你好， 每个人。 我是 劳拉 卡斯特罗 斯基洛。 我是 a 高级的 研究 统计学家 开发人员 在职的 和 这 结构方程模型 平台。 我是 真的 兴奋的 今天 到 展示 你 一些 的 这 新的 特征 那 我们 有 在 跳转 专业版 17. 一 的 这 大的 一 是 去 到 允许 我们 到 探索 团体 差异。 是 去 到 讲话 关于 那 a 很多 今天。
我们的 计划 为了 今天 是， 希望 出色地 花费 最多 的 这 时间 在 a 演示， 真的 显示 你 那些 新的 特征。 但 非常 简要地， 前 我们 得到 进入 那， I 想 到 提醒 你 什么 结构方程模型 是， 为什么 你 可能 想 到 使用 它， 和 然后 希望 通过 这 演示， 患病的 展示 你 如何 到 使用 它。
现在， 我们的 推介会 今天 是 不是 非常 长的。 什么 I 还 想 到 做 是 展示 你分享 和 你 一些 额外的 资源来自 以前的 发现 演示文稿 和 开发人员 教程 在哪里 你会 学习 a 很多 更多的 细节 在 如何 到 使用 相同的。
现在， 这 概述 的 新的 特征 是 去 到 覆盖， 是 去 到 第一的 讲话 关于 多种的 团体 分析 和 然后 一些 改进 那 我们已经 完毕 为了 纵向 造型 之内 作为 和 为了 民意调查 发展。 后 我们 去 超过 那些， 出色地 去 直的 进入 这 演示 和 真的 展示 你 如何 全部 的 那些 是 用过的。
结构方程模型 是 a 非常 一般的 分析 框架 为了 调查 这 协会 之间 变量。 现在， 这 是 a 非常 广阔 定义， 和 那是 有目的的，因为 结构方程模型 是 a 非常 广阔 技术 在哪里 a 数字 的 不同的 模型 能 是 合身。
这里 我已经 上市 a 很少 的 这 模型 那 你 可以 合身 之内 作为， 但 这 是 不是 一个 详尽的 列表。 它 真的 是 a a 非常 灵活的 框架。
A 自然的 问题 那 可能 来 到 头脑 是， 如果 I 能 做 一些 的 这些 分析 某处 别的， 然后 为什么 会 I 想 到 使用 a WHO？ 有时 你 可能 不是 需要 到 使用 它， 正确的？ 那 会 是 只是 美好的。 但 那里 是 一些 情况 在 哪个 作为 会 是 特别 有帮助的。 我已经 包括 这里 a 列表 的 什么 那些 情况 可能 是。
这 第一的 是 有时 你 可能 是 感兴趣的 在 理解 这 机制 经过 哪个 事物 发生。 这 是 a 环境 在哪里 作为 能 是 非常 有用。 很多时候 什么时候 你 想 到 理解 机制， 那 方法 那 你 有 变量 那 是 两个都 预测变量 和 结果。
然而， 不是 许多 统计 技术 允许 你 到 指定 模型 在哪里 你 能 有 a 多变的 是 两个都 a 预测器 和 一个 结果。 那是 实际上 某物 那 是 非常 自然的 在 相同的。 如果 这 是 某物 那 你是 在职的 在， 作为 可以 是 非常 有帮助的 为了 你。
你 真的 想 到 杠杆作用 你的 领域 专业知识 如果 你是 使用 相同的。 这 原因 是 因为 在 命令 到 指定 你的 模型， 你 真的 需要 到 思考 关于 什么 是 你的 理论？ 什么 是 它 那 你 知道 关于 你的 数据？ 你 来 向上 和 那些 理论， 你 翻译 他们 进入 a 可测试 模型， 和 然后 什么时候 你 合身 你的 模型， 你 看 无论 或者 不是 有 支持 为了 那些 想法 那 你 有。
现在， a 非常 重要的 使用 案件 为了 作为 是 什么时候 你是 在职的 和 变量 那 不能 是 测量 直接地。 所以 晚的- 在 变量 是 非常 重要的 在 a 数字 的 不同的 域。 如果 你是 感兴趣的， 为了 例子， 在 寻找 在 顾客 满意 或者 质量 的 a 产品 在 这 社会科学。 有 所以 许多 晚的- 在 变量， 性格， 智力， 那些 是 一些 的 这 陈词滥调 事物 那 你 会 听到。 但 真的吗， 后期变量 是 全部 超过 这 地方。 如果 你 工作 和 那些， 如果 你 有 研究 问题 那 蕴涵 晚的- 在 变量， 然后 你是 真的 去 到 益处 经过 使用 相同的。
A 有些 有关的 原因 到 使用 作为 是 那 如果 你 有 变量 那 有 测量 错误 和 你 实际上 想 到 帐户 为了 那 测量 错误， 作为 能 还 是 非常 有帮助的。 I 说 那 这 是 有关的 到 这 后期变量 因为 这 方式 在 哪个 我们 帐户 为了 这 测量 错误 是 经过 指定 后期变量 在 相同的。 测量 错误 能 有 有时 意外 结果 在 我们的 推论。 它 能 是 相当 有用 到 帐户 为了 它。
其他 益处 的 作为， 和 这 是 一 事物 那 是 非常 实际的 真的吗， 是 什么时候 它 来 到 拥有 丢失的 数据， 哪个， 的 课程， 是 全部 超过 这 地方， 这 最多 受欢迎的 估计 算法 为了 作为 手柄 丢失的 数据 在 a 无缝的 时尚 这样的 那 这 用户 没有 真的 需要 到 做 任何事物。 丢失的 数据 是 已处理 和 a 切割 边缘 算法 和 你 真的 不 有 到 担心 关于 它 作为 很多。 如果 你 有 丢失的 数据， 有时 I 告诉 人们 甚至 如果 你 只是 有 a 简单的 线性 回归， 你 能 益处 从 使用 作为 只是 因为 丢失的 数据 是 已处理 和 它是 简单的。
最后， 小路 图表 是 a 批判的 工具 为了 结构方程模型。 那些 图表 是 非常 有帮助的 因为 有时 甚至 这 最多 复杂的 统计 模型 能 是 传达 在 a 非常 直觉的 时尚 经过 依靠 在 这些 图表。
