第二部分结构方程模型的原理解析.ppt

测量模型的识别：（1）潜变量单位尺度的设定。固定负荷或固定方差；（2）没有双重负荷的情况；（3）只有一个潜变量的测量模型，至少要有三个测量指标；（4）因子之间有相关，每个因子有两个以上指标；因子之间没有相关，每个因子有三个以上指标。符合上述条件，测量模型可以识别。 结构模型的识别：（1）如果BE矩阵为0，模型自动识别；（2）递归模型可以识别。指内生变量间的关系是单一方向，没有回溯关系，同时测量残差之间彼此独立。 模型界定的简效原则 SEM一般涉及的变量比较多，也比较复杂，这些变量之间可以组合成无数种不同的假设模型。简效原则是重要的模型界定原则。 简效原则：符合理论意义、关系简洁扼要、突出重要的和新颖的变量关系。 二、如何处理缺失数据 1、列删法：在被试数量充分的情况下，可以删去有缺失值的被试。 2、对删法：在计算两个变量的相关系数时，用该对变量不缺失的数据，不理会某一被试在其他变量上是否缺失。故每个相关系数基于的被试人数不同，可能产生非正定的协方差矩阵。 3、均值替代法：用每个变量的均值，取代该变量的缺失值。 4、回归法：根据变量间的回归系数，利用其他变量的数据去推算缺失值。比如，某被试缺父母教养方式的数据，可以做父母教养方式、自我同一性与职业决策之间的回归，然后用回归系数去推算缺失的父母教养方式数据。 三、相关矩阵与协方差矩阵 SEM中采用相关矩阵，大多数情况下是正确的，与协方差矩阵结果一致。但有时误用相关矩阵，会导致参数、拟合指数以及标准误的错误估计。 以下情况下只能使用协方差矩阵：（1）模型中限制各因子方差为1，同时限制某指标的因子负荷为不等于0的固定值；（2）对模型中的同一个因子，限制其两个或两个以上指标的因子负荷，为不等于0的固定值；（3）限制模型中同一个因子的两个或两个以上指标的因子负荷相等，限制模型中不同因子的两个或两个以上指标的因子负荷相等；（4）限制模型中两个或两个以上的测量误差相等。如“EQ LX 1 1 LX 2 1 LX 3 1 LX 4 1”,可帮助模型求得恰当解，但此时只能用协方差矩阵。 四、小样本处理的方法 原则上尽可能使用大样本，N 200 or 500。 如果条件所限，样本规模较小，可采用以下方法弥补：（1）采用高质量的题目，信度和效度均良好，因子负荷 0.7；（2）每个因子至少有4、5个指标；（3）强制令同一因子的指标负荷相等（必须用协方差矩阵），解决不恰当解的问题。 注意：即使小样本分析产生了不恰当解，如相关系数大于1，误差等于0等。即便如此，参数估计和拟合指数估计仍然具有参考价值。 五、非正定问题 非正定矩阵：程序提示“non-positive definition”。所谓非正定指数据或者数学运算程序中出现不合理性，导致数学运算陷入一种无意义的困境。如对角线数值出现负数，相关系数大于1.0等。 非正定矩阵的可能原因：（1）样本量太小。如测量指标数大于样本数，总是显示非正定；（2）数据出错，如数据输入过程中出错，读入不同格式的数据时出错；3）数据缺失过多会导致矩阵非正定。如对删法处理缺失数据时，可能导致矩阵非正定；（4）变量间存在显著的线性相关。 解决方法：（1）增加样本数量；（2）检查数据是否有错误；（3）改用列删法处理缺失值；（4）删除有显著线性相关的变量。 六、不收敛问题 不收敛：程序提示non-convergence。指达到程序设定的迭代次数的上限，仍然未能获得方程的理想解或确定解。 不收敛的可能原因：（1）数据或编程出现错误；（2）模型设定不合理；（3）模型过于复杂；（4）变量间存在多重共线性问题；（5）缺失值处理不当；（6）样本量不充足；（7）题目质量低劣。 除检查上述七个方面外，还可以（1）对复杂模型，增加迭代次数，IT 1000 或者AD OFF；（2）设定合理的初始值，ST与NS同时使用。 七、模型与数据拟合的含义 “理论模型与样本数据的拟合度良好，表明该理论模型正确”。这一结论是否正确？ 当拟合数据不好时，说明模型的再生矩阵与样本的协方差矩阵相差很大，表示理论模型不符合样本数据所隐含的变量关系。也就是说，该数据否定了理论模型，需要摒弃或修正。 当拟合数据良好时，说明样本数据不排斥该理论模型，但并不能下结论说该数据确认了该理论模型，更不能说证实了该理论模型。 SEM适合证伪，不适合证实。拟合数据好只能表示该模型未遭否定。 SEM不能验证变量间的因果关系，但能协助寻找变量间可能的因果关系。 SEM分析结果报告 一、模型设定 对于测量模型和关系模型都要做出说明。 外源潜变量和内生潜变量采用何种方法进行测量，说明量表或测量指标。 关系模型中要说明每一个路径设定或不设定的理论依据是什么。 二、模型识别性 整体模型的识别性 测量模型的识别性 关系模型的识别性 三、样本数据和估计方法