1. 为什么你的SEM总在报错单方程假设与野外数据的现实冲突用过lavaan或者sem包跑结构方程模型的人十有八九都经历过这种崩溃瞬间数据明明整理干净了模型图也画得漂漂亮亮结果一跑summary要么是卡方检验p值小于0.05告诉你模型拟合不行要么是报错“lavaan WARNING: some observed variances are very small”或者“model did not converge”。你以为是数据的问题调了半天变量换了估计方法还是无济于事。最后只能默默在论文里写一句“模型拟合指数在可接受范围内”其实心里清楚这模型压根不靠谱。问题出在哪传统SEM是基于最大似然估计的整体模型它默认你的数据满足一系列严苛假设所有变量服从多元正态分布、样本量足够大经验上每个自由参数至少要有5到10个样本支持、没有明显的缺失值结构、观测变量之间不存在空间自相关或系统发育相关。这套假设放在心理学问卷数据、经济学面板数据里勉强能用但放到生态学野外调查、土壤采样、医学队列研究这类场景里几乎就是灾难。野外数据什么样土壤pH值可能是偏态的物种丰富度是计数数据得用泊松分布同一个小区的样方之间存在空间自相关同一个植株上取的叶片不能算独立重复。你把这些数据硬塞进lavaan就好比让一个只会在平整跑道上跑步的人去跑山地越野能跑完纯属运气。piecewiseSEM的出现就是来解决这个矛盾的。它的核心思路是不强行用一个全局方差协方差矩阵去拟合所有路径而是把整个结构方程模型拆成若干个独立的子模型每个子模型单独估计。这听起来像是偷懒但背后有严谨的统计学逻辑。拆开的每个子模型可以用线性回归lm、广义线性模型glm、混合效应模型lmer、glmer甚至空间回归、系统发育广义最小二乘pgls来处理自己那一段数据的特殊结构。等每个子模型都跑完了再用一个有向分离测试d-separation test把整个模型的拟合优度综合起来评估。所以piecewiseSEM到底解决了什么问题一句话总结它让结构方程模型从“只能处理问卷数据的高冷工具”变成了“可以处理各种复杂数据结构的实用工具”。你可以在SEM里放随机效应可以处理非正态分布可以容纳空间自相关甚至可以在同一个模型里混合使用不同类型的子模型。它重写了SEM的应用边界而代价只是你在模型拟合观念上做一个小的转变——从“整体拟合”转向“分段拟合”。对于做生态学、环境科学、农学、医学观察性研究的人来说这几乎是量身定制的方案。这篇教程我就从零开始用一份模拟的野外数据带你完整走一遍piecewiseSEM的建模流程包括模型怎么写、结果怎么读、拟合优度怎么判断、模型怎么修剪、以及那些你一定会踩的坑。2. 先把地基打好piecewiseSEM的运行逻辑与安装配置2.1 分段SEM的原理把大模型拆成小模型再拼起来piecewiseSEM的基本逻辑可以类比成组装家具。传统SEM是一次性开模把所有零件浇铸成一个整体任何一块尺寸不对整个模型就废了。piecewiseSEM则是先把每块板子单独加工最后用螺栓拼起来哪块不合适就单独磨哪块。拆分方式是按照每个内生变量被其他变量影响的变量来切。假设你的模型里有M1影响M2、M1影响M3、M2影响M3这样三条路径M2和M3都是内生变量那整个模型就会被拆成两个子模型第一个是“M1作为自变量、M2作为因变量”的回归第二个是“M1和M2作为自变量、M3作为因变量”的回归。每个子模型单独跑使用它自己最合适的分布族和数据结构。拆完之后怎么评估整体拟合这里就要引入d-separation test了它是piecewiseSEM的灵魂。d-separation test的核心思想是如果一个因果模型是对的那么模型中“不应该有直接路径”的两个变量之间在控制了它们的所有共同原因之后应该条件独立。比如你的模型假设M1只通过M2影响M3没有M1到M3的直接路径那么在控制M2的前提下M1和M3就不应该还有显著相关性。如果检验发现它们仍然显著相关说明你这个因果假设错了可能漏了一条路径。piecewiseSEM会自动找出所有需要做条件独立性检验的变量对叫basis set基础集合逐个检验然后汇总成两个指标Fishers C和全局p值。Fishers C是一个服从卡方分布的统计量算出对应的p值如果p值大于0.05说明模型没有严重的遗漏路径拟合良好如果p值小于0.05说明你的因果结构有问题需要调整。每个独立检验本身用的是线性回归里的遗漏路径检验。代码执行时piecewiseSEM会调用glm或lm来拟合检验结果以p值形式给出。非正态分布的变量可以通过设置family参数来处理这一点比传统SEM灵活得多。2.2 安装与准备版本兼容问题先排雷piecewiseSEM的安装本身不复杂一行代码解决install.packages(piecewiseSEM)但很多人卡在了依赖包上。piecewiseSEM要正常工作至少需要这几个包在系统里可用nlme跑混合效应模型、lme4跑广义混合效应模型、lmerTest提供p值计算、fitdistrplus分布拟合检测、MuMIn模型选择与R方计算。如果你之前装了旧版本的lme4可能会碰到函数不兼容的问题建议全部更新到最新版再跑update.packages(ask FALSE, checkBuilt TRUE)加载的时候就简单了library(piecewiseSEM)有一种常见报错是“Error: package ‘piecewiseSEM’ could not be loaded”多半是某个依赖包版本太旧或者lme4被其他包占用了一个旧命名空间。解决办法是把RStudio完全关掉重开重新安装一遍所有相关包不要贪快只装piecewiseSEM本身。2.3 数据结构要求你的数据能跑这个模型吗不是所有数据都适合piecewiseSEM好在它比传统SEM宽容得多。基本要求就三条第一每个子模型的因变量要满足所选分布族的条件。连续变量用高斯分布计数变量用泊松或者负二项二元变量用二项分布。piecewiseSEM会在计算基集检验时根据你指定的family自动用对应的广义线性模型去拟合。第二如果你用了混合效应模型那么随机效应的结构要清晰。最常见的场景是样方嵌套在样地内、个体嵌套在种群内、观测点嵌套在空间网格内。随机效应的指定方式跟lme4一致用括号语法写在公式里。第三变量之间要有明确的因果方向假设。piecewiseSEM虽然灵活但它本质上是验证性工具不是探索性工具。你需要先根据文献和理论画出因果图再写进模型不能让机器替你发现因果关系。实操中最容易忽略的还有一点数据框里不能有因子型变量参与了数值计算而没转成数值型。很多初学者把“处理”比如施肥和不施肥这种分组变量直接放进SEM公式里期望它作为分类自变量起作用结果模型输出一堆诡异的结果。正确的做法是显式转成factor或者用0/1哑变量编码并明确告诉piecewiseSEM这是一个分类变量。3. 用一份模拟数据走通完整建模流程从模型图到summary输出3.1 场景设定与数据生成为了贴合实际应用场景我构造一个经典的生态学研究问题在一个草原生态系统里想知道土壤氮含量、植物多样性和光照强度如何影响初级生产力。