Mplus的两个调节变量分别在不同阶段调节中介。应该怎么写代码？

本文包括Mplus SEM的基本模型，包括EFA/CFA与不同CFA模型(连续和分类数据)的比较、检验等价性检验、不同数据类型潜变量的Bootstrap、调整、调整中介以及简单的效应分析和映射。有人留言问基本款，我就一次性介绍了主要基本款。哈哈的笑...如果还有人问你Mplus基本款，请把这篇文章扔给ta……...

1 CFA

1.1 CFA的基本句

句子的解释1.1.1

1.1.2 Mplus语句的一些常用符号

1.1.3模型拟合指数说明

1.2 CFA MpLUS示例及其结果解释

1.3备选模型与CFA模型的比较

1.4类变量CFA

1.5子群CFA测试不变性

1.5.1测量不变性(MI)介绍

1.5.2性别作为MI亚组的示例

#全民教育探索性因素分析

#.1连续变量的EFA

#.2类别变量的EFA

2中介模型测试

2.1中介模式

2.2引导

1.3使用模型约束设置中介模型。

2.5调解中介

3调整模型测试

3.1潜在变量调整模型

3.2简单效果分析和交互图

4如何报告数据结果

5代码获取方法

1 CFA

通过CFA检验测量模型总是拟合结构方程模型(SEM)的第一步。

1.1 CFA的基本句

句子的解释1.1.1

题目:可以随意给，比如三因素模型。

标题:三因素模型

变量:！数据文件中的所有变量名。

USEVARIABLES=使用的变量。

MISSING = ALL(-1)；！定义缺失值，可以根据自己的设置随意-999或-99。

分析:

TYPE = GENERAL

有四种常见的分析类型。

一般最常用的，CFA，SEM，一般线性回归模型。

混合用于类别变量的模型，最常用的潜在类别分析。

两级多级数据，可以是连续性变量和类别变量。

探索性因素分析

估计量= ML！估计方法

如果所有因变量都是连续变量，可以用ML(最大似然法)。

如果一个或多个因变量是分类变量，则应使用WLSMV(加权最小二乘估计)。

迭代次数= 1000；！印数

型号:！定义的模型

FD back BY FD back 1 FD back 2 FD back 3；

rolecon BY rolecon 1 rolecon 2 rolecon 3；

输出:

MOD支架；

适度修改指标，

注:BY是Measured by的缩写

是倒退的缩写。

X Z上的y；表示X，Z为自变量，y为因变量；

WITH是co-vary with的缩写，表示相关。

XWITH是一种用于创建潜在变量的交互。

如:X乘X 1 X2 X3；

z乘z 1 Z2 Z3；

xz WITH | X WITH Z；

如果要用潜变量模型来找调整模型，就需要用到它。

1.1.2 Mplus语句的一些常用符号

@用于设置约束。

Y@0的x；！如果我们想将两个潜在变量的相关性设为0，

*星号用于自由缺省固定参数。

比如X乘X 1 * X2 @ 1 X3 X4；

对于模型识别，Mplus通常默认第一个条目的加载系数为1。如果要更改默认设置，将第二个条目的加载系数限制为1，第一个条目可以自由估计。可以用上面的。

()这个用来命名具体的系数，一般的复杂模型比较有用。

X1 (a)上的y 1；

X2上的y2(b)；

模型约束:a = 2 * b；

1.1.3模型拟合指数说明

CFI，TLI，RMSEA，AIC，BIC·克莱恩(2010):

1.2CFA MpLUS示例及其结果解释

对应的代码文件:M1.2三因子CFA

模型描述:社会支持、团队合作和工作满意度三个变量分别有两个项目可以测量，验证了CFA三因素模型。点击运行MpLUS将给出模型拟合指数和加载。

据胡&；宾利CFI TLI 0.95，srmr 0.08，RM sea 0.06表明模型的拟合指数较好。

负荷系数与变量的相关性。

1.3备选模型与CFA模型的比较

至于如何选择不同的模式，可以参考实证研究。

可以尝试运行1因子，或者三个，然后根据卡方和DF进行模型对比。嵌套模型通常比较两个模型的卡方值(卡方值的变化值M1卡方-M0卡方，自由度的变化值df1-df0，检验卡方表是否显著)。

萨托拉& amp宾利(2010)提出了一种新方法，Mplus官网介绍:

来源:

/chidiff.shtml

我已经把这个公式输入了电子表格。你只需要把ESTIMATOR = ML，ML MpLUS，ML改成MLR，运行两个不同的nestedmodel (M1 M0)，然后你就会得到一些相关的数据，进入对应的EXCEL，然后查卡方表。

1.4类变量CFA

只需添加一行代码，说明分类=

对应的估计量= WLSMV

1.5子组pCFA测试不变性

1.5.1测量不变性(MI)介绍

测量不变性(范德斯库特，卢格提格，&；Hox，2012)。

具体相关理论请阅读文献Van de Schoot等2012，作者详细提供了分步指南和Mplus语法。

Www.fss.uu.nl/mplus()，打开链接发现作者也是UU...但是，找不到Mplus语法…...但是提供UU学术笔记！

通常检查:

因子加载，(弱不变性)

截距，(强不变性)

和残差方差(严格不变性)

然后按照1.3中提到的模型比较法来比较不同的模型。

1.5.2性别作为MI亚组的示例

我把三个模型的代码写在一个语法文件里，运行时只需要删除前面的注释符号！就是模型1是普通CFA，不需要加任何，模型2，需要加分组…对数据进行分析！模型=配置度量标量；

注意:修改代码时，必须处于英文输入模式！

进入！Mplus认不出来。Mplus还是会运行需要忽略的代码，修改成英文！它将变成一种笔记模式。

模型2强不变性

(对应代码文件m 1 . 5 . 2 strong测量不变性)