在 跳转， 我们 使用 这些 图表 到 促进 这 规格 的 我们的 模型， 但 还 到 传达 这 结果 的 模型。 那些 图表 能 是 非常 有帮助的 什么时候 你是 呈现 你的 结果 到 任何 类型 的 观众， 真的。
全部 正确的， 所以 这 是 只是 a 非常 简短的 列表 的 为什么 你 可能 想 到 使用 相同的。 I 做 想 到 分享 a 关联 这里 到 a 推介会 那 I 给了 沿着 和 詹姆斯·库夫勒 谁是 还 在 工作 发展。 我们 做过 a 开发人员 教程 在哪里 我们 实际上 去了 进入 a 很多 更多的 深度 关于 这 原因 为什么 你 可能 想 到 使用 相同的。 如果 你 想 到 查看 那 出去， I 只是 通缉 到 分享 这 关联 这里。 如果 你 下载 这 幻灯片 从 这 社区， 你 不 有 到 类型 这 长的 关联。 你 能 只是 点击 在 那 和 查看 那 视频 出去。
全部 正确的， 所以 如何 到 使用 相同的。 再次， 我是 去 到 去 进入 a 演示 和 患病的 展示 你 如何 到 使用 作为， 但 我的 演示 是 不是 去 到 是 也 专注 在 a 教程 类型 的 推介会， 大多 因为 的 时间 限制。 我们 想 到 保持 这 短的 和 甜的。
什么 I 想 到 做 在 这 滑动 是 分享 和 你 额外的 视频 演示文稿 在哪里 你 能 去 和 学习 更多的 在 a 教程 形式 如何 到 使用 结构方程模型 为了 a 很少 不同的 案件 研究， 基本上。 这里， 这 第一的 视频 是 a 关联 在哪里 I 覆盖 如何 到 模型 民意调查 数据 和 延迟 变量。 我们 覆盖 事物 喜欢 确认 因素 分析和 小路 分析 和 和 没有 延迟 变量。
如果 你 有 纵向 数据， 这 视频 能 是 相当 有帮助的。 这里 I 去了 超过 如何 到 合身 后期生长 曲线 模型 和 如何 到 解释 那些 结果。 出色地 做 a 小的 少量 的 纵向 造型 这里 今天 在 这 演示， 但 我们 惯于 是 有能力的 是 有能力的 到 去 进入 这 细节 再次 在 a 教程 方式。 I 确实 鼓励 你 到 手表 那 如果 你 是 感兴趣的。
如果 你 不 有 事先的 作为 经验， I 非常 很多 鼓励 你 到 手表 这 其他 视频 在哪里 詹姆斯 库夫勒 和 I 谈论 关于 建筑 结构方程模型 在 跳转 赞成。 这 一 是 非常 介绍性， 和 所以 你 可能 想 到 开始 和 那 一 事先的 到 去 到 这 其他的。
好的， 所以 现在 它是 时间 到 得到 进入 a 小的 概述 的 这 新的 特征 在 跳转 专业版 17. 多种的 团体 分析 是 a 特征 那 我已经 到过 真的 寻找 向前 到 呈现 在 因为 这 是 某物 那 延伸 全部 的 这 模型 那 能 是 合身 之内 东南 M. 它 做 所以 经过 允许 我们 到 调查 相似之处 和 差异 穿过 亚群。 我们 做 这 经过 纳入 a 分组 多变的 进入 我们的 分析。
现在， 这 最多 受欢迎的 多种的 团体 分析 示例 通常 展示 a 分组 多变的 那 有 很少 水平。 事物 喜欢 人口统计 变量 是 用过的 非常 经常。 的确， 在 这 演示 我是 去 到 做， 我是 还 去 到 使用 a 简单的 人口统计 多变的。 但 真的吗， 有 不 限制 到 如何 许多 级别 你 真的 应该 有。 什么 真的 事宜 是 如何 许多 观察 做 你 有 为了 每个 等级。 你 想 到 有 a 相对地 好的 样本 尺寸 为了 每个 的 那些 子群。
现在， 那里 是 a 一般的 战略 为了 这 分析。 是 去 到 看 这 在 实践， 但 I 想 你 到 开始 思维 关于 如何 这 真的 作品。 它是 实际上 相当 简单的。 什么 我们 做 在 多种的 团体 分析 是 合身 二 模型。
一 的 那些 模型 是 去 到 是 a 更多的 受限制的 版本 的 这 其他。 一次 我们 合身 两个都 的 他们， 出色地 是 有能力的 到 做 a 可能性 比率 测试 或者 a 高的 正方形 不同之处 测试 在 命令 到 制作 一个 推理 关于 无论 这 限制 那 我们 施加 在 一 的 这 模型 是 在 事实 站得住脚。 这 是 如何 我们 数字 出去 无论 那里 是 统计上 重要的 差异 穿过 组。 再次， 出色地 看 那 玩 出去 在 这 演示 .
在 条款 的 纵向 数据 分析， 我们已经 制成 它 a 很多 更轻松 到 解释 这 结果 从 你的 模型 经过 寻找 在 这 模型 暗示 轨迹 通过 a 新的 预测 价值观 阴谋。 我们 还 有 制成 它 a 很多 更轻松 到 指定 多变量 生长 曲線。 如果 你是 熟悉的 和 这些 模型， 他们 允许 你 到 调查 这 协会 的 多种的 流程 超过 时间。 他们 能 是 非常 有帮助的， 但 它 用过的 到 是 a 小的 乏味 在 条款 的 如何 到 指定 那些。 现在 我们已经 完毕 那 非常 简单的 和 快速地 通过 这 使用 的 模型 快捷方式。 为了 一些 先进的 应用程序， 我们已经 还 制成 它 更轻松 到 定义 一个 独立 模型 基于 在 什么 用户 想 到 有 作为 这 独立 模型。
那里 是 还 一些 改进 为了 调查。 这 真的 是 大多 专注 在 精简 你的 工作流程 为了 发展 调查。 通常 这 分析 工作流程 开始 经过 使用 探索性的 因素 分析， 和 然后 你 拿 那些 结果 和 确认 他们 和 一个 独立的 样本 使用 确认 因素 分析 在 作为 .
