然后用mplus写一篇多组比较和中介分析的文章,具体说说性别差异等各种研究的分析方法。从这篇文章中,你不仅可以了解到性别差异,各种差异,各种差距,只要你感兴趣,你就可以用这个方法来设计你的研究。我们今天参考的文件是
李泰尔特,s .,罗尔达,d .,莱弗斯,f .,弗舒尔伦,k .,德弗雷内,B. (2015)。学生参与中的性别差异:教师自主支持、结构和参与的作用。英国教育心理学杂志,85(4),498-518。
对论文感兴趣的同学可以自己去看。简而言之,作者观察到男女学生之间的行为参与存在差异。笔者只是想看看老师支持能否解释这种差异(用中介分析回答这个问题1)。作者还想看看教师支持在学习投入中的作用是否在男女学生之间仍然存在差异(用多组比较进行调整来回答这个问题2)。就这样,整体来说。看完我写的这篇文章,希望你对原文的整个统计过程有一个更清晰的认识,然后你就可以把统计设计引入到性别差异以外的差异的研究或者不同变量交互作用中的性别差异的研究。在做这些研究的时候,你可以应用这个方法来回答你自己的研究问题。
论文报告方法根据研究问题1,作者充当了教师支持的中介:虽然是在结构方程的框架内做的,但作者还是按部就班的做了。第一步,模型1,只拟合了性别对学习投入的影响;第二步,model2:加入中介变量,但使性别对学习的直接输入为零,就是拟合一个完整的中介模型;第三步:模型三:在第二步的基础上自由估算直接效果;这三个模型都需要报告模型的拟合优度指数,包括卡方、P、RMSEA和CFI。如何判断是完全中介模式还是部分中介模式?作者查看了模型2和模型3的拟合优度,并比较了拟合优度。具体指标有δ卡方、CFI和δRMSEA。
当至少满足以下两个要求时,模型同样很好地拟合了数据:δv2在p < .050处不显著,CFI < .010,或δRMSEA < . 015(Cheung rens vold,2002)
如果这些指标足够小,说明完全中介模式和部分中介模式没有区别。指标差异大,说明两个模型有差异,比完成后发现的model3要好(说明模型应该有直接作用)。而且性别的直接作用也很显著,所以部分中介作用成立。从图中可以看出这是一个多重中介,然后作者报告每个间接效应的大小、显著性和bootstrap置信区间。我们来看看性别的调整是怎么做和报告的:作者用多组结构方程模型来说明性别差异,仍然分三步走。第一步是model1,自由估计男女组的所有参数;第二步:模型二:学习投入的负荷固定为男女相等;第三步:模型三:在模型二的基础上,将教师支持的三个维度的相关性固定为男女相等;步骤4-6:因为教师支持有三个维度,所以步骤4-6意味着三个维度对学习投入的路径系数依次对男女固定相等;如何判断性别差距是否存在?笔者还是比较模型4-6的拟合优度,具体标准和中介部分相同。如果某个效果在男女之间固定平等后模型没有恶化,那么就不存在性别差距。例如,如果教师支持维度1到男女学习投入的路径系数固定相等,则整个模型的拟合优度没有显著下降,这意味着男女关系相同与数据一致,因此不存在性别差距。反之,则存在性别差异。这部分作者报告了模型的拟合优度,并在比较模型时报告了δ卡方、CFI和δRMSEA。
mplus实操接下来我给大家写一下mplus的做法,因为δ卡方、CFI、δRMSEA都是通过两个模型对应指标的差值得到的,δ卡方的P值也可以参考卡方分布表得到。这些都很简单,所以这一部分重点在中介分析部分重现间接效应和间接效应的置信区间和显著性检验,在效应部分调整几组比较结构方程的做法。因为我们需要查看多个中介的每个间接效果的重要性和估计值,所以我们必须在语法的模型部分添加模型间接代码。代码解释如下:因为我们还需要报告间接效应的bootstrap置信区间,所以要在分析部分增加bootstrap命令。代码解释如下。整个代码如下:
title: 祝大家虎年大吉哈data: file = yourdata.txt;analysis:bootstrap=5000;model:!测量模型!结构模型Model indirect: aiax ind x1;运行后可以得到每个间接效应的估计值和显著性,从而知道哪个间接效应显著或不显著:以上结果表明,在这个多中介模型中,间接效应总体上是显著的,具体来说,我们有三条间接路径,只有通过AUTO的那条是显著的。以下结果为各间接效应系数的bootstrap置信区间:模型的拟合优度指标都在模型拟合信息中,非常简单,此处不再赘述。直到这个中介分析完成。继续看调整的多组对比。进行多组比较时,首先要在变量命令中设置组变量。该命令如下所示:
多组比较还涉及模型系数的固定。mplus中固定系数的操作命令如下:原理是:只要系数后面的标签相同,就说明系数固定不变。在比较多组时,我们需要在不同的模型中固定不同的系数。这是模型3的一些代码:
model f: aiax by x19 (1) x20 (2) x21 (3) x22 (4); aiax@1; auto with comp (5); auto with relat (6); comp with relat (7); model m: aiax by x19 (1) x20 (2) x21 (3) x22 (4); aiax@1; auto with comp (5); auto with relat (6); comp with relat (7);上面的代码意味着将变量相关性和aiax负载在男性和女性组中固定为相同。运行后,得到模型的拟合优度以及相应的载荷和路径系数的估计值。可以看出,由于我们代码中的固定,F组和M组中相应变量的负载是相同的:
然后,在模型3的基础上,将教师支持的三个维度对学习投入的路径系数依次固定为相同。通过比较不同模型的拟合优度,可以回答对应关系中是否存在性别差距。原论文的调整分析部分是掌握多组结构方程模型的分组变量设置和不同组中模型系数的固定。其余没什么特别的。
小结谢谢你的耐心。你的文章很详细,重要的代码都在原文里。希望你自己能做到。请将此文转发到朋友圈,私信回复“数据链接”即可获得所有数据和我收集的学习资料。如果对你有用,请记得先收藏,然后喜欢再分享。
也欢迎您的意见和建议。如果想了解什么统计方法,可以在文章下方留言。也许我看到了会给你写个教程。如有疑问,欢迎私信。有合作意向的请不要犹豫直接掉我。如果你是本科生或者研究生,如果你在为你的统计作业、数据分析、模型建立、科研统计设计等而烦恼。,如果你在使用SPSS,R,Python,Mplus,Excel中遇到什么问题,可以联系我。因为我可以为你提供最好、最详细、最耐心的数据分析服务。如果您对Z检验、T检验、方差分析、多元方差分析、回归、卡方检验、相关、多水平模型、结构方程模型、中介、量表的信度和效度等统计技术有任何疑问,欢迎私信我,获得详细耐心的指导。如果你是一名学生,你担心你的统计#作业,#数据#分析,#论文,#报告,#写作,#测验,考试..如果你在#SPSS,#R-Programming,#Excel,Mplus中遇到问题,请联系我。因为我可以为你的数据分析提供最好的服务。你是否对统计技术感到困惑,如z检验、t检验、方差分析、方差分析、回归、逻辑回归、卡方检验、相关、关联、SEM、多水平模型、中介和现代化等。为了你的数据分析...那就联系我。我会解决你的问题...加油,工人!
往期精彩R数据分析:贝叶斯定理的R语言模拟R数据分析:什么是总体归因分数R数据分析:调节中介R数据分析:教你手工绘制诺谟图。和解释结果r数据分析:倾向性评分匹配完整实例(r实现)r文本挖掘:中文文本聚类r文本挖掘:中文词云生成,以2021年的新年贺词为例r数据分析:多水平模型的详细描述r数据分析:如何做潜在剖面分析MplusR数据分析主成分分析和可视化r数据分析:随机截距交叉滞后RI-CLPM和传统交叉滞后CLPMR数据分析,生存分析的实践和讲解, 续R数据分析、竞争风险模型的实践与解释R数据分析、多元logistic回归的实践R数据分析:交叉滞后模型的非专业解释R数据分析:潜在变量增长模型的非专业解释R数据分析:竞争风险模型的实践与解释R数据分析:中介效应和调节效应的分析与解释R数据分析:两个分类变量的交互映射R机器学习:基于树的分类算法的原理与实现



