結構方程模型@勞拉CS
勞拉，我有一個簡單的（希望）問題。
我有兩個變數（x 和 y）預測結果變數 Z
問題是我認為 y 取決於 x
我想建立一個路徑分析來顯示 y 是否對 Z 有獨立貢獻或只是充當 x 的代理。當我按照我認為應該的方式去做時，我沒有得到我喜歡的答案;)
非常感謝您的指導—
Tim Roberts，CHOP 放射學教授
進階統計建模數據探索和視覺化回复：結構方程建模我完全同意，蒂姆。 我沒有註意到您丟失了數據……這絕對可以解釋微小的差異！
回复：結構方程建模@勞拉CS謝謝，但根據經驗，我認為它不應該改變 FA-->M50 或 GABA-->M50 的係數。 我們看到多元回歸模型和中介模型之間存在細微差異的原因很可能是由於少量缺失數據，這些數據可能不會（？）限制多元回歸模型，但會（？）限制中介模型或多元模型具有彎曲箭頭協方差的回歸模型。 這聽起來可能嗎？
回复：結構方程建模很高興它有幫助， @robertstpl ！中介模型暗示年齡對 GABA 和 FA 有影響，並且您（可能）假設年齡對通過 GABA 和 FA 的 M50 有間接影響。 紅色小三角菜單有一個間接效應選項，因此如果您對它們感興趣，可以查看它們是什麼。 因此，如果存在顯著的間接影響，則中介模型允許您做出類似“年齡通過 GABA/FA 影響 M50 的影響高於其對 M50 的直接影響”之類的陳述。 多元回歸模型並未明確假設年齡、GABA 和 FA 之間的關聯；通過添加協方差，我們簡單地假設它們可能是相關的，但它們的關聯不太可能是該模型的主要興趣點。
衛生部,
~勞拉
回复：結構方程建模謝謝@勞拉CS這很有幫助。 使用中介模型（直線）與具有協方差的多元回歸模型（曲線）的結果是什麼？
回复：結構方程建模感謝您分享屏幕截圖。 我想知道是否有一些數據導致這些小差異的估計結果，特別是考慮到方差的巨大差異。 如果您想共享您的數據（通過技術支持或 DM），我可以為您提供更多詳細信息。 但是，我希望看到的是相同的估計。 附件腳本使用模擬樣本數據表擬合相同的兩個模型，結果符合預期：
作為旁注，您可能會考慮在這些模型中添加協方差，除非您真的希望它們為零。 具體來說，在路徑模型中，可能需要 GABA 和 FA 之間的殘差協方差，而在回歸模型中，通常需要包括年齡、GABA 和 FA 之間的協方差。
最好的，
~勞拉
回复：結構方程建模@勞拉CS所附模型的兩個屏幕截圖
回复：結構方程建模抱歉“x 和 y 連接到 Z，但彼此不連接”
回复：結構方程建模我認為這歸結為 SEM（當模型是三角形時）與多元回歸（我認為這條路徑減少到 x 和 y 也連接但不是彼此連接時）之間的區別？ 這樣解釋合理嗎？ 順便說一句，非常感謝
回复：結構方程建模我期望相同的非標準化回歸估計但不同的標準化估計。 這是因為標準化估計取決於變量的模型隱含方差，這在這兩個模型之間確實不同。 如果您的非標準化估計值不同，我需要查看確切的模型。 如果您想分享您的模型/數據，請隨時私信我，或者您也可以將其發送至支持@jmp.com
最好的，
~勞拉
回复：結構方程建模謝謝。 對我們來說幸運的是，這或多或少是我們正在做的事情。 對我們來說可悲的是，它給了我們一個我們不喜歡的答案。 但至少我們有信心我們做對了。
有趣的是，當我們斷開 X 和 Y 之間的連接時——即讓 X 和 Y 獨立地轉到 Z，我們得到幾乎相同的權重和 p 值，但不完全相同。 知道為什麼不完全是嗎？
謝謝-蒂姆
回复：結構方程建模嗨蒂姆，
謝謝你的問題！ 你如何設置你的模型？ 根據您的描述，我建議安裝這樣的模型：
其中領導力 = X，衝突 = Y，滿意度 = Z。
聽起來您要關注的關鍵係數是 Y --> Z 中的那個。 如果該估計在統計上和實踐上都顯著，那麼您就會知道 Y 對 Z 的獨立貢獻超出了 X 的貢獻。 在紅色小三角菜單中，您還會找到標準化估計值，它們通常用作效應大小來量化效應的大小。
衛生部,
~勞拉
