SEM简单介绍，以下资料来源
因果关系：SEM一般用于建立因果关系模型，但是本身却并不能阐明模型的因果关系。
一般应用于：测量错误、错漏的数据、中介模型（mediation model）、差异分析。
历史：SEM 包括了 回归分析，路径分析（wright, 1921）,验证性因子分析（confirmatory factor analysis）（Joreskog, 1969）.
SEM也被称为 协方差结构模型（covariance structure modelling），协方差结构分析和因果模型。
因果关系：
究竟哪一个是“真的”？ 在被假设的因果变量中其实有一个完整的因果链。
举一个简单的例子： 吃糖果导致蛀牙。这里涉及2个变量，“吃糖果”和“蛀牙”，前者是因，后者是果。 如果上一个因果关系成立，那将会形成一个因果机制，也许会出现这样的结构：
3. 这时还有可能出现更多的潜在变量：
这里我又举另外一个例子，回归模型
在这里，回归模型并不能很好的描述出因果次序，而且也不能轻易的识别因果次序或者未测量的因子。这也是为什么在国外学术界SEM如此流行的原因。
我们在举另外一个例子“路径分析”
路径分析能让我们用于条件模型（conditional relationships），上图中的模型是一种调解型模型或者中介模型，在这里Z 是作为一个中介调节者同时调节X和Y这两个变量的关系。
在这里我们总结一下：
回归分析简单的说就是：X真的影响Y 吗？
路径分析：为什么/如何 X 会影响Y？ 是通过其他潜在变量Z 来达到的吗？例子：刷牙（X）减少蛀牙（Y）通过减少细菌的方法（Z）。------测量和测试中介变量（例如上图中的Z变量）可以帮助评估因果假设。
在这里要提一下因素模型（factor model）
在这个模型当中，各个变量有可能由于受到未被观察到的变量所影响，变得相互有内在的联系，一般来说那些变量都很复杂、混乱，而且很多变量是不能直接被观察到的。
举个例子：“保龄球俱乐部的会员卡”和“本地报纸阅读”，是被观察到的变量，而“社会资产”则是未被观察到的变量。另一个例子：“房屋立法”和“异族通婚”是被观察到的变量，而“种族偏见”是未被观察到的变量。
相互关系并不完全由被观察到的变量的因果关系所导致，而是由于那些潜在的变量而导致。
这些被观察到变量（y1--y4）也有可能由一个潜在的变量（F）所影响。
验证性因子分析，是用于测量因子与测量项(量表题项)之间的对应关系是否与研究者预测保持一致的一种研究方法。尽管因子分析适合任何学科使用，但以社会科学居多。
目前有很多软件都可以非常便利地实现验证性因子分析，本文将基于SPSSAU系统进行说明。
因子分析可分为两种类型：探索性因子分析（EFA）和验证性因子分析（CFA）。
探索性因子分析，主要用于浓缩测量项，将所有题项浓缩提取成几个概括性因子，达到减少分析次数，减少重复信息的目的。
验证性因子分析与探索性因子分析相似，两者区别只在于探索性因子分析(EFA)用于探索因子与测量项之间的对应关系，验证性因子分析(CFA)用于验证结果与理论预期是否一致。
在实际研究中，验证性因子分析常会与结构方程模型、路径分析等方法联系到一起，对于不熟悉概念的研究人员容易搞混这些方法，下表对这几种方法进行简单说明：
探索性因子分析： 验证因子与分析项的对应关系，检验量表效度，非经典量表通常用探索性因子分析。
验证性因子分析： 验证因子与分析项的对应关系，检验量表效度，成熟量表通常用验证性因子分析。确认测量关系后，后续可进行路径分析/线性回归分析研究具体的影响关系。
路径分析： 用于研究多个自变量与多个因变量影响关系；如果因变量只有一个，可以使用线性回归分析。
结构方程模型SEM ： 包括测量关系和影响关系。如果仅包括影响关系，此时称作路径分析（Path analysis，有时也称通径分析）。通常需要进行探索性因子分析和验证性因子分析，均保证测量关系无误之后，再进行结构方程模型构建。
从分析思路上看，建议先用探索性因子分析EFA构建模型，确定存在几个因子及各分析项与因子的对应关系，再用验证性因子分析CFA加以检验。
（1）模型设定
首先需要确定因子数及对应分析题项，顺序放入分析框内。
（2）模型拟合
通过因子载荷系数表格可以展示因子(潜变量)与分析项(显变量)之间的关系情况。如果因子与测量项间的对应关系出现严重偏差，或者因子载荷系数值过低，则需要删除掉该测量项。
分析时主要关注P值及标准载荷系数，建议结合SPSSAU给出的“分析建议”进行分析。
模型拟合指标用于整体模型拟合效度情况分析。
