结构方程模型与AMOS.ppt

结构方程模型简介 Structural equation modeling 很多社会、心理研究中所涉及到的变量，都不能准确、直接地测量，这种变量称为潜变量，如数学态度、数学效能、数学焦虑等。 这时，只能退而求其次，用一些外显指标，去间接测量这些潜变量。如用学习动机、学习信心作为学习态度（潜变量）的指标，以自我肯定、持续努力（外显指标）作为数学效能的指标，以考试焦虑、课堂焦虑作为数学焦虑的指标。 传统的统计分析方法不能妥善处理这些潜变量， 而结构方程模型则能同时处理潜变量及其指标。 传统的分析中均假设自变量没有测量误差。 测量模型回归方程如下： X1=λ1ξ1+σ1 X2=λ2ξ1+σ2 X3=λ3ξ1+σ3 Y1=λ1η1+ε1 Y2=λ2η1+ε2 Y3=λ3η1+ε3 上述回归方程的矩阵方程如下： 结构模型潜变量间回归方程如下： η1=γ1ξ1+e1 η2=γ3η1+γ2ξ1+e2 模型提出：研究者根据理论或以往研究来提出假设的初始模型 模型识别：决定所研究的模型是否能够给出参数估计的唯一解。 模型估计：模型参数可以采用几种不同的方法估计，最常使用的是最大似然法。 模型评估：对模型与数据间的拟合度进行评估，并与替代的拟合度指标进行比较。 模型修正：如果模型不能很好地拟合数据，就需要对模型进行修正。 结构方程模型是一种验证性技术，而不是探索性技术 其虚无假设与备择假设如下： H0：数据资料=理论模型 H1：数据资料≠理论模型 如果接受虚无假设，则表示理论模型与样本数据间可以适配 识别工作主要是考虑模型中每一个未知的参数能否由观测数据来求得唯一解作为估计值。 依据数据点的数目与参数数目的关系，模型识别可分为：正好识别、过度识别、低度识别。 自由度 df=1/2 k（k+1）—t （数据点数目=1/2 k（k+1），t 为自由参数个数，k 为观察变量个数） 若df0，过度识别，表示估计结果是允许拒绝虚无假设。 若df=0，正好识别，表示数据与模型完美适配，但是这种模型并不是研究者感兴趣的模型。 若df0，低度识别，表示模型估计无法获得唯一解。 路径系数/载荷系数的显著性评估 模型的拟合指标评估 拟合指标的选择 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）与指标间的关系，建立测量模型，有时可能增删或重组指标； 对每一个模型，检查标准误、t值、标准化残差、修正指数、及各种拟合指数，据此修改模型并重复这一步； 最好用另外一个样本进行检验； Amos提供两种模型修正指标：修正指数和临界比率 修正指数用于模型扩展，是指对于模型中某个受限制的参数，若容许自由估计（譬如在模型中添加某条路径），整个模型改良时将会减少的最小卡方值 临界比率用于模型限制，是计算模型中的每一 对待估参数（路径系数或载荷系数）之差，并 除以相应参数之差的标准差所构造出的统计量 路径图的图标规则 圆或者椭圆表示潜变量或因子 正方形或者长方形表示显变量或指标 单向箭头表示单向影响 双向弧形箭头表示相关（非因果关系） 单向箭头指向因子表示内生潜变量 未被解释的部分，即残差 单向箭头指向指标表示 指标未被解释的部分，即测量误差 * * 结构方程模型 1 AMOS软件介绍 2 结构方程模型与AMOS SEM 的分析步骤 3 结构方程模型 SEM 概述 1 SEM与几种多元方法的比较 2 SEM的应用 4 为什么要用结构方程模型？ 什么是结构方程模型？ 结构方程模型是应用线性方程表示观测变量与潜变量之间，以及潜在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。 结构方程模型分为：测量方程和结