结构方程模型(SEM)
转载自http://blog.163.com/jiangfeng_data/blog/static/206414038201242644241486/
结构方程这几年热度不减,有必要研究一下它的R语言实现过程,今天先复习一下结构方程的相关理论,参考吉林大学余翠林的ppt
一、 为什么使用SEM?
1、回归分析有几方面的限制:
(1)不允许有多个因变量或输出变量
(2)中间变量不能包含在与预测因子一样的单一模型中
(3)预测因子假设为没有测量误差
(4)预测因子间的多重共线性会妨碍结果解释
(5)结构方程模型不受这些方面的限制
2、SEM的优点:
(1)SEM程序同时提供总体模型检验和独立参数估计检验;
(2)回归系数,均值和方差同时被比较,即使多个组间交叉;
(3)验证性因子分析模型能净化误差,使得潜变量间的关联估计较少地被测量误差污染;
(4)拟合非标准模型的能力,包括灵活处理追踪数据,带自相关误差结构的数据库(时间序列分析),和带非正态分布变量和缺失数据的数据库。
3、结构方程模型最为显著的两个特点是:
(1)评价多维的和相互关联的关系;
(2)能够发现这些关系中没有察觉到的概念关系,而且能够在评价的过程中解释测量误差。
同时具有联系信息技术吸纳能力:
SEM能够反映模型中要素之间的相互影响;
吸纳能力概念作为一个重要的模型要素,难以直接度量,结构方程模型技术能够更为充分地体现其蕴含的要素信息和影响作用。
二、SEM的基本思想与方法
SEM是基于变量的协方差矩阵来分析变量之间关系的一种统计方法,实际上是一般线性模型的拓展,包括因子模型与结构模型,体现了传统路径分析与因子分析的完美结合。 SEM一般使用最大似然法估计模型(Maxi-Likeliheod,ML) 分析结构方程的路径系数等估计值,因为ML法使得研究者能够基于数据分析的结果对模型进行修正。
1、 SEM术语
(1)观测变量 可直接测量的变量,通常是指标
(2)潜变量 潜变量亦称隐变量,是无法直接观测并测量的变量。潜变量需要通过设计若干指标间接加以测量。
(3)外生变量 是指那些在模型或系统中,只起解释变量作用的变量。它们在模型或系统中,只影响其他变量,而不受其他变量的影响。在路径图中,只有指向其他变量的箭头,没有箭头指向它的变量均为外生变量。
(4)内生变量 是指那些在模型或系统中,受模型或系统中其它变量包括外生变量和内生变量影响的变量,即在路径图中,有箭头指向它的变量。它们也可以影响其它变量。
2、结构方程模型示意图
观测变量通常用长方形或方形表示,外生观测变量用x表示,内生观测变量用y表示。 潜变量用椭圆或圆形表示,外生潜变量通常用ξ表示,内生潜变量通常用η表示。 δ外生观测变量x的误差;ε内生观测变量y的误差。
3、 结构方程
结构方程模型通常包括三个矩阵方程式:
Λy—内生观测变量与内生潜变量之间的关系,是内生观测变量在内生潜变量上的因子载荷矩阵;
В—路径系数,表示内生潜变量间的关系;
Г—路径系数,表示外生潜变量对内生潜变量的影响;
ζ—结构方程的残差项,反映了”在方程中未能被解释的部分。
1、模型构建
构建研究模型,具体包括:观测变量(指标)与潜变量(因子)的关系,各潜变量之间的相互关系等
2、模型拟合
对模型求解,其中主要是模型参数的估计,求得参数使模型隐含的协方差距阵与样本协方差距阵的“差距”最小
3、模型评价
检查1)路径系数/载荷系数的显著性;2)各参数与预设模型的关系是否合理;3)各拟合指数是否通过
缺失数据处理:列删除法、配对删除法、插补法
信度 Cronbach’s >0.7
效度 验证性因子分析
(2). 评估模型拟合度
估算每一个因子的载荷量
标准化因子载荷,反映了观测变量影响潜在变量的部分差异,用于表示观测变量与潜变量之间的相对重要程度。
