结构方程模型.pptVIP

结构方程模型 模型构建 利用结构方程模型分析变量的关系 ,根据专业知识和研究目的 ,构建出理论模型 ,然后用测得的数据去验证这个理论模型的合理性。建构模型包括指定: (1)观测变量与潜变量的关系; (2) 各潜变量间的相互关系; (3) 在复杂的模型中 ,可以限制因子负荷或因子相关系数等参数的数值或关系。 模型拟合 结构方程模型分析中的模型拟合目标是使模型隐含的协方差矩阵即模型的“再生矩阵”与样本协方差矩阵尽可能地接近。模型拟合中的参数估计方法有许多种 ,每种方法有自己的优点和适用情况。常用的参数估计方法包括:不加权的最小二乘法、广义最小二乘法、极大似然法、一般加权最小二乘法、对角一般加权最小二乘法等。目前极大似然法是应用最广的参数估计方法。 模型评价 评价一个刚建构成或修正的模型时 ,主要检查(1)结构方程的解是否适当 ,包括迭代估计是否收敛、各参数估计值是否在合理范围内; (2) 参数与预设模型的关系是否合理; (3) 检视多个不同类型的整体拟合指数 ,如:绝对拟合指数有 χ 2 、RMSEA (root mean square error of approximation ,近似误差均方根) 、SRMR ( standardized root mean square residual , 标准化残差均方根) 、GFI (goodness of fit index ,拟合优度指数) 、A GFI (adjusted goodness of fit index ,调整拟合优度指数) ,以及相对拟合指数 NNFI(non- normed fit index 非范拟合指数) 、NFI ( normed fit index ,赋范拟合指数) 、CFI (comparative fit index ,比较拟合指数) 等 ,以衡量模型拟合程度。 模型修正 模型的修正主要包括: (1) 依据理论或有关假设 ,提出一个或数个合理的先验模型; (2) 检查潜变量与指标间的关系 ,建立测量方程模型; (3) 若模型含多个因子 ,可以循序渐进地 ,每次只检验含两个因子的模型 ,确立测量模型部分合理后 ,最后再将所有因子合并成预设的先验模型 ,作总体检验; (4) 对每一模型 ,检查标准误、标准化残差、修正指数、参数期望改变值、χ 2 及各种拟合指数 ,据此修改模型。 三、结构方程模型建立原则及注意事项 1.结构方程模型建立原则 （1）研究结论不能绝对化 （2） 一项研究对任何领域的实际贡献在于它对理论框架的澄清。如果这项研究不能解释一定的理论框架 ,则该项研究的价值将受到影响; （3） 谨慎使用某些重要概念和搜集高质量数据 ,是良好研究的基本条件; （4）潜变量结构模型的有效性取决于: ①高度制约和简化的假设; ②大样本的可接受性。当假设得不到满足或只满足于小样本时 ,这些方法的有效性就会受到怀疑。 2. 应用结构方程模型的注意事项 （1）通径图中 ,内源变量与外源变量间的关系都是线性的。实际工作中的非线性偏离被认为是可以忽略的 ,若有强的非线性关系则应当设法对变量作变换 ,以便可以用线性作近似; （2）结构方程不支持小样本。一般要求样本容量在 200 以上 ,或是要估计的参数数目的 5～20 倍; (3) 一个完善的通径图并不表示一定包含尽可能多的箭头。相反 ,统计学上最感兴趣的是 ,寻找用尽可能少的箭头去联结尽可能少的变量 ,而这时的通径图又能对所代表的样本拟合得好; (4) 待估参数不应多于 m ( m + 1) / 2 ( m 为x显变量的个数) ; （5）避免隐变量名实不符的问题; （6）当模型与数据拟合时 ,说明数据并不排斥模式 ,不能说数据可以确认模式 ,也不能证明某一理论基础; （7） 用同一样本数据 ,以相同数目的待估参数和不同的组合形式可以产生许多不同模型 ,这些等同模型哪一个更适合于研究问题 ,应按照模式表达的意义从专业角度来鉴别; （8）) SEM 不能验证变量间的因果关系。同其他统计方法一样 ,当模型与样本拟合时 ,只能说该模型是可供考虑的模型 ,是目前为止尚未被否定的模型。只有经严格的实验设计控制其他变量的影响 ,才能探讨主要变量的因果效应。绝不能因为使用了 SEM 便说证明模型正确。严格地说 ,尽管 SEM 不能证明因果关系 ,但它的生命力在于能寻找变量间最可能的因果关系。 四、结构方程模型的优缺点 1.优点 ①不但可研究可观测变量 ,而且还可研究不能直接观测的变量(隐变量) 的关系 ,不但能研究变量间的直接作用 ,还可研究变量间的间接作用; ②可同时处理多个因变量; ③容许自变量及因变量含测量误差; ④可通过路径图直观地显示变量间的关系; ⑤研究者可构建出隐变量间的关