349219_zh-CN

liliconcom

结构方程建模的基础知识 (2021-EU-45MP-752)

级别：中级

 

Laura Castro-Schilo，JMP 高级研究统计师开发人员，SAS
James R. Koepfler，JMP 研究统计学家测试员，SAS

 

本演示文稿详细介绍了结构方程模型 (SEM)，涵盖了使各种背景的分析师能够使用这种统计技术的关键基础概念。 我们首先与回归分析进行比较，以促进对 SEM 框架的理解。 我们展示了如何利用观察到的变量来估计潜在变量，解释测量误差，改进未来的测量并改进线性模型的估计。 此外，我们强调分析师可以使用 SEM 解决的关键问题，并通过使用真实数据的示例展示如何回答这些问题。 与会者将学习如何执行路径分析和验证性因素分析、评估模型拟合、比较替代模型以及解释 JMP Pro SEM 平台中提供的所有结果。

 

 

自动生成的成绩单...

 

扬声器	成绩单
劳拉·卡斯特罗-斯基洛	大家好，我是 Laura Castro-Schilo，欢迎参加本次会议，我们将学习结构方程建模的基础知识。
	我们今天的目标是确保您拥有使用 JMP Pro 16 中的结构方程模型平台指定和解释模型所需的工具。
	为此，我们首先简要介绍 SEM，告诉您它是什么，特别是利用它与因子分析和回归分析的联系。
	在此过程中，我们将了解路径图如何成为 SEM 的重要工具。
	我们将尽量使介绍保持相当简短，这样我们就可以真正专注于一些示例。
	因此，在这些示例之前，我将介绍我们将用于该演示的数据，这些数据与对 COVID 19 威胁的看法有关。
	因此，通过查看这些数据，我们将开始了解如何指定和解释我们的模型，并且我们将通过回答特定问题来做到这一点。
	这些问题将引导我们讨论 SEM 中非常流行的模型，一个是验证性因素分析，另一个是多元回归分析。
	最后，我们将向您展示一个将这两种分析结合在一起的模型，这样您就可以真正看到 SEM 如何成为一个非常灵活的框架，您可以在其中适应您自己的模型。
	好的，SEM 是一个将因子分析和回归分析结合在一起的框架，在因子分析方面我们能够获得衡量的能力
	即使是那些我们无法直接观察到的东西，也称为潜在变量。
	从回归的角度来看，我们能够检查变量之间的关系，无论这些变量是观察到的还是未观察到的，因此当你将这两者结合在一起时，你会得到 SEM，你可以想象，它是一个非常灵活的框架，其中各种不同的模型可以适合。
	路径图在 SEM 中确实是有用的工具，原因是方程组可能相当复杂
	实际上可以通过这些图表来表示。 因此，只要我们知道如何绘制图表以及如何解释它们，
	然后我们就可以利用它们来发挥我们的优势。 所以这里我们有矩形，这些矩形专门用于表示观察到的变量。
	圆圈用于表示潜在变量，双头箭头用于表示方差和协方差，单头箭头用于回归或加载效应。
	还有另一个符号经常在路径图中使用，它有点超出了我们今天要讨论的范围。
	但如果你遇到它，我只是想确保你知道它在那里，而且那是一个三角形。 三角形用于表示均值和截距，因此我们可以拟合各种有趣的模型，
	我们正在对数据的平均结构进行建模，但我们今天没有时间讨论这些。
	现在，当谈到路径图时，我认为思考构建块是什么是有用的
	SEM 模型，以便我们可以使用它们来构建复杂的模型。 其中之一是简单的线性回归。 所以在这里，你看，我们有
	线性回归，其中 Y 在 X 上回归。 请注意，X 和 Y 都在这些矩形、这些框中，因为它们是观察到的变量。
	我们使用单向箭头来表示回归效应，并使用在同一变量上开始和结束的双向箭头
	在这种情况下，表示 X 的方差，在 Y 的情况下，表示 Y 的残差方差。 如果双头箭头从一个变量开始并在另一个变量处开始...并结束，那么这将是协方差。
	现在，在 SEM 中，任何变量都可以既是结果又是预测变量。 因此，在这种情况下，如果我们有第三个变量 Z，其中 Y 预测 Z，则 Y 也可以扮演预测变量的角色。
	因此，我们可以根据您的数据构建顺序效应，即这种类型的顺序回归，只要您需要，就可以建立任意数量的顺序回归。
	另一个构建模块是验证性因素模型，所以这基本上是
	我们在 SEM 中指定潜在变量的方式。 这个特定的例子是一个非常简单的单因子，一个潜在变量
	验证性因素模型，其中圆圈代表未观察到的潜在变量。
	请注意，潜在变量有一个单向箭头，指向我们观察到的变量，在本例中为 W、X 和 Y。
	该变量之所以指向这些方块，是因为在因子分析中，潜在变量导致了我们在 W、X 和 Y 中观察到的共同变异性。