检查每一个单一因子的测量模型对问卷数据的拟合度
检查整个模型对问卷数据的拟合度
估算潜变量之间的关系
主要包括:
(1)不能有负的测量误差;
(2)测量误差必须达到显著性水平;
(3)因子载荷必须介于0.5-0.95之间;
(4)不能有很大的标准误差。
2、 模型内在结构拟合度
主要包括:
(1)潜变量的组成信度(CR),0.7以上表明组成信度较好;
潜变量的CR值是其所有观测变量的信度的组合,该指标用来分析潜变量的各观测变量间的一致性
(2)平均提炼方差(AVE),0.5以上为可以接受的水平。
AVE用于估计测量模型的聚合效度,反映了潜变量的各观测变量对该潜变量的平均差异解释力,即潜变量的各观测变量与测量误差相比在多大程度上捕捉到了该潜变量的变化。
3、 整体模型拟合度
主要包括:
(1)绝对拟合度,用来确定模型可以预测协方差阵和相关矩阵的程度;
(2)简约拟合度,用来评价模型的简约程度;
(3)增值拟合度,理论模型与虚无模型的比较。
(1)χ2卡方拟合指数 检验选定的模型协方差矩阵与观察数据协方差矩阵相匹配的假设。原假设是模型协方差阵等于样本协方差阵。如果模型拟合的好,卡方值应该不显著。在这种情况下,数据拟合不好的模型被拒绝。
(2)RMR 是残差均方根。RMR 是样本方差和协方差减去对应估计的方差和协方差的平方和,再取平均值的平方根。RMR应该小于0.08,RMR越小,拟合越好。
(3)RMSEA 是近似误差均方根 RMSEA应该小于0.06,越小越好。
GFI 是拟合优度指数,范围在0和1间,但理论上能产生没有意义的负数。按照约定,要接受模型,GFI 应该等于或大于0.90。
(4)PGFI 是简效拟合优度指数。它是简效比率(PRATIO,独立模式的自由度与内定模式的自由度的比率)乘以GFI。 PGFI 应该等于或大于0.90,越接近1越好。
(5)PNFI 是简效拟合优度指数,等于PRATIO乘以 NFI。 PNFI应该等于或大于0.90,越接近1越好。
(6)NFI 是规范拟合指数,变化范围在0和1间, 1 = 完全拟合。按照约定,NFI 小于0.90 表示需要重新设置模型。越接近1越好。
(7)TLI 是Tucker-Lewis 系数,也叫做Bentler-Bonett 非规范拟合指数 (NNFI)。TLI接近1表示拟合良好。
(8)CFI 是比较拟合指数,其值位于0和1之间。CFI 接近1表示拟合非常好,其值大于0.90表示模型可接受,越接近1越好。
六 模型修正
研究者可以参考察初始模型的显著性检验结果和软件(AMOS)提供的模型修正指标对模型进行修正。
(1)模型扩展 添加新路径,提高模型的拟合度
修正指数(modification index)
整个模型改良时卡方值减少
(2)模型限制 删除或限制部分路径,提高模型可识别性
临界比率(Critical ration for difference)
使结果更具有现实性和解释性
七、 一个例子—— 消费者网上信任模型
结构方程模型(SEM)相关推荐
- 【视频】结构方程模型SEM分析心理学营销数据路径图可视化|数据分享
最近我们被客户要求撰写关于结构方程模型的研究报告,包括一些图形和统计输出.结构方程建模 (SEM) 是一个非常广泛和灵活的数据分析框架,也许更好地被认为是一系列相关的方法,而不是单一的技术.它与营销研 ...
- R语言结构方程模型SEM、路径分析房价和犯罪率数据、预测智力影响因素可视化2案例
最近我们被客户要求撰写关于SEM的研究报告,包括一些图形和统计输出. 1 简介 在本文,我们将考虑观察/显示所有变量的模型,以及具有潜在变量的模型.第一种有时称为"路径分析",而后 ...
