成功构建结构方程模型的正确或常见步骤是什么？我已经学习了有关结构方程建模的理论，但没有足够的构建结构方程模型的经验。 我花了太多时间努力构建一个好的 SEM。 我对构建结构方程模型的步骤有一些疑问，希望有人能给我答案并拯救我。 我正在使用 JMP pro 16。
Q1。 我自己建立结构方程模型的步骤有什么问题吗？我错过了什么步骤吗？
我的步骤：
1.我正在使用最大似然估计，因此检查模型中可能是内生变量的每个变量的分布，并转换其中任何非正态分布的变量；
2.重新调整一些方差很大或很小的变量，以避免潜在的估计问题；
3. 我有 50 多个与自然系统（例如水、栖息地、空气）的几个方面（大约 3 - 5 个）相关的变量。 我想用它们中的一些来构建 3 到 5 个潜在变量，它们代表自然系统的不同方面。 然后我想在最终的结构方程模型中使用一些代表人类发展的观察变量作为外生变量，看看人类发展如何影响自然系统的几个方面，然后影响动物群体。 下图是概念模型。
4.对50个变量进行相关性分析，根据结果和现有理论，我将相关性> 0.3并且理论上属于同一方面的变量分组（一些变量在几个组中）。 所以我得到了几组变量。
5. 对每组进行因子分析。 在每组中，我选择了 2-3 个在同一因子中具有高且相似负载的变量作为潜在变量的指标（这一步往往是主观的）；
6. 对选定的变量进行验证性因子分析（见下图）。 如果通过（基于拟合指数、指标信度、复合信度、构建最大真实性、构建有效性矩阵），则使用这些潜在变量与观察变量（人类发育、动物群）建立结构方程模型。 如果不通过，改变变量组合直到通过。
7. 建立结构方程模型并检查拟合指数。
Q2：成功构建结构方程模型的正确或常用步骤是什么？
我看过一些答案或视频提到在 CFA 之前进行聚类分析、PCA 和因子分析，但我不确定。 也有人可以向我推荐任何文章/书籍/视频，提供逐步说明来构建 SEM 吗？ 谢谢。
分析苹果系统视窗回复：成功构建结构方程模型的正确或常见步骤是什么？你好，
很抱歉看到您还没有收到回复。 原因之一是 SEM 对 JMP 用户社区来说相对较新。
我认为如果您可以在帖子中发布一个问题，这也可能会有所帮助。 简短而具体的请求的讨论帖子往往会得到最好的回应。 在大多数情况下，发布最简单的示例数据来说明您正在尝试做的事情也是一件好事。
我对 SEM 有一点了解（它是我的 Stats MSc 中的模块之一）。 据我所知，我认为很难给出建立结构方程模型的“正确方法”的处方。 我没有足够的知识来评论你提出的方法。 我会说 50 个变量比我在 SEM 示例中看到的要多得多，所以这可能很困难。
在资源方面，您应该寻找 Laura Castro-Schilo 的任何东西（ @LauraCS ）。 例如， JMP(R) Pro 15 中的结构方程模型简介 (2019-US-45MP-273)
还有，我的同事， @jordanwalters , 每月都会在JMPer 电缆. Jordan 可能会对他在学习 SEM 时发现有用的资源提出一些建议。
抱歉，我无法真正回答您的问题。 但我希望这会有所帮助。
菲尔
回复：成功构建结构方程模型的正确或常见步骤是什么？嗨lujc07，
SEM 资源：
我强烈建议寻找一些 Laura (@LauraCS) 的资源和帖子，作为在 JMP 中使用 SEM 的良好开端。
值得一看的是： https://community.jmp.com/t5/Discovery-Summit-Americas-2020/ABCs-of-Structural-Equations-Models-2020-US-45MP-590/ta-p/281529
