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。

在中介分析(mediation analysis)中，中介变量分析帮助我们解释独立变量如何或者为什么影响结果。在治疗研究中，通常研究者感兴趣的是找到某种治疗方法是通过什么机制起到疗效。通过观察中介过程，澄清治疗是怎样达到研究期望的结果，我们不仅能够进一步 理解疾病的病理学机制和治疗原理，还能确定更有效的备选干预策略。例如，一项烟草预防项目教育参与者如何停止把工作时间吸烟作为休息(干预)，从而改变他们对烟草使用的社会规范(中间的中介变量)，随后达到吸烟行为的减少(研究结果)。

利用中介分析，洞悉和了解了药物或心理治疗作用的机制。这样的信息从另外一个维度提供了理解疾病病因和治疗效果机制的方法，从而激发人们去发现更有效的和成本效益更好的备选治疗方案。

通过路径关系体现，A—B—C这种路径设置就是中介作用路径，根据Bootstrap的indirect effect显著性p值、置信区间来判断中介效应是否显著。

一种是先做自变量对因变量a的回归分析，再做因变量a和b的回归分析。

另一种是使用amos组件，进行结构化分析，直接验证你的4-1-1模型。还有就是用spss的glms模块等等，不过那就需要编程。

扩展资料：

如果变量Y与变量X的关系是变量M的函数，称M为调节变量。就是说Y与X的关系受到第三个变量M的影响。调节变量可以是定性的(如性别、种族、学校类型等)，也可以是定量的(如年龄、受教育年限、刺激次数等)，它影响因变量和自变量之间关系的方向(正或负)和强弱。

参考资料来源：百度百科-中介效应