结构方程模型 (课件).pptVIP

结构方程模型 结构方程模型 SEM基础 SEM流程 软件操作 案例应用 SEM 什么是SEM？ 结构方程模型 (SEM) 是一种用来处理因果关系模型的统计方法，它也可以进行路径分析 (path analysis)、因子分析、回归分析及方差分析。 SEM提供了一种进行数据分析和研究理论的完整综合系统，可同时处理一系列或多组自变量与因变量之间关系，检验潜变量(Latent variables)与观测变量(Manifest variable)之间的关系。 SEM包括：回归分析、因子分析(验证性因子分析、 探索性因子分析)、ｔ检验、方差分析、比较各组因子均值、交互作用模型、实验设计 。 SEM的构成 测量模式旨在建立测量指针与潜在变项间之关系，主要透过验证性因素分析以检验测量指标(即问卷、量表)的效度。 结构模式旨在检验潜在变项间之因果路径关系，主要针对潜在变项进行径路分析，以检验结构模式的适配性(Fitness)。 典型SEM图示 八个参数矩阵 结构方程模型的分析过程 SEM——前提条件 条件1：观测变量必须是定距或定比型变量。 条件2：观测变量必须为连续且至少要有四个数值。 条件3：数据符合正态分布。 条件4：变量间关系为线性的。 条件5：变量间应避免多重共线性。 条件6：必须包含所有重要的因果关系。 条件7：模型是过度识别的。 条件8：每个潜变量一开始至少应有三个观测变量。 条件9：观测变量总数最好不要超过30个。 条件10：观察变量个数。一般而言，样本数至少要有200个，至少要为x观察变量数量的10倍～15倍，样本大小亦取决于潜变量的数量；或者也可以5倍的待估计参数个数为最小样本数个数。 SEM——模型识别 SEM模型的识别，是判定模型中每一个待估计的(自由)参数能否由观测数据求出唯一的估计值。 参数类型 自由参数 固定参数 限制参数 模型类型 可识别(恰好识别、过度识别) 不可识别 SEM——模型识别 规则一(t规则) 自由度df=[(p+q)(p+q+1)/2]-t≥0 其中p为外生观测变量，q为内生观测变量，t为自由参数。 测量模型 必要非充分条件 规则二(两步法) 测量模型→结构模型 三指标规则、两指标规则/ t规则、零B规则递归规则、阶条件、秩条件 充分不必要条件 规则三(MIMIC) 多指标多原因模型 外生变量都可测且内生变量可不止一个的模型 SEM——模型评价 评价目的：从各方面来评鉴理论模型是否能解释实际观察所得的数据，或者说理论模式与实际观察所得数据的差距有多大 (Anderson Gerbing, 1988) 参数检验 显著性检验 （八个矩阵） 合理性检验 拟合程度检验 绝对拟合指标 卡方检验 近似误差均方根 相对拟合指标 NFI NNFI CFI 信息指数 解释能力评价 单方程解释力 整体模型解释力 效应分解 SEM——模型修正 模型不合适 结构假定有误 外部界定有误 遗漏可测变量或潜变量 内部界定有误 遗漏或错误假定路径 分布假定不满足 不满足正态分布假定 不满足测量尺度假定 不是线性关系 有缺失值 省俭原则 等同原则 SEM——模型修正 修正方向 模型简约 临界比率（CR） χ2/df 模型扩展 修正指数（MI） MI 4 测量模型 结构模型 修正内容 增删因子载荷 增减潜变量 增删因子间协方差 增删路径系数 增删测量误差协方差 增减残差协方差 模型修正的检验：LR检验、LM检验、W检验 AMOS执行步骤 Amos Graphics界面 潜在变量 观察变量 误差变量 测量模型 结构模型 建立路径模型图 开启数据文件 样本量 设定观察变量 设定误差变量名称 设定输出统计量 最小化过程 标准化的估计值 多元相关的平方 观察样本协方差矩阵 间接效果、直接效果和总效果 残差矩阵 隐含协方差矩阵 修正指标 检验正态性与异常值 计算估计值 计算估计值 浏览模型结果 估计值 回归系数 估计参数的标准误 检验统计量(1.96) P值显著性(0.001) 模型注解 模型自由度为1，适配度卡方值为0.179，显著性概率值为0.672，未达0.05的显著水平，接受虚无假设，表示观察数据的矩阵与假设隐含的矩阵相契合，即观察数据与假设模型间可以适配。 模型适配度 预设模型 饱和模型 独立模型 适配度指标 统计检验量 指标解释 适配的标准或临界值 外国标准 绝对适配度指数 χ2值 卡方值 显著性概率值p0.05（未达显著水平） GFI值 适配度指数 0.90以上 0.95 AGFI值 调整后适配度指数 0.90以上 0.95 RMR值 残差均方和平方根 0.05   SRMR值 标准化RMR 0.05 0.06 RMSEA值 渐进残差均方和平方根 0.05（适配良好） 0.08（适配合理）