sem結構模型中的中介_結構方程模型里怎麼體現中介效應

1、做中介作用時，用SPSS比較好還是用結構方程模型做比較好？

用SPSS做的結果是B在A和C之間起部分中介作用，而AMOS的結果是B在A和C之間起完全中介，
實際采內用哪個都可以。因為數據只是容數據，最終的結果還是要看你自己的解釋。
你覺得哪個數據更符合你自己的假設就使用哪個好了。

2、SEM結構方程模型是什麼?

sem 結構方程模型是社會科學研究中的一個非常好的方法。該方法在20世紀80年代就已經成熟，可惜國內了解的人並不多。「在社會科學以及經濟、市場、管理等研究領域，有時需處理多個原因、多個結果的關系，或者會碰到不可直接觀測的變數（即潛變數），這些都是傳統的統計方法不能很好解決的問題。20世紀80年代以來，結構方程模型迅速發展，彌補了傳統統計方法的不足，成為多元數據分析的重要工具。結構方程模型分析:結構方程模型是一種建立、估計和檢驗因果關系模型的方法。模型中既包含有可觀測的顯在變數，也可能包含無法直接觀測的潛在變數。結構方程模型可以替代多重回歸、通徑分析、因子分析、協方差分析等方法，清晰分析單項指標對總體的作用和單項指標間的相互關系。

3、那位結構方程模型高手幫我做個既有調節變數又有中介變數的結構方程模型的數據分析？

這個比較復雜的，要編程完成

4、結構方程模型可以處理中介效應嗎

當然可以了，而且結構方程模型是處理中介效應、調節效應的好方法，有效性更高。（南心網結構方程模型中介效應分析）

5、sem的模型介紹

SEM簡單介紹，以下資料來源
因果關系：SEM一般用於建立因果關系模型，但是本身卻並不能闡明模型的因果關系。
一般應用於：測量錯誤、錯漏的數據、中介模型（mediation model）、差異分析。
歷史：SEM 包括了回歸分析，路徑分析（wright, 1921）,驗證性因子分析（confirmatory factor analysis）（Joreskog, 1969）.
SEM也被稱為協方差結構模型（covariance structure modelling），協方差結構分析和因果模型。
因果關系：

究竟哪一個是「真的」？在被假設的因果變數中其實有一個完整的因果鏈。
舉一個簡單的例子：吃糖果導致蛀牙。這里涉及2個變數，「吃糖果」和「蛀牙」，前者是因，後者是果。如果上一個因果關系成立，那將會形成一個因果機制，也許會出現這樣的結構：
3. 這時還有可能出現更多的潛在變數：

這里我又舉另外一個例子，回歸模型

在這里，回歸模型並不能很好的描述出因果次序，而且也不能輕易的識別因果次序或者未測量的因子。這也是為什麼在國外學術界SEM如此流行的原因。
我們在舉另外一個例子「路徑分析」

路徑分析能讓我們用於條件模型（conditional relationships），上圖中的模型是一種調解型模型或者中介模型，在這里Z 是作為一個中介調節者同時調節X和Y這兩個變數的關系。
在這里我們總結一下：
回歸分析簡單的說就是：X真的影響Y 嗎？
路徑分析：為什麼/如何 X 會影響Y？是通過其他潛在變數Z 來達到的嗎？例子：刷牙（X）減少蛀牙（Y）通過減少細菌的方法（Z）。------測量和測試中介變數（例如上圖中的Z變數）可以幫助評估因果假設。
在這里要提一下因素模型（factor model）
在這個模型當中，各個變數有可能由於受到未被觀察到的變數所影響，變得相互有內在的聯系，一般來說那些變數都很復雜、混亂，而且很多變數是不能直接被觀察到的。
舉個例子：「保齡球俱樂部的會員卡」和「本地報紙閱讀」，是被觀察到的變數，而「社會資產」則是未被觀察到的變數。另一個例子：「房屋立法」和「異族通婚」是被觀察到的變數，而「種族偏見」是未被觀察到的變數。
相互關系並不完全由被觀察到的變數的因果關系所導致，而是由於那些潛在的變數而導致。

這些被觀察到變數（y1--y4）也有可能由一個潛在的變數（F）所影響。