路径分析、结构方程讲义.ppt

zf zf 路径分析、结构方程模型及应用 路径分析、结构方程模型的发展历史 20世纪初，“Pearson原理”占着生物遗传学（在过去几乎就是我们现在所称作的统计学）的统治地位。Pearson原理的一个基本内容就是相关关系是现实生活中最基本的关系，而因果关系仅仅是完全相关的（理论）极限。这种理论认为没必要寻找变量之间的因果关系，只需计算相关系数。然而相关分析逐渐暴露出自身的很多局限：一是相关分析仅仅反应变量之间的线性关系；二是相关分析反应变量之间的关系是对称的，而很多变量之间的关系是非对称的 见路径图P7 ；三是只有在正态假设下，相关思想才是有效的。以上说明，对因果关系的研究仍然是重要的。 在遗传学中，很多现象具有明显的因果关系，如父代与子代的基因关系，父代在前，子代在后，二者的关系只能是单向的，而非对称的。对这种变量结构进行思考，遗传学家Sewall Wright于1918-1921年提出路径分析（path analysis），用来分析变量间的因果关系。现代的路径分析由生物遗传学家、心理测验学家、计量经济学家以及社会学家的推进，引入隐变量（latent variable, 又称unmeasured variable, 不可观测变量），并允许变量间具有测量误差，并且极大似然估计代替了最小二乘法，成为路径系数主流的估计方法。 路径分析现在成为多元分析的一种重要方法，广泛应用于遗传学、社会学、心理学、经济问题和市场调研领域。 习惯上把基于最小二乘的传统的路径分析称作路径分析； 把基于极大似然的路径分析称作结构方程式模型（Structural Equation Modeling，SEM）。 路径分析的相关知识简介 1、路径分析的基本概念和理论 2、相关系数的分解 3、路径模型的调试和识别 4、路径分析的流程图和案例分析 一、路径图 路径分析的主要工具是路径图，它采用一条带箭头的线（单箭头表示变量间的因果关系，双箭头表示变量间的相关关系）表示变量间预先设定的关系，箭头表明变量间的关系是线性的，很明显，箭头表示着一种因果关系发生的方向。在路径图中，观测变量一般写在矩形框内，不可观测变量一般写在椭圆框内。 把上图写为方程式的形式： 例：某种消费性电子产品（如手机）路径分析： 路径图上的变量分为两大类： 一类是外生变量（exogenous variable，又称独立变量，源变量），它不受模型中其他变量的影响。 另一类是内生变量（endogenous variable，又称因变量或下游变量），在路径图上至少有一个箭头指向它，它被模型中的其它一些变量所决定。 其中，将路径图中不影响其它变量的内生变量称为最终结果变量（ultimate response variable），最终结果变量不一定只有一个。如：顾客忠诚度 其他变量对内生变量的影响：若A直接通过单向箭头对B具有因果影响，称A 对B有直接作用（direct effect）；若A 对B的作用是间接地通过其他变量（C）起作用，称A 对B有间接作用（indirect effect），称C为中间变量（mediator variable）。 检验中间变量间接作用是否统计显著（Barron, R.M. Kenny D. 1986 Agarwal ,S. Teas,R.K. 1997 ）： 第一步：用中间变量（感知价值）对外生变量耐用性、操作的简单性、通话效果和价格四个变量进行回归； 第二步：用内生变量（忠诚度）对第一步中的四个变量进行回归； 第三步：用忠诚度对第一步中的四个变量以及中间变量感知价值进行回归。 五、递归路径模型 广义的路径模型有两种基本类型：递归模型和非递归模型。两种模型在分析时有所不同，递归模型可以直接通过最小二乘法求解，而非递归模型的求解比较复杂。这里主要介绍基于最小二乘法的路径分析（即递归路径模型）。 递归模型：因果关系结构中全部为单向链条关系、无反馈作用的模型。无反馈作用意味着，各内生变量与其原因变量的误差之间或各两个内生变量的误差项之间必须相互独立。 二、相关系数的分解 分解相关系数在路径分析中带有一般性意义，并且是路径分析中很重要的一部分。通过对原因变量和结果变量的相关系数的分解，我们可以很清楚地看出造成相关关系的各种原因。 例： A,B,C为三个两两相关的外生变量，A,B和残差项e4共同决定D，B,C,D和残差项e5决定E，最后，D,E和残差项e6影响最终结果变量F，共具有三层的因果关系。 通过上面对相关系数的分解，可以总结出，相关系数的分解可能产生四种类型的组成部分：1、直接作用；2、间接作用；3、由于原因变量相关而产生的未析部分；4、由于共同作用原因的存在而产生的伪相关部分。 然而，如果按照上面的步骤，相关系数的分解将是非常繁琐的。赖特提供了从路