Моделирование структурными уравнениями: все, что вам нужно знать

Моделирование структурными уравнениями (SEM) представляет собой совокупность связанных методов, а не одного метода. Методы гибкие, а структура предназначена для анализа данных.

Исследователи предпочитают эти методы, потому что они позволяют им оценить множественные и взаимосвязанные зависимости в одном анализе. В моделировании структурными уравнениями используются два типа переменных: эндогенные и экзогенные.

Хорошо известно, что «с силой приходит ответственность», поэтому необходимо разумно использовать мощное моделирование структурными уравнениями. Моделирование структурными уравнениями является сложным, но в то же время нам очень легко столкнуться с неловкими ситуациями благодаря быстрому и удобному программному обеспечению.

Какова основная потребность в моделировании структурными уравнениями?

В любой организации очень важен маркетинг. А чтобы быть успешным в маркетинге, нужно знать о потребителях. Они должны знать свое отношение, мнения и черты характера. Но эти характеристики латентны и не могут быть легко измерены, потому что они часто абстрактны.

На данный момент для их измерения мы можем проводить опросы, создавать модель наблюдения и так далее. Но эти процессы не так уж плодотворны, потому что измерение и наблюдение имеют недостаток ошибок. Моделирование структурными уравнениями превосходно справляется с обеими задачами.

Моделирование структурными уравнениями использует факторный анализ и множественный регрессионный анализ. Если мы будем использовать оба этих аналитических метода по отдельности, мы упустим гибкость. Таким образом, SEM обеспечивает нам гибкость. Он подходит для причинно-следственного анализа, мультиколлинеарности, который коррелирует независимые переменные.

Читайте: Типы моделирования атрибуции

Модель измерения представляет собой аналог факторного анализа при моделировании структурными уравнениями. Структурная модель является узлом, связывающим компоненты и элементы модели измерения. Структурные модели связывают компоненты и элементы вместе или с другими независимыми переменными. В некоторых случаях переменные объединяются на эмпирических основаниях.

Объединение происходит до факторного анализа, и модель измерения не играет никакой роли. В других случаях, когда нас интересуют только необработанные переменные, используются наблюдаемые переменные. И, наконец, когда модель измерения отсутствует, модель конструкции следует анализу траектории.

Моделирование структурными уравнениями используется для анализа данных съемки. Он не привязан к одному источнику данных и может использоваться с транзакциями клиентов, экономическими данными, данными социальных сетей, данными транзакций клиентов. В последнее время он используется в нейробиологии для данных фМРТ. В современных формах его можно использовать с любым типом данных — в модели используются такие типы данных, как отношение, интервал, порядковый номер, номинал и количество. Они помогают моделировать криволинейные отношения между переменными.

Моделирование структурными уравнениями может работать без полных данных, но это не должно искушать нас не вводить в модель все данные. Модель широко используется для продольного, смешанного и иерархического моделирования. Его можно использовать в сегментации. Модель вмещает несколько зависимых переменных, таких как совместный анализ. Моделирование структурными уравнениями используется для устранения проблем со стилем ответов в опросах потребителей.

Когда использовать моделирование структурными уравнениями

Может быть бизнес-кейс, который требует, чтобы вы сосредоточились на потребительском восприятии, таком как покупательский интерес, симпатия к вашему продукту. Хотя это сложная задача моделирования, моделирование структурными уравнениями подходит для этих целей. Моделирование структурными уравнениями используется для более простых задач, таких как опрос потребителей.

Моделирование смеси структурных уравнений (SEMM) — это еще один метод, нацеленный на скрытые сегменты потребителей с очень большим объемом данных.

Не следует предполагать, что один тип модели подходит для любого вида анализа. Моделирование смесей иногда работает только тогда, когда усилия приложены грамотно. Иногда одна общая модель работает просто отлично.

Является ли моделирование структурными уравнениями хорошим, плохим или уродливым?

Когда вы работаете в среде, в которой неэкспериментальные планы были распространены, например, в промышленной или организационной психологии, требуется моделирование структурными уравнениями. Моделирование структурными уравнениями широко используется и используется обозревателями для анализа данных. Рецензенты часто не знают, как действовать дальше.