什么 我们已经 完毕 和 这 帮助 的 Jianfeng 丁， WHO 是 这 开发人员 为了 探索性 因素 分析， 我们已经 到过 有能力的 现在 到 关联 这 二 平台 经过 基本上 允许 你 到 复制 这 模型 规格 从 探索性的 因素 分析 和 然后 粘贴 那 进入 作为 所以 那 你 能 容易地 和 迅速地 确认 你的 结果。
我们 还 有 a 新的 捷径 为了 交换 这 规模 的 你的 迟到 变量。 有时 这 是 有帮助的 什么时候 你是 发展 调查 为了 指定 模型。 我们 还 有 a 数字 的 更多的 新的 热 地图 那 是 只是 去 到 制作 它 更轻松 到 解释 这 结果 的 你的 分析。
现在， 最后的 但 不是 至少， 我们的 平台 有 总是 到过 非常 快速地。 但 在 这 发布， 克里斯 戈特韦尔 放 a 很多 的 惊人的 努力 朝向 改善 甚至 更多的 这 表现 的 我们的 内部的 算法。 如果 你 有 很多 的 变量 或者 很多 的 数据， 确实 给 它 a 射击。 I 是 非常， 非常 印象深刻 和 兴奋的 关于 什么 我们 有 到 提供 在 条款 的 这 表现 的 这 平台 作为 出色地。
好的， 所以 它是 时间 为了 这 演示。 让我们 去 前方 和 展示 你 什么 I 有 超过 这里。 I 有 a 杂志 在哪里 我是 去 到 工作 通过， 希望 我们 有 足够的 时间 到 工作 通过 三 例子。
这 第一的 一 这里， 也许 不是 出奇， 用途 我们的 大的 班级 数据 桌子。 它是 去 到 是 a 非常 简单的 例子 只是 到 介绍 这 观念 在后面 多种的 团体 分析。 现在， 什么 我是 去 到 做 这里， 我们 有 二 变量， 正确的？ 高度 和 重量。 什么 I 想 到 做 是 调查 这 协会 之间 这些 二 变量 经过 性别。 我是 去 到 去 到 这 分析 菜单， 去 向下 到 多变量 方法， 和 然后 结构 方程式 模型。 我是 去 到 使用 两个都 的 那些 变量 和 点击 在 模型 变量。
现在， 这 品牌 新的 特征 的 多种的 团体 分析 能 是 成立 在 这 发射 对话 在下面 这 团体 按钮。 这 按钮 是 新的 和 那是 什么是 去 到 允许 我们 到 选择 我们的 分组 多变的 和 点击 在 组 在 命令 到 使用 那 作为 我们的 分组 多变的。 是 去 到 看 在 如何 男性 和 女性 和 无论 他们 不同 基本上 在 他们的 协会 之间 高度 和 重量。 是 去 到 点击O 因为。
现在， 这 是 这 平台。 你 能 看 如果 你 有 见过 我们的 平台 前， 它 看起来 非常 相似的 作为 前， 和 这 例外 的 这些 新的 标签 正确的 这里。 这 标签 是 那里 到 告诉 我们 关于 这 不同的 组 那 我们 有 在 我们的 分析。 在 这 案件， 有 仅有的 二 级别 为了 我们的 分组 变量。 我们 有 a 标签 为了 这 女性 和 a 标签 为了 男性。
一 的 这 事物 你会 注意 是 那 这 小路 图表 有 a 模型 已经 作为 a 默认 为了 每个 的 那些 组。 那些 默认 模型 是 这 相同的。 那是 为什么 什么时候 I 转变 标签， 没有什么 真的 變更。 这 联盟 标签， 作为 这 姓名 意味着， 它 节目 我们 什么是 在 常见的 穿过 全部 的 我们的 分组， 出色地， 这 级别 的 我们的 分组 多变的。 这里， 这 是 为什么 这 图表 还 看起来 这 相同的。
在 命令 到 指定 a 简单的 线性 回归 在 作为 , 这里， 我是 只是 去 到 选择 在 这 从 列表 这 高度 多变的， 和 然后 在 这 到 列表， 我是 去 到 选择 重量。 我是 去 到 关联 那些 二 变量 和 a 一 领导 箭， 哪个 是 什么 添加 那 回归 小路 到 我的 模型。 这 是 只是 a 简单的 线性 回归 在哪里 高度 是 预测 重量。
现在， 有时 I 喜欢 到 右键单击 在 这 帆布 的 这 小路 图表 和 I 去 到 定制 图表 只是 到 制作 这 节点 a 小的 少量 更大 因为 I 寻找 那 有时， 尤其 什么时候 这 图表 是 小的， 那 看起来 a 很多 更好。 这 是 只是 a 简单的 线性 回归。
现在， 注意 那 因为 I 做过 我的 模型 规格 在下面 这 联盟 标签， 两个都 这 女性 和 这 男性 遗传 那些 相同的 变化 和 规格 到 这 模型 那 I 制成。 如果 I 制作 任何 变化 之内 a 团体 具体的 标签， 然后 那些 变化 将要 仅有的 申请 到 那 团体。 但 在 这 案件， 什么 I 想 到 做 是 合身 一个 最初的 模型 在哪里 两个都 男性和 名人 和 女性 得到 他们的 自己的 估计 为了 这 线性 回归。
现在， 保持 在 头脑 那 这 估计 的 这 模型 是 全部 完毕 同时地。 是 不是 分别地 配件 这 模型 为了 女性 和 为了 男性。 一切 是 完毕 同时地， 但 我是 仍然 有能力的 到 允许 每个 的 这 组 到 有 他们的 自己的 估计 为了 这 模型。
我是 去 到 点击 在 跑步， 和 出色地 看 有 a 模型 比较 桌子 在哪里 我们 能 学习 a 很多 关于 这 合身 的 这 模型。 但 现在， 某物 那是 新的 在 我们的 报告 是 那 我们 有 这些 标签 为了 每个 的 我们的 组。 我们 有 a 标签 为了 这 女性 和 a 标签 为了 这 男性。
现在， 如果 你 重点 在 这 回归 系数， 为了 例子， I 能 去 后退 和 向前 和 意识到 那 I 做 有， 在 事实， a 不同的 估计 为了 那 系数。
