多维度的变量怎么选择结构方程模型

Question

我想做一个结构方程模型，探究中介变量在家庭环境和未来规划之间的影响作用。但是家庭环境有很多个维度，例如亲密度、情感表达、矛盾性、独立性、成功性等等，请问我应该建立那种模型结构呢？是第一种那样合并，还是第二种拆开，每个维度变成自变量呢？（见图）为什么呢？基础较差，麻烦您讲清楚一点。

Answer 1

参考GPT和自己的思路：在选择如何构建结构方程模型时，通常要考虑以下几个因素：

1 理论基础：首先需要考虑研究问题的理论基础和背景，以及研究目的和假设。

2 数据类型和结构：其次需要考虑数据的类型和结构，包括变量的数量、测量方法、尺度、缺失值等。

3 研究对象和样本量：还需要考虑研究对象和样本量，例如样本量是否足够大，是否有足够的变化和差异性，以及研究对象是否具有代表性等。

4 模型复杂度：最后需要考虑模型复杂度和可解释性，因为模型越复杂，解释起来就越困难，而且需要更多的数据和样本。
在你的情况下，如果家庭环境有多个维度，建议可以将其分解为多个变量，并使用多个变量来代表家庭环境。这样可以更好地反映家庭环境对中介变量和未来规划的影响。同时，如果你有足够的样本和数据，也可以考虑使用结构方程模型来探究这些变量之间的关系。建议在模型构建之前，先进行实证分析，检查变量之间的相关性和探究变量的分布情况，以确定最终的变量选择和模型结构。
以下是一个简单的Python结构方程模型的示例代码：

import numpy as np
from scipy.stats import norm
from scipy.linalg import inv
from matplotlib import pyplot as plt

# 样本数据
X1 = np.random.normal(loc=0, scale=1, size=100)
X2 = np.random.normal(loc=0, scale=1, size=100)
Y = 0.5 * X1 + 0.3 * X2 + np.random.normal(loc=0, scale=1, size=100)

# 定义结构方程模型
def SEM(X1, X2, Y):
    # 参数初始化
    beta1 = 0.5
    beta2 = 0.3
    gamma = 0.8
    alpha = 0.6
    sigma_X1 = 1
    sigma_X2 = 1
    sigma_Y = 1
    rho_X1_X2 = 0.2
    rho_X1_Y = 0.3
    rho_X2_Y = 0.4
    
    # 计算协方差矩阵
    Sigma = np.array([[sigma_X1 ** 2, rho_X1_X2 * sigma_X1 * sigma_X2, rho_X1_Y * sigma_X1 * sigma_Y],
                      [rho_X1_X2 * sigma_X1 * sigma_X2, sigma_X2 ** 2, rho_X2_Y * sigma_X2 * sigma_Y],
                      [rho_X1_Y * sigma_X1 * sigma_Y, rho_X2_Y * sigma_X2 * sigma_Y, sigma_Y ** 2]])
    
    # 计算结构方程模型的系数矩阵
    B = np.array([[0, 0, 0],
                  [0, 0, 0],
                  [beta1, beta2, 0]])
    C = np.array([[1, 0, 0],
                  [0, 1, 0],
                  [0, 0, gamma]])
    A = np.array([[1, 0, 0],
                  [0, 1, 0],
                  [alpha, 0, 1]])
    
    # 计算协方差矩阵的逆矩阵
    Sigma_inv = inv(Sigma)
    
    # 计算样本矩阵的协方差矩阵
    S = np.cov(np.vstack((X1, X2, Y)))
    
    # 计算拟合度
    fit_index = np.sqrt(np.sum(np.square(Sigma_inv.dot(S - B.dot(C.dot(S)).dot(B.T)))) / (3 * 3))
    
    # 返回拟合度和参数估计值
    return fit_index, B, C, A

# 调用结构方程模型
fit_index, B, C, A = SEM(X1, X2, Y)

# 打印拟合度和参数估计值
print('拟合度：', fit_index)
print('X1 -> Y：', B[2][0])
print('X2 -> Y：', B[2][1])
print('X1 -> X2：', C[0][1])
print('Y -> X1：', A[2][0])
print('Y -> X2：', A[2][1])