인과 처리 분석법의 추가 예
이 예에서는 모형 적합 플랫폼의 인과 처리 분석법을 사용하여 관리자 리더십(연속형 변수)이 직무 만족도에 미치는 영향을 분석하는 방법을 보여 줍니다. 이 예의 데이터는 각 직원이 직장 내 만족도, 갈등, 리더십에 대한 질문에 답변하는 자기 보고식 설문 조사의 응답을 나타내도록 시뮬레이션되었습니다. Leadership_Avg 변수는 각 직원이 자신의 상사에 대해 얼마나 만족하는지를 나타내는 척도입니다. 이 점수는 이 예에서 연속형 처리 변수로 간주됩니다.
1. 도움말 > 샘플 데이터 폴더를 선택하고 Job Satisfaction.jmp를 엽니다.
2. 분석 > 모형 적합을 선택합니다.
3. "열 선택" 목록에서 Satisfaction_Avg를 선택하고 Y를 클릭합니다.
4. "분석법" 목록에서 인과 처리를 선택합니다.
5. "열 선택" 목록에서 Leadership_Avg를 선택하고 처리를 클릭합니다.
6. 처리 모형 탭을 선택합니다.
7. Person_C ~ Inter_C를 선택하고 추가를 클릭합니다.
그림 14.8 처리 모형 탭을 보여 주는 완료된 모형 적합 시작 창
8. 실행을 클릭합니다.
"모형 1" 보고서에는 두 가지 모델링 기법의 결과가 표시됩니다. 하나는 IPWR(비율 수정이 있는 역확률 가중치법)을 적용한 MSM(주변 구조 모델링)이고, 다른 하나는 GPS(일반화 성향 스코어) 모델링입니다. 두 모형 모두 자동으로 적합됩니다. 연속형 처리의 경우 성향 스코어는 추정된 밀도 함수의 함수로 정의됩니다. 두 기법 모두 지정된 처리 모형을 사용하여 성향 스코어를 계산하지만 성향 스코어는 각 기법에서 서로 다른 방식으로 사용됩니다. 반응 모형을 적합시킬 때 MSM(IPWR)은 안정화된 역성향 스코어를 가중치로 사용하고 GPS 기법은 성향 스코어의 함수를 고정 효과로 사용합니다. 이러한 모델링 기법에 대한 자세한 내용은 인과 처리 분석법에 대한 통계 상세 정보에서 확인하십시오.
9. "인과 처리 적합" 보고서의 "모형 시작" 제어판에서 처리 수준 최소값 = 1, 처리 수준 최대값 = 10, 처리 수준 증분값 = 1로 설정하고 시작을 클릭합니다.
설정한 처리 수준 파라미터 값이 반영된 "모형 2" 보고서가 표시됩니다. 이 보고서에 집중하기 위해 "모형 1" 보고서를 제거합니다.
10. "모형 1"의 빨간색 삼각형 메뉴를 클릭하고 적합 제거 옵션을 선택합니다.
이제 "모형 2" 보고서만 표시됩니다. "인과 효과 분석" 섹션에서 "일반화 성향 스코어 모형 결과" 아래에 Figure 14.9의 "처리 수준별로 그룹화된 예측 잠재 결과 밀도" 그림이 나타납니다. 세로 축에 표시된 각 처리 수준(Leadership_Avg)의 잠재적 값에서 GPS 모형을 기반으로 한 예측 잠재 결과의 분포가 표시됩니다. 낮은 처리 수준과 높은 처리 수준에서 예측된 잠재 결과 분포의 산포는 매우 작게 나타납니다.
그림 14.9 처리 수준별로 그룹화된 예측 잠재 결과 밀도 그림
Figure 14.10의 "처리 히스토그램"은 상사를 3.5점 미만 또는 9점 초과로 평가한 직원이 없음을 보여 줍니다. 이러한 지원 영역에서 관측값이 없다는 것은 처리 수준이 낮거나 높을 때 예측 분산이 작은 이유를 설명합니다. 이 모형은 처리 수준이 낮거나 높을 때 관측된 데이터 점의 정보를 사용하는 것이 아니라 외삽을 수행합니다.
그림 14.10 연속형 처리에 대한 처리 히스토그램 그림
11. "인과 처리 적합"의 빨간색 삼각형을 클릭하고 팁과 해석 표시 옵션을 선택합니다.
Figure 14.11의 "양수성" 능선 그림은 많은 밀도 곡선이 GPS = 0 주위에서 정점에 이르거나 밀집해 있음을 보여 줍니다. 이는 GPS 모형이 주어졌을 때 많은 관측값이 특정 수준의 처리를 받을 추정 성향(확률)이 매우 낮음을 의미합니다. 이 현상은 처리 공간의 무한 차원성을 고려할 때 연속형 처리 사례에서 흔히 나타납니다. 하지만 이 경우 양수성 가정이 위반되었을 가능성이 있습니다. 즉, 특정 처리 수준을 받을 확률이 0인 공변량 프로필이 있을 수 있습니다. 양수성 위반 상황에서도 유효한 인과 추론을 유지하려면 처리 변수의 범위를 잘라내거나 처리 변수를 이항 변수로 변환하는 방법을 고려할 수 있습니다. "인과 처리 적합"의 빨간색 삼각형 메뉴에서 "팁과 해석 표시" 옵션을 선택하면 "양수성" 그림 아래에 연속형 처리의 양수성 가정에 대한 자세한 정보가 표시됩니다.
그림 14.11 일반화 성향 스코어 능선 그림
마지막으로 "인과 효과 분석" 섹션을 사용하여 인과 추정값을 계산합니다. 이러한 계산을 수행하는 방법에 대한 내용은 인과 효과 분석에서 확인하십시오. 모든 직원이 자신의 상사에게 5점을 준 경우와 7점을 준 경우 나타나는 평균 직무 만족도의 변화에 관심이 있다고 가정해 보겠습니다. 먼저 Figure 14.12에 표시된 MSM 결과를 사용하여 이 질문에 답변합니다. 이 모델링 기법을 사용하면 지정된 평균 처리 효과가 1.03입니다. 적절한 인과 가정이 충족될 경우 리더십을 5점에서 7점으로 높이면 직무 만족도가 평균적으로 1.03점 증가한다는 결론을 내릴 수 있습니다.
그림 14.12 주변 구조 모형 결과 테이블
이제 Figure 14.13에 표시된 GPS 모형 결과를 사용하여 동일한 질문에 답변합니다. "각 처리 수준의 추정 잠재 결과 평균" 테이블은 잠재 결과 평균 추정값을 제공합니다. 이 모델링 기법을 사용하면 ATE 추정값이 1.21입니다. 적절한 인과 가정이 충족될 경우 리더십을 5점에서 7점으로 높이면 직무 만족도가 평균적으로 1.21점 증가한다는 결론을 내릴 수 있습니다.
그림 14.13 일반화 성향 스코어 모형 결과 테이블