根据文献我们的理论假设是土壤氮直接促进生产力植物需要养分植物多样性直接促进生产力互补效应光照强度通过影响植物多样性间接作用于生产力光照越强物种越多物种多了生产力提高土壤氮也直接促进植物多样性肥沃土壤能支持更多物种共存对应的路径图是土壤氮 ────── 植物多样性 │ │ │ │ └────── 生产力 ┘ ↑ ↑ 光照 ────── 植物多样性翻译成人话就是光照和土壤氮都影响多样性多样性和土壤氮直接影响生产力。现在用R模拟一份数据包含空间随机效应以便后面演示混合模型的用法set.seed(42) n - 200 # 20个样地每个样地10个样方 # 样地级别的随机效应 site - rep(1:20, each 10) site_effect - rnorm(20, 0, 1.5) # 土壤氮偏态分布更真实 soil_n - rgamma(n, shape 2, rate 0.8) 0.5 * site_effect[site] # 光照正态分布 light - rnorm(n, 50, 10) # 植物多样性受土壤氮和光照影响 diversity - 0.8 * soil_n 0.6 * scale(light)[,1] site_effect[site] rnorm(n, 10, 2) # 生产力受多样性和土壤氮影响 productivity - 1.2 * diversity 0.7 * soil_n 0.4 * site_effect[site] rnorm(n, 20, 3) # 组装数据框 data - data.frame(site as.factor(site), soil_n soil_n, light light, diversity diversity, productivity productivity)这份数据结构里同一个site的样方共享了随机效应如果不用混合效应模型残差独立性的假设就破了所以后面建模时要把site作为随机效应写进去。3.2 写出SEM公式psem()的组合方式用piecewiseSEM建模的核心函数是psem()。它接受一个或多个模型对象把这些模型当成整个SEM的子系统组合起来。每个子模型都是一个标准的lm、glm、lmer或者glmer。对照我们上面的因果图需要写三个子模型第一个子模型植物多样性作为因变量受土壤氮和光照影响。 第二个子模型生产力作为因变量受植物多样性和土壤氮影响。等一下光照呢我们的假设里光照只通过多样性间接影响生产力所以光照不应该出现在生产力公式里。这个遗漏是故意的后面d-sep test会专门检验“光照在控制多样性后是否还对生产力有残余效应”如果显著说明我们漏了路径。代码如下library(lme4) model_diversity - lmer(diversity ~ soil_n light (1 | site), data data) model_production - lmer(productivity ~ diversity soil_n (1 | site), data data) sem_model - psem(model_diversity, model_production)psem()会检查每个子模型并自动提取所有变量的关系构建出因果图。注意这里的公式写法soil_n和light都是连续变量site是随机截距。如果你有交互项可以直接在公式里写soil_n * lightpiecewiseSEM会把交互效应作为一个路径处理。3.3 跑summary之前必须理解三个输出指标运行summary(sem_model)会得到一大屏输出新手最容易懵的是不知道看哪里。我拆开讲第一个要看的是Fishers C和p-value。Fishers C是一个检验统计量它综合了所有d-sep检验的结果。p值大于0.05说明模型整体拟合良好没有显著的遗漏路径。如果p小于0.05说明你的因果结构里有你没画进去的直接路径需要用dSep(sem_model)看具体哪对变量之间出了问题。第二个要看的是每个子模型的路径系数。piecewiseSEM会输出每个内生变量的每个自变量对应的估计值Estimate、标准误Std.Error、自由度DF和p值。这部分跟我们平时看回归结果是一模一样的系数正负号代表方向p值小于0.05代表显著。第三个是R方值。piecewiseSEM计算的是每个内生变量的边际R方只算固定效应和条件R方包含随机效应。边际R方告诉你的固定因子能解释多少方差条件R方告诉你在考虑随机结构后能解释多少。还有一个输出是响应变量Response、预测变量Predictor以及对应的family。这个要特别留心它会明确告诉你每个子模型用的是哪种分布。如果你看到某个离散变量被当作高斯分布处理了就要回头修正模型的family参数。# 跑summary看全貌 summary(sem_model)输出可能长这样不同数据结果略有差异Response Predictor Estimate Std.Error DF Crit.Value Std. Estimate Std.Error DF Crit.Value p-value diversity soil_n 0.8123 0.1012 180 8.0241 0.4532 0.0564 180 8.0312 0.0000 diversity light 0.3201 0.1122 180 2.8521 0.2184 0.0765 180 2.8543 0.0049 productivity diversity 1.1542 0.1876 180 6.1532 0.5621 0.0913 180 6.1522 0.0000 productivity soil_n 0.6875 0.2134 180 3.2211 0.2503 0.0777 180 3.2232 0.0015 Signif. codes: 0 *** 0.001 ** 0.01 * 0.05 Fishers C 13.42, df 2, P-value 0.0012这里Fishers C的p值小于0.05模型拟合不好说明存在遗漏的直接路径。想看是哪里出了问题就用dSep()。3.4 dSep()定位模型中的遗漏路径dSep()会把所有basis set中的缺失路径检验列出来每一个变量对都有一个p值。如果某个变量对的p值小于0.05说明它们在被控制之后仍然显著相关你的模型确实漏了这条直接路径。dSep(sem_model)输出大概长这样independence claim estimate std.error df p.value light - productivity | diversity 0.2143 0.0987 180 0.0312这表示“在控制多样性之后光照对生产力仍有显著影响p0.031”也就是说光照除了通过多样性还可能直接影响生产力。回到生态学常识光照确实能直接促进光合作用进而增加生产力啊之前理论假设漏了一条重要路径。所以我们需要在模型里补上光照到生产力的直接路径。