El modelado de ecuaciones estructurales proporciona un marco de análisis general para investigar las asociaciones entre variables observadas y no observadas. Numerosos modelos pueden ajustarse dentro de este marco flexible. Esta flexibilidad se debe a la capacidad de modelar varianzas, covarianzas y medias en los datos observados.
Este video tutorial incluye información y preguntas frecuentes sobre los objetivos, enfoques y fundamentos estadísticos de los modelos de ecuaciones estructurales (SEM). Comienza con los conceptos básicos de SEM y continúa con tres estudios de caso: uno para cada uno de los dos componentes básicos de SEM (regresión lineal y análisis factorial confirmatorio) y otro para destacar las nuevas funcionalidades de JMP Pro 17 para el análisis multigrupo. Finaliza con un resumen de los principales beneficios de SEM y del uso de JMP Pro para SEM. A continuación, se indican los tiempos de inicio de cada sección. Utilice las tablas de JMP adjuntas para probar SEM en su copia de JMP Pro 17.
Vea cómo:
- Comprenda qué es, por qué es importante y cómo funciona el SEM.
- Gestione los datos faltantes con métodos de vanguardia sin las complicaciones de la imputación múltiple.
- Especifique un modelo en el que las variables sean tanto predictoras como variables de resultado.
- Comprender los mecanismos por los cuales suceden las cosas.
- Pon a prueba teorías específicas sobre la asociación de variables y aprovecha tu experiencia en el campo.
- Variables del modelo que no se pueden medir directamente (también conocidas como variables latentes)
- Variables del modelo que presentan errores de medición (y que los tienen en cuenta)
- Crea diagramas que describan tus modelos estadísticos de forma intuitiva.
- Comprenda las estadísticas que respaldan los modelos.
- Bloque de construcción n.° 1: Regresión lineal simple y análisis de trayectorias (Comienza aproximadamente en el minuto 42:34)
- Bloque de construcción n.° 2: Análisis factorial confirmatorio (Comienza aproximadamente en el minuto 1:08:00)
- Análisis de grupos múltiples (Comienza aproximadamente en el minuto 1:21:13)
- Amplía la compatibilidad de todos los modelos en SEM.
- Investigar las similitudes y diferencias entre poblaciones.
- Requiere una variable de agrupación (a menudo con pocos niveles).
En el vídeo se intercalan preguntas y respuestas de Laura (@LauraCS) y James (@JamesK4) . Otras preguntas que surgieron fueron:
P: ¿Se utiliza la imputación para manejar los valores faltantes en SEM?
R: No. No se requiere imputación múltiple porque JMP SEM utiliza el método de máxima verosimilitud con información completa (FIML) para estimar los parámetros, el cual emplea todos los datos disponibles para el análisis, incluso cuando solo hay datos parciales en filas o columnas. FIML es un método de estimación de vanguardia para el manejo de datos faltantes y se utiliza de forma predeterminada en JMP Pro si se detectan datos faltantes.
P: ¿Cómo modela el SEM los moderadores y mediadores?
A: Los usuarios pueden crear términos de producto que se pueden usar para iniciar la plataforma SEM como cualquier otra variable. Estos términos de producto ayudan a probar los efectos de interacción, también conocidos como efectos moderadores. El análisis de mediación está disponible en el menú "Accesos directos al modelo" de la plataforma SEM. Los usuarios interesados en la moderación y la mediación moderada también pueden usar este complemento para estimar esos modelos.
P: ¿Podemos obtener también residuos observacionales (Bollen, 1990)?
A: Puede hacerlo, en el menú del triángulo rojo del informe SEM, en "Guardar columnas" > Guardar residuos de observación. Aquí encontrará documentación sobre residuos .
Path Diagrams: Intuitive, Powerful, Represent Statistical ModelDiagramas de trayectorias: intuitivos, potentes y representan modelos estadísticos.Diagramas de trayectorias: intuitivos, potentes y representan modelos estadísticos.
How Does SEM Work?¿Cómo funciona el SEM?¿Cómo funciona el SEM?
Law Enforcemment ExampleEjemplo de aplicación de la leyEjemplo de aplicación de la ley
Recursos:
