心理测量中的三级指标是什么意思？

潜变量是指不能被直接精确观测或虽能被观测但尚需通过其它方法加以综合的指标。

潜变量是指不能被直接精确观测或虽能被观测但尚需通过其它方法加以综合的指标，是在记录单元之间变化且其变化影响记录特征的任何未记录到的特征,结果是记录特征之间的联系，这种联系实际上并不是由记录特征本身的任何因果关系产生的。潜变量（Latent Variable），显变量（Manifest或Observable Variable）的主要区别在于：潜变量是实际工作中无法直接测量到的变量，包括比较抽象的概念和由于种种原因不能准确测量的变量，一个潜变量往往对应着多个显变量，可以看做其对应显变量的抽象和概括，显变量则可视为特定潜变量的反应指标。

不可以。同一内生潜变量的外生潜变量都必须两两相关，所以在生潜变量不可以拉相关，Amos等结构方程模型才可以做。潜变量就是观察不到的变量，这是相对于可观测变量而言的。

潜变量。根据量表的概念与分类?得知，量表是测量“软指标”的工具，用一个或几个不可直接测量的潜变量来度量某个概念，再利用可观测的变量来表征。因此量表属于潜变量。潜变量，与可观察变量相对，是不直接观察但是通过观察到的其他变量推断的变量。

潜变量中心化的方法有点中心化、标准化、双重中心化。1、点中心化：将每个指标的得分减去该指标的平均值，即x_i-mean(x_i)。这种方法可以将数据的均值调整为零，消除指标之间的常数差异。2、标准化：将每个指标的得分减去该指标的平均值，并除以该指标的标准差，即(x_i-mean(x_i))/std(x_i)。这种方法可以将数据的均值调整为零，并使每个指标的标准差相同。3、双重中心化：将每个指标的得分减去该指标的平均值，然后再将整个潜变量的得分减去整个潜变量的平均值，即(x_i-mean(x_i))-mean(x)。这种方法可以消除指标之间的常数差异和潜变量的常数差异，使模型更加准确和稳定。

没看懂…

二阶模型即潜变量进一步拟合，此时mplus所得指标包括二阶模型的拟合情况，以及所需的各项数值。

至少需要 6 倍于建模潜变量（建模时的一个重要参数）大小的样品，当潜变量为10 时，样品数量不应少于 60个。

结构方程模型的初衷在于针对潜变量之间关系进行建模。例如，智商，情商，成功这三个潜变量之间到底是何种关系？但是它们三个本身不可直接测量，于是需要通过一定手段对它们进行测量。你当然可以先通过量表各自“估计”这三个潜变量，再建立三者间的模型。结构方程模型实现了这两步的一体化，优势在于，估计的过程中充分考虑了潜变量间的关系。而分开两步是不能做到的。当然这是否真的是优势有待商榷。 结构方程模型的估计方法主要有三类：第一种是协方差分析法，第二种是偏最小二乘法，第三种是贝叶斯法。 协方差分析认为，潜变量间的关系反映在可测变量的协方差关系中，由模型产生的协方差结构和真实协方差结构应一致（理想情况）。于是以协方差矩阵的差异作为优化准则。偏最小二乘的想法为：考虑潜变量结构的前提下，“最好”的潜变量应该与对应可测变量“最接近”。于是，其优化准则本质是OLS。贝叶斯也是对潜变量假定先验，然后用MCMC直接对潜变量进行抽样，既然潜变量的样本都有了，结构方程模型也就退化为了一堆回归。 国内很多文献把结构方程模型等同于上述第一种估计方法，这是一种误区。每一种方法都有各自的检验和评价手段。三种方法孰优孰劣？难以确定，只能说，各有各的优势和不足。另外，结构方程模型定位是验证性分析，这需要大量背景知识支撑，否则建模必然失败。近年来，发展了探索性的结构方程模型，题主不妨找找cnki。

你好，什么是二阶潜变量？二阶潜变量既可以做成原因变量，也可以做成结果变量，这个是没有任何问题的，只要是你的模型下面分了几个维度，然后你又想在整个大的模型当中体现，他就要做成二阶潜变量，在二阶模型当中，一阶潜变量是不具备实际意义的，即在文章当中是没有假设的。可以直接类比为为一阶潜变量当中的题项，请参考！

用spss菜单中Analyze中的correlat，再选择提示框中Spearman和Kendall"s tau_b

一般一个潜变量最少需要3个指标，为什么，因为3个指标的时候模型是恰好识别的，参数刚好能够求到唯一解，低于3个指标的后果就是未知数比方程多，略懂数学你就知道这时方程求不出解，这个时候如果你不给模型参数额外限制的话，无法估计出参数。所...

