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。

本篇记录下用stata进行中介分析，其中，自变量，中介变量和因变量均为连续变量。

中介分析可以用命令 sem ，即进行结构方程模型也是用这个命令，只不过中介分析没有测量模型而已。

其中，自变量（X）为 EC ，中介变量（M）为 SDO ，因变量（Y）为 forei 。

结果如下，可以看到，报告的是标准化系数，X到M结果显著，M到Y显著，控制M之后，X到Y不显著了。

对直接效应，间接效应和总效应进行估计的结果如下，最后一列为标准化系数，但是，没有相应的z值，和95%CI

使用命令 estat stdize 可以得到不同路径相应的标准化统计量。

路径a，b和c’的结果如下：

路径ab和总效应结果如下：

此外，还有个命令可以直接报告中介效应结果，即 medsem

结果如下，报告了两种检验中介效应的方法，以及中介效应是否存在的结论。

通过命令 help medsem 后可以详细了解该命令。

除了上述提到的两种检验中介效应的方法外，还有bootstrap法。

具体介绍可参见文献：

Fritz, M. S., &MacKinnon, D. P. (2007). Required Sample Size to Detect the Mediated Effect. Psychological Science, 18 (3), 233-239.

stata的实现方式是：

抽取5000个样本，时间有些长，得等会儿……结果如下：

按照正常步骤。

面数据模型的LM检验解决的是,截面数据SEM模型和SLM模型的选择问题。这部分内容比较简单,参见《高级计量经济学及Stata应用(第二版)》设定面板数据格式第二步:对主要变量做描述性分析第三步:做基准回归第四步:做中介效应。

Stata空间计量命令汇总及操作手册空间计量经济学创造性地处理了经典计量方法在面对空间数据时的缺陷,考察了数据在地理观测值之间的关联。近年来在人文社会科学空间转向的大背景。

---