sem数据分析中常用的函数有哪些?

1、LEN函数：用于统计一个数据或者一个词出现的次数

使用公式：=LEN(数据)，需要进行统计的关键词，主要作用就是计算关键词出现的次数

2、countif函数：统计一个区域的数据中符合一个条件的总数量

使用公式：=countif(区域，条件) 需要注意符号是英文状态，除了字母，都要加一下双引号。

3、vlookup函数：纵向查找

使用公式：=vlookup(G:G,A:B,2) G:G相同的一列，A:B查找范围，2是查找的第几列

如果没有相同值，可以自己创造一个相同值。

4、sumif函数：条件求和

使用公式：=sumif(C:C,”>20”,B:B)

C列条件大于20，b列的和，注意符号使用英文状态下，除了字母都要添加双引号

5、sumifs函数：多条件求和

使用公式：=sumifs(B:B,C:C,”>80”,D:D,”>80”)

注意先写要求和的区域，再写条件

常用的sem数据分析函数，各位小伙伴们学会了吗?可以多多操作，牢牢记住公式，让自己的工作更加轻松，事半功倍。

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。