758495_zh-TW

liliconcom

結構方程模型入門 (2020-US-45MP-590)

Laura Castro-Schilo，JMP 研究統計開發人員，SAS 研究所，JMP 部門
James Koepfler，SAS研究所JMP部門研究統計測試員

本次講座將詳細介紹結構方程模型 (SEM)，涵蓋關鍵基礎概念，讓不同背景的分析人員都能運用此統計技術。我們將首先比較 SEM 和迴歸分析，以幫助理解 SEM 框架。我們將展示如何利用觀測變數來估計潛在變數、如何控制測量誤差、如何改善未來的測量以及如何提升線性模型的估計精度。此外，我們將重點闡述分析人員可以使用 SEM 解決的關鍵問題，並透過真實資料範例展示如何解答這些問題。與會者將學習如何進行路徑分析和驗證性因子分析、如何評估模型適配度、如何比較不同的模型以及如何解讀 JMP Pro SEM 平台提供的所有結果。

示範材料

本次演講的幻燈片和補充資料可在此下載。

請查看本文末尾的資源列表，以了解更多關於搜尋引擎行銷 (SEM) 的資訊。

本簡報範例所使用的文章和資料可透過此連結取得。

自動產生的成績單…

揚聲器	文字稿
勞拉·卡斯特羅-希洛	大家好，歡迎！本次課程將介紹結構方程模型的基礎知識，我希望能讓大家掌握足夠的工具，以便能夠輕鬆上手。
	使用結構方程式建模平台和 JMP Pro 指定模型並解釋擬合模型的結果。
	現在，我們將首先向大家介紹什麼是結構方程模型，特別是它與因子分析和迴歸分析之間的連結。
	接下來，我們將簡要討論路徑圖在 SEM 中的使用方式及其在該建模框架中的重要作用。
	我盡量讓介紹部分簡短一些，這樣我們就能把時間花在實際操作的例子上。介紹之後，我將介紹我將用於演示的數據。這些數據是…
	關於人們對新冠病毒威脅的認知。因此，在介紹這些數據之後，
	我們將開始研究如何在平台內指定模型並解釋其結果，具體來說，就是回答以下問題：
	幾個問題。現在，這些問題將引導我們探討結構方程模型（SEM）中兩種非常重要的技術。一種是驗證性因子分析，另一種是多元迴歸。
	最後，我將向你們簡單介紹一下。
	在這個模型中，我們將驗證性因子模型、迴歸模型結合起來，這樣你就能真正看到 SEM 在你自己的資料中用於你自己的工作的潛力。
	好的，那什麼是SEM呢？結構方程模型是一個將因子分析和迴歸分析結合起來的架構。
	從因素分析的角度來看，我們能夠測量那些我們無法直接觀察到的事物。
	在迴歸分析方面，我們能夠檢驗變數之間的關係，無論這些變數是可觀測的還是不可觀測的。因此，當把這兩種工具結合起來時，我們就得到了一個非常靈活的框架，即結構方程模型（SEM），我們可以用它來擬合許多不同的模型。
	路徑圖是結構方程模型（SEM）中獨特的工具，因為所有統計結構方程模型，也就是實際的模型，都可以用圖表來表示。所以我們只需要學習一些相關知識。
	這些圖表的繪製方法有其特定的符號表示。例如，方格代表觀測變量，
	圓圈代表潛在變量，方差或協方差以雙向箭頭表示，回歸和載荷是
	用單向箭頭表示。另外，路徑圖中也使用三角形。
	但這超出了我們今天要討論的範圍。三角形用來表示平均值和截距。很遺憾，我們沒有足夠的時間來討論均值的所有強大功能。
	好的。但我還想向你們展示一些基本的東西…一些基本組成部分…
	x（位於方框內）預測 y，
	它們也放在一個方框裡。所以我們知道這些是觀測變量，每個變數都有雙向箭頭，箭頭的起點和終點都在自身，這意味著這些是變異數。
	對於 x，這個箭頭只是它的變體；但對於 y，雙箭頭表示殘差變異數。
