SPSS+AMOS数据分析案例教程-关于中介模
SPSS视频教程内容目录和跳转链接
SPSS+AMOS数据分析案例教程-关于中介模
SPSS视频教程内容目录和跳转链接
R语言快速入门视频教程
Python智联招聘数据分析
LCA潜在类别分析和Mplus应用
Amos结构方程模型数据分析入门教程
倒U关系回归分析中介效应和调节效应分析SPSS视频教程

R语言做结构方程模型入门

在B站@mlln-cn, 我就能回答你的问题奥!

文章目录
  1. 1. 目的
  2. 2. 案例介绍
    1. 2.1. 模型表示
  3. 3. R代码
    1. 3.1. 模型的表示
    2. 3.2. R 代码
  4. 4. 实战
    1. 4.1. 安装和加载库
    2. 4.2. 下载数据
    3. 4.3. 估计模型
    4. 4.4. 计算中介效应和总效应
  5. 5. 视频教程

这是用R做结构方程的案例, 最下方有视频教程.

目的

这篇教程目的是介绍如何使用R语言的lavaan包来做结构方程模型,
如果你不清楚什么是结构方程(SEM), 建议你先看这个介绍视频
当然, 我们会在教程的前面简要介绍结构方程的概念, 以便于我们教程的完整性。

案例介绍

这是一个研究学生的学业成绩影响因素的研究,
目前数据已经采集技术, 你可以在这里下载这个数据,
这个数据有9个观测指标(9个变量):Motivation(冬季), Harmony, Stability, Negative Parental Psychology, SES, Verbal IQ, Reading, Arithmetic and Spelling(动机、和谐、稳定、消极的父母心理、SES、语言智力、阅读、算术和拼写)。研究员假设三个潜变量:Adjustment, Risk, Achievement, 他们的测量指标如下, 其中包含了变量名及其解释:

Adjustment
- motiv Motivation
- harm Harmony
- stabi Stability

Risk
- ppsych (Negative) Parental Psychology
- ses SES
- verbal Verbal IQ

Achievement
- read Reading
- arith Arithmetic
- spell Spelling

模型表示

对于任何结构方程研究, 你最好事先绘制理论模型图, 下面就是我们的假定模型图:

根据理论模型, 如果用数学符号表示, 我们可以绘制具有数学意义的模型图:

我们先来解释一下图中的符号的意义:

  • observed variable: 显变量或者叫观测指标, 就是在你的数据中有一列数据可以代表该变量, 图中用矩形表示
  • latent variable: 潜变量, 数据中不存在, 但是可以在模型中构建出来,图中用椭圆表示
  • exogenous variable: 外生变量, 可以认为是自变量, 就是在模型中没有变量预测它, 它用于预测其他变量, 它既可以是显变量$x$也可以是潜变量$\xi$
  • endogenous variable: 内生变量, 可以认为是因变量, 只要有箭头指向它, 它就可以被成为是内生变量, 即可以是显变量$y$也可以是潜变量$\eta$
  • measurement model: 测量模型, 多个显变量和一个潜变量构成的结构, 比如图中$\xi_1$$x_1 x_2 x_3$构成的结构
  • factor: 因子, 一个潜变量, 由多个显变量所定义, 例如图中的$\eta_1 \eta_2 \xi_1$
  • loading: 因子载荷, 因子和观测指标之间的连线, 可以用字母$\lambda$表示
  • structural model: 由自变量和因变量构成的结构, 比如$\eta_1 \eta_2 \xi_1$及其连线构成的结构
  • regression path: 回归路径, 自变量和因变量之间的连线, 用字母$\gamma\$

R代码

有了数据和模型, 下一步就是如何用R来表示模型和估计模型。

模型的表示

R中最常用的SEM包就是lavaan , 它定义了一些模型表示的方法, 列在这里:

  • ~ 波浪号, 表示观测变量的回归关系, (e.g., y ~ x)
  • =~ 等号波浪号, 用于表示测量模型, (e.g., f =~ q + r + s), f表示潜变量, q r s 表示测量指标
  • ~~ 协方差 (e.g., x ~~ x)
  • ~1 截距或者均值, 比如x ~ 1估计了变量x的均值
  • * 固定参数, 比如f =~ 1*q意思是f对q的因子载荷固定为1
  • NA* 自由参数或者载荷 (e.g., f =~ NA*q)
  • a* 参数标签, 比如f =~ a*q, 意思是f对q的因子载荷是a, 在设定模型constrants时非常有用

参考这个模型图, 我们有三个潜变量, 每个潜变量有三个测量指标, 测量模型的表示为:

1
2
3
adjust =~ motiv + harm + stabi
risk =~ verbal + ses + ppsych
achieve =~ read + arith + spell

结构方程需要你清楚模型中有多少个因变量, 因为有多少因变量, 就可以写几行回归方程, 识别因变量最好的方法就是看有几个变量被箭头指向,
根据模型图, 我们得出两个回归方程, 结构模型的表示:

1
2
adjust ~ risk 
achieve ~ adjust + risk

R 代码

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
# m6b就是模型代码, 它在R中数据类型是字符串
m6b <- '
# measurement model
adjust =~ motiv + harm + stabi
risk =~ verbal + ses + ppsych
achieve =~ read + arith + spell
# regressions
adjust ~ risk
achieve ~ adjust + risk
'

# 使用SEM函数, 第一个参数是模型代码, 第二个参数是数据(DataFrame)
fit6b <- sem(m6b, data=dat)

# 使用summary输出结果
summary(fit6b, standardized=TRUE, fit.measures=TRUE)

实战

安装和加载库

1
2
install.packages("lavaan", dependencies=TRUE)
library(lavaan)
输出(stream):
Installing package into 'C:/Users/syd/AppData/Local/R/win-library/4.2' (as 'lib' is unspecified)
输出(stream):
package 'lavaan' successfully unpacked and MD5 sums checked The downloaded binary packages are in C:\Users\syd\AppData\Local\Temp\Rtmpa2kU3N\downloaded_packages
输出(stream):
This is lavaan 0.6-12 lavaan is FREE software! Please report any bugs.

下载数据

这是一个网络数据, 你可以下载到本地, 点这里,
你也可以直接加载到R中.

1
dat <- read.csv("https://stats.idre.ucla.edu/wp-content/uploads/2021/02/worland5.csv")
1
head(dat) # 查看数据前几行
输出(html):
A data.frame: 6 × 9
motivharmstabippsychsesverbalreadarithspell
<dbl><dbl><dbl><dbl><dbl><dbl><dbl><dbl><dbl>
1-7.907122 -5.075312-3.138836-17.800210 4.766450-3.633360-3.488981-9.989121-6.567873
2 1.751478 -4.155847 3.520752 7.009367 -6.048681-7.693461-4.520552 8.196238 8.778973
314.472570 -4.540677 4.070600 23.734260-16.970670-3.909941-4.818170 7.529984-5.688716
4-1.165421 -5.668406 2.600437 1.493158 1.39636321.409450-3.138441 5.730547-2.915676
5-4.222899-10.072150-6.030737 -5.985864-18.376400-1.438816-2.009742-0.623953-1.024624
6 4.868769 3.029841-7.648277 14.668790 -2.235039-6.826892 0.822650 5.045174 0.904154

根据前面测量模型的代码, 我们知道, 各个变量的意义,

  • adjust的测量指标是: motiv + harm + stabi
  • risk 的测量指标是: verbal + ses + ppsych
  • achieve 的测量指标是: read + arith + spell

估计模型

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
# m6b就是模型代码, 它在R中数据类型是字符串
m6b <- '
# measurement model
adjust =~ motiv + harm + stabi
risk =~ verbal + ses + ppsych
achieve =~ read + arith + spell
# regressions
adjust ~ risk
achieve ~ adjust + risk
'

