PathAnalysisFromRegressiontoSEMApproach.ppt

Path AnalysisFrom Regression to SEM Approach 路徑分析基本原理 一種用以探討多重變項之間因果結構模式的統計技術 最初由遺傳學家Wright於1921年所提出，至1960年代才廣泛受到重視 路徑分析由一系列的迴歸分析所組成，除了借用迴歸方程式的原理，並透過假設性的架構，將不同的方程式加以組合，形成結構化的模式 路徑分析的基本概念 結構方程式（structural equation） 構成路徑模型的數學方程式，外衍與內衍變項之間的關係係數bi，稱為路徑係數（path coefficient）。 外衍變項(exogenous variable) 模型中作為影響或解釋其他變項的變異量的變項。其變異量由不屬於路徑模型的其他變項所決定。 內衍變項(endogenous variable) 模型中被他人所影響或解釋的變項。其變異量由外衍變項及殘差（干擾）變異量兩部分。 干擾變異(disturbances) 內衍變項無法被外衍變項解釋的部分 PART I: Regression Approach to Path Analysis 一般性路徑分析程序 建立假設模型 變項的選擇 變項關係的決定 模型的安排 參數估計 迴歸係數與R2的估計 計算殘差變異數 估計各種效果 直接、間接與整體效果 模型衍生相關的計算與運用 擬似相關的計算 模型修飾（trimming a model） 路徑分析圖 路徑分析的各種變項關係 迴歸模型與非迴歸模型 迴歸模型(recursive model)：因果關係是單一方向性，且殘差項是彼此獨立的獨立殘差模型。 非迴歸模型 (nonrecursive model)：允許相關的殘差(correlated-disturbance)，或是變項間具有回溯關係殘差。 殘差變異數 每一個內衍變項所不能被外衍變項解釋的部份 以1減去R2乘以內衍變項的變異數，得到非標準化的殘差變異數(若不乘以內衍變項變異數則是標準化的變異數) 路徑分析效果估計 直接效果(direct effect) 顯著的外衍與內衍變項解釋關係，直接由迴歸係數表示 間接效果(indirect effect) 顯著的外衍與內衍變項解釋關係之間具有一個或多個中介變項(mediated variable)的作用 內衍與外衍變項之間的直接效果均為顯著，若有任何一個直接效果不顯著，間接效果無法成立 整體效果(total effect) 間接與直接效果的加總 路徑係數的估計 路徑分析各項效果分解說明 模型衍生相關 (model-implied or predicated correlation) 定義 由模型推導出兩個變項的相關強度 功能 比較個別參數的優劣性：兩變項之間以理論假設求出的參數與實際觀測值的差距 檢驗整體模型的契合度（加總模型中所有理論與實際觀測差距值） 內容： 自變項對於內衍變項的整體效果的迴歸係數數值 非因果性關係的係數值(如相關係數) 計算的原理：軌跡法則(tracing rule) 模型衍生相關範例 自我效能與學業表現的衍生相關的軌跡: 直接效果：自我效能→學業表現=.29 間接效果：自我效能→成就動機→學業表現=.13 相關間接效果I：自我效能社會期待→學業表現=.13×.16=.02 相關間接效果II：自我效能社會期待→成就動機→學業表現=.13×.02×.21=.00 自我效能感對於學業成績的模型衍生相關： .29+.13+.02+.00=.44 將.44與原始的Pearson相關相比較 Regression Approach I Regression Approach II Path Analysis: Structural Equation Modeling Approach 路徑分析：從傳統到現代 傳統取向路徑分析 變項性質屬於外顯變項（manifest variables），研究者對於所關心的概念可以實際加以測量得到的觀察變項 變項沒有測量誤差假設 當代（SEM取向）路徑分析 觀察變項路徑分析(PA-OV)：模型中並無潛在變項，僅利用SEM軟體進行傳統路徑分析的SEM分析 潛在變項路徑分析(PA-LV)：模型中具潛在變項之設定，並利用SEM軟體進行統合模型SEM分析 Path Analysis of Latent Variables 又稱為結構迴歸模型（structural regression models）（Raykov Marcoulides, 2000）或統合模型分析(hybrid modeling) 驗證性因素分析與路徑分析的相遇 因素分析的潛在構念分析技術，恰好將路徑分析所忽略的抽象構念的測量與誤差的處理問題予以補足，強化了路徑模型的內在測量基