MPlus 基礎篇: CFA,EFA,中介因果調節模型

2021-02-20 科普與科研

掃描二維碼

關注微信公眾號：睡眠障礙與腦科學      

投稿/科研合作：daixjdoctor@126.com

聯繫我們：137704924（編輯部微信號）

群1：醫患交流群；群2：科研討論群

目錄

1 CFA

1.1 CFA 基本語句

1.1.1語句解讀

1.1.2 Mplus語句一些常用符號

1.1.3模型擬合指數說明

1.2 CFA MpLUS 示例及結果解讀

1.3 備擇模型及CFA模型比較

1.4 類別變量CFA

1.5 Subgroup CFA Test invariance

1.5.1 Measurement invariance (MI)介紹

1.5.2 性別作為subgroup MI 示例

# EFA探索性因子分析

#.1 連續變量的EFA

#.2 類別變量的EFA

2 中介模型的檢驗

2.1 中介模型

2.2 Bootstrap

1.3 use model constraint 設定中介模型

2.5 調節的中介

3 調節模型檢驗

3.1 潛變量調節模型

3.2 簡單效應分析及交互作用圖

4 如何報告數據結果

5 代碼獲取方法

 

-內容摘要----

 

    本篇內容包括Mplus SEM基礎模型, 含(連續及類別數據)EFA/CFA及不同CFA模型的比較，測驗等值檢驗, 不同數據類型潛變量之中介(Bootstrap), 調節, 調節的中介,及簡單效應分析及做圖。有人留言詢問基礎模型，所以一次性把主要的基礎模型介紹完了哈哈……如果有人還問你Mplus基礎模型咋搞，請把這篇文章甩給ta……

1 CFA

    Testing ameasurement model via CFA is always the first step in fitting a structural equationmodel (SEM).

1.1 CFA基本語句

1.1.1語句解讀

Title: 可以任意給定，如three factor model

TITLE: three factor model

VARIABLE:！數據文件裡所有的變量名

USEVARIABLES= 所使用的變量

 MISSING = ALL(-1); ！界定缺失值，根據自己的設定可以是-999， -99任意

ANALYSIS:

   TYPE = GENERAL;

TYPE 主要有四種常見的分析類型

·  GENERAL最常用的, CFA, SEM, 一般線性回歸模型

·  MIXTURE 用於類別變量的模型，最常用的latent class analysis

·  TWOLEVEL 多水平數據，可以是連續性及類別變量

·   EFA 探索性因子分析

ESTIMATOR= ML; !estimation method

如果所有的因變量是連續性變量，可以使用ML (Maximum Likelihood)

如果有一個或多個因變量是類別變量categorical variable，應該使用WLSMV(a weighted least squares estimate)

ITERATIONS= 1000; !運行的次數

MODEL:!界定模型

   fdback BY FDBACK1 FDBACK2 FDBACK3;

   rolecon BY ROLECON1 ROLECON2 ROLECON3;

OUTPUT:

 MOD STAND;

MOD modificationindices,

註：BY 是Measured by 的縮寫

 ON 是regressed on 的縮寫

Y ON X Z; 表示X, Z 為自變量，Y 為因變量;

WITH 是co-vary with的縮寫，表示相關

XWITH是用來創建潛變量的交互作用

如： X BY X1 X2 X3;

          Z BY Z1 Z2 Z3;

XZWITH | X   WITH Z;

如果要用潛變量模型求調節模型需要用到。

 

1.1.2 Mplus語句一些常用符號

@ 是用來set a constraint

X WITH Y@0; ！如果我們想要設定兩個潛變量相關為0，

* 星號用來 free a fixed –by-default parameter

比如X BY X1* X2@1 X3 X4;

為了模型識別，Mplus通常默認第一個條目的loading 係數為1，如果你想要改變默認設置，將第二個條目限定loading 係數為1，而第一個條目free to be estimated. 就可以用以上。

() 這個是用來命名特定係數，一般複雜模型比較有用。

 Y1     ON    X1  (a);

Y2     ON    X2  (b);

Model constraint :a = 2*b;

1.1.3模型擬合指數說明

CFI, TLI, RMSEA, AIC,BIC Kline (2010):

1.2CFA MpLUS 示例及結果解讀

對應代碼文件: M1.2 three factor CFA

 

模型說明：三個變量social support, teamwork, job satisfaction 分別有2個條目測量，驗證CFA三因子模型，點擊運行MpLUS會給出模型擬合指數及Loading。

根據HU & Bentler CFI TLI 0.95, 0.08 SRMR, .06RMSEA 說明模型擬合指數較好

Loading係數及變量之間的相關。

1.3 備擇模型及CFA模型比較

至於如何選擇不同的模型，可以參考實證研究

可以試著運行1 factor, or three, 然後根據chi-sq, df比較模型，nested 模型通常比較兩個模型的卡方值(卡方值的變化值 M1 卡方-M0卡方，自由度變化值df1-df0,查卡方表是否顯著).

