你好， 每個人。 我是 勞拉 卡斯楚 斯基洛。 我是 a 進階的 研究 統計學家 開發者 在職的 和 這 結構方程模型 平台。 我是 真的 興奮的 今天 到 展示 你 一些 的 這 新的 特徵 那 我們 有 在 跳轉 專業版 17. 一 的 這 大的 一 是 去 到 允許 我們 到 探索 團體 差異。 是 去 到 演講 關於 那 a 很多 今天。
我們的 計劃 為了 今天 是， 希望 出色地 花費 最多 的 這 時間 在 a 演示， 真的 顯示 你 那些 新的 特徵。 但 非常 簡要地， 前 我們 得到 進入 那， I 想 到 提醒 你 什麼 結構方程模型 是， 為什麼 你 可能 想 到 使用 它， 和 然後 希望 透過 這 演示， 患病的 展示 你 如何 到 使用 它。
現在， 我們的 推介會 今天 是 不是 非常 長的。 什麼 I 也 想 到 做 是 展示 你分享 和 你 一些 額外的 資源來自 以前的 發現 簡報 和 開發者 教學 在哪裡 你會 學習 a 很多 更多的 細節 在 如何 到 使用 相同的。
現在， 這 概述 的 新的 特徵 是 去 到 覆蓋， 是 去 到 第一的 演講 關於 多種的 團體 分析 和 然後 一些 改進 那 我們已經 完畢 為了 縱向 造型 之內 作為 和 為了 民調 發展。 後 我們 去 超過 那些， 出色地 去 直的 進入 這 示範 和 真的 展示 你 如何 全部 的 那些 是 用過的。
結構方程模型 是 a 非常 一般的 分析 框架 為了 調查 這 協會 之間 變數。 現在， 這 是 a 非常 廣闊 定義， 和 那是 有目的的，因為 結構方程模型 是 a 非常 廣闊 科技 在哪裡 a 數位 的 不同的 模型 能 是 合身。
這裡 我已經 上市 a 很少 的 這 模型 那 你 可以 合身 之內 作為， 但 這 是 不是 一個 詳盡的 列表。 它 真的 是 a a 非常 靈活的 框架。
A 自然的 問題 那 可能 來 到 頭腦 是， 如果 I 能 做 一些 的 這些 分析 某處 別的， 然後 為什麼 會 I 想 到 使用 a WHO？ 有時 你 可能 不是 需要 到 使用 它， 正確的？ 那 會 是 只是 美好的。 但 那裡 是 一些 情況 在 哪個 作為 會 是 特別 有幫助的。 我已經 包括 這裡 a 清單 的 什麼 那些 情況 可能 是。
這 第一的 是 有時 你 可能 是 有興趣的 在 理解 這 機制 作者 哪個 事物 發生。 這 是 a 環境 在哪裡 作為 能 是 非常 有用。 很多時候 什麼時候 你 想 到 理解 機制， 那 方法 那 你 有 變數 那 是 兩個都 預測變數 和 結果。
然而， 不是 許多 統計 科技 允許 你 到 指定 模型 在哪裡 你 能 有 a 多變的 是 兩個都 a 預測器 和 一個 結果。 那是 實際上 某物 那 是 非常 自然的 在 相同的。 如果 這 是 某物 那 你是 在職的 在， 作為 可以 是 非常 有幫助的 為了 你。
你 真的 想 到 槓桿作用 你的 領域 專業知識 如果 你是 使用 相同的。 這 原因 是 因為 在 命令 到 指定 你的 模型， 你 真的 需要 到 思考 關於 什麼 是 你的 理論？ 什麼 是 它 那 你 知道 關於 你的 數據？ 你 來 向上 和 那些 理論， 你 翻譯 他們 進入 a 可測試 模型， 和 然後 什麼時候 你 合身 你的 模型， 你 看 無論 或者 不是 有 支援 為了 那些 想法 那 你 有。
現在， a 非常 重要的 使用 案件 為了 作為 是 什麼時候 你是 在職的 和 變數 那 不能 是 測量 直接地。 所以 晚的- 在 變數 是 非常 重要的 在 a 數位 的 不同的 域。 如果 你是 有興趣的， 為了 例子， 在 尋找 在 顧客 滿意 或者 品質 的 a 產品 在 這 社會科學。 有 所以 許多 晚的- 在 變數， 性格， 智力， 那些 是 一些 的 這 陳腔濫調 事物 那 你 會 聽到。 但 真的嗎， 後期變數 是 全部 超過 這 地方。 如果 你 工作 和 那些， 如果 你 有 研究 問題 那 蘊涵 晚的- 在 變數， 然後 你是 真的 去 到 益處 經過 使用 相同的。
A 有些 有關的 原因 到 使用 作為 是 那 如果 你 有 變數 那 有 測量 錯誤 和 你 實際上 想 到 帳戶 為了 那 測量 錯誤， 作為 能 也 是 非常 有幫助的。 I 說 那 這 是 有關的 到 這 後期變數 因為 這 方式 在 哪個 我們 帳戶 為了 這 測量 錯誤 是 經過 指定 後期變數 在 相同的。 測量 錯誤 能 有 有時 出乎意料 結果 在 我們的 推論。 它 能 是 相當 有用 到 帳戶 為了 它。
其他 益處 的 作為， 和 這 是 一 事物 那 是 非常 實際的 真的嗎， 是 什麼時候 它 來 到 擁有 遺失的 數據， 哪個， 的 課程， 是 全部 超過 這 地方， 這 最多 受歡迎的 估計 演算法 為了 作為 手把 遺失的 數據 在 a 無縫的 時尚 這樣的 那 這 使用者 沒有 真的 需要 到 做 任何事物。 遺失的 數據 是 已處理 和 a 切割 邊緣 演算法 和 你 真的 不 有 到 擔心 關於 它 作為 很多。 如果 你 有 遺失的 數據， 有時 I 告訴 人們 甚至 如果 你 只是 有 a 簡單的 線性 回歸， 你 能 益處 從 使用 作為 只是 因為 遺失的 數據 是 已處理 和 它是 簡單的。
最後， 小路 圖表 是 a 批判的 工具 為了 結構方程模型。 那些 圖表 是 非常 有幫助的 因為 有時 甚至 這 最多 複雜的 統計 模型 能 是 傳達 在 a 非常 直覺的 時尚 經過 依靠 在 這些 圖表。