应该用双向箭头吧

都是。据心理学的相关理论，量表可以属于显变量或潜变量，具体取决于您如何定义和运用它，显变量是指可以直接观察和测量的变量，例如人的身高、体重、心率等，量表因为可以通过具体的问题、题目来测量人的某些行为、态度、心理状态等，因此可以认为属于显变量，而潜变量则是指难以直接观察和测量的变量，例如人的智商、学习能力、信仰等，这些变量不能被直接测量得到，需要通过一系列观测和测试来推断。

gsem允许结果变量是潜变量多层潜变量只能置于各个因子的测量模型方程之内，而不能置于结构模型的方程之内。如果放入结构模型的方程：gsem(MathAb> q1-q8, logit) (MathAtt -> att1-att5, ologit)(MathAttM1[school]-->MathAb)此时，运行gsem程序会提示错误：MathAb may not be the destination of a pathfrom M1[school]。 正确的估计命令如下：gsem(MathAb M1[school]-> q1-q8, logit) (MathAtt M1[school]-> att1-att5,ologit)(MathAtt->MathAb)

大于0.4。结构模型的路径系数要看显著性检验的结果，测量模型各个测量变量和潜变量的相关系数至少要大于0.4。因此我们不可能单凭路径系数的大小来判定其是否显著，就算就路径系数接近1，如果标准误更大，那路径系数的t检验值也会相当小，甚至无限接近0.合理的说法应该是路径系数t检验的t值多大时，路径系数显著不等于0，那我们知道，大样本时，t的绝对值大于1.96则显著。

是指通过观测变量之间的协方差来推断潜变量之间的相关性。当想要通过观测变量来估计两个或更多的潜变量之间的关系时，通常采用结构方程模型来进行分析。在结构方程模型中，潜变量是通过多个观测变量来衡量的，并且模型中还包括了观测变量之间的协方差矩阵。这个协方差矩阵提供了一种用于估计潜变量之间关系的方法。在通过结构方程模型进行分析时，可以估计观测变量之间的系数，该系数表示对于每个观测变量，它与其他观测变量的相关性。这些系数可以用于估计潜变量之间的相关性。

常见的PLS二阶factor处理方式 1. 利用平均数，作为二阶的indicator factor 2. 利用主成分分析的结果，作为二阶的基础 3. 执行两次一阶的factor，画在一起成为二阶。

取值范围在0-1之间比较好。Amos标准化路径系数类似于回归中的标准化回归系数，取值范围在0-1之间。路径系数的平方表示潜变量对测量题目方差的解释比率，如果Amos标准化路径系数大于1，一种可能的情况是外源变量之间的相关性太强，考虑把两个相关性很强的因子合并在一起。另外，数据质量差也有可能导致标准化路径系数大于1。这种情况比较麻烦，可能需要你去做一次数据清洗工作，提升数据的质量。在路径系数都显著的前提下，直接比较标准化路径系数，或者用amos自带的pairwise parameters功能，若CR值大于1.96，差异显著，设置完全自由模型与部分限制条件模型，两个进行对比，看是否存在显著差异。

一般一个潜变量最少需要3个指标，为什么，因为3个指标的时候模型是恰好识别的，参数刚好能够求到唯一解，低于3个指标的后果就是未知数比方程多

确切的说，如果是简单的测量模型，一个潜变量应该有三个测量指标以上，但如果是因果模型，也可以允许一个潜变量只有两个甚至一个测量指标，但这样的情况只能出现极少——比如10个潜变量只能又一个潜变量如此。

采用结构方程建模的方式来进行就可以。潜变量是指不能被直接精确观测或虽能被观测但尚需通过其它方法加以综合的指标，是在记录单元之间变化且其变化影响记录特征的任何未记录到的特征。结果是记录特征之间的联系，这种联系实际上并不是由记录特征本身的任何因果关系产生的。潜变量可分为内生潜变量和外生潜变量，外生潜变量在模型不受其他任何一个变量的影响但影响其他变量的变量，内生潜变量在模型中总会受到一个其他变量影响的变量。

隐变量是指无法直接观测到的变量

二阶潜变量的合理性可以通过其能够更好地解释和预测一些现象来解释。具体而言，当我们使用一阶潜变量时，可能会存在一些难以解释的残差，而二阶潜变量则可以更好地解释这些残差，提高我们对现象的解释能力。此外，二阶潜变量还可以更好地捕捉到复杂的、多维的概念和关系，从而提高我们对现象的理解和预测的准确性。因此，使用二阶潜变量是合理的，并可以帮助我们更好地理解和解释我们的研究问题。

