使用Mplus:初步教學

更新於 發佈於 閱讀時間約 5 分鐘
Mplus 是一套統計軟體,可用於各種心理學和社會科學研究。它具有強大的功能,可用於進行複雜的統計分析,例如潛在變數分析、多層次分析和縱向分析。要開始使用 Mplus,您需要先下載並安裝軟體。安裝 Mplus 後,您就可以開始編寫 Mplus 語法。Mplus 語法是用來告訴軟體如何進行分析的程式碼。

匯入資料檔

首先,先教大家如何匯入資料檔,考慮到一般輸入和處理資料多為SPSS,因此本篇即採用SPSS的raw檔案說明如何轉換成Mplus可讀取之檔案類型。
SPSS:選擇另存新檔→Tab鍵分隔(*.dat)→儲存
(1)記得把將變項寫入檔案選項取消
(2)若只要部分變項,請點變數,選擇你要的變項就好
因為。SPSS原定的遺漏值是空白,但MPLUS並不會將空白設成遺漏值(固定格式例外),所以將另存的檔案開啟後,按ctrl+H,將所有空白換成*(如下圖),沒有遺漏值則跳果此步驟

按按按輸入

如果你不喜歡用語法輸入,可以按按按法輸入,但它只是幫助你少打一些內容,最後關鍵部份還是要自己打。
如下圖選你要分析檔案的位置。另外,我不知道為什麼,我的資料檔要放在桌面才可以順利分析。
如果太多變項可以跳過,之後用複製貼上
加入成功的變項會顯示在變項表單,接下來,將你要分析的變項放到右側。
下面是用來選擇特定要本,例如:
【 A變項 eq 1 and sex eq 2; 】
上句子代表只將A樣本填1 +性別填2者加入分析。
語法如下:
and
or
>=
<=
/= (此符號代表不等於)
>
<
接下來,設定每個變項是否為團體或類別變項,若都不是則跳過
團體變項:顧名思義,本分析中用來作為分組的變項,例如 gender (1 = m, 2 =f)
類別變項:顧名思義,非連續變項(例如:及格/不及格),需要使用特定分析方法
終於要結束了,設定SEM的分析方法,以下簡單說明:
1.ML是最常用的估計方法,但比較要求變項常態,都要是連續變項,會提供MI值
2.MLM :用於連續變項,適用於非常態數據
3.WLSMV:用於類別變項,不要求資料常態
如下圖,要系統給出MI值(限ML法),標準化係數,最後按完成,基本設定就完成了,但我們還要提供model,才能跑SEM,如何寫model留在下一篇文章說明!

語法輸入

按按按輸入完也會跑出下面部份表格,它只是幫助你少打一些內容,關鍵部份還是要自己打。如果你不喜歡自動輸入,可以完全用語法輸入。我自己慣用的是用按按按幫我輸入資料位置(資料檔名稱太難打了),其他我用語法輸入。基本語法教學文章
TITLE:  CA_CFA !分析名稱
DATA:!分析檔案位置
  FILE IS "D:\Desktop\Mplus PhD Study 2 Results\ca_mod_odt_covid.dat";
VARIABLE:
  MISSING IS *;!遺漏值*
  NAMES =  !變項從左到右命成為TOD1_t1~TOD6_t1
   TOD1_t1   TOD2_t1  TOD3_t1  TOD4_t1  TOD5_t1  TOD6_t1
   smoke1 SEX_t1;
USEVARIABLES =!你這次分析要用的變項
TOD1_t1
TOD2_t1
TOD3_t1
TOD4_t1
TOD5_t1
TOD6_t1
;
categorical =smoke1;!你這次分析的變項哪個是類別,沒有把這句刪除
GROUPING =  SEX_t1(0 = L 1 =H)
!你這次分析有分群嗎?本範例中,SEX_t1之0=L 1 =H組,沒有把這句刪除
MODEL:!建立模型
T1 BY 
TOD1_t1
TOD2_t1
TOD3_t1
TOD4_t1
TOD5_t1
TOD6_t1
; ! T1因素由TOD1_t1~TOD6_t1構成
ANALYSIS:!設定分析方法
ESTIMATOR IS ML;
OUTPUT:   STDXY;!設定輸出內容
  • 在有很多組的情況下,可以使用速記符號用於 GROUPING 選項。 規定如下,其中 country 是分組變量,101 到 200、225 、350 到 360 分成三組國家。
 GROUPING = country (101-200 225 350-360);
  • DEFINE:指令,用於取得變量的MEAN/SUM/CUT 舊變量。CUT 舊變量是將變量化成類別,例如:CUT Y(10 20),將Y分成三類,<=10轉化為0;10-20轉化21;>=20轉化為2。產生的新變項時,要放到USEVARIABLES才可以後續分析時使用。
DEFINE:
變量名稱 = MEAN(舊變量);
變量名稱 = SUM(舊變量);
CUT 舊變量(切割分數);
基本操作就說到這裡了,剩下細節語法會在每次分析的教學文在告訴大家怎麼寫,基本上只會改到MODEL:和ANALYSIS:,前半部大致沒有改變。

