Mplus培訓(xùn)筆記.docVIP

_外顯變量，潛變量分類變量順序變量名義變量都可以實現(xiàn)潛在類別分析 人的分類方法有課件潛在類別 調(diào)節(jié)模型模型方差區(qū)分 GMM不存在方差MGCFMM潛在類型和因子 因子混合探索性結(jié)構(gòu)方程 分析框架：within 個體內(nèi)between 組間f 因子c 分類SEM 貝葉斯 Bayesian analysis程序語言： 1.TITLE: a title for the analysis (not part of the syntax) 2.DATA: (required) information about the data set 3.VARIABLE: (required) information about the variables in the data set 4.DEFINE: transform existing variables and create new variables 5.ANALYSIS: technical details of the analysis 6.MODEL: describe the model to be estimated 7.OUTPUT: request additional output 8.SAVEDATA: save the analysis data, auxiliary data, and results 9.PLOT: request graphical displays of observed data and results 10.MONTECARLO: details of a simulation study；命令結(jié)束，英文分號！注解 Mplus自動忽略軟件默認相關(guān)，因子分析By 定義測量F1 by y1 y2 y3;ON定義回歸F1 ON F2 自變量在后With定義相關(guān)十個一級命令 出現(xiàn)就加冒號，變藍色MONTECARLO： 一般用不著，蒙特卡洛模擬FORMAT IS FREE;一般默認自由格式即可數(shù)據(jù)類型TYPE ISINDIVIDUAL.LISTWISE =ON;OFFDATA命令路徑保存時候選擇目錄會方便 建文件夾把數(shù)據(jù)文件和 input 放一起數(shù)據(jù)格式 .dat .txtspss 保存數(shù)據(jù)格式dat 刪掉變量名匯總數(shù)據(jù) 均值 標(biāo)準(zhǔn)差 協(xié)方差矩陣一般情況下，變量命令有3個功能： 定義數(shù)據(jù)文件中的變量； 選擇分析使用的變量； 定義變量的類型或尺度(scale)。變量名 最多8個字符常用邏輯運算符合： AND logical and OR logical or NOT logical not EQ equal = NE not equal /= GE greater than or equal to = LE less than or equal to LT less than 變量類型： CONTINUOUS 連續(xù) CATEGORICAL 類別 COUNT 計數(shù) NOMINAL 名義 CENSORED截尾數(shù)值型標(biāo)簽 MISSING = y1(9);!變量y1的9代表缺失值 。 MISSING = y1-y10(9);!變量y1-y10的9代表缺失值 。 MISSING = y1(9) y2(9 99) ;!變量y1的9代表缺失值 ;y2的9和99都代表缺失值。 MISSING = ALL (9) ;!所有變量的9都代表缺失值。define部分可查命令分析類型type參數(shù)估計方法ESTIMATOR =參數(shù)估計方法； =MLM;穩(wěn)健極大似然估計 =ML;極大似然估計； =MLR;穩(wěn)健極大似然估計； =WLSMV;加權(quán)最小二乘法估計，使用對角加權(quán)矩陣伴均值-方差校正卡方檢驗。定義的都是因變量的類型，根據(jù)手冊和模型，軟件自動最優(yōu)選擇6， THE MOODEL COMMANDLst of variables; 定義方差或殘差方差MODEL-自由估計*p 將默認設(shè)置改成自由估計F1 by y1* y2 y3 y4; !在Mplus中執(zhí)行因素分析時，為了統(tǒng)一測量單位，程序默認第一個條目的因子負荷為1，通過*可以將程序默認值改為自由估計。p 指定開始值F1 on F2*0.1; !回歸系數(shù)的開始值0.1MODEL-固定參數(shù) 通過使用固定某些參數(shù)為特定的數(shù)值。 e.g.,F1 by y1 y2 0.5 y3 y4 0.6;!項目y2 和y4的因子負荷被分別固定為0.5和0.6;F10; !F1的方差固定為0；warning 警告提示數(shù)據(jù)錯誤IND中介效應(yīng) 側(cè)重整個路徑左邊是因變量，右邊最后一個是自變量VIA側(cè)重某一個特定的變量中介效應(yīng)，用的不多模型限定：MOODEL CONSTRAINT加標(biāo)簽 可分別計算不同路徑一般是比較哪條效應(yīng)的作用更大一些 8.0版本 可以同時做多個分析PLOT1 直方圖 2碎石圖 3潛變量相關(guān) CFA的用途檢驗量表或測驗的結(jié)構(gòu)效度檢驗方法學(xué)效應(yīng)檢驗測量不變性在做量表的適用和跟蹤研究時的一致情況檢查流行的共同方法偏差 驗證h是無效的，40%探索性因子分析CFA vs. 