756656_ko-KR

liliconcom

구조 방정식 모델링의 ABC(2021-EU-45MP-752)

Laura Castro-Schilo, JMP 수석 연구 통계 개발자, SAS
James R. Koepfler, JMP 연구 통계 테스터, SAS

이 프레젠테이션은 모든 배경의 분석가가 구조방정식모형(SEM)을 사용할 수 있도록 하는 핵심 기본 개념을 다루며 구조방정식모형(SEM)에 대한 자세한 소개를 제공합니다. 먼저 회귀분석과의 비교를 통해 SEM 프레임워크의 이해를 돕습니다. 관측 변수를 활용하여 잠재변수를 추정하고, 측정 오차를 고려하고, 향후 측정을 개선하고, 선형 모델의 추정치를 개선하는 방법을 보여줍니다. 또한, 분석가가 SEM을 통해 해결할 수 있는 주요 질문들을 강조하고 실제 데이터를 활용한 사례를 통해 이러한 질문에 답하는 방법을 제시합니다. 참석자들은 경로 분석 및 확인적 요인 분석을 수행하고, 모델 적합도를 평가하고, 대안 모델을 비교하고, JMP Pro의 SEM 플랫폼에서 제공되는 모든 결과를 해석하는 방법을 배우게 됩니다.

자동 생성된 대본...

스피커	성적 증명서
라우라 카스트로-쉴로	안녕하세요, 저는 로라 카스트로-쉴로입니다. 이 세션에 오신 것을 환영합니다. 이 세션에서는 구조 방정식 모델링의 기본을 배워보겠습니다.
	오늘의 목표는 JMP Pro 16의 구조 방정식 모델 플랫폼을 사용하여 모델을 지정하고 해석하는 데 필요한 도구를 갖추도록 하는 것입니다.
	이를 위해 먼저 SEM에 대한 간략한 소개를 드리겠습니다. SEM이 무엇인지 말씀드리고, 특히 요인 분석 및 회귀 분석과의 연관성을 설명드리겠습니다.
	그리고 그 과정에서 경로 다이어그램이 SEM에 필수적인 도구라는 사실을 배우게 될 것입니다.
	그리고 우리는 소개 부분을 매우 간략하게 하여 실제적인 사례에 집중할 수 있도록 하겠습니다.
	따라서 해당 예시에 앞서 해당 데모에 사용할 데이터를 소개하겠습니다. 이 데이터는 COVID 19 위협에 대한 인식과 관련된 것입니다.
	따라서 그 데이터를 살펴보면서 우리는 모델을 지정하고 해석하는 방법에 대해 배우기 시작할 것이고, 이를 위해 구체적인 질문에 답할 것입니다.
	이러한 질문을 통해 SEM에서 매우 인기 있는 모델인 확인적 요인 분석과 다변량 회귀 분석에 대해 이야기해 보겠습니다.
	마지막으로, 두 가지 분석을 하나로 합친 모델을 보여드리겠습니다. SEM이 얼마나 유연한 프레임워크인지, 그리고 사용자가 직접 모델을 적용할 수 있는지 직접 확인하실 수 있습니다.
	좋습니다. SEM은 요인 분석과 회귀 분석이 결합된 프레임워크이며 요인 분석 측면에서 측정 기능을 얻을 수 있습니다.
	직접 관찰할 수 없는 것도 포함되는데, 이를 잠재 변수라고 합니다.
	회귀 분석 측면에서 우리는 변수 간의 관계를 살펴볼 수 있습니다. 변수가 관찰되었는지, 관찰되지 않았는지에 관계없이 말입니다. 두 가지를 합치면 SEM이 나오는데, 상상할 수 있듯이 이는 모든 종류의 다른 모델을 적용할 수 있는 매우 유연한 프레임워크입니다.
	경로 다이어그램은 SEM에서 매우 유용한 도구이며 그 이유는 방정식 시스템이 상당히 복잡할 수 있기 때문입니다.
	실제로 이 다이어그램을 통해 표현할 수 있습니다. 따라서 다이어그램을 그리는 방법과 해석하는 방법을 아는 한,
	그러면 우리는 그것들을 유리하게 활용할 수 있습니다. 여기 직사각형이 있는데, 이것들은 관측된 변수를 표현하는 데에만 사용됩니다.
	원은 잠재 변수를 나타내는 데 사용되고, 양방향 화살표는 분산과 공분산을 나타내는 데 사용되며, 한쪽 화살표는 회귀 또는 로딩 효과를 나타냅니다.
	경로 다이어그램에서 자주 사용되는 또 다른 기호가 있는데, 오늘 우리가 이야기하려는 내용의 범위를 벗어나는 내용입니다.
	하지만 혹시라도 그런 그림을 보게 된다면, 그것이 삼각형이라는 것을 꼭 알려드리고 싶습니다. 삼각형은 평균과 절편을 나타내는 데 사용되므로, 다양한 흥미로운 모델을 적용할 수 있습니다.
	여기서 우리는 데이터의 평균 구조를 모델링하고 있습니다. 하지만 오늘은 이에 대해 이야기할 시간이 없습니다.
	이제 경로 다이어그램에 관해서 생각해 보면 구성 요소가 무엇인지 생각하는 것이 유용하다고 생각합니다.
	SEM 모델을 사용하여 복잡한 모델을 구축할 수 있습니다. 그중 하나가 단순 선형 회귀 분석입니다. 보시다시피, 여기
	Y가 X에 대해 회귀하는 선형 회귀입니다. 그리고 X와 Y가 모두 이 사각형, 이 상자 안에 있는 것은 관찰 변수이기 때문입니다.
	그리고 우리는 회귀 효과를 나타내기 위해 한 개의 화살표를 사용하고 동일한 변수에서 시작하고 끝나는 두 개의 화살표를 사용합니다.
	이 경우에는 X의 분산을 나타내고, Y의 경우에는 Y의 잔차 분산을 나타냅니다. 양쪽으로 향하는 화살표가 한 변수에서 시작해서 다른 변수에서 끝난다면, 그것은 공분산입니다.
	SEM에서는 어떤 변수든 결과이자 예측 변수가 될 수 있습니다. 따라서 이 경우, 세 번째 변수 Z가 있고 Y가 Z를 예측한다면 Y도 예측 변수 역할을 할 수 있습니다.
	따라서 우리는 순차적 효과, 이러한 유형의 순차적 회귀 분석을 필요한 만큼 데이터에 따라 구축할 수 있습니다.
	또 다른 구성 요소는 확인적 요인 모델이 될 것입니다. 기본적으로 다음과 같습니다.