现在， 这 系数 看起来 不同的， 但 I 不 有 a 测试， a 正式的 统计 测试 那 告诉 我 无论 或者 不是 那 协会 是 统计上 重要的。 这 不同之处 和 这 协会 是 不同的。 在 任何 速度， 这 男性 这里 有 关于 3.4， 女性 有 a 小的 少量 更大 价值。 但 什么 我们 真的 想 是 到 合身 a 第二 模型 在哪里 我们 力量 一个 平等 约束 在 那 范围 估计， 和 然后 我们 能 使用 那 到 比较 反对 这 模型。 让我们 去 前方 和 做 那。
我是 去 到 是 在 这 联盟 标签 和 我是 去 到 选择 那 回归 小路 和 我是 去 到 点击 这 按钮， 放 平等的。 这 是 去 到 带来 向上 这 对话 哪个 是 只是 去 到 问 我 到 确认 那 I 做 想 到 申请 这 平等 约束 穿过 全部 的 我的 团体， 哪个 I 做。 我是 去 到 点击 好的。 现在 注意 那 I 有 这 新的 标签 那 曾是 放 这里 在 这 边缘。 如果 I 看 在 这 女性 标签 和 这 男性 标签， 那 标签 是 仍然 显示 向上 在 那 边缘 在 那 箭。 那 是 我们的 方式 到 传达 到 你， 这 用户， 那 这 相同的 范围 估计 是 去 到 是 用过的 基本上 到 描述 那 协会。
好的， 所以 让我们 去 后退 和 模型 姓名。 是 去 到 改变 这 到 是 回归 影响 是 平等的。 我们 力量 那 到 是 平等的 在 这 模型。 是 去 到 去 前方 和 点击 在 跑步。 现在， 再次， 我们 可以 看 在 我们的 模型 比较 到 看 在 这 合身 的 我的 不同的 模型。 I 能 选择 这 二 模型 那 I 只是 合身， 和 因为 一 的 那些 模型 是 a 受限制的 版本 的 这 其他， 我们 称呼 这 那 这 模型 是 嵌套， 我们 能 实际上 做 a 可能性 比率 测试。
那 是 完毕 非常 容易地 在 我们的 平台 简单地 经过 选择 这 二 模型 和 点击 在 比较 选定 模型。 我们 将要 获得 a 不同之处 在 这 花费 正方形， 哪个 代表 这 改变 在 这 不适应 的 这 模型。 我们 还 看 在 这 不同之处 在 度 的 自由 之间 这 二 模型 和 这 差异 在 这 合身 根据 到 一些 的 这 最多 受欢迎的 合身 统计数据 在 相同的。
现在， 根据 到 这 具体的 测试， 它 出现 那 这 改变 在 花费 正方形， 这 增加 在 不适应 是 不是 统计上 重要的。 如果 我们 使用 只是 这 花费 正方形 不同之处 测试， 我们 会 然后 来 到 这 结论 那 甚至 尽管 那些 二 价值观 是 不同的， 他们是 不是 统计上 不同的。 现在 我们 可以 去 后退 向下 这里 到 我们的 标签 结果 和 你 能 看 那 这 回归 系数 是 这 相同的 甚至 什么时候 I 去 穿过 这 标签。 我们 可以 然后 说， 出色地， 有 不 不同之处 之间 男性 和 女性 在 条款 的 如何 高度 预测 重量。
这 是 a 非常 简单的 例子 的 如何 我们 可以 使用 平等 约束 穿过 组 在 命令 到 测试 a 具体的 假设。 现在， 作为 你 能 想象， I 可以 去 后退 进入 我的 模型 规格 和 I 可以 放 平等 约束 还 在 这 方差 的 高度 和 在 这 残差 方差 的 重量。 如果 那 是 某物 那 是 的 兴趣 到 我， 如果 I 想 到 测试 那些 差异， 这 框架 允许 我 到 做 那。
现在， a 很多 的 次 你是 去 到 有 更多的 复杂的 模型 出色地 超过 线性 回归， 或者 你 可能 有 更多的 级别 的 你的 分组 多变的， 和 那是 完全 美好的。 这 是 a 简单的 例子 那 希望 你 能... 那 允许 你 到 看 如何 你 可以 延长 这 进入 a 更多的 复杂的 环境。 好的， 所以 那 是 这 例子。
I 想 到 移动 在 到 一个 例子 那 用途 纵向 数据。 现在， 是 不是 去 到 移动 离开 从 多种的 团体 分析 完全。 是 基本上 去 到 强调 一些 的 那些 纵向 分析 改进， 但 然后 仍然 带来 后退 这 概念 的 多种的 团体 分析。
为了 这 例子， I 想 你 到 想象 那 我们 有 数据 桌子 在哪里 我们 有 数据 从 学生 那 有 采取 一个 学术的 成就 测试 为了 四 连续的 年。 也许 什么 我们 真的 想 到 寻找 出去 从 这些 数据 是 无论 学生 成就... 如何 是 它 发展 超过 时间？ 无论 男性 和 女性 不同 在 他们的 轨迹 超过 时间？ 这些 是 去 到 是 这 二 问题 那 是 去 到 重点 在 为了 这 特别的 例子。
现在， 那里 是 a 样本 数据 桌子 那 你 将要 寻找 之内 我们的 样本 数据 文件夹。 它是 称为 学术的 成就。 你 可以 使用 那 到 跟随 沿着 和 这 例子。 在 这 数据， 我们 有 100 行。 每个 排 代表 a 不同的 学生 那 拿了 这 学术的 成就 测试。 你 能 看 那 这里， 这些 四 列 代表 这 分数 在 那 多种的 选择 测试 那 曾是 采取 为了 年 在 a 排。 那些 是 这 数据 那 我是 去 到 重点 在 为了 配件 a 纵向 模型。
我是 去 到 去 到 这 分析 菜单， 多 各种各样的 方法， 结构方程模型， 和 那些 四 变量 是 已选定。 我是 只是 去 到 点击 在 模型 变量 在 命令 到 使用 那些 在 相同的。 我是 去 到 点击 好的。 记住， 这 第一的 问题 曾是， 如何 做 学生' 学术的 成就 发展 超过 时间？ 我们 想 到 表征 那 生长 或者 数字 出去 无论 那里 是 生长 的确。
