传统的多元逐步回归与结构方程模型有什么区别

多元回归方程属于单方程模型方法，结构方程模型属于联立方程模型方法，回归分析只能处理显性变量，而结构方程模型可以发现潜在变量。多元一般只有一个因变量，而且是单向的，SEM则是可单，可双，多元是基础，SEM是后来的发展和完善。

    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。

分析错误：

单变量方差分析具体步骤：

1.选择菜单【分析】-【一般线性模型】-【单变量】，在弹出的对话框中进行如下选择：把【产品销量】选入因变量列表框，把【超市规模】选入固定因子列表框。需要注意的是：这里的【因变量】列表框只能选择一个变量，【固定因子】、【随机因子】列表框可以选择多个变量。

从对话框可以看出单变量方差分析与单因素方差分析的差别：一般线性模型单变量方差分析的因子区分为固定因子和随机因子，比单因素Anova分析更为细致，而且固定因子列表框可以同时选入多个变量，单因素Anova分析，因子列表框只能选入一个变量。

2.在主对话框界面选择右侧【模型】菜单，选择默认【全因子】，【类型Ⅲ】，单击【继续】按钮返回主对话框

3.在主对话框界面右侧选择【事后多重比较】菜单，把【超市规模】选入【事后检验】列表框，同样勾选【LSD】、【SNK】、【Bonferroni】、【Tukey】、【Duncan】复选框，单击【继续】按钮，返回主对话框。该对话框与单因素Anova对话框类似，但不同的是这里可以自由选入因子。

4.在主对话框界面右侧选择【选项】菜单，在【输出】栏，勾选【描述性统计】【同质性检验】、【残差图】复选框，单击【继续】按钮返回主对话框

5.单击【确定】按钮，输出结果。

---