	SEM에서 잠재 변수를 지정하는 방식입니다. 이 특정 예는 매우 간단한 단일 요인, 단일 잠재 변수입니다.
	관찰되지 않은 잠재 변수를 원이 나타내는 확인적 요인 모형입니다.
	그리고 잠재 변수에는 우리가 관찰하는 변수, 즉 W, X, Y를 가리키는 일방향 화살표가 있다는 점에 유의하세요.
	그리고 그 변수가 사각형을 가리키는 이유는 요인 분석에서 잠재 변수가 W, X, Y에서 관찰되는 공통적인 변동성을 일으킨다는 아이디어이기 때문입니다.
	그리고 이것은 우리가 주성분을 생각할 때 종종 혼동되기 때문에 이해하는 것이 정말 중요합니다.
	성분 분석 관점에서요. 그래서 저는 이것이 요인 분석 관점에서 잠재 변수와 PCA 관점에서 성분을 구분하는 좋은 기회라고 생각합니다. 그래서 그 차이점을 설명하기 위해 약간 다른 방향으로 가보겠습니다.
	이 이미지에서 사각형은 우리가 측정한 변수, 즉 관찰된 변수를 나타냅니다. 그리고 제가 이렇게 다른 양의
	해당 변수에 파란색 음영을 적용하여 측정하고자 하는 것, 즉 신호의 종류, 계측기로 측정하고자 하는 것에 따른 분산의 비율을 나타냅니다.
	회색으로 표시된 영역은 다른 분산 원인으로 인한 분산의 비율입니다. 측정 오차를 포함할 수 있지만, 체계적인 분산도 포함될 수 있습니다.
	각 측정 도구마다 고유합니다.
	따라서 요인 분석의 경우 잠재 변수는 관찰된 변수들 전반에 걸쳐 공통적으로 나타나는 변동성을 모두 포착합니다. 그래서 우리는 잠재 변수를 나타내기 위해 이 단색 파란색을 사용합니다.
	이는 차원 축소가 목표인 주성분 분석과는 대조적입니다. 따라서 PCA에서는 성분이 분산의 최대치를 설명하게 됩니다.
	데이터의 차원에서. 즉, 그 주성분은 종종 무엇으로 인한 분산의 조합이 될 것입니다.
	우리가 측정하고자 했던 것뿐만 아니라 다른 분산의 원천에 대해서도 마찬가지입니다. 좋습니다. 다시 한번, 이 그림은 인과적 가정, 즉 잠재 변수가
	관찰 변수의 지표에 변동성이 생긴다는 가설이 있었고, 그래서 일방향 화살표가 관찰 변수를 가리키는 것입니다. 하지만 PCA에서는 그렇지 않습니다.
	알겠습니다. SEM에서 잠재 변수에 대해 이야기할 때 이것이 유용한 구별이라고 생각합니다.
	우리가 종종 이야기하는 것은 요인 분석 관점에서 잠재 변수에 관한 것입니다.
	좋아요, 여기서는 이미 추정된 모델에 속하는 경로 다이어그램을 보여드리려고 합니다. 따라서 여기에 모든 값이 있습니다.
	이 화살표는 모두 모델에서 추정한 것이고, 이 다이어그램은 SEM을 사용하는 이유를 잘 보여주는 것 같습니다.
	첫째, 관찰되지 않은 변수가 있다는 것을 알 수 있습니다. 바로 여기서 갈등은 우리가 직접 관찰할 수 없는 추상적인 개념이므로, 관찰되는 것들을 활용하여 잠재 변수로 정의합니다. 이 경우, 갈등을 나타내는 세 가지 설문 문항이 있습니다.
	아시다시피, 관찰되지 않은 갈등 변수가 있죠. SEM에서 잠재 변수가 정의되는 방식인 측정 오류도 고려할 수 있습니다.
	이는 실제로 측정 오차를 고려하고 있다는 것을 보여줍니다. 왜냐하면 잠재 변수는 관찰된 모든 변수의 공통적인 분산만을 포착하기 때문입니다.
	또한 SEM에서 순차적 관계를 살펴볼 수 있다는 점에 주목하세요. 관찰되지 않은 갈등 변수가 있지만,
	아시죠, 이 지원 변수가 어떻게 일에 영향을 미치고, 이 일 변수가 다시 잠재 변수에 어떻게 영향을 미치는지 아십니까?
	그리고 궁극적으로, 관찰되지 않는 변수인 갈등이 어떻게 다른 모든 결과를 예측할 수 있는지 알아봅니다. 따라서 이러한 순차적 관계는 SEM에서 매우 유용하고 추정하기가 매우 쉽습니다.
	SEM을 사용하는 또 다른 좋은 이유는 JMP Pro에서 플랫폼이 누락된 데이터를 처리하기 위해 최첨단 기술을 사용하기 때문에 간단한 선형 회귀만 있고 실제로 필요한 것이 그것뿐이라 하더라도 누락된 데이터가 있는 경우입니다.
	SEM은 현재의 모든 정보가 추정에 사용되고 있는지 확인하므로 매우 유용할 수 있습니다.
	만약 이것이...
	지금까지 제가 말한 내용이 여러분의 관심을 끌고 SEM에 대해 더 많이 배우고자 계획한다면 의심할 여지 없이 많은 용어를 발견하게 될 것입니다.
	해당 분야에만 있는 특수 용어입니다. 다른 모든 것과 마찬가지로, 우리가 익숙해져야 할 전문 용어들이 있죠.
	그래서 이 그림은 그런 전문 용어들을 소개하는 데에도 유용합니다. 먼저, 우리는 관찰 변수 또는 측정 변수에 대해 이야기해 왔습니다.
	SEM에서는 이를 종종 명시적 변수라고 부릅니다. 잠재 변수는 앞서 논의한 바와 같이 존재합니다.
	하지만 우리는 또한 외생 변수에 대한 개념을 가지고 있는데, 이는 다른 변수만을 예측할 수 있는 변수입니다.
	여기 우리 모델에서는 두 가지 변수만 존재하며, 이는 내생 변수와 대조됩니다. 따라서 다른 모든 변수는 다른 변수가 이를 예측하기 때문에 내생 변수입니다.
	좋아요, 이것들은 내생 변수입니다. 잠재 변수 지표도 있는데, 이것들은 잠재 변수에 의해 발생하는 변수입니다.
	잠재 변수에 의해 설명되지 않는 잔차 분산을 고유성이라고 하며, 종종 고유 요인 분산이라고도 합니다. 따라서 이는 해당 변수에 고유한 체계적 분산과 측정 오차의 조합이라는 점을 기억하세요.