	理解这一点非常重要，因为当我们考虑主成分时，它经常会感到困惑
	成分分析视角。 因此，我认为这是一个很好的机会，可以从因子分析的角度来区分潜在变量和从主成分分析的角度来区分成分，所以我将稍微切题一下来解释这些差异。
	在此图像中，方块代表我们测量的变量，即观察到的变量。 请注意，我使用了不同数量的
	这些变量上的蓝色阴影表示方差的比例，该方差是由于我们想要测量的内容、信号的种类、我们想要用仪器测量的东西而引起的。
	灰色阴影区域是由任何其他方差来源引起的方差比例。 它可以包括测量误差，但也可以包括系统方差，即
	这些测量仪器都是独一无二的。
	因此，在因子分析的情况下，潜在变量捕获了观察到的变量的所有常见变异性，这就是为什么我们使用这种纯蓝色来表示潜在变量。
	这与主成分分析中发生的情况形成鲜明对比，主成分分析的目标是降维。 所以在 PCA 中，该分量将解释最大方差量
	从我们数据的维度来看。 因此，这意味着该主成分通常是由于什么原因而导致的方差的组合
	我们想要测量的内容，以及其他一些方差来源。 好吧，该图再次说明了因果假设，即潜在变量是
	假设会导致观察变量中指标的变异性，这就是为什么那些单向箭头指向观察变量，而 PCA 中的情况并非如此。
	好吧，所以我认为当我们谈论 SEM 中的潜在变量时，这是一个有用的区别，
	很多时候，我们谈论的是因子分析角度的潜在变量。
	好的，所以在这里我选择向您展示属于已估计模型的路径图。 所以我们这里有所有的值
	在这些箭头上，因为这些都是模型的估计，我认为该图很好地说明了为什么人们可以使用 SEM。
	首先，我们看到有未观察到的变量。 在这里，冲突是一个抽象的构造，我们不一定能直接观察到，因此我们通过利用我们观察到的事物将其定义为潜在变量，在这种情况下，我们有三个调查问题，分别代表
	你知道，那个未被观察到的冲突变量。 我们还能够解释测量误差，即 SEM 中定义潜在变量的方式
	向我们保证，我们实际上正在考虑测量误差，因为这些潜在变量只会捕获所有这些观察到的变量的共同方差。
	另请注意，我们能够检查 SEM 中的顺序关系。 所以我们有这个未观察到的冲突变量，但我们也能够看到，
	你知道，这个支持变量如何影响工作，然后，这个工作变量又如何影响潜在变量？
	最终，冲突这一不可观察的变量如何预测各种其他结果。 因此，这些顺序关系非常有用，并且在 SEM 中很容易估计。
	使用 SEM 的另一个充分理由是，在 JMP Pro 中，我们的平台使用尖端技术来处理缺失数据，因此，即使您有一个简单的线性回归并且这确实是您所需要的，但如果您有缺失数据，
	SEM 确保现有的所有内容都用于估计，因此这也非常有帮助。
	如果这...
	如果到目前为止我所说的激起了您的兴趣并且您计划了解有关 SEM 的更多信息，那么毫无疑问，您会发现很多术语
	这是该领域独有的。 因此，就像其他事情一样，我们需要熟悉一些术语。
	因此，此图对于介绍一些术语也很有用。 首先，我们一直在讨论观察变量或测量变量。
	在 SEM 中，这些通常称为明显变量。 我们有潜在变量，我们已经讨论过。
	但我们也有外生变量的想法，这些变量只能预测其他变量。
	在我们的模型中，我们只有其中两个，它们与内生变量形成对比。 因此，这里的每个其他变量都是内生变量，因为它们有其他变量预测它们。
	好吧，这些都是内生变量。 我们还有潜在变量指标，因此这些是由潜在变量引起的变量。
	未被潜在变量解释的残差方差称为唯一性，它们通常也称为唯一因子方差。 因此请记住，除了测量误差之外，这是该变量特有的系统方差的组合。
	我发现当人们学习 SEM 时转移关注点很有用
	模型真正在做什么。 换句话说，通过意识到我们正在对协方差结构进行多元分析
	（也意味着，但请记住，我们今天讨论的不是意味着），而是意识到我们实际上正在分析的是结构
	数据的协方差，这有助于我们更轻松地理解 SEM。
	因为它对我们认为的数据有影响，对吗？ 因此，例如，您知道，我们可以拥有数据表，其中每一行代表不同的观察结果，每一列都是不同的变量。
	我们绝对可以使用这些数据在 JMP 中启动 SEM 平台。
	但在后台，即在幕后，平台正在做的是查看这些变量的协方差矩阵，即实际上正在分析的数据。
	因此这对残差也有影响。 通常，当我们考虑 SEM 中的残差时，这些残差是与我们正在分析的协方差矩阵相关的。
	对于自由度来说也是如此，并且自由度将与该协方差矩阵相关。
	是的，所以我想确保让您稍微了解一下 SEM 在估算方面的工作原理。
