結 構方程程模型型及其應 新增資 應用 資料
目錄 內容 頁數 引言 2 I. 第9.1版的改動 3 - 4 II. 章節內的新增資料 第一章 5 第三章 6 – 8 第十二章 9 – 10 第十四章 11 – 17 III. 附录內的新增資料 19 1
引言 自2005，為方便普通話及廣東話的學生，修習香港中文大學我所任教的結構方程課程，我製做了一個含有2種方言的網上課程，其後我亦將整個課程放在個人網頁(https://www.doczj.com/doc/fe14802651.html,)免費讓公眾使用。 網上課程更精簡地解釋重點，尤其是對本書最艱深的部份（第三、四章），幫助最大。學員先看綱上課程，再參考書本內容，必感事半功倍。 主要参考文獻： du Toit, S., du Toit, M., Mels, G., & Cheng, Y. (n.d.). LISREL for Windows: SIMPLIS syntax files. Lincolnwood, IL: Scientific Software International, Inc. (available https://www.doczj.com/doc/fe14802651.html,/lisrel/techdocs/SIMPLISSyntax.pdf) J?reskog, K.G. & S?rbom, D. (1999). LISREL 8: User’s Reference Guide. Lincolnwood, IL: Scientific Software International, Inc. J?reskog, K.G. & S?rbom, D. (1999). Structural Equation Modeling with the SIMPLIS Command Language. Lincolnwood, IL: Scientific Software International, Inc. Scientific Software International (SSI) (2012). LISREL 9.1 Release Notes. Lincolnwood, IL: The Author. (available from https://www.doczj.com/doc/fe14802651.html,/lisrel/LISREL_9.1_Release_Notes.pdf) 2
结构方程SEM模型案例分析 什么是SEM模型? 结构方程模型（Structural equation modeling, SEM）是一种融合了因素分析和路径分析的多元统计技术。它的强势在于对多变量间交互关系的定量研究。在近三十年内，SEM大量的应用于社会科学及行为科学的领域里，并在近几年开始逐渐应用于市场研究中. 顾客满意度就是顾客认为产品或服务是否达到或超过他的预期的一种感受。结构方程模型（SEM）就是对顾客满意度的研究采用的模型方法之一。其目的在于探索事物间的因果关系，并将这种关系用因果模型、路径图等形式加以表述。如下图： 图: SEM模型的基本框架 在模型中包括两类变量：一类为观测变量，是可以通过访谈或其他方式调查得到的，用长方形表示；一类为结构变量，是无法直接观察的变量，又称为潜变量，用椭圆形表示。 各变量之间均存在一定的关系，这种关系是可以计算的。计算出来的值就叫参数，参数值的大小，意味着该指标对满意度的影响的大小，都是直接决定顾客购买与否的重要因素。如果能科学地测算出参数值，就可以找出影响顾客满意度的关键绩效因素，引导企业进行完善或者改进，达到快速提升顾客满意度的目的。 SEM的主要优势 第一，它可以立体、多层次的展现驱动力分析。这种多层次的因果关系更加符合真实的人类思维形式，而这是传统回归分析无法做到的。SEM根据不同属性的抽象程度将属性分成多层进行分析。 第二，SEM分析可以将无法直接测量的属性纳入分析，比方说消费者忠诚度。这样就可以将数据分析的范围加大，尤其适合一些比较抽象的归纳性的属性。 第三，SEM分析可以将各属性之间的因果关系量化，使它们能在同一个层面进行对比，同时也可以使用同一个模型对各细分市场或各竞争对手进行比较。
法经济学研究方法的新思路——基于结构方程模型的简介 结构方程模型在社会科学领域得到越 来越多的重视和应用，与传统的研究手段相比，它有显而易见的优点。以法经济学中公司理论的经理人报酬研究为例，可以很好地反映出各因素之间的关系和影响路径，这就为公司法经济学分析中的公司治理理论提 供了更为清楚的结构关系。 关键词：法经济学；结构方程模型；路径分析 Abstract: SEM has been given more thought than ever in the researches of social science as it has some unipue advantages compared with the traditional methods. With regard to the compensation for manager from the perspective of corporate theory in law economics,the paper expounds the
