结构方程模型与卡方检验.pdfVIP

SEM与卡方检验 SEM与卡方检验 通过统计数据的Excel表，大家就能知道哪些指标是论文报告中经常出现的。 2 例如卡方值（ ）、自由度（df）、RMSEA、CFI和TLI （或NNFI）等，由于M+的指标比较少，所以这五 个指标属于比较通用的指标。除此之外，经常也会报告SRMR，以及，我们在Excel里也看到有一篇文章报告了 WRMR （M+特有，目前没什么人报告），以及Index of moderated mediation （这个指标属于中介调节模型） 指标。 我们首先要讲的是卡方与自由度。 关于自由度的概念，如果还不是很清楚的朋友可以看群里一个仅有几页的报告。 SEM与卡方检验 卡方分布最早应该是皮尔森提出，用来判断假设模型与实际模型是否存在差异。 例如，我们假设X对Y有影响，这称为预设模型。 但是我们数据收集来了以后，一定是这样的吗？有可能X对Y没有影响呢？（也就是β=0）那我们的预设模 型与实际模型是有差异的！这个时候，就会体现在卡方检验里，也就是卡方值与自由度，从而我们可以推断出 p值。当假设模型与实际模型差异越大的时候，卡方值就会越大。 和t值或者Z值能判断显著性p一样，卡方值与自由度相联系，这两个值共同确定了这个结果的p值（是否 显著）。 有兴趣的读者可以自行百度关于卡方分布的文本进行阅读，尝试一下如何使用卡方分布表来判断p值，这 不在本报告范围内。 SEM与卡方检验 我们尝试用一个案例来理解SEM的假设检验，如 右图模型所示，其实这个预设模型，一共有如下的假 设： 1.FAC1对F1、F2、F3有显著影响 2.FAC2对D1、D2、D3有显著影响 3.FAC1对FAC2有显著影响 4.e1、e2、e3、e4、e5、e6和e7两两之间没有显 著相关 （要知道在SEM 中没有双箭头就是没有相关， 即假设这两者之间相关是0） 所以，如果使用真实数据，与上述假设有差异，那么就会产生一定的卡方值，差异越大，卡方值越大。 这也是为什么在AMOS 中，我们会勾选M.I.值，这个东西的输出结果里其实就是卡方！而自由度则是根据我们 的模型设定而得到，模型设定后就不会变化。 我们接下来使用数据来加深理解。 SEM与卡方检验 打开AMOS 的模型“1.卡方检验”，并选定使用数据“实验数据”，勾选标准化结果和M.I.后，结果如下： 点开“View text”按钮，查看“Modification Indices”底下的结果，会发现模型拟合非常完美。 由于AMOS 中默认小于4的M.I.不会显示（可以手动修改），所以此时并不是没有M.I.存在。 SEM与卡方检验 打开AMOS 的模型“2.卡方检验-改”，运行后结果如下。笔者将D3与F3调换了一下位置，结果马上变得不 一样了，这时候我们再点开查看M.I.，会发现下面的结果。 e3与e4分别是D3和D1未被解释的部分。数据表明，e3与e4相关为正（Par Change原意为参数改变量，但 是也可以根据Par Change值的正负来判断残差相关的正负，两者同向），如果给两个残差拉相关，那么至少会 降低66.0567的卡方值（M.I.）。 SEM与卡方检验 我们打开“3.卡方检验-残差相关”，这是在上一个 模型基础上拉了e3与e4的残差相关。 运行计算之后，我们可以发现，e3与e4确实是正 相关，与上页ppt中Par Change结果一致。如果读者多 尝试几次，就能发现，一般来说，Par Change越高， 则残差相关越高。当然，此处不是准备告诉读者如何 进行模型的修正，我们仅仅是先加深对SEM的理解。 细心的读者会发现，2号和3号模型“p ＜0.001”， 而1号模型“p=0.967”，为什么同样的变量，模型拟合 差别这么大呢？ SEM与卡方检验 我们重复理解1号模型（左）的解释，并以此对比2号模型（右）的解释。可以发现，1号模型里面的假设 都是显著的，而2号模型里面的假设，有部分已经不显著了(主要表现为残差相关) 。也就是说，1号模型与真实 数据一致，而2号模型与真实数据不一致，所以2号模型拟合较差。 模型假设： 模型假设： 1.FAC1对F1、F2、F3有影响