	因此，我们开始的方式是指定一个模型，值得庆幸的是，在 JMP Pro 中，我们拥有非常友好的用户界面
	我们可以直接用路径图指定我们的模型，而不必指定或列出复杂的方程组。 您可以简单地绘制暗示特定协方差结构的路径图。
	因此，这些图暗示了数据的协方差结构，然后在估计过程中，我们所做的就是根据隐含的模型，尝试获得与样本协方差矩阵尽可能匹配的模型估计
	基本上，限制。 一旦我们有了这些估计，我们就可以将它们插入模型隐含协方差矩阵中，并将这些值与样本协方差矩阵进行比较，
	它们之间的差异使我们能够量化模型的拟合度，对吧。 因此，如果我们有很大的残差，通过查看这两个协方差矩阵之间的差异，我们就知道我们在拟合模型方面做得不够好。
	好吧，简而言之，这就是 SEM 的工作原理，我现在想在演示文稿的下一部分中介绍我们将用于演示的数据。 我确实认为
	通过掌握一些真实的数据、真实的例子，学习新概念会更容易。
	因此，我们要使用的数据实际上来自最近发表在《社会、心理和人格科学》杂志上的一篇文章，该文章发表于 2020 年夏天。
	作者想回答一个非常简单的问题。 他们说，你知道，感知到的 COVID 19 威胁如何影响福祉和公共卫生行为？ 所以
	这是一个简单的问题，但人们所感知到的 COVID 19 威胁是一个全新的概念，对吧。 这是一个非常抽象的想法。
	您知道，人们认为新冠病毒 (COVID-19) 的威胁是什么，您如何衡量它，对吗？ 因此，因为这是以前从未测量过的东西，所以作者必须进行非常仔细的研究
	研究他们在哪里开展了一项调查来衡量这些威胁。 和
	开展调查并不容易，对吧。 我们需要确保我们的调查问题是可靠的、有效的。
	所以他们必须经历这个过程，我们很快就会看到他们是如何做到的。
	现在，在他们的研究中，他们发现有两种类型的威胁可以衡量，一种被他们称为现实威胁，那就是
	威胁我们的财务和人身安全的事情。
	另一种威胁是……他们称之为象征性的。 所以这些都是威胁我们社会、文化身份的事情，对吧。 同样重要的是，这个样本是针对美国人口的。 他们采样了
	超过 1,000 人，因此他们的问题仅与美国人口有关。
	我们在这里看到的，这实际上是综合的 COVID 19 威胁量表，所以这是他们在经过三项不同的研究后开发的调查问卷。 所以他们发现这两个威胁
	可以用少数项目来测量。 他们要求参与者回答冠状病毒的爆发对你的个人健康、整个美国人口的健康有多大威胁（如果有），
	您的个人财务安全等等。 对于象征性威胁，问题是，你知道，
	该病毒对作为一个美国人的意义、美国的价值观和传统、以及美国全体人民的权利和自由等构成了多大的威胁。 因此您可以看到这些威胁所代表的差异。
	因此，我们可以访问这些数据，并且将使用这些数据来回答非常具体的问题。 首先，我们如何衡量这些对 COVID 19 威胁的看法，我们将重点关注他们发现的两个威胁。
	因此，这将引导我们讨论验证性因素分析和评估测量模型，以确保我们能够弄清楚调查中的问题实际上是否可靠和有效。
	请注意，我们将跳过这个非常重要的第一步，即探索性因素分析，这是人们之前会做的事情
	使用SEM，对。 您将运行探索性因子分析，然后使用 SEM 来确认之前结果的结构。 本文的作者确实做到了这一点，但我们将重点关注使用 SEM 所遵循的步骤。
	第二个问题是，对 COVID 19 威胁的看法是否可以预测健康指标和公共卫生行为。 这个问题将引导我们讨论 SEM 中的多元回归和路径分析。
	最后一个问题是每种威胁对结果的影响是否相同。 这实际上让我们能够展示 SEM 的一个非常酷的功能，其中包括在我们的模型中设置等式约束并进行系统的模型比较来回答这些类型的问题。
	好吧，现在是演示时间了，我已经……让我们看看……
	哎呀，我该如何离开这里呢？
	现在还不是提问的时间。
	我只是想退出屏幕，但似乎做不到。
	好吧，我们开始了，所以我们...
	我已经在此处打开了 JMP 的数据表。 这个...这些数据，你可以看到有 238 列，那是因为作者问
	本案例中 550 名参与者提出了许多不同的问题；这是他们的三项研究之一。
	前 10 个问题，即我在数据中的前 10 列，与我们在威胁量表中看到的 10 个问题相对应。
	因此，这些将是我们首先用来进行验证性因素分析的那些。 因此，我们将单击“分析”，我们将使用多元方法、结构方程模型。
	我们将使用这 10 个变量并单击模型变量，然后单击“确定”启动平台。
	请注意，在右侧我们立即看到有一个路径图。
	你知道，该图已经包含了我们之前讨论的所有特征，因此每个变量都在矩形中，表明它们是观察到的变量。
