Mplus 两个调节变量分别调节不同阶段的中介 应该怎么写代码？

本篇内容包括Mplus SEM基础模型, 含(连续及类别数据)EFA/CFA及不同CFA模型的比较，测验等值检验, 不同数据类型潜变量之中介(Bootstrap), 调节, 调节的中介,及简单效应分析及做图。有人留言询问基础模型，所以一次性把主要的基础模型介绍完了哈哈……如果有人还问你Mplus基础模型咋搞，请把这篇文章甩给ta……

目录

1 CFA

1.1 CFA 基本语句

1.1.1语句解读

1.1.2 Mplus语句一些常用符号

1.1.3模型拟合指数说明

1.2 CFA MpLUS 示例及结果解读

1.3 备择模型及CFA模型比较

1.4 类别变量CFA

1.5 Subgroup CFA Test invariance

1.5.1 Measurement invariance (MI)介绍

1.5.2 性别作为subgroup MI 示例

# EFA探索性因子分析

#.1 连续变量的EFA

#.2 类别变量的EFA

2 中介模型的检验

2.1 中介模型

2.2 Bootstrap

1.3 use model constraint 设定中介模型

2.5 调节的中介

3 调节模型检验

3.1 潜变量调节模型

3.2 简单效应分析及交互作用图

4 如何报告数据结果

5 代码获取方法

1 CFA

Testing ameasurement model via CFA is always the first step in fitting a structural equationmodel (SEM).

1.1 CFA基本语句

1.1.1语句解读

Title: 可以任意给定，如three factor model

TITLE: three factor model

VARIABLE:！数据文件里所有的变量名

USEVARIABLES= 所使用的变量

MISSING = ALL(-1)！界定缺失值，根据自己的设定可以是-999， -99任意

ANALYSIS:

TYPE = GENERAL

TYPE 主要有四种常见的分析类型

· GENERAL最常用的, CFA, SEM, 一般线性回归模型

· MIXTURE 用于类别变量的模型，最常用的latent class analysis

· TWOLEVEL 多水平数据，可以是连续性及类别变量

· EFA 探索性因子分析

ESTIMATOR= ML!estimation method

如果所有的因变量是连续性变量，可以使用ML (Maximum Likelihood)

如果有一个或多个因变量是类别变量categorical variable，应该使用WLSMV(a weighted least squares estimate)

ITERATIONS= 1000!运行的次数

MODEL:!界定模型

fdback BY FDBACK1 FDBACK2 FDBACK3

rolecon BY ROLECON1 ROLECON2 ROLECON3

OUTPUT:

MOD STAND

MOD modificationindices,

注：BY 是Measured by 的缩写

ON 是regressed on 的缩写

Y ON X Z表示X, Z 为自变量，Y 为因变量

WITH 是co-vary with的缩写，表示相关

XWITH是用来创建潜变量的交互作用

如： X BY X1 X2 X3

Z BY Z1 Z2 Z3

XZWITH | X WITH Z

如果要用潜变量模型求调节模型需要用到。

1.1.2 Mplus语句一些常用符号

@ 是用来set a constraint

X WITH Y@0！如果我们想要设定两个潜变量相关为0，

* 星号用来 free a fixed –by-default parameter

比如X BY X1* X2@1 X3 X4

为了模型识别，Mplus通常默认第一个条目的loading 系数为1，如果你想要改变默认设置，将第二个条目限定loading 系数为1，而第一个条目free to be estimated. 就可以用以上。

() 这个是用来命名特定系数，一般复杂模型比较有用。

Y1 ON X1 (a)

Y2 ON X2 (b)

Model constraint :a = 2*b

1.1.3模型拟合指数说明

CFI, TLI, RMSEA, AIC,BIC Kline (2010):

1.2CFA MpLUS 示例及结果解读

对应代码文件: M1.2 three factor CFA

模型说明：三个变量social support, teamwork, job satisfaction 分别有2个条目测量，验证CFA三因子模型，点击运行MpLUS会给出模型拟合指数及Loading。

