Mplus 의 두 가지 조정 변수는 각각 서로 다른 단계에서 중개를 조절한다. 코드를 어떻게 써야 하나요?

이 문서에는 EFA/CFA 와 다른 CFA 모델 (연속 및 분류 데이터) 비교, 동등성 검사, 다양한 데이터 유형의 잠재적 변수에 대한 Bootstrap, 조정, 중개 조정, 간단한 효과 분석 및 매핑 등 Mplus SEM 의 기본 모델이 포함되어 있습니다. 어떤 사람이 기본을 묻는 메시지를 남기고, 나는 주요 기본을 한 번에 소개했다. 하하 웃음 ... Mplus 기본을 묻는 사람이 있다면 이 문장 TA 에 던져주세요. ...

카탈로그

1 CFA

1..1CFA 의 기본 문장

문장 설명1..1..1

1..1.2mplus 문에 일반적으로 사용되는 몇 가지 기호

1..1.3 모델 맞춤 지수 설명

1.2 CFA MpLUS 예제 및 결과 설명

1.3 대체 모델과 CFA 모델 비교

1.4 클래스 변수 CFA

1.5 하위 그룹 CFA 테스트 불변성

1.5. 1 측정 불변성 (MI) 소개

1.5.2 성별은 MI 하위 그룹의 예입니다

# EFA 탐색 요인 분석

#. 1 연속 변수의 EFA

#.2 클래스 변수의 EFA

2 중개 모델 테스트

2. 1 중개 모드

2.2 부팅

1.3 모델 구속을 사용하여 중간 모델을 설정합니다.

2.5 중재 중개

3 모델 테스트 조정

3. 1 잠재적 변수 조정 모델

3.2 간단한 효과 분석 및 상호 작용 그래프

4 데이터 결과를 보고하는 방법

5 코드 획득 방법

1 CFA

CFA 를 통한 측정 모델은 항상 SEM (구조 방정식 모델) 의 첫 번째 단계에 맞춰집니다.

1..1CFA 의 기본 문장

문장 설명1..1..1

제목: 3 요소 모델과 같이 자유롭게 줄 수 있습니다.

제목: 3 요소 모형

변수:! 데이터 파일에 있는 모든 변수 이름입니다.

USEVARIABLES= 사용된 변수.

Missing = all (-1); ! 누락된 값을 정의합니다. 자신의 설정에 따라 -999 또는 -99 를 임의로 정의할 수 있습니다.

분석:

Type = 일반

네 가지 일반적인 분석 유형이 있습니다.

일반적으로 가장 일반적으로 사용되는 CFA, SEM, 일반 선형 회귀 모델입니다.

범주 변수에 사용되는 모델을 혼합하여 가장 일반적으로 사용되는 잠재적 범주 분석입니다.

연속성 변수 및 범주 변수일 수 있는 2 단계 다중 레벨 데이터입니다.

탐색 요인 분석

추정치 = ML! 추정 방법

모든 종속 변수가 연속 변수인 경우 ML (최대 우도 방법) 을 사용할 수 있습니다.

하나 이상의 요인 변수가 분류 변수인 경우 WLSMV (가중치 최소 평방 추정) 를 사용해야 합니다.

반복 횟수 =1000; ! 인수

모델:! 정의된 모델

Fd back by FD back1FD back 2 FD back 3;

Role con by rolecon1rolecon 2 rolecon 3;

출력:

MOD 브래킷;

지표를 적당히 수정하고,

주: BY 는 Measured by 의 약어입니다

퇴보의 약자입니다.

X Z 의 y; X, z 는 인수, y 는 인수 변수임을 나타냅니다.

WITH 는 co-vary with 의 약어로 관련을 나타냅니다.

XWITH 는 잠재적 변수를 만드는 데 사용되는 상호 작용입니다.

예: x x x1x2x3;

Z x z1z2 z3;

Xz WITH | X WITH Z；;

잠재 변수 모델을 사용하여 조정 모델을 찾으려면 이 모델을 사용해야 합니다.

1..1.2mplus 문에 일반적으로 사용되는 몇 가지 기호

@ 구속조건을 설정하는 데 사용됩니다.

Y@0 의 x; ! 만약 우리가 두 개의 잠재적 변수의 연관성을 0 으로 설정하고자 한다면,

* 별표는 자유 기본 고정 매개변수에 사용됩니다.

