尊敬的 JMP 开发团队：
我写信是为了建议对 JMP 中的结构方程模型 (SEM) 平台进行有价值的增强，即纳入基于方差的估计技术。
方差估计在结构方程模型 (SEM) 中起着至关重要的作用，尤其是在多元正态性等假设不完全满足的情况下，能够提供更可靠、更准确的标准误差和置信区间。在实际应用中，尤其是在市场研究、行为科学和社会科学等领域，数据往往会偏离理想状态，因此稳健的方差估计对于有效推断至关重要。
目前，偏最小二乘SEM（PLS-SEM）工具（例如SmartPLS和WarpPLS）因其强调基于方差的方法而获得了广泛的关注。它们使研究人员能够处理样本量较小且数据结构非正态的复杂模型。
在 JMP 的 SEM 平台中添加类似甚至更灵活的方差估计选项，将使其在该领域更具竞争力。此外，它还能为用户带来优势，让他们能够继续使用强大且用户友好的 JMP 环境，而无需使用外部工具。
通过基于方差的估计来增强 SEM 平台不仅可以加强模型诊断，还可以扩大 JMP 在学术研究人员和应用行业专业人士中的影响力，他们越来越需要强大而灵活的 SEM 解决方案。
我非常感谢团队为不断改进 JMP 所做的努力，并期待看到该领域取得进一步的进步。
谢谢
钱德拉
非常感谢您提交此请求，Chandra！我非常赞同在SEM中提供处理小样本量和多元正态性偏差的方法的重要性。虽然我们还没有PLS-SEM，但我们在这方面已经取得了一些重大进展！当数据假设不成立时，请查看我们的“稳健推断”选项（这有助于提高标准误差和置信区间的准确性）。此外，即将推出的新功能可以使小样本SEM估计更加有效，并且还有一个额外的优势，那就是放宽所有预测变量的分布假设！我们对此感到非常兴奋……敬请期待19版的改进=）。
当然，我们会考虑您的请求，以确保我们能为用户提供最好的工具！您提供的信息非常有帮助！
谢谢你，
〜劳拉CS
