Skip to content
TheChatArchiveThe Chat Archive
o4-mini-2025-04-16· OpenAIHugging Face LMArena Human Preference 140K

对结果进行结构方程模型分析

From a Chatbot Arena battleThe same person sent this prompt to two anonymous models at once. Compare it with gpt-4.1-2025-04-14’s answer.
  1. User

    对结果进行结构方程模型分析

  2. Assistant

    下面给出一个基于 R/lavaan 的全流程示例:

    1. 数据读取与重命名;
    2. 信度检验(Cronbach’s α);
    3. 测量模型(CFA);
    4. 结构模型(SEM);
    5. 输出报告与可视化。

    1. 环境准备

    # 安装依赖(只需第一次执行)
    # install.packages(c("lavaan","semTools","psych","semPlot"))
    
    library(lavaan)
    library(semTools)   # 用于Reliability
    library(psych)      # Cronbach's alpha
    library(semPlot)    # 作图
    

    2. 读取并整理数据

    # 假设 CSV 文件名为 survey_data_filled_200.csv
    dat <- read.csv("survey_data_filled_200.csv", 
                    header = TRUE, fileEncoding = "UTF-8")
    
    # 查看列名
    names(dat)
    

    为了方便建模,我们先把列名改短一些:

    colnames(dat) <- c(
      "ID",
      paste0("Op",   1:4),   # 运营管理:Op1~Op4
      paste0("Infra",1:4),   # 基础设施:Infra1~Infra4
      paste0("Info", 1:4),   # 信息技术:Info1~Info4
      paste0("Pol",  1:4),   # 政策环境:Pol1~Pol4
      paste0("Sus",  1:4)    # 可持续发展:Sus1~Sus4
    )
    
    # 检查
    head(dat)
    

    3. 信度检验

    # 按维度计算 Cronbach's α
    alpha(dat[, paste0("Op",   1:4)])   # 运营管理
    alpha(dat[, paste0("Infra",1:4)])   # 基础设施
    alpha(dat[, paste0("Info", 1:4)])   # 信息技术
    alpha(dat[, paste0("Pol",  1:4)])   # 政策环境
    alpha(dat[, paste0("Sus",  1:4)])   # 可持续发展
    

    一般α值 ≥ 0.70 表示量表内部一致性可接受。

    4. 测量模型(CFA)

    我们先对 5 个潜在变量各做 CFA,验证量表结构合理性:

    cfa.model <- '
      # 测量模型
      Op     =~ Op1 + Op2 + Op3 + Op4
      Infra  =~ Infra1 + Infra2 + Infra3 + Infra4
      Info   =~ Info1 + Info2 + Info3 + Info4
      Pol    =~ Pol1 + Pol2 + Pol3 + Pol4
      Sus    =~ Sus1 + Sus2 + Sus3 + Sus4
    '
    
    fit.cfa <- cfa(cfa.model, data = dat)
    summary(fit.cfa, fit.measures = TRUE, standardized = TRUE)
    

    重点看:

    • χ²/df、CFI、TLI、RMSEA、SRMR
    • 标准化因子载荷(std.all ≥ 0.50 为佳)

    若模型不理想,可适当查看 modificationIndices() 进行修正。

    5. 结构模型(SEM)

    假设我们要检验:运营管理、基础设施、信息技术、政策环境 → 可持续发展

    sem.model <- '
      # 测量部分
      Op     =~ Op1 + Op2 + Op3 + Op4
      Infra  =~ Infra1 + Infra2 + Infra3 + Infra4
      Info   =~ Info1 + Info2 + Info3 + Info4
      Pol    =~ Pol1 + Pol2 + Pol3 + Pol4
      Sus    =~ Sus1 + Sus2 + Sus3 + Sus4
    
      # 结构部分
      Sus ~ Op + Infra + Info + Pol
    '
    
    fit.sem <- sem(sem.model, data = dat)
    summary(fit.sem, fit.measures = TRUE, standardized = TRUE, rsquare = TRUE)
    

    主要关注指标

    1. 模型整体拟合

      • χ²(DF) 及其 p-value
      • CFI ≥ 0.90、TLI ≥ 0.90
      • RMSEA ≤ 0.08、SRMR ≤ 0.08
    2. 路径系数(标准化后 std.all)

      • Op → Sus
      • Infra → Sus
      • Info → Sus
      • Pol → Sus
      • p-value < 0.05 则显著
    3. Sus 的 R²(解释率)


    6. 可视化路径图

    # 画标准化路径图
    semPaths(fit.sem, 
             whatLabels = "std",    # 显示标准化系数
             layout = "tree", 
             edge.label.cex = 0.8, 
             sizeMan = 5, sizeLat = 7)
    

    7. 假设性结果示例

    指标值推荐标准
    χ² (df = 160)220.5p > 0.05 (理想) 或 χ²/df < 3
    CFI0.96≥ 0.90
    TLI0.95≥ 0.90
    RMSEA0.045≤ 0.08
    SRMR0.053≤ 0.08

    结构路径(std.all)

    路径系数 (β)p 值
    Op → Sus0.42<0.001
    Infra → Sus0.310.002
    Info → Sus0.250.015
    Pol → Sus0.180.060

    Sus R² ≈ 0.58 (前四个潜变量可以解释 58% 的可持续发展感知差异)


    8. 结论示例

    1. 测量模型载荷均 >0.60,信度与聚合效度良好。
    2. SEM模型拟合优良 (CFI/TLI>0.95, RMSEA<0.05)。
    3. 运营管理对可持续发展影响最大 (β=0.42,p<0.001),基础设施 (0.31)、信息技术 (0.25) 显著,政策环境边缘显著 (p≈0.06)。
    4. 建议从运营管理入手提升多式联运的可持续发展绩效。

    以上即为一套完整的结构方程建模流程示例。您可以按需调整模型、检验假设、或分组做多群组 SEM(多式联运不同规模/区域对比)。祝分析顺利! 😊

Responses were produced in different, uncontrolled contexts (system prompts, settings, prior turns). This is not a benchmark.