예를 들어 x 곱하기 x1* x2 @1x3x4;

모형 인식의 경우 Mplus 는 일반적으로 첫 번째 항목의 로드 계수를 1 으로 기본 설정합니다. 두 번째 항목의 로드 계수를 1 으로 제한하도록 기본 설정을 변경하는 경우 첫 번째 항목은 자유롭게 추정할 수 있습니다. 위의 것을 사용할 수 있습니다.

() 이것은 특정 계수의 이름을 지정하는 데 사용되며, 일반적인 복잡한 모델이 더 유용합니다.

X 1 (a) 의 y1;

X2 의 y2 (b);

모형 구속조건: a = 2 * b；;

1..1.3 모델 맞춤 지수 설명

CFI, TLI, RMSEA, AIC, BIC· 클라인 (20 10):

1.2CFA MpLUS 예제 및 결과 설명

해당 코드 파일: M 1.2 3 요소 CFA

모델 설명: 사회적 지원, 팀워크 및 직무 만족도 세 가지 변수 중 두 가지를 측정하여 CFA 3 요소 모델을 검증합니다. MpLUS 실행을 클릭하면 모델 맞춤 지수와 로드가 제공됩니다.

후&; 빙리 CFI TLI 0.95, srmr 0.08, RM sea 0.06 은 모델의 맞춤 지수가 더 우수함을 나타냅니다.

부하 계수와 변수의 상관 관계.

1.3 대체 모델과 CFA 모델 비교

다른 패턴을 선택하는 방법에 대해서는 실증 연구를 참고할 수 있다.

1 계수 또는 세 개를 실행한 다음 카드와 DF 를 기준으로 모델을 비교할 수 있습니다. 내포된 모델은 일반적으로 두 모델의 카이 제곱 값을 비교합니다 (카이 제곱 값의 변경 값 M 1 카이 제곱 -M0 카이 제곱, 자유도의 변경 값 df 1-df0, 카이 제곱 테이블이 현저한지 확인).

사톨라& 벤리 (20 10) 는 새로운 방법을 제시했고, Mplus 홈페이지는 다음과 같이 소개했다.

출처:

/chidiff.shtml

나는 이미 이 공식을 스프레드시트에 입력했다. ESTIMATOR = ML, ML MpLUS, ML 을 MLR 로 변경하고 두 개의 다른 nestedmodel (M 1 M0) 을 실행하면 해당 EXCEL 로 관련 데이터를 얻을 수 있습니다.

1.4 클래스 변수 CFA

코드 한 줄만 추가하면 됩니다. 설명 분류 =

해당 추정 = WLSMV

1.5 하위 그룹 pCFA 테스트 불변성

1.5. 1 측정 불변성 (MI) 소개

불변성 측정 (반 데스 쿠트, 루게티그,&; 폭스, 20 12).

구체적인 이론은 문헌 Van de Schoot 등 20 12 를 읽어 보십시오. 저자는 단계별 안내서와 Mplus 구문을 상세히 제공합니다.

Www.fss.UU.nl/Mplus (), 링크를 열어 저자도 UU ... 하지만 mplus 구문을 찾을 수 없습니다 ... 하지만 uu 학술 노트를 제공합니다!

보통 검사:

계수 로드, (약한 불변성)

가로채기, (강한 불변성)

그리고 잔차 분산 (엄격한 불변성)

그런 다음 1.3 에 언급된 모델 비교법에 따라 다른 모델을 비교합니다.

1.5.2 성별은 MI 하위 그룹의 예입니다

세 모델의 코드를 하나의 구문 파일에 썼는데, 런타임에는 앞의 주석 기호만 삭제하면 됩니다! 모델 1 은 일반 CFA 입니다. 아무것도 추가할 필요가 없습니다. 모델 2, 그룹화가 필요합니다 ... 데이터 분석! 모델 = 측정값 스칼라 구성

참고: 코드를 수정할 때는 반드시 영어 입력 모드에 있어야 합니다!

들어가라! Mplus 는 알아보지 못합니다. Mplus 는 여전히 무시해야 할 코드를 실행하여 영어로 수정합니다! 그것은 노트 모드가 될 것이다.

모델 2 강 불변성

(해당 코드 파일 m 1. 5. 2 strong 측정 불변성)

불변성 테스트 및 모형 맞춤 지수를 얻을 수 있습니다.

