SEM - 指标记录
路径系数（Path Coefficient）
在结构方程模型（SEM）中，路径系数（Path Coefficient）代表模型中不同变量之间的直接关系强度。这些系数通常是标准化的，这意味着它们表达的是当一个变量改变一个标准差时，另一个变量预期改变的标准差数量。路径系数是类似于回归分析中的回归系数，但它们用于更复杂的模型结构，这些模型通常包含多个方程，既有观测变量也有潜在变量。
在SEM框架内，路径系数可以是：
- 直接效应（Direct Effects）：一个变量对另一个变量的直接影响。
- 间接效应（Indirect Effects）：一个变量通过一个或多个中介变量间接影响另一个变量的影响。
-
总效应（Total Effects）：一个变量对另一个变量的总体影响，等于直接效应和间接效应之和。
路径系数的大小可以用来判断变量之间关系的强度。通常，路径系数的绝对值越大，表明变量之间的直接关系越强。在标准化路径系数中，值范围从-1到1，其中-1表示完全负的线性关系，1表示完全正的线性关系，0表示没有线性关系。
Graphic MODEL.png
之前出现过跑模型系数大于1的情况
在结构方程模型（SEM）中，路径系数通常应该在 -1 到 +1 的范围内，这是因为它们通常被解释为标准化的回归权重。当路径系数大于 1 或小于 -1 时，这通常表明模型估计中存在一些问题，这可能是由多种原因造成的：
-数据存在异常值或分布不正常：数据可能存在异常值或分布不正常（例如，非常偏斜或峰态分布），这会影响系数的估计。
- 模型设定错误：模型可能未正确指定。例如，可能遗漏了关键的路径或变量，导致对其他参数的估计产生偏差。这种情况应该是比较少出现的，因为一般模型确定之前会经过组会老师和师兄师姐的讨论，一般不会存在这种问题。
-
多重共线性：预测变量之间的高度相关可能导致估计值不稳定，有时会表现为异常的路径系数。
这个是我目前模型出现最大的问题，但是很奇怪的是我的VIF都通过了，都低于3，但是我整个数据的多重贡献却特别严重 - 过度拟合：模型可能过于复杂，尝试通过过多参数来拟合数据，导致某些参数估计值异常。
- 估计方法：使用的参数估计方法可能不适合数据或模型。例如，最小二乘法在某些条件下可能不是最佳选择。
- 尺度问题：变量的尺度不一致或未正确处理可能导致路径系数估计不准确。
- 软件错误或算法问题：在极少数情况下，可能是SEM软件的算法错误或者收敛问题导致了不正确的参数估计。
注意是否运行结果是否收敛就可以，很好观察
path coefficients.png
indirect effects.png
total effects.png
outer loading
在结构方程模型（SEM）中，特别是在偏最小二乘路径建模（PLS-PM）或使用方差基方法的SEM，"outer loading"是一个术语，它指的是潜在变量（latent variables）与其指标变量（indicator variables，也称为manifest variables）之间的关联强度。
比如智力和算数能力得分、逻辑推理能力得分和文笔书写能力得分之间的关系强弱
- 潜在变量：是不可直接观测的变量，它们是理论上的构造，如态度、满意度或智力。
- 指标变量：是可观测的变量，用于表示潜在变量。它们是潜在变量的具体表现，可以直接测量。
在PLS-SEM中，模型包含两部分：外模型（outer model）和内模型（inner model）。 - 外模型描述了潜在变量和其指标变量之间的关系
- 内模型描述了不同潜在变量之间的关系。
外加载（Outer Loadings）衡量的是指标变量和其对应潜在变量之间的相关性。一个高的外加载值（接近 +1 或 -1）表明指标变量与潜在变量有很强的关联，是该潜在变量的一个好的指标。
在外模型中，每个指标变量都会有一个外加载值，这些加载值可以用于评估每个指标的有效性。
如果一个指标变量的外加载低于某个阈值（例如，0.70），那么这可能表明该指标与潜在变量的关联较弱，可能不适合在模型中表示该潜在变量。
在解释和利用外加载时，研究人员通常会依据外加载的大小来判断指标变量是否应该保留在模型中。在模型修正过程中，具有低外加载的指标可能会被移除，以提高模型的可靠性和有效性。
outloadings.png
outweights.png
out weights
外部权重（Outer Weights）：在PLS-PM中，外部权重用于在测量模型（也称为外模型）中计算潜在变量的得分。它们是指标变量在构建其对应潜在变量得分时的相对重要性。外部权重在模型的迭代算法中是通过最大化潜在变量得分的解释力得到的。
不同于外部负荷（outer loadings），外部权重并不直接表示指标变量与其对应潜在变量之间的相关性大小。相反，它们表示的是在潜在变量得分的估计中，每个指标变量的相对贡献。在某些情况下，一个指标变量即使与潜在变量的相关性不是很高，如果它对于区分潜在变量得分的变异有帮助，它的外部权重也可以是显著的。
在统计学中，R2（R方或决定系数）是一个衡量模型拟合优度的指标，用于回归分析中。它表示因变量的变异中有多少能够由自变量（或独立变量）通过回归关系来解释。其值范围从0到1。
- R2=0意味着模型根本不解释因变量的变异。
- R2 =1：意味着模型完全解释了因变量的所有变异。
拟合系数.png
提供了一个量化模型效用的方式，但它并不完美。
它不会随着模型中自变量数量的增加而减少，这意味着添加更多的自变量可能会不合理地提高 ，即使这些变量对于预测结果并没有帮助。为了解决这个问题，调整后的 R2 （Adjusted R-squared）会对自变量的数量进行惩罚，以提供一个更为准确的拟合优度评估。
在结构方程模型（SEM）中，