我们 有 我们的 模型 捷径 向下 在 这 底部 左边， 和 你 能 看 那 在下面 这 经度 分析 菜单， 我们 有 a 新的 选项。 是 去 到 得到 到 这 选项 之后 今天， 多变量， 晚的 在 生长 曲線。
但 我们 还 有 有 a 很少 其他 选项 这里 那 制作 纵向 造型 非常 快的 和 简单的。 为了 这 例子， 我是 去 到 使用 这 合身 和 比较 生长 模型。 什么时候 I 做 那， 三 不同的 模型 是 合身。 I 获得 a 花费 正方形 不同之处 测试 为了 全部 的 这 可能的 组合 这里。 如果 I 看 在 这 合身 指数 和 还 这 结果 从 这 花费 正方形 不同之处 测试， I 将要 认出 那 这 最好的 配件 模型 这里 是 这 线性 生长 曲线 模型。 在 其他 字， 它 出现 那 这 分数 在 这 学术的 成就 测试 超过 时间 能 是 最好的 特征 经过 线性 生长。
基于 在 那， I 将要 去 前方 和 重点 在 口译 这 结果 从 这 线性 生长 曲线 模型。 我是 去 到 打开 那 和 记起 那 那 一 的 这 新的 特征 为了 纵向 造型 是 a 新的 预测 价值观 阴谋 那 允许 我们 到 解释 这 结果 的 我们的 模型 a 很多 更多的 容易地。 如果 你是 熟悉的 和 生长 曲线 模型， 你 知道 那 一些 的 这 钥匙 范围 估计 是 这些 正确的 这里。 他们 告诉 我们 在 平均的 如何 我们的 学生 在哪里 做 他们 开始 和 如何 是 他们 改变 超过 时间 和 如何 很多 变异性 那里 是 在 那些 轨迹。
在下面 这 红色的 三角形 菜单 的 这 特别的 模型， 如果 I 滚动 向下， 我是 去 到 寻找 一个 选项 称为 预测 价值观 阴谋。 如果 I 点击 在 那， 你 将要 看 那 作为 a 默认， 我们 展示 你 盒子 情节 的 这 预测 价值观 为了 全部 的 这 结果 变量 在 这 模型。
现在， 什么时候 你 有 纵向 数据， 我们 有 a 非常 方便的 选项 这里 那 允许 你 到 连接 这 数据 点 和 实际上 获得 a 意大利细面条 阴谋 那 节目 你 每个 的 这 个人 预测 轨迹 经过 这 模型。 现在， 它是 漂亮的 凉爽的 因为 这 阴谋 是， 在 事实， 链接 到 这 数据 桌子。 任何 选择 你 有 这里 在 这 阴谋， 你 能 还 看 那些 在 你的 数据 桌子， 哪个 是 某物 那 你 知道 到 预计 从 跳转。
在 条款 的 口译 这 结果 的 这 模型， 它是 不 惊喜 那 这些 是 全部 直的 线 因为 我们 合身 a 线性 模型。 但 你 能 当然 看 那 那里 是 a 很多 的 变异性 在 这 方式 这些 学生 是 正在變化。 一些 学生 开始 在 这 顶部 在 这 开始 和 是 仍然 增加。 其他 学生 是 开始 低的 和 是 实际上 参展 a 小的 少量 的 衰退 超过 时间。
但 我们 还 看 一个 平均的 弹道 这里 那 似乎 到 展示 a 小的 少量 的 增加 超过 时间。 在 平均的， 那里 是 一些 增加， 但 有 a 很多 的 变异性 在 如何 人们 是 正在變化。 的 课程， 一 的 这 自然的 问题 你 可能 有 是， 什么 因素 预测 那些 不同的 轨迹， 喜欢 这 变异性 在 那 截距 坡， 那是 某物 那 我已经 覆盖 在 其他 演示文稿， 所以 我是 不是 去 到 讲话 关于 那 现在。 但 再次， I 鼓励 你 到 使用 这 预测 价值观 阴谋 到 更好的 解释 你的 纵向 分析。
我们 谈论 关于 用户 存在 有能力的 到 指定 他们的 自己的 独立 模型。 那 是 某物 那 我们 做 这里 在 这 模型 比较 桌子 和 能 是 非常 有用 为了 纵向 分析。 我们 做 有 一个 独立 模型 那 是 美联储 经过 默认， 但 如果 你 选择 到 改变 那， 然后 你 可以 总是 右键单击 在 任何 给定 模型 那 你 想 到 放 作为 这 独立 独立 模型， 和 我们 将要 拿 关心 的 那 改变 为了 你。
那 是 一个 先进的 技术。 I 非常 很多 建议 你 到， 如果 你是 不是 熟悉的 作为 到 什么是 这 恰当的 独立 模型 为了 你的 分析， 你 应该 真的 拿 a 看 在 这 文学 到 制作 当然 那 你是 使用 a 好的 独立 模型 因为 它 真的 各不相同 有时 经过 语境。
我是 坐着 下一个 到 这 美丽的 窗户 和 这 太阳， 它是 a 华丽的 天 所以 我是 去 到 有 到 调整 这里 我的 电脑 所以 那 I 不 有 全部 这 光 在 我的 脸。 I 道歉 为了 那。
好的， 所以 让我们 得到 后退 到 这 问题。 我们 说 那 如何 学生做 达到 和 发展 超过 这 时期 的 时间？ 我们 现在 有 一个 理解 那 它 发展 在 这 线性 时尚 和 那 那里 是 重大的 多变性。 那是 这 回答 到 那 问题。
出色地， 这 下一个 事物 是， 做 男性 和 女性 不同 在 这些 轨迹？ 这 方式 是 去 到 承认 和 地址 那 问题 是 经过 使用 多种的 团体 分析。 T 他的 可以 是 后退 在 这 平台， 我们 可以 使用 这 主要的 三角形 菜单 到 重做 和 重新启动 我们的 分析。
现在 什么 是 去 到 做 是 带来 这 分组 多变的， I 有 a 性别 作为 组 多变的。 只是 经过 正在做 这， 出色地 是 有能力的 到 调用 我们的 多种的 团体 分析 功能。 我是 去 到 点击 好的， 和 现在 你 能 看 那 我们的 报告 为了 这 平台 有 这 级别 的 我们的 分组 多变的 这里 作为 标签。
