Skills Data Science Advanced SEM for Causal Hypothesis Testing

Advanced SEM for Causal Hypothesis Testing

v20260724
nbr-survey-sem
A comprehensive guide for conducting advanced quantitative research using Structural Equation Modeling (SEM) on questionnaire data. It details rigorous procedures for testing complex causal relationships, including mediation, moderation, and moderated mediation, alongside handling nested data via Hierarchical Linear Modeling (HLM). Essential for academic papers requiring robust inference.
Get Skill
287 downloads
Overview

问卷-SEM 分析(nbr-survey-sem)

触发时机

  • 假设是中介 / 调节 / 被调节的中介
  • 数据是问卷(个体或企业层级)
  • 数据有嵌套结构(员工嵌套于团队/企业)

前置:测量须先过 nbr-measurement(信效度 + CMV)。模型拟合不能替代测量规范。

测量模型与拟合标准(经验门槛,非硬性)

先验证测量模型(CFA),再估结构模型:

  • χ²/df < 3(宽松 < 5);CFI / TLI > 0.90(宜 > 0.95)
  • RMSEA < 0.08(宜 < 0.06);SRMR < 0.08
  • 用 CFA 区分多构念(如目标模型优于合并模型),佐证区分效度

中介 / 调节 / 被调节的中介

  • 中介:报告Bootstrap(如 5000 次)间接效应及偏差校正 95% CI,CI 不含 0 才成立;优先 Bootstrap 而非 Sobel
  • 调节:自变量与调节变量中心化/标准化后建交互项;报告交互项系数,并做**简单斜率(simple slope)**与图示
  • 被调节的中介:报告moderated mediation 指数(index of moderated mediation)及其 Bootstrap CI;并给不同调节水平下的条件间接效应

多层数据(HLM)

  • 先看ICC(1)/ICC(2) 与 rwg 判断是否需要多层、能否聚合
  • 跨层假设用多层模型(HLM / 多层 SEM),区分组内/组间效应
  • 跨层中介/调节按 1-1-1、2-1-1 等路径明确层级,必要时组均中心化

分析走查:两时点被调节中介

设想 T1 测平台员工感知算法监控与传统性,T2(间隔一个月)测情绪耗竭与离职意愿,假设为被调节的中介(传统性调节前半段):

  1. CFA:四因子目标模型优于备择合并模型(Δχ² 显著),拟合达标后才进结构模型
  2. 中介:5000 次 Bootstrap,间接效应 95% CI 不含 0
  3. 调节:监控与传统性中心化后建交互项,画高/低传统性(±1SD)简单斜率图
  4. 被调节中介:报告 index of moderated mediation 的 Bootstrap CI,并列高/低传统性下的条件间接效应
  5. 稳健性:加入标记变量后路径系数无实质变化——与 nbr-measurement 的 CMV 结论互证

结果呈现表序(校准锚)

本刊问卷文章的表格序列大体稳定:描述统计与相关矩阵 → 验证性因子分析比较 → 假设检验(回归或 SEM 路径系数)→ Bootstrap 中介 / 条件间接效应表,并配一张简单斜率图。每张表呼应至少一条编号假设;假设检验表宜在行末标注对应假设编号与"支持/不支持",方便审稿人对照概念模型图核验。具体版式以期刊最新投稿指南与近期刊文为准。

统计质疑速答

质疑 速答路线
"Y 也可能反向影响 X" 时滞设计陈述 + 理论排序论证;必要时补反向模型的拟合比较
"为什么不用 HLM?" 报 ICC(1):低于经验阈值且假设均在个体层,说明无聚合必要
"中介显著但效应量太小" 报告效应占比与置信区间,从理论上论证小效应的累积意义
"控制变量取舍随意" 给出每个控制变量的文献依据,并报告不含控制变量的稳健性结果
"拟合指标是否挑好的报" CFI/TLI/RMSEA/SRMR 全套同表呈现,不做选择性披露

执行桥(StatsPAI / Stata MCP)

把稳健性 battery 跑出来,而不是只罗列。完整映射见 execution-with-mcp。《南开管理评论》是中国情境实证管理刊;实验用随机化推断 + 多重检验,问卷-SEM 与测量循其规范,定性案例另循其标准。

  • 多结果 / 多设定:romano_wolf(逐步 FWER)或 benjamini_hochberg,报告校正后阈值。
  • 遗漏变量敏感性:oster_delta / sensemakr
  • **推断:**少聚类用 wild_cluster_bootstrap;视依赖结构用 twoway_cluster / conley
  • 从一个 handle 复跑:audit_result(result_id) 列出缺失检查及对应 suggest_function
  • 出表:etable / did_summary_to_latex 直接从 handle 生成,不手抄数字。

正文留决定性检查,详尽 battery 进附录。执行链见 JF 执行 walkthrough

自检清单

  • 先 CFA 后结构模型,拟合指标齐全(CFI/TLI/RMSEA/SRMR)
  • 中介用 Bootstrap 间接效应 + CI,不只看系数显著
  • 调节做了中心化、交互项、简单斜率与图
  • 被调节的中介报告了 index of moderated mediation
  • 嵌套数据先验证 ICC,再决定是否上 HLM
  • 控制变量、共同方法因子等处理透明可复现

反模式

  • 直接报结构模型,跳过测量模型拟合
  • 中介只用逐步回归(Baron-Kenny)或 Sobel,不做 Bootstrap
  • 调节不中心化、不画简单斜率,只贴一个交互项系数
  • 嵌套数据当独立样本跑普通 SEM,无视 ICC

输出格式

【测量模型】χ²/df <…> CFI <…> TLI <…> RMSEA <…> SRMR <…>
【中介】间接效应 <…>,Boot 95% CI [ , ]|成立□
【调节】交互项 β <…>,简单斜率:高/低 <…>
【被调节中介】index <…>,CI [ , ]|条件间接效应:<…>
【多层】ICC1/ICC2 <…>|模型:HLM / 多层SEM
【下一步】nbr-china-context / nbr-discussion-contribution
Info
Category Data Science
Name nbr-survey-sem
Version v20260724
Size 5.74KB
Updated At 2026-07-28
Language