ScholarGate
Ассистент
Process / pipelinemultivariate-modeling

Структурное моделирование (Structural Equation Modeling)

Структурное моделирование (SEM) представляет собой всеобъемлющую статистическую основу, объединяющую анализ путей (Sewall Wright, 1921) и конфирматорный факторный анализ для проверки сложных причинно-следственных моделей, связывающих наблюдаемые и латентные переменные. Формализованный Йёрескогом (Jöreskog, 1973) с помощью программного обеспечения LISREL, SEM позволяет одновременно оценивать связи измерения (как переменные измеряют латентные конструкты) и структурные связи (как конструкты влияют на исходы), что делает его мощным инструментом для проверки теорий в психологии, эпидемиологии, организационных исследованиях и медицинских науках, где сложные опосредования, модерации и латентные процессы требуют интегрированного анализа.

Применить в StatMindСкороВидеоСкороDownload slides

Читать метод полностью

Только для участников

Войдите с бесплатным аккаунтом, чтобы прочитать этот раздел.

Войти

Method map

The neighbourhood of related methods — select a node to explore.

+40 more

Источники

  1. Jöreskog, K. G., & Sörbom, D. (1973). LISREL: A general computer program for estimating a linear structural equation system. Research Bulletin 73-5. University of Stockholm. link
  2. Hu, L. T., & Bentler, P. M. (1999). Cutoff criteria for fit indices in covariance structure analysis: Conventional criteria versus new alternatives. Structural Equation Modeling, 6(1), 1–55. DOI: 10.1080/10705519909540118
  3. Wright, S. (1921). Correlation and causation. Journal of Agricultural Research, 20(7), 557–585. link

Как цитировать эту страницу

ScholarGate. (2026, June 4). Structural Equation Modeling (SEM). ScholarGate. https://scholargate.app/ru/research-statistics/structural-equation-modeling

Which method?

Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.

Compare side by side

Упоминается в

Байесовский анализ канонических корреляций (Bayesian CCA)Байесовский совместный анализБайесовский вывод с учетом ошибки измеренияБайесовское тестирование моделейБайесовская модерируемая медиацияБайесовская сетьБайесовская сеть с ошибкой измеренияБайесовские количественные исследования на основе наблюденийБайесовские исследования опросовКонфирматорный факторный анализ (КФА)Динамическое каузальное моделированиеФакторный анализИерархическое подтверждающее исследованиеИсследование с тестированием иерархических моделейПродольный конфирматорный факторный анализПродольная дискриминантная валидностьТестирование инвариантности измерений в лонгитюдных исследованияхИсследование тестирования продольных моделейМетод максимального правдоподобияМедиаторный анализМоделирование смесейМодерированный медиационный анализМногогрупповой конфирматорный факторный анализ (MG-CFA)Тестирование инвариантности измерений в многогрупповых выборкахМногоуровневая инвариантность измеренийМногоуровневый медиационный анализМногоуровневое моделированиеМножественный регрессионный анализМногомерное корреляционное исследованиеМногомерные объясняющие исследованияМногомерные лонгитюдные исследованияИсследование с проверкой многомерных моделейМногомерные панельные исследованияМногомерный количественный контент-анализНомологическая валидностьПорядковый исследовательский факторный анализКонфирматорные исследования на панельных данныхИсследование тестирования моделей на основе панельных данныхАнализ путейРобастная конфирматорная факторная модельНадежная оценка дискриминантной валидностиРобастный анализ медиацииRobust Model Testing ResearchРобастный анализ модерируемой медиацииНадежная penjelasan валидностьРобастный анализ путейРобастное моделирование структурными уравнениямиАнализ мощности для структурного моделирования уравненийИсследование с подтверждением гипотез с помощью моделированияВоксельная морфометрия
ScholarGateStructural Equation Modeling (Structural Equation Modeling (SEM)). Получено 2026-06-15 из https://scholargate.app/ru/research-statistics/structural-equation-modeling · Набор данных: https://doi.org/10.5281/zenodo.20539026