sem混合路徑分析

1、路徑分析影響因素只選取一個指標可以嗎

您好，我目前想做一個路徑分析，但不知道程序應該怎麼寫，也找不到相關資料。想跟您請教一下，
用Lisrel或是Sas怎麼做呢？
我的外生變數很多（超過25個），包括一些個人背景的、家庭和同伴特徵的，請問是否能通過主成分來縮減指標呢？
如果兩個內生變數之間是相關的關系，那麼在寫方程時是否也要把相關關系寫上呢？
莊主@2007-03-13:
為了便於其他讀者的理解，我先交待一下路徑分析 (path analysis) 的簡單背景。
路徑分析可以用作多種目的：一是將因變數之間有關系的的若干個回歸模型整合在一個模型里，以助分析和表達的完整和簡潔；二是在該整合模型中的各自變數對各因變數的「總影響」(total effects) 分解為「直接影響「(direct effects) 和「間接影響」(indirect effects)，如果發現間接影響較大，那就有理論價值了（當然，如下所示，很難發現大的間接影響）；三是通過直接影響和間接影響的比較來驗證一個自變數是否為「中介變數」(mediating variable)，即其直接影響不顯著而間接影響顯著（上面已說過，不容易發現間接影響、如果同時又要其直接影響不顯著，那就更難了）。
如此看來，路徑分析是個好東西（不好意思，趕了一回時髦）。其從1960年代興起，1970-80年代已十分流行。我在Indiana念博士時，學院里的老師常用路徑分析做研究。後來學了SEM（結構方程模型），才知道路徑分析有「含測量誤差」和「不含測量誤差」兩種。前者只研究自變數和因變數之間因果關系，即SEM中的structural model（結構模型）那部分（見圖一），而後者則加上了各變數的CFA（驗證性因子分析)，也即SEM中的measurement model（測量模型）那部分（圖二）。
如何寫路徑分析的指令（轉載） 如何寫路徑分析的指令（轉載）
好了，現在直接回答你的問題。問題1從字面上看，只涉及結構模型那部分，所以比較簡單、容易。這種路徑分析，不僅可以用LISREL、SAS或其它SEM軟體，其實也可以用SPSS等通用統計軟體，其結果是一樣的。先說在SPSS中如何做。圖一是我日前在「Confirmatory regression vs. hierarchical regression" 一文中舉的例子相仿（當時只用了三個公式，沒有此圖）。如前文中所說，因為該模型中有兩個因變數（或內生變數，endogenous variables），所以需要建立兩個回歸模型，分別為公式一和二，其中變數名和系數名有些改動，系數分別記為b和g，是為了與LISREL用法一致，b表示一個內生變數（如W）對另一個內生變數（如Y）的影響、g表示一個外生變數（如X）對一個內生變數（如W或Y）的影響：
Y = b0 + g1X + b2W （公式一）
W = g0 +g2X （公式二）
在SPSS中，就按上述兩個公式分別做一個回歸分析。如果你習慣用SPSS指令的話，其syntax分別為：
Regression Dependent=Y/Enter X, W.
Regression Dependent=W/Enter X.
然後將兩個回歸分析所得到的回歸系數填入圖一，此時要用standardized Beta（即 B1、B2、G1分別為公式一和三中b1、b2、g1的標准化值），就得到了路徑分析。當然，這里的B1、B2、G1都是直接影響，我們還不知道年齡對Y的間接影響和總影響（註：上網時間對Y只有直接影響沒有間接影響，所以其總影響＝直接影響），但這可以用手算：
X對Y的間接影響 = G1 X B2 （公式三）
X對Y的直接影響 = X對Y的直接影響 + X對Y的間接影響 = B1 + G1 X B2 （公式四）

