文献解读:结构方程模型SEM基础,小白看这个就基本够了

2021年09月15日 阅读数:2
这篇文章主要向大家介绍文献解读:结构方程模型SEM基础,小白看这个就基本够了,主要内容包括基础应用、实用技巧、原理机制等方面,希望对大家有所帮助。

今天要解读的依然是一篇教学文献:The Basics of Structural Equation Modeling,文献做者是Diana Suhr, Ph.D. University of Northern Colorado。数据结构

文献连接:https://www.lexjansen.com/wuss/2006/tutorials/TUT-Suhr.pdfide

概念

结构方程模型是:工具

  • 用来检验显变量与潜变量关系假设的综合性的统计技巧学习

  • 用来表示,估计或者检验变量间理论关系的技巧spa

  • 用来探究一系列潜变量和显变量因果关系的统计技巧翻译

咱们作结构方程模型主要是为了:3d

1.  了解变量之间的共变关系orm

2.  解释模型中变量尽量多的变异blog

上面给出告终构方程模型比较宏大的概念,具体地咱们又能够细分:ip

咱们用路径分析探究变量之间的因果。咱们用验证性因子分析探究潜变量和显变量之间的关系。咱们用潜增加曲线模型(LGM)估计纵向数据的初始,变化,结构斜率和方差。上面提到的方法通通均可以归于结构方程模型的特例。

结构方程模型和传统分析方法的不一样

首先SEM更加灵活,更加综合。传统方法的模型是提早规定的或者说是默认的,而作结构方程的时候,它对变量关系的限制几乎没有,须要你本身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,而传统的方法只分析显变量;在SEM中咱们认为偏差是存在的,你甚至能够规定不一样变量之间偏差的关系是怎样的,可是传统的方法认为偏差是没有的;传统方法可以输出变量间关系的直接的显著性检验结果,而SEM没有这样的结果,咱们得用拟合指标来评价模型;另外,结构方程模型能够很好地容忍多重共线性。

SEM的统计指标

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别,卡方越小说明咱们的模型和数据越符合

Comparative Fit Index (CFI):这个指标表示调整了样本量后的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,通常要求小于0.06

若是咱们的模型作出来拟合指标还过的去,咱们接下来就应该检验模型的参数,参数与其标准误的比值是服从z分布的,因此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.

固然啦,模型拟合指标很差的状况也是常常出现的,这个时候咱们要很具合理的修正指数来修正咱们的模型,好比你把原先固定的参数进行释放等等。

作SEM以前你须要考虑

1.  你的理论假设

2.  样本量:好一点的话就应该是估计参数的20倍,现实一点10倍就行,千万不要小于5倍

3.  测量工具

4.  数据是否多元正态性

5.  模型可否识别

6.  离群值和缺失值

7.  模型拟合指数

作SEM的通常流程

1.  首先你得有你的理论模型,根据这个理论来设定变量间的关系

2.  设定模型,能够经过图(AMOS)或者代码(lavaan,mplus)

3.  判断模型识别状况

4.  明确模型变量的测量(就是明确问卷,或者自编条目)

5.  收集数据

6.  初始分析(缺失值、离群值的处理,标准化等)

7.  估计模型参数

8.  评估模型拟合状况

9.  修正模型(若是有必要的话)

10.  结果解释写做

上面的流程都是一家之言,你知道基本上作SEM就这些流程,具体没必要非得按照上面这个顺序,好比你能够再没有收集数据以前就提早设定好模型,计划好如何对潜变量进行测量,都是能够的。

SEM的各类标签释疑

令不少同窗头疼的问题之一就是一个SEM中各类术语名称,这儿统一给你们总结一下:

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,指模型中的变量。

模型model指的就是你研究的变量之间的关系的统计表达。

若是你想把你的模型直观地画出来,画出来的这个东西就叫路径图path diagram

模型设定Specification就是指你对模型参数和整个模型的规定,这儿须要注意:

  • 全部的模型都是错的,没有百分百吻合数据的模型,咱们作SEM就是想要找到一个尽量符合咱们数据同时还符合理论解释的通的模型。

咱们对于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就是指这个参数不从咱们的数据中来估计,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反映模型拟合的如何,指的是咱们设定固定和自由参数是否是和原始数据的方差协方差一致,chi-square, CFI, NNFI, RMSEA都是常见的拟合指数。

