总览
结构方程模型和多级模型为数据分析提供了极大的灵活性。利用这些技术,研究人员可以使用观察到的和潜在的变量来估计各种各样的影响。使用Mplus,这些效果可以嵌入到许多类型的大型模型中。在结构方程建模方面,仅观察到变量的特殊情况包括多元回归和路径分析。借助观察到的和潜在变量,特殊情况包括验证性因子分析和潜在增长模型。
在具有聚类或嵌套数据的多级建模方面,例如教室中的学生或工作团队中的人员,潜变量用于建模组平均值和跨组的效果差异(即分别为随机截距和随机斜率)。这允许在多个分析级别上估计关系。多级模型还可以用于检查纵向过程和效果,包括作为特殊情况的潜在增长建模。此外,结构方程模型和多级模型都可以理解为更通用的建模框架的特殊情况,可以称为多级结构方程模型,该模型可以在多个分析级别上估算结构方程。
方便地,Mplus可以使用传统估计器和贝叶斯估计器来估计所有这些,从而为研究人员提供了用于假设检验的多种选择。这个为期5天的研讨会将概述Mplus中的这些模型,包括如何解释结果。
课程成果
在本课程结束时,学员将对Mplus中的结构方程建模和多级建模有一定的了解。实际数据和示例将在整个课程中使用。参与者还将学习如何使用传统估计和贝叶斯估计。这将通过涵盖以下主题来完成:
-
Mplus简介:Mplus语言,回归,协变量和路径分析。
-
流行的回归工具:Mediators, moderators, and instrumental variables.。
-
使用潜在变量:验证性因素分析和结构方程建模。
-
多级建模:随机截距,随机斜率,多级路径分析和多级结构方程式建模。
-
潜在增长建模:纵向数据和过程,使用多级和结构方程建模进行应用。
鼓励与会者携带笔记本电脑。在课程中将对所有型号进行估算和解释,因此无需使用笔记本电脑,但参与者会发现使用Mplus软件非常有帮助。
资源下载网址:https://melbourne.figshare.com/s/eac914ef75fee3899ae5(点击左下角原文阅读)
如果你不想下载,可以移步到B站观看,观看方法可查看此文章
https://mp.weixin.qq.com/s/A2pQ49ZqqdVQ4vL3e9YXvw
以上内容参考墨尔本大学官网,文章仅限学习使用,不用于商业行为,若有侵权及疑问,请后台留言!