spss统计分析及应用教程-第9章结构方程模型

结构方程模型解读结构方程模型是一种统计分析方法，可以用来探究因变量和自变量之间的关系。

它是一种相对比较复杂的分析方法，但当被正确解读时，它有效地帮助研究者了解变量之间的关系以及变量如何影响彼此。

下面，我们将依次阐述如何理解结构方程模型。

一、构建模型：结构方程模型的第一步是构建模型。

这意味着研究者需要选择一个理论框架，并从中选择变量进行分析。

在选择变量时，研究者需要考虑变量之间的关系以及它们可能如何相互作用。

一旦选择了变量，研究者就需要确定变量之间的箭头方向，来表示它们之间的重要性和权重。

一般来说，箭头会从自变量指向因变量。

二、拟合模型：一旦成功地构建了模型，研究者需要拟合模型，这意味着他们需要在模型中添加数据并运行分析。

在这个步骤中，研究者采集数据，并将它们输入计算机程序中。

该程序将根据构建的模型来分析数据，并根据一些统计指标来计算模型的拟合度。

如果模型与数据的拟合度较高，则说明模型比较准确，反之则说明需要重新考虑模型结构。

三、解读结果：最后，研究者需要解读结果，这是最为挑战性的一步。

结果解释并不简单，因为它们可能包含了许多因素和变量。

因此，研究者需要进行更深层次的分析和理解，以找出关键的因素和变量之间的关系。

要解读结果，需要查看概览统计数据，包括R²值和残差，以及某些中介变量、潜在变量和多重潜在变量之间的关系。

这些数据将告诉研究者各个变量之间的影响力和关系。

在这里，研究者应该花时间来分析数据，并将其与模型进行对照。

如果模型与数据的拟合度很高，则研究者可以着手对数据中发现的关键变量进行更深入的分析。

总之，结构方程模型是一种富有成果的统计分析方法。

如果您正确地构建模型，并仔细解读结果数据，就可以从中得到非常好的结论。

★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）内生变量：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：当内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。

内生潜在变量：潜变量作为内生变量内生观测变量：内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1②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，表示内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）变量指向结果（内生）变量⑤两个变量之间连线的两端都有箭头，表示它们之间互为因果⑥弧形双箭头表示假定两个变量之间没有结构关系，但有相关关系⑦变量之间没有任何连接线，表示假定它们之间没有直接联系（3）路径系数含义：路径分析模型的回归系数，用来衡量变量之间影响程度或变量的效应大小（标准化系数、非标准化系数）类型：①反映外生变量影响内生变量的路径系数②反映内生变量影响内生变量的路径系数路径系数的下标：第一部分所指向的结果变量第二部分表示原因变量（4）效应分解①直接效应：原因变量（外生或内生变量）对结果变量（内生变量）的直接影响，大小等于原因变量到结果变量的路径系数②间接效应：原因变量通过一个或多个中介变量对结果变量所产生的影响，大小为所有从原因变量出发，通过所有中介变量结束于结果变量的路径系数乘积③总效应：原因变量对结果变量的效应总和总效应=直接效应+间接效应4、矩阵方程式（1）和（2）是测量模型方程，（3）是结构模型方程 测量模型：反映潜在变量和观测变量之间的关系 结构模型：反映潜在变量之间因果关系 5x x ξδ=∧+ （1）y y ηε=∧+ （2） B ηηξζ=+Γ+ （3）三、模型修正1、参考标准模型所得结果是适当的；所得模型的实际意义、模型变量间的实际意义和所得参数与实际假设的关系是合理的；参考多个不同的整体拟合指数；2、修正原则①省俭原则两个模型拟合度差别不大的情况下，应取两个模型中较简单的模型；拟合度差别很大，应采取拟合更好的模型，暂不考虑模型的简洁性；最后采用的模型应是用较少参数但符合实际意义，且能较好拟合数据的模型。