모델 3 엄격 모델

(m 1. 5. 3 불변성을 엄격하게 측정)

엄격한 모형 맞춤성 차이.

# EFA 탐색 요인 분석

#. 1 연속 변수의 EFA

국민 교육은 비교적 간단하다. 간단히 말해 (코드 파일 M0EFA 1-4factor 에 해당).

EFA 가 필요한 변수만 선택하고 분석 방법으로 EFA 를 지정한 다음 1 과 4 가 각각 1-4 계수를 참조해서 실행하면 됩니다.

결과는 서로 다른 모형에 대한 비교 하중 및 맞춤 지수를 제공합니다.

1 계수 로드

두 가지 요소

세 가지 요소

비교를 통해 두 가지 요인, 여러 프로젝트가 이중 부하 교차 부하를 가지고 있으며, 세 가지 프로젝트는 더욱 악화된 것으로 나타났습니다. 종합 모델이 비교적 급해서 단일 요소 모델을 선택하였다.

#.2 클래스 변수의 EFA

분류 변수를 만듭니다.

2 중개 모델 테스트

2. 1 중개 모드

모델 설명 팀 협력-사회적 지원-직무 만족도 (코드 파일: M2. 1 중개 안내)

잠재적 변수 중개 모델을 사용하면 변수당 두 개의 항목이 있습니다.

IND: 간접 영향에만 테스트를 추가합니다

모든 회귀 계수가 현저하다는 것을 알 수 있습니다.

중개업도 중요하다.

2.2 부팅

같은 모델을 예로 들자면: 팀워크-사회적 지원-직무 만족도.

ANALYSIS: 명령 아래에 bootstrap =10000; 을 추가합니다 Hayes (20 13) 에 따르면 5,000 회 이상은 일반적으로 충분하다.

그래서 출력측에서는 cinterval (BC bootstrap) 입니다. 코드 M2mediation mplus 에 Bootstrap 이 추가되어 이전 코드를 삭제하면 됩니다! 아니요 (! Mplus 에서 주석 표시) 를 실행하면 bootstrap 결과를 얻을 수 있습니다.

결과가 의미가 있음을 나타내기 위해 0 을 포함하지 않으면 됩니다.

1.3 모델 구속을 사용하여 중간 모델을 설정합니다.

여러 중개인이 관련되어 있다면, 이 방법이 더 좋다.

2.4 결과 변수를 범주 변수로 사용하는 중개 모델

성별을 결과 변수로 삼는 것은 단지 논증을 위한 것일 뿐이다. 그렇지 않으면 성별을 인변수로 삼는 것은 의미가 없을 수 있다.

사용된 변수의 범주 변수를 해석하기 위해 분석 방법에는 MLR 도 필요합니다. 숫자 적분 알고리즘을 사용하는 강력한 표준 오차가 있는 최대 우도 추정치 (muthén & amp；;) 가 사용됩니다. Muthén, 20 17).

기타, 예를 들면, 예를 들면, 범주 변수를 인수로 하는 것도 비슷하니, 여기서는 더 이상 군말을 하지 않는다. 관심이 있으시면 MpLUS 사용자 가이드 P.39-40 을 보실 수 있습니다.

2.5 중재 중개

해당 코드 파일 M2.5 중재 브로커

새 대화식 WDxsocsup 이 만들어졌습니다. 잠재 변수 또는 명시 변수를 사용할 때 분석 방법의 상호 작용 설정은 다릅니다. MpLUS 문의 소개에는 설명이 있는 문이 있습니다.

다른 결과에 대한 설명은 생략했습니다.

여기서 모든 데모는 MpLUS 사용자 가이드 P.37-4 1 을 참조할 수 있는 잠재 변수 모델을 예로 들어 보겠습니다.

3 모델 테스트 조정

3. 1 잠재적 변수 조정 모델

실제로 상호 작용을 만드는 방법은 위의 중개 조정에서 설명되었으며 WITH 문은 잠재 변수에 사용됩니다.

작업 요구 사항 * 작업 자원 요구 사항 모델에 대한 사회적 지원, 작업 요구 사항에 대한 작업 자원의 완충.

단순히 조정 모델, 업무 요구 사항, 사회적 지원, wdxssup 가 업무 만족도에 미치는 영향을 실행합니다.

