sem模型和logit模型的区别

区别在于广义化线性模型中的联系函数的形式。

logit 采用对数形式。应用上，普通logit的响应变量是二元的。 logit的响应变量可以是多元的。统计软件 spss中: logit属于对数线性模型，分析结果主要为因变量和自变量之间的关系，可以细化到各分类因变量与分类自变量之间。sem属于回归分析，分析结果为估计出自变量参数。

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。

其实应该说是最大似然法和最小二乘法的区别吧。

采用OLS的回归分析方法存在几方面的限制：

（1）不允许有多个因变量或输出变量

（2）中间变量不能包含在与预测因子一样的单一模型中

（3）预测因子假设为没有测量误差

（4）预测因子间的多重共线性会妨碍结果解释

（5）结构方程模型不受这些方面的限制

SEM的优点：

（1）SEM程序同时提供总体模型检验和独立参数估计检验；

（2）回归系数，均值和方差同时被比较，即使多个组间交叉；

（3）验证性因子分析模型能净化误差，使得潜变量间的关联估计较少地被测量误差污染；

（4）拟合非标准模型的能力，包括灵活处理追踪数据，带自相关误差结构的数据库（时间序列分析），和带非正态分布变量和缺失数据的数据库。

构方程模型最为显著的两个特点是：

（1）评价多维的和相互关联的关系；

（2）能够发现这些关系中没有察觉到的概念关系，而且能够在评价的过程中解释测量误差。

1、最小二乘法的典型应用是求解一套x和y的成对数据对应的曲线（或者直线）方程。

其思想是：设y和x之间的关系可以用一个公式在表示，但其系数为待定系数。然后，将各个点的实测数据与计算求得的数据相减，得到“误差”或者不符值（有正有负，但其平方都是正的），将这些不符值的平方相加，得到总的“误差”。通过调整公式中的各个系数，使得误差平方和最小，那么就确定了y和x之间的方程的最好结果。求解最小二乘问题的过程中没有提及概率问题。

2、而极大似然估计值，是用于概率领域的一种方法，和最小二乘法是两个领域的。这种方法是应用求极大值的方法，让某一个公式求导值为0，再根据情况判断该极值是否是合乎要求。极大似然估计法可以用于正态分布中 μ, σ2的极大似然估计。极大似然估计法就是要选取类似的数值作为参数的估计值，使所选取的样本在被选的总体中出现的可能性为最大。

---