sem結構方程模型

1、學習sem結構方程模型 需要統計學或者數學基礎嗎

如果目標僅僅是掌握操作自己做一點應用研究，那麼不需要多少的數學基礎。
但若想要掌握好原理，需要比較強的專業基礎的，起碼統計學基礎和線性代數是要比較熟悉的。

2、如何理解結構方程模型

結構方程模型（SEM, Structural Equation Modeling）是建立在回歸模型（Regression Models）的基礎上，針對潛變數（Latent Variables）的統計方法。
<img src="https://pic1.mg.com/v2-_b.png" data-rawwidth="308" data-rawheight="260" class="content_image" width="308">f為latent variable, 例如智力、自尊等，在該SEM模型中為predictor。y1,y2,y3為observed variables, 即可直接測量得到的變數，在該SEM模型中為indicators。λ1-3為factor loadings，ε為resial error。
f為latent variable, 例如智力、自尊等，在該SEM模型中為predictor。y1,y2,y3為observed variables, 即可直接測量得到的變數，在該SEM模型中為indicators。λ1-3為factor loadings，ε為resial error。
先前提到SEM是建立在regression model基礎上的，該模型可寫為如下方程：
y1 = λ1*f + ε1
y2 = λ2*f + ε2
y3 = λ3*f + ε3
即可看到與regression model的聯系。
SEM較為廣泛應用的是方差/協方差估計法。即可由上述方程寫出關於y1,y2,y3的方差/協方差矩陣：（σ為f的variance）
<img src="https://pic3.mg.com/v2-_b.png" data-rawwidth="453" data-rawheight="93" class="origin_image zh-lightbox-thumb" width="453" data-original="https://pic3.mg.com/v2-_r.png">而後計算機根據實際矩陣，對factor loadings等parameters進行估計並輸出估計矩陣，與實際矩陣差異最小（最理想）時，即輸出結果，得到各估計參數和擬合指數。
而後計算機根據實際矩陣，對factor loadings等parameters進行估計並輸出估計矩陣，與實際矩陣差異最小（最理想）時，即輸出結果，得到各估計參數和擬合指數。
應用較多的模型/方法：MIMIC, multiple group models（比較組間差異）, latent growth modeling（比較縱向差異）等。
應用廣泛的軟體：
1、Mplus。優點：編程簡單，結果全面。缺點：收費，貴。學生版是300$。
2、Amos。優點：傻瓜，畫圖拖數據即可。缺點：模型稍一復雜就很費時。
3、R。下個package即可。優點：兼容性、專業性強。缺點：用的人少，不利於伸手黨。
4、LISREL。優點：易入門。缺點：需輸入各矩陣，略過時。
其他還有一些軟體，不了解。
SEM入門不久，以上為個人理解，求探討求輕噴。么么噠

3、sem的模型概述

結構方程模型分析:結構方程模型是一種建立、估計和檢驗因果關系模型的方法。模型中既包含有可觀測的顯在變數，也可能包含無法直接觀測的潛在變數。結構方程模型可以替代多重回歸、通徑分析、因子分析、協方差分析等方法，清晰分析單項指標對總體的作用和單項指標間的相互關系。

4、請問結構方程模型中，GFI,AGFI，ifi，rfi，nfi等指標是不是一定要0.9以上

最好是大於0.9，甚至於大於0.95，這些擬合指標的臨界值都是通過大量的數據模擬得到的，也就是說如果達不到這些指標，模型很可能就是誤設模型，不過我也有看到一篇數據模擬的論文里提到當樣本量小於500的時候，srmr是最合適的指標，如果小於0.05，可以肯定模型正確，若大於0.08，可以肯定是誤設的（適用於數據正態時，偏態時大於0.11認為模型誤設），而其他的擬合指標表現不穩定，那這個時候主要參考srmr就可以，其他的指標過得去就行，如果樣本量大於1000，NNFI,CFI,IFI這些指標比較合適，0.95以上可以認為模型正確，0.85以下可以斷定模型錯誤（適用於數據偏態時，正態時0.95以下即認為誤設）
你自己根據自己的的數據情況看吧，對於你提到的指標，我相信90%的文獻都說是0.9以上為標準的，這個經驗值還是很可信的，如果你不是正在寫論文，那完全可以接受這個結果，如果你一定想要結果好，那就要麼好好處理處理數據，重新做一下結構方程的分析，要麼就找到相關的文獻支持，以表明你用0.9以下的指標數值是合理的
如果是論文答辯或者發論文，只是0.8過一些那很可能要被答辯老師或者審稿人質疑的，接近0.9應該還勉強可以

