如何绘制和sem图像相似的图

绘制和sem图像相似图形方法如下：

能画出结构方程模型图的软件有很多，比如Amos和SmartPLS，这两个软件在可视化方面做的非常好，Mplus和前两个软件有所不同，它是通过语法输入，从diagrammer生成图形，而Amos和SmartPLS是用户直接绘制图形。

R语言也可以绘制结构方程模型图，其优势在于用户可以对SEM图中的变量、线条、形状和颜色进行DIY。本文使用semPlot包中的semPaths函数进行模型图的绘制。

在构建一个结构方程模型时，比较常见的方式是使用路径图。路径图的作用就是表达出这个模型中存在的变量（无论是显变量还是潜变量）以及变量之间的关系。这种方式比较直观，下面简单介绍一下路径图以及图中各个不同符号的含义。

变量

我们用矩形代表显变量，用椭圆代表潜变量（潜变量又分为两种，下面介绍）。

变量之间的关系

变量之间的关系用线段表示，如果两个变量之间没有线，则表明两者之间没有直接关系。线段上的箭头指向的变量表明该变量受到另一变量的影响。此时，如果线段连结的是显变量和潜变量之间的效应，线段上的数字或符号代表的是因子载荷；如果线段连结的是潜变量之间的关系，线段上的数字或符号代表的是路径系数。双向箭头则说明两者具有相关关系，此时线段上的数字或符号代表相关系数。图 1 给出了路径图的一个示例。

图 1

内生潜变量和外生潜变量

这时候会发现，虽然都是显变量，但是有的用x来表示，有的则用y。同样，测量误差和路径系数的符号也会有所不同。这是因为我们进一步区分了两种不同的潜变量：内生潜变量和外生潜变量（图中已经标出）。

外生潜变量是只那些模型外部因素影响的潜变量，简单的说就是没有箭头指向它的潜变量（不考虑相关）。

那么其他会被箭头指向的潜变量则是内生潜变量。

正是因为区分了上述两种不同的潜变量，所以与他们向匹配的符号会有所不同，但含义是相同的。最后再解释一下线段上符号的下标，例如r12，前面的1代表的是该线段指向的变量，后面的2代表线段出发的变量。

在上一篇中说到，一个结构方程模型分为测量模型和结构模型。测量模型是显变量与这些显变量测量的潜变量构成的，结构模型则是潜变量之间的关系。

1.2.1 测量模型

测量模型的意义主要是衡量显变量（也就是测量工具）对潜变量的测量的好坏，例如在心理学中的大五人格测验是不是能很好的测出OCEAN这五个特质。这一部分我们采用验证性因子分析（confirm factor analysis，CFA）来衡量，它的目的是获得显变量和潜变量之间的关系。验证问卷是不是如设计的那样测量了我们相要的因子结构。

那么在图1的例子中的测量模型一共有三个，见图 2。

图 2

其中（a）图存在两个潜变量，因为两者之间的关系是相关而非指向性或因果的关系，所以属于一个测量模型。如果两者之间没有相关，那么各自分别是一个测量模型。

（b）图则是一个具有三个显变量，一个潜变量的测量模型，此时属于饱和模型。此时无法获得模型拟合指标（这个以后）的结果，也就是不能衡量模型拟合的好坏。之所以成为饱和模型，是因为此时自由度为0。这个图中因为有三个显变量，我们可以获得这三个变量的方差和它们两两之间的3个协方差（3+3=6）。而要估计的参数分别是1个潜变量、3个测量误差，和2个因子载荷（其中一个在估计是会固定为1，所以只有2个要估计）,也就是要估计1+3+2=6个参数。6-6=0，这就获得了自由度。想要估计出模型拟合的好坏，需要自由度大于0。也就需要更多个显变量。