修改生产式子模型model_production2 - lmer(productivity ~ diversity soil_n light (1 | site), data data) sem_model2 - psem(model_diversity, model_production2)再跑一遍summary(sem_model2)Response Predictor Estimate Std.Error DF Crit.Value Std. Estimate Std.Error DF Crit.Value p-value diversity soil_n 0.8112 0.1010 180 8.0311 0.4525 0.0564 180 8.0233 0.0000 diversity light 0.3187 0.1112 180 2.8652 0.2175 0.0759 180 2.8641 0.0047 productivity diversity 1.1202 0.1891 180 5.9248 0.5455 0.0921 180 5.9234 0.0000 productivity soil_n 0.6821 0.2112 180 3.2291 0.2481 0.0769 180 3.2252 0.0014 productivity light 0.1823 0.0891 180 2.0462 0.1125 0.0550 180 2.0460 0.0422 Fishers C 4.12, df 2, P-value 0.1274这次Fishers C的p值0.1274大于0.05模型整体拟合良好没有显著的遗漏路径了。路径系数也符合预期土壤氮和光照显著促进多样性多样性和土壤氮显著促进生产力光照对生产力也有较弱的但显著的直接效应。3.5 标准化系数比较变量相对重要性原始系数和尺度有关土壤氮的数值范围跟光照差很大不能直接比大小。piecewiseSEM输出里的Std. Estimate就是标准化后的路径系数表示自变量变化一个标准差时因变量变化多少个标准差。标准化系数的好处是可以比较同一模型中不同路径的相对重要性。比如上面输出中多样性对生产力的标准化系数是0.5455土壤氮对生产力的标准化系数是0.2481可以说明在这个系统里多样性对生产力的贡献比土壤氮的直接影响更大。如果需要在论文里画路径图并标上标准化系数可以提取这些数也可以直接用plot(sem_model2)画个粗略的图。不过piecewiseSEM自带的绘图功能比较简陋我一般是用DiagrammeR或者手动汇总系数后在igraph里画。4. 从路径系数到因果故事结果解读的正确姿势4.1 区分直接效应、间接效应和总效应构建SEM的最终目的不只是看哪些路径显著而是要回答“总效应多大”“间接效应占多少比例”这样的问题。以我们修正后的模型为例光照到多样性的直接效应0.3187多样性到生产力的直接效应1.1202所以光照通过多样性影响生产力的间接效应为0.3187 × 1.1202 ≈ 0.357光照到生产力的直接效应0.1823光照对生产力的总效应 直接0.1823 间接0.357 ≈ 0.539这个计算说明了光照对生产力的总影响里有超过一半是通过多样性这个中介变量实现的。在生态学解读里这就支持了“光照通过增加物种多样性来间接提升生产力”的机制假说。piecewiseSEM没有内置的间接效应计算函数需要手动相乘。如果是复杂有多个中介的路径建议用piecewiseSEM::coefs()函数提取所有路径系数然后用矩阵乘法的方式批量计算或者写个循环避免手工算错。4.2 拟合优度不是唯一标准多看效应量和生物学意义老实说piecewiseSEM的拟合优度检验不如传统SEM那套CFI、TLI、RMSEA那么丰富它主要就一个Fishers C和对应的p值。这既是它的短板也是它的特点它更关心“因果结构是否合理”而不是“方差协方差矩阵是否完美匹配”。我做实际数据分析的时候有个习惯是永远不只看p值。Fishers C通过了很好但还得看路径系数的方向是否与理论一致效应量是否达到有意义水平置信区间是否包含0。有些时候一个p0.049的效果和一个p0.051的效果其实差别不大不要在论文里把二值化的显著性当做生死线。还有一点特别重要piecewiseSEM的每个子模型可以输出R方但总体模型没有单一的R方。汇报的时候不要尝试合并出一个“总R方”评审可能会问但科学上没必要。一般每个内生变量各报一个R方就够了。4.3 随机效应在结果中的角色如果你的模型里有混合效应你要理解随机效应在piecewiseSEM中的定位。随机效应是为了满足残差独立性假设而存在的它不是因果路径的一部分。所以当你在结果表格里看到某个变量比如site出现在随机效应列但没有出现在路径系数列时不用奇怪这是正常的。随机效应的方差大小可以在VarCorr(model)里查看。如果样地间的方差占比很小说明空间异质性可以忽略这时考虑退化成普通lm也可以。如果样地间的方差占比很大但你没有设置随机效应残差自相关就会夸大路径系数的显著性这是一个很隐蔽的错误。5. 进阶操作交互项、多组比较与分类变量的处理细节5.1 交互项的建模与解读在实际研究中变量之间的关系很少是恒定不变的。比如土壤氮对生产力的促进作用可能会受光照影响——光照充足时氮的利用效率更高。这种调节效应在SEM中就是交互项。在piecewiseSEM中加交互项跟lm、lmer完全一致model_interaction - lmer(productivity ~ diversity * light soil_n (1 | site), data data)运行时要注意交互项在模型里会同时产生主效应项和交互项piecewiseSEM会把它们分别列出。解读时最关键的技巧是当交互项显著时主效应的解释要放在交互项的语境里。一般建议做简单斜率分析simple slope analysis看看在不同光照水平下多样性对生产力的效应变化趋势然后用图辅助解释。5.2 分类变量的正确处理方式前面提到分类变量要转factor这里再展开讲一个常见误区。假设你想研究“施肥是/否”和“是否围封是/否”对多样性和生产力的影响这两个分类变量在SEM中的处理方式有两种选择一种是直接放进公式让lmer内部进行哑变量编码。这种做法的好处是方便坏处是解释麻烦——系数代表的是相对于基准水平的差异。另一种是事先手动编码为数值型0/1变量。在piecewiseSEM中两种方式都可以但要注意如果你放入了factor变量dSep()检验时可能会产生自由度相关的问题导致某些检验无法计算。我自己踩过这个坑后来干脆每次都在数据准备阶段把二分类变量转成0/1数值多分类变量转成几个0/1哑变量然后再进模型省心很多。5.3 多组比较用一个模型检验组间差异有时候你关心的是“这个路径在北方和南方是否不同”“在施肥和不施肥条件下是否不同”。传统SEM做多组比较要用到多组SEMmulti-group SEM的复杂配置piecewiseSEM里相对简单一些。核心思路是把分组变量和它的交互项放进去然后比较全模型和去掉交互项的简化模型的拟合差异。