intervelationship of those elements involved that clearly represent the structural relationship of corporate governance. Key words:law and economics;SEM;route analysis 结构方程模型作为一种多元统计技术，产生后迅速得到了普遍的应用。20世纪70 年代初一些学者将因子分析、路径分析等统计方法整合，提出结构方程模型的初步概念。随后Joreskog与其合作者进一步发展了矩 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。结构方程模型为实际上即一种验证一个或多个自变量于一个或多个因 变量之间一组相互关系的多元分析程式， 其中自变量和因变量既可是连续的，也可是离散的。另外，在学术活动方面，根据Hershberger研究 1994 至 2001 年间的相关发现，到了 2003 年，不论在刊登结构方程模型相关论文的期刊数、期刊论文的数量、结构方程模型所延伸出来的多变量分析技
1数据格式转换 因为Mplus只能打开ASCII格式的文件（.dat和.txt文件），所以常规的SPSS数据库的数据不能被读取，所以数据分析之前先要将sav格式另存为dat格式。另存为选项里有两类dat格式，一般可选用“以制表符分隔”，当数据量较大时，可选“固定ASCII格式”。这两类并没 有明显特异的使用条件。 2打开mplus程序，建立新文件，即点击"new”。当然，新打开Mplus程序也会默认这个
TITLE: example 3.2然后表明我们引用的数据库来自于哪里，也就是刚刚那个DAT文件。命令为： DATA: FILE IS C:\Users\dell\Desktop\MPLUS结构方程模型教程数据库.dat; 这里面需要注意的是：DATA: FILE IS （或者DATA: FILE=是固定句式，是必要的。之后 “C:\Users\dell\Desktop\MPLUS结构方程模型教程数据库.dat”这是DAT文件的保存路径。一般情况下，如果mplus语句文件和dat文件在同一个文件夹中，只需要DATA: FILE I黴据库.dat;但实际上很多情况下，两者即使在同一个文件中，也很可能读不出来，所以必要的话，可将该DAT文件的保存路径写全，这样肯定是没错的。 另外，一个命令结束后，必须必须加上“；”即英文格式下的分号（除外TITLE）° 3.3写出数据库中所有的变量名称以及本次分析需要的变量名称。这需要按照spss数据库中变量名称顺序来写。 VARIABLE: NAMES ARE a1 a2 a3 a4 a5 a6 a7 a8 a9 b1 b2 b3 b4 c1 c2 c3 c4; USEVARIABLES ARES ARE a1 a2 a3 a4 a5 a6 a7 a8 a9 b1 b2 b3 b4 c1 c2 c3 c4; 当然这是最基本繁琐的写法，可以直接写为： VARIABLE: NAMES ARE a1-a9 b1-b4 c1-c4; USEVARIABLES ARES ARE a1-a9 b1-b4 c1-c4; 不同变量间有空格。 因为我们本次分析需要纳入该数据库所有变量，所以上下两行变量是一样的，否则需要哪些 变量，在USEVARIABLE里面纳入哪些变量。 3.4分析方法 因为MPLUS中针对连续型变量的结构方程模型的默认分析方法是最小二乘法即ML，所以 如果使用的方法是这个，那么分析方法语句可以不写，当然也可以写，即ANALYSIS: ESTIMATOR = ML; 如果采用其他方法，需要写出来，例如ANALYSIS:ESTIMATOR = MLR;或者ANALYSIS: ESTIMATOR = WLSMV;
