精华内容
下载资源
问答
  • 馈风力发电机simulink仿真模型,实现了最大风能跟踪,测试了低电压穿越能力,网侧和转子侧分别调试,风力变化时动态响应快,
  • 本文基于HST的非线性动力学,建立了TS模糊线性模型。考虑到安全性,准时性和能效,提出了一种基于TS模糊线性HST控制模型的自适应预测控制方法。考虑到模型的适应性和方法的实时性,在模型预测误差超过给定阈值的...
  • 闭环控制的直流调速系统的特点就是电动机的转速和电流由两个独立的调节器分别控制,且转速调节器(ASR)的输出就是电流调节器(ACR)的给定,因此电流环能够跟随转速的偏差调节电动机的电枢电流。当转速低于给定速度...
  • 直流电机位置速度闭环控制模型,PID控制,可以直接运行。
  • PID调节器是逆变器中不可或缺的部分,PID调节器的好坏直接影响到逆变器的输出性能和带载能力。文中构建了10 KVA的单相SPWM逆变器的Simulink模型,负载采用纯阻性载和整流载分别进行仿真。仿真结果表明,在不同的负载...
  • 转速电流闭环控制直流调速系统的仿真模型。 运用以下的参数: 转速调节器ASR:Kp=17.72,Ki=1/0.087; 电流调节器ACR:Kp=2.47,Ki=1/0.065; 积分环节的限幅值为,调节器输出限幅值为; 三相晶闸管整流器SCR:Ks=...
  • 电流环按典Ⅰ模最佳设计,速度环按典Ⅱ震荡指标法设计
  • 简介 ...但是SPSS收费(虽然用的通常是破解版),PROCESS插件安装麻烦,于是我想到了python,今天就来教大家使用python的PyProcessMacro开源库来进行调节中介模型的统计检验。 事前准备 关于搭建pyt

    简介

    在采用传统统计手段的经济学,心理学等学科中,通常是在阅读大量文献的基础上,提出自己的理论假设,并建立模型,收取一定量(通常是几百)的样本数据来验证自己的假设。其中就包含了调节,中介变量这类非常容易发论文的模型。而在学习中我们会发现老师让我们使用SPSS的PROCESS插件来处理这类模型。但是SPSS收费(虽然用的通常是破解版),PROCESS插件安装麻烦,于是我想到了python,今天就来教大家使用python的PyProcessMacro开源库来进行调节中介模型的统计检验。

    事前准备

    关于搭建python环境的内容,这里就不多说了,可以下载安装Anaconda的集成环境,当然更好的选择是使用云IDE,这里向大家推荐一下Datalore,Jetbrains出品的云IDE,包含了各种科学计算必须库,需要的库也可以很方便的搜索安装,这里是链接:
    https://datalore.jetbrains.com/notebooks
    只要注册账户就能使用基本的计算引擎,满足一般使用。
    接下来安装必要的库:

    pip install pyprocessmacro
    

    anaconda prompt里输入以上pip安装指令,或者在datalore里:
    在这里插入图片描述
    搜索pyprocessmacro,然后点击Install,安装完毕弹出右下角提醒,点击restart kernel重启内核,就安装完毕了!

    在安装完库之后:
    我们还需要process的模型图,
    百度文库链接点这
    里面定义好的是各式各样的模型图和相应的计算模型,我们需要找到我们研究符合的模型,记住它的序号,这里以8号模型为例:
    在这里插入图片描述
    其中X是自变量,Mi是多个中介变量,Y是因变量,W是调节变量。

    实例

    (以下使用数据为真实采集样本数据,出于隐私安全不公开)
    在准备好我们需要的库,模型之后,我们就可以开始实际的分析了,首先呢,我们需要把我们的变量和模型对应上,本案例中的模型是这样子的:
    在这里插入图片描述
    和上面我们找的8号模型对比基本一致,Uncertainty是自变量,State_N是中介变量,Condition是调节变量,MIL是因变量,只不过多了一个Trait_N作为控制变量。
    首先我们把我们需要的变量读出来:

    import pandas as pd
    df = pd.read_excel('xxx.xlsx')
    df_X = df[['Condition','Uncertainty','State_N','MIL','Trait_N']
    

