结构方程模型及其应用.pptVIP

结构方程模型及其应用 一、引言 二、结构方程模型简介 三、验证性因子分析 四、全模型 一、引言 1、描述数据：要准确还是要简洁？ 2、好模型是尽可能准确且相对简洁 3、一个具体的例子： 例子：9个不同学科的相关关系（1） 例子：9个不同学科的相关关系（2） 例子：9个不同学科的相关关系（3） 例子：9个不同学科的相关关系（4） 例子：9个不同学科的相关关系（5） 例子：9个不同学科的相关关系（6） 二、结构方程模型简介 1、SEM的重要性 1）SEM：基于变量的协方差来分析变量之间的关系。 2）应用原因：可以分析涉及潜变量的复杂关系。 ◆管理研究离不开一些抽象的构念： —— “学业成就” 、“家庭社会地位”等等 ——可操作化以便得到具体数据 ◆这些具体的能进行测量的变量称为 ——显变量/观察变量/测量变量 例如： 学业成就：语文、数学、英语 家庭社会地位：学生父母受教育程度、父母职业及其收入 2、结构方程模型的结构 1）测量模型：指标与潜变量之间的关系 x=Λxξ+δ（如语文与学业成就的关系） y=Λyη+ε （如家庭收入与社会地位的关系） 2）结构模型η=Βη+Γξ+ζ（学业成就与社会地位的关系） x—外源指标向量 y—内生指标向量 Λx—外源指标在外源潜变量上的因子负荷矩阵 Λy—内生指标在内生潜变量上的因子负荷矩阵 ξ—外源潜变量 η—内生潜变量 δ—外源指标x的误差项 ε—内生指标y的误差项 Β—内生潜变量之间的关系 Γ—外源潜变量对内生潜变量的影响 ζ—结构方程的残差项，反映η在结构方程中未被解释的部分。 3、结构方程模型的优点： 1）同时处理多个变量：回归分析在计算对某一个因变量的影响时，忽略了其他因变量的存在及其影响； 2）容许自变量和因变量含测量误差：回归分析只允许因变量有误差，不允许自变量有测量误差； 3）同时估计因子结构和因子关系：因子分析的步骤是先算因子负荷，进而得到因子得分，再计算因子得分的相关系数得到潜变量的相关系数； 4）容许更大弹性的测量模型：传统上一个指标只能从属于一个因子，但SEM一个指标可以从属于多个因子； 5）估计整个模型的拟合程度:传统路径分析只估计每一路径的强弱。 4、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 单向箭头指向因子表示内生潜变量 未被解释的部分 单向箭头指向指标表示测量误差 5、SEM模型的八种矩阵概念列表 结构模型矩阵 Β beta BE η因子对η因子的影响 Γ gamma GA ξ因子对η因子的影响 测量模型矩阵 Λx lambda x LX x变量在ξ因子上负荷 Λy lambda y LY y变量在η因子上的负荷 Ф phi PH ξ因子的协方差 残差矩阵 Ψ psi PS 结构方程残差ζ的协方差 Θ δ theta-delta TD x指标的误差协方差 Θ ε theta-epsilon TE y指标的误差协方差 6、SEM的应用步骤 1）阐明研究假设，弄清应用SEM是为了验证何种假设； 2）分析SEM的必要性，为什么其他的数据分析方法不适合； 3）模型设定：路径图 4）模型辨识：自由度=[(p+q)(p+q+1)/2]-t 0 p：外生观测变量个数 q：内生观测变量个数 t ：需要估计的参数个数 5）模型估计：8个基础参数矩阵 6）模型的评价 7）模型修正 模型的评价 绝对拟合优度指数：将研究者设定模式与饱和模式（各变量均允许相关，自由度为零，但是能百分之百准确地和数据拟合）相比较。 ——拟合优度指数GFI，大于0