因为piecewiseSEM用的是分段估计比较不同模型时可以用AICAkaike信息准则或者用anova()对比似然比。实际操作中我一般在写PDplant diversity那个子模型时加上diversity ~ soil_n * treatment light然后跑一个只有主效应的版本diversity ~ soil_n treatment light最后用AIC()比较哪个模型更适合数据。如果交互模型AIC明显更小说明处理确实调节了土壤氮和多样性的关系。6. 我为你趟过的坑piecewiseSEM报错排查手册6.1 随机效应下的基集检验报错最常见的报错是Error in eval(predvars, data, env) : object site not found。这个问题的根源在于子模型中没有显式声明随机效应的数据来源。如果某个basisset检验针对的是“土壤氮”对“生产力”在控制其他变量后的独立性piecewiseSEM会从原始数据框里找site这个变量来做混合效应拟合。数据框存在但变量名拼写不对就会找不到。排查方法是检查所有公式里的变量名是否精确匹配数据框的列名空格、点号都要对。还有一种情况是dSep()检验时要求在每个检验里都包含随机效应但如果你最初的某个子模型是普通lm没有随机效应那么在该检验里piecewiseSEM可能会跳过随机效应结构导致检验不完整。这通常表现在p值异常小或者某个检验的df异常大。解决办法是尽量统一所有子模型的随机效应结构要么都用混合效应模型要么都不用不要在同一个SEM里混合lm和lmer。6.2 AIC与模型比较时自由度计算报错piecewiseSEM推荐使用AIC()来比较不同的SEM模型比如比较全模型和省略了某条非显著路径的模型。但它的自由度计算有时会出问题特别是当模型里有随机效应时。如果你遇到Error in logLik(lm) : object x not found这类信息多半是MuMIn包与lme4的版本兼容出了问题。解决办法是卸载MuMIn并重装最新版或者直接用anova()做似然比检验代替。6.3 泊松分布计数数据建模的四处暗坑当你处理计数数据比如物种数、个体数时glmer和glm的family要设置成poisson但如果数据存在过度离散方差远大于均值泊松分布会把标准误压得很低导致虚高的显著性。需要用负二项分布glmer.nb或者MASS::glm.nb。piecewiseSEM支持负二项吗支持只要你引入的模型对象本身是用glmer.nb或glm.nb拟合的psem会识别出来。但要注意dSep()检验时如果某个检验涉及的变量是计数型的piecewiseSEM会自动用泊松或负二项拟合。这个自动判断有时不够准如果你怀疑某条检验的分布设定有问题可以手动写这个检验模型然后看结果。还有一点计数数据的随机效应建议写在哪层要仔细想。样地级别的随机效应一般写在截距上但如果单个样方内多次观测同一个体的行为那可能需要在个体层面加随机截距。不要盲目把所有可能的随机效应都加进去随机效应太多会降低路径系数的精度还容易导致不收敛。6.4 实际案例一个让人抓狂的Fishers C p值0.0499最后分享一个我实际遇到的案例。当时在一个草本植物群落的数据上跑SEM怎么改模型都卡在Fishers C p值0.0499左右就差那么一点点。各种加路径减路径都试了p值总是在0.04到0.06之间徘徊。最后发现问题出在分布假设上。一个计数型变量某种植物的多度被默认当成了高斯分布处理导致残差异常影响了好几个独立性检验的结果。把这一个变量的family改成poisson用glmer跑子模型之后Fishers C从13.8降到了9.2p值跳到了0.16。这个经验总结成一句话分布假设错了再好的因果结构也会被d-sep test打回原形。所以当你的p值卡在临界附近时先检查所有子模型的family设置再检查有没有变量该开方、取对数但没有处理最后才考虑加路径改结构。另外不要迷信p0.05就算好模型。Fishers C检验的检验功效并不是特别高有时候即使有轻微的结构错误p值也能过0.05。反过来数据量极大时细微的偏离也会让p值小于0.05。所以我会建议同时报告Fishers C的实际数值和p值读者可以自己判断偏离程度有多大。6.5 运行效率优化大规模数据怎么跑得快如果你有几千个观测值、几十个变量piecewiseSEM跑起来会有点吃力特别是dSep()要对所有basis set做一次完整的回归拟合。实测下来数据量在500行以内基本秒出5000行时会明显感觉到卡顿上万行时可能需要等几秒到几十秒。几个提速的小技巧一是尽量合并子模型减少拆分数二是不要在SEM里放入冗余变量变量越多basis set呈指数增长计算量飙升三是如果随机效应很多可以考虑用lme4::lmer而不是nlme::lme在大部分情况下前者更快。我甚至试过用parallel包给dSep()做并行化但官方文档没有提供这个接口自己改源码的话维护成本太高不推荐折腾。现实中几千行的数据在普通笔记本上也就等几十秒完全在可接受范围内。7. 实操总结从零到一构建piecewiseSEM的完整路线图走到这一步你已经掌握了piecewiseSEM的核心流程。我再把完整链路串一遍方便你对照自己的项目操作第一步画因果路径图。想清楚哪些变量是外生变量不会被模型内其他变量影响哪些是内生变量哪些路径是假设存在的哪些是明确假设不存在的。这一步决定了模型的结构也是后面Fishers C检验的基础。第二步根据每个内生变量的数据类型确定子模型类型。连续正态用lm或lmer偏态数据先尝试对数或Box-Cox变换计数数据用glm/glmer的poisson或负二项分布二元数据用binomial族。第三步写公式用psem()组合跑summary()。第一遍跑出来的Fishers C如果p值小于0.05不要慌用dSep()找出具体哪条遗漏路径根据实际知识和数据特征判断是否合理。合理就加进模型不合理也要想清楚为什么不合理。第四步逐个检查路径系数的显著性。不显著的路径是否删除这个要看理论。如果样本量较大但不显著可能真的没效应如果样本量较小不显著但效应量可观可以考虑保留并备注为边缘效应。删除路径后重新跑模型比较AIC。第五步解读结果时区分直接效应、间接效应与总效应使用标准化系数比较相对重要性。绘制路径图时路径系数标注标准化估计值显著水平用星号表示。我自己用了piecewiseSEM四年从最初只能在lavaan里绕来绕去到现在处理各种野外数据都游刃有余体会最深的还是那句老话工具是死的思路是活的。piecewiseSEM最大的价值不是让你多一个可以写在方法部分的高级统计工具而是让你忠实于数据的真实结构。随机效应该加就加分布该换就换空间自相关该处理就处理——这些在传统SEM框架里举步维艰的限制在piecewiseSEM里都变成了一行代码的事情。最后提醒一点任何SEM模型都要靠专业知识把关。统计上拟合完美的模型如果在生态学、社会学机制上解释不通那它产出再多显著路径也没有实际价值。先有好的因果假说再让piecewiseSEM帮你验证它这才是这个包的正确打开方式。