    在这里插入图片描述
    这里给没有了解过基本语法的小白说几句,使用.info()方法可以轻松的看到整个数据框的基本信息,图中包含了694条非空数据,以及5个变量,使用.head()方法可以打印出前五条信息进行速览,使用.tail()方法可以看到倒数前五条信息,使用.describe()方法可以对数据进行描述统计,打印出频数,均数,标准差,最小值,四分位差,最大值信息。
    接下来我们进行检验,并打印出模型的总结信息:

    from pyprocessmacro import Process
    p = Process(data=df_X, model=8, x="Uncertainty", y="MIL", w="Condition",m=["State_N"],controls=["Trait_N"],controls_in="all_to_y")
    p.summary()
    

    需要重点讲解的是第二条语句,
    data即我们上面读出来的数据框,后面的x,y,w,m,controls都是以列名的形式从我们的数据框中读出。
    model=8即8号模型,是我们根据我们自己的模型和百度文库里的链接比较选取出来的模型序号。
    x即自变量,y即因变量,w即调节变量,m即中介变量,controls即控制变量,其中中介变量和控制变量都可是以列表的形式传输的,如果你想传多个,只要把[“State_N”]改为[“你的变量名1,你的变量名2”]依次往后类推即可,这和SPSS里面的变量选取是类似的。
    controls_in代表控制变量的路径,有"x_to_m",“all_to_y”,"all"三个参数。
    x_to_m表示在自变量和中介变量中设置控制,all_to_y表示在自变量到因变量之间和中介变量到因变量之间设置,all表示在所有运算中都会进行控制。
    此外还有一些参数,比如logit=True,表示如果你的因变量是二分类输出(0,1),那么需要设置该参数会使用logistic回归。
    modval={“condition”:[-1,0,1]},表示对调节变量设置自定义的观察点,默认的观察点是M-SD,M,M+SD,本案例中由于condition本身就只有三个值,所以结果是一样的。

    接下来开始总结的解读:

    Number of samples discarded due to convergence issues: 0
    
    ***************************** OUTCOME MODELS ****************************
    
    Outcome = MIL 
    OLS Regression Summary
    
         R²  Adj. R²    MSE       F  df1  df2  p-value
     0.2692   0.2628 1.0318 50.6744    5  688   0.0000
    
    Coefficients
    
                            coeff     se        t      p    LLCI    ULCI
    Cons                   4.6885 0.2316  20.2411 0.0000  4.2345  5.1425
    Uncertainty           -0.6470 0.0544 -11.8873 0.0000 -0.7536 -0.5403
    Condition              0.2938 0.2120   1.3861 0.1662 -0.1216  0.7092
    Uncertainty*Condition -0.0912 0.0652  -1.3985 0.1624 -0.2189  0.0366
    Trait_N                0.0051 0.0334   0.1511 0.8799 -0.0605  0.0706
    State_N                0.6168 0.0547  11.2802 0.0000  0.5096  0.7239
    
    -------------------------------------------------------------------------
    
    Outcome = State_N 
    OLS Regression Summary
    
         R²  Adj. R²    MSE      F  df1  df2  p-value
     0.0368   0.0312 0.5482 8.7844    3  690   0.0000
    
    Coefficients
    
                            coeff     se       t      p    LLCI    ULCI
    Cons                   2.7162 0.1236 21.9822 0.0000  2.4740  2.9584
    Uncertainty            0.1719 0.0379  4.5337 0.0000  0.0976  0.2462
    Condition              0.2968 0.1538  1.9295 0.0541 -0.0047  0.5982
    Uncertainty*Condition -0.1042 0.0473 -2.2034 0.0279 -0.1969 -0.0115
    
    -------------------------------------------------------------------------
    
    
    ********************** DIRECT AND INDIRECT EFFECTS **********************
    
    Conditional direct effect(s) of Uncertainty on MIL at values of the moderator(s):
    
      Condition  Effect     SE        t      p    LLCI    ULCI
        -1.0000 -0.5558 0.0843  -6.5938 0.0000 -0.7210 -0.3906
         0.0000 -0.6470 0.0544 -11.8873 0.0000 -0.7536 -0.5403
         1.0000 -0.7381 0.0855  -8.6290 0.0000 -0.9058 -0.5705
    
    Conditional indirect effect(s) of Uncertainty on MIL at values of the moderator(s):
    
     Mediator  Condition  Effect  Boot SE  BootLLCI  BootULCI
      State_N    -1.0000  0.1703   0.0439    0.0946    0.2677
      State_N     0.0000  0.1060   0.0280    0.0562    0.1668
      State_N     1.0000  0.0417   0.0403   -0.0346    0.1234
    
    **************** INDEX OF MODERATED MEDIATION ******************
    
      Moderator Mediator   Index  Boot SE    LLCI    ULCI
      Condition  State_N -0.0643   0.0314 -0.1303 -0.0045
    

