1.正常情况下，我们所讨论的共线性检验是针对自变量的，与因变量无关。因此，无论你的因变量是连续变量、有序变量甚至是无序变量，都不影响这些自变量在你期待的不同分析里展现出一样的共线性结果。假如当前数据存在严重的多重共线性问题，则无论是在Logit回归、OLS线性回归或者SEM模型中，它都存在。因此，你应该选择的是，①重新评个共线性的严重程度，以及在你当前分析中是否重要；②是否要更换成对共线性具有抵抗力的其它统计方法，但这可能需要你去学新的东西。
2.研究者评估当前数据具有共线性问题时，需要考虑共线性产生的原因。Montgomery 等人(2012)认为引发多重共线性的主要原因共有 4 个。第一，采用的数据收集方法（The Data Collection Method Employed）。例如，许多新手研究者使用问卷星等电子方式收集数据，但是填卷者却没有认真填写问卷，这在问卷调查领域最为常见。第二，模型或者研究总体的约束（Constraints on The Model or in The Population）。如果研究家庭收入（X1）与住房面积（X2）对用电量（Y1）的影响，则 X1 与 X2 之间可能存在较为严重的共线性。第三，模型界定（Model Specification）。假如模型中存在多项式（指由其它变量进行计算而得到的变量）则容易导致严重的共线性。此外，如果变量的取值范围很小，添加自变量的二次项也容易导致严重的共线性。第四，过度定义模型（An Overdefined Model）。例如存在的变量数量超过个案数量，这在医学领域较常遇到。
Montgomery, D. C., Peck, E. A., & Vining, G. G. (2012). Introduction to linear regression analysis(5th Ed). John Wiley & Sons.
3.尽管在实际分析中，许多有序变量都被当做连续变量进行分析，但仍需考虑在当前研究主题下，此番操作是否合理。
4.如果你想要先进行SEM，而后再进行多元线性回归，那为何不直接在SEM中一次性分析完？使用SEM进行潜变量建模的话，意味着你认为此算法下提供的测量模型更为准确，那应该前后一致的使用同一个方法完成。SEM本身就是其他统计方法的扩展，线性回归也仅仅只是SEM的一种特例。先用SEM做潜变量测量模型，而后再计算潜变量得分并去做线性模型，凸显出统计方法选择上的混乱。
5.最后是关于SEM-logit。先进行SEM，计算潜变量得分再进行Logit回归，被一部分人称为SEM-logit模型，但这是在统计软件不发达的情况下比较多的操作（也有可能是操作者刚好缺少这部分知识）。实际上，即使是AMOS这个被人认为功能比较少的SEM软件，也可以进行有序因变量的分析。尽管因为很少有人需要这些分析，所以网络上相应的交流很少，但仍可以在其用户手册中寻找到解决方案。
扫码加好友，拉您进群
全部版块
我的主页
收藏
