Salut, tout le monde. Je suis Laura Castro- Schilo. Je suis a senior recherche statisticien promoteur fonctionnement avec le Modèles d'équations structurelles plate-forme. Je suis vraiment excité aujourd'hui à montrer toi quelques de le nouveau caractéristiques que nous avoir dans JMP Pro 17. Un de le grand ceux est en allant à permettre nous à explorer groupe différences. Étaient en allant à parler à propos que a parcelle aujourd'hui.
Notre plan pour aujourd'hui est, avec un peu de chance, Bien dépenser la plupart de le temps dans a démo, vraiment montrant toi ceux nouveau caractéristiques. Mais très brièvement, avant nous obtenir dans que, I vouloir à rappeler toi quoi Modélisation par équations structurelles est, pourquoi toi pourrait vouloir à utiliser il, et alors avec un peu de chance à travers le démo, Je vais montrer toi comment à utiliser il.
Maintenant, notre présentation aujourd'hui est pas très long. Quoi I aussi vouloir à faire est montrer tu partages avec toi quelques supplémentaire ressources de précédent découverte présentations et promoteur tutoriels où tu vas apprendre a parcelle plus détail sur comment à utiliser MÊME.
Maintenant, le aperçu de nouveau caractéristiques étaient en allant à couverture, étaient en allant à d'abord parler à propos multiple groupe analyse et alors quelques améliorations que nous avons fait pour longitudinal modélisation dans COMME et pour enquête développement. Après nous aller sur ceux, Bien aller droit dans le démo et vraiment montrer toi comment tous de ceux sont utilisé.
Modélisation par équations structurelles est a très général analyse cadre pour enquêter le associations entre variables. Maintenant, ce est a très large définition, et c'est intentionnel, parce que Modélisation par équations structurelles est a très large technique où a nombre de différent modèles peut être ajuster.
Ici J'ai répertorié a peu de le modèles que toi pourrait ajuster dans COMME, mais ce est pas un exhaustif liste. Il vraiment est a a très flexible cadre.
A naturel question que pourrait viens à esprit est, si I peut faire quelques de ces analyse quelque part autre, alors pourquoi serait I vouloir à utiliser a OMS? Parfois toi pourrait pas besoin à utiliser il, droite? Que serait être juste bien. Mais là sont quelques circonstances dans lequel COMME serait être particulièrement utile. J'ai compris ici a liste de quoi ceux circonstances pourrait être.
Le d'abord est parfois toi pourrait être intéressé dans compréhension le mécanismes par lequel des choses arriver. Ce est a circonstance où COMME peut être très utile. Souvent quand toi vouloir à comprendre mécanismes, que moyens que toi avoir variables que sont les deux prédicteurs et résultats.
Encore, pas beaucoup statistique techniques permettre toi à spécifier modèles où toi peut avoir a variable être les deux a prédicteur et un résultat. C'est en fait quelque chose que est très naturel dans MÊME. Si ce est quelque chose que tu es fonctionnement sur, COMME pourrait être très utile pour toi.
Toi vraiment vouloir à effet de levier ton domaine compétence si tu es en utilisant MÊME. Le raison est parce que dans commande à spécifier ton modèles, toi vraiment besoin à pense à propos quoi sont ton théories ? Quoi est il que toi savoir à propos ton données? Toi viens en haut avec ceux théories, toi traduire eux dans a testable modèle, et alors quand toi ajuster ton modèles, toi voir si ou pas il y a soutien pour ceux idées que toi avoir.
Maintenant, a très important utiliser cas pour COMME est quand tu es fonctionnement avec variables que ne peut pas être mesuré directement. Donc en retard- dans variables sont très important dans a nombre de différent domaines. Si tu es intéressé, pour exemple, dans regarder à client satisfaction ou qualité de a produit dans le sciences sociales. Il y a donc beaucoup en retard- dans variables, personnalité, intelligence, ceux sont quelques de le cliché des choses que toi serait entendre. Mais vraiment, variables tardives sont tous sur le lieu. Si toi travail avec ceux, si toi avoir recherche questions que entraîner en retard- dans variables, alors tu es vraiment en allant à avantage par en utilisant MÊME.
A quelque peu en rapport raison à utiliser COMME est que si toi avoir variables que avoir mesures erreur et toi en fait vouloir à compte pour que mesures erreur, COMME peut aussi être très utile. I dire que ce est en rapport à le variables tardives parce que le chemin dans lequel nous compte pour le mesures erreur est par spécifiant variables tardives dans MÊME. Mesures erreur peut avoir parfois inattendu conséquences sur notre inférences. Il peut être assez utile à compte pour il.
Un autre avantage de COMME, et ce est un chose que est très pratique vraiment, est quand il vient à ayant manquant données, lequel, de cours, sont tous sur le lieu, le la plupart populaire estimation algorithme pour COMME poignées manquant données dans a sans couture mode tel que le utilisateur n'a pas vraiment besoin à faire rien. Manquant données sont manipulé avec a coupe bord algorithme et toi vraiment ne le faites pas avoir à inquiétude à propos il comme beaucoup. Si toi avoir manquant données, parfois I dire personnes même si toi juste avoir a simple linéaire régression, toi peut avantage depuis en utilisant COMME juste parce que manquant données sont manipulé et c'est facile.
Dernièrement, Chemin Diagrammes sont a critique outil pour Modèles d'équations structurelles. Ceux diagrammes sont très utile parce que parfois même le la plupart complexe statistique modèles peut être transmis dans a très intuitif mode par s'appuyant sur sur ces diagrammes.
Dans JMP, nous utiliser ces diagrammes à faciliter le spécification de notre modèles, mais aussi à transmettre le résultats de modèles. Ceux diagrammes peut être très utile quand tu es présentation ton résultats à n'importe lequel taper de public, vraiment.
Tous droite, donc ce est juste a très bref liste de pourquoi toi pourrait vouloir à utiliser MÊME. I faire vouloir à partager a lien ici à a présentation que I a donné le long de avec James Cuffler, qui est aussi dans emploi développement. Nous a fait a promoteur tutoriel où nous en fait est allé dans a beaucoup plus profondeur à propos le raisons pourquoi toi pourrait vouloir à utiliser MÊME. Si toi vouloir à vérifier que dehors, I juste recherché à partager ce lien ici. Si toi télécharger le diapositives depuis le communauté, toi ne le faites pas avoir à taper ce long lien. Toi peut juste cliquez sur que et vérifier que vidéo dehors.
Tous droite, donc comment à utiliser MÊME. Encore, Je suis en allant à aller dans a démo et Je vais montrer toi comment à utiliser COMME, mais mon démo est pas en allant à être aussi concentré sur a tutoriel taper de présentation, surtout parce que de temps contraintes. Nous vouloir à garder ce court et doux.
Quoi I vouloir à faire dans ce glisser est partager avec toi supplémentaire vidéo présentations où toi peut aller et apprendre plus dans a tutoriel formulaire comment à utiliser Modèles d'équations structurelles pour a peu différent cas études, essentiellement. Ici, ce d'abord vidéo est a lien où I couvert comment à modèle enquête données et latence variables. Nous couverture des choses comme confirmatoire facteur analyse et chemin analyse avec et sans latence variables.
Si toi avoir longitudinal données, ce vidéo peut être assez utile. Ici I est allé sur comment à ajuster croissance tardive courbe modèles et comment à interpréter ceux résultats. Bien faire a petit peu de longitudinal modélisation ici aujourd'hui dans le démo, mais nous ne le fera pas être capable être capable à aller dans le détails encore dans a tutoriel chemin. I certainement encourager toi à montre que si toi sont intéressé.
Si toi ne le faites pas avoir avant COMME expérience, I très beaucoup encourager toi à montre ce autre vidéo où Jacques Manchette et I parlé à propos bâtiment Modèles d'équations structurelles dans JMP Pro. Ce un est très introduction, et donc toi pourrait vouloir à commencer avec que un avant à en allant à le autres.
D'accord, donc maintenant c'est temps à obtenir dans a petit aperçu de le nouveau caractéristiques dans JMP Pro 17. Multiple groupe analyse est a fonctionnalité que J'ai a été vraiment regarder avant à présentation sur parce que ce est quelque chose que s'étend tous de le modèles que peut être ajuster dans SE M. Il fait donc par permettant nous à enquêter similitudes et différences à travers sous-populations. Nous faire ce par incorporation a regroupement variable dans notre analyse.
Maintenant, le la plupart populaire multiple groupe analyse exemples généralement montrer a regroupement variable que a peu niveaux. Des choses comme démographique variables sont utilisé très souvent. En effet, dans le démo Je suis en allant à faire, Je suis aussi en allant à utiliser a simple démographique variable. Mais vraiment, il y a Non limite à comment beaucoup niveaux toi vraiment devrait avoir. Quoi vraiment importe est comment beaucoup observations faire toi avoir pour chaque niveau. Toi vouloir à avoir a relativement bien échantillon taille pour chaque de ceux sous-groupes.
Maintenant, là est a général stratégie pour le analyse. Étaient en allant à voir ce dans pratique, mais I vouloir toi à commencer pensée à propos comment ce vraiment travaux. C'est en fait assez simple. Quoi nous faire dans multiple groupe analyse est ajuster deux modèles.
Un de ceux modèles est en allant à être a plus limité version de le autre. Une fois nous ajuster les deux de eux, Bien être capable à faire a probabilité rapport test ou a haut carré différence test dans commande à faire un inférence à propos si le restrictions que nous imposé dans un de le modèles sont dans fait défendable. Ce est comment nous chiffre dehors si là sont statistiquement significatif différences à travers groupes. Encore, Bien voir que jouer dehors dans le démo .
Dans termes de longitudinal données analyse, nous avons fait il a parcelle Plus facile à interpréter le résultats depuis ton modèles par regarder à le modèle implicite trajectoires à travers a nouveau prédit valeurs parcelle. Nous aussi avoir fait il a parcelle Plus facile à spécifier multivarié croissance courbes. Si tu es familier avec ces modèles, ils permettre toi à enquêter le association de multiple processus sur temps. Ils peut être très utile, mais il utilisé à être a petit fastidieux dans termes de comment à spécifier ceux. Maintenant nous avons fait que très facile et rapide à travers le utiliser de modèle raccourcis. Pour quelques avancé applications, nous avons aussi fait il Plus facile à définir un indépendance modèle basé sur quoi utilisateurs vouloir à avoir comme le indépendance modèle.
Là sont aussi quelques améliorations pour enquêtes. Ce vraiment est surtout concentré sur rationalisation ton flux de travail pour développement enquêtes. Généralement le analytique flux de travail commence par en utilisant exploratoire facteur analyse, et alors toi prendre ceux résultats et confirmer eux avec un indépendant échantillon en utilisant confirmatoire facteur analyse dans COMME .
