如何深入理解与应用结构方程模型（SEM）的原理与实践？
- 内容介绍
- 文章标签
- 相关推荐
结构方程模型已成为社会科学、心理学、经济学及行业市场营销等领域少不了的分析工具。只是许多研究者在学习和实践SEM时常遇到以下痛点：缺乏程序的理论框架、难以把握潜变量与观测变量的关系、R实现过程繁琐、结果解释困难还有模型拟合评价标准不清晰。
1 认识到学习SEM的痛点
痛点一：理论不够程序化 很多人只看到“方法图”而忽略了其背后的因果假设和统计基础。缺少程序化学习导致模型（SEM）的原理与实践？" src="/img01/1043369352。3126474339&fm=253&app=138&f=jpg"/>
痛点二：潜变量定义模糊 潜变量是无法直接测量的概念，但却是SEM主要。若对潜变量构成或测量误差缺乏认识，结果往往解释失真。
痛点三：R实现步骤繁琐 从数据预处理到模型估计再到结果可视化。每一步都需写代码，如果没有模板或经验，会浪费大量时间。
痛点四：结果解读困难 即使得到方法系数，也需要结合标准化系数、显著性检验还有拟合优度指标才能做出科学结论。
2 SEM主要原理解析
2.1 潜变量与观测变量之分辨
Semi-structured path diagram中。用长方形表示观测，椭圆形代表潜在构念。按理说，潜变量通过一组观测指标间接衡量；其可靠性取决于指标间的一致性。
2.2 因果图与方法系数概念化
Causal diagram展示了各个因素之间因果方向。方法系数衡量的是一个单位自变更对因变更所产生的直接影响；若两节点间不存在直接箭头，则影响为间接效应，需要。
2.3 模型估计方法概览
- MOM : 适用于大样本且对正态分布要求低，但对非正态数据敏感。
- PML : 在正态假设下提供一致且有效估计，是最常用的方法。
- BAYES : 可处理小样本、多重共线性及复杂随机效应，但计算成本高。
- LAN : 目前最受欢迎，可一次性完成模型指定、估计与诊断。
为何选择PML?
- Sufficiently large sample size (≥200）可保证参数估计稳健；
- Sparse missing data 允许使用Full Information Maximum Likelihood填补；
当数据偏离正态怎么办？怎么说呢，
- Akaike信息准则调整为AICc;怎么说呢，
- CFA采用Robust SE & Chi-square。即Mplus's MLM或WLSMV方法;
如何判断拟合优度？
- NFI / CFI / TLI ≥0.95；
- X²/df ≤5 或 ≤10；
-
3 建立流程：从理论到代码实现
| 步骤 | 说明 & 建议工具/代码片段 | ||||||||||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| ① 确定研究问题 ② 绘制因果图 ③ 列出潜/观测指标 |
- 使用 MplusView / DAGitty / draw.io ;- 记录每条方法是否有理论依据
- 用 Excel 或 Google Sheet 标注各项指标
|
||||||||||||||||
| ④ 准备数据 |
- 检查缺失值> 5% 时考虑 FIML 或多重插补
- 标准化作业前先做 Z-score 标准化
- 在 R 中执行：
library data %>% mutate,~ scale)) %>% na.omit -> df_clean |
||||||||||||||||
| ⑤ 指定并估计模型 | r library model_spec <- ' latentVar =~ x1 + x2 + x3 y ~ b1*latentVar + c*x4 ' fit <- sem(model_spec, data = df_clean, estimator = "ML", # PML default se = "bootstrap", bootstrap = 1000, missing = "fiml") summary(fit, standardized = TRUE, fit.measures = TRUE, rsquare = TRUE) Use `semPlot::semPaths` to visualize. | ||||||||||||||||
⑥ 评估拟合度 & 修正
|
检查 CFI/TLI/RMSEA/X²/df 等指标；按理说，若 RMSEA> .10 则考虑改进。如果存在显著修改指数，可根据理论修订： r mod_indices 并避免过度修订导致自由度下降。 | ||||||||||||||||
| ⑦ 解释结果 & |
|
||||||||||||||||
| ⑧ 撰写报告 |
|
||||||||||||||||
| 关键动作 | 详细操作 |
|---|---|
| 使用者搜索习惯：
|
"
\end{table}
.