结构方程模型的应用及分析策略 侯杰泰成子娟 (香港中文大学教育学院东北师范大学教育学院，130024) 摘要:差不多所有心理、教育、社会等概念，均难以直接准确测量，结构方程(SEM，Structural Equation Modelling)提供一个处理测量误差的方法，采用多个指标去反映潜在变量，也令估计整个模型因子间关系，较传统回归方法更为准确合理。本文主要用一系列有关学习动机的虚拟例子，指出每个问题的主要分析策略，以展示SEM在教育及心理学可以应用的研究范畴。文内探讨的方法包括：验证性因素、高阶因子、路径及因果分析、多时段(multiwave)设计、单形模型(Simple Model)、及多组比较等。 关键词结构方程验证性因素分析路径及因果分析高阶因子多组比较 结构方程(SEM,Structural Equation Modelling)、协方差结构模型(Covariance Structure Modelling、LISREL)等类似名词已渐流行，并成为一种十分重要的数据分析技巧；在大学高等学位研究课程，它是多变量分析(multivariate analysis)的重要课题；比较重要的社会、教育、心理期刊，也早已特开专栏介绍(如：候，1994；Connell & Tanaka,1987;Joreskog & Sorbom,1982)；可见SEM在统计学中所建立的声望及崇高地位是无容置疑的。本文主要用一系列有关学习动机的虚拟例子，来指出每个问题的主要分析策略，以展示结构方程模型在教育及心理学可以应用的研究范畴。 一、结构方程：优点及拟合概念 1.数学模式 很多社会、心理等变项，均不能准确地及直接地量度，这包括智力、社会阶层、学习动机等，我们只好退而求其次，用一些外项指标(observable indicators)，去反映这些潜伏变项。例如：我们以学生父母教育程度、父母职业及其收入(共六个变项)，作为学生家庭社经地位(潜伏变项)的指标，我们又以学生中、英、数三科成绩(外显变项)，作为学业成就(潜伏变项)的指标。 简单来说SEM可分测量(measurement)及潜伏变项(latent variable)两部分。测量部分就是求出六个社经指标与社经地位(或三科成绩与学业成就)(即外显指标与潜伏变项之间)的关系：而潜伏变项部分则指社经地位与学业成就(即潜伏变项与潜伏变项间)的关系。 指标(外显变项)含有随机(或系统)性的量度上误差，但潜伏变项则不含这些部份。SEM可用以下矩阵方程表示(Bollen,1989;Joreskog & Sorbom,1993)： η=βη+Γξ+ζ
结构方程模型（Structural Equation Modeling，SEM) 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 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。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/因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。 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著差异。” 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：
福州大学孙文、贺江娴、詹俊杰 目录 一、选题的意义 (3) （一）幸福的基本内涵 (3) （二）幸福指数成为热点话题 (3) 二、幸福指数指标体系的建立 (4) 三、幸福指数调查方案的设计 (6) （一）调查研究的主要内容 (6) （二）定义目标总体 (6) （三）问卷设计 (6) （四）抽样调查的组织形式和抽样方法的选择 (7) （五）样本量的确定 (7) （六）调查的时间和地点 (7) 四、调查问卷整体统计描述 (7) （一）调查问卷预试的基本分析 (8) 1.问卷的项目分析 (8) 2.问卷的因素分析——结构效度 (10) 3.信度检验 (11) （二）调查数据的基本信息 (12) 1.性别与婚姻 (12) 2.从事行业 (12) 4.所在地区分布 (13) 5.家庭收入情况 (14) 五、实证研究 (14) （一）结构方程模型的初步建立 (14) （二）结构方程模型的修正 (16) 六、结论与建议 (18) （一）结论 (18) （二）建议 (19) （三）注意 (21) 参考文献 (22) 附录 (23) 1.问卷 (23) 2.初始模型的部分运算结果 (26)
摘要：在地方“两会”的热议和媒体宣传推动下，“幸福指数”在今年全国“两会”上迅速升温。虽然各方对幸福有着许多不同的解读，却都离不开对“民生”问题的思考。文章通过网络调查（人大经济论坛）所获得的473份调查问卷，结合马斯洛的需求层次理论，把影响幸福指数的因素由低到高分为生理需求、安全需求、情感需求、尊重需求、自我实现五个层次，运用结构方程模型来对幸福指数进行构建。最后,根据路径图的结果分析，提出了相关的建议。 