Mplus中关于SEM的介绍

    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。

---