結構方程模組化 (SEM) 是一種全面而靈活的方法,包括在假設模型中研究變量之間的關系,無論它們是測量的還是潛在的,這意味着不可直接觀察到,就像任何心理構造(例如,智力、滿意度,希望,信任)。因為它是一種多元分析方法,它結合了因子分析的輸入以及基于或衍生自多元回歸分析方法和規範分析的方法。靈活,因為它不僅可以識别變量之間的直接和間接影響,還可以估計包括潛在變量均值在内的各種複雜模型的參數。
SEM 方法的曆史可以追溯到三個不同的傳統:(1) 路徑分析,最初由遺傳學家 Sewall Wright (Wright 1921) 開發,後來在社會學中得到應用 (Duncan 1966),(2) 聯立方程模型,如開發經濟學博士(Koopmans 1945),以及(3)心理學因素分析(Anderson 和 Rubin 1956)。
應用
基本上,SEM 是一種統計方法,它采用确認(即假設檢驗)方法來分析與某些現象相關的結構理論。通常,該理論代表了對多個變量産生觀察的“因果”過程。術語“結構方程模組化”傳達了該過程的兩個重要方面:(1)所研究的因果過程由一系列結構(即回歸)方程表示,以及(2)這些結構關系可以以圖形方式模組化以便對所研究的理論進行更清晰的概念化。然後可以在對整個變量系統的同時分析中對假設的模型進行統計測試,以确定它與資料的一緻性程度。
在 R 中進行 SEM
在 R 環境中,有兩種估計結構方程模型的方法。
第一種方法是将 R 與外部商業 SEM 程式連接配接起來。這在模拟研究中通常很有用,其中使用 SEM 軟體拟合模型是模拟管道的一部分。
第二種方法是使用專用的 R 包進行結構方程模組化。
為什麼是R 包?
這個問題的答案有三個:
- R 包旨在吸引大量需要 SEM 軟體來回答其實質性問題的應用研究人員。許多應用研究人員以前沒有使用過 R 并且習慣于商業 SEM 程式。應用研究人員通常重視直覺且具有豐富模組化功能的軟體,而 R 包試圖實作這兩個目标。
- R 包旨在吸引那些教授 SEM 課程或 SEM 研究的人;理想情況下,教師應該能夠使用易于使用但完整的 SEM 程式,該程式在計算機教室中安裝成本低廉。
- R 包旨在吸引在 SEM 領域工作的統計學家。為了實作新的方法論思想,通路開源 SEM 程式是有利的,該程式可以直接通路 SEM 代碼。
使用熔岩
在本節中,我将介紹用于進行 SEM 分析的 R 代碼 。
1. # 加載一些R包并導入資料。
2. rm(list = ls())
3.
4.
5. # 識别我們的SEM模型。
6. mEM <- "prcon =~ prcon2 + prcon3 + prcon4 + prcon5
7. involv =~ involv1 + involv2 + involv3
8. "
9.
10. # 進行SEM分析。
11.
12. # 顯示結果。
13. summary(Smodel)
- # 你可以用fit.measures = TRUE來顯示更詳細的結果。
- summary(fit.measures = TRUE)
- # 顯示SEM路徑。
- Paths(Smodel)
- # 我們可以展示一些評估模型拟合的标準。
- fitMeas(SEmodel, fies = c("cfi", "rmsea"))
- # 我們可以使用ca()函數來進行SEM分析。
- ca(m_M, data = dfvl) %>% summary()
- # 顯示标準化的系數。
- stnilion(EMoel, type = "std.all")
- # 請注意,函數接受因子變量,結果是相同的。
- df_ol %>%
- mutaeal(as.ueic) %>%
- sm(mEM, data = .) %>%
- smry()
參考
- 安德森 TW,魯賓 H (1956)。因子分析中的統計推斷。”在第三屆伯克利數理統計和機率研讨會論文集上,第 111-150 頁。加州大學出版社,伯克利。