	當然，您可能知道，在結構方程模型（SEM）中，一個結果變數既可以是結果變量，也可以是預測變數。因此，您可以想像存在另一個變數 z，y 也可以預測 z，這樣我們就可以在同一個模型中建立任意多個我們感興趣的迴歸模型。
	建構結構方程模型的第二個基本模組是驗證性因子模型，其最基本形式為：
	最基本的例子就在這裡，我們指定了一個因子或一個潛在變量，它是不可觀測的，但它是…
	這裡用箭頭指向 w、x 和 y 來表示，因為潛在變數被認為是造成我們在 w、x 和 y 中看到的共同變異的原因。
	現在，這裡展示的模型叫做驗證性因素模型，它只有一個因素。我認為理解因素分析中各因素的差異非常重要。
	從這個角度來看，要將其與主成分或主成分分析區分開來，這兩者有時很容易混淆。
	所以，我將稍微岔開主題，向你們展示從因子分析的角度和從主成分分析 (PCA) 的角度來看，因子有什麼不同。
	這裡的方塊代表觀測變量，也就是我們正在測量的指標，我用藍色塗成了藍色。
	每個觀測變數的數值都不同，這代表了這些變數旨在測量的變異數。所以它有點像是訊號。我的意思是，有
	我們真正感興趣的是這些內容。然後還有一些灰色地帶，它們代表了一部分來自其他來源的變異數。這可能是系統性方差，但只是其他來源的方差。
	我們希望它從測量儀器中獲得的資訊。因此，它包含
	來源是每個變數獨有的方差，它們也包含測量誤差。
	那麼，因子分析和主成分分析的差異在於，在因素分析中，潛在變數只會捕捉到共同的變異數。
	存在於所有這些觀測變數中，而這正是潛在變數所解釋的部分。
	這與 PCA 形成對比，PCA 中的主成分代表了資料維度中可以解釋的最大變異量。
	因此，你可以看到，主成分分析會盡可能地解釋變異數。
	這意味著，由於我們想要測量的物件以及其他可能的差異來源，會產生多種因素造成的差異。因此，這是一個非常重要的區別。
	因為當我們想要測量未觀測到的變數時，因素分析確實是更好的選擇，除非你知道我們的目標是否真的是降維，那麼主成分分析 (PCA) 就是一個理想的工具。
	也要注意的是，這裡的箭頭指向不同的方向。這是因為在因子分析中，實際上存在一個潛在的假設，即未觀測到的變數導致了我們觀察到的變異性。
	但在主成分分析（PCA）中並非如此，你可以從圖中看出這種差異。所以每當我們談到…
	在結構方程模型（SEM）中，如果要討論因子或潛在變量，那麼從因子分析的角度來看，我們很可能是在討論潛在變數。現在，這裡有一個…
	這是一個大型結構方程模型，我將之前展示的那些構建模組中的許多不同元素組合在一起。當我們看到一些數字時，是因為我們已經估計了這個模型。
	你可以看到，有些觀測變數可以預測其他變數。我們有一些序列關係，這意味著…
	一個變數導致另一個變量，而另一個變數又導致另一個變數。這也是一個有趣的例子，因為這裡有一個潛在變量，它是由某個觀測變數預測。但這個潛在變數也
	反過來，它又可以預測其他變數。因此，這張圖清楚地展示了結構方程模型（SEM）的多種用途，其基本用途包括：在更大的模型中對未觀測變數進行建模。
	背景。我們或許想考慮測量誤差。這一點很重要，因為潛在變數消除了測量誤差，它們只解釋了指標間共同的變異數。
	如果您也需要研究變數之間的序列關係，無論這些變數是可觀測的還是不可觀測的，SEM 都是一個極好的工具。
	最後，如果存在缺失數據，即使只進行迴歸分析，SEM 也非常有用，因為
	所有可用的數據都將在 SEM 估計過程中使用，至少在我們 JMP pro 中的演算法中是如此。
