pls代码参考文章:PLS+SEM:基于偏最小二乘法的结构方程模型-plssem-T330
ssc install plssem, replace
net get plssem.pkg, replace // 下载数据文件
use workout2.dta,clear
*** 验证H1(魅力-外表) H2(外表-肌肉) H3(外表-体重)
plssem (Attractive > face sexy) ///
(Appearance > body appear attract) ///
(Muscle > muscle strength endur) ///
(Weight > lweight calories cweight) ///
, ///
structural(Appearance Attractive, ///
Muscle Appearance, ///
Weight Appearance) ///
boot(200) seed(123) stats correlate(lv)
*** 验证间接效应H3(魅力-外表-肌肉) H4(魅力-外表-体重)
estat indirect, effects(Muscle Appearance Attractive, Weight Appearance Attractive) //从末端到前端
boot(200) seed(456)
plssemplot, loadings //画图
ereturn list
直接效应解读
Measurement model - Standardized loadings
--------------------------------------------------------------------------
| Reflective: Reflective: Reflective: Reflective:
| Attractive Appearance Muscle Weight
--------------+-----------------------------------------------------------
face | 0.908
sexy | 0.919
body | 0.899
appear | 0.949
attract | 0.923
muscle | 0.886
strength | 0.873
endur | 0.623
lweight | 0.916
calories | 0.937
cweight | 0.911
--------------+-----------------------------------------------------------
Cronbach | 0.801 0.914 0.734 0.912
DG | 0.909 0.946 0.842 0.944
rho_A | 0.803 0.917 0.849 0.931
--------------------------------------------------------------------------
这个结果是一个测量模型的标准化载荷(Standardized loadings)表格。在结构方程建模(SEM)中,测量模型用于衡量观察到的变量(指标)与潜在概念(构念)之间的关系。
这个表格显示了每个指标与其对应潜在概念之间的标准化载荷。标准化载荷表示了指标与潜在概念之间的线性关系的强度,范围通常在0到1之间。载荷越高,表示指标对于潜在概念的解释能力越强。
让我们分析一下表格:
- 对于“Reflective: Attractive”潜在概念,与之相关的指标是“face”和“sexy”,它们的标准化载荷分别是0.908和0.919。
- 对于“Reflective: Appearance”潜在概念,与之相关的指标是“appear”和“attract”,它们的标准化载荷分别是0.949和0.923。
- 对于“Reflective: Muscle”潜在概念,与之相关的指标是“body”和“muscle”,它们的标准化载荷分别是0.899和0.886。
- 对于“Reflective: Weight”潜在概念,与之相关的指标是“lweight”、“calories”和“cweight”,它们的标准化载荷分别是0.916、0.937和0.911。
此外,表格底部还提供了Cronbach's Alpha(克朗巴赫α)、Dillon-Goldstein's (DG) rho(戴隆-戈德斯坦rho)和Average Variance Extracted (AVE)(平均方差提取)等评估指标,用于评估潜在概念的可靠性和效度。
Discriminant validity - Squared interfactor correlation vs. Average variance extracted (AVE)
--------------------------------------------------------------------------
| Attractive Appearance Muscle Weight
--------------+-----------------------------------------------------------
Attractive | 1.000 0.080 0.021 0.002
Appearance | 0.080 1.000 0.217 0.177
Muscle | 0.021 0.217 1.000 0.041
Weight | 0.002 0.177 0.041 1.000
--------------+-----------------------------------------------------------
AVE | 0.834 0.854 0.645 0.849
--------------------------------------------------------------------------
这个表格显示了因子之间的平方相关性与平均方差提取(AVE)之间的比较,用于评估因子间的辨别效度(Discriminant validity)。
-
左上角的方阵显示了因子之间的平方相关性。每个单元格表示了两个因子之间的相关系数的平方。例如,在“Attractive”行和“Appearance”列的交叉处,值为0.080,表示这两个因子之间的相关系数的平方为0.080。
-
右下角的AVE值表示了每个因子的平均方差提取。AVE是指标方差在因子总方差中所占的比例的平均值。例如,“Attractive”因子的AVE值为0.834,表示在该因子的观察指标中,平均有83.4%的方差可以被该因子解释。
通过比较平方相关性和AVE值,可以评估每个因子与其他因子之间的相关性是否低于各因子自身的可解释方差。一般来说,如果平方相关性小于相应的AVE值,那么就认为因子之间具有足够的辨别效度。
在这个表格中,对角线上的值(因子与自身的相关性)都是1,因为相关系数与自己的平方总是1。其他值则表示不同因子之间的相关性。例如,最左上角的0.080表示“Attractive”和“Appearance”因子之间的平方相关系数为0.080,而该因子的AVE分别为0.834和0.854,说明它们之间的辨别效度良好。
如果平方相关性值大于对应的AVE值,可能表明存在共性偏误或者因子之间的重叠性较大,需要进一步探索和调整模型。
Structural model - Standardized path coefficients (Bootstrap)
-----------------------------------------------------------
Variable | Appearance Muscle Weight
--------------+--------------------------------------------
Attractive | 0.283
| (0.000)
Appearance | 0.466 0.420
| (0.000) (0.000)
--------------+--------------------------------------------
r2_a | 0.075 0.213 0.172
