記得之前有寫過如何用R做随機截距交叉滞後，有些粉絲完全是R小白，還是希望我用mplus做，今天就給大家寫寫如何用mplus做随機截距交叉滞後。

做之前我們需要知道一些Mplus的默認的設定：

• observed and latent exogenous variables are correlated, and
• residuals of observed and latent outcome variables (which do not predict anything) in a path model are correlated.

這些設定可以幫助我們更容易地設定結構方程模型，但是在做随機截距交叉滞後模型的時候我們需要變化一下，此時需要在語法中加上ANALYSIS: MODEL = NOCOV;

用mplus做随機截距交叉滞後需要規定4個部分：

1. 因素間部分，就是随機截距，用BY來設置，寫出RIx BY x1@1 x2@1 ...這樣的形式，其中@1表示固定為1的意思，這個是做随機效應交叉滞後的默認操作
2. 因素内部分的内在波動，也是用BY來設定，寫出wx1 BY x1; wx2 BY x2; ....這樣的形式，同時需要将誤差方差固定為0
3. 交叉滞後部分，寫出wx2 ON wx1 wy1; wx3 ON wx2 wy2; ....這樣的形式
4. 内外共變部分，因素内寫出wx1 WITH wy1; wx2 WITH wy2;....這樣的形式；因素外寫出RIx WITH RIy的形式。

所以一個基本的随機截距交叉滞後的代碼就是如下：

MODEL: ! 随機截距 RIx BY x1@1 x2@1 x3@1 x4@1 x5@1; RIy BY y1@1 y2@1 y3@1 y4@1 y5@1; ! 因素内 wx1 BY x1@1; wx2 BY x2@1; wx3 BY x3@1; wx4 BY x4@1; wx5 BY x5@1; wy1 BY y1@1; wy2 BY y2@1; wy3 BY y3@1; wy4 BY y4@1; wy5 BY y5@1; ! 誤差方差為0 x1-y5@0; ! 交叉滞後 wx2 wy2 ON wx1 wy1; wx3 wy3 ON wx2 wy2; wx4 wy4 ON wx3 wy3; wx5 wy5 ON wx4 wy4; ! 随機截距相關 RIx WITH RIy; !組内相關 wx1 WITH wy1; wx2 WITH wy2; wx3 WITH wy3; wx4 WITH wy4; wx5 WITH wy5;

一般情況下我們在重複測量之前都會收集一般人口學特征等等協變量，在做分析的時候我們也會有控制協變量的需求，此處我們是有兩個選擇，一個是把協變量在顯變量水平（左圖），另外一個是将協變量控制在随機截距水平（右圖）：

控制在顯變量水平的意思就是說我這些變量對模型的作用都是對每一波測量都有的，在協變量不變的情況下來從整體上拟合我們的模型，比如我現在有一個協變量Z我就可以寫出代碼如下：

MODEL: ! 随機截距 RIx BY x1@1 x2@1 x3@1 x4@1 x5@1; RIy BY y1@1 y2@1 y3@1 y4@1 y5@1; RIx WITH RIy; wx1 BY x1@1; wx2 BY x2@1; wx3 BY x3@1; wx4 BY x4@1; wx5 BY x5@1; wy1 BY y1@1; wy2 BY y2@1; wy3 BY y3@1; wy4 BY y4@1; wy5 BY y5@1; x1-y5@0; ! 協變量添加 x1-x5 ON z1 (s1); y1-y5 ON z1 (s2); wx2 wy2 ON wx1 wy1; wx3 wy3 ON wx2 wy2; wx4 wy4 ON wx3 wy3; wx5 wy5 ON wx4 wy4; wx1 WITH wy1; wx2 WITH wy2; wx3 WITH wy3; wx4 WITH wy4; wx5 WITH wy5;

