python结构方程模型_结构方程模型的构建

今日所学：结构方程模型的构建步骤：

1数据特征检验，数据应为多元正态分布(1)，且不存在严重的共线性问题(2)；

2各测量模型的验证性因素分析结果符合要求(3)；

3构建结构方程模型并进行模型拟合度分析；

4模型拟合修正。

(1)多元正态分布：多变量正态分布，是单维正态分布向多维的推广。在对多个因变量(多元)同时进行分析时，常常假设因变量组合成的向量服从一个多元正态分布。

多元正态分布的判断：通常采用边际分布来判断，即每个因变量的分布呈正态或近似正态。但实际上单因变量正态是多因变量多元正态的必要非充分条件。软件分析：SPSS、JMP均为提供多元正态分布检验，但SAS、STATA、R、Python可以做到(有待学习)。

(2)多重共线性的检验：逐步回归法(Stepwise Regression)

首先来看相关系数，所有变量两两之间Pearson相关系数及其对应的P值，一般认为相关系数 > 0.7可考虑变量间存在共线性。回归系数表中Tolerance(容忍度)和VIF(方差膨胀因子)。一般认为如果Tolerance < 0.2或VIF > 10，则要考虑自变量之间存在多重共线性的问题。

共线性诊断表格：特征根和条件指数。多个维度的特征根约为0证明存在多重共线性，条件指数大于10时提示我们可能存在多重共线性。

(3)验证性因素分析指标要求：

拟合优度卡方检验X2/df越接近1，表示模型拟合度越好，在实际研究中X2/df越接近2，认为模型拟合较好。

拟合优度指数(GFI)和调整拟合优度指数(AGFI)，这两个指数值在0-1之间，越接近1表示拟合越好。目前多数学者认为GFI>0.9,AGFI>0.8提示模型拟合较好，也有学者认为GFI的标准至少>0.8或≥0.85。

比较拟合指数(CFI)一般认为CFI≥0.9,认为模型拟合较好。

Tuvker- Lewis指数(TLI)TLI>0.9认为模型拟合度较好。

近似误差均方根(RMSEA)：一般认为如果RMSEA=0表示模型完全拟合；RMSEA<0.05表示模型接近拟合；0.05≤RMSEA≤0.08表示模型拟合合理；0.08

均方根残差(RMR)，RMR<0.1认为模型拟合较好。

(4)模型拟合修正：

可以考虑修改模型，比如A-B之间是不是中介变量的影响，这种修改必须要有理论支撑，不能单纯根据数据的变化做修改。

测量模型角度：即观察变量的维度，如维度A1到变量A的效度如何，A的维度≥3时可以考虑删除；在验证性因子分析中，如果A1-A的路径系数小于0.5也需要删除。

数据角度：根据情况删除极端值；筛选数据(如所有选项都选同样的值)。