Apa teknik grafis yang digunakan dalam Structural Equation Modeling?

14

Saya ingin tahu apakah ada teknik grafis tertentu, atau lebih dapat diterapkan, untuk pemodelan persamaan struktural. Saya kira ini bisa jatuh ke dalam kategori untuk alat eksplorasi untuk analisis kovarians atau diagnostik grafis untuk evaluasi model SEM. (Saya tidak benar-benar memikirkan diagram jalur / grafik di sini.)

sem data-visualization

— ars
sumber

Istilah "SEM" tidak jelas. Ini juga bisa berarti "Pemasaran Mesin Pencari", misalnya, untuk seseorang yang mencari teknik analisis statistik untuk mempelajari data klik iklan atau mengevaluasi efektivitas iklan. Pertimbangkan untuk membuat judul lebih bertele-tele.

— Paul

13

Saya bertemu Laura Trinchera yang menyumbang paket R yang bagus untuk pemodelan PLS-path, plspm . Ini mencakup beberapa keluaran grafis untuk berbagai jenis struktur data 2- dan k-block.

Saya baru saja menemukan paket plotSEMM R. Ini lebih terkait dengan poin kedua Anda, dan terbatas pada grafik hubungan bivariat.

Adapun referensi terbaru tentang plot diagnostik untuk SEM, berikut adalah dua makalah yang mungkin menarik (untuk yang kedua, saya baru saja menelusuri abstrak baru-baru ini tetapi tidak dapat menemukan versi ungated):

Sanchez BN, Houseman EA, dan Ryan LM. Diagnostik Berbasis Sisa untuk Model Persamaan Struktural . Biometrik (2009) 65, 104-115
Yuan KH dan Hayashi K. Memasukkan data ke model: Diagnosis pemodelan persamaan struktural menggunakan dua plot pencar , Metode Psikologis (2010)
Porzio GC dan Vitale MP. Menemukan interaksi dalam Model Persamaan Struktural melalui plot diagnostik . ISI 58th World Congress (2011).

— chl
sumber

@ chl: terima kasih! Saya ingat plspm diumumkan pada daftar semnet - untuk beberapa alasan PLS tidak sebesar di sisi Atlantik ini, tidak yakin mengapa. plotSEMM terlihat sangat menarik, tidak sabar untuk bermain dengannya.

— ars

@ chl: btw, saya bermaksud menambahkan bahwa itu memalukan PLS tidak lebih diperhatikan di sini, karena tampaknya ada banyak hal menarik yang terjadi di sekitarnya, terutama dengan alat yang sedang dikembangkan (misalnya SmartPLS selain plspm). Saya membaca beberapa karya Wold beberapa waktu lalu dan beberapa idenya baru saja direalisasikan (misalnya, "berbincang dengan data Anda"). Saya benar-benar perlu menyisihkan waktu untuk menjelajahinya lebih jauh.

— ars

@ars Apakah Anda ingin daftar bacaan rekomendasi? Saya juga bekerja dengan Arthur Tenenhaus yang menyerahkan kertas bagus dengan ayahnya (ya, Michel Tenenhaus) ke Psychometrika: Mereka menyatukan semua metode dua blok (PCA, CCA, PLS, antar-baterai, dll.) Berkat sangat rapi menulis ulang batasan argmax. Saya telah bermain sendiri dengan PLS / CCA (L1 / L2) yang dihukum dalam genomik, tetapi saya merasa itu akan membawa lebih menarik pada data biomedis saya.

— chl

1

@ars Jadi, saya ingin menyarankan makalah-makalah berikut dari Father & Son: j.mp/dvEDgb , j.mp/csD1Yf , j.mp/dkEHq5 .

— chl

4

Ini pertanyaan yang sangat menarik. Anggaplah kita memiliki matriks kovarians 2 dimensi (contoh yang sangat tidak realistis untuk SEM tetapi tolong bawa saya). Kemudian Anda dapat memplot iso-kontur untuk matriks kovarians yang diamati vis-a-vis matriks kovarians yang diestimasi untuk mendapatkan rasa kecocokan model.

Namun, pada kenyataannya Anda akan matriks kovarians dimensi tinggi. Dalam situasi seperti itu, Anda mungkin dapat melakukan beberapa plot 2 dimensi dengan mengambil 2 variabel sekaligus. Bukan solusi ideal tetapi mungkin dapat membantu sampai batas tertentu.

Edit

Metode yang sedikit lebih baik adalah dengan melakukan Principal Component Analysis (PCA) pada matriks kovarians yang diamati. Simpan matriks proyeksi dari analisis PCA pada matriks kovarians yang diamati. Gunakan matriks proyeksi ini untuk mengubah estimasi matriks kovarians.

Kami kemudian memplot kontur iso untuk dua varian tertinggi dari matriks kovarians terpantau yang diamati vis-a-vis matriks kovarians yang diestimasi. Bergantung pada berapa banyak plot yang ingin kita lakukan, kita dapat mengambil varian tertinggi kedua dan ketiga dll. Kita mulai dari varian tertinggi karena kita ingin menjelaskan sebanyak mungkin variasi dalam data kita.

Srikant, terima kasih atas tanggapannya! Saya tidak yakin apa yang Anda maksud dengan plot kontur kovarian (obs v est) - dapatkah Anda menguraikannya? Terima kasih.

— ars

Lihat ini: en.wikipedia.org/wiki/Level_set . Biarkan Sigma menjadi matriks kovarians 2 dimensi dan Y ~ N (0, Sigma). Garis iso-kontur akan memplot himpunan titik Y yang f (Y | sigma) = c di mana c adalah konstanta. Perhatikan bahwa Y adalah vektor 2 dimensi. Anda akan memilih berbagai nilai c dan karenanya mendapatkan garis iso-kontur yang berbeda yang akan memberi Anda perasaan penyebaran distribusi.

@ Srikant, terima kasih atas sarannya. Saya menghabiskan beberapa waktu untuk mencobanya dan sepertinya ini awal yang baik untuk mendapatkan perbandingan visual yang cepat, terutama ketika kecocokannya buruk.

— ars

2

Saya kira Anda bisa melakukan penskalaan multidimensi dari korelasi atau matriks kovarians. Ini bukan pemodelan persamaan struktural, tetapi mungkin menyoroti pola dan struktur dalam matriks korelasi atau kovarian. Ini kemudian dapat diformalkan dengan model yang sesuai.

— Jeromy Anglim
sumber

Jeromy terima kasih. Baca saja entri Wikipedia untuk MDS - sepertinya bisa mengarah ke suatu tempat.

— ars

0

Jika ada efek interaksi (atau bahkan sebaliknya) Anda bisa menggunakan perangkat lunak ITALASSI v1.2 (perangkat lunak bebas) untuk mendapatkan tampilan 2D dan 3D

— Jindow Joseph
sumber