| Oratore |
Trascrizione |
| Laura Castro-Schilo |
Ciao a tutti. Benvenuti. Questa sessione è interamente dedicata all'ABC della modellazione delle equazioni strutturali e quello che cercherò di fare è lasciarvi abbastanza strumenti per sentirvi a vostro agio. |
| |
per specificare modelli e interpretare i risultati dei modelli di adattamento utilizzando la piattaforma di modellazione di equazioni strutturali e JMP Pro. |
| |
Ora quello che faremo è iniziare a darvi un'introduzione su cosa sia la modellazione delle equazioni strutturali e in particolare sui collegamenti che ha con l'analisi fattoriale e l'analisi di regressione. |
| |
E poi parleremo un po' di come i diagrammi di percorso vengono utilizzati nel SEM e del loro importante ruolo all'interno di questo framework di modellazione. |
| |
Cercherò di essere breve in questa introduzione in modo da poter dedicare più tempo agli esempi pratici. Dopo l'introduzione, presenterò i dati che userò per la dimostrazione. A quanto pare, questi dati sono |
| |
sulla percezione delle minacce del virus Covid-19. Quindi, dopo aver introdotto questi dati, |
| |
inizieremo a esaminare come specificare i modelli e interpretare i loro risultati all'interno della piattaforma, in particolare rispondendo a |
| |
Alcune domande. Ora, queste domande ci permetteranno di toccare due tecniche molto importanti che possono essere eseguite con un SEM. Una è l'analisi fattoriale confermativa e la regressione multivariata. |
| |
E per concludere, vi mostrerò solo una breve |
| |
modello in cui riuniamo sia il modello fattoriale confermativo, sia i modelli di regressione e in questo modo puoi realmente vedere il potenziale che SEM ha per utilizzarlo con i tuoi dati per il tuo lavoro. |
| |
Bene, cos'è la SEM? La modellazione di equazioni strutturali è un framework in cui l'analisi fattoriale e l'analisi di regressione si fondono. |
| |
E dal punto di vista dell'analisi fattoriale, ciò che siamo in grado di ottenere è la capacità di misurare cose che non osserviamo direttamente. |
| |
E dal punto di vista della regressione, siamo in grado di esaminare le relazioni tra variabili, siano esse osservate o non osservate. Quindi, unendo questi due strumenti, otteniamo un framework molto flessibile, il SEM, in cui possiamo adattare diversi modelli. |
| |
I diagrammi di percorso sono uno strumento unico all'interno del SEM, perché tutti i modelli di equazioni strutturali statistiche, i modelli veri e propri, possono essere rappresentati attraverso un diagramma. E quindi dobbiamo imparare solo un po' |
| |
notazione su come vengono disegnati quei diagrammi. E quindi i quadrati rappresentano le variabili osservate, |
| |
i cerchi rappresentano variabili latenti, le varianze o le covarianze sono rappresentate con frecce a doppia punta e le regressioni e i caricamenti sono |
| |
rappresentato da frecce a una sola punta. Ora, come nota a margine, c'è anche un triangolo che viene utilizzato per i diagrammi di percorso. |
| |
Ma questo esula dall'argomento di cui parleremo oggi. Il triangolo viene utilizzato per rappresentare medie e intercette. E sfortunatamente, non abbiamo abbastanza tempo per parlare anche di tutte le cose fantastiche che possiamo fare con le medie. |
| |
Va bene. Ma voglio anche mostrarvi alcuni elementi fondamentali... tipo i mattoni di costruzione di |
| |
x, che è in una scatola, sta prevedendo y, |
| |
che si trova anch'essa in una casella. Sappiamo quindi che si tratta di variabili osservate e che ciascuna di esse ha frecce a doppia punta che iniziano e finiscono su se stesse, il che significa che si tratta di varianze. |
| |
Per x, questa freccia rappresenta semplicemente le sue varianti, ma per y, le frecce a doppia punta rappresentano una varianza residua. |
| |
Ora, naturalmente, potresti sapere che nel SEM un risultato può essere sia un risultato che un predittore. Quindi puoi immaginare di avere un'altra variabile z che y potrebbe anche prevedere, in modo da poter mettere insieme tutte le regressioni che ci interessano all'interno di un modello. |
| |
Il secondo blocco di base per la costruzione di SEM sono i modelli fattoriali confermativi e, nella loro forma più elementare, |
| |
L'esempio più elementare di ciò è mostrato proprio qui, dove stiamo specificando un fattore o una variabile latente, che non è osservata ma è |
| |
è mostrato qui con frecce che puntano a w, x e y perché si ritiene che la variabile latente causi la variabilità comune che osserviamo in w, x e y. |
| |
Ora, questo qui si chiama modello fattoriale confermativo, è un solo fattore. E penso che sia davvero importante capire le differenze di un fattore nell'analisi fattoriale. |
| |
prospettiva e distinguerla dalle componenti principali o dall'analisi delle componenti principali, che a volte è facile confondere. |
| |
Quindi farò una breve digressione per mostrarvi cosa differenzia un fattore da una prospettiva di analisi fattoriale e da una PCA. |
| |