	每个变量都有这些从自身开始和结束的双头箭头，因此它们代表每个变量的方差。
	现在，如果我右键单击画布，则会出现一个显示菜单，并注意默认情况下隐藏均值和截距。
	我点击这个只是为了告诉你我们确实有
	意味着根据所有这些变量默认估计。 所以我们不会谈论这些，所以我们会把它们隐藏起来，但我确实认为知道这一点很重要
	当我们启动平台时，我们开始使用的默认模型是所有变量都有方差和均值估计的模型。
	现在，关于这个
	选项卡，我们有一个列表选项卡，如果我们单击它，我们会看到我们有
	与图表中的信息完全相同，但采用列表形式。 因此，所有不同类型的参数都根据参数的类型进行划分，因此我们在这里拥有所有方差，在那里拥有所有均值。
	是的，我们有一个状态选项卡，这基本上告诉我们我们现在指定的具体模型。 它为我们提供了有关该模型的大量有用信息。
	我们有关于数据、样本大小、自由度的详细信息，我们也有这些识别规则。 如果您想了解更多有关它们的信息，可以单击它们。 它给你一点...
	右边有一个小描述。
	但真正有帮助的是，状态选项卡的图标会不断变化，具体取决于我们所做的更改以及我们所拥有模型的规格。 通常，如果我们有 SEM 的高级应用，这
	图标可能是黄色的，当我们遇到严重错误，一些重要错误时，该图标将是带有 X 的橙色，基本上表明存在错误。 因此，在我们指定模型时识别错误可能非常有用。
	现在在用户界面的左侧，我们看到我们可以
	指定我们模型的名称，所以这非常有帮助，可以跟踪我们的工作流程。 我们还有“发件人”和“收件人”列表。
	因此，这些列表提供了一种非常有用的方式来链接变量，可以使用单向箭头或双向箭头。
	例如，在这里，如果我想链接这些，我可以单击该按钮，很快我就绘制了一个路径图，对吧。 所以这是指定模型的一种非常有效的方法。
	因此，我将在此处单击重置，只是为了返回到启动平台时的模型，但要知道“从”和“到”列表基本上是我们绘制图表的方式。
	好的，在这种情况下，我们列出了所有观察到的变量，但我知道我们想使用这些变量来指定潜在变量。
	现在，这里的前五个变量是与现实威胁调查中的项目相对应的变量。 所以我将通过向下添加一个潜在变量到模型中
	到这里的这个框，其中写着 Latent1，我将把名称更改为 Realistic，因为我想要
	这五个变量是现实威胁潜变量的指标。 因此，通过单击此按钮，
	我立即指定了该潜在变量。 请注意，这个现实威胁潜在变量的第一次加载有一个 1...
	在这个箭头中，这基本上代表了参数固定为值 1 的事实。
	我们这样做是因为我们需要设置潜在变量的规模。 如果没有这个约束，我们将无法识别模型，因此
	默认情况下，我们将在第一次加载潜在变量时放置该约束，但我们也可以实现
	如果我们将潜在变量的方差固定为 1，也会达到同样的目的。 所以我们做哪一个实际上是一个选择的问题，但作为默认，平台会将第一次加载固定为1。 好的，我们有一个现实的威胁潜变量和其他五个
	这里的变量是对应于象征性威胁问题的变量。 所以我将选择它们并单击此处。 我将输入“符号”，然后单击加号按钮来添加该符号威胁。
	好的，我们快完成了，但请注意，这里的模型意味着现实威胁和象征性威胁彼此完全不相关，这是一个非常有力的假设。 所以我们不想这样做。
	在大多数情况下，大多数验证性因子模型允许潜在变量相互协变，因此我将在此处选择它们，并且我可以单击此双头箭头来链接这两个节点。
	但我也可以直接从路径图来做。 因此，如果我右键单击潜在变量，我可以单击“添加协方差”并
	就在那里，我可以添加协方差。 所以这是一个非常酷的方式。 你可以用列表来做，也可以直接在图上做，
	无论你的选择是什么。 我们的模型已准备好进行估计，因此我将名称更改为 2-Factor CFA，我们可以继续运行它。
	您可以看到，我们很快就获得了估计值，并将它们全部映射到图表上，这非常酷。 但在我们解释这些结果之前，我想确保我们重点关注这个模型比较表。
	原因是该表为我们提供了大量有关模型拟合的信息，我们希望在解释结果之前确保模型拟合良好。 所以
	这里首先要注意的是，我们在这个表中...有三个模型，但我们只适合其中一个。
	因此，我们拥有三个模型的原因是因为前两个模型（无限制模型和独立模型）在启动平台时默认不适合。
	因此，我们有意拟合这些模型，以便为什么是真正好的拟合模型和什么是真正糟糕的拟合模型提供基线，因此我们将它们用作比较框架
	与我们自己指定的模型。 让我说得更具体一些。 例如，无限制模型将是一个模型（我将用路径图向您展示），
	无限制模型是允许每个变量彼此共变的模型，好吧。 所以请注意
