结构方程模型中的分类变量首先，我是结构方程模型（SEM）的新手。我发现 JMP 平台（JMP 19）无法在 SEM 分析中添加分类变量作为控制变量。但我有不止一列分类变量。
是否有办法做到这一点，只是我不知道而已？另外，是否有办法处理Nan值，并对连续变量进行标准化？
高级统计建模预测建模和机器学习回复：结构方程模型中的分类变量嗨@Gabriel ，
当使用分类变量作为“控制变量”或协变量时，我们需要遵循与回归分析相同的方法。也就是说，我们创建数值型、虚拟编码的变量，并将它们作为预测变量输入到模型中。
以下是一个中介模型示例。假设我们调查消费者对某个组织的隐私和声誉的看法，并询问他们的购买意愿。我们推测，更高的隐私感知会带来更好的声誉，进而提升购买意愿。我们也认为隐私会直接影响购买意愿。该模型的路径图如下所示：
Simple mediation modelSimple mediation modelSimple mediation modelSimple mediation modelSimple mediation model简单中介模型
重要的是，我们知道部分消费者仅通过线上（网站/应用程序）与企业互动，而其他消费者则选择线下互动。因此，我们需要控制这两种互动方式。由于分类变量有两个水平（线上和线下），我们只需要一个虚拟变量。我们创建一个名为“线上”的变量，其值为0表示线下互动，值为1表示线上互动。该变量为数值型/连续型，因此可以像其他变量一样纳入分析。由于我们采用的是中介模型，我们可以将其作为其他内生（结果）变量的预测因子来控制。以下是展示此过程的路径图：
Mediation model with a control variableMediation model with a control variableMediation model with a control variableMediation model with a control variableMediation model with a control variable包含控制变量的中介模型
请注意，“在线”和“隐私”变量之间存在双向箭头（协方差）。这是标准规范……也就是说，协方差表明我们对“在线”和“隐私”变量之间的关联性没有假设。
如果需要控制多个分类变量，则必须创建多个虚拟变量并以类似的方式添加它们。确保它们能够预测您想要控制的结果……并确保它们与其他外生变量（那些没有任何其他预测变量的变量）存在协变关系。
处理缺失值：
结构方程模型 (SEM) 的众多实用功能之一是其先进（且便捷）的缺失数据处理方式。在上面的示例中，只要数据表已将缺失值标识出来，您就无需进行任何操作……SEM 平台会自动检测缺失值，并使用“全信息最大似然法”进行估计，这意味着您的分析将使用*所有*可用数据。这假设您的数据是随机缺失 (MAR) 或完全随机缺失 (MCAR)，这也是多重插补等方法的假设。为了确保数据表能够识别您的缺失值，它们应该显示为点，如下图所示：
Missing values in data tableMissing values in data tableMissing values in data tableMissing values in data tableMissing values in data table数据表中存在缺失值
如果看不到这些点，请转到“列”>“列信息...”>“列属性”>“缺失值代码”，以便您可以指定哪些值应被识别为缺失值。
标准化变量：
一种标准化变量的方法是右键单击数据表列，然后选择“新建公式列”>“分布”>“标准化”。当变量的尺度差异很大时，这种方法非常有用。但是，如果您没有遇到这个问题，只是想要标准化的估计值，那么最好的方法是使用原始变量进行分析，然后单击拟合模型的红色三角形菜单……您会找到一个名为“标准化参数估计”的选项，它就能提供您所需的信息。
希望对您有所帮助。
回复：结构方程模型中的分类变量我还想补充一点，在结构方程模型（SEM）中使用分类变量进行“多组分析”相当常见且实用！如果您有兴趣了解更多相关信息，请参阅此讨论： https://community.jmp.com/t5/Discussions/Categorical-Variables-and-SEM/td-p/930889
回复：结构方程模型中的分类变量非常感谢@LauraCS 。我已经可以开始操作了。只是在有多个分类变量的情况下（附图中的绿框所示），我不太确定如何关联协方差。请看我最初的尝试结果。CFI 和 RMSEA 显示似乎还有一些因素没有被考虑进去。我可能遗漏了什么？另外，协方差的逻辑也让我感到困惑，因为我的一些连续变量也可能存在协方差。 
回复：结构方程模型中的分类变量感谢@Gabriel分享你的模型！我建议你重新排列图中的变量，使整个过程从左到右“展开”。我在这里做了一个简单的示例：
Path model flowing left-to-rightPath model flowing left-to-right路径模型从左向右流动
当变量以这种方式显示时，我们可以识别出通常需要协方差的不同变量“集合”（实验数据中存在一些例外情况，因为实验设计保证了协方差为零）。您应该在每个变量集合中添加协方差。最简单的方法是在图表中选择变量集合，右键单击任意选定的变量（注意：如果您单击箭头或图表的空白区域，右键菜单会发生变化！），然后单击“添加协方差”——这样所有相应的协方差都会一次性添加。选择下一个变量集合并重复上述步骤。在我的示例中，“Reput_1”和“Privacy_4”在其各自的集合中是单独的变量，因此不需要添加任何协方差。正确指定的模型应如下所示：
Path model with covariancesPath model with covariances带协方差的路径模型
值得澄清的是，“Privacy_3”和“Trust_3”之间的双向箭头表示*残差*协方差，因为这些是内生（结果）变量。
当然，如果我们有充分的假设表明上述协方差应为零，则可以省略上面显示的任何协方差。
希望对您有所帮助。
回复：结构方程模型中的分类变量谢谢@LauraCS 。如果您不介意的话，或许我可以提供一些示例数据。
我的实验中，控制变量为二氧化碳、气体和水。DAS 代表日期变量。VPD、风和光合有效辐射不受这些因素影响，但由于它们是环境因素，因此可能会随 DAS 而变化。土壤水分含量 (gsw) 可预测温度变化 (DeltaT)，土壤含水量 (SWC) 可预测温度变化 (DeltaT)，土壤含水量 (SWC) 可预测土壤温度 (SoilT)，土壤温度 (SoilT) 可预测温度变化 (DeltaT)。叶面积指数 (LAI) 和高度可预测土壤水分含量 (gsw)，并且两者都可预测土壤含水量 (SWC)、土壤温度 (SoilT) 和温度变化 (DeltaT)。
环境因素影响或预测 gsw 和 DeltaT。
谢谢。
