原文鏈接：http://tecdat.cn/?p=26206

原文出處：拓端數(shù)據(jù)部落公眾號

結(jié)構(gòu)方程建模 (SEM) 是一種全面而靈活的方法，包括在假設(shè)模型中研究變量之間的關(guān)系，無論它們是測量的還是潛在的，這意味著不可直接觀察到，就像任何心理構(gòu)造（例如，智力、滿意度，希望，信任）。因?yàn)樗且环N多元分析方法，它結(jié)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(guī)范分析的方法。靈活，因?yàn)樗粌H可以識別變量之間的直接和間接影響，還可以估計(jì)包括潛在變量均值在內(nèi)的各種復(fù)雜模型的參數(shù)。

SEM 方法的歷史可以追溯到三個(gè)不同的傳統(tǒng)：(1) 路徑分析，最初由遺傳學(xué)家 Sewall Wright (Wright 1921) 開發(fā)，后來在社會學(xué)中得到應(yīng)用 (Duncan 1966)，(2) 聯(lián)立方程模型，如開發(fā)經(jīng)濟(jì)學(xué)博士（Koopmans 1945），以及（3）心理學(xué)因素分析（Anderson 和 Rubin 1956）。

應(yīng)用

基本上，SEM 是一種統(tǒng)計(jì)方法，它采用確認(rèn)（即假設(shè)檢驗(yàn)）方法來分析與某些現(xiàn)象相關(guān)的結(jié)構(gòu)理論。通常，該理論代表了對多個(gè)變量產(chǎn)生觀察的“因果”過程。術(shù)語“結(jié)構(gòu)方程建?！眰鬟_(dá)了該過程的兩個(gè)重要方面：（1）所研究的因果過程由一系列結(jié)構(gòu)（即回歸）方程表示，以及（2）這些結(jié)構(gòu)關(guān)系可以以圖形方式建模以便對所研究的理論進(jìn)行更清晰的概念化。然后可以在對整個(gè)變量系統(tǒng)的同時(shí)分析中對假設(shè)的模型進(jìn)行統(tǒng)計(jì)測試，以確定它與數(shù)據(jù)的一致性程度。

在 R 中進(jìn)行 SEM

在 R 環(huán)境中，有兩種估計(jì)結(jié)構(gòu)方程模型的方法。

第一種方法是將 R 與外部商業(yè) SEM 程序連接起來。這在模擬研究中通常很有用，其中使用 SEM 軟件擬合模型是模擬管道的一部分。

第二種方法是使用專用的 R 包進(jìn)行結(jié)構(gòu)方程建模。

為什么是R 包？

這個(gè)問題的答案有三個(gè)：

• R 包旨在吸引大量需要 SEM 軟件來回答其實(shí)質(zhì)性問題的應(yīng)用研究人員。許多應(yīng)用研究人員以前沒有使用過 R 并且習(xí)慣于商業(yè) SEM 程序。應(yīng)用研究人員通常重視直觀且具有豐富建模功能的軟件，而 R 包試圖實(shí)現(xiàn)這兩個(gè)目標(biāo)。

• 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(yīng)該能夠使用易于使用但完整的 SEM 程序，該程序在計(jì)算機(jī)教室中安裝成本低廉。

• R 包旨在吸引在 SEM 領(lǐng)域工作的統(tǒng)計(jì)學(xué)家。為了實(shí)現(xiàn)新的方法論思想，訪問開源 SEM 程序是有利的，該程序可以直接訪問 SEM 代碼。

使用熔巖

在本節(jié)中，我將介紹用于進(jìn)行 SEM 分析的 R 代碼?。

1. # 加載一些R包并導(dǎo)入數(shù)據(jù)。

2. rm(list = ls())

3. 


4. 


5. # 識別我們的SEM模型。

6. mEM <- "prcon =~ prcon2 + prcon3 + prcon4 + prcon5

7. involv =~ involv1 + involv2 + involv3

8. "

9. 


10. # 進(jìn)行SEM分析。

11. 


12. # 顯示結(jié)果。

13. summary(Smodel)

1. # 你可以用fit.measures = TRUE來顯示更詳細(xì)的結(jié)果。

2. summary(fit.measures = TRUE)

1. # 顯示SEM路徑。

2. Paths(Smodel)

1. # 我們可以展示一些評估模型擬合的標(biāo)準(zhǔn)。

2. fitMeas(SEmodel, fies = c("cfi", "rmsea"))

1. # 我們可以使用ca()函數(shù)來進(jìn)行SEM分析。

2. ca(m_M, data = dfvl) %>% summary()

1. # 顯示標(biāo)準(zhǔn)化的系數(shù)。

2. stnilion(EMoel, type = "std.all")

1. # 請注意，函數(shù)接受因子變量，結(jié)果是相同的。

2. df_ol %>%

3. mutaeal(as.ueic) %>%

4. sm(mEM, data = .) %>%

5. smry()

參考

1. 安德森 TW，魯賓 H (1956)。因子分析中的統(tǒng)計(jì)推斷?！痹诘谌龑貌死麛?shù)理統(tǒng)計(jì)和概率研討會論文集上，第 111-150 頁。加州大學(xué)出版社，伯克利。

最受歡迎的見解

1.R語言多元Logistic邏輯回歸 應(yīng)用案例

2.面板平滑轉(zhuǎn)移回歸(PSTR)分析案例實(shí)現(xiàn)

3.matlab中的偏最小二乘回歸（PLSR）和主成分回歸（PCR）

4.R語言泊松Poisson回歸模型分析案例

5.R語言混合效應(yīng)邏輯回歸Logistic模型分析肺癌

6.r語言中對LASSO回歸，Ridge嶺回歸和Elastic Net模型實(shí)現(xiàn)

7.R語言邏輯回歸、Naive Bayes貝葉斯、決策樹、隨機(jī)森林算法預(yù)測心臟病

8.python用線性回歸預(yù)測股票價(jià)格

9.R語言用邏輯回歸、決策樹和隨機(jī)森林對信貸數(shù)據(jù)集進(jìn)行分類預(yù)測