根据HU &Bentler CFI TLI 0.95, 0.08 SRMR, .06RMSEA 说明模型拟合指数较好

Loading系数及变量之间的相关。

1.3 备择模型及CFA模型比较

至于如何选择不同的模型，可以参考实证研究

可以试着运行1 factor, or three, 然后根据chi-sq, df比较模型，nested 模型通常比较两个模型的卡方值(卡方值的变化值 M1 卡方-M0卡方，自由度变化值df1-df0,查卡方表是否显著).

Satorra &Bentler(2010)提出一种新的方法，Mplus官网有介绍：

来源：

https://www.statmodel.com/chidiff.shtml

我已把这个公式放在一个EXCEL里面，你只需要MpLUS 里ESTIMATOR = ML, ML修改为MLR，跑两个不同的nestedmodel （M1 M0）,然后会得到相关的几个数据，输入对应的EXCEL，再去查卡方表即可。

1.4 类别变量CFA

只需要添加一行代码说明CATEGORICAL =

对应的ESTIMATOR =WLSMV

1.5 SubgroupCFA Test invariance

1.5.1Measurement invariance (MI)介绍

量表开发，或者纵向追踪数据的时候需要检验 measurement invariance (Van de Schoot,Lugtig, &Hox, 2012).

具体的相关理论方面可以阅读文献 Van de Schoot et al. 2012, 作者详细提供了step by step guide 以及Mplus syntax。

www.fss.uu.nl/mplus(), 打开链接发现作者也是UU的……然而并没有发现Mplus syntax…，但是UU学术笔记提供！

通常检验：

· factorloading, (weak invariance)

· intercepts,(strong invariance)

· andresidual variances (strict invariance)

然后根据1.3提到的模型比较方法比较不同的模型

1.5.2 性别作为subgroup MI 示例

我把三个模型的代码写在一个syntax文件里了，运行的时候只需要删掉前面注释符号!即可Model 1就是普通的CFA不需要添加任何，Model 2, 需要在数据下面添加GROUPING …analysis添加依一句 !MODEL = configural metric scalar

注意:在修改代码时候一定要在英文输入法模式!

输入！Mplus无法识别，mplus依然会运行原本需要忽略的代码，修改为英文!就会变成备注模式

MODEL 2 Stronginvariance

(对应代码文件M1.5.2 strong measurement invariance)

就会得到invariance testing, 以及模型拟合指数

ModeL3 Strict model

（M1.5.3strict measurement invariance）

Strict 模型拟合较差

# EFA探索性因子分析

#.1 连续变量的EFA

EFA比较简单，简单说下 (对应代码文件M0EFA 1-4factor)

只需要选择需要进行EFA 的变量，然后再分析方法指定EFA 然后 1和 4分别指，1-4 factor，运行就可以了

结果就会给出不同模型的比较loading，以及拟合指数

1 factor loadings

Two factors

Three factor

比较发现，two factor , 多个条目出现双载荷cross-loading，三个就更差了，综合模型比较急loading 系数选取单因子模型

#.2 类别变量的EFA

只需要制定categorical variable 即可

2 中介模型的检验

2.1 中介模型

模型说明 teamwork—social support---job satisfaction (代码文件：M2.1 mediation bootstrap)

用潜变量中介模型，每个变量有两个条目

IND: only add atest for the indirect effect

可以看出，所有的回归系数都显著；

中介也是显著

2.2 Bootstrap

以同样的模型为例：teamwork—social support---job satisfaction

在ANALYSIS: 命令下添加Bootstrap = 10000根据Hayes (2013) 一般5000次以上就可以。

相应地，在OUTPUT: CINTERVAL (bcbootstrap)；在代码M2mediation mplus, 已经添加了Bootstrap，只需要删掉前面的！号即可（！在mplus表示注释说明），运行就会获得bootstrap 结果；

只需要不包含0说明结果显著。

1.3 use model constraint 设定中介模型

如果涉及多个中介时候这种方法比较好一些

2.4 结果变量为类别变量的中介模型

以性别作为结果变量，仅仅是为了演示……不然拿性别做因变量恐怕很难说得通

在用到的变量里说明类别变量，分析方法也需要用MLR, a maximum likelihood estimator withrobust standard errors using a numerical integration algorithm will be used (Muthén &Muthén, 2017).

