如果存在多重共线性还能用Sem吗

能。

首先SEM更加灵活，更加综合。传统方法的模型是提前规定的或者说是默认的，而做结构方程的时候，它对变量关系的限制几乎没有，需要你自己根据理论知识设定变量之间的关系。SEM既包含显变量又有潜变量，而传统的方法之分析显变量。在SEM中我们认为误差是存在的，你甚至可以规定不同变量之间误差的关系，但是传统的方法认为误差是没有的。传统方法能够输出变量间关系的直接的显著性检验结果，而SEM没有这样的结果，我们得用拟合指标来评价模型。结构方程模型可以很好地容忍多重共线性。

    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。

其实应该说是最大似然法和最小二乘法的区别吧。

采用OLS的回归分析方法存在几方面的限制：

（1）不允许有多个因变量或输出变量

（2）中间变量不能包含在与预测因子一样的单一模型中

（3）预测因子假设为没有测量误差

（4）预测因子间的多重共线性会妨碍结果解释

（5）结构方程模型不受这些方面的限制

SEM的优点：

（1）SEM程序同时提供总体模型检验和独立参数估计检验；

（2）回归系数，均值和方差同时被比较，即使多个组间交叉；

（3）验证性因子分析模型能净化误差，使得潜变量间的关联估计较少地被测量误差污染；

（4）拟合非标准模型的能力，包括灵活处理追踪数据，带自相关误差结构的数据库（时间序列分析），和带非正态分布变量和缺失数据的数据库。

构方程模型最为显著的两个特点是：

（1）评价多维的和相互关联的关系；

（2）能够发现这些关系中没有察觉到的概念关系，而且能够在评价的过程中解释测量误差。

1、最小二乘法的典型应用是求解一套x和y的成对数据对应的曲线（或者直线）方程。

其思想是：设y和x之间的关系可以用一个公式在表示，但其系数为待定系数。然后，将各个点的实测数据与计算求得的数据相减，得到“误差”或者不符值（有正有负，但其平方都是正的），将这些不符值的平方相加，得到总的“误差”。通过调整公式中的各个系数，使得误差平方和最小，那么就确定了y和x之间的方程的最好结果。求解最小二乘问题的过程中没有提及概率问题。

2、而极大似然估计值，是用于概率领域的一种方法，和最小二乘法是两个领域的。这种方法是应用求极大值的方法，让某一个公式求导值为0，再根据情况判断该极值是否是合乎要求。极大似然估计法可以用于正态分布中 μ, σ2的极大似然估计。极大似然估计法就是要选取类似的数值作为参数的估计值，使所选取的样本在被选的总体中出现的可能性为最大。

---