Quindi questi quadrati servono a rappresentare le variabili osservate, le cose che stiamo misurando, e li ho colorati in blu |
| |
diverse quantità da ciascuna variabile osservata, che rappresentano la varianza che quelle variabili intendono misurare. Quindi è un po' come il segnale. Voglio dire, c'è |
| |
È questo che ci interessa davvero. E poi abbiamo queste aree grigie che rappresentano una parte della varianza che proviene da altre fonti. Può essere varianza sistematica, ma è semplicemente varianza che non è |
| |
ciò che vogliamo che rilevi dal nostro strumento di misura. Quindi, contiene |
| |
Le fonti sono varianze uniche per ciascuna di queste variabili e contengono anche errori di misurazione. |
| |
Quindi qual è la differenza tra analisi fattoriale e PCA? Nell'analisi fattoriale, una variabile latente catturerà solo la varianza comune che |
| |
esiste in tutte queste variabili osservate, ed è questa la parte di cui tiene conto la variabile latente. |
| |
Ciò è in contrasto con l'analisi delle componenti principali, in cui una componente principale rappresenta la quantità massima di varianza che può essere spiegata nelle dimensioni dei dati. |
| |
E quindi puoi vedere che la componente principale raccoglierà quanta più varianza può spiegare |
| |
e ciò significa che ci sarà un'amalgama di varianza dovuta a ciò che intendevamo misurare e forse anche ad altre fonti di varianza. Quindi questa è una distinzione molto importante, |
| |
perché quando vogliamo misurare variabili non osservate, l'analisi fattoriale è effettivamente una scelta migliore, a meno che non si sappia se il nostro obiettivo è davvero la riduzione delle dimensioni, in tal caso l'analisi delle componenti principali è uno strumento ideale. |
| |
Si noti inoltre che le frecce puntano in direzioni diverse. Questo perché nell'analisi fattoriale si parte dal presupposto che sia la variabile non osservata a causare la variabilità che osserviamo. |
| |
E quindi questo non è il caso in PCA, quindi potete vedere questa distinzione qui dal diagramma. Quindi ogni volta che parliamo di |
| |
un fattore o una variabile latente in SEM, molto probabilmente stiamo parlando di una variabile latente da questa prospettiva di analisi fattoriale. Ora ecco un |
| |
Un modello di equazioni strutturali di grandi dimensioni in cui ho messo insieme diversi elementi tratti dagli elementi costitutivi che ho mostrato prima. Quando vediamo i numeri, è perché abbiamo stimato questo modello. |
| |
E vedi che ci sono variabili osservate che predicono altre variabili. Abbiamo alcune relazioni sequenziali, il che significa che |
| |
Una variabile porta a un'altra, che a sua volta porta a un'altra ancora. Questo è anche un esempio interessante perché abbiamo una variabile latente che viene predetta da una variabile osservata. Ma questa variabile latente è anche |
| |
a sua volta, predice altre variabili. E quindi illustra, questo diagramma illustra bene, una serie di usi che possiamo avere, per motivi fondamentalmente per cui possiamo usare il SEM, comprese le cinque variabili non osservate che vogliamo modellare all'interno di un contesto più ampio. |
| |
contesto. Vogliamo forse tenere conto dell'errore di misurazione. E questo è importante perché le variabili latenti vengono depurate dall'errore di misurazione perché tengono conto solo della varianza comune ai loro indicatori. |
| |
Noi...se hai anche la necessità di studiare relazioni sequenziali tra variabili, siano esse osservate o non osservate, SEM è uno strumento eccellente per questo. |
| |
E infine, se hai dati mancanti, SEM può essere davvero utile anche se hai solo una regressione, perché |
| |
tutti i dati a tua disposizione verranno utilizzati in SEM durante la stima, almeno all'interno degli algoritmi che abbiamo in JMP Pro. |
| |
Quindi...queste sono davvero ottime ragioni per usare SEM. Ora voglio usare questo diagramma anche per introdurre una terminologia importante che sicuramente incontrerete più volte se decidete che SEM è un |
| |
Uno strumento che utilizzerai nel tuo lavoro. Abbiamo parlato delle variabili osservate. Queste sono anche chiamate variabili manifeste nel gergo SEM. |
| |
Ci sono variabili latenti. Ci sono anche variabili chiamate esogene. In questo esempio, ce ne sono solo due. |
| |
E queste sono variabili che predicono solo altre variabili e sono in contrasto con le variabili endogene, che in realtà hanno variabili che le predicono. Quindi, tutte queste altre variabili sono endogene. |
| |
Le variabili latenti, ovvero le variabili manifeste a cui puntano e che predicono, sono anche chiamate indicatori di variabili latenti. |
| |
Infine, abbiamo parlato della varianza fattoriale unica da una prospettiva di analisi fattoriale. E queste sono le varianze residue di un fattore, |
| |
da una variabile latente, che è una varianza non spiegata dalla variabile latente e rappresenta sia la combinazione della varianza sistematica unica di quella variabile, sia l'errore di misurazione. |
