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。

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。