Quoi nous avons fait avec le aide de Jianfeng Ding, OMS est le promoteur pour Exploratoire Facteur Analyse, nous avons a été capable maintenant à lien le deux plateformes par essentiellement permettant toi à copie le modèle spécification depuis exploratoire facteur analyse et alors coller que dans COMME donc que toi peut facilement et rapidement confirmer ton résultats.
Nous aussi avoir a nouveau raccourci pour commutation le échelle de ton tardif variables. Parfois ce est utile quand tu es développement enquêtes pour spécifiant modèles. Nous aussi avoir a nombre de plus nouveau chaleur cartes que sont juste en allant à faire il Plus facile à interpréter le résultats de ton analyse.
Maintenant, dernier mais pas moins, notre plate-forme a toujours a été très rapide. Mais dans ce libérer, Chris Gotwell mettre a parcelle de génial effort vers améliorer même plus le performance de notre interne algorithmes. Si toi avoir beaucoup de variables ou beaucoup de données, certainement donner il a tir. I suis très, très impressionné et excité à propos quoi nous avoir à offre dans termes de le performance de le plate-forme comme Bien.
D'accord, donc c'est temps pour le démo. Allons-y aller devant et montrer toi quoi I avoir sur ici. I avoir a journal où Je suis en allant à travail à travers, avec un peu de chance nous avoir assez temps à travail à travers trois exemples.
Le d'abord un ici, peut-être pas étonnamment, utilisations notre grand classe données tableau. C'est en allant à être a très simple exemple juste à introduire le notions derrière multiple groupe analyse. Maintenant, quoi Je suis en allant à faire ici, nous avoir deux variables, droite? Hauteur et poids. Quoi I vouloir à faire est enquêter le association entre ces deux variables par sexe. Je suis en allant à aller à le Analyser menu, aller vers le bas à Multivarié Méthodes, et alors De construction Équations Modèles. Je suis en allant à utiliser les deux de ceux variables et cliquez sur Modèle Variables.
Maintenant, le marque nouveau fonctionnalité de multiple groupe analyse peut être trouvé dans ce lancement dialogue sous ce Groupes bouton. Ce bouton est nouveau et c'est qu'est-ce que en allant à permettre nous à sélectionner notre regroupement variable et cliquez sur groupes dans commande à utiliser que comme notre regroupement variable. Étaient en allant à regarder à comment hommes et femelles et si ils différer essentiellement sur leur association entre hauteur et poids. Étaient en allant à cliquez sur O parce que.
Maintenant, ce est le plate-forme. Toi peut voir si toi avoir vu notre plate-forme avant, il apparence très similaire comme avant, avec le exception de ces nouveau onglets droite ici. Le onglets sont là à dire nous à propos le différent groupes que nous avoir dans notre analyse. Dans ce cas, il y a seulement deux niveaux pour notre regroupement variables. Nous avoir a languette pour le femelles et a languette pour mâles.
Un de le des choses tu vas avis est que le Chemin Diagrammes avoir a modèle déjà comme a défaut pour chaque de ceux groupes. Ceux défaut modèles sont le même. C'est pourquoi quand I changer onglets, rien vraiment changements. Le Union languette, comme le nom implique, il spectacles nous qu'est-ce que dans commun à travers tous de notre regroupement, Bien, le niveaux de notre regroupement variable. Ici, ce est pourquoi ce diagramme aussi apparence le même.
Dans commande à spécifier a simple linéaire régression dans COMME , ici, Je suis juste en allant à sélectionner dans ce Depuis Liste le hauteur variable, et alors dans le à liste, Je suis en allant à sélectionner poids. Je suis en allant à lien ceux deux variables avec a un à tête flèche, lequel est quoi ajoute que régression chemin à mon modèle. Ce est juste a simple linéaire régression où hauteur est prédire poids.
Maintenant, parfois I comme à clic droit sur le toile de le Chemin Diagramme et I aller à personnaliser diagramme juste à faire le nœuds a petit peu plus grand parce que I trouver que parfois, en particulier quand le diagrammes sont petit, que apparence a parcelle plus agréable. Ce est juste a simple linéaire régression.
Maintenant, avis que parce que I a fait mon modèle spécification sous le Union languette, les deux le femelles et le hommes hérité ceux même changements et caractéristiques à le modèle que I fait. Si I faire n'importe lequel changements dans a groupe spécifique languette, alors ceux changements volonté seulement appliquer à que groupe. Mais dans ce cas, quoi I vouloir à faire est ajuster un initial modèle où les deux les hommes et personnes célèbres et femelles obtenir leur propre estimations pour ce linéaire régression.
Maintenant, garder dans esprit que le estimation de ce modèle est tous fait simultanément. Étaient pas séparément convenable ce modèle pour femelles et pour mâles. Tout est fait simultanément, mais Je suis toujours capable à permettre chaque de le groupes à avoir leur propre estimations pour le modèle.
Je suis en allant à cliquez sur Courir, et Bien voir il y a a modèle comparaison tableau où nous peut apprendre a parcelle à propos le ajuster de le modèle. Mais maintenant, quelque chose c'est nouveau dans notre rapport est que nous avoir ces onglets pour chaque de notre groupes. Nous avoir a languette pour le femelles et a languette pour le mâles.
Maintenant, si toi se concentrer sur le régression coefficient, pour exemple, I peut aller dos et en avant et réaliser que I faire avoir, dans fait, a différent estimation pour que coefficient.