| |
Va bene. |
| |
Ho scoperto che per comprendere la modellazione delle equazioni strutturali in modo un po' più semplice, è importante spostare la nostra attenzione sulla consapevolezza che i dati che stiamo realmente |
| |
La modellazione più approfondita riguarda la struttura di covarianza dei nostri dati. Modelliamo anche le medie, la struttura delle medie, ma, ripeto, questo esula dallo scopo della presentazione odierna. |
| |
Ma è importante riflettere su questo aspetto perché ha implicazioni su ciò che pensiamo siano i nostri dati. |
| |
Sai, siamo abituati a vedere le nostre tabelle di dati e abbiamo righe e variabili come colonne, e sì, questo è... |
| |
Questi dati possono essere utilizzati per lanciare la nostra piattaforma SEM. Tuttavia, i nostri algoritmi, in realtà, analizzano la struttura di covarianza di queste variabili. Quindi, quando si pensa ai dati, questi sono in realtà i dati che... |
| |
modellato sotto il cofano. Ciò ha implicazioni anche per quando pensiamo ai residui, perché i residui in SEM sono rispetto alle varianze e alle covarianze di |
| |
sapete, quelli che stimiamo, in contrasto con quelli che abbiamo nel campione. Quindi, per quanto riguarda i residui, ancora una volta, abbiamo bisogno di un piccolo spostamento di attenzione rispetto a ciò a cui siamo abituati, da altre tecniche statistiche standard a |
| |
Cerchiamo di capire cosa sono i modelli di equazioni strutturali. E cose del genere... concetti come i gradi di libertà saranno anche gradi di libertà rispetto alla covarianza. |
| |
matrice. Quindi, una volta effettuato questo spostamento di attenzione, penso che sia molto più facile comprendere i modelli di equazioni strutturali. |
| |
Ora vorrei fare un breve esempio di come funziona la stima SEM. Di solito, quello che facciamo è iniziare specificando un modello e il più |
| |
La cosa entusiasmante di JMP Pro e della nostra piattaforma SEM è che possiamo specificare quel modello direttamente tramite un diagramma di percorso, il che lo rende molto più intuitivo. |
| |
E quindi quel diagramma di percorso, mentre lo stiamo disegnando, quello che stiamo facendo è specificare un modello statistico che implica il |
| |
struttura della matrice di covarianza dei dati. Quindi il modello implica quella struttura di covarianza, ma ovviamente abbiamo anche accesso alla matrice di covarianza del campione. |
| |
Quindi, durante la stima, cerchiamo di far corrispondere il più possibile i valori della covarianza del campione, in base a ciò che il modello ci dice sulle relazioni tra i dati, non all'interno delle variabili. |
| |
E una volta che abbiamo le nostre stime del modello, le usiamo per ottenere un risultato effettivo |
| |
matrice di covarianza implicita nel modello che possiamo confrontare con la matrice di covarianza campionaria. Quindi, osservando la differenza tra queste due matrici, |
| |
Siamo in grado di ottenere i residui, che ci permettono di capire quanto i nostri modelli siano o meno adatti. In poche parole, è così che funziona la modellazione delle equazioni strutturali. |
| |
Ora abbiamo terminato l'introduzione. Vorrei quindi presentarvi e darvi un po' di contesto per i dati che userò per la nostra demo. |
| |
Questi dati provengono da un articolo pubblicato di recente sul Journal of Social, Psychological and Personality Science. |
| |
E gli autori di questo articolo volevano rispondere a una domanda semplice: "In che modo le minacce percepite del Covid-19 influiscono sul nostro benessere e sui comportamenti di salute pubblica?". Ora, ciò che è davvero interessante di questa domanda è che le minacce percepite del |
| |
Il Covid-19 è un concetto molto astratto. È un costrutto per il quale non abbiamo uno strumento per misurarlo. È qualcosa che non osserviamo direttamente. |
| |
Ed è per questo che in questo articolo hanno dovuto capire innanzitutto come misurare le minacce percepite. |
| |
L'articolo si è concentrato su due tipi specifici di minacce. Le prime vengono definite minacce realistiche, perché riguardano la sicurezza fisica o finanziaria. |
| |
E anche le minacce simboliche, ovvero quelle minacce che pongono all'identità socioculturale di una persona. |
| |
E così hanno elaborato questa scala di minaccia finale, hanno seguito un processo molto rigoroso per sviluppare questo sondaggio, questa scala per misurare la minaccia realistica e quella simbolica. |
| |
Qui puoi vedere che le persone hanno dovuto rispondere a quanto sia grave, se presente, la minaccia rappresentata dall'epidemia di coronavirus per la tua salute personale, |
| |
sai, l'economia statunitense, cosa significa essere americani, i valori e le tradizioni americane. Quindi, fondamentalmente, queste domande si concentrano su due aspetti diversi del |
| |
minaccia del virus, che loro definiscono realistica perché riguarda problemi di salute personali e finanziari. |
| |
