Kategoriale Variablen in StrukturgleichungsmodellenZunächst einmal bin ich neu in der Anwendung von SEM. Ich habe festgestellt, dass es auf den JMP-Plattformen (JMP 19) keine Möglichkeit gibt, kategoriale Variablen als Kontrollvariablen in die SEM-Analyse einzufügen. Ich habe mehrere Spalten mit kategorialen Variablen.
Gibt es dafür eine Möglichkeit, die ich bisher übersehen habe? Gibt es außerdem eine Möglichkeit, mit fehlenden Werten (NaNs) umzugehen und die kontinuierlichen Variablen zu standardisieren?
Fortgeschrittene statistische ModellierungPrädiktive Modellierung und maschinelles LernenBetreff: Kategoriale Variablen in StrukturgleichungsmodellenHallo @Gabriel ,
Werden kategoriale Variablen als Kontrollvariablen oder Kovariaten verwendet, muss man genauso vorgehen wie bei der Regressionsanalyse. Das heißt, man erstellt numerische, dummykodierte Variablen und fügt sie als Prädiktoren in das Modell ein.
Hier ein Beispiel mit einem Mediationsmodell. Angenommen, wir befragen Konsumenten zu ihrer Wahrnehmung von Datenschutz und Reputation eines Unternehmens und erfragen gleichzeitig ihre Kaufabsicht. Wir gehen davon aus, dass eine höhere Wahrnehmung von Datenschutz zu einer besseren Reputation führt, was wiederum die Kaufabsicht erhöht. Wir nehmen außerdem an, dass Datenschutz die Kaufabsicht direkt beeinflusst. Das Pfaddiagramm für dieses Modell sieht folgendermaßen aus:
Simple mediation modelSimple mediation modelSimple mediation modelSimple mediation modelSimple mediation modelEinfaches Mediationsmodell
Wichtig ist, dass wir wissen, dass einige Konsumenten ausschließlich online (über die Website/App) mit dem Unternehmen interagieren, während andere die Interaktion persönlich durchführen. Daher möchten wir diese beiden Interaktionsformen berücksichtigen. Da die kategoriale Variable zwei Ausprägungen hat (online und persönlich), benötigen wir nur eine Dummy-Variable. Wir erstellen eine Variable mit der Bezeichnung „Online“, die den Wert 0 für persönliche und 1 für Online-Interaktion annimmt. Diese Variable ist numerisch/kontinuierlich und kann daher wie alle anderen Variablen in die Analyse einbezogen werden. Da wir ein Mediationsmodell verwenden, können wir sie als Prädiktor für die anderen endogenen (Ergebnis-)Variablen berücksichtigen. Das folgende Pfaddiagramm veranschaulicht dies:
Mediation model with a control variableMediation model with a control variableMediation model with a control variableMediation model with a control variableMediation model with a control variableMediationsmodell mit einer Kontrollvariablen
Beachten Sie den Doppelpfeil (eine Kovarianz) zwischen den Variablen „Online“ und „Datenschutz“. Dies entspricht der Standardspezifikation … das heißt, eine Kovarianz bedeutet, dass wir keine Hypothese über den Zusammenhang zwischen den Variablen „Online“ und „Datenschutz“ aufstellen.
Bei mehreren zu kontrollierenden kategorialen Variablen müssten Sie mehrere Dummy-Variablen erstellen und diese auf ähnliche Weise hinzufügen. Stellen Sie sicher, dass diese die Ergebnisse vorhersagen, für die Sie kontrollieren möchten, und dass sie mit den anderen exogenen Variablen (solchen, die nicht vorhergesagt werden) kovariieren.
Umgang mit fehlenden Werten:
Eine der vielen nützlichen Funktionen von SEM ist der innovative (und mühelose) Umgang mit fehlenden Daten. Im obigen Beispiel müssen Sie nichts weiter tun, solange Ihre fehlenden Werte in der Datentabelle als solche gekennzeichnet sind. Die SEM-Plattform erkennt fehlende Werte automatisch und verwendet die Maximum-Likelihood-Methode mit vollständiger Information für die Schätzung. Das bedeutet, dass *alle* verfügbaren Daten in Ihre Analyse einbezogen werden. Dies setzt voraus, dass Ihre Daten zufällig fehlen (MAR) oder vollständig zufällig fehlen (MCAR), was beispielsweise auch eine Voraussetzung für die multiple Imputation ist. Damit die Datentabelle Ihre fehlenden Werte als solche erkennt, sollten diese wie in dieser Abbildung als Punkte angezeigt werden:
Missing values in data tableMissing values in data tableMissing values in data tableMissing values in data tableMissing values in data tableFehlende Werte in der Datentabelle
Falls die Punkte nicht angezeigt werden, gehen Sie zu Spalten > Spalteninformationen... > Spalteneigenschaften > Codes für fehlende Werte, um festzulegen, welche Werte als fehlend erkannt werden sollen.
