共计 1830 个字符，预计需要花费 5 分钟才能阅读完成。
原文链接：http://tecdat.cn/?p=26206
构造方程建模 (SEM) 是一种全面而灵便的办法，包含在假如模型中钻研变量之间的关系，无论它们是测量的还是潜在的，这意味着不可间接察看到，就像任何心理结构（例如，智力、满意度，心愿，信赖）。因为它是一种多元分析办法，它联合了因子分析的输出以及基于或衍生自多元回归分析方法和标准剖析的办法。灵便，因为它不仅能够辨认变量之间的间接和间接影响，还能够预计包含潜在变量均值在内的各种简单模型的参数。
SEM 办法的历史能够追溯到三个不同的传统：(1) 路径分析，最后由遗传学家 Sewall Wright (Wright 1921) 开发，起初在社会学中失去利用 (Duncan 1966)，(2) 联立方程模型，如开发经济学博士（Koopmans 1945），以及（3）心理学因素剖析（Anderson 和 Rubin 1956）。
利用
基本上，SEM 是一种统计办法，它采纳确认（即假设检验）办法来剖析与某些景象相干的构造实践。通常，该实践代表了对多个变量产生察看的“因果”过程。术语“构造方程建模”传播了该过程的两个重要方面：（1）所钻研的因果过程由一系列构造（即回归）方程示意，以及（2）这些构造关系能够以图形形式建模以便对所钻研的实践进行更清晰的概念化。而后能够在对整个变量零碎的同时剖析中对假如的模型进行统计测试，以确定它与数据的一致性水平。
在 R 中进行 SEM
在 R 环境中，有两种预计构造方程模型的办法。
第一种办法是将 R 与内部商业 SEM 程序连接起来。这在模仿钻研中通常很有用，其中应用 SEM 软件拟合模型是模仿管道的一部分。
第二种办法是应用专用的 R 包进行构造方程建模。
为什么是 R 包？
这个问题的答案有三个：
- R 包旨在吸引大量须要 SEM 软件来答复其实质性问题的利用钻研人员。许多利用钻研人员以前没有应用过 R 并且习惯于商业 SEM 程序。利用钻研人员通常器重直观且具备丰盛建模性能的软件，而 R 包试图实现这两个指标。
- R 包旨在吸引那些传授 SEM 课程或 SEM 钻研的人；现实状况下，老师应该可能应用易于应用但残缺的 SEM 程序，该程序在计算机教室中装置老本低廉。
- R 包旨在吸引在 SEM 畛域工作的统计学家。为了实现新的方法论思维，拜访开源 SEM 程序是无利的，该程序能够间接拜访 SEM 代码。
应用熔岩
在本节中，我将介绍用于进行 SEM 剖析的 R 代码 。
# 加载一些 R 包并导入数据。rm(list = ls())
# 辨认咱们的 SEM 模型。mEM <- "prcon =~ prcon2 + prcon3 + prcon4 + prcon5
involv =~ involv1 + involv2 + involv3
"
# 进行 SEM 剖析。# 显示后果。summary(Smodel)
# 你能够用 fit.measures = TRUE 来显示更具体的后果。summary(fit.measures = TRUE)
# 显示 SEM 门路。Paths(Smodel)
# 咱们能够展现一些评估模型拟合的规范。fitMeas(SEmodel, fies = c("cfi", "rmsea"))
# 咱们能够应用 ca()函数来进行 SEM 剖析。ca(m_M, data = dfvl) %>% summary()
# 显示标准化的系数。stnilion(EMoel, type = "std.all")
# 请留神，函数承受因子变量，后果是雷同的。df_ol %>%
mutaeal(as.ueic) %>%
sm(mEM, data = .) %>%
smry()
参考
- 安德森 TW，鲁宾 H (1956)。因子分析中的统计推断。”在第三届伯克利数理统计和概率研讨会论文集上，第 111-150 页。加州大学出版社，伯克利。
最受欢迎的见解
1.R 语言多元 Logistic 逻辑回归 利用案例
2. 面板平滑转移回归 (PSTR) 剖析案例实现剖析案例实现 ”)
3.matlab 中的偏最小二乘回归（PLSR）和主成分回归（PCR）
4.R 语言泊松 Poisson 回归模型剖析案例
5.R 语言混合效应逻辑回归 Logistic 模型剖析肺癌
6.r 语言中对 LASSO 回归，Ridge 岭回归和 Elastic Net 模型实现
7.R 语言逻辑回归、Naive Bayes 贝叶斯、决策树、随机森林算法预测心脏病
8.python 用线性回归预测股票价格
9.R 语言用逻辑回归、决策树和随机森林对信贷数据集进行分类预测
