sem的模型介绍

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。

结果的前两行表示模型的类别，LZ采用的为randomeffect随机模型，截面变量：province，样本数目310.群组数目31，也就是每组10个观测值。3-5行表示模型的拟合优度，分别为within，between，overall，组内，组间，总体三个层次。6-7行表示针对参数联合检验的waldchi2检验和Pvalue，p=0.000表示参数整体上灰常显著。8-10行表示解释变量的估计权重，截距，标准差，Z统计量，P值及95%置信区间。这块儿跟截面回归的产出结果是一样的，关于你的解释变量base的权重解释是，在其他多有条件都不变的情况下，base每增加一单位，city会增加0.0179单位，P值0.000，灰常显著。最后三行分别是随机效应模型中个体效应和随机干扰项的方差估计值，分别为sigma_u,sigma_e.以上两者之间的关系rho.需要注意的是你的模型拟合度不高，R方只有26%，当然这要看具体是哪方面的研究以及同方向其他学者的拟合结果，如果大家都在20多，那就OK。

如下参考：

1．首先选择最后一个标准偏差来显示复制的单元格，如下图所示。

2．点击［start］－［autosum］旁边的三角形，就会出现一个下拉菜单。点击【其他功能】如下图所示。

3．出现［insertfunction］窗口，点击［selectcategory］，选择［all］，找到standarddeviation［STDEVP］函数，如下图所示。

4．单击ok后，单击箭头所指的位置并选择数据，如下图所示。

5．选择后，点击“ok”，可以看到计算出的标准差，如下图所示。

---