E poi la minaccia simbolica riguarda più la componente socioculturale. Quindi, potete vedere tutte queste domande qui. |
| |
Abbiamo ottenuto i dati da uno dei tre studi che hanno condotto. E quei dati provengono da 550 partecipanti che hanno risposto a tutte queste domande, oltre a una serie di altri sondaggi, e quindi potremo utilizzare quei dati nella nostra demo. |
| |
E risponderemo ad alcune domande molto specifiche. La prima è: come possiamo misurare la percezione delle minacce legate al Covid-19? Ci sono due tipi di minacce che ci interessano. E la domanda è: come possiamo farlo, dato che si tratta di un concetto così astratto? |
| |
E questo ci porterà a parlare dell'analisi fattoriale confermativa e dei modi in cui possiamo valutare la validità e l'affidabilità delle nostre indagini. |
| |
Una cosa di cui non parleremo, però, è il primo passo, ovvero l'analisi fattoriale esplorativa. È qualcosa che svolgiamo al di fuori del SEM. |
| |
ed è qualcosa che dovrebbe essere fatto come primo passo per sviluppare una nuova scala o una nuova indagine, ma qui riprenderemo dalla fase di analisi fattoriale confermativa. |
| |
Una seconda domanda è: la percezione delle minacce legate al Covid-19 predice il benessere e i comportamenti di salute pubblica? E questo ci porterà a parlare più approfonditamente dei concetti di regressione. |
| |
E infine, gli effetti di ogni tipo di minaccia sui risultati sono uguali? Ed è qui che scopriremo un aspetto davvero unico. |
| |
Una caratteristica utile del SEM è che ci consente di imporre vincoli di uguaglianza su diversi effetti all'interno dei nostri modelli e di poter effettuare confronti sistematici tra modelli per rispondere a questo tipo di domande. |
| |
Bene, è il momento della nostra demo. Ora vi mostro i dati, che ho già aperto qui. |
| |
Nota che le mie tabelle dati hanno un sacco di colonne, perché ci sono diversi sondaggi a cui i partecipanti |
| |
risposto, ma le prime 10 colonne qui sono quelle domande, o le risposte alle domande che ti ho mostrato in quel sondaggio. |
| |
E quindi quello che faremo è analizzare metodi multivariati, modelli di equazioni strutturali e li useremo |
| |
Risposte al sondaggio. Per tutti i 10 elementi, faremo clic sulle variabili del modello in modo da poter lanciare la nostra piattaforma con quei dati. |
| |
Ora, ho una tabella dati con un'osservazione per riga. Questo è il formato dati esteso, ed è quello che userò. |
| |
Ma nota che c'è un'altra scheda per riassumere i dati. Quindi, se hai solo la matrice di correlazione o di covarianza, ora puoi inserirla... beh, potrai farlo in JMP 16, |
| |
JMP Pro 16, quindi questa è un'altra opzione perché, ricordate, in fin dei conti, quello che stiamo facendo qui è modellare strutture di covarianza. Quindi potete usare Summary Data per avviare la piattaforma. |
| |
Bene, andiamo avanti e clicchiamo su OK. La prima cosa che vediamo è questa finestra di specifica del modello, che ci permette di fare un sacco di cose divertenti. |
| |
Vediamo, all'estrema destra abbiamo il diagramma e notiamo che il nostro diagramma ha una specifica predefinita. Quindi le nostre variabili |
| |
hanno tutti frecce a doppia punta, il che significa che hanno tutti una varianza |
| |
Hanno anche una media, ma nota se clicco con il tasto destro del mouse sulla tela qui e ottengo alcune opzioni per mostrare le medie o le intercettazioni. Quindi |
| |
di nuovo, questo esula dallo scopo di oggi, quindi terrò nascosti questi argomenti, ma sappi che il modello predefinito nella piattaforma ha varianze e medie per ogni variabile che osserviamo. |
| |
La scheda elenco contiene le stesse informazioni del diagramma, ma in formato elenco e suddividerà il tuo |
| |
percorsi o effetti in base al loro tipo. Abbiamo anche un passaggio di stato che fornisce moltissime informazioni sul modello che si ha in quel preciso momento. Quindi, in questo momento, ci dice: |
| |
Sai, i gradi di libertà che abbiamo, dato che questo è il modello che abbiamo specificato qui, è solo il modello predefinito. E ci fornisce anche, sai, dettagli sui dati e altre informazioni utili. |
| |
Nota che questo piccolo segno di spunta cambia se c'è un problema con il tuo modello. Quindi, mentre specifichi il tuo modello, se riscontriamo qualcosa di problematico o un errore, questa scheda cambierà colore e tipo. |
| |
e quindi sarà utile, si spera, aiutarti a risolvere qualsiasi tipo di problema con le specifiche del modello. |
| |
Bene, quindi all'estrema sinistra abbiamo un'area per il nome del modello. E abbiamo anche le liste "da" e "a". Questo rende molto facile selezionare le variabili qui. |
| |
nel ruolo da e poi in quello a, ovunque si trovino. E possiamo collegarli con frecce a una o due punte, che sappiamo essere regressioni, carichi, varianze o covarianze. |
| |
Ora, per quanto riguarda il nostro caso attuale, vogliamo davvero capire come misurare questa costruzione inosservata delle percezioni del Covid 19. |
| |