	作为失配度量的卡方统计量恰好为零，原因是该模型完美地拟合了数据。 请记住，这里的数据实际上是数据权的协方差矩阵，因此我们的自由度为零，因为我们已经指定了......
	自由度为零，因为我们正在估计数据中所有可能的方差和协方差。
	所以这是最好的情况，对吧。 我们没有失配，但我们也在根据数据估计每一种可能的估计。
	频谱的另一端是一个非常不适合的模型，这就是独立模型。 所以如果我向你展示路径图
	在我们的默认模型中，我们仅将方差作为数据的手段，这正是独立性模型。 和
	这本质上是一个没有任何东西与其他东西共变的模型，你可以看到该模型的卡方统计量实际上相当大，因为有很多不适应，对吧，所以它几乎是 2000 个单位，但我们确实有
	45 个自由度，因为我们从数据中估计的东西很少。 再说一次，这两个模型基本上提供
	频谱的两端，右。 一方面，一个非常好的拟合模型，另一方面，一个非常差的拟合模型，所以我们将能够使用这些信息来将我们自己的模型与那些模型进行比较。
	所以，如果我们看看我们的模型。 请注意，卡方统计量不为零，但只有 147 个单位，比 2000 小很多。
	而且我们有 34 个自由度，所以我们确实有一些不适应。 当我们查看该卡方的检验时，它是一个显着的卡方统计数据，因此这表明我们在数据中存在统计上显着的不拟合。
	然而，卡方统计量受样本大小的影响，在本例中我们有 550 个观测值。 所以
	通常，当您有 300 个或更多观察值时，不仅要查找卡方统计量，而且还要查找一些特殊的值，这一点非常重要
	SEM 独有的拟合指数使我们能够量化模型的拟合度，这就是此处右侧的值。
	这个第一个拟合指数称为比较拟合指数，
	索引范围从零到一，因此您可以看到无限制模型有一个 1。 这是最好的拟合模型，独立模型为零，因为最差的拟合模型，好吧，我们的模型实际上有 0.93 的 CFI，大约 0.94。
	这代表了独立模型的改进比例。 所以另一种说法是
	我们的模型比独立模型的拟合度好约 94%，所以这实际上相当不错。 通常我们希望 CFI 值为 0.9 或更高。 越接近一越好。
	现在近似均方根误差是另一个拟合指标，但是那个，
	尽管它的范围也从零到一，但我们希望该索引的值非常非常低。 因此请注意，无限制模型的值为零
	独立模型为 0.27。 对于可接受的模型，我们通常希望此处的值为 0.1 或更低。 我们的有 0.07，大约 0.08，这实际上相当不错。
	对于这个特定的估计，我们还有一些置信区间，您可以看到这些值也低于 0.1，所以这是一个很好的拟合模型，对吧。 因此，一旦我们知道该模型...非常适合我们的数据，那么我们就可以继续解释它。
	现在，作为我们估计的默认值，我们将向您展示非标准化参数估计。
	但对于因子分析，查看标准化解决方案更有用，因此我将右键单击画布，然后显示标准化估计值。
	因此，现在这里的值采用相关度量，因此我们希望这些值尽可能接近 1，
	因为它们代表了观察变量与潜在变量的相关性。 请注意，无论是对于现实威胁还是象征性威胁，这些值都相当不错。
	我们不希望它们低于 0.4 左右，因此这些值很好。 另一件非常独特且非常有用的事情，它是 JMP Pro 所独有的，是这里的变量...任何内生变量
	预测者，对，指向他们，它是阴影的。
	请注意，这些方块内部有一点灰色，因此阴影与预测变量解释的方差量成正比。
	因此，它使我们能够非常快速地直观地看到哪些变量在解释其方差方面做得非常好。 在这种情况下，这三个变量似乎
	充满了深灰色，这表明象征性威胁潜在变量在解释这三个观察到的变量的方差方面做得相当好。
	我们还发现这两个潜在变量的相关性约为 0.4，这是一个有趣的发现。
	我们可以在红色小三角菜单中关注各种输出，但我将特别关注其中一个
	称为评估测量模型的选项。 这就是我们将找到大量统计数据的地方，我们可以量化我们的构造的可靠性和有效性。
	因此，如果我们点击那里，我们就会看到这个漂亮的小仪表板。 我们在这里得到的第一个信息是
	指标可靠性，因此这量化了该调查中每个问题的可靠性，我们提供了一个图。
	向我们展示所有这些价值观。 请注意，我们这里有一条红线，代表我们希望拥有的阈值，对吧。 我们希望我们的每件产品至少都具有同样的可靠性。 现在，
	你知道，这些类型的阈值需要用我们自己的批判性思维来解释，因为显然，
	例如，您知道，这个特定项目低于阈值，但它仍然非常接近阈值，因此我们不会将其丢弃。 我们还是可以考虑的
	相对可靠，并且它仍然是这个潜在变量的一个很好的指标。 但再次强调，请谨慎解释此处的阈值。
