结构方程模型中介效应模型图怎么画
粉丝9获赞105
相关视频
09:26查看AI文稿AI文稿是小小老师今天给大家分享如何用 process 去做中介模型，以这一个就是案例来给大家去进行讲解，嗯，质变量是社会压力，中介变量是家庭压力， 婚姻婚姻交易作为一个应变量的这样的一个简单的中介模型。然后今天给大家讲如何用 process 去进行做，就同样同意觉得这一块中介模型这块很难，但是今天用这个最基础的一个就是简单的一个案例给大家进行讲解，然后让你知道这个事其实是很简单的，然后复杂的模型 中我也会插入复杂的模型，我们该怎么去做，然后在这之前可以给大家，嗯，补充一点知识，就是 put strip 去就是不一样的一个原理，他就是这样的，就是就是这个案例大家可以看一下哈，就是嗯，可以想深入了解，可以深入了解一下，不想深入了解就知道。就记住我们的 一个抽样方式是用 put crew 去进行抽样的就行了，对，在抽样的过程中我们一般是嗯就最少都要一千次，大多时候我们设置的抽样方式是五千次，在学术上也是五千次。然后抽样之后我们去看的是什么呢？看的是 put 对付的一个咨询区间，就百分之九十五的一个咨询区间，看咨询期间是否包含零，如果是不包含零，那我们就是显著的，要不就全，要不上线和下线都是负，要不上线和 嗯就是上线和下线都是为正，这个时候我们就是称它为是一个显著的不得事物。在抽烟的时候，嗯是是用的一个比较新的一个 spac 的一个版本，然后它是一个插件，我们装入插件就可以用了。 呃，等会我用就是 spas 里面去给大家跑一下这个模型，让大家去认真看一看。在这里的话我是给大家截屏了操作步骤的这个操作，这个截屏来给大家讲， 然后后面的话会用实际的一个操作来给大家就是展示是怎么去进行操作的。 第一个是回归啊，我们是点到这点到上上部分，这应该是一个分析，然后完了之后我们点回归，回归里面我们插件是装好了的，是四点一的，然后就点 pro 四。插件 发现之后，然后我们就进入到这个页面，这个页面是就是我们拖取变量的一个页面，嗯，然后 variable 这个变量是音变量啊， y 是音变 y， y 是音变量 x 自变量，然后就把音变量拖到这里，这边拖到这里，然后这是一个中介变量啊，拖到这里 看没，然后这里就是会选择，因为我们是一个就是简单中介模型，是一个呃三角形，然后简单中介模型的一个选择就是 model 四。嗯，这里面的话我可以给大家看看，就是中介，就是 post 里面的中间模型是有哪些？嗯，常用的一个模式，我们 process 里面的一个模型，第一个模型是调节模型啊，第二个是两个调节的一个模型，第三个模型是一个呃，调节的调节的模型 啊。第四，一个的话就是我们现在会用到的一个就简单中介的一个模型啊。第五，一个的话是一个中介加一个调节，调节的一个模型，调节是调节 x 到 y， 然后这里也是我们经常会用到的一个 model 六啊， 就是，呃，面试中介啊，这里有 m 一 m 二，在理论上面试中介可以 m 一 m 二， m 三 m 三，我一连串的都是行的，你看这个就是 m 一 m m 三，对， 大概就是这样的一个，就是 process 的一个模型理论图，就大概这些大家可以了解一下就行了。 刚给大家就是看了这一个就是 process， 它的模型图有哪一些？然后嗯，现在我们继续来讲这一个，就是是怎么去建议模型进行分析的， 然后再选的时候，我们一般看客户刚给大家说了我们布特血普的话，办法会有百分之九十五啊，然后抽象次数刚刚已经给大家讲了啊，一千之后五千次，但大多时候我们都是做了五千次，然后的话接下来是什么呢？下一个页面去，然后这这里的话我们就会点弄 very real names， 这个的话是 我们会就直接点接受就行了，点这点接受，然后点继续就行了。这一个的话就相当于是他是他自己程序的一个问题，就是我名字太长了，有可能显示不出来， 然后当我们模型之后我们会点点这个点，确定点，确定完之后他就会进入 这个页面啊，就是的分析页面，就是报道的页面，这页面是如何去解读的呢？一个是，嗯，他们的模型，模型的一个，嗯， 一个是模型的一个变量，一个是模型的，这第一个是模型的一个变量， x n y x m， 因变量质变量、 中介变量啊，分别的一面中介面料，然后他解释，解释出来之后啊有 outcome mover real。 然后这个的话是，呃，家庭压力，家庭压力是刚刚那个模型图是这个样，这个样，这个样，家庭压力在这上方， 让你们记得在上方。然后的话我们在这边进行看的时候的话，这个就是 a 值，就经常我给你们提到的一个 a 值，就是这一个就是三角形的左边，这 这个是 a 值，呃，代表这个值。然后我们常用的是用标准化，这是标准化系数的是零点二五幺九的 a 值。然后的话我们在看的时候会看什么呢？看可以看一下 p 值，参照看下 p 值，然后我们主要是看资金区间， 这是下线，这是上线完了之后，他们之间都是不包含零的，证明这是就是显著的。然后看下一个图，下一个看图，我们去看什么？就刚刚看这是 c 啊， c 飘直接效应， 然后嗯，这个是零点二五三一四系数 b 值啊，你看这是我们的音变量， 然后这个是，嗯，都会压力自变量在家里压力中间变量，然后中间变量到音变量的话，他就是一个 b 值，然后自变量到音变量是第一漂，我们的是一漂， 不知道大家还记不记那个模型哈？然后的话这个是标准化的系数啊，大概这样的很简单的。然后我们看主要是看这个资金区间，他都是不包含您的，看没都是不包含您的，同时标准标同时这些 a、 b、 c 这些路径系数的一个词，它都是包含在 上线和下线之间的。有没有发现比如说这个零点二五三一看到零点零八二九到零点四三二，就在这之间的，这个也是零点一九，这是零点零一六到这个之间，零点三四六这个之间的， 嗯，然后我们这是 c， 嗯，这是 c 漂，呃， direct effect， 这是直接效应，直接效应的 c 漂的值是直接效应的值，然后这里是显著的，然后这儿它是对没有对齐，然后我 我们可以帮他看下前这个下线，这个上线看到没对应这两个值，然后批值是对应，对应的是这个啊，零点零三，然后这间接效应，间接效应是我们的一个，就是中介，中介效应， 嗯，这是一个，这是间接效应，嗯，然后这是标准化的一个 间接效应，我们一般看标准化的一个间接效应，然后 a 成 b， 就中间效应，然后我们看他的上线啊，看他的下线和上线都是不包含零的，看到没？