在 跳轉， 我們 使用 這些 圖表 到 促進 這 規格 的 我們的 模型， 但 也 到 傳達 這 結果 的 模型。 那些 圖表 能 是 非常 有幫助的 什麼時候 你是 呈現 你的 結果 到 任何 類型 的 觀眾， 真的。
全部 正確的， 所以 這 是 只是 a 非常 簡短的 清單 的 為什麼 你 可能 想 到 使用 相同的。 I 做 想 到 分享 a 關聯 這裡 到 a 推介會 那 I 給了 沿著 和 詹姆斯·庫夫勒 誰是 也 在 工作 發展。 我們 做過 a 開發者 教學 在哪裡 我們 實際上 去了 進入 a 很多 更多的 深度 關於 這 原因 為什麼 你 可能 想 到 使用 相同的。 如果 你 想 到 查看 那 出去， I 只是 通緝 到 分享 這 關聯 這裡。 如果 你 下載 這 幻燈片 從 這 社區， 你 不 有 到 類型 這 長的 關聯。 你 能 只是 點選 在 那 和 查看 那 影片 出去。
全部 正確的， 所以 如何 到 使用 相同的。 再次， 我是 去 到 去 進入 a 示範 和 患病的 展示 你 如何 到 使用 作為， 但 我的 示範 是 不是 去 到 是 也 專注 在 a 教學 類型 的 推介會， 大多 因為 的 時間 限制。 我們 想 到 保持 這 短的 和 甜的。
什麼 I 想 到 做 在 這 滑動 是 分享 和 你 額外的 影片 簡報 在哪裡 你 能 去 和 學習 更多的 在 a 教學 形式 如何 到 使用 結構方程模型 為了 a 很少 不同的 案件 研究， 基本上。 這裡， 這 第一的 影片 是 a 關聯 在哪裡 I 覆蓋 如何 到 模型 民調 數據 和 延遲 變數。 我們 覆蓋 事物 喜歡 確認 因素 分析和 小路 分析 和 和 沒有 延遲 變數。
如果 你 有 縱向 數據， 這 影片 能 是 相當 有幫助的。 這裡 I 去了 超過 如何 到 合身 後期生長 曲線 模型 和 如何 到 解釋 那些 結果。 出色地 做 a 小的 位元 的 縱向 造型 這裡 今天 在 這 演示， 但 我們 慣於 是 有能力的 是 有能力的 到 去 進入 這 細節 再次 在 a 教學 方式。 I 確實 鼓勵 你 到 手錶 那 如果 你 是 有興趣的。
如果 你 不 有 事先的 作為 經驗， I 非常 很多 鼓勵 你 到 手錶 這 其他 影片 在哪裡 詹姆斯 庫夫勒 和 I 談論 關於 大樓 結構方程模型 在 跳轉 贊成。 這 一 是 非常 介紹性， 和 所以 你 可能 想 到 開始 和 那 一 事先的 到 去 到 這 其他的。
好的， 所以 現在 它是 時間 到 得到 進入 a 小的 概述 的 這 新的 特徵 在 跳轉 專業版 17. 多種的 團體 分析 是 a 特徵 那 我已經 到過 真的 尋找 向前 到 呈現 在 因為 這 是 某物 那 延伸 全部 的 這 模型 那 能 是 合身 之內 東南 M. 它 做 所以 經過 允許 我們 到 調查 相似之處 和 差異 穿過 亞群。 我們 做 這 經過 納入 a 分組 多變的 進入 我們的 分析。
現在， 這 最多 受歡迎的 多種的 團體 分析 範例 通常 展示 a 分組 多變的 那 有 很少 水平。 事物 喜歡 人口統計 變數 是 用過的 非常 經常。 的確， 在 這 示範 我是 去 到 做， 我是 也 去 到 使用 a 簡單的 人口統計 多變的。 但 真的嗎， 有 不 限制 到 如何 許多 等級 你 真的 應該 有。 什麼 真的 事宜 是 如何 許多 觀察 做 你 有 為了 每個 等級。 你 想 到 有 a 相對地 好的 樣本 尺寸 為了 每個 的 那些 子群。
現在， 那裡 是 a 一般的 策略 為了 這 分析。 是 去 到 看 這 在 實踐， 但 I 想 你 到 開始 思維 關於 如何 這 真的 作品。 它是 實際上 相當 簡單的。 什麼 我們 做 在 多種的 團體 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 這 其他。 一次 我們 合身 兩個都 的 他們， 出色地 是 有能力的 到 做 a 可能性 比率 測試 或者 a 高的 方塊 不同之處 測試 在 命令 到 製作 一個 推理 關於 無論 這 限制 那 我們 施加 在 一 的 這 模型 是 在 事實 站得住腳。 這 是 如何 我們 數位 出去 無論 那裡 是 統計上 重要的 差異 穿過 組。 再次， 出色地 看 那 玩 出去 在 這 示範 .
在 條款 的 縱向 數據 分析， 我們已經 製成 它 a 很多 更輕鬆 到 解釋 這 結果 從 你的 模型 經過 尋找 在 這 模型 暗示 軌跡 透過 a 新的 預測 價值觀 陰謀。 我們 也 有 製成 它 a 很多 更輕鬆 到 指定 多變數 生長 曲線。 如果 你是 熟悉的 和 這些 模型， 他們 允許 你 到 調查 這 協會 的 多種的 流程 超過 時間。 他們 能 是 非常 有幫助的， 但 它 用過的 到 是 a 小的 乏味 在 條款 的 如何 到 指定 那些。 現在 我們已經 完畢 那 非常 簡單的 和 快速地 透過 這 使用 的 模型 快捷方式。 為了 一些 先進的 應用程式, 我們已經 也 製成 它 更輕鬆 到 定義 一個 獨立 模型 基於 在 什麼 使用者 想 到 有 作為 這 獨立 模型。
那裡 是 也 一些 改進 為了 調查。 這 真的 是 大多 專注 在 精簡 你的 工作流程 為了 發展 調查。 通常 這 分析 工作流程 開始 經過 使用 探索性的 因素 分析， 和 然後 你 拿 那些 結果 和 確認 他們 和 一個 獨立的 樣本 使用 確認 因素 分析 在 作為 .
