Primero, soy nuevo en el uso de SEM. Veo que en las plataformas JMP (JMP 19) no es posible agregar variables categóricas como controles dentro del análisis SEM. Tengo más de una columna de variables categóricas.
¿Hay alguna manera de hacer esto sin que yo lo sepa? Además, ¿hay alguna manera de hacerlo con Nans y estandarizar las variables continuas?
Hola @Gabriel ,
Cuando se utilizan variables categóricas como "controles" o covariables, debemos seguir el mismo enfoque que en el análisis de regresión. Es decir, creamos variables numéricas con codificación ficticia y las introducimos como predictores del modelo.
He aquí un ejemplo con un modelo de mediación. Supongamos que encuestamos a los consumidores sobre sus percepciones de la privacidad y la reputación de una organización, y también les preguntamos sobre su intención de compra. Nuestra teoría es que una mayor percepción de la privacidad se traduce en una mejor reputación, lo que a su vez aumenta las intenciones de compra. También creemos que la privacidad influye directamente en las intenciones de compra. El diagrama de ruta de este modelo se ve así:
Simple mediation modelSimple mediation modelSimple mediation modelSimple mediation modelSimple mediation modelModelo de mediación simple
Es importante destacar que algunos de estos consumidores solo interactúan con la organización en línea (a través de su sitio web o aplicación), mientras que otros lo hacen en persona. Por lo tanto, queremos controlar estas dos formas de interactuar con la empresa. Tenemos dos niveles de la variable categórica (en línea y en persona), por lo que solo necesitamos una variable ficticia. Creamos una denominada "En línea", que tiene un valor de 0 para la interacción en persona y 1 para la interacción en línea. Esta variable es numérica/continua, por lo que puede incluirse en el análisis como todas las demás. Dado que contamos con un modelo de mediación, podemos controlarla ingresándola como predictor de las demás variables endógenas (de resultado). Aquí está el diagrama de rutas que lo muestra:
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 variableModelo de mediación con variable de control
Observe que hay una flecha de dos puntas (una covarianza) entre las variables "En línea" y "Privacidad". Esta es la especificación estándar; es decir, una covarianza indica que no tenemos una hipótesis sobre la asociación entre las variables "En línea" y "Privacidad".
Con múltiples variables categóricas que controlar, se deben crear varias variables ficticias y agregarlas de forma similar. Asegúrese de que predigan los resultados donde desea controlarlas... y de que covaríen con las demás variables exógenas (aquellas que no tienen ninguna predicción).
Cómo lidiar con valores faltantes:
Una de las muchas características útiles de SEM es su gestión avanzada (y sencilla) de datos faltantes. En el ejemplo anterior, siempre que la tabla de datos identifique los valores faltantes como tales, no es necesario realizar ninguna acción. La plataforma SEM detectará automáticamente los valores faltantes y utilizará la "máxima verosimilitud con información completa" para la estimación, lo que significa que se utilizarán *todos* los datos disponibles en el análisis. Esto supone que los datos faltantes son aleatorios (MAR) o completamente aleatorios (MCAR), lo que también es un supuesto de imputación múltiple, por ejemplo. Para garantizar que la tabla de datos reconozca los valores faltantes como tales, estos deberían aparecer como puntos, como en esta imagen:
Missing values in data tableMissing values in data tableMissing values in data tableMissing values in data tableMissing values in data tableValores faltantes en la tabla de datos
Si no ve los puntos, vaya a Columnas > Información de columna... > Propiedades de columna > Códigos de valores faltantes, para poder especificar qué valores deben reconocerse como faltantes.
Variables estandarizadoras:
Una forma de estandarizar variables consiste en hacer clic derecho en la columna de la tabla de datos y luego seleccionar "Nueva columna de fórmula > Distribucional > Estandarizar". Esto puede ser útil cuando se tienen variables en escalas muy diferentes. Sin embargo, si no tiene ese problema y simplemente desea estimaciones estandarizadas, la mejor opción es realizar el análisis con las variables originales y luego hacer clic en el menú del triángulo rojo del modelo ajustado. Encontrará la opción "Estimaciones de parámetros estandarizados", que le proporcionará lo que necesita.
Saludos cordiales,
También debo añadir que el uso de variables categóricas en SEM con análisis multigrupo es bastante común y útil. Si te interesa saber más al respecto, consulta esta discusión: https://community.jmp.com/t5/Discussions/Categorical-Variables-and-SEM/td-p/930889
Muchas gracias @LauraCS . Pude iniciar el proceso. Solo tengo algunas dudas sobre cómo vincular las covarianzas al tener varias variables categóricas (recuadro verde en la imagen adjunta). Vean el resultado de mi primer intento. El CFI y el RMSEA muestran que hay algo que no se ha considerado. ¿Qué podría estar omitiendo? Además, la lógica de la covarianza es confusa porque algunas de mis variables continuas podrían estar covariadas. 
¡Gracias por compartir tu modelo , @Gabriel ! Recomiendo reorganizar las variables en el diagrama para que todo fluya de izquierda a derecha. Hice un ejemplo práctico aquí:
Path model flowing left-to-rightPath model flowing left-to-rightModelo de ruta que fluye de izquierda a derecha
Cuando las variables se muestran así, podemos identificar los diferentes conjuntos de variables que *normalmente* necesitan covariar (algunas excepciones a la regla surgen con datos experimentales, donde el diseño del experimento garantiza una covarianza cero). Debe agregar covarianzas dentro de cada uno de estos conjuntos. La forma más sencilla es seleccionar el conjunto de variables en el diagrama, hacer clic derecho sobre cualquiera de las variables seleccionadas (nota: el menú contextual cambia si hace clic sobre las flechas o el área en blanco del diagrama) y hacer clic en "Agregar covarianza(s)". De esta manera, se agregarán todas las covarianzas correspondientes de una sola vez. Seleccione el siguiente conjunto y repita el proceso. En mi ejemplo, "Reput_1" y "Privacy_4" están solas en su conjunto, por lo que no es necesario agregar covarianzas. El modelo correctamente especificado debería verse así:
Path model with covariancesPath model with covariancesModelo de trayectoria con covarianzas
Vale la pena aclarar que la flecha de dos puntas entre "Privacidad_3" y "Confianza_3" representa una covarianza *residual* ya que se trata de variables endógenas (de resultados).
Por supuesto, se podría omitir cualquiera de las covarianzas mostradas anteriormente si tenemos una hipótesis sólida que sugiera que dichas covarianzas deberían ser cero.
Saludos cordiales,
Gracias, @LauraCS . Quizás sería mejor que me enviaras una muestra de datos, si no te importa.
Los controles en mis experimentos son CO2, Gen y Agua. Las DAS son variantes de fecha. El VPD, el viento y la PAR no se ven afectados por estos factores, aunque pueden cambiar con las DAS, ya que son factores ambientales. gsw predice DeltaT, SWC predice DeltaT, SWC predice SoilT, SoilT predice DeltaT. El IAF y la altura predicen gsw, y ambos también predicen SWC, SoilT y DeltaT.
Los factores ambientales afectan o predicen gsw y DeltaT.
Gracias.
