756793_zh-TW

liliconcom

使用 JMP 中的 SEM 平台評估冥想課程 (2021-US-30MP-897)

寶潔公司首席科學家 A Narayanan
寶潔公司首席永續發展科學家 Annie Weisbrod
寶潔公司人力資源專家馬克貝利

在新冠疫情期間，寶潔的工作重點包括三個面向：保障員工安全、服務消費者和顧客、支持社區。為了確保員工持續健康，我們開設了線上直播課程，教授冥想和抗壓性；該課程由公司內部開發，並在全球範圍內推廣。本文將從四個主要維度（抗壓性、同理心、壓力和正念）以及其他子維度來評估這項新冥想課程的影響。我們透過45個醫學問卷，在八週內調查了參與者的態度和行為變化。借助JMP 16中的SEM平台，我們測量了這些結構的量表屬性及其隨時間的變化，以評估冥想/正念課程的效果，尤其是在員工健康和生產力方面。到目前為止，我們的成果令人鼓舞。

自動產生的成績單...

揚聲器	抄本
尼古拉斯·謝爾頓	好的，錄音開始了，我將靜音，然後，當你準備好了，你就可以開始了。
	好的。
安妮·韋斯布羅德	大家好。我是安妮·韋斯布羅德。我和我的同事，寶潔公司的A·納拉亞南和馬克·貝利，將在這裡進行演講。
	使用 JMP SEM 平台評估冥想計劃。
	因此首先我想解釋一下我們為什麼要談論這個問題。
	因此寶潔
	優先事項，特別是在 COVID 期間，我們真正關注的是人們的健康。
	這是一個非常緊張的時期，原因有很多，一方面是疫情，另一方面是一些地區的社會動亂，供應鏈改變，有些地方物資短缺，
	改變我們的生活習慣、疾病、照顧他人。過去，我們的生活在許多方面都發生了顯著的變化。
	20個月，大約兩年。因此，在這段時間裡，保護寶潔員工的健康和福祉就變得更加重要。
	因此，我們一直關注的是如何幫助人們在工作時照顧好自己的身心健康，
	服務客戶、服務消費者，同時也支持我們所在的社區。我們制定了內部和外部項目，用於教育人們，並鼓勵他們實踐各種有益於健康的活動，希望能改善他們的健康。
	因此，隨著疫情的發生，我們不得不改變向個人和部門提供支援的方式。
	每個員工的情況都不一樣，
	無論是他們在公司所從事的工作類型、他們所居住的地點，或是與他們的健康或對其他家庭成員的照顧有關的個人環境。
	所以，我這幾年一直在一個實體場所進行線下授課。人們會來到教室，我會分享關於壓力、韌性和冥想的知識。現在我們都被迫轉向了直播。
	我的觀眾來自世界各地，許多觀眾來自不同的時區，使用不同的語言。我們也嘗試了直播技術，就像我們這次演講一樣。
	所以，當我們做出這些改變時，我們很好奇，這些健康項目的效果如何？這些內容和這種新的全球直播形式，會對心理健康和情緒健康領域產生什麼影響？
	我教一門名為「無冥想」的課程
	期望。這是一個為期八週的全球直播課程。我們每週上課一次，每次45分鐘。
	課程體驗性很強。一開始會有一個簡短的介紹，然後我們會在大部分課程中練習。
	然後，鼓勵參與者在本週剩餘時間練習這種方法。目標是讓人們更自給自足，更能運用個人正念。
	集中註意力、保持專注、保持韌性，
	同理心，以及減輕壓力，在較長時間內練習這些技巧。
	選擇這些練習是為了幫助我們提高對周遭發生的事情、我們的感受、我們在想什麼的認識，
	與壓力相關的不同面向以及我們如何減少壓力，以不同的方式對待這些體驗，以及如何提高快樂。
	我們透過幾種與洞察力、戒律和慈悲心相關的不同修行來做到這一點。所以，在八種不同的修行中，有幾種與活在當下有關。
