o4-mini-2025-04-16· OpenAI
LMArena Human Preference 140K
对结果进行结构方程模型分析
- User
对结果进行结构方程模型分析
- Assistant
下面给出一个基于 R/lavaan 的全流程示例:
- 数据读取与重命名;
- 信度检验(Cronbach’s α);
- 测量模型(CFA);
- 结构模型(SEM);
- 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
-
模型整体拟合
- χ²(DF) 及其 p-value
- CFI ≥ 0.90、TLI ≥ 0.90
- RMSEA ≤ 0.08、SRMR ≤ 0.08
-
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
-
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) 220.5 p > 0.05 (理想) 或 χ²/df < 3 CFI 0.96 ≥ 0.90 TLI 0.95 ≥ 0.90 RMSEA 0.045 ≤ 0.08 SRMR 0.053 ≤ 0.08 结构路径(std.all)
路径 系数 (β) p 值 Op → Sus 0.42 <0.001 Infra → Sus 0.31 0.002 Info → Sus 0.25 0.015 Pol → Sus 0.18 0.060 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
- 测量模型载荷均 >0.60,信度与聚合效度良好。
- SEM模型拟合优良 (CFI/TLI>0.95, RMSEA<0.05)。
- 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)。
- 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! 😊
Other models, same or similar prompt
Responses were produced in different, uncontrolled contexts (system prompts, settings, prior turns). This is not a benchmark.