注意事項

  • 「; 」代表語句的結束,只要Mplus沒讀到「; 」就會認為是同一個語句
  • 不用區分大小寫
  • 每一行不可以超過90字詞
  • 「=」可以和「is」 、「are 」互換
  • 「! 」標記註釋,會顯示綠色,電腦不會讀這段,這是給人讀的
您的研究遇到了統計分析的困難嗎?您需要專業的統計諮詢和代跑服務嗎?請點我看提供的服務
avatar-img
231會員
130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。
留言5
avatar-img
留言分享你的想法!

































































心理博士的筆記本 的其他內容
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
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
當我們要確定問卷量表在不同群體(例如:男生和女生)的適用和一致性時,我們就使用多群組測量衡等性檢驗在不同群體,因素和觀察變項之間的關聯是一致。則代表之後統計結果是可信的,反映出真實結果,並非只是量表誤差造成的。
驗證性因素分析(Confirmatory Factor Analysis, CFA)常被作為檢驗量表或測量工具之建構效度。做SEM前大多會要求每個工具的CFA結果。不僅如此,CFA也可能拿來檢驗測量衡等性的有效工具。本文將簡介驗證性因素分析概念,並介紹如何用Mplus 操作。
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。
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
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
當我們要確定問卷量表在不同群體(例如:男生和女生)的適用和一致性時,我們就使用多群組測量衡等性檢驗在不同群體,因素和觀察變項之間的關聯是一致。則代表之後統計結果是可信的,反映出真實結果,並非只是量表誤差造成的。
驗證性因素分析(Confirmatory Factor Analysis, CFA)常被作為檢驗量表或測量工具之建構效度。做SEM前大多會要求每個工具的CFA結果。不僅如此,CFA也可能拿來檢驗測量衡等性的有效工具。本文將簡介驗證性因素分析概念,並介紹如何用Mplus 操作。
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。
你可能也想看
Google News 追蹤
Thumbnail
您可以使用 ChatGPT 和 Midjourney 等人工智慧工具賺錢嗎?當然可以! 我附上的連結,是一份關於如何使用人工智慧提示,來創作賺錢內容的指南。請繼續閱讀,了解如何利用人工智慧賺錢。 在本文中,我將與您分享我使用 Blogger 網站和 AI 創建內容,每月賺取高達 3000
Thumbnail
在設計與印刷的過程中,確保圖像的清晰度與精確度是非常重要的。而這一切的關鍵之一,就是使用矢量圖形。無論是商業印刷還是數位設計,矢量圖形都能為您的設計提供更加清晰、精確的視覺效果,避免在印刷過程中出現像素化的問題。這篇文章將介紹矢量圖形的好處,並說明為何它能有效地解決印刷中的像素化問題,對設計師和印刷
介紹如何使用 Global Mapper 軟體製作高程數值模型(DEM),涵蓋檔案匯入、投影設定、高程格網創建及DEM導出的完整流程。
Thumbnail
這篇文章將教您如何使用Three.js來建立一個簡單的STL模型查看器,支援上傳STL檔案並即時顯示3D模型。本文將逐步分解完整範例程式碼,幫助您理解每個部分的功能。
Thumbnail
「如果資料庫出問題,能不能快速恢復?」 這或許是許多工程師在面對資料庫維運時心中的疑問。就我而言,遇到伺服器故障或有人誤刪資料表時,最慶幸的就是事先做好備份。這次要分享的是 MySQL 中常用的備份指令 mysqldump,讓大家能在需要時把握關鍵的「救命繩」。 為什麼需要備份? 在商業專案
