第五讲 结构方程模型.pptx

第五讲结构方程模型

如果你不认识他，你最好主动去认识他，因为他最后将找上你。

尤其是对於新进研究者来说，少了他，你们在学术上的发展堪

虑；因为认识他，你们的学术生涯将会增添许多光彩。

——DennisHocevar教授

什么是结构方程模型

1结构方程模型

所谓模型，是以系统方式来描述观察变量和潜变量间的关系。

结构方程模型，是应用线性方程表示观测变量与潜变量之间，以及潜在变量

之间关系的一种多元统计方法，其实质是一种广义的一般线性模型。

2发展历程

①20世纪70年代，一些学者(Joreskog,1973;Wiley,1973)将因子分析、路径分析等统计方法整合，提出结构方程初步概念。

②Joreskog与其合作者进一步发展矩阵模型的分析技术来处理共变结构的分析问题，提出测量模型与结构模型的概念，促成SEM的发展。

③Ullman(1996)定义结构方程为“一种验证一个或多个自变量与一个或多个因变量之间一组相关关系的多元分析程式，其中自变量和因变量既可以是连续的，也可以是离散的”,突出其验证多个自变量与多个因变量之间关系的特点。

3SEM与几种多元方法的比较

①SEM与传统多元统计方法(多元统计)

传统多元统计方法：检验自变量和因变量的单一关系(多元方差分析可

以处理多个，但是关系也是单一的)

SEM:综合多种方法，验证性分析，允许测量误差的存在

②SEM与典型相关分析(多个自变量与多个因变量之间关系)

典型相关分析：两组随机变量(定性或定量)之间线性密切程度；高维

列联表各边际变量的线性关系；探索性分析

SEM:估计多元和相互关联的因变量之间的线性关系；处理不可观测的假

设概念；说明测量误差

③SEM与联立方程模型(联立方程组、变量之间双向影响)

联立方程模型：方程数量取决于内生变量的数量；只能处理有观察值的

变量，假定不存在测量误差

SEM:处理测量误差；分析潜在变量之间结构关系

④SEM与人工神经网络(针对不可观测或潜在变量建模)

人工神经网络：执行数据分析时，模型的隐含层接点仍然没有被明确标识

出来；数据从输入层通过隐含变量流向输出层(输出向输入回流的网络拓扑结构)

SEM:数据分析之前，已经标识潜在变量并构建起假设路径；观测变量都

与中心潜在变量相关，潜在变量之间也可能发生关系。

FSEM与偏最小二乘法(PLS)(集成多种分析方法，对因变量进行

测量)

PLS:对观测变量协方差矩阵的对角元素拟合较好，适用于对数据点的分

析，预测准确度较高

SEM:对观测变量协方差矩阵的非对角元素的拟合较好，适合于对协方差

结构的分析，参数估计更准确

4SEM的技术特性

①具有理论先验性，因而常被视为验证性而非探索性统计方法

②同时处理因素的测量关系和因素之间的结构关系

③以协方差矩阵的运用为核心

④适用于大样本分析(样本数100,分析不稳定；一般要200)

⑤包含不同的统计技术，融合了因素分析和路径分析两种统计技术。

⑥重视多重统计指标的运用

5样本规模大小

·资料符合常态、无遗漏值及例外值(BentlerChou,1987)下，样本比例

最小为估计参数的5倍、10倍则更为适当。

·当原始资料违反常态性假设时，样本比例应提升为估计参数的15倍。

·以ML法评估，Loehlin(1992)建议样本数至少为100,200较为适当。

·当样本数为400~500时，此法会变得过于敏感，而使得模式不适合。

SEM基本流程

理论

模型建构

衡量工具

资料搜集

模型测试

结果

解释

回归分析有几方面的限制：

·不允许有多个因变量或输出变量

·中间变量不能包含在与预测因子一样的单一模型中

·预测因子假设为没有测量误差

·预测因子间的多重共线性会妨碍结果解释

结构方程模型不受这些方面的限制

为什么使用SEM?

SEM的优点：

·SEM程序同时提供总体模型检验和独立参数估计检验；

·回归系数，均值和方差同时被比较，即使多个组间交叉；

·验证性因子分析模型能净化误差，使得潜变量间的关联估计较少地

被测量误差污染；

·拟合非标准模型的能力，包括灵活处理追踪数据，带自相关误差结

构的数据库(时间序列分析),和带非正态分布变量和缺失数据的数

据库。

D1-.63-.21D2

:39.54

Alienation.58Alienation

1967