	사람들이 SEM을 배울 때 초점을 맞추는 방식을 바꾸는 것이 유용하다고 생각합니다.
	모델이 실제로 무엇을 하는지. 다시 말해, 우리가 공분산 구조의 다변량 분석을 하고 있다는 것을 깨닫는 것입니다.
	(또한 수단도 있지만 오늘은 수단에 대해 이야기하는 것이 아니라는 점을 기억하세요) 실제로 우리가 분석하고 있는 것이 구조라는 것을 깨닫는 것입니다.
	데이터의 공분산을 알면 SEM을 훨씬 더 쉽게 이해하는 데 도움이 됩니다.
	우리가 생각하는 데이터에 어떤 의미가 있기 때문이죠. 예를 들어, 각 행이 다른 관측값을 나타내고 각 열이 다른 변수를 나타내는 데이터 표가 있다고 가정해 보겠습니다.
	그리고 우리는 그 데이터를 사용하여 JMP에서 SEM 플랫폼을 출시할 수 있습니다.
	하지만 배경에서, 커튼 뒤에서 플랫폼이 하는 일은 해당 변수의 공분산 행렬을 살펴보는 것이고, 실제로 분석되는 것은 바로 그 데이터입니다.
	따라서 이는 잔차에도 영향을 미칩니다. SEM에서 잔차에 대해 생각할 때, 종종 우리가 분석하는 공분산 행렬을 기준으로 잔차를 고려합니다.
	이는 자유도에도 해당하며, 자유도는 이 공분산 행렬을 기준으로 합니다.
	그렇죠. SEM이 추정 측면에서 어떻게 작동하는지 간략하게 알려드리고 싶습니다.
	따라서 우리가 시작하는 방법은 모델을 지정하는 것입니다. 다행히도 JMP Pro에서는 매우 훌륭하고 친숙한 사용자 인터페이스가 있습니다.
	복잡한 방정식 시스템을 명시하거나 나열할 필요 없이, 경로 다이어그램을 통해 모델을 직접 지정할 수 있습니다. 특정 공분산 구조를 암시하는 경로 다이어그램을 간단히 그릴 수 있습니다.
	따라서 다이어그램은 데이터에 대한 공분산 구조를 의미하며 추정 중에 우리가 하는 일은 모델이 의미하는 바를 기반으로 샘플 공분산 행렬과 최대한 일치하는 모델 추정치를 얻으려고 노력하는 것입니다.
	기본적으로 제약 조건이 있습니다. 그리고 이러한 추정값을 구하면 이를 모델 내재 공분산 행렬에 대입하여 해당 값을 표본 공분산 행렬과 비교할 수 있습니다.
	그리고 두 행렬의 차이를 통해 모형의 적합도를 정량화할 수 있습니다. 따라서 잔차가 크다면, 두 공분산 행렬의 차이를 통해 모형 적합도가 좋지 않다는 것을 알 수 있습니다.
	좋습니다. 간단히 SEM의 작동 방식을 설명드리겠습니다. 이제 프레젠테이션의 다음 부분으로 넘어가서 데모에 사용할 데이터를 소개하겠습니다.
	실제 데이터와 실제 세계의 사례를 직접 접하면 새로운 개념을 더 쉽게 배울 수 있습니다.
	그래서 우리가 사용할 데이터는 실제로 Social, Psychological and Personality Science 저널에 최근에 게재된 기사에서 나온 것입니다. 이 기사는 2020년 여름에 출판되었습니다.
	저자들은 아주 간단한 질문에 답하고 싶었습니다. 바로 "코로나19에 대한 인식된 위협이 웰빙과 공중 보건 행동에 어떤 영향을 미치는가?"였습니다.
	간단한 질문입니다. 다만 COVID-19에 대한 인식된 위협이 완전히 새로운 개념이라는 점을 제외하면요. 아주 추상적인 개념이죠.
	아시다시피, COVID-19의 인식된 위협은 무엇이고 어떻게 측정할 수 있을까요? 이전에는 측정된 적이 없는 부분이기 때문에 저자들은 매우 신중하게 접근해야 했습니다.
	그들은 그러한 위협을 측정할 수 있는 설문조사를 개발한 연구를 수행했습니다. 그리고
	설문조사를 만드는 건 쉽지 않죠. 설문조사 질문이 신뢰할 수 있고 타당해야 합니다.
	그래서 그들은 그 과정을 거쳐야 했고, 우리는 잠시 후에 그들이 어떻게 그 일을 했는지 살펴보겠습니다.
	이제 그들의 연구에서 그들은 측정할 수 있는 위협이 두 가지 유형이 있다는 것을 발견했습니다. 그 중 하나는 현실적인 위협이라고 불리는 것입니다.
	우리의 재정적, 신체적 안전을 위협하는 것들.
	그리고 또 다른 유형의 위협은... 상징적 위협이라고 불렸습니다. 즉, 우리의 사회적, 문화적 정체성을 위협하는 것들이죠. 그리고 이 표본이 미국 인구를 대상으로 했다는 점도 중요합니다.
	1,000명이 넘는 개인이 참여했기 때문에 그들의 질문은 전적으로 미국 국민에게만 국한되었습니다.
	그리고 여기서 우리가 보는 것은, 실제로 통합된 COVID-19 위협 척도입니다. 세 가지 다른 연구를 거쳐 개발한 설문지입니다. 그래서 그들은 두 가지 위협이
	몇 가지 항목으로 측정할 수 있습니다. 연구진은 참가자들에게 코로나바이러스 발생이 개인의 건강, 나아가 미국 전체 인구의 건강에 얼마나 위협이 되는지, 그리고 위협이 있다면 얼마나 위협이 되는지에 대해 질문했습니다.
	개인의 재정적 안전 등에 대한 질문도 있었습니다. 그리고 상징적인 위협에 대한 질문은 다음과 같았습니다.
	이 바이러스가 미국인으로서의 의미, 미국의 가치와 전통, 그리고 미국 국민 전체의 권리와 자유 등에 얼마나 큰 위협이 되는지 생각해 보세요. 이러한 위협들이 무엇을 의미하는지 그 차이를 알 수 있습니다.
	그래서 저희는 이 데이터에 접근할 수 있었고, 그 데이터를 활용하여 매우 구체적인 질문에 답할 것입니다. 첫째, COVID-19 위협에 대한 이러한 인식을 어떻게 측정할 것인가를 살펴보고, 그들이 파악한 두 가지 위협에 집중할 것입니다.
	따라서 확인적 요인 분석과 측정 모델을 평가하여 설문조사의 질문이 실제로 신뢰할 수 있고 타당한지 확인하는 것에 대해 이야기해보겠습니다.