其它把类别变量做自变量之类的，都大同小异，不再赘述。感兴趣的可以看看MpLUS USER GUIDE P.39-40

2.5 调节的中介

对应代码文件M2.5 moderated mediation

新建了交互作用WDxsocsup, 用潜变量或显变量的时候在分析方法交互作用设定都会有所不同。在前文MpLUS语句介绍里有说明 WITH 语句。

其它的结果解读略去。

这里演示的都以潜变量模型为例子，显变量模型可以参考MpLUS USER GUIDE P.37-41

3 调节模型检验

3.1 潜变量调节模型

其实已经在上面中介的调节里有说明了如何创建交互项，潜变量用 WITH 语句

工作资源需求模型的，work demand *social support, 工作资源对工作需求的buffer effect

就简单运行一个调节模型，work demand, social support, and WDxSSUP 对工作满意度的影响

Output 输出代码稍有不同：STAND CINT SAMPSTAT

对应代码文件：3.1 latent moderation

主效应显著，交互作用不显著。

3.2 简单效应分析及交互作用图

说实在在MpLUS里简单效应分析比较麻烦，做出来的原始图也比较丑……

就用显变量模型演示。

对应代码文件：M3.2 Moderation analysis withsimple slope test and plot

首先创建交互项，但是回归分析一般需要数据中心化处理，所以在准备数据的时候最好直接创建交互作用，或者也可以用Define, 然后添加交互作用到usevariables !重要

简单效应分析的第一步是首先跑一个回归模型，如果得到交互作用显著之后，根据概念模型写出对应地回归方程

Stress =b0+age+b1*wkdem + b2*support+b3*DEMxSUP

这里调节变量为sup, 简单效应分析就是调节变量在平均数加减一个标准差之三者之间slope的差异, bo b1等为非标准化的回归系数。

Social support 平均数为3.464, 标准差为0.991, 基于此可以求出，Med, high, low social support这些数据可以通过TECH1 TECH8就可以给出，注MPlus提供的是方差，需要自己计算SD，或者可以用SPSS

LOSUP= 3.464 - 0.991

MEDSUP = 3.464

HISUP = 3.464 + 0.991

然后界定三个slope,

SIMP_LO = b1 +b3*LOSUP

SIMP_MED = b1 + b3*MEDSUP

SIMP_HI = b1 + b3*HISUP

然后上面的公式经过转换，分别界定三条线low, med, high，运行得出结果

发现只有low social support 显著……然后查看具体交互作用图

……以前以为MpLUS 做出来的图丑到无边……其实是没有调整好……

4 如何报告数据结果

可参考已发表实证研究。或关注UU学术笔记，目前我们联合众多博士正在整理管理学及心理学领域Top tier journal 数据结果报告的常用句库，未来一个月内会发在公众号。另外，我们英文写作句库已经发布了引言部分及文献综述、方法部分

Academic writing: method (sentence bank)

写好英文学术论文，你只差一个句库 (Sentence Bank)