Основное преимущество моделирования структурными уравнениями заключается в том, что оно позволяет проверять теоретические положения. Моделирование структурными уравнениями позволяет вам оценивать количественные прогнозы.

Сходства между традиционными статистическими методами и SEM

• Моделирование структурными уравнениями использует одни и те же традиционные методы, такие как регрессия, корреляция и дисперсия, разными способами.
• Как моделирование структурными уравнениями, так и традиционные методы имеют ту же концепцию, что и линейные статистические модели.
• При определенных допущениях статистические тесты действительны. Моделирование структурными уравнениями предполагает многомерную нормальность, а традиционные методы предполагают нормальное распределение.
• Ни традиционное моделирование, ни моделирование структурными уравнениями не предлагают проверки причинно-следственной связи.

Различия между традиционными методами и методами SEM

Традиционные методы отличаются от моделирования структурными уравнениями в следующих областях:

• Моделирование структурными уравнениями является всеобъемлющим и гибким. Моделирование структурными уравнениями подходит для самоэффективности, депрессии, тенденций в области здравоохранения, экономических тенденций, семейной динамики и других явлений.
• Моделирование структурным уравнением требует формальной спецификации для оценки и тестирования, в то время как традиционный метод следует методам по умолчанию. Моделирование структурными уравнениями не предлагает модели по умолчанию и имеет несколько ограничений на определение типов отношений. Для моделирования структурными уравнениями исследователи должны поддерживать гипотезы теорией.
• Моделирование структурными уравнениями представляет собой многомерный метод, который включает как наблюдаемые, так и ненаблюдаемые переменные, в то время как традиционные методы анализируют только измеряемые переменные. Моделирование структурными уравнениями решает несколько связанных уравнений одновременно. Это определяет оценки параметров при моделировании структурным уравнением.
• Моделирование структурными уравнениями позволяет аналитикам находить недостатки в своих измерениях. Моделирование структурным уравнением находит ошибку, в то время как традиционные методы предполагают отсутствие ошибок измерения.
• Моделирование структурными уравнениями не имеет простых тестов для определения того, какая модель является лучшей, но использует традиционный метод анализа и предоставляет простые тесты для поиска взаимосвязей между переменными.
• Моделирование структурным уравнением использует свою модель для проверки нескольких тестов, таких как индекс ненормированного соответствия Бентлера-Бонетта (NNFI), хи-квадрат, сравнительный индекс соответствия (CFI), среднеквадратическая ошибка аппроксимации (RMSEA)).
• Моделирование структурными уравнениями решает проблемы мультиколлинеарности. Моделирование структурными уравнениями использует несколько показателей для описания ненаблюдаемой переменной. Мультиколлинеарность не возникает, потому что ненаблюдаемые переменные являются отдельными скрытыми конструкциями.
• Моделирование структурными уравнениями использует графический язык для мощного представления сложных взаимосвязей. Спецификация моделирования структурным уравнением основана на наборе переменных. Графическое или изобразительное представление модели преобразуется в набор уравнений. Набор уравнений помогает решить несколько тестов и оценить параметры.

Читайте также: Регрессионные модели в машинном обучении

На использование моделирования структурными уравнениями влияют

• Гипотеза проверяется и исследуется.
• Требования к размеру выборки: в среднем соотношение количества испытуемых к количеству параметров модели должно составлять 20:1. Но в основном 10:1 точнее. Когда отношение меньше 5:1, оценки нестабильны.
• Инструменты измерения.
• Многомерная нормальность.
• Идентификация параметров.
• Обращение к выбросам.
• Отсутствующие данные.
• Интерпретация индексов соответствия модели.