Standardisierung von Variablen:
Eine Möglichkeit zur Standardisierung von Variablen besteht darin, mit der rechten Maustaste auf die Datenspalte zu klicken und dann „Neue Formelspalte“ > „Verteilungsbasiert“ > „Standardisieren“ auszuwählen. Dies kann hilfreich sein, wenn die Variablen sehr unterschiedliche Skalen aufweisen. Wenn Sie dieses Problem jedoch nicht haben und lediglich standardisierte Schätzwerte benötigen, empfiehlt es sich, die Analyse mit den Originalvariablen durchzuführen und anschließend auf das rote Dreiecksmenü Ihres angepassten Modells zu klicken. Dort finden Sie die Option „Standardisierte Parameterschätzungen“, die Ihnen die benötigten Werte liefert.
HTH,
Betreff: Kategoriale Variablen in StrukturgleichungsmodellenIch möchte noch hinzufügen, dass die Verwendung kategorialer Variablen in der Strukturgleichungsmodellierung (SEM) mit „Mehrgruppenanalyse“ recht verbreitet und nützlich ist! Wenn Sie mehr darüber erfahren möchten, lesen Sie bitte diese Diskussion: https://community.jmp.com/t5/Discussions/Categorical-Variables-and-SEM/td-p/930889
Betreff: Kategoriale Variablen in StrukturgleichungsmodellenVielen Dank, @LauraCS . Ich konnte den Prozess starten. Ich bin mir nur noch etwas unsicher, wie ich die Kovarianzen verknüpfen soll, wenn ich mehrere kategoriale Variablen habe (grüner Kasten im beigefügten Bild). Siehe mein erstes Ergebnis. CFI und RMSEA zeigen, dass etwas nicht berücksichtigt wurde. Was könnte ich übersehen haben? Auch die Logik der Kovarianz ist mir unklar, da einige meiner kontinuierlichen Variablen kovariiert sein könnten. 
Betreff: Kategoriale Variablen in StrukturgleichungsmodellenDanke fürs Teilen deines Modells, @Gabriel ! Ich empfehle, die Variablen im Diagramm so anzuordnen, dass der Ablauf von links nach rechts verläuft. Hier ist ein einfaches Beispiel:
Path model flowing left-to-rightPath model flowing left-to-rightPfadmodell von links nach rechts
Wenn die Variablen so dargestellt werden, können wir die verschiedenen Variablengruppen identifizieren, die *üblicherweise* kovariieren müssen (Ausnahmen von dieser Regel ergeben sich bei experimentellen Daten, bei denen das Versuchsdesign eine Kovarianz von null gewährleistet). Sie sollten innerhalb jeder dieser Gruppen Kovarianzen hinzufügen. Am einfachsten geht das, indem Sie die gewünschte Variablengruppe im Diagramm auswählen, mit der rechten Maustaste auf eine der ausgewählten Variablen klicken (Hinweis: Das Kontextmenü ändert sich, wenn Sie auf Pfeile oder den leeren Bereich des Diagramms klicken!) und dann „Kovarianz(en) hinzufügen“ auswählen – so werden alle zugehörigen Kovarianzen mit einem Klick hinzugefügt. Wählen Sie die nächste Gruppe aus und wiederholen Sie den Vorgang. In meinem Beispiel sind „Reput_1“ und „Privacy_4“ jeweils die einzigen Variablen in ihrer Gruppe, daher müssen ihnen keine Kovarianzen hinzugefügt werden. Das korrekt spezifizierte Modell sollte wie folgt aussehen:
Path model with covariancesPath model with covariancesPfadmodell mit Kovarianzen
Zur Klarstellung: Der Doppelpfeil zwischen „Privacy_3“ und „Trust_3“ stellt eine *Restkovarianz* dar, da es sich hierbei um endogene (Ergebnis-)Variablen handelt.
Selbstverständlich könnten wir eine oder mehrere der oben dargestellten Kovarianzen weglassen, wenn wir eine starke Hypothese haben, die nahelegt, dass die besagte(n) Kovarianz(en) null sein sollte(n).
HTH,
Betreff: Kategoriale Variablen in StrukturgleichungsmodellenVielen Dank, @LauraCS . Vielleicht wären Beispieldaten von mir besser, wenn es Ihnen nichts ausmacht.
Die Kontrollvariablen in meinen Experimenten sind CO₂, Gen und Wasser. DAS sind Datumsvariationen. VPD, Wind und PAR werden von diesen Faktoren nicht beeinflusst, können sich aber durch DAS ändern, da sie Umweltfaktoren sind. gsw sagt DeltaT voraus, SWC sagt DeltaT voraus, SWC sagt Bodentemperatur voraus, Bodentemperatur sagt DeltaT voraus. LAI und Höhe sagen gsw voraus und sagen beide auch SWC, Bodentemperatur und DeltaT voraus.
Die Umweltfaktoren beeinflussen bzw. sagen gsw und DeltaT voraus.
Danke schön.