Satorra & Bentler(2010)提出一種新的方法，Mplus官網有介紹：

來源：

https://www.statmodel.com/chidiff.shtml

我已把這個公式放在一個EXCEL裡面，你只需要MpLUS 裡ESTIMATOR = ML, ML修改為MLR，跑兩個不同的nestedmodel （M1 M0）,然後會得到相關的幾個數據，輸入對應的EXCEL，再去查卡方表即可。

1.4 類別變量CFA

只需要添加一行代碼說明CATEGORICAL =

對應的ESTIMATOR =WLSMV; 

 

1.5 SubgroupCFA Test invariance
1.5.1Measurement invariance (MI)介紹

量表開發，或者縱向追蹤數據的時候需要檢驗 measurement invariance (Van de Schoot,Lugtig, & Hox, 2012). 

具體的相關理論方面可以閱讀文獻 Van de Schoot et al. 2012, 作者詳細提供了step by step guide 以及Mplus syntax。

www.fss.uu.nl/mplus(), 打開連結發現作者也是UU的……然而並沒有發現Mplus syntax…，但是UU學術筆記提供！

通常檢驗：

·      factorloading, (weak invariance)

·      intercepts,(strong invariance)

·      andresidual variances (strict invariance)

然後根據1.3提到的模型比較方法比較不同的模型

1.5.2 性別作為subgroup MI 示例

我把三個模型的代碼寫在一個syntax文件裡了，運行的時候只需要刪掉前面注釋符號!即可Model 1就是普通的CFA不需要添加任何，Model 2, 需要在數據下面添加GROUPING …analysis添加依一句 !MODEL = configural metric scalar;  

注意:在修改代碼時候一定要在英文輸入法模式! 

輸入！Mplus無法識別，mplus依然會運行原本需要忽略的代碼，修改為英文!就會變成備註模式 

MODEL 2 Stronginvariance 

(對應代碼文件M1.5.2 strong measurement invariance) 

就會得到invariance testing, 以及模型擬合指數

ModeL3 Strict model

（M1.5.3strict measurement invariance）

Strict 模型擬合較差

# EFA探索性因子分析#.1 連續變量的EFA

EFA比較簡單，簡單說下 (對應代碼文件M0EFA 1-4factor)

只需要選擇需要進行EFA 的變量，然後再分析方法指定EFA 然後 1和 4分別指，1-4 factor，運行就可以了 

結果就會給出不同模型的比較loading，以及擬合指數

1 factor loadings

Two factors 

Three factor 

比較發現，two factor , 多個條目出現雙載荷cross-loading，三個就更差了，綜合模型比較急loading 係數選取單因子模型

#.2 類別變量的EFA 

只需要制定categorical variable 即可

2 中介模型的檢驗2.1 中介模型

模型說明 teamwork—social support---job satisfaction (代碼文件：M2.1 mediation bootstrap)

用潛變量中介模型，每個變量有兩個條目 

IND: only add atest for the indirect effect 

可以看出，所有的回歸係數都顯著；

 

中介也是顯著

2.2 Bootstrap

以同樣的模型為例：teamwork—social support---job satisfaction 

在ANALYSIS: 命令下添加Bootstrap = 10000; 根據Hayes (2013) 一般5000次以上就可以。

相應地，在OUTPUT: CINTERVAL (bcbootstrap)；在代碼M2mediation mplus, 已經添加了Bootstrap，只需要刪掉前面的！號即可（！在mplus表示注釋說明），運行就會獲得bootstrap 結果；

只需要不包含0說明結果顯著。

1.3 use model constraint 設定中介模型 

如果涉及多個中介時候這種方法比較好一些

2.4 結果變量為類別變量的中介模型

以性別作為結果變量，僅僅是為了演示……不然拿性別做因變量恐怕很難說得通 

在用到的變量裡說明類別變量，分析方法也需要用MLR, a maximum likelihood estimator withrobust standard errors using a numerical integration algorithm will be used (Muthén &Muthén, 2017).