鼠标点击测量条目的路径或载荷，或者潜变量，右键—属性—参数，设置1即可。（南心网）

（一）同时处理多个因变量结构方程分析可同时考虑并处理多个因变量。在回归分析或路径分析中，就算统计结果的图表中展示多个因变量，其实在计算回归系数或路径系数时，仍是对每个因变量逐一计算。所以图表看似对多个因变量同时考虑，但在计算对某一个因变量的影响或关系时，都忽略了其他因变量的存在及其影响。（二）容许自变量和因变量含测量误差态度、行为等变量，往往含有误差，也不能简单地用单一指标测量。结构方程分析容许自变量和因变量均含测量误差。变量也可用多个指标测量。用传统方法计算的潜变量间相关系数，与用结构方程分析计算的潜变量间相关系数，可能相差很大。（三）同时估计因子结构和因子关系假设要了解潜变量之间的相关，每个潜变量者用多个指标或题目测量，一个常用的做法是对每个潜变量先用因子分析计算潜变量（即因子）与题目的关系（即因子负荷），进而得到因子得分，作为潜变量的观测值，然后再计算因子得分，作为潜变量之间的相关系数。这是两个独立的步骤。在结构方程中，这两步同时进行，即因子与题目之间的关系和因子与因子之间的关系同时考虑。（四）容许更大弹性的测量模型传统上，我们只容许每一题目（指标）从属于单一因子，但结构方程分析容许更加复杂的模型。例如，我们用英语书写的数学试题，去测量学生的数学能力，则测验得分（指标）既从属于数学因子，也从属于英语因子（因为得分也反映英语能力）。传统因子分析难以处理一个指标从属多个因子或者考虑高阶因子等有比较复杂的从属关系的模型。（五）估计整个模型的拟合程度在传统路径分析中，我们只估计每一路径（变量间关系）的强弱。在结构方程分析中，除了上述参数的估计外，我们还可以计算不同模型对同一个样本数据的整体拟合程度，从而判断哪一个模型更接近数据所呈现的关系。

确切的说，如果是简单的测量模型，一个潜变量应该有三个测量指标以上，但如果是因果模型，也可以允许一个潜变量只有两个甚至一个测量指标，但这样的情况只能出现极少——比如10个潜变量只能又一个潜变量如此。

是的，都要。自变量和因变量都是潜变量，调节变量是多分组变量，比如说职称分初级，中级，副高级，高级。

潜变量就是蔬菜，你妈让你买蔬菜，然后你一脸懵逼…显变量就是胡萝卜、茄子、黄瓜等等。所以你妈让你买蔬菜的时候你就可以买胡萝卜、茄子这些。

潜变量是指不能被直接精确观测或虽能被观测但尚需通过其它方法加以综合的指标，是在记录单元之间变化且其变化影响记录特征的任何未记录到的特征，结果是记录特征之间的联系，这种联系实际上并不是由记录特征本身的任何因果关系产生的。潜变量（LatentVariable），显变量（Manifest或ObservableVariable）的主要区别在于：潜变量是实际工作中无法直接测量到的变量，包括比较抽象的概念和由于种种原因不能准确测量的变量。一个潜变量往往对应着多个显变量，可以看做其对应显变量的抽象和概括，显变量则可视为特定潜变量的反应指标。（参考资料：搜狗百科）这些抽象的定义看起来是不是一头雾水呢？没关系，我们举个例子。假设你想要通过一张问卷调查来了解消费者对一个新产品的满意度。这个“满意度”就是潜变量。接着，为了充分了解这个潜变量的值，你设计了一份调查问卷。在这份问卷上，你询问消费者对这个商品在以下方面是否具有优势，比如：价格、购买地点、质量、外观等。这些就都是显变量了。由此你可以看出，问卷上的这些题目，每一题直接测量的都是显变量。等调查结束，把这些显变量综合起来考量得出的最后结果，就是你真正想要测量的潜变量了。如果以上信息还是无法完全解决你的疑惑，我需要进一步了解你的那张问卷和实验设计才能更细地帮你解答问题。如果是这样，请进一步详细描述，谢谢。祝你的问卷调查研究项目一切顺利:-)

线性函数关系。因为潜变量的变化会导致指标的变化，所以潜变量和指标的关系是线性函数关系。潜变量是指不能被直接精确观测或虽能被观测但尚需通过别的方法加以综合的指标，是在记录单元之间变化且其变化影响记录特征的任何未记录到的特征。

