R的功能很强大，各种包很多。但就是因为包太多，造成了很大的麻烦。不可避免的，可以做结构方程模型的包也不少，例如：sem、psych、OpenMx，lavaan等。我选择了lavaan包。原因：语法简介易懂，上手快，支持非正态、连续数据，可以处理缺失值。

lavaan包是由比利时根特大学的Yves Rosseel开发的。lavaan的命名来自于 latent variable analysis，由每个单词的前两个字母组成，la-va-an——lavaan。

为什么说它简单呢? 主要是因为它的lavaan model syntax，如果你会R的回归分析，那它对你来说再简单不过了。

一、语法简介

语法一：f3~f1+f2(路径模型)

结构方程模型的路径部分可以看作是一个回归方程。而在R中，回归方程可以表示为y~ax1+bx2+c，“~”的左边的因变量，右边是自变量，“+”把多个自变量组合在一起。那么把y看作是内生潜变量，把x看作是外生潜变量，略去截距，就构成了lavaan model syntax的语法一。

语法二：f1 =~ item1 + item2 + item3(测量模型)

"=~"的左边是潜变量，右边是观测变量，整句理解为潜变量f1由观测变量item1、item2和item3表现。

语法三：item1 ~~ item1 , item1 ~~ item2

"~~"的两边相同，表示该变量的方差，不同的话表示两者的协方差

语法四：f1 ~ 1

表示截距

此外还有其它高阶的语法，详见lavaan的help文档，一般的结构方程建模分析用不到，就不再列出。

二、模型的三种表示方法

以验证性因子分析举例说明，对于如下图所示的模型：

方法一：最简化描述

只需指定最基本的要素即可，其他的由函数自动实现，对模型的控制力度最弱。只使用于函数cfa()和sem()

model

textual=~x4+x5+x6

speed=~x7+x8+x9'

fit

需要注意的是，这种指定模型的方式在进行拟合时，会默认指定潜变量的第一个测量变量的因子载荷为1，如果要指定潜变量的方差为1，可以：

model.bis

textual =~ NA*x4 + x5 + x6

speed =~ NA*x7 + x8 + x9

visual ~~ 1*visual

textual ~~ 1*textual

speed ~~ 1*speed'

方法二：完全描述

需要指定所有的要素，对模型控制力最强，适用于lavaan()函数，适合高阶使用者

model.full

textual =~ 1*x4 + x5 + x6

speed =~ 1*x7 + x8 +x9

x1 ~~ x1

x2 ~~ x2

x3 ~~ x3

x4 ~~ x4

x5 ~~ x5

x6 ~~ x6

x7 ~~ x7

x8 ~~ x8

x9 ~~ x9

visual ~~ visual

textual ~~ textual

speed ~~ speed

visual ~~ textual +speed

textual ~~ speed'

fit

方法三：不完全描述

最简化和完全描述的混合版，在拟合时增加 auto.* 参数，适用于lavaan()函数

model.mixed

visual =~ 1*x1 + x2 +x3

textual =~ 1*x4 + x5 + x6

speed =~ 1*x7 + x8 +x9

# factor covariances

visual ~~ textual + speed

textual ~~ speed'

fit

可以设定的参数详见help帮助文档

PS:可以在lavaan()函数里设置参数mimic="Mplus"获得与Mplus在数值和外观上相似的结果，设置mimic="EQS",输出与EQS在数值上相似的结果

三、拟合结果的查看

查看拟合结果的最简单方法是用summary()函数，例如

summary(fit, fit.measures=TRUE)

但summary()只适合展示结果，parameterEstimates()会返回一个数据框，方便进一步的处理

parameterEstimates(fit,ci=FALSE,standardized = TRUE)

获得大于10的修正指数

MI

subset(MI,mi>10)

此外，还有其他的展示拟合结果的函数，功能还是蛮强大的

四、结构方程模型

(1)设定模型

model

# measurement model

ind60 =~ x1 + x2 +x3

dem60 =~ y1 + y2 + y3 + y4

dem65 =~ y5 + y6 + y7 + y8

# regressions

dem60 ~ ind60

dem65 ~ ind60 + dem60

# redisual covariances

y1 ~~ y5

y2 ~~ y4 +y6

y3 ~~ y7

y4 ~~ y8

y6 ~~ y8'

(2)模型拟合

fit

summary(fit, standardized = TRUE)

(3)给回归系数设置标签

给回归系数设定标签在做有约束条件的结构方程模型时会很有用。当两个参数具有相同的标签时，会被视为同一个，只计算一次。

model.equal

ind60 =~ x1 + x2 + x3 +

dem60 =~ y1 + d1*y2 + d2*y3 + d3*y4

dem65 =~ y5 + d1*y6 + d2*y7 + d3*y8

# regressions

dem60 ~ ind60

dem65 ~ ind60 + dem60

# residual covariances

y1 ~~ y5

y2 ~~ y4 + y6

y3 ~~ y7

y4 ~~ y8

y6 ~~ y8'

(4)多组比较

anova(fit, fit.equal)

anova()会计算出卡方差异检验

(5)拟合系数

lavaan包可以高度定制化的计算出你想要的拟合指标值，例如，我想计算出卡方、自由度、p值、CFI、NFI、IFI、RMSEA、EVCI的值

fitMeasures(fit,c("chisq","df","pvalue","cfi","nfi","ifi","rmsea","EVCI"))

(6)多组结构方程

在拟合函数里面设置 group参数即可实现，同样的可以设置group.equal参数引入等式限制

五、作图

Amos以作图化操作见长，目前版本的Mplus也可以实现作图，那R语言呢，自然也是可以的，只不过是另一个包——semPlot，其中的semPaths()函数。

简单介绍一下semPaths()中的主要函数

semPaths(object, what = "paths", whatLabels, layout = "tree", ……)

(1)object：是拟合的对象，就是上文中的“fit”

(2)what：设定图中线的属性， 默认为paths,图中所有的线都为灰色，不显示参数估计值；

semPaths(fit)若what设定为est、par，则展示估计值，并将线的颜色、粗细、透明度根据参数估计值的大小和显著性做出改变

semPaths(fit,what = "est")若设置为stand、std，则展示标准参数估计

semPaths(fit,what = "stand")

若设置为eq、cons，则与默认path相同，如果有限制等式，被限制的相同参数会打上相同的颜色；

(3)whatLabels：设定图中线的标签name、label、path、diagram:将边名作为展示的标签

est、par:参数估计值作为边的标签

stand、std:标准参数估计值作为边的标签

eq、cons：参数号作为标签，0表示固定参数，被限制相同的参数编号相同

no、omit、hide、invisible：隐藏标签

(4)layout:布局

主要有树状和环状两种布局，每种布局又分别有两种风格。

默认为“tree”,树状的第二种风格如下图，比第一种看起来舒服都了

semPaths(fit,layout = "tree2")

第一种环状

semPaths(fit,layout = "circle")

擦，都揉成一团了！

试试第二种风格

semPaths(fit,layout = "circle2")

还好一点。如果把Rstudio默认的图片尺寸设计好，作图效果会更棒。

还有一种叫spring的布局，春OR泉？

semPaths(fit,layout = "spring")

看起来跟环状的很像。

详细内容可以阅读以下文献，以及相应的help文档：

[1]Rosseel Y. lavaan: An R package for structural equation modeling[J]. Journal of Statistical Software, 2012, 48(2): 1-36.