756793_zh-CN

liliconcom

使用 JMP 中的 SEM 平台评估冥想课程 (2021-US-30MP-897)

宝洁公司首席科学家 A Narayanan
宝洁公司首席可持续发展科学家 Annie Weisbrod
宝洁公司人力资源专家马克·贝利

在新冠疫情期间，宝洁的工作重点包括三个方面：保障员工安全、服务消费者和客户以及支持社区。为了确保员工持续健康，我们开设了在线直播课程，教授冥想和抗压能力；该课程由公司内部开发，并在全球范围内推广。本文将从四个主要维度（抗压能力、同理心、压力和正念）以及其他子维度来评估这项新冥想课程的影响。我们通过45个医学问卷，在八周内调查了参与者的态度和行为变化。借助JMP 16中的SEM平台，我们测量了这些结构的量表属性及其随时间的变化，以评估冥想/正念课程的效果，尤其是在员工健康和生产力方面。迄今为止，我们的成果令人鼓舞。

自动生成的成绩单...

扬声器	抄本
尼古拉斯·谢尔顿	好的，录音开始了，我将静音，然后，当你准备好了，你就可以开始了。
	好的。
安妮·韦斯布罗德	大家好。我是安妮·韦斯布罗德。我和我的同事，宝洁公司的A·纳拉亚南和马克·贝利，将在这里进行演讲。
	使用 JMP SEM 平台评估冥想计划。
	因此首先我想解释一下我们为什么要谈论这个问题。
	因此宝洁
	优先事项，特别是在 COVID 期间，我们真正关注的是人们的健康。
	这是一个非常紧张的时期，原因有很多，一方面是疫情，另一方面是一些地区的社会动乱，供应链发生改变，有些地方物资短缺，
	改变我们的生活习惯、疾病、照顾他人。过去，我们的生活在很多方面都发生了显著的变化。
	20个月，大约两年。因此，在这段时间里，保护宝洁员工的健康和福祉就变得更加重要。
	因此，我们一直关注的是如何帮助人们在工作时照顾好自己的身心健康，
	服务客户、服务消费者，同时也支持我们所在的社区。我们制定了内部和外部项目，用于教育人们，并鼓励他们实践各种有益于健康的活动，希望能改善他们的健康。
	因此，随着疫情的发生，我们不得不改变向个人和部门提供支持的方式。
	每个员工的情况都不一样，
	无论是他们在公司所从事的工作类型、他们所居住的地点，还是与他们的健康或对其他家庭成员的照顾相关的个人环境。
	所以，我这几年一直在一个实体场所进行线下授课。人们会来到教室，我会分享关于压力、韧性和冥想的知识。现在我们都被迫转向了直播。
	我的观众来自世界各地，很多观众来自不同的时区，使用不同的语言。我们也尝试了直播技术，就像我们这次演讲一样。
	所以，当我们做出这些改变时，我们很好奇，这些健康项目的效果如何？这些内容和这种新的全球直播形式，会对心理健康和情绪健康领域产生什么影响？
	我教一门名为“无冥想”的课程
	期望。这是一个为期八周的全球直播课程。我们每周上课一次，每次45分钟。
	课程体验性很强。一开始会有一个简短的介绍，然后我们会在大部分课程中进行练习。
	然后，鼓励参与者在本周剩余时间里练习这种方法。目标是让人们更加自给自足，更好地运用个人正念。
	集中注意力、保持专注、增强适应力，
	同理心，以及减轻压力，在较长时间内练习这些技能。
	选择这些练习是为了帮助我们提高对周围发生的事情、我们的感受、我们在想什么的认识，
	与压力相关的不同方面以及我们如何减少压力，以不同的方式对待这些体验，以及如何提高快乐。
	我们通过几种与洞察力、戒律和慈悲心相关的不同修行来做到这一点。所以，在八种不同的修行中，有几种与活在当下有关。
	举个例子，五感冥想，我们
	只是看到，只是听到，只是
	闻一闻，尝一尝，
	感受皮肤上的感觉，就像“此刻来到”一样。我们也有与内省和感恩相关的练习。
	处理干扰，因为我们总是会分心。心智只是在做它自己的事情，所以计数练习、咒语练习就是例子。我们也有与心相关的练习。
	所以这些非常古老的做法，慈爱
	施受法 (tonglen) 已有数千年历史，源自亚洲文化，旨在实践仁爱、关心他人、给予和接受。
	然后，最后，这是最后一个无选择的意识。
	只是存在。
	无为，唯有存在。在禅宗中非常流行
	以从业者为例。过去一年，我们有超过1000人报名参加这些课程。大约50%的报名者完成了整整八周的课程，我们将分享一些统计数据。
	展示这些产品的实际功效。
	我们调查
	参与者在课程前和课程后的态度和行为。我们根据医学标准提出了45个不同的问题。
	调查是自愿和匿名的，我们主要关注以下四份标准问卷。第一份是五方面正念问卷。
	我们还使用人际反应指数，它与同理心有关，因此需要同理心的关注和采取不同的观点。
	悲伤恢复力量表和感知压力量表，这就是我们今天在演示中要关注的内容。
