Estimado equipo de desarrollo de JMP:
Le escribo para sugerir una mejora valiosa a la plataforma de modelado de ecuaciones estructurales (SEM) en JMP: la inclusión de una técnica de estimación basada en varianza.
La estimación de la varianza desempeña un papel fundamental en el SEM, en particular al proporcionar errores estándar e intervalos de confianza más fiables y precisos, sobre todo cuando supuestos como la normalidad multivariante no se cumplen plenamente. En aplicaciones prácticas, sobre todo en campos como la investigación de mercados, las ciencias del comportamiento y las ciencias sociales, los datos suelen desviarse de las condiciones ideales, lo que hace que una estimación robusta de la varianza sea crucial para obtener inferencias válidas.
Actualmente, las herramientas de Mínimos Cuadrados Parciales (PLS-SEM), como SmartPLS y WarpPLS, han cobrado gran importancia precisamente porque priorizan los enfoques basados en la varianza. Permiten a los investigadores manejar modelos complejos con muestras más pequeñas y estructuras de datos no normales.
Añadir opciones de estimación de varianza similares o incluso más flexibles a la plataforma SEM de JMP la posicionaría aún más competitiva en este sector. Además, ofrecería una ventaja al permitir a los usuarios permanecer dentro del potente y fácil de usar entorno de JMP sin necesidad de recurrir a herramientas externas.
Mejorar la plataforma SEM con estimaciones basadas en la varianza no solo fortalecerá el diagnóstico del modelo, sino que también ampliará el alcance de JMP entre investigadores académicos y profesionales de la industria aplicada que buscan cada vez más soluciones SEM robustas y flexibles.
Aprecio enormemente los esfuerzos del equipo por mejorar continuamente JMP y espero ver más avances en esta área.
Gracias
Chandra
¡Muchas gracias por enviar esta solicitud, Chandra! Estoy totalmente de acuerdo con la importancia de proporcionar enfoques en SEM para manejar muestras pequeñas y desviaciones de la normalidad multivariante. Aunque todavía no contamos con PLS-SEM, ¡hemos avanzado mucho en este sentido! Consulta nuestra opción "Inferencia Robusta" cuando los supuestos de los datos no se cumplan (esto ayuda con la precisión de los errores estándar y los intervalos de confianza). Además, próximamente una nueva función hace que la estimación de SEM con muestras pequeñas sea más efectiva, con la ventaja adicional de flexibilizar todos los supuestos distribucionales para los predictores. Estamos muy entusiasmados con esto... ¡No te pierdas las mejoras de la versión 19!
Por supuesto, consideraremos su solicitud para asegurarnos de ofrecer las mejores herramientas a nuestros usuarios. ¡La información que nos proporcionó es muy útil!
Gracias,
~Laura CS