	우리가 탐색적 요인 분석이라는 매우 중요한 첫 번째 단계를 건너뛸 것이라는 점에 유의하십시오. 이것은 이전에 수행했던 작업입니다.
	SEM을 사용하는 거죠. 탐색적 요인 분석을 실행한 후, 이전 결과의 구조를 확인하기 위해 SEM을 활용합니다. 이 글의 저자들도 분명 그렇게 했지만, 여기서는 SEM을 사용하여 수행하는 단계에 초점을 맞추겠습니다.
	두 번째 질문은 COVID-19 위협에 대한 인식이 웰빙 지표와 공중 보건 행동을 예측하는가입니다. 따라서 이 질문은 SEM(주요 분석) 내에서 다중 회귀 분석과 경로 분석에 대한 논의로 이어질 것입니다.
	마지막 질문은 각 유형의 위협이 결과에 미치는 영향이 동일한가 하는 것입니다. 이를 통해 SEM의 매우 멋진 기능을 확인할 수 있는데, 이는 모델에 동등성 제약 조건을 설정하고 체계적인 모델 비교를 수행하여 이러한 유형의 질문에 답하는 것입니다.
	좋아요, 데모 시간이 되었는데, 저는 이미...한번 살펴보죠...
	어, 여기서 어떻게 나가나요?
	아직 질문할 시간이 아닙니다.
	그냥 화면을 종료하고 싶은데, 할 수가 없습니다.
	좋아요, 시작하겠습니다. 그러면...
	JMP에서 이미 데이터 테이블을 열어 두었습니다. 이 데이터는 열이 238개인데, 작성자가 요청했기 때문입니다.
	이 사례에서는 550명의 참가자로부터 다양한 질문이 나왔습니다. 이것은 그들이 진행한 세 가지 연구 중 하나입니다.
	그리고 처음 10개 질문, 제가 데이터에 가지고 있는 처음 10개 열은 우리가 위협 척도에서 본 10개 질문에 해당합니다.
	그래서 확인적 요인 분석을 할 때 먼저 사용할 분석 도구들이 있습니다. '분석'을 클릭하고, 다변량 분석법, 구조 방정식 모형을 선택하겠습니다.
	그리고 그 10개의 변수를 사용해서 모델 변수를 클릭한 다음, 확인을 클릭해서 플랫폼을 시작합니다.
	오른쪽에 경로 다이어그램이 있다는 것을 바로 알 수 있습니다.
	그리고 그 다이어그램에는 앞서 논의한 모든 특징이 이미 포함되어 있으므로 각 변수는 사각형 안에 표시되어 관찰 변수임을 나타냅니다.
	그리고 각각의 변수는 자체에서 시작하고 끝나는 양방향 화살표를 가지고 있어서 각 변수의 분산을 나타냅니다.
	이제 캔버스를 마우스 오른쪽 버튼으로 클릭하면 표시 메뉴가 나타나고 평균과 절편이 기본적으로 숨겨져 있는 것을 알 수 있습니다.
	나는 우리가 실제로 가지고 있다는 것을 보여주기 위해 이것을 클릭할 것입니다.
	이 모든 변수에서 기본적으로 추정된 값을 의미합니다. 따라서 이 변수들에 대해서는 다루지 않고 비밀로 유지하겠습니다. 하지만 알아두는 것이 중요하다고 생각합니다.
	플랫폼을 출시할 때 사용한 기본 모델은 모든 변수에 분산이 있고 평균이 추정된 모델입니다.
	이제 이것에 대하여
	탭에는 목록 탭이 있고, 그것을 클릭하면 다음과 같은 내용이 표시됩니다.
	다이어그램에 있는 것과 정확히 동일한 정보를 목록 형태로 제공합니다. 따라서 모든 매개변수 유형은 매개변수 유형에 따라 나뉩니다. 즉, 여기에는 모든 분산이 있고 저기에는 모든 평균이 있습니다.
	네, 상태 탭이 있는데, 이 탭은 기본적으로 현재 지정된 특정 모델에 대한 정보를 알려줍니다. 해당 모델에 대한 유용한 정보를 많이 제공합니다.
	데이터, 표본 크기, 자유도, 그리고 식별 규칙에 대한 세부 정보가 있습니다. 더 자세히 알고 싶으시면 클릭해서 확인해 보세요. 그러면...
	오른쪽에 간단한 설명이 있습니다.
	하지만 정말 유용한 점은 상태 탭의 이 아이콘이 우리가 하는 변경 사항과 우리가 사용하는 모델의 사양에 따라 끊임없이 변한다는 것입니다. 따라서 SEM을 고급으로 적용하는 경우,
	아이콘은 노란색일 수 있고, 심각한 오류나 중요한 실수가 있을 때는 주황색에 X 표시가 있는 아이콘으로 표시될 수 있습니다. 즉, 오류가 있음을 나타냅니다. 따라서 모델을 구체화할 때 오류를 파악하는 데 매우 유용할 수 있습니다.
	이제 사용자 인터페이스의 왼쪽에서 다음을 볼 수 있습니다.
	모델 이름을 지정하면 워크플로를 추적하는 데 매우 유용합니다. 또한 시작 및 종료 목록도 있습니다.
	따라서 이러한 목록은 한 방향 화살표나 두 방향 화살표를 사용하여 변수를 연결하는 매우 유용한 방법을 제공합니다.
	예를 들어, 이 두 모델을 연결하고 싶다면, 해당 버튼을 클릭하면 경로 다이어그램이 아주 빠르게 그려집니다. 모델을 지정하는 매우 효율적인 방법이죠.
	그래서 여기서 재설정을 클릭해서 플랫폼을 시작할 때의 모델로 돌아가려고 합니다. 하지만 시작 및 종료 목록은 기본적으로 다이어그램을 그리는 방법이라는 걸 알아두세요.
	좋습니다. 이 경우 관찰된 변수가 모두 여기에 나열되어 있지만, 잠재 변수를 지정하는 데 이 변수들을 사용하고 싶다는 것을 알고 있습니다.
	여기 처음 다섯 개의 변수는 현실적인 위협에 대한 설문 조사 항목에 해당하는 변수입니다. 따라서 모델에 잠재 변수를 추가하기 위해 아래로 내려가겠습니다.
	여기 아래 상자에 Latent1이라고 적혀 있고 이름을 Realistic으로 변경할 것입니다.
	이 다섯 가지 변수는 현실적인 위협 잠재 변수의 지표가 됩니다. 따라서 이 버튼을 클릭하면
	잠재 변수가 즉시 지정됩니다. 그리고 이 현실적인 위협 잠재 변수의 첫 번째 로딩 값이 1인 것을 알 수 있습니다...
