结构方程模型教材.ppt

结构方程模型 一、基本概念思想 结构方程模型（structural equation modeling，简称SEM）是当代行为和社会领域量化研究的重要统计方法，它融合了传统多变量统计分析中的因子分析与线性模型的统计技术，对于各种因果模型可以进行识别、估计与验证。 验证潜在变量间的假设关系，而潜在变量可以被显性指标所测量。 模型中包含显性指标、潜在变量、干扰或误差变量间的关系，进而获得自变量对因变量的直接效果、间接效果或总效果。 SEM基本上是一种验证性方法，通常必须有理论或经验法则的支持，在理论引导的前提下才能构建建设模型图。即使是模型的修正，也必须依据相关理论而来，强调理论的合理性。 又称 协方差结构模型（covariance structure models）协方差结构分析（ covariance structure analysis）潜在变量模型（latent variable models，LVM）潜在变量分析（latent variable analysis）线性结构关系模型（linear structural relationship model，LISREL）验证性因素分析（confirmatory factor analysis）简单的LISREL分析、因果模型分析（analysis of causal modeling） 一个协方差结构模型包含两个次模型：测量模型（measurement model）与结构模型（structural model） 测量模型：描述潜在变量如何被相对应的线性指标所测量或概念化（operationalized）。 结构模型：描述潜在变量之间的关系以及模型中其他变量无法解释的变异部分。 模型的本质；验证式模型分析，利用研究者搜集的实证资料来确认假设的潜在变量间的关系，以及潜在变量与指标的一致性程度。 即比较研究者所提假设模型的协方差矩阵与实际搜集数据导出的协方差矩阵之间的差异。 因子分析存在的限制 所测项目只能被分配给一个因子，并只有一个因子载荷量，如果测验题项与两个或两个以上的因子有关时，因子分析就无法处理。 因子间关系必须是全有（多因素斜交）或全无（多因素直交），即因子间不是完全无关就是完全相关。 因子分析中假设误差项不相关，但在行为及社会科学领域中，许多测验的题项与题项之间的误差来源是相似的，也即误差间具有相关关系。 结构方程模型相对存在以下优点： 可检验个别测验题项的测量误差，并将测量误差从题项的变异量中抽离出来，使因子载荷量具有较高精确度。 研究者可根据理论文献或经验法则，预先确定题项是属于哪个共同因素，或应属于哪几个共同因素，并可设定一个固定的因子载荷量或将几个题项的载荷量设为相等。 可根据理论文献或经验法则，设定某些因子之间是具有相关，还是不相关关系，甚至可以将因子间设定为相等关系。 可以对共同因素的模型进行评估，了解所构建的共同因素模型与实际取样搜集的数据间是否契合，可以进行整个假设模型的适配度检验。 结构方程与回归模型 回归模型中，变量仅区分自变量与因变量，这些变量军事无误差的观测变量，但在SEM模型中，变量间的关系除了具有测量模型外，还可以利用潜在变量来进行观测值的残差估计。 回归分析中，因变量被自变量解释后的残差被假设与自变量间是相互独立的，但SEM模型分析中，残差项是允许与变量之间有关连的。 SEM的特性 SEM具有理论先验性 SEM可同时处理测量与分析问题 SEM关注协方差的运用 SEM适用于大样本统计分析 SEM包含了许多不同的统计技术 SEM重视多重统计指标的运用 SEM理论先验性 SEM分析假设的因果模型必须建立在一定的理论上，因而SEM是一种验证某一模型或假设模型适切性与否的统计技术，故被视作验证性而非探索性的统计方法。 SEM可同时处理测量与分析问题 SEM是一种将测量与分析整合为一的计量研究技术，它可以同时估计模型中的测量指标、潜在变量，不仅可以估计测量过程中指标变量的测量误差，也可以评估测量的信度与效度。 SEM模型分析又称潜在变量模型，在社会科学领域中主要用于分析观察变量间彼此的发杂关系，潜在变量是个无法直接观测的概念，如智力、动机、新年、满足与压力等，这些无法观察到的概念可以借由一组观察变量来加以测量，测量指标分为间断、连续及类别指标，因子分析模型就是一种连续型指标的潜在变量模型的特殊案例。 SEM关注协方差的运用 SEM分析的核心概念是变量的协方差。SEM分析中，协方差有两种功能：（1）利用变量间的协方差矩阵观察多个连续变量间的关联情形，此为SEM的描述性功能（2）是可以反映出理论模型所导出的协方差与实际搜集数据的协方差的差异，此为验证性功能。 SEM适用于大样本统计分析 协方差分析与相关分析类似，若是样本数较少，则估计的结果会