    首先是两个回归模型,第一个模型表示因变量为MIL时的回归模型,看P值可以发现cons(即常量),Uncertainty(自变量),State_N(中介变量)是在该回归方程中是显著的,Condition(调节变量)和交互项均不显著。第二个模型表示因变量是中介变量State_N时的回归方程构建,其中Uncertainty(自变量)是显著的,condition(调节变量)不显著。
    PS:这个不重要。
    接下来看条件直接效应和条件间接效应。
    条件直接效应(即conditional direct effect)在本案例中P值均小于.05,说明调节作用存在。
    条件间接效应(即Conditional indirect effect)在本案例中,当condition位于低水平和中间水平时,BootLLCI和BootULCI区间不含0,中介效应存在,当condition位于高水平时,包含0,中介效应不存在。在三种水平下,中介效应是否存在不一致,说明调节中介效应存在。
    最后的调节中介结果
    即最后一行,判定指标中的LLCI和ULCI也没有包含0,说明该模型的调节中介效应成立。
    此外该库还提供了方便的作图功能:
    在这里插入图片描述
    通过p.plot_conditional_direct_effects和p.plot_conditional_indirect_effects作图,图中显示的是单调节变量的图,如果有双调节变量,可以将第二个调节变量作为类别轴导入,即在后面的参数里加上hue=‘xxxx’。也可以将第二个调节变量作为列轴导入,生成多个子图,加上col=‘xxxx’。

    参考资料:
    https://github.com/QuentinAndre/pyprocessmacro
    https://www.zhihu.com/question/317327367?sort=created

    展开全文
  • 该文提出了一种基于滑模模型参考自适应系 统(model reference adaptive system,MRAS)的永磁同步电机 无位置传感器控制策略。其中,参考模型为永磁电机本身, 可调模型为永磁电机电流模型。利用两模型输出的偏差...
  • 也可将隐藏状态和当前输入传输给Tanh函数,并在-1和1之间压缩数值以调节网络,然后把Tanh输出和Sigmoid输出相乘,Sigmoid输出将决定在Tanh输出中哪些信息是重要的且需要进行保留。 ** 更新细胞状态:下图展示了...

    循环神经网路(RNN)在工作时一个重要的优点在于,其能够在输入和输出序列之间的映射过程中利用上下文相关信息。然而不幸的是,标准的循环神经网络(RNN)能够存取的上下文信息范围很有限。这个问题就使得隐含层的输入对于网络输出的影响随着网络环路的不断递归而衰退。因此,为了解决这个问题,**长短时记忆(LSTM)**结构诞生了。与其说长短时记忆是一种循环神经网络,倒不如说是一个加强版的组件被放在了循环神经网络中。具体地说,就是把循环神经网络中隐含层的小圆圈换成长短时记忆的模块
    LSTM处理序列问题有效的关键在于门结构,通过门结构去除或者增加信息到细胞状态的能力。
    **

    1.Bi-directional Long Short-Term Memory(双向LSTM)结构

    **
    简单来说双向LSTM就是把BRNN中隐含层的小圆圈换成了长短时记忆的模块。与其说长短时记忆是一种循环神经网络,倒不如说是一个加强版的组件被放在了循环神经网络中。这个模块的样子如下图所示:
    LSTM模型
    参数介绍:
    参数
    计算公式:
    **

    • 遗忘门
      遗忘门能决定应丢弃或保留哪些信息。来自先前隐藏状态的信息和当前输入的信息同时输入到Sigmoid函数,输出值处于0和1之间,越接近0意味着越应该忘记,越接近1意味着越应该保留。这个f就可以用来操控遗忘哪些数据。
      遗忘门
    • 输入门
      f是forget的意思,i是input的意思。
      输入门用来更新单元状态。先将先前隐藏状态的信息和当前输入的信息输入到Sigmoid函数,在0和1之间调整输出值来决定更新哪些信息,0表示不重要,1表示重要。也可将隐藏状态和当前输入传输给Tanh函数,并在-1和1之间压缩数值以调节网络,然后把Tanh输出和Sigmoid输出相乘,Sigmoid输出将决定在Tanh输出中哪些信息是重要的且需要进行保留。
      输入门
      **
    • 更新细胞状态:下图展示了两个门是如何控制遗忘和输出的。
      更新细胞状态
      **
    • 输出门
      我们确定了当前的状态,那么当前状态的多少可以进行输出呢?控制Ct输出的门叫输出门,用Ot表示。
      输出门能决定下个隐藏状态的值,隐藏状态中包含了先前输入的相关信息。当然,隐藏状态也可用于预测。首先把先前的隐藏状态和当前输入传递给Sigmoid函数;接着把新得到的单元状态传递给Tanh函数;然后把Tanh输出和Sigmoid输出相乘,以确定隐藏状态应携带的信息;最后把隐藏状态作为当前单元输出,把新的单元状态和新的隐藏状态传输给下个时间步。输出门