# 使用SEM函数, 第一个参数是模型代码, 第二个参数是数据(DataFrame)
fit6b <- sem(m6b, data=dat)

# 使用summary输出结果
summary(fit6b, standardized=TRUE, fit.measures=TRUE)
输出(html):
$header
$lavaan.version
'0.6-12'
$sam.approach
FALSE
$optim.method
'nlminb'
$optim.iterations
112
$optim.converged
TRUE
$optim
$estimator
'ML'
$estimator.args
$optim.method
'nlminb'
$npar
21
$eq.constraints
FALSE
$nrow.ceq.jac
0
$nrow.cin.jac
0
$nrow.con.jac
0
$con.jac.rank
0
$data
$ngroups
1
$nobs
500
$test
$standard =
$test
'standard'
$stat
148.981777928469
$stat.group
148.981777928469
$df
24
$refdistr
'chisq'
$pvalue
0
$fit
npar
21
fmin
0.148981777928469
chisq
148.981777928469
df
24
pvalue
0
baseline.chisq
2597.97194315292
baseline.df
36
baseline.pvalue
0
cfi
0.951216570399027
tli
0.92682485559854
logl
-15517.8567323358
unrestricted.logl
-15443.3658433715
aic
31077.7134646715
bic
31166.2202347384
ntotal
500
bic2
31099.5649367478
rmsea
0.102054633215282
rmsea.ci.lower
0.0866822262014351
rmsea.ci.upper
0.118076367501006
rmsea.pvalue
4.04968328870936e-08
srmr
0.0405618347716423
$pe
A data.frame: 24 × 11
lhsoprhsexoestsezpvaluestd.lvstd.allstd.nox
<chr><chr><chr><int><dbl><dbl><dbl><dbl><dbl><dbl><dbl>
adjust =~motiv 0 1.00000000.00000000 NA NA 9.3236112 0.9332948 0.9332948
adjust =~harm 0 0.88441380.04061818 21.7738430.000000e+00 8.2459306 0.8254189 0.8254189
adjust =~stabi 0 0.69478930.04345933 15.9871160.000000e+00 6.4779457 0.6484433 0.6484433
risk =~verbal 0 1.00000000.00000000 NA NA 7.3185705 0.7325900 0.7325900
risk =~ses 0 0.80702350.07608457 10.6069270.000000e+00 5.9062586 0.5912174 0.5912174
risk =~ppsych 0-0.77012490.07532976-10.2233810.000000e+00-5.6362132-0.5641858-0.5641858
achieve=~read 0 1.00000000.00000000 NA NA 9.4035951 0.9413013 0.9413013
achieve=~arith 0 0.83721760.03426034 24.4369320.000000e+00 7.8728550 0.7880740 0.7880740
achieve=~spell 0 0.97603480.02842407 34.3383250.000000e+00 9.1782364 0.9187428 0.9187428
adjust ~ risk 0 0.59928030.07647237 7.8365604.662937e-15 0.4704052 0.4704052 0.4704052
achieve~ adjust 0 0.37479060.04635701 8.0848756.661338e-16 0.3716028 0.3716028 0.3716028
achieve~ risk 0 0.72435990.07828439 9.2529290.000000e+00 0.5637503 0.5637503 0.5637503
motiv ~~motiv 012.87028172.85223254 4.5123546.411220e-0612.8702817 0.1289607 0.1289607
harm ~~harm 031.80462812.97294639 10.6980160.000000e+0031.8046281 0.3186837 0.3186837
stabi ~~stabi 057.83622653.99023894 14.4944270.000000e+0057.8362265 0.5795213 0.5795213
verbal ~~verbal 046.23852294.78776498 9.6576430.000000e+0046.2385229 0.4633119 0.4633119
ses ~~ses 064.91610124.97522402 13.0478750.000000e+0064.9161012 0.6504620 0.6504620
ppsych ~~ppsych 068.03310225.06751791 13.4253300.000000e+0068.0331022 0.6816944 0.6816944
read ~~read 011.37240481.60764520 7.0739521.505907e-1211.3724048 0.1139519 0.1139519
arith ~~arith 037.81815712.68041969 14.1090430.000000e+0037.8181571 0.3789394 0.3789394
spell ~~spell 015.55997961.69864710 9.1602190.000000e+0015.5599796 0.1559116 0.1559116
adjust ~~adjust 067.69382126.06585950 11.1598070.000000e+00 0.7787189 0.7787189 0.7787189
risk ~~risk 053.56147476.75713280 7.9266572.220446e-15 1.0000000 1.0000000 1.0000000
achieve~~achieve030.68486643.44941260 8.8956790.000000e+00 0.3470055 0.3470055 0.3470055