什麼 我們已經 完畢 和 這 幫助 的 Jianfeng 丁， 世界衛生組織 是 這 開發者 為了 探索性 因素 分析， 我們已經 到過 有能力的 現在 到 關聯 這 二 平台 經過 基本上 允許 你 到 複製 這 模型 規格 從 探索性的 因素 分析 和 然後 貼上 那 進入 作為 所以 那 你 能 容易地 和 迅速地 確認 你的 結果。
我們 也 有 a 新的 捷徑 為了 交換 這 規模 的 你的 遲到 變數。 有時 這 是 有幫助的 什麼時候 你是 發展 調查 為了 指定 模型。 我們 也 有 a 數位 的 更多的 新的 熱 地圖 那 是 只是 去 到 製作 它 更輕鬆 到 解釋 這 結果 的 你的 分析。
現在， 最後的 但 不是 至少， 我們的 平台 有 總是 到過 非常 快速地。 但 在 這 發布， 克里斯 戈特韋爾 放 a 很多 的 驚人的 努力 朝向 改善 甚至 更多的 這 表現 的 我們的 內部的 演算法. 如果 你 有 很多 的 變數 或者 很多 的 數據， 確實 給 它 a 射擊。 I 是 非常， 非常 印象深刻 和 興奮的 關於 什麼 我們 有 到 提供 在 條款 的 這 表現 的 這 平台 作為 出色地。
好的， 所以 它是 時間 為了 這 演示。 讓我們 去 前方 和 展示 你 什麼 I 有 超過 這裡。 I 有 a 雜誌 在哪裡 我是 去 到 工作 通過， 希望 我們 有 足夠的 時間 到 工作 透過 三 例子。
這 第一的 一 這裡， 也許 不是 出奇， 用途 我們的 大的 班級 數據 桌子。 它是 去 到 是 a 非常 簡單的 例子 只是 到 介紹 這 觀念 在後面 多種的 團體 分析。 現在， 什麼 我是 去 到 做 這裡， 我們 有 二 變數， 正確的？ 高度 和 重量。 什麼 I 想 到 做 是 調查 這 協會 之間 這些 二 變數 經過 性別。 我是 去 到 去 到 這 分析 選單， 去 向下 到 多變數 方法， 和 然後 結構 方程式 模型。 我是 去 到 使用 兩個都 的 那些 變數 和 點選 在 模型 變數。
現在， 這 品牌 新的 特徵 的 多種的 團體 分析 能 是 成立 在 這 發射 對話 在下面 這 團體 按鈕。 這 按鈕 是 新的 和 那是 什麼是 去 到 允許 我們 到 選擇 我們的 分組 多變的 和 點選 在 群組 在 命令 到 使用 那 作為 我們的 分組 多變的。 是 去 到 看 在 如何 男性 和 女性 和 無論 他們 不同 基本上 在 他們的 協會 之間 高度 和 重量。 是 去 到 點擊O 因為。
現在， 這 是 這 平台。 你 能 看 如果 你 有 見過 我們的 平台 前， 它 看起來 非常 相似的 作為 前， 和 這 例外 的 這些 新的 標籤 正確的 這裡。 這 標籤 是 那裡 到 告訴 我們 關於 這 不同的 群組 那 我們 有 在 我們的 分析。 在 這 案件， 有 僅有的 二 等級 為了 我們的 分組 變數。 我們 有 a 標籤 為了 這 女性 和 a 標籤 為了 男性。
一 的 這 事物 你會 注意 是 那 這 小路 圖表 有 a 模型 已經 作為 a 預設 為了 每個 的 那些 組。 那些 預設 模型 是 這 相同的。 那是 為什麼 什麼時候 I 轉變 標籤， 沒有什麼 真的 變更。 這 聯盟 標籤， 作為 這 姓名 意味著， 它 節目 我們 什麼是 在 常見的 穿過 全部 的 我們的 分組， 出色地， 這 等級 的 我們的 分組 多變的。 這裡， 這 是 為什麼 這 圖表 也 看起來 這 相同的。
在 命令 到 指定 a 簡單的 線性 回歸 在 作為 , 這裡， 我是 只是 去 到 選擇 在 這 從 清單 這 高度 多變的， 和 然後 在 這 到 列表， 我是 去 到 選擇 重量。 我是 去 到 關聯 那些 二 變數 和 a 一 領導 箭， 哪個 是 什麼 添加 那 回歸 小路 到 我的 模型。 這 是 只是 a 簡單的 線性 回歸 在哪裡 高度 是 預測 重量。
現在， 有時 I 喜歡 到 右鍵單擊 在 這 帆布 的 這 小路 圖表 和 I 去 到 客製化 圖表 只是 到 製作 這 節點 a 小的 位元 更大 因為 I 尋找 那 有時， 尤其 什麼時候 這 圖表 是 小的， 那 看起來 a 很多 更好。 這 是 只是 a 簡單的 線性 回歸。
現在， 注意 那 因為 I 做過 我的 模型 規格 在下面 這 聯盟 標籤， 兩個都 這 女性 和 這 男性 遺傳 那些 相同的 變化 和 規格 到 這 模型 那 I 製成。 如果 I 製作 任何 變化 之內 a 團體 具體的 標籤， 然後 那些 變化 將要 僅有的 申請 到 那 團體。 但 在 這 案件， 什麼 I 想 到 做 是 合身 一個 最初的 模型 在哪裡 兩個都 男性和 名人 和 女性 得到 他們的 自己的 估計 為了 這 線性 回歸。
現在， 保持 在 頭腦 那 這 估計 的 這 模型 是 全部 完畢 同時地。 是 不是 分別地 配件 這 模型 為了 女性 和 為了 男性。 一切 是 完畢 同時地， 但 我是 仍然 有能力的 到 允許 每個 的 這 群組 到 有 他們的 自己的 估計 為了 這 模型。
