本文也将于荷兰心理统计联盟更新
纲要:
- 潜变量交互的中心化策略,正交化策略,和双中心化策略
- 三种策略的比较及在R中的实现
- 使用semPlot作图
交互作用指的是自变量X1对因变量Y的效果,受到另一个自变量X2大小影响的现象。我们所熟知的two-way ANOVA就是交互作用分析的典型代表。而交互作用的变量,并不 经常可以被直接测量得到,而只能通过可观测变量间接测量得到。这些无法直接被测量 的变量之间的交互,即为潜变量的交互。
潜变量交互的中心化策略,正交化策略,和双中心化策略
有关潜变量的交互的最初研究,是由Kenny & Judd (1984),以及Jöreskog & Yang (1996)完成的。他们的方法都比较老旧,因此本文不做讨论,感兴趣的读者可以自行搜索这两篇文章阅读。Algina & Moulder (2001)对他们的方法进行了改良,提出了被Marsh, Wen, and Hau (2004, 2006) 称为限制中心化策略(mean-centered constrained approach)的方法:
![1a09f339491e30742b7b022a0b7ace99.png](https://img-blog.csdnimg.cn/img_convert/1a09f339491e30742b7b022a0b7ace99.png)
上面的公式为一个通用的分析X1 X2交互作用的回归公式。其中 β1 和β2表示的是first-order effects:β1 是X1的主效应, β2 为 X2 的主效应。 β3表示交互作用。 这个公式的 一个问题是作为X1和X2乘积的X1X2,因为源于X1和X2,所以往往与X1和X2是相关的。这就造成了共线性(multicollinarity)问题。限制中心化策略将自变量X1和X2中心化,极大改善了这一问题,因为在X1和X2是二维正态(bivariate normally distributed)时,与跟的相关均为0。基于限制中心化策略的公式即为:
![28e099551fcf2f313f89fa317e6dbfb4.png](https://img-blog.csdnimg.cn/img_convert/28e099551fcf2f313f89fa317e6dbfb4.png)
即:
![86cb0923eb50bd75368282b1daffd921.png](https://img-blog.csdnimg.cn/img_convert/86cb0923eb50bd75368282b1daffd921.png)
这时
![4c425da998c36536202b9dd510320832.png](https://img-blog.csdnimg.cn/img_convert/4c425da998c36536202b9dd510320832.png)
表示X1主效应,
![4964043b9508d56dcc66d3cf71246777.png](https://img-blog.csdnimg.cn/img_convert/4964043b9508d56dcc66d3cf71246777.png)
表示X2主效应,
![4a06834987cc72149eafe4587900292c.png](https://img-blog.csdnimg.cn/img_convert/4a06834987cc72149eafe4587900292c.png)
表示交互效应
限制中心化策略被称为constrained approach,是因为该方法对带有交互相应的模型(y ~ x1+x2+x1x2)的参数估计(即对因子载荷,残差等的估计),是基于不带交互效应的模型(y ~ x1+x2)估计的。这对X1X2乘积的indicator(后文中的x1.x4, x2.x5 和 x3.x6) 与潜变量交互因子(后文中β3)的非线性关系有严格的要求[1]。当这种关系被违背时, 参数估计的精确度就会大大降低。因此,Marsh et al. (2004, 2006) 提出了非限制中心化策略(mean-centered unconstrained approach)。 该方法同样对自变量进行中心化处理,但是对该非线性关系没有要求。
Orthogonalizing Strategy
非限制中心化策略虽然解决了限制中心化策略在非线性关系被违背时精确度下降的问题,但仍有一个缺点。即在进行交互效应估计时,需要先计算潜变量的平均数结构,再进行估计,较为麻烦。因此,Little, Bovaird和Widaman (2006)提出了正交化方法(orthogonalizing strategy)。正交化方法通过正交化而非中心化来解决交互项与主效应的共线性问题。
首先,用X1和X2回归交互项 (regress the product on the two first-order effects)
X1X2 = b0 + b1X1 + b2X2 + e,所以e = X1X2 – b0 – b1X1 – b2X2
带入我们之前的回归公式