结构方程模型SEM、路径分析房价和犯罪率数据、预测智力影响因素可视化2案例...

原文链接：http://tecdat.cn/?p=25044

在本文，我们将考虑观察/显示所有变量的模型，以及具有潜在变量的模型（点击文末“阅读原文”获取完整代码数据）。

1 简介

第一种有时称为“路径分析”，而后者有时称为“测量模型”。

2 进行简单的多元回归

SEM 在很大程度上是回归的多元扩展，我们可以在其中一次检查许多预测变量和结果。SEM 还提供了检查潜在结构（即未观察到某些变量的地方）的创新。更具体地说，“结构方程”的概念是指我们有不止一个方程表示协方差结构模型，其中我们（通常）有多个标准变量和多个预测变量。

让我们从简单的演示开始，即 SEM 中的路径模型可以概括简单的单预测变量-单结果回归。我们将检查人口普查中的房价数据（查看文末了解数据获取方式），以回顾相关和回归中的重要概念。这是一个很好的回归数据集，因为有许多相互依赖的变量：犯罪，污染物，财产的年龄，等等。

这是上面的单预测回归，作为路径模型运行 ：

#示例数据集，包括按人口普查区划分的房屋价格

snml <- otnou %>% dplyr::select(
  cmv, #住宅的中位数价值，以千计
  crm, #城镇人均犯罪率
  nx, #一氧化氮浓度
  lsa, #地位较低的人的比例
  rd #靠近放射状的高速公路
  ) %>% mutate
summary

为了比较，输出 lm()

summary(lm

回归系数是相同的（好！）。有一点需要注意的是，我们在输出中没有截距。这突出了一个重要的区别，基本的SEM经常关注数据的协方差结构。我们也可以包括均值，但通常只有当它与我们的科学问题有关时才会包括。例如，男性和女性在抑郁症潜在因素的平均水平上是否有差异？

相关视频

2.1 平均结构

在这种情况下，我们可以要求在模型中包含平均值（截距）  mean=TRUE：

summary(lvt)

2.2 模型参数详情

"参数 "表提供了模型中哪些参数是必须被估计，以及用户在模型语法中要求哪些参数的重要摘要。

Table(mv)

在这里，'user' 指的是我们在语法中明确请求的参数，'free' 列的非零值表示模型自由估计的参数。

请注意，我们也可以得到标准化的估计值 。这是 SEM 中更复杂的主题，因为我们可以仅针对潜在变量（std.lv）或观察变量和潜在变量（std.all）进行标准化。后者通常是 SEM 论文中作为标准化估计报告的内容。

2.3 标准化估计

stdln(v, type)

3 住房数据的路径分析

让我们看一些更有趣的东西。如果我们认为一氧化氮 ( nox) 水平也可以预测房价和犯罪率，那会怎样？我们可以将其添加为标准多元回归中的预测变量。

此外，我们假设房屋靠近大型高速公路（rad）预测一氧化氮的浓度，从而预测较低的房价？

模型语法可以指定为：

sem(ln2, data=toSll)

模型看起来像这样

Paths

点击标题查阅往期内容

结构方程模型 SEM 多元回归和模型诊断分析学生测试成绩数据与可视化

左右滑动查看更多

01

02

03

04

这是文本输出：

summary

需要注意的几点：

• 请注意警告：“一些观察到的差异（至少）是其他差异的 1000 倍。”

• 我们的假设似乎都得到了支持。

• 模型卡方非常显着，表明全局模型拟合不佳。

3.1 调整

当模型中变量的方差显着不同（数量级）时，参数估计可能会遇到困难。鉴于上述警告，让我们来看看。