Innanzitutto, sono nuovo nell'uso di SEM. Ho notato che sulle piattaforme JMP (JMP 19) non è possibile aggiungere variabili categoriali come controlli all'interno dell'analisi SEM. Ho più di una colonna di variabili categoriali.
C'è un modo per farlo, anche se non ne sono a conoscenza? Inoltre, c'è un modo per farlo con Nans e standardizzare le variabili continue?
Ciao @Gabriele ,
Quando le variabili categoriali vengono utilizzate come "controlli" o covariate, dobbiamo seguire lo stesso approccio dell'analisi di regressione. Ovvero, creiamo variabili numeriche, codificate in modo fittizio, e le inseriamo come predittori del modello.
Ecco un esempio con un modello di mediazione. Supponiamo di intervistare i consumatori sulla loro percezione della privacy e della reputazione di un'organizzazione e di chiedere loro anche informazioni sulla loro intenzione di effettuare un acquisto. Ipotizziamo che una maggiore percezione della privacy porti a una migliore reputazione, che a sua volta aumenta le intenzioni di acquisto. Riteniamo inoltre che la privacy abbia un impatto diretto sulle intenzioni di acquisto. Il diagramma di percorso per questo modello è il seguente:
Simple mediation modelSimple mediation modelSimple mediation modelSimple mediation modelSimple mediation modelModello di mediazione semplice
È importante sottolineare che sappiamo che alcuni di questi consumatori interagiscono con l'organizzazione solo online (tramite il sito web/app), mentre altri interagiscono di persona. Pertanto, vogliamo controllare queste due modalità di interazione con l'azienda. Abbiamo due livelli della variabile categoriale (online e di persona), quindi ci serve solo una variabile fittizia. Ne creiamo una etichettata "Online", che ha valore 0 per l'interazione di persona e 1 per l'interazione online. Questa variabile è numerica/continua, quindi può essere inserita nell'analisi come tutte le altre. Poiché disponiamo di un modello di mediazione, possiamo controllarla inserendola come predittore delle altre variabili endogene (di risultato). Ecco il diagramma di percorso che mostra quanto detto:
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 variableModello di mediazione con una variabile di controllo
Si noti la presenza di una freccia a due punte (una covarianza) tra le variabili Online e Privacy. Questa è la specifica standard... ovvero, una covarianza indica che non abbiamo un'ipotesi sull'associazione tra le variabili Online e Privacy.
Con più variabili categoriali da controllare, dovresti creare più variabili dummy e aggiungerle in modo simile. Assicurati che prevedano i risultati per i quali vuoi controllarli... e che covarino con le altre variabili esogene (quelle che non hanno nulla che le preveda).
Gestione dei valori mancanti:
Una delle tante utili funzionalità di SEM è la sua gestione all'avanguardia (e semplice) dei dati mancanti. Nell'esempio precedente, finché i valori mancanti sono identificati come tali dalla tabella dati, non è necessario fare nulla... la piattaforma SEM rileverà automaticamente la presenza di valori mancanti e utilizzerà la "massima verosimiglianza a informazione completa" per la stima, il che significa che *tutti* i dati disponibili verranno utilizzati nell'analisi. Questo presuppone che i dati siano mancanti casualmente (MAR) o completamente mancanti casualmente (MCAR), il che è anche un presupposto di imputazione multipla, ad esempio. Per assicurarsi che la tabella dati riconosca i valori mancanti come tali, questi dovrebbero essere visualizzati come punti, come in questa immagine:
Missing values in data tableMissing values in data tableMissing values in data tableMissing values in data tableMissing values in data tableValori mancanti nella tabella dati
Se non vedi i punti, vai su Cols > Informazioni colonna... > Proprietà colonna > Codici valori mancanti, così puoi specificare quali valori devono essere riconosciuti come mancanti.
Variabili standardizzate:
Un modo per standardizzare le variabili consiste nel cliccare con il tasto destro del mouse sulla colonna della tabella dati, quindi selezionare "Nuova colonna formula > Distribuzionale > Standardizza". Questo può essere utile quando si hanno variabili su scale molto diverse. Tuttavia, se non si riscontra questo problema e si desiderano semplicemente stime standardizzate, l'approccio migliore è condurre l'analisi con le variabili originali e quindi cliccare sul menu a forma di triangolo rosso del modello adattato... troverete un'opzione chiamata "Stime dei parametri standardizzate", che vi fornirà ciò di cui avete bisogno.
Salute,
Vorrei anche aggiungere che l'uso di variabili categoriali in SEM con "analisi multigruppo" è piuttosto comune e utile! Se siete interessati ad approfondire l'argomento, consultate questa discussione: https://community.jmp.com/t5/Discussions/Categorical-Variables-and-SEM/td-p/930889
Grazie mille @LauraCS . Sono riuscita ad avviare il processo. Ho solo un po' di dubbi su come collegare le covarianze nel caso di più variabili categoriali (riquadro verde nell'immagine allegata). Vedi il risultato del mio primo tentativo. Il CFI e l'RMSEA mostrano che c'è qualcosa che non è stato considerato. Cosa potrei aver tralasciato? E la logica della covarianza è confusa anche perché alcune delle mie variabili continue potrebbero essere covariate. 
Grazie per aver condiviso il tuo modello, @Gabriele ! Ti consiglio di riorganizzare le variabili nel diagramma in modo che tutto "fluisca" da sinistra a destra. Ho creato un esempio pratico qui:
Path model flowing left-to-rightPath model flowing left-to-rightModello di percorso che scorre da sinistra a destra
Quando le variabili sono visualizzate in questo modo, possiamo identificare i diversi "insiemi" di variabili che *solitamente* devono covariare (alcune eccezioni alla regola si verificano con i dati sperimentali, dove il disegno dell'esperimento assicura una covarianza pari a zero). È necessario aggiungere covarianze all'interno di ciascuno di questi insiemi. Il modo più semplice è selezionare l'insieme di variabili sul diagramma, fare clic con il pulsante destro del mouse su una qualsiasi delle variabili selezionate (nota: il menu di scelta rapida cambia se si fa clic sulle frecce o sull'area vuota del diagramma!) e fare clic su "Aggiungi covarianza/i", in modo che tutte le covarianze corrispondenti vengano aggiunte in un'unica mossa. Selezionare l'insieme successivo e ripetere. Nel mio esempio, "Reput_1" e "Privacy_4" sono sole nel loro insieme, quindi non è necessario aggiungere covarianze. Il modello correttamente specificato dovrebbe apparire così:
Path model with covariancesPath model with covariancesModello di percorso con covarianze
Vale la pena chiarire che la freccia a due punte tra "Privacy_3" e "Trust_3" rappresenta una covarianza *residua* poiché si tratta di variabili endogene (di risultato).
Naturalmente, si potrebbe omettere una qualsiasi delle covarianze mostrate sopra se abbiamo una forte ipotesi che suggerisce che detta/e covarianza/i debba/dovrebbero essere zero.
Salute,
Grazie, @LauraCS . Forse sarebbe meglio avere dei dati di esempio da parte mia, se non ti dispiace.
I controlli nei miei esperimenti sono CO2, Gen e Acqua. DAS sono varianti di data. VPD, Vento e PAR non sono influenzati da questi fattori, sebbene possano variare in base al DAS poiché sono fattori ambientali. gsw predice DeltaT, SWC predice DeltaT, SWC predice SoilT, SoilT predice DeltaT. LAI e altezza predicono gsw, ed entrambi predicono anche SWC, SoilT e DeltaT.
I fattori ambientali influenzano o predicono gsw e DeltaT.
Grazie.
