付費限定

縱貫式中介和交叉延宕模型之Mplus操作

更新於 發佈於 閱讀時間約 2 分鐘

縱貫式中介模型(Longitudinal Mediation Model)是研究隨著時間的改變,變數X如何通過中介變數M影響變數Y的統計模型。它是長期觀察和分析數據的有用工具,可以揭示X和Y之間的關係以及中介變數M在這個關係中扮演的角色。本文將介紹縱貫式中介模型Mplus操作

想學Mplus基本操作請看這邊

事實上,在真實世界中,自變項會發生在中介變項之前,而中介變項在依變項之前。因此中介效果非常適合用在縱貫式研究資料當中。例如:研究者關心人格(自變項)先影響思考(中介),而思考再影響行為(依變項)。再縱貫式中介模型之前,我們先講解沒有中介變項的交叉延宕模式(Cross‐lagged modle)。請注意,下面介紹的模型中包含潛在構面的模型都建議要通過縱向測量衡等性

因為我們要確定在不同時間中,我們測量到的是不是同一個構念。

交叉延宕模式(Cross‐lagged modle)

交叉延宕模式(Cross‐lagged modle)主要關注自變項和依變項在不同時間的影響,當資料有收集不同時間點的資料,可以將前面時間點之自變項預測後面時間點的依變項;前面時間點之依變項預測後面時間點的自變項。若將前一期預測後一期相同自變項,也就是自我迴歸,這樣模式稱為自我迴歸交叉延宕模式,此模式對於了解變項之間的因果關係有非常大的幫助。

