758495_ko-KR

liliconcom

구조 방정식 모델의 ABC(2020-US-45MP-590)

Laura Castro-Schilo, JMP 연구 통계 개발자, SAS Institute, JMP 부서
James Koepfler, SAS Institute JMP 부서 연구 통계 테스터

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

발표 자료

이 프레젠테이션의 슬라이드와 보충 자료는 여기에서 다운로드할 수 있습니다.

SEM에 대해 자세히 알아보려면 이 블로그 게시물 의 끝에 있는 리소스 목록을 확인하세요.

이 프레젠테이션의 예시에 사용된 기사와 데이터는 이 링크 에서 확인할 수 있습니다.

자동 생성된 대본...

스피커	성적 증명서
라우라 카스트로-쉴로	안녕하세요 여러분. 환영합니다. 이 세션에서는 구조 방정식 모델링의 기본 원리를 모두 다루며, 여러분께서 편안하게 이해하실 수 있도록 충분한 도구를 제공해 드리고자 합니다.
	구조 방정식 모델링 플랫폼과 JMP Pro를 사용하여 모델을 지정하고 모델 적합 결과를 해석합니다.
	이제 구조 방정식 모형이 무엇인지 소개하고, 특히 요인 분석과 회귀 분석과의 연관성을 살펴보겠습니다.
	그리고 SEM에서 경로 다이어그램이 어떻게 사용되는지, 그리고 이 모델링 프레임워크 내에서 경로 다이어그램이 하는 중요한 역할에 대해 간략히 이야기해 보겠습니다.
	소개는 간략하게 해서 실제 예제에 집중할 수 있도록 하겠습니다. 소개가 끝나면 데모에 사용할 데이터를 소개해 드리겠습니다. 이 데이터는 다음과 같습니다.
	코로나19 바이러스의 위협에 대한 인식에 대해 말씀드리겠습니다. 따라서 해당 데이터를 도입한 후,
	우리는 플랫폼 내에서 모델을 지정하고 결과를 해석하는 방법을 구체적으로 살펴보기 시작할 것입니다.
	몇 가지 질문이 있습니다. 이 질문들을 통해 SEM(주요 요인 분석)으로 수행할 수 있는 두 가지 매우 중요한 기법을 살펴보겠습니다. 하나는 확인적 요인 분석이고, 다른 하나는 다변량 회귀 분석입니다.
	그리고 이 모든 것을 마무리하기 위해 간략하게 보여드리겠습니다.
	우리는 확인적 요인 모델과 회귀 모델을 모두 통합한 모델을 사용하는데, 이를 통해 SEM이 여러분의 작업에 여러분의 데이터와 함께 사용될 때 가지는 잠재력을 실제로 확인할 수 있습니다.
	좋아요, 그럼 SEM이란 무엇일까요? 구조방정식모형은 요인 분석과 회귀 분석을 결합한 프레임워크입니다.
	요인 분석의 측면에서 우리는 직접 관찰하지 못하는 것도 측정할 수 있는 능력을 얻을 수 있습니다.
	회귀 분석에서는 관찰 변수든 관찰되지 않은 변수든 여러 변수 간의 관계를 살펴볼 수 있습니다. 따라서 이 두 도구를 결합하면 매우 유연한 프레임워크인 SEM(주사위 모형)을 얻을 수 있으며, 이를 통해 다양한 모델을 적용할 수 있습니다.
	경로 다이어그램은 SEM 내에서 고유한 도구입니다. 모든 통계적 구조 방정식 모델, 즉 실제 모델을 다이어그램을 통해 표현할 수 있기 때문입니다. 따라서 우리는 몇 가지만 배워야 합니다.
	다이어그램이 어떻게 그려지는지에 대한 표기법입니다. 따라서 사각형은 관찰된 변수를 나타냅니다.
	원은 잠재 변수를 나타내고 분산 또는 공분산은 양방향 화살표로 표시되며 회귀 및 로딩은
	일방향 화살표로 표현됩니다. 참고로, 경로 다이어그램에 사용되는 삼각형도 있습니다.
	하지만 그건 오늘 이야기할 주제의 범위를 벗어납니다. 삼각형은 평균과 절편을 나타내는 데 사용됩니다. 안타깝게도 평균을 활용하여 할 수 있는 모든 멋진 일들을 다 이야기할 시간이 부족합니다.
	좋습니다. 하지만 저는 또한 여러분에게 몇 가지 기본적인... 일종의 구성 요소를 보여드리고 싶습니다.
	상자 안에 있는 x는 y를 예측하고 있습니다.
	이것도 상자 안에 있습니다. 따라서 우리는 이것들이 관측 변수이고, 각각은 자기 자신에서 시작하고 끝나는 양방향 화살표를 가지고 있다는 것을 알 수 있습니다. 즉, 이것들은 분산입니다.
	x의 경우 이 화살표는 단순히 변형일 뿐이지만, y의 경우 양쪽 화살표는 잔차 분산을 나타냅니다.
	물론 SEM에서 결과는 결과이자 예측 변수가 될 수 있다는 것을 알고 계실 겁니다. 따라서 y가 예측할 수 있는 또 다른 변수 z가 있다고 생각해 보세요. 그러면 하나의 모델 내에서 원하는 만큼 많은 회귀 분석을 수행할 수 있습니다.
	SEM을 구축하기 위한 두 번째 기본 블록은 확인적 요인 모델이며 가장 기본적인 것은
	그 가장 기본적인 예는 바로 여기에 나와 있습니다. 여기서 우리는 관찰되지 않지만 하나의 요인이나 하나의 잠재 변수를 지정하고 있습니다.
	여기서는 w, x, y를 가리키는 화살표로 표시되어 있는데, 잠재 변수가 w, x, y에서 볼 수 있는 공통적인 변동성을 일으키는 것으로 생각되기 때문입니다.
