原文链接：http://tecdat.cn/?p=26206
结构方程建模 (SEM) 是一种全面而灵活的方法，包括在假设模型中研究变量之间的关系，无论它们是测量的还是潜在的，这意味着不可直接观察到，就像任何心理构造（例如，智力、满意度，希望，信任）。因为它是一种多元分析方法，它结合了因子分析的输入以及基于或衍生自多元回归分析方法和规范分析的方法。灵活，因为它不仅可以识别变量之间的直接和间接影响，还可以估计包括潜在变量均值在内的各种复杂模型的参数。
SEM 方法的历史可以追溯到三个不同的传统：(1) 路径分析，最初由遗传学家 Sewall Wright (Wright 1921) 开发，后来在社会学中得到应用 (Duncan 1966)，(2) 联立方程模型，如开发经济学博士（Koopmans 1945），以及（3）心理学因素分析（Anderson 和 Rubin 1956）。
应用
基本上，SEM 是一种统计方法，它采用确认（即假设检验）方法来分析与某些现象相关的结构理论。通常，该理论代表了对多个变量产生观察的“因果”过程。术语“结构方程建模”传达了该过程的两个重要方面：（1）所研究的因果过程由一系列结构（即回归）方程表示，以及（2）这些结构关系可以以图形方式建模以便对所研究的理论进行更清晰的概念化。然后可以在对整个变量系统的同时分析中对假设的模型进行统计测试，以确定它与数据的一致性程度。
在 R 中进行 SEM
在 R 环境中，有两种估计结构方程模型的方法。
第一种方法是将 R 与外部商业 SEM 程序连接起来。这在模拟研究中通常很有用，其中使用 SEM 软件拟合模型是模拟管道的一部分。
第二种方法是使用专用的 R 包进行结构方程建模。
为什么是R 包？
这个问题的答案有三个：
- R 包旨在吸引大量需要 SEM 软件来回答其实质性问题的应用研究人员。许多应用研究人员以前没有使用过 R 并且习惯于商业 SEM 程序。应用研究人员通常重视直观且具有丰富建模功能的软件，而 R 包试图实现这两个目标。
- R 包旨在吸引那些教授 SEM 课程或 SEM 研究的人；理想情况下，教师应该能够使用易于使用但完整的 SEM 程序，该程序在计算机教室中安装成本低廉。
- R 包旨在吸引在 SEM 领域工作的统计学家。为了实现新的方法论思想，访问开源 SEM 程序是有利的，该程序可以直接访问 SEM 代码。
使用R
在本节中，我将介绍用于进行 SEM 分析的 R 代码 。
# 加载一些R包并导入数据。 rm(list = ls()) # 识别我们的SEM模型。 mEM <- "prcon =~ prcon2 + prcon3 + prcon4 + prcon5 involv =~ involv1 + involv2 + involv3 " # 进行SEM分析。 # 显示结果。 summary(Smodel)
# 你可以用fit.measures = TRUE来显示更详细的结果。 summary(fit.measures = TRUE)
# 显示SEM路径。 Paths(Smodel)
# 我们可以展示一些评估模型拟合的标准。 fitMeas(SEmodel, fies = c("cfi", "rmsea"))
# 我们可以使用ca()函数来进行SEM分析。 ca(m_M, data = dfvl) %>% summary()
# 显示标准化的系数。 stnilion(EMoel, type = "std.all")
# 请注意，函数接受因子变量，结果是相同的。 df_ol %>% mutaeal(as.ueic) %>% sm(mEM, data = .) %>% smry()
参考
- 安德森 TW，鲁宾 H (1956)。因子分析中的统计推断。”在第三届伯克利数理统计和概率研讨会论文集上，第 111-150 页。加州大学出版社，伯克利。