其它把類別變量做自變量之類的，都大同小異，不再贅述。感興趣的可以看看MpLUS USER GUIDE P.39-40

 

2.5 調節的中介

對應代碼文件M2.5 moderated mediation 

新建了交互作用WDxsocsup, 用潛變量或顯變量的時候在分析方法交互作用設定都會有所不同。在前文MpLUS語句介紹裡有說明 WITH 語句。

其它的結果解讀略去。

這裡演示的都以潛變量模型為例子，顯變量模型可以參考MpLUS USER GUIDE P.37-41

 



3 調節模型檢驗3.1 潛變量調節模型

其實已經在上面中介的調節裡有說明了如何創建交互項，潛變量用 WITH 語句

工作資源需求模型的，work demand *social support, 工作資源對工作需求的buffer effect

就簡單運行一個調節模型，work demand, social support, and WDxSSUP 對工作滿意度的影響

Output 輸出代碼稍有不同：STAND CINT SAMPSTAT;

對應代碼文件：3.1 latent moderation

主效應顯著，交互作用不顯著。

3.2 簡單效應分析及交互作用圖

說實在在MpLUS裡簡單效應分析比較麻煩，做出來的原始圖也比較醜……

就用顯變量模型演示。

對應代碼文件：M3.2 Moderation analysis withsimple slope test and plot 

首先創建交互項，但是回歸分析一般需要數據中心化處理，所以在準備數據的時候最好直接創建交互作用，或者也可以用Define, 然後添加交互作用到usevariables !重要 

 

簡單效應分析的第一步是首先跑一個回歸模型，如果得到交互作用顯著之後，根據概念模型寫出對應地回歸方程

Stress =b0+age+b1*wkdem + b2*support+b3*DEMxSUP

這裡調節變量為sup, 簡單效應分析就是調節變量在平均數加減一個標準差之三者之間slope的差異, bo b1等為非標準化的回歸係數。

Social support 平均數為3.464, 標準差為0.991, 基於此可以求出，Med, high, low social support; 這些數據可以通過TECH1 TECH8; 就可以給出，注MPlus提供的是方差，需要自己計算SD，或者可以用SPSS

LOSUP= 3.464 - 0.991;

 MEDSUP = 3.464;

 HISUP = 3.464 + 0.991;

然後界定三個slope,

 SIMP_LO = b1 +b3*LOSUP;

 SIMP_MED = b1 + b3*MEDSUP;

 SIMP_HI = b1 + b3*HISUP;

然後上面的公式經過轉換，分別界定三條線low, med, high，運行得出結果

發現只有low social support 顯著……然後查看具體交互作用圖

……以前以為MpLUS 做出來的圖醜到無邊……其實是沒有調整好……

 

4 如何報告數據結果

可參考已發表實證研究。或關注UU學術筆記，目前我們聯合眾多博士正在整理管理學及心理學領域Top tier journal 數據結果報告的常用句庫，未來一個月內會發在公眾號。另外，我們英文寫作句庫已經發布了引言部分及文獻綜述、方法部分

Academic writing: method (sentence bank)

寫好英文學術論文，你只差一個句庫 (Sentence Bank)

5代碼獲取方法

·  代碼都已經在文章截圖呈現，所以可以根據自己數據改編。

·  轉發至朋友圈獲得30個贊同；

·   轉發至50人及以上心理學或者管理學碩士或者博士群，文章下方留言積累5個贊；

·   轉發至於300人以上心理學或管理學碩士博士群

· 支付9.99 RMB，文章下方Like the author （29.99RMB可額外獲得三次指導機會,僅針對文章中涉及的模型）

請將憑證截圖（> 3min 以後截圖）

發至郵箱uunotebook@163.com，我們會在3個工作日內發給你代碼及數據

如果需要MpLUS 軟體或者數據準備不清楚，請看

Mplus 7.4 軟體及代碼

或者如果涉及複雜模型，LCA

Latent Transition Analysis（潛在群組轉變）: Mplus分析詳解

來源：荷蘭心理統計聯盟

聲明：文章內容僅供參考，具體請諮詢醫生或相關專業人士。您若對該稿件內容有任何疑問或質疑，或需轉載本文，請您與本微信公眾號編輯部助理（微信號：137704924）聯繫，我們將迅速給您回應並做處理。