展示模型的概览:

1
show(fit6b)
输出(stream):
lavaan 0.6-12 ended normally after 112 iterations Estimator ML Optimization method NLMINB Number of model parameters 21 Number of observations 500 Model Test User Model: Test statistic 148.982 Degrees of freedom 24 P-value (Chi-square) 0.000
  • 获取模型拟合参数
1
2
3
fits = fitMeasures(fit6b)

fits['rmsea']
输出(html):
rmsea: 0.102054633215282
1
fits[c('chisq', 'df',  'pvalue', 'cfi' ,'rmsea', 'srmr', 'aic')]
输出(html):
chisq
148.981777928469
df
24
pvalue
0
cfi
0.951216570399027
rmsea
0.102054633215282
srmr
0.0405618347716423
aic
31077.7134646715

计算中介效应和总效应

我们注意到, 这是一个中介模型, 我们想要检验中介效应以及总效应是否显著, 可以使用下面的代码:

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
# m6b就是模型代码, 它在R中数据类型是字符串
m6b <- '
# measurement model
adjust =~ motiv + harm + stabi
risk =~ verbal + ses + ppsych
achieve =~ read + arith + spell
# regressions
adjust ~ a*risk # 设置参数a
achieve ~ b*adjust + c*risk # 设置参数b和c