	舉個例子，五感冥想，我們
	只是看到，只是聽到，只是
	聞一聞，嚐一嘗，
	感受皮膚上的感覺，就像「此刻來到」。我們也有與內省和感恩相關的練習。
	處理幹擾，因為我們總是會分心。心智只是在做它自己的事情，所以數數練習、咒語練習就是例子。我們也有與心相關的練習。
	所以這些非常古老的做法，慈愛
	施受法 (tonglen) 已有數千年歷史，源自亞洲文化，旨在實踐仁愛、關心他人、給予和接受。
	然後，最後，這是最後一個無選擇的意識。
	只是存在。
	無為，唯有存在。在禪宗中非常流行
	以從業者為例。過去一年，我們有超過1000人報名參加這些課程。大約50%的報名者完成了整整八週的課程，我們將分享一些統計數據。
	展示這些產品的實際功效。
	我們調查
	參與者在課程前和課程後的態度和行為。我們根據醫學標準提出了45個不同的問題。
	調查是自願和匿名的，我們主要關注以下四份標準問卷。第一份是五方面正念問卷。
	我們也使用人際反應指數，它與同理心有關，因此需要同理心的關注和採取不同的觀點。
	悲傷恢復力量表和感知壓力量表，這就是我們今天在演示中要關注的內容。
	這是最廣泛使用的問卷，涉及人們對壓力的感受、他們所處環境的壓力程度，以及任何
	減壓介入措施的有效性，例如這個冥想課程。因此，標準陳述和提出的問題都揭示了不可預測的
	人們覺得自己的處境是可控的還是不可控的，是否覺得負擔過重，以及他們認為自己無助的程度。
	他們對這種情況無能為力。
	或者他們的自我效能，他們對情況會改變以及自己能夠應對壓力有多大的信心。所以我們將重點放在其中兩個與超負荷感和失控感相關的分量表。
	我們有意關注壓力，不僅是為了演示，也是為了這些課程，因為它是當今世界上最危險的生活方式因素之一。
	許多組織正在製定綜合健康計劃，以應對各地發布的各種報告。世界衛生組織在過去十多年發現，慢性或未解決的壓力是首要的生活方式風險因素，超過了
	肥胖和缺乏體能活動是導致全世界身心慢性疾病的最大因素。
	所以
	好消息是，簡單總結一下結果，在這八週的時間跨度內，我們確實看到了顯著的成長。
	當我們第一次查看收到的數據時，我們只是簡單地看一下，我們確實看到正念的顯著提高，
	同理心、韌性，以及人們感知壓力的明顯減少。這很棒，我們很想對此進行更深入的研究，所以我聯繫了我的統計學合夥人，他會和你分享
	一些調查結果來自調查前後的配對回覆。現在，他將接手並向大家展示 JMP 的一些功能，這些功能是他根據調查結果進行改進的。
一個	謝謝你，安妮。
	你們看到我的螢幕了嗎？我看不到。
	嘿夥計們，我需要花點時間，但我不知道，這裡的事情進展不順利。
	謝謝你，安妮。大家好。我叫納拉亞南。
	我是寶潔公司高階消費者建模和統計部門的成員。今天我想分享一下
	來自安妮剛才描述的項目。所以我的議程將包含三個主題。我將討論因子模型最佳化，然後討論驗證性因子分析。
	優化因子模型。最後，我將討論縱向測量不變性。這很重要，因為我們想要測量潛在平均值隨時間的變化。所以，讓我們直接進入第一個主題。
	還有因子模型優化，我們為什麼要這麼做？原因……我想做這件事有兩個原因。首先是安妮提到的10個問題
	對於我們感興趣的測量的兩個構造來說，實際上並沒有進行最佳化。
	而且，我們的樣本量很小，我們希望確保前後不會有太多問題。
	這就是我們進行因子模型最佳化的兩個原因。為了做到這一點，我將藉鏡經典測試理論中的兩個想法。
	一是信度。信度實際上與測量的一致性有關。我們希望確保一個結構中的項目測量的是同一件事。信度有很多不同的測量方法。我在這裡要用的是