Maintenant, le coefficient apparence différent, mais I ne le faites pas avoir a test, a officiel statistique test que raconte moi si ou pas que association est statistiquement significatif. Le différence et le association est différent. À n'importe lequel taux, le hommes ici avoir à propos 3.4, femelle avoir a petit peu plus grand valeur. Mais quoi nous vraiment vouloir est à ajuster a deuxième modèle où nous forcer un égalité contrainte sur que paramètre estimation, et alors nous peut utiliser que à comparer contre ce modèle. Allons-y aller devant et faire que.
Je suis en allant à être sur le Union languette et Je suis en allant à sélectionner que régression chemin et Je suis en allant à cliquez le bouton, Ensemble Égal. Ce est en allant à apporter en haut ce dialogue lequel est juste en allant à demander moi à confirmer que I faire vouloir à appliquer ce égalité contrainte à travers tous de mon groupes, lequel I faire. Je suis en allant à cliquez D'accord. Maintenant avis que I avoir ce nouveau étiquette que était mettre ici sur le bord. Si I regarder à le femelle languette et le mâle languette, que étiquette est toujours montrant en haut sur que bord sur que flèche. Que est notre chemin à transmettre à toi, le utilisateur, que le même paramètre estimation est en allant à être utilisé essentiellement à décrire que association.
D'accord, donc allons aller dos et modèle nom. Étaient en allant à changement ce à être régression effet est égal. Nous forcer que à être égal dans ce modèle. Étaient en allant à aller devant et cliquez sur Courir. Maintenant, encore, nous pourrait regarder à notre modèle comparaison à regarder à le ajuster de mon différent modèles. I peut sélectionner le deux modèles que I juste ajuster, et parce que un de ceux modèles est a limité version de le autre, nous appel ce que le modèles sont imbriqués, nous peut en fait faire a probabilité rapport test.
Que est fait très facilement dans notre plate-forme simplement par sélection le deux modèles et en cliquant sur Comparer Choisi Modèles. Nous volonté obtenir a différence dans le Dépenser carré, lequel représente le changement dans le inadapté de le modèle. Nous aussi regarder à le différence dans degrés de liberté entre le deux modèles et le différences dans le Ajuster selon à quelques de le la plupart populaire Ajuster statistiques dans MÊME.
Maintenant, selon à ce spécifique test, il apparaît que le changement dans Dépenser carré, le augmenter dans inadapté est pas statistiquement significatif. Si nous utiliser juste ce Dépenser carré différence test, nous serait alors viens à le conclusion que même cependant ceux deux valeurs sont différent, ils sont pas statistiquement différent. Maintenant nous pourrait aller dos vers le bas ici à notre languette résultats et toi peut voir que le régression coefficient est le même même quand I aller à travers le onglets. Nous pourrait alors dire, Bien, il y a Non différence entre hommes et femelles dans termes de comment hauteur prédit poids.
Ce est a très simple exemple de comment nous pourrait utiliser égalité contraintes à travers groupes dans commande à test a spécifique hypothèse. Maintenant, comme toi peut imaginer, I pourrait aller dos dans mon modèle spécification et I pourrait mettre égalité contraintes aussi sur le variance de hauteur et sur le résiduel variance de poids. Si que est quelque chose que est de intérêt à moi, si I vouloir à test ceux différences, ce cadre permet moi à faire que.
Maintenant, a parcelle de fois tu es en allant à avoir plus compliqué modèles Bien au-delà linéaire régression, ou toi pourrait avoir plus niveaux de ton regroupement variable, et c'est totalement bien. Ce est a simple exemple que avec un peu de chance toi peut... Que permet toi à voir comment toi pourrait étendre ce dans a plus compliqué paramètre. D'accord, donc que est ce exemple.
I vouloir à se déplacer sur à un exemple que utilisations longitudinal données. Maintenant, étaient pas en allant à se déplacer loin depuis multiple groupe analyse entièrement. Étaient essentiellement en allant à souligner quelques de ceux longitudinal analyse améliorations, mais alors toujours apporter dos le notion de multiple groupe analyse.
Pour ce exemple, I vouloir toi à imaginer que nous avoir données tableau où nous avoir données depuis étudiants que avoir pris un académique réalisation test pour quatre consécutif années. Peut-être quoi nous vraiment vouloir à trouver dehors depuis ces données est si étudiants réalisation... Comment est il développement sur temps? Si hommes et femelles différer dans leur trajectoires sur temps? Ces sont en allant à être le deux questions que étaient en allant à se concentrer sur pour ce particulier exemple.
Maintenant, là est a échantillon données tableau que toi volonté trouver dans notre échantillon données dossier. C'est appelé Académique Réalisation. Toi pourrait utiliser que à suivre le long de avec ce exemple. Dans ce données, nous avoir 100 rangées. Chaque rangée représente a différent étudiant que a pris ce académique réalisation test. Toi peut voir que ici, ces quatre colonnes représenter le scores sur que multiple choix test que était pris pour années dans a rangée. Ceux sont le données que Je suis en allant à se concentrer sur pour convenable a longitudinal modèle.
Je suis en allant à aller à le Analyser menu, Multi divers Méthodes, Modèles d'équations structurelles, et ceux quatre variables sont choisi. Je suis juste en allant à cliquez sur Modèle Variables dans commande à utiliser ceux dans MÊME. Je suis en allant à cliquez D'accord. Souviens-toi, le d'abord question était, comment faire étudiants' académique réalisation développer sur temps? Nous vouloir à caractériser que croissance ou chiffre dehors si là est croissance en effet.