minaccia. E so che i primi cinque elementi che ho qui sono le risposte a domande che gli autori hanno etichettato come minacce realistiche. Quindi selezionerò quelle |
| |
variabili e ora qui cambieremo il nome predefinito di latente uno in realistico perché sarà la variabile latente della minaccia realistica. Quindi clicco sul pulsante più. E notate, vi diamo automaticamente |
| |
Questo modello fattoriale confermativo con un fattore per la minaccia realistica. Un'osservazione interessante qui è che c'è un 1 su questo primo caricamento |
| |
ciò indica che questo percorso, questo effetto della variabile latente sulla prima variabile osservata è fissato a uno. |
| |
E questo è necessario, altrimenti il nostro modello non verrebbe identificato. |
| |
Quindi, per impostazione predefinita, imposteremo il tuo primo caricamento su uno per identificare il modello e poter ottenere tutte le tue stime. |
| |
Un'alternativa sarebbe quella di fissare la varianza della variabile latente a uno, il che aiuterebbe anche a identificare il modello, ma è una questione di scelta. |
| |
Bene, quindi abbiamo un modello per la minaccia realistica. E ora selezionerò quelle che sono minacce simboliche e le chiamerò simboliche e faremo clic su "vai avanti" e aggiungiamo. |
| |
la nostra variabile latente per questo. Ho cambiato la mia risoluzione. E quindi ora vediamo un po' meno di quanto mi aspettassi. Ma eccoci qui. Ecco il nostro modello. Ora |
| |
potremmo volerlo |
| |
specificare, e questo è in realtà molto importante, |
| |
minacce realistiche e simboliche. Ci aspettiamo che queste variabili varino, che covarino e, pertanto, le selezioniamo nella nostra lista "da" e "a" e clicchiamo sulla freccia a due punte per aggiungere tale covarianza. |
| |
E notate qui, questa è la nostra analisi fattoriale confermativa completa a due fattori. Possiamo quindi dare un nome al nostro modello e siamo pronti per eseguirlo. Andiamo avanti e clicchiamo su "Esegui". |
| |
E abbiamo tutti i nostri preventivi molto rapidamente. Tutto è qui. Ora. |
| |
Ciò su cui vorrei attirare la vostra attenzione, però, è la tabella di confronto dei modelli. Il motivo è che vogliamo assicurarci che il nostro modello si adatti bene prima di iniziare a interpretare i risultati. |
| |
Parliamo quindi di cosa compare in questa tabella. Innanzitutto, notiamo che ci sono due modelli che non abbiamo inserito, ma che la piattaforma li inserisce di default al momento dell'avvio. |
| |
E li usiamo come una sorta di riferimento, una base di riferimento con cui possiamo confrontare un modello. Il modello senza restrizioni che vi mostrerò qui, |
| |
In altre parole, se ogni singola variabile covariasse tra loro, quello sarebbe il modello non vincolato. In altre parole, sarebbe una base di riferimento per il meglio che possiamo fare in termini di adattamento. |
| |
Ora, la statistica del chi quadrato rappresenta la quantità di disadattamento in un modello. E poiché qui stiamo stimando ogni possibile varianza e covarianza senza alcuna restrizione, |
| |
Ecco perché il chi quadrato è zero. Ora, abbiamo anche zero gradi di libertà perché stiamo stimando tutto. Quindi è un modello perfettamente adattabile e serve come base per... |
| |
serve come base per capire cosa è meglio che possiamo fare. |
| |
Bene, allora il modello di indipendenza è in realtà il modello che avevamo qui come predefinito quando abbiamo lanciato la piattaforma. Quindi è una base di partenza per il peggio, forse non il peggiore, ma un modello piuttosto pessimo. |
| |
È un caso in cui le variabili sono completamente non correlate tra loro. E si può effettivamente vedere che la statistica del chi quadrato balza a circa 2000 unità. Ma ovviamente ora abbiamo 45 gradi di libertà perché in questo modello non stiamo stimando molto. |
| |
E infine abbiamo il nostro modello fattoriale confermativo a due fattori e vediamo anche che il chi quadrato è grande, è 147 |
| |
con 34 gradi di libertà. È molto più piccolo del modello di indipendenza, quindi per fortuna stiamo facendo meglio, ma è comunque un chi quadrato significativo, il che suggerisce che c'è una significativa discrepanza nei dati. |
| |
Ora, ecco una grande sfida con il SEM. Un tempo ci si rendeva conto che il chi quadrato è influenzato dalla dimensione del campione. E qui abbiamo 550 osservazioni. Quindi è molto probabile che anche i modelli ben adattati abbiano un piccolo... |
| |
Si rivelerà significativo a causa dell'ampia dimensione del campione. Quindi, ciò che è successo è che sono stati sviluppati indici di adattamento specifici per SEM per consentirci di valutare l'adattamento del modello, indipendentemente dal chi quadrato, ed è qui che entrano in gioco questi modelli di base. |
| |
Il primo è chiamato indice di adattamento comparativo. In realtà varia da zero a uno. Come potete vedere, uno è il valore per un modello perfettamente adattabile e zero è il valore per un modello con adattamento davvero scarso, il modello di indipendenza. |
| |
E |
| |