	信度係數，或者說克隆巴赫α值。你可以在那裡看到公式。我使用它的原因之一是，它可以在JMP的多元平台中使用選項信度來計算。
	現在一個
	這種方法的缺點是它假設所有變數或項目都同樣可靠。
	我們知道有些項目的可靠性與其他項目不同，在這種情況下我們可以使用平均方差提取器。
	那是什麼？為了解釋這一點，我將使用驗證性因子模型的路徑圖。我想描述這三個組成部分。
	頂部的那個，實際上是被圓圈包圍的，那是潛在變數。
	然後在底部，用矩形框起來的是指標，在這個例子中，有四個指標，它們都是利用這個潛在變數提出的大問題。
	然後有四個 Lambda 變量，它們實際上是給出每個指標強度的因子負荷
	利用這個構造。因此，提取的平均變異數是 Lambda 函數，並且
	誤差的方差，在底部。增量在底部。這是誤差
	成分。為了簡單起見，我們將它們視為測量誤差，而這些誤差的變異數也包含在提取的平均分數的計算中。
	如果你看一下公式，如果底部沒有誤差方差，則最大值將為 1，這就是我們想要的。
	所以
	另一個在測量信度方面也很有用的指標是項目信度，它其實就是指標對潛在變數每個迴歸的R平方。我們將在JMP中看到這一點。
	經典測試理論中第二個重要的概念是效度。效度關注的是變數是否能夠測量它應該測量的內容。同樣，這裡也有很多不同的
	效度的版本。我將重點討論的是區分效度，這與你測量的結構是否獨特和不同有關。
	好的，了解了這兩個概念後，我接下來會使用 JMP 來展示我們建模的一些細節。首先，我會對這 10 個問題進行探索性因素分析。
	關注壓力域。現在，在我的所有分析中，我將
	顯示分析結果。我不會一步一步地指導你，點擊操作，因為這會花費很長時間，而且這些操作在 JMP 中都有詳細的記錄。
	最大的一個，我們稱之為
	超載的成分，以及包含三個項目的較小成分，我們稱之為不可控。所以這是一個探索性因子分析，似乎支持兩個因子。
	我們想確認這一點，在我們的數據中確實如此，而且數據也會支持這一點。所以我將對同樣的10個問題進行驗證性因素分析。
	而我們可以看到，過載的元件連接了 7 個指標，而不可控的元件連接了 3 個指標。
	我們想看看這些數據……這個模型擬合數據的好壞程度。我們可以看到，卡方值…卡方值為44，自由度為34，不顯著，所以這個模型得到了資料的支持。
	我們希望在底部看到的另一件事是我提到的結構效度矩陣。
	此矩陣的對角線表示提取的平均變異數。我們可以看到，不可控因素的變異數相當高，而過載因素的變異數實際上很低。
	正交元素告訴你每個因子與其他因子共享的變異量。對於超載因子，這個方差
	不可控因素的因子份額實際上高於其自身指標的方差，如對角線所示。這並非我們想要的最佳化因子結構。
	而且，如果你去看看
	路徑圖與估計值，你實際上可以看到
	單一項目的可靠性，在這裡顯示
	這裡的矩形。你可以看到
	與超載因子成分相關的七個指標具有不同的項目可靠性，範圍從.277到.551。
	我們想選擇一些
	具有高可靠性。
	所以我們將使用項目可靠性的概念，
	區分效度實際上可以優化我們的因素。
	我要回去看看
	所有這些指標都放在一個表中。
	這張表的這兩個欄位包含了 Cronbach's alpha 值，還有刪除條目後 Cronbach's alpha 值的變化
	整個綜合指標的克朗巴赫α係數，以及最後一列的項目信度。因此，查看這個數字矩陣並優化因子的一種方法是選擇可靠性高的項目，這些項目可能是排名前三的。