# 中介效应
indirect := a * b
total := a*b + c
'

# 使用SEM函数, 第一个参数是模型代码, 第二个参数是数据(DataFrame)
fit6b <- sem(m6b, data=dat)

# 使用summary输出结果
summary(fit6b, standardized=TRUE, fit.measures=TRUE)
输出(html):
$header
$lavaan.version
'0.6-12'
$sam.approach
FALSE
$optim.method
'nlminb'
$optim.iterations
112
$optim.converged
TRUE
$optim
$estimator
'ML'
$estimator.args
$optim.method
'nlminb'
$npar
21
$eq.constraints
FALSE
$nrow.ceq.jac
0
$nrow.cin.jac
0
$nrow.con.jac
0
$con.jac.rank
0
$data
$ngroups
1
$nobs
500
$test
$standard =
$test
'standard'
$stat
148.981777928469
$stat.group
148.981777928469
$df
24
$refdistr
'chisq'
$pvalue
0
$fit
npar
21
fmin
0.148981777928469
chisq
148.981777928469
df
24
pvalue
0
baseline.chisq
2597.97194315292
baseline.df
36
baseline.pvalue
0
cfi
0.951216570399027
tli
0.92682485559854
logl
-15517.8567323358
unrestricted.logl
-15443.3658433715
aic
31077.7134646715
bic
31166.2202347384
ntotal
500
bic2
31099.5649367478
rmsea
0.102054633215282
rmsea.ci.lower
0.0866822262014351
rmsea.ci.upper
0.118076367501006
rmsea.pvalue
4.04968328870936e-08
srmr
0.0405618347716423
$pe
A data.frame: 26 × 12
lhsoprhslabelexoestsezpvaluestd.lvstd.allstd.nox
<chr><chr><chr><chr><int><dbl><dbl><dbl><dbl><dbl><dbl><dbl>
adjust =~motiv 0 1.00000000.00000000 NA NA 9.3236112 0.9332948 0.9332948
adjust =~harm 0 0.88441380.04061818 21.7738430.000000e+00 8.2459306 0.8254189 0.8254189
adjust =~stabi 0 0.69478930.04345933 15.9871160.000000e+00 6.4779457 0.6484433 0.6484433
risk =~verbal 0 1.00000000.00000000 NA NA 7.3185705 0.7325900 0.7325900
risk =~ses 0 0.80702350.07608457 10.6069270.000000e+00 5.9062586 0.5912174 0.5912174
risk =~ppsych 0-0.77012490.07532976-10.2233810.000000e+00-5.6362132-0.5641858-0.5641858
achieve =~read 0 1.00000000.00000000 NA NA 9.4035951 0.9413013 0.9413013
achieve =~arith 0 0.83721760.03426034 24.4369320.000000e+00 7.8728550 0.7880740 0.7880740
achieve =~spell 0 0.97603480.02842407 34.3383250.000000e+00 9.1782364 0.9187428 0.9187428
adjust ~ risk a 0 0.59928030.07647237 7.8365604.662937e-15 0.4704052 0.4704052 0.4704052
achieve ~ adjust b 0 0.37479060.04635701 8.0848756.661338e-16 0.3716028 0.3716028 0.3716028
achieve ~ risk c 0 0.72435990.07828439 9.2529290.000000e+00 0.5637503 0.5637503 0.5637503
motiv ~~motiv 012.87028172.85223254 4.5123546.411220e-0612.8702817 0.1289607 0.1289607
harm ~~harm 031.80462812.97294639 10.6980160.000000e+0031.8046281 0.3186837 0.3186837
stabi ~~stabi 057.83622653.99023894 14.4944270.000000e+0057.8362265 0.5795213 0.5795213
verbal ~~verbal 046.23852294.78776498 9.6576430.000000e+0046.2385229 0.4633119 0.4633119
ses ~~ses 064.91610124.97522402 13.0478750.000000e+0064.9161012 0.6504620 0.6504620
ppsych ~~ppsych 068.03310225.06751791 13.4253300.000000e+0068.0331022 0.6816944 0.6816944
read ~~read 011.37240481.60764520 7.0739521.505907e-1211.3724048 0.1139519 0.1139519
arith ~~arith 037.81815712.68041969 14.1090430.000000e+0037.8181571 0.3789394 0.3789394
spell ~~spell 015.55997961.69864710 9.1602190.000000e+0015.5599796 0.1559116 0.1559116
adjust ~~adjust 067.69382126.06585950 11.1598070.000000e+00 0.7787189 0.7787189 0.7787189
risk ~~risk 053.56147476.75713280 7.9266572.220446e-15 1.0000000 1.0000000 1.0000000
achieve ~~achieve 030.68486643.44941260 8.8956790.000000e+00 0.3470055 0.3470055 0.3470055
indirect:=a*b indirect0 0.22460470.03257583 6.8948265.393019e-12 0.1748039 0.1748039 0.1748039
total :=a*b+c total 0 0.94896460.08175637 11.6072250.000000e+00 0.7385542 0.7385542 0.7385542

视频教程

注意
统计咨询请加QQ 2726725926, 微信 shujufenxidaizuo, SPSS统计咨询是收费的, 不论什么模型都可以, 只限制于1个研究内.
跟我学统计可以代做分析, 每单几百元不等.
本文由jupyter notebook转换而来, 您可以在这里下载notebook
可以在微博上@mlln-cn向我免费题问
请记住我的网址: mlln.cn 或者 jupyter.cn

赞助

持续创造有价值的内容, 我需要你的帮助