由於G1 和B2 都是取值0和±1之間，其乘積一般不大。比如，G1 = 0.5、B2 = 0.5，其乘積只有0.25。而在含有測量誤差的回歸中，達到0.5的系數很少見，更常見的是在0.1-0.3之間，那麼其乘積只在0.01-0.10之間。這就是為什麼間接影響一般不大的原因。通過SPSS做的路徑分析，因為沒有將每個變數的測量誤差考慮進去，所以是我上面說的「含測量誤差」路徑分析。同時，因為它是將數個回歸分析加以組裝（assembled）而非整合（integrated），所以又可以稱為「組裝型」路徑分析。
如果用LISREL呢？大家也許知道，LISREL可以用公式（SIMPLIS）或矩陣 (matrices) 來寫。前者容易，其syntax如下 (其中「...」部分為數據定義和其它指令，這里省略了)：
...
RELATIONSHIPS:
Y = X W
W = X
LISREL OUTPUT EF ...
...
前三句於SPSS Regression的syntax相仿，最後一句中的 "EF" 是要求LISREL輸出間接影響和總影響的結果，不僅不需要手算了、而且會給出間接影響（即公式四）和直接影響（公式五）的顯著檢驗，而SPSS是無法提供這些顯著檢驗的。
用LISREL矩陣指令的人越來越少，屬於「斬蛟龍」之術，這里不介紹。如果你問的就是矩陣指令，請告知。
顯然，LISREL的結果是「整合」（而非「組裝」）型的路徑分析，更是一個好東西（又趕了回時髦）。但是，其結果（即直接、間接和總影響的系數）與SPSS加手算的結果完全一樣！（大家可以對同一數據分別用這兩種軟體驗證一下。）道理很簡單，因為用的都是同樣（含有測量誤差）的數據。當然，LISREL可以進一步將各變數的測量指標整合進來（即圖二），那麼其路徑分析的結果與組裝結果就可能不一樣了，而且一般情況下各種影響的系數都會大一點（因為將測量誤差扣除了）。當然，現在很少有人將這種分析叫做路徑分析了，而是直接叫SEM（就是一回事嘛）。
最後回答你的問題2和3。問題2：對，可以而且應該根據理論或常識的建議、將很多個直接測量的自變數構建成少數個因子，當然還要看數據是否支持這些合並。問題3：對，如果你的理論模型中並沒有對兩個內生變數之間的因果關系做任何說明（即在圖一或圖二中沒有B2 ），那麼應該將它們當作相關關系來處理。事實上，LISREL會自動計算這種相關關系（在PSY矩陣中）。

2、用AMOS做路徑分析如何調整混雜因素

混雜因素？您是說指控制變數吧？ 控制變數的處理可以和平時的回歸模型控制變數納入一樣處理，但為了平衡不同因變數的影響源，多數研究在交叉滯後模型中並不納入控制變數。（鹹菜老師，統計軟體應用研修室）

3、SPSS如何做路徑分析

路徑分析用amos，amos以前是spss的一個模塊，現在分離出去了，要單獨安裝，現在出最新的spss21.0和amos21.0，先裝spss，再裝amos，裝amos的時候還會提醒安裝最新的.NET Framework，先裝好就ok了。

SPSS AMOS 21.0是一款使用結構方程式，探索變數間的關系的軟體 ，輕松地進行結構方程建模（SEM） 。快速創建模型以檢驗變數之間的相互影響及其原因，比普通最客服乘回歸和探索性因子分析更進一步 。
Microsoft .NET Framework是用於Windows的新託管代碼編程模型。它將強大的功能與新技術結合起來，用於構建具有視覺上引人注目的用戶體驗的應用程序，實現跨技術邊界的無縫通信，並且能支持各種業務流程。

4、結構方程模型 和路徑分析的區別，原理是否一樣？

一個完整的結構方程模型包含兩個部分，一個是測量模型，一個是結構模型，測量模型研究的是潛變數（因子）和顯變數（題目或者說測量指標）的關系，簡單點說可以認為因子分析就是測量模型，最典型的測量模型就是驗證性因子分析；而結構模型是研究潛變數之間或者說因子之間關系的，模型中只有因子而沒有測量因子的指標（題項）。
測量模型和結構模型合起來就是一個完整的結構方程模型，二者也可以分開各自單獨做。
這里說的結構模型其實就是路徑分析，如果要單獨去做路徑分析，把每個測驗的總分或者均分作為因子建模即可，這時候測量指標就不存在了。
這樣看，結構方程模型和路徑分析其實是同根同源的，路徑分析可以認為是完整的結構方程模型的一個部分，二者有從屬關系。運算基本原理是一樣的，一般都是通過極大似然估計法來估計參數。
主要區別就在於完整的結構方程模型還包含了測量模型，而路徑分析沒有。顯然，如果要做一個完整而嚴謹的結構方程研究，最好是建立完整的結構方程模型。

