構造方程式モデルにおけるカテゴリ変数まず、SEMの使用は初めてです。JMPプラットフォーム（JMP 19）では、SEM分析においてカテゴリ変数をコントロールとして追加する方法がないようです。カテゴリ変数の列が複数あります。
これを実行する方法はあるのでしょうか？私が気づいているだけではないでしょうか？また、Nansを使って連続変数を標準化する方法はありますか？
高度な統計モデリング予測モデリングと機械学習構造方程式モデルにおけるカテゴリ変数についてこんにちは@ガブリエル 、
カテゴリ変数を「コントロール」または共変量として使用する場合は、回帰分析と同じアプローチに従う必要があります。つまり、数値型のダミーコード変数を作成し、モデルの予測変数として入力します。
仲介モデルを用いた例を一つ挙げましょう。消費者に対し、ある組織のプライバシーと評判に関する認識を調査し、さらに購入意向についても尋ねたとします。プライバシーに対する認識が高ければ評判も向上し、それが購入意向を高めると私たちは考えています。また、プライバシーは購入意向に直接影響を与えると考えています。このモデルのパス図は次のようになります。
Simple mediation modelSimple mediation modelSimple mediation modelSimple mediation modelSimple mediation modelシンプルな調停モデル
重要なのは、これらの消費者の中には、オンライン（ウェブサイトやアプリ経由）のみで企業と関わっている人もいれば、対面で関わっている人もいるということです。そのため、企業との関わり方をこれら2つにコントロールする必要があります。カテゴリ変数には2つのレベル（オンラインと対面）があるため、必要なダミー変数は1つだけです。「オンライン」というラベルのダミー変数を作成し、対面でのエンゲージメントの場合は0、オンラインでのエンゲージメントの場合は1とします。この変数は数値／連続変数であるため、他の変数と同様に分析に入力できます。仲介モデルがあるため、他の内生的（結果）変数の予測変数として入力することで、仲介をコントロールできます。これを示すパス図を以下に示します。
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 variable制御変数を用いた媒介モデル
オンライン変数とプライバシー変数の間には、双方向の矢印（共分散）があることに注目してください。これは標準的な仕様です。つまり、共分散は、オンライン変数とプライバシー変数間の関連性について仮説がないことを示しています。
複数のカテゴリ変数をコントロールする必要がある場合、複数のダミー変数を作成し、同様の方法で追加する必要があります。ダミー変数は、コントロールしたい結果を予測する変数であることを確認し、他の外生変数（予測変数を持たない変数）と共変するようにしてください。
欠損値の処理:
SEMの多くの便利な機能の一つは、最先端の（そして手間のかからない）欠損データ処理です。上記の例では、データテーブルによって欠損値が欠損値として識別されている限り、何もする必要はありません。SEMプラットフォームは欠損値を自動的に検出し、「全情報最大尤度」法を用いて推定を行います。つまり、利用可能なすべてのデータが分析に使用されます。これは、データがランダム欠損（MAR）または完全ランダム欠損（MCAR）であることを前提としており、これは例えば多重代入法の前提でもあります。データテーブルが欠損値を正しく認識するには、以下の画像のように点として表示される必要があります。
Missing values in data tableMissing values in data tableMissing values in data tableMissing values in data tableMissing values in data tableデータテーブルに欠損値があります
ドットが表示されない場合は、「列」>「列情報...」>「列のプロパティ」>「欠損値コード」に移動して、欠損値として認識する値を指定できます。
変数の標準化:
変数を標準化する方法の一つは、データテーブル列を右クリックし、「新しい数式列」>「分布」>「標準化」を選択することです。これは、変数のスケールが大きく異なる場合に役立ちます。しかし、そのような問題がなく、単に標準化された推定値が欲しい場合は、元の変数で分析を行い、適合モデルの赤い三角のメニューをクリックするのが最善の方法です。すると「標準化されたパラメータ推定値」というオプションがあり、必要な情報が得られます。
HTH、
構造方程式モデルにおけるカテゴリ変数についてまた、SEMにおける「多群分析」でカテゴリ変数を使用するのは、かなり一般的で有用であることも付け加えておきます。詳しくは、こちらのディスカッションをご覧ください: https://community.jmp.com/t5/Discussions/カテゴリ変数とSEM/td-p/930889
構造方程式モデルにおけるカテゴリ変数について@LauraCS さん、本当にありがとうございます。処理を開始することができました。ただ、カテゴリ変数（添付画像の緑色の枠）が複数ある場合、共分散をどのように関連付ければよいか少し不安です。最初の試行結果をご覧ください。CFIとRMSEAを見ると、何かが考慮されていないようです。何か見落としている点があるのでしょうか？また、連続変数の一部が共分散化されている可能性があるため、共分散のロジックも分かりにくいです。 
構造方程式モデルにおけるカテゴリ変数について@Gabrielさん、モデルを共有していただきありがとうございます！図の変数を並べ替えて、全体が左から右に「流れる」ようにすることをお勧めします。簡単な例をこちらに作ってみました。
Path model flowing left-to-rightPath model flowing left-to-right左から右に流れるパスモデル
変数がこのように表示されると、*通常*共分散させる必要がある変数の「セット」を特定できます（実験データでは、実験計画によって共分散がゼロになることが保証されている場合など、このルールには例外がいくつか発生します）。これらのセットそれぞれに共分散を追加する必要があります。最も簡単な方法は、ダイアグラム上で変数セットを選択し、選択した変数のいずれかを右クリックし（注意：ダイアグラムの矢印または空白部分をクリックすると、右クリックメニューが変わります！）、 「共分散を追加」をクリックすることです。これで、対応するすべての共分散が一度の操作で追加されます。次のセットを選択して、この手順を繰り返します。私の例では、「Reput_1」と「Privacy_4」はセット内に2つしか存在しないため、共分散を追加する必要はありません。適切に指定されたモデルは次のようになります。
Path model with covariancesPath model with covariances共分散パスモデル
「Privacy_3」と「Trust_3」の間の双方向矢印は、内生的（結果）変数であるため、*残差*共分散を表していることを明確にしておく価値があります。
もちろん、共分散がゼロであるべきであると示唆する強力な仮説がある場合は、上に表示されている共分散のいずれかを省略することもできます。
HTH、
構造方程式モデルにおけるカテゴリ変数について@LauraCSさん、ありがとうございます。もし差し支えなければ、私からサンプルデータをご提供いただけると助かります。
私の実験における制御は、CO2、Gen、およびWaterです。DASは日付変数です。VPD、Wind、PARはこれらの要因の影響を受けませんが、環境要因であるためDASによって変化する可能性があります。gswはDeltaTを予測し、SWCはDeltaTを予測し、SWCはSoilTを予測し、SoilTはDeltaTを予測します。LAIと高さはgswを予測し、どちらもSWC、SoilT、およびDeltaTも予測します。
環境要因は gsw と DeltaT に影響を与えたり、それらを予測したりします。
ありがとう。