然后一般我们的这个中间效应的值，他都是零点零几啊，大概是这样的一个数值，对，这个就是这样的，待会给大家再复一个操作流程， 报错的话制服不能就是你看他这个，呃，我也给他做了一个 tip， tip 的话就是在跑这个模型的时候有时 会报错，报错的话有一个是字符出现了一个问题，字符不能超过八个字符，如果还有是用中文的话，很容易出现错误。这这几个是上几个给大家讲过了的，接下来我就给大家尽在这个 pro， 在接下来我就给大家在这个字八十中用 process 给大家做一做， 给大家演示一下是怎么去操作的。哈。刀子，这是，呃，社会压力，在家里压力，这个婚姻 他是取了一个君子，然后我们去点分析，我们一般是用君子去做的，然后我们点回归，那这里就出现了一个 process， 发现我们点，点了之后，然后的话这个是音变量，音变量是这个婚姻幸。 然后我们首先点什么呢？点婚姻焦虑是因变量，然后质变量是什么？社社会压力，空间变量是家庭压力。然后在这选的时候，我们选模型，看到 model number， 然后选模型四，然后次进圈选默认九十五，然后抽烟 五千次，然后在这勾选的时候我们去点接受，然后他说不出这样的话，我们就将我们的这个，呃，这样的话我们就选选好了，选好了我们就进去点确定去进行分析。对，你看这正在运行就代表，嗯，他在运行，我们只要耐心等待就行了， 然后这就出来啦，然后这个就是一个 model 四，然后它的一个这边的音变量，分界变量，然后 auto variable， 这就刚刚给你们大家讲过的， 在这里看没关注这个词，然后关注他的上线下线都一样的，对，哎，就是这样的，所以说今天，今天的课程给大家分析完了，如果说大家想要这个练习数据，可以在评论区说，然后我到时候给大家发这个训练数据。
18:22查看AI文稿AI文稿那下面呢，我们会进一步的给大家介绍中介效应啊，中介效应我们一起来看看是什么 啊？中介效应呢？它不是一种具体的分析方法，但它指的是啊，自变量 x 对因变量 y 的影响是通过一个别的变量来实现的，我们把通过的这个变量称之为 m， 那这个 m 它就称之为是我们的一个中介变量 啊。换句话来说呢，我们看到 x 对外有影响，但是他的影响其实可能是通过另外一个变量来实现的。比方说一种最啊最简单的一种理解思路是说我们的 x 他其实并没有直接去影响外，他是首先通过影 影响了 m， 然后我们的 m 再去影响了 y， 所以我们就可以更加清晰的找到 x 对 y 的一个影响的路径啊，这个是中介效应它可以带来的一个优势， 那么在中介效应里面，他是要依托我们的回归模型来去做的啊，那他在去检验是否存在中介效应的时候呢，通常有两种检验的方法，一种呢就是我们的因果步骤法，另外一种呢是系数乘积法。 那下面呢，我们也是来呃，来，首先给大家介绍一下这个怎么去检验中介效应，它具体的步骤是什么啊？那因果步骤法呢？一共是分三步，首先第一步是说我们需要去检验我们的自面量 x 对于音变量 y 是否有影响，那检验的方式就是做一个啊，普通的线性回归啊，这里是为什么呢？是说我们为什么要去检验中介效应？肯定是说有一个前提是我们已经发现了某一个自变量 x 对我们的音变量 y 是有影响的， 只是呢，他的影响路径，他为什么产生影响是不知道的，所以我们才会进一步的去找是不是他们之间的影响会通过另外一个变量来实现。所以我们检验中介相应的一个前提就是先去检验本身自变量 x 对于我们的因变量外是否有影响， 那我们对应的模型就是 y 等于 c， x 加上 e， 一啊，我们去检验这个系数 c 是否是显著的，对吧？如果它是显著的，就说明我的音面，我的字面量对音面量是 是有影响的，那进一步的我们才会去讲，呃，才会去检验是否会存在一个中介效应。那么，呃，有了这样的一个前提之后，我们怎么去检验中介效应呢？假设我们的中介中介电量是大 m， 然后我们在检验的时候呢？哎，我们就想想，需要做两个额外的模型，首先第一个模型啊，我们做一个模型二，这个模型二是把我们的 x， 再把我们的中介电量 m 一起放进来。 所以大家看，在这个模型里面，你就是把你原来的自变量和你的中介变量一起都放进来了，然后 x 前面的系数是 cp， 大 m 前面的系数是 b 啊，然后 cp 和 b 有可能是显著的，有可能是不显著的，对吧？啊，那此外呢，你还需要再做一个回归模型，这个回归 模型是要去检验首先你 x 对外的这条路到底是不是通的，对吧？那么这个时候你就要把你的 m 当成你的音变量，然后你去看 x 对它是否有影响，所以你就需要建一个模型三，这个模型三是啊， m 等于 a， x 加 e 三。 好，那么什么情况下才说明存在中介效应呢？我们说中介效应，就是说他作为一个桥梁，哎，这条路是通的， 那如果这条路是通的，起码说明我们的 a 他应该是显著的，对吧？只有 a 显著，那么才能说明 x 对 m 的这样的一个关系是成立的。 此外，如果 m 和 y 之间的这条路是通的话，就要求我们的 b 是显著的，也就是在模型二里面， m 对外 的这个影响系数，他的回归系数需要是显著的。所以只要我们在一开始的前提，哎，就是我们的这个 c 是显著的，并且我们看到的这条路径，他所对应的 a 和 b 是显著的，那么我们的中介效应就是存在的。 好，那么下面呢，我们再来讨论讨论这个 c 撇啊， c 撇啊。我们看在模型二里面，他做的一件事情就是我们把 x 放进来了，也把我们的 m 放进来了，那如果这个 c 撇变得不显著， c 撇变的不显著，就说明当我们把 m 放进来之后，有没有 x 其实对于 y 没什么影响了，对吧？那就说明 m 可以完全的替代 x 啊，那这个时候就称之为 m， 就是我们的这个中介效应，它是一个完全的中介效应。 因为当把这个中介效应加进来之后，我们原来的变量他变得不显著了，就是他没有什么影响了，那么这个时候我们的中介效应就是一个完全的中介效应。那如果你发现你的 c 撇是显著的， c 品是显著的，说明当你把中介变量考虑来进来之后， x 仍然会对我的外产生影响，也就是说 m 对于 s， x 的替代作用只是替代了一部分，对吧？那这种时候呢？哎，我们就称之为是部分中介效应。嗯， 所以在英国步骤的检验中呢，大家一定要呃，把这个逻辑关系理清楚。也就是首先我们需要判断一个前提， 这个前提就是我们的 c 是必须要显著的。