Thumbnail
商業簡報不僅僅是呈現數據,更需要深入瞭解數據分析及有效的工具運用。本文探討於Excel中使用不同函數來改善數據處理效率,包括IF、IFS、VLOOKUP、XLOOKUP及INDEX與MATCH的結合,幫助商業人士更好地從數據中提取洞見,助力業務增值,學習優化數據分析過程,讓您的商業簡報更具影響力。
2-1 取得統計資料 統計學,指的就是搜集、整理、表現及分析資料的方法。 一般來說,當我們想要知道對於某件事,大眾的普遍想法時,我們可能會透過調查的方式,得到想要的答案。也就是說,我們可能透過問卷或者是電訪的方式,直接收集所要的母體資料。舉個例子來說,在總統選舉時,當侯選人舉辦政見發表會後,為了
Thumbnail
Excel是一個強大的電子試算表軟體,不僅適用於數據分析和報表製作,還能通過VBA(Visual Basic for Applications)進行自動化和擴展功能。要使用這些進階功能,首先需要啟用開發人員選項。以下將詳細介紹在Windows和Mac版本的Excel中如何啟用這個選項。 在Wi
Thumbnail
本文介紹瞭如何使用 Python pandas 進行資料分析,包括如何使用 corr() 函數針對數字類型的欄位進行分析,以及如何刪除不需要的欄位和取得想要的小數位數。
Thumbnail
您可以使用 ChatGPT 和 Midjourney 等人工智慧工具賺錢嗎?當然可以! 我附上的連結,是一份關於如何使用人工智慧提示,來創作賺錢內容的指南。請繼續閱讀,了解如何利用人工智慧賺錢。 在本文中,我將與您分享我使用 Blogger 網站和 AI 創建內容,每月賺取高達 3000
Thumbnail
在設計與印刷的過程中,確保圖像的清晰度與精確度是非常重要的。而這一切的關鍵之一,就是使用矢量圖形。無論是商業印刷還是數位設計,矢量圖形都能為您的設計提供更加清晰、精確的視覺效果,避免在印刷過程中出現像素化的問題。這篇文章將介紹矢量圖形的好處,並說明為何它能有效地解決印刷中的像素化問題,對設計師和印刷
介紹如何使用 Global Mapper 軟體製作高程數值模型(DEM),涵蓋檔案匯入、投影設定、高程格網創建及DEM導出的完整流程。
Thumbnail
這篇文章將教您如何使用Three.js來建立一個簡單的STL模型查看器,支援上傳STL檔案並即時顯示3D模型。本文將逐步分解完整範例程式碼,幫助您理解每個部分的功能。
Thumbnail
「如果資料庫出問題,能不能快速恢復?」 這或許是許多工程師在面對資料庫維運時心中的疑問。就我而言,遇到伺服器故障或有人誤刪資料表時,最慶幸的就是事先做好備份。這次要分享的是 MySQL 中常用的備份指令 mysqldump,讓大家能在需要時把握關鍵的「救命繩」。 為什麼需要備份? 在商業專案
Thumbnail
商業簡報不僅僅是呈現數據,更需要深入瞭解數據分析及有效的工具運用。本文探討於Excel中使用不同函數來改善數據處理效率,包括IF、IFS、VLOOKUP、XLOOKUP及INDEX與MATCH的結合,幫助商業人士更好地從數據中提取洞見,助力業務增值,學習優化數據分析過程,讓您的商業簡報更具影響力。
2-1 取得統計資料 統計學,指的就是搜集、整理、表現及分析資料的方法。 一般來說,當我們想要知道對於某件事,大眾的普遍想法時,我們可能會透過調查的方式,得到想要的答案。也就是說,我們可能透過問卷或者是電訪的方式,直接收集所要的母體資料。舉個例子來說,在總統選舉時,當侯選人舉辦政見發表會後,為了
Thumbnail
Excel是一個強大的電子試算表軟體,不僅適用於數據分析和報表製作,還能通過VBA(Visual Basic for Applications)進行自動化和擴展功能。要使用這些進階功能,首先需要啟用開發人員選項。以下將詳細介紹在Windows和Mac版本的Excel中如何啟用這個選項。 在Wi
Thumbnail
本文介紹瞭如何使用 Python pandas 進行資料分析,包括如何使用 corr() 函數針對數字類型的欄位進行分析,以及如何刪除不需要的欄位和取得想要的小數位數。