Hallo,
Ich habe zwei Fragen zur Verwendung kategorialer Variablen in der Strukturgleichungsmodellierung (SEM). Ich führe eine SEM-Analyse durch, in der ich zwei stetige Variablen modellieren und gleichzeitig eine kategoriale Variable (in diesem Fall nominal, Kohorte 1, 2 oder 3) kontrollieren möchte. Wie kann ich die Kohorte in die Analyse einbeziehen?
Zweite Frage: Ich versuche, ein paralleles Wachstumskurvenmodell mit drei Messzeitpunkten zu berechnen und den Schulabschluss vorherzusagen, eine kategoriale Variable mit drei möglichen Ausprägungen. Ist es möglich, ein Strukturgleichungsmodell (SEM) mit kontinuierlichen Variablen zu verwenden, um eine kategoriale Variable zu einem vierten Messzeitpunkt vorherzusagen?
Vielen Dank, dass Sie sich die Zeit genommen haben, meine Fragen zu beantworten!
Hallo!
Für Ihre erste Frage haben Sie zwei Möglichkeiten. Die erste besteht darin, eine Mehrebenenanalyse (MGA) mit der Kohorte als Gruppierungsvariable durchzuführen. Diese Option ist hilfreich, wenn Sie potenzielle Gruppenunterschiede zwischen Kohorten genauer untersuchen möchten. Hier finden Sie einige Ressourcen, um mehr über MGA in der Strukturgleichungsmodellierung (SEM) zu erfahren:
Blogbeitrag:
Beispiel in der JMP-Dokumentation:
Videodemonstration:
- MGA mit Regressionsanalyse beginnt bei Minute 13:00 und endet bei Minute 22:20
- MGA mit latenten Wachstumskurven beginnt bei Minute 29:30 und endet bei Minute 39:20
Alternativ können Sie, wenn Sie nur die Kohorte berücksichtigen möchten, dies durch die Erstellung von Dummy-Variablen erreichen – analog zur Vorgehensweise in der Regressionsanalyse (d. h. bei drei Stufen benötigen Sie nur zwei Variablen). Fügen Sie diese Variablen dann als Prädiktoren in Ihr Modell ein.
Zu Ihrer zweiten Frage : Schauen Sie unbedingt im Menü „Modellverknüpfungen“ unter „Längsschnittanalyse > Multivariate latente Wachstumskurve“ nach – nutzen Sie diese Funktion, bevor Sie Ihre kategoriale Variable in die Analyse eingeben. So können Sie die Wachstumsverläufe verstehen, bevor Sie weitere Schritte unternehmen.
Der gleiche Videolink, den ich oben gepostet habe, zeigt ab Minute 39:30, wie man ein Parallelprozessmodell anpasst.
Wir arbeiten an der Verarbeitung endogener kategorialer Variablen in einer zukünftigen Produktversion. Diese Funktion ist jedoch noch nicht verfügbar. Mich würde interessieren, welche drei Ausprägungen Sie für den Highschool-Abschluss verwenden? Ich würde zwei Ausprägungen erwarten: Ja, Nein und eventuell fehlende Werte. In diesem Fall gäbe es zwei Möglichkeiten…
(1) Sie könnten die binäre Variable (mit fehlenden Daten) in die Analyse einbeziehen und sie als Ergebnisvariable festlegen (z. B. als Achsenabschnitt und Steigung Ihrer multivariaten Wachstumskurve). Sie können die Maximum-Likelihood-Methode als Schätzer verwenden (Standardeinstellung). Die Punktschätzung ist dann genau, der Standardfehler für die Vorhersage der kategorialen Variable jedoch nicht. Dies lässt sich beheben, indem Sie im Hauptmenü (rotes Dreieck) „Inferenz > Robuste Inferenz“ auswählen. Alternativ können Sie auch ein Bootstrap-Verfahren anwenden.
(2) Sie könnten Ihr Modell wie in Option 1 beschrieben spezifizieren, dann aber im Hauptmenü (rotes Dreieck) die Option „R-Code generieren“ auswählen. Dadurch wird ein Skript erzeugt, das Sie anpassen können, um die kategoriale Variable als „geordnete“ Variable zu spezifizieren und so die korrekten Standardfehler zu erhalten.
Abschließend sei noch erwähnt, dass man, wenn man mögliche Gruppenunterschiede in den Längsschnittentwicklungen untersuchen möchte, einfach den Schulabschluss als Gruppierungsvariable behandeln und den gleichen Ideen folgen kann, die im verlinkten Video gezeigt werden.
HTH,
