结构方程模型.pptxVIP

结构方程模型 （Structural Equation Modeling, SEM） 概念介绍 基本原理 案例分析 实际操作 01 02 03 04 目录 CONTENTS 1.基本概念 结构方程模型（Structural Equation Modeling, SEM）是一种验证性多元统计分析技术，是应用线性方程表示观测变量与潜变量之间，以及潜变量之间关系的一种多元统计方法，其实质是一种广义的一般线性模型。 SEM假定一组潜变量之间存在因果关系，潜变量可以分别用一组显变量表示，是某几个显变量中的线性组合。通过验证显变量之间的协方差，可以估计出线性回归模型的系数，从而在统计上检验所假设的模型对所研究的过程是否合适，如果证实所假设的模型合适，就可以说假设潜变量之间的关系是合理的。 SEM包括：因子分析（验证性因子分析、 探索性因子分析）、回归分析、路径分析、ｔ检验、方差分析、潜变量因果模型（全模型）、高阶因子分析、多质多法分析、潜变量增长模型 2.产生发展 20世纪70年代，一些学者（Joreskog, 1973; Wiley, 1973）将因子分析、路径分析等统计方法整合，提出结构方程的初步概念。 Joreskog与其合作者进一步发展矩阵模型的分析技术来处理共变结构的分析问题，提出测量模型与结构模型的概念，促成SEM的发展。 Ullman（1996）定义结构方程为“一种验证一个或多个自变量与一个或多个因变量之间一组相关关系的多元分析程式，其中自变量和因变量既可以是连续的，也可以是离散的”，突出其验证多个自变量与多个因变量之间关系的特点。 3.应用领域 SEM在心理学、社会学、行为科学等领域均得到广泛使用 在心理学领域，SEM可以应用于检验心理测量的信度、效度及解释测量中的一些问题，为检验观察数据与基木行为结构之间的关系提供了一种有效的方法。 在社会科学及管理学等领域，许多变量是人们为了理解和研究问题而建立的假设概念，是不能直接测量的，也不存在直接的测量方法。利用一些可观测变量作为潜在变量的“标识”时，又往往包含大量的测量误差。运用SEM能够使研究人员在分析中处理测量误差，探求潜在变量之间的结构关系。 在市场研究领域，SEM可以用于消费者满意度研究、对产品或服务的偏好以及购买行为研究、行为和态度动机的探索、生活方式研究等。 新的应用：多重样本分析、交互作用效应的检验、均数差异检验、纵向设计 程开明.结构方程模型的特点及应用 4.SEM的优点 同时处理多个因变量。 容许自变量和因变量含测量误差。 同时估计因子结构和因子关系。 容许更大弹性的测量模型。 估计整个模型的拟合程度。 5.SEM常用软件 LISREL 设计：Karl J?reskog和DagS?rbom 代理：Scientific Software International AMOS 设计：James Arbuckle 代理：SPSS EQS 设计：Peter M. Bentler 代理：Multivariate Software Mplus 设计：BengtMuthén和Linda Muthén（自理） 6.SEM的技术特性 具有理论先验性。 同时处理因素的测量关系和因素之间的结构关系。 以协方差矩阵的运用为核心。 适用于大样本分析（样本数100，分析不稳定；一般要200）。 包含不同的统计技术。 重视多重统计指标的运用。 7.SEM的样本规模 资料符合常态、无遗漏值及例外值(Bentler Chou, 1987)下，样本比例最小为估计参数的5倍、10倍则更为适当。 当原始资料违反常态性假设时，样本比例应提升为估计参数的15倍。 以最大似然法（Maximum Likelihood，ML）评估，Loehlin (1992)建议样本数至少为100 ， 200较为适当。 当样本数为400~500时，此法会变得过于敏感，而使得模式不适合。 1.模型构建构建研究模型，具体包括：观测变量（指标）与潜变量（因子）的关系，各潜变量之间的相互关系等?。 2.模型拟合对模型求解，其中主要是模型参数的估计，求得参数使模型隐含的协方差距阵与样本协方差距阵的“差距”最小?。 3.模型评价 路径系数/载荷系数的显著性； 各参数与预设模型的关系是否合理； 各拟合指数是否通过。 4.模型修正 ?模型扩展（使用修正指数）或模型限制（使用临界比率）。 1.模型构建——变量 观测变量：能够观测到的变量（路径图中以长方形表示）。 潜在变量：难以直接观测到的抽象概念，由测量变量推估出来的变量（路径图中以椭圆形表示）。 内生变量：模型总会受到任何一个其他变量影响的变量（因变量；路径图会受到任何一个其他变量以单箭头指涉的变量。 外生变量：模型中不受任何其他变量影响但影响其他变量的变量（自