欢迎回到另一个月的结构方程建模或 SEM。 本月，我们将深入研究一个关键特性：路径图。 路径图是我们在使用 SEM 时表示系统中变量的可视化方式。 路径图由几个元素组成，我们将在本文中探讨。 我也会用JMP 专业版演示如何构建一个简单的路径图。
变量
正如我在前面提到的一个月的帖子，SEM中两种最重要的变量类型是显变量和潜变量。 重申一下，明显变量是系统中我们可以测量的变量。 工程中的一些例子是温度或压力。 在路径图中，清单变量由矩形中的变量名称表示，如下所示（暂时忽略箭头 - 我将在下面解释）。
另一方面，潜在变量是无法直接测量的变量。 通常，它们是想法或概念。 在传统的社会科学应用中，这些潜在变量将是“认知能力”之类的概念。在工程中，定义潜在变量变得更加棘手，但是对于潜在变量可能是什么是有想法的。 一些例子是“系统状态”，它是系统运行状况的一个组成比例。 这不是我们可以测量的，但我们可以从明显的变量中推断出来，例如温度、压力或产品的成分。
关于潜在变量可能是什么还有其他想法。 例如，正如我们在上一篇文章中看到的，FA 中的一个因子不包含其他方差来源，或者更具体地说，不包含测量误差。 这意味着潜在变量也可用于找到我们通常认为是明显变量的变量的“真实值”，例如温度。 潜变量用圆圈中的变量名称表示，如下所示。
在 SEM 中还有两个重要的变量定义：外生变量和内生变量。 外生变量是其值完全独立于系统中其他变量的变量。 相反，内生变量是依赖于系统中至少一个其他变量的变量。 通常，更重要的定义是清单变量和潜在变量的定义，但这些定义也很有帮助。
协方差和方差
正如我们在上面简要看到的，路径图的另一个关键特征是箭头。 路径图上的箭头可以是单头或双头。 它们还可以连接两个变量，或者只是在同一个变量之间进行。 本质上，箭头是连接变量之间的相关性，由路径图的设计者选择连接哪些变量。
当双箭头出现时，这显示了两个变量之间的协方差（当它们相互影响时）或变量内的方差（当双箭头在变量中自包含时）（如在清单和潜在中看到的）上面的可变示例）。
正在加载
路径图上变量之间的单向箭头表示清单变量和潜在变量之间的加载。 当两个变量之间存在可疑的相关性时使用这些。 通常，加载值的意义在于，对于第一个变量中的每个单位变化，第二个变量中的加载量都会发生变化。
上图说明了模型如何将载荷拟合到图中的每个单向箭头，以及双箭头上两个变量的方差。 JMP Pro 中报告了两种类型的载荷，即标准化载荷和非标准化载荷。 非标准化载荷是给定的默认载荷，即上图所示的载荷；这些负载反映了数据的大小，因此相当于回归模型中的系数（查看我的 Discovery Summit 演示文稿“通过结构方程建模直观地探索基本线性回归"有关这方面的更多详细信息）。
另一方面，标准化系数只是路径图中变量之间的相关性，因此不反映原始数据的规模。 两种加载类型都很有用，因此了解它们的区别很重要。
线性回归路径图
现在我们已经探索了路径图、变量和连接它们的箭头的主要两个特征，我们可以构建一个基本的路径图。
SEM 中最简单的选项是仅使用清单变量创建模型。 其中一个示例是我们使用由单向箭头连接的清单变量。 通过构建这个模型，我们正在使用 SEM 方法以视觉格式重新创建线性回归。 与传统的线性回归相比，这可能很有用，原因有几个，如果您有兴趣了解更多信息，我会推荐我关于这个主题的探索峰会演讲.
这里要注意的主要好处是可以使用路径图在 SEM 中重新创建传统的建模方法，因此通过以可视格式显示变量和载荷使分析更容易查看。 通过以这种方式分析我们的数据，我们可能会发现在使用传统分析方法时可能不会立即明显的关系。 这方面的一个例子是，当我们使用 SEM 对系统进行建模时，我们可以很容易地分别看到每个间接和直接效应的贡献。 这提供了关于我们系统中哪些相关性对于控制其他变量最重要的即时知识。
我希望对路径图的介绍能够提供一些关键见解，让我们了解为什么我们可能希望以这种更直观的格式来表示我们的数据。 既然我们已经确定了如何创建基本路径图，下个月的文章将重点介绍如何从坏路径图中确定好路径图，以及更深入地研究一些更复杂的路径图。
