phpim简略架构技巧_文献解读结构方程模型SEM根本小白看这个就基本够了

文献链接：https://www.lexjansen.com/wuss/2006/tutorials/TUT-Suhr.pdf

构造方程模型是：

我们做构造方程模型紧张是为了：

上面给出了却构方程模型比较伟大的观点，详细地我们又可以细分：

一样平常我们用SEM来阐明变量的变异或者变量之间的共变（variation and covariation）。
我们用路径剖析探究变量之间的因果。
我们用验证性因子剖析探究潜变量和显变量之间的关系。
我们用潜增长曲线模型(LGM)估计纵向数据的初始，变革，构造斜率和方差。
上面提到的方法统统都可以归于构造方程模型的特例。

首先SEM更加灵巧，更加综合。
传统方法的模型是提前规定的或者说是默认的，而做构造方程的时候，它对变量关系的限定险些没有，须要你自己根据理论知识设定变量之间的关系；SEM既包含显变量又有潜变量，而传统的方法之剖析显变量；在SEM中我们认为偏差是存在的，你乃至可以规定不同变量之间偏差的关系，但是传统的方法认为偏差是没有的；传统方法能够输出变量间关系的直接的显著性考验结果，而SEM没有这样的结果，我们得用拟合指标来评价模型；构造方程模型可以很好地容忍多重共线性。

chi-square：这个统计量表示预期协方差矩阵和数据的协方差矩阵的差异，卡方越小解释我们的模型和数据越符合。

Comparative Fit Index (CFI)：这个指标表示调度了样本量后的ediscrepancy function，这个指标取值1~1，越大越好，建议大于0.9

Root Mean Square Error of Approximation (RMSEA)：这是一个和模型残差有关的指标，越小越好，一样平常哀求小于0.06

如果我们的模型做出来拟合指标还过的去，我们接下来就该当考验模型的参数，参数与其标准误的比值是服从z分布的，以是参数和其标准误的比值大于1.96的话，这个参数的p就小于0.05.

当然啦，模型拟合指标不好的情形也是常常涌现的，这个时候我们要很具合理的改动指数来改动我们的模型，比如你把原来固定的参数进行开释等等。

上面的流程都是一家之言，你知道基本上做SEM就这些流程，详细不必非得按照上面这个顺序，比如你可以再没有网络数据之前就提前设定好模型，操持好如何对潜变量进行丈量，都是可以的。

令很多同学头疼的问题之一便是一个SEM中各种名称，这儿统一给大家总结一下：

自变量（Independent），预测因子（predictor），外生变量（exogenous (external)）都是一个东西，在模型中都是去影响别的变量的。

因变量（Dependent），标准变量（criterion），内生变量（endogenous (internal)）都是一个东西，表示别的变量的效果，在模型中受别的变量影响。

潜变量（Latent variable），因子（factor），构象（construct）都是一个东西，指你模型中的变量。

模型model指的便是你研究的变量之间的关系的统计表达。

如果你想把你的模型直不雅观地画出来，画出来的这个东西就叫路径图path diagram

模型设定Specification便是指你对模型参数和全体模型的规定，这儿须要把稳：

我们对付模型参数的设定要么是固定的，要么是设定为自由的

固定参数Fixed parameters便是指这个参数不从我们的数据中来估计，而是将它固定为0或者1。

自由参数Free parameters是指须要模型从数据中估计的参数。

拟合指数Fit indices反响模型拟合的如何，指的是我们设定固定和自由参数是不是和原始数据的方差协方差同等，chi-square, CFI, NNFI, RMSEA都是常见的拟合指数。

一个SEM可以划分为两个部分，一个部分叫做丈量模型measurement model，指的是对潜变量和显变量关系的设定，另一个叫做构造模型structural model，指的是潜变量间或者潜变量与别的变量关系的设定。

识别Identification模型识别的意思是对模型中的自由参数能否得到一个特定的解，模型有解是须要知足一定条件的：便是便是自由参数的个数q必须要小于或即是你的样本协方差矩阵中非冗余元素的个数p，这个P=p(p + 1)/2，个中p为丈量变量的个数。

