本教程旨在为研究人员提供一个关于如何使用混合增长模型（GMM）进行纵向数据分析的实践指南。GMM 是一种用于识别多个未观察到的亚群体，描述每个亚群体内的纵向变化，并检查这些亚群体之间变化差异的方法。本教程将涵盖 GMM 的基本概念、四步分析方法以及使用 Mplus 软件进行模型估计和选择的示例。

这篇文章汇总了所有计量经济学的教程和代码和PPT资源。 主要来源是计量经济学院,
如果你英文很厉害, 可以直接去他们的网站看视频, 如果你无法访问 YT, 或者你英文不好, 可以看我们翻译后的视频: https://www.bilibili.com/video/BV1aMzhYjE2q

然后, 如果你可以访问谷歌网盘, 所有资料都可以从下面的链接中下载, 如果你无法访问, 我们手动打包了所有资源(PPT,SPSS代码,R代码,Stata代码等), 你可以在这里下载:https://wx.zsxq.com/group/88888188828842

这篇文章介绍了 Williams(2010)《Method Variance and Marker Variables: A Review and Comprehensive CFA Marker Technique》的主要内容。它讲的是如何利用一个“标记变量”（可以理解为一种“对照变量”）来排除研究中可能出现的“方法偏差”（也就是研究结果受到测量方法影响的程度）。这篇文章会先回顾别人怎么做的，然后提出自己的方法，并用实际的例子来演示，最后还会讨论理论、假设和局限性。

Meta分析指的是从论文中找到有关变量的数据, 这时候你要分析的数据样本实际上就是各种研究中的数据.

Meta分析的强大之处在于, 它将来自多个独立研究的成果汇总在一起，以得出更强大和更全面的结论。它使用统计方法将研究结果合并成一个综合的估计，并评估结果的异质性。

这是一篇介绍如何使用SPSS做Meta分析的教程, 看过以后你可能会觉得 SPSS 做Meta分析真简单.
当然, 如果有不懂的地方请留言, 如果觉得对你有帮助, 请打赏. 教程中用到的数据我都有, 找我要就行, 下面有方法.

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。