	바로 여기 있는 것을 확인적 요인 모형이라고 하는데, 이건 하나의 요인일 뿐입니다. 요인 분석에서 요인의 차이점을 이해하는 것이 정말 중요하다고 생각합니다.
	이를 주성분 분석이나 주성분 분석과 구분하는 것이 중요한데, 이 둘은 혼동하기 쉽습니다.
	따라서 요인 분석 관점과 PCA 관점에서 요인의 차이점을 보여드리기 위해 잠깐 다른 이야기를 해보겠습니다.
	따라서 여기 이 사각형은 관찰된 변수, 즉 우리가 측정하는 것들을 나타내기 위한 것이며, 여기서는 파란색으로 칠했습니다.
	각 관찰 변수에서 서로 다른 양을 나타내는데, 이는 해당 변수가 측정하려는 분산을 나타냅니다. 그래서 일종의 신호와 같습니다.
	우리가 정말 관심 있는 건 바로 이런 것들입니다. 그리고 다른 출처에서 발생하는 분산의 일부를 나타내는 회색 영역이 있습니다. 체계적인 분산일 수도 있지만, 단순히 분산이 아닙니다.
	우리가 측정 장비에서 수집하고자 하는 내용입니다. 따라서 여기에는 다음이 포함됩니다.
	출처는 각 변수에 고유한 분산이며 측정 오차도 포함합니다.
	그렇다면 요인 분석과 PCA의 차이점은 요인 분석에서 잠재 변수는 공통 분산만을 포착한다는 것입니다.
	관찰된 모든 변수에 걸쳐 존재하며, 이것이 잠재 변수가 설명하는 부분입니다.
	이는 주성분 분석(PCA)과 대조되는데, PCA에서는 주성분이 데이터의 차원에서 설명할 수 있는 분산의 최대량을 나타냅니다.
	따라서 주성분은 설명할 수 있는 만큼의 분산을 수집할 수 있음을 알 수 있습니다.
	즉, 우리가 측정하고자 했던 것과 다른 분산 요인에 따라 분산이 혼합될 수 있다는 것을 의미합니다. 따라서 이는 매우 중요한 구분입니다.
	관찰되지 않는 변수를 측정하고 싶을 때는 요인 분석이 실제로 더 나은 선택입니다. 다만 차원 축소가 목표라면 PCA가 이상적인 도구입니다.
	여기서 화살표가 서로 다른 방향을 가리키고 있다는 점에 주목하세요. 요인 분석에서는 관찰되지 않은 변수가 우리가 관찰하는 변동성을 유발한다는 근본적인 가정이 존재하기 때문입니다.
	PCA에서는 그렇지 않습니다. 다이어그램에서 그 차이를 확인할 수 있습니다. 따라서 PCA에 대해 이야기할 때마다
	SEM에서 요인 또는 잠재 변수라고 하면, 요인 분석의 관점에서 잠재 변수에 대해 이야기하는 것이 가장 적절할 것입니다. 이제 다음과 같은 내용을 살펴보겠습니다.
	이전에 보여드린 구성 요소에서 여러 요소를 조합하여 만든 대규모 구조 방정식 모델입니다. 숫자를 볼 때, 이 모델을 추정했기 때문입니다.
	그리고 다른 변수를 예측하는 관찰 변수가 있다는 것을 알 수 있습니다. 우리는 순차적 관계를 가지고 있습니다. 즉,
	한 변수가 다른 변수로 이어지고, 그 변수가 또 다른 변수로 이어집니다. 이는 관찰된 변수에 의해 예측되는 잠재 변수가 있다는 점에서 흥미로운 사례입니다. 하지만 이 잠재 변수는 또한
	차례로 다른 변수들을 예측합니다. 따라서 이 다이어그램은 기본적으로 SEM을 사용하는 이유와 같은 여러 가지 이유로 우리가 활용할 수 있는 여러 가지 활용 사례를 잘 보여줍니다. 여기에는 더 큰 범위 내에서 모델링하려는 다섯 가지 미관찰 변수가 포함됩니다.
	맥락상 측정 오차를 고려해야 할 수도 있습니다. 잠재 변수는 지표 전체에서 공통적으로 나타나는 분산만을 고려하기 때문에 측정 오차가 제거되기 때문에 이 점이 중요합니다.
	변수 간의 순차적 관계를 연구해야 하는 경우, 관찰 여부와 관계없이 SEM이 훌륭한 도구입니다.
	마지막으로, 데이터가 누락된 경우 회귀 분석만 있는 경우에도 SEM이 실제로 도움이 될 수 있습니다.
	여러분이 사용할 수 있는 모든 데이터는 추정 시 SEM에서 사용됩니다. 적어도 JMP Pro에 있는 알고리즘 내에서는 그렇습니다.
	그래서... SEM을 사용해야 하는 정말 중요한 이유들이죠. 이제 이 다이어그램을 통해 SEM을 선택한다면 분명 여러 번 접하게 될 중요한 용어들을 소개하겠습니다.
	여러분의 업무에 사용할 도구입니다. 그래서 우리는 관찰 변수에 대해 이야기했습니다. SEM(주관적 분석) 용어로 이를 명시적 변수라고도 합니다.
	잠재 변수가 있습니다. 외생 변수라는 것도 있는데, 이 예시에서는 두 가지뿐입니다.
	그리고 이러한 변수들은 다른 변수들만 예측하는 변수들이며, 실제로 자신을 예측하는 변수들을 가지고 있는 내생 변수들과는 대조적입니다. 따라서 여기서 다른 모든 변수들은 내생 변수입니다.
	잠재 변수, 즉 그들이 가리키고 예측하는 명백한 변수는 잠재 변수 지표라고도 합니다.
	마지막으로, 요인 분석 관점에서 고유 요인 분산에 대해 이야기했습니다. 바로 요인의 잔차 분산입니다.
