发布日期: 09/15/2026

汇总数据表的 SEM 示例

“结构化方程模型”(SEM) 平台可使用汇总数据(无需个体级别的数据)拟合多种模型。汇总数据表是原始数据的浓缩版本,其中的观测已被聚合。例如,用相关性或协方差矩阵表示变量间关系,而非显示单个数据点。

在本例中,您使用 SEM 平台中的汇总数据表拟合双因子模型并评估测量模型。该汇总数据表包含 Holzinger 和 Swineford 在 1937 年发布的经典相关性矩阵。该矩阵包含 14 个与认知能力相关的观测变量之间的相关性。双因子模型包含一个一般认知能力因子和多个特定因子(空间、心理、运动和语言能力)。您可以使用“评估测量模型”选项,使用分层 Omega 估计构造的可靠性并评估量表的性质。

1. 选择帮助 > 样本数据文件夹,然后打开 Cognitive Ability I.jmp。

2. 选择分析 > 多元方法 > 结构化方程模型。

3. 在“汇总数据格式”选项卡上,从视觉感知 I 一直选择到词汇测试,然后点击模型变量。

4. 在“选项”面板中的“样本大小”框中输入 355。

注意:相关性矩阵和样本大小足以在汇总数据模式下启动 SEM 平台。若汇总数据表包含“­均值”列和“标准差”列,请在“选择列”面板中选中它们,并在“为选定列指定角色­”面板中点击“均值”和“标准差”。

5. 点击确定。

“结构化方程模型”报表“模型规格”分级显示项随即显示。

6. 在“至列表”中从视觉感知 I 一直选择到视觉感知 III,在“至列表”下方的框中键入“Spatial Ability”(空间能力),然后点击添加潜在变量 Image shown here 按钮。

7. 在“至列表”中从 Grey 测试一直选择到神经反应速度 2,在“至列表”下方的框中键入“Mental Speed”(神经反应速度),然后点击添加潜在变量 Image shown here 按钮。

8. 在“至列表”中从 运动神经速度敲击一直选择到速写单词,在“至列表”下方的框中键入“Motor Speed”(运动神经速度),然后点击添加潜在变量 Image shown here 按钮。

9. 在“至列表”中从描述关系一直选择到词汇测试,在“至列表”下方的框中键入“Verbal Ability”(语言能力),然后点击添加潜在变量 Image shown here 按钮。

10. 在“至列表”中从视觉感知 I 一直选择到词汇测试,在“至列表”下方的框中键入“General Cognitive Ability”(一般认知能力),然后点击添加潜在变量 Image shown here 按钮。

11. 点击运行。

图 8.16 汇总数据格式的拟合汇总 

Summary of Fit for Summarized Data Format

所显示的“结构化方程模型”报表包括“拟合汇总”表和“参数估计值”表。“拟合汇总­”表显示双因子模型整体拟合良好。CFI 值为 0.953、RMSEA 值为 0.062,这两个值均表明模型提供了数据的合理近似。

图 8.17 汇总数据格式的参数估计值 

Parameter Estimates for Summarized Data Format

“参数估计值”报表中显示的非标准化载荷指示:“一般认知能力”对于大多数跨不同认知领域的观测变量有显著影响。特定因子(空间能力、神经反应速度、运动神经速度和语言能力)也对其各自指标有显著影响,尽管这些关系的强度存在差异。

提示:要查看标准化载荷,请在“结构化方程模型: 模型 1”旁边的红色小三角菜单中选择“标准化参数估计值”选项。标准化载荷范围介于 -1 到 1 之间,能清晰反映指标与潜在变量关联的强度。

12. 点击“结构化方程模型: 模型 1”旁边的红色小三角,然后选择评估测量模型。

图 8.18 “指示符可靠性”报表 

Indicator Reliability Report

“指示符可靠性”报表显示每个指示符的可靠性估计值。这些值也表示在条形图中,并表明“­一般认知能力”潜在变量在大多数认知能力测试中始终如一地解释了很大一部分方差。这表明它是影响不同领域表现的关键因子。运动神经速度任务的得分是唯一例外,这些得分表明这些任务不由该一般因子来表示。特定潜在变量(“神经反应速度”、“运动神经速度”、“语言能力”和“空间能力”)显示:指示符可靠性水平各异,对部分外显变量(如“运动神经速度打点”和“口头完成”)的解释要优于其他变量。最后,特定潜在变量(如“神经反应速度­”)的指示符可靠性值较低,表明某些任务相较于其特定因子(如“视觉感知 I”和“Grey 测试”)是反映一般能力的更好指标。像“运动神经速度敲击”这类在一般和相应特定因子上可靠性均较低的任务,则指示可能存在测量问题。

图 8.19 “复合可靠性”报表 

Composite Reliability Report

“复合可靠性”报表包含不同潜在变量的 Omega(分层)值。“分层 Omega”值测量的是双因子模型环境中潜在构造的可靠性。“分层 Omega”指示双因子模型中的潜在变量(特定和一般)对观测指标中的方差的解释程度。Omega 值介于 0 到 1 之间,值越高指示越可靠。根据该表,“一般认知能力”(Omega = 0.8791) 是该模型中最可靠的因子,能解释许多指标中的大部分方差。“语言能力”(Omega = 0.7566) 同样高度可靠,它显示出对其相应的语言相关任务有很强的解释力。不过,“运动神经速度”、“空间能力”和“神经反应速度”的 Omega 值较低,表明它们在解释各自指标中的方差时可靠性较弱。

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