K 均值聚类（MacQueen 1967）是最常用的无监督机器学习算法之一，用于将给定数据集划分为一组 k 个组（即 k 个簇），其中 k 表示分析师预先指定的组数 。 它将对象分类为多个组，使得同一簇内的对象尽可能相似（即类内相似度高），而来自不同簇的对象尽可能不相似（即类间相似度低）。 在 k 均值聚类中，每个聚类由其中心（即质心）表示，该中心对应于分配给该聚类的点的平均值。

SEMinR 为创建和估计结构方程模型 (SEM) 非常容易的使用方法。 SEMinR 集成了 SmartPLS 具有的偏最小二乘路径建模 (PLS-PM) 进行估计，也可以使用 LISREL 和 AMOS 的基于协方差的结构方程模型 (CBSEM) 进行估计， 还支持反应性测量模型的验证性因素分析 (CFA)。SEMinR 中 CBSEM 和 CFA 估计都使用 Lavaan 软件包。

本教程提供了在 Mplus 软件系统中进行潜在剖面分析 (LPA) 的实用指南。 本指南适用于熟悉某些潜在变量建模但不熟悉 LPA 的研究人员。 进行 LPA 的一般程序分为六个步骤：(a) 数据检查，(b) 模型的迭代评估，(c) 模型拟合和可解释性，(d) 调查保留模型中的剖面模式，(e) 协变量分析，以及 (f) 结果呈现。
本教程提供了代码和结果解读, 以及帮助理解的示例来举例。

本教程旨在介绍使用贝叶斯网络学习和推理的基础知识，
如何使用R语言（bnlearn）完成一个贝叶斯网络结构建立和参数学习，
以介绍图算法建模的典型数据分析工作流程。 要点包括：

• 数据处理
• 贝叶斯网络原理（结构和参数）
• 将贝叶斯网络用于预测分析
• 将贝叶斯网络用于推理分析

Cronbach Alpha信度（克隆巴赫系数），也称为内部一致性系数，是心理或教育测验中最常用的信度评估工具。
它依一定公式估量测验的内部一致性，作为信度的指标。这种方法克服了部分折半法的缺点，是社会研究最常使用的信度指标之一，适用于测量一组同义或平行测验“总和”的信度。
在实际研究中，为了保证数据的可靠性和有效性，Cronbach Alpha可以帮助研究者评估测量工具的信度，从而判断其是否适合用于数据分析和统计。

组合信度(composite reliability )ρ_c 是 Jöreskog’s (1971) 开发的一个指标.
Jöreskog 的 ρ_c 是结构方程模型 (SEM) 和偏最小二乘结构方程模型 (PLS-SEM) 中用于评估构念的可靠性的度量。构念composite是一种潜变量（未观察变量），由多个指标变量（观察变量）来测量。
组合信度有时候被归纳为聚合效度的一种, 因为聚合效度就是指的是测量指标聚合为一个构念的程度, 因此各种名词很多时候都指的是一个意思.

ρ_c表示指标潜变量(也叫构念)的方差被测量指标解释的比率, 最大是1. 值越高（通常高于 0.7）表示可靠性越高.

rho_A 的英文名称是 reliability coefficient rhoA (Dijkstra, 2014; Dijkstra & Henseler, 2015), 也是信度的一种, 与组合信度CR(rhoc)和内部一致性信度(alpha)具有一定的关系,
所以数值上 rho_a 位于rho_c和alpha之间. 意义与他们不同, rho_a 衡量的是测量指标之间的相关性, 或者他们的共同变异占总变异的比率.

Heckman两阶段回归的中文名字是赫克曼两阶段回归。

这是经济学中解决选择偏误问题的统计方法，常用于解决样本选择偏误导致的有偏估计问题。其基本原理包括两个阶段：样本选择模型（回归样本为一个子样本）和处理效应模型（回归模型中包含一个内生的指示变量D）。

最近有同学问:在检验调节效应时，是否需要对变量进行居中处理？

很多童鞋问我们当调节效应显著的时候， 如何绘制简单斜率图， 我们在之前的教程中做过一些指导，
但是我们发现这种方法还是有些繁琐， 需要你使用spss软件先做回归。
所以我们推出了另外一种制作简单斜率图的最简单方法， 你只需要输入原始数据就可以看到绘制好的图。