如果一开始我就发现 x 跟 y 之间没有什么关系，那其实你也不需要再去检验是否存在这个是否存在中介效应了。 那一旦我们的前提是显著的，那么我们就用两个模型，两个回归模型来检验我的中介效应，一个就是检验的这条路径，一个是检验的这条路径， 如果两条路径都通，那就说明啊，这个就我们的中介效应就存在了。那进一步的我们可以判断，哎，我们的 cp 是显著的还是非显著的？然后来衡量我们的中介效应，是一个完全的中介效应，还是一个部分的中介效应 好。那最后呢，我们其实还可以去衡量我们这个中介效应的大小，对吧？哎，怎么去衡量他的大小呢？我们会用 ab， a 乘以 b 这样的一个乘积除以 c， 或者是 a 乘以 b 除以 c 撇来衡量，那 ab 是怎么来的呢？哎，大家就可以想象，我把模型三里面的这个 m 等于 a， x 加 e， 把它带到这个 模型二里面的这个 m 里面来，对吧？他其实就是 a， d 乘以一个乘以一个大 x， 哎，然后再加上其他的 e， 所以这个 ab 他其实衡量的就是，哎，这个自变量 x 通过中介相应的这条路径对外产生的影响， 那 cpr 呢？就是刨除中介相应之外的其他的影响，那么我们可以用 ab 除以 cpa 或者是 ab 除以我们原来的这个 c， 就可以去衡量出我们中介相应的一个大小了。好，这是他的一个检验的方法，是他的英国 步骤的检验法。好，那下面呢，我们还是通过一个视力啊，然后帮大家一起来来来理一下这个关系 啊。我们的研究目的呢，还是想要去预测啊，在这个手机的广告中啊，我们广告的说服力作为我们的中介变量的时候啊，我们的这个信息性和这个购买意愿之间的关系 啊，也就是说，比方说大家在研究手机广告案例背景中的时候呢，你可能会发现你的信息性就是你广告的这个信息量越大，你的这个给用户，这个用户他收到这个信息之后，他的购买医院 越强啊，那你看到了一个这样的现象，那么可能进一步的呢，你想要去思考啊，这个现象背后的背后的原因是什么？那这个信息性他到底 是怎么去让用户增加了他的这个购买意愿？所以呢，我们就会有一个假设，比方说我们想看看这个信息性是不是会给啊，会带来更大的说服力，然后这个说服力又去影响了用户的这个购买意愿， 所以我们把这个说服力作为我们的中介变量，然后去看一下他是否存在这样的一个影响的关系。 好啊，我们来看哈啊，在具体的分析方法中呢，我们还是哎非常简单的就可以通过我们的这个快 demo 的这个建树的系统中，我们就可以把这个中介效应给呃给检测出来， 那同样我的我们的数据已经存在我们的系统中了，然后呢，我们在分析方法里面，我们就可以选择中介分析啊，选择中介分析，然后呢，我们同样要定义 的音变量是什么，对吧？我们的音变量就是我们的购买意愿，然后我们把这个音变量选进来啊，然后呢，我们在中介效应里面你需要指明你的自变量是什么，就是你最开始的那个 x 是什么，那这里的 x 就是我们的信息性，对吧？ 然后我们还需要去指明的就是我们的中介变量是哪一个啊？你到底要要去研究哪一个中介变量对他的影响，那我们的中介变量就是说服力，哎，我们就把所有的变量都选好了， 选好了之后呢，然后我们的系统就可以自动的帮我们去生成一个中介效应的分析模型了。 好，那我们来一起看看这个分析模型的结果吧。啊？对于模型中变量间的影响关系呢？我们刚才提到我们可以看他的呃配置 值对不对？刚才我们也提到了 p 值，相当于就是大家犯错的可能性嘛，那我们当然是希望这个犯错的可能性是越小越好的。所以大家看，我们首先展示的是自变量对中介变量的回归结果，自变量对中介变量的回归模型是哪一个呀？ 是我们的模型三，对不对？哎？就是说我们看 x 和我们中介变相间的关系，哎，这是我们的模型三， 那我们可以看一下他就有一个洁具像，然后呢还会有我们的一个这样的一个自变量，我们的信息性所对应的系数， 那我们可以看到我们的这个信息性，是啊，非常显著的，对吧？我们的屁直很小，屁直很小就说明说明我们的这个犯错的概率特别特别小，就几乎不会犯错，所以呢，也就说明我们的自变量 对中介电量，我们的 x 对 m 的那条路径是通的，对吧？首先把这条路径我们给他，给他找到了，并且我们可以发现我们的系数是一个正系数，就说明这个信息性他是正向，显著的影响了广告的说服力，我们把这条路径先跑通， 然后呢我们再来看看我们的那个模型三啊，我们的模型三也就是我们把我们的啊 x， 我们的信息性和我们的中介变量说服力一起都加进来，一起都加进来，我们再看一下回归结果 啊，那这个时候我们还是要关注他的回归系数，对吧？然后我们发现我们的信息性的回归系数是一个正系数啊，零点零四八。然后说服力呢，他的系数也是一个正向的系数，是零点五六零三，那我们还要去关注他的 屁直，对吧？我们说什么时候我们的中介效应是成立的呢？需要两条路径都通，在刚才那个表格里面，在我们的字边量对中介边量的回归结果里面，我们的这条路径已经通了，对吧？因为我们的屁直很小， 那我们再来看看现在我们的 m， 我们的说服力对我们的音变量是否会产生显著的影响呢？哎，看一下他的屁直，哎，发现他的屁直特别小，特别小就说明我们几乎不会犯错误，所以我们就可以非常放心的，哎，认为我们的说服力是可以显著的影响我们的这个音电量的。 好，那我们的第二条路径也通了，那我们进一步可以思考的就是，哎，我们现在已经发现我们的中介效应是成立的了，那最后我们就要考虑一下，这是一个完全中介效应，还是一个不完 完全的中介相应，还是一个部分中介相应呢？我们就还可以进步去看，当我们把大 m 加进来之后，对吧？大 m 加进来之后，我们的这个原来的 x 它是否是显著的？ 那我们可以看到它的系数是零点零四八零，然后它的 p 值是零点一七九一， p 值是大于零点零五的，对吧？我们一般是把零点零五作为我们的基准，我们发现，哎，这个时候你的三寸的概率变大了，我们就会认为它其实不是一个显著为零的 啊。所以我们会发现，当我把 m 放进来，把我中介效应放进来的时候，我们的信息性他变得不再显著了，这说明我们的说服力就完全的替代了之前信息性的这个对于音电量 购买意愿产生的影响，所以这是一个完全的中介效应，这其实就是我们通过啊因果分析的步骤我们得到的一个结果， 那我们之前还说过，我们其实还可以去看我们的这个中介相应的大小，对吧？就如果是说他不是一个完全中介相应的话，我们还可以用 a 乘以 b 啊，除以 c 或者除以 cp 的方式来看他的中介相的的这样的一个大小。 