	잠재 변수에서 발생하는 분산은 잠재 변수에 의해 설명되지 않는 분산이며, 해당 변수에 고유한 체계적 분산과 측정 오차의 조합을 나타냅니다.
	괜찮은.
	구조 방정식 모델링을 조금 더 쉽게 이해하기 위해서는 우리가 실제로 알고 있는 데이터에 초점을 맞추는 것이 중요하다는 것을 알게 되었습니다.
	모델링의 핵심은 데이터의 공분산 구조입니다. 또한 평균, 즉 평균 구조도 모델링하지만, 이는 오늘 발표의 범위를 벗어납니다.
	하지만 이 점에 대해 생각해 보는 것이 중요한데, 이는 우리가 생각하는 데이터에 어떤 의미가 있는지에 대한 것입니다.
	아시다시피, 우리는 데이터 테이블을 보는 데 익숙합니다. 행과 변수가 열로 구성되어 있죠. 그렇죠...
	이 데이터는 SEM 플랫폼을 출시하는 데 사용될 수 있습니다. 하지만 저희 알고리즘은 실제로 이러한 변수들의 공분산 구조를 분석하고 있습니다. 따라서 데이터에 대해 생각해 보면, 이 데이터는
	후드 아래에서 모델링되고 있습니다. 이는 또한 잔차에 대해 생각할 때 영향을 미칩니다. SEM의 잔차는 분산과 공분산을 기준으로 하기 때문입니다.
	아시다시피, 우리가 추정한 것과 표본에 있는 것의 차이를 비교하는 거죠. 그러니까 잔차에 대해서도, 다른 표준 통계 기법에서 벗어나 우리가 익숙한 방식으로 초점을 옮겨야 합니다.
	구조 방정식 모델이 무엇인지 생각해 보세요. 그리고 자유도와 같은 개념도 공분산에 대한 자유도가 될 것입니다.
	행렬이죠. 그래서 우리가 초점을 이렇게 바꾸면 구조 방정식 모델을 이해하기가 훨씬 쉬워질 거라고 생각합니다.
	이제 SEM 추정이 어떻게 작동하는지 간단한 예를 들어 설명하겠습니다. 일반적으로 우리는 모델을 지정하고 가장 중요한
	JMP Pro와 SEM 플랫폼의 흥미로운 점은 경로 다이어그램을 통해 해당 모델을 직접 지정할 수 있다는 점으로, 훨씬 더 직관적입니다.
	따라서 우리가 경로 다이어그램을 그릴 때 우리가 하는 일은 다음을 의미하는 통계적 모델을 지정하는 것입니다.
	데이터의 공분산 행렬의 구조입니다. 따라서 모델은 공분산 구조를 암시하지만, 물론 표본 공분산 행렬에도 접근할 수 있습니다.
	따라서 추정 과정에서 일어나는 일은 모델이 변수 내부가 아닌 데이터 간의 관계를 알려주는 것을 바탕으로 표본 공분산의 값을 최대한 일치시키려고 노력하는 것입니다.
	그리고 우리가 모델 추정치를 얻은 후에 그것을 사용하여 실제 값을 얻습니다.
	표본 공분산 행렬과 비교할 수 있는 모형 내재 공분산 행렬입니다. 따라서 두 행렬의 차이를 살펴보면,
	잔차를 구할 수 있는데, 이를 통해 모델이 얼마나 잘 맞는지, 아니면 맞지 않는지 파악할 수 있습니다. 간단히 말해서, 이것이 구조 방정식 모형의 작동 방식입니다.
	이제 소개는 끝났습니다. 이제 데모에 사용할 데이터를 소개하고, 간략한 배경 설명을 드리겠습니다.
	이 자료는 Journal of Social, Psychological and Personality Science에 최근 게재된 기사에서 나온 것입니다.
	이 논문의 저자들은 간단한 질문에 답하고 싶었습니다. 그들은 "코로나19에 대한 인식된 위협이 우리의 웰빙과 공중 보건 행동에 어떤 영향을 미치는가?"라고 물었습니다. 이 질문에서 정말 흥미로운 점은 인식된 위협이
	코로나19는 매우 추상적인 개념입니다. 측정할 도구가 없는 구조이며, 우리가 직접 관찰할 수 없는 것입니다.
	그래서 이 기사에서는 먼저 인식된 위협을 측정하는 방법을 알아내야 했습니다.
	기사는 두 가지 유형의 위협에 초점을 맞췄습니다. 첫 번째 위협은 '현실적 위협'이라고 불리는데, 이는 신체적 또는 재정적 안전과 관련이 있기 때문입니다.
	그리고 사회문화적 정체성에 가해지는 상징적 위협도 있습니다.
	그래서 그들은 실제로 이 최종 위협 척도를 만들어냈고, 현실적인 위협과 상징적 위협을 측정하는 이 설문 조사와 척도를 개발하기 위해 매우 엄격한 과정을 거쳤습니다.
	여기에서 사람들이 코로나바이러스 발병이 개인 건강에 얼마나 위협이 되는지, 위협이 있다면 얼마나 위협이 되는지에 대해 답해야 했다는 것을 볼 수 있습니다.
	아시죠, 미국 경제, 미국인이라는 것의 의미, 미국적 가치와 전통 같은 것들 말입니다. 기본적으로 이 질문들은 두 가지 다른 측면에 초점을 맞추고 있습니다.
	바이러스의 위협은 개인적, 재정적 건강 문제를 다루기 때문에 현실적인 위협으로 분류됩니다.
	그리고 상징적 위협은 사회문화적 요소에 더 가깝습니다. 이 모든 질문들을 여기서 확인하실 수 있습니다.
