809938_ja-JP

liliconcom

構造方程式モデルを用いて観測変数と潜在変数の関係を明らかにする

方法をご覧ください:

• SEMの基礎を理解する
  • 確証的因子分析（CFA） - 測定された変数が構成概念の数をどれだけよく表しているかをテストし、理論を確認または拒否するための多変量統計手法
  • パス分析 - 2つ以上の因果モデルを比較し、ダイアグラムフローチャートを使用してパスと因果関係をモデル化する相関行列から構築された回帰モデルの拡張。
  • 構造方程式モデリング（SEM） - 因子分析と重回帰分析を組み合わせた多変量統計分析手法で、測定変数と潜在的構成概念間の構造的関係を分析し、単一の分析で複数の相互依存関係を推定します。
• 産業ケーススタディを使用してモデルを選択し、測定領域を処理します
  • 3 パネルの SEM ウィンドウをナビゲートする (開始リスト、終了リスト、ダイアグラム)
  • SEMを使用して、測定値に内在する誤差があるかどうかを確認します。
  • 制限付きモデルと独立モデルの結果を調べて比較する方法を理解する
  • 複数のモデルを反復的に構築し、モデルを実行する前に要件ルールのステータスを解釈します。
  • モデルの統計情報とレポートの警告を見つけて解釈し、必要に応じてモデルを変更または再実行します。
  • ローカルデータフィルターを使用して変数でフィルタリングする
  • 因子スコアを保存し、潜在変数を観測変数に適用する
• スポーツのケーススタディを用いてSEMで仮説を検証する

注: 36:43 に Q&A が含まれています。

リソース

• SEM JMPディスカバリー プレゼンテーションとブログ

高度な統計モデリング