Nous avoir notre modèle raccourci vers le bas à le bas gauche, et toi peut voir que sous le Longitude analyse menu, nous avoir a nouveau option. Étaient en allant à obtenir à ce option plus tard aujourd'hui, multivarié, en retard dans croissance courbes.
Mais nous aussi avoir avait a peu autre options ici que faire longitudinal modélisation très rapide et simple. Pour ce exemple, Je suis en allant à utiliser le Ajuster et Comparer Croissance modèles. Quand I faire que, trois différent modèles sont ajuster. I obtenir a Dépenser carré différence test pour tous de le possible combinaisons ici. Si I regarder à le Ajuster indices et aussi le résultats depuis ce Dépenser carré différence test, I volonté reconnaître que le meilleur convenable modèle ici est le linéaire croissance courbe modèle. Dans autre mots, il apparaît que le scores sur ce académique réalisation test sur temps peut être meilleur caractérisé par linéaire croissance.
Basé sur que, I volonté aller devant et se concentrer sur interprétation le résultats depuis ce linéaire croissance courbe modèle. Je suis en allant à ouvrir que et rappel que que un de le nouveau caractéristiques pour longitudinal modélisation est a nouveau prédit valeurs parcelle que permet nous à interpréter le résultats de notre modèles a parcelle plus facilement. Si tu es familier avec croissance courbe modèles, toi savoir que quelques de le clé paramètre estimations sont ces droite ici. Ils dire nous sur moyenne comment notre étudiants où faire ils commencer et comment sont ils changement sur temps et comment beaucoup variabilité là est dans ceux trajectoires.
Sous le rouge triangle menu de ce particulier modèle, si I rouleau vers le bas, Je suis en allant à trouver un option appelé prédit valeurs parcelle. Si I cliquez sur que, toi volonté voir que comme a défaut, nous montrer toi boîte parcelles de le prédit valeurs pour tous de le résultat variables dans le modèle.
Maintenant, quand toi avoir longitudinal données, nous avoir a très pratique option ici que permet toi à connecter le données points et en fait obtenir a spaghetti parcelle que spectacles toi chaque de le individuel prédit trajectoires par le modèle. Maintenant, c'est joli cool parce que le parcelle est, dans fait, lié à le données tableau. Peu importe sélections toi avoir ici sur le parcelle, toi peut aussi voir ceux dans ton données tableau, lequel est quelque chose que toi savoir à attendre depuis JMP.
Dans termes de interprétation le résultats de le modèle, c'est Non surprendre que ces sont tous droit lignes parce que nous ajuster a linéaire modèle. Mais toi peut certainement voir que là est a parcelle de variabilité dans le chemin ces étudiants sont changement. Quelques étudiants commencer sur le haut à le début et sont toujours croissant. Autre étudiants sont départ faible et sont en fait exposant a petit peu de déclin sur temps.
Mais nous aussi voir un moyenne trajectoire ici que semble à montrer a petit peu de augmenter sur temps. Sur moyenne, là est quelques augmenter, mais il y a a parcelle de variabilité sur comment personnes sont changement. De cours, un de le naturel questions toi pourrait avoir est, quoi facteurs prédire ceux différent trajectoires, comme le variabilité dans que intercepter pente, c'est quelque chose que J'ai couvert dans autre présentations, donc Je suis pas en allant à parler à propos que maintenant. Mais encore, I encourager toi à utiliser le prédictif valeurs parcelle à mieux interpréter ton longitudinal analyse.
Nous parlé à propos utilisateurs être capable à spécifier leur propre indépendance modèle. Que est quelque chose que nous faire ici dans le modèle comparaison tableau et peut être très utile pour longitudinal analyse. Nous faire avoir un indépendance modèle que est nourri par défaut, mais si toi choisir à changement que, alors toi pourrait toujours clic droit sur n'importe lequel donné modèle que toi vouloir à ensemble comme le indépendance indépendance modèle, et nous volonté prendre soins de que changement pour toi.
Que est un avancé technique. I très beaucoup conseiller toi à, si tu es pas familier comme à qu'est-ce que le approprié indépendance modèle pour ton analyse, toi devrait vraiment prendre a regarder à le littérature à faire bien sûr que tu es en utilisant a bien indépendance modèle parce que il vraiment varie parfois par contexte.
Je suis séance suivant à ce beau fenêtre et le soleil, c'est a magnifique jour donc Je suis en allant à avoir à ajuster ici mon ordinateur donc que I ne le faites pas avoir tous le lumière sur mon affronter. I s'excuser pour que.
D'accord, donc allons obtenir dos à ce question. Nous dit que comment les étudiants atteindre et développer sur ce période de temps? Nous maintenant avoir un compréhension que il développe dans ce linéaire mode et que là est substantiel variabilité. C'est le répondre à que question.
Bien, le suivant chose est, faire hommes et femelles différer dans ces trajectoires ? Le chemin étaient en allant à reconnaître et adresse que question est par en utilisant multiple groupe analyse. T son pourrait être dos dans le plate-forme, nous pourrait utiliser le principal triangle menu à refaire et relancer notre analyse.
Maintenant quoi étaient en allant à faire est apporter ce regroupement variable, I avoir a sexe en tant que groupes variable. Juste par faire ce, Bien être capable à invoquer notre multiple groupe analyse fonctionnalité. Je suis en allant à cliquez D'accord, et maintenant toi peut voir que notre rapport pour le plate-forme a le niveaux de notre regroupement variable ici comme onglets.
Juste comme avant, toi peut voir que le hommes et le femelles avoir le même modèle comme a défaut, mais nous peut faire changements à que. Étaient en allant à travail dans le Union languette parce que I vouloir le changements que Je suis à propos à faire à le modèle spécification, I vouloir eux à appliquer pour les deux hommes et femelles.