Процесс моделирования структурных уравнений

Анализ моделирования структурным уравнением осуществляется с помощью следующих методов:

• исследовать соответствующую теорию
• обзор литературы для поддержки спецификации модели
• определяет модель, такую ​​как диаграмма и уравнения
• определяет количество степеней свободы и идентификацию модели для оценки параметров для поиска уникальных значений
• выбор методов измерения для переменных, представленных в модели
• собирать информацию
• выполнить предварительный описательный статистический анализ, например, отсутствующие данные, проблемы масштабирования и коллинеарности
• оценить параметры модели
• оценить соответствие модели
• указать осмысленный режим
• интерпретировать результаты
• представить результаты

Специальное программное обеспечение для моделирования структурных уравнений

• LISREL был программным обеспечением для подгонки моделей структурных уравнений в 1970-х годах.
• Пакет OpenMx R — это пакет R с открытым исходным кодом, который предоставляет обновленную версию приложения Mx с открытым исходным кодом.

Цели моделирования структурными уравнениями заключаются в том, чтобы понять коррелирующие закономерности среди набора переменных и объяснить дисперсии в максимально возможной степени.

Расширенное использование моделирования структурными уравнениями

• Инвариантность измерения
• Это метод, который позволяет проводить совместную оценку нескольких моделей, каждая из которых имеет разные подгруппы. Приложения, которые включают анализ различий между группами, такими как культуры, пол и т. д., а также генетику поведения.
• Моделирование скрытого роста
• Иерархические/многоуровневые модели
• Модель смеси (скрытый класс) Моделирование структурными уравнениями
• Альтернативные методы оценки и тестирования.
• Надежный вывод
• Анализ выборки обследования
• Мультиметод
• Модели с несколькими признаками
• Деревья моделей структурных уравнений

Последние мысли

Существует множество моделей, которые могут претендовать на предоставление схожих методов моделирования при анализе данных, но они следуют совершенно разным курсам действий для принятия решений. Нам нужно убедиться, что мы не выбираем модель, которая переобучает, что является ошибкой, которую делают при моделировании структурными уравнениями. Когда мы выбираем методы статистического моделирования, присутствует человеческий фактор, и это можно принять во внимание.

Ключевая область маркетинговых исследований лежит между качественными исследованиями и жесткими количественными исследованиями, а моделирование структурными уравнениями не подходит для работы в этом «сером пространстве».

upGrad — это онлайн-портал для высшего образования, который предоставляет разработанные и реализованные отраслевые программы. Если у вас есть страсть и вы хотите узнать об искусственном интеллекте, вы можете получить диплом IIIT-B & upGrad PG в области машинного обучения и искусственного интеллекта, который предлагает более 400 часов обучения, практические занятия, помощь в работе и многое другое.

Изучите курс машинного обучения в лучших университетах мира. Заработайте программы Masters, Executive PGP или Advanced Certificate Programs, чтобы ускорить свою карьеру.

Часто задаваемые вопросы

• Каков наилучший размер выборки?

Согласно опросам и наблюдениям, у нас должно быть не менее 200 случаев и не менее 20 случаев на переменную. Например, у нас должно быть 500 респондентов, если в модели 50 рейтингов атрибутов.

• Что такое большие данные?

Моделирование структурными уравнениями постепенно мигрирует в образование, психологию и социологию. Специалисты по данным знакомятся с моделированием структурными уравнениями. С сегодняшними быстро меняющимися технологиями модель теперь хорошо работает на довольно больших выборках со многими переменными. Поэтому «большой» — это относительно! В некоторых случаях мы можем использовать стандартный инструмент машинного обучения, такой как LogitBoost, для прогнозов.

• Какие статистические допущения необходимы?

Это зависит от типа моделирования структурным уравнением. Моделирование структурными уравнениями, как и большинство статистических процедур, поэтому устойчиво к нарушениям допущений и ошибкам.

• Проверяет ли моделирование структурными уравнениями гипотезы?

Это неправильное представление о статистике. Данные и их анализ не возникают из воздуха и основаны на наблюдениях. Поскольку это человеческая природа, мы наблюдаем за вещами, и они имеют тенденцию догадываться, как это происходит; это исследовательский анализ, который имеет свой собственный высокий риск.

• Какая модель лучшая?

Есть несколько индексов для измерения этого, такие как индекс сравнительного соответствия (CFI) и среднеквадратическая ошибка аппроксимации (RMSEA), которые являются одними из наиболее распространенных. Наиболее известным является R в квадрате. Вы должны решить, какая модель является лучшей, основываясь на здравом смысле и возможностях принятия решений.