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：

---