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。

控制变量在论文中的使用越来越广泛， 控制变量指除了自变量以外会影响实验结果即因变量的变量，也称之为指可能干扰模型的项。虽然这些变量并不是实验中的研究变量，也被看作是实验中的无关变量。这类变量应该加以控制，以保证因变量结果的无偏性， 如果不加以控制，也会造成因变量的变化，即自变量和一些未加控制的因素共同造成了因变量的变化。

No.2 哪些是控制变量

在SEM建模过程中经常会将一些变量当作控制变量，比如个体特征：性别、年龄、学历、收入、婚姻状况、是否独生子女等以及企业特征：比如企业规模、员工数量、企业类型以及其他一些已知的预测变量或解释变量。

No.3 如何操作

之前在

八问八答之MPLUS篇

中已经提过MPLUS中控制变量怎么写，但是还是有很多同学问我，控制变量到底怎么加啊？本篇就来详细的给大家说一说在MPLUS中控制变量到底怎么写。

需要注意的是：

1.如果控制变量是分类变量，需要设置虚拟变量后加入模型，如性别（男性编码为0，女性编码为1），或者进行多群组分析，多群组分析即将控制变量作为调节变量分析，需要用多群组分析的时采用，其他情况下不建议采用，多群组分析可参见

赶紧收藏！调节变量为类别变量在mplus中这样分析~

2.如果控制变量是连续性变量，如，工作安全感，可以在SEM中直接作为控制变量；

No.4 MPLUS代码

数据：性别作为控制变量已虚拟编码

---