5、路徑分析的步驟

路徑分copy析在於研究模型影響關系，用於對模型假設進行驗證。

針對路徑分析的步驟上，SPSSAU建議分為以下三個步驟，分別為：

第一步：建立模型。並初步查看模型擬合結構，回歸系數顯著性等；

第二步：調整模型。如果擬合指標不達標(比如RMSEA值過大)，此時共有兩種模型調整辦法，第一種辦法是結合「回歸影響關系-MI指標表格」結果及專業知識情況，重新調整模型；第二種辦法是設置「模型協方差調整」MI指標參數。多次重復調整模型，直至擬合指標在標准范圍內即可。

第三步：分析模型。待模型擬合指標達到標准後，對模型進行詳細分析和說明。

建議使用SPSSAU路徑分析及智能文字分析操作起來更加便利。

6、ai 中路徑的混合

1.混合工具可以用在兩個或兩個以上的對象間,對象可以是封閉的或開放的路徑,甚至群組對象,復合路徑以及蒙版對象都適合混合功能.
2.混合工具適合於單色填充或漸變填充對象中,但是對圖樣填充只能做形狀的混合,填充的部分則不適用於做混合功能.
3.混合對象後會自動結成一個新的混合對象,並且可以被編輯的,只要改混合任何一個關鍵對象,混合就會自動更新.
操作方法：
選擇混合工具,將滑鼠接近一個對象單擊則會講此對象設置為混合起始對象,接著再靠近另一個對象單擊則會將此對象設置為混合目標對象,從而完成一個混合結果.

7、結構方程模型 和路徑分析的區別，原理是否一樣

一個完整的結構方程模型包含兩個部分，一個是測量模型，一個是結構模型，測量模型研究的是潛變數（因子）和顯變數（題目或者說測量指標）的關系，簡單點說可以認為因子分析就是測量模型，最典型的測量模型就是驗證性因子分析；而結構模型是研究潛變數之間或者說因子之間關系的，模型中只有因子而沒有測量因子的指標（題項）。
測量模型和結構模型合起來就是一個完整的結構方程模型，二者也可以分開各自單獨做。
這里說的結構模型其實就是路徑分析，如果要單獨去做路徑分析，把每個測驗的總分或者均分作為因子建模即可，這時候測量指標就不存在了。
這樣看，結構方程模型和路徑分析其實是同根同源的，路徑分析可以認為是完整的結構方程模型的一個部分，二者有從屬關系。運算基本原理是一樣的，一般都是通過極大似然估計法來估計參數。
主要區別就在於完整的結構方程模型還包含了測量模型，而路徑分析沒有。顯然，如果要做一個完整而嚴謹的結構方程研究，最好是建立完整的結構方程模型。

8、如何通過路徑分析得出可能的結果

Windows關機步驟涉及到Windows多個組件和多個過程，簡單的說，Windows的關機步驟不是大多數人認為的那麼簡單。基本的過程是這樣的:

1. 用戶發起關機指令以後，發起關機指令的程序會通知Windows子系統CSRSS.EXE，CSRSS.EXE收到通知以後會和Winlogon.EXE做一個數據交換，接著由Winlogon.EXE通知CSRSS.EXE開始關閉系統的流程 。

2. CSRSS.EXE收到Winlogon.EXE的通知以後，會依次查詢擁有頂層窗口的用戶進程，讓這些用戶進程退出。如果某一個用戶進程在一個默認的超時時間5000毫秒(可以通過修改注冊表鍵值HKEY_CURRENT_USER\Cont rol Panel\Desktop\ HungAppTimeout設定超時時間)內沒有退出的話，Windows會顯示一個結束任務對話框用於詢問用戶是否結束這個任務。默認情況下將顯示這個對話框並一直保持而不會自動關閉。對於控制台程序來說，基本情況類似，只不過Windows使用HK EY_CURRENT_USER\Control Panel\Desktop\ WaitToKillAppTimeout值來設置超時時間。

3. 接著是輪到終止系統進程了。系統進程包括SMSS.EXE、Winlogon.EXE、Lsass.EXE等。Windows在終止系統進程的時候並不像終止用戶進程那樣如果無法在規定時間內終止則提示用戶，而是跳過這個進程，去執行下一個系統 進程的終止操作。使用的超時時間和第2步使用的時間相同。