———这篇文章完———.
- -- -->
结构方程模型已成为社会科学、心理学、经济学及行业市场营销等领域少不了的分析工具。只是许多研究者在学习和实践SEM时常遇到以下痛点：缺乏程序的理论框架、难以把握潜变量与观测变量的关系、R实现过程繁琐、结果解释困难还有模型拟合评价标准不清晰。
1 认识到学习SEM的痛点
痛点一：理论不够程序化 很多人只看到“方法图”而忽略了其背后的因果假设和统计基础。缺少程序化学习导致模型（SEM）的原理与实践？" src="/img01/1043369352。3126474339&fm=253&app=138&f=jpg"/>
痛点二：潜变量定义模糊 潜变量是无法直接测量的概念，但却是SEM主要。若对潜变量构成或测量误差缺乏认识，结果往往解释失真。
痛点三：R实现步骤繁琐 从数据预处理到模型估计再到结果可视化。每一步都需写代码，如果没有模板或经验，会浪费大量时间。
痛点四：结果解读困难 即使得到方法系数，也需要结合标准化系数、显著性检验还有拟合优度指标才能做出科学结论。
2 SEM主要原理解析
2.1 潜变量与观测变量之分辨
Semi-structured path diagram中。用长方形表示观测，椭圆形代表潜在构念。按理说，潜变量通过一组观测指标间接衡量；其可靠性取决于指标间的一致性。
2.2 因果图与方法系数概念化
Causal diagram展示了各个因素之间因果方向。方法系数衡量的是一个单位自变更对因变更所产生的直接影响；若两节点间不存在直接箭头，则影响为间接效应，需要。
2.3 模型估计方法概览
- MOM : 适用于大样本且对正态分布要求低，但对非正态数据敏感。
- PML : 在正态假设下提供一致且有效估计，是最常用的方法。
- BAYES : 可处理小样本、多重共线性及复杂随机效应，但计算成本高。
- LAN : 目前最受欢迎，可一次性完成模型指定、估计与诊断。
为何选择PML?
- Sufficiently large sample size (≥200）可保证参数估计稳健；
- Sparse missing data 允许使用Full Information Maximum Likelihood填补；
当数据偏离正态怎么办？怎么说呢，
- Akaike信息准则调整为AICc;怎么说呢，
- CFA采用Robust SE & Chi-square。即Mplus's MLM或WLSMV方法;
如何判断拟合优度？
- NFI / CFI / TLI ≥0.95；
- X²/df ≤5 或 ≤10；
-
3 建立流程：从理论到代码实现
| 步骤 | 说明 & 建议工具/代码片段 | ||||||||||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| ① 确定研究问题 ② 绘制因果图 ③ 列出潜/观测指标 |
- 使用 MplusView / DAGitty / draw.io ;- 记录每条方法是否有理论依据
- 用 Excel 或 Google Sheet 标注各项指标
|
||||||||||||||||
| ④ 准备数据 |
- 检查缺失值> 5% 时考虑 FIML 或多重插补
- 标准化作业前先做 Z-score 标准化
- 在 R 中执行：
library data %>% mutate,~ scale)) %>% na.omit -> df_clean |
||||||||||||||||
| ⑤ 指定并估计模型 | r library model_spec <- ' latentVar =~ x1 + x2 + x3 y ~ b1*latentVar + c*x4 ' fit <- sem(model_spec, data = df_clean, estimator = "ML", # PML default se = "bootstrap", bootstrap = 1000, missing = "fiml") summary(fit, standardized = TRUE, fit.measures = TRUE, rsquare = TRUE) Use `semPlot::semPaths` to visualize. | ||||||||||||||||
⑥ 评估拟合度 & 修正
|
检查 CFI/TLI/RMSEA/X²/df 等指标；按理说，若 RMSEA> .10 则考虑改进。如果存在显著修改指数，可根据理论修订： r mod_indices 并避免过度修订导致自由度下降。 | ||||||||||||||||
| ⑦ 解释结果 & |
|
||||||||||||||||
| ⑧ 撰写报告 |
|
||||||||||||||||
| 关键动作 | 详细操作 |
|---|---|
| 使用者搜索习惯：
|
"
\end{table}
.
———这篇文章完———.
- -- -->