	但从该图中可以明显看出的一件事是，象征性威胁潜在变量似乎比现实威胁具有更可靠的指标。 不过，它们都相当不错，但象征性的，你知道，我们在衡量这一点方面做得更好。
	右侧的值是复合材料的可靠性系数。 换句话说，它们量化了整个潜在变量的可靠性，并且有两种类型的可靠性。
	我不会详细介绍它们之间的差异，但请注意这些值的范围从零到一，我们希望它们尽可能接近一。 并且我们还提供
	你知道，一些图的阈值表明我们想要的可靠性量是多少，最小的，在这种情况下，现实和象征性的威胁都具有良好的可靠性。
	我们这里的另一个可视化是构建有效性矩阵
	请记住，当您尝试测量无法直接看到的东西时，很难弄清楚它是否真的存在
	是你想要它测量的。 你真的在衡量你想要的吗？ 这就是这些信息让我们能够确定的。
	这里的可视化描绘了这个矩阵的上三角，让我简单解释一下这些值代表什么。 在这个较低...
	对角线下方，我们有潜在变量之间的相关性。 大约是0.4。 对角线条目表示提取的平均方差量
	来自……潜在变量从其指标中提取。 因此您希望这些值尽可能高。
	在对角线上方我们有平方相关性。 换句话说，它是潜在变量之间重叠方差的量。
	因此解释这个矩阵的关键是我们希望对角线中的值更高
	比对角线上方和右侧的值要多，请注意，可视化使我们很容易看到，事实上，
	对角线中的值比上方或右侧的值更大。 这是结构有效性的良好证据。
	因此，这里的一切都表明，现实和象征性的威胁实际上都是，
	潜在变量是有效的、可靠的，调查似乎很好地衡量了这两个变量。
	因此，下一步可能是，我们可以选择抓住代表现实威胁的所有这五个问题，并且我们可以对所有这些问题创建一个平均值。
	突然之间，我们就会有了一种代表现实威胁的衡量标准。 我们可以这样做，我们也可以对代表象征性威胁的其他五个变量做同样的事情。
	所以我们只是为了说明，我实际上已经创建了这些变量，所以让我们来分析，多元方法，结构方程模型。 我要去寻找那些
	平均变量。 因此，这里的现实威胁和象征性威胁是每个变量的各列的平均值。
	我将对这些进行建模，除了......我们有一个衡量焦虑的措施，我们还有一个衡量负面影响或消极负面情绪的措施。
	最后，我们有一个遵守公共卫生行为的措施，因此我们也将对其进行建模，然后单击“确定”启动该平台。
	这里的图表按钮，我们可以进入自定义菜单，我们可以更改图表的各个方面，这真的非常棒。 现在，我只想专注于增加......的宽度
	这些的宽度
	变量，以便我们可以读取节点内部的内容。 我要做的是拟合一个模型，其中现实和象征性威胁都将成为这些有趣结果的预测因素，对吧。 有某种
	您知道，焦虑、负面影响以及公共卫生行为的标记，因此我们将用一个单向箭头将它们链接起来以指定预测。 因此，我们将调查这些影响实际上是否显着。
	现在请注意，我尚未完全指定此模型，因为在这个特定模型中，
	现实威胁和象征性威胁之间没有联系，并且模型中的一个非常强的约束是说这两件事不是
	完全共变。 因此，我们始终希望确保包含预测变量之间以及结果的残差方差之间的协方差。
	因此，我们可以直接从“来自”列表中指定这些威胁，在本例中，我将使用此菜单中的添加协方差，并且我将链接现实威胁和象征性威胁。
	我还将使用列表来添加这些结果的残差之间的协方差。 现在我们有了一个完整的正确指定的模型，这通常称为路径分析，但它也是......
	它基本上是一个集合，回归模型的同时集合，所以我们将运行它。
	从模型比较表中注意到，我们的模型没有自由度，并且具有完美的卡方，并且卡方为零。
	但本质上，自由度为零，这意味着我们的模型不可测试，
	因为我们已经提取了可以从数据中提取的所有信息。 这本质上就是我们拟合回归模型时所做的事情。 所以这没有问题，但要知道你不能解释这个卡方并说，哦，我的模型非常适合。
	它非常适合，因为您已经提取了可以从模型中提取的所有内容。 无论如何，它就像一个回归模型。
	好吧，如果我们去看结果，你知道，我们可以解释各种非常重要的信息，但我将重点关注几件事。 第一的，
	请注意，我们的图表是完全交互式的，这真的非常酷。 我只是移动一些东西来关注一些效果。 我将隐藏该模型中的方差和协方差，以便我们可以真正关注回归模型的结果，
	从路径分析。 请注意，现实和象征性的威胁都对焦虑有积极的影响。
	这真的很有趣，这里的箭头是实心的，因为你可以在参数估计表中看到，效果在统计上是显着的。 所以如果它们微不足道的话
	实际上，箭头会显示为虚线箭头。 所以路径图传达了很多信息。 所以我们对焦虑有积极的显着影响
