Yapısal Eşitlik Modellemesinde hangi grafiksel teknikler kullanılır?

14

Yapısal eşitlik modellemesine özel veya daha uygulanabilir grafiksel teknikler olup olmadığını merak ediyorum. Sanırım bu, kovaryans analizi için keşif araçları veya SEM modeli değerlendirmesi için grafiksel teşhis için kategorilere ayrılabilir. (Burada yol / grafik diyagramlarını gerçekten düşünmüyorum.)

sem data-visualization

— ars
kaynak

"SEM" terimi belirsizdir. Örneğin, reklam tıklama verilerini incelemek veya reklam etkinliğini değerlendirmek için istatistiksel analiz teknikleri arayan biri için "Arama Motoru Pazarlaması" anlamına da gelebilir. Başlığı daha ayrıntılı hale getirmeyi düşünün.

— Paul

13

PLS-yol modellemesi için güzel bir R paketine katkıda bulunan Laura Trinchera ile tanıştım, plspm . Çeşitli 2- ve k-blok veri yapıları için çeşitli grafik çıktılar içerir.

PlotSEMM R paketini yeni keşfettim . Bununla birlikte, ikinci noktanızla daha ilgilidir ve iki değişkenli ilişkileri grafiklendirmekle sınırlıdır.

SEM'ler için teşhis planına ilişkin son referanslara gelince, ilginç olabilecek iki makale var (ikincisi için, sadece son zamanlarda özete göz attım, ancak ungated versiyonu bulamıyorum):

Sanchez BN, Houseman EA ve Ryan LM. Yapısal Eşitlik Modelleri için Artık Tabanlı Teşhis . Biyometri (2009) 65, 104-115
Yuan KH ve Hayashi K. Verileri modele uydurma: İki dağılım grafiği kullanarak yapısal denklem modelleme tanısı , Psikolojik Yöntemler (2010)
GC ve Vitale MP Karşılaştırması. Yapısal Eşitlik Modellerindeki etkileşimi bir tanı grafiği ile keşfetmek . ISI 58. Dünya Kongresi (2011).

— chl
kaynak

@chl: teşekkürler! Plspm semnet listesinde duyurulduğunu hatırlıyorum - nedense PLS Atlantik'in bu tarafında o kadar büyük değil, neden emin değilim. plotSEMM gerçekten ilginç görünüyor, onunla oynamak için sabırsızlanıyorum.

— ars

@chl: btw, PLS'nin burada daha fazla not edilmediğini eklemek istedim, çünkü özellikle araçlar geliştiriliyorken (örneğin, plspm'ye ek olarak SmartPLS) etrafında çok fazla heyecan verici şey oluyor gibi görünüyor. Wold'un bazı çalışmalarını bir süre önce okudum ve bazı fikirleri sadece gerçekleşiyor (örn. "Verilerinizle sohbet etmek"). Daha fazla keşfetmek için biraz zaman ayırmam gerekiyor.

— ars

@ars Tavsiye edilen okumaların bir listesini ister misiniz? Ayrıca Psikometrika'ya babasıyla (evet, Michel Tenenhaus) güzel bir makale gönderen Arthur Tenenhaus ile çalıştım: Çok düzgün bir şekilde tüm iki blok yöntemlerini (PCA, CCA, PLS, batarya içi, vb.) Birleştiriyorlar argmax kısıtlamasının yeniden yazılması. Kendimi genomik olarak cezalandırılmış PLS / CCA (L1 / L2) ile oynuyorum, ancak biyomedikal verilerime daha ilginç geleceğini hissediyorum.

— chl

1

@ars Öyleyse, Father & Son'ın şu makalelerini önermek istiyorum: j.mp/dvEDgb , j.mp/csD1Yf , j.mp/dkEHq5 .

— chl

4

Bu çok ilginç bir soru. 2 boyutlu bir kovaryans matrisimiz olduğunu varsayalım (SEM için çok gerçekçi olmayan bir örnek, ancak lütfen bana katlanın). Ardından, model uyum hissi elde etmek için, gözlemlenen kovaryans matrisi için tahmini kovaryans matrisi karşısında izo-konturları çizebilirsiniz.

Bununla birlikte, gerçekte yüksek boyutlu bir kovaryans matrisi olacak. Böyle bir durumda, muhtemelen bir seferde 2 değişken alan birkaç 2 boyutlu çizim yapabilirsiniz. İdeal çözüm değil, belki bir dereceye kadar yardımcı olabilir.

Düzenle

Biraz daha iyi bir yöntem, gözlemlenen kovaryans matrisi üzerinde Ana Bileşen Analizi (PCA) yapmaktır . Gözlenen kovaryans matris PCA analizinden projeksiyon matrisi kaydedin. Tahmini kovaryans matrisini dönüştürmek için bu projeksiyon matrisini kullanın.

Daha sonra, tahmin edilen kovaryans matrisine göre döndürülmüş gözlenen kovaryans matrisinin en yüksek iki varyansı için izo-konturları çiziyoruz. Kaç tane grafik yapmak istediğimize bağlı olarak, ikinci ve üçüncü en yüksek varyansları vb.

Srikant, cevap için teşekkürler! Kovaryansların kontur çizimleriyle ne demek istediğinden emin değilim (obs v est) - detaylandırabilir misin? Teşekkürler.

— ars

Şuna bakın: en.wikipedia.org/wiki/Level_set . Sigma aa 2 boyutlu kovaryans matrisi ve Y ~ N (0, Sigma) olsun. Bir izo-kontur çizgisi, y (f | Y | sigma) = c olan Y noktaları kümesini çizer, burada c bir sabittir. Y'nin 2 boyutlu bir vektör olduğuna dikkat edin. Çeşitli c değerlerini seçersiniz ve böylece dağılımın yayılımı hakkında bir fikir verecek farklı izo-kontur çizgileri elde edersiniz.

@ Srikant, öneri için teşekkürler. Denemek için biraz zaman harcadım ve hızlı bir görsel karşılaştırma elde etmek için iyi bir başlangıç gibi görünüyor, özellikle de uyum kötü olduğunda.

— ars

2

Sanırım korelasyon veya kovaryans matrisinin çok boyutlu bir ölçeklendirmesini yapabilirsiniz. Tam olarak yapısal eşitlik modellemesi değildir, ancak korelasyon veya kovaryans matrisindeki desenleri ve yapıyı vurgulayabilir. Bu daha sonra uygun bir modelle resmileştirilebilir.

— Jeromy Anglim
kaynak

Teşekkürler Jeromy. Sadece MDS için Wikipedia girişini okuyun - bir yere götürebilir gibi görünüyor.

— ars

0

Etkileşim efekti (veya başka türlü) varsa, 2D ve 3D görünümler almak için ITALASSI v1.2 yazılımını (ücretsiz yazılım) kullanabilirsiniz.

— Jindow Joseph
kaynak