I volonté aussi souligner, et ce est juste a petit côté note, que sous le Statut languette, tu es en allant à trouver groupe spécifique information que nous n'a pas avoir avant quand nous n'a pas avoir multiple groupe analyse. Toi peut avoir quelques information à propos ton données, manquant données, et donc sur que est spécifique à le groupes.
D'accord, donc allons aller devant et répondre ce question. Faire hommes et femelles avoir différences dans leur trajectoires ? Bien, I déjà savoir que le linéaire modèle convient meilleur, donc Je suis en allant à aller à notre modèle Raccourcis, Longitude Analyse, et Je suis en allant à cliquez sur le linéaire latence croissance courbe. Le Raccourcis très rapidement ensemble en haut le modèle pour moi, faire il très simple, et ils faire que à travers tous de le niveaux de le regroupement variable. I avoir le linéaire croissance courbe modèle.
Avis que ces clé aspects de le modèle, le estimations que vraiment caractériser le changement dans notre données, ne le faites pas avoir n'importe lequel étiquettes sur ceux bords, lequel moyens que ils sont librement estimé à travers hommes et femelles. Mon d'abord modèle ici est a linéaire croissance courbe modèle. Je suis juste en allant à mettre a petit mot-clé ici. Oups, I effacé il. Linéaire croissance courbe. Mais I recherché à inclure ici que ce est librement estimé droite à travers le groupes. Je suis en allant à cliquez sur courir. Excellent.
Nous peut voir ici quelques Ajuster indices. Dans mon rapport, I peut voir a languette pour le hommes et pour le femelles. De cours, comme tu ferais attendre, si I aller dos et en avant, I pourrait prendre a regarder à le résultats pour le femelles et alors aller dos et regarder à comment ceux résultats sont peut-être différent pour le mâles. Ce est intéressant. Là apparaître à être quelques différences, mais encore, nous pourrait vouloir à chiffre dehors si le différences que nous observer juste depuis regarder à ces estimations mais ceux sont dans fait, statistiquement significatif.
Quoi Je vais faire est Je suis en allant à aller dos à mon modèle spécification et Je suis en allant à faire un OmniVis test. Dans autre mots, plutôt que juste putting un égalité contrainte sur un de ces estimations, Je suis en fait en allant à faire que pour tous de ces estimations, le intercepter signifier, le signifier pour le pente, et le covariance de le intercepter et pente, et leur écarts.
Toi ne le faites pas avoir à faire il ce chemin, mais vraiment c'est ton recherche question que devrait être guidage où faire toi lieu ceux égalité contraintes ? Dans mon cas, I juste vouloir à faire un omniVis test où I chiffre dehors si le trajectoires pour hommes et femelles sont différent et si ou pas I besoin a séparé estimation pour ceux paramètres.
I avoir tous de ceux bords choisi et Je suis en allant à cliquez sur ensemble égal. Ici I confirmé que I faire vouloir ceux égalité contraintes à travers les deux groupes. Ce est en fait assez utile quand toi avoir plus que deux niveaux dans ton regroupement variable. Il pourrait être que toi vouloir égalité contraintes à travers, dire, deux groupes mais pas le troisième. Toi peut décocher quelques de ceux groupes ici si toi nécessaire à.
Je suis en allant à cliquez D'accord. Maintenant tous de ceux bords a obtenu a différent étiquette. Toi peut voir que si I aller et regarder à le hommes et le modèle pour le femelles, ceux étiquettes sont le même. Encore, juste à rappeler nous que étaient en allant à estimation seulement un estimation pour chaque de ceux bords à travers groupes.
D'accord, donc ce, une fois encore, est a linéaire croissance courbe, mais I avoir égal croissance estimations. Allons-y aller devant et courir que modèle. Nous peut voir, encore, nous pourrait se concentrer sur le ajuster de ce modèle. Il n'a pas sembler à être comme bien comme le précédent un. Parce que ce deuxième modèle est a limité version de le d'abord, nous peut en fait sélectionner ceux deux modèles et faire a significatif comparaison par en cliquant sur Comparer Choisi Modèles.
Comme avant, nous sont capable à voir ici le changement dans le Dépenser carré le long de avec le changement dans le degrés de liberté. Ce raconte nous comment beaucoup augmenter dans inadapté est là dans notre modèle, et est que augmenter dans inadapté statistiquement significatif?
Si il est, lequel dans ce cas il est, alors nous essentiellement sont adage que ceux égalité contraintes sont pas défendable. Il était pas a bien idée à lieu ceux. Maintenant nous peut dire avec a officiel statistique test que là sont statistiquement significatif différences dans le trajectoires à travers hommes et femelles.
Maintenant, toi pourrait vouloir à regarder à ceux différences par en utilisant le prédit valeurs parcelle. C'est quelque chose que nous peut faire juste par en allant dans le rouge triangle menu. Mais quoi Je suis en allant à faire d'abord, en fait est I ne le faites pas vraiment vouloir à regarder à le modèle que a le égal croissance estimations parce que nous juste réalisé que ceux égalité contraintes étaient vraiment pas a bien idée. Je suis pas en allant à regarder à que. Plutôt, Je suis en allant à regarder à le d'abord modèle nous ajuster, et Je suis en allant à faire le même pour le hommes ici. Sous le rouge triangle menu, Je suis en allant à cliquez sur Prédit Valeurs Parcelle, et Je suis en allant à connecter ceux points parce que I savoir mon données sont longitudinal.
