做结构方程（SEM）的时候，通常会进行卡方检验， 它是用来检验模型是否符合数据的。
意思是当卡方检验不显著的时候， 我们认为我们的模型是良好的， 能够反映数据的。
卡方检验的自由度是比较难以理解的， 但是又往往受到很多学生的关注， 每次被问到自由度是什么的时候，
往往我们需要很长的解释， 所以在这里我就尝试用一个例子来解答一下什么是结构方程的自由度。

今天有付费咨询的小伙伴问我“如何解读mplus的输出结果”， 是关于验证性因子分析的。
我相信我在之前的视频中已经讲过如何使用mplus做验证性因子分析， 但是确实缺少了如何解读输出结果。
那么现在我们出一个文章， 详细标注一下mplus输出结果， 方便大家学习。

本教程介绍了如何使用多层模型来分析嵌套数据，以及调节效应在跨层结构中的分析方法。
我们的案例数据是日记数据（嵌套在个人中的重复事件），意思是每个人都会重复测量多次，但也适用于其他类型的嵌套数据。

Johnson-Neyman图通常简称为J-N图， 主要用于可视化调节效应。

调节效应可视化的最简单方法是“选点法”（Rogosa，1980）或“简单斜率”（Aiken 和 West，1991）方法，最简单的方法是选择调节变量的两个取值（“均值+标准差”和“均值-标准差”），并通过假设检验或构建置信区间来研究在这两个取值下， 绘制两条线来表示自变量与因变量的关系， 线的斜率就是简单斜率。尽管易于执行，但该方法的缺点很明显， 很多学生都问我， 为什么选择这两个取值（“均值+标准差”和“均值-标准差”）， 我其实没有很好的理由说服他们， 他们就是任意的选点。如果你把这两个选点的范围扩大， 比如使用两倍的标准差， 那么很可能扩大斜率的差异， 也就是说， 扩大调节变量的范围， 可以让本来不显著的调节效应变成显著。

很多人不会做结构方程模型的分析， 其实就是因为它不会汇报结果。
这个文章就是提供一个汇报模板， 大家可以照着写，并制作表格。
这篇文章的主要用途是用于验证性因子分析CFA的结果汇报。

CR指的是组合信度（Composite Reliability）， AVE指的是平均方差提取量（Average Variance Extraction），
我们已经在本网站开发了一个计算器（在这里spss计算平均方差提取量AVE和组合信度CR的方法 ，
但是很多人认为还是用Excel计算CR和AVE比较方便， 而且结果可以直接复制到表格， 方便论文里的表格制作。

所以我们决定做一个Excel版本的AVE和CR计算器。

AVE的全称是 Average Variance Extraction，翻译为平均方差提取量，
它是一个比率， 就是潜变量可以解释的方差占题目总方差的比率。
既然是比率， 它的取值就在(0, 1)之间， 这个值越大越好。

在结构方程（SEM）中，我们在做测量模型的效度分析的时候，
也就是验证性因子分析中，AVE是证明收敛效度的，平均提取方差值（AVE）是计算潜在变量之测量变量的变异数解释力，
若AVE越高，则表示构念有越高的信度与收敛效度。理想上标准值须大于0.5。

如何用公式证明自变量与因变量的相关系数的平方等于回归中决定系数R方？
前提条件是只有一个自变量的一元线性回归模型，即简单回归。

在做结构方程的教学中， 我们经常说因子载荷就是因子与测量指标之间的相关系数；
但是， 在模型中我们又将因子载荷定义为回归系数， 例如： i = b * f + e;
在这个公式中， i代表题目分， f代表因子分析， b代表因子载荷，
因子分乘以因子载荷就是题目分， 很明显因子载荷就是回归系数；
这时候很多同学就会混淆， 到底因子载荷是相关系数还是回归系数？

很多时候我们需要转换数据格式，比如SPSS转Excel， SPSS转Mplus数据等，
为了方便广大童鞋的数据分析工作， 我们做了一个数据格式转换的工具，
开发了1个月终于上线， 大家不用登陆就可以免费使用， 并且数据尽在你本地浏览器保存，
并没有上传到后台服务器， 打开网页以后断网也可以使用， 所以最大限度保证了你的数据安全性！

这个工具的主要用途是将Excel或者spss数据转换为mplus可用的数据格式。