mcpField
G
grad-sem

grad-sem

github.com/asgard-ai-platform数据与数据库24344 次安装21 周前更新
代码仓库

关于 grad-sem

grad-sem 是一项结构方程模型（SEM）分析技能，面向检验潜变量、测量指标与理论路径的研究者。它涵盖确认性因子分析、模型拟合、路径估计和结果报告，并强调模型拟合不能证明因果关系。

主要功能

  1. 01定义测量模型与潜变量
  2. 02评估模型拟合指标
  3. 03估计结构路径与系数
  4. 04比较嵌套模型
  5. 05报告间接效应与 R²

适用场景

  1. 01检验含潜变量的理论模型
  2. 02分析包含多个中介的路径
  3. 03验证问卷题项对应的构念
  4. 04比较同一数据上的理论模型

安装

复制下面的命令，在终端中运行。

$npx skills add https://github.com/asgard-ai-platform/skills --skill grad-sem

安装后在 Claude Code 中输入/grad-sem确认已加载。

附带文件examples/sample_scenario.mdreferences/estimation.md

详细介绍

SEM 结构方程模型

概述

结构方程模型（SEM）同时估计测量模型（观测指标如何对应潜在构念）和结构模型（构念之间的方向性路径）。它将验证性因子分析与路径分析相结合，用于检验实证数据是否符合假设的理论结构。

适用场景

  • 检验包含潜在构念和方向性路径的完整理论模型
  • 评估中介链（X → M → Y），包括多个中介变量的情况
  • 评估调查问卷条目是否充分反映其预期构念（CFA）
  • 使用同一组数据比较不同的理论模型

不适用场景

  • 样本量低于 200（或每个估计参数少于 10 个案例）
  • 没有先验理论模型的探索性研究
  • 所有变量均为观测变量，且模型只是简单回归
  • 数据严重偏离正态分布，且无法使用稳健估计量

假设

IRON LAW: SEM does NOT prove causation — it tests whether data is CONSISTENT
with a hypothesized causal structure. Good fit does NOT mean the model is
correct; it means the model cannot be rejected.

关键假设：

  1. 模型设定正确——遗漏路径或构念会导致估计产生偏差
  2. 使用 ML 估计时满足多元正态性（或使用稳健估计量）
  3. 样本量足够大（经验法则为 N ≥ 200）
  4. 指标之间不存在过度多重共线性

方法

第 1 步 — 设定测量模型

定义潜在构念及其观测指标。运行 CFA 以确认因子载荷，并评估聚合效度（AVE ≥ 0.50）和区分效度。

第 2 步 — 评估测量模型拟合度

评估拟合指数：CFI ≥ 0.90、TLI ≥ 0.90、RMSEA ≤ 0.08、SRMR ≤ 0.08。谨慎检查修正指数——只有在有理论依据时才重新设定模型。

第 3 步 — 设定并估计结构模型

根据理论，在潜在构念之间添加方向性路径。估计路径系数及其显著性。使用卡方差异检验比较嵌套模型。

第 4 步 — 报告并解读

报告标准化路径系数、内生构念的 R² 以及整体拟合度。若假设存在中介效应，则讨论间接效应。有关数学符号和估计详情，请参阅 references/estimation.md。

输出格式

## SEM Analysis: [Study Title]

### Measurement Model (CFA)
| Construct | Indicator | Std. Loading | AVE | CR |
|-----------|-----------|-------------|-----|-----|
| [name] | [item] | x.xx | x.xx | x.xx |

### Model Fit
| Index | Value | Threshold | Assessment |
|-------|-------|-----------|------------|
| CFI | x.xx | ≥ 0.90 | [pass/fail] |
| TLI | x.xx | ≥ 0.90 | [pass/fail] |
| RMSEA | x.xx | ≤ 0.08 | [pass/fail] |
| SRMR | x.xx | ≤ 0.08 | [pass/fail] |

### Structural Paths
| Path | Std. β | S.E. | p-value | Supported? |
|------|--------|------|---------|------------|
| X → M | x.xx | x.xx | x.xx | [Yes/No] |

### Key Findings
- [Interpretation of results]

### Limitations
- [Note any assumption violations]

注意事项

  • 始终存在拟合度相同但因果方向不同的等价模型——SEM 无法区分这些模型
  • 修正指数容易诱使研究者根据数据重新设定模型，从而利用偶然性
  • 对条目进行打包会掩盖测量模型设定错误
  • 当 N > 500 时，卡方检验过于敏感；应依赖近似拟合指数
  • 非正态数据需要使用 MLR 或自助法，而非默认的 ML
  • 只报告显著路径而不呈现完整的假设模型，属于选择性报告

参考文献

  • Kline, R. B. (2016). 结构方程模型原理与实践（第 4 版）。Guilford Press.
  • Hu, L., & Bentler, P. M. (1999). 拟合指数的临界值标准。结构方程模型，6(1)，1-55。
  • Anderson, J. C., & Gerbing, D. W. (1988). 结构方程模型的实践应用。心理学公报，103(3)，411-423。

评论

支持 Markdown