我是 去 到 點選 在 跑步， 和 出色地 看 有 a 模型 比較 桌子 在哪裡 我們 能 學習 a 很多 關於 這 合身 的 這 模型。 但 現在， 某物 那是 新的 在 我們的 報告 是 那 我們 有 這些 標籤 為了 每個 的 我們的 組。 我們 有 a 標籤 為了 這 女性 和 a 標籤 為了 這 男性。
現在， 如果 你 重點 在 這 回歸 係數， 為了 例子， I 能 去 後退 和 向前 和 意識到 那 I 做 有， 在 事實， a 不同的 估計 為了 那 係數。
現在， 這 係數 看起來 不同的， 但 I 不 有 a 測試， a 正式的 統計 測試 那 告訴 我 無論 或者 不是 那 協會 是 統計上 重要的。 這 不同之處 和 這 協會 是 不同的。 在 任何 速度， 這 男性 這裡 有 關於 3.4， 女性 有 a 小的 位元 更大 價值。 但 什麼 我們 真的 想 是 到 合身 a 第二 模型 在哪裡 我們 力量 一個 平等 約束 在 那 範圍 估計， 和 然後 我們 能 使用 那 到 比較 反對 這 模型。 讓我們 去 前方 和 做 那。
我是 去 到 是 在 這 聯盟 標籤 和 我是 去 到 選擇 那 回歸 小路 和 我是 去 到 點選 這 按鈕， 放 平等的。 這 是 去 到 帶來 向上 這 對話 哪個 是 只是 去 到 問 我 到 確認 那 I 做 想 到 申請 這 平等 約束 穿過 全部 的 我的 團體， 哪個 I 做。 我是 去 到 點選 好的。 現在 注意 那 I 有 這 新的 標籤 那 曾是 放 這裡 在 這 邊緣。 如果 I 看 在 這 女性 標籤 和 這 男性 標籤， 那 標籤 是 仍然 顯示 向上 在 那 邊緣 在 那 箭。 那 是 我們的 方式 到 傳達 到 你， 這 用戶， 那 這 相同的 範圍 估計 是 去 到 是 用過的 基本上 到 描述 那 協會。
好的， 所以 讓我們 去 後退 和 模型 姓名。 是 去 到 改變 這 到 是 回歸 影響 是 平等的。 我們 力量 那 到 是 平等的 在 這 模型。 是 去 到 去 前方 和 點選 在 跑步。 現在， 再次， 我們 可以 看 在 我們的 模型 比較 到 看 在 這 合身 的 我的 不同的 模型。 I 能 選擇 這 二 模型 那 I 只是 合身， 和 因為 一 的 那些 模型 是 a 受限制的 版本 的 這 其他， 我們 稱呼 這 那 這 模型 是 嵌套， 我們 能 實際上 做 a 可能性 比率 測試。
那 是 完畢 非常 容易地 在 我們的 平台 簡單地 經過 選擇 這 二 模型 和 點選 在 比較 選定 模型。 我們 將要 獲得 a 不同之處 在 這 花費 正方形， 哪個 代表 這 改變 在 這 不適應 的 這 模型。 我們 也 看 在 這 不同之處 在 度 的 自由 之間 這 二 模型 和 這 差異 在 這 合身 根據 到 一些 的 這 最多 受歡迎的 合身 統計數據 在 相同的。
現在， 根據 到 這 具體的 測試， 它 出現 那 這 改變 在 花費 正方形， 這 增加 在 不適應 是 不是 統計上 重要的。 如果 我們 使用 只是 這 花費 方塊 不同之處 測試， 我們 會 然後 來 到 這 結論 那 甚至 儘管 那些 二 價值觀 是 不同的， 他們是 不是 統計上 不同的。 現在 我們 可以 去 後退 向下 這裡 到 我們的 標籤 結果 和 你 能 看 那 這 回歸 係數 是 這 相同的 甚至 什麼時候 I 去 穿過 這 標籤。 我們 可以 然後 說， 出色地， 有 不 不同之處 之間 男性 和 女性 在 條款 的 如何 高度 預測 重量。
這 是 a 非常 簡單的 例子 的 如何 我們 可以 使用 平等 約束 穿過 群組 在 命令 到 測試 a 具體的 假設。 現在， 作為 你 能 想像， I 可以 去 後退 進入 我的 模型 規格 和 I 可以 放 平等 約束 也 在 這 變異數 的 高度 和 在 這 殘差 變異數 的 重量。 如果 那 是 某物 那 是 的 興趣 到 我， 如果 I 想 到 測試 那些 差異， 這 框架 允許 我 到 做 那。
現在， a 很多 的 次 你是 去 到 有 更多的 複雜的 模型 出色地 超過 線性 回歸， 或者 你 可能 有 更多的 等級 的 你的 分組 多變的， 和 那是 完全 美好的。 這 是 a 簡單的 例子 那 希望 你 能... 那 允許 你 到 看 如何 你 可以 延長 這 進入 a 更多的 複雜的 環境。 好的， 所以 那 是 這 例子。
I 想 到 移動 在 到 一個 例子 那 用途 縱向 數據。 現在， 是 不是 去 到 移動 離開 從 多種的 團體 分析 完全。 是 基本上 去 到 強調 一些 的 那些 縱向 分析 改進， 但 然後 仍然 帶來 後退 這 概念 的 多種的 團體 分析。
為了 這 例子， I 想 你 到 想像 那 我們 有 數據 桌子 在哪裡 我們 有 數據 從 學生 那 有 採取 一個 學術的 成就 測試 為了 四 連續的 年。 也許 什麼 我們 真的 想 到 尋找 出去 從 這些 數據 是 無論 學生 成就... 如何 是 它 發展 超過 時間？ 無論 男性 和 女性 不同 在 他們的 軌跡 超過 時間？ 這些 是 去 到 是 這 二 問題 那 是 去 到 重點 在 為了 這 特別的 例子。