	現在，在這種特殊情況下，我也喜歡使用
	這
	刪除條目後的 Cronbach's alpha 值。如果你看第三項，
	即使該產品具有第三高的
	專案可靠性，當我們看這一列時，我稱之為alpha delta，
	這是刪除該項後，整個綜合信度的變化。事實上，第三項的變化很大，因此我沒有選擇這一項，而是選擇了它下面的一項。
	因此，對於最佳化的因素解決方案，我將從第一個因素和第五個項目中選擇前兩個項目，然後對於第二個因素，不可控，我將選擇前兩個項目，因為第三個項目的項目可靠性非常低。
	因此，
	將因子解決方案從 10 個問題優化為 5 個，
	我將確認優化因子解決方案，並查看我們剛剛討論的所有指標的表現如何。
	因此，這是最佳化的因子解決方案，順序因子有三個指標，不可控因子有兩個指標，而且我們的模型可以更好地擬合數據，卡方為 2，自由度為 4，卡方值沒有被拒絕。
	然後我們下去
	並查看區分效度。現在，透過最佳化因子解決方案，你可以看到超載的變異數實際上增加了
	它與不可控變數共享的變異數減小了。因此，正交值小於對角線上的值，這正是我們想要支援的
	區分效度。透過最佳化解決方案，我們實現了區分效度，並且得到了比最初 10 個問題更好的模型。
	好的，我們已經優化了我們的因子解決方案。
	下一步是做測量模型不變性。
	讓我們回顧一下我們現在的處境。我們已經看到了很多不同的表格和分析。我們
	同理心、壓力、適應力和正念。
	我們將只關注壓力。我們這裡主要想回答的問題是，潛在變數的平均分數是否有提高
	八週計劃期間從前期到後期如何？
	為了證明這一點，我們必須先證明縱向測量不變性。
	那是什麼？事實上，我最近才了解到這一點，所以我在這裡推薦 JMP 開發人員 Laura Schilo 和 Paul Russo 撰寫的一篇優秀論文。
	在最新一期的《結構方程模型》中，他們詳細介紹了 JMP 的所有不同功能，包括縱向測量不變性。
	縱向測量不變性的想法是確保潛在變數的意義不會隨時間而改變。
	在計算潛在變數的平均變化之前，我們要確保在開始和結束時測量的是相同的值。為了做到這一點，需要四個步驟。
	這實際上是四種不同的模型。第一種是配置模型，其限制最少，但因子數量和載入模式相同。
	第二個是弱不變性模型，我們增加了一些限制。我們稍微收緊了一些限制，並提出一個問題：這個模型是否仍受支持？
	然後我們再進一步收緊，並在此基礎上，如果我強制執行專案攔截的品質會怎麼樣？最後，
	螺絲上的最後一根螺紋，如果我們添加項目差異並將這些差異的品質放在兩個時間點上會怎麼樣？
	所以，關於如何一步步操作的細節，都包含在我剛才提到的那篇文章裡。我這裡只展示結果。
	哎呀。
	因此在這個
	路徑圖，我正在展示
	超負荷和不可控這兩個因素在調查前和調查後階段都存在。因此，我們既有超負荷的預調查，也有不可控的預調查，而調查後也存在同樣的情況。
	超載由三項解釋，而無法控制則與兩項相關。現在，這裡的字母是不同的
	對模型施加的約束。例如，C3
	從超負荷到專案「感到緊張和有壓力」為前
	被約束為與帖子中的同一項相等。這是我們對模型施加的約束的一部分，以確保這些約束得到支持。
	因此，字母表示對模型施加的不同約束，並且這些估計值是相等的。同樣地，
	等價項的截距也相等，
	這表明
	一個。

進階統計建模基礎資料分析與建模消費者與市場研究數據探索與視覺化預測模型和機器學習品質與工藝工程可靠度分析分享和交流成果