rho_A 的英文名称是 reliability coefficient rhoA (Dijkstra, 2014; Dijkstra & Henseler, 2015), 也是信度的一种, 与组合信度CR(rhoc)和内部一致性信度(alpha)具有一定的关系,
所以数值上 rho_a 位于rho_c和alpha之间. 意义与他们不同, rho_a 衡量的是测量指标之间的相关性, 或者他们的共同变异占总变异的比率.

Heckman两阶段回归的中文名字是赫克曼两阶段回归。

这是经济学中解决选择偏误问题的统计方法，常用于解决样本选择偏误导致的有偏估计问题。其基本原理包括两个阶段：样本选择模型（回归样本为一个子样本）和处理效应模型（回归模型中包含一个内生的指示变量D）。

最近有同学问:在检验调节效应时，是否需要对变量进行居中处理？

很多童鞋问我们当调节效应显著的时候， 如何绘制简单斜率图， 我们在之前的教程中做过一些指导，
但是我们发现这种方法还是有些繁琐， 需要你使用spss软件先做回归。
所以我们推出了另外一种制作简单斜率图的最简单方法， 你只需要输入原始数据就可以看到绘制好的图。

做结构方程（SEM）的时候，通常会进行卡方检验， 它是用来检验模型是否符合数据的。
意思是当卡方检验不显著的时候， 我们认为我们的模型是良好的， 能够反映数据的。
卡方检验的自由度是比较难以理解的， 但是又往往受到很多学生的关注， 每次被问到自由度是什么的时候，
往往我们需要很长的解释， 所以在这里我就尝试用一个例子来解答一下什么是结构方程的自由度。

今天有付费咨询的小伙伴问我“如何解读mplus的输出结果”， 是关于验证性因子分析的。
我相信我在之前的视频中已经讲过如何使用mplus做验证性因子分析， 但是确实缺少了如何解读输出结果。
那么现在我们出一个文章， 详细标注一下mplus输出结果， 方便大家学习。

本教程介绍了如何使用多层模型来分析嵌套数据，以及调节效应在跨层结构中的分析方法。
我们的案例数据是日记数据（嵌套在个人中的重复事件），意思是每个人都会重复测量多次，但也适用于其他类型的嵌套数据。

Johnson-Neyman图通常简称为J-N图， 主要用于可视化调节效应。

调节效应可视化的最简单方法是“选点法”（Rogosa，1980）或“简单斜率”（Aiken 和 West，1991）方法，最简单的方法是选择调节变量的两个取值（“均值+标准差”和“均值-标准差”），并通过假设检验或构建置信区间来研究在这两个取值下， 绘制两条线来表示自变量与因变量的关系， 线的斜率就是简单斜率。尽管易于执行，但该方法的缺点很明显， 很多学生都问我， 为什么选择这两个取值（“均值+标准差”和“均值-标准差”）， 我其实没有很好的理由说服他们， 他们就是任意的选点。如果你把这两个选点的范围扩大， 比如使用两倍的标准差， 那么很可能扩大斜率的差异， 也就是说， 扩大调节变量的范围， 可以让本来不显著的调节效应变成显著。

很多人不会做结构方程模型的分析， 其实就是因为它不会汇报结果。
这个文章就是提供一个汇报模板， 大家可以照着写，并制作表格。
这篇文章的主要用途是用于验证性因子分析CFA的结果汇报。

CR指的是组合信度（Composite Reliability）， AVE指的是平均方差提取量（Average Variance Extraction），
我们已经在本网站开发了一个计算器（在这里spss计算平均方差提取量AVE和组合信度CR的方法 ，
但是很多人认为还是用Excel计算CR和AVE比较方便， 而且结果可以直接复制到表格， 方便论文里的表格制作。

所以我们决定做一个Excel版本的AVE和CR计算器。