上述3個步驟是整個Windows關機過程中最耗費時間的一段，大多數關機緩慢的原因都是因為這3個步驟引起的。完成前3個步驟以後，進入了關機操作的第4個階段，也是最後一個階段。

4. Winlogon.EXE調用一個原生API函數NtShutdownSystem()來命令系統執行後面的掃尾工作。在這個階段裡面，Windows執行子系統會完成最後的關機操作，例如:設備驅動在這個階段裡面完成一些驅動設定的特殊操作; 也是在這個階段，配置管理系統將被修改過的注冊表數據會寫道磁碟裡面。等除了電源管理以後的全部子系統完成退出以後，電源管理完成最後的操作:如重啟、關機等。

了解了Windows的關機流程以後，下面分析一下前面說的快速關機操作是怎麼完成的。先分析一下SuperFast Shutdown的原理，SuperFast Shutdown是使用Visual Basic編寫的，體積很小，就15KB，經過分析以後得出一個令人驚訝的結論:SuperFast Shutdown首先使用RtlAdjustPrivilege()提升自己的許可權，然後直接調用NtShutdownSystem() 函數來完成關機過程。由於跳過了最為耗費時間的前3個步驟而直接進入第4個步驟，所以造成了能夠很快關機的假象。

再看看任務管理器的快速關機是如何實現的:分析結果也是類似於SuperFast Shutdown的原理，也是通過省略一些步驟來加快關機的速度。

那麼，為什麼在快速關機以後會出現設置丟失的情況呢?原因在於前3個步驟裡面有一個讓進程正常退出的可能。大多數軟體在編寫的時候會把一些設置保存在自己私有的內存空間裡面，當軟體關閉的時候才把這些設置回寫到特定的地方，如注冊表或某個配置文件裡面 。而關機操作的第4步並沒有提供一種途徑能夠讓這些設置記錄下來，因為這個階段Windows已經認為前面所有必須經過的流程已經完成，剩下的就是Windows核心組件的退出的問題了。在這種情況下，使用快速關機導致設置丟失也不足為怪了。
因此，為了你系統的健康，關機還是按照正

9、如何寫路徑分析的指令

您好，我目前想做一個路徑分析，但不知道程序應該怎麼寫，也找不到相關資料。想跟您請教一下，
用Lisrel或是Sas怎麼做呢？
我的外生變數很多（超過25個），包括一些個人背景的、家庭和同伴特徵的，請問是否能通過主成分來縮減指標呢？
如果兩個內生變數之間是相關的關系，那麼在寫方程時是否也要把相關關系寫上呢？
莊主@2007-03-13:
為了便於其他讀者的理解，我先交待一下路徑分析 (path analysis) 的簡單背景。
路徑分析可以用作多種目的：一是將因變數之間有關系的的若干個回歸模型整合在一個模型里，以助分析和表達的完整和簡潔；二是在該整合模型中的各自變數對各因變數的「總影響」(total effects) 分解為「直接影響「(direct effects) 和「間接影響」(indirect effects)，如果發現間接影響較大，那就有理論價值了（當然，如下所示，很難發現大的間接影響）；三是通過直接影響和間接影響的比較來驗證一個自變數是否為「中介變數」(mediating variable)，即其直接影響不顯著而間接影響顯著（上面已說過，不容易發現間接影響、如果同時又要其直接影響不顯著，那就更難了）。
如此看來，路徑分析是個好東西（不好意思，趕了一回時髦）。其從1960年代興起，1970-80年代已十分流行。我在Indiana念博士時，學院里的老師常用路徑分析做研究。後來學了SEM（結構方程模型），才知道路徑分析有「含測量誤差」和「不含測量誤差」兩種。前者只研究自變數和因變數之間因果關系，即SEM中的structural model（結構模型）那部分（見圖一），而後者則加上了各變數的CFA（驗證性因子分析)，也即SEM中的measurement model（測量模型）那部分（圖二）。
如何寫路徑分析的指令（轉載） 如何寫路徑分析的指令（轉載）
好了，現在直接回答你的問題。問題1從字面上看，只涉及結構模型那部分，所以比較簡單、容易。這種路徑分析，不僅可以用LISREL、SAS或其它SEM軟體，其實也可以用SPSS等通用統計軟體，其結果是一樣的。先說在SPSS中如何做。圖一是我日前在「Confirmatory regression vs. hierarchical regression" 一文中舉的例子相仿（當時只用了三個公式，沒有此圖）。如前文中所說，因為該模型中有兩個因變數（或內生變數，endogenous variables），所以需要建立兩個回歸模型，分別為公式一和二，其中變數名和系數名有些改動，系數分別記為b和g，是為了與LISREL用法一致，b表示一個內生變數（如W）對另一個內生變數（如Y）的影響、g表示一個外生變數（如X）對一個內生變數（如W或Y）的影響：
Y = b0 + g1X + b2W （公式一）
W = g0 +g2X （公式二）
在SPSS中，就按上述兩個公式分別做一個回歸分析。如果你習慣用SPSS指令的話，其syntax分別為：
Regression Dependent=Y/Enter X, W.
Regression Dependent=W/Enter X.
然後將兩個回歸分析所得到的回歸系數填入圖一，此時要用standardized Beta（即 B1、B2、G1分別為公式一和三中b1、b2、g1的標准化值），就得到了路徑分析。當然，這里的B1、B2、G1都是直接影響，我們還不知道年齡對Y的間接影響和總影響（註：上網時間對Y只有直接影響沒有間接影響，所以其總影響＝直接影響），但這可以用手算：
X對Y的間接影響 = G1 X B2 （公式三）
X對Y的直接影響 = X對Y的直接影響 + X對Y的間接影響 = B1 + G1 X B2 （公式四）