SPSS-结构方程式模型使你的数据更会说话——结构方程式模型在市场调查中的应用内容提要：在IDC日常市场研究工作中一些高级数据分析方法得不到应有的问题普遍存在。

而结构方程式模型作为一种实证性的数据分析技术已经发展的相当完备了，它广泛运用于市场调查的各个方面，成为提供市场营销战略策略的有力工具。

这种实证性统计方法的运用可以提高数据分析结果的有效性和科学性。

希望通过介绍结构方程式模型的建构原理，并通过一个具体研究案例的介绍使IDC同事们能对此项技术有一定了解。

结构方程式中包括了主要的分析方法，在IDC 公司中较为常见的是利用SPSS软件进行相关数字变量分析。

由于篇幅有限，本文只介绍一些基本定义，详细的介绍请参看文章后面的参考书目。

一、结构方程式模型及其建构原理结构方程式模型（Structural Equation Modeling，简称SEM）或称为因果关系模型、协方差结构模型，或者直接称为LISRLE模型，这主要是因为LISREL是用来分析结构方程式模型的早期最流行的软件。

它是一种建立、估计和检验因果关系模型的多元统计分析技术。

它包含了回归分析（multiple regression）、因子分析（factor analysis）、路径分析（path analysis）和多元方差分析（multivariate analysis of variance）等一系列多元统计分析方法，是一种非常通用的、线性的、借助于理论进行假设检验的统计建模技术。

这一模型和方法由K.Joreskog与其合作者在70年代提出并逐步改进和完善，到90年代初期开始得到了广泛的应用。

随着SEM理论和分析软件的不断发展和完善，结构方程式模型不仅在市场研究中成为分析数据、检验理论的好工具，而且在心理学、社会学、计量经济学、管理学、行为科学和传播学等领域都得到了广泛的应用。

结构方程式模型本质上是利用联立方程求解。

我们希望的是模型拟合的再生数据尽可能接近原始数据，如果真是这样的话，假设的因果关系结构与变量间的相互关联模式就是拟合的或是一致的。

结构方程模型到底是啥？真的过时了吗文章转自：SPSS学堂作者：屠西茜本期我们对结构方程模型(SEM)进行初步介绍。

SEM将不可直接观察的概念，通过潜变量的形式，由多个观测变量构成，不仅可以估计测量过程中的误差，还能够评估测量的信度与效度。

探讨变量关系的同时，把测量过程产生的误差包含于分析过程之中，把测量信度的概念整合到路径分析等统计推断决策过程中。

在结构方程模型(SEM)中，将变量分为显变量(观测变量)和潜变量两种。

显变量是可以直接观测到的变量，如：身高、性别、被试在量表上的得分等，在结构方程模型图中用长方形表示；潜变量与显变量相对应，不可以直接观测，包括比较抽象的概念和由于种种原因不能准确测量的变量，需要借助显变量指标来估计。

比如社科研究中的自尊、信任、能力等。

在结构方程模型图中用椭圆形表示。

根据变量间的关系，SEM将变量分为内生变量和外生变量。

内生变量(1)影响自身的因素在模型之内(2)在模型中被影响的变量外生变量(1)影响自身的因素在模型之外(2)在模型中不被影响的变量内生变量和外生变量的关系如上图，对于“责任心”变量，由于在整个模型内没有影响它的因素，因此是一个外生变量，而对于“成功”变量，在模型内有影响它的因素，它被变量“责任心”影响，因此它是一个内生变量。

一般一个结构方程模型由两部分组成：测量模型和结构模型。

测量模型：描述潜变量与测量指标之间的关系，测量模型的基本目的是描述观察变量是否适合作为潜变量的测量手段，可以通过CFA来评估。

结构模型：描述潜变量之间的相互关系。

下图中，虚线框中为测量模型，实线框中为结构模型。

结构方程模型分析步骤假设提出研究假设的提出从研究问题出发。

例如，我们的研究问题是学生的学习动机是否与他的学习投入度有关？那么将问题转化为假设，H0：学习动机与学习投入无关，H1：一个学生的学习动机越积极，其学习投入度就越高。