	这是最广泛使用的问卷，涉及人们对压力的感受、他们所处环境的压力程度，以及任何
	减压干预措施的有效性，比如这个冥想课程。因此，标准陈述和提出的问题都揭示了不可预测的
	人们感觉自己的处境是可控的还是不可控的，是否感觉负担过重，以及他们认为自己无助的程度如何。
	他们对这种情况无能为力。
	或者他们的自我效能，他们对情况会改变以及自己能够应对压力有多大的信心。所以我们将重点关注其中两个与超负荷感和失控感相关的分量表。
	我们有意关注压力，不仅是为了演示，也是为了这些课程，因为它是当今世界上最危险的生活方式因素之一。
	许多组织正在制定综合健康计划，以应对各地发布的各种报告。世界卫生组织在过去十多年里发现，慢性或未解决的压力是首要的生活方式风险因素，超过了
	肥胖和缺乏体育锻炼是导致全世界身心慢性疾病的最大因素。
	所以
	好消息是，简要总结一下结果，在这八周的时间跨度内，我们确实看到了显着的增长。
	当我们第一次查看收到的数据时，我们只是简单地看一下，我们确实看到正念的显着提高，
	同理心、韧性，以及人们感知压力的明显减少。这很棒，我们很想对此进行更深入的研究，所以我联系了我的统计学合伙人，他会和你分享
	一些调查结果来自调查前后的配对回复。现在，他将接手并向大家展示 JMP 的一些功能，这些功能是他根据调查结果进行改进的。
一个	谢谢你，安妮。
	你们看到我的屏幕了吗？我看不到。
	嘿伙计们，我需要花点时间，但我不知道，这里的事情进展不顺利。
	谢谢你，安妮。大家好。我叫纳拉亚南。
	我是宝洁公司高级消费者建模和统计部门的成员。今天我想分享一下
	来自安妮刚才描述的项目。所以我的议程将包含三个主题。我将讨论因子模型优化，然后讨论验证性因子分析。
	优化因子模型。最后，我将讨论纵向测量不变性。这很重要，因为我们想要测量潜在均值随时间的变化。所以，让我们直接进入第一个主题。
	还有因子模型优化，我们为什么要这么做？原因……我想做这件事有两个原因。首先是安妮提到的10个问题
	对于我们感兴趣的测量的两个构造来说，实际上并没有进行优化。
	而且，我们的样本量很小，我们希望确保前后不会出现太多问题。
	这就是我们进行因子模型优化的两个原因。为了做到这一点，我将借鉴经典测试理论中的两个思想。
	一是信度。信度实际上与测量的一致性有关。我们希望确保一个结构中的项目测量的是同一个事物。信度有很多不同的测量方法。我在这里要用的是
	信度系数，或者说克隆巴赫α值。你可以在那里看到公式。我使用它的原因之一是，它可以在JMP的多元平台中使用选项信度来计算。
	现在一个
	这种方法的缺点是它假设所有变量或项目都同样可靠。
	我们知道有些项目的可靠性与其他项目不同，在这种情况下我们可以使用平均方差提取器。
	那是什么？为了解释这一点，我将使用验证性因子模型的路径图。我想描述一下这三个组成部分。
	顶部的那个，实际上是被圆圈包围的，那是潜在变量。
	然后在底部，用矩形框起来的是指标，在这个例子中，有四个指标，它们都是利用这个潜在变量提出的大问题。
	然后有四个 Lambda 变量，它们实际上是给出每个指标强度的因子载荷
	利用这个构造。因此，提取的平均方差是 Lambda 函数，并且
	误差的方差，在底部。增量在底部。这是误差
	成分。为了简单起见，我们将它们视为测量误差，并且这些误差的方差也包含在提取的平均评分的计算中。
	如果你看一下公式，如果底部没有误差方差，则最大值将为 1，这就是我们想要的。
	所以
	另一个在测量信度方面也很有用的指标是项目信度，它实际上就是指标对潜变量每个回归的R平方。我们将在JMP中看到这一点。
	经典测试理论中第二个重要的概念是效度。效度关注的是变量是否能够测量它应该测量的内容。同样，这里也有很多不同的
	效度的版本。我将重点讨论的是区分效度，这与你测量的结构是否独特和不同有关。
	好的，了解了这两个概念后，我接下来会使用 JMP 来展示我们建模的一些细节。首先，我会对这 10 个问题进行探索性因子分析。
	关注压力域。现在，在我的所有分析中，我将
	显示分析结果。我不会一步一步地指导你，点击操作，因为这会花费很长时间，而且这些结果在 JMP 中都有详细的记录。
	最大的一个，我们称之为
	超载的成分，以及包含三个项目的较小成分，我们称之为不可控。所以这是一个探索性因子分析，似乎支持两个因子。
	我们想确认这一点，在我们的数据中确实如此，并且数据也会支持这一点。所以我将对同样的10个问题进行验证性因素分析。
	并且我们可以看到，过载的组件连接了 7 个指标，而不可控的组件连接了 3 个指标。
	我们想看看这些数据……这个模型拟合数据的好坏程度。我们可以看到，卡方值……卡方值为44，自由度为34，不显著，所以这个模型得到了数据的支持。
