結構方程模型中的分類變數首先，我是結構方程模型（SEM）的新手。我發現 JMP 平台（JMP 19）無法在 SEM 分析中新增分類變數作為控制變數。但我有不只一列分類變數。
是否有辦法做到這一點，只是我不知道而已？另外，是否有辦法處理Nan值，並對連續變數進行標準化？
進階統計建模預測建模和機器學習回覆：結構方程模型中的分類變數嗨@Gabriel ，
當使用分類變數作為「控制變數」或協變數時，我們需要遵循與迴歸分析相同的方法。也就是說，我們建立數值型、虛擬編碼的變量，並將它們作為預測變數輸入到模型中。
以下是一個中介模型範例。假設我們調查消費者對某個組織的隱私和聲譽的看法，並詢問他們的購買意願。我們推測，更高的隱私感知會帶來更好的聲譽，進而提升購買意願。我們也認為隱私會直接影響購買意願。此模型的路徑圖如下所示：
Simple mediation modelSimple mediation modelSimple mediation modelSimple mediation modelSimple mediation model簡單中介模型
重要的是，我們知道部分消費者僅透過線上（網站/應用程式）與企業互動，而其他消費者則選擇線下互動。因此，我們需要控制這兩種互動方式。由於分類變數有兩個水準（線上和線下），我們只需要一個虛擬變數。我們建立一個名為「線上」的變量，其值為0表示線下互動，值為1表示線上互動。此變數為數值型/連續型，因此可以像其他變數一樣納入分析。由於我們採用的是中介模型，我們可以將其作為其他內生（結果）變數的預測因子來控制。以下是展示此過程的路徑圖：
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包含控制變項的中介模型
請注意，「線上」和「隱私」變數之間存在雙向箭頭（協方差）。這是標準規範……也就是說，協方差表明我們對「線上」和「隱私」變數之間的關聯性沒有假設。
如果需要控制多個分類變量，則必須建立多個虛擬變量並以類似的方式新增它們。確保它們能夠預測您想要控制的結果…並確保它們與其他外生變數（那些沒有任何其他預測變數的變數）有協變關係。
處理缺失值：
結構方程模型 (SEM) 的眾多實用功能之一是其先進（且便捷）的缺失資料處理方式。在上面的範例中，只要資料表已將缺失值標識出來，您就無需進行任何操作…SEM 平台會自動偵測缺失值，並使用「全資訊最大似然法」進行估計，這表示您的分析將使用*所有*可用資料。這假設您的資料是隨機缺失 (MAR) 或完全隨機缺失 (MCAR)，這也是多重插補等方法的假設。為了確保資料表能夠識別您的缺失值，它們應該顯示為點，如下圖所示：
Missing values in data tableMissing values in data tableMissing values in data tableMissing values in data tableMissing values in data table資料表中存在缺失值
如果看不到這些點，請轉到“列”>“列資訊...”>“列屬性”>“缺失值代碼”，以便您可以指定哪些值應被識別為缺失值。
標準化變數：
標準化變數的方法是右鍵單擊資料表列，然後選擇“新公式列”>“分佈”>“標準化”。當變數的尺度差異很大時，這種方法非常有用。但是，如果您沒有遇到這個問題，只是想要標準化的估計值，那麼最好的方法是使用原始變數進行分析，然後點擊擬合模型的紅色三角形選單…您會找到一個名為「標準化參數估計」的選項，它就能提供您所需的資訊。
希望對您有幫助。
回覆：結構方程模型中的分類變數我還想補充一點，在結構方程模型（SEM）中使用分類變數進行「多組分析」相當常見且實用！如果您有興趣了解更多相關信息，請參閱此討論： https://community.jmp.com/t5/Discussions/Categorical-Variables-and-SEM/td-p/930889
回覆：結構方程模型中的分類變數非常感謝@LauraCS 。我已經可以開始操作了。只是在有多個分類變數的情況下（附圖中的綠框所示），我不太確定如何關聯協方差。請看我最初的嘗試結果。 CFI 和 RMSEA 顯示似乎還有一些因素沒有被考慮進去。我可能遺漏了什麼？另外，協方差的邏輯也讓我感到困惑，因為我的一些連續變數也可能有協方差。 
回覆：結構方程模型中的分類變數感謝@Gabriel分享你的模型！我建議你重新排列圖中的變量，使整個過程從左到右流暢地展開。我在這裡做了一個簡單的範例：
Path model flowing left-to-rightPath model flowing left-to-right路徑模型從左到右流動
當變數以這種方式顯示時，我們可以識別出通常需要協方差的不同變數「集合」（實驗數據中存在一些例外情況，因為實驗設計保證了協方差為零）。您應該在每個變數集合中新增協方差。最簡單的方法是在圖表中選擇變數集合，右鍵單擊任意選定的變數（注意：如果您單擊箭頭或圖表的空白區域，右鍵選單會發生變化！），然後按一下「新增協方差」—這樣所有對應的協方差都會一次新增。選擇下一個變數集合併重複上述步驟。在我的範例中，「Reput_1」和「Privacy_4」在其各自的集合中是單獨的變量，因此不需要添加任何協方差。正確指定的模型應如下所示：
Path model with covariancesPath model with covariances具有協方差的路徑模型
值得澄清的是，「Privacy_3」和「Trust_3」之間的雙向箭頭表示*殘差*協方差，因為這些是內生（結果）變數。
當然，如果我們有充分的假設表明上述協方差應為零，則可以省略上面顯示的任何協方差。
希望對您有幫助。
回覆：結構方程模型中的分類變數謝謝@LauraCS 。如果您不介意的話，或許我可以提供一些範例數據。
在我的實驗中，控制變因為二氧化碳、氣體和水。 DAS 代表日期變數。 VPD、風和光合有效輻射不受這些因素影響，但由於它們是環境因素，因此可能會隨 DAS 而變化。土壤水分含量 (gsw) 可預測溫度變化 (DeltaT)，土壤含水量 (SWC) 可預測溫度變化 (DeltaT)，土壤含水量 (SWC) 可預測土壤溫度 (SoilT)，土壤溫度 (SoilT) 可預測溫度變化 (DeltaT)。葉面積指數 (LAI) 和高度可預測土壤水分含量 (gsw)，兩者都可預測土壤含水量 (SWC)、土壤溫度 (SoilT) 和溫度變化 (DeltaT)。
環境因素影響或預測 gsw 和 DeltaT。
謝謝。
