当我想用Python进行结构方程建模(SEM)时，我认为semopy将是该软件包的候选者，但是很难理解官方教程的内容，因此我将其迁移了。我试图添加评论。

• 官方教程：教程--semopy

什么是结构方程建模(SEM)？

结构方程模型(SEM)是一种统计方法，用于对有关变量之间关系的假设进行建模并验证其有效性。也称为"协方差结构分析"。

SEM

的特点

SEM的特征如下。

• 您可以统计地验证假定变量之间的关系。

• 引入潜在变量(构造概念)的分析是可能的。

• 使用路径图的视觉表达是可能的。

• 下级模型包括各种统计模型，例如回归分析和因子分析。
• 重点是"验证"而不是"寻找"关系。

分析流程

在实际分析中，我认为PDCA周期如下。

SEM中的重要概念？术语

观察变量和潜变量

• "观察到的变量"：

  • 直接观察变量
  • 例如：考试成绩，身高等

• "潜在变量"：

  • 与未直接观察到的公共因素相关的变量
  • 对应于因子分析中的"因子"。在SEM中，它称为"构造"。
  • 例如：数学能力，品牌影响力等。

在

路径图中，观察到的变量用矩形表示，而潜在变量用圆形表示。

结构方程式和测量方程式

因子分析仅描述解释变量和因子之间的关系，而SEM也可以描述因子(结构)之间的关系。这些关系的描述基于先前研究结果得出的假设。

• "结构方程" ...基于假设描述因果关系的方程

• "测量方程" ...描述潜在变量和组成变量的观测变量之间关系的方程。

通过路径图表示

semopy结构方程建模

您可以将semopy软件包与

pip install semopy一起安装，但是除Python 3.7之外，它可能无法正常工作。我在pyenv(python3.7.6)jupyter-lab环境中运行。

在

关于要使用的数据集

使用semipy提供的"政治民主"作为样本数据集。关于发展中国家工业化和政治民主的数据集。每个变量的说明如下。

<表格>