	저희는 그들이 진행한 세 가지 연구 중 하나에서 데이터를 얻었습니다. 이 데이터는 이 모든 질문에 답변한 550명의 참여자와 다른 여러 설문조사에서 얻은 데이터입니다. 그래서 저희 데모에서 이 데이터를 활용할 수 있을 것입니다.
	그리고 저희는 몇 가지 매우 구체적인 질문에 답할 것입니다. 첫 번째 질문은 코로나19 위협에 대한 인식을 어떻게 측정할 것인가입니다. 저희가 관심 있는 위협에는 두 가지 유형이 있습니다. 질문은, 코로나19가 매우 추상적인 개념이기 때문에 어떻게 측정할 것인가입니다.
	이제 확인적 요인 분석과 설문조사의 타당성과 신뢰성을 평가할 수 있는 방법에 대해 이야기해보겠습니다.
	하지만 여기서는 첫 번째 단계인 탐색적 요인 분석에 대해서는 다루지 않겠습니다. 탐색적 요인 분석은 SEM(검색엔진 마케팅) 분야가 아닌 다른 분야에서 진행하는 분석입니다.
	그리고 이는 새로운 척도나 새로운 설문 조사를 개발하기 위한 첫 번째 단계로 수행되어야 하는 일이지만, 여기서는 확인적 요인 분석 단계부터 시작하겠습니다.
	두 번째 질문은 코로나19 위협에 대한 인식이 웰빙과 공중 보건 행동을 예측하는가입니다. 이를 위해 회귀 개념에 대해 더 자세히 살펴보겠습니다.
	마지막으로, 각 유형의 위협이 결과에 미치는 영향은 동일한가요? 여기서 우리는 매우 독특한
	SEM의 유용한 기능은 모델 내의 다양한 효과에 평등 제약을 부과하고 이러한 유형의 질문에 답하기 위해 체계적인 모델 비교를 수행할 수 있다는 것입니다.
	좋아요, 이제 데모 시간입니다. 제가 이미 열어둔 데이터를 보여드리겠습니다.
	내 데이터 테이블에는 참가자가 다양한 설문 조사를 수행하기 때문에 많은 열이 있습니다.
	응답했지만, 여기 처음 10개 열은 그 질문들이거나, 그 설문조사에서 보여드린 질문에 대한 답변입니다.
	그래서 우리가 할 일은 다변수 방법, 구조 방정식 모델을 분석하고 이를 사용하는 것입니다.
	설문조사 답변입니다. 10개 항목 모두에 대해 모델 변수를 클릭하여 해당 데이터로 플랫폼을 시작할 것입니다.
	지금은 한 행에 하나의 관측치가 있는 데이터 테이블이 있습니다. 이것이 바로 와이드 데이터 형식이고, 저는 이 형식을 사용할 것입니다.
	하지만 데이터 요약을 위한 또 다른 탭이 있습니다. 따라서 상관 행렬이나 공분산 행렬만 있다면 이제 JMP 16에서 입력할 수 있습니다.
	JMP Pro 16도 좋은 선택입니다. 결국 우리가 하는 일은 공분산 구조를 모델링하는 것이기 때문입니다. 데이터 요약 기능을 사용하여 플랫폼을 실행할 수 있습니다.
	좋습니다. 계속해서 "확인"을 클릭해 보겠습니다. 그러면 가장 먼저 보이는 것은 모델 사양 창인데, 여기서 다양한 재미있는 작업을 할 수 있습니다.
	보시죠, 여기 가장 오른쪽에 다이어그램이 있는데, 다이어그램에 기본 사양이 있는 것을 보세요. 그래서 변수들이
	모두 양방향 화살표가 있는데 이는 모두 분산이 있다는 것을 의미합니다.
	평균도 있는데, 여기 캔버스를 마우스 오른쪽 버튼으로 클릭하면 평균이나 절편을 표시하는 옵션이 나오는 것을 보세요.
	다시 말하지만, 이는 오늘의 범위를 벗어나므로, 그 내용은 숨겨두겠지만 플랫폼의 기본 모델에는 우리가 관찰하는 모든 변수에 대한 분산과 평균이 있다는 점은 알아두세요.
	목록 탭에는 다이어그램과 동일한 정보가 포함되어 있지만 목록 형식이며 다음을 분할합니다.
	경로 또는 효과를 유형에 따라 분류합니다. 또한 현재 모델에 대한 많은 정보를 제공하는 상태 단계도 있습니다. 현재 상태 단계는 다음과 같습니다.
	아시다시피, 우리가 여기에 지정한 모델이 기본 모델이라는 점을 고려하면 자유도는 단지 기본 모델일 뿐입니다. 그리고 데이터 세부 정보와 기타 유용한 정보도 알려줍니다.
	모델에 문제가 있으면 이 작은 체크 표시가 변경됩니다. 따라서 모델을 지정하는 동안 문제가 있거나 오류가 있는 것으로 보이는 항목이 발견되면 이 탭의 색상과 유형이 변경됩니다.
	따라서 이는 모델 사양과 관련된 모든 유형의 문제를 해결하는 데 도움이 되기를 바랍니다.
	네, 맨 왼쪽에는 모델 이름을 입력하는 공간이 있습니다. 그리고 시작 및 종료 목록도 있습니다. 이렇게 하면 여기에서 변수를 매우 쉽게 선택할 수 있습니다.
	"from"과 "to" 역할, 어디에 있든 간에요. 그리고 우리는 그것들을 단방향 화살표나 양방향 화살표로 연결할 수 있는데, 우리가 알고 있듯이 그것들은 회귀, 로딩, 분산, 공분산입니다.
	지금 우리의 경우, 우리는 Covid 19에 대한 인식의 관찰되지 않은 구조를 어떻게 측정하는지 알아내고 싶습니다.
	위협입니다. 그리고 여기 제시된 처음 다섯 가지 항목은 저자들이 현실적인 위협이라고 분류한 질문들에 대한 답이라는 것을 알고 있습니다. 그래서 저는 그 질문들을 선택하겠습니다.