    LSTM的变种GRU
    GRU
    **

    **
    **

    知乎中讨论LSTM为何如此有效

    **

    2.双向LSTM

    **
    RNN和LSTM都只能依据之前时刻的时序信息来预测下一时刻的输出,但在有些问题中,当前时刻的输出不仅和之前的状态有关,还可能和未来的状态有关系。比如预测一句话中缺失的单词不仅需要根据前文来判断,还需要考虑它后面的内容,真正做到基于上下文判断。即:
    对于每个时刻t,输入会同时提供给两个方向相反的RNN,输出由这两个单向RNN共同决定。
    双向RNN

    #Tensorflow中实现双向RNNs

    在tensorflow中已经提供了双向RNNs的接口,使用**tf.contrib.rnn.bidirectional_dynamic_rnn()**这个函数,就可以很方便的构建双向RNN网络。

    def bidirectional_dynamic_rnn(
    cell_fw, # 前向RNN
    cell_bw, # 后向RNN
    inputs, # 输入  
    sequence_length=None,# 输入序列的实际长度(可选,默认为输入序列的最大长度)
    initial_state_fw=None,  # 前向的初始化状态(可选)
    initial_state_bw=None,  # 后向的初始化状态(可选)
    dtype=None, # 初始化和输出的数据类型(可选)
    parallel_iterations=None,
    swap_memory=False, 
    time_major=False,
    # 决定了输入输出tensor的格式:如果为true, 向量的形状必须为 `[max_time, batch_size, depth]`. 
    # 如果为false, tensor的形状必须为`[batch_size, max_time, depth]`. 
    scope=None
    )
    

    当输入的inputs张量的维度为:[batch_size,max_len,embeddings_num],此时time_major = False(一般设为这个);当输入的inputs张量的维度为:[max_len,batch_size,embeddings_num],此时time_major = True
    返回值:
    元组: (outputs, output_states)

    • outputs为(output_fw, output_bw),是一个包含前向cell输出tensor和后向cell输出tensor组成的元组。假设
      time_major=false, output_fw和output_bw的shape为**[batch_size, max_len,
      hiddens_num]。在此情况下,最终的outputs可以用tf.concat([output_fw,
      output_bw],-1)tf.cocat([output_fw, output_bw],2)**

    • output_states为(output_state_fw, output_state_bw),包含了前向和后向最后的隐藏状态的组成的元组。 output_state_fw和output_state_bw的类型为LSTMStateTuple。 LSTMStateTuple由**(c,h)**组成,分别代表memory cell和hidden state。

    最近在做文本分类,使用到了双向LSTM(BiLSTM),其具体实现为:

    #前向LSTM
    fw_cell = tf.nn.rnn_cell.LSTMCell(self.cell_hidden_size, name="fw_lstm")
    #后向LSTM
    bw_cell = tf.nn.rnn_cell.LSTMCell(self.cell_hidden_size, name ="bw_lstm")
    #构建双向LSTM网络
    outputs, _ = tf.nn.bidirectional_dynamic_rnn(fw_cell,bw_cell,embedding_inputs_dense,sen_len,dtype=tf.float32)
    #outputs包含一个前向的cell和后向的cell组成的元组
    lstm_contact = tf.concat(outputs, 2) 
    lstm_contact = tf.reduce_mean(lstm_contact, axis=1)
    
    展开全文
  • 设计通过位置调节器 APR(Automatic position regulator)、 转速调节器ASR(Automatic speed regulator)、电流调节器 ACR(Automatic current regulator)... 利用 MATLAB/Simulink 软件建立了电机伺服控制系统仿真模型
  • 摘要:通过分析三相脉宽调制( PWM) 整流器在d-q 旋转坐标系下的数学模型,设计了具有前馈解耦控制的PWM 整流器闭环控制系统。根据系统对电流内环的控制要求设计电流比例积分( PI) 调节器,提出按闭环幅频特性峰值...
  • 模型1模型2 所以,我们的检验就变成了检验这两个模型是否为同一个模型,如果是同一个模型,表示性别是没有干扰(调节)作用的,如果检验是不同模型,表示干扰的确存在。那么检验的话,肯定是检验male和female这条...