只是 作为 前， 你 能 看 那 这 男性 和 这 女性 有 这 相同的 模型 作为 a 默认， 但 我们 能 制作 变化 到 那。 是 去 到 工作 之内 这 联盟 标签 因为 I 想 这 变化 那 我是 关于 到 做 到 这 模型 规格， I 想 他们 到 申请 为了 两个都 男性 和 女性。
I 将要 还 强调， 和 这 是 只是 a 小的 边 笔记， 那 在下面 这 地位 标签， 你是 去 到 寻找 团体 具体的 信息 那 我们 没有 有 前 什么时候 我们 没有 有 多种的 团体 分析。 你 能 有 一些 信息 关于 你的 数据， 丢失的 数据， 和 所以 在 那 是 具体的 到 这 组。
好的， 所以 让我们 去 前方 和 回答 这 问题。 做 男性 和 女性 有 差异 在 他们的 轨迹？ 出色地， I 已经 知道 那 这 线性 模型 适合 最好的， 所以 我是 去 到 去 到 我们的 模型 快捷方式， 经度 分析， 和 我是 去 到 点击 在 这 线性 延迟 生长 曲线。 这 快捷方式 非常 迅速地 放 向上 这 模型 为了 我， 制作 它 非常 简单的， 和 他们 做 那 穿过 全部 的 这 级别 的 这 分组 多变的。 I 有 这 线性 生长 曲线 模型。
注意 那 这些 钥匙 方面 的 这 模型， 这 估计 那 真的 表征 这 改变 在 我们的 数据， 不 有 任何 标签 在 那些 边缘， 哪个 方法 那 他们是 自由地 估计的 穿过 男性 和 女性。 我的 第一的 模型 这里 是 a 线性 生长 曲线 模型。 我是 只是 去 到 放 a 小的 关键词 这里。 哎呀， I 已擦除 它。 线性 生长 曲线。 但 I 通缉 到 包括 这里 那 这 是 自由地 估计的 正确的 穿过 这 组。 我是 去 到 点击 在 跑步。 出色的。
我们 能 看 这里 一些 合身 指數。 在 我的 报告， I 能 看 a 标签 为了 这 男性 和 为了 这 女性。 的 课程， 作为 你会 预计， 如果 I 去 后退 和 第四， I 可以 拿 a 看 在 这 结果 为了 这 女性 和 然后 去 后退 和 看 在 如何 那些 结果 是 也许 不同的 为了 这 男性。 这 是 有趣的。 那里 出现 到 是 一些 差异， 但 再次， 我们 可能 想 到 数字 出去 无论 这 差异 那 我们 观察 只是 从 寻找 在 这些 估计 但 那些 是 在 事实， 统计上 重要的。
什么 患病的 做 是 我是 去 到 去 后退 到 我的 模型 规格 和 我是 去 到 做 一个 OmniVis 测试。 在 其他 字， 相当 比 只是 放置 一个 平等 约束 在 一 的 这些 估计， 我是 实际上 去 到 做 那 为了 全部 的 这些 估计， 这 截距 意思是， 这 意思是 为了 这 坡， 和 这 协方差 的 这 截距 和 坡， 和 他们的 差异。
你 不 有 到 做 它 这 方式， 但 真的 它是 你的 研究 问题 那 应该 是 指导 在哪里 做 你 地方 那些 平等 限制？ 在 我的 案件， I 只是 想 到 做 一个 全方位 测试 在哪里 I 数字 出去 无论 这 轨迹 为了 男性 和 女性 是 不同的 和 无论 或者 不是 I 需要 a 分离 估计 为了 那些 参数。
I 有 全部 的 那些 边缘 已选择 和 我是 去 到 点击 在 放 平等的。 这里 I 确认的 那 I 做 想 那些 平等 约束 穿过 两个都 组。 这 是 实际上 相当 有帮助的 什么时候 你 有 更多的 比 二 级别 在 你的 分组 多变的。 它 可能 是 那 你 想 平等 约束 穿过， 说， 二 组 但 不是 这 第三。 你 能 取消选中 一些 的 那些 组 这里 如果 你 需要 到。
我是 去 到 点击 好的。 现在 全部 的 那些 边缘 得到 a 不同的 标签。 你 能 看 那 如果 I 去 和 看 在 这 男性 和 这 模型 为了 这 女性， 那些 标签 是 这 相同的。 再次， 只是 到 提醒 我们 那 是 去 到 估计 仅有的 一 估计 为了 每个 的 那些 边缘 穿过 组。
好的， 所以 这， 一次 再次， 是 a 线性 生长 曲线， 但 I 有 平等的 生长 估计。 让我们 去 前方 和 跑步 那 模型。 我们 能 看， 再次， 我们 可以 重点 在 这 合身 的 这 模型。 它 没有 似乎 到 是 作为 好的 作为 这 以前的 一。 因为 这 第二 模型 是 a 受限制的 版本 的 这 第一的， 我们 能 实际上 选择 那些 二 模型 和 做 a 有意义的 比较 经过 点击 在 比较 选定 模型。
作为 前， 我们 是 有能力的 到 看 这里 这 改变 在 这 花费 正方形 沿着 和 这 改变 在 这 度 的 自由。 这 告诉 我们 如何 很多 增加 在 不适应 是 那里 在 我们的 模型， 和 是 那 增加 在 不适应 统计上 重要的？
如果 它 是， 哪个 在 这 案件 它 是， 然后 我们 基本上 是 说 那 那些 平等 约束 是 不是 站得住脚。 它 曾是 不是 a 好的 主意 到 地方 那些。 现在 我们 能 说 和 a 正式的 统计 测试 那 那里 是 统计上 重要的 差异 在 这 轨迹 穿过 男性 和 女性。
现在， 你 可能 想 到 看 在 那些 差异 经过 使用 这 预测 价值观 阴谋。 那是 某物 那 我们 能 做 只是 经过 去 进入 这 红色的 三角形 菜单。 但 什么 我是 去 到 做 第一的， 实际上 是 I 不 真的 想 到 看 在 这 模型 那 有 这 平等的 生长 估计 因为 我们 只是 意识到 那 那些 平等 约束 是 真的 不是 a 好的 主意。 我是 不是 去 到 看 在 那。 反而， 我是 去 到 看 在 这 第一的 模型 我们 合身， 和 我是 去 到 做 这 相同的 为了 这 男性 这里。 在下面 这 红色的 三角形 菜单， 我是 去 到 点击 在 预测 价值观 阴谋， 和 我是 去 到 连接 那些 点 因为 I 知道 我的 数据 是 纵向的。