一个SEM能够划分为两个部分,一个部分叫作测量模型measurement model,指的是对潜变量和显变量关系的设定,另外一个叫作结构模型structural model,指的是潜变量间或者潜变量与其他变量关系的设定。

识别Identification模型识别的意思是对模型中的自由参数可否得到一个特定的解,模型有解是须要知足必定条件的:就是就是自由参数的个数q必需要小于或等于你的样本协方差矩阵中非冗余元素的个数p*。模型识别的意思是对模型中的自由参数可否得到一个特定的解,模型有解是须要知足必定条件的:就是就是自由参数的个数q必需要小于或等于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,其中p为测量变量的个数。

识别的类型

不识别underidentified:就是从咱们的数据中给一个或者多个参数找不出来一个特定的解。好比x + y = 5,这个xy能够来回变咱们是找不到这个方程的特定解的,这个适合就叫作不识别,就是自由参数的个数q大于了独立方程的个数。

刚好识别just identified:就是对模型中的自由参数刚好能够从咱们的数据中求得一个独立的解,好比咱们有方程组x + y = 5 and 2x + y = 8,这个时候xy刚恰好有一个解,可是刚好识别的情形下,模型是没法被检验的。

超识别overidentified:就是咱们能够从数据中给模型中自由参数估计不少个特定的值,好比咱们有方程组x + y = 5, 2x + y = 8, and x + 2y = 9.这个方程自己也是无解的,可是咱们能够定标准,而后求的特定的解,标准不同,解不同,因此这个情形模型是能够被检验的。

还有一个术语叫作自由度df,df = (p* - q),当自由度为正时,全部的自由参数均可以被估计。

咱们作结构方程,就是为了在知足咱们自己数据结构和理论设定的情形下对自由参数进行估计。设定好很差,估计的准不许都得看模型拟合指标。

拟合指标

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

其余的各类CFI, NNFI.........等等各类指数都是拟合优度指数,越大越好。

两个检验

一个叫作Wald test,这个检验是用来检验卡方改变量的,就是模型固定参数增长了以后模型拟合会不会显著变坏。

另外一个叫作LaGrange Multiplier Test (LM),这个检验能够获得在释放自由参数后模型的拟合会不会显著变好。

模型修正Model modification

模型修正就是经过释放固定参数,就是把模型中原先固定的参数进行自由估计以此来提升模型拟合。

路径效应大小的判断

判断效应大小时,咱们必定要看调整后的路径系数,若是小于0.1就是小效应,0.3附近则为中效应,大于0.5为大效应。

SEM图示

SEM中常见的图示和解释以下图:

 

文献解读:结构方程模型SEM基础,小白看这个就基本够了_拟合

 

 

看几个例子吧:

首先是回归模型:

 

文献解读:结构方程模型SEM基础,小白看这个就基本够了_数据分析_02

 

 

上图中就是3个自变量对一个因变量的回归的图示。

 

文献解读:结构方程模型SEM基础,小白看这个就基本够了_数据分析_03

 

 

上图一样是4个变量可是其中两个变量对因变量有间接做用。像这样的叫作中介模型。

 

文献解读:结构方程模型SEM基础,小白看这个就基本够了_数据_04

 

 

上图就是一个最简单的结构方程了,有测量部分也有结构部分,可是结构部分是共变关系。

实例

原文献中有SEM的实例和SAS软件以及PROC CALIS软件进行SEM分析的代码,由于本身不用这两个软件,因此不在个人文章中给你们写了,感兴趣本身去瞅瞅哈。

小结

今天给你们结构方程模型的粗浅的基础知识,感谢你们耐心看完,本身的文章都写的很细,代码都在原文中,但愿你们均可以本身作一作,请关注后私信回复“数据连接”获取全部数据和本人收集的学习资料 

 

 

 

有趣的灵魂在等你 文献解读:结构方程模型SEM基础,小白看这个就基本够了_数据_05长按扫码关注