    前情复习198656496_1_20200808034537396_wm第二大种情况,Y为潜变量时候,这时候回归啥的传统方法是救不了的,只能用SEM这时候分析的思路还是和第一大种情况一样,我们根据数据的类型选择不同的统计分析方法,X和Y都是潜变量,类型是大前提,没有选择咯。所以这里只有2种情况,一种是:M是观察变量(case1),M又分为分类资料(case1.1),或者是连续资料(case1.2);

    另一种情况:M也是潜变量(case2)所以我们,也是按照刚才的情况分为三个case来写。Case1 M是观察变量这里给大家介绍一下楼主一篇论文里面用的模型,整合的技术接受模型,见下图,我红色框起来的地方就是M,调节变量或者叫干扰变量。红色大框里面,显然,性别和年龄是分类资料,经验和使用的自愿性是连续变量。198656496_2_20200808034537802_wmso,来吧,我们分情况讨论。case1.1 M为分类资料这里的时候,其实本质上变成了SEM多群组分析及检验。

    这里虽然是为了检验干扰是否存在,其实进行多群组分析是SEM分析中很大的一章。

    歪个楼补充一下多群组分析关心的5个核心议题:(1)组合特别测量工具的题项在跨不同总体中是否具有等同性,测量模型的组群不变性。

    (2)跨群体的单一工具或理论构念等同的因素结构,构念效度(construct validity)的验证。

    (3)界定因果结构的特定路径是否具有跨总体等同性存在。

    (4)假设模型内特定构念的潜在平均数是否具有跨总群体效度。

    (5)在相同的总体中,测量工具的因素结构在不同独立总体中是否可以再制,测量工具稳定性的分析。这里显然我们应用的是群组分析的第3个功能,在于检验模型是否具有跨群组效度,整体模型是否与群组相匹适。理论依据就是多群组分析模型是在探究群组变量(通常是间断变量)是否具有调节理论模型的功能,若是模型可以被接受,表示模型具有跨群组效度(cross-validity)。

    AMOS操作原理:采用Amos群组分析,检定两群之间的结构系数、共变异数及衡量负荷量是否有所差异,结果若达显著,表示有差异,则干扰效果存在。

    AMOS实操

    第一步 进行分组

    ①设立分组

    单击红色框起来的group number1--键入male--点击new--再键入female--点击close

    最后的效果见下下下图198656496_3_20200808034538349_wm198656496_4_20200808034538833_wm②导入数据

    导入男性--点击grouping variable--选择性别--OK--选择group value--选择1--OK

    导入女性--点击female那一栏-导入数据,按照male的步骤把group variable和group value选进去

    完整录入结果见第三张图198656496_5_20200808034539396_wm198656496_6_20200808034539755_wm198656496_7_20200808034540287_wm第二步 标明要检验的系数

    为了大家看得清楚一点,我把模型画下来,这是我为了方便演示假定的一个模型,里面的话性别作为调节变量,是可以直接测量的观察变量,所以我用方格表示。我假定环境为自变量,行为为因变量,也就是环境可以影响一个人的行为。198656496_8_20200808034540802_wm这里,我们可以把上面的模型分解,分解成下面两个模型。198656496_9_20200808034541177_wm模型1198656496_10_20200808034541865_wm模型2

    所以,我们的检验就变成了检验这两个模型是否为同一个模型,如果是同一个模型,表示性别是没有干扰(调节)作用的,如果检验是不同模型,表示干扰的确存在。那么检验的话,肯定是检验male和female这条回归线是否有差异。

    AMOS操作

    现在我们要标明要检验的系数

    操作:1.点击male这一组,2.看第二个红色方框,双击路径系数,会跳出来object properties这个框,3.把“All groups”这个选项里面的“√”给取消了,4.在回归权重(regression weight)这里面键入male,你写其他的也没有关系。

    重复刚才的步骤,把female也键入198656496_11_20200808034542115_wm成果图如下,点击female这一组的时候,group会显示=female,路径系数也会标明是female198656496_12_20200808034542443_wm第三步 建立建设检验

    要检验干扰当然有建设检验啦,H0:male模型=female模型

    尽管刚才我们分组了,但是AMOS内定的分组的模型是基线模型(baseline model),是没有限制的模型,所以要对路径系数进行限制。现在我们的目的是让进行现在的male=female的模型和基线模型进行对比,如果检验出来的P值有统计学意义,就证明两个模型是有区别的,也就是干扰存在。