根据研究假设，建构相关的潜变量，即学习动机和学习投入。

结构方程模型结构方程模型（Structural Equation Modeling，简称SEM）是一种多变量统计分析方法，其主要用于探究变量之间的关系和影响。

它不仅可以用于描述变量之间的相关性，还可以帮助我们理解变量之间的因果关系。

在社会科学、教育学、心理学等领域中，SEM已经成为了一种常用的分析方法。

本文将从以下几个方面对SEM进行详细介绍。

一、 SEM的基本概念1. 结构方程模型结构方程模型是一种复杂的统计分析方法，它可以同时考虑多个因素对某个结果变量的影响，并且可以建立一个包含多个因素和结果变量之间相互作用关系的模型。

2. 因果关系在SEM中，我们通常会建立一个因果模型来描述变量之间的关系。

因果关系指的是一个事件或现象引起另一个事件或现象发生的关系。

在SEM中，我们通过设定不同变量之间的路径来表示它们之间可能存在的因果关系。

3. 测量模型测量模型是指将观测到的数据转化为潜在变量（latent variable）或者隐含特征（hidden feature）所形成的数学模型。

在SEM中，我们通常会将多个测量指标（observed variables）用一个潜在变量来代表。

4. 结构模型结构模型是指变量之间的关系模型。

在SEM中，我们通常会建立一个结构方程模型，其中包含多个因素和结果变量之间相互作用的关系。

二、 SEM的应用领域1. 社会科学社会科学领域是SEM的主要应用领域之一。

在社会科学研究中，SEM 可以帮助研究人员探究不同因素对社会现象产生的影响，并且可以通过因果关系的建立来分析各种社会问题。

2. 教育学教育学领域也是SEM的重要应用领域之一。

在教育研究中，SEM可以帮助研究人员分析不同因素对学生学习成绩产生的影响，并且可以通过建立因果模型来探究各种教育问题。

3. 心理学心理学是SEM的另一个主要应用领域。

在心理学研究中，SEM可以帮助研究人员探究不同因素对心理问题产生的影响，并且可以通过建立因果模型来分析各种心理问题。

结构方程模型出现问题如何办？目录1结构方程模型SEM的拟合指标 (1)2 解决办法1：梳理建模流程（因子分析） (3)3 解决办法2：调整模型(MI指数调整和手工调整) (3)3 解决办法3：换用模型（路径分析或线性回归） (4)结构方程模型SEM是一种多元数据分析方法，其包括测量模型和结构模型，类似如下图：上图中红框即为测量模型，Factor1是A1~A4共4项表示；类似还有Factor2，Factor3和Factor4。

而结构模型是指影响关系情况，比如模型中Factor1和Factor2影响Factor3；Factor3影响Factor4。

如果说只研究测量模型，那么通常是指验证性因子分析CFA；如果说只研究结构模型，则称作路径分析path analysis。

验证性因子分析和路径分析均是结构方程模型的特殊形式。

结构方程模型由测量模型和结构模型构成，如果进行结构方程模型构建时想达到良好的模型效果。

那么就需要保证测量模型和结构模型均有着良好的拟合性，否则最终结构方程模型拟合效果都不会太好。

同时，结构方程模型有着非常多的拟合指标，比如卡方自由度比，RMSEA,CFA,RMR等几十种，但在实际研究中会发现基本上很难所有指标均达标，而且很多指标都不达标。

那怎么办呢？接下来针对结构方程模型的拟合指标、拟合效果不好时的3种解决办法等分别进行说明，期许得到最佳模型。

结构方程模型SEM的拟合指标结构方程模型拟合时，会有非常多的指标。

SPSSAU默认提供常用的15类指标，说明如下：在已有文献中，还会出现各类拟合指标，但基本上都是上述拟合指标的一种变型而已。

一般来说，模型拟合效果越好，各类指标越容易达标，但即使模型已经拟合非常好，也不能保证所有的参数均在标准范围内。

为什么会出现这种情况呢，比如卡方自由度值使用较多，但是该指标容易受到样本量的影响，样本量越大时，该指标越可能更小，有的指标在标准范围内，那么对应有的指标就可能不在标准范围内，没有一个指标可以完全性地确定模型的好或坏。

