[经济学]9804141116062_2 揭开LISREL的神秘面纱—线性结构方程式之理论与应用.ppt

揭開LISREL的神秘面紗—線性結構模式之理論與應用 主講人： 蕭登泰 什麼是ＳＥＭ？ 什麼是SEM? SEM是Structural Equation Modeling的縮寫 SEM又稱為causal modeling, causal analysis, simultaneous equation modeling, analysis of covariance structures, path analysis, confirmatory factor analysis…. SEM是一種統計方法學(statistical methodology) SEM是統計技術 SEM是方法學 SEM一次量化技術的大整合，也是量化方法的典範大革命 SEM的發展歷史 Pearson：相關係數 (correlation coefficient) Spearman：因素分析（factor analysis） Wright：路徑分析 (path analysis) 諸多學者：結構方程式模型 (structural equation modeling, SEM) Joreskog等人：開發LISREL軟體，並更新加強功能！ 1987年，Hayduk出版專書。 1993年，LISREL第八版提昇軟體使用的簡易性 SEM的特色 SEM具有理論先驗性 SEM同時兼具觀察變項與潛在變項 SEM考慮測量誤差 SEM以共變數的運用為核心，亦可處理平均數估計與比較 SEM包含了許多不同的統計技術 SEM適用於大樣本之分析 SEM的決策為多重統計指標的運用 學習SEM的背景知識 相關分析(correlation analysis) 相關矩陣/共變異數矩陣是SEM的分析單位 迴歸分析(regression analysis) SEM的根基(因果分析) 路徑分析 (path analysis) SEM的結構模式 因素分析(factor analysis) SEM的測量模式--驗證型因素分析(confirmatory factor analysis) SEM的方法論 假設考驗 (hypothesis-testing) 研究者為了驗證自己所提出理論模式的適切性，提出理論性的建構，而以假設考驗的方式來檢驗之 結構化驗證 (structural confirmatory) 一組變項之間潛在的因果性（causality）或階層性（hierarchy）結構關係的探討 模型比較分析（modeling analysis comparison） 將一系列的研究假設同時結構成一個有意義的假設模型，然後經由統計的程序對於此一模型進行檢證 SEM的建模策略 模式驗證 (Model confirmation) 作為驗證（confirmatory）的基礎 針對單一的先驗假設模型，評估其適切性 模式產生 (Model generation) 先設定一個起始模型，在與實際觀察資料進行比較之後，進行必要的修正，反覆進行估計的程序以得到最佳契合的模型 模式比較 (Model competition) 利用不同模型的比較以決定何者最能反應真實資料 ＳＥＭ符號學 一般線性結構模式 結構模式 測量模式 結構模式之數學方程式 測量模式之數學方程式 內生潛在變數ξ之測量指標 x 外生潛在變數η之測量指標 y LISREL模式之八大參數矩陣 ＳＥＭ符號學 常用SEM圖示符號及其說明 執行SEM的程序與步驟 執行SEM的程序與步驟 模式界定 (model specification) 模式概念化 結構模式概念化 假設關係、因果關係、重要變數 測量模式概念化 操作行定義、量表 建立路徑關係圖 模式敘列 撰寫程式(SIMPLIS語法) 模式辨識 (model identification) 問題：參數是否可以被估計？ 導致參數無法估計的可能原因 樣本共變數矩陣的行列式為0或非正定(non posiitve definite) 變數中有線性相依的情況 模式辨識的必要條件：k=1/2(p+q)(p+q+1)h k: 樣本共變數矩陣中不重複的元素個數 h: 帶估計的自由參數個數 p: 觀察變項y的個數 q: 觀察變項x的個數 三種情況 當kh，稱為過度辨識 (over-identified)：會產生多數解 當k=h，稱為剛好辨識 (just-identified)：唯一解(無法考驗配適度) 當kh，稱為低度辨識 (under-identified)：無解(無法估計參數) SEM參數的設定原則 (Raykov Marcoulides, 2000) 原則1：所有外生變項的變異數都是模型的參數 原則2：所有外生變項之間的共變數都是模型的參數 原則3：所有與潛在變項有關的因素負荷量都是模型的參數 原則4：所有觀察變