    AMOS 操作1.双击XX:default model这一栏,

    2.点击New建立新的模型,

    3.然后在model name这里输入检验模型的名字(我输入的就叫“test model”),

    4.进行参数限制,双击weights里面female两下,然后双击male两下,在右侧的parameter constraints框里面会自动显示female=male,

    5.点击close关闭198656496_13_2020080803454399_wm198656496_14_20200808034543958_wm最后成果图见下198656496_15_202008080345455_wm然后进行模型运行和看检查结果。这里要注意的是根据自己的数据选择适当的分析方法,以及output别忘了选择。

    点击运行以后,要是没有问题的话,我们设置的两个模型前面,见上一张图片,会由XX:Default model变成下图的OK:Default model.表示成功运行。198656496_16_20200808034545427_wm然后我们看output-Model Comparison,看P值,很显然,这个P=0.37,大于0.05,既接受H0,认为两个模型没有差异,也就是说调节作用不存在。要是写论文遇到这种情况的话,就说明性别不是干扰变量,只是回归方程中的一个普通变量,没有单独拎出来分析的意义,这时候你需要重新换一个变量进行研究。198656496_17_20200808034545802_wmcase1.2 M为连续变量如果资料是连续变量的话,操作上,需要把资料“切割”分类,变成分类资料,用楼上的方法进行调节效果检定。

    如何确定将变量分类?前方一波骚操作高能预警问题是怎么分类?

    五五开?首先查文献,看先贤有没有分类的依据。要是文献资料没有找到的话,建议资料分割按照27和73分位数进行资料分割。

    依据来源于1939年Kelley T L的paper(Kelley T L. The selection of upper and lower groups for the validation of test items.[J]. Journal of Educational Psychology, 1939, 30(1):17-24. )

    他在论文里面得出27和73分位数是最有区别的分位数,可以得到最大的鉴别力,如果分成27和73分位数两群,高分群和低分群,两群检验都没有统计学意义的话,那么其他分位数就更没有了。

    这里,另一位学者Cureton E E,他验证了Kelley结论的正确(Cureton E E. The upper and lower twenty-seven per cent rule[J]. Psychometrika, 1957, 22(3):293-296. )他在paper里面检验了27-73 rule是否正确,检验是对的。他还补充说,如果数据不是正太分布,而是有一些扁峰,那么需要拉到30左右,就是30-70左右。

    所以,你没有依据的时候,三七分没有错,上面的就是你的依据。

    然后分成三组,高中低三组,用高的一组和低的一组进行对比,中间的一组弃用,这样子有统计学意义的可能性就会变大很多。哈哈哈。要是这样子操作都没有统计学意义的话可以弃了。不过这波操作要求样本量比较大,因为我们是放弃了一部分样本的,否则的话也可能做不出来结果。198656496_18_2020080803454652_wmSPSS分割操作

    我自己的操作是这样子的,老铁们如果有更好的方法请告知。

    ①确定分位数的值

    点击分析--描述统计--频率--选入要分组的变量--点击statistics--百分位数填30--添加,再填70-添加--确定198656496_19_20200808034546412_wm198656496_20_20200808034547115_wm②根据计算出来的分位数值分组

    结果是第30分位数是46,第70分位数是70,那我们小于等于46的是一组,大于70的是另外一组,中间的不要了。198656496_21_20200808034547755_wm点击转换--重新编码为不同变量--选入要分组的值--输出变量的名称自己取一个--点击更改--点击新值和旧值198656496_22_20200808034547990_wm点击范围,从最低到值,输入46(刚才算的)--新值填1--点击添加198656496_23_20200808034548458_wm再点击范围,从值到最高,输入64刚才算的)--新值填2--点击添加--继续198656496_24_2020080803454952_wm最后点击确定就ok啦!198656496_25_20200808034550271_wm呐,就分组完毕了。然后回到case1.1的操作。case2 M也是潜变量潜变量的干扰效果的确定,这个就比较麻烦了。国内温老师的书《调节效应和中介效应》第四章对潜变量调节详细的分析了相关原理,这本书在本文的结尾处有下载链接。里面介绍了很多方法,我主要依据的是Ping的办法,书的第四章的第五节介绍了Ping方法的优点和缺点,大家自己看~198656496_26_20200808034550896_wm我们依据Ping1995年和1996年的这两篇文章。

    Ping R A. A Parsimonious Estimating Technique for Interaction and Quadratic Latent Variables[J]. Journal of Marketing Research, 1995, 32(3):336-347.

    Ping R A. Latent variable interaction and quadratic effect estimation: A two-step technique using structural equation analysis.[J]. Psychological Bulletin, 1996,119(119):166-175.