此外，还有许多优秀的 SEM 文本，我认为 Rex Kline 的“结构方程建模的原理和实践”是一个很好的起点，它具有应用倾向。 您将看到的其他作者有 Ken Bollen、Schumacker & Lomax、Rick Hoyal 等；他们所有的文本也是很好的资源，有些会比其他的更具技术性。 大多数文本可能会使用来自教育和社会科学的例子，但这些方法通常适用。 该技术简单地广泛用于这些领域。
回覆： Q2：我认为通常认为 SEM 最适合遵循探索性因素分析 (EFA / FA)，而不是您列出的其他一些降维技术（PCA、聚类等）。 但是，如果您正在阅读文献，您可能会看到之前使用过其他文献，例如 PCA。 考虑它的有用顺序可能是相关矩阵 -> EFA -> CFA -> SEM。
回覆： Q1：步骤 1-6 是进入 SEM 的一组很好的通用步骤。 事实上，我认为有时人们会忘记这些重要的早期步骤，而只是试图立即建立一个模型，这可能会导致头痛。 我有几个建议：
第 5 步：
对每组进行因子分析。 在每组中，我选择了 2-3 个在同一因子中具有高负载且相似负载的变量作为潜在变量的指标（此步骤往往是主观的）。
在您的 FA 步骤中，我会考虑在 FA 中包含与您的潜在变量“水、空气和栖息地”相关的所有变量（v1-v9 等）（您可能这样做了，但我不太确定）。 原因是，它将帮助您识别可能与这些其他因素交叉负载的那些变量，并帮助您决定是否要包含它们。 一个项目在一个小子集中单独存在时可能看起来很棒，但当它包含在其他变量中时，它可能不是您想要保留的。它还可以帮助您了解这些因素是否如您预期的那样分离。
此外，至少使用 3 个变量作为潜在变量（良好的经验法则），如果你有更多，那是合适的，并且可以很好地加载到一个因子（例如 4 或 5）上，也不需要带上这些变量如果他们很好地测量了构造，就把它们扔掉。 如果您处于拥有足够数据的位置，请注意，如果您可以对部分数据（测试集）进行 EFA，然后对另一组数据（有效性集）进行 CFA 跟进，这是理想的。 EFA 的因子结构将由数据驱动，并在新数据集上与 CFA 一起跟进将帮助您确定项目参数和因子是否复制良好。
第 6 步：
- 6. 对选定的变量进行验证性因子分析（见下图）。 如果通过（基于拟合指数、指标信度、复合信度、构建最大真实性、构建有效性矩阵），则使用这些潜在变量与观察到的变量（人类发育、动物组）建立结构方程模型。 如果不通过，改变变量组合直到通过。
在您确定了潜在变量的变量（使用您在帖子中记录的所有信息）和要使用的观察变量之后，请考虑您要测试的不同 SEM。 SEM 的目标是使用理论或更一般地您对某个领域的了解来测试多竞争模型。 竞争模型是参数化不同的模型。 举个简单的例子，如果您删除了“人类发展 2”和“栖息地”之间的路径，这将产生一个新的、稍微简单的模型，您可以测试它（嵌套模型）。 该模型因 1 个参数而异，并会产生一组新的拟合指数和结果。 如果该模型实际上与包含该路径的模型一样适合，我们可能会得出结论，有统计证据表明它是一个更简洁的模型，它与更复杂的模型一样适合。 你可以扩展这个想法并运行多个模型，直到你确定你的模型表现出良好的拟合并且对你的理论是合理的。 在修改您的模型以尝试其他模型时，我建议您有意识地更改路径，并测试对您和您感兴趣的理论有意义的东西。
在 SEM 中，您通常会相互测试模型（通过更改路径），以查看它们相对于模型的复杂程度如何重新创建数据的均值和协方差结构。 这种方法与回归之类的方法略有不同，您可能有兴趣找到最能预测结果或最大化 R 平方的变量子集。
我希望这有帮助。 我提供的资源将比我在此处提供的资源更深入。