	所以……這些都是使用掃描電子顯微鏡（SEM）的絕佳理由。現在，我還想用這張圖來介紹一些重要的術語，如果你決定使用掃描電子顯微鏡，你肯定會多次遇到這些術語。
	這是你將在自己的工作中用到的工具。我們討論了觀測變數。在結構方程模型（SEM）術語中，它們也被稱為顯性變數。
	存在潛在變量，也存在外生變量。在這個例子中，只有兩個外生變數。
	這些變數只能預測其他變量，它們與內生變數相對，內生變數本身就受到其他變數的預測。因此，這裡所有其他變數都是內生變數。
	潛在變量，也就是它們所指向、所預測的顯性變量，也被稱為潛在變量指標。
	最後，我們從因素分析的角度討論了特異因子變異數。這些是因子的殘差變異數。
	來自潛在變數的方差，即無法用潛在變數解釋的方差，代表了此變數特有的系統方差加上測量誤差的組合。
	好的。
	我發現，為了更容易理解結構方程模型，重要的是要將注意力轉移到認識到我們真正需要的數據上。
	底層建模的核心是我們資料的協方差結構。我們也對均值和均值結構進行建模，但這超出了今天演講的範圍。
	但思考這個問題很重要，因為它關係到我們對數據的理解。
	你知道，我們習慣看到資料表，其中有行，變數是列，是的，就是這樣…
	這些數據可用於啟動我們的SEM平台。然而，從本質上講，我們的演算法實際上是在分析這些變數的協方差結構。因此，當你思考這些數據時，它們才是真正重要的數據。
	在底層進行建模。這也對我們考慮殘差時產生影響，因為結構方程模型中的殘差是相對於變異數和協方差而言的。
	你知道，我們估計的那些值，與樣本中的那些值形成對比。所以，對於殘差，我們需要稍微轉變一下關注點，從其他標準統計技術轉向我們通常使用的統計方法。
	我們要理解什麼是結構方程模型。還有一些概念，例如自由度，它們也都是相對於協方差而言的自由度。
	矩陣。因此，一旦我們轉變了關注點，我認為就更容易理解結構方程模型了。
	現在我想簡單舉個例子來說明結構方程模型（SEM）估計是如何進行的。通常，我們首先要指定一個模型，然後…
	JMP Pro 和我們的 SEM 平台令人興奮的地方在於，我們可以透過路徑圖直接指定模型，這使得它更加直觀。
	因此，當我們繪製路徑圖時，我們實際上是在指定一個統計模型，該模型蘊含著…
	資料的協方差矩陣結構。因此，該模型暗示了這種協方差結構，但我們當然也可以存取樣本協方差矩陣。
	因此，在估計過程中，我們嘗試盡可能地使樣本協方差的值與模型告訴我們的資料之間的關係（而不是變數之間的關係）相符。
	一旦我們得到模型估算值，我們就用這些估算值來獲得實際值。
	我們可以將模型隱含的協方差矩陣與樣本協方差矩陣進行比較。因此，透過比較這兩個矩陣之間的差異，
	我們可以獲得殘差，這使我們能夠了解模型的適合程度。簡而言之，這就是結構方程模型的工作原理。
	現在介紹部分結束了。接下來我想向大家介紹我將在演示中使用的數據的一些背景資訊。
	這些數據來自最近發表在《社會、心理和人格科學雜誌》上的一篇文章。
	本文作者想要回答一個簡單明了的問題。他們問道：「人們對新冠肺炎疫情的感知威脅如何影響我們的身心健康和公共衛生行為？」 這個問題真正有趣的地方在於，人們對新冠肺炎疫情的感知威脅…
	新冠病毒是一個非常抽象的概念。它是一個我們目前沒有測量工具來衡量的實體，我們無法直接觀察它。
	因此，在本文中，他們首先要弄清楚如何衡量這些感知到的威脅。
	這篇文章重點討論了兩種特定類型的威脅。他們將第一種稱為現實威脅，因為這類威脅與人身安全或財產安全有關。
	還有像徵性威脅，也就是對一個人的社會文化認同所構成的威脅。
	因此，他們最終制定了這個威脅等級，他們經過非常嚴格的過程來開發這項調查，這一等級，以衡量現實威脅和象徵性威脅。
