结构方程模型（SEM）在心理学研究中的路径分析.docxVIP

结构方程模型（SEM）在心理学研究中的路径分析

引言

心理学研究的核心目标之一，是揭示心理现象背后的复杂因果关系与作用机制。从个体的认知发展到群体的社会行为，从心理健康的影响因素到心理干预的效果评估，研究者往往需要同时处理多个变量间的直接与间接关联、显性指标与潜在特质的映射关系。传统的统计方法如多元回归、方差分析等，虽能分析变量间的简单关联，但在处理潜变量（如“自我效能感”“社会支持”等无法直接观测的心理构念）、多路径效应（如中介效应、调节效应）以及测量误差时，常显露出局限性。结构方程模型（StructuralEquationModeling,SEM）作为一种整合性统计技术，恰好弥补了这些不足。其中，路径分析作为SEM的核心组成部分，通过构建变量间的因果路径图，能够系统揭示心理现象中“如何影响”“为何影响”的深层逻辑，成为当代心理学研究中不可或缺的工具。

一、结构方程模型与路径分析的基础认知

（一）SEM的核心逻辑与路径分析的定位

结构方程模型是一种基于协方差矩阵的统计建模方法，其核心思想是通过数学模型拟合观测数据的协方差结构，从而验证或探索变量间的因果关系。从构成上看，SEM包含两个子模型：一是测量模型（MeasurementModel），用于描述潜变量与观测变量（如量表题项）之间的关系，解决“如何用可测指标反映不可测心理特质”的问题；二是结构模型（StructuralModel），用于描述潜变量或显变量之间的因果路径，解决“变量间如何相互作用”的问题。

路径分析（PathAnalysis）本质上是结构模型的简化形式，最早由遗传学家赖特（Wright）于20世纪20年代提出，后经心理学研究者发展完善。在SEM框架下，路径分析聚焦于结构模型中的路径系数估计，通过标准化路径权重（如β值）量化变量间影响的方向与强度，同时允许纳入测量误差，使结果更接近心理现象的真实状态。可以说，路径分析是SEM在探索变量因果关系时的“操作引擎”，而SEM则为路径分析提供了更系统的理论框架与技术支持。

（二）路径分析与传统回归分析的区别

传统的多元回归分析虽能考察多个自变量对因变量的影响，但存在三方面局限：其一，仅能处理显变量（可直接测量的变量），无法分析潜变量间的关系；其二，假设自变量与因变量的测量无误差，但心理测量中量表题项的信度常难以达到100%，误差会干扰结果；其三，仅能检验“单一路径”的直接效应，无法分解间接效应（如变量A通过变量B影响变量C的中介效应）或总效应（直接效应+间接效应）。

路径分析则突破了这些限制。例如，在研究“家庭支持对青少年抑郁的影响”时，若假设家庭支持既直接影响抑郁，又通过自尊水平间接影响抑郁，传统回归需分两次分析（家庭支持→抑郁、家庭支持→自尊→抑郁），而路径分析可在一个模型中同时估计直接路径（家庭支持→抑郁）与间接路径（家庭支持→自尊→抑郁），并计算总效应（直接效应+间接效应），更全面地揭示变量间的作用链条。此外，路径分析允许为每个观测变量（如自尊量表的具体题项）设定测量误差，避免因测量不精准导致的系数偏差。

二、路径分析的核心要素与心理学研究适配性

（一）潜变量的测量：从抽象到具体的桥梁

心理学研究中，许多关键变量是抽象的潜变量，如“心理韧性”“内隐态度”“社会认同”等。这些变量无法直接观测，需通过多个观测变量（如量表中的题项）间接测量。路径分析的测量模型部分，正是解决这一问题的关键。例如，测量“心理韧性”时，研究者可能选择“面对困难时的坚持性”“情绪调节能力”“社会支持利用度”等3个观测变量，每个观测变量对应量表中的若干题项（如“遇到挫折时我会尝试不同方法解决”“我能快速调整负面情绪”等）。测量模型通过估计因子载荷（即观测变量对潜变量的贡献程度），验证这些题项是否有效反映了潜变量的内涵。若某一题项的因子载荷过低（如小于0.4），则说明其与潜变量的关联较弱，需调整或删除。

这种“潜变量-观测变量”的映射关系，高度适配心理学研究的需求。例如，在心理健康研究中，“抑郁症状”作为潜变量，需通过“情绪低落”“兴趣减退”“睡眠障碍”等观测变量测量；在教育心理学中，“学习动机”需通过“主动预习”“坚持完成作业”“探索额外知识”等行为指标测量。路径分析通过测量模型的校准，确保这些观测变量能够准确、可靠地反映潜变量，为后续结构模型的路径估计奠定基础。

（二）路径的类型与效应分解：揭示复杂作用机制

路径分析的结构模型中，变量间的关系可分为三类路径：直接路径（变量A直接影响变量B）、间接路径（变量A通过中间变量M影响变量B，即A→M→B）、以及干扰路径（误差变量对结果变量的影响）。通过分解这些路径的效应，研究者能够深入解析心理现象的作用机制。

以“社会支持对主观幸福感的影响”研究为例，假设模型包含社会支持（A）、心理韧性（