Continuo a ordinare questo per sbaglio. Ok, quindi cosa significa questo indice per il nostro modello? 0,9395. È la proporzione, sì, è una proporzione di quanto stiamo migliorando con il nostro modello. |
| |
rispetto al modello di indipendenza. Quindi, siamo circa il 94% migliori del modello di indipendenza, il che è piuttosto buono. |
| |
Le linee guida indicano che un CFI pari o superiore a 0,9 è accettabile. Di solito, vogliamo che sia il più vicino possibile a 1 e 0,95 è l'ideale. |
| |
Abbiamo poi anche questo RMSCA, l'errore quadratico principale dell'approssimazione, che rappresenta la quantità di disadattamento per grado di libertà. |
| |
Vogliamo che sia molto piccolo. Anche questo varia da zero a uno. E vedete qui, il nostro modello ha 0,07, circa 0,08. |
| |
e in generale, 0,1 o meno è un valore buono, adeguato, ed è quello che vogliamo vedere. E poi, durante il percorso, otteniamo alcuni limiti di confidenza attorno a questa statistica. Quindi |
| |
Ciò suggerisce che in effetti il modello è ben adattato...è un modello accettabile e quindi andremo avanti e proveremo a interpretarlo. |
| |
Ma è davvero importante valutare l'adattamento del modello prima di entrare nei dettagli, perché non impareremo molto, o almeno non molte informazioni utili, se il nostro modello non si adatta bene fin dall'inizio. |
| |
Bene, quindi, poiché questa è un'analisi fattoriale confermativa, troveremo molto utile mostrarla (clic destro qui), e ora mostrerò le stime standardizzate sul diagramma. Bene. Questo significa che avremo |
| |
stime qui per i carichi fattoriali presenti nella metrica di correlazione, il che è davvero utile e importante per interpretare questi carichi nell'analisi fattoriale. |
| |
Anche questo valore verrà ridimensionato in modo da rappresentare la correlazione effettiva tra queste due variabili latenti, che in questo caso è |
| |
Punto fondamentale per la correlazione. Nel menu a forma di triangolo rosso, possiamo anche trovare i coefficienti dei parametri standardizzati in formato tabella, così da ottenere maggiori dettagli sugli errori standard, sulla statistica Z e così via. |
| |
Ma potete vedere qui che tutti questi valori sono abbastanza... sapete, sono abbastanza accettabili. Rappresentano la correlazione tra la variabile osservata e la variabile latente. |
| |
E in genere si aggirano intorno a 0,48-0,8. Sono valori piuttosto buoni. Vogliamo che siano il più alti possibile. |
| |
E un'altra cosa che noterete qui sui nostri diagrammi, che è una funzionalità di JMP Pro 16, è che |
| |
queste variabili osservate hanno un po' di ombreggiatura, una piccola area grigia qui, che in realtà rappresenta la quantità o la porzione di |
| |
varianza spiegata dalla variabile latente. Quindi è davvero interessante, perché si può vedere visivamente dalla piccola ombreggiatura che le variabili per le minacce simboliche |
| |
in realtà, la loro varianza è in gran parte spiegata dalla variabile latente. Quindi forse questo è un fattore migliore del fattore di minaccia realistica, basandosi semplicemente sulla valutazione di quanta varianza è spiegata. |
| |
Ora vorrei attirare la vostra attenzione su un'opzione chiamata modello di misurazione della valutazione che sarà molto utile per consentirci di capire se |
| |
le domande, le singole domande in quel sondaggio sono in realtà delle buone domande. |
| |
Sappiamo che, in base all'affidabilità statistica...dell'indicatore, vogliamo che le nostre domande siano affidabili ed è ciò che stiamo tracciando su questo lato. Quindi notiamo che diamo un po' |
| |
qui per una soglia suggerita di ciò che è una buona affidabilità accettabile per una qualsiasi di queste domande e puoi vedere in effetti che la minaccia simbolica è una migliore |
| |
Sembra che stia andando un po' meglio lì. Le domande sono più affidabili rispetto alla minaccia realistica. Ma in generale, sono entrambe abbastanza buone. |
| |
Sai, il fatto che non stiano oltrepassando il limite non è terribile. Voglio dire, sono in giro... queste due domande sono in giro per... |
| |
soglia adeguata che ci aspetteremmo per l'affidabilità dell'indicatore. Abbiamo anche statistiche che ci informano sull'affidabilità del composito. In altre parole, se dovessimo raccogliere tutte queste domande e |
| |
forse prendi tutte queste domande per una minaccia realistica e otterremo un punteggio medio per tutte quelle risposte |
| |
per individuo, questo sarebbe un composto per la minaccia realistica e potremmo fare lo stesso per quella simbolica. |
| |
Quindi quello che abbiamo qui è l'indice di affidabilità. Tutti questi indici, tra l'altro, vanno da zero a uno. |
| |
E quindi vogliamo che siano il più vicino possibile a uno perché vogliamo che siano molto affidabili e vediamo qui che entrambi questi |
| |
I compositi hanno un'affidabilità adeguata. Sono quindi adatti all'utilizzo di un punteggio medio per altre analisi. |
| |
