안녕하세요, JMP 커뮤니티 여러분.
시나리오는 다음과 같습니다.
- 버전: JMP Pro 18.0.2
- 연구 질문: 비금전적 인센티브(NFI)는 직원 수준(주니어, 중간, 시니어)에 따라 조절되고 직무 만족도에 의해 매개되는 방식으로 직원 유지에 어느 정도 영향을 미칩니까?
- 관찰 = ~130,000 | 변수 = ~100개 변수
- 조치
- 독립 변수/요인(NFI)
- 교육 및 개발(TAD) - 5가지 요소로 구성됨
- 수상 및 인정(AAR) - 1개 요소로 구성됨
- 멘토링(MTR) - 3가지 요소로 구성됨
- 조절 변수 = 직원 수준(ELV) - 1개 변수로 구성됨
- 중재 변수/요인 = 직무 만족도(JSAT) - 1개 요인으로 구성됨
- 종속변수 = 보유(RTN)
- 개념적 프레임워크:
저는 조정-조정을 위한 JMP Pro 애드인을 설치했습니다. 제 경우 조정자(Z)는 ELV이고, 조정자(M)는 JSAT이며, 결과(Y)는 RTN입니다. 그러나 애드인은 동시에 두 개 이상의 예측자(X)를 허용하지 않는 듯하며, 잠재 변수를 생성하여 예측자로 사용하는 것도 허용하지 않습니다.
제가 놓친 것이 있거나 다른 방법이 있다면 알려주시기 바랍니다.
감사합니다,
아서비
안녕하세요 아서,
좋은 질문입니다! 저는 Moderation and Mediation Add-In을 만들었고, 당신이 말한 대로입니다. 이것은 1단계 조절된 조절 모델과 비슷하지만, 현재 이 Add-In은 잠재 변수나 여러 초점 예측 변수(즉, 효과가 조절되는 여러 예측 변수)를 수용할 수 없습니다. SEM 플랫폼에서 이 모델을 수동으로 지정할 수 있습니다. 여기서 제가 설명할 접근 방식은 "제약 없는 제품 지표" 접근 방식이라고 하며, 이에 대한 자세한 내용은 마쉬 등 (2012) 에서 읽을 수 있습니다.
데이터 사전 처리
일부 데이터 사전 처리가 필요합니다. 귀하의 설명에 따라 귀하의 변수 이름과 일치하도록 일부 데이터를 시뮬레이션했습니다. 이는 정확하지 않을 수 있지만 TAD에 대한 지표 5개(TAD는 잠재), AAR에 대한 변수 1개, MTR에 대한 지표 3개(MTR은 잠재), ELV, JSAT 및 RTN에 대한 변수 1개가 있습니다. 필요에 따라 귀하의 데이터에 맞게 이 예를 조정하세요.
- 첫째, 모든 예측 변수(잠재 변수의 모든 지표 포함)와 조절자를 평균 중심화합니다. 저는 이 새로운 변수 이름에 "c"를 추가했습니다.
- 다음으로, 각 예측 변수와 조절자를 포함하는 제품 용어를 만듭니다. 예측 변수가 명백한 변수(즉, 지표가 하나뿐인 경우)인 경우 이는 간단한 제품 용어입니다. 예측 변수가 잠재적 변수(즉, 지표가 여러 개 있는 경우)인 경우 각 지표에 대한 제품 용어가 필요합니다.
SEM 플랫폼 출시
이제 SEM 플랫폼을 시작할 준비가 되었습니다. (1) 평균 중심 예측 변수와 평균 중심 조절 변수, (2) 모든 제품 용어, (3) 매개 변수와 결과를 포함해야 합니다. 여기에서 보여드린 것처럼 개념적 프레임워크에서 해당 개념적 프레임워크에 매핑되는 SEM으로 넘어가는 것은 약간 까다로울 수 있으므로 모델 사양이 어떻게 표시되어야 하는지 보여드리겠습니다.
개념적 모델 대 통계적 모델
추가 기능에서 보셨을 수 있듯이, 1단계 조정 조정에 대한 통계적 모델에는 예측 변수, 조정자, 예측 변수*조정자 곱항이 포함됩니다. 이러한 것들은 각각 조정자와 결과를 예측합니다. (참고 - 우리는 일반적으로 X -> M 경로의 조정에 관심이 있지만, 여러분이 여기 있는 것처럼 X -> Y 경로도 포함하고 조정되도록 하는 것이 가장 좋습니다. 이를 생략하면 0이 아닌 경우 편향된 추정치가 발생할 수 있습니다.) 이 모델을 확장하여 여러 개의 X(및 여러 개의 X*Z 곱항)가 있도록 합니다. 이러한 예측 변수 중 일부는 잠재 변수이므로 해당 곱항도 잠재 변수입니다.
SEM 플랫폼의 모델 사양
- 잠재 변수와 잠재 상호작용을 지정합니다. 잠재 상호작용의 경우 사전 처리에서 생성된 제품 변수를 사용합니다. 잠재 변수는 평소와 같습니다.
그리고 잠재적 상호작용은 다음과 같습니다.
- 필요한 회귀 경로를 설정합니다. 다음과 같습니다. TAD, MTR, AARc는 예측자(X), ELVc는 조정자(Z), TAD*ELV, MTR*ELV, AARc*ELVc는 곱항(X*Z)입니다. 이 모든 것은 JSAT(M)과 RTN(Y)으로 가는 경로를 가지고 있습니다.
- 모든 X, Z, X*Z 항이 공변하도록 허용합니다.
그리고 그게 당신의 단계입니다. 이것은 꽤 복잡한 모델이지만, 그것을 뒷받침할 만큼 충분한 데이터가 있는 것 같습니다.
도움이 되길 바랍니다!
헤일리
안녕하세요 헤일리,
훌륭했습니다! 빠르고 철저하고 명확한 답변 감사합니다. 설명한 대로 작동했습니다.
고마워하는,
아서비
좋은 아침이에요, 헤일리!
마지막 질문 하나... TAD*ELV, AAR*ELV, MTR*ELV에 대한 Johnson-Neyman 플롯을 만드는 방법이 있나요?
감사해요,
아서
안녕하세요 아서,
안타깝게도 아직은 아닙니다! 잠재 변수 조절에 기반한 Johnson-Neyman 플롯은 전에 본 적이 없습니다. 미래에 애드인에 통합하고 싶은 참신한 확장 기능이지만 아직은 통합하지 않았습니다.
AAR*ELV 상호작용의 경우(manifest*manifest이므로) 추가 기능을 사용하여 1단계 조절된 매개 모델을 맞추고 LV 지표만 공변량으로 포함할 수 있습니다. 추가 기능은 이 경우 AAR*ELV 상호작용에 대한 JN 플롯과 단순 경사 플롯을 생성하므로 해당 상호작용을 조금 더 시각화할 수 있습니다. 그러나 위의 모델과 완전히 동일하지 않으므로 단순 경사나 유의성 경계를 해석하거나 보고하지 않는 것이 좋습니다. 이는 대략적인 시각화를 얻기 위한 "해킹"에 가깝습니다.
최상의,
헤일리
