结构方程模型与偏最小二乘法.pptVIP

结构方程模型与偏最小二乘法 报告人： 宁禄乔 吴兵福 何 涛 主要内容 结构方程模型简介 结构方程模型原理 因子模型 路径模型 结构方程模型与偏最小二乘法 基于两个潜变量的偏最小二乘法 基于多个潜变量的偏最小二乘法 偏最小二乘法的几何意义 结构方程模型简介 结构方程模型（Structural Equation Model, SEM） 协方差结构模型（Covariance Structure Modeling, CSM） 线性结构方程模型LISREL（LInear Structural RELationship） 基于变量的协方差(相关系数)矩阵来分析变量之间关系的一种统计方法 应用于社会学、教育学、心理学等 为何要用结构方程模型 很多社会、心理研究中涉及的变量，都不能准确、直接地测量，这种变量称为潜变量（Latent variable），如智力、学习动机、家庭社会经济地位等等。我们只好退而求其次，用一些外显指标（observable indicators），去间接测量这些潜变量。 例如： 以学生父母教育程度、父母职业及其收入（共6个变量），作为学生家庭社会经济地位（潜变量）的指标； 以学生语文、数学、英语三科成绩（外显变量），作为学业成就（潜变量）的指标。 为何要用结构方程模型 回归分析虽然容许因变量含测量误差，但需要假设自变量是没有误差的。当自变量和因变量都不能准确测量时，理论上来说，线性回归方程是不能用来估计变量之间的关系。 结构方程分析经常用来比较不同的模型。例如，被测试学生接收多个科目（语文，数学，英语，生物，化学，物理，地理，历史等）的测验，我们提出不同模型去解释各种能力之间的关系。这包括：（1）所有能力可用一个一般能力（类似心理学上一般智力）来表达；（2）各种能力可分为文、理两类；（3）其他。结构方程分析将同一组数据用不同的模型去拟合，看看哪一个模型拟合得更好，从而推测学生各科目能力的结构。 一种量化研究方法 定性研究－定量研究（演绎） 例如： 顾客满意度与顾客忠诚 智商，情商与成就 …… 定量研究－定性研究（归纳） 调查问卷－数据挖掘 结构方程分析 纯粹验证（strictly confirmatory）：只有一个模型去拟合一个样本数据，分析目的是决定接受还是拒绝这个模型 选择模型（alternative model）：提出数个不同的可能模型，从各模型拟合样本数据的优劣，决定哪个模型最为可取。 模型产生（model generating）：先提出一个或多个基本模型，检查这些模型是否拟合样本数据，基于理论或样本数据，分析找出模型中拟合欠佳的部分，修改模型，并通过同一数据或其他样本，检查修正模型的拟合程度，整个分析过程的目的在于产生一个最佳模型。 模型 学科可分为三组（即三个因子）： 学科1，4，5为一组； 学科2，6，7为一组； 学科3，8，9为一组； 这三组成绩可能相互关联。 模型路径图 结构方程分析原理 结构方程模型是验证性因子模型和（潜变量）因果模型的结合。 因子分析算法原理 因子模型 x1，x2，x3是潜变量?1的指标（indicator），x4，x5是潜变量?2的指标 测量方程（measurement equation），反映了因子（潜变量）与其测量指标之间的关系 测量方程 模型假设 误差项的均值为零，即E(?i) = 0，i = 1…5； 误差项与因子之间不相关，即cov(?i，?j) = 0，i = 1，2，j = 1, 2, …5； 误差项之间不相关，即cov(?i，?j) = 0，i≠j。 矩阵形式 x＝?x? + ? 模型路径参数与再生矩阵的关系 cov(1,9)=0.73*0.22*0.66=0.11 即学科1与学科9的相关系数＝学科1负荷×两因子间相关系数×学科9负荷 路径分析算法原理 例子： 研究小学生受同学喜欢的程度，这个变量受到该生的学习成绩、欺负行为的影响，还会受到班主任对他的喜欢程度的影响，而班主任对他的喜欢程度也受到该生的学习成绩、欺负行为的影响。 学习成绩（x1）；欺负行为（x2）；班主任的喜欢程度（y1）；受同学喜欢的程度（y2）。 术语 在路径（因果）模型中，将回归方程称为结构方程（structural equation），将标准化的回归系数称为路径系数（path coefficient） 对整个模型，变量可分为外源（exogenous）变量和内生（endogenous）变量。外源变量是那些只起自变量作用的变量，内生变量是那些起因变量作用的变量 路径图 路径系数 协方差的线性性质 Z1和Z3的协方差 路径系数（续） 结构方程分析原理 结构方程模型是验证性因子模型和（潜变量）因果模型的结合。 包含： 因子模型部分