（c）图中一个显变量对应一个潜变量，此时两者相等，此时成为完美测量，因子载荷就是1，测量误差就是0。

1.2.2 结构模型

结构模型则是前变量之间的关系。估计是采用路径分析，获得路径系数，图1中的结构部分见图3。如果在结构方程模型中的所有变量都是显变量，这就是传统的路径分析了。

在一个SEM中，测量部分和结构部分是同时估计的。

图 3

1.2.3 用公式构建模型。

通过画出路径图，我们就可以清晰的表达出我们感兴趣的SEM，随偶可以根据路径图来写出我们的结构方程模型的数学公式。

对于图1中的例子，我们可以用1个线性方程表达结构部分，2个线性方程分别表达内生和外生潜变量的测量部分，三个公式联立就是这个图的完整的结构方程模型的公式。

因为知乎这个输入希腊符号麻烦（也可能是我不会用），另外现在我们只需要通过专业软件指定就可以了，所以也不需要了解数学公式（尤其是大家更多的可能做社会科学，也不想去理解数学公式），这里就略掉了。如果某位同学看到想了解的话可以私信我，我看到会给大家回复的。前置知识需要了解线性代数的基本知识，不过不需要太深入

一般我们论文分析有很多个题项时，也就是多变量时，建立SEM结构化方程时 ，如果没有坚实的理论基础支撑，不清楚那些变量分为一个组时，题项对应哪个因子。一般可以先用EFA再在此基础上用 CFA。 （探索性因素分析用spss软件做，验证性因素分析用amos软件。） 探索性因子分析可以实现用少量因子反映大量问卷题目的信息，从而实现降低维度，便于分析的目的，并对因子命名用于后续分析。

前面的SPSS分析方法-因子分析中，也提到因子分析的前提条件 ： KMO检验和巴特利特检验： 用于检查变量间的偏相关性，取值在0-1之间。KMO值越接近于1，因子分析效果就好。一般KMO值0.9以上极适合做因子分析，0.8以上适合做因子分析，0.7以上尚可，0.6以上勉强度可以，0.5以上不适合，0.5以下非常不适合。实际运用中，在0.7以上，效果比较好；在0.5以下时，不适合应用因子分析。

Bartlett 球形检验：  P<0.05,不服从球形检验，应拒绝各权变量独立的假设，即变量间有较强相关；P>0.05时，服从球形检验，各变量相互独立，不能做因子分析。

接下来我们建立SEM模型。

一、画好路径图

打开AMOS，按照我们做EFA分好的题项或者根据理论分好的题项设计路径图。

二、读取数据文件

因为SPSS14.0版本以后已经将AMOS整合到SPSS内，所以一般我们数据以SPSS存储来分析比较兼容，不容易出问题。当然，在读取数据之前，我们要对数据的完整性问题做处理。

步骤：1、在工具箱中选择“Select data file(s)”图示，或者点菜单栏File-Data Files

2、勾选【Files Name】，然后选择分析的后缀名.sav数据文件读入

3、可以看到读入文件成功，数据样本145个

4、点击OK，结束数据读入，也可点击View Data阅览数据

二、命名变量名称

前面我们建立了路径图，但其中的潜在变量和观察变量以及相关误差都还没命名，和关联数据。

步骤：

[if !supportLists]1.  [endif]命名观察变量。点击工具箱中”List Variablles in data set”,按住鼠标左键把观察变量拖入方形框中。

2.命名潜在变量。双击椭圆框框，打开Object Properties，在Variables Name窗口中输入潜在变量名。

3.命名误差变量。自动命名：点击菜单Plugins-Name Unobserved Variables。手动命名，可以双击打开Object Properties，保持视窗开启，逐个命名。

4.我们可以点击，调整一下观察变量的方框，美化路径图

5.最后我们就得出一个完整模型了。

三、在路径中显示重要的参数。

步骤：1、点击Title图示，在绘图区点一下，输入参数的宏函数

2、常见的参数宏函数命令如下

四、存档，点击，保存文件

五、估算分析，输出结果

步骤：

[if !supportLists]1.  [endif]点击Analysis properties图示，选择Output，勾选需要分析的系数、输入的模型拟合度和需报告的相关值。

2、点击Calculate estimates图示，产生估计值。

六、分析验证输出结果

1.点击工具箱View Test图示，浏览输出估计值，输出报表内容。

2.报表解读

3.模型的总体

4.非标准化回归系数

5.标准化回归系数

6.相关系数

7.方差 ：检查是否有违反估计

原文来自https://mp.weixin.qq.com/s/ORu4ez12YoB036tuN5KuuQ

想要学习更多知识,欢迎关注wx公z号程式科技。

---