中年|python数据分析：如何用python做路径分析，附数据库实例操练
最近在学习结构方程模型 ， 因为是个新东西 ， 自己做毕业论文也得用 ， 所以最近更新很慢 ， 大家见谅 ， 最近会给大家写一些自己理解的结构方程模型的东西 ， 和python做法 ， 今天主要是写路径分析 。
路径分析简介
路径分析其实是结构方程模型的一部分 。
结构方程模型(SEM)由两个部分所组成 ，第一部分是测量模型(measurement model) ， 了解每个潜在变数下的结构是否符合理论预期？会以验证性因素分析(CFA)来分析；另一个部分则为结构模型(structural model) ， 探讨研究者提出的特定行为科学理论 ， 其变数间复杂的因果路径关系 ， 因此也称为路径分析(Path analysis,以下简称PA) 。
1921年美国遗传学者Sewell Wright首先提出了路径分析(PA)的概念 ， 用来处理演化与突变的机制关系 。 之后路径分析在许多社会科学领域获得非常广泛的使用 ， 不管是经济学 ， 心理学 ， 甚至教育与政治学 。
其实 ， 路径分析可以说是结构方程模型(SEM)的一种特殊的亚型 ， 只要把PA看为每个变数都只用一个可观察指标(observable indicator)来测量的SEM即可 。
换言之 ， PA不是只有一个回归方程 ， 而是用一组回归方程来同时估计效果的模型 ， 对于行为科学复杂的理论建构 ， 以及理论上因果关系争议(例如到底是动机影响了成绩 ， 还是成绩影响了动机 ， 抑或是两者互为因果？)的厘清很有帮助 。
路径分析(PA)常常用于处理中介效果(mediated effect)的分析 。 中介模型(mediated model)常常在行为科学领域用来验证因果机制(causal mechanism) 。
本文插图
中介模型
以上图为例 ， 研究者初期已经建立了自变量与因变量之间的关系 ， 但是想进一步理解 ， 自变数到底是透过什么机制来影响因变量 。
给大家举个例子 ， 一家企业的HR 部门发现举办某个training program 后 ， 参与员工的工作绩效显著提升了 。 对于HR 主管而言 ， 他(她)或许有兴趣于到底是什么样的因果机制导致了这样的效果？因此其作了一些假设 ， 并在下一次施行时 ， 测量那些变数 ， 结果发现是因为training program 提升了员工的自我效能感 ， 进而使其愿意挑战自己 ， 而让工作绩效随之爬升 。 在这里 ， 自我效能感就是中介变数 ， 从这次的分析中 ， 可以让该组织了解到 ， 之后不管有没有该training program ， 透过各种途径与方法提升员工的自我效能感才是真正核心的关键 ， 因为这能让员工工作绩效更上一层楼 ， 进而让整体组织都能获益 。
在上图中 ， 自变量本身对于因变量的独特效果 ， 称为直接效果(direct effect)；而自变数透过中介变数(mediator)影响因变量的部分 ， 则称为间接效果(indirect effect) ， 两种效果加总 ， 就是所谓的总效果(total effect) 。
【中年|python数据分析：如何用python做路径分析，附数据库实例操练】在方法论上 ， 模型考量了中介变数后 ， 若直接效果变得不显著 ， 表示该中介变数有完全中介(complete mediation)的效果 ， 但只是让直接效果的估计值变小 ， 但仍然具有统计显著性 ， 称为部分中介(partial mediation)效果 ， 以training program为例 ， 表示很可能除了自我效能感外 ， 还有其他心理因素也中介了该program对于工作绩效的关系 ， 进一步探究以便厘清 。
python路径分析实操
用python做结构方程模型需要用到的库为semopy ， semopy是一个伞形python包 ， 它包含许多结构方程建模（sem）技术 。
第一步设定模型代码如下
from semopy import Modelmod = """ #c ~ a + bq4 ~ q12 + q2#d ~ c + aq1 ~ q4 + q12 """model = Model(mod)
代码解释：以上代码首先导入Model ， 然后设定模型 ， 我们设定了如下图所示的模型（代码中有注释）
本文插图
第二步导入数据（数据请关注私信获取 ， 自动回复的）
from pandas import read_csvdata = http://news.hoteastday.com/a/read_csv("dataset/1 evals.csv")data.head()model.load_dataset(data)
代码解释：这个就不用解释啦嘿嘿 ， 最后一行的代码是将数据导入模型 。
第三步估计模型参数
from semopy import Optimizeropt = Optimizer(model)from semopy.inspector import inspectinspect(opt)
代码解释：上面的第一部分是估计参数 ， 然后查看参数 ， 输出如下：
本文插图
可以看到结果有所有方程的回归系数和P值等 ， 还有q1 ， q4的方差 。
小结
今天给大家介绍了结构方程模型的概念和路径分析的python实现方法 ， 算是给大家做了一个中介模型 ， 感谢大家耐心看完 。 发表这些东西的主要目的就是督促自己 ， 希望大家关注评论指出不足 ， 一起进步 。 内容我都会写的很细 ， 用到的数据集也会在原文中给出链接 ， 你只要按照文章中的代码自己也可以做出一样的结果 ， 一个目的就是零基础也能懂 ， 因为自己就是什么基础没有从零学Python的 ， 加油 。
推荐阅读
- 减肥|JAMA：减肥要趁早，25岁就该开始预防中年期肥胖
- 人到中年，常吃3种食物，健脑益智，美白抗衰，保护心血管
- 中年|《中国新说唱2020》全民搞哈开团日
- 中年|点燃创新之火，合力解除“缺芯”之痛
- 中年|画像“标签”生产实操指南(二)之产出清晰的标签数据需求
- 中年|从原型模式到浅拷贝和深拷贝
- 中年|宁愿2450亿打水漂，也不使用华为设备？如今却沦为“国际笑话”
- 中年|Angular export class AppComponent里定义变量的实现原理
- 中年|社交网络中的信息交流效率 社交网络并非越大越好
- 女人|疫情没过，大马中年妇女跟老公数次去夜店被捕：担心他找其他女人