相關焦點

  • 揭秘結構方程模型(SEM)
    你現在已經知道檢查warning 要查看tech1，於是在OUTPUT 加一行命令：  然而，所有的結構方程模型：包括measurement model +structure  model, 都是用這幾個參數來設定的。所以，理解這些還是非常必要的。這篇文章將逐個解讀這些參數，讓你真正的理解這些參數和模型之間的關係（及自由度），正確解讀Mplus的輸出結果，以及當模型報錯時候找出錯誤的根源。
  • 第三者與媒婆:調節效應與中介效應的解析
    1.4 有調節的中介模型與被中介的調節模型1.4.1 有調節的中介模型為了區分中介變量與調節變量，在下面的內容中，我們將Me定義為中介變量，將Mo定義為調節變量。有調節的中介模型首先是一個中介模型，然後，這個中介效果被調節了！
  • 結構方程模型簡介與應用
    為了弄清促進用戶體驗提升及產品各項指標增長的影響機制，我們將在這篇文章中介紹結構方程模型的概念及應用，供大家嘗試探索。結構方程模型（Structural Equation Modeling，SEM）是一般線性模型的擴展，並非單指某一種特定的統計方法，而是一套用以分析共變結構的技術整合。
  • SPSSAU教程07:中介調節效應分析解讀
    中介效應和調節效應是一對比較容易混淆的概念，他們都與回歸分析有關，相比自變量因變量，中介變量和調節變量都屬於第三變量。研究者需要結合不同的數據分析方法對兩種關係進行分析。在之前的文章中，我們已經對中介效應和調節效應的區分做了說明，這裡簡單介紹一下1定義中介作用是指X(自變量)對於Y(因變量)產生影響關係時，是否會首先通過中介變量M的作用，然後再去影響Y，如果存在此種關係則說明具有中介作用。比如研究員工組織信任對於離職意願影響過程中，員工組織承諾是否會起著中介作用。
  • 三種中介效應檢驗方法及操作步驟
    介紹三種常見中介效應檢驗方法，分別是因果逐步回歸檢驗法、係數乘積法、改良後的因果逐步回歸法，以及如果使用SPSSAU進行操作。什麼是中介效應中介效應：如果自變量X通過影響變量M而對因變量Y產生影響，則稱M為中介變量。
  • 結構方程模型(SEM)到底有多厲害?
    結構方程模型是一種建立、估計和檢驗因果關係模型的方法。模型中既包含有可觀測的顯在變量，也可能包含無法直接觀測的潛在變量。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係。結構方程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。
  • 簡單易懂的思維模型:系統思維篇
    這篇文章原標題是Tools for better thinking，作者Adam Amran在文章中用通俗易懂的圖文結合方式跟大家介紹了14個思維模型，希望對你有所啟發。 冰山模型 一句話概述：所謂冰山模型，即通過觀察隱藏的抽象層次，發現事件的根本原因。 只停留在事件的表面來解決問題往往是不夠的。真正的原因，通常都隱藏在深處。 冰山模型只是一個工具，它可以讓你改變視角，在常人視角的基礎上，看到更多更直觀的內容。它可以幫助你發現事件的根本原因。
  • 高頓CFA:cfa計算器使用方法詳細介紹!
    CFA考試需要使用計算器來計算cfa考試試題，對於cfa計算器可使用的型號，cfa協會有一定的規定。CFA考生在購買cfa計算器時需要注意你購買的計算器是否允許使用。 　　除此之外，CFA考生還需要了解cfa計算器的使用方法，以便自己能夠更好地使用計算器計算cfa試題。
  • ...形成及其規律;中介變量和調節變量及其區別;動機與行為效率的關係
    （4）高級條件作用（二級條件作用）在已經形成的條件反射的基礎上，將條件刺激作為無條件刺激，與某一中性刺激伴隨出現，該中性刺激也能引起有機體的反應，即形成了一種新的條件反射。（5）恐懼性條件作用將對有機體具有恐懼性質的刺激作為無條件刺激而進行的條件作用，如小阿爾伯特實驗。
  • ...大學商學院組織與人力資源系祝金龍老師赴南京大學主講「Mplus...