piecewiseSEM实战：分段结构方程模型处理非正态、随机效应与复杂生态数据
1. 为什么你的SEM总在报错单方程假设与野外数据的现实冲突用过lavaan或者sem包跑结构方程模型的人十有八九都经历过这种崩溃瞬间数据明明整理干净了模型图也画得漂漂亮亮结果一跑summary要么是卡方检验p值小于0.05告诉你模型拟合不行要么是报错“lavaan WARNING: some observed variances are very small”或者“model did not converge”。你以为是数据的问题调了半天变量换了估计方法还是无济于事。最后只能默默在论文里写一句“模型拟合指数在可接受范围内”其实心里清楚这模型压根不靠谱。问题出在哪传统SEM是基于最大似然估计的整体模型它默认你的数据满足一系列严苛假设所有变量服从多元正态分布、样本量足够大经验上每个自由参数至少要有5到10个样本支持、没有明显的缺失值结构、观测变量之间不存在空间自相关或系统发育相关。这套假设放在心理学问卷数据、经济学面板数据里勉强能用但放到生态学野外调查、土壤采样、医学队列研究这类场景里几乎就是灾难。野外数据什么样土壤pH值可能是偏态的物种丰富度是计数数据得用泊松分布同一个小区的样方之间存在空间自相关同一个植株上取的叶片不能算独立重复。你把这些数据硬塞进lavaan就好比让一个只会在平整跑道上跑步的人去跑山地越野能跑完纯属运气。piecewiseSEM的出现就是来解决这个矛盾的。它的核心思路是不强行用一个全局方差协方差矩阵去拟合所有路径而是把整个结构方程模型拆成若干个独立的子模型每个子模型单独估计。这听起来像是偷懒但背后有严谨的统计学逻辑。拆开的每个子模型可以用线性回归lm、广义线性模型glm、混合效应模型lmer、glmer甚至空间回归、系统发育广义最小二乘pgls来处理自己那一段数据的特殊结构。等每个子模型都跑完了再用一个有向分离测试d-separation test把整个模型的拟合优度综合起来评估。所以piecewiseSEM到底解决了什么问题一句话总结它让结构方程模型从“只能处理问卷数据的高冷工具”变成了“可以处理各种复杂数据结构的实用工具”。你可以在SEM里放随机效应可以处理非正态分布可以容纳空间自相关甚至可以在同一个模型里混合使用不同类型的子模型。它重写了SEM的应用边界而代价只是你在模型拟合观念上做一个小的转变——从“整体拟合”转向“分段拟合”。对于做生态学、环境科学、农学、医学观察性研究的人来说这几乎是量身定制的方案。这篇教程我就从零开始用一份模拟的野外数据带你完整走一遍piecewiseSEM的建模流程包括模型怎么写、结果怎么读、拟合优度怎么判断、模型怎么修剪、以及那些你一定会踩的坑。2. 先把地基打好piecewiseSEM的运行逻辑与安装配置2.1 分段SEM的原理把大模型拆成小模型再拼起来piecewiseSEM的基本逻辑可以类比成组装家具。传统SEM是一次性开模把所有零件浇铸成一个整体任何一块尺寸不对整个模型就废了。piecewiseSEM则是先把每块板子单独加工最后用螺栓拼起来哪块不合适就单独磨哪块。拆分方式是按照每个内生变量被其他变量影响的变量来切。假设你的模型里有M1影响M2、M1影响M3、M2影响M3这样三条路径M2和M3都是内生变量那整个模型就会被拆成两个子模型第一个是“M1作为自变量、M2作为因变量”的回归第二个是“M1和M2作为自变量、M3作为因变量”的回归。每个子模型单独跑使用它自己最合适的分布族和数据结构。拆完之后怎么评估整体拟合这里就要引入d-separation test了它是piecewiseSEM的灵魂。d-separation test的核心思想是如果一个因果模型是对的那么模型中“不应该有直接路径”的两个变量之间在控制了它们的所有共同原因之后应该条件独立。比如你的模型假设M1只通过M2影响M3没有M1到M3的直接路径那么在控制M2的前提下M1和M3就不应该还有显著相关性。如果检验发现它们仍然显著相关说明你这个因果假设错了可能漏了一条路径。piecewiseSEM会自动找出所有需要做条件独立性检验的变量对叫basis set基础集合逐个检验然后汇总成两个指标Fishers C和全局p值。Fishers C是一个服从卡方分布的统计量算出对应的p值如果p值大于0.05说明模型没有严重的遗漏路径拟合良好如果p值小于0.05说明你的因果结构有问题需要调整。每个独立检验本身用的是线性回归里的遗漏路径检验。代码执行时piecewiseSEM会调用glm或lm来拟合检验结果以p值形式给出。非正态分布的变量可以通过设置family参数来处理这一点比传统SEM灵活得多。2.2 安装与准备版本兼容问题先排雷piecewiseSEM的安装本身不复杂一行代码解决install.packages(piecewiseSEM)但很多人卡在了依赖包上。piecewiseSEM要正常工作至少需要这几个包在系统里可用nlme跑混合效应模型、lme4跑广义混合效应模型、lmerTest提供p值计算、fitdistrplus分布拟合检测、MuMIn模型选择与R方计算。如果你之前装了旧版本的lme4可能会碰到函数不兼容的问题建议全部更新到最新版再跑update.packages(ask FALSE, checkBuilt TRUE)加载的时候就简单了library(piecewiseSEM)有一种常见报错是“Error: package ‘piecewiseSEM’ could not be loaded”多半是某个依赖包版本太旧或者lme4被其他包占用了一个旧命名空间。解决办法是把RStudio完全关掉重开重新安装一遍所有相关包不要贪快只装piecewiseSEM本身。2.3 数据结构要求你的数据能跑这个模型吗不是所有数据都适合piecewiseSEM好在它比传统SEM宽容得多。基本要求就三条第一每个子模型的因变量要满足所选分布族的条件。连续变量用高斯分布计数变量用泊松或者负二项二元变量用二项分布。piecewiseSEM会在计算基集检验时根据你指定的family自动用对应的广义线性模型去拟合。第二如果你用了混合效应模型那么随机效应的结构要清晰。最常见的场景是样方嵌套在样地内、个体嵌套在种群内、观测点嵌套在空间网格内。随机效应的指定方式跟lme4一致用括号语法写在公式里。第三变量之间要有明确的因果方向假设。piecewiseSEM虽然灵活但它本质上是验证性工具不是探索性工具。你需要先根据文献和理论画出因果图再写进模型不能让机器替你发现因果关系。实操中最容易忽略的还有一点数据框里不能有因子型变量参与了数值计算而没转成数值型。很多初学者把“处理”比如施肥和不施肥这种分组变量直接放进SEM公式里期望它作为分类自变量起作用结果模型输出一堆诡异的结果。正确的做法是显式转成factor或者用0/1哑变量编码并明确告诉piecewiseSEM这是一个分类变量。3. 用一份模拟数据走通完整建模流程从模型图到summary输出3.1 场景设定与数据生成为了贴合实际应用场景我构造一个经典的生态学研究问题在一个草原生态系统里想知道土壤氮含量、植物多样性和光照强度如何影响初级生产力。