SPSS&Mplus—潜在剖面分析/潜在类别分析的后续分析（2）

Kunle~

已于 2023-10-09 09:35:30 修改

阅读量784

点赞数 2

分类专栏： Mplus SPSS 文章标签：数据分析经验分享学习方法笔记其他

于 2023-10-08 09:37:51 首次发布

本文链接：https://blog.csdn.net/m0_54401011/article/details/133669570

版权

Mplus 同时被 2 个专栏收录

23 篇文章 13 订阅

订阅专栏

SPSS

14 篇文章 19 订阅

订阅专栏

关于潜在类别模型（包含潜在剖面分析和潜在类别分析）的上一篇文章中介绍了潜在类别模型的后续分析，也就是纳入协变量，分析协变量与潜在类别变量之间关系，协变量可以为潜在类别的预测变量，也可以为结果变量。并且介绍了如何在SPSS和Mplus中操作。详细内容可点击下方链接查看。

SPSS&Mplus—潜在剖面分析/潜在类别分析的后续分析（1）-CSDN博客潜在剖面分析与潜在类别分析的后续分析，包括使用SPSS进行方差分析、独立样本t检验、列联表分析，以及使用Mplus进行稳健三步法等。https://blog.csdn.net/m0_54401011/article/details/133387485?spm=1001.2014.3001.5501

上述介绍的后续分析，仅仅是探讨协变量和潜在类别变量之间的两两关系，那可以在潜在剖面分析/潜在类别分析的基础上，纳入多个协变量，构建中介模型进行分析吗？答案是可以的。本篇文章将分享一些相关的文章，供大家参考。

注：详细内容请查看文献，操作方法请自行查找，这里仅作简单介绍。

Reference 1

Schaefer, J., Vella, S. A., Allen, M. S., & Magee, C. A. (2016). Competition Anxiety, Motivation, and Mental Toughness in Golf. Journal of Applied Sport Psychology, 28(3), 309–320. https://doi.org/10.1080/10413200.2016.1162219

潜在剖面分析+中介分析（分类变量为自变量，连续变量为中介变量和因变量）

这篇文章中包含三个变量，分别是：Competition Anxiety、Motivation和Mental Toughness

由Statistical Analyses部分可知：

通过潜在剖面分析确定Motivation（自变量）剖面个数。
以Motivation为分类自变量，以Mental Toughness为连续中介变量，以Competition Anxiety为连续因变量，构建多分类中介模型。

Reference 2

Dai, W., Li, Z., & Jia, N. (2022). Self-regulated learning, online mathematics learning engagement, and perceived academic control among Chinese junior high school students during the COVID-19 pandemic: A latent profile analysis and mediation analysis. Frontiers in Psychology, 13, 1042843. https://doi.org/10.3389/fpsyg.2022.1042843

潜在剖面分析+中介分析（分类变量为自变量，连续变量为中介变量和因变量）

这篇文章中包含三个变量，分别是：Self-Regulated Learning、Online Mathematics Learning Engagement、Perceived Academic Control。

由Statistical analysis部分可知：

采用Mplus进行潜在剖面分析，确定Self-Regulated Learning的剖面个数。
采用SPSS宏程序Process进行中介分析，检验Perceived Academic Control在Self-Regulated Learning和Online Mathematics Learning Engagement之间的中介作用。

由Results可知，潜在剖面分析结果显示，Self-Regulated Learning的三剖面模型拟合最佳。在此基础上，分别进行以变量为中心的中介分析和以个体为中心的中介分析。

以变量为中心的中介分析，以Self-Regulated Learning为自变量（连续变量），以Perceived Academic Control为中介变量（连续变量），以Online Mathematics Learning Engagement为因变量（连续变量）构建简单中介模型。
以个体为中心的中介分析，以Self-Regulated Learning为自变量（分类变量），以Perceived Academic Control为中介变量（连续变量），以Online Mathematics Learning Engagement为因变量（连续变量）构建多分类中介模型。

Reference 3

Luo, Z., Shen, Y., Yuan, J., Zhao, Y., Liu, Z., & Shangguan, F. (2021). Perceived Stress, Resilience, and Anxiety Among Pregnant Chinese Women During the COVID-19 Pandemic: Latent Profile Analysis and Mediation Analysis. Frontiers in Psychology, 12, 696132. https://doi.org/10.3389/fpsyg.2021.696132

