????因?yàn)樵诜治鰯?shù)據(jù)時接觸到了Mplus，發(fā)現(xiàn)其官方用戶指南中有一些關(guān)于SEM的介紹诅福，解了我很多的疑惑，所以翻譯在簡書里一作記錄赂乐，二供網(wǎng)友參考，本文章若侵權(quán)可刪沪猴，請不要將其隨意復(fù)制粘貼發(fā)在他處采章。雖也借鑒了其他人的名詞翻譯壶辜，但畢竟無官方中文版，歡迎大家指出錯誤抵怎，一起學(xué)習(xí)一起進(jìn)步岭参。

????結(jié)構(gòu)方程模型(SEM)包括連續(xù)潛變量之間的回歸模型(Bollen, 1989; Browne & Arminger, 1995;Joreskog & Sorbom, 1979)。也就是說姿染，這些潛變量是連續(xù)的。這里需要注意的是：1. 潛變量(latent variables)是與觀察變量(Observed variables)相對的悬赏，可通過數(shù)據(jù)分析觀察；2. 觀察變量可以是連續(xù)的(continuous)闽颇、刪失的(censored)、二進(jìn)制的(binary)尖啡、有序的(ordinal)剩膘、無序的(nominal)、計數(shù)的(counts)矛渴，或者是這些類別的組合形式惫搏。

????SEM有兩個部分：一個測量模型(measurement model)和一個結(jié)構(gòu)模型(structural model)。

? ??測量模型相當(dāng)于一個多元回歸模型(multivariate regression model)筐赔，用于描述一組可觀察的因變量和一組連續(xù)潛變量之間的關(guān)系。在此达皿，這一組可觀察的因變量被稱為因子指標(biāo)(factor indicators)贿肩，這一組連續(xù)潛變量被稱為因子(factors)。

????如何描述它們之間的關(guān)系汤功？可以通過以下方式：

1. 若因子指標(biāo)是連續(xù)的溜哮，用線性回歸方程(linear regression equations)；

2. 若因子指標(biāo)是刪失的茂嗓，用刪失回歸或膨脹刪失回歸方程(censored normal or censored-inflated normal regression equations)；

3. 若因子指標(biāo)是有序的類別變量忿族，用profit或logistic回歸方程(probit or logistic regression equations)；

4. 若因子指標(biāo)是無序的類別變量票唆，用多元logistic回歸方程(multinomial logistic regression equations)屹徘；

5. 若因子指標(biāo)是計數(shù)的，用Poisson或零膨脹Poisson回歸方程(Poisson or zero-inflated Poisson regression equations)簿煌。

? ??結(jié)構(gòu)模型則在一個多元回歸方程中描述了三種變量關(guān)系：

1. 因子之間的關(guān)系鉴吹；

2. 觀察變量之間的關(guān)系；

3. 因子和不作為因子指標(biāo)的觀察變量之間的關(guān)系夺荒。

????同樣，這些變量有不同的種類技扼，所以要根據(jù)它們的類別來選擇合適的方程進(jìn)行分析：

1. 若因子為因變量嫩痰，及可觀察的因變量是連續(xù)的，用線性回歸方程(linear regression equations)丽旅；

2. 若可觀察的因變量是刪失的纺棺，用刪失回歸或膨脹刪失回歸方程(censored normal or censored-inflated normal regression equations)；

3.?若可觀察的因變量是二進(jìn)制的或者是有序的類別變量办斑，用profit或logistic回歸方程(probit or logistic regression equations)外恕；

4.?若可觀察的因變量是無序的類別變量，用多元logistic回歸方程(multinomial logistic regression equations)罪郊；

5.?若可觀察的因變量是計數(shù)的尚洽，用Poisson或零膨脹Poisson回歸方程(Poisson or zero-inflated Poisson regression equations)。

????在回歸中癣疟，有序的類別變量可通過建立比例優(yōu)勢(proportional odds)模型進(jìn)行說明；最大似然估計和加權(quán)最小二乘估計(maximum likelihood and weighted least squares estimators)都是可用的邪蛔。

????以下特殊功能也可以通過SEM實(shí)現(xiàn)：

1. 單個或多組分析(Single or multiple group analysis)扎狱；

2. 缺失值(Missing data)；

3. 復(fù)雜的調(diào)查數(shù)據(jù)(Complex survey data)淤击；

4. 使用最大似然估計分析潛變量的交互和非線性因子(Latent variable interactions and non-linear factor analysis using maximum likelihood)；

5. 隨機(jī)斜率(Random slopes)汞贸；

6. 限制線性和非線性參數(shù)(Linear and non-linear parameter constraints)印机；

7. 包括特定路徑的間接作用(Indirect effects including specific paths)；

8. 對所有輸出結(jié)果的類型進(jìn)行最大似然估計(Maximum likelihood estimation for all outcome types)踏堡；

9. bootstrap標(biāo)準(zhǔn)誤差和置信區(qū)間(Bootstrap standard errors and confidence intervals)咒劲；

10. 相等參數(shù)的Wald卡方檢驗(yàn)(Wald chi-square test of parameter equalities)。

????以上功能也適用于CFA和MIMIC帐偎。