Mais conteúdo relacionado Semelhante a SEM結構方程模型與Amos-潛在成長模型-三星統計張偉豪 (8) Mais de Beckett Hsieh (20) SEM結構方程模型與Amos-潛在成長模型-三星統計張偉豪3. 3
大綱
• Something you need to know about
LGM
• Estimation of the Basic LGM
• Non-linear LGM
• Conditional LGM
• Multivariate LGM
• Q & A
4. 4
Introduction
• 潛在成長曲線模型分析
– 一種解釋 “改變”的方法
– 至少需要三個時間點
– 兩點連成一直線,形成完美配適,將無任何事物
可以測試
• 自由度為0,將無任何證據可以反證不是直線
• 研究改變的統計方法
– SEM的潛在成長模型(our focus!)
– Multilevel modeling (hierarchical modeling)
5. When to use LGM
• LGM測量變數跨時間的改變的情形
– 特別是平均數跨時間的改變
– 斜率估計模式可以是線性,二次式或指數形態等
平均數改變
5
Time 1 Time 2 Time 3
大華 1 2 5
小明 3 4 8
小莉 2 4 5
大同 4 4 6
平均數 2.5 4.5 6
8. Introduction
• Latent Growth Curve
– 緃斷面資料分析上常見而且簡單的分析策略
– Aka. Latent Trajectory Models or Mixed
Effects Models
• 提供緃斷面資料分析何種訊息?
– 跨時間的改變(mean)是否存在?
– 每一個人之間的差異為何? (Unconditional)
– 是否有其它的變數可以解釋差異的存在?
(Conditional)
8
10. 兩個參數決定一直線
• 截距 (Intercept)
– 改變過程的啟始值
– 又稱為常數 (Constant),它是測量的起點,也是
改變的開始
– 如果樣本截距為10,
表示平均每週回嘴10次
– 接下來隨著年齡的增加
回嘴的次數也會增加
10
年
齡
回嘴
12 18
12. Linear Growth Curve Models
• 每一個人至少需重複測量三次
• 每一個人都會有一條成長斜率(線性)
• 估計參數來自所有人的斜率的整合
12
大華
小明
小莉
大同
13. Estimate Parameter of LGM
• Slope: the rate of change
– 斜率較大表示改變較多
– 某些人改善或成長 (positive slopes).
– 某些人變差或衰退 (negative slopes).
– 某些人沒有改變 (zero slopes).
• Intercept: 每個人的起始值
• Error: 不可解釋變異
13
18. 18
IS model潛在變數設定
• Intercept factor (I) and Slope factor (S)
• Slope and Intercept factors are
correlated.
• Error variances
– Intercept set to 0, mean set to 0 and
variance are the same.
• Intercept factor
– free mean and variance
– all measures have loadings set to one
• Slope Factor
– free mean and variance
– loadings define the meaning of time
20. 時間點0的設定
• Slope有一負荷量設為0時間點 (基準點)
• Intercept設定為 “0時間點”的起始值
• 時間點0的位置
– 0設在時間點1 (以時間點1為參考點)
• 標準設定方式
– 0設在最後時間點 (以最後時間點為參考點)
• 有介入效果影響的時候
– 0設在中間時間點 (以中間時間點為參考點)
• 截距為觀察值的平均
20
21. Growth rate 斜率設定
• Linear:
– Factor loadings = 0, 1, 2, 3 …
• Quadratic:
– Factor loadings = 0, 1, 4, 9, 16…
– Factor loadings = 4, 1, 0, 1, 4…
• Logarithmic: (ln)
– Factor loadings = 0, 0.69, 1.10, 1.39…
• Exponential:
– Factor loadings = 0, 1.72, 6.39, 19.09…
• To be freely estimated:
– Factor loadings = 0, 1, blank, blank…
22. 改變斜率設定對結果的影響
• Same
– Model fit (c2 or RMSEA)
– Mean and variance for the Intercept
– Parameter significant test