二阶外因潜变量要划相关。二阶潜变量既可以做成原因变量，也可以做成结果变量，这个是没有任何问题的，模型下面分了几个维度，在整个大的模型当中体现，要做成二阶潜变量，在二阶模型当中，一阶潜变量是不具备实际意义的，即在文章当中是没有假设的。

潜变量是指不能被直接精确观测或虽能被观测但尚需通过其它方法加以综合的指标,是在记录单元之间变化且其变化影响记录特征的任何未记录到的特征,结果是记录特征之间的联系,这种联系实际上并不是由记录特征本身的任何因果关系产生的.潜变量（Latent Variable）,显变量（Manifest或Observable Variable）的主要区别在于：潜变量是实际工作中无法直接测量到的变量,包括比较抽象的概念和由于种种原因不能准确测量的变量.一个潜变量往往对应着多个显变量,可以看做其对应显变量的抽象和概括,显变量则可视为特定潜变量的反应指标.

分析潜变量与观测变量之间的关系对等问题（潜变量即潜在结构）

回答：一般一个潜变量最少需要3个指标，为什么，因为3个指标的时候模型是恰好识别的，参数刚好能够求到唯一解

这些沙雕都在回答什么，那个应该是效应值，直接的或者间接的。可以看看这个了解。看看有帮助吗

不需要。因为外生潜变量不两两相关联，AMOS也可以计算出结果。潜变量是指不能被直接精确观测或虽能被观测但尚需通过其它方法加以综合的指标，是在记录单元之间变化且其变化影响记录特征的任何未记录到的特征。

可能潜变量结构设置有误，可能是共线性问题，或者数据本身问题。（南心网 结构方程模型数据分析）

确切的说，如果是简单的测量模型，一个潜变量应该有三个测量指标以上，但如果是因果模型，也可以允许一个潜变量只有两个甚至一个测量指标，但这样的情况只能出现极少——比如10个潜变量只能又一个潜变量如此。

结构方程模型（Structural Equation Mode血g, SEM) 可用于多种实用的场景，如多因变量分析、潜变量分析、中介变量分析等。它可以看作路径分析( Path Analysis)和验证性因子分析(Confrrmatory Factor Analysis) 的组合。（1）潜变量和显变量 在传统的广义线性模型中，各自变量或因变量都是通过“直接”测量或调查而获得的，但有些变量却是难以直接测得的，如学习能力、幸福指数、抑郁状态等。这种无法直接测得的变量称为潜变量(Latent Variables), 与此对应，可以直接测得的变量称为显变量(Observed Variables)。 （2）潜变量虽然无法直接获得，但却是存在的，而且在背后支配着显变量。例如，一名学生的考试成绩是可以直接观测的显变量，它可能是由学习能力这一潜变量决定的；再如，一个人的抑郁状态是潜变量，可能决定着他的“能否很快入睡""感到沮丧”等可直接回答的问题。 （1）潜变量与显变量之间是有一定关系的，如＂焦虑”这一潜变量是如何支配“我睡不着觉”和＂我心里觉得烦乱”这两个显变量的？ （2）在验证性因子分析中，通过以下模型将潜变量和显变量联系起来： 其中， X1,X2, …是显变量， F1,F2,··,Fm 是潜变量。各潜变量通过系数a11 、a21 等支配显变 量X1 、X2 等，而ε等则是无法解释的误差。 （3）如潜变量“焦虑＂与显变量“我睡不着觉”和＂我心里觉得烦乱”之间的关系可以表达为 （1）上述公式与线性模型的公式很相似。其实a1、a2等作为系数，其含义也与线性模型中差不多，如a1表示焦虑每增加1个单位，“我睡不着觉”的预期改变量； a2表示焦虑每增加1个单位，“我心里觉得烦乱＂的预期改变量。 （2）不过与线性模型不同的是，在验证性因子分析中，该系数不叫回归系数，而被称为因子载荷(Factor Loading), 它反映了潜变量与显变量之间的关系。因子载荷越大，表明潜变量与显变量的关系越密切。 （3）在验证性因子分析中， 一个很关键的问题是确定潜变量，这一点是由专业知识来决定的。 例如：路径分析可以探索（显）变量之间的直接和间接关系，验证性因子分析可以分析潜变量与显变量之间的（直接）关系，结构方程模型则将二者结合，可以同时分析带有潜变量的直接和间接关系。 下表是调查了100人的5个变量的协方差结构，目的是了解家庭状况对学生抑郁是否会有影响。 （1）假定家庭状况（潜变摄）用父母学历评分和家庭氛围评分（显变量）来体现，学生抑郁（潜变量）用学生情绪评分、学生认知评分和学生动机评分（显变量）来体现。并且假定路径为：家庭状况会影响学生的抑郁状态。 （2）最终我们得到的结构方程模型如下图所示。图中， f1表示潜变量家庭状况，f2表示潜变量学生抑郁。

