JASP是一款免费、开源的统计分析软件，其界面友好且兼具贝叶斯与经典统计方法。使用JASP进行结构方程模型分析是其一项核心高级功能。以下是专业、准确的操作指南及相关扩展内容。
首先，确保你安装的JASP版本已包含SEM模块。从JASP官网下载的默认版本通常已包含，但需在分析菜单中确认。
一、 数据准备与导入
在进行分析前，数据应满足SEM的基本要求：样本量充足（通常N>200或变量数的10-15倍）、变量类型为连续或有序分类、处理缺失值（如使用全息极大似然估计FIML）。将数据文件（如.csv, .xlsx, .sav）导入JASP后，通过“描述性统计”检查数据质量。
二、 执行SEM分析的核心步骤
1. 选择分析模块：点击顶部菜单栏的“SEM”（或“结构方程模型”）。
2. 定义测量模型：在“因子”子菜单中，为每个潜变量指定其观测指标（题目）。将左侧变量拖入对应潜变量框内，或使用语法（如“视觉 =~ vis1 + vis2 + vis3”）。
3. 定义结构模型：在“结构关系”子菜单中，使用箭头图标或语法（如“数学 ~ 视觉 + 语言”）指定潜变量间的路径（回归）关系。
4. 选择估计方法与选项：在“估计”选项中，默认估计方法为最大似然估计。根据数据特性，可选择稳健估计（如MLR）处理非正态性，或选择贝叶斯估计。勾选输出修正指数、标准化解等。
5. 运行与查看结果：点击“运行”后，结果面板将呈现模型结果。
三、 结果解读要点
JASP的SEM结果输出清晰，主要查看以下几部分：
- 模型拟合指标：这是评估模型与数据契合度的关键。需综合多个指标判断。
| 拟合指标 | 判断标准（理想值） | 简要说明 |
|---|---|---|
| χ²/df (卡方自由度比) | < 3 (严格可<5) | 值越小越好，但对大样本敏感 |
| CFI (比较拟合指数) | > 0.90 (优>0.95) | 比较假设模型与基线模型 |
| TLI (Tucker-Lewis指数) | > 0.90 (优>0.95) | 考虑模型复杂度，>1可能过拟合 |
| RMSEA (近似误差均方根) | < 0.08 (优<0.06) | 值越小越好，提供置信区间 |
| SRMR (标准化残差均方根) | < 0.08 (优<0.05) | 值越小越好，适用于相关矩阵 |
- 参数估计：查看“参数估计”表格。关注路径系数（回归权重）的估计值、标准误、p值（或贝叶斯下的可信区间）及标准化解。显著的路径（p < .05）表明关系存在。
- 测量模型质量：检查因子载荷（通常>0.6或0.7），以及信度指标如组合信度与平均方差抽取量。
- 模型修正：若拟合不佳，可参考“修正指数”表格。MI值大的条目（如>10）提示若释放相应参数（如增加残差相关）可能显著改善拟合，但需有理论依据。
四、 扩展：JASP SEM的高级功能与相关应用
1. 多组比较：在“分组变量”中指定分类变量（如性别、实验组别），可检验测量不变性或路径系数的组间差异。
2. 贝叶斯SEM：在“估计”中选择贝叶斯方法。贝叶斯SEM能提供参数的可信区间、直接比较模型（通过贝叶斯因子）且对小样本更稳健。
3. 潜在增长曲线模型：这是SEM处理纵向数据的特例，可用于分析个体随时间的变化轨迹。在JASP中可通过定义截距与斜率潜变量来实现。
4. 与其它软件对比：JASP的SEM语法与lavaan包（R语言）高度兼容，易于迁移。相较于Mplus、Amos，JASP免费且图形化界面更易上手，但在处理极端复杂模型（如带有分类潜变量的模型）时功能可能稍逊。
五、 注意事项
SEM是验证性而非探索性技术，需基于坚实理论构建假设模型。样本量不足、变量非正态、模型误设是常见问题。JASP提供了丰富的诊断工具，如参数估计的置信区间、残差分析等，应充分利用以保障分析质量。
查看详情
查看详情