关键词：幸福指数；结构方程模型；人大经济论坛 Abstract：As the local "two sessions" hot discussing and media promoting, "Happiness index" got rapid warming in national "two sessions" this year. Although everybody has each interpretation to “what is happiness?”, not without thinking "the people livelihood". We got 473 questionnaires by surveying to all registered members on https://www.doczj.com/doc/fe14802651.html,, With The Demand Theory of Maslow, we divide the factors that affecting "Happiness index" into five levels from low to high: the physiological demand, the safety demand, the emotional demand, the respect demand and the self-realization demand, and then use the structural equation models(SEM) to build the happiness index. Lastly, according to the analysis results of the road map, put forwarding relevant proposals. Keywords: The happiness index；SEM; https://www.doczj.com/doc/fe14802651.html,
《结构方程模型及其应用》 内容简介 侯杰泰，香港中文大学教育心理系教授、系主任。主要研究方向为学习动机，应用统计和香港语文政策。曾多次在北京、上海、南京、长春、广州等地举办的地区或全国性结构方程分析研习班上讲学。 在社会、心理、教育、经济、管理、市场等研究的数据分析中，当今称得上前沿的几个统计方法中，应用最广、研究最多的恐怕非结构方程分析莫属。它包含了方差分析、回归分析、路径分析和因子分析，弥补了传统回归分析和因子分析的不足，可以分析多因多果的联系、潜变量的关系，还可以处理多水平数据和纵向数据，是非常重要的多元数据分析工具。 本书是国内第一本系统介绍结构方程模型和LISREL的著作。阐述了结构方程分析（包括验证性因子分析）的基本概念、统计原理、在社会科学研究中的应用、常用模型及其LISREL程序、输出结果的解释和模型评价。《结构方程模型及其应用》还讨论了一些与结构方程模型有关的专题，是一本由初级至中上程度的结构方程分析著作，可作为有关专业高年级本科生和研究生的教科书及应用工作者的参考书。 目录 序 第一部分结构方程模型入门 第一章引言
一、描述数据 二、具体例子展示准确与简洁的考虑 三、探索性与验证性因子分析比较 第二章结构方程模型简介 一、结构方程模型的重要性 二、结构方程模型的结构 三、结构方程模型的优点 四、结构方程模型包含的统计方法 五、路径图的图标规则 六、结构方程分析软件包 七、LISIREL操作入门 第二部分结构方程模型应用 第三章应用示范I：验证性因子分析和全模型 一、验证性因子分析 二、多质多法模型 三、全模型 四、高阶因子分析 第四章应用示范II：单纯形和多组模型 一、单纯形模型 二、多组验证性因子分析 三、多组分析：均值结构模型 四、回归模型
★作业(全模型3)：结构方 程模型和路径分析的区别-标准化文件发布号：（9456-EUATWK-MWUB-WUNN-INNUL-DDQTY-KII
★数据分析的类型 1、以变量为中心的分析（R研究）：探索性因子分析、验证性因子分析、回归分析、结构方程模型分析等 2、以人为中心的分析（S研究）：聚类分析、判别分析等 ★因子载荷 因子载荷a（ij）的统计意义就是第i个变量与第j个公共因子的相关系数，即表示X（i）依赖F（j）的份量（比重）。统计学术语称作权，心理学家将它叫做载荷，即表示第i个变量在第j个公共因子上的负荷，它反映了第i个变量在第j个公共因子上的相对重要性。 在因子分析中，通常只选其中m个(m Amos 模型设定操作 在使用 AMOS 进行模型设定之前，建议事先在纸上绘制出基本理论模型和变量影响关系路径图， 并确定潜变量与可测变量的名称，以避免不必要的返工。 1.绘制潜变量 使用建模区域绘制模型中的潜变量，在潜变量上点击右键选择Object Properties，为潜变量命名。 2.为潜变量设置可测变量及相应的残差变量 使用绘制。在可测变量上点击右键选择对应的是数据的变量名，在残差变量上右键选择Object Properties为可测变量命名。其中 Object Properties为残差变量命名。 Variable Name 3.配置数据文件，读入数据 File—— Data Files—— File Name—— OK。 4.