	在這裡你可以看到，人們需要回答冠狀病毒疫情對他們的個人健康構成多大威脅（如果有的話）。
	你知道，美國經濟，成為美國人的意義，美國的價值和傳統。所以基本上，這些問題都集中在兩個不同的方面。
	病毒的威脅被認為是現實的，因為它涉及個人和財務健康問題。
	而像徵性威脅則較體現在社會文化層面。所以，你可以在這裡看到所有這些問題。
	我們從他們進行的三項研究之一中獲得了數據。這些數據來自550名參與者，他們回答了所有這些問題以及其他一些問卷，因此我們可以在演示中使用這些數據。
	我們將回答一些非常具體的問題。第一個問題是，我們如何衡量人們對新冠肺炎威脅的認知？我們感興趣的是兩種類型的威脅。問題是，鑑於這是一個如此抽象的概念，我們該如何做到這一點。
	接下來我們將討論驗證性因素分析，以及我們可以評估調查的有效性和可靠性的方法。
	不過，我們今天不打算討論的是第一步，也就是探索性因素分析。這是結構方程模型（SEM）以外的工作。
	這是開發新量表或新調查的第一步，但在這裡我們將從驗證性因素分析步驟開始。
	第二個問題是，人們對新冠肺炎威脅的感知能否預測他們的幸福感和公共衛生行為？這就需要我們進一步探討迴歸分析的概念。
	最後，每種威脅對結果的影響是否相同？而這正是我們將要了解的一種非常獨特的現象。
	SEM 的一個有用功能是允許我們對模型中的不同效應施加相等約束，並能夠進行系統性的模型比較來回答這類問題。
	好了，現在是時候進行示範了。讓我來展示一下數據，我已經開啟了。
	請注意，我的資料表有很多列，因為參與者需要完成許多不同的調查。
	已作答，但這裡的前 10 列是這些問題，或者說是我在那項調查中向您展示的問題的答案。
	因此，我們將要採用多元分析方法和結構方程模型，並運用這些方法和模型。
	我們將根據問卷的答案，點擊所有10個項目，建立模型變量，以便利用這些數據啟動我們的平台。
	現在，我有一個資料表，每行包含一條觀測值。這就是寬資料格式，所以我將使用這種格式。
	但請注意，還有一個用於匯總資料的選項卡。因此，如果您只有相關矩陣或協方差矩陣，現在可以將其輸入到……嗯，您可以在 JMP 16 中執行此操作。
	JMP Pro 16 也是一個選擇，因為請記住，歸根結底，我們真正要做的是建立協方差結構模型。所以您可以使用「匯總資料」來啟動平台。
	好了，我們點選確定。首先看到的是這個模型規格窗口，它允許我們進行各種有趣的操作。
	讓我們來看看，最右邊是圖表，請注意我們的圖表有一個預設的規格。所以我們的變數
	它們都帶有雙向箭頭，這意味著它們都存在差異。
	它們也有平均值，但請注意，如果我在這裡右鍵單擊畫布，就會出現一些選項，可以顯示平均值或截距。
	再次強調，這超出了今天的討論範圍，所以我將暫時隱藏這些內容，但請注意，平台中的預設模型對我們觀察到的每個變數都有方差和平均值。
	清單標籤包含與圖表相同的信息，但以清單格式呈現，並且它會將您的資訊拆分成多個部分。
	根據類型，路徑或效果也會有所不同。我們還有一個狀態步驟，可以提供您當前模型的大量資訊。例如，現在它告訴我們：
	你知道，鑑於我們這裡指定的是預設模型，我們擁有的自由度是多少？它還會告訴我們一些數據細節和其他有用的信息。
	請注意，如果您的模型出現問題，這裡的小勾號會發生變化。因此，在您指定模型的過程中，如果我們遇到任何疑似問題或錯誤，此標籤的顏色和類型都會變更。
	因此，希望它能幫助您解決模型規格方面的任何問題。
	好的，最左邊是用來輸入模型名稱的區域。我們還有“起始”和“結束”清單。這樣一來，選擇變數就非常方便了。