将获得不变性测试和模型拟合指数。

模型3严格模型

(m 1 . 5 . 3严格测量不变性)

严格模型拟合性差。

#全民教育探索性因素分析

#.1连续变量的EFA

全民教育相对简单。简单来说吧(对应代码文件M0EFA 1-4factor)。

你只需要选择需要EFA的变量，然后分析方法指定EFA，然后1和4分别引用1-4因子，然后运行。

结果将给出不同模型的比较载荷和拟合指数。

1因子加载

两个因素

三个因素

通过比较发现，两个因素，多个项目有双重负荷交叉负荷，三个项目甚至更糟。综合模型比较急，选择单因素模型。

#.2类别变量的EFA

就做一个分类变量。

2中介模型测试

2.1中介模式

模型描述团队合作-社会支持-工作满意度(代码文件:M2.1中介引导)

使用潜在变量中介模型，每个变量有两个条目。

IND:仅针对间接影响添加测试

可以看出，所有的回归系数都是显著的；

中介也很重要。

2.2引导

以同样的模式为例:团队合作-社会支持-工作满意度。

在ANALYSIS:命令下添加Bootstrap = 10000；根据Hayes (2013)的说法，5000次以上一般就够了。

因此，在输出端:cinterval(BC bootstrap)；代码M2mediation mplus中加入了Bootstrap，删除之前的就行了！没有(！在mplus中表示注释)，运行会得到bootstrap结果；

你只需要不包含0来表明结果是有意义的。

1.3使用模型约束设置中介模型。

如果涉及多个中介，这种方法更好。

2.4以结果变量为类别变量的中介模型

把性别作为结果变量只是为了论证...否则，将性别作为因变量可能很难有意义。

为了解释所用变量中的类别变量，分析方法还需要使用MLR，将使用使用数值积分算法的具有稳健标准误差的最大似然估计量(muthén & amp；Muthén，2017)。

其他的，比如把类别变量作为自变量，也差不多，这里不再赘述。感兴趣的可以看看MpLUS用户指南P.39-40。

2.5调解中介

对应的代码文件M2.5仲裁中介

创建了新的交互WDxsocsup。使用潜变量或显变量时，分析方法中的交互设置会有所不同。在MpLUS语句的介绍中，有一个带解释的语句。

省略了对其他结果的解释。

这里所有的演示都以潜变量模型为例，显变量模型可以参考MpLUS用户指南P.37-41。

3调整模型测试

3.1潜在变量调整模型

实际上，如何创建交互项在上面的中介调整中已经解释过了，WITH语句用于潜变量。

工作需求*工作资源需求模型的社会支持，工作资源对工作需求的缓冲作用。

简单运行一个调节模型，工作需求、社会支持、wdxssup对工作满意度的影响。

输出代码略有不同:standby sampstat

对应的编码文件:3.1潜在缓和

主效应显著，交互作用不显著。

3.2简单效果分析和交互图

说实话，MpLUS中简单的效果分析比较麻烦，原图也难看...

就用显式变量模型来论证吧。

对应的代码文件:m3.2现代化分析与简单的斜率测试和绘图。

先创建交互项，但是回归分析一般需要数据集中化，所以准备数据的时候最好直接创建交互，也可以使用Define然后添加交互来使用variables！重要的

简单效果分析的第一步是先运行一个回归模型。如果交互作用显著，根据概念模型写出相应的回归方程。

应力= B0+年龄+b 1 * wk DEM+B2 *支持+b3*DEMxSUP

这里调节变量为sup，简单效应分析为调节变量与平均值正负一个标准差的斜率之差，bo b1为非标准化回归系数。

平均社会支持度为3.464，标准差为0.991。基于此，可以发现，中、高、低社会支持；这些数据可以通过TECH1 TECH8获得；可以给，注意MPlus提供方差，需要自己计算SD，也可以用SPSS

los up = 3.464-0.991；

MEDSUP = 3.464

his up = 3.464+0.991；

然后定义三个斜率，

SIMP _ LO = b 1+B3 * LOSUP；

SIMP _ MED = b 1+B3 * MED sup；

SIMP _ HI = b 1+B3 * his up；

然后对上面的公式进行变换，分别定义了low、med、high三条线，运行得到结果。

发现只有低社会支持是显著的...然后再看具体的交互图。

.....我以前觉得MpLUS做的图丑到无穷大...其实是没调整好...

4如何报告数据结果

可以参考已发表的实证研究。或者关注UU学术笔记。目前我们和很多博士一起，正在整理管理学、心理学领域的Top tier期刊数据报告常用句库，下个月会在微信官方账号发布。此外，我们的英语写作句子数据库还发布了引言、文献综述和方法。

学术写作:方法(句子库)

要写一篇好的英文学术论文，你只需要一个句子库。

5代码获取方法

文章截图中已经呈现了代码，可以根据自己的数据进行改编。

转发到朋友圈获得30个代言；

转发到心理学或管理学硕士300人以上的博士群。

发送至uunotebook@163.com，我们会在3个工作日内将代码和数据发送给您。

如果需要MpLUS软件或者数据准备不清楚，请参见。

Mplus 7.4软件和代码

或者，如果涉及复杂的模型，LCA

潜在转变分析:Mplus分析的详细解释

欢迎关注我们的微信官方账号，他专注于心理学和管理学中的统计方法(复杂模型Mplus和R软件的应用)和英语写作。

另外，如涉及统计和代码问题，请在文章底部留言或邮寄。微信官方账号48小时后无法回复。

2020年2月6日编辑。版权归作者所有。

同意146