Abbiamo anche costruito l'affidabilità massima e questi sono più i valori di affidabilità per le variabili latenti stesse piuttosto che |
| |
creando medie. Quindi avremo sempre questi valori un po' più alti perché quando si usano variabili latenti si ottengono misure migliori. |
| |
La matrice di validità di costrutto ci fornisce moltissime informazioni utili. La chiave qui è che la matrice triangolare inferiore contiene semplicemente la correlazione tra i due fattori in questo caso. |
| |
Ma i valori nella diagonale rappresentano la varianza media estratta da tutti gli indicatori del fattore. |
| |
E quindi qui si vede che le minacce simboliche hanno in media una varianza spiegata maggiore rispetto alle minacce realistiche, ma entrambe hanno valori sostanziali, il che è positivo. |
| |
E, cosa più importante, vogliamo che questi valori diagonali siano maggiori del triangolare superiore, perché il triangolare superiore rappresenta le barriere sovrapposte tra i due fattori. |
| |
E puoi immaginare, vogliamo che i fattori abbiano più sovrapposizione e varianza con i propri indicatori che con altri |
| |
costruire con un fattore diverso. E quindi questo qui, insieme a tutte queste altre statistiche |
| |
sono una buona prova che il sondaggio ci sta fornendo risposte valide e affidabili e che possiamo effettivamente utilizzarlo per approfondire altre questioni. Ed è quello che faremo qui. Chiuderemo questo e... |
| |
eseguiamo un modello diverso, rilanceremo la nostra piattaforma, ma questa volta userò... |
| |
Ho un paio di variabili qui che ho creato. Queste due sono |
| |
I punteggi compositi sono le medie di tutte le domande relative a minacce realistiche e simboliche. Quindi ho qui i punteggi compositi. |
| |
E li modellerò insieme a... Ho una misura per l'ansia. Ho una misura per l'affetto negativo. E possiamo anche aggiungere un po' del CDC. |
| |
Aderenza. Quindi, si tratta di verificare se le persone aderiscono alle raccomandazioni del CDC e ai comportamenti di salute pubblica. Quindi, lanceremo la piattaforma con tutte queste variabili. |
| |
E quello che voglio fare qui è concentrarmi forse sull'adattamento di un modello di regressione. Quindi ho selezionato quelle variabili, i miei predittori, i miei risultati. E ho semplicemente cliccato sulla freccia a una punta per impostarlo. Ora il modello non è completamente... |
| |
correttamente specificato ancora perché vogliamo essere sicuri che entrambi i nostri. |
| |
Covid |
| |
minacce in questo caso, vogliamo assicurarci che siano covarianti tra loro, perché non abbiamo motivo di supporre che non lo siano. |
| |
Lo stesso vale per il risultato: devono covariare perché non vogliamo imporre strane restrizioni sulla loro ortogonalità. |
| |
Quindi questa è essenzialmente un'analisi del percorso. È un'analisi di regressione multipla multivariata. Quindi possiamo semplicemente inserirla qui, regressione multivariata, e procederemo con questo ed eseguiamo il nostro modello. |
| |
Bene. Quindi nota che poiché ci adattiamo a ogni... |
| |
Abbiamo zero gradi di libertà perché abbiamo stimato ogni varianza e covarianza tra i dati. Quindi, anche se questo suggerimento è perfetto, |
| |
Tutto quello che abbiamo fatto finora è stato adattare un modello di regressione. E quello che voglio fare per sottolineare questo è mostrarvi... cambierò il layout del mio diagramma. |
| |
Per rendere più semplice la visualizzazione... delle associazioni tra entrambi i tipi di minaccia. Voglio nascondere varianze e covarianze e potete vederle qui, solo... |
| |
Ho nascosto gli altri bordi in modo che possiamo concentrarci solo sulle relazioni che queste due minacce hanno sui nostri tre risultati. Ora nella mia tabella dati, ho già adattato un modello di adattamento, ho usato l'ansia allo stesso modo. |
| |
variabile come risultato e le stesse due minacce come predittori. E voglio metterle una accanto all'altra perché voglio mostrarvi che in effetti |
| |
le stime per la regressione della previsione dell'ansia qui sono esattamente gli stessi valori che abbiamo qui nella piattaforma SEM per entrambe le previsioni. |
| |
Ed è quello che dovremmo aspettarci. Il modello di adattamento, intendo, è una regressione. Finora stiamo facendo una regressione. |
| |
Tecnicamente, potresti dire, beh, se io mi sento a mio agio nell'eseguire tre di quei modelli di adattamento utilizzando questi tre risultati diversi, allora cosa mi sta comprando SEM di meglio? |
| |
Beh, potrebbe essere, potresti non aver bisogno di nient'altro e questo potrebbe essere ottimo per le tue esigenze, ma una caratteristica unica di SEM è che possiamo testare direttamente se ci sono |
| |
uguaglianza... se i vincoli di uguaglianza nel modello siano sostenibili. Quindi, ciò che intendiamo è che posso prendere questi due effetti (ad esempio, effetti di minaccia realistici e simbolici sull'ansia) e posso usare questo pulsante "Imposta uguale" per imporre un vincolo di uguaglianza. Nota qui, |
| |