Ce est le parcelle que est spécifique à le hommes, à le mâle échantillon. Mais il serait être vraiment utile à regarder à ce parcelle côté par côté avec le parcelle pour le femelles. C'est en fait assez bon que tous de notre triangle rouge menu options ici sont automatiquement tourné sur à travers tous de ton groupes, donc toi ne le faites pas avoir à aller groupe par groupe tournant sur le des choses toi vouloir à voir.
Mais un autre astuce que I vraiment comme est, quand toi avoir a à onglets rapport, toi peut toujours droite- cliquez sur il et changement le style de le rapport donc que c'est sur a horizontal propagé. Ce est en allant à permettre toi à voir le onglets côté par côté, le contenu de eux.
Je suis en allant à cliquez sur H horizontal Propagé. Maintenant avis que I avoir le hommes et le femelles côté par côté. Je suis en allant à utiliser le rouge triangle menu le long de avec le option ou Tous clé dans commande commande à tourner désactivé le résumé de ajuster, le paramètre estimations, et le diagramme. Vraiment, tous I vouloir à voir est le prédit valeurs parcelle. Je suis en allant à cliquez D'accord. Parfait.
Maintenant I peut voir le prédit valeurs parcelle pour le hommes et pour le femelles. I peut voir que côté par côté. Très délibérément, nous avoir ici le Y axe dans le même échelle donc que ces parcelles sont comparable. Maintenant toi peut voir comment le trajectoires différer. Nous voir que il y a a parcelle plus propagé pour le échantillon pour le femelles. Là aussi semble à être a petit peu de a différence sur que moyenne trajectoire dans le montant de croissance.
Encore, il y a beaucoup plus suivre en haut tests que nous pourrait faire ici dans commande à chiffre dehors où le spécifique différences mensonge. Si nous recherché à test que, nous pourrait dire, Bien, est là a différence spécifiquement dans le variance de le pente? Nous pourrait mettre que égalité contrainte et faire plus spécifique tests comme suivis. Mais pour maintenant, I espoir que juste montrant toi ce exemple vraiment permet toi à voir comment multiple groupe analyse peut être utilisé dans a plus complexe paramètre et comment ce nouveau prédictif valeurs parcelle peut être utilisé à vraiment faciliter le interprétation de ton longitudinal modèles.
Tous droite. Étaient presque à le fin de le démo et quoi I vouloir à faire très rapidement avec le même données, I vraiment recherché à souligner le multivarié croissance courbes raccourci. L et moi aller devant et aller dos ici à le Modèles d'équations structurelles plate-forme, et ce temps, imaginer que nous avoir deux ensembles de scores sur temps.
Donc étaient en allant à être regarder à deux processus. Nous ne le faites pas juste avoir académique réalisation sur que un test. Nous avoir il sur deux différent tests et nous vouloir à voir comment ceux deux processus sont changement. Comment sont ils en rapport sur temps? Je suis en allant à utiliser tous de ces variables ici, cliquez sur Modèle Variables et D'accord. U honneur le modèle raccourci, souviens-toi que longitudinal analyse latente multivariée croissance courbe, que raccourci permet moi à sélectionner variables pour un spécifique processus.
Ici, I pourrait avoir ceux d'abord quatre variables. Que était mon d'abord processus I vouloir à regarder à. Allons-y juste dire que ceux étaient mathématiques notes. Je suis en allant à appel que mathématiques. Y ou obtenir à choisir ici quoi taper de croissance toi vouloir à spécifier pour que spécifique processus pour que ensemble de variables. Étaient en allant à bâton à a linéaire croissance, et alors nous peut cliquez le plus bouton dans commande à avoir que fait pour nous droite loin. Y ou peut voir le aperçu dans le arrière-plan ici. W e avoir un intercepter et a pente pour mathématiques. T poule nous peut changement le nom ici. Peut être le deuxième processus est science, et maintenant nous peut sélectionner le variables, le répété mesures pour que science test sur le quatre années.
A gagner, étaient en allant à bâton à le linéaire modèle, et étaient en allant à cliquez le plus bouton. V éry rapidement, que modèle est changement là sur le arrière-plan. Étaient fait maintenant. Donc Je suis juste en allant à cliquez D'accord. A gagner, maintenant I pourrait juste cliquez Courir et très rapidement obtenir le résultats pour que modèle. Ce est un avancé application, mais il est a vraiment intéressant un parce que il permet toi à regarder à comment le initial temps indiquer, le interceptions à travers deux processus dans ce cas, comment sont ceux intercepter scores en rapport? Sont ils associé? A aussi le tarifs de changement sur temps.
Si toi avoir a plus haut score dans mathématiques, faire toi aussi tendre à avoir pas juste a plus haut score, mais a plus haut pente sur temps dans mathématiques? Fait que signifier toi aussi avoir a plus haut taux de changement dans science? A selon à ce, toi faire, parce que nous avoir a positif association entre ceux deux facteurs.
Encore, juste mise en évidence quelques de que nouveau fonctionnalité. Mon très dernier exemple est pour enquête développement. Ce est en allant à être très bref, I promesse. Allons-y juste dire ici que nous vouloir à chiffre dehors quoi sont le clé conducteurs de client satisfaction? W e savoir que perçu qualité de notre produit et le réputation de notre marque sont vraiment important. Mais vraiment, avant nous peut même répondre n'importe lequel questions à propos client satisfaction, nous vraiment besoin à faire bien sûr que nous avoir a valide et fiable chemin à évaluer ceux variables. Parce que ces sont variables que sont pas observé directement, ils sont latent variables, et donc, c'est difficile à faire bien sûr que nous sont mesure eux dans a fiable et valide chemin. S enquête développement est tous à propos atteindre que but.