	在「從」和「到」這兩個位置，無論它們在哪裡。我們可以用單箭頭或雙箭頭連接它們，我們知道，它們代表回歸、載荷、變異數或協方差。
	就我們目前的情況而言，我們真正想弄清楚的是如何衡量這種未被觀察到的關於新冠肺炎的認知結構。
	威脅。我知道我在這裡列出的前五項正是作者們所稱的「現實威脅」問題的答案。所以我將選擇這些。
	現在我們要把預設的潛在變數1的名稱改成現實的，因為它代表的是現實威脅的潛在變數。所以我點擊加號按鈕。注意，我們會自動給你
	此驗證性因子模型包含一個代表現實威脅的因子。一個有趣的觀察結果是，第一個因子的負荷為1。
	這表明，這條路徑，即潛在變數對第一個觀測變數的影響，固定為 1。
	我們需要這個訊息，否則我們的模型就無法被辨識。
	因此，預設情況下，我們將把您的第一個載入值固定為 1，以便識別模型並能夠獲得所有估計值。
	另一種方法是將潛在變數的變異數固定為 1，這也有助於識別模型，但具體採用哪種方法取決於你的選擇。
	好了，我們已經建立了一個現實威脅模型。現在我要選擇那些象徵性威脅，我稱之為“象徵性威脅”，然後點擊“新增”。
	這是我們的潛在變數。我調整了解析度。所以現在我們看到的結果比我預期的少。不過，這就是我們的模型。
	我們可能想要
	具體說明，這一點非常重要。
	現實威脅和象徵性威脅。我們預期這些威脅會有所不同，彼此關聯，因此，我們會從「來源」和「目標」清單中選擇它們，然後點擊雙向箭頭來添加這種關聯。
	所以請注意，這就是我們完整的雙重驗證性因素分析。我們可以為模型命名，然後就可以運行了。那麼，點擊「運行」按鈕吧。
	我們很快就拿到了所有估算結果。一切都在這裡了。現在
	不過，我想請大家注意的是模型對比表。原因是，在嘗試解釋結果之前，我們需要確保模型擬合良好。
	那我們就來看一下這張表格裡的內容。首先要注意的是，這裡有兩個模型我們沒有進行適配，但平台在啟動時預設會適配它們。
	我們將這些用作參考，一個基準，用來與模型進行比較。我將在這裡向您展示的非限制性模型，
	如果所有變數都相互協變，那麼這就是無約束模型。換句話說，它是我們所能達到的最佳擬合基準。
	卡方統計量代表模型適配度的偏差程度。由於我們在這裡估計了所有可能的方差和協方差，沒有任何限制，
	這就是為什麼卡方值為零的原因。現在，由於我們對所有變數都進行了估計，所以自由度也為零。因此，這是一個完美擬合的模型，可以作為基準…
	為了解我們能做到的最好程度設定一個基準。
	好的，那麼這個獨立模型實際上是我們平台最初上線時預設使用的模型。所以，這算是最差的模型基準，也許不是最差的，但也相當糟糕。
	這是一個變數之間完全不相關的模型。的確可以看到，卡方統計量躍升至約 2000 個單位。當然，由於這個模型中我們幾乎沒有進行任何估計，所以現在我們有了 45 個自由度。
	最後，我們還有自己的雙重驗證性因素模型，我們也看到卡方值很大，為 147。
	自由度為 34。這比獨立模型小得多，所以情況有所好轉，值得慶幸，但卡方值仍然很大，表明數據存在顯著的擬合誤差。
	現在，結構方程模型（SEM）面臨一個很大的挑戰。以前人們意識到卡方值會受到樣本量的影響。而我們這裡只有550個觀測值。因此，即使是擬合良好的模型，也很可能會有一些偏差。
	由於樣本量很大，結果將具有重要意義。因此，目前已經發展出一些結構方程模型特有的適配指標，使我們能夠評估模型適配度，而無需考慮卡方值，而這些基準模型正是在此發揮作用。
	第一個指標叫做比較適配指數（Compracy Fit Index）。它的取值範圍是0到1。可以看到，1代表模型完美擬合，0代表模型適配度極差，也就是獨立模型。