출력 코드는 약간 다릅니다: standby sampstat

해당 인코딩 파일: 3. 1 잠재적 완화

주요 효과는 현저하고 상호 작용은 현저하지 않다.

3.2 간단한 효과 분석 및 상호 작용 그래프

솔직히 말해서, MpLUS 의 간단한 효과 분석은 비교적 번거롭고, 원도도 보기 흉하다. ...

명시적 변수 모델로 논증합시다.

해당 코드 파일: m3.2 현대화 분석과 간단한 기울기 테스트 및 그리기

먼저 상호 작용을 만들지만 회귀 분석에는 일반적으로 데이터 집중이 필요하므로 데이터를 준비할 때 직접 상호 작용을 만들거나 Define 을 사용하고 상호 작용을 추가하여 variables 를 사용하는 것이 좋습니다. 중요한

단순 효과 분석의 첫 번째 단계는 회귀 모형을 먼저 실행하는 것입니다. 상호 작용이 중요한 경우 개념 모델에 따라 해당 회귀 방정식을 작성합니다.

응력 = B0+ 나이 +b 1 * wk DEM+B2 * 지원 +b3*DEMxSUP

여기서 조정 변수는 sup 이고, 단순 효과 분석은 조정 변수와 평균의 양수 및 음수 1 표준 편차의 기울기 차이, bo b 1 은 표준화되지 않은 회귀 계수입니다.

평균 사회지지도는 3.464 이고 표준 편차는 0.99 1 입니다. 이를 바탕으로 중간, 높음, 낮은 사회적 지원을 발견할 수 있습니다. 이 데이터는 TECH 1 TECH8 을 통해 얻을 수 있습니다. 예, MPlus 가 분산을 제공하고, SD 를 직접 계산해야 하거나, SPSS 를 사용할 수 있습니다.

Losup = 3.464-0.991;

MEDSUP = 3.464

Hisup = 3.464+0.991;

그런 다음 세 개의 기울기를 정의합니다.

Simp _ lo = b1+B3 * losup;

Simp _ med = b1+B3 * med sup;

Simp _ hi = b1+B3 * hisup;

그런 다음 위의 공식을 변환하여 각각 low, med, high 의 세 줄을 정의하여 결과를 얻습니다.

저사회적 지지만 눈에 띄는 것을 발견했는데 ... 그리고 구체적인 상호 작용도를 보세요.

예전에 MpLUS 가 만든 그림이 무한대로 못생겼다고 생각했는데. 사실 잘 조정되지 않았습니다. ...

4 데이터 결과를 보고하는 방법

발표된 실증연구를 참고할 수 있다. 또는 UU 학술 노트에 집중하십시오. 현재 우리는 많은 박사와 함께 관리학 심리학 분야의 Top tier 저널 데이터 보고를 정리하고 있으며, 다음 달 위챗 공식 계정에 발표될 예정이다. 게다가, 우리의 영어 작문 문장 데이터베이스는 서론, 문헌 총괄 및 방법도 발표했다.

학술 작문: 방법 (문장 라이브러리)

좋은 영어 학술 논문을 쓰려면 문장 라이브러리가 하나만 있으면 된다.

5 코드 획득 방법

문장 스크린 샷에는 이미 코드가 나와 있어 자신의 데이터에 따라 개편할 수 있다.

위챗 모멘트 30 개 모델로 전달

심리학이나 경영학 석사 300 명 이상의 박사군으로 전달된다.

Uunotebook@ 163.com 으로 보내주시면 3 일 (영업일 기준) 이내에 코드와 데이터를 보내 드리겠습니다.

MpLUS 소프트웨어가 필요하거나 데이터 준비가 명확하지 않은 경우 을 참조하십시오.

Mplus 7.4 소프트웨어 및 코드

또는 복잡한 모델과 관련된 경우 LCA

잠재적 변환 분석: Mplus 분석에 대한 자세한 설명

심리학 및 관리학에서 통계 방법 (복잡한 모델 Mplus 및 R 소프트웨어의 응용) 과 영어 작문에 초점을 맞춘 위챗 공식 계정에 오신 것을 환영합니다.

또한 통계 및 코드 문제가 관련된 경우 문장 하단에 메시지를 남기거나 우편으로 보내주십시오. 위챗 공식 계좌는 48 시간 후에 답장할 수 없습니다.

동의 146

평론