	변수들을 추가하고, 이제 기본 이름인 잠재 변수(latent variable)를 현실적인 위협 잠재 변수(realistic variable)로 변경하겠습니다. 더하기 버튼을 클릭합니다. 자동으로
	이 확인적 요인 모델은 현실적인 위협에 대한 하나의 요인을 가지고 있습니다. 여기서 흥미로운 점은 첫 번째 부하에 1이 있다는 것입니다.
	이는 이 경로, 즉 첫 번째 관찰 변수에 대한 잠재 변수의 효과가 1로 고정되어 있음을 나타냅니다.
	그리고 그것이 필요합니다. 그렇지 않으면 우리 모델이 식별되지 않을 테니까요.
	따라서 기본적으로 첫 번째 로딩을 1로 수정하여 모델을 식별하고 모든 추정치를 얻을 수 있습니다.
	또 다른 대안은 잠재 변수의 분산을 1로 고정하는 것인데, 이 역시 모델을 식별하는 데 도움이 되지만 어떤 것을 선택할지는 선택 사항입니다.
	좋습니다. 이제 현실적인 위협에 대한 모델이 생겼습니다. 이제 상징적 위협을 선택하고 이를 상징적 위협이라고 부르겠습니다. 그리고 계속 버튼을 눌러 추가하겠습니다.
	그 잠재 변수에 대해 이야기해 볼게요. 해상도를 바꿨더니 이제 예상보다 조금 덜 보이네요. 자, 이제 시작입니다. 이게 우리 모델입니다.
	우리는 원할 수도 있습니다
	지정하고, 이것은 실제로 매우 중요합니다.
	현실적이고 상징적인 위협입니다. 우리는 이러한 위협들이 서로 다르고, 공변동할 것으로 예상하기 때문에, 시작 및 종료 목록에서 해당 위협들을 선택하고 양방향 화살표를 클릭하여 공분산을 추가합니다.
	자, 여기 보시죠, 이게 우리의 완전한 2요인 확인적 요인 분석입니다. 이제 모델 이름을 정하고 실행할 준비가 되었습니다. "실행"을 클릭해 보겠습니다.
	모든 견적을 매우 빠르게 받아보실 수 있습니다. 모든 것이 여기에 있습니다. 지금 바로
	제가 여러분께 주의를 기울이고 싶은 것은 바로 모델 비교표입니다. 그 이유는 결과를 해석하기 전에 모델이 잘 맞는지 확인해야 하기 때문입니다.
	이 표에 어떤 내용이 표시되는지 살펴보겠습니다. 먼저, 여기에는 우리가 포함하지 않았지만 플랫폼이 출시 시 기본적으로 포함하는 두 가지 모델이 있다는 점에 유의하세요.
	그리고 우리는 그것들을 일종의 참조, 즉 모델을 비교하는 기준선으로 사용합니다. 여기서 보여드릴 제한 없는 모델은
	모든 변수가 서로 공변한다면, 바로 그것이 제약 없는 모형입니다. 다시 말해, 적합도 측면에서 우리가 할 수 있는 최선의 기준이 무엇인지에 대한 기준이 되는 것입니다.
	카이제곱 통계량은 모형의 부적합 정도를 나타냅니다. 그리고 여기서는 어떠한 제약도 없이 가능한 모든 분산과 공분산을 추정하고 있으므로,
	그래서 카이제곱이 0인 거죠. 모든 것을 추정하고 있기 때문에 자유도도 0입니다. 그래서 완벽하게 맞는 모형이고, 기준선 역할을 합니다...
	우리가 할 수 있는 최선이 무엇인지 이해하는 기준이 됩니다.
	좋습니다. 그렇다면 독립 모델은 실제로 플랫폼을 처음 출시했을 때 기본으로 적용되었던 모델입니다. 따라서 이는 최악의 기준이 될 수 있습니다. 최악은 아닐지 몰라도, 상당히 나쁜 모델입니다.
	변수들이 서로 전혀 상관관계가 없는 모델입니다. 카이제곱 통계량이 약 2000 단위로 증가하는 것을 실제로 볼 수 있습니다. 하지만 이 모델에서는 추정량이 많지 않기 때문에 자유도는 45입니다.
	마지막으로 우리는 우리만의 2요인 확인 요인 모델을 가지고 있으며 카이 제곱이 크고 147임을 알 수 있습니다.
	자유도가 34입니다. 독립성 모형보다 훨씬 작아서 다행히 더 나은 결과를 보이고 있지만, 여전히 유의미한 카이제곱값을 보여 데이터에 상당한 부적합이 있음을 시사합니다.
	SEM의 큰 난관 중 하나는 바로 이것입니다. 예전에는 카이제곱이 표본 크기에 영향을 받는다는 것을 사람들이 알고 있었습니다. 그런데 여기 관측치가 550개 있습니다. 따라서 잘 맞는 모델이라도 약간의 오차가 있을 가능성이 매우 높습니다.
	표본 크기가 크기 때문에 유의미한 결과가 나올 것입니다. 따라서 카이제곱과 관계없이 모형 적합도를 평가할 수 있도록 SEM 고유의 적합도 지수가 개발되었고, 바로 이 부분에서 기준 모형이 활용됩니다.
	바로 여기 첫 번째는 비교 적합도 지수입니다. 실제로는 0에서 1까지의 값을 가집니다. 여기서 1은 완벽하게 적합한 모델의 값이고, 0은 매우 적합하지 않은 모델, 즉 독립성 모델의 값임을 알 수 있습니다.
	그리고
	실수로 계속 정렬하고 있네요. 좋아요, 그럼 우리 모델에 대한 이 지수는 .9395를 의미하죠. 비율이에요. 네, 우리 모델이 얼마나 더 잘하고 있는지에 대한 비율이에요.
