wollte, ist, dass die Parameterschätzungen hier genau die gleichen Werte aufweisen, die wir von SEM erhalten haben. |
| |
Und das ist keine Überraschung, denn tatsächlich führen wir eine simultane Regression durch. Bis zu diesem Punkt fragen Sie sich vielleicht: |
| |
Was bringt Ihnen SEM? Richtig, denn technisch gesehen könnten Sie drei separate Anpassungsmodelle mit diesen drei Ergebnissen ausführen und dieselben Informationen erhalten, die wir bisher erhalten haben. |
| |
Wenn jedoch Daten fehlen, möchten Sie dennoch SEM verwenden, da wir dann alle Daten verwenden, anstatt Zeilen zu löschen. |
| |
Wenn Sie SEM verwenden möchten, können Sie jedoch auch weitere, ziemlich interessante Fragen beantworten. |
| |
In diesem Fall könnten wir uns fragen, ob der Effekt einer realistischen Bedrohung auf die Angst statistisch größer ist |
| |
als die Wirkung symbolischer Bedrohung auf Angst, richtig. Bisher wissen wir, dass beide signifikant von Null verschieden sind, aber unterscheiden sie sich auch signifikant voneinander? |
| |
Und diese Frage können wir mithilfe der SEM-Plattform beantworten. Zurück im Modellspezifikationsfenster können wir beide Effekte auswählen. Hier oben in den Aktionsschaltflächen finden wir die Schaltfläche „Gleich einstellen“. Wenn wir diese Schaltfläche drücken, sehen wir, dass wir ein kleines |
| |
Die Bezeichnung hier bedeutet, dass beide Effekte gleich gesetzt werden. Sie werden als eins geschätzt. Wenn wir also den Namen hier in gleiche Effekte ändern und dieses Modell ausführen, erhalten wir die Anpassungsstatistik für diesen spezifischen |
| |
Modell mit Gleichheitsbeschränkungen. Beachten Sie, dass wir jetzt einen Freiheitsgrad gewonnen haben und somit plötzlich ein testbares Modell haben. |
| |
Und wir können die Modellvergleichstabelle verwenden, um die beiden Modelle auszuwählen, die wir miteinander vergleichen möchten, und dann auf „Ausgewählte Modelle vergleichen“ klicken. |
| |
Und jetzt erhalten wir einen Chi-Quadrat-Differenztest, so dass wir das Modell statistisch vergleichen und sehen können, wie groß die Fehlanpassung ist, die unser |
| |
Gleichheitsbedingung im Modell induziert. Und hier sehen wir, dass es sich um etwa 8,6 Einheiten in der Chi-Quadrat-Metrik handelt und der p-Wert dafür tatsächlich signifikant ist. Dies deutet darauf hin, dass |
| |
Das Setzen dieser Gleichheitsbedingung führt zu einer signifikanten Fehlanpassung im Modell. Da wir wissen, dass Chi-Quadrat von der Stichprobengröße beeinflusst wird, haben wir auch den Unterschied in diesen |
| |
Fit-Indizes, die wir besprochen haben, und für den CFI wollen wir normalerweise nicht, dass dieser Wert um mehr als .01 steigt |
| |
höchstens. Tatsächlich ist 0,01 oder höher nicht so gut. Und für RMSEA sollte der Wert nicht höher als 0,1 sein. |
| |
Alle vorliegenden Belege deuten darauf hin, dass das Festlegen der Gleichheitsbeschränkungen zu einem deutlich schlechter passenden Modell führt. |
| |
Mit anderen Worten, wenn wir zu dem Modell zurückkehren, das am besten passt, können wir nun basierend auf dem Chi-Quadrat-Differenztest sagen, |
| |
dass die Wirkung einer realistischen Bedrohung auf die Angst deutlich höher ist als die Wirkung einer symbolischen Bedrohung auf die Angst. |
| |
Und diese Art von Fragen könnten wir mit anderen Teilen dieses Modells angehen, aber SEM bietet wiederum viel Flexibilität, indem es uns erlaubt, die Gleichheit verschiedener Effekte innerhalb des Modells zu vergleichen. |
| |
Okay, und aus Zeitgründen werde ich das hier beenden. Ich möchte Ihnen aber zeigen, dass wir bisher ein konfirmatorisches Faktormodell gesehen haben. Wir haben auch gesehen |
| |
Eine Pfadanalyse, bei der wir eine multivariate Regressionsanalyse durchführen, aber wir können beide Konzepte in einem Modell verwenden. Ich habe ein Skript, das ich bereits in meiner Datentabelle gespeichert habe. Sie können sehen, was ich hier in diesem Modell mache. |
| |
Schätzung latenter Variablen. Ich modelliere latente Variablen sowohl für symbolische als auch für realistische Bedrohungen und verwende dazu die Originalelemente der Umfrage und des Fragebogens. |
| |
Anstatt also Durchschnittswerte über die Spalten zu bilden, |
| |
Ich werde die latenten Variablen modellieren, und das ermöglicht mir, Regressionseffekte zu erhalten. Alle diese Effekte unter den latenten Variablen werden unverzerrt und unbeeinflusst von Messfehlern sein, weil ich eine |
| |
ein valideres, reineres Maß für symbolische und realistische Bedrohungen. Hier schätzen wir also, Sie können sequentielle Beziehungen erkennen, und mein Modell hier ist viel komplexer. |
| |
Ich werde nicht auf die Details des Modells eingehen, aber Sie sollten wissen, dass wir durch die Modellierung latenter Variablen und die Betrachtung der Beziehungen zwischen latenten Variablen wirklich in der Lage sind, die besten |
| |
Funktionalität von SEM, da unsere Assoziationen zwischen diesen latenten Variablen bessere Schätzungen von ... ergeben. |
| |
für das Modell. Und ich habe dieses Modell tatsächlich geschätzt, die Ergebnisse sehen Sie hier unten. Beachten Sie hier einige Kanten, die... |
| |
Die gestrichelten Pfeile zeigen an, dass diese Effekte nicht signifikant sind. Wir sehen auch, wie wirkungsvoll die Visualisierung der Schattierung ist. Wir können erklären, |
| |
einen gewissen Anteil der Varianz bei der Einhaltung von gesundheitspolitischen Maßnahmen. Und es scheint, als könnten wir die Varianz bei positiven Affekten besser erklären als bei allen anderen Ergebnissen. Und so ist es auch hier |
| |
im Grunde das Beste aus beiden Welten: Wir können unsere latenten Variablen angeben, sie aber auch direkt mithilfe unserer Plattform modellieren. |
| |
Damit beende ich die Demo hier, möchte Sie aber darauf hinweisen, dass wir auf der JMP Community-Website ergänzende Materialien haben, die |
| |
James Koepfler erstellt hat. Es handelt sich um wirklich großartige Materialien mit vielen Tipps zur Interpretation unserer Modelle, zur Verwendung der Modellvergleichstabelle, |
| |
Alle Notizen, die Sie sich während der Präsentation gemacht haben, finden Sie in den Zusatzmaterialien. Damit bin ich bereit, die Fragen zu beantworten. |
