【视频】结构方程模型SEM分析心理学营销数据路径图可视化数据分享原题目：【视频】布局方程模子SEM阐发心情学营销数据途径图可视化数据分享

　　布局方程筑模 (SEM) 是一个尽头普及和圆活的数据阐发框架，也许更好地被以为是一系列闭联的格式，而不是简单的本事。它与营销斟酌有什么相闭？

　　它的发源能够追溯到 20 世纪之交的心情学家查尔斯·斯皮尔曼和第一次寰宇大战后的遗传学家 Sewall Wright。很众其他人也插足了它的开垦，加倍是 Karl Jöreskog 和 Peter Bentler。协方差布局阐发和 LISREL（Jöreskog 协同开垦的次序的名称）是一时与布局方程筑模交换运用的其他术语。

　　它与营销斟酌有什么相闭？立场、主张和性子特色是消费者行动的紧急驱开航分，但它们是潜正在的布局，营销斟酌职员实质上无法寓目或直接量度它们。咱们只可依据咱们能够寓目到的环境来测度它们，比如对问卷项主意解答。衡量潜正在布局具有挑衅性，咱们还必需将衡量差错的臆度纳入咱们的模子中。SEM 擅长这两项劳动。

　　简而言之，SEM 同时连合了因子阐发和回归，但为筑模者供应了比这两种本事中的任何一种都大得众的圆活性。这与运转因子阐发然后将因子分数输入众重回归分别。SEM 出格实用于因果阐发。另外，当众重共线性（高度闭联的自变量）成为一个题目时，SEM 是很众斟酌职员的首选器材。

　　SEM 中仿佛于因子阐发的一面称为衡量模子，将衡量模子的构成一面相闭正在一道或将它们与一个或众个因变量闭联联的元素称为布局模子。然而，有时，正在阐发之前，变量会依据体验或表面根基举办组合（“打包”），而衡量模子则不起效用。正在其他岁月，咱们不闭注衡量差错，只运用原始变量——SEM 术语中的“寓目变量”。当没有衡量模子（只要布局模子）时，途径阐发这个术语比 SEM 更适应，即使有些人尽头普随处运用“SEM”。

　　固然每每用于阐发考核数据，但它不限于任何一种数据源，能够与社交媒体数据、客户贸易数据、经济数据一道运用，乃至正在神经科学顶用于阐发 fMRI 数据。正在其新颖地势中，它或许与任何数据类型一道运用——比率、区间、序数、表面和计数——而且能够对变量之间的弧线相闭以及交互效用举办筑模。

　　它不必要完全的数据……它能够容纳众个因变量，有时与协同阐发搀杂。SEM 还可用于调剂消费者考核和其他问卷数据中的个体反映格调。

　　联念一下，倘使您念更好地明晰哪些消费者感知与您的产物或办事种别中的喜好、添置趣味或如意度最亲切闭联，并查看是否生计分别感知的潜正在消费者细分（聚类）。固然不是一个单纯的筑模劳动，但 SEM 将实用于这些方针，而且品牌的图像也能够被映照，以帮理咱们明晰品牌感知背后的维度何如划分品牌。

　　SEM 可用于更单纯的事务，比如下面闭于男性个体看护种别的消费者考核示例。该插图是完全模子的简化和潜伏版本，此中包含更众属性以及年纪等外生变量。我应当谨慎，除了途径图以外，另有良众输出必要贯注查抄！

　　正在上面的途径图中，椭圆代外身分，正在 SEM 术语中也称为潜变量、未寓目变量或未衡量变量。这些是能够测度但不行直接衡量的表面观点。

　　的影响，这是天职析中的因变量。这些能够比作回归系数。从潜正在变量到属性的单向箭一级效于因子阐发中的载荷。

　　与箭头相邻的数字是回归系数、闭联系数和因子载荷。正在 SEM 中，回归系数大凡小于闭联性和载荷，就像这里雷同。

　　为了删除错乱，我省略了差错和残差项，它们仿佛于因子阐发中的怪异身分和回归中的残差项。

　　本次考核中评分的品牌也依据其正在完全模子中的因子得分绘造正在散点图中。出于保密和篇幅的道理，此处未显示。

　　我必要众大的样本？众年来援用的两个指南是起码 200 个案例（比如，考核受访者）和每个衡量变量起码 10 个案例（比如，倘使模子中有 25 个属性评级，则 250 个受访者）。然而，这些指南只是体验准则，方今受到很众质疑。

　　大数据呢？正在过去的 10-15 年里，SEM 才滥觞转移到其起源地以外——主倘使心情学、社会学和熏陶学。我记得正在美邦统计协会杂志上读过一篇作品，向其读者先容了这种格式。倘使我没记错的线 年，正在 SEM 用于社会和行动科学永远之后。正在我看来，它正在营销斟酌中仍未取得敷裕诈骗，高级阐发大凡也是云云。

　　数据科学家方今好像才滥觞明晰 SEM。这不是一个盘算迅疾的流程，但正在此日的硬件上，正在具有很众变量的相当大的样本上运转优良。“大”是相对的！正在某些环境下，运用准绳机械进修器材（比如 LogitBoost 举办预测）和对雷同数据样本运用 SEM 来试验分析天生数据的机造是蓄意义的 -营销发言中的道理。