queste piccole etichette indicano che questi due percorsi avranno lo stesso effetto. E possiamo quindi |
| |
eseguiamo il modello e ora possiamo selezionare quei modelli nella nostra tabella di confronto modelli e confrontarli con questa opzione di confronto modelli selezionati. |
| |
E quello che otterremo è una variazione del chi quadrato. Quindi, vediamo solo la variazione del chi quadrato passando da un modello all'altro. Quindi questo sostanzialmente dice, ok, |
| |
Il modello peggiorerà perché ora hai aggiunto un vincolo. Quindi hai guadagnato un grado di libertà, ora hai più disadattamento, e la domanda è: questo disadattamento è significativo? |
| |
La risposta in questo caso è sì. Naturalmente, questo è influenzato dalla dimensione del campione. Quindi consideriamo anche la differenza tra CFI e RMSEA e qualsiasi valore pari o superiore a 0,01 suggerisce che |
| |
L'incongruenza è troppo grande per essere ignorata. È un'ulteriore incongruenza significativa aggiunta da questo vincolo. |
| |
Quindi ora che lo sappiamo, possiamo dire direttamente in questo...sappiamo che questo è il modello più adatto, quello che non aveva quel vincolo e possiamo affermare che le minacce realistiche hanno un effetto positivo maggiore |
| |
associazione con l'ansia rispetto alle minacce simboliche, che hanno anche un effetto positivo significativo, ma non è significativamente forte, non è forte statisticamente, non è forte quanto le minacce realistiche. Va bene. E ci sono altri |
| |
effetti interessanti che abbiamo qui. Quindi quello che farò, mentre ci avviciniamo alla fine della sessione, è semplicemente attirare la vostra attenzione su questo interessante |
| |
effetto qui sotto dove entrambi i tipi di minacce hanno effetti diversi sull'aderenza ai comportamenti del CDC. E l'articolo davvero |
| |
presta molta attenzione a questa scoperta perché, sapete, entrambe sono minacce. Ma come potete immaginare, coloro che avvertono minacce alla propria vita personale |
| |
salute o minacce alla loro sicurezza finanziaria, è più probabile che aderiscano alle linee guida del CDC sul distanziamento sociale ed evitino gli assembramenti sociali, mentre coloro che |
| |
sentono che la minaccia è simbolica, una minaccia ai loro valori socio-culturali, |
| |
Queste persone hanno significativamente meno probabilità di aderire ai comportamenti del CDC, forse perché sentono che quelle norme socio-culturali sono minacciate. È quindi una scoperta interessante e vediamo che qui possiamo ovviamente testare l'equivalenza di una serie di altri percorsi in questo modello. |
| |
Okay, quindi l'ultima cosa che volevo fare è mostrarvi (non descriveremo questo modello completo), ma volevo mostrarvi cosa succede quando mettete insieme entrambi |
| |
(rendiamolo un po' più grande) regressione e analisi fattoriale. |
| |
Per utilizzare realmente il pieno potenziale dei modelli di equazioni strutturali, dovresti modellare le tue variabili latenti, qui abbiamo entrambe le minacce come variabili latenti che ci consentono di eliminare realmente l'errore di misurazione da quelle |
| |
elementi del sondaggio e associazioni di modelli tra variabili latenti, che ci consentono di avere effetti imparziali perché...effetto non attenuato...perché teniamo conto dell'errore di misurazione quando misuriamo |
| |
la latente e le variabili direttamente. E notate, stiamo sfruttando il SEM, perché stiamo esaminando le associazioni sequenziali tra diversi fattori e quindi qui sotto potete vedere il nostro fantastico diagramma che |
| |
Posso spostarmi per provare a mostrarti tutti gli effetti fantastici che abbiamo e anche evidenziare il fatto che i nostri diagrammi sono |
| |
completamente interattivo, davvero accattivante visivamente, e molto rapidamente possiamo identificare, sai, effetti significativi in base al tipo di linea rispetto a effetti non significativi, in questo caso, queste linee tratteggiate. E così |
| |
ancora una volta per avere davvero tutta la potenza del SEM, puoi vedere come qui stiamo esaminando quelle minacce di variabili latenti e osservando le loro associazioni con una serie di altre |
| |
comportamenti di salute pubblica e con variabili di benessere. E quindi, con questo, interromperò qui la dimostrazione e |
| |
vogliamo farti sapere che abbiamo un documento davvero utile oltre alle diapositive, abbiamo un documento davvero fantastico che il tester della nostra piattaforma, James Koepfler, ha messo insieme dove fornisce un sacco di ottimi suggerimenti su come utilizzare la nostra piattaforma, |
| |
dalla specificazione del modello, ai suggerimenti su come confrontare i modelli, cosa è appropriato guardare, cos'è un modello annidato, tutte queste informazioni penso che le troverai molto utili se decidi di usarle |
| |
la piattaforma. Quindi vi consiglio vivamente di andare su JMP Community per ottenere questi materiali integrativi alla presentazione. Con questo, concludo e risponderemo alle domande non appena tutto sarà online. Grazie mille. |
