结构方程模型案例汇总.docxVIP

结构方程模型（Structural Equation Modeling，SEM) 20 20 世纪——主流统计方法技术：因素分析 回归分析 20 世纪 70 年代：结构方程模型时代正式来临 20 世纪 70 年代：结构方程模型时代正式来临 结构方程模型是一门基于统计分析技术的研究方法学，它主要用于解决社会科学研 结构方程模型是一门基于统计分析技术的研究方法学，它主要用于解决社会科学研 究中的多变量问题，用来处理复杂的多变量研究数据的探究与分析。在社会科学及经 究中的多变量问题，用来处理复杂的多变量研究数据的探究与分析。在社会科学及经 济、市场、管理等研究领域，有时需处理多个原因、多个结果的关系，或者会碰到不可 济、市场、管理等研究领域，有时需处理多个原因、多个结果的关系，或者会碰到不可 直接观测的变量（即潜变量），这些都是传统的统计方法不能很好解决的问题。 直接观测的变量（即潜变量），这些都是传统的统计方法不能很好解决的问题。 SEM 能 够对抽象的概念进行估计与检定，而且能够同时进行潜在变量的估计与复杂自变量 够对抽象的概念进行估计与检定，而且能够同时进行潜在变量的估计与复杂自变量 /因 变量预测模型的参数估计。 变量预测模型的参数估计。 结构方程模型是一种非常通用的、主要的线形统计建模技术，广泛应用于心理学、经济学、社会学、行为科学等领域的研究。实际上，它是计量经济学、计量社会学与计量心理学等领域的统计分析方法的综合。多元回归、因子分析和通径分析等方法都只是结构方程模型中的一种 特例。 特例。 结构方程模型是利用联立方程组求解，它没有很严格的假定限制条件，同时允许自变量和因变量存在测量误差。在许多科学领域的研究中，有些变量并不能直接测量。实际上，这些变量基本上是人们为了理解和研究某类目的而建立的假设概念，对于它们并不存在直接测量的操作方法。人们可以找到一些可观察的变量作为这些潜在变量的“标识”，然而这些潜在变量的观察标识总是包含了大量的测量误差。在统计分析中，即使是对那些可以测量的变量，也总是不断受到测量误差问题的侵扰。自变量测量误差的发生会导致常规回归模型参数估计产生偏 差。虽然传统的因子分析允许对潜在变量设立多元标识，也可处理测量误差，但是，它不能分析因子之间的关系。只有结构方程模型即能够使研究人员在分析中处理测量误差，又可分析潜在变量之间的结构关系。 简单而言，与传统的回归分析不同，结构方程分析能同时处理多个因变量，并可比 简单而言，与传统的回归分析不同，结构方程分析能同时处理多个因变量，并可比 较及评价不同的理论模型。与传统的探索性因子分析不同，在结构方程模型中，我们可 较及评价不同的理论模型。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。通过结构方程多组分析，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。通过结构方程多组分析，我们可 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着差异。” 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着差异。” 目前，已经有多种软件可以处理 SEM，包括： LISREL ，AMOS, EQS, Mplus. 结构方程模型包括测量方程（LV 和 MV 之间关系的方程，外部关系）和结构方程（LV 之间关系的方程，内部关系），以 ACSI 模型为例，具体形式如下： 测量方程 y＝Λyη+εy??, x＝Λxξ+εx=(1） 结构方程? η＝Bη+Гξ+ζ 或 （I-Β）η＝Гξ+ζ （2） δ1χ1λ1δ2χ2λ2ξδ δ1 χ1 λ1 δ2 χ2 λ2 ξ δ3 χ3 λ3 负荷量潜在变量误差观察变量 负荷量 潜在变量 误差 χ χ1 δ1 δ1 y1 ε1 δ2 χ2 ξ1 η1 y1 ε1 δ3 χ3 y1 ε1 测量模式 三种分析方法对比 ζ 结构模式 线性相关分析： 线性相关分析指出两个随机变量之间的统计联系。两个变量地位平等，没有因变量和自变量之分。因此相关系数不能反映单指标与总体之间的因果关系。 线性回归分析： 线性回归是比线性相关更复杂的方法，它在模型中定义了因变量和自变量。但它只能提供变量间的直接效应而不能显示可能存在的间接效应。而且会因为共线性的原因，导致出现单项指标与总体出现负相关等无法解释的数据分析结果。 结构方程模型分析： 结构方程模型是一种建立、估计和检验因果关系模型的方法。模型中既包含有可观测的显在变量，也可能包含无法直接观测的潜在变量。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，清晰分析单项指标对总体的作用和单项指标间的相互关系。 结构方程模型假设条件 ⑴合理的样本量（ James Stevens 的 Applied Multiva