Die Strukturgleichungsmodellierung bietet einen allgemeinen Analyserahmen zur Untersuchung von Zusammenhängen zwischen beobachteten und unbeobachteten Variablen. Innerhalb dieses flexiblen Rahmens lassen sich zahlreiche Modelle abbilden. Diese Flexibilität ergibt sich aus der Möglichkeit, Varianzen, Kovarianzen und Mittelwerte in den beobachteten Daten zu modellieren.
Dieses Tutorial-Video bietet Informationen und Antworten auf häufig gestellte Fragen zu Zweck, Vorgehensweise und statistischen Grundlagen von Strukturgleichungsmodellen (SEM). Es beginnt mit den Grundlagen von SEM und behandelt anschließend drei Fallstudien: je eine für die beiden SEM-Bausteine (lineare Regression und konfirmatorische Faktorenanalyse) sowie eine, die die neuen Funktionen von JMP Pro 17 für die Mehrebenenanalyse verdeutlicht. Abschließend werden die wichtigsten Vorteile von SEM und der Verwendung von JMP Pro für SEM zusammengefasst. Die Startzeiten der einzelnen Abschnitte finden Sie unten. Nutzen Sie die beigefügten JMP-Tabellen, um SEM in Ihrer JMP Pro 17-Version auszuprobieren.
So geht's:
- Verstehen Sie das Was, Warum und Wie von SEM
- Fehlende Daten mit modernsten Methoden ohne den Aufwand der Mehrfachimputation bewältigen.
- Geben Sie ein Modell an, in dem Variablen sowohl Prädiktoren als auch Ergebnisse sind.
- Die Mechanismen verstehen, durch die Dinge geschehen
- Testen Sie spezifische Theorien über den Zusammenhang von Variablen und nutzen Sie Ihr Fachwissen.
- Modellvariablen, die nicht direkt gemessen werden können (auch latente Variablen genannt)
- Modellvariablen, die Messfehler aufweisen (und diese berücksichtigen)
- Erstellen Sie Diagramme, die Ihre statistischen Modelle intuitiv beschreiben.
- Verstehe die Statistiken hinter den Modellen
- Baustein Nr. 1 – Einfache lineare Regression und Pfadanalyse (Beginnt bei ca. 42:34)
- Baustein Nr. 2 – Konfirmatorische Faktorenanalyse (Beginnt bei ca. 1:08:00 Uhr)
- Analyse mehrerer Gruppen (Beginnt bei ca. 1:21:13)
- Erweitert die Kompatibilität aller Modelle im SEM
- Untersuchen Sie Ähnlichkeiten und Unterschiede zwischen verschiedenen Bevölkerungsgruppen.
- Erfordert eine Gruppierungsvariable (oft mit wenigen Stufen)
Im Video sind Fragen und Antworten von Laura (@LauraCS) und James (@JamesK4) eingestreut. Weitere Fragen, die aufkamen:
F: Wird bei der SEM-Analyse die Imputation verwendet, um fehlende Werte zu behandeln?
A: Nein. Eine multiple Imputation ist nicht erforderlich, da JMP SEM die Parameter mittels Full Information Maximum Likelihood (FIML) schätzt. Dabei werden alle verfügbaren Daten für die Analyse genutzt, selbst wenn in Zeilen oder Spalten nur unvollständige Daten vorliegen. FIML ist eine hochmoderne Schätzmethode für den Umgang mit fehlenden Daten und wird in JMP Pro standardmäßig verwendet, sobald fehlende Daten erkannt werden.
F: Wie modelliert das SEM-Modell Moderatoren und Mediatoren?
A: Nutzer können Produktbegriffe erstellen, die wie jede andere Variable zum Starten der SEM-Plattform verwendet werden können. Diese Produktbegriffe helfen, Interaktionseffekte (auch Moderatoreffekte genannt) zu testen. Die Mediationsanalyse ist im Menü „Modellverknüpfungen“ der SEM-Plattform verfügbar. Nutzer, die sich für Moderation und moderierte Mediation interessieren, können dieses Add-In auch zur Schätzung dieser Modelle verwenden.
F: Können wir auch Beobachtungsresiduen erhalten (Bollen, 1990)?
A: Sie können dies im SEM-Bericht unter dem roten Dreiecksmenü und anschließend unter „Spalten speichern“ > „Beobachtungsresiduen speichern“ tun. Hier finden Sie die Dokumentation zu Residuen .
Path Diagrams: Intuitive, Powerful, Represent Statistical ModelPfaddiagramme: Intuitiv, leistungsstark, repräsentieren statistische ModellePfaddiagramme: Intuitiv, leistungsstark, repräsentieren statistische Modelle
How Does SEM Work?Wie funktioniert SEM?Wie funktioniert SEM?
Law Enforcemment ExampleBeispiel für StrafverfolgungBeispiel für Strafverfolgung
Ressourcen:
