2.3、Mplus潜类别变量作为调节变量的RMM—零基础入门教程

Mplus 统计分析从入门到精通（视频+数据+课件）------------------------------ 点击获取

点击上方链接可以查看完整版视频教程

Mplus是一种统计分析软件，可以用于进行结构方程模型（SEM）分析。其中，潜类别变量是一种特殊的变量类型，它将个体分为不同的类别，而不是连续的数值。潜类别变量可以用于研究人群中存在的不同子群，并探索这些子群在不同变量之间的关系。在Mplus中，可以使用潜类别变量作为调节变量进行分析。调节变量是指在研究中用于解释因果关系的变量，它可以影响自变量和因变量之间的关系。通过将潜类别变量作为调节变量，研究者可以探索不同子群之间的调节效应，从而更全面地理解变量之间的关系。

Mplus潜类别变量作为调节变量的RMM

RMM更一般的形式是混合结构方程模型。

通常这类模型包含两部分：LCA和回归模型。

前者是一个独立的测量模型，类别潜变量C有5个测量指标；后者是常见的回归模型。同多组潜变量模型(分组变量为观测变量)一样，潜类别变量作为调节变量的RMM可以看作调节模型：类别潜变量就像分组变量一样调节不同类别的回归系数。采用这种方法的应用研究如 Van Horn等(2009)在一个大样本N=6305中发现家庭资源对学业成绩的影响存在群体异质性，换句话说，家庭资源对学业成绩的影响在不同类别组内存在差异。

传统的线性回归模型可以通过下式表达：

同FMM一样，RMM可以看作传统回归模型与潜类别模型结合的产物(Lazarsfeld &

Henry,1968;MeCutcheon,1987)。   由此，RMM的表达式变成了如下形式：

与传统的回归模型不同，截距和斜率系数多了下标c,表达截距和斜率跨类别变化。

这类模型的估计可以采用三步法实现。

首先，估计LCA模型，将样本分组；

其次，由于LCA分组存在分类错误，因此在随后的分析中要将分类错误考虑进来。

最后，进行分组回归分析。回归混合模型的三步法目前无法在Mplus中同时建模，只能手动分步计算。

(1)单步法

单步法处理潜类别变量作为调节变量的RMM示例见下框。

(2)稳健三步法

在Mplus里采用稳健三步法处理潜类别变量作为调节变量的RMM需要两步完成。 第一步分析LCA并保存后验分类概率；第二步，考虑分类误差进行结构模型分析，下框给出了两步的示例。

(3)BCH法

与稳健三步法类似，BCH法处理潜类别变量作为调节变量的RMM也需要两步完成。 第一步分析单独的LCA, 保留后验概率作为第二步分析的权重，具体使用SAVEDATA里的Save=bchweigh

ts。 第二步使用Training语句将上一步保留的后验分类概率作为BCH法的权重，见下框的示例。

如果上述教程没有解决您的问题，可以联系分析师获取支持：

分析师服务（24小时在线）

如果您需要代做服务，可选择下方服务选项：

‍1、问卷设计、问卷调查：点击联系

2、数据分析、实证分析：点击联系‍

3、科研配图、论文配图：点击联系

4、文章指导、润色美化：点击联系

5、数据查找、代查代下：点击联系

6、数据修改、调整合理：点击联系‍

7、职称评审、课题申报：点击联系

8、格式排版、文章翻译：点击联系‍