現在， 那裡 是 a 樣本 數據 桌子 那 你 將要 尋找 之內 我們的 樣本 數據 資料夾。 它是 稱為 學術的 成就。 你 可以 使用 那 到 跟隨 沿著 和 這 例子。 在 這 數據， 我們 有 100 行。 每個 排 代表 a 不同的 學生 那 拿了 這 學術的 成就 測試。 你 能 看 那 這裡， 這些 四 列 代表 這 分數 在 那 多種的 選擇 測試 那 曾是 採取 為了 年 在 a 排。 那些 是 這 數據 那 我是 去 到 重點 在 為了 配件 a 縱向 模型。
我是 去 到 去 到 這 分析 選單， 多 各種各樣的 方法， 結構方程模型， 和 那些 四 變數 是 已選定。 我是 只是 去 到 點選 在 模型 變數 在 命令 到 使用 那些 在 相同的。 我是 去 到 點選 好的。 記住， 這 第一的 問題 曾是， 如何 做 學生' 學術的 成就 發展 超過 時間？ 我們 想 到 表徵 那 生長 或者 數位 出去 無論 那裡 是 生長 的確。
我們 有 我們的 模型 捷徑 向下 在 這 底部 左邊， 和 你 能 看 那 在下面 這 經度 分析 選單， 我們 有 a 新的 選項。 是 去 到 得到 到 這 選項 之後 今天， 多變量， 晚的 在 生長 曲線。
但 我們 也 有 有 a 很少 其他 選項 這裡 那 製作 縱向 造型 非常 快的 和 簡單的。 為了 這 例子， 我是 去 到 使用 這 合身 和 比較 生長 模型。 什麼時候 I 做 那， 三 不同的 模型 是 合身。 I 獲得 a 花費 方塊 不同之處 測試 為了 全部 的 這 可能的 組合 這裡。 如果 I 看 在 這 合身 指數 和 也 這 結果 從 這 花費 方塊 不同之處 測試， I 將要 認出 那 這 最好的 配件 模型 這裡 是 這 線性 生長 曲線 模型。 在 其他 字， 它 出現 那 這 分數 在 這 學術的 成就 測試 超過 時間 能 是 最好的 特徵 經過 線性 生長。
基於 在 那， I 將要 去 前方 和 重點 在 口譯 這 結果 從 這 線性 生長 曲線 模型。 我是 去 到 打開 那 和 記起 那 那 一 的 這 新的 特徵 為了 縱向 造型 是 a 新的 預測 價值觀 陰謀 那 允許 我們 到 解釋 這 結果 的 我們的 模型 a 很多 更多的 容易地。 如果 你是 熟悉的 和 生長 曲線 模型， 你 知道 那 一些 的 這 鑰匙 範圍 估計 是 這些 正確的 這裡。 他們 告訴 我們 在 平均的 如何 我們的 學生 在哪裡 做 他們 開始 和 如何 是 他們 改變 超過 時間 和 如何 很多 變異性 那裡 是 在 那些 軌跡。
在下面 這 紅色的 三角形 選單 的 這 特別的 模型， 如果 I 捲動 向下， 我是 去 到 尋找 一個 選項 稱為 預測 價值觀 陰謀。 如果 I 點選 在 那， 你 將要 看 那 作為 a 預設, 我們 展示 你 盒子 劇情 的 這 預測 價值觀 為了 全部 的 這 結果 變數 在 這 模型。
現在， 什麼時候 你 有 縱向 數據， 我們 有 a 非常 方便的 選項 這裡 那 允許 你 到 連接 這 數據 點 和 實際上 獲得 a 義大利細麵條 陰謀 那 節目 你 每個 的 這 個人 預測 軌跡 經過 這 模型。 現在， 它是 漂亮的 涼爽的 因為 這 陰謀 是， 在 事實， 連結 到 這 數據 桌子。 任何 選擇 你 有 這裡 在 這 陰謀， 你 能 也 看 那些 在 你的 數據 桌子， 哪個 是 某物 那 你 知道 到 預計 從 跳轉。
在 條款 的 口譯 這 結果 的 這 模型， 它是 不 驚喜 那 這些 是 全部 直的 線 因為 我們 合身 a 線性 模型。 但 你 能 當然 看 那 那裡 是 a 很多 的 變異性 在 這 方式 這些 學生 是 正在變化。 一些 學生 開始 在 這 頂部 在 這 開始 和 是 仍然 增加。 其他 學生 是 開始 低的 和 是 實際上 參展 a 小的 位元 的 衰退 超過 時間。
但 我們 也 看 一個 平均的 彈道 這裡 那 似乎 到 展示 a 小的 位元 的 增加 超過 時間。 在 平均的， 那裡 是 一些 增加， 但 有 a 很多 的 變異性 在 如何 人們 是 正在變化。 的 課程， 一 的 這 自然的 問題 你 可能 有 是， 什麼 因素 預測 那些 不同的 軌跡， 喜歡 這 變異性 在 那 截距 坡， 那是 某物 那 我已經 覆蓋 在 其他 簡報， 所以 我是 不是 去 到 演講 關於 那 現在。 但 再次， I 鼓勵 你 到 使用 這 預測 價值觀 陰謀 到 更好的 解釋 你的 縱向 分析。
我們 談論 關於 使用者 存在 有能力的 到 指定 他們的 自己的 獨立 模型。 那 是 某物 那 我們 做 這裡 在 這 模型 比較 桌子 和 能 是 非常 有用 為了 縱向 分析。 我們 做 有 一個 獨立 模型 那 是 聯準會 經過 預設, 但 如果 你 選擇 到 改變 那， 然後 你 可以 總是 右鍵單擊 在 任何 給定 模型 那 你 想 到 放 作為 這 獨立 獨立 模型， 和 我們 將要 拿 關心 的 那 改變 為了 你。
那 是 一個 先進的 技術。 I 非常 很多 建議 你 到， 如果 你是 不是 熟悉的 作為 到 什麼是 這 恰當的 獨立 模型 為了 你的 分析， 你 應該 真的 拿 a 看 在 這 文學 到 製作 當然 那 你是 使用 a 好的 獨立 模型 因為 它 真的 各不相同 有時 經過 情境.