-----------------------------------------------------------
p-values in parentheses
这个表格显示了结构模型的标准化路径系数,以及相应的p值。结构模型用于描述不同潜在概念之间的直接影响关系。
- 在第一列,“Variable”列列出了自变量(Independent variable),这里是“Attractive”和“Appearance”。
- 在第一行,“Variable”列列出了因变量(Dependent variable),这里是“Appearance”、“Muscle”和“Weight”。
- 表格中的数字表示了自变量对应的因变量的标准化路径系数。例如,0.283表示“Attractive”对“Appearance”的标准化路径系数为0.283。
- 括号中的数字是路径系数的p值,用于衡量该路径系数是否显著。
在这个表格中,有三个路径系数:
- “Attractive”对“Appearance”的路径系数为0.283,p值小于0.05,表示这一关系是显著的。
- “Appearance”对“Muscle”的路径系数为0.466,p值小于0.05,表示这一关系是显著的。
- “Appearance”对“Weight”的路径系数为0.420,p值小于0.05,表示这一关系是显著的。
此外,表格底部的“r2_a”列显示了每个因变量的R方值(可决系数),用于衡量自变量对因变量的解释方差的程度。例如,0.075表示“Attractive”对“Appearance”的R方为0.075,表明自变量“Attractive”能够解释因变量“Appearance”7.5%的方差。
综合来看,这个结构模型的结果表明,自变量“Attractive”对“Appearance”有显著的正向影响,而“Appearance”对“Muscle”和“Weight”也有显著的正向影响。
Correlation of latent variables
--------------------------------------------------
| Attrace Appeare Muscle Weight
-------------+------------------------------------
Attractive | 1.0000
Appearance | 0.2830 1.0000
Muscle | 0.1435 0.4658 1.0000
Weight | -0.0414 0.4204 0.2032 1.0000
--------------------------------------------------
这个表格显示了潜在变量之间的相关性系数。潜在变量通常是通过多个观察变量(指标)测量得出的,它们代表了一个概念或者理论构念。基本和刚刚的《标准化路径系数+p值》表格一致。
- 表格中的数字表示了不同潜在变量之间的相关系数。例如,0.283 表示了“Attractive”和“Appearance”之间的相关系数为0.283。
- 每个潜在变量自身的相关系数始终为1,因为自己与自己的相关性是完全的。
- 相关系数的符号表示相关性的方向。正值表示正相关,负值表示负相关。
分析这个表格,我们可以得到以下结论:
- "Attractive" 和 "Appearance" 之间的相关系数为 0.283,显示了一个轻度正相关。
- "Attractive" 和 "Weight" 之间的相关系数为 -0.0414,显示了一个较小的负相关。
- "Appearance" 和 "Muscle" 之间的相关系数为 0.4658,显示了一个中度正相关。
间接效应解读
Significance testing of (standardized) indirect effects (Bootstrap)
--------------------------------------------------------------
| Muscle <- | Weight <-
Statistics | Appearance <- | Appearance <-
| Attractive | Attractive
------------------------+------------------+------------------
Indirect effect | 0.132 | 0.119
Standard error | 0.040 | 0.033
Z statistic | 3.285 | 3.564
P-value | 0.001 | 0.000
Conf. interval (N) | (0.053, 0.210) | (0.054, 0.184)
Conf. interval (P) | (0.066, 0.228) | (0.067, 0.197)
Conf. interval (BC) | (0.071, 0.240) | (0.068, 0.198)
--------------------------------------------------------------
confidence level: 95%
(N) normal confidence interval
(P) percentile confidence interval
(BC) bias-corrected confidence interval
- 在第一行,“Muscle <- Appearance <- Attractive”和“Weight <- Appearance <- Attractive”表示了两个间接效应的路径。
- 对于"Muscle <- Appearance <- Attractive"路径的间接效应,估计值为0.132,标准误差为0.040,Z统计量为3.285,p值为0.001。这表明该间接效应是显著的,因为p值小于0.05。
- 置信区间提供了对间接效应的不确定性的度量。例如,对于"Muscle <- Appearance <- Attractive"路径的间接效应,正常置信区间为(0.053, 0.210),这意味着我们有95%的置信度相信真实的间接效应值在这个区间内。
95%的置信区间通常为估计值加减2个标准误差。因此,如果估计值为0.132,标准误差为0.040,则正常置信区间为(0.132 - 2 * 0.040,0.132 + 2 * 0.040),即(0.053,0.210)。95:加减2个;68加减1个
Loadings
--------------------------------------------------------------------------
| Reflective: Reflective: Reflective: Reflective:
| Attractive Appearance Muscle Weight
--------------+-----------------------------------------------------------
face | 0.9077
sexy | 0.9186
body | 0.8989
appear | 0.9492
attract | 0.9230
muscle | 0.8856
strength | 0.8730
endur | 0.6225
lweight | 0.9156
calories | 0.9366
cweight | 0.9111
--------------------------------------------------------------------------
然后搞一个因子载荷图,数值对应loadings
理解每个指标与潜在因子之间的关系(一级指标和二级指标咯)
-
指标分组: 将指标分组成簇可以帮助理解模型中的潜在结构。相关的指标通常会聚集在一起,形成一个簇,而与其他因子相关性较低的指标则会分散在其他簇中。如一个颜色就是一组,例如attractive包含了face、sexy
-
高载荷和低载荷: 高载荷的指标对于潜在因子的解释能力更强,而低载荷的指标对潜在因子的解释能力较弱。通常情况下,载荷大于 0.5 被认为是较高的载荷。这里看虚线判断是否大于0.7,大于0.7高荷载,高解释能力
-
异常值: 在载荷图中,偶尔会出现异常值,即载荷非常高或非常低的指标。这些异常值可能表示了模型中的问题,比如测量错误或者潜在因子的不完整性