다중 그룹 분석의 예
구조 방정식 모형 플랫폼에서 그룹 변수 역할을 사용하면 여러 그룹 간에 통계적 효과에 대해 모형을 비교할 수 있습니다. 이 예에서는 두 그룹의 어린이에 대한 학업 성취도의 성장 궤적을 비교하려고 합니다. 선다형 시험에서 학생들의 스코어를 네 번 반복 측정합니다.
1. 도움말 > 샘플 데이터 폴더를 선택하고 Academic Achievement.jmp를 엽니다.
2. 분석 > 다변량 방법 > 구조 방정식 모형을 선택합니다.
3. Multiple Choice Year1 ~ Multiple Choice Year4를 선택하고 모형 변수를 클릭합니다.
4. Sex를 선택하고 그룹을 클릭합니다.
5. 확인을 클릭합니다.
"구조 방정식 모형" 보고서의 "모형 규격" 개요가 나타납니다.
6. 모형 바로 가기 > 종단 분석 > 선형 잠재 성장 곡선을 선택합니다.
이제 모형 규격 다이어그램에 선형 잠재 성장 곡선 모형이 표시됩니다.
7. "모형 이름" 아래의 텍스트 상자에 "Grouped Linear LGC Model (Equality Constraint)"을 입력합니다.
8. 경로 다이어그램에서 삼각형 아이콘과 "절편" 및 "기울기" 사이의 화살표를 각각 선택하고 등가 설정을 클릭합니다.
이렇게 하면 절편 및 기울기 잠재 변수의 평균이 두 학생 그룹 간에 같아집니다.
9. "등가 설정" 창에서 확인을 클릭하여 두 그룹 간에 등식 제약 조건을 적용합니다.
10. 실행을 클릭합니다.
11. 보고서 창의 "모형 규격" 섹션이 나올 때까지 위로 스크롤합니다.
12. "모형 이름" 아래의 텍스트 상자에 "Grouped Linear LGC Model"을 입력합니다.
13. 경로 다이어그램에서 a1 및 a2 라벨이 지정된 화살표를 각각 선택하고 제약 해제를 클릭합니다.
14. 실행을 클릭합니다.
15. "모형 규격" 옆의 회색 표시 아이콘을 클릭합니다.
16. "모형 비교" 테이블에서 Grouped LGC Model을 둘 다 선택하고 선택한 모형 비교를 클릭합니다.
그림 8.15 모형 비교 보고서
카이제곱 차이 검정에 따르면 등식 제약 조건으로 인해 통계적으로 유의한 모형 부적합 증가가 발생하므로 적절하지 않음을 알 수 있습니다. 이와 관련하여 두 Grouped LGC Model의 BICu 값이 모두 음수이며, 이는 두 모형이 모두 제약 없는 모형에 우호적임을 나타냅니다. 카이제곱 차이 검정에서 뒷받침되고 BICu 값이 더 작은 제약 없는 Grouped LGC Model을 계속 사용하도록 선택합니다.
17. "Grouped Linear LGC Model (Equality Constraint)" 옆의 
버튼을 클릭합니다.
이렇게 하면 등식 제약 조건이 있는 모형과 관련된 보고서 섹션이 숨겨집니다.
18. Alt 키를 누르고 "구조 방정식 모형: Grouped Linear LGC Model" 옆의 빨간색 삼각형을 클릭합니다.
팁: Alt 키를 사용하면 여러 개의 빨간색 삼각형 메뉴를 동시에 선택할 수 있습니다.
19. 경로 다이어그램 표시, 적합 요약 및 모수 추정값 옵션을 선택 취소합니다.
20. 예측값 그림 옵션을 선택합니다.
21. 확인을 클릭합니다.
참고: "구조 방정식 모형: Grouped Linear LGC Model"의 빨간색 삼각형 메뉴에서 선택한 내용이 "Male" 탭 보고서와 "Female" 탭 보고서에 모두 적용됩니다.
22. "Male" 또는 "Female" 탭 중 하나를 마우스 오른쪽 버튼으로 클릭하고 스타일 설정 > 수평 퍼짐을 선택합니다.
23. 데이터 점 연결 상자를 선택합니다.
그림 8.16 예측값 그림
4년 동안의 남학생에 대한 예측값이 여학생에 대한 예측값보다 기울기가 더 평평하고 변동이 적습니다.