结构方程模型｛15现问题如何办？目录1结构方程模型SEM的拟合指标 (1)2解决办法1：梳理建模流程（因子分析） (2)3解决办法2：调整模型（MI指数调整和手工调整） (3)3解决办法3：换用模型（路径分析或线性回归） (4)上图中红框即为测量模型，Factorl是A广A4共4项衣示;类似还有Factor2, Factor3和Factor40而结构模型是指影响关系情况，比如模型中Factorl和Factor?影响Factor3： Factor3 影响 Factor4o如果说只研究测量模型，那么通常是指验证性因了•分析CFA：如果说只研究结构模型，则称作路径分析path analysis。

验证性因/分析和路径分析均是结构方程模型的特殊形式。

结构方程模型由测虽模型和结构模型构成，如果进行结构方程模型构建时想达到良好的模型效果。

那么就需要保证测量模型和结构模型均有着良好的拟合性，否则最终结构方程模型拟合效果都不会太好。

同时，结构方程模型有着非常多的拟合指标，比如卡方自由度比，RMSEA, CFA, RMR等几十种，但在实际研究中会发现展本上很难所有指标均达标，而且很多指标都不达标。

那怎么办呢？接下来针对结构方程模型的拟合指标、拟合效果不好时的3种解决办法等分别进行说明，期许得到最住模型。

结构方程模型SEM的拟合指标结构方程模型拟合时，会有非常多的指标。

SPSSAU默认提供常用的15类指标，说明如下:在已有文献中，还会出现各类拟合指标，但基本上都是上述拟合指标的•种变型而已。

•般来说，模型拟合效果越好，各类指标越容易达标，但即使模型已经拟合非常好，也不能保证所有的参数均在标准范围内。

为什么会出现这种情况呢，比如卡方自由度值使用较多，但是该指标容易受到样本量的影响，样本量越人时，该指标越可能更小，有的指标在标准范圉内，那么对应有的指标就可能不在标准范围内，没有•个指标可以完全性地确定模型的好或坏。

也就是说不同的拟合指标并不能完全的测量模型的拟合效果，而应该综合着分析模型效果水平。

表一、关于顾客满意调查数据的收集本次问卷调研的对象为居住在某大学校内的各类学生（包括全日制本科生、全日制硕士和博士研究生），并且近一个月内在校内某超市有购物体验的学生。

调查采用随机拦访的方式，并且为避免样本的同质性和重复填写，按照性别和被访者经常光顾的超市进行控制。

问卷内容包括7个潜变量因子，24项可测指标，7个人口变量，量表采用了Likert10级量度，如对1正向的，采用Likert10级量度从“非常低”到“非常高”二、缺失值的处理采用表列删除法，即在一条记录中，只要存在一项缺失，则删除该记录。

最终得到401条数据，基于这部分数据做分析。

三、数据的的信度和效度检验1．数据的信度检验信度（reliability）指测量结果（数据）一致性或稳定性的程度。

一致性主要反映的是测验内部题目之间的关系，考察测验的各个题目是否测量了相同的内容或特质。

稳定性是指用一种测量工具（譬如同一份问卷）对同一群受试者进行不同时间上的重复测量结果间的可靠系数。

如果问卷设计合理，重复测量的结果间应该高度相关。

由于本案例并没有进行多次重复测量，所以主要采用反映内部一致性的指标来测量数据的信度。

折半信度（split-half reliability）是将测量工具中的条目按奇偶数或前后分成两半，采用Spearman-brown公式估计相关系数，相关系数高提示内部一致性好。

然而，折半信度系数是建立在两半问题条目分数的方差相等这一假设基础上的，但实际数据并不一定满足这一假定，因此信度往往被低估。

Cronbach在1951年提出了一种新的方法（Cronbach's Alpha系数），这种方法将测量工具中任一条目结果同其他所有条目作比较，对量表内部一致性估计更为慎重，因此克服了折半信度的缺点。

本章采用SPSS16.0研究数据的内部一致性。

在Analyze菜单中选择Scale下的Reliability Analysis（如图7-1），将数据中在左边方框中待分析的24个题目一一选中，然后点击，左边方框中待分析的24个题目进入右边的items方框中，使用Alpha 模型（默认），得到图7-2，然后点击ok即可得到如表7-3的结果，显示Cronbach's Alpha系数为0.892，说明案例所使用数据具有较好的信度。