我是 坐著 下一個 到 這 美麗的 窗戶 和 這 太陽， 它是 a 華麗的 天 所以 我是 去 到 有 到 調整 這裡 我的 電腦 所以 那 I 不 有 全部 這 光 在 我的 臉。 I 道歉 為了 那。
好的， 所以 讓我們 得到 後退 到 這 問題。 我們 說 那 如何 學生做 達到 和 發展 超過 這 時期 的 時間？ 我們 現在 有 一個 理解 那 它 發展 在 這 線性 時尚 和 那 那裡 是 重大的 多變性。 那是 這 回答 到 那 問題。
出色地， 這 下一個 事物 是， 做 男性 和 女性 不同 在 這些 軌跡？ 這 方式 是 去 到 承認 和 地址 那 問題 是 經過 使用 多種的 團體 分析。 T 他的 可以 是 後退 在 這 平台， 我們 可以 使用 這 主要的 三角形 選單 到 重做 和 重新啟動 我們的 分析。
現在 什麼 是 去 到 做 是 帶來 這 分組 多變的， I 有 a 性別 作為 群組 多變的。 只是 經過 正在做 這， 出色地 是 有能力的 到 呼叫 我們的 多種的 團體 分析 功能。 我是 去 到 點選 好的， 和 現在 你 能 看 那 我們的 報告 為了 這 平台 有 這 等級 的 我們的 分組 多變的 這裡 作為 標籤。
只是 作為 前， 你 能 看 那 這 男性 和 這 女性 有 這 相同的 模型 作為 a 預設, 但 我們 能 製作 變化 到 那。 是 去 到 工作 之內 這 聯盟 標籤 因為 I 想 這 變化 那 我是 關於 到 做 到 這 模型 規格， I 想 他們 到 申請 為了 兩個都 男性 和 女性。
I 將要 也 強調， 和 這 是 只是 a 小的 邊 筆記， 那 在下面 這 地位 標籤， 你是 去 到 尋找 團體 具體的 資訊 那 我們 沒有 有 前 什麼時候 我們 沒有 有 多種的 團體 分析。 你 能 有 一些 資訊 關於 你的 數據， 遺失的 數據， 和 所以 在 那 是 具體的 到 這 組。
好的， 所以 讓我們 去 前方 和 回答 這 問題。 做 男性 和 女性 有 差異 在 他們的 軌跡？ 出色地， I 已經 知道 那 這 線性 模型 適合 最好的， 所以 我是 去 到 去 到 我們的 模型 快捷方式， 經度 分析， 和 我是 去 到 點選 在 這 線性 延遲 生長 曲線。 這 快速方式 非常 迅速地 放 向上 這 模型 為了 我， 製作 它 非常 簡單的， 和 他們 做 那 穿過 全部 的 這 等級 的 這 分組 多變的。 I 有 這 線性 生長 曲線 模型。
注意 那 這些 鑰匙 方面 的 這 模型， 這 估計 那 真的 表徵 這 改變 在 我們的 數據， 不 有 任何 標籤 在 那些 邊緣， 哪個 方法 那 他們是 自由地 估計的 穿過 男性 和 女性。 我的 第一的 模型 這裡 是 a 線性 生長 曲線 模型。 我是 只是 去 到 放 a 小的 關鍵字 這裡。 哎呀， I 已擦除 它。 線性 生長 曲線。 但 I 通緝 到 包括 這裡 那 這 是 自由地 估計的 正確的 穿過 這 組。 我是 去 到 點選 在 跑步。 出色的。
我們 能 看 這裡 一些 合身 指數。 在 我的 報告， I 能 看 a 標籤 為了 這 男性 和 為了 這 女性。 的 課程， 作為 你會 預計， 如果 I 去 後退 和 第四， I 可以 拿 a 看 在 這 結果 為了 這 女性 和 然後 去 後退 和 看 在 如何 那些 結果 是 也許 不同的 為了 這 男性。 這 是 有趣的。 那裡 出現 到 是 一些 差異， 但 再次， 我們 可能 想 到 數位 出去 無論 這 差異 那 我們 觀察 只是 從 尋找 在 這些 估計 但 那些 是 在 事實， 統計上 重要的。
什麼 患病的 做 是 我是 去 到 去 後退 到 我的 模型 規格 和 我是 去 到 做 一個 OmniVis 測試。 在 其他 字， 相當 比 只是 放置 一個 平等 約束 在 一 的 這些 估計， 我是 實際上 去 到 做 那 為了 全部 的 這些 估計， 這 截距 意思是， 這 意思是 為了 這 坡， 和 這 協方差 的 這 截距 和 坡， 和 他們的 差異。
你 不 有 到 做 它 這 方式， 但 真的 它是 你的 研究 問題 那 應該 是 指導 在哪裡 做 你 地方 那些 平等 限制？ 在 我的 案件， I 只是 想 到 做 一個 全方位 測試 在哪裡 I 數位 出去 無論 這 軌跡 為了 男性 和 女性 是 不同的 和 無論 或者 不是 I 需要 a 分離 估計 為了 那些 參數。
I 有 全部 的 那些 邊緣 已選擇 和 我是 去 到 點選 在 放 平等的。 這裡 I 確認的 那 I 做 想 那些 平等 約束 穿過 兩個都 組。 這 是 實際上 相當 有幫助的 什麼時候 你 有 更多的 比 二 等級 在 你的 分組 多變的。 它 可能 是 那 你 想 平等 約束 穿過， 說， 二 群組 但 不是 這 第三。 你 能 取消選取 一些 的 那些 群組 這裡 如果 你 需要 到。
我是 去 到 點選 好的。 現在 全部 的 那些 邊緣 得到 a 不同的 標籤。 你 能 看 那 如果 I 去 和 看 在 這 男性 和 這 模型 為了 這 女性， 那些 標籤 是 這 相同的。 再次， 只是 到 提醒 我們 那 是 去 到 估計 僅有的 一 估計 為了 每個 的 那些 邊緣 穿過 組。
好的， 所以 這， 一次 再次， 是 a 線性 生長 曲線， 但 I 有 平等的 生長 估計。 讓我們 去 前方 和 跑步 那 模型。 我們 能 看， 再次， 我們 可以 重點 在 這 合身 的 這 模型。 它 沒有 似乎 到 是 作為 好的 作為 這 以前的 一。 因為 這 第二 模型 是 a 受限制的 版本 的 這 第一的， 我們 能 實際上 選擇 那些 二 模型 和 做 a 有意義的 比較 經過 點選 在 比較 選定 模型。
作為 前， 我們 是 有能力的 到 看 這裡 這 改變 在 這 花費 方塊 沿著 和 這 改變 在 這 度 的 自由。 這 告訴 我們 如何 很多 增加 在 不適應 是 那裡 在 我們的 模型， 和 是 那 增加 在 不適應 統計上 重要的？