5代码获取方法

· 代码都已经在文章截图呈现，所以可以根据自己数据改编。

· 转发至朋友圈获得30个赞同；

· 转发至于300人以上心理学或管理学硕士博士群

发至邮箱uunotebook@163.com，我们会在3个工作日内发给你代码及数据

如果需要MpLUS 软件或者数据准备不清楚，请看

Mplus 7.4 软件及代码

或者如果涉及复杂模型，LCA

Latent Transition Analysis（潜在群组转变）: Mplus分析详解

----

欢迎关注我们一个专注于心理学及管理学领域统计方法（复杂模型Mplus及R软件的应用）及英文写作的公众号

----

另如果涉及统计及代码问题，请在文章下方留言或邮寄。公众号回复48小时就无法回复了。

编辑于 2020-02-06 · 著作权归作者所有

赞同 146

评论

相关推荐

京东PLUS会员的高级特权，很多人都不知道！白浪费了会员费！

棉棉花糖的回答

有什么适合学生党的性价比高的水乳套装推荐吗？

貂馋螺蛳粉的回答

男生怎么短时间内变帅、变白？

我家狗会后空翻的回答

你们的痘痘最后都是怎么完全好的？

我叫陈世美的回答

射频美容仪是伪科学吗？

OO嘴的回答

女生长期脾胃不好，该如何养胃？是在校学生有什么简单高效的方法吗？

算命的说我很爱吃的回答

请问大家一般找工作都是在什么app上找的，boss、58、前程无忧、智联这几个靠谱吗？

陈默Silence的回答

什么狗粮比较好？

铲屎官kimi的回答

知友推荐的山药粉真的能补脾胃吗，喝两个月有什么变化？（个人亲测）

陈住气的回答

2022智能手表保姆级选购指南 | 智能手表怎么选？华为、苹果、华米、OPPO等主流品牌手表深度对比评测（双十二特更）

一昂羊的回答

收起

大家还在搜

人力资源管理5p模型

人力资源amo模型

人力资源管理的模型

精益六西格玛导入阶段

人力资源能力模型

人力资源分析常用模型

人力资源管理常用模型

人力资源345原则

人力资源管理控制程序

人力资源管理大咖

索尼人力资源管理案例

薪酬水平策略有几种模型

塔克曼团队发展阶段模型

塔克曼五阶段模型

成型参数五大要素

蒂蒙斯模型的三要素

人力资源管理kpi指标

osi参考模型的七个层次

人力资源管理七种原则

fms的七个评估动作图

态度转变模型包含要素

osi模型的七个层次设备

osi参考模型七个层次

胜任素质模型6要素

aba的基本训练方法

ecp八要素

塔克曼团队发展阶段模型

塔克曼五阶段模型

相关推荐

十分钟学会有调节的中介分析——MPLUS_知乎

作者:缇娜 在上期内容中,小编为大家简单介绍了有关“有调节的中介模型”的概念、目前发展趋势以及一种数据分析方法(PROCESS).因此本期内容主要聚焦于有调节的中介的另一种数据分析方法——MPLUS. 但是我们说这种方式对于没有...

快速上手MPLUS数据处理_知乎

作者:缇娜潜变量模型发展迅速.然而方法学领域的发展延伸到应用领域需要一段时间.这个时间的长短取决于方法学者的... 01 MPLUS基础知识和操作02 测量模型与验证性因素分析CFA——想做结构方差先从测量模型开始学起03 结构方程模型中...

有调节的中介在Mplus中的实现(调节直接路径)_知乎

当一个模型中既有中介变量,又有调节变量时,如何在Mplus中实现呢?本文的变量均为显变量,调节变量调节的路径为直接效应,即X到Y的这条路径.如果你的模型是第一阶段或第二阶段调节,可以参照本文略作修改.来看下模型长啥样,M为中...

Mplus分析有调节的链式中介模型_知乎

之前我们尝试分析了链式中介,如果有一个变量W调节了M1到M2这条路径的话,我们在链式中介语句的基础上,如何进行分析呢?链式中介的Mplus语句链接:用Mplus分析链式中介如果想从微信公众号上查看本文请关注公众号心理统计与测量:...

有调节的中介在Mplus中的实现及结果详细解读_知乎

在写论文的时候,我们常常会将中介和调节混合使用,

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。

---