	이 화살표 안에는 매개변수가 1로 고정되어 있다는 사실을 기본적으로 나타냅니다.
	이렇게 하는 이유는 잠재 변수의 크기를 설정해야 하기 때문입니다. 이러한 제약 조건이 없으면 모델을 식별할 수 없으므로
	기본적으로 우리는 잠재 변수의 첫 번째 로딩에 그 제약을 두게 될 것이지만, 또한 다음을 달성할 수도 있습니다.
	잠재 변수의 분산을 1로 고정하면 동일한 목적이 됩니다. 따라서 어떤 것을 선택할지는 선택 사항이지만 기본적으로 플랫폼은 첫 번째 로딩을 1로 고정합니다. 그렇다면 현실적인 위협 잠재 변수와 다른 5가지가 있습니다.
	여기 있는 변수들은 상징적 위협 질문에 해당하는 변수들입니다. 이 변수들을 선택하고 여기를 클릭하겠습니다. 'Symbolic'이라고 입력하고 더하기 버튼을 눌러 상징적 위협을 추가합니다.
	좋아요, 거의 다 됐네요. 하지만 이 모델은 현실적인 위협과 상징적인 위협이 서로 전혀 상관관계가 없다고 주장하는데, 이는 매우 강력한 가정입니다. 그래서 우리는 그런 가정을 하고 싶지 않습니다.
	대부분의 확인적 요인 모델은 잠재 변수가 서로 공변화되는 것을 허용하므로 여기서 잠재 변수를 선택하고 이 양방향 화살표를 클릭하여 두 노드를 연결할 수 있습니다.
	하지만 경로 다이어그램에서 직접 할 수도 있습니다. 잠재 변수를 마우스 오른쪽 버튼으로 클릭하고 '공분산 추가'를 클릭하면
	바로 거기에 공분산을 추가할 수 있습니다. 꽤 멋진 방법이죠. 목록을 사용할 수도 있고, 다이어그램에서 직접 할 수도 있습니다.
	원하는 대로 하세요. 이제 모델을 추정할 준비가 되었으니, 이름을 2-Factor CFA로 변경하고 실행해 보겠습니다.
	보시다시피, 매우 빠르게 추정값을 구하고 이를 다이어그램에 매핑했습니다. 정말 멋지죠. 하지만 결과를 해석하기 전에 이 모델 비교표에 집중해 보겠습니다.
	그 이유는 표가 모델의 적합도에 대한 많은 정보를 제공하기 때문에, 결과를 해석하기 전에 모델이 잘 적합한지 확인해야 하기 때문입니다.
	여기서 가장 먼저 눈여겨봐야 할 점은 이 표에는 세 개의 모델이 있고, 우리는 그 중 하나만 적용한다는 것입니다.
	세 가지 모델을 사용하는 이유는 처음 두 모델, 즉 제한 없는 모델과 독립 모델이 플랫폼을 출시할 때 기본적으로 적용되지 않기 때문입니다.
	그래서 우리는 실제로 좋은 적합 모델과 실제로 나쁜 적합 모델이 무엇인지에 대한 기준을 제공하기 위해 의도적으로 이러한 모델을 맞추고 이를 비교 프레임으로 사용합니다.
	저희가 지정한 모델을 사용합니다. 좀 더 구체적으로 설명하겠습니다. 예를 들어, 제한 없는 모델은 (경로 다이어그램을 통해 보여드리겠습니다) 다음과 같은 모델이 됩니다.
	제한 없는 모델은 모든 변수가 서로 공변할 수 있는 모델입니다.
	부적합도를 나타내는 카이제곱 통계량은 정확히 0인데, 그 이유는 이 모델이 데이터에 완벽하게 적합하기 때문입니다. 여기서 데이터는 실제로 데이터의 공분산 행렬이므로 자유도가 0인 이유는...
	데이터의 모든 분산과 공분산을 추정하기 때문에 자유도가 0입니다.
	그러니까 이게 최선의 시나리오인 거죠. 부적합은 없지만, 데이터로부터 가능한 모든 추정치를 추정하고 있습니다.
	스펙트럼의 반대편에는 정말 맞지 않는 모델이 있는데, 바로 독립 모델입니다. 경로 다이어그램을 보여드리면,
	여기서 우리는 분산만을 데이터의 평균으로 사용하는 기본 모델을 사용하는데, 이것이 바로 독립성 모델입니다. 그리고
	그것은 본질적으로 아무것도 다른 것과 공변하지 않는 모델이고, 그 모델에 대한 카이 제곱 통계량이 실제로 매우 크다는 것을 알 수 있습니다. 왜냐하면 많은 불일치가 있기 때문입니다. 그래서 거의 2000단위이지만, 우리는 가지고 있습니다.
	데이터에서 매우 적은 것을 추정하기 때문에 자유도가 45입니다. 다시 말해, 이 두 모델은 기본적으로
	스펙트럼의 양 극단이죠. 한쪽에는 정말 잘 맞는 모델이 있고, 다른 한쪽에는 정말 잘 맞지 않는 모델이 있는데, 이 정보를 이용해서 우리 모델을 다른 모델들과 비교할 수 있을 겁니다.
	그럼, 우리 모델을 살펴보면, 카이제곱 통계량이 0은 아니지만 147단위에 불과하다는 것을 알 수 있습니다. 이는 2000보다 훨씬 적은 수치입니다.
	자유도가 34이므로 약간의 부적합이 있습니다. 카이제곱 검정 결과를 보면 유의미한 카이제곱 통계량을 보이는데, 이는 데이터에 통계적으로 유의미한 부적합이 있음을 시사합니다.
	하지만 카이제곱 통계량은 표본 크기에 영향을 받으며, 이 경우 관측치는 550개입니다.
	일반적으로 300개 이상의 관찰치가 있는 경우 카이제곱 통계량뿐만 아니라 일부 특수한 통계량도 찾는 것이 매우 중요합니다.
	SEM에만 있는 적합성 지수를 사용하면 모델의 적합성을 정량화할 수 있으며, 값은 바로 여기에 있습니다.
	이 첫 번째 적합 지수를 비교 적합 지수라고 하며
	지수는 0에서 1까지이므로, 제한 없는 모형은 1을 가지고 있음을 알 수 있습니다. 이 모형이 가장 적합한 모형이고, 독립 모형은 0입니다. 왜냐하면 가장 적합하지 않은 모형이기 때문입니다. 실제로 이 모형의 CFI는 0.93, 약 0.94입니다.