结构方程模型简介一、什么是结构方程模型（Structural Equation Model，SEM）结构方程模型（Structural Equation Model，SEM）是一种常用的统计分析方法，用于探索观察变量之间的复杂关系和潜在变量的测量。

它能够同时考虑多个变量之间的直接关系和间接关系，并通过拟合指标来评估模型的拟合程度。

二、结构方程模型的基本原理结构方程模型是基于多元回归分析的理论基础之上发展起来的，它能够同时考虑自变量对因变量的直接影响和间接影响，从而更准确地描述变量之间的关系。

结构方程模型包含两部分：测量模型和结构模型。

2.1 测量模型测量模型用于描述潜在变量和观察变量之间的关系。

在测量模型中，潜在变量是无法直接观测到的，只能通过测量指标来间接反映。

通过因子分析等方法，可以确定潜在变量和测量指标之间的关系，进而构建测量模型。

2.2 结构模型结构模型用于描述变量之间的直接关系和间接关系。

结构模型包括回归关系和路径关系两种类型。

回归关系用于描述自变量对因变量的直接影响，而路径关系则用于描述自变量对因变量的间接影响，通过其他中介变量传递。

三、结构方程模型的应用领域结构方程模型广泛应用于社会科学、教育科学、管理科学等领域。

它可以用于探索变量之间的复杂关系、验证理论模型的拟合度、进行因果关系分析等。

3.1 社会科学在社会科学研究中，结构方程模型可以用于探索社会现象的多个因素之间的关系。

例如，可以利用结构方程模型来分析社会经济地位对教育成就的直接和间接影响。

3.2 教育科学在教育科学研究中，结构方程模型可以用于验证教育模型的拟合度。

例如，可以利用结构方程模型来验证某种教育模式对学生学业成绩的影响，并通过拟合指标评估教育模型的拟合程度。

3.3 管理科学在管理科学研究中，结构方程模型可以用于分析组织变量之间的关系。

例如，在研究员工满意度时，可以利用结构方程模型来分析工作环境、薪酬福利等因素对员工满意度的影响。

SPSS分析SPSS教程SPSSAU 结构方程模型SEM模型Structural Equation Modeling 网页在线SPSS结构方程模型SEMContents1背景 (3)2理论 (3)3操作 (5)4 SPSSAU输出结果 (7)5文字分析 (7)6剖析 (11)结构方程模型SEM是一种多元数据分析方法，其可用于研究多个潜变量之间的影响关系情况。

结构方程模型共包括两部分结构，分别是测量关系和影响关系。

比如下面这个结构方程模型，其包括四个潜变量，分别是Factor1感知质量、Factor2感知价值、Factor3顾客满意和Factor4顾客忠诚。

从测量关系来看：Factor1感知质量由A1~A4共4项测量；Factor2感知价值由B1~B3共3项测量；Factor3顾客满意由C1~C3共3项测量；Factor4顾客忠诚由D1~D2共2项测量。

从影响关系来看：Factor1和Factor2对于Factor3产生影响关系；Factor3对Factor4产生影响关系。

类似上述，如果研究中包括测量关系和影响关系时，此类研究均可称作结构方程模型。

当然研究者的重心在于研究影响关系，并且进行假设验证等；测量关系并不在重点关注范围，但是测量关系的质量会对模型拟合情况产生很大的影响，因此研究者需要首先保证测量关系的质量情况。

特别提示：结构方程模型SEM包括测量关系和影响关系；如果仅包括影响关系，此时称作路径分析（Path analysis，有时也称通径分析）。

结构方程模型SEM对于测量关系和影响关系均有很高的要求；尤其是对于测量关系，因此研究前一定需要先保障测量关系有着高质量，通常需要进行探索性因子分析和验证性因子分析，均保证测量关系无误之后，再进行结构方程模型构建。

由于结构方程模型SEM对于样本量要求较高(通常200以上)，以及测量关系，影响关系均有着很高的要求。

因此有时会出现无论如何，结构方程模型SEM拟合效果均不理想，此时建议可将模型简化折分，也或者使用路径分析进行研究，如果路径分析也不理想，最终可考虑使用线性回归分析进行研究。