不识别underidentified：便是从我们的数据中给一个或者多个参数找不出来一个特定的解。
比如x + y = 5，这个xy可以来回变我们是找不到这个方程的特定解的，这个适宜就叫做不识别，便是自由参数的个数q大于了独立方程的个数。

恰好识别just identified：便是对模型中的自由参数恰好可以从我们的数据中求得一个独立的解，比如我们有方程组x + y = 5 and 2x + y = 8，这个时候xy刚刚好有一个解，但是恰好识别的环境下，模型是无法被考验的。

超识别overidentified：便是我们可以从数据中给模型中自由参数估计很多个特定的值，比如我们有方程组x + y = 5, 2x + y = 8, and x + 2y = 9.这个方程本身也是无解的，但是我们可以定标准，然后求的特定的解，标准不一样，解不一样，以是这个环境模型是可以被考验的。

还有一个术语叫做自由度df，df = (p - q)，当自由度为正时，所有的自由参数都可以被估计。

我们做构造方程，便是为了在知足我们本身数据构造和理论设定的环境下对自由参数进行估计。
设定好不好，估计的准不准都得看模型拟合指标。

常规的Chi-square，这个东西叫做“badness-of-fit” index，我给翻译为“拟合劣度指数”，以是卡方越小越好。

其他的各种CFI, NNFI.........等等各种指数都是拟合优度指数，越大越好。

一个叫做Wald test，这个考验是用来考验卡方改变量的，便是模型固定参数增加了之后模型拟合会不会显著变坏。

另一个叫做LaGrange Multiplier Test (LM)，这个考验可以得到在开释自由参数后模型的拟合会不会显著变好。

模型改动便是通过开释固定参数，便是把模型中原先固定的参数进行自由估计以此来提高模型拟合。

判断效应大小时，我们一定要看调度后的路径系数，如果小于0.1便是小效应，0.3附近则为中效应，大于0.5为大效应。

SEM中常见的图示和解释如下图：

看几个例子吧：

首先是回归模型：

上图中便是3个自变量对一个因变量的回归的图示。

上图同样是4个变量但是个中两个变量对因变量有间接浸染。
像这样的叫做中介模型。

上图便是一个最大略的构造方程了，有丈量部分也有构造部分，但是构造部分是共变关系。

原文献中有SEM的实例和SAS软件以及PROC CALIS软件进行SEM剖析的代码，由于自己不用这两个软件，以是不在我的文章中给大家写了，感兴趣自己去瞅瞅哈。

本日给大家构造方程模型的粗浅的根本知识，感谢大家耐心看完，自己的文章都写的很细，代码都在原文中，希望大家都可以自己做一做，请关注后私信回答“数据链接”获取所有数据和本人网络的学习资料。
如果对您有用请先收藏，再点赞转发。

也欢迎大家的见地和建议，大家想理解什么统计方法都可以在文章下留言，说不定我瞥见了就会给你写教程哦。

如果你是一个大学本科生或研究生，如果你正在由于你的统计作业、数据剖析、论文、报告、考试等发愁，如果你在利用SPSS,R，Python，Mplus, Excel中碰着任何问题，都可以联系我。
由于我可以给您供应好的，详细和耐心的数据剖析做事。

如果你对Z考验，t考验，方差剖析，多元方差剖析，回归，卡方考验，干系，多水平模型，构造方程模型，中介调节，量表信效度等等统计技巧有任何问题，请私信我，获取详细和耐心的辅导。

If you are a student and you are worried about you statistical #Assignments, #Data #Analysis, #Thesis, #reports, #composing, #Quizzes, Exams.. And if you are facing problem in #SPSS, #R-Programming, #Excel, Mplus, then contact me. Because I could provide you the best services for your Data Analysis.

Are you confused with statistical Techniques like z-test, t-test, ANOVA, MANOVA, Regression, Logistic Regression, Chi-Square, Correlation, Association, SEM, multilevel model, mediation and moderation etc. for your Data Analysis...??

Then Contact Me. I will solve your Problem...

加油吧，打工人！

R数据剖析：构造方程模型（SEM）先容

文献解析：构造方程模型的根本知识

R数据剖析：构造方程模型画图以及模型比较，实例操练

广义线性模型不雅观点：回归剖析的基本事理与构造