	그리고 이는 독립 모델에서 개선된 비율을 나타냅니다. 다시 말해,
	저희 모델은 독립성 모델보다 약 94% 더 잘 적합하므로, 실제로 꽤 좋은 결과입니다. 그리고 일반적으로 CFI 값은 0.9 이상입니다. 1에 가까울수록 좋습니다.
	이제 근사치의 평균 제곱근 오차는 또 다른 적합 지수이지만,
	범위는 0에서 1까지이지만, 우리는 그 지수에서 아주 아주 낮은 값을 원합니다. 따라서 제한 없는 모델의 값은 0입니다.
	독립성 모형은 .27입니다. 일반적으로 허용되는 모형의 경우 .1 이하의 값을 원합니다. 저희 모형은 .07, 약 .08인데, 실제로는 꽤 좋습니다.
	이 특정 추정치에 대한 신뢰 구간도 있는데, 이 값들도 0.1 미만임을 알 수 있습니다. 따라서 이 모델은 잘 맞는 모델입니다. 모델이 데이터에 잘 맞는다는 것을 확인했다면, 이제 해석을 진행할 수 있습니다.
	이제 추정의 기본값으로 표준화되지 않은 매개변수 추정치를 보여드리겠습니다.
	하지만 요인 분석의 경우 표준화된 솔루션을 보는 것이 훨씬 더 유용하므로 캔버스에서 마우스 오른쪽 버튼을 클릭하고 표준화된 추정치를 표시하겠습니다.
	따라서 이제 여기의 값은 상관 관계 측정 항목에 있으므로 해당 값이 가능한 한 1에 가깝기를 원합니다.
	이는 관찰 변수와 잠재 변수의 상관관계를 나타내기 때문입니다. 그리고 현실적인 위협과 상징적인 위협 모두에서 값이 꽤 좋다는 점에 주목하세요.
	우리는 이 값이 약 0.4보다 더 낮아지기를 원하지 않으므로 이 값은 좋습니다. JMP Pro만의 매우 독특하고 유용한 또 다른 점은 여기 변수들이... 내생 변수인 모든 변수는
	예측자, 맞아요, 그걸 가리키고 있는데, 음영이 져 있어요.
	여기서 사각형 안에 약간의 회색이 있다는 점에 유의하세요. 따라서 음영은 예측 변수에 의해 설명된 분산의 양에 비례합니다.
	이를 통해 어떤 변수가 분산을 설명하는 데 매우 효과적인지 시각적으로 매우 빠르게 파악할 수 있습니다. 이 경우에는 다음 세 변수가
	가장 어두운 회색으로 채워져 있는데, 이는 상징적 위협 잠재 변수가 이 세 가지 관찰 변수의 분산을 설명하는 데 매우 효과적임을 시사합니다.
	또한 두 잠재 변수가 약 0.4의 상관관계를 가지고 있는 것을 볼 수 있는데, 이는 흥미로운 결과입니다.
	그리고 여기 빨간색 삼각형 메뉴에서 우리가 집중할 수 있는 모든 종류의 출력이 있지만 나는 특히 하나에 집중할 것입니다.
	'측정 모델 평가'라는 옵션이 있습니다. 여기서 우리는 구성개념의 신뢰성과 타당성을 정량화할 수 있는 많은 통계를 찾을 수 있습니다.
	그래서 여기를 클릭하면 이렇게 멋진 작은 대시보드가 ​​나타납니다. 그리고 여기 있는 첫 번째 정보는 다음과 같습니다.
	지표 신뢰도는 해당 설문조사의 각 질문에 대한 신뢰도를 정량화한 것이며, 이를 나타내는 그래프를 제공합니다.
	이 모든 값을 보여드리겠습니다. 그리고 여기에 빨간색 선이 있는데, 우리가 기대하는 임계값을 나타내는 거죠. 각 항목에서 최소한 그 정도의 신뢰도를 확보하고 싶습니다. 자,
	아시다시피, 이러한 유형의 임계값은 우리 자신의 비판적 사고로 해석되어야 합니다. 왜냐하면 분명히,
	아시다시피, 예를 들어 이 특정 항목은 임계값 아래에 있지만 여전히 임계값에 매우 가깝기 때문에 버리지 않을 것입니다. 여전히 고려할 수 있습니다.
	비교적 신뢰할 만하고, 여전히 이 잠재 변수의 좋은 지표입니다. 하지만 다시 말씀드리지만, 여기서 임계값을 해석할 때는 주의가 필요합니다.
	하지만 이 그래프에서 한 가지 분명한 점은 상징적 위협 잠재 변수가 현실적인 위협보다 더 신뢰할 수 있는 지표를 가지고 있다는 것입니다. 둘 다 꽤 훌륭하지만, 상징적 위협을 측정하는 것이 더 효과적입니다.
	오른쪽 값은 복합 변수의 신뢰도 계수입니다. 다시 말해, 잠재 변수 전체의 신뢰도를 정량화하며, 신뢰도에는 두 가지 유형이 있습니다.
	차이점에 대한 자세한 내용은 다루지 않겠지만, 이 값들이 0에서 1까지의 범위를 가지고 있으며, 우리는 이 값들이 가능한 한 1에 가깝기를 원합니다. 그리고 우리는 또한 제공합니다.
	알다시피, 우리가 원하는 최소한의 신뢰도를 나타내는 임계값을 가진 일부 플롯은 이 경우 현실적이고 상징적인 위협이 모두 좋은 신뢰도를 보입니다.
	그리고 여기서 우리가 가지고 있는 또 다른 시각화는 구성 타당성 행렬을 위한 것입니다.
	직접 볼 수 없는 것을 측정하려고 할 때 그것이 실제로 정확한지 알아내는 것이 매우 어렵다는 점을 명심하세요.
	측정하려는 것이 바로 그것입니다. 실제로 원하는 것을 측정하고 있나요? 그리고 이 정보를 통해 우리는 무엇을 판단할 수 있는지 알 수 있습니다.
	여기 시각화는 이 행렬의 상삼각행렬을 표현한 것인데, 각 값이 무엇을 나타내는지 간략하게 설명하겠습니다. 이 하삼각행렬에서...
	대각선 아래에는 잠재 변수 간의 상관관계가 있습니다. 약 0.4입니다. 대각선 항목은 추출된 분산의 평균량을 나타냅니다.
	잠재 변수가 지표에서 추출하는 값에서...를 얻습니다. 따라서 이 값들이 가능한 한 높게 설정되기를 원합니다.
	그리고 대각선 위에는 제곱 상관관계가 있습니다. 다시 말해, 잠재 변수들 간에 겹치는 분산의 양을 나타냅니다.
	따라서 이 행렬을 해석하는 핵심은 대각선의 값이 더 높아야 한다는 것입니다.
