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。

SPSS不能做结构方程模型分析，结构方程模型必须要专门的结构方程建模软件或者包含结构方程功能模块的统计软件才行。

通常可以做结构方程模型的软件包括Lisrel、Amos、Mplus、EQS以及R语言。最常用的就是这前三种。

用graphpad prism 做sem柱状图的方法步骤：

一、第1类

根据Table 5的原始数据做柱状图。

选择Column graphs栏，因为该栏默认输入的都是原始数据，因此没有输入样本数的地方，只需选择数据处理类型为(Mean&SD)。

在Data分栏中输入数据。

软件就会自动算出均值和误差值，并做好柱状图。

二、第2类

根据Table6的原始数据做两组数据比较的柱状图。

涉及到两组数据比较，所以我们选择grouped栏，图表类型选择柱状图，因为Grouped栏并不是像Column graphs栏一样默认输入的是原始数据，因此有输入样本数的地方，这边的样本数是4，因此我们相应地设置样本为4。

在Data分栏中输入数据。

软件会自动帮你做好一幅漂亮的分组柱状图。

三、用两组计算好的数据做一个两组比较的柱状图

用Table 8的数据做成两组比较的柱状图。

作步骤和2一样，只需多输入一组数据，仍然选择Grouped栏，告诉软件你输入的值是已经计算好的。

在data栏中输入数据。

软件即时生成图。

---