raw-image

推薦教學影片

Mplus操作如下

SAMPSTAT選項用於請求正在分析的數據的樣本統計信息。對於連續變量,這些包括樣本平均數、變異量、共變量之類。

Model: 
x2 on y1 x1; x3 on y2 x2 ;!X交叉延宕+自我迴歸
y2 on x1 y1; y3 on x2 y2; !Y交叉延宕+自我迴歸
以行動支持創作者!付費即可解鎖
本篇內容共 4926 字、2 則留言,僅發佈於統計分析 × 學術生涯你目前無法檢視以下內容,可能因為尚未登入,或沒有該房間的查看權限。
留言
avatar-img
留言分享你的想法!
阿潘-avatar-img
2023/03/18
版主您好: 請問如果再跑交叉延宕模式時,如果零階相關(zero-order correlation)與同一個時間上各個潛在變項關聯都不顯著,但交叉延宕係數顯著時,請問這樣是不是會怪怪,最近在run資料遇到這問題 有些疑惑 另外,我記得Kenny and Harackiewicz (1979) 有提及synchronous correlation最低要 .30,這個是交叉延宕模式的假設條件嗎?
Dr. Rover-avatar-img
發文者
2023/03/20
零階相關(zero-order correlation)與同一個時間上各個潛在變項關聯都不顯著。我覺得不會耶,它可能更可預測後方的變項,而跟前面變項沒有太大關聯。時間因素導致變項之間關聯產生變化,這部分需要配合你理論進行論述
avatar-img
心理博士的筆記本
241會員
134內容數
文章內容以圖像式和步驟化方式,教您如何在各種統計軟體中(例如:SPSS、R和Mplus),執行多種統計方法。此外,我還會分享一些學術和科技新知,幫助您在學術之路上走得更順利。
2025/01/30
當使用MLM或MLR估計法時,需使用Scaled卡方檢定計算嵌套模型之間的卡方差異,本文透過圖文說明,介紹如何使用EXCEL自動計算Scaled卡方檢定,方便且免費。
Thumbnail
2025/01/30
當使用MLM或MLR估計法時,需使用Scaled卡方檢定計算嵌套模型之間的卡方差異,本文透過圖文說明,介紹如何使用EXCEL自動計算Scaled卡方檢定,方便且免費。
Thumbnail
2024/12/30
多層次結構方程模型(MSEM)是一種專為處理多層次資料而設計的結構方程模型,適用於具有群組結構的資料分析。本文介紹多層次結構方程模型(MSEM)的基本概念、公式、以及Mplus語法的基本結構與應用。
Thumbnail
2024/12/30
多層次結構方程模型(MSEM)是一種專為處理多層次資料而設計的結構方程模型,適用於具有群組結構的資料分析。本文介紹多層次結構方程模型(MSEM)的基本概念、公式、以及Mplus語法的基本結構與應用。
Thumbnail
2024/02/27
之前已經說過限制模型,接下來進入下一部份根據Mulder and Hamaker (2021)建議,在 RI-CLPM 中,有許多擴展模型,今天要介紹的是 Extension 1。Extension 1就是加入跨時間不變的預測或結果變項,本文將介紹此模型構造和語法。
Thumbnail
2024/02/27
之前已經說過限制模型,接下來進入下一部份根據Mulder and Hamaker (2021)建議,在 RI-CLPM 中,有許多擴展模型,今天要介紹的是 Extension 1。Extension 1就是加入跨時間不變的預測或結果變項,本文將介紹此模型構造和語法。
Thumbnail
看更多
你可能也想看
Thumbnail
大家好,我是一名眼科醫師,也是一位孩子的媽 身為眼科醫師的我,我知道視力發展對孩子來說有多關鍵。 每到開學季時,診間便充斥著許多憂心忡忡的家屬。近年來看診中,兒童提早近視、眼睛疲勞的案例明顯增加,除了3C使用過度,最常被忽略的,就是照明品質。 然而作為一位媽媽,孩子能在安全、舒適的環境
Thumbnail
大家好,我是一名眼科醫師,也是一位孩子的媽 身為眼科醫師的我,我知道視力發展對孩子來說有多關鍵。 每到開學季時,診間便充斥著許多憂心忡忡的家屬。近年來看診中,兒童提早近視、眼睛疲勞的案例明顯增加,除了3C使用過度,最常被忽略的,就是照明品質。 然而作為一位媽媽,孩子能在安全、舒適的環境
Thumbnail
我的「媽」呀! 母親節即將到來,vocus 邀請你寫下屬於你的「媽」故事——不管是紀錄爆笑的日常,或是一直想對她表達的感謝,又或者,是你這輩子最想聽她說出的一句話。 也歡迎你曬出合照,分享照片背後的點點滴滴 ♥️ 透過創作,將這份情感表達出來吧!🥹
Thumbnail
我的「媽」呀! 母親節即將到來,vocus 邀請你寫下屬於你的「媽」故事——不管是紀錄爆笑的日常,或是一直想對她表達的感謝,又或者,是你這輩子最想聽她說出的一句話。 也歡迎你曬出合照,分享照片背後的點點滴滴 ♥️ 透過創作,將這份情感表達出來吧!🥹
Thumbnail
在上一篇中,我們在模型探討隨機截距交叉延宕在Extension 2中,可以使用的分類變量進行Multiple group分析。接下來,擴展 RI-CLPM 的另一種方法是為每個使用多個指標測量,本文將簡介兩種Multiple indicators模型。
Thumbnail
在上一篇中,我們在模型探討隨機截距交叉延宕在Extension 2中,可以使用的分類變量進行Multiple group分析。接下來,擴展 RI-CLPM 的另一種方法是為每個使用多個指標測量,本文將簡介兩種Multiple indicators模型。
Thumbnail