	대각선의 오른쪽 위에 있는 값보다 크고, 여기서 시각화를 통해 실제로 우리가 그렇게 한다는 것을 매우 쉽게 알 수 있습니다.
	대각선의 값이 위나 오른쪽보다 더 큽니다. 이는 구성타당도의 좋은 증거입니다.
	따라서 여기의 모든 것은 현실적이고 상징적인 위협이 실제로 존재한다는 것을 암시하고 있습니다.
	타당하고 신뢰할 수 있는 잠재 변수가 필요하며, 설문조사는 이 두 가지를 모두 측정하는 데 좋은 성과를 보이는 것으로 보입니다.
	따라서 다음 단계는 현실적인 위협을 나타내는 다섯 가지 질문을 모두 수집하고, 이 모든 질문에 대한 평균을 도출하는 것입니다.
	그러면 갑자기 현실적인 위협을 나타내는 하나의 지표가 생기겠죠. 그렇게 할 수도 있고, 상징적인 위협을 나타내는 다른 다섯 변수에도 같은 방식을 적용할 수 있을 겁니다.
	예를 들어 설명하자면, 저는 이미 그 변수들을 생성해 놓았습니다. 이제 다변량 분석법, 구조 방정식 모형을 분석해 보겠습니다. 그리고 그 변수들을 찾아보겠습니다.
	평균 변수입니다. 따라서 현실적이고 상징적인 위협은 각 변수의 열에 대한 평균입니다.
	그리고 저는 불안을 측정하는 방법이 있고, 부정적인 영향이나 부정적인 감정을 측정하는 방법도 있는 이런 것들을 추가로 모델링할 것입니다.
	마지막으로, 공중 보건 행동 준수에 대한 척도가 있는데, 이것도 모델링하고, 확인을 눌러 플랫폼을 시작하겠습니다.
	여기 다이어그램 버튼을 사용하면 사용자 지정 메뉴로 들어가 다이어그램의 다양한 부분을 변경할 수 있는데, 정말 정말 좋습니다. 지금은 다이어그램의 너비를 늘리는 데 집중하겠습니다...
	이것들의 너비
	변수들을 사용해서 노드 내부에 무엇이 있는지 읽을 수 있도록 합니다. 제가 할 일은 현실적인 위협과 상징적인 위협이 모두 이러한 흥미로운 결과의 예측 변수가 되는 모델을 맞추는 것입니다.
	불안, 부정적 감정, 그리고 공중 보건 행동에 대한 지표를 제시하고 있습니다. 따라서 예측을 구체화하기 위해 이 지표들을 일방향 화살표로 연결할 것입니다. 따라서 이러한 효과가 실제로 유의미한지 조사할 것입니다.
	이제 이 모델을 아직 완전히 지정하지 않았다는 점에 유의하십시오. 왜냐하면 이 특정 모델에서는
	현실적인 위협과 상징적인 위협 사이에는 연관성이 없으며 이는 이 두 가지가 동일하지 않다고 말하는 모델에 매우 강력한 제약이 될 것입니다.
	전혀 공변하지 않습니다. 따라서 예측 변수 간의 공분산과 결과의 잔차 분산 간의 공분산을 항상 포함해야 합니다.
	따라서 목록에서 직접 지정할 수 있습니다. 이 경우 이 메뉴에서 공분산 추가를 사용하고 현실적인 위협과 상징적 위협을 연결할 것입니다.
	또한 목록을 사용하여 이러한 결과의 잔차 간 공분산을 추가할 것입니다. 이제 우리는 완전히 정확하게 지정된 모델을 갖게 되었는데, 이를 경로 분석이라고 부르기도 하지만...
	기본적으로 회귀 모델을 동시에 모아 놓은 컬렉션이므로 이를 실행하려고 합니다.
	그리고 모델 비교 표에서 우리 모델에는 자유도가 없고 완벽한 카이 제곱을 가지며 카이 제곱은 0이라는 점에 유의하세요.
	그러나 본질적으로 자유도가 0이므로 모델을 테스트할 수 없다는 의미입니다.
	데이터에서 추출할 수 있는 모든 정보를 추출했기 때문입니다. 회귀 모델을 적합할 때 기본적으로 하는 일이 바로 이것입니다. 문제는 없지만, 이 카이제곱을 해석해서 "아, 내 모델이 정말 잘 맞는다"라고 말할 수는 없다는 점만 알아두세요.
	모델에서 추출할 수 있는 모든 것을 추출했기 때문에 잘 맞습니다. 어쨌든 회귀 모델과 같습니다.
	좋아요, 결과를 살펴보면, 해석할 수 있는 정말 중요한 정보가 아주 많은데, 몇 가지에 집중해 보겠습니다. 첫째,
	다이어그램이 완전히 상호 작용한다는 점에 주목하세요. 정말 멋지죠. 몇 가지 효과에 집중하기 위해 이리저리 옮겨 보겠습니다. 이 모델에서 분산과 공분산을 숨겨서 회귀 모델의 결과에 집중할 수 있도록 하겠습니다.
	경로 분석에서요. 그리고 여기서, 현실적인 위협과 상징적인 위협 모두 불안에 긍정적인 영향을 미친다는 점에 주목하세요.
	정말 흥미롭네요. 여기 화살표가 굵은 이유는 여기 매개변수 추정치 표에서 볼 수 있듯이 효과가 통계적으로 유의미하기 때문입니다. 만약 효과가 유의하지 않았다면,
	실제로 화살표는 점선 화살표로 표시됩니다. 따라서 경로 다이어그램은 많은 정보를 전달합니다. 따라서 불안에 유의미한 긍정적 영향을 미칩니다.
	물론 흥미로운 일이지만, 지금까지 우리가 한 일은 동시에 회귀 모델을 맞춘 것뿐입니다.
	그리고 실제로 데이터 테이블로 돌아가면 여기에 적합 모델에서 나온 스크립트가 있는데, 여기서 실제로 동일한 불안을 사용합니다.
	결과와 동일한 두 가지 예측 요인, 즉 현실적인 위협과 상징적 위협,
	다중 회귀 모형을 추정해 보겠습니다. 이 부분을 보여드리고 싶었던 이유는, 여기서 매개변수 추정값이 SEM에서 얻은 값과 정확히 동일하다는 점에 주목하시기 바랍니다.
	놀랄 일도 아닙니다. 사실 우리는 동시 회귀 분석을 하고 있으니까요. 지금까지는 다음과 같은 의문이 드실 겁니다.