5、碩士畢業論文涉及sem結構方程模型，有了解amos的大神嗎？

結構方程模型可以用SPSSAU。操作非常簡單很容易上手，輸出標准格式結果和結構圖，針對每一步分析還會提供智能分析建議。

結構方程模型-spssau

結構圖-spssau

6、用stata做SEM結構方程，如何看擬合優度系數如GFI，AGFI等系數？

最好是大於0.9,甚至於大於0.95,這些擬合指標的臨界值都是通過大量的數據模擬得到的,也就是說如果達不到這些指標,模型很可能就是誤設模型,不過我也有看到一篇數據模擬的論文里提到當樣本量小於500的時候,srmr是最合適的指標,如果小於0.05,可以肯定模型正確,若大於0.08,可以肯定是誤設的（適用於數據正態時,偏態時大於0.11認為模型誤設）,而其他的擬合指標表現不穩定,那這個時候主要參考srmr就可以,其他的指標過得去就行,如果樣本量大於1000,NNFI,CFI,IFI這些指標比較合適,0.95以上可以認為模型正確,0.85以下可以斷定模型錯誤（適用於數據偏態時,正態時0.95以下即認為誤設）
你自己根據自己的的數據情況看吧,對於你提到的指標,我相信90%的文獻都說是0.9以上為標準的,這個經驗值還是很可信的,如果你不是正在寫論文,那完全可以接受這個結果,如果你一定想要結果好,那就要麼好好處理處理數據,重新做一下結構方程的分析,要麼就找到相關的文獻支持,以表明你用0.9以下的指標數值是合理的
如果是論文答辯或者發論文,只是0.8過一些那很可能要被答辯老師或者審稿人質疑的,接近0.9應該還勉強可以

7、用SPSS可以進行SEM（結構方程模型）建模嗎？

用AMOS才可以做結構方程模型
spss做不了SEM

8、spss和amos區別

1、工作分工不同。

spss做前期數據描述和除結構線性模型外的多數統計工作，amos專做結構線性模型相關的統計。

2、使用對象不同。

對量表的區分效度（discrimination validity）檢驗時，發現有人用SPSS，主要是檢驗平均提取方差（Average variance extracted，AVE）與該因子與任何其他因子的共同方差（highest shared variance）的值。

而有人則用AMOS，檢驗修正指數（modification index，MI）的顯著性，通過x2/df，NNFI，GFI，AGFI，CFI，RMSEA等擬合優度檢驗。

3、用途不同。

SPSS是探索性統計分析軟體，AMOS是驗證性統計分析軟體。做探索性因素分析時用SPSS，探索性因素分析完成後，為了驗證所得到的因子結構是否合理，就需要進行驗證性因素分析。

現在的論文如果涉及因子分析的話，大多要求進行驗證性因素分析，以及路徑分析等等。這時候，AMOS就派上用場了，AMOS可以進行驗證性因素分析、路徑分析、群組分析等。

(8)sem結構方程模型擴展資料

SPSS操作功能：

1、參數檢驗：單樣本、兩獨立樣本、配對樣本。

2、方差分析：單因素、多因素、協方差分析。

3、非參數檢驗：X2、二項式分布、K—S檢驗。

4、相關分析和線性回歸分析。

5、聚類分析。

6、因子分析。

7、信度分析。以上的內容是經常用到的，尤其是相關分析和線性回歸分析。