- R语言:结构方程模型sem、潜变量分析
原文链接:http://tecdat.cn/?p=3071 对于熟悉线性回归拟合结构方程模型的分析师来说,在R环境中,拟合结构方程模型涉及学习新的建模语法,新的绘图语法以及通常是新的数据输入方法(点击 ...
- python可以构建sem模型_结构方程模型(SEM)可用于微生态研究及R语言实现
导读 结构方程模型(Structural Equation Modeling,SEM)是一种能基于变量之间的协方差矩阵分析多变量之间结构关系的多元统计分析方法,也被称为协方差结构模型.该方法是因子分析 ...
- SPSS + AMOS 结构方程模型(SEM)
写在前面 抽空学习了一下结构方程模型,主要运用的软件是SPSS+AMOS,感觉之后能用得上,现将整体思路结构梳理如下,方便日后查阅.问卷采取 Likert 五级量表,1-5依次代表"非常不同 ...
- 结构方程模型(SEM)概述(1)
SEM概述 SEM是一般线性模型的扩展.它能使研究者同时检验一组回归方程.SEM软件不但能检验传统模型,而且也执行更复杂关系和模型的检验,例如,验证性因子分析和时间序列分析. 进行SEM分析的 ...
- 关于结构方程模型SEM评价指标
模型拟合良好的指标: Chi-square/df < 3 模型的p-value > 0.05 CFI > 0.95 RMSEA < 0.05 SRMR < 0.09 (参 ...
- R语言 lavaan包进行结构方程模型SEM
学习资料/开发者 Github-yrosseel/lavaan 研讨会 备注: 1. Lavaan一次模型只认可一个复合变量,需要自己构建.符合变量???comp的构建需要固定一个1*var+ 2. ...
- 格兰因果模型可以分析哪些东西_结构方程模型(SEM)和分段结构方程模型
结构方程模型(SEM)简介自然或社会现象是复杂的,但在研究中经常将其简化为简单的模型,类似y~x这样的形式.当然并不是说这种简单模型有什么问题,只是有些情况下y实际上并非x的直接作用结果,y通常受到许 ...
最新文章
- DeepFusion:基于单视图深度和梯度预测的单目SLAM实时稠密三维重建
- C#用了多线程界面还是卡死
- C++ floor、ceil、round函数的区别
- 设计一套基于NHibernate二级缓存的MongoDB组件(上)
- 判断位数(Java)
- Trie树的C++实现
- 4 软件业务分析要点
- graphpad prism柱状图横坐标斜着_GraphPad Prism绘图教程 | 如何制作对数坐标的图表...
- 关于“户口,干部身份,职称”等系列问题
- 数分下(第1讲):一阶微分方程的三类模型求解
- 如何利用Photoshop进行快速切图
- emacs c语言配置文件,Emacs配置及使用方法(转)--- 很经典的
- 三位半?四位半?万用表显示位数到底怎么看?
- java处理Emoji表情
- 左眼跳灾,右眼跳财?
- 【LeetCode - Java】14. 最长公共前缀 (简单)
- 数字化具体指的是什么?
- osgEarth全景图 29. skyview1.earth
- c语言中数字字符的ascii码,求教!我想显示数字但是现在显示的却是数字在ASCII码中对应的符...
- Unity和Cocos2D在2D游戏开发上的对比
热门文章
- 不需要网络的调频收音机_山进WR50/P蓝牙、中波、调频台式收音机评测
- Matlab/Simulink#直驱永磁风电机组并网仿真模型 基于永磁直驱式风机并网仿真模型
- Word 排版:插入题注
- IDC-- Internet Data Centre(Center) 互联网数据中心?IDC-Information Data Centre(Center)信息数据中心
- 准双向口和双向口的区别
- 【工作】汇报技巧和注意事项
- 计算机安全要解决方案,最佳解决方案:哪个计算机安全卫士易于使用
- Corona渲染器相比VRay渲染器有何优势
- python win32com 操作wps Excel pywintypes.com_error: (-2147221005, '无效的类字符串', None, None) 解决办法
- DAVE编写XMC1402的CAN程序