	SEM은 무엇을 의미할까요? 기술적으로 이 세 가지 결과를 이용해 세 가지 별도의 적합 모델을 실행해도 지금까지 얻은 것과 동일한 정보를 얻을 수 있습니다.
	하지만 데이터가 누락된 경우에도 SEM을 사용해야 합니다. 그러면 행을 삭제하는 대신 모든 데이터를 사용할 수 있기 때문입니다.
	하지만 SEM을 활용하고 싶다면 꽤 흥미로운 추가 질문에도 답할 수 있을 겁니다.
	이 경우, 현실적인 위협이 불안에 미치는 영향이 통계적으로 더 큰지 궁금할 수 있습니다.
	상징적 위협이 불안에 미치는 영향보다 훨씬 더 큰 것 같습니다. 지금까지 우리는 두 변수 모두 0과 유의미하게 다르다는 것을 알고 있지만, 과연 서로 유의미하게 다를까요?
	SEM 플랫폼을 사용하면 이 질문에 답할 수 있습니다. 모델 사양 패널로 돌아가서 두 효과를 모두 선택할 수 있습니다. 여기 작업 버튼 위에는 '같게 설정' 버튼이 있습니다. 이 버튼을 누르면 약간의 효과가 나타나는 것을 볼 수 있습니다.
	여기에 두 효과가 모두 동일하게 설정됨을 의미하는 라벨이 있습니다. 두 효과는 하나로 추정됩니다. 따라서 여기서 이름을 '동일 효과'로 변경하고 이 모델을 실행하면 해당 특정 효과에 대한 적합도 통계를 얻을 수 있습니다.
	등식 제약 조건을 갖는 모델입니다. 이제 자유도가 1개 증가했으니, 갑자기 검증 가능한 모델이 생겼습니다.
	그리고 모델 비교 표를 사용하여 서로 비교하려는 두 모델을 선택하고, 선택한 모델 비교를 클릭해 선택을 취소할 수 있습니다.
	이제 우리는 카이 제곱 차이 검정을 얻었으므로 모델을 통계적으로 비교하고 우리의 불일치 양이 얼마인지 확인할 수 있습니다.
	모델에서 등식 제약 조건이 유도됩니다. 여기서 카이제곱 검정에서 약 8.6 단위이고, 이에 대한 p값이 유의미함을 알 수 있습니다. 따라서 이는 다음을 시사합니다.
	등식 제약 조건을 설정하면 모델에 상당한 부적합이 발생합니다. 또한 카이제곱이 표본 크기에 영향을 받는다는 것을 알고 있기 때문에,
	우리가 논의한 적합 지수와 CFI의 경우 일반적으로 이것이 .01 이상 증가하지 않기를 바랍니다.
	기껏해야 0.01 이상은 좋지 않습니다. RMSEA의 경우, 0.1보다 높으면 안 됩니다.
	따라서 여기의 모든 증거는 평등 제약 조건을 설정하면 모델 적합도가 현저히 떨어진다는 것을 시사합니다.
	즉, 가장 잘 맞는 모델로 돌아가면 이제 카이 제곱 차이 검정을 기반으로 다음과 같이 말할 수 있습니다.
	현실적인 위협이 불안에 미치는 영향은 상징적인 위협이 불안에 미치는 영향보다 훨씬 더 크다는 것이다.
	따라서 이런 유형의 질문은 이 모델의 다른 부분을 통해 해결할 수 있지만, SEM은 모델 내에서 다양한 효과의 동등성을 비교할 수 있게 하여 많은 유연성을 제공합니다.
	좋아요, 시간 관계상 이만 마무리하겠습니다. 지금까지 보여드리고 싶었던 건, 확인적 요인 모델을 살펴보았고,
	경로 분석은 다변량 회귀 분석을 하는 것이지만, 실제로는 두 개념을 하나의 모델에 모두 사용할 수 있습니다. 데이터 테이블에 이미 저장해 둔 스크립트가 있는데, 이 모델에서 제가 하는 작업은 다음과 같습니다.
	잠재 변수 추정. 설문지의 원본 항목을 사용하여 상징적 위협과 현실적 위협 모두에 대한 잠재 변수를 모델링하고 있습니다.
	따라서 이렇게 하면 열 전체에 걸쳐 평균을 생성하는 대신,
	실제로 잠재 변수를 모델링할 예정이며 이를 통해 회귀 효과를 얻을 수 있습니다. 잠재 변수 간의 이러한 모든 효과는 측정 오류로 인해 편향되지 않고 약화되지 않습니다.
	상징적이고 현실적인 위협에 대한 더 타당하고 순수한 척도입니다. 따라서 여기서는 순차적인 관계를 추정하고 있는데, 제 모델은 훨씬 더 복잡합니다.
	나는 모델의 세부 사항에 대해서는 언급하지 않을 것이지만 잠재 변수를 모델링하고 잠재 변수 간의 관계를 살펴보면 실제로 최상의 결과를 얻을 수 있다는 사실만 알고 있을 뿐입니다.
	SEM의 기능을 활용하면 잠재 변수 간의 연관성을 통해 더 나은 추정치를 얻을 수 있습니다.
	모델에 대해서요. 제가 실제로 이 모델을 추정했는데, 결과는 여기 아래에서 보실 수 있습니다. 그리고 여기 보시다시피, 몇 개의 모서리가...
	점선 화살표가 있는 것은 이러한 효과가 크지 않음을 나타냅니다. 또한 음영 처리 시각화가 얼마나 강력한지 확인할 수 있습니다.
	공중 보건 행동 준수의 분산이 어느 정도입니다. 그리고 우리는 다른 어떤 결과보다 긍정적 영향에 대한 분산을 더 잘 설명하고 있는 것 같습니다. 다시 한번 말씀드리자면,
	기본적으로 두 세계의 장점을 모두 누리는 것이죠. 잠재 변수를 지정할 수 있고, 우리 플랫폼을 사용하여 직접 모델링할 수도 있습니다.
	따라서 여기서 데모를 종료하고 JMP 커뮤니티 웹사이트에서 보충 자료를 볼 수 있다는 사실을 알려드리겠습니다.
	James Koepfler가 만들었습니다. 모델을 해석하는 방법, 모델 비교표 활용법 등에 대한 많은 팁을 담고 있는 정말 훌륭한 자료입니다.
	그리고 기본적으로 이 발표에서 여러분이 적고 싶었던 모든 노트는 보충 자료에서 확인하실 수 있습니다. 자, 이제 질문을 받을 준비가 되었습니다.

고급 통계 모델링기본 데이터 분석 및 모델링소비자 및 시장 조사실험 설계예측 모델링 및 머신 러닝품질 및 공정 엔지니어링신뢰성 분석결과 공유 및 전달