	当然，这很有趣，但到目前为止，我们所做的一切都是以同时的方式拟合回归模型。
	事实上，如果我们回到数据表，我这里有一个来自拟合模型的脚本，我实际上在其中使用了相同的焦虑
	结果和相同的两个预测因素，现实的和象征性的威胁，
	我简单地估计了一个多元回归模型。 我想向您展示这一点的原因是，请注意此处的参数估计值与我们从 SEM 获得的值完全相同。
	这并不奇怪，因为事实上，我们正在进行同步回归。 所以到目前为止，您可能想知道
	SEM 能为您带来什么，对吧，因为从技术上讲，您可以运行三个独立的拟合模型来获得这三种结果，并且您可以获得与我们迄今为止获得的相同信息。
	但是，如果您缺少数据，您仍然想使用 SEM，因为那时我们将使用...所有数据都将被使用，而不是删除行。
	然而，如果您想使用 SEM，您还可以回答其他非常有趣的问题。
	在这种情况下，我们可能想知道现实威胁对焦虑的影响是否在统计上更大
	比象征性威胁对焦虑的影响更大，对吧。 到目前为止，我们知道它们都与零显着不同，但是它们彼此之间有显着不同吗？
	这是我们可以通过使用 SEM 平台来回答的问题。 回到我们的模型规范面板，我们可以选择这两种效果，在操作按钮中我们有设置相等按钮，所以如果我们按下它，请注意我们会得到一点
	此处的标签意味着这两种效果将设置为相等。 他们将被估计为一个。 因此，如果我们将此处的名称更改为 equaleffects 并运行该模型，我们将获得该特定的拟合统计数据
	具有等式约束的模型。 请注意，我们现在获得了一个自由度，所以突然之间，我们有了一个可测试的模型。
	我们可以使用模型比较表来选择我们想要相互比较的两个模型，然后清除单击比较所选模型。
	现在我们获得了卡方差异检验，因此我们能够对模型进行统计比较，并了解我们的失配量是多少
	模型中引入等式约束。 在这里我们可以看到它的卡方度量大约为 8.6 个单位，而且它的 p 值实际上是显着的。 所以这表明
	设置等式约束会导致模型出现大量失配。 而且我们也知道卡方受样本量的影响，所以我们也有这些差异
	我们讨论过的拟合指数，对于 CFI，我们通常不希望其增加超过 0.01
	至多，最多。 事实上0.01或更高是不太好。 对于 RMSEA，您知道，您不希望该值高于 0.1。
	因此，这里的所有证据都表明，设置等式约束会导致拟合模型明显更差。
	换句话说，如果我们回到最适合的模型，我们现在可以说，基于卡方差异检验，
	现实威胁对焦虑的影响明显高于象征性威胁对焦虑的影响。
	因此，您知道，这些类型的问题我们可以通过该模型的其他部分来解决，但 SEM 再次提供了很大的灵活性，允许我们比较模型内不同效应的相等性。
	好的，所以，为了节省时间，我要结束这个话题，但是，到目前为止我确实想向您展示，您知道我们看到了一个验证性因素模型。 我们还看到了
	路径分析，我们正在进行多元回归分析，但实际上我们可以在一个模型中使用这两个概念。 所以我已经在数据表中保存了一个脚本，您可以看到我在这个模型中所做的实际上是
	估计潜在变量。 我正在使用调查问卷中的原始项目对象征性威胁和现实威胁的潜在变量进行建模。
	因此，通过这样做，而不是创建跨列的平均值，
	实际上，我将对潜在变量进行建模，这使我能够获得回归效应，潜在变量中的所有这些效应都将是无偏的，并且不会因测量误差而减弱，因为我获得了更多
	对象征性和现实威胁更有效、更纯粹的衡量标准。 因此，我们在这里进行估计，您可以看到顺序关系，而我的模型要复杂得多。
	我不会深入讨论模型的细节，但只需知道，通过对潜在变量进行建模并查看潜在变量之间的关系，我们确实能够获得最佳结果
	SEM 的功能，因为我们这些潜在变量之间的关联将更好地估计......
	对于模型。 我实际上估计了这个模型，你可以在这里看到结果。 所以请注意，这里有一些边缘......
	箭头有点虚线，表明这些影响并不显着。 我们还看到阴影的可视化有多么强大，对吧。 我们能够解释
	遵守公共卫生行为的一定比例的差异。 与我们对任何其他结果的解释相比，我们似乎在解释积极影响的方差方面做得更好。 又是这样
	基本上，两全其美，既能够指定我们的潜在变量，又能直接使用我们的平台对其进行建模。
	因此，我将在此停止演示，但我将引导您了解以下事实：在 JMP 社区网站中，我们提供了补充材料
	詹姆斯·科普弗勒 (James Koepfler) 创建了。 它们确实是很棒的材料，其中有很多关于如何解释我们的模型、如何使用模型比较表的技巧，
	基本上，您在演示过程中想要做的所有笔记都可以在补充材料中找到。 因此，我准备好提出问题了。