由於G1 和B2 都是取值0和±1之間，其乘積一般不大。比如，G1 = 0.5、B2 = 0.5，其乘積只有0.25。而在含有測量誤差的回歸中，達到0.5的系數很少見，更常見的是在0.1-0.3之間，那麼其乘積只在0.01-0.10之間。這就是為什麼間接影響一般不大的原因。通過SPSS做的路徑分析，因為沒有將每個變數的測量誤差考慮進去，所以是我上面說的「含測量誤差」路徑分析。同時，因為它是將數個回歸分析加以組裝（assembled）而非整合（integrated），所以又可以稱為「組裝型」路徑分析。
如果用LISREL呢？大家也許知道，LISREL可以用公式（SIMPLIS）或矩陣 (matrices) 來寫。前者容易，其syntax如下 (其中「...」部分為數據定義和其它指令，這里省略了)：
...
RELATIONSHIPS:
Y = X W
W = X
LISREL OUTPUT EF ...
...
前三句於SPSS Regression的syntax相仿，最後一句中的 "EF" 是要求LISREL輸出間接影響和總影響的結果，不僅不需要手算了、而且會給出間接影響（即公式四）和直接影響（公式五）的顯著檢驗，而SPSS是無法提供這些顯著檢驗的。
用LISREL矩陣指令的人越來越少，屬於「斬蛟龍」之術，這里不介紹。如果你問的就是矩陣指令，請告知。
顯然，LISREL的結果是「整合」（而非「組裝」）型的路徑分析，更是一個好東西（又趕了回時髦）。但是，其結果（即直接、間接和總影響的系數）與SPSS加手算的結果完全一樣！（大家可以對同一數據分別用這兩種軟體驗證一下。）道理很簡單，因為用的都是同樣（含有測量誤差）的數據。當然，LISREL可以進一步將各變數的測量指標整合進來（即圖二），那麼其路徑分析的結果與組裝結果就可能不一樣了，而且一般情況下各種影響的系數都會大一點（因為將測量誤差扣除了）。當然，現在很少有人將這種分析叫做路徑分析了，而是直接叫SEM（就是一回事嘛）。
最後回答你的問題2和3。問題2：對，可以而且應該根據理論或常識的建議、將很多個直接測量的自變數構建成少數個因子，當然還要看數據是否支持這些合並。問題3：對，如果你的理論模型中並沒有對兩個內生變數之間的因果關系做任何說明（即在圖一或圖二中沒有B2 ），那麼應該將它們當作相關關系來處理。事實上，LISREL會自動計算這種相關關系（在PSY矩陣中）。