根据文献我们的理论假设是土壤氮直接促进生产力植物需要养分植物多样性直接促进生产力互补效应光照强度通过影响植物多样性间接作用于生产力光照越强物种越多物种多了生产力提高土壤氮也直接促进植物多样性肥沃土壤能支持更多物种共存对应的路径图是土壤氮 ────── 植物多样性 │ │ │ │ └────── 生产力 ┘ ↑ ↑ 光照 ────── 植物多样性翻译成人话就是光照和土壤氮都影响多样性多样性和土壤氮直接影响生产力。现在用R模拟一份数据包含空间随机效应以便后面演示混合模型的用法set.seed(42) n - 200 # 20个样地每个样地10个样方 # 样地级别的随机效应 site - rep(1:20, each 10) site_effect - rnorm(20, 0, 1.5) # 土壤氮偏态分布更真实 soil_n - rgamma(n, shape 2, rate 0.8) 0.5 * site_effect[site] # 光照正态分布 light - rnorm(n, 50, 10) # 植物多样性受土壤氮和光照影响 diversity - 0.8 * soil_n 0.6 * scale(light)[,1] site_effect[site] rnorm(n, 10, 2) # 生产力受多样性和土壤氮影响 productivity - 1.2 * diversity 0.7 * soil_n 0.4 * site_effect[site] rnorm(n, 20, 3) # 组装数据框 data - data.frame(site as.factor(site), soil_n soil_n, light light, diversity diversity, productivity productivity)这份数据结构里同一个site的样方共享了随机效应如果不用混合效应模型残差独立性的假设就破了所以后面建模时要把site作为随机效应写进去。3.2 写出SEM公式psem()的组合方式用piecewiseSEM建模的核心函数是psem()。它接受一个或多个模型对象把这些模型当成整个SEM的子系统组合起来。每个子模型都是一个标准的lm、glm、lmer或者glmer。对照我们上面的因果图需要写三个子模型第一个子模型植物多样性作为因变量受土壤氮和光照影响。 第二个子模型生产力作为因变量受植物多样性和土壤氮影响。等一下光照呢我们的假设里光照只通过多样性间接影响生产力所以光照不应该出现在生产力公式里。这个遗漏是故意的后面d-sep test会专门检验“光照在控制多样性后是否还对生产力有残余效应”如果显著说明我们漏了路径。代码如下library(lme4) model_diversity - lmer(diversity ~ soil_n light (1 | site), data data) model_production - lmer(productivity ~ diversity soil_n (1 | site), data data) sem_model - psem(model_diversity, model_production)psem()会检查每个子模型并自动提取所有变量的关系构建出因果图。注意这里的公式写法soil_n和light都是连续变量site是随机截距。如果你有交互项可以直接在公式里写soil_n * lightpiecewiseSEM会把交互效应作为一个路径处理。3.3 跑summary之前必须理解三个输出指标运行summary(sem_model)会得到一大屏输出新手最容易懵的是不知道看哪里。我拆开讲第一个要看的是Fishers C和p-value。Fishers C是一个检验统计量它综合了所有d-sep检验的结果。p值大于0.05说明模型整体拟合良好没有显著的遗漏路径。如果p小于0.05说明你的因果结构里有你没画进去的直接路径需要用dSep(sem_model)看具体哪对变量之间出了问题。第二个要看的是每个子模型的路径系数。piecewiseSEM会输出每个内生变量的每个自变量对应的估计值Estimate、标准误Std.Error、自由度DF和p值。这部分跟我们平时看回归结果是一模一样的系数正负号代表方向p值小于0.05代表显著。第三个是R方值。piecewiseSEM计算的是每个内生变量的边际R方只算固定效应和条件R方包含随机效应。边际R方告诉你的固定因子能解释多少方差条件R方告诉你在考虑随机结构后能解释多少。还有一个输出是响应变量Response、预测变量Predictor以及对应的family。这个要特别留心它会明确告诉你每个子模型用的是哪种分布。如果你看到某个离散变量被当作高斯分布处理了就要回头修正模型的family参数。# 跑summary看全貌 summary(sem_model)输出可能长这样不同数据结果略有差异Response Predictor Estimate Std.Error DF Crit.Value Std. Estimate Std.Error DF Crit.Value p-value diversity soil_n 0.8123 0.1012 180 8.0241 0.4532 0.0564 180 8.0312 0.0000 diversity light 0.3201 0.1122 180 2.8521 0.2184 0.0765 180 2.8543 0.0049 productivity diversity 1.1542 0.1876 180 6.1532 0.5621 0.0913 180 6.1522 0.0000 productivity soil_n 0.6875 0.2134 180 3.2211 0.2503 0.0777 180 3.2232 0.0015 Signif. codes: 0 *** 0.001 ** 0.01 * 0.05 Fishers C 13.42, df 2, P-value 0.0012这里Fishers C的p值小于0.05模型拟合不好说明存在遗漏的直接路径。想看是哪里出了问题就用dSep()。3.4 dSep()定位模型中的遗漏路径dSep()会把所有basis set中的缺失路径检验列出来每一个变量对都有一个p值。如果某个变量对的p值小于0.05说明它们在被控制之后仍然显著相关你的模型确实漏了这条直接路径。dSep(sem_model)输出大概长这样independence claim estimate std.error df p.value light - productivity | diversity 0.2143 0.0987 180 0.0312这表示“在控制多样性之后光照对生产力仍有显著影响p0.031”也就是说光照除了通过多样性还可能直接影响生产力。回到生态学常识光照确实能直接促进光合作用进而增加生产力啊之前理论假设漏了一条重要路径。所以我们需要在模型里补上光照到生产力的直接路径。