El modelado de ecuaciones estructurales es una técnica multivariable para analizar relaciones estructurales y probar teorías de relaciones entre variables observadas (manifiestas) o no observadas (latentes). El SEM combina el análisis factorial y el análisis de regresión múltiple.
Las nuevas capacidades de JMP SEM en JMP Pro 16 incluyen:
- Capacidad de personalizar diagramas de rutas mediante menús de clic derecho
- Perfilador de predicción disponible para interactuar con un modelo
- La plataforma SEM ahora acepta datos resumidos, como una matriz de correlación
- Capacidad para construir varios modelos y compararlos utilizando una tabla de comparación de modelos.
- Atajos para construir modelos de uso común
Utilice el video adjunto y el diario con archivos y scripts JMP para explorar el análisis de ruta, el análisis factorial confirmatorio y la regresión con variables latentes.
Preguntas y respuestas del seminario web en vivo de Jian Cao del 22 de abril de 2021
P : ¿Incluye una ecuación de predicción con todas las estimaciones para un modelo dado?
R: Sí, toda la información para crear las ecuaciones de predicción está disponible en la salida, pero se presenta en una tabla en lugar de en un formato de ecuación de predicción.
P: ¿JMP también proporciona índices de modificación?
R: Sí, encontrará los índices de modificación en la opción de menú del triángulo rojo.
P: ¿Se utilizan conjuntos de entrenamiento, verificación y prueba para construir y evaluar los modelos?
R: No, este es un análisis confirmatorio, no predictivo.
P: ¿Puedes analizar los residuos?
R: Sí, los residuos se pueden modelar explícitamente.
P: ¿Hay alguna manera de obtener un orden de clasificación de importancia variable?
A: Existen estimaciones de parámetros estandarizados que se pueden utilizar como magnitud del efecto y que se pueden clasificar en el resultado.
P: ¿Puede la plataforma JMP Pro SEM ayudar con el análisis causal, como con SAS Proc Causalgraph (en particular, el concepto de BackDoor Criterion)?
R: La plataforma es comparable a PROC CALIS en lugar de PROC CAUSALGRAPH.
P: En el diagrama del ejemplo web, ¿cuál es la diferencia entre la privacidad latente (forma de círculo) y la variable de respuesta de privacidad (forma rectangular)?
R: Los cuadrados son las variables que tenemos en la tabla de datos. Son las respuestas a varias preguntas que se hacen sobre la privacidad percibida de un sitio web. El círculo es una variable latente no observada que modelamos aprovechando la información de las variables observadas (los cuadrados a los que apunta).
P: ¿Hay efectos indirectos disponibles?
A: Los efectos totales e indirectos con valores de significancia estarán disponibles en 16.1, debido a la publicación del 3T.
Recursos
