结构方程模型Structural Equation Model幻灯片.ppt

对假设模型的合理性作出检验,包括每个参数的合理性检验与显著性检验,整个模型的总的适合性检验等。检验不仅可以为模型的合理性提供数量化的依据,还可以为进一步研究,为模型的改进提出方向。与一般的假设检验不同的是,研究希望接受 H0。如果P值越大,模型合理的可能性也就越大。 1.检验模型中的参数是否具有统计学意义; 2.模型整体拟合程度的评价 拟合指数 χ 2 值是反映模型与数据拟合程度最直接的指标,易受到样本含量影响。 较理想的拟合指数 (1)不受样本含量的影响; (2)惩罚复杂模型 (自由参数较多的模型 ) ; (3)对误设模型敏感。 最好结合多个指标报告结果, 而不要只依赖一种选择。 七、应用SEM注意的问题 1. SEM 分析流程 如果无任何理论依据和实际工作基础就直接构建模型 ,这种模型除了提供统计学的结论外 ,无任何实际意义。因此 , SEM 分析首先以理论为基础构建模型 ,在此所谓的理论并非 SEM 模型的统计理论 ,而是强调 SEM模型是建立在一定构念之上 ,提出一套有待检验的假设模型。 2. SEM 模型的前提假定 (1)样本含量的要求 样本具体要多大尚无统一规定 ,确定研究的样本量 ,一般须考虑样本代表性、模型估计和模型评价三个方面的需要。 Stevens(1996)认为样本含量至少应该是观测变量或指示变量数目的 15倍。在实际应用中 ,建议尽量避免对少于 200例的样本作 SEM 分析 ,其分析结果不稳定 ,也缺乏准确性。 ( 2)数据的分布 SEM 分析时一般要求数据服从多元正态分布, 当违反正态分布的假定时, S EM 分析结果应受质疑, 因此,撰写研究论文时,应给出数据的分布特征与假设检验结果。 非正态数据可采用四种方法来处理: ①变量转换。采用变量变换后对估计参数的解释按照新的测度进行,得到的因子载荷不再是原非正态观测变量的因子载荷,故一般不建议使用转换后的变量进行研究;②使用经过调整的基于正态理论的模型检验统计量和参数标准误, 如 S -B 调整方法; ③使用任意分布估计方法, 如 B rowne’s渐近任意分布 ( asymptotically distribution free, ADF)估计方法; ④Bootstrap法。 3. 等同性分析 在跨文化研究、分组比较均值结构 (means struc tu re ) 等应用中,即使一个测量被证明有良好的信度与效度,并不能说明这些测量与其所测得的潜在因素在不同的受试对象上具有相同的意义。因此, 须事先进行测量的等同性 (measurement invariance)检验, 提供研究者因素构建、因子载荷、误差估计在不同样本间的等同性或歧义性。 V andenberg 和L ance ( 2000)曾建议在下面的情况下才可以: ①只允许极少数题目在两组的载荷不相同; ②要有充分的理论依据支持; ③在不同样本得出相同结果 4.模型修正的相关问题 如模型评价结果中含有没有实际意义或统计学意义的参数时,可以将这些参数固定为零, 即删除相应的自由参数。 如模型的某个或某几个固定参数的修正指数比较大时,原则上每次只将那个最大或较大MI 的参数改为自由参数。 如主要方程的决定系数很小, 则可能是以下某个或某几个方面的原因: 一是缺少重要的观察变量,二是样本量不够大,三是所设定的初始模型不正确。 5. SEM 结果报告 参数的合理性：该参数是否符合数学或统计学理论上的可能性,或是实证资料的可能性； 假设检验：检验各参数的统计意义, 在结构方程模型中各参数的检验是以检验的方式来进行； 标准化解：是将所有参数估计的结果以标准化的方式来呈现。标准化解有两种形式:完全标准化解 ( completely standardized solutions)与标准化解 ( standardized solutions ) 。 四、结构方程模型的优缺点 1.优点 ①不但可研究可观测变量 ,而且还可研究不能直接观测的变量(隐变量) 的关系 ,不但能研究变量间的直接作用 ,还可研究变量间的间接作用; ②可同时处理多个因变量; ③容许自变量及因变量含测量误差; ④可通过路径图直观地显示变量间的关系; ⑤研究者可构建出隐变量间的关系 ,并验证这种结构关系是否合理; ⑥能分解相关系数 ,来考察一个变量对另一变量的直接作用和间接作用。 2.缺点 ①在 SEM 的应用早期由于其自身的相对复杂性和不完善性 ,使研究者们未能准确把握其内涵 ,因而出现了误用并把统计结果作为确定因果关系方向的证据 ,这显然是本末倒置。又由于 SEM 对模型的接受没有统一标准 ,所以在有等价模型的情况下研究者很难拒绝某些模型 ,这也给模型选择带来