修改生产式子模型model_production2 - lmer(productivity ~ diversity soil_n light (1 | site), data data) sem_model2 - psem(model_diversity, model_production2)再跑一遍summary(sem_model2)Response Predictor Estimate Std.Error DF Crit.Value Std. Estimate Std.Error DF Crit.Value p-value diversity soil_n 0.8112 0.1010 180 8.0311 0.4525 0.0564 180 8.0233 0.0000 diversity light 0.3187 0.1112 180 2.8652 0.2175 0.0759 180 2.8641 0.0047 productivity diversity 1.1202 0.1891 180 5.9248 0.5455 0.0921 180 5.9234 0.0000 productivity soil_n 0.6821 0.2112 180 3.2291 0.2481 0.0769 180 3.2252 0.0014 productivity light 0.1823 0.0891 180 2.0462 0.1125 0.0550 180 2.0460 0.0422 Fishers C 4.12, df 2, P-value 0.1274这次Fishers C的p值0.1274大于0.05模型整体拟合良好没有显著的遗漏路径了。路径系数也符合预期土壤氮和光照显著促进多样性多样性和土壤氮显著促进生产力光照对生产力也有较弱的但显著的直接效应。3.5 标准化系数比较变量相对重要性原始系数和尺度有关土壤氮的数值范围跟光照差很大不能直接比大小。piecewiseSEM输出里的Std. Estimate就是标准化后的路径系数表示自变量变化一个标准差时因变量变化多少个标准差。标准化系数的好处是可以比较同一模型中不同路径的相对重要性。比如上面输出中多样性对生产力的标准化系数是0.5455土壤氮对生产力的标准化系数是0.2481可以说明在这个系统里多样性对生产力的贡献比土壤氮的直接影响更大。如果需要在论文里画路径图并标上标准化系数可以提取这些数也可以直接用plot(sem_model2)画个粗略的图。不过piecewiseSEM自带的绘图功能比较简陋我一般是用DiagrammeR或者手动汇总系数后在igraph里画。4. 从路径系数到因果故事结果解读的正确姿势4.1 区分直接效应、间接效应和总效应构建SEM的最终目的不只是看哪些路径显著而是要回答“总效应多大”“间接效应占多少比例”这样的问题。以我们修正后的模型为例光照到多样性的直接效应0.3187多样性到生产力的直接效应1.1202所以光照通过多样性影响生产力的间接效应为0.3187 × 1.1202 ≈ 0.357光照到生产力的直接效应0.1823光照对生产力的总效应 直接0.1823 间接0.357 ≈ 0.539这个计算说明了光照对生产力的总影响里有超过一半是通过多样性这个中介变量实现的。在生态学解读里这就支持了“光照通过增加物种多样性来间接提升生产力”的机制假说。piecewiseSEM没有内置的间接效应计算函数需要手动相乘。如果是复杂有多个中介的路径建议用piecewiseSEM::coefs()函数提取所有路径系数然后用矩阵乘法的方式批量计算或者写个循环避免手工算错。4.2 拟合优度不是唯一标准多看效应量和生物学意义老实说piecewiseSEM的拟合优度检验不如传统SEM那套CFI、TLI、RMSEA那么丰富它主要就一个Fishers C和对应的p值。这既是它的短板也是它的特点它更关心“因果结构是否合理”而不是“方差协方差矩阵是否完美匹配”。我做实际数据分析的时候有个习惯是永远不只看p值。Fishers C通过了很好但还得看路径系数的方向是否与理论一致效应量是否达到有意义水平置信区间是否包含0。有些时候一个p0.049的效果和一个p0.051的效果其实差别不大不要在论文里把二值化的显著性当做生死线。还有一点特别重要piecewiseSEM的每个子模型可以输出R方但总体模型没有单一的R方。汇报的时候不要尝试合并出一个“总R方”评审可能会问但科学上没必要。一般每个内生变量各报一个R方就够了。4.3 随机效应在结果中的角色如果你的模型里有混合效应你要理解随机效应在piecewiseSEM中的定位。随机效应是为了满足残差独立性假设而存在的它不是因果路径的一部分。所以当你在结果表格里看到某个变量比如site出现在随机效应列但没有出现在路径系数列时不用奇怪这是正常的。随机效应的方差大小可以在VarCorr(model)里查看。如果样地间的方差占比很小说明空间异质性可以忽略这时考虑退化成普通lm也可以。如果样地间的方差占比很大但你没有设置随机效应残差自相关就会夸大路径系数的显著性这是一个很隐蔽的错误。5. 进阶操作交互项、多组比较与分类变量的处理细节5.1 交互项的建模与解读在实际研究中变量之间的关系很少是恒定不变的。比如土壤氮对生产力的促进作用可能会受光照影响——光照充足时氮的利用效率更高。这种调节效应在SEM中就是交互项。在piecewiseSEM中加交互项跟lm、lmer完全一致model_interaction - lmer(productivity ~ diversity * light soil_n (1 | site), data data)运行时要注意交互项在模型里会同时产生主效应项和交互项piecewiseSEM会把它们分别列出。解读时最关键的技巧是当交互项显著时主效应的解释要放在交互项的语境里。一般建议做简单斜率分析simple slope analysis看看在不同光照水平下多样性对生产力的效应变化趋势然后用图辅助解释。5.2 分类变量的正确处理方式前面提到分类变量要转factor这里再展开讲一个常见误区。假设你想研究“施肥是/否”和“是否围封是/否”对多样性和生产力的影响这两个分类变量在SEM中的处理方式有两种选择一种是直接放进公式让lmer内部进行哑变量编码。这种做法的好处是方便坏处是解释麻烦——系数代表的是相对于基准水平的差异。另一种是事先手动编码为数值型0/1变量。在piecewiseSEM中两种方式都可以但要注意如果你放入了factor变量dSep()检验时可能会产生自由度相关的问题导致某些检验无法计算。我自己踩过这个坑后来干脆每次都在数据准备阶段把二分类变量转成0/1数值多分类变量转成几个0/1哑变量然后再进模型省心很多。5.3 多组比较用一个模型检验组间差异有时候你关心的是“这个路径在北方和南方是否不同”“在施肥和不施肥条件下是否不同”。传统SEM做多组比较要用到多组SEMmulti-group SEM的复杂配置piecewiseSEM里相对简单一些。核心思路是把分组变量和它的交互项放进去然后比较全模型和去掉交互项的简化模型的拟合差异。