好，那这是其中我们按照这种因果关系的方式啊，去看我们的怎么去分析我们的中介效应。 那此外呢，其实还有一些其他的分析方法哈，比方说我们可以用 bus trip 的分析方法来做啊，那 bus trip 是什么意思呢？嗯？那大家还记不记得我们刚才说我们为什么要去检验我们的回归系数？就是 因为当我们的样本变了，比如说你重新抽两百个样本，那这个时候你的系数肯定会发生变化，那我们想看看这个变化到底大不大，对吧？那我们不可能 就是重新收集样本，因为如果是说我们重新收集样样本的话，首先我们的在我们的这个你可能找不到那么多人，然后呢，这个你的各个方面的这个投入也会比较大， 那怎么办呢？哎，我们就可以用另外一种统计上的方法叫做不 strep 啊，简单来说就是我现在已经有两百个样本了，我想通过这两百个样本，再通过有放回的方式重新抽得两百个样本。 有放回的方式是说我抽了一个人出来，哎，我把这个人放回去，再重新抽第二个人，当然我抽到的第一个人，他有可能也重新被抽，也重新 被被被抽出来，对吧？啊？那我们通过这种有放回的抽样，我原来是两百个个体，我现在通过有放回的抽样，我可以再构造一个两百的个体出来，那么通过这两百个个体的数据，我就重新可以再去生成一遍我回归 模型的一个结果，就可以得到我们的这个系数估计值了，以及我们可以知道他在这个系数估计值上，他对应的这个知性区间有多大。 然后呢，我们在布斯 trip 里面，因为你是有饭会的抽样嘛，你就可以循环很多次，你可以循环很多很多次，然后说你循环了一百次， 相当于你就跑了一百个回归模型，然后每个回归模型你都会有一个系数过去值，你都会有一个这样的一个回归系数啊，也会会有一个置信区间，然后你就把这一百 百个执行期间里面，哎，你看看这一百个执行区里面里面的最低值是多少，就是这里的。然后这一百个执行区间里面的最高值是多少就是这里的。 那如果我们得到了这样的一个啊，知性区间的最低值和知性区间的最高值，他们之间是不包含零的，就说明我们的系数是一个显著的系数， 因为他说明当你重复了一百次实验，当你把你的这个呃这个这个实验重重复很多次的时候，你的系数仍然是非零的， 所以他同样可以表明我们的这个系数的一个显著性。然后这是我们通过 boost tripe 的方式，也可以得到参数显著性的这样的一个啊判断的方法，我们发现他其实也是啊，不包含零的，所以呢就说明我们的中介效应是显著的 啊，基于我们刚才的这种方法啊，我们的这个呃系统中呢，他就会自动的给大家把我们刚才的分析的方法以及对呢结果做一个解读 啊，比方说我们刚才用的逐步的这种分析方法，就是我们通过这个建立三个不同的模型去判断，对吧？啊，那这种方法呢，我们也是有理论支持的，然后是根据这个温中林他们在二零一四发表的这个文章，呃，里面提到的这个方法来进行检验的 啊，我们可以看到，在百分之九十五的执行区间线，然后信息性对说服力的回归中，回归系数是显著的 啊，然后这是我们的第一条路径。然后呢，在信息性说服力对购买意愿的回归中，我们这个说服力的回归系数它的配置也是小于零点零五的。说明，说明说服力在信息性对购买意愿的 影响中发挥了显著的间接效应。然后在信息性说服力对购买医院的回归中呢，信息性的回归系数是不显著的，就说明他是一个完全的中介效应 啊，那如果通过这种不 strop 的方法呢？哎，我们同样可以去看一下，哎，在这种不 strop 方法的结果下，是否还可以检验出中介效应，以及它是不是还是一个完全的中介效应？哎，我们会发现你得到的结果其实跟上面是比较一致的 啊，这就说明在自动生成的这样的一个指标的解读中呢，无论我们是采用哪一种方法来进行估计，我们都可以发现啊，这个说服力在信息性对购买意愿中的影响中发挥了正向的终结作用， 所以我们得到的结果是比较一致的。
165Credamo见数
04:51查看AI文稿AI文稿hello， 同学们，大家好，今天来讲一下中介效应的检验是如何做的。那么在讲之前，我们首先要了解一下什么是中介效应，那么中介效应它讲的就是你的自变量 x 通过影响中间的一个变量 m， 进而去影响 y， 它不单纯于局限于之前的那个模型，就是简单的回归 x 就 直接去影响 y 了，那么它是要通过中间的一个变量，因为很多时候往往嗯， x 影响的是间接变量，而不是直接变量。那么举个生活中常见的例子就是， 嗯，比如说父母对你的学业上的费用的开销，那么肯定不是费用直接去影响你，那么费用他会去，比如说他在 教学教育上的费用越高，那么他受得到教育就越良好，那么这个费用就会去影响这个教育， 然后进而去影响你的成绩以及你周的发展，那么这个教育就是作为一个中间变量，那么这个钱当然就是这个教育投入的费用就是这个自变量。 那么嗯，这个在 s p s 当中是怎么做的呢？这个效应我们可以打开 s p s， 然后将数据导进来， 那么也研究这个中介的话，首首先要咱们要研究一下这个 x 对 y， 也就是 直接的向前点击回归，然后点限行回归， x 拖在这，然后 y 拖在这，然后点确定。 我可以看到这个直接效应是显著的，因为 p 小 于零点零五吗？并也是正向影响对 y。 那 么除了简单的这个直接效应检验以外，还要研究 自变量对中介变量的影响，那么这个这个是 y 自变量对 y 的 影响，那么现在研究自变量对中介变量的影响 点确定，那我可以看到对中介变量也是影响显著的，并且是正向影响，那再点击分析，那么最后是中介，那么中介和 中介和 x 它是否会共同去影响这个 y， 那 么这就是散步法，然后点确定，那可以看到加减量自变量和中介变量都会去影响这个音变量，那么这就是 起到了中介效应，并且是部分中介的作用，那么中介的话，它也分为完全中介，完全中介是什么？就是 x 对 y， 它不产生影响，就说我们再去做简单效应的时候， 这个 x 对 嗯， x 对 y， 它是没有显著的作用的，这个是大于零点五的。如果 x 对 嗯 y 有 显著的作用，并且嗯， 并且 x 和中介同时又会影响 y 的 话，那它就是起到了起到了部分中介的作用，如果 x 不 对 m 哦不对 y 产生影响，那就是部分中介， 嗯，当然接下来就是整理成三线表，但这个整理起来就非常的麻烦，是说我们这里就直接运用咱们的 chat sps 进行整理，那么上传数据以后，那么告诉他想进行这个中间的检验， 那他就直接给你得出来了，就在这输入中间的检验，他就直接给你得出这样的结果。那么这个表格是可以直接复制粘贴到嗯， word 文档当中的， 它粘贴下来就是这种标准的三线表，可以看到制作是非常方便的。
