《结构方程模型讲义》.pptVIP

验证性因子分析 验证性因子分析充分利用了先验信息，是在已知因子结构的情况下检验所搜集的数据资料是否按事先预定的结构方式产生作用。 验证性因子分析的主要目的是检验事先定义因子的模型拟合实际数据的能力。 进行验证性因子分析之前要求事先假设因子结构，我们要做的是检验它是否与观测数据一致。 探索性因子分析的基本步骤 收集观 察变量 获得协方差阵 确定因 子个数 提取公 共因子 进行因 子旋转 解释因 子结构 获得因 子得分 用得到的因子解释原始变量 Factor Loading 三个因子与各变量之间的相关系数，称为因子载荷量（loading） 系数绝对值越大，与相应因子的相关强度越强。 因子旋转 因子旋转：用一个正交阵右乘已经得到的因子载荷阵（由线性代数可知，一次正交变化对应坐标系的一次旋转），使旋转后的因子载荷阵结构简化。 旋转的目的：清晰的负载矩阵，以便研究者进行因子解释及命名。 1. 方差最大化正交旋转(Varimax)： 使负载的方差在因子内最大 因子与因子之间没有相关，因子轴之间的夹角等于90度 2. 直接斜交转轴法(Direct Oblimin)：使因子负载的差积（cross-products）最小化。 3. Promax 转轴法：将直交转轴(varimax)的结果再进行有相关的斜交转轴。因子负荷量取2，4，6次方以产生接近0但不为0的值，藉以找出因子间的相关，但仍保有最简化因素的特性。 2.3.与1.不同，因子与因子之间彼此有某种程度的相关，因素轴之间的夹角不是90度 优缺点 正交转轴的优点： 因子之间提供的信息不会重叠，被试在某一个因子的分数与在其它因子的分数，彼此独立互不相关 正交转轴的缺点： 研究迫使因子之间不相关，但这种情况在实际的情境中往往并不常存在 所以，有时会采用非正交转轴的方法。 探索性因子分析小结 一般来说，如果没有坚实的理论基础支撑，有关观测变量内部结构，一般用探索性因子分析。 先用探索性因子分析产生一个内部结构的理论，再在此基础上用验证性因子分析，但必须用分开的数据集来做。 如果直接把探索性因子分析的结果放到同一数据的验证性因子分析中，就仅仅是拟合数据，而不是检验理论结构。 合理的做法：用一半数据做探索性因子分析，然后把析取的因子用在剩下的一半数据中做验证性因子分析。 验证性因子分析 定义因 子模型 收集观测值 获得相关 系数矩阵 根据数据 拟合模型 评价模型 是否恰当 与其它 模型比较 检验原始假设是否成立 验证性因子分析 如何编程 如何阅读结果 拟合指数的介绍 Factor Analysis 先有方块才有圈圈→EFA 先有圈圈才有方块→CFA 人文 语文 数学 英语 物理 化学 社会 科学 Using statistical methods to identify the basic underlying variables (factors) that account for the correlation among test scores To explain why two tests are correlated To explain how the entire scale is organization 验证性因子分析 例 :用17个题目测量350名学生的学习态度及取向，理论假设学习态度及取向分为5个维度(1-4为A，5-8为B，9-11为C，12-14为D，15-17为E)，且5个维度都分别相关，请问这假设是否符合实际数据？ 思路 1)首先根据理论假设(模型MA)画出路径图；(见图3-1) 2)求得17题的相关矩阵； 3)根据路径图写出LISREL的程序； 4)RUN程序； 5)看各种拟合指数是否理想； 6)对模型进行修正； 7)得到各种参数值。 结构方程模型的结构 1.测量模型 x=∧xξ+δ y= ∧yη+ε 其中， ξ：外源潜变量 η：内生潜变量 x：外源指标 δ：x的误差项 y：内生指标 ε：y的误差项 ∧x：外源指标与外源潜变量的关系 ∧y：内生指标与内生潜变量的关系 结构方程模型的结构 2.结构模型 对于潜变量间的关系，可用结构方程 表示： η=Bη+Гξ+ζ η：内生潜变量。 ξ： 外源潜变量。 B：内生潜变量间的关系。 Г：外源潜变量对内生潜变量的影响。 ζ： 结构方程的残差项。 x1 x2 δ1 δ2 ξ1 λ1 λ2 y1 y2 ε1 ε2 η1 λ1 λ2 矩阵形式的方程式 矩阵形式的方程式 而且ξ与δ无相关存在 而且ε与η无相关存在 转成向量形式 测量模式 x1 x3 δ1