你这个指标应该是说的转氨酶，72是已经高了。造成这项指标高的原因很多，比如：大量饮酒、疲劳、睡眠不好等都会引起该指标高。建议您去正规医院看一下。

路径分析是结构方程模型的一部分，完整的结构方程模型包含两部分：1、测量模型，研究因子和指标的关系，也就是一般我们说的验证性因子分析；2、因果模型，也就是路径分析，研究的是因子之间的关系。另外提一下，狭义上的路径分析指的是把显变量直接当做潜变量的因果模型。因此，结构方程模型和路径分析其实是概念与子概念的关系。他们所涉及的统计学原理自然是一样的，只不过如果是狭义上的路径分析，那么默认变量无测量误差，其计算的精确度及误差的控制是不如完整的结构方程模型的。

stata里面变量都是可测的那sem里面潜变量在结构方程模型反应的结构方程模型时基于变量的协方差矩阵来分析变量关系的统计方法。通过这种方法我们可以得到因变量受那几个自变量的影响，也可以知道一个自变量通过什么途径影响因变量，还可以知道在不同情境下，自变量对因变量的影响有何不同等多种复杂关系。

（1）分别相乘，即如果变量X有三个指标，变量Y有三个指标，乘积项变量XY的指标有九个；（2）配对相乘，即如果变量X有三个指标，变量Y有三个指标，乘积项变量XY的指标有三个。

将无关变量作为影响结果变量的预测变量加入模型即可，也就是添加该无关变量到结果变量的箭头。

1、首先我们用验证性因子分析探究潜变量和显变量之间的关系。2、其次我们用潜增长曲线模型(LGM)估计纵向数据的初始。3、最后变化，结构斜率和方差。

SPSS做不了潜变量之间的相关，Amos等结构方程模型才可以做，在Amos中建立二者之间的双向箭头即可得出相关系数。

当结构方程模型为恰好识别时，可选择的估计方法是间接最小二乘法、二阶段最小二乘法。结构方程模型是社会科学研究中的一个非常好的方法。该方法在20世纪80年代就已经成熟，可惜国内了解的人并不多。在社会科学以及经济、市场、管理等研究领域，有时需处理多个原因、多个结果的关系，或者会碰到不可直接观测的变量（即潜变量），这些都是传统的统计方法不能很好解决的问题。20世纪80年代以来，结构方程模型迅速发展，弥补了传统统计方法的不足，成为多元数据分析的重要工具。结构方程分析可同时考虑并处理多个因变量。在回归分析或路径分析中，就算统计结果的图表中展示多个因变量，其实在计算回归系数或路径系数时，仍是对每个因变量逐一计算。所以图表看似对多个因变量同时考虑，但在计算对某一个因变量的影响或关系时，都忽略了其他因变量的存在及其影响。态度、行为等变量，往往含有误差，也不能简单地用单一指标测量。结构方程分析容许自变量和因变量均含测量误差。变量也可用多个指标测量。用传统方法计算的潜变量间相关系数，与用结构方程分析计算的潜变量间相关系数，可能相差很大。

并列关系的可以，因果关系的不可以。（南心 Amos结构方程模型）

探索性因子分析和验证性因子分析相同之处两种因子分析都是以普通因子分析模型作为理论基础,其主要目的都是浓缩数据，通过对诸多变量的相关性研究,可以用假想的少数几个变量（因子，潜变量)来表示原来变量(观测变量)的主要信息。探索性因子分析和验证性因子分析的差异之处1.基本思想不同探索性因子分析主要是为了找出影响观测变量的因子个数,以及各个因子和各个观测变量之间的相关程度,以试图揭示一套相对比较大的变量的内在结构。而验证性因子分析的主要目的是决定事前定义因子的模型拟合实际数据的能力,以试图检验观测变量的因子个数和因子载荷是否与基于预先建立的理论的预期一致。2.应用前提不同探索性因子分析没有先验信息,而验证性因子分析有先验信息。详情见:http://wenku.baidu.com/link?url=w_nw0aI0KN0XpL1SEmbOjjwxOeampOzKefUEg1aRzWG27Iep7kPTvDrKY-toinCbLgoHe0r4COCzymPwhgAj_5Pe6bv9Y0HBhOVzVSRqDTK