02:50查看AI文稿AI文稿时政的技术路线图怎么画都不好看，今天我找了一篇内容，我们依旧以第三方的视角跟大家一起来盘一下。他的题目是数字技术对旅游者深度学习的影响机制， 这是他的目录，第一张的背景讲的就是他的一个研学相关的一个宏观层面的一些东西， 然后再讲了一些市场上面的一些东西，然后再讲了他数字技术对这个研学高质量发展的一个面上的影响，所以就引出了他的这个题目。然后他用到的有可共性理论、 深度学习理论、心流理论、渗入力理论，然后提出了三个假设选择中介变量是心流体验，调节变量是导师渗入力。 然后我们可以看他用到的方法其实比较简单，就是贡献性检验、性效度。然后就是三个假设检验。 好，那我们来看一下他是怎么画技术路线图的。首先他分为了左中右三列，左边呢就是他的一个正常的一个框架，也就是他的思路，他是分为了他的一个选择题的提出，然后他目前的进展怎么样的，还有他用了哪些模型， 以及他问卷的一个实施。然后再是时政的部分跟结论，然后用到的方法就是一个宏观背景，微观思考，其实这一块可以不写，这一块可以不要。 然后他对应的第二部分就是文献分析、归纳分析这块可以，然后第三部分就是问卷，第四部分是混合研究，第五部分是归纳， 我们可以看到他把中数分为了这五个部分，其实他这一块就是直接从他的目录里面去摘过来的，然后研究基础这一块也是还有他的假设构建以及他的一个电影设计，然后再把他的用到的一些方法给他列出来， 他的一个检验的一些方法列出来了之后，他就直接跳到了研究背景。其实这里我们还可以好一点的话是还可以再加一个他的一个过程，就是他的一个理论模型图， 就是他的 a， 然后影响 b， 然后这里再画一个箭头，然后再通过一个中间变量，然后再到这个，然后再增加一个调节的。 好，这样子的一个图其实就可以放在这个位置，这也是一种方式。好，另外我再看看有没有更好的，我们再一起来盘它吧，期待我的下一期解说。
49写论文的树人俊
09:55查看AI文稿AI文稿第一个就是调节效应，就有第一个分析有些人他是包括调节和中介的，那就有些人呢，他不包括，所以这这件事就很难干。所以我讲课的时候一般都是把它放在一起讲啊，中间和调节放在一起讲。而第一个分析它总共有四个点，四个比较注意的一个细节点。第一个就是就是调节和中介的这个他们的区别 一同点。然后第二个就是呃这个，呃中介效应他是存在争议的，那么他现在的争议到底是个怎么个解决？然后第三点呢，就是中介效应和调节效应呢？他的这个成立的这个问题判定方法。然后第四个呢就是呃这个 中介效应和调节效应，我们在整个文章中我们应该到底应该是怎么去去用的？好吧，那么首先来第一个就调节和中介效应，很多人会会做错，很多人选中介效应，中介变量时候也会选错，就我们的中介效应，中介变大，在大部分情况下中介变量都可以作为调节变量，但是调节变量做不了中介变量， 为什么？你可以看这是调节 x 对 y 产生一个影响，然后 m 调节，就它进一步放大或进一步缩减，这个这个作用能理解吗？ 薄结就是让这个的影响放大、缩小，缩小对它起一个化学药药剂的一个这个这个作用，然后这个就这个这个，这个是中介看到没有？我们我们是不是研究了一个 x 对 y 的 影响，那我们在我们要在文章中还要继续再去研究 x 对 m， 再对 y 看到没有？对，然后它是不是间接影响对，所以它逻辑是不一样的吧，对吧？嗯， 那么在大部分情况下，其实你去想想大大家的这个 m 中间变量是不是随便找了？很多时候要么就 a 路径不，不存在，要么就 b 路径不存在， a 路 a 路径不存在 b， 能理解吗？嗯，可以， 那么 ok， 那 接，接下来，接下来就是这个问题，就我们的判定，第二个就判定方法，啊，不对哦，判定方法，这是我们的中介，就我们调节型很好很好判定的，我们调节判定的话就只需要判定交互像是否显著就 ok 了， 到时候我做的时候我会给你举具体的例子，然后中介变的话，我们就要去认真的去弄一下了。你看这中介，首先我们要判定 c 显不显著，如果不显著的话就直接不用，他就不成立。 c 是 什么？是不是我们的基础回归啊？ x 对 y 的 一个影响，对，然后这时候我，我在第一节第二节课时候也给你讲了，我们 x 对 y 的 也要做到百分之五，百分之十水平上显著，对不对？对，所以这就，这就，呃，这就差异。 那第二个，第二个点呢？就是说 c 显做完过后再判定 a b 看到没有？如果至少有一个不显做的情况，我们做搜报检验。但是我在这里想跟你说，我们现在你可以看最近五年的顶刊和一期刊搜报检验和 bottle strap 检验，其实没有人做的 bottle strap， bottle strap 检验，哦，对， 就是基本上没有人做这两个检验了，对，已经没有人做做这个检验了，那么 ok， 所以 这一步是不成立的，这已经很老了，这个这个人发明的，所以我们 ab 是 必须都要显著， a 是 什么？看到没有？ ab 都要显著，它俩都要显著。这是三步法，就是 x 对 m 对， 要显著。对，然后 b m 对 y 要显著。嗯，那同样。然后紧接着 c 撇点，就第三步， c 撇点，它其实显著和不显著都无关紧要了，理解我意思吧。 对，所以这就是，这就是这个第二个点，就他们的判定。这个，这个我告诉你，不用去，去，去，那个等到时候跑的时候我再跟着你一起顺一遍。然后呢？你等一下，到最后你自己跑的时候一定要去看这个文件，自己再顺一遍，好吧？好，对， 然后因为因为这个很多人他抠不出来。对，那这是第二个点，那第三个点呢？就是说， ok， 我 们的这个在二二年的姜新老师又发了一篇这个文章，然后自此中介效应就争议特别特别大。然后你会发现二二年以前的，呃，顶开和一些现象，大家都用的是三步法，第一步、第二步，第三步认证中介效应。但是二二年姜新老师发完过后呢？我们就用两步法了，就不用三步法了， 就是我们只用第一步，第二步，这个步不用了。那这一步不用了。那怎么去解决他呢？用理论去解决他， 用理论，对，用理论去解决它，也就这这这必路径。我们不需要去用文献，呃，不，不需要用这个实测分析的方法去去做，而是从通过文献，通过理论去支撑它，能理解吧？ 嗯，可以。然后这就是第三个点，那第四个点呢？就第四个点，到时候讲的时候去给你讲吧，我们在文章中到底是应该怎么去用？好吧，好，那今天我们来去做也是这个，对吧？