	독립 모델과 비교했을 때요. 그러니까 이건 독립 모델보다 약 94% 정도 더 나은 셈이죠. 꽤 괜찮은 수준이에요.
	지침에 따르면 CFI는 0.9 이상이 허용됩니다. 일반적으로 CFI는 1에 최대한 가까운 값을 원하며, 0.95가 이상적입니다.
	또한 근사 오차의 루트 메인 제곱인 RMSCA도 있는데, 이는 자유도당 부적합 정도를 나타냅니다.
	그래서 우리는 이 값을 아주 작게 하고 싶습니다. 또한 0에서 1까지의 범위를 갖습니다. 보시다시피, 우리 모델은 0.07, 약 0.08입니다.
	일반적으로 .1 이하는 좋고, 적절하며, 우리가 보고 싶은 수준입니다. 그리고 실제로 실험을 진행하면서 이 통계량에 대한 신뢰 한계를 얻게 됩니다.
	이것이 시사하는 바는 실제로 이 모델이 잘 맞는다는 것입니다. 즉, 수용 가능한 모델이므로 계속해서 해석을 시도할 것입니다.
	하지만 모델의 세부 사항을 살펴보기 전에 모델의 적합성을 평가하는 것이 정말 중요합니다. 모델이 처음부터 잘 맞지 않으면 별로 많은 것을 배울 수 없고, 적어도 유용한 정보를 많이 얻을 수 없기 때문입니다.
	좋아요, 이건 확인적 요인 분석이니까, (여기서 마우스 오른쪽 버튼을 클릭하면) 보여드리는 게 아주 유용할 거예요. 이제 다이어그램에 표준화된 추정치를 보여드릴게요. 좋아요. 즉,
	여기에는 상관 관계 지표에 있는 요인 로딩량에 대한 추정치가 있는데, 이는 요인 분석에서 이러한 로딩량을 해석하는 데 매우 유용하고 중요합니다.
	여기의 이 값은 또한 이 두 잠재 변수 간의 실제 상관 관계를 나타내도록 재조정될 것입니다. 이 경우에는 다음과 같습니다.
	상관관계에 대한 중요한 지점입니다. 빨간색 삼각형 메뉴에서는 표 형태로 표준화된 모수 계수를 확인할 수 있으므로 표준 오차, Z 통계량 등에 대한 자세한 정보를 얻을 수 있습니다.
	하지만 여기서는 이 모든 값이 상당히... 꽤 괜찮은 수준이라는 걸 알 수 있습니다. 이 값들은 관찰된 변수와 잠재 변수 사이의 상관관계입니다.
	그리고 이 지역에서는 일반적으로 0.48에서 0.8 정도입니다. 꽤 괜찮은 수치죠. 최대한 높게 설정하고 싶습니다.
	그리고 여기서 JMP Pro 16 기능인 다이어그램에 대해 알아차릴 또 다른 사항은 다음과 같습니다.
	관찰된 변수에는 약간의 음영이 있고 여기에는 실제로 양이나 부분을 나타내는 약간의 회색 영역이 있습니다.
	잠재 변수에 의해 설명되는 분산입니다. 작은 음영 처리만으로도 상징적 위협 변수들이 어떻게 설명되는지 시각적으로 확인할 수 있어서 정말 멋지죠.
	실제로 잠재 변수가 분산을 더 많이 설명합니다. 따라서 분산이 얼마나 설명되는지만 보면, 이 변수가 현실적인 위협 요인보다 더 나은 요인일 수 있습니다.
	이제 측정 모델 평가라는 옵션에 주의를 기울이고 싶습니다. 이 옵션은 측정 모델이 무엇인지 이해하는 데 매우 도움이 될 것입니다.
	그 설문조사에 나온 개별 질문은 사실 좋은 질문이었습니다.
	우리는 통계적...지표 신뢰도에 기반하여 질문의 신뢰성을 원하며, 이것이 바로 이쪽에서 우리가 구상하는 것입니다. 따라서 약간의
	이러한 질문 중 하나에 대한 허용 가능한 신뢰도의 임계값을 제안하는 줄을 여기에서 볼 수 있으며 실제로 상징적 위협이 더 나은 것을 알 수 있습니다.
	좀 나아진 것 같습니다. 현실적인 위협에 비해 질문의 신뢰성이 더 높아졌습니다. 하지만 전반적으로 두 질문 모두 꽤 괜찮은 편입니다.
	아시다시피, 그들이 선을 넘지 않는다는 사실은 그렇게 나쁘지 않습니다. 제 말은, 그들이 주변에 있다는 거죠... 이 두 가지 질문은 주변에 있습니다.
	지표 신뢰도에 대해 기대할 수 있는 적절한 기준입니다. 또한 여기에는 복합 지표의 신뢰도에 대한 통계도 있습니다. 다시 말해, 이 모든 질문을 종합적으로 고려한다면
	어쩌면 현실적인 위협에 대한 이 모든 질문을 수집하고 그 모든 답변에 대한 평균 점수를 얻을 수도 있을 것입니다.
	개인별로는 현실적인 위협에 대한 합성물이 될 수 있고, 상징적인 위협에 대해서도 같은 작업을 할 수 있습니다.
	그래서 여기 우리가 가지고 있는 것은 신뢰도 지수입니다. 참고로, 이 모든 지수는 0에서 1까지의 범위를 갖습니다.
	그래서 우리는 그들이 가능한 한 하나에 가깝기를 원합니다. 왜냐하면 우리는 그들이 매우 신뢰할 수 있기를 원하기 때문입니다. 그리고 우리는 여기서 이 두 가지가 모두
	복합재는 적절한 신뢰도를 갖습니다. 따라서 다른 분석에 대한 평균 점수를 사용하는 측면에서도 좋습니다.