模型拟合 View—— Analysis Properties—— Estimation—— Maximum Likelihood 。 5.标准化系数 Analysis Properties—— Output—— Standardized Estimates——因子载荷标准化系数。 6.参数估计结果 Analyze—— Calculate Estimates。红色框架部分是模型运算基本结果信息，点击 View the Output Path Diagram查看参数估计结果图。 7.模型评价 点击查看 AMOS 路径系数或载荷系数以及拟合指标评价。 路径系数 /载荷系数的显著性 模型评价首先需要对路径系数或载荷系数进行统计显著性检验。 模型拟合指数 模型拟合指数是考察理论结构模型对数据拟合程度的统计指标。拟合指数的作用是考察理论模型与数据的适配程度，并不能作为判断模型是否成立的唯一依据。拟合优度高的模型只能作为参考，还需要根据所研究问题的背景知识进行模型合理性讨论。 ★结构方程模型要点 一、结构方程模型的模型构成 1、变量 观测变量：能够观测到的变量(路径图中以长方形表示) 潜在变量：难以直接观测到的抽象概念，由观测变量推估出来的变量（路径图中以椭圆形表示） 生变量：模型总会受到任何一个其他变量影响的变量（因变量；路径图会受到任何一个其他变量以单箭头指涉的变量） 外生变量：模型中不受任何其他变量影响但影响其他变量的变量（自变量；路 中介变量：当生变量同时做因变量和自变量时，表示该变量不仅被其他变量影响，还可能对其他变量产生影响。 生潜在变量：潜变量作为生变量 生观测变量：生潜在变量的观测变量 外生潜在变量：潜变量作为外生变量 外生观测变量：外生潜在变量的观测变量 中介潜变量：潜变量作为中介变量 中介观测变量：中介潜在变量的观测变量 2、参数（“未知”和“估计”） 潜在变量自身：总体的平均数或方差 变量之间关系：因素载荷，路径系数，协方差 参数类型：自由参数、固定参数 自由参数：参数大小必须通过统计程序加以估计 固定参数：模型拟合过程中无须估计 （1）为潜在变量设定的测量尺度 ①将潜在变量下的各观测变量的残差项方差设置为1 ②将潜在变量下的各观测变量的因子负荷固定为1 （2）为提高模型识别度人为设定 限定参数：多样本间比较（半自由参数） 3、路径图 （1）含义：路径分析的最有用的一个工具，用图形形式表示变量之间的各种线性关系，包括直接的和间接的关系。 （2）常用记号： ①矩形框表示观测变量 ②圆或椭圆表示潜在变量 ③小的圆或椭圆，或无任何框，表示方程或测量的误差 单向箭头指向指标或观测变量，表示测量误差 单向箭头指向因子或潜在变量，表示生变量未能被外生潜在变量解释的部分，是方程的误差 ④单向箭头连接的两个变量表示假定有因果关系，箭头由原因（外生）变量指 结构方程模型( Structural Equation ，SEM) Modeling 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。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/ 因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。 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著差异。” 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 基于结构方程模型的校园安全管理的初步研究 Based on the preliminary research on the structural equation model of campus safety management 辽宁科技大学控制科学与工程胡勇富剑华檀立欣宁晨旭李龙 摘要：在线性系统理论的研究领域中,随着数学工具和系统描述方法的发展,已经形成了不同的分支.这些分支是将线性系统状态空间描述方法和代数理论结合起来,研究了线性系统结构方程模型建立的方法,在社会科学以及经济、市场、管理等研究领域有广泛的应用，例如行为安全管理方面的研究，本文就校园交通安全问题做了研究，这些是传统的统计方法不能很好解决的问题。20世纪80年代以来，随着结构方程模型的迅速发展，为了进一步研究校园安全管理因素，对其关键要素、构成的因果关系进行研究，建立了关于校园安全管理的结构方程模型。关键字：行为安全管理、校园安全管理、结构方程模型、状态空间描述。