嗯，然后这是你的文章， 读文件打开， ok， 然后我们拿了你这个过后，首先还是一样的，就是我们如何去？首先我们要判定中介变量，因为是这个城镇居民养老对消费结构的一个呃，一个一个一个影响，那么什么能够做中介呢？我们就要去找中介变量，对不对？嗯嗯，那就 那么我们，我我，我认为理论吧。嗯，就是找那个中介变量，是是基于理论来的，还是说就我，我们这，就比如， 就比如这篇文章吧，就我们，我们找中介变量，就很多人，大部分同学找，哎，我记，呃，大部分同学找中介变量是怎么找？都在一篇文章，就比如要写出金融对这企业技术创新的一个影响，对吧？就在一篇文章里面去找，找到中介变量，看别人用什么你就用什么，其实这种情况是不对的。我们找中介变量是怎么找？我们首先到中国之网去搜索这个 是不是搜索一大堆 a 对 b 的 印象，对吧？搜索是不是搜索一大堆 b 出来啊？以它为关键词，是不是？搜索这是 a 嘛，对吧？然后是不是搜索一大堆 b， 对 吧？然后我们再去到中国中网去搜索 d， 这是 d 是 不是搜索一大堆 c 对 d 的 印象，对不对？然后这时候我们再去看 b 和 c 有 没有重重合的地方，如果有重合的，那么这个它就可以作为中介变量， 能理解吧？可以，我们首先去找 a 对 b， 然后找出来一大堆 b， 然后我们再去找 c， c 对 d， 再以 d 为关键词去找了一大堆 c， 然后再去看 b 和 c 之间的重合，如果重合有重合的话，就说明他们是吗？他们是不是能够做中介变量，对吧？是的是的。那你这篇其实不好找中介变量。对， 然后因为讲课嘛，讲课我就随便拿个例子来给你举吧。好吧，首先还是一样的，我们我们首先要做基础回归，在第一步基础回归对不对？然后把这结果保存了， 保存为四，我看一下是多少保存为四。杠一，老姐。接着我们开始找中介变量，就比如 ok， 这个对我们的什么养老保险，对消费，可能他可能对我们的这个，呃，偏好，投资偏好会不会有有点影响呢？对不对？投资偏好， 风险偏好嘛或健康水平，健康水平其实也不行，风险最合适。现在是有这个这个指标风险在。那风险，投资风险。他是不是说我们的投资风险更加偏大呀？其实风险不行，风险资产。 呃，中间变量是要对谁的影响相对的好？对，中间变量是这样的，它是间接影响，我们首先要有 x 影响中介变量，再有中介变量影响 y， 它是我们间接影响，能理解吧？哦，那我 看着好像那种对消费什么升级的影响基本上是什么？你不能用收入，因为他这时候他已经退休了吗？养老保险他并没有增加收入，大部分是收入收入，但是你这个这个并没有，并不能做收入。嗯，这边只能做。哎，你可以做这个。 呃，做什么？做健康，健康企业也不行，收入收入你可以做资产，资产会比较合适一点，就家庭计资产可能会比较合适点。对， 就给我们拿家庭净资产来讲吧。对，然后就就就第二步。哎，家庭净资产，你看家庭净资产，我们有这个指标了，把那个一说。对，然后我们用用风险系数，用风险资产会比较好一点，因为他有，他有的话就他有那个，你看这没有做对数化处理，你看他的系数是不是很大啊？ 有，有那个回味系数，看到没？哦？对，我们要做对账处理，不做对账处理的话，他的这个就是很大， 然后最后你看到没有？是不是显著啊？这相关，现在是把，现在是把风险资产当做，对，被解释变。对，因为他有这个，他有，他有这社保了过后，他的风险是比没有社保的没有保险的风险更加冲动嘛，对吧？然后把它保存了，然后这时候我们再把看到没有，这不是被解释变，这是解释变样，然后我们再跟 再把解解变， 这个就做中介变量， ok， 然后我们来去呃，看一下， 哎，这就你的结果嘛？打开，然后这就我们的中介变量的一个结果，这就三步法，看到没有？ 哎，这个，这个结果是错的啊。对，刚刚好像是把那个音速删了吧？我把那个音速删了，刚才跑的时候好像只跑了一个，这个我们扫了解解释遍，把解释遍放进去，哎，然后保存，然后重新跑， 然后把这结果移过来， 那看到没有？这个东西，这样我们就要一上来，我先给你讲三步法，然后你就会两步法， 这就三步法，看到没有？首先是不是基本回归 x 对 y？ 看到没有？第一列是不是 x 对 y？ 对， 那第二列是不是 x 对 m？ x 对 m， 这是不是 m？ 对。 然后第三列是不是？这是不是 m？ 这是不是 x？ 然后对 y 看到没有， 对不对？这个是什么？这是不是 m？ m？ 哦，这是不是 x， 对 吧？那我们再来看判定条件。首先我们要判定基础回归必须要显著，对不对？第一步成立，然后第二步 ab， 看到 ab 是 什么？是不是他和他？ 是不是这里？对，是不是这里？对？这里他是必须要显著的，对吧？两个必须要同时显著，对不对？那这里就没有同时显著，那就要做缩波检验。但缩波检验现在我们不用他了，因为他太牵强了。好吧，所以他这一步是必须要显著的，如果他俩都显著的情况下，我们再判定 c 撇点， c 撇点其实显不显著无所谓，一个如果显著的话就中介效应成立，如果不显著就完全中介，就无所谓了。好吧，这就是三步法 啊。那就证明了什么？这个保险拥有了他能够增加这个家庭的这个风险，风险资产的这个比例，然后只要增加这个家庭的这个消费吗？消费这个结构的这个提升吧，对吧？因为他风险资产，他，他高风险，他高收益吗？对吧？如果是两步法的话，是怎么办呢？就把它删了。 这只需要第一步和第二步，看到没有？第三步不需要跑，只有两步法。这个就是将心老师两步法能理解吧？两步法的话， 两步法就只两步法，就只需要他和他就 ok 了。那那第三项的本身，你加了第三项的本身就是不？不对，对，就用理论支撑嘛，用理论支撑？对，第三步就是用理论支撑。
15stata小铺