交叉延宕效果(CLPM)常常模式適配不佳,主因缺乏考量個別差異。 隨機截距交叉延宕模式(RI-CLPM)是傳統的交叉延宕模式的擴展,具有更好的模式適配度。本文章簡介RI-CLPM定義和CLPM的差異。 交叉延宕效果(CLPM)最大的局限性在於它混合
Thumbnail
交叉延宕效果(CLPM)常常模式適配不佳,主因缺乏考量個別差異。 隨機截距交叉延宕模式(RI-CLPM)是傳統的交叉延宕模式的擴展,具有更好的模式適配度。本文章簡介RI-CLPM定義和CLPM的差異。 交叉延宕效果(CLPM)最大的局限性在於它混合
Thumbnail
接續第二章內容,本章主要說明雙層次之隨機截距模型的公式和SPSS操作,我們先從公式開始,然後在教學SPSS視窗和語法操作,相信看完後,讀者就會了解雙層次之隨機截距斜率模型概念和操作。
Thumbnail
接續第二章內容,本章主要說明雙層次之隨機截距模型的公式和SPSS操作,我們先從公式開始,然後在教學SPSS視窗和語法操作,相信看完後,讀者就會了解雙層次之隨機截距斜率模型概念和操作。
Thumbnail
本章主要說明雙層次之隨機截距模型的公式和SPSS操作,我們先從最簡單的一個Level 1固定自變項模型開始,到複雜的兩個Level 1和1個Level 2固定自變項模型,相信看完後,讀者就會了解雙層次之隨機截距模型概念和操作。
Thumbnail
本章主要說明雙層次之隨機截距模型的公式和SPSS操作,我們先從最簡單的一個Level 1固定自變項模型開始,到複雜的兩個Level 1和1個Level 2固定自變項模型,相信看完後,讀者就會了解雙層次之隨機截距模型概念和操作。
Thumbnail
PROCESS macro for SPSS 可以用非常簡單方式學會調節中介模式。本文將介紹四種類型的變項,並解釋調節式中介的公式,還有如何操作最4.0版本的PROCESS macro for SPSS。文末也會附上所有所有Process模型圖例,提供給讀者方便分析~
Thumbnail
PROCESS macro for SPSS 可以用非常簡單方式學會調節中介模式。本文將介紹四種類型的變項,並解釋調節式中介的公式,還有如何操作最4.0版本的PROCESS macro for SPSS。文末也會附上所有所有Process模型圖例,提供給讀者方便分析~
Thumbnail
PROCESS macro for SPSS 可以用非常簡單方式使用調節分析。本文將介紹三種類型的變項,還有如何操作最4.2版本的PROCESS macro for SPSS進行調節模式。文末也會附上所有所有Process模型圖例,提供給讀者方便分析~
Thumbnail
PROCESS macro for SPSS 可以用非常簡單方式使用調節分析。本文將介紹三種類型的變項,還有如何操作最4.2版本的PROCESS macro for SPSS進行調節模式。文末也會附上所有所有Process模型圖例,提供給讀者方便分析~
Thumbnail
多元線性迴歸分析(Multiple regression analysis)是一種統計學方法,用於探索多個解釋變量對一個目標變量的影響。它是建立在線性迴歸分析的基礎上的,多元迴歸分析用於探討多個預測變數及一個依變數之間的關係,並且每個變項都是連續變項。本文將介紹多元迴歸分析概念。
Thumbnail
多元線性迴歸分析(Multiple regression analysis)是一種統計學方法,用於探索多個解釋變量對一個目標變量的影響。它是建立在線性迴歸分析的基礎上的,多元迴歸分析用於探討多個預測變數及一個依變數之間的關係,並且每個變項都是連續變項。本文將介紹多元迴歸分析概念。
Thumbnail
PROCESS macro for SPSS 可以用非常簡單方式進中介模式。本文將介紹三種類型的變項,還有如何操作最4.0版本的PROCESS macro for SPSS。文末也會附上所有所有Process模型圖例,提供給讀者方便分析~
Thumbnail
PROCESS macro for SPSS 可以用非常簡單方式進中介模式。本文將介紹三種類型的變項,還有如何操作最4.0版本的PROCESS macro for SPSS。文末也會附上所有所有Process模型圖例,提供給讀者方便分析~
Thumbnail
潛在類別模式(latent class modeling, LCM)和潛在剖面分析(Latent Profile Analysis, LPA)是探討潛在類別變項的統計技術。兩者與因素分析最大的不同在於潛在變項(因素)的形式。本文將介紹潛在類別/剖面/混合分析操作1:找出最佳組數
Thumbnail
潛在類別模式(latent class modeling, LCM)和潛在剖面分析(Latent Profile Analysis, LPA)是探討潛在類別變項的統計技術。兩者與因素分析最大的不同在於潛在變項(因素)的形式。本文將介紹潛在類別/剖面/混合分析操作1:找出最佳組數
Thumbnail
如同跨組比較一樣,跨時間時也需要考量縱向測量衡等性,在分析縱向數據時考慮 測量衡等性 很重要,因為不具有縱向測量衡等性的量表,對結果的有效性和正確性有所影響。縱向衡等性和多群組衡等性的分析策略相似,但在參數設定有些差異,本文將簡介其概念和和Mplus操作。
Thumbnail
如同跨組比較一樣,跨時間時也需要考量縱向測量衡等性,在分析縱向數據時考慮 測量衡等性 很重要,因為不具有縱向測量衡等性的量表,對結果的有效性和正確性有所影響。縱向衡等性和多群組衡等性的分析策略相似,但在參數設定有些差異,本文將簡介其概念和和Mplus操作。
追蹤感興趣的內容從 Google News 追蹤更多 vocus 的最新精選內容追蹤 Google News