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。

SEM就是输入相关矩阵或协方差矩阵，结合1个或多个构想的可能模型，统计软件（如Mplus、Lisrel）帮你算出拟合指数，输出各路径参数、拟合指数等，可以用于修正和比较模型。想了解SEM推荐侯杰泰老师的《结构方程模型及其应用》（现在不再版，只有影印版） 。CFA也是SEM（结构方程模型）的一种，但不是完整SEM；路径分析也是SEM的一个特例，但前者是对显变量，后者对潜变量。实际上SEM是很多统计方法（如t检验、方差分析、回归分析等）的特例，而SEM具有更准确的误差估计和信度指标。因为CFA可以检验量表结构，所以往往先做CFA，如果拟合不好，说明量表信效度不高，就难以做之后的分析。中介和调节检验有不同的方法，可以基于SEM对潜变量做分析，也可以化潜为显做层次回归（用SPSS）。要了解中介和调节，推荐温忠麟老师的文章，比如05年发在《心理学报》上的《调节效应与中介效应的比较和应用》，温忠麟老师的书《调节效应与中介效应分析》。看到你的标签里有“家庭关系”，你是做发展教育方向的吧！你所说的这些：SEM、中介调节都是统计前沿，发展教育也用得很多，但建议先多阅读文章和书，了解了原理再使用。

---