05:01查看AI文稿AI文稿要想进行中介效应的分析，首先我们要理解中介变量的含义。通俗的来说，呃，我们会研究自变量 x 对应变量 y 的影响，那如果自变量 x 通过影响变量 m 进一步影响变量 y， 那变量 m 就是一个中介变量。举一个简单的例子，假如说租客 x 通过中介公司 m 找到了一个合适的房子 y， 那中介公司在这个过程中就扮演了中介变量的角色，中介变量起到的作用就成为中介效应。在这个模型中的 a、 b、 c 和 c 撇在后面会介绍到， 那我们来举一个例子来加深对于中介变量的理解。如果说自变量是父亲的经济社会地位，那他通过影响儿子的受教育程度，进而影响到儿子的社会经济地位，那这个时候儿子的受教育程度就是一个中介变量。 那提到中介，他又分为两种情况，一种是部分中介，一种是完全中介。部分中介是指在 x 影响 y 的时候， 一部分作用是直接影响，另一部分作用是通过中介变量去影响。而完全中介是指 x 影响 y 的时候，全部的作用都通过中介变量去影响。那我们在数据分析的过程中，当 a 和 b 都显著的时候，当 c 撇的作用 呃，显著，那它就是一个部分中介。如果说 cp 不显著，则它是一个完全中介。接下来，我将使用我论文中的变量来进行中介效应检验的演示。 呃，在变量，在在。在这个例子中，自变量是累赘感，因变量是归属需要，中介变量是预期社会排斥。我所使用的方法是 boost drive 法，这也是近些年来比较简单的一种中介检验的方法。呃，需要在 spss 里面安装 process 的插件，在安装完之后，我们打开分析，然后点击回归，点击 process。 在这里我们需要填入我们的变量。首先自变量 x， 因变量 y 以及中介变量 m， 在这里 你可以填入你的控制电量。呃模型，这里我们选择 model 四，因为 process 里面它一共有八十一个模型。 model 四正好是符合我们简单中介呃模型的一个一个一个模型。 然后在这里要选择 boss drive 法，接下来我们点击 up 选选项，我们要选择标准化系数，呃，这个效用量以及总的效用值，点击继续呃，然后点击确定 好，现在结果已经出来了。呃，首先我们要检查 x， y 和 m 是否正确。那接下来我们来看第一个表格，第一个表格它所展示的是自变量对于中介变量的作用。 嗯，因为它 process， 它出现的数值可能会歪，所以你需要歪着去对齐看清这些数值。那在第一个表格中，它显示我们自变量对于面对于中介变量的作用是显著的， p 值小于零点零五。在第二个表格，它所展示的是当 把自变量和中介变量同时纳入到回归方程时，他们对于因变量的影响。那我们一样可以看到批值都是小于零点零五的，所以，呃，自变量和中介变量对于因变量的作用都显著。那最后是自变量对于因变量的总效应，我们一看到这个批值小于零点零五，所以他是显著的。 那根据我们以上的三个表格，我们可以得出结论就是我们的中介效应成立，并且它在其中起到一个部分中介的作用。 接下来我们来看这个模型的总效应，直接效应和间接效应，总效应 p 小于零点零五显著，直接效应 p 小于零点零五也显著。在间接效应中他并没有给出我们 p 值，所以我们需要来看执行区间的上下线，那当上线和下线同号，比如说同正或者同负的时候， 不包含零，就证明我们的效应是显著的。在这里我们可以看到呃负的零点三九和负的零点零二，零点零零二，它是不包含零的，所以间接效应也显著，也再一次证明了我们中介模 是成立的，并且是一个部分中介。那数据分析到这里我们应该怎么样报告这个分析的结果？在这里我给出了一份呃中介效应检验的一种报告的方法。首先我们要报告三个变量之间的相关情况 啊，在这里我们可以看到三个变量之间是显著相关的。接下来我们要进行呃回归分析的报告，那回归分析我们有三个模型，就对应我们上面提到过的三个表格。首先模型一他指的是自变量对于音变量的影响，看的是这个表格 啊，我们要我们要填写的数据，包括贝塔值，也就是这个，这个这个 call efficient 值，它的效应值还有 t 值，在这里 t 值还有尔方，这里尔方还有 f 值，还有它的显著性批值。 那模型二指的是呃自变量对于自变量对于中呃中介变量的影响。我们就看到这里的表格一一样填入我们的 bt 值、 t 值、 r 方和 f 值，呃模型三是 我们把自变量和音变量同时纳入到违规模型中，看他们二者对于音变量的影响。呃，也是一样，填入对应的贝塔值、 t 值，而方和 f 值。 在回归分析报告完之后，我们需要报告这个模型中的总效应、直接效应和间接效应，我们需要报告他的效应值。标准物是新区间的上线和下线以及间接效应占总效应的比率。这个比率你可以直接使用间接效用的效用值去除以总效用的效用值，也可以使用我们在前面讲到的 嗯， a 乘以 b 除以 c， 呃，去算，去算出去算出它的呃这个比率。 接下来接下来，呃，我们要做一个中介效应的路径图，这三个数值分别对应的是我们模型一、二、三中相对应的三个 bat 值。那填完对应的数值之后，这是一个完整的中介效应的报告的方法。
2040Echo
05:072科研知识
01:21查看AI文稿AI文稿中介效应模型简介，中介变量是指在考虑 x 对 y 的 影响时，如果 x 通过变量 m 来影响 y， 则称 m 为中介变量，而 x 通过 m 对 y 产生的影响就是中介效应。中介效应涉及三个模型，模型一， 单独研究 x 对 y 的 影响时系数 c 是 在不考虑其他变量影响下的 x 与 y 之间的总效应。 模型二，中介变量 m 为因变量的回归方程， a 为 x 对 m 的 效应。 模型三， y 为因变量 x 和 m 为自变量的回归方程， c 为控制中介变量 m 的 影响下 x 对 y 的 直接效应， b 为控制了 x 的 影响下 m 对 y 的 效应关系， c 等于 c 加 f。 中介效应在总效应中的占比 a 乘 b 除 c。 你 学会了吗？
47SPSSAU
09:46查看AI文稿AI文稿大家好，欢迎来到 ai 上研修，今天要为大家重点推荐由张老师主讲的最新 r 语言结构方程模型 sem 在 生态学领域中的实践应用。结构方程模型是一种建立估测和检验研究系统中多变量间因果关系的模型方法。 它可以替代多元回归、因子分析、斜方差分析等方法，利用图形化模型方式清晰展示研究系统中变量间的因果网络关系， 是近年来地学生态进化、环境、医学、社会经济领域中应用十分广泛的统计方法。然而，自 right 在 一九二零年美国医学院院刊提出第一个结构方程，至今的一百多年时间里， 结构方程已发展出有较为庞大的理论体系和复杂多变的形式，使初学者往往无所适从。课程将利用开源软件 r 平台，以生态学领域研究问题为主线， 通过理论讲解和实际操作相结合的方式，由浅入深地系统介绍结构方程模型的建立、拟核、评估、筛选和结果展示的全过程。首先，这门课聚焦哪些核心科研场景？我们梳理了生态学研究中应用 s、 c、 m 的 关键技术需求。 课程内容全面覆盖，聚焦生态学经典与前沿问题。