基于 R 的结构方程模型在生态学中的应用

各变量间相关关系能否代表因果关系？目前仍无定论，虽然以卡尔 皮尔逊(Karl Pearson)为代表的一些在 20 世纪颇负盛名的统计学家坚持认为相关关系不能指示因果关系，但我们目前所作的研究都是基于肯定的答案去分析数据，同时理性的我们不会被眼前好不容易做出来的显著相关结果蒙住双眼，我们仍在孜孜不倦的验证它的正确性。

相关，一个关于x的函数可以通过x的变化解释总趋势。但是，自变量x也能在多大程度上解释这种趋势呢？以及解释到多少是可以信服这个解释呢？今天，一个仍在不断发展推进的方法出现在我们眼前——结构方程模型！

 当然，你仍可以默认其为Y ~X。

结构方程模型为解释传统路径分析不好解决的潜在变量（潜变量：latent variable）而出现。潜变量在社会学、心理学等领域应用广泛，例如张三对工作的满意程度，对生活的幸福感或者是你喜欢看纸质版书籍还是电子版书籍等这种没有定论，不好观测，单一数据指向性不充分但当集合大量数据时可以对观测变量造成不可忽视的影响的变量。

而我们生态学中几乎全部数据都是可观测的自然数据，即观测变量，因此暂不讨论潜变量的影响。

但虽然我们不考虑潜变量，我们仍可使用结构方程模型，而且能够更充分地发挥其价值。

需要注意的是，结构方程方程模型比回归更强，却又基于传统的路径分析，目前仍无法实现机器自主确定模型解释。因此，构建模型是所有事件的开端。研究者依据研究内容进行大胆假设推理建模，第一步要尽量涉及全部自己想要的路径，计算出模型不合理时再进行优化。

?，话不多说，能做结构方程模型的软件有很多，但是我并不推荐，所以直接放R语言。

做结构方程模型的R包目前应用最广泛的就俩，lavaan 和 piecewiseSEM包，出图的包我推荐semPlot包

#第一种方法，lavaan包
#安装包
install.packages("lavaan", dependencies=TRUE)
#加载包
library(lavaan)
#建模，使用sem函数
sem.model1 <- sem (
  model = "Sh ~ bio 
  Shy ~  Sh+bio
  AMFSh ~  Sh + Shy
  ttl ~ bio + Shy + Sh+ AMFSh",data = se)
#查看结果
summary (sem.model1, standardize = TRUE, rsq=TRUE,modindices=TRUE)

看一下我的模型

 第二种方法：

#安装加载包
install.packages("piecewiseSEM", dependencies=TRUE)
library(piecewiseSEM)
library(nlme)
#构建模型
#注意 random 项是将不同样点作为随机效应纳入模型
sem.model2 <- psem ( 
  lme(Sh ~ bio, random = ~ 1 | sam, data = se),
  lme(Shy ~  Sh +bio,random = ~ 1 | sam, data = se),
  lme(AMFSh ~  Sh + Shy,random = ~ 1 | sam, data = se),
  lme(ttl ~ bio + Shy + Sh + AMFSh, random = ~ 1 | sam, data = se))
#查看结果
summary(sem.model2)

lavaan 和 piecewiseSEM包的区别就在于后者加入了随机效应。

同时二者的判断标准不同

lavaan的检验是卡方检验，单独检验某缺失路径的重要性 ，piecewiseSEM是在此基础上综合所有缺失路径的结果构建 Fisher’s C 值。

个人建议优先使用lavaan，行不通的时候再使用piecewiseSEM。

画图画图

#作图
install.packages("semPlot", dependencies=TRUE)
library(semPlot)
#semPaths中what值为路径解释度，layout为出图的形式，具体参数大家可以直接??semPaths进行查看
semPaths(sem.model1,what = "stand",layout = "tree2")

如果想充分了解结构方程模型的理论和发展背景，可以查阅相关资料。

本文参考：

Grace JB. 2006. Structural Equation Modeling and Natural Systems. Cambridge: Cambridge University Press.