Abstract： In the field of study of linear system theory, with the development of mathematical tools and adopted system description methods, different branches. have been formed The branches combine the linear system state space description method and the algebra theory and study the establishment method of linear system structure equation model. In the social sciences and research fields, such as economy, market, management ,which have a wide range of applications, as the behavior safety management research, these traditional statistical methods can't l solve the problem very well. Since the 1980’s, with the rapid development of structural equation model, it makes up for the deficiency of the traditional statistical methods and establishes structural equation model about safety management factors. In order to study further on safety culture, we use the structural equation model (SEM) on the key elements of safety culture and study composition of causal relationship Keywords：behavior safety management、safety culture、structural equation mode、state space description 结构方程这几年热度不减，有必要研究一下它的R语言实现过程，今天先复习一下结构方程的相关理论，参考吉林大学余翠林的ppt 一、为什么使用SEM? 1、回归分析有几方面的限制： （1）不允许有多个因变量或输出变量 （2）中间变量不能包含在与预测因子一样的单一模型中 （3）预测因子假设为没有测量误差 （4）预测因子间的多重共线性会妨碍结果解释 （5）结构方程模型不受这些方面的限制 2、SEM的优点： （1）SEM程序同时提供总体模型检验和独立参数估计检验； （2）回归系数，均值和方差同时被比较，即使多个组间交叉； （3）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； （4）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。 3、结构方程模型最为显著的两个特点是： （1）评价多维的和相互关联的关系； （2）能够发现这些关系中没有察觉到的概念关系，而且能够在评价的过程中解释测量误差。 同时具有联系信息技术吸纳能力： SEM能够反映模型中要素之间的相互影响； 吸纳能力概念作为一个重要的模型要素，难以直接度量，结构方程模型技术能够更为充分地体现其蕴含的要素信息和影响作用。 二、SEM的基本思想与方法 SEM是基于变量的协方差矩阵来分析变量之间关系的一种统计方法，实际上是一般线性模型的拓展，包括因子模型与结构模型，体现了传统路径分析与因子分析的完美结合。SEM一般使用最大似然法估计模型(Maxi-Likeliheod，ML) 分析结构方程的路径系数等估计值，因为ML法使得研究者能够基于数据分析的结果对模型进行修正。 第27卷第2期2005年4月 宁波大学学报(教育科学版) JOURNAL OF N I N G BO UN I V ERSI TY (E DUCATI O NAL SC I E NCE ) Vol .27NO.2 Ap r . 2005 结构方程模型(SE M )的原理及操作 孙连荣 (宁波大学师范学院,浙江宁波315211) 摘要:结构方程模型(SE M )是应用线性方程系统表示观测变量与潜在变量之间及潜在变量之间关系的一种统计方法。当前,SE M 及相应的L I SRE L 软件已成为心理学等社会学科中广泛应用的一种分析思想和技术。文章简要介绍了SE M 的特点、原理及L I SRE L 的操作方法。关键词:结构方程模型(SE M );L I S RE L;吻合指数操作程序 中图分类号:B841.2 文献标识码:A 文章编号:1008-0627(2005)02-0031-05 收稿日期:2004-06-27 作者简介:孙连荣,宁波大学师范学院助教,硕士。 