驗證性因子分析EFA 事先確定 事后推定分析流程 有圖模型識別：1. 指定測量單位，潛變量是沒有單位的 首先是設(shè)定指標(biāo)的負荷為1，另一種是設(shè)定方差是1， 兩種同時使用是錯誤的，但Mplus不報錯2. t法則 t=p(p+1)/23. 三指標(biāo)法則 4. 兩指標(biāo)法則 5. 單指標(biāo)法則數(shù)據(jù)奇異值處理模型擬合 卡方檢驗 顯著 即拒絕 絕對擬合指數(shù)SRMA 標(biāo)準(zhǔn)化殘差均方根 小于0.08理想 連續(xù)變量WRMR 樣本量小于250 SRMR用于類別指標(biāo)不適合RMSEA 受樣本量影響小，CFI 比較擬合指數(shù) 目前使用最廣泛 最穩(wěn)健的指標(biāo)之一 對樣本量不敏感，小樣本也不錯 .85NFI 規(guī)范擬合指數(shù) 不常用NNFI/TLI 非規(guī)范擬合指數(shù) NNFIAIC BIC 貝葉斯信息準(zhǔn)則擬合指數(shù)評價模型無對錯之分 指適合之分模型比較：模型驗證比較 建議的修正M.I.大于3,6即是顯著的每次只修改一個CFA 到結(jié)構(gòu)方程模型，中介 調(diào)節(jié)變量Latent Moderated Structural Equations潛調(diào)節(jié)結(jié)構(gòu)方程模型在理論上，中介變量研究內(nèi)部機制逐步檢驗法 每步檢驗一個 多次檢驗，統(tǒng)計檢驗力度不高逐步檢驗法(Causal Steps Approach) 逐步檢驗法(Baron & Kenny, 1986)是使用較多的檢驗程序，該方法易于理解和操作，具體步驟如下： a . 檢驗總效應(yīng)系數(shù) c 是否顯著； b . 檢驗自變量作用于中介變量效應(yīng) a 是否顯著； c . 檢驗中介變量作用于因變量效應(yīng)是 b 否顯著； d . 檢驗直接效應(yīng) c 是否顯著。 在 a 和 b 都顯著的情況下，如果 c 不顯著說明存在完全中介(Judd & Kenny,1981)，否則存在部分中介效應(yīng)(Baron &Kenny, 1986)。逐步法評價 c是否顯著并非中介檢驗的必要前提，因為在有些情況下盡管c不顯著仍然存在實質(zhì)的中介效應(yīng)即所謂的抑制模型(Suppression model; MacKinnon, Krull,&Lockwood, 2000)。 如果按照逐步檢驗法的要求，c必須首先顯著否則中介變量無從談起，而實際中c不顯著而存在實質(zhì)性中介效應(yīng)的情況又非常普遍，所以逐步檢驗法將錯過很多實際存在的中介效應(yīng)。 另外，模擬研究發(fā)現(xiàn)，與其他方法相比逐步檢驗法的統(tǒng)計功效最小(e.g.,MacKinnon et al., 2002; 2004)。統(tǒng)計值， 標(biāo)準(zhǔn)誤z檢驗用的不多，要求正態(tài)分布檢驗統(tǒng)計量不符合條件系數(shù)乘積檢驗法評價 系數(shù)乘積檢驗法存在的主要問題是，檢驗統(tǒng)計量依據(jù)的正態(tài)分布前提很難滿足，特別是樣本量較少時。因為即使a，b分別服從正態(tài)分布， ab 的乘積也可能與正態(tài)分布存在較大差異Bootstrapping Bootstrap不需要分布假設(shè)所以避免了系數(shù)乘積檢驗違反分布假設(shè)的問題，而且該方法不依賴標(biāo)準(zhǔn)誤所以避免了不同標(biāo)準(zhǔn)誤公式產(chǎn)生結(jié)果不一致的問題。 模擬研究發(fā)現(xiàn)，與其他中介效應(yīng)檢驗方法相比Bootstrap具有較高的統(tǒng)計效力(e.g., Briggs,2006;Cheung, & Lau, 2008; MacKinnon et al., 2002,2004)。 因此，Bootstrapping法是目前比較理想的中介效應(yīng)檢驗法(Preacher, & Hayes, 2008;Hayes, Preacher, & Myers, 2011)。 Mplus提供兩種Bootstrap：標(biāo)準(zhǔn)的和殘差的 (Bollen & Stine, 1992; Enders, 2002) 。 殘差的Bootstrap只適應(yīng)于連續(xù)變量的ML估計。通過使用Bootstrap語句以及MODELINDIRECT和CINTERVAL，可以得到間接效應(yīng)的Bootstrap標(biāo)準(zhǔn)誤和偏差校正的Bootstrap置信區(qū)間。 因為涉及到再抽樣，所以在估計時要求輸入數(shù)據(jù)為原始數(shù)據(jù)。 如果置信區(qū)間包括0則說明系數(shù)不顯著；如果不包括0說明系數(shù)顯著。中介效應(yīng)分解 通常分解的內(nèi)容有: (1)中介效應(yīng)的大小； (2)中介效應(yīng)占總效應(yīng)的比例，ab/ab+c； (3)中介效應(yīng)與直接效應(yīng)之比，ab/c； (4)分析特定中介效應(yīng)即通過某個中介變量的中介效應(yīng)?，F(xiàn)在最新的是貝葉斯的中介效應(yīng)檢驗新變量定義用define路徑分析的擬合度是1沒有意義自由度和卡方為0結(jié)果主要看哪些？STAND