结构化方程模型概述

“结构化方程模型”(SEM) 平台支持您拟合可用于检验变量间关系理论的众多模型。模型中的变量可以是观测到的（显变量），也可以是未观测到的（潜在变量）。结构化方程建模在社会科学和行为科学中很普遍。

默认情况下，该平台为所有变量指定一个具有均值和方差的模型。然后，该平台提供了一个模型构建界面，使您能够在构建模型时看到模型的多个视图。它还提供模型构造过程中的一些模型细节，这些细节在运行模型之前会向您提醒哪些模型不受支持。

拟合一个或多个模型后，可以在“模型比较”报表中比较拟合的模型和两个基线模型。基线模型是不受限模型和独立模型。不受限模型是完全饱和模型，该模型拟合指定模型变量的所有均值、方差和协方差，而不对数据强加任何结构。独立模型拟合指定的模型变量的所有均值和方差。指定模型变量之间的所有协方差都被固定为零，这会导致高度受限的模型。

SEM 平台使用全信息最大似然 (Finkbeiner 1979) 方法。这使您能够充分利用数据中的所有可用信息，即使在具有随机缺失值的观测比例较高时也是如此。

有关结构化方程建模的详细信息，请参见 SAS Institute Inc.(2023a) 中的“CALIS 过程”一章、Bollen (1989) 和 Kline (2016)。

注意：“结构化方程模型”平台中的所有模型都用一个平均结构来估计，这意味着包含一个“Constant”项。若不想让结构基于观测变量的均值，则应按照默认模型规格中的方式自由估计均值。

需要更多信息？有问题？从 JMP 用户社区得到解答 (community.jmp.com).