潜在剖面分析+中介分析（分类变量为自变量，连续变量为中介变量和因变量）

这篇文章中共三个变量，分别是：Perceived Stress、Resilience、Anxiety。

由Statistical Analysis部分可知：

采用潜在剖面分析确定Stress的剖面个数。
构建多分类中介模型，检验Resilience（连续变量）在Perceived Stress（分类变量）和Anxiety（连续变量）之间的中介作用。

由Results部分可知：

潜在剖面分析确定Stress的四剖面模型较为合适。
创建虚拟变量，纳入协变量，构建多分类中介模型，计算每个类别的直接、间接效应等。

Reference 4

Mei, X. X., Wang, H. Y., Wu, X. N., Wu, J. Y., Lu, Y. Z., & Ye, Z. J. (2022). Self-Efficacy and Professional Identity Among Freshmen Nursing Students: A Latent Profile and Moderated Mediation Analysis. Frontiers in Psychology, 13, 779986. https://doi.org/10.3389/fpsyg.2022.779986

潜在剖面分析+中介分析（分类变量为自变量，连续变量为中介变量和因变量）

这篇文章中包含四个变量，分别是：Self-Efficacy、Professional Identity、Resilience、Role Model

由Data Analysis部分可知：

通过潜在剖面分析，确定Self-Efficacy剖面个数。
以Self-Efficacy为自变量（分类变量），以Resilience为中介变量（连续变量），以Professional Identity为因变量（连续变量）构建中介模型。

由Results部分可知：

潜在剖面分析确定四剖面模型最佳。
以Self-Efficacy为分类自变量，Resilience为连续中介变量，以Professional Identity为连续因变量的中介模型结果显示以剖面1为参照，Resilience在剖面2、3、4与Professional Identity的四个维度之间的中介作用均是显著的。
以Self-Efficacy为连续自变量，Resilience为连续中介变量，Professional Identity为连续因变量的中介模型结果显示，Resilience的中介效应显著。
以Self-Efficacy为连续自变量，Resilience为连续中介变量，Role Model为连续调节变量，Professional Identity为连续因变量的有调节的中介模型结果显示，Role Model调节中介模型的后半部分。

Reference 5

Wu, X., Lu, Y., Zhang, Q., Wang, H., Sun, X., Han, H., & Ye, Z. (2022). Stress/Resource Complex, Sense of Coherence and Professional Identity Among Nursing Students: A Latent Profile and Mediation Analysis. Psychology Research and Behavior Management, Volume 15, 2409–2420. https://doi.org/10.2147/PRBM.S378088

潜在剖面分析+中介分析（分类变量为自变量，连续变量为中介变量和因变量）

这篇文章中包含三个变量，分别是Stress/Resource Complex、Sense of Coherence、Professional Identity。

Reference 6

Li, S., Liao, Y., Wu, X., Mei, X., Zeng, Y., Wu, J., & Ye, Z. (2023). Associations between Nonrestorative Sleep, Perceived Stress, Resilience, and Emotional Distress in Freshmen Students: A Latent Profile Analysis and Moderated Mediation Model. Perspectives in Psychiatric Care, 2023, 1–11. https://doi.org/10.1155/2023/8168838

潜在剖面分析+中介分析（自变量为连续变量，中介变量为分类变量，因变量为连续变量）+调节分析

这篇文章中包含4个变量，分别是Nonrestorative Sleep、Perceived Stress、Resilience, Emotional Distress。

由Data Analysis部分可知：

采用潜在剖面分析，确定Perceived Stress的剖面个数。
采用中介分析，检验Perceived Stress在Nonrestorative Sleep和Emotional Distress之间的中介作用。
采用有调节的中介分析，检验Resilience的调节作用。

由Results可知：

潜在剖面分析结果显示，Perceived Stress的三剖面模型拟合最佳。
以Nonrestorative Sleep为自变量（连续变量），以Emotional Distress为因变量（连续变量），以Perceived Stress为中介变量（分类变量）的中介模型结果显示，Perceived Stress的中介效应显著。
在不同的亚群中，检验Perceived Stress（连续变量）在在Nonrestorative Sleep和Emotional Distress之间的中介作用。
检验Resilience的调节作用。