10. 结构方程模型建模和分析步骤.ppt

高级统计方法 周影辉 博士 zyhmaths@163.com 中山大学管理学院市场学系 * 结构方程建模和分析步骤 验证模型与产生模型 纯粹验证（Strictly Confirmatory，SC） 心目中只有一个模型 这类分析不多，无论接受还是拒绝，仍希望有更佳的选择 选择模型（Alternative Models，AM） 从拟合的优劣，决定那个模型最为可取 但我们仍常做一些轻微修改，成为产生模型类的分析 * 产生模型（Model Generating，MG) 先提出一个或多个基本模型 基于理论或数据，找出模型中拟合欠佳的部分 修改模型，通过同一或其他样本，检查修正模型的拟合程度，目的在于产生一个最佳模型 * 结构方程分析步骤 模型建构（Model Specification），指定 观测变量与潜变量（因子）的关系 各潜变量间的相互关系（指定哪些因子间有相关或直接效应） 在复杂的模型中，可以限制因子负荷或因子相关系数等参数的数值或关系（例如，2个因子间相关系数等于0.3；2个因子负荷必须相等） 模型拟合(Model Fitting，通常 MLE） 主要的是模型参数的估计(e.g.，回归分析，通常用最小二乘方法拟合模型，相应的参数估计称为最小二乘估计 ) * 模型评价（Model Assessment） 结构方程的解是否适当( Proper)，估计是否收敛，各参数估计值是否在合理范围内（例如，相关系数在 -1与+1之间） 参数与预设模型的关系是否合理。当然数据分析可能出现一些预期以外的结果，但各参数绝不应出现一些互相矛盾，与先验假设有严重冲突的现象 检视多个不同类型的整体拟合指数，如 NNFI、CFI、RMSEA 和卡方值等 含较多因子的复杂模型中，无论是否删去某一两个路径（固定它们为0），对整个模型拟合影响不大 应当先检查每一个测量模型 * 模型修正（Model Modification） 依据理论或有关假设，提出一个或数个合理的先验模型 检查潜变量（因子）与指标（题目）间的关系，建立测量模型 可能增删或重组题目 若用同一样本数据去修正重组测量模型，再检查新模型的拟合指数，这十分接近探索性因素分析（exploratory factor analysis，EFA），所得拟合指数，不足以说明数据支持或验证模型 可以循序渐进地，每次只检查含2个因子的模型，确立测量模型部分合理后，最后才将所有因子合并成预设的先验模型，作一个总体检查 对每一模型，检查标准误、t 值、标准化残差、修正指数、参数期望改变值、及各种拟合指数，据此修改模型并重复这一步骤 这最后的模型是依据某一个样本数据修改而成，最好用另一个独立样本，交叉验证（cross-validate） * 参数估计和拟合函数 目标：求未知参数使得隐含协方差矩阵 与样本协方差矩阵 “差距”最小 拟合函数（Fit Function） 有多种拟合函数，所得参数估计值可能不同 工具变量 (IV, Instrumental Variable)； 两阶段最小二乘 ( TSLS, Two-Stage Least Squares)； 无加权最小二乘 (ULS, Unweighted Least Squares)； 最大似然 (ML, Maximum Likelihood)； 广义最小二乘 (GLS, Generalized Least Squares)； 一般加权最小二乘 (WLS, Generally Weighted LS) 对角加权最小二乘 (DWLS, Diagonally Weighted LS) * 拟合检查 修正指数（Modification Index， MI） 模型中某个受限制的参数（通常是固定为 0 的参数），若容许自由估计，模型会因此而改良，整个模型的卡方减少的数值，称为此参数的修正指数 实际应用中要考虑让该参数自由估计是否有理论依据 原则上每次只修改一个参数（通常 MI 最大或较大者） 可以取 MI3.84 或 6.63 的参数，作为该路径可改为自由的准则 但 MI 受样本容量 N 等的影响，不能只看 MI 的数值作为修改的唯一根据，还要考虑修改在理论上的合理性 同时修改或不修改一组相关（对称）的路径，是模型修正时常用的策略 * 检查关系是否实质合理 看各路径等参数估计值，在理论上是否合理、有实质意义 残差分析 残差矩阵是样本协方差矩阵减去再生矩阵的结果 正规化残差 * 模型修正和交互效度 当模型修正后，必须评价修正后的模型解是否恰当，是否通用？ 需要交叉验证！如何进行交叉验证？ 若原本的样本很大，可用一半的数据建立模型和修正模型，再用另一半对模型进行交叉验证 更严谨的做法是不考虑