| 【stata】240420结构方程模型PLS结果判读 | 您所在的位置：网站首页 › stata P值为0000 › 【stata】240420结构方程模型PLS结果判读 |
【stata】240420结构方程模型PLS结果判读
|
pls代码参考文章：PLS+SEM：基于偏最小二乘法的结构方程模型-plssem-T330
这个结果是一个测量模型的标准化载荷（Standardized loadings）表格。在结构方程建模（SEM）中，测量模型用于衡量观察到的变量（指标）与潜在概念（构念）之间的关系。 这个表格显示了每个指标与其对应潜在概念之间的标准化载荷。标准化载荷表示了指标与潜在概念之间的线性关系的强度，范围通常在0到1之间。载荷越高，表示指标对于潜在概念的解释能力越强。 让我们分析一下表格： 对于“Reflective: Attractive”潜在概念，与之相关的指标是“face”和“sexy”，它们的标准化载荷分别是0.908和0.919。对于“Reflective: Appearance”潜在概念，与之相关的指标是“appear”和“attract”，它们的标准化载荷分别是0.949和0.923。对于“Reflective: Muscle”潜在概念，与之相关的指标是“body”和“muscle”，它们的标准化载荷分别是0.899和0.886。对于“Reflective: Weight”潜在概念，与之相关的指标是“lweight”、“calories”和“cweight”，它们的标准化载荷分别是0.916、0.937和0.911。此外，表格底部还提供了Cronbach's Alpha（克朗巴赫α）、Dillon-Goldstein's (DG) rho（戴隆-戈德斯坦rho）和Average Variance Extracted (AVE)（平均方差提取）等评估指标，用于评估潜在概念的可靠性和效度。 Discriminant validity - Squared interfactor correlation vs. Average variance extracted (AVE) -------------------------------------------------------------------------- | Attractive Appearance Muscle Weight --------------+----------------------------------------------------------- Attractive | 1.000 0.080 0.021 0.002 Appearance | 0.080 1.000 0.217 0.177 Muscle | 0.021 0.217 1.000 0.041 Weight | 0.002 0.177 0.041 1.000 --------------+----------------------------------------------------------- AVE | 0.834 0.854 0.645 0.849 --------------------------------------------------------------------------这个表格显示了因子之间的平方相关性与平均方差提取（AVE）之间的比较，用于评估因子间的辨别效度（Discriminant validity）。 左上角的方阵显示了因子之间的平方相关性。每个单元格表示了两个因子之间的相关系数的平方。例如，在“Attractive”行和“Appearance”列的交叉处，值为0.080，表示这两个因子之间的相关系数的平方为0.080。 右下角的AVE值表示了每个因子的平均方差提取。AVE是指标方差在因子总方差中所占的比例的平均值。例如，“Attractive”因子的AVE值为0.834，表示在该因子的观察指标中，平均有83.4%的方差可以被该因子解释。 通过比较平方相关性和AVE值，可以评估每个因子与其他因子之间的相关性是否低于各因子自身的可解释方差。一般来说，如果平方相关性小于相应的AVE值，那么就认为因子之间具有足够的辨别效度。 在这个表格中，对角线上的值（因子与自身的相关性）都是1，因为相关系数与自己的平方总是1。其他值则表示不同因子之间的相关性。例如，最左上角的0.080表示“Attractive”和“Appearance”因子之间的平方相关系数为0.080，而该因子的AVE分别为0.834和0.854，说明它们之间的辨别效度良好。 如果平方相关性值大于对应的AVE值，可能表明存在共性偏误或者因子之间的重叠性较大，需要进一步探索和调整模型。 Structural model - Standardized path coefficients (Bootstrap) ----------------------------------------------------------- Variable | Appearance Muscle Weight --------------+-------------------------------------------- Attractive | 0.283 | (0.000) Appearance | 0.466 0.420 | (0.000) (0.000) --------------+-------------------------------------------- r2_a | 0.075 0.213 0.172 ----------------------------------------------------------- p-values in parentheses这个表格显示了结构模型的标准化路径系数，以及相应的p值。结构模型用于描述不同潜在概念之间的直接影响关系。 在第一列，“Variable”列列出了自变量（Independent variable），这里是“Attractive”和“Appearance”。在第一行，“Variable”列列出了因变量（Dependent variable），这里是“Appearance”、“Muscle”和“Weight”。表格中的数字表示了自变量对应的因变量的标准化路径系数。例如，0.283表示“Attractive”对“Appearance”的标准化路径系数为0.283。括号中的数字是路径系数的p值，用于衡量该路径系数是否显著。在这个表格中，有三个路径系数： “Attractive”对“Appearance”的路径系数为0.283，p值小于0.05，表示这一关系是显著的。“Appearance”对“Muscle”的路径系数为0.466，p值小于0.05，表示这一关系是显著的。“Appearance”对“Weight”的路径系数为0.420，p值小于0.05，表示这一关系是显著的。此外，表格底部的“r2_a”列显示了每个因变量的R方值（可决系数），用于衡量自变量对因变量的解释方差的程度。例如，0.075表示“Attractive”对“Appearance”的R方为0.075，表明自变量“Attractive”能够解释因变量“Appearance”7.5%的方差。 综合来看，这个结构模型的结果表明，自变量“Attractive”对“Appearance”有显著的正向影响，而“Appearance”对“Muscle”和“Weight”也有显著的正向影响。 Correlation of latent variables -------------------------------------------------- | Attrace Appeare Muscle Weight -------------+------------------------------------ Attractive | 1.0000 Appearance | 0.2830 1.0000 Muscle | 0.1435 0.4658 1.0000 Weight | -0.0414 0.4204 0.2032 1.0000 --------------------------------------------------这个表格显示了潜在变量之间的相关性系数。潜在变量通常是通过多个观察变量（指标）测量得出的，它们代表了一个概念或者理论构念。基本和刚刚的《标准化路径系数+p值》表格一致。 表格中的数字表示了不同潜在变量之间的相关系数。例如，0.283 表示了“Attractive”和“Appearance”之间的相关系数为0.283。每个潜在变量自身的相关系数始终为1，因为自己与自己的相关性是完全的。相关系数的符号表示相关性的方向。正值表示正相关，负值表示负相关。分析这个表格，我们可以得到以下结论： "Attractive" 和 "Appearance" 之间的相关系数为 0.283，显示了一个轻度正相关。"Attractive" 和 "Weight" 之间的相关系数为 -0.0414，显示了一个较小的负相关。"Appearance" 和 "Muscle" 之间的相关系数为 0.4658，显示了一个中度正相关。 间接效应解读 Significance testing of (standardized) indirect effects (Bootstrap) -------------------------------------------------------------- | Muscle |
【本文地址】