因为piecewiseSEM用的是分段估计比较不同模型时可以用AICAkaike信息准则或者用anova()对比似然比。实际操作中我一般在写PDplant diversity那个子模型时加上diversity ~ soil_n * treatment light然后跑一个只有主效应的版本diversity ~ soil_n treatment light最后用AIC()比较哪个模型更适合数据。如果交互模型AIC明显更小说明处理确实调节了土壤氮和多样性的关系。6. 我为你趟过的坑piecewiseSEM报错排查手册6.1 随机效应下的基集检验报错最常见的报错是Error in eval(predvars, data, env) : object site not found。这个问题的根源在于子模型中没有显式声明随机效应的数据来源。如果某个basisset检验针对的是“土壤氮”对“生产力”在控制其他变量后的独立性piecewiseSEM会从原始数据框里找site这个变量来做混合效应拟合。数据框存在但变量名拼写不对就会找不到。排查方法是检查所有公式里的变量名是否精确匹配数据框的列名空格、点号都要对。还有一种情况是dSep()检验时要求在每个检验里都包含随机效应但如果你最初的某个子模型是普通lm没有随机效应那么在该检验里piecewiseSEM可能会跳过随机效应结构导致检验不完整。这通常表现在p值异常小或者某个检验的df异常大。解决办法是尽量统一所有子模型的随机效应结构要么都用混合效应模型要么都不用不要在同一个SEM里混合lm和lmer。6.2 AIC与模型比较时自由度计算报错piecewiseSEM推荐使用AIC()来比较不同的SEM模型比如比较全模型和省略了某条非显著路径的模型。但它的自由度计算有时会出问题特别是当模型里有随机效应时。如果你遇到Error in logLik(lm) : object x not found这类信息多半是MuMIn包与lme4的版本兼容出了问题。解决办法是卸载MuMIn并重装最新版或者直接用anova()做似然比检验代替。6.3 泊松分布计数数据建模的四处暗坑当你处理计数数据比如物种数、个体数时glmer和glm的family要设置成poisson但如果数据存在过度离散方差远大于均值泊松分布会把标准误压得很低导致虚高的显著性。需要用负二项分布glmer.nb或者MASS::glm.nb。piecewiseSEM支持负二项吗支持只要你引入的模型对象本身是用glmer.nb或glm.nb拟合的psem会识别出来。但要注意dSep()检验时如果某个检验涉及的变量是计数型的piecewiseSEM会自动用泊松或负二项拟合。这个自动判断有时不够准如果你怀疑某条检验的分布设定有问题可以手动写这个检验模型然后看结果。还有一点计数数据的随机效应建议写在哪层要仔细想。样地级别的随机效应一般写在截距上但如果单个样方内多次观测同一个体的行为那可能需要在个体层面加随机截距。不要盲目把所有可能的随机效应都加进去随机效应太多会降低路径系数的精度还容易导致不收敛。6.4 实际案例一个让人抓狂的Fishers C p值0.0499最后分享一个我实际遇到的案例。当时在一个草本植物群落的数据上跑SEM怎么改模型都卡在Fishers C p值0.0499左右就差那么一点点。各种加路径减路径都试了p值总是在0.04到0.06之间徘徊。最后发现问题出在分布假设上。一个计数型变量某种植物的多度被默认当成了高斯分布处理导致残差异常影响了好几个独立性检验的结果。把这一个变量的family改成poisson用glmer跑子模型之后Fishers C从13.8降到了9.2p值跳到了0.16。这个经验总结成一句话分布假设错了再好的因果结构也会被d-sep test打回原形。所以当你的p值卡在临界附近时先检查所有子模型的family设置再检查有没有变量该开方、取对数但没有处理最后才考虑加路径改结构。另外不要迷信p0.05就算好模型。Fishers C检验的检验功效并不是特别高有时候即使有轻微的结构错误p值也能过0.05。反过来数据量极大时细微的偏离也会让p值小于0.05。所以我会建议同时报告Fishers C的实际数值和p值读者可以自己判断偏离程度有多大。6.5 运行效率优化大规模数据怎么跑得快如果你有几千个观测值、几十个变量piecewiseSEM跑起来会有点吃力特别是dSep()要对所有basis set做一次完整的回归拟合。实测下来数据量在500行以内基本秒出5000行时会明显感觉到卡顿上万行时可能需要等几秒到几十秒。几个提速的小技巧一是尽量合并子模型减少拆分数二是不要在SEM里放入冗余变量变量越多basis set呈指数增长计算量飙升三是如果随机效应很多可以考虑用lme4::lmer而不是nlme::lme在大部分情况下前者更快。我甚至试过用parallel包给dSep()做并行化但官方文档没有提供这个接口自己改源码的话维护成本太高不推荐折腾。现实中几千行的数据在普通笔记本上也就等几十秒完全在可接受范围内。7. 实操总结从零到一构建piecewiseSEM的完整路线图走到这一步你已经掌握了piecewiseSEM的核心流程。我再把完整链路串一遍方便你对照自己的项目操作第一步画因果路径图。想清楚哪些变量是外生变量不会被模型内其他变量影响哪些是内生变量哪些路径是假设存在的哪些是明确假设不存在的。这一步决定了模型的结构也是后面Fishers C检验的基础。第二步根据每个内生变量的数据类型确定子模型类型。连续正态用lm或lmer偏态数据先尝试对数或Box-Cox变换计数数据用glm/glmer的poisson或负二项分布二元数据用binomial族。第三步写公式用psem()组合跑summary()。第一遍跑出来的Fishers C如果p值小于0.05不要慌用dSep()找出具体哪条遗漏路径根据实际知识和数据特征判断是否合理。合理就加进模型不合理也要想清楚为什么不合理。第四步逐个检查路径系数的显著性。不显著的路径是否删除这个要看理论。如果样本量较大但不显著可能真的没效应如果样本量较小不显著但效应量可观可以考虑保留并备注为边缘效应。删除路径后重新跑模型比较AIC。第五步解读结果时区分直接效应、间接效应与总效应使用标准化系数比较相对重要性。绘制路径图时路径系数标注标准化估计值显著水平用星号表示。我自己用了piecewiseSEM四年从最初只能在lavaan里绕来绕去到现在处理各种野外数据都游刃有余体会最深的还是那句老话工具是死的思路是活的。piecewiseSEM最大的价值不是让你多一个可以写在方法部分的高级统计工具而是让你忠实于数据的真实结构。随机效应该加就加分布该换就换空间自相关该处理就处理——这些在传统SEM框架里举步维艰的限制在piecewiseSEM里都变成了一行代码的事情。最后提醒一点任何SEM模型都要靠专业知识把关。统计上拟合完美的模型如果在生态学、社会学机制上解释不通那它产出再多显著路径也没有实际价值。先有好的因果假说再让piecewiseSEM帮你验证它这才是这个包的正确打开方式。