– error variances
• Different
– mean and variance for the slope
– Slopeintercept covariance
•以上指的是在同一種模型設定,如線性模型22
23. 23
Estimation of the Basic LGM
• LGM資料型態需求 (Kline, 2006)
1.應變數(y)需為連續變數,且時間至少必需跨
三期 (T=3)。
2.資料期間可以不同,但每一個樣本的時間間格
需要一致。
3.資料分析的單位,在跨期間必須是一致的或是
可轉換成相同單位。
4.樣本數需大到足以檢定出樣本間的差異
24. LGM 5個主要估計參數
• 截距(Intercept): 起始值的平均數
• 截距變異數(Intercept Variance):樣本
起始值與平均起始值的差異
• 斜率(Slope): 整體平均成長率
• 斜率變異數(Slope Variance):樣本成長
率與平均成長率的差異
• 共變異數(Covariance):截距與斜率相關
的大小
39. 39
LGM模式辨識
• Identify condition:
T(T + 1)/2 + T – P≧0
– T:重複測量次數
– P:估計的參數
•範例說明
– T = 3, df = 9 – 8 = 1
– T = 4, df = 14 – 9 = 5
– T = 5, df = 20 –10= 10
– T = 6, df = 27 -11= 18
– T = 7, df = 35 -12= 23
…
41. 41
Estimation of the Basic LGM
step by step
1. 圖形檢視
– 了解觀察值與成長率配適的程度
– 容易觀察到個體之間差異的情形
– 明白如何設定時間函數(線性或非線性)
– 易於了解某一時間錯誤的設定
42. 42
Estimation of the Basic LGM
step by step
2. 檢定無條件成長模型
– 配適度SEM的要求
• chi-square (χ2)
• comparative fit index (CFI)
• root mean-square error of approximation
(RMSEA)
3. 估計並解釋模型參數
4. 結論 (Tell your story)
5. 截距/斜率變異數具顯著性,找預測變
數估計無條件成長模型
44. Example for IS-Model
• 研究者搜集學校提供營養午餐後對學童6年
來體重的影響?
• 研究有興趣的是
– 學童在6歲入學時體重
有無差異?
– 體重是否隨時間增加而增加?
– 不同的學童體重成長是否
有差異?
– 如果有差異有何原因可以解釋?
44
6歲 8歲 10歲 12歲
體重
52. 52
3. 估計模型參數
參數
符號 標籤 估計值 顯著性
截距與斜率
Imean 學童8歲時的平均體重 21.989 ***
Smean 學童6年來每兩年體重的平均成長 1.362 ***
變異數及共變異數
Ivar 學童8歲時的平均體重差異 3.146 0.013
Svar 學童6年來每兩年體重的成長差異 0.335 0.113
IScov 學童8歲時的初始體重對體重成長的影響 0.143 0.679
Level 1測量誤差變異數
E1 8歲時體重的測量誤差 2.108 0.027
E2 10歲時體重的測量誤差 1.462 0.007
E3 12歲時體重的測量誤差 2.313 0.003
E4 14歲時體重的測量誤差 .309 0.710
53. 53
3. 解釋模型參數
• 平均數
– 截距:學童八歲時平均體重為21.99公斤
– 斜率:學童6年來每兩年體重的平均成長1.36
公斤。
• 變異數
– 截距:學童初始體重有68%(1個標準差)的人在
21.99±1.77公斤之間。
– 斜率:學童6年來每兩年體重的成長68%的人
在1.36±0.579公斤之間。
• 共變異數
– 沒有顯著,代表初始體重與體重成長率無關。
60. 60
Piecewise or Additive Model
• Piecewise:各自不同的兩個成長率
– 第一條斜率從 T1 to T4
– 第二條斜率從 T4 to T6
• Additive: 先估計斜率當作參考點,再估計
第二條斜率的改變率
– 第一條斜率持續成長從 T1 to T6
– 從T4開始產生偏斜
• 兩種模型在配適度上為等值模型
61. Piecewise
斜率1 斜率2 截距
0 0 1
1 0 1
2 0 1
3 0 1
3 1 1
3 2 1
斜率1 斜率2 截距
0 0 1
1 0 1
2 0 1
3 0 1
4 1 1
5 2 1
61
Additive
67. How to detective non-linear model
• Method 2:
– 斜率factor loading 第一個設0,最後一個設1
67
69. 自變數的種類
• IS模型加入預測(自)變數
• 預測變數
– 不隨時間改變的變數
• 可以是觀察變數,如年齡,性別,所得,IQ,SES等
• 可以是潛在變數,如性格, 投資意願等
– 隨著時間而改變的變數
• 可以是觀察變數,如温度,壓力等
• 可以是潛在變數,如知識,技能,疼痛,健康情形等
69