	和
	我總是不小心​​把它排序了。好的，那我們模型的這個指數 0.9395 是什麼意思呢？它是比例，是的，它表示我們的模型性能提升了多少。
	與獨立模型相比，我們的方法提高了大約94%，這相當不錯了。
	指導原則是 CFI 值達到 0.9 或更高即可接受。我們通常希望它盡可能接近 1，0.95 為理想值。
	我們也有 RMSCA，即近似均方根誤差，它表示每個自由度的適合誤差量。
	所以我們希望這個值非常小。它的取值範圍在0到1之間。你看，我們的模型中這個值是0.07，大約是0.08。
	一般來說，0.1 或更低都是不錯的，足夠了，這正是我們想要看到的。然後，在後續分析中，我們會得到一些關於這個統計數據的置信區間。
	這表明該模型確實擬合良好……是一個可接受的擬合模型，因此我們將繼續嘗試對其進行解釋。
	但是，在真正深入了解模型細節之前，評估模型適合度非常重要，因為如果我們的模型從一開始就擬合得不好，我們就學不到很多東西，或者至少學不到很多有用的信息。
	好的，因為這是驗證性因子分析，我們會發現展示（我在這裡點擊右鍵）非常有用，現在我將在圖表上顯示標準化估計值。好的。這意味著我們將有
	這裡給出的是相關指標中的因子負荷的估計值，這對於解釋因子分析中的這些負荷非常有用且重要。
	這裡的這個值也會被重新調整，以便它能代表這兩個潛在變數之間的實際相關性，在本例中是
	這是相關性的一個重要面向。在紅色三角形選單中，我們還可以找到標準化參數係數的表格，以便了解更多關於標準誤差、Z 統計量等的詳細資訊。
	但你可以看到，所有這些數值都相當……你知道，它們都相當可以接受。它們是觀測變數和潛在變數之間的相關性。
	它們在我們這兒的數值通常在0.48到0.8左右。所以這些數值相當不錯。我們希望它們盡可能高。
	您還會注意到我們圖表的另一個特點，這是 JMP Pro 16 的功能：
	這些觀測變數帶有一些陰影，這裡有一些灰色區域，實際上代表了數量或比例。
	潛在變數解釋的變異數。這真的很棒，因為你可以從細微的陰影中直觀地看到像徵性威脅的變數。
	實際上，潛在變數能夠解釋他們更多的變異數。因此，僅從解釋變異數的大小來看，這或許比現實威脅因素更為合適。
	現在我想提請大家注意一個名為「評估測量模型」的選項，它將對我們了解…非常有幫助。
	那份問卷裡的每個問題，其實都是很好的問題。
	我們知道，基於統計…指標可靠性，我們希望我們的問題是可靠的，而這正是我們在這一側繪製的圖表。所以請注意，我們略微…
	這裡列出了一個建議的閾值，用於衡量這些問題的可接受可靠性，實際上你可以看到，象徵性威脅是一個更好的選擇。
	那邊似乎做得更好。與真實威脅相比，問題更可靠。但總的來說，兩者都相當不錯。
	你知道，他們沒有越界這件事本身並不糟糕。我的意思是，他們……這兩個問題都圍繞著……
	這是我們預期指標可靠性應有的適當閾值。這裡還有一些統計數據可以告訴我們綜合指標的可靠性。換句話說，如果我們把所有這些問題都考慮進去，
	或許我們可以把所有這些問題都納入考量，以評估一個現實的威脅，然後根據所有答案計算出一個平均分數。
	對個人而言，這將是現實威脅的綜合指標，我們也可以對象徵性威脅做同樣的處理。
	所以，這裡我們看到的就是可靠性指數。順便說一下，所有這些指數的取值範圍都在0到1之間。
	因此，我們希望它們盡可能接近於1，因為我們希望它們非常可靠，而我們在這裡看到，這兩者都做到了。
	綜合評分具有足夠的可靠性。因此，在其他分析中，使用綜合評分的平均分數是適當的。