控制在放在随機截距的意思就是說這個顯變量是影響了個體差異進而影響整個模型，這個是在探究between-difference的影響的時候用的，此時我們的代碼如下：

MODEL: RIx BY x1@1 x2@1 x3@1 x4@1 x5@1; RIy BY y1@1 y2@1 y3@1 y4@1 y5@1; RIx WITH RIy; wx1 BY x1@1; wx2 BY x2@1; wx3 BY x3@1; wx4 BY x4@1; wx5 BY x5@1; wy1 BY y1@1; wy2 BY y2@1; wy3 BY y3@1; wy4 BY y4@1; wy5 BY y5@1; x1-y5@0; ! 協變量添加語法 RIx RIy ON z1; wx2 wy2 ON wx1 wy1; wx3 wy3 ON wx2 wy2; wx4 wy4 ON wx3 wy3; wx5 wy5 ON wx4 wy4; wx1 WITH wy1; wx2 WITH wy2; wx3 WITH wy3; wx4 WITH wy4; wx5 WITH wy5;

運行上面的代碼我們的帶協變量的随機截距交叉滞後就出來了，然後我們點擊view diagram還可以看自動生成的路徑圖

自己生成的就是亂糟糟一團，然後點擊圖中的各個節點都是可以調整的，下圖是給一個同學做的多個顯變量的随機截距交叉滞後模型，模型中控制了兩個協變量sex和degree，然後下圖就是mplus自動生成的模型圖，調整調整還是能看的，這個模型是将協變量控制在顯變量水平的：

多組比較的意思就是看看路徑系數或者載荷，在某個變量的組間是不是一樣，内在原理是将模型分組拟合，然後比較固定兩組路徑相等的模型拟合優度和兩組自由估計的優度之間的差異，如果路徑相等的模型并沒有顯著差于自由估計的模型就可以認為組間無差異，常見的應用就是在量表的跨文化調試中，比如你想看看英文和中文的量表有沒有差異，你就可以嘗試進行多組比較建模：

Multigroup models test separate models in two or more discrete groups. Equality constraints across groups are used to conduct nested tests using likelihood ratio comparisons between a model with certain parameters constrained to be equal and a model with those same parameters freely estimated (allowed to differ) across the groups. For example, one can investigate whether means, predictive paths, or loadings differ across two nationalities.

做多組比較的時候，我們也需要修改一些mplus的默認設定，在默認設定中，顯變量的截距在組間是等價的；潛變量的均值是自由估計的，我們在做多組比較模型的時候需要估計的參數其實變多了，所以我們需要将顯變量的截距自由估計和将潛變量的均值固定從而釋放更多的自由度。

如果我們要依照某個變量比如說group這個變量進行多組比較，我就可以在variable參數中加上grouping，寫出代碼如下，如果我們想直接比較某兩個參數，我們可以用model test語法，然後結果中就會輸出系數的組間檢驗，比如下面的代碼就是在比較兩組間随機截距的相關是不是一樣：

VARIABLE: NAMES = x1-x5 y1-y5 GROUP; GROUPING = GROUP (1=G1 2=G2); MODEL: ! 随機截距部分 RIx BY x1@1 x2@1 x3@1 x4@1 x5@1; RIy BY y1@1 y2@1 y3@1 y4@1 y5@1; ! 測量誤差 wx1 BY x1@1; wx2 BY x2@1; wx3 BY x3@1; wx4 BY x4@1; wx5 BY x5@1; wy1 BY y1@1; wy2 BY y2@1; wy3 BY y3@1; wy4 BY y4@1; wy5 BY y5@1; x1-y5@0; ! 交叉滞後系數 wx2 wy2 ON wx1 wy1; wx3 wy3 ON wx2 wy2; wx4 wy4 ON wx3 wy3; wx5 wy5 ON wx4 wy4; ! 随機截距共變 RIx WITH RIy（a）; ! 同一波次的相關 wx1 WITH wy1; wx2 WITH wy2; wx3 WITH wy3; wx4 WITH wy4; wx5 WITH wy5; MODEL G2: RIx WITH RIy(b); model test: a = b;