I avoir un exemple ici que est en allant à permettre nous à voir comment exploratoire facteur analyse est maintenant lié à COMME donc que toi peut faire enquête développement dans a vraiment rationalisé mode. I avoir 843 rangées dans ce données tableau. Chaque rangée représente un individuel OMS rempli dehors a enquête. Dans que enquête, ils a donné nous notes, répondu questions à propos le perçu qualité de notre produit. Ils aussi a donné nous différent réponses pour le perçu marque de notre marque. T poule ils aussi répondre questions à propos leur satisfaction avec le produit. Ce pourrait être des choses comme, comment probable sont toi à recommander notre produit à quelqu'un toi savoir? Ceux types de des questions.
I déjà avoir a enregistré scénario pour le facteur analyse plate-forme. Je suis pas en allant à obtenir dans le détails de comment toi utiliser ce plate-forme, mais I faire vouloir à se concentrer sur le fait que le résultats depuis ce analyse sont droite ici dans le tourné facteur chargement matrice. Que est le clé résultat depuis ce analyse. U habituellement, quoi nous vouloir à voir ici est que le questions que sont censé à mesure, dans ce cas, satisfaction, que ils sont dans fait, chargement dans le même facteur.
Dans ce cas ils sont, et c'est bien nouvelles. Nous voir le même modèle pour qualité. Le plus substantiel chargements sont pour ces d'abord trois questions de qualité. Avis que là est un qualité question que n'a pas sembler à avoir a bien haut chargement dans n'importe lequel de le facteurs. Donc peut être nous serait aller dos et faire bien sûr que le formulation de que question est bien, ou nous pourrait juste vouloir à lancer dehors que question tout à fait.
Il y a aussi a couple de questions pour perceptions de notre marque que n'a pas sembler à faire très Bien. A gagner, généralement toi faire très prudent sélection de ton des questions. Toi serait aller dos, lire quoi étaient ceux questions, est là quelque chose nous devrait peaufiner, ou devoir nous juste obtenir débarrasser de eux? Maintenant, pour le temps être, le fonctionnalité I vouloir à souligner est que sous le rouge triangle menu de ce modèle, là est a nouveau option pour copier le modèle spécification pour MÊME. Je suis en allant à cliquez que. W a il fait est que le chargements que sont audacieux ici dans notre final tourné facteur chargement, ceux chargements sont en allant à être stocké donc que nous peut utiliser eux dans le COMME plate-forme.
Normalement, tu ferais vouloir à collecter a nouveau indépendant échantillon donc que toi peut confirmer ces exploratoire résultats. Maintenant, allons juste supposer pour a minute ici que ce données tableau est mon nouveau indépendant échantillon, et I serait maintenant aller à Analyser, Multivarié Méthodes, Modèles d'équations structurelles, et I peut utiliser tous ceux même variables, comme sur modèle variables, et alors D'accord à lancement le plate-forme.
Normalement, encore, toi vouloir à confirmer le résultats que toi trouvé avec un indépendant échantillon. Quoi toi peut faire est dans le principal rouge triangle menu, toi peut cliquez sur coller modèle spécification. N aïe avis que le facteur chargements depuis le facteur analyse plate-forme étaient redimensionné par le standard écarts de le indicateurs. Je suis en allant à cliquez D'accord, et toi peut voir maintenant que le valeurs ici sont fixé pour le chargements de ceux en retard dans variables. Ils sont fixé à correspondre à le valeurs depuis le facteur analyse plate-forme.
Maintenant, encore, ils avoir à être redimensionné parce que le variance de le variables est pris dans considération. C'est le approprié chemin à spécifier le modèle. Mais c'est vraiment bon à être capable à rationaliser ce flux de travail parce que normalement, si toi vraiment vouloir à ajuster a confirmatoire facteur modèle basé sur un exploratoire facteur analyse, toi serait avoir à mettre ces contraintes par main. T chapeau vraiment fastidieux. Donc nous avons fait il très facile. Ces latent variables avoir chargements que sont fixé à connu valeurs depuis a précédent étude, depuis a précédent exploratoire analyse, et nous peut maintenant confirmer si ou pas que factorielle structure toujours détient avec a nouveau échantillon.
Un chose I devrait clarifier est que le trois variables que a fait pas avoir substantiel facteur chargements dans le rapport sont pas être lié à n'importe lequel de le latent variables. R vraiment, nous ne le faites pas vouloir ces à être ici dans le analyse. W a I peut faire est le triangle rouge menu aussi a un option pour suppression manifeste variables depuis le analyse.
Je suis en allant à utiliser que donc que I peut rapidement juste trouver qualité 3, marque 3, et marque 5 heures nd I peut juste cliquez D'accord à obtenir débarrasser de ceux variables parce que I ne le faites pas vraiment vouloir à ajuster mon modèle avec eux dans là. A gagner, maintenant I peut juste courir ce modèle, évaluer le ajuster, et chiffre dehors si I peut, dans fait, confirmer mon résultats depuis exploratoire facteur analyse en utilisant confirmatoire facteur analyse dans MÊME. T a est tous I avoir pour ce démo. I espoir que ce est utile et I regarder avant à répondre tous ton questions pendant le en direct Questions et réponses. Remercier toi très beaucoup.
