mplus绘制调节效应图
基于mplus用户指南示例 5.13,以下潜在变量示例给出了一个描述 f1 和 f2 在其对 f3 影响中的交互作用的调节图。
在心理学研究中,主客体互依调节模型(Actor-Partner Interdependence Model with Moderation, APIMoM)是一种常用的结构方程模型,用于分析个体间(如夫妻、亲子等)的互依关系及其调节效应。本文将遵循 Garcia 等人(2014)提出的 APIMoM 程序,并考察父母双方焦虑情绪的混合调节作用(mixed moderator)。具体地,我们将构建父母双方自变量与调节变量的四个交互项,预测父亲和母亲的因变量,共产生八个交互效应。通过对比非约束和约束模型,结合 Satorra-Bentler 校正卡方检验(SB),以及 Bootstrap 重复取样方法,验证调节效应的存在。
主客体互依模型(Actor-Partner Interdependence Model, APIM)是一种广泛应用于分析组互动数据的统计方法。
APIM允许研究者探索关系中双方如何互相影响,特别是当一个个体的行为、态度或特征不仅影响到自己,还可能影响到其客体时。
该模型的核心在于区分两种效应:主体效应和客体效应。主体效应指的是一个人自身的某个变量对其自身的结果变量的影响;而客体效应则指一个人客体的某个变量对该人结果变量的影响。
本篇教程主要是介绍APIM模型和APIMoM(带有调节变量的主客体互依模型), 以及如何使用常用的统计软件来实现。
Deep-Live-Cam是一款基于Python的开源AI实时换脸工具,利用深度学习技术实现视频或直播中的人脸替换。它具备实时性、易用性和多平台兼容性,能在毫秒级内完成换脸效果,适用于娱乐、艺术创作、教育和商业广告等领域。
该工具通过面部识别、特征提取和面部融合等步骤,将源图像中的人脸特征与目标视频中的人脸进行无缝融合。用户只需准备相应环境,如安装Python、pip、git和ffmpeg等,并下载必要的模型文件,即可开始使用。
此外,Deep-Live-Cam的性能受到硬件配置的影响,用户可根据自身条件选择最优执行平台,并尝试使用GPU加速提升效率。
如果你的电脑没有GPU,那么不建议安装deep-live-cam。
潜在类别分析 (LCA) 是一种统计方法,用于识别人群中通常具有某些共同特征的子群体。LCA 的基本假设是,未观察到的群体(或类别)的成员身份可以通过调查问题、评估指标或量表的得分模式来解释。LCA 的应用是一个活跃的研究领域,并且不断发展。随着越来越多的研究人员开始应用该方法,需要有关进行 LCA 时主要考虑事项的详细信息。在本文中,我们将描述 LCA,回顾进行 LCA 时要考虑的关键要素,如何汇报LCA结果,并提供其应用的示例。
潜类分析(Latent Class Analysis, LCA)是一种统计方法,用于识别隐藏在观测变量背后的潜在类别或类型。LCA假设观测变量是由潜在类别决定的,并且每个潜在类别具有其独特的条件概率分布。通过分析这些条件概率,LCA可以将个体划分为不同的潜类别,从而揭示隐藏的群体结构。
在LCA中,观测变量通常是分类变量,例如二元变量(是/否,同意/不同意等)。LCA的目标是找出最佳的潜类别数量,并描述每个潜类别的特征。这有助于研究人员理解和解释复杂的数据结构,尤其是在处理涉及不同类型个体或群体的研究时。
组内相关系数(ICC)是一个通用的统计量,用于多水平建模、方差分析、心理测量学和其他领域。它衡量的是组内(或类别内)的聚类程度,但它也代表了一个互补的概念,即组间的变异程度。如果我们认为数学成绩$Y{ij}$
的方差可以分为由于组内个体差异导致的方差$\sigma^{2}$
(例如,学校内学生的数学乘积的方差)和组间方差$\tau_{0}^{2}$
(例如,学校平均数学成绩的方差),那么我们可以创建一个由组引起的方差与总方差的比值:
LaTeX-OCR 是一款开源的数学公式识别工具,支持多种输入格式,包括图片、PDF、Word 等,并且可以一键将识别结果转换为 LaTeX 或 MathJax 格式。我最喜欢用的是它提供的gui,可以一键启动截屏,快速识别公式,
并将识别结果渲染到剪贴板,然后就可以直接粘贴到 LaTeX 文档中。同时在界面可以看到识别结果,方便调试。