结构方程模型-CFA_部分.ppt

Structural Equation Model Construct (Latent Variable)潜变量 Concept that the researcher can define in conceptual terms but normally cannot be directly measured or measured without error Approximately measured by indicators (指标) Structural equation models (SEMs) represent a general approach to the statistical examination of theoretical models fit to empirical data. SEMs with latent variables embody simultaneous equations with multiple exogenous and endogenous variables (path analysis), along with measurement error models (confirmatory factor analysis). Thus SEMs are the synthesis of methods developed in econometrics and psychometrics. This course provides an introduction to the theory, and empirical applications of SEMs within the LISREL framework. /toc/sem/13/1 The course will examine the five steps that characterize most applications of SEMs: model specification identification estimation assessment of model fit model respecification Measurement model Structural model Most people follow the notation used the computer program LISREL (LInear Structural RELations) to talk about structural equation models SEM假设条件　　· 合理的样本量（James Stevens的Applied Multivariate Statistics for the Social Sciences一书中说平均一个自变量大约需要15个case；Bentler and Chou (1987)说平均一个估计参数需要5个case就差不多了，但前提是数据质量非常好；这两种说法基本上是等价的；而Loehlin (1992)在进行蒙特卡罗模拟之后发现对于包含2~4个因子的模型，至少需要100个case，当然200更好；小样本量容易导致模型计算时收敛的失败进而影响到参数估计；特别要注意的是当数据质量不好比如不服从正态分布或者受到污染时，更需要大的样本量）　　· 连续的正态内生变量（注意一种表面不连续的特例：underlying continuous；对于内生变量的分布，理想情况是联合多元正态分布即JMVN）　　 · 模型识别（识别方程）（比较有多少可用的输入和有多少需估计的参数；模型不可识别会带来参数估计的失败，我就吃过这个亏）　　· 完整的数据或者对不完整数据的适当处理（对于缺失值的处理，一般的统计软件给出的删除方式选项是pairwise和listwise，然而这又是一对普遍矛盾：pairwise式的删除虽然估计到尽量减少数据的损失，但会导致协方差阵或者相关系数阵的阶数n参差不齐从而为模型拟合带来巨大困难，甚至导致无法得出参数估计；listwise不会有pairwise的问题，因为凡是遇到case中有缺失值那么该case直接被全部删除，但是又带来了数据信息量利用不足的问题——全杀了吧，难免有冤枉的；不杀吧，又难免影响整体局势）　　· 模型的说明和因果关系的理论基础（实际上就是假设检验的逻辑——你只能说你的模型不能拒绝，而不能下定论说你的模型可以被接受） 　　第四部分：用AMOS Graphics建立和检验模型　　· SEM-Multiple回归关系的图示　　· 用AMOS Graphics画出模型（椭圆：隐变量/因子；长方形：