常用的拟合值及其判断标准，都展示在上表中，实际输出值在标准范围内及说明模型拟合程度较好。模型拟合指标非常多,通常下很难保证所有指标均达标，只要多数指标达标或接近标准值即可。
*常用指标包括卡方自由度比，GFI，RMSEA，RMR，CFI，NFI和NNFI。
（3）模型修正
根据模型拟合指标情况，评价模型的优劣，如果模型拟合情况不佳，则需要进一步修正模型。
MI指标越大说明该项与其他因子的相关性越强，MI过大时会干扰模型需要进行修正或剔除该项。
模型构建过程需要重复多次，以找到最优模型。同时SPSSAU会自动生成模型结果图。
（4）模型分析
在完成模型构建后，即可使用模型进行分析。验证性因子分析主要有三个方面的功能，分别是聚合效度、区分效度、共同方法偏差。
聚合效度
聚合效度，也叫做收敛效度。AVE和CR是用于判断聚合效度的常用指标，AVE>0.5，并且CR>0.7，则说明具有良好的聚合效度。如果AVE或CR值较低,可考虑移除某因子后重新分析聚合效度。
上图为SPSSAU输出的AVE、CR值指标表格，可以根据此表格进行查看。
区分效度
区分效度，常用的做法是将AVE根号值与‘相关系数值’进行对比，SPSSAU也会输出相应结果。
如果每个因子的AVE根号值均大于“该因子与其它因子的相关系数最大值”，说明具有良好的区分效度。
共同方法偏差
共同方法偏差，SPSSAU提供两种方法检验，一种是探索性因子分析(也称作Harman单因子检验方法)，做法是将所有变量进行探索性因子分析，如果只得出一个因子或者第一个因子的解释力（方差解释率）特别大，则判定存在共同方法偏差。
另一种是验证性因子分析，所有变量全部放在一个因子里面进行分析，如果测量出来显示模型的拟合指标无法达标，模型拟合不佳，说明所有的测量项并不应该同属于一个因子，也就说明数据无共同方法偏差问题。
验证性因子分析需要较大的样本量，通常建议样本量至少为测量项(量表题)的5倍以上，最好10倍以上，且一般情况下至少需要200个样本。
一个因子对应的测量项最好在5~8个之间，便于后续删除掉不合理测量项。
绝大多数情况下均为一阶验证性因子分析。如果说验证性因子分析时为二阶模型，此时参数处选中‘二阶’即可。
一般来说，使用验证性因子分析需要有一定的理论基础支持，如果拟合指标不能达标，最好按照分析思路：探索性因子分析→验证性因子分析，进行分析。
以及对于不熟悉的步骤，建议大家阅读SPSSAU帮助手册的相关说明以及SPSSAU的教学视频。
验证性因子分析视频教学： https://www.bilibili.com/video/av69372013
R包lavaan可以做
https://www.codetd.com/article/916129
软件AMOS可以做
https://mp.weixin.qq.com/s?__biz=MjM5MTI5MDgxOA==&mid=2650098738&idx=1&sn=319fcc4198fbcd36fc30fd1329e27bf0&chksm=beb6289f89c1a189115d96bb0f9bc3114a752f9bf1fed4c9979b2e965322d8e38c60844316de&scene=21#wechat_redirect
https://mp.weixin.qq.com/s?__biz=MjM5MTI5MDgxOA==&mid=2650098759&idx=1&sn=0099b81e77a2f8b6324e88a5b49773ed&chksm=beb628ea89c1a1fcdb4c068466e6f099e0bd1af0909bbc538aca4247477978b4b52b3b9aa036&scene=21#wechat_redirect
https://www.jianshu.com/p/d698dc099dec
https://www.jianshu.com/p/e0938fb35c45
https://blog.csdn.net/yjj20007665/article/details/66967966
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。
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。
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。
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。
同时要求样本和指标之间有一个最低数量比例
欢迎分享，转载请注明来源：夏雨云
微信扫一扫
支付宝扫一扫
评论列表（0条）