如果 它 是， 哪個 在 這 案件 它 是， 然後 我們 基本上 是 說 那 那些 平等 約束 是 不是 站得住腳。 它 曾是 不是 a 好的 主意 到 地方 那些。 現在 我們 能 說 和 a 正式的 統計 測試 那 那裡 是 統計上 重要的 差異 在 這 軌跡 穿過 男性 和 女性。
現在， 你 可能 想 到 看 在 那些 差異 經過 使用 這 預測 價值觀 陰謀。 那是 某物 那 我們 能 做 只是 經過 去 進入 這 紅色的 三角形 菜單。 但 什麼 我是 去 到 做 第一的， 實際上 是 I 不 真的 想 到 看 在 這 模型 那 有 這 平等的 生長 估計 因為 我們 只是 意識到 那 那些 平等 約束 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 這 第一的 模型 我們 合身， 和 我是 去 到 做 這 相同的 為了 這 男性 這裡。 在下面 這 紅色的 三角形 選單， 我是 去 到 點選 在 預測 價值觀 陰謀， 和 我是 去 到 連接 那些 點 因為 I 知道 我的 數據 是 縱向的。
這 是 這 陰謀 那 是 具體的 到 這 男性， 到 這 男性 樣本。 但 它 會 是 真的 有幫助的 到 看 在 這 陰謀 邊 經過 邊 和 這 陰謀 為了 這 女性。 它是 實際上 相當 好的 那 全部 的 我們的 紅色三角形 選單 選項 這裡 是 自動地 轉身 在 穿過 全部 的 你的 團體， 所以 你 不 有 到 去 團體 經過 團體 轉動 在 這 事物 你 想 到 看。
但 其他 詭計 那 I 真的 喜歡 是， 什麼時候 你 有 a 標籤式 報告， 你 能 總是 正確的- 點選 在 它 和 改變 這 風格 的 這 報告 所以 那 它是 在 a 水平的 傳播. 這 是 去 到 允許 你 到 看 這 標籤 邊 經過 邊， 這 內容 的 他們。
我是 去 到 點選 在 H 水平的 傳播. 現在 注意 那 I 有 這 男性 和 這 女性 邊 經過 邊。 我是 去 到 使用 這 紅色的 三角形 選單 沿著 和 這 選項 或者 全部 鑰匙 在 命令 命令 到 轉動 離開 這 概括 的 合身， 這 範圍 估計， 和 這 圖表。 真的嗎， 全部 I 想 到 看 是 這 預測 價值觀 陰謀。 我是 去 到 點選 好的。 完美的。
現在 I 能 看 這 預測 價值觀 陰謀 為了 這 男性 和 為了 這 女性。 I 能 看 那 邊 經過 邊。 非常 故意地， 我們 有 這裡 這 Y 軸 在 這 相同的 規模 所以 那 這些 劇情 是 可比。 現在 你 能 看 如何 這 軌跡 不同。 我們 看 那 有 a 很多 更多的 傳播 為了 這 樣本 為了 這 女性。 那裡 也 似乎 到 是 a 小的 位元 的 a 不同之處 在 那 平均的 彈道 在 這 數量 的 生長。
再次， 有 許多 更多的 跟隨 向上 測試 那 我們 可以 做 這裡 在 命令 到 數位 出去 在哪裡 這 具體的 差異 說謊。 如果 我們 通緝 到 測試 那， 我們 可以 說， 出色地， 是 那裡 a 不同之處 具體來說 在 這 變異數 的 這 坡？ 我們 可以 放 那 平等 約束 和 做 更多的 具體的 測試 作為 後續行動。 但 為了 現在， I 希望 那 只是 顯示 你 這 例子 真的 允許 你 到 看 如何 多種的 團體 分析 能 是 用過的 在 a 更多的 複雜的 環境 和 如何 這 新的 預測 價值觀 陰謀 能 是 用過的 到 真的 促進 這 解釋 的 你的 縱向 模型。
全部 正確的。 是 幾乎 在 這 結尾 的 這 示範 和 什麼 I 想 到 做 非常 迅速地 和 這 相同的 數據， I 真的 通緝 到 強調 這 多變數 生長 曲線 捷徑。 L 和 我 去 前方 和 去 後退 這裡 到 這 結構方程模型 平台， 和 這 時間， 想像 那 我們 有 二 套 的 分數 超過 時間。
所以 是 去 到 是 尋找 在 二 流程。 我們 不 只是 有 學術的 成就 在 那 一 測試。 我們 有 它 在 二 不同的 測試 和 我們 想 到 看 如何 那些 二 流程 是 正在變化。 如何 是 他們 有關的 超過 時間？ 我是 去 到 使用 全部 的 這些 變數 這裡， 點選 在 模型 變數 和 好的。 U 榮譽 這 模型 捷徑， 記住 那 縱向 分析 多變量潛在 生長 曲線， 那 捷徑 允許 我 到 選擇 變數 為了 一 具體的 過程。
這裡， I 可能 有 那些 第一的 四 變數。 那 曾是 我的 第一的 過程 I 想 到 看 在。 讓我們 只是 說 那 那些 是 數學 分數。 我是 去 到 稱呼 那 數學。 Y 或者 得到 到 選擇 這裡 什麼 類型 的 生長 你 想 到 指定 為了 那 具體的 過程 為了 那 放 的 變數。 是 去 到 戳 到 a 線性 生長， 和 然後 我們 能 點選 這 加 按鈕 在 命令 到 有 那 完畢 為了 我們 正確的 離開。 Y 或者 能 看 這 預覽 在 這 背景 這裡。 W e 有 一個 截距 和 a 坡 為了 數學。 T 母雞 我們 能 改變 這 姓名 這裡。 或許 這 第二 過程 是 科學， 和 現在 我們 能 選擇 這 變數， 這 重複 措施 為了 那 科學 測試 超過 這 四 年。
A 獲得， 是 去 到 戳 到 這 線性 模型， 和 是 去 到 點選 這 加 按鈕。 V 艾里 迅速地， 那 模型 是 改變 那裡 在 這 背景。 是 完畢 現在。 所以 我是 只是 去 到 點選 好的。 A 獲得， 現在 I 可以 只是 點選 跑步 和 非常 迅速地 得到 這 結果 為了 那 模型。 這 是 一個 先進的 應用， 但 它 是 a 真的 有趣的 一 因為 它 允許 你 到 看 在 如何 這 最初的 時間 觀點， 這 攔截 穿過 二 流程 在 這 案件， 如何 是 那些 截距 分數 有關的？ 是 他們 聯繫？ A 伊索 這 費率 的 改變 超過 時間。
如果 你 有 a 更高 分數 在 數學， 做 你 也 趨向 到 有 不是 只是 a 更高 分數， 但 a 更高 坡 超過 時間 在 數學？ 做 那 意思是 你 也 有 a 更高 速度 的 改變 在 科學？ A 根據 到 這， 你 做， 因為 我們 有 a 積極的 協會 之間 那些 二 因素。
