Amos | 结构方程 | “老年病”与身份的关系

1 文章介绍
- 1.1 数据获取
- 1.2 论文内容
2 理论模型
2.1 文章主要验证的结构方程模型：
- 2.2 以上模型中的三个潜变量及其观测变量
3 结构方程：
- 3.1 测量模型CFA
- - 3.1.1 结果摘要
  - - 3.1.1.1 因子负荷
    - 3.1.1.2 拟合优度
    - 结果
- 3.2 结构模型
- - 3.2.1 结果摘要
  - - 3.2.1.1 模型注解
    - 3.2.1.2 参数估计
    - 3.2.1.3 修正指数与标准化载荷
    - 3.2.1.4 拟合指标
    - 结果
4 结论

1 文章介绍

1.1 数据获取

本次录屏（下载 | 在线观看）选取的论文（下载地址） Neurodegeneration and Identity，2015年发表Psychological Science，作者为Nina Strohminger and Shaun Nichols。数据及量表等材料公开在OSF网站上。

1.2 论文内容

无论是在科学界还是在普通大众中，都有一个普遍的观念，那就是，心智的衰退会剥夺个人的身份。然而，目前还没有系统的研究表明，是什么类型的认知损伤导致人们看起来不再是他们自己。
文章测量了三种神经退行性疾病患者的可感知的身份变化：额颞叶痴呆、阿尔茨海默病和肌萎缩性脊髓侧索硬化症。
结构方程模型表明，道德能力的损伤是身份不连续的主要原因。其他认知缺陷，包括健忘症，对身份的持久性没有可测量的影响。

2 理论模型

2.1 文章主要验证的结构方程模型：

（包含所有三种神经退行性疾病患者的）Main structural equation model：

结构模型将三种疾病类型的共同认知行为变化作为预测变量。其中5个预测变量(失用症、健忘症、失语、抑郁、病程，apraxia, amnesia, aphasia, depression, disease duration)可直接观测，另外2个建立的潜变量(人格和道德)。效标变量为潜变量，被感知到的身份（Identity）。

2.2 以上模型中的三个潜变量及其观测变量

3 结构方程：

全模型包括测量模型和结构模型。在全模型的建模过程中，通常先完成测量模型（即所有外源潜变量、内生潜变量之间两两相关，做CFA 模型）。在测量模型拟合效果较好的情况下，进一步分析外源潜变量和内生潜变量之间的结构模型。

“因为不同的项目测量尺度不同，所以在分析之前，所有的变量都被标准化和中心化转化为z分数(在适当的情况下还需要反向计分)”
三因子测量模型如下：

3.1 测量模型CFA

3.1.1 结果摘要

在analysis property界面，output面板，选择输出的内容如下：

3.1.1.1 因子负荷

与原文结果基本一致，且每一项标准化 β 估计的 p 值都小于0.001。但个别项的回归系数与原论文中相差较远，如austerity（暂时搞不清楚原因）。

3.1.1.2 拟合优度

在通常情况下，希望RMSEA在0.08 以下（越小越好），NFI和CFI在0.9 以上（越大越好），RMR<0.05

结果

结果显示，除个别线之外，标准化后的每条线的载荷在0.5 以上或者接近0.5，拟合优度发现CFI 接近0.9，而RMSEA 接近于0，测量模型较好。

3.2 结构模型

接下来检验结构模型，加入另外5个可观测的预测变量，并增删单双箭头。还要注意为内生因子Identity增加负荷固定为1的误差项小圆。
另外，文中注明所有预测变量允许共变，因此所有预测变量之间都需要添加双向箭头。

3.2.1 结果摘要

3.2.1.1 模型注解

3.2.1.2 参数估计

β
R方

所有变量解释了identity61.7%的变化

3.2.1.3 修正指数与标准化载荷

3.2.1.4 拟合指标

CMIN/DF
CFI
RMSEA

结果

结果显示，结构方程分析支持了我们的模型, χ(679) = 1254.903；CMIN/DF = 1.848，p<0.001；CFI = 0.855；RMSEA = 0.059。总共所有自变量加起来解释了身份（identity）变化方差的61.7%

4 结论

显然，最有力的预测变量是道德。即可感知的身份变化是道德的变化，β= 0.71,p < .001(见原文图2a和表4)。
失语的预测效果较弱但同样可靠，β= -0.17,p < . 01。
模型中的其他变量，如apraxia、抑郁、健忘、人格等，它们的变化似乎对感知到的身份没有可测量的影响。

Task5 | 结构方程 | “老年病”与身份的关系相关推荐

结构方程模型_简单易懂，结构方程模型思路总结
结构方程模型是结合了多种统计分析方法,可同时检验因子.分析项.误差项间的关系.本文将基于SPSSAU系统进行说明. 1.方法辨别结构方程模型SEM包括测量关系和影响关系:既可以测量各因素内部结构及相 ...
获取用户之间关系——使用followerway
为什么80%的码农都做不了架构师?>>> 我的问题:上星期一直纠结的是怎样获取用户之间人际关系,今天和鲁博士讨论后发现用这种策略: 我先讲一下我的问题:我要获取一个event所 ...
识别和非识别关系之间有什么区别？
我无法完全掌握差异. 您能否同时描述两个概念并使用真实示例? #1楼标识关系是两个强实体之间的关系. 非识别关系可能并不总是强实体和弱实体之间的关系. 可能存在一个情况,即孩子本身具有主键,但其实体 ...
异性相处，关系再好，也要懂得这些“分寸”
一个老生常谈的话题:异性之间有纯友谊吗? 这是一个仁者见仁,智者见智的问题,我很难给出一个肯定的回答. 但有一点我可以肯定的是:异性间要想保持纯友谊,保持好彼此间的距离.控制好彼此间的关系.不越界彼此 ...
差序格局与关系取向社会
差序格局编辑本词条缺少名片图,补充相关内容使词条更完整,还能快速升级,赶紧来编辑吧! "差序格局"一词是费孝通老先生提出的,旨在描述亲疏远近的人际格局,如同水面上泛开的涟晕一般, ...
为什么加密货币投资者正在放弃他们的美国公民身份
点击上方 "蓝色字" 可关注我们! 暴走时评: Andrew Henderson是Nomad Capitalist的创始人,该公司帮助来自世界各地的人们搬到不同的国家,同时尽量减少 ...
微位科技李子阳：Knocknock諾客—从个人通讯录到区块链身份节点
移动互联网演进到今天,有三个最基础的通讯录,分别代表了沟通三种通讯形态:IM(Wechat.Whatsapp.Kakao.Line)通讯录,手机本地通讯录,邮箱联系人通讯录.这三种分别对应着IM.语音 ...
Python运算符还有能这样用？
Python中得运算符主要分为:算术运算符.比较(关系)运算符.赋值运算符.逻辑运算符.位运算符.成员运算符和身份运算符共 7 大类 1.算术运算符什么是算数运算符,跟你脑子里蹦出来的想法一样,加减 ...
Hibernate in action阅读笔记-吵吵冷饭-ORM
Hibernate是很早的一个框架,ORM框架,我也是04年左右接触Hibernage框架的,也算是个老用户了,最近想熟悉Hibernate,便又开始看看hibernate in action.经典书 ...
linux——文件权限的更改与管理
一.文件属性查看 ls -l filename - rw-rw-r-- 1 tutu tutu 0 Apr 6 23:43 file 文件类型 - #普通文件 d #目录 s #socket套接字 l ...

Task5 | 结构方程 | “老年病”与身份的关系