结构方程模型.docVIP

PAGE PAGE 36 1结构方程模型概述 1.1结构方程模型的基本概念 结构方程模型(Structural Equation Modeling，SEM) 早期又被称为线性结构方程模型（Linear Structural Relationships，简称LISREL）或称为工变数结构分析（Coratiance Strucyure Analysis）。SEM起源于二十世纪二十年代遗传学者Eswall Wrihgt发明的路径分析，七十年代开始应用于心理学、社会学等领域，八十年代初与计量经济学密切相连，现在SEM技术己广泛运用到众多的学科。 结构方程模型是在已有的因果理论基础上，用与之相应的线性方程系统表示该因果理论的一种统计分析技术，其目的在于探索事物间的因果关系，并将这种关系用因果模式、路径图等形式加以表述。与传统的探索性因子分析不同，在结构方程模型中，我们可以提出一个特定的因子结构，并检验它是否吻合数据。另外，通过结构方程多组分析，我们还可以了解不同组别内各变量的关系是否保持不变，各因子的均值是否有显著差异。结构方程模型可以替代多重回归、通径分析、因子分析、协方差分析等方法。 1.2结构方程模型的优点 (一) SEM可同时考虑和处理多个因变量 在传统的回归分析或路径分析中,就算统计结果的图表中展示多个因变量,其实在计算回归系数或路径系数时,仍然是对每一因变量逐一计算。表面看来是在同时考虑多个因变量,但在计算对某一因变量的影响或关系时,其实都忽略了其他因变量的存在与影响。 (二) SEM容许自变量及因变量项含测量误差 例如在心理学研究中,若将人们的态度、行为等作为变量进行测量时,往往含有误差并不能使用单一指标(题目),结构方程分析容许自变量和因变量均含有测量误差。可用多个指标(题目)对变量进行测量。 (三) SEM容许同时估计因子结构和因子关系 要了解潜在变量之间的相关性,每个潜在变量都用多指标或题目测量,常用做法是首先用因子分析计算机每一潜在变量(即因子)与题目的关系(即因子负荷),将得到的因子得分作为潜在变量的观测值,其次再计算因子得分的相关系数,将其作为潜在变量之间的相关性,这两步是同时进行的。即同时考虑因子与题目之间的关系与因子与因子之间的关系。 (四) SEM可采用比传统方法更有弹性的测量模型 传统的因子分析难以处理一个指标从属于多个因子的情形。但SEM允许更加复杂的模型。例如英语书写的中医试题量中医基础,则测验得分(指标)既从属于中医因子,也从属于英语因子(因为得分也部分反映英语能力)。 (五) SEM可设计出潜变量间的关系，并估计出拟合度 传统的路径分析只估计每一路径(变量之间关系)的强弱。在结构方程分析中,除上述参数估计外,还能计算不同模型对同一样本数据的整体拟合程度,据此判断哪一个模型更接近数据所呈现的真实关系。 2 结构方程模型的模型构成 结构方程模型中有两个基本的模型：测量模型与结构模型。 2.1 测量模型(measured model) 测量模型由观察变量和潜在变量组成。所谓观察变量有时又称为显性变量或指标变量，是可以由量表或测量工具所得的数据，例如收入、职业等；潜在变量是观察变量间所形成的特质或抽象概念，无法直接测量，因而需要由观察变量测得的数据资料来反映，例如文化资本、社会资本等。而潜在变量是可以用观察变量来加以构建的。在SEM模型中，变量与变量之间的联结关系是以结构参数来呈现的。结构参数是提供变量间因果关系的不变性常数。结构参数可以描述观察变量与观察变量间的关系、观察变量与潜在变量间的关系，以及潜在变量与潜在变量间的关系。非随机变量则是探测性变量，它们的值在重复随机抽样下依然不变。观察变量通常以长方形或方形符号来表示，而潜在变量通常以椭圆形或圆形符号来表示。 测量模型的回归方程式如下： x=Λxξ+δ y=Λyη+ε x，y是表示观测变量与潜变量η，ξ之间关系的方程组 δ2δ3ξ1χ δ2 δ3 ξ1 χ2 χ1 χ3 δ1 图4.1 x是由外生（exgenous）指标组成的向量 y是由内生（endogenous）指标组成的向量 Λx外生指标与外生潜变量之间的关系 Λy内生指标与内生潜变量之间的关系 δ外生指标x的误差项 ε内生指标y的误差项 η内因潜变量 ξ外因潜变量 2.2 结构模型（structure model） 结构模型是对潜在变量间因果关系模型的说明，作为因的潜在变量即称为外因潜变量（或潜在自变量或外衍潜变量）；作为果的潜变量即称为内因潜变量（或潜在依变量、内衍潜在变量）。 结构模型的回归方程如下： η=Bη+Γξ+ζ 结构方程是表示潜变量与潜变量之间关系的方程组。 方程说明： x是由外生（exgenous）指标组成的向量 y是由内生（endogenous）指标组成