再次， 只是 突出顯示 一些 的 那 新的 功能。 我的 非常 最後的 例子 是 為了 民調 發展。 這 是 去 到 是 非常 簡短的， I 承諾。 讓我們 只是 說 這裡 那 我們 想 到 數位 出去 什麼 是 這 鑰匙 司機 的 顧客 滿意？ W e 知道 那 感知 品質 的 我們的 產品 和 這 名聲 的 我們的 品牌 是 真的 重要的。 但 真的嗎， 前 我們 能 甚至 回答 任何 問題 關於 顧客 滿意， 我們 真的 需要 到 製作 當然 那 我們 有 a 有效的 和 可靠的 方式 到 評估 那些 變數。 因為 這些 是 變數 那 是 不是 觀察到 直接地， 他們是 潛 變數， 和 所以， 它是 難的 到 製作 當然 那 我們 是 測量 他們 在 a 可靠的 和 有效的 方式。 S 調查 發展 是 全部 關於 實現 那 目標。
I 有 一個 例子 這裡 那 是 去 到 允許 我們 到 看 如何 探索性的 因素 分析 是 現在 連結 到 作為 所以 那 你 能 做 民調 發展 在 a 真的 流線型 時尚。 I 有 843 列 在 這 數據 桌子。 每個 排 代表 一個 個人 世界衛生組織 已填滿 出去 a 民意調查。 在 那 民意調查， 他們 給了 我們 評分， 回答 問題 關於 這 感知 品質 的 我們的 產品。 他們 也 給了 我們 不同的 答案 為了 這 感知 品牌 的 我們的 品牌。 T 母雞 他們 也 回答 問題 關於 他們的 滿意 和 這 產品。 這 可以 是 事物 喜歡， 如何 可能 是 你 到 推薦 我們的 產品 到 某人 你 知道？ 那些 類型 的 問題。
I 已經 有 a 已儲存 腳本 為了 這 因素 分析 平台。 我是 不是 去 到 得到 進入 這 細節 的 如何 你 使用 這 平台， 但 I 做 想 到 重點 在 這 事實 那 這 結果 從 這 分析 是 正確的 這裡 在 這 旋轉 因素 載入中 矩陣。 那 是 這 鑰匙 結果 從 這 分析。 U 通常， 什麼 我們 想 到 看 這裡 是 那 這 問題 那 是 假定 到 措施， 在 這 案件， 滿意， 那 他們 是 在 事實， 載入中 進入 這 相同的 因素。
在此 案件 他們 是， 和 那是 好的 消息。 我們 看 這 相同的 圖案 為了 品質. 這 更多的 重大的 負荷 是 為了 這些 第一的 三 問題 的 品質. 注意 那 那裡 是 一 品質 問題 那 沒有 似乎 到 有 a 好的 高的 載入中 在 任何 的 這 因素。 所以 或許 我們 會 去 後退 和 製作 當然 那 這 措詞 的 那 問題 是 好的， 或者 我們 可能 只是 想 到 丟 出去 那 問題 共。
有 也 a 夫妻 的 問題 為了 看法 的 我們的 品牌 那 沒有 似乎 到 做 非常 出色地。 A 獲得， 通常 你 做 非常 小心 選擇 的 你的 問題。 你 會 去 後退， 讀 什麼 是 那些 問題， 是 那裡 某物 我們 應該 調整， 或者 將 我們 只是 得到 擺脫 的 他們？ 現在， 為了 這 時間 存在， 這 特徵 I 想 到 強調 是 那 在下面 這 紅色的 三角形 選單 的 這 模型， 那裡 是 a 新的 選項 為了 複製 這 模型 規格 為了 相同的。 我是 去 到 點選 那。 W 有 它 做 是 那 這 負荷 那 是 大膽的 這裡 在 我們的 最終的 旋轉 因素 載入中, 那些 負荷 是 去 到 是 儲存 所以 那 我們 能 使用 他們 在 這 作為 平台。
通常情況下， 你會 想 到 收集 a 新的 獨立的 樣本 所以 那 你 能 確認 這些 探索性的 結果。 現在， 讓我們 只是 認為 為了 a 分分鐘 這裡 那 這 數據 桌子 是 我的 新的 獨立的 樣本， 和 I 會 現在 去 到 分析， 多變數 方法， 結構方程模型， 和 I 能 使用 全部 那些 相同的 變數， 喜歡 在 模型 變數， 和 然後 好的 到 發射 這 平台。
通常情況下， 再次， 你 想 到 確認 這 結果 那 你 成立 和 一個 獨立的 樣本。 什麼 你 能 做 是 在 這 主要的 紅色的 三角形 選單， 你 能 點選 在 貼上 模型 規格。 N 哎喲 注意 那 這 因素 負荷 從 這 因素 分析 平台 是 重新縮放 經過 這 標準 偏差 的 這 指 標。 我是 去 到 點選 好的， 和 你 能 看 現在 那 這 價值觀 這裡 是 固定的 為了 這 負荷 的 那些 晚的 在 變數。 他們是 固定的 到 對應 到 這 價值觀 從 這 因素 分析 平台。
現在， 再次， 他們 有 到 是 重新縮放 因為 這 變異數 的 這 變數 是 採取 進入 考慮。 那是 這 恰當的 方式 到 指定 這 模型。 但 它是 真的 好的 到 是 有能力的 到 精簡 這 工作流程 因為 通常情況下， 如果 你 真的 想 到 合身 a 確認 因素 模型 基於 在 一個 探索性的 因素 分析， 你 會 有 到 放 這些 約束 經過 手。 T 帽子 真的 乏味。 所以 我們已經 製成 它 非常 簡單的。 這些 潛 變數 有 負荷 那 是 固定的 到 已知 價值觀 從 a 以前的 學習， 從 a 以前的 探索性的 分析， 和 我們 能 現在 確認 無論 或者 不是 那 階乘 結構 仍然 持有 和 a 新的 樣本。
一 事物 I 應該 闡明 是 那 這 三 變數 那 做過 不是 有 重大的 因素 負荷 在 這 報告 是 不是 存在 連結 到 任何 的 這 潛 變數。 R 真的， 我們 不 想 這些 到 是 這裡 在 這 分析。 W 有 I 能 做 是 這 紅色三角形 選單 也 有 一個 選項 為了 移除 顯現 變數 從 這 分析。
我是 去 到 使用 那 所以 那 I 能 迅速地 只是 尋找 品質 3、 品牌 3、 和 品牌 5個 nd I 能 只是 點選 好的 到 得到 擺脫 的 那些 變數 因為 I 不 真的 想 到 合身 我的 模型 和 他們 在 那裡。 A 獲得， 現在 I 能 只是 跑步 這 模型， 評估 這 合身， 和 數位 出去 無論 I 能， 在 事實， 確認 我的 結果 從 探索性的 因素 分析 使用 確認 因素 分析 在 相同的。 T 有 是 全部 I 有 為了 這 演示。 I 希望 那 這 是 有幫助的 和 I 看 向前 到 回答 全部 你的 問題 期間 這 居住 問答。 感謝 你 非常 很多。
