格兰因果模型可以分析哪些东西_结构方程模型（SEM）和分段结构方程模型

结构方程模型(SEM)简介 自然或社会现象是复杂的，但在研究中经常将其简化为简单的模型，类似 y~x 这样的形式。当然并不是说这种简单模型有什么问题，只是有些情况下 y 实际上并非 x 的直接作用结果， y 通常受到许多直接和间接因素的影响，这些因素之间也存在广泛的相互作用。毫无疑问，如果有某种方法可以将这种相互作用的因素网络转化为一个统计框架，可以帮助我们在系统层面上更好地理解问题。 结构方程模型( Structural Equation Modeling ， SEM )就是一种将两个或多个结构模型联合起来，以实现对多元关系进行建模的统计框架。所谓多元关系，即指变量间直接和间接相互作用的总和。  

什么是SEM

以下路径图描述了变量间的某种简单相互关系(Y~X1+X2)，这种情形中，所关注的是X1和X2如何直接影响Y，Y直接通过X1和X2进行建模：

如果X1和X2与Y的关系属于下面这种形式，即分别存在X2~X1和Y~X2的直接作用，Y与X1的相互作用是间接的，并使用两个方程式综合描述这种关系，那么这两个方程即组成了一个简单的SEM：

这就是SEM的一个简单示例。一个模型中，根据推测的变量X1能够影响X2、X2影响Y而进一步推测变量X1可能也会影响Y，即X1-X2-Y。该模型具有两个方程，一个方程使用X1预测X2，另一个方程使用X2预测Y。为了验证这个模型，测量观察到的X1、X2和Y之间的关系，并应用SEM提供以下测试：(1)X1是否真的是X2的有效预测因子，(2)X2是否真的是Y的有效预测因子，(3)模型整体上是否符合观测数据。最后一项测试相对于前两项测试并非冗余的，因为对于测试X1是否是Y的有效预测因子时，在(1)(2)均通过时，模型也可能不太合适，若忽略(3)则可能会错误地指定了X1与Y的直接关系。

综合来看，SEM是数据分析的一种特殊形式，从一个指定了多变量间(假定的)相互关系的模型开始，变量间的关系被形式化为一组方程，用于测试这些变量并量化它们之间的关系。对模型的测试涉及对方程再现或“拟合”假定关系的评估。

SEM要求事先考虑变量间相互关联的方式(如因果关系，通过先验知识给出假定)，从这个意义上说，SEM是验证性的，而非探索性的分析方法。

对于变量间的关系，可以是线性的，也可以是非线性的。并且SEM能够同时识别直接和间接关系，对于量化级联影响非常有用。

如果意在探寻变量间的因果关系，SEM可以给出单向的推论，即模型显示X1直接或间接影响Y，而反过来则无效。因此与常规的统计方法(如相关性分析)相比具有优势，可以测试复杂关系的竞争性假设，考虑了“相关性并不意味着因果关系”这一问题。

SEM的主要建模方法

作为一种强大且灵活的数据分析框架，SEM允许将许多其它类型的数据分析策略视为SEM特定形式，如线性和非线性回归、路径分析、因子分析、层次建模等。

以下简单展示常见的4种建模方法。 

路径分析

路径分析(Path Analysis)是目前使用的主要SEM模型之一，是没有潜在变量的SEM应用。

路径分析的优点在于，它包含了在一个模型中充当预测变量的变量之间的关系。一个典型的例子是中介模型。

路径分析是另一