    祝金龍老師 28日上午，祝金龍老師全面詳實地介紹了Mplus的基礎知識和操作命令，包括Mplus界面認識、命令語言書寫及注意事項等方面。經過三個小時的講解和互動學習，與會師生對Mplus有了初步的了解和認識。
  • 高頓CFA2020年CFA中文證書是哪個機構頒發的
    cfa證書上面寫的主要有cfa協會授予證書人姓名、授予證書時間以及cfa協會官方的籤名和logo等信息。 　　CFA證書一般即指官方標準版英文證書，證書為A2大小。 　　CFA官方特許資格認證證書樣本 　　您在CFA協會官網完成申請、繳納費用後，CFA協會將從美國平郵至您在系統內預留的地址。
  • 多水平數據分析:R、Mplus和 HLM 應用對比
    多水平模型分析策略（步驟）Step 1：構建intercept only model常數項模型Step 2：添加低水平預測變量Step 3：2.1 Test model 根據上文所述的bottom-up逐漸構建模型，首先從基礎模型開始。2.1.1 Intercept only model以受歡迎程度為因變量，不納入任何預測變量。
  • 哈佛大學Hernan教授《因果推斷:What If》新書,311頁講解因果效應(附下載)
    harvard.edu/miguel-hernan/causal-inference-book/在本書中，我們強調需要足夠認真對待因果問題，才能明確表述它，我們還區別了數據和因果推斷假設的不同作用。一旦建立了這些基礎，因果推斷就必然變得不那麼隨意，這有助於防止混淆。
  • Python實現固定效應回歸模型實現因果關係推斷
    眾所周知，「相關並不意味著因果關係」。 我要告訴你，相關可以表示因果關係，但需要一定條件。 這些條件已在計量經濟學文獻中被廣泛討論。 在本文中，我將以一種易於理解的方式對其進行總結。 我將解釋如果不滿足這些條件為什麼標準的普通最小二乘（OLS）無法確定因果關係。 然後，我將介紹可以提供有效解決方案的固定效應（FE）模型。
  • 2021年cfa考試注意事項詳解!
    2021年cfa考試注意事項 　　cfa考試是一項金融界的高含金量的考試，故而cfa考試也是有很多要求的，不管是考試用的文具，還是考場上帶的物品都有嚴格的要求，今天高頓cfa老師來給大家講講2021年cfa考試注意事項： 　　CFA三級學長總結了一套CFA學習資料大禮包
  • 開營日誌第三篇 | 李剛老師的《旅遊與酒店研究定量方法》你值得擁有
    本文為開營日誌第三篇，由李剛老師講授的《旅遊與酒店研究定量方法》。獲得本公號獲取。（註：因果關係和相關性含義不同）；~ 能夠對解釋現象或現象原因的理論進行檢驗和證實。比如結構方程模型SEM就是一種驗證性方法，需要有紮實的理論基礎。
  • 現場+直播 | MPLUS結構方程模型(SEM)實戰研討會
    結構方程模型（SEM, Structural Equation Modeling
  • 百篇數據分析方法合集,真是太太太全面了
    從SPSSAU發布第一篇文章到現在已有大半年的時間，在這段時間裡，我們前前後後更新了近百篇統計方法的相關文章，希望這些文章可以真正幫助沒有接觸過數據分析的朋友，輕鬆上手學會數據分析。>1小時掌握數據分析的邏輯2.通用方法頻數分析：計算百分比、頻率描述分析：計算平均值、標準差描述分析各指標解讀分類匯總：不同組別下的匯總結果1.問卷基礎
  • Mplus | 驗證性因素分析概述
    ，主要處理觀測指標與潛變量之間的關係，也被稱作測量模型（Measurement Model）；在CFA中，指標與因子之間的關係是明確的。第三，用於比較不同的理論模型。第四，可以檢驗方法效應(Method Effects)。第五，其他優點。2 CFA分析流程2.1 模型設定模型設定（Model Specification），也稱模型表達，是指模型涉及變量、變量之間關係、模型參數等的設定。
  • 因果階梯與Do-演算:怎樣完美地證明吸菸致癌?
    更為棘手的是，還有各種各樣新的反對者的觀點的提出，比如一個人的心情、整體社會的工業化程度等等，都能成為反駁吸菸導致肺癌這一個因果路徑的影響因子。那麼，我們是否真的就永遠無法解決這個問題了嗎？2. 基礎前置概念