Mplus中关于SEM的介绍

    结构方程模型(SEM)包括连续潜变量之间的回归模型(Bollen, 1989Browne &Arminger, 1995Joreskog &Sorbom, 1979)。也就是说，这些潜变量是连续的。这里需要注意的是：1. 潜变量(latent variables)是与观察变量(Observed variables)相对的，可通过数据分析观察；2. 观察变量可以是连续的(continuous)、删失的(censored)、二进制的(binary)、有序的(ordinal)、无序的(nominal)、计数的(counts)，或者是这些类别的组合形式。

    SEM有两个部分：一个测量模型(measurement model)和一个结构模型(structural model)。

     测量模型 相当于一个多元回归模型(multivariate regression model)，用于描述一组可观察的因变量和一组连续潜变量之间的关系。在此，这一组可观察的因变量被称为因子指标(factor indicators)，这一组连续潜变量被称为因子(factors)。

    如何描述它们之间的关系？可以通过以下方式：

1. 若因子指标是连续的，用线性回归方程(linear regression equations)；

2. 若因子指标是删失的，用删失回归或膨胀删失回归方程(censored normal or censored-inflated normal regression equations)；

3. 若因子指标是有序的类别变量，用profit或logistic回归方程(probit or logistic regression equations)；

4. 若因子指标是无序的类别变量，用多元logistic回归方程(multinomial logistic regression equations)；

5. 若因子指标是计数的，用Poisson或零膨胀Poisson回归方程(Poisson or zero-inflated Poisson regression equations)。

     结构模型 则在一个多元回归方程中描述了三种变量关系：

1. 因子之间的关系；

2. 观察变量之间的关系；

3. 因子和不作为因子指标的观察变量之间的关系。

    同样，这些变量有不同的种类，所以要根据它们的类别来选择合适的方程进行分析：

1. 若因子为因变量，及可观察的因变量是连续的，用线性回归方程(linear regression equations)；

2. 若可观察的因变量是删失的，用删失回归或膨胀删失回归方程(censored normal or censored-inflated normal regression equations)；

3. 若可观察的因变量是二进制的或者是有序的类别变量，用profit或logistic回归方程(probit or logistic regression equations)；

4. 若可观察的因变量是无序的类别变量，用多元logistic回归方程(multinomial logistic regression equations)；

5. 若可观察的因变量是计数的，用Poisson或零膨胀Poisson回归方程(Poisson or zero-inflated Poisson regression equations)。

    在回归中，有序的类别变量可通过建立比例优势(proportional odds)模型进行说明；最大似然估计和加权最小二乘估计(maximum likelihood and weighted least squares estimators)都是可用的。

    以下特殊功能也可以通过SEM实现：

1. 单个或多组分析(Single or multiple group analysis)；

2. 缺失值(Missing data)；

3. 复杂的调查数据(Complex survey data)；

4. 使用最大似然估计分析潜变量的交互和非线性因子(Latent variable interactions and non-linear factor analysis using maximum likelihood)；

5. 随机斜率(Random slopes)；

6. 限制线性和非线性参数(Linear and non-linear parameter constraints)；

7. 包括特定路径的间接作用(Indirect effects including specific paths)；

8. 对所有输出结果的类型进行最大似然估计(Maximum likelihood estimation for all outcome types)；

9. bootstrap标准误差和置信区间(Bootstrap standard errors and confidence intervals)；

10. 相等参数的Wald卡方检验(Wald chi-square test of parameter equalities)。

    以上功能也适用于CFA和MIMIC。

比重分析法

指通过计算某个维度所占维度总量的比例，从而去判断投放方向或投放效果。

公式：比重=某维度数值 / 总量 X 100%

倒推法

倒推法，是竞价推广中常用的一种方法，但更多被应用于战略目标的制定。

即：根据历史数据，将成交—线索—对话—点击—展现倒着进行推理的过程。

关键词四象限分析

关键词是竞价推广之根本，那么便可通过对关键词进行系统化分类，从而有针对性地进行优化。

通常，主要分为以下四类：

01 有对话成本低

像这类词，大都集中在品牌词等，且它属于优质词的一类，针对较为优秀的词可以进行放量操作

例如：加词、提价、放匹配等等。

02 有对话成本高

像这类词，主要集中在产品词和行业大词。

点击成本高，往往说明点击流量多且杂，这类情况建议有条件地放量操作，即：获取流量的同时，去控制流量的质量。

主要操作有：

加词、

优化账户结构(使账户流量结构更精准)

优化创意(利用创意筛选部分杂质流量)

03 无对话成本高

这种情况，往往都是没有集中词性，通常可根据以下两点来进行判断下一步的操作：

均价高还是低?

流量大还是小?

若流量很大，均价很低，往往通过优化页面来进行若均价很高，流量一般，便是进行降价操作若是因为流量意向低，建议进行收匹配操作。

04 效果差成本低

像这种情况，大多数都为“只点击一次就产生了对话”，我们就以为是优质词，便进行放量操作，但也有可能是意外。

营销流程表分析

通过每天罗列、收集账户中核心指标数据【消费、展现、点击、抵达、对话、线索、成交】，然后根据核心数据算出一些辅助数据，像【点击率、对话率、点击成本】等，通过将不同周期的数据进行对比，从而发现病种。

单一维度分析

指针对不同维度间的数据进行分析，从而确定优化方向。

单一维度主要可分为：产品维度、时段维度、设备维度、地区维度、关键词维度。

---