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。

与你的加工方法与工艺有关，普通挤出的话，你这个含量低，应该是普通的液滴状（小孔）吧，海-岛结构；不过如果特殊螺杆结构的挤出，可能是纤维状或片层。注塑成型的话，液滴和纤维状都会有吧，你是用什么方法成型的？不刻蚀的话，估计看不太清楚，可用环己烷刻蚀EPDM哦

扫描电镜只能对样品表面进行成像，即使是液相，也只能是液体表面，这个在环境扫描电镜中已经成功试验过，观察水蒸气在玻璃板上的凝聚和蒸发过程，液滴的表面形貌清晰可见。无论传统扫描电镜还是环境真空扫描电镜都必须把悬浊液中物质表面从液体中暴露出来，否则都无法观察到悬浊物的形态。由于制样原因，可能造成乳液中的悬浮物凝聚或者变形，所以你没办法用提取的悬浊物的办法来实现SEM观察。 解决方案只有扫描电镜配冷冻台来进行观察，一般液体快速冷冻然后割断观察断口，会看到您想看的相。

显微镜通过载玻片制样后，乳液中的疏水物质在液体中清晰可见，使用的穿透光，而不是反射光。

---