结构方程模型基本特性及因子概述.doc

结构方程模型基本特性与因子分析 1 结构方程模型的基本概念 1.1 起源 结构方程模型一词与LISREL统计应用软件密不可分，LISREL是线性结构关系（Linear Structural Relationships）的缩写，就技术层面而言，LISREL是由统计学者Karl G.Joreskog与Dag Sorbom二人结合矩阵模型的分析技巧，用以处理协方差的结构分析的一套计算机程序。由于这个程序与协方差结构模型（covariance structure models）十分近似，所以之后学者便将协方差结构模型称之为LISREL模型。协方差结构模型使用非常广泛，包括经济、营销、心理及社会学，它们被应用于探讨问卷调查或实验性数据，包括横向式的研究及纵贯式的研究设计。协方差结构分析是一种多变量统计技巧，在许多变量统计的书籍中，均纳入结构方程模型的理论与实务的内容。此种协方差结构分析结合了（验证性）因素分析与经济计量模型的技巧，用于分析潜在变量（latent variables，无法观察的变量或理论变量）之间的假设关系，上述潜在变量可被显性指标（manifest indicators，观察指标或实证指标）所测量。一个完整的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），测量模型描述的是潜在变量如何被相对应的显性指标所测量或概念化（operationalied）；而结构模型指的是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量部分。协方差结构分析本质上是一种验证式的模型分析，它试图利用研究者所搜集的实证资料来确认假设的潜在变量间的关系，以及潜在变量与显性指标的一致性程度。此种验证或检验就是在比较研究者所提的假设模型隐含的协方差矩阵和实际搜集数据导出的协议差矩阵之间的差异。此种分析是利用协方差矩阵来进行模型的综合分析，而非输入之个别的观察值进行独立式的分析。协方差结构模型是一处渐进式的方法学，与其他推论统计有很大差别（Diamantopoulos Siguaw，2000）。由于LISREL能够同时处理显性指标（观察变量）与潜在变量的问题，进行个别参数的估计、显著性检验与整体假设模型契合度的检验，加上其视窗版人性化的操作界面，使得其应用普及率愈来愈高，早期LISREL一词逐渐与结构方程模型划上等号（但现在多数研究者已将SEM与AMOS联结在一起，此趋势可能与SPSS统计软件包的普及应用及AMOS图形界面操作有关）。 1.2 发展 结构方程模型（structural equation modeling，简称SEM），有学者也把它称为潜变量模型（latent varialble models，简称LVM）（Moustaki et al.，2004）。结构方程模型早期称为线性结构关系模型（linear structural relationship model）、协方差结构分析（covariance structure analysis）、潜在变量分析（latent variable analysis）、验证性因素分析（confirmatory factor analysis）、简单的LISREL分析（Hair et al.，1998）。通常结构方程模型被归类于高等统计学范畴中，属于多变量统计（multivariate statistics），它整合了因素分析（factor analysis）与路径分析（path analysis）两种统计方法，同时检验模型中包含的显性变量、潜在变量、干扰或误差变量（disturbance variables/error variables）之间的关系，进而获得自变量对依变量影响的直接效果（direct effects）、间接效果（indirect effects）或总效果（total effects）。SEM分析的基本假定与多变量总体统计法相同，样本数据要符合多变量正态性（multivariate normality）假定，数据必须为正态分布数据；测量指标变量呈现线性关系。 1.3 功能 SEM基本上是一种验证性的方法，通常必须有理论或经验法则支持，由理论来引导，在理论导引的前提下才能构建假设模型图。即使是模型的修正，也必须依据相关理论而来，它特别强调理论的合理性，此外，SEM模型估计方法中最常用的方法为极大似然法（maximum likelihood），使用极大似然法来估计参数时，样本数据必须符合多变量正态性假定（multivariate normality），此外，样本数据的样本数也不能太少，但样本数太大，使用极大似然法估计参数时，适配度的卡方值会过度敏感，因而进行SEM模型估计与决定模型是否被接受时应参考多向度的指标值加以