如果存在多重共线性还能用Sem吗

能。

首先SEM更加灵活，更加综合。传统方法的模型是提前规定的或者说是默认的，而做结构方程的时候，它对变量关系的限制几乎没有，需要你自己根据理论知识设定变量之间的关系。SEM既包含显变量又有潜变量，而传统的方法之分析显变量。在SEM中我们认为误差是存在的，你甚至可以规定不同变量之间误差的关系，但是传统的方法认为误差是没有的。传统方法能够输出变量间关系的直接的显著性检验结果，而SEM没有这样的结果，我们得用拟合指标来评价模型。结构方程模型可以很好地容忍多重共线性。

一般情况下，公差和方差扩展因子（vif，公差倒数）被用作共线性诊断指标。一般来说，公差值在0到1之间。如果该值太小，则表明该自变量与其他自变量之间存在共线性问题。vif值越大，共线性问题越明显。一般以不到10分为判断标准。

具体的解决方法如下：

1、首先单击“打开数据文档 ”，将xls格式的全国各地区能源消耗量与产量的数据导入SPSS中。

2、接着在导入过程中，每个字段的值都转换为字符串，我们需要手动将相应的字段转换回数值类型。单击菜单栏中的“->”将所选变量更改为数字类型。

3、数据清理包括填写缺失值和使用spss分析工具检查每个变量的数据完整性。单击“->”检查缺失值的数量和输入数据的百分比。

4、SPSS提供了填充缺失值的工具，点击菜单栏“>”，也就是说，它可以使用软件提供的几种工具来填补缺失值，包括序列平均值、近点中值、近点中值等。结合本次实习数据的具体情况，我们没有使用spss软件提供的缺失值替换工具，主要是手工将缺失值替换为零值。

其实应该说是最大似然法和最小二乘法的区别吧。

采用OLS的回归分析方法存在几方面的限制：

（1）不允许有多个因变量或输出变量

（2）中间变量不能包含在与预测因子一样的单一模型中

（3）预测因子假设为没有测量误差

（4）预测因子间的多重共线性会妨碍结果解释

（5）结构方程模型不受这些方面的限制

SEM的优点：

（1）SEM程序同时提供总体模型检验和独立参数估计检验；

（2）回归系数，均值和方差同时被比较，即使多个组间交叉；

（3）验证性因子分析模型能净化误差，使得潜变量间的关联估计较少地被测量误差污染；

（4）拟合非标准模型的能力，包括灵活处理追踪数据，带自相关误差结构的数据库（时间序列分析），和带非正态分布变量和缺失数据的数据库。

构方程模型最为显著的两个特点是：

（1）评价多维的和相互关联的关系；

（2）能够发现这些关系中没有察觉到的概念关系，而且能够在评价的过程中解释测量误差。

1、最小二乘法的典型应用是求解一套x和y的成对数据对应的曲线（或者直线）方程。

其思想是：设y和x之间的关系可以用一个公式在表示，但其系数为待定系数。然后，将各个点的实测数据与计算求得的数据相减，得到“误差”或者不符值（有正有负，但其平方都是正的），将这些不符值的平方相加，得到总的“误差”。通过调整公式中的各个系数，使得误差平方和最小，那么就确定了y和x之间的方程的最好结果。求解最小二乘问题的过程中没有提及概率问题。

2、而极大似然估计值，是用于概率领域的一种方法，和最小二乘法是两个领域的。这种方法是应用求极大值的方法，让某一个公式求导值为0，再根据情况判断该极值是否是合乎要求。极大似然估计法可以用于正态分布中 μ, σ2的极大似然估计。极大似然估计法就是要选取类似的数值作为参数的估计值，使所选取的样本在被选的总体中出现的可能性为最大。

---