python可以构建sem模型_结构方程模型（SEM）

为什么要用结构方程模型（SEM）呢？

首先，由于心理测量的构面不可能不受到测量误差的影响，SEM能处理测量误差；除此之外，SEM还能评估构面是否具有信效度、处理复杂的模型或理论（如，模型中有中介、调节效应等）、有效率的处理Missing Data（SEM的多重插补法比用平均值取代缺失值更有优势）；最后，使用Mplus跑结构方程模型的话，Mplus软件独特的估计方法（WLSMV）能够处理类别或顺序数据，如李克特量表少于5点时可处理。

综上所述，SEM的多个优点真的让我们无法抗拒它。

既然SEM优点这么多，那么怎么用Mplus构建模型呢？我先来介绍一下SEM常用的名词，关于语法，请留意下一次推送哦~

大家来看一下这个模型

1、参数（parameter）：又叫做母数，带有未知与估计的特质，在无说明情况下，默认为自由参数。

2、自由参数（free parameter）：在Mplus所画的每一条线均是一个参数，除设为固定参数外，自由估计的参数越多，自由度（df）越小。

3、固定参数（fix/constrain parameter）：Mplus图上被设定为0或1或任何数字的线。

4、观察变量（item/indicator/observed/measured/ manifest variable）：数据文件中的变量，一般可以直接观察，并进行测量的变量，如年龄、体重、身高等。

5、潜在变量（dimension/latent/unobserved variable/ factor/ construct）：数据文件中无法显示，无法进行测量，由观察变量反映的变量，如信任、心理特性等。

⋆潜变量用来解释观察变量，潜变量之间“因果关系”或“相关关系”则为研究的假设。

6、误差（Error/E）：测量变量被估计后无法解释的方差，模型中e1-e6。

7、干扰（Disturbance/D）：潜变量经估计后无法解释的方差，模型中e7。

8、外生变量（Exogenous）：用来观测变量的变量，本身不具有测量误差，分为外生潜在变量及外生观察变量，可理解为自变量。模型中没有被任何箭头指向的变量，F3。

9、内生变量（endogenous）：被自变量预测的变量，本身具有测量误差的变量，其自身也可以去预测的变量，分为内生潜在变量和内生观察变量。模型中被箭头指向的变量，F1-F2、Q1-Q3、S1-S3。