    下面讲一下原理:现在的模型见下图,M是干扰,这时候干扰也是潜变量,直接这样子跑AMOS是不能判断是否存在干扰的。198656496_27_20200808034551380_wmPing就用产生乘积指标的策略,就和我写的调节的上一篇文章一样,用乘积来表示他们之间的交互作用。Ping有2种计算调节变量的方法,第一种见下图红色框起来的部分,新增一个对Y有影响的调节变量,但是这个调节变量只有一个测量指标(X1+X2)(Z1+Z2)。198656496_28_2020080803455268_wmPing的第二种方法,也是新增一个对Y有影响的调节变量,但是这个调节变量有多个测量指标,见红色框起来的部分。198656496_29_202008080345535_wm这两种方法都可以计算出调节,各有优劣,不是越复杂越好哈,Ping和joreskog都背书只要一个因素就可以了,温老师的书里面也背书一个因素的好处,所以我们放心大胆的使用第一种方法。

    Cortina等学者在这篇文章(Cortina J M, Chen G, Dunlap W P. Testing Interaction Effects in LISREL: Examination and Illustration of Available Procedures[J]. Organizational Research Methods, 2001, 4(4):324-360.)里面把Ping1996年计算潜变量的LISREL Code非常之详细的写了,要是会LISREL的小伙伴就可以直接计算了。198656496_30_20200808034554146_wm其在这种分析情况下AMOS要硬算,比较麻烦,但是李泽楷的女人怎么会轻言放弃呢。接下来就是计算了。。。198656496_31_20200808034554880_wm第一步把自变量X和调节M的回归系数权重取消。

    这里需要注意的是,如果要计算交互作用的话,M和X之间不能用代表因果的单箭头,只能用代表相关的双箭头,不知道原因是什么,反正用单箭头是计算不了的。198656496_32_20200808034555568_wm双击回归路径两次,在object properties的回归权重中(regression weights)中的1删掉。成果图见第二张图片。198656496_33_20200808034556177_wm198656496_34_20200808034556787_wm第二步把M和X的方差设为1,双击M那个潜变量的圆圈两次,在variance那里键入1。同理X也同样操作。效果图见第二张。然后点击计算。198656496_35_20200808034557552_wm198656496_36_20200808034557958_wm计算结果见下图,要非标准化的结果,不是标准化的哦。198656496_37_20200808034558333_wm第三步计算交互作用的λ和θ值

    然后将上图的计算结果带人下图的公式。我有打了小箭头,但是图片不能高清。。λx1和λx2是X的路径系数,λz1和λz2是调节变量M的路径系数。θx1和θx2是X的残差图中的e7和e6,θz1和θz2是X的残差。带入下图的计算公式,得出交互作用的λ和θ值。这里我的计算值为 λ=1.76,θ=6.4613198656496_38_20200808034558771_wm第四步 在SPSS中计算交互项XZ的值

    根据刚才给的公式,XZ=(X1+X2)(Z1+Z2),这里计算XZ要用标准化以后的X1、X2、Z1、Z2计算,标准化的方法我在上一篇文章中介绍过。

    分析-描述统计-描述-将刚才说的XYM三个变量选入-最下面(将标准化得分另存为变量)勾上。

    然后是转换-计算变量XZ=(X1+X2)(Z1+Z2),标准化以后的。

    第五步 在AMOS中新建一个交互变量XZ,见下图

    把刚才计算的SPSS里面的XZ数据导入,然后设定λ=1.76,θ=6.4613 (这是第三步计算的)。准备就绪以后就计算。然后查看output。198656496_39_20200808034559240_wm点击estimates,查看moderator---->Y,这一行,红色框起来的。这个就是检验交互作用对Y是否显著。P<0.001,证明交互对Y有影响,既调节作用(干扰)存在。198656496_40_20200808034559740_wm嗯呢,全部都结束啦~~~声明:本文获得[白圭]作者授权!原文链接:

    https://www.bilibili.com/read/cv1186425

    展开全文
  • boost闭环控制仿真升压电路PI调节器设计升压斩波电路建模和数学模型建模 建模方法有状态空间平均法,开关元件平均模型法,开关网络平均模型法提供闭环调节器设计方案 从滤波器设计到pi调节器设计再到仿真。 从...

    boost双闭环控制仿真升压电路PI调节器设计升压斩波电路建模和数学模型建模

    建模方法有状态空间平均法,开关元件平均模型法,开关网络平均模型法提供双闭环调节器设计方案

    从滤波器设计到pi调节器设计再到仿真。

    从滤波器设计到建模,得到被控对象的传递函数,再根据传递函数设计pi调节器,最后把计算出来的pi参数带入仿真验证。id=634233689308&
    请添加图片描述