	우리는 또한 최대 신뢰도를 구성하고 있으며 이는 잠재 변수 자체에 대한 신뢰도 값에 가깝습니다.
	평균을 만듭니다. 따라서 잠재 변수를 사용하면 더 나은 측정값을 얻을 수 있기 때문에 항상 이 값을 조금 더 높게 설정하게 됩니다.
	구성 타당도 행렬은 우리에게 많은 유용한 정보를 제공합니다. 여기서 핵심은 이 경우 하삼각행렬이 단순히 두 요인 간의 상관관계를 나타낸다는 것입니다.
	하지만 대각선의 값은 해당 요인의 모든 지표에서 추출된 평균 분산을 나타냅니다.
	여기서는 상징적 위협이 현실적인 위협보다 평균적으로 더 많은 설명 가능한 분산을 가지고 있음을 알 수 있지만, 둘 다 여기서는 상당한 값을 가지고 있어서 좋습니다.
	그리고 가장 중요한 점은, 이 대각선 값이 상삼각형 값보다 커야 한다는 것입니다. 상삼각형은 두 요소 사이의 겹치는 장벽을 나타내기 때문입니다.
	그리고 우리는 다른 지표보다 요인들이 자체 지표와 더 많이 겹치고 분산되기를 원한다는 것을 상상할 수 있습니다.
	다른 요인으로 구성합니다. 그래서 바로 여기, 다른 모든 통계와 함께
	설문조사가 유효하고 신뢰할 수 있는 답변을 제공하고 있으며, 실제로 다른 질문을 탐구하는 데 활용할 수 있다는 좋은 증거입니다. 그래서 여기서는 바로 그렇게 하려고 합니다. 이 글을 마무리하고
	다른 모델을 실행해서 플랫폼을 다시 출시할 예정인데, 이번에는...
	여기에 내가 만든 몇 가지 변수가 있습니다. 이 두 가지는 다음과 같습니다.
	합성 점수는 현실적 위협과 상징적 위협과 관련된 모든 질문의 평균입니다. 그래서 그 합성 점수가 바로 여기에 있습니다.
	그리고 저는 그것들을 모델링할 겁니다... 불안에 대한 척도도 있고, 부정적 영향에 대한 척도도 있고요. 그리고 CDC의 자료도 조금 추가할 수 있을 것 같습니다.
	준수 여부입니다. 즉, 사람들이 CDC의 권고 사항, 즉 공중 보건 행동을 준수하고 있는지 여부입니다. 이 모든 변수를 고려하여 플랫폼을 출시할 예정입니다.
	여기서 제가 하고 싶은 건 회귀 모델을 적합하는 데 집중하는 겁니다. 그래서 변수, 예측 변수, 결과를 선택했습니다. 그리고 일방향 화살표를 클릭해서 설정하기만 하면 됩니다. 이제 모델이 완전히...
	아직 정확하게 지정되지 않은 이유는 우리 둘 다 확실히 알고 싶기 때문입니다.
	코로나
	여기서 위협이 되는 것은, 그것들이 서로 공변하는지 확인하고 싶은 것입니다. 공변하지 않는다고 가정할 이유가 없기 때문입니다.
	결과도 마찬가지입니다. 직교성에 대한 이상한 제한을 부과하고 싶지 않기 때문에 공변해야 합니다.
	그래서 바로 여기 있는 것은 본질적으로 경로 분석입니다. 다변량 다중 회귀 분석이죠. 그냥 다변량 회귀 분석이라고 하면 됩니다. 이걸 사용해서 모델을 실행해 보겠습니다.
	좋아요. 그러니까 우리가 모든 것에 맞는다는 걸 알아두세요...
	데이터 간의 모든 분산과 공분산을 추정했기 때문에 자유도가 0입니다. 따라서 이 제안이 완벽하게 들어맞더라도,
	지금까지 회귀 모델을 맞춰본 게 전부입니다. 제가 이 부분을 정말 강조하고 싶은 건... 다이어그램의 레이아웃을 바꿔보겠습니다.
	두 위협 유형 간의 연관성을 더 쉽게 보여주기 위해서입니다. 분산과 공분산은 숨기고 싶은데, 여기서 볼 수 있듯이...
	나머지 모서리는 숨겨서 이 두 위협이 세 가지 결과에 미치는 관계에만 집중할 수 있도록 했습니다. 제 데이터 테이블에는 이미 적합 모델을 사용하여 불안을 같은 방식으로 적용했습니다.
	변수는 결과로, 위협은 예측 변수로 사용합니다. 두 가지 위협을 나란히 놓고 보여드리고 싶은 이유는 실제로
	여기서 불안 예측의 회귀에 대한 추정치는 두 예측 모두에 대해 SEM 플랫폼에서 가지고 있는 값과 정확히 동일합니다.
	그리고 그게 우리가 기대해야 할 바입니다. 적합 모델, 그러니까 이건 회귀 분석입니다. 지금까지 회귀 분석을 해왔습니다.
	기술적으로 말하면, 이 세 가지 다른 결과를 사용하여 세 가지 적합한 모델을 실행하는 것이 편하다면 SEM이 나에게 제공하는 것이 더 나은 것은 무엇일까라고 말할 수 있습니다.
	글쎄요, 그럴 수도 있고 다른 것이 필요하지 않을 수도 있고 이것이 여러분의 필요에 딱 맞을 수도 있지만 SEM의 독특한 특징 중 하나는 우리가 직접 테스트할 수 있다는 것입니다.