　　我必要做哪些统计假设？这是尽头全体的，全体取决于您运转的 SEM 模子的类型。与大大批统计次序雷同，SEM 对违反假设尽头妥当，日常而言，准绳差错比系数臆度值更容易受到攻击。

　　我据说 SEM 只可用于查验假设。这是真的？这是对统计数据的一般误会，而不只仅是 SEM。表面不是捏造浮现的，况且每每是正在寓目的根基上发扬起来的。简而言之，咱们看到事变正正在发作，并试图寻找它们发作的道理。也便是说，探痛疾阐发——假使你只是运用交叉外——也会带来很高的展现危险，这些展现不会复造或施行到样本或尽头渺小的人群以外。咱们老是必要小心并做好作业。

　　我若何明白我的模子好欠好？为此运用了众种拟合指数。对比拟合指数 (CFI) 和近似均方根差错 (RMSEA) 或许是最常睹的。更熟习的 R 平方有时也能供应丰裕的音讯。不外，我应当夸大，该模子是否“足够好”最终将取决于常识、闭联表面和对决定者的潜正在效用。正在很洪流准上，这是一个鉴定电话。

　　网上有豪爽闭于 SEM 的原料，以及闭于 SEM 的研讨会和大学课程，或者将其行动苛重要旨。Barbara M. Byrne 撰写了少许可读性极强的先容性册本，要点先容普及运用的贸易 SEM 统计软件包（比如，运用 EQS 举办布局方程筑模）。Rex B. Kline 的抢手书名为 《布局方程筑模的道理和试验》，稍微高级一点但也尽头易读。

　　具有潜正在变量的布局方程(Bollen) 是揭示 SEM 数学根基的“经典”。如前所述，Stan Mulaik 的布局方程线性因果筑模与Bollen 的似乎，但更新且更会合于因果阐发，这是 SEM 的苛重行使。布局方程筑模手册 (Hoyle)是一本蚁集而通盘的书，涵盖了全豹苛重的 SEM 要旨。

　　优良的心情衡量学靠山将帮理您敷裕诈骗 SEM。心情衡量学：导论（Furr 和 Bacharach）和心情衡量表面导论（Raykov 和 Marcoulides）是这两本最新的教材，倘使您是这门学科的新手，能够帮理您初学。此中第二个比第一个要进步得众。

　　这是一个强壮的器材，从统计学上讲，也是尽头危机的。即使 SEM 正在本事上尽头繁复，但运用当今用户友情的软件很容易将我方点击进入尽头尴尬的环境。

　　很众模子或许供应与数据似乎的拟合，但为决定者供应了霄壤之别的阐明和行为计划。其余，咱们必要谨慎不要过拟合，用SEM很容易做到。

　　营销斟酌的一个紧急规模介于纯定性斟酌和困难的定量斟酌之间，而 SEM 正在这个灰色空间中出格圆活。

　　布局方程筑模 (SEM) 是一种通盘而圆活的格式，包含正在假设模子中斟酌变量之间的相闭，无论它们是衡量的如故潜正在的，这意味着不行直接寓目到，就像任何心情构造（比如，智力、如意度，期望，信赖）。由于它是一种众元阐发格式，它连合了因子阐发的输入以及基于或衍生自众元回归阐发格式和榜样阐发的格式。圆活，由于它不只能够识别变量之间的直接和间接影响，还能够臆度包含潜正在变量均值正在内的百般繁复模子的参数。

　　根基上，SEM 是一种统计格式，它采用确认（即假设查验）格式来阐发与某些景象闭联的布局表面。大凡，该表面代外了对众个变量发作寓目的“因果”流程。术语“布局方程筑模”传递了该流程的两个紧急方面：（1）所斟酌的因果流程由一系列布局（即回归）方程显示，以及（2）这些布局相闭能够以图形格式筑模以便对所斟酌的表面举办更懂得的观点化。然后能够正在对所有变量体系的同时阐发中对假设的模子举办统计测试，以确定它与数据的相似性水准。

　　第一种格式是将 R 与外部贸易 SEM 次序结合起来。这正在模仿斟酌中大凡很有效，此中运用 SEM 软件拟合模子是模仿管道的逐一面。

　　R 包旨正在吸引豪爽必要 SEM 软件来解答原本际性题目的行使斟酌职员。很众行使斟酌职员以前没有运用过 R 而且习性于贸易 SEM 次序。行使斟酌职员大凡珍惜直观且具有丰裕筑模效用的软件，而 R 包试图告终这两个方针。

　　R 包旨正在吸引那些教练 SEM 课程或 SEM 斟酌的人；欲望环境下，教练应当或许运用易于运用但完全的 SEM 次序，该次序正在盘算机教室中安设本钱低廉。

　　R 包旨正在吸引正在 SEM 规模事务的统计学家。为了告终新的格式论思念，访候开源 SEM 次序是有利的，该次序能够直接访候 SEM 代码。

　　本文摘选《R发言布局方程模子SEM阐发心情学和营销斟酌数据途径图可视化》，点击“阅读原文”获取全文完全原料。

　　布局方程模子SEM、途径阐发房价和犯法率数据、预测智力影响身分可视化2案例

转载请注明出处。