	我們也建構了最大信度，這些值更反映了潛在變數本身的信度，而不是…
	計算平均值。因此，這些值總是會略高一些，因為使用潛在變數時，你會得到更精確的測量結果。
	結構效度矩陣為我們提供了大量有用的信息。關鍵在於，下三角矩陣僅表示本例中兩個因素之間的相關性。
	但對角線上的數值代表了該因子所有指標所提取的平均變異數。
	因此，我們可以看出，平均而言，象徵性威脅比現實威脅具有更大的解釋方差，但它們在這裡都具有相當大的值，這很好。
	最重要的是，我們希望這些對角線值大於上三角值，因為上三角值代表兩個因素之間的重疊障礙。
	您可以想像，我們希望這些因素與其自身指標之間的重疊和差異比與其他指標之間的重疊和差異更大。
	用不同的因素建構。所以，這裡的一切，連同所有其他統計數據。
	這些都是很好的證據，顯示這項調查能夠提供有效可靠的答案，而我們確實可以利用這些答案來探討其他問題。所以，這就是我們接下來要做的事。我們將結束這次調查，接下來我要…
	我們將採用不同的模式，重新推出我們的平台，但這次我將使用…
	我這裡有兩個我自己創建的變數。這兩個是：
	綜合得分是所有與現實威脅和象徵性威脅相關問題的平均分數。我這裡就是這些綜合得分。
	我將把這些因素與…結合起來建模。我有一個焦慮程度的測量指標，一個負面情緒的測量指標。我們也可以加入一些疾管中心的資料。
	依從性。這些指標指的是人們是否遵守美國疾病管制與預防中心（CDC）的建議，也就是公共衛生行為規範。因此，我們將在平台上發布所有這些變數。
	我在這裡想做的是擬合一個迴歸模型。所以我選擇了這些變量，也就是我的預測變數和結果變數。然後我點擊單向箭頭進行設定。現在模型還沒有完全建立…
	正確指定，因為我們想確保我們雙方都。
	冠狀病毒
	對於這裡的威脅，我們希望確保它們彼此之間存在協變關係，因為我們沒有任何理由假設它們之間不存在協變關係。
	結果也是如此，它們需要協變，因為我們不想對它們正交性施加任何奇怪的限制。
	所以，這本質上就是一個路徑分析，一個多元迴歸分析。我們可以直接在這裡輸入“多元迴歸”，然後運行我們的模型。
	好的。請注意，因為我們適合每一個…
	由於我們已經估計了數據中的所有方差和協方差，因此我們的自由度為零。所以即使這個預測結果非常吻合，
	我們目前所做的只是擬合了一個迴歸模型。為了真正強調這一點，我想向你們展示……我將改變圖表的佈局。
	為了更清晰地展示…兩種威脅類型之間的關聯。我想隱藏方差和協方差，您可以在這裡看到…
	我已經隱藏了其他邊，這樣我們就可以專注於這兩個威脅對三個結果的影響。現在，在我的資料表中，我已經使用擬合模型擬合了一個模型，我使用了相同的焦慮值。
	我以變量作為結果變量，並以相同的兩個威脅作為預測變量。我想把它們並列展示，因為我想向你們證明，事實上
	這裡對焦慮預測的迴歸估計值與我們在 SEM 平台上對這兩個預測的值完全相同。
	這就是我們應該預期的結果。擬合模型，我的意思是，這是迴歸分析。到目前為止，我們一直在進行迴歸分析。
	從技術上講，你可以說，好吧，如果我只是，我能夠輕鬆地使用這三個不同的結果來運行這三個擬合模型，那麼 SEM 究竟給我帶來了什麼更好的東西呢？
	嗯，也許吧，你可能不需要其他任何東西，這可能非常適合你的需求，但SEM的一個獨特之處在於，我們可以直接測試是否存在
	等式……模型中的等式限制是否合理。這意味著，我可以考慮這兩個效應（例如，現實威脅和象徵性威脅對焦慮的影響），然後可以使用「設定相等」按鈕來施加等式約束。請注意這裡，
	這些小標籤顯示這兩條路徑會產生相同的效果。然後我們就可以