科学研究的目的,是通过探讨变量之间的因果关系来揭示客观事物发展、变化的规律及特点,在具体操作层面上,一般是使用一定的统计技术处理并计算各种观测数据的结果来反映因果关系。在心理科学的研究中,实验的方法一直都是揭示心理过程及现象的主流范式。[1] 但由于实验法过分强调控制而使研究结果的真实性和外推力受到局限,尤其是当面对成因复杂的人的行为以及人的许多高级心理现象时,多数情况下都很难对它们进行直接测量或客观标定。事实上,人们一直都在寻求以非实验的方法获取因果关系,以 及通过考察人的外部表现(观测指标)来了解其实质特性(潜在变量或心理概念)的技术,而结构方程模型正是这种思想的产物。上个世纪70年代中期,瑞典统计学家、心理测量学家Karlg .Joreskog 提出了结构方程模型(Structural Equati on Modeling,简称SE M )。根据该方法的不同属性,统计学家们以不同的术语命名,如根据数据结构将其称为“协方差结构分析”;根据其功能,称之为“因果建模(Casual Modeling )”[2,3]等;并开发了相应的L I SRE L (L inear Structural Relati ons:线性结构关系)统计软件。目前,几经完善L I SRE L8.30版本已成为一种重要的统计分析技术,在心理学、社会学、管理学等社会学科的研究中得到了广泛的应用。本文将对SE M 的特点、原理及L I SRE L 的操作方法做一简要的介绍。 1 S E M 的特点 结构方程模型是在已有的理论基础上,应用与之相应的线性方程系统表示该理论的一种统计分析方法。相对于相关、回归分析、路径分析等研究变量间关系的统计方法来说,SE M 从两个方面完善了这些常用方法的不足。第一,针对探索性因素分析假设限制过多的缺点,完善变量结构的探讨。与探索性因素分析相比,结构方程模型既可以假定相关、不相关的潜在因素,从而更符合心理学实际;同时也可以确定某些观察变量只受特定潜在变量影响,而不是受所有潜在变量影响,使结构更清晰;还能在对每个潜在因素进行多方法测量(采用多方法-多特质模型,简称MMM T )时,可排除测量方法的误差。除此之外,最重要的是它不需要假定所有特定变量的误差无相关,而是指定那些两者之间存在相关的特定性变量误差。第二,在考虑测量误差的前提下建立变量间的因果关系。这一步以统计的思路区分了观测(外显)变量和潜在(内隐)变量,进而通过观测外在表现推测潜在概念。这样,研究便能在探讨变量间直接影响、间接影响和总效应以及表达中介变量作用的同时,用潜在变量代替路径分析中的单一外显变量,并考虑变量的测量误差,从而使研究结果更精确。概括来讲,SE M 具有以下特点[4]: (1)可同时考虑及处理多个因变量(endogenous/dependent variable ); (2)允许自变量和因变量(exogenous and endoge 2nous )项目含有测量误差; (3)允许潜伏变量由多个外显指标变量构成(这一 点与因素分析类似),并可同时估计指标变量的信度及效度; (4)可采用比传统方法更有弹性的测量模式(measure ment model )。在传统方法中,项目更多的依 附于单一因子,而在SE M 中,某一指标变量可从属于两个潜伏因子; (5)可构建潜伏变量之间的关系,并估计模式与数 AMOS结构方程模型修正经典案例 第一节模型设定结构方程模型分析过程可以分为模型构建、模型运算、模型修正以及模型解 释四个步骤。下面以一个研究实例作为说明，使用 Amos7 软件1进行计算，阐述在实际应用中结构方程模型的构建、运算、修正与模型解释过程。 一、模型构建的思路 本案例在著名的美国顾客满意度指数模型(ASCI)的基础上，提出了一个新的模型，并以此构建潜变量并建立模型结构。根据构建的理论模型，通过设计问卷对某超市顾客购物服务满意度调查得到实际数据，然后利用对缺失值进行处理后的数据2进行分析，并对文中提出的模型进行拟合、修正和解释。 二、潜变量和可测变量的设定 本文在继承 ASCI 模型核心概念的基础上，对模型作了一些改进，在模型中 增加超市形象。它包括顾客对超市总体形象及与其他超市相比的知名度。它与顾客期望，感知价格和顾客满意有关，设计的模型见表7-1。 模型中共包含七个因素 (潜变量 )：超市形象、质量期望、质量感知、感知价值、顾客满意、顾客抱怨、顾客忠诚，其中前四个要素是前提变量，后三个因素 是结果变量，前提变量综合决定并影响着结果变量(Eugene W. Anderson & Claes Fornell，2000;殷荣伍， 2000)。 表 7-1设计的结构路径图和基本路径假设 设计的结构路径图基本路径假设 超市形象 顾客抱怨质量期望 感知价值 顾客满意 质量感知 顾客忠诚超市形象对质量期望有路径影响 质量期望对质量感知有路径影响 质量感知对感知价格有路径影响 质量期望对感知价格有路径影响 感知价格对顾客满意有路径影响 顾客满意对顾客忠诚有路径影响 超市形象对顾客满意有路径影响 超市形象对顾客忠诚有路径影响 2.1 、顾客满意模型中各因素的具体范畴 1本案例是在Amos7 中完成的。 