    展开全文
  • 模型1 模型2 所以,我们的检验就变成了检验这两个模型是否为同一个模型,如果是同一个模型,表示性别是没有干扰(调节)作用的,如果检验是不同模型,表示干扰的确存在。那么检验的话,肯定是检验male和female这条...
  • 采用线性规划对关口平衡问题进行建模分析,以整个调度周期内不满足关口平衡条件的关口流量惩罚值总和最小作为模型的第一优化目标,并引入整个调度周期内机组调节量惩罚值总和最小作为第二优化目标...
  • 设计通过位置调节器 APR(Automatic position regulator)、 转速调节器ASR(Automatic speed regulator)、电流调节器 ACR(Automatic current regulator)... 利用 MATLAB/Simulink 软件建立了电机伺服控制系统仿真模型
  • 对于输入输出系统的模型预测控制(DMC)的MATLAB实现DMC(动态矩阵控制)的简介单变量DMC控制预测模型:滚动优化:反馈校正: DMC(动态矩阵控制)的简介 动态矩阵控制: 基于对象阶跃的预测控制算法,适用...
  • 资源包含了基于等距模型的鱼眼图像校正算法的Matlab实现,同时代码中给出了Matlab实现的线性插值和双线性插值。下载后添加图片直接运行即可。(适当调节rows1,cols1的数值,改变映射图像的效果,最好效果建议rows1=...
  • 提出了一种基于形面多点调节的...结果表明,利用所提出的调节技术和开发的形面调节实验平台能够实现夹层金属蜂窝面板形面的有效调节,获得很高的形面精度。该项技术可以在现行成形技术的基础上进一步提高形面精度,可
  • 通过分析三相脉宽调制( PWM) 整流器在d-q 旋转坐标系下的数学模型,设计了具有前馈解耦控制的PWM 整流器闭环控制系统。根据系统对电流内环的控制要求设计电流比例积分( PI) 调节器,提出按闭环幅频特性峰值( Mr) ...
  • matlab 的馈控制模型

    2012-12-11 12:13:21
    matlab 的馈控制模型,里面包含了3/2变换,和Pi调节器,限幅等等
  • 原标题:PPT绘制科研图形—DNA链、分子细胞模型 PPT绘制DNA链 1用矩形工具画一个矩形如下,线条颜色设置为无,填充色如下图蓝色 2选中矩形框,选择菜单栏的“格式—— 编辑形状——转换为任意多边形” 3这个时候...
  • 基于Simulink搭建的馈风力发电(DFIG)模型 1、馈风力发电机   馈异步风力发电机(DFIG)是一种绕线式感应发电机,是变速恒频风力发电机组的核心部分。DFIG主要由两大部分组成,分别是冷却系统和本体:本体...
  • 针对并流蓄热式石灰窑的气固两相流动...实现三带温度及石灰石分解率在线显示和风量自动调节;风量和石灰石分解率成为石灰窑窑况诊断的重要依据,作为控制参数参与燃烧与石灰石质量控制,实现了对石灰窑生产的自动控制.
  • 本文建立了工艺规划与车间调度的数学模型,以完工时间和能量消耗为优化目标,通过设置权重系数来调节优化目标倾向。采用改进的混合模拟退火与遗传算法对问题进行求解,利用遗传算法的全局搜索速度快和模拟退火的突跳性...
  • 在建立控制系统的仿真模型时,需要采集负载两端的电压与实际要求的电乐值做比较,然后通过调节器可以得到所需要调节的值。在此仿真模型中,驱动波形采用的是三电平的SPWM波形,具体的产生原理在这不做详细描述。在...
  • 根据采煤机采煤工艺,在分析采煤机工作姿态变化规律的基础上,推导刀示范记忆截割数学模型和再现轨迹时采煤机姿态与示范截割时的姿态关系,并分析误差,最终论证利用推导出的算法对滚筒调节并使之到达示范截割模式下的...
  • 电流环的PI调节器可以同时控制两个量,在matlab中建模时将其分开,仿真可以正常运行
  • 笼型转子无刷馈电机数学模型分析及实验研究,韩力,王斌,无刷馈电机(Brushless Doubly-Fed Machine,BDFM)具有变频器容量小、系统成本低、功率因数和转速调节灵活等优点,在变频调速驱动及变速�

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 18,760
精华内容 7,504
关键字:

双调节模型