爆发数据探索预测建模回复：结构方程建模的基础知识 (2021-EU-45MP-752)

谢谢@eharoon ！ 我回到此页面并意识到我没有感谢您的评论。 我很高兴您发现演示内容清晰，并且感谢您的评论。 事实上，我期待为 SEM 用户举办更高级的会议。 现在可以在此处获得更高级的主题（在 SEM 中建模纵向数据）： https://community.jmp.com/t5/Discovery-Summit-Americas-2021/Modeling-Trajectories-over-Time-with-Structural-Equation-Models/tac-p/426558#M111我们还继续致力于改进功能，并已注意到您对贝叶斯估计的建议。

 

再次感谢！

～劳拉

回复：结构方程建模的基础知识 (2021-EU-45MP-752)

竖起大拇指，点赞！ 精彩的演讲，精湛的教学技巧！

 

它确实有助于新用户对 SEM 有一定的了解。 我有三点意见。

 

1. 对于已经在其他高级平台（Lisrel、Mplus、Lavan）等中使用 SEM 的用户，举办中高级会议可能会有所帮助。

 

2. 卓越的数据处理/分析/绘图能力的结合使JMP可以成为该领域的强大竞争者。

 

3. 然而，有一种趋势是将贝叶斯方法与 SEM 建模结合起来。 也许值得考虑未来的进步。