这 是 这 阴谋 那 是 具体的 到 这 男性， 到 这 男性 样本。 但 它 会 是 真的 有帮助的 到 看 在 这 阴谋 边 经过 边 和 这 阴谋 为了 这 女性。 它是 实际上 相当 好的 那 全部 的 我们的 红色三角形 菜单 选项 这里 是 自动地 转身 在 穿过 全部 的 你的 团体， 所以 你 不 有 到 去 团体 经过 团体 转动 在 这 事物 你 想 到 看。
但 其他 诡计 那 I 真的 喜欢 是， 什么时候 你 有 a 标签式 报告， 你 能 总是 正确的- 点击 在 它 和 改变 这 风格 的 这 报告 所以 那 它是 在 a 水平的 传播。 这 是 去 到 允许 你 到 看 这 标签 边 经过 边， 这 内容 的 他们。
我是 去 到 点击 在 H 水平的 传播。 现在 注意 那 I 有 这 男性 和 这 女性 边 经过 边。 我是 去 到 使用 这 红色的 三角形 菜单 沿着 和 这 选项 或者 全部 钥匙 在 命令 命令 到 转动 离开 这 概括 的 合身， 这 范围 估计， 和 这 图表。 真的吗， 全部 I 想 到 看 是 这 预测 价值观 阴谋。 我是 去 到 点击 好的。 完美的。
现在 I 能 看 这 预测 价值观 阴谋 为了 这 男性 和 为了 这 女性。 I 能 看 那 边 经过 边。 非常 故意地， 我们 有 这里 这 Y 轴 在 这 相同的 规模 所以 那 这些 情节 是 可比。 现在 你 能 看 如何 这 轨迹 不同。 我们 看 那 有 a 很多 更多的 传播 为了 这 样本 为了 这 女性。 那里 还 似乎 到 是 a 小的 少量 的 a 不同之处 在 那 平均的 弹道 在 这 数量 的 生长。
再次， 有 许多 更多的 跟随 向上 测试 那 我们 可以 做 这里 在 命令 到 数字 出去 在哪里 这 具体的 差异 说谎。 如果 我们 通缉 到 测试 那， 我们 可以 说， 出色地， 是 那里 a 不同之处 具体来说 在 这 方差 的 这 坡？ 我们 可以 放 那 平等 约束 和 做 更多的 具体的 测试 作为 后续行动。 但 为了 现在， I 希望 那 只是 显示 你 这 例子 真的 允许 你 到 看 如何 多种的 团体 分析 能 是 用过的 在 a 更多的 复杂的 环境 和 如何 这 新的 预测 价值观 阴谋 能 是 用过的 到 真的 促进 这 解释 的 你的 纵向 模型。
全部 正确的。 是 几乎 在 这 结尾 的 这 演示 和 什么 I 想 到 做 非常 迅速地 和 这 相同的 数据， I 真的 通缉 到 强调 这 多变量 生长 曲线 捷径。 L 和 我 去 前方 和 去 后退 这里 到 这 结构方程模型 平台， 和 这 时间， 想象 那 我们 有 二 套 的 分数 超过 时间。
所以 是 去 到 是 寻找 在 二 流程。 我们 不 只是 有 学术的 成就 在 那 一 测试。 我们 有 它 在 二 不同的 测试 和 我们 想 到 看 如何 那些 二 流程 是 正在變化。 如何 是 他们 有关的 超过 时间？ 我是 去 到 使用 全部 的 这些 变量 这里， 点击 在 模型 变量 和 好的。 U 荣誉 这 模型 捷径， 记住 那 纵向 分析 多变量潜在 生长 曲线， 那 捷径 允许 我 到 选择 变量 为了 一 具体的 过程。
这里， I 可能 有 那些 第一的 四 变量。 那 曾是 我的 第一的 过程 I 想 到 看 在。 让我们 只是 说 那 那些 是 数学 分数。 我是 去 到 称呼 那 数学。 Y 或者 得到 到 选择 这里 什么 类型 的 生长 你 想 到 指定 为了 那 具体的 过程 为了 那 放 的 变量。 是 去 到 戳 到 a 线性 生长， 和 然后 我们 能 点击 这 加 按钮 在 命令 到 有 那 完毕 为了 我们 正确的 离开。 Y 或者 能 看 这 预览 在 这 背景 这里。 W e 有 一个 截距 和 a 坡 为了 数学。 T 母鸡 我们 能 改变 这 姓名 这里。 或许 这 第二 过程 是 科学， 和 现在 我们 能 选择 这 变量， 这 重复 措施 为了 那 科学 测试 超过 这 四 年。
A 获得， 是 去 到 戳 到 这 线性 模型， 和 是 去 到 点击 这 加 按钮。 V 艾里 迅速地， 那 模型 是 改变 那里 在 这 背景。 是 完毕 现在。 所以 我是 只是 去 到 点击 好的。 A 获得， 现在 I 可以 只是 点击 跑步 和 非常 迅速地 得到 这 结果 为了 那 模型。 这 是 一个 先进的 应用， 但 它 是 a 真的 有趣的 一 因为 它 允许 你 到 看 在 如何 这 最初的 时间 观点， 这 拦截 穿过 二 流程 在 这 案件， 如何 是 那些 截距 分数 有关的？ 是 他们 联系？ A 伊索 这 费率 的 改变 超过 时间。
如果 你 有 a 更高 分数 在 数学， 做 你 还 趋向 到 有 不是 只是 a 更高 分数， 但 a 更高 坡 超过 时间 在 数学？ 做 那 意思是 你 还 有 a 更高 速度 的 改变 在 科学？ A 根据 到 这， 你 做， 因为 我们 有 a 积极的 协会 之间 那些 二 因素。
再次， 只是 突出显示 一些 的 那 新的 功能。 我的 非常 最后的 例子 是 为了 民意调查 发展。 这 是 去 到 是 非常 简短的， I 承诺。 让我们 只是 说 这里 那 我们 想 到 数字 出去 什么 是 这 钥匙 司机 的 顾客 满意？ W e 知道 那 感知 质量 的 我们的 产品 和 这 名声 的 我们的 品牌 是 真的 重要的。 但 真的吗， 前 我们 能 甚至 回答 任何 问题 关于 顾客 满意， 我们 真的 需要 到 制作 当然 那 我们 有 a 有效的 和 可靠的 方式 到 评估 那些 变量。 因为 这些 是 变量 那 是 不是 观察到 直接地， 他们是 潜 变量， 和 所以， 它是 难的 到 制作 当然 那 我们 是 测量 他们 在 a 可靠的 和 有效的 方式。 S 调查 发展 是 全部 关于 实现 那 目标。
