stata之中介效应分析

stata之中介效应分析,第1张

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:

线性回归(Regression)与结构方程模型(Structural equation modeling)是用来验证变量间的因果关系时,最经常使用的方法。

本文比较下两者的区别,抛开具体统计学方面的理论,尽量说得通俗易懂些。

共同点

先说共同点。

两者都是用来检验变量间的因果关系;

可以同时使用多个自变量(X)进行分析(如下图);

都可以检验中介关系和调节关系。

两种分析方法解决的问题是没有本质区别的,因此同学们完全可以根据自己的需要选择。

建议的选择标准,参考学科内近期前辈的毕业论文。你是硕士就参考硕士的,是博士就参考博士。

如果没有可以参考的前辈,那就在自己看过的论文中,选取一篇和自己的想法类似的论文。

在自己选定了方法后,务必和指导教授商量后,再最终决定。

不同点

再说不同点。

使用的分析软件不同。

线性回归多用SPSS来做,结构方程式模型则使用AMOS居多。

标本要求不同。

使用线性回归分析时,标本数不需要特别高,硕士论文的情况,一般100-200名就可以了。而结构方程式模型则需要大量样本,才会得到良好的分析结果,硕士一般要300,博士一般要500以上。

线性回归一次只能使用一个因变量,而结构方程式模型则可以同时分析多个因变量。

因此,结构方程式模型可以简单理解成多个线性回归的集合。

因此,总的来说结构方程式模型分析难度稍高,分析过程也更为复杂些。

分开来看

具体的对两种分析方法进行说明下。

线性回归分析:

根据理论首先分清谁是因变量,谁是自变量。然后得出自变量对因变量的关系。

这种方法得到的两者关系多为直接的影响。

当变量之间的关系比较间接时(如下图。通过第三个因素或其他因素才能联系要分析的两变量关系),直接运用线性回归分析无法得出我们想要的结果。

这时可以采取sobel-test,阶段式回归分析等方式来进行检验。

线性回归分析一般使用SPSS软件进行分析。

结构方程模型分析:

是一种建立、估计和检验因果关系模型的方法。模型既包括可观测的显变量,也包括可能无法直接观测的潜变量。

结构方程模型最大的优点在于可以同时处理许多因变量(与多元回归不同,可以允许各变量之间存在测量误差),尤其当变量之间存在多层的关系时非常实用。

结构方程模型可以替代多重回归、通径分析、因子分析、协方差分析等方法,科学地分析单项指标对总体的作用和单项指标间的相互关系。并可比较及评价不同的理论模型。

通过结构方程多组分析,我们可以了解不同组别内各变量的关系是否保持不变,各因子的均值是否有显著差异。

目前,已经有多种软件可以处理SEM,包括:LISREL,AMOS, EQS, Mplus。

重庆大学出版社 2009年曾经专门出版过一本书叫《结构方程模型》(作者吴明隆),很好的教材,本公众号里有下载,请参考下面传送门。

有疑问请在文章下方留言(请勿私信),你的问题也会帮助到别人。

有疑问请在文章下方留言(请勿私信),你的问题也也会帮助到别人。


欢迎分享,转载请注明来源:夏雨云

原文地址:https://www.xiayuyun.com/zonghe/232994.html

(0)
打赏 微信扫一扫微信扫一扫 支付宝扫一扫支付宝扫一扫
上一篇 2023-04-10
下一篇2023-04-10

发表评论

登录后才能评论

评论列表(0条)

    保存