结构方程模型结构方程模型.pdf

三、结构方程模型的基本观念 (一) 结构方程模型是什么 结构方程模型可以说，就是「路径分析 (path analysis) 」和「因子分析 (factor analysis) 」 的结合体。它的用途，与大家所熟悉的多元回归分析十分相似，但是不同的地方在于，结构 方程模型是一种更为强大的统计方法，在构造模型和估计参数的过程里，可以直接处理多组 方程间的互动干扰、非线性关系、不独立（相关）的自变量、残差相关、衡量误差、以及将 多组相依的衡量模型共冶于一个单一模型当中。事实上，我们可以将结构方程模型视为 「广 义线性模型 (general linear model: GLM) 」的延伸，它的强大功能，绝对可以用来取代我们惯 用的回归分析、路径分析、因子分析、时间序列分析、甚至共变量分析。不过限于篇幅，本 书将聚焦于结构方程模型在因子分析、潜变量路径分析、和一般路径分析上的应用。 相对于多元回归分析，结构方程模型在应用上的限制也较少，关键的亮点包括在进行 「路径分析」的时候，即使自变量间存在明显的共线性 (multi-collinearity)，结构方程模型 依然可以照单全收，丝毫不影响其解释上的有效性。利用结构方程模型来进行「验证性因 分析」，更可以通过将多个可观测变量指定给单一潜变量，从而可以在根源处直接降低衡量 误差。尤其在残差的处理上，很少有统计方法可以这么方便地直接检查每一个可观测变量的 残差，甚至操弄这些残差之间的相关。结构方程模型在路径系数的处理上也高人一等，不仅 可以同时估计多个自变量对多组因变量的关系，还能够进行多样本多模型之间的系数比较。 最重要的优势是，结构方程模型不仅仅可以估计单一参数的系数，还能够直接估计整体模型 的拟合度，这是许多传统统计方法所望尘莫及的。 如前所述，结构方程模型的主要用途，其实是用来验证研究者心中对于他所想象世界的 猜想，而不是用来探索一个新的世界。换言之，在应用结构方程模型的一开始，大多数的研 究者在他的心中，早已存在某些定见了。这些定见的存在形式，大抵上可以分成两种：(1) 研究者想要检验他的某个想法是否正确，于是构造了一个结构方程模型，在代入真实数据对 模型进行估计后，研究者可以根据拟合指标的好坏，来判断真实世界里的数据，和他所构造 的模型之间是否一致，从而明白他原先的想法是否可以接受。(2) 研究者根据不同理论，得 出两种或两种以上可以用来描述这个世界的不同看法，然后针对这些不同看法，分别构造出 不同的结构方程模型来，在代入真实数据分别对这些模型进行估计后，研究者可以根据拟合 指标的好坏，来判断究竟哪种看法，更加切合实际。 尽管如此，我们还是可以在文献中看到有些研究者，利用结构方程模型来进行模型探索， 而不是正确使用结构方程模型，来验证心中事先设定的模型猜想。例如有些研究者在验证原 先设定好的结构模型时，发现拟合指标很差，于是通过「修正指标 (modification index) 」的 暗示，「为数字而数字」地对模型任意调整改动，直到拟合指标达到及格标准为止。当然这 样的作法并不可取，因为通过这种过程而勉强予以接受的结构模型，可能只是刚好反映了这 组特定样本的特征，而不是因为模型本身可以放诸四海而皆准，换句话说，是因为这组特定 样本造就了一个事先想象不到、缺乏理论依据的模型，而不是通过真实数据，验证了一个具 有理论深度的模型。这样的模型即使拟合指标合格了，可能还是缺乏外部效度，我们很难接 受这样的模型会是能够代表事实真理的模型。对于这种情形下所构造出来的结构方程模型， 研究者有必要使用多组不同的样本，对相同模型进行多次验证，也就是「强韧度测试 (robust tests) 」，如果多组样本都证实了相同结构模型的「拟合指标」都是及格的，那么我 们才能够正式接受这个结构方程模型。 (二) 结构方程模型的前提假定 如前所述，结构方程模型在应用上的限制相对已经较少了，但是它和其他的多变量分析 技术一样，在实际应用的时候，仍然有其特定的前提假定必须遵守。 (1) 结构方程模型里面的「可观测变量」必须服从正态分布。 (2) 结构方程模型里面作为「因变量」的「潜变量」必须服从正态分布。 (3) 线性关系的假定 (4) 潜变量的假定 (5) 多元的可观测变量 (6) 不存在多重共线性的假定 (7) 残差独立的假定 (8) 不存在接近零的协方差矩阵 (covariance matrix) (9) 适当的样本大小 (1) 结构方程模型里面的「可观测变量」必须服从正态分布。 由于在估计结构方