Mplus中关于SEM的介绍

Mplus中关于SEM的介绍,第1张

    结构方程模型(SEM)包括连续潜变量之间的回归模型(Bollen, 1989Browne &Arminger, 1995Joreskog &Sorbom, 1979)。也就是说,这些潜变量是连续的。这里需要注意的是:1. 潜变量(latent variables)是与观察变量(Observed variables)相对的,可通过数据分析观察;2. 观察变量可以是连续的(continuous)、删失的(censored)、二进制的(binary)、有序的(ordinal)、无序的(nominal)、计数的(counts),或者是这些类别的组合形式。

    SEM有两个部分:一个测量模型(measurement model)和一个结构模型(structural model)。

     测量模型 相当于一个多元回归模型(multivariate regression model),用于描述一组可观察的因变量和一组连续潜变量之间的关系。在此,这一组可观察的因变量被称为因子指标(factor indicators),这一组连续潜变量被称为因子(factors)。

    如何描述它们之间的关系?可以通过以下方式:

1. 若因子指标是连续的,用线性回归方程(linear regression equations);

2. 若因子指标是删失的,用删失回归或膨胀删失回归方程(censored normal or censored-inflated normal regression equations);

3. 若因子指标是有序的类别变量,用profit或logistic回归方程(probit or logistic regression equations);

4. 若因子指标是无序的类别变量,用多元logistic回归方程(multinomial logistic regression equations);

5. 若因子指标是计数的,用Poisson或零膨胀Poisson回归方程(Poisson or zero-inflated Poisson regression equations)。

     结构模型 则在一个多元回归方程中描述了三种变量关系:

1. 因子之间的关系;

2. 观察变量之间的关系;

3. 因子和不作为因子指标的观察变量之间的关系。

    同样,这些变量有不同的种类,所以要根据它们的类别来选择合适的方程进行分析:

1. 若因子为因变量,及可观察的因变量是连续的,用线性回归方程(linear regression equations);

2. 若可观察的因变量是删失的,用删失回归或膨胀删失回归方程(censored normal or censored-inflated normal regression equations);

3. 若可观察的因变量是二进制的或者是有序的类别变量,用profit或logistic回归方程(probit or logistic regression equations);

4. 若可观察的因变量是无序的类别变量,用多元logistic回归方程(multinomial logistic regression equations);

5. 若可观察的因变量是计数的,用Poisson或零膨胀Poisson回归方程(Poisson or zero-inflated Poisson regression equations)。

    在回归中,有序的类别变量可通过建立比例优势(proportional odds)模型进行说明;最大似然估计和加权最小二乘估计(maximum likelihood and weighted least squares estimators)都是可用的。

    以下特殊功能也可以通过SEM实现:

1. 单个或多组分析(Single or multiple group analysis);

2. 缺失值(Missing data);

3. 复杂的调查数据(Complex survey data);

4. 使用最大似然估计分析潜变量的交互和非线性因子(Latent variable interactions and non-linear factor analysis using maximum likelihood);

5. 随机斜率(Random slopes);

6. 限制线性和非线性参数(Linear and non-linear parameter constraints);

7. 包括特定路径的间接作用(Indirect effects including specific paths);

8. 对所有输出结果的类型进行最大似然估计(Maximum likelihood estimation for all outcome types);

9. bootstrap标准误差和置信区间(Bootstrap standard errors and confidence intervals);

10. 相等参数的Wald卡方检验(Wald chi-square test of parameter equalities)。

    以上功能也适用于CFA和MIMIC。

SEM是

扫描电子显微镜

,主要用于电子显微成像,接配电子显微分析附件,可做相应的特征分析,

最常用的是聚焦

电子束

和样品相互作用区发射出的元素特征

X-射线

,可用EDS或者WDS进行探测分析,获得微区(作用区)元素成分信息,而EDS或者WDS这类电子显微分析附件却来源于EPMA。

SEM就是一个电子显微分析平台,分析附件可根据用户需要来选配,有需要这个的,有需要那个的,因此

扫描电镜

结构种类具有多样性,从tiny、small、little

style,to

middle、large、huge

style.

就EDS或WDS分析技术来讲,在SEM上使用,基本上使用无

标样

分析,获得很粗糙的

半定量

结果。

而EPMA在SEM商品化10年前,就已经开始实用了,其主要目的,就是要精确获得微米尺度晶粒或颗粒的成分信息.

主要分析手段是WDS,一般配置4个WDS,基于此,EPMA结构比较单一,各品牌型号结构差距不大。EMPA追求电子显微分析结果精准,因此

电子光学

设计不追求高分辨,电子显微分析对汇聚束的要求相匹配即可。

早期EPMA成像手段主要采用同轴

光学显微镜

,然后移动样品台或移动汇聚电子束,找到感兴趣区,当前依然保留同轴光镜,用来校准WD。EMPA对电子光学系统工作条件的稳定性要求超过SEM很多很多,控制系统增加了一些

负反馈

机制,确保分析条件和标样分析保持很小的误差。

分类关键词大致分为三类:

1、按地域分类

之所以要按地域分类,肯定是因为企业主需要重点投放特定地域。通常来说招商加盟会按此方法分类比较多,就是因为单独分地域投放,一来可以监测每个地域的投放效果,二来有效调整各个地域的关键词出价,适当节省投放预算,但账户结构搭建思路,还是要回归到词性上面来。

2、按人群分类

为什么说冷门行业按人群分类多?是因为冷门行业针对性搜索词少,如果只投行业词基本不能带量,所以可以进行人群分析,找到用户行为特征针对性投放相关产品或需求词,也可以在SEM推广带量,但是相对上面两种方式来说成本会偏高。

3、按词性分类

所谓的词性分类,无非是品牌词,通用词,疑问词,口碑词,人群词,价格词等等,单独把不同词性分组,是为了在撰写创意时能够具备通顺度,提升账户点击率,并且为不同的用户需求制定不同的落地页,也可以间接提升账户转化率。这其中每个账户也可以把这些词性合并或者再分组,根据自己的喜好程度和产品来分即可。


欢迎分享,转载请注明来源:夏雨云

原文地址:https://www.xiayuyun.com/zonghe/160913.html

(0)
打赏 微信扫一扫微信扫一扫 支付宝扫一扫支付宝扫一扫
上一篇 2023-03-23
下一篇2023-03-23

发表评论

登录后才能评论

评论列表(0条)

    保存