	我们希望在底部看到的另一件事是我提到的结构效度矩阵。
	该矩阵的对角线表示提取的平均方差。我们可以看到，不可控因素的方差相当高，而过载因素的方差实际上很低。
	正交元素告诉你每个因子与其他因子共享的方差量。对于超载因子，这个方差
	不可控因素的因子份额实际上高于其自身指标的方差，如对角线所示。这并非我们想要的优化因子结构。
	而且，如果你去看看
	路径图与估计值，你实际上可以看到
	单个项目的可靠性，在这里显示
	这里的矩形。你可以看到
	与超载因子成分相关的七个指标具有不同的项目可靠性，范围从.277到.551。
	我们想选择一些
	具有高可靠性。
	所以我们将使用项目可靠性的概念，
	区分效度实际上可以优化我们的因素。
	我要回去看看
	所有这些指标都放在一个表中。
	这张表的这两列包含了 Cronbach's alpha 值，还有删除条目后 Cronbach's alpha 值的变化
	整个综合指标的 Cronbach's alpha 值，以及最后一列的项目信度。因此，查看这个数字矩阵并优化因子的一种方法是选择信度高的项目，这些项目可能是排名前三的。
	现在，在这种特殊情况下，我也喜欢使用
	这
	删除条目后的 Cronbach's alpha 值。如果你看第三项，
	即使该产品具有第三高的
	项目可靠性，当我们看这一列时，我称之为alpha delta，
	这是删除该项后，整个综合指标的信度变化。事实上，第三项的变化很大，因此我没有选择这一项，而是选择了它下面的一项。
	因此，对于优化的因素解决方案，我将从第一个因素和第五个项目中选择前两个项目，然后对于第二个因素，不可控，我将选择前两个项目，因为第三个项目的项目可靠性非常低。
	因此，
	将因子解决方案从 10 个问题优化为 5 个，
	我将确认优化因子解决方案，并查看我们刚刚讨论的所有指标的表现如何。
	因此，这是优化的因子解决方案，顺序因子有三个指标，不可控因子有两个指标，而且我们的模型可以更好地拟合数据，卡方为 2，自由度为 4，卡方值没有被拒绝。
	然后我们下去
	并查看区分效度。现在，通过优化因子解决方案，你可以看到超载的方差实际上增加了
	它与不可控变量共享的方差减小了。因此，正交值小于对角线上的值，这正是我们想要支持的
	区分效度。通过优化解决方案，我们实现了区分效度，并且得到了比最初 10 个问题更好的模型。
	好的，我们已经优化了我们的因子解决方案。
	下一步是做测量模型不变性。
	让我们回顾一下我们现在的处境。我们已经看到了很多不同的表格和分析。我们
	同理心、压力、适应力和正念。
	我们将只关注压力。我们这里主要想回答的问题是，潜在变量的平均得分是否有所提高
	在为期八周的计划期间从前期到后期？
	为了证明这一点，我们必须首先证明纵向测量不变性。
	那是什么？事实上，我最近才了解到这一点，所以在这里推荐一下 JMP 开发人员 Laura Schilo 和 Paul Russo 撰写的一篇优秀论文。
	在最新一期的《结构方程模型》中，他们详细介绍了 JMP 的所有不同功能，包括纵向测量不变性。
	纵向测量不变性的思想是确保潜在变量的含义不会随时间而改变。
	在计算潜在变量的平均变化之前，我们要确保在开始和结束时测量的是相同的值。为了做到这一点，需要四个步骤。
	这实际上是四种不同的模型。第一种是配置模型，其限制最少，但因子数量和加载模式相同。
	第二个是弱不变性模型，我们增加了一些限制。我们稍微收紧了一些限制，并提出一个问题：这个模型是否仍然受支持？
	然后我们再进一步收紧，并在此基础上，如果我强制执行项目拦截的质量会怎么样？最后，
	螺丝上的最后一根螺纹，如果我们添加项目差异并将这些差异的质量放在两个时间点上会怎么样？
	所以，关于如何一步步操作的细节，都包含在我刚才提到的那篇文章里。我这里只展示结果。
	哎呀。
	因此在这个
	路径图，我正在展示
	超负荷和不可控这两个因素在调查前和调查后阶段都存在。因此，我们既有超负荷的预调查，也有不可控的预调查，而调查后也存在同样的情况。
	超载由三项解释，而无法控制则与两项相关。现在，这里的字母是不同的
	对模型施加的约束。例如，C3
	从超负荷到项目“感到紧张和有压力”为前
	被约束为与帖子中的同一项相等。这是我们对模型施加的约束的一部分，以确保这些约束得到支持。
	因此，字母表示对模型施加的不同约束，并且这些估计值是相等的。同样地，
	等价项的截距也相等，
	这表明
	一个。

高级统计建模基础数据分析与建模消费者和市场研究数据探索与可视化预测模型和机器学习质量与工艺工程可靠性分析分享和交流结果