Sehr geehrtes JMP-Entwicklungsteam,
Mit diesem Schreiben möchte ich eine wertvolle Verbesserung der Strukturgleichungsmodellierungsplattform (SEM) in JMP vorschlagen: die Einbeziehung einer varianzbasierten Schätztechnik.
Die Varianzschätzung spielt in der SEM eine entscheidende Rolle, insbesondere bei der Bereitstellung zuverlässigerer und genauerer Standardfehler und Konfidenzintervalle, insbesondere wenn Annahmen wie die multivariate Normalverteilung nicht vollständig erfüllt sind. In praktischen Anwendungen, insbesondere in Bereichen wie Marktforschung, Verhaltenswissenschaften und Sozialwissenschaften, weichen Daten häufig von Idealbedingungen ab, sodass eine robuste Varianzschätzung für valide Schlussfolgerungen unerlässlich ist.
Derzeit erfreuen sich Partial Least Squares SEM (PLS-SEM)-Tools wie SmartPLS und WarpPLS großer Beliebtheit, da sie varianzbasierte Ansätze bevorzugen. Sie ermöglichen es Forschern, komplexe Modelle mit kleineren Stichproben und nicht-normalen Datenstrukturen zu bearbeiten.
Durch die Erweiterung der SEM-Plattform von JMP um ähnliche oder sogar noch flexiblere Optionen zur Varianzschätzung würde die Plattform ihre Wettbewerbsfähigkeit in diesem Bereich weiter steigern. Ein weiterer Vorteil wäre, dass Anwender die leistungsstarke und benutzerfreundliche JMP-Umgebung nutzen können, ohne auf externe Tools zurückgreifen zu müssen.
Durch die Erweiterung der SEM-Plattform um eine varianzbasierte Schätzung wird nicht nur die Modelldiagnose verbessert, sondern auch die Reichweite von JMP sowohl bei akademischen Forschern als auch bei Fachleuten aus der angewandten Industrie erweitert, die zunehmend nach robusten und flexiblen SEM-Lösungen suchen.
Ich schätze die Bemühungen des Teams, JMP kontinuierlich zu verbessern, sehr und freue mich auf weitere Fortschritte in diesem Bereich.
Danke
Chandra
Vielen Dank für Ihre Anfrage, Chandra! Ich bin absolut der Meinung, dass es wichtig ist, in SEM Ansätze für den Umgang mit kleinen Stichproben und Abweichungen von der multivariaten Normalverteilung bereitzustellen. Obwohl wir noch kein PLS-SEM haben, haben wir in dieser Hinsicht große Fortschritte gemacht! Bitte beachten Sie unsere Option „Robuste Inferenz“, wenn Datenannahmen nicht zutreffen (dies verbessert die Genauigkeit von Standardfehlern und Konfidenzintervallen). Außerdem wird eine neue Funktion die SEM-Schätzung kleiner Stichproben effektiver machen und den zusätzlichen Vorteil bieten, dass alle Verteilungsannahmen für Prädiktoren gelockert werden! Wir sind begeistert davon ... bleiben Sie dran für die Verbesserungen in Version 19 
.
Selbstverständlich berücksichtigen wir Ihre Anfrage, um sicherzustellen, dass wir unseren Nutzern die bestmöglichen Tools bieten können! Die von Ihnen bereitgestellten Informationen sind sehr hilfreich!
Danke schön,
~Laura CS