I 有 一个 例子 这里 那 是 去 到 允许 我们 到 看 如何 探索性的 因素 分析 是 现在 链接 到 作为 所以 那 你 能 做 民意调查 发展 在 a 真的 流线型 时尚。 I 有 843 行 在 这 数据 桌子。 每个 排 代表 一个 个人 WHO 已填满 出去 a 民意调查。 在 那 民意调查， 他们 给了 我们 评分， 回答 问题 关于 这 感知 质量 的 我们的 产品。 他们 还 给了 我们 不同的 答案 为了 这 感知 品牌 的 我们的 品牌。 T 母鸡 他们 还 回答 问题 关于 他们的 满意 和 这 产品。 这 可以 是 事物 喜欢， 如何 可能 是 你 到 推荐 我们的 产品 到 某人 你 知道？ 那些 类型 的 问题。
I 已经 有 a 已保存 脚本 为了 这 因素 分析 平台。 我是 不是 去 到 得到 进入 这 细节 的 如何 你 使用 这 平台， 但 I 做 想 到 重点 在 这 事实 那 这 结果 从 这 分析 是 正确的 这里 在 这 旋转 因素 加载中 矩阵。 那 是 这 钥匙 结果 从 这 分析。 U 通常， 什么 我们 想 到 看 这里 是 那 这 问题 那 是 假定 到 措施， 在 这 案件， 满意， 那 他们 是 在 事实， 加载中 进入 这 相同的 因素。
在此 案件 他们 是， 和 那是 好的 消息。 我们 看 这 相同的 图案 为了 质量。 这 更多的 重大的 负荷 是 为了 这些 第一的 三 问题 的 质量。 注意 那 那里 是 一 质量 问题 那 没有 似乎 到 有 a 好的 高的 加载中 在 任何 的 这 因素。 所以 或许 我们 会 去 后退 和 制作 当然 那 这 措辞 的 那 问题 是 好的， 或者 我们 可能 只是 想 到 扔 出去 那 问题 共。
有 还 a 夫妻 的 问题 为了 看法 的 我们的 品牌 那 没有 似乎 到 做 非常 出色地。 A 获得， 通常 你 做 非常 小心 选择 的 你的 问题。 你 会 去 后退， 读 什么 是 那些 问题， 是 那里 某物 我们 应该 调整， 或者 将 我们 只是 得到 摆脱 的 他们？ 现在， 为了 这 时间 存在， 这 特征 I 想 到 强调 是 那 在下面 这 红色的 三角形 菜单 的 这 模型， 那里 是 a 新的 选项 为了 复制 这 模型 规格 为了 相同的。 我是 去 到 点击 那。 W 有 它 做 是 那 这 负荷 那 是 大胆的 这里 在 我们的 最终的 旋转 因素 加载中， 那些 负荷 是 去 到 是 存储 所以 那 我们 能 使用 他们 在 这 作为 平台。
通常情况下， 你会 想 到 收集 a 新的 独立的 样本 所以 那 你 能 确认 这些 探索性的 结果。 现在， 让我们 只是 认为 为了 a 分钟 这里 那 这 数据 桌子 是 我的 新的 独立的 样本， 和 I 会 现在 去 到 分析， 多变量 方法， 结构方程模型， 和 I 能 使用 全部 那些 相同的 变量， 喜欢 在 模型 变量， 和 然后 好的 到 发射 这 平台。
通常情况下， 再次， 你 想 到 确认 这 结果 那 你 成立 和 一个 独立的 样本。 什么 你 能 做 是 在 这 主要的 红色的 三角形 菜单， 你 能 点击 在 粘贴 模型 规格。 N 哎哟 注意 那 这 因素 负荷 从 这 因素 分析 平台 是 重新缩放 经过 这 标准 偏差 的 这 指 标。 我是 去 到 点击 好的， 和 你 能 看 现在 那 这 价值观 这里 是 固定的 为了 这 负荷 的 那些 晚的 在 变量。 他们是 固定的 到 对应 到 这 价值观 从 这 因素 分析 平台。
现在， 再次， 他们 有 到 是 重新缩放 因为 这 方差 的 这 变量 是 采取 进入 考虑。 那是 这 恰当的 方式 到 指定 这 模型。 但 它是 真的 好的 到 是 有能力的 到 精简 这 工作流程 因为 通常情况下， 如果 你 真的 想 到 合身 a 确认 因素 模型 基于 在 一个 探索性的 因素 分析， 你 会 有 到 放 这些 约束 经过 手。T 帽子 真的 乏味。 所以 我们已经 制成 它 非常 简单的。 这些 潜 变量 有 负荷 那 是 固定的 到 已知 价值观 从 a 以前的 学习， 从 a 以前的 探索性的 分析， 和 我们 能 现在 确认 无论 或者 不是 那 阶乘 结构 仍然 持有 和 a 新的 样本。
一 事物 I 应该 阐明 是 那 这 三 变量 那 做过 不是 有 重大的 因素 负荷 在 这 报告 是 不是 存在 链接 到 任何 的 这 潜 变量。 R 真的， 我们 不 想 这些 到 是 这里 在 这 分析。 W 有 I 能 做 是 这 红色三角形 菜单 还 有 一个 选项 为了 移除 显现 变量 从 这 分析。
我是 去 到 使用 那 所以 那 I 能 迅速地 只是 寻找 质量 3、 品牌 3、 和 品牌 5个 nd I 能 只是 点击 好的 到 得到 摆脱 的 那些 变量 因为 I 不 真的 想 到 合身 我的 模型 和 他们 在 那里。 A 获得， 现在 I 能 只是 跑步 这 模型， 评估 这 合身， 和 数字 出去 无论 I 能， 在 事实， 确认 我的 结果 从 探索性的 因素 分析 使用 确认 因素 分析 在 相同的。 T 有 是 全部 I 有 为了 这 演示。 I 希望 那 这 是 有帮助的 和 I 看 向前 到 回答 全部 你的 问题 期间 这 居住 问答。 感谢 你 非常 很多。
