结构方程模型（SEM模型）

（1）功能很强大

（1）模型回归系数汇总表格

（1）路径影响关系MI-调整影响关系

相关链接：

链接1 ：结构方程模型(Structural Equation Model, SEM) https://zhuanlan.zhihu.com/p/138837728

链接2 ：SPSSAU教程-结构方程模型 SEMhttps://spssau.com/helps/questionnaire/semAnalyse.html

链接3 ：在线spss】数据分析实战教学之结构方程模型-SPSSAU实现 https://www.bilibili.com/video/av69372102

计算SEM自由度有两种方法:

1、 一种是计算数据中observed variables indicators (变量)

之间的相关系数（correlations）的个数，一般用k来表示变量的个数，其相关系数的个数则为 k X

(k–1) / 2。如你的例子中有12个变量，它们之间的相关系数应该有12 X 11 / 2 = 66。

2、另一种是计算数据所有变量之间的variance-covariance (方差－协方差) 的个数，公式为 k X (k + 1) / 2。在本例中，共有

12 X 13 /2 = 78。

3、“模型所需的信息”也有两种对应的算法。与相关系数对应的算法是模型中所需估计的parameters

(参数)，包括factor loadings (因子负荷，即λ，本例中有12个)、coefficients of exogenous factors

(自变量因子对因变量因子的影响系数，即γ,本例中有2个)、 coefficients of endogenous factors

(因变量因子对因变量因子的影响系数，即в,本例中有1个)，三者相加共有 12 + 2 + 1 = 15个参数需要被估计。

如果按方差-协方差计算的话，那么需要被估计的参数，除了以上的λ、γ和в以外，还需要加上每个errors

of indicators（变量的残差，即δ和ε，本例中有12个），四者相加为 12 + 2 + 1 + 12 = 27。

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。

---