	평등... 모델의 평등 제약 조건이 타당한지 여부입니다. 즉, 두 가지 효과(예: 불안에 대한 현실적 위협 효과와 상징적 위협 효과)를 취하고 이 '같음' 버튼을 사용하여 평등 제약 조건을 적용할 수 있다는 의미입니다. 여기서 주목해야 할 점은,
	이 작은 라벨은 두 경로가 동일한 효과를 가질 것임을 나타냅니다. 그리고 우리는
	모델을 실행하면 이제 모델 비교 표에서 해당 모델을 선택하고 이 '선택된 모델 비교' 옵션을 사용하여 모델을 비교할 수 있습니다.
	그러면 카이 제곱의 변화가 나타납니다. 즉, 한 모델에서 다른 모델로 카이 제곱이 변하는 것을 볼 수 있습니다. 즉, 기본적으로,
	제약 조건을 추가했기 때문에 모델이 더 나빠질 것입니다. 따라서 자유도가 높아지고, 부적합도 더 커졌습니다. 문제는 이 부적합이 유의미한가입니다.
	이 경우 답은 '예'입니다. 물론 이는 표본 크기에 영향을 받습니다. 따라서 CFI와 RMSEA의 차이도 살펴보는데, 0.01 이상이면 다음을 의미합니다.
	부적합은 무시할 수 없을 만큼 심각합니다. 이 제약으로 인해 상당한 부적합이 추가된 셈입니다.
	이제 우리는 그것을 알고 있으므로 이것에 대해 직접적으로 말할 수 있습니다... 우리는 이것이 더 적합한 모델이며 그러한 제약이 없는 모델이며 현실적인 위협이 더 큰 긍정적 결과를 가져온다고 주장할 수 있습니다.
	상징적 위협과 비교했을 때 불안과의 연관성이 더 강합니다. 상징적 위협 역시 유의미한 긍정적 효과를 보이지만, 통계적으로 유의미하게 강하지 않고, 현실적인 위협만큼 강하지도 않습니다. 좋습니다. 그리고 다른 것들도 있습니다.
	흥미로운 효과들이 있습니다. 세션이 끝나갈 무렵, 제가 하려는 것은 바로 이 흥미로운 효과에 여러분의 관심을 집중시키는 것입니다.
	여기에서는 두 가지 유형의 위협이 CDC 행동 준수에 서로 다른 영향을 미치는 것으로 나타났습니다. 그리고 이 기사는 정말
	이 발견에 많은 관심을 기울이는 이유는, 아시다시피 둘 다 위협이기 때문입니다. 하지만 짐작하시겠지만, 자신의 개인적인 삶에 위협을 느끼는 사람들은
	건강이나 재정적 안전에 대한 위협이 있는 경우 사회적 거리두기와 사회적 모임을 피하는 CDC 지침을 준수할 가능성이 더 높습니다.
	위협이 상징적이며 사회적 문화적 가치에 대한 위협이라고 느낀다.
	그런 사람들은 CDC의 행동을 따를 가능성이 훨씬 낮습니다. 아마도 사회 문화적 규범이 위협받고 있다고 느끼기 때문일 것입니다. 흥미로운 결과이며, 이 모델에서 다른 여러 경로의 동등성을 검증할 수 있다는 것을 알 수 있습니다.
	알겠습니다. 제가 하고 싶었던 마지막 일은 여러분에게 보여주는 것뿐이었습니다(우리는 이 전체 모델을 설명하지 않을 것입니다). 하지만 두 가지를 결합하면 어떤 일이 일어나는지 보여드리고 싶었습니다.
	(이걸 조금 더 크게 만들어 봅시다) 회귀 분석과 요인 분석.
	구조 방정식 모델의 잠재력을 최대한 활용하려면 잠재 변수를 모델링해야 합니다. 여기서는 측정 오류를 실제로 제거할 수 있는 잠재 변수로 위협을 모두 사용합니다.
	설문 항목과 잠재 변수 간의 모델 연관성을 통해 편향되지 않은 효과를 얻을 수 있습니다. 왜냐하면 우리가 측정할 때 측정 오류를 고려하기 때문에 약화되지 않은 효과가 있기 때문입니다.
	잠재 변수와 변수를 직접적으로 분석합니다. 그리고 SEM(주관적 전자상거래)을 활용하고 있다는 점에 유의하세요. 여러 요인에 걸친 순차적 연관성을 살펴보고 있기 때문입니다. 아래 그림에서 멋진 다이어그램을 확인하실 수 있습니다.
	저는 우리가 가지고 있는 모든 멋진 효과를 보여드리기 위해 돌아다닐 수 있고 또한 우리의 다이어그램이 다음과 같은 사실을 강조할 수 있습니다.
	완벽하게 상호 작용하고 시각적으로 매력적이며, 선 유형을 기반으로 유의미한 효과와 유의미하지 않은 효과(이 경우 점선)를 매우 빠르게 식별할 수 있습니다.
	SEM의 모든 기능을 실제로 활용하려면 잠재 변수의 위협을 살펴보고 다른 여러 변수와의 연관성을 살펴보는 방법을 알아야 합니다.
	공중 보건 행동과 웰빙 변수에 대해 알아보겠습니다. 그럼, 여기서 데모를 멈추고
	슬라이드 외에도 정말 유용한 문서가 있다는 것을 알려드리겠습니다. 우리 플랫폼 테스터인 James Koepfler가 작성한 정말 훌륭한 문서가 있는데, 여기에는 우리 플랫폼을 사용하는 방법에 대한 정말 훌륭한 팁이 많이 나와 있습니다.
	모델 지정부터 모델을 비교하는 방법에 대한 팁, 살펴보기에 적절한 것, 중첩 모델이 무엇인지에 이르기까지 이 모든 정보는 사용하기로 결정하면 매우 가치 있다고 생각합니다.
	플랫폼입니다. 따라서 JMP 커뮤니티에 접속하셔서 프레젠테이션을 보완하는 자료를 받아보시는 것을 강력히 추천합니다. 이것으로 마무리하겠습니다. 모든 자료가 공개되면 질문을 받겠습니다. 정말 감사합니다.

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