上面的代碼的意思就是在運行上面的代碼就可以出多組比較的結果了：

結果中會有系數比較的結果，說明兩組間我們的系數（随機截距的相關）是有顯著差異的：

以上就是今天給大家分享的在随機截距交叉滞後中控制協變量以及如何做組間系數比較，希望對大家有所啟發。

上面的所有操作都是可以在R語言中進行的，不過有做這個模型需求的大多數同學還是用mplus多，所以出了一期mplus，希望可以幫助到大家。之後會給大家寫R的操作。

今天給大家寫了随機截距交叉滞後的mplus做法，包括如何添加協變量，以及如何進行多組比較，希望對大家有啟發，感謝大家耐心看完，自己的文章都寫的很細，代碼都在原文中，希望大家都可以自己做一做，請轉發本文到朋友圈後私信回複“數據鍊接”獲取所有數據和本人收集的學習資料。如果對您有用請先收藏，再點贊分享。

也歡迎大家的意見和建議，大家想了解什麼統計方法都可以在文章下留言，說不定我看見了就會給你寫教程哦，另歡迎私信。

如果你是一個大學本科生或研究生，如果你正在因為你的統計作業、數據分析、模型構建等發愁，如果你在使用SPSS,R，Python，Mplus, Excel中遇到任何問題，都可以聯系我。因為我可以給您提供最好的，最詳細和耐心的數據分析服務。

如果你對Z檢驗，t檢驗，方差分析，多元方差分析，回歸，卡方檢驗，相關，多水平模型，結構方程模型，中介調節，量表信效度等等統計技巧有任何問題，請私信我，獲取詳細和耐心的指導。

If you are a student and you are worried about you statistical #Assignments, #Data #Analysis, #Thesis, #Reports, #Composing, #Quizzes, Exams.. And if you are facing problem in #SPSS, #R-Programming, #Excel, Mplus, then contact me. Because I could provide you the best services for your Data Analysis.

Are you confused with statistical Techniques like z-test, t-test, ANOVA, MANOVA, Regression, Logistic Regression, Chi-Square, Correlation, Association, SEM, multilevel model, mediation and moderation etc. for your Data Analysis...??

Then Contact Me. I will solve your Problem...

R數據分析：用R語言做潛類别分析LCA

R數據分析：ROC曲線與模型評價實例

R數據分析：有調節的中介

R數據分析：如何用R做多重插補，實例操練

R數據分析：傾向性評分匹配完整實例（R實現）

R文本挖掘：中文詞雲生成，以2021新年賀詞為例

R文本挖掘：中文文本聚類

R數據分析：混合效應模型實例

R數據分析：多分類邏輯回歸

R數據分析：競争風險模型的做法和解釋

R文本挖掘：中文詞雲生成

R數據分析：中介效應的做法

R數據分析：潛變量與降維方法（主成分分析與因子分析）

R數據分析：如何做數據的非線性關系，多項式回歸的做法和解釋

R機器學習：分類算法之logistics回歸分類器的原理和實現

R數據分析：潛增長模型LGM的做法和解釋，及其與混合模型對比

R數據分析：結構方程模型畫圖以及模型比較，實例操練

數據可視化——R語言分組比較時圖形添加P值和顯著性水平

R數據分析：縱向數據如何做中介，交叉滞後中介模型介紹

R數據分析：雙連續變量交互作用的簡單斜率圖作圖及解釋

R數據分析：如何給結構方程畫路徑圖，tidySEM包詳解

R機器學習：分類算法之K最鄰進算法（KNN）的原理與實現

R數據分析：孟德爾随機化分析文獻解析和實例操練

R機器學習：樸素貝葉斯與支持向量機的原理與實現

更多精彩资讯请关注tft每日頭條，我们将持续为您更新最新资讯!