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。

这个问题之前也困扰着我，查了相关的数据，下面是我自己整理的一些，供你参考。从怀特检验看OBS的p值很小，说明存在异方差，修正的方法有好几种，我介绍两种吧，第一种是在回归前先将变量进行对数处理，能够很好的减少数据波动以及异方差的问题，第二种是加权最小二乘法（wls），quick-estimate equation界面，点击option，权重那块，填入所选择的权重就可以了。权重的选择上，目前我找的资料里的方法是可选用1/√X，1/X， 1/X^2，X，√X，X^2（生成变量W分别等于这些权重）。之后将加权后的方程再进行怀特检验，选一个最好的权重就ok啦。

你所说的模型修正问题，主要考虑模型的多重共线性问题、内生性问题、异方差问题这三种情况（当然，随着学习的深入，还会遇到其它更复杂的问题）。这些问题，通常可称为非经典假设情况下，如何对模型进行修正的问题。修正起来，方法也是有多种的。例如，拿多重共线性问题来说，可以用vif命令对模型进行检验。如果（1）最大的vif大于10，且（2）平均的vif大于1，则可判断模型存在多重共线性问题。存在这种问题一般情况就需要处理（当然也有时不需要处理）。处理的方法主要有：将一些解释变量并入误差项以减少其数量，先进行聚类分析，或因子分析后，再提取适当变量回归，另外就是用一种叫做对中的方法来处理。加油吧！这方面的技术问题挺多，但总的来说都是比较简单的。本人也是在学习过程中。由于篇辐所限，这里不好再写下去了。

---