	運行模型後，我們現在可以在模型比較表中選擇這些模型，並使用「比較所選模型」選項對它們進行比較。
	我們將得到的是卡方值的變化。所以，我們看到的只是從一個模型到下一個模型卡方值的變化。這基本上表明，好的，
	由於增加了一個約束條件，模型會變得更糟。因此，你得到了一個自由度，現在擬合度更差了，問題是，這種擬合偏差是否顯著？
	在這種情況下，答案是肯定的。當然，這會受到樣本量的影響。因此，我們也會查看 CFI 和 RMSEA 之間的差異，任何大於或等於 0.01 的值都表示…
	這種不匹配程度太高，不容忽視。這項限制條件又增加了一種顯著的不匹配程度。
	既然我們知道了這一點，我們就可以直接說……我們知道這是擬合度更高的模型，即沒有那個約束條件的模型，我們可以斷言，現實威脅具有更大的正向影響。
	與象徵性威脅相比，現實威脅與焦慮的關聯性更強，象徵性威脅也具有顯著的正向影響，但這種影響並不顯著，統計上不如現實威脅強烈。好的。還有其他因素。
	這裡有一些有趣的現象。所以，在這次課程即將結束之際，我想請大家注意這些有趣的現象。
	這裡的影響在於，這兩種威脅對人們遵守疾管中心行為準則的影響各不相同。這篇文章確實如此。
	之所以如此重視這項發現，是因為你知道，這兩種情況都構成威脅。但正如你可能想像的那樣，那些感到自身人身安全受到威脅的人會更加重視這項發現。
	如果健康狀況或財務安全受到威脅，他們更有可能遵守疾管中心的社交疏離和避免社交聚會的指導方針，而那些
	他們認為這種威脅具有像徵意義，是對其社會文化價值的威脅。
	這些人遵守疾管中心建議的行為的可能性明顯較低，或許是因為他們覺得這些社會文化規範受到了威脅。因此，這是一個有趣的發現，我們當然也可以在這個模型中檢驗其他一些路徑的等效性。
	好的，我最後想做的就是向你們展示（我們不會詳細描述這個模型），但我確實想向你們展示當兩者結合在一起時會發生什麼。
	（讓我們把範圍擴大一點）迴歸分析和因素分析。
	要真正發揮結構方程模型的全部潛力，你應該對潛在變數進行建模。這裡我們將威脅作為潛在變量，這使我們能夠真正消除測量誤差。
	調查項目，以及潛在變數之間的模型關聯，這使我們能夠獲得無偏效應，因為…未衰減的效應…因為我們在測量時考慮了測量誤差。
	直接分析潛在變數。請注意，我們正在利用結構方程模型（SEM），因為我們正在研究多個不同因素之間的序列關聯，所以您可以在下方看到我們清晰的圖表。
	我可以四處走動，向你們展示我們所有酷炫的效果，同時也要重點說明我們的圖表是
	它具有完全的互動性，視覺效果非常吸引人，而且我們可以很快地根據線條類型來識別顯著效果，而對於不顯著效果，例如本例中的虛線，則可以進行區分。
	再次強調，為了真正發揮結構方程模型（SEM）的全部威力，您可以看到我們在這裡是如何考察潛在變數的威脅，以及它們與其他一些變數之間的關聯。
	公共衛生行為與福祉變數。因此，我將在此結束演示。
	除了幻燈片之外，我們還有一份非常有用的文檔，這份文檔是由我們平台的測試人員 James Koepfler 編寫的，其中包含許多關於如何使用我們平台的實用技巧。
	從模型的指定，到模型比較技巧、應該關注哪些方面、什麼是嵌套模型等等，我認為如果您決定使用，所有這些資訊都會對您非常有價值。
	這個平台。所以我強烈建議您前往 JMP 社區獲取這些補充資料，它們是本次演示的補充。好了，我的演講就到這裡，等正式開始後我們會接受提問。非常感謝。

進階統計建模基礎資料分析與建模消費者與市場研究實驗設計預測建模和機器學習品質與工藝工程可靠度分析分享和交流成果