2见 spss数据文件“处理后的数据 .sav”。 AMOS输出解读 惠顿研究 惠顿数据文件在各种结构方程模型中被当作经典案例，包括AMOS 和LISREL。本文以惠顿的社会疏离感追踪研究为例详细解释AMOS的输出结果。AMOS同样能处理与时间有关的自相关回归。 惠顿研究涉及三个潜变量，每个潜变量由两个观测变量确定。67疏离感由67无力感（在1967年无力感量表上的得分）和67无价值感（在1967年无价值感量表上的得分）确定。71疏离感的处理方式相同，使用1971年对应的两个量表的得分。第三个潜变量，SES（社会经济地位）是由教育（上学年数）和SEI(邓肯的社会经济指数)确定。 解读步骤 1.导入数据。 AMOS在文件ex06-a.amw中提供惠顿数据文件。使用File/Open，选择这个文件。在图形模式中，文件显示如下。虽然这里是预定义模式，图形模式允许你给变量添加椭圆，方形，箭头等元素建立新模型 2.模型识别。 潜变量的方差和与它关联的回归系数取决于变量的测量单位，但刚开始谁知道呢。比如说要估计误差的回归系数同时也估计误差的方差，就好像说“我买了10块钱的黄瓜，然后你就推测有几根黄瓜，每根黄瓜多少钱”，这是不可能实现的，因为没有足够的信息。如何告诉你“我买了10块钱的黄瓜，有5根”，你便可以推出每根黄瓜2块钱。对潜变量，必须给它们指定一个数值，要么是与潜变量有关的回归系数，要么是它的方差。对误差项的处理也是一样。一旦做完这些处理，其它系数在模型中就可以被估计。在这里我们把与误差项关联的路径设为1，再从潜变量指向观测变量的路径中选一条把它设为1。这样就给每个潜变量设置了测量尺度，如果没有这个测量尺度，模型是不确定的。有了这些约束，模型就可以识别了。 注释：设置的数值可以是1，也可以是其它数，这些数对回归系数没有影响，但对误差有影响，在标准化的情况下，误差项的路径系数平方等于它的测量方差。 3.解释模型。 模型设置完毕后，在图形模式中点击工具栏中计算估计按钮 运行分析。点击浏览文本按钮。输出如下。蓝色字体用于注解，不是AMOS输出的一部分。 Title Example6,Model A:Exploratory analysis Stability of alienation, mediated by ses.Correlations,standard deviations and means from Wheaton et al.(1977). 以上是标题，全是英文，自己翻译去吧，没有什么价值，一堆垃圾。 Notes for Group(Group number1) The model is recursive. Sample size=932 结构方程模型估计案例 Prepared on 22 November 2020 应用案例1 第一节模型设定 结构方程模型分析过程可以分为模型构建、模型运算、模型修正以及模型解释四个步骤。下面以一个研究实例作为说明，使用Amos7软件2进行计算，阐述在实际应用中结构方程模型的构建、运算、修正与模型解释过程。 一、模型构建的思路 本案例在着名的美国顾客满意度指数模型(ASCI)的基础上，提出了一个新的模型，并以此构建潜变量并建立模型结构。根据构建的理论模型，通过设计问卷对某超市顾客购物服务满意度调查得到实际数据，然后利用对缺失值进行处理后的数据3进行分析，并对文中提出的模型进行拟合、修正和解释。 二、潜变量和可测变量的设定 本文在继承ASCI模型核心概念的基础上，对模型作了一些改进，在模型中增加超市形象。它包括顾客对超市总体形象及与其他超市相比的知名度。它与顾客期望，感知价格和顾客满意有关，设计的模型见表7-1。 模型中共包含七个因素(潜变量)：超市形象、质量期望、质量感知、感知价值、顾客满意、顾客抱怨、顾客忠诚，其中前四个要素是前提变量，后三个因素是结果变量，前提变量综合决定并影响着结果变量(Eugene W. Anderson & Claes Fornell，2000;殷荣伍，2000)。 表7-1 设计的结构路径图和基本路径假设 、顾客满意模型中各因素的具体范畴 参考前面模型的总体构建情况、国外研究理论和其他行业实证结论，以及小范围甄别调查的结果，模型中各要素需要观测的具体范畴，见表7-2。 表7-2 模型变量对应表 1关于该案例的操作也可结合书上第七章的相关内容来看。 2本案例是在Amos7中完成的。 3见spss数据文件“处理后的数据.sav”。AMOS结构方程模型分析
★结构方程模型要点
结构方程模型案例汇总-共18页
基于结构方程模型的校园安全
结构方程模型基础知识
结构方程模型_SEM_的原理及操作
AMOS结构方程模型修正经典案例
使用AMOS解释结构方程模型
结构方程模型估计案例
相关主题
文本预览