基于R语言结构方程模型

（R语言平台；模型构建、拟合、筛选及结果发表全流程；潜变量分析；组成变量分析；非线性关系处理、非正态数据、分组数据、嵌套数据分析与处理；混合效应模型；贝叶斯方法；经典案例练习及解读）

现代统计学理论和方法的不断完善，使科研工作对统计方法的要求也越来越高，面对纷繁复杂的数据，如何选择最为合适的数据分析方法已成为科研工作者，尤其是广大刚处于科研生涯起步阶段的研究生们最为棘手问题。随着科学的发展，一些科学问题的回答往往基于结构较为复杂的数据结构之上，传统或经典的统计分析方法已很难应对此类数据。结构方程模型（Sructural Equation Model）是一种建立、估计和检验因果关系模型的方法，它是基于变量的协方差矩阵来分析变量之间关系的一种统计方法，它可以替代多重回归、因子分析、协方差分析等方法，利用图形化模型方式清晰分析研究系统中变量间的相互关系，是近年来地学、生态、进化、环境、医学、社会、经济领域应用十分广泛的统计方法，具有强大的数据分析功能和广泛的适用性。然而，自Wright在1920年美国科学院院刊（PNAS）提出第一个通径分析方法发展至今的100年时间结构方程模型已发展出有较为庞大的理论体系和复杂多变的形式，使初学者往往无所适从。本次课程将利用开源软件R平台，通过理论讲解和实际操作相结合的方式，由浅入深地系统介绍结构方程模型的建立、拟合、评估、筛选和结果展示的全过程，使学员能够利用结构方程模型方法解决实际研究和工作中遇到的相关科学问题。

主要涉及结构方程模型基本原理、结构方程模型R实现的流程、潜变量和组成变量分析、混合效应模型及贝叶斯方法在结构方程模型中的应用等主要环节

最新基于R语言结构方程模型分析与实践技术应用

生态人必学的模型软件！DSSAT、Biome-BGC、InVEST、MAXENT​、Noah-MP、CASA、BIOMOD2 等

结构方程基本原理

SEM的定义、应用及历史回顾

SEM的基本结构

SEM的估计方法

SEM的路径规则

SEM路径参数的含义

SEM分析样本量及模型可识别规则

SEM构建基本流程

R语言SEM分析入门：lavaan、piecewiseSEM 及brms（从频率学派到贝叶斯学派）

SEM模型在科学研究中应用

全局估计SEM-lavaan

局域估计SEM-piecewiseSEM

贝叶斯方法构建SEM-brms

基于lavaan建立SEM进阶与提高

基于lavaan的SEM应用进阶

1、问题提出、元模型构建

2、模型构建及模型估计

3、模型评估：路径增加和删减原则、最优模型筛选方法

4、结果展示

lavaan对实际应用中各种情况处理

1、有缺失数据的处理

2、非正态分布数据

3、非线性关系处理

4、分组数据处理

5、嵌套数据处理

基于lavaan的潜变量分析

潜变量的定义

潜变量分析的优势

潜变量分析实现的基本原理

lavaan潜变量分析实现的基本步骤和方法

lavaan潜变量分析的实际案例

 

基于lavaan的复合变量分析

复合变量的定义

复合变量和潜变量的对比

复合变量分析的基本步骤

复合变量分析处理非线性关系

复合变量分析处理交互作用

复合变量分析经典案例解析

 局域估计及混合效应模型SEM -piecewiseSEM

混合效应模型（mixed effects models）简介

piecewiseSEM及局域估计方法

piecewiseSEM基本操作

SEM中引入混合效应模型实例

贝叶斯SEM实现方法-blavaan&brms 

 贝叶斯（bayes）方法简介

blavaan介绍及其实现SEM案例讲解

brms介绍及其实现SEM案例讲解