课程将以生物多样化、物种分布、生物入侵、生物地理格局、生物多样化与生态系统功能、生态恢复、气候变化对物种分布影响等为主线， 通过大量来自 nature、 ecology、 ecology、 applications 等主流刊的近期案例，展示 sem 在 解决实际科学问题中的强大能力。聚焦从基础到高阶的完整方法体系。课程不仅包括 r 语言入门和 sem 原理介绍， 更系统讲解结构方程模型分析、入门及高阶应用、前变量分析、复合变量分析及贝叶斯结构方程模型参数估计， 形成从入门到精通的完整学习路径。聚焦主流 r 包与估计方法的实战应用课程将利用 loveem、 piecewise、 s e m、 loveem 及 brauns 程序包，分别从局估计、局域估计及贝尔斯估计方法实现结构方程模型分析， 让学员掌握不同场景下的最佳工具选择。为什么这门课值得选？三大核心优势为您保驾护航？优势一，技术体系完整，覆盖全流程 课程包含从 r 语言基础 s e m。 原理模型构建于拟核到前变量分析、复合变量分析及贝叶斯 s e m。 的 完整技术链，形成结构方程模型研究的全景知识体系。优势二，案例来源权威，注重前沿性 课程筛选大量应用结构方程模型的经典案例，这些案例来自 nature、 ecology、 ecological、 aptitudes 等主流刊刊，多数为近期发表成果，具有很大的参考和借鉴价值。优势三，教学方式灵活，学习效果保障。 采用线上直播加助学群辅助加导师面对面实践工作交流的多元教学方式，提供全部课程回放和配套教材数据，确保学习效果。 课程分为八个专题，计划授课六个晚上，时间安排科学合理。光听介绍可能不够直观，接下来让我们通过一段简短的片段，感受一下张老师的授课风格与课程的实战。斜方叉矩阵你也可以把斜方叉矩阵作为模型的输入，这个全句估计法是可以的， lv 也可以做， lv 也可以认。 基于逻辑法就用原数据把我的原模型 meta model 给它打散成多个结构模型，或者叫多个结构方程。那每个结构方程对应的一个就是一个回归，就是一个先行回归。 那在传统上这个全聚硅基用的最多代表的软件包我们已经介绍过了，老问那绝育硅基，它的一个代表软件也现在目前看绝育硅基就这么一个包，说 passwise， 而且主要的建在在生态环境里建，建的多，其他领域没有建 到。那对于全聚硅基法它有一个什么？这个叫 估计的一个示意，比如说全景估计，他首先把斜方叉矩阵作为输入，然后输入进来，根据模型进行参数估计，得到一个模型预测出来的斜方叉矩阵，它这里叫 implied， 看 co coherence matrix， 把这两个矩阵做比较。如果两个矩阵很长得很像，很接近，那认为你这个模型和数据匹配的很好。 如果你这两个矩阵差的很远，那你这个模型的结构可能就不合理，可能需要做适当的调整。那为了评估这两个好坏，那它构建了一个极大的自然函数，或者叫最大自然函数， 那这个最大自然函数再乘以样本量减一，就是 一个统计量，叫卡方统计，满足自由度为一的卡方分布，所以这时候你就可以检验了卡方值。根据卡方值和自由度 看， p 值大于零点零五还是小于零点零五，我们这里边大于零点零五模型和数据是匹配的，小于零点零五模型和数据差异比较显著，所以小于零点零五意味着我们需要调整模型，我们之前也讲过了，这里就当回顾了。 当然正是因为构建卡方的时候，有一个样本量减一，这样一个一个系数在前面，和这个极大自然值相乘，所以你样本量足够大，一般情况下就是大于三百、四百，大于三百以上，那这个卡方值就不是 第一要考虑的了。当然你样本量小的时候，卡方值还是卡方值和 p 值还是很重要。当样本量很大的时候，它很难会大于零点零五。所以这时候要借助其他的模型评估指标，比如说 c f i j f i s r m r r m s e s e a 这些 指标。那全局估计法的基本假设是什么呢？变量间线型关系，然后内升变量或它的残差服从正态分布 方差同质残差独立，是全局估计法相对来说比较这个假设的条件比较什么？严格一点。 那全体估计法有一个模型可识别的问题是吧？他叫什么？ t 规则参数的个数和变量的公式之间要满足这样一个公式的条件， p 乘以 p 加一除以二，就是你斜方差矩阵里边的元素的个数， 你这个元素的个数。斜方叉矩阵的里边元素个数要多余要求的参数的个数，如果他比他少，那这个模型就不可识别了。全集估计法样本量，他要求平均每个路径至少五个样本，能达到二十个更好。这是我们之前讲过的。 这个包是二一二年发布那局估计法。局估计法它就是把数据把原模型打散，打成一个一个的，每一个内乘变量对应一个回归模型，评估每个回归模型。那 这个局估计法是估计方法，怎么去做模型估计，或者叫模型的适可度检验？它这个叫 beer sharply 提出了一个叫 despiration test， 它就是检验什么，检验你的圆模型里边有没有漏掉的路径。 它这个叫法叫 suprise test of directed suppression， 所以 缩写成 despiration test。 检验图形上有没有直接连接的两个点是有限定独立关系的。什么意思？这就是你有没有漏掉这个路径，有漏掉路径， 那局域估计法的基本假设呢？现行关系它没有，你必须得遵从，那它主要是对内生变量。你的通过片段可以看到，课程非常注重将理论知识转化为实操能力，核心内容体系如下，专题一， r r s studio 简介及入门 r 即 r studio 介绍基本操作、数据整理、基础绘图与 g g p l o t。 格式化。专题二，结构方程模型介绍 s e m。 定义，基本结构估计方法、路径规则及构建流程专题三， r 语言 s e m。 分 析入门 line 与 piecewise s e m。 对 比模型建立，拟合评估与结果展示。专题四， s e m。 局估价高阶应用，湿地生态系统生产力分析、数据缺失处理、分组与嵌套数据分析。 专题五， s e m。 前变量分析应用，前变量定义与原理，单前变量与多前变量模型构建。 专题六， s e m。 复合变量分析应用，复合变量定义，多复合变量构建，非限性与交互作用问题解决。专题七，局域估计 s e m。 高阶应用 piecewise s m。 处理二项博松分布混合效应模型时空自相关问题专题八， 贝叶斯 s e m 应用贝叶斯方法简介 blav 与 brms 程序包模型比较与评估学员普遍反馈课程内容系统全面 结构方程模型方法的应用，让生态学研究变得更加深入和科学，对提升科研能力有很大帮助。
