在結構方程模型中，調節參數，卡方的含義，mplus的參數與amos的參數, 標准化系數的標准差（mplus）

title: zhanglijiaRegression;

data:  file is C:\\users\\mike1\\desktop\\data\\zhanglijia\\dataExperiment.csv;

variable: names are x,y1,y2,y3;
          usevariables are x,y1,y2,y3;



analysis: type=general;
          
          estimator=ML;
          


model:   y by y1,y2,y3;
         y on x;
         y1 with y2;

output:  sampstat standardized modindices;

在這里必須要寫上， modindices 才能夠產生關於調節參數的結果

 

 

 可以看到調參的建議

 

與amos參數的區別，amos有很多的參數，但是，mplus只有 卡方of model fit , 卡方 model fit for baseline model , CFI ,TLI, RMSEA, SRMR, 這幾個參數，其中，第一個卡方說明的是樣本的數據與模型的擬合程度，要不顯著，並且與DF的比較要小於3， 第二個卡方要顯著，說明與最爛的模型有差異，RMSEA， SRMER 要小於0.08，

CFI，TLI　要大於０.９５.

 

下圖說明模型並不好,要調參.

 

 

調參代碼, 只是增加了 y1 with y2

title: zhanglijiaRegression;

data:  file is C:\\users\\mike1\\desktop\\data\\zhanglijia\\dataExperiment.csv;

variable: names are x,y1,y2,y3;
          usevariables are x,y1,y2,y3;



analysis: type=general;
          
          estimator=ML;

          
   
          


model:   y by y1,y2,y3;
         y on x;
         y1 with y2;

output:  sampstat standardized modindices;

 

 

 

 

 

 

 

調參結果: 結果顯示,良好

 

 

 

 

 

這個R方,說明了自變量對因變量的解釋程度,用1-R方,     就是 殘差的R方值.

 

 

 

這是標准化的系數,但是標准化的系數標准差應該是1, 這里的標准差,應該是一個估計值, 一般在報告結果時, 只會報告,非標的T值,置信區間,P值,對於標准化系數,報告一個值,就可以了.

但是如果先將原來的數據標准化,在求非標的系數,其結果應該就是標准化的系數.