Guten Tag, JMP-Community.
Hier ist das Szenario:
- Version: JMP Pro 18.0.2
- Forschungsfrage: Inwieweit beeinflussen nicht-finanzielle Anreize (NFIs) die Mitarbeiterbindung, moderiert durch die Mitarbeiterebene (Junior, Middle, Senior) und vermittelt durch die Arbeitszufriedenheit?
- Beobachtungen = ~130.000 | Variablen = ~100 Variablen
- Maßnahmen
- Unabhängige Variablen/Faktoren (NFIs)
- Training und Entwicklung (TAD) – bestehend aus 5 Faktoren
- Auszeichnungen und Anerkennung (AAR) – bestehend aus 1 Faktor
- Mentoring (MTR) – bestehend aus 3 Faktoren
- Moderierende Variable = Mitarbeiterebene (ELV) – bestehend aus 1 Variable
- Mediationsvariable/Faktor = Arbeitszufriedenheit (JSAT) – bestehend aus 1 Faktor
- Abhängige Variable = Retention (RTN)
- Konzeptioneller Rahmen:
Ich habe das JMP Pro-Add-In für Moderationsmediation installiert. In meinem Fall ist der Moderator (Z) ELV, der Mediator (M) JSAT und das Ergebnis (Y) RTN. Das Add-In scheint jedoch nicht mehr als einen Prädiktor (X) gleichzeitig zuzulassen und auch die Erstellung und Verwendung latenter Variablen als Prädiktoren nicht zu ermöglichen.
Bitte geben Sie mir Bescheid, wenn ich etwas übersehen habe oder wenn es eine alternative Methode gibt.
Danke schön,
ArthurB
Hallo Arthur,
Gute Frage! Ich habe das Moderations- und Mediations-Add-In entwickelt, und Sie haben vollkommen Recht – es ähnelt einem moderierten Mediationsmodell der ersten Stufe. Allerdings kann das Add-In derzeit keine latenten Variablen oder mehrere fokale Prädiktoren (d. h. mehrere Prädiktoren, deren Effekte moderiert werden) berücksichtigen. Sie können dieses Modell manuell in der SEM-Plattform festlegen. Der Ansatz, den ich hier demonstriere, heißt „unconstrained product indicator“-Ansatz. Weitere Einzelheiten dazu finden Sie bei Marsh et al. (2012) .
Datenvorverarbeitung
Es ist eine Vorverarbeitung der Daten erforderlich. Ich habe einige Daten simuliert, um sie Ihren Variablennamen basierend auf Ihrer Beschreibung zuzuordnen. Das ist vielleicht nicht ganz korrekt, aber ich habe fünf Indikatoren für TAD (TAD ist latent), eine Variable für AAR, drei Indikatoren für MTR (MTR ist latent) und jeweils eine Variable für ELV, JSAT und RTN. Sie können dieses Beispiel gerne an Ihre Daten anpassen.
- Zunächst werden alle Prädiktoren (einschließlich aller Indikatoren latenter Variablen) und der Moderator mittelzentriert. Ich habe diesen neuen Variablennamen ein „c“ angehängt:
- Erstellen Sie anschließend Produktterme, die jeden Prädiktor und den Moderator umfassen. Wenn der Prädiktor eine manifeste Variable ist (d. h. nur einen Indikator hat), handelt es sich um einen einfachen Produktterm. Wenn der Prädiktor eine latente Variable ist (d. h. mehrere Indikatoren hat), benötigen wir für jeden Indikator einen Produktterm.
Starten Sie die SEM-Plattform
Jetzt sind Sie bereit, die SEM-Plattform zu starten. Achten Sie darauf, (1) die mittelwertzentrierten Prädiktoren und den mittelwertzentrierten Moderator, (2) alle zugehörigen Produktterme sowie (3) den Mediator und das Ergebnis einzubeziehen. Der Übergang vom konzeptionellen Rahmen – wie Sie hier gezeigt haben – zum SEM, das diesem konzeptionellen Rahmen entspricht, kann etwas knifflig sein. Daher zeige ich Ihnen, wie die Modellspezifikation aussehen sollte.
Konzeptionelles vs. statistisches Modell
Wie Sie vielleicht im Add-In gesehen haben, umfasst das statistische Modell für die moderierte Mediation der ersten Stufe den Prädiktor, den Moderator und einen Prädiktor*Moderator-Produktterm. Diese Elemente sagen jeweils sowohl den Mediator als auch das Ergebnis voraus. (Hinweis: Obwohl wir uns üblicherweise für die Moderation des X->M-Pfades interessieren, wie Sie hier, empfiehlt es sich, auch X->Y-Pfade einzubeziehen und deren Moderation zuzulassen. Das Weglassen dieser Pfade kann zu verzerrten Schätzungen führen, wenn sie ungleich Null sind.) Wir werden dieses Modell erweitern, sodass es mehrere X (und mehrere X*Z-Produktterme) gibt. Einige dieser Prädiktoren sind latente Variablen, daher sind auch die entsprechenden Produktterme latente Variablen.
Modellspezifikation in der SEM-Plattform
- Geben Sie latente Variablen und latente Interaktionen an. Verwenden Sie für die latenten Interaktionen die Produktvariablen, die in der Vorverarbeitung erstellt wurden. Die latenten Variablen sehen wie gewohnt aus:
Und die latenten Interaktionen sehen folgendermaßen aus:
- Richten Sie die erforderlichen Regressionspfade ein. Das Ergebnis sieht folgendermaßen aus: TAD, MTR und AARc sind die Prädiktoren (X), ELVc ist der Moderator (Z) und TAD*ELV, MTR*ELV und AARc*ELVc sind die Produktterme (X*Z). Alle diese Elemente haben Pfade zu JSAT (M) und RTN (Y).
- Erlauben Sie, dass alle X-, Z- und X*Z-Terme kovariieren.
Und das sind Ihre Schritte. Dies ist ein ziemlich komplexes Modell, aber es scheint, als ob Sie über genügend Daten verfügen, um es zu unterstützen.
Hoffe, das hilft!
Haley
Hallo Haley,
Das war meisterhaft! Vielen Dank für Ihre schnelle, ausführliche und klare Antwort. Es hat wie beschrieben funktioniert.
Dankbar,
ArthurB
Guten Morgen, Haley!
Eine letzte Frage ... Gibt es eine Möglichkeit, die Johnson-Neyman-Diagramme für TAD*ELV, AAR*ELV und MTR*ELV zu erstellen?
Danke,
Arthur
Hallo Arthur,
Leider noch nicht! Johnson-Neyman-Diagramme, die auf latenter Variablenmoderation basieren, habe ich noch nie gesehen. Es handelt sich um eine neuartige Erweiterung, die ich gerne in Zukunft in das Add-In integrieren würde, bisher aber noch nicht umgesetzt habe.
Für die AAR*ELV-Interaktion (da sie manifest*manifest ist) könnten Sie das Add-In verwenden, um ein moderiertes Mediationsmodell der ersten Stufe anzupassen und lediglich die LV-Indikatoren als Kovariate einzubeziehen. Das Add-In würde in diesem Fall ein JN-Diagramm und ein einfaches Steigungsdiagramm für die AAR*ELV-Interaktion erstellen, sodass Sie diese Interaktion besser visualisieren können. Da es sich jedoch nicht ganz um dasselbe Modell wie das obige handelt, rate ich davon ab, die einfachen Steigungen oder Signifikanzgrenzen zu interpretieren oder anzugeben – dies wäre eher ein „Hack“, um grobe Visualisierungen zu erhalten.
Am besten,
Haley
