下载文档原格式
基于AMOS的结构方程模型结构方程模型SEM是近20年应用统计学领域中发展起来的一个分支，是一种行为与社会领域问题量化研究的一种比较重要的方法。
研究者首先根据自己对问题的理解，设计变量间内在的结构关系，然后验证这个结构关系和样本是否吻合。
（结构方程模型最怕试穿新衣服）。
如果假定的结构方程模型存在问题，还可以指出如何加以修正。
结构方程模型的另一个特点是可以对潜在变量进行分析，多元回归分析、因子分析和路径分析可以看成结构方程模型的特例。
1结构方程模型是反映隐变量和显变量的一组方程，其目的是通过显变量推断隐变量，并对假设模型的正确性进行检验。
结构方程模型是模型验证技术，利用结构方程模型分析的过程是对假定模型的验证过程。
比如对于某个领域的专业人员根据本领域的知识和常识建立的反映结构关系的模型，由于专业人员的认知水平和各种原因的限制，这个模型未必是现实的反映，有可能存在偏差和主观性，如何发现模型的问题，如何根据分析结果进一步修正模型，这些都是结构方程模型可以处理的问题。
具体来说结构方程模型分析的过程是：首先设定结构模型的结构；其次要判断这些方程是否为可识2别模型；而后利用极大似然估计或最小二乘估计等估计方法对未知参数进行估计，最后对模型与数据之间的拟合效果进行评价。
如果模型与数据拟合得不好，需要对模型进行修正，重新设定模型，一个较好的模型往往需要反复诊断多次。
首先根据对专业知识的了解，思考变量之间的相关关系或因果关系。
比如内生变量η和外生变量ξ。
假设之间的关系为ηBη+Γξ+ζ但是又由于在实际的问题中，我们并不能直接观测到η和ξ，这里称η和ξ为潜变量。
于是只有通过一些分别与η和ξ有关的显在变3量X和Y（可测变量）去间接刻画潜变量η和ξ。
于是有潜变量和显变量之间的关系。
y=Λη+εyx=Λξ+δx比如患者期望是一个潜在的变量，潜在于就诊方便程度期望、就诊环境期望、医疗设备期望、医护专业水平期望和医护服务态度期望显变量之中。
统计学中的因子分析和结构方程模型在统计学中，因子分析和结构方程模型是两个常用的数据分析方法。
它们可以用于揭示变量之间的潜在关系，帮助人们更好地理解和解释数据。
本文将介绍这两种方法的基本概念、应用场景以及在研究中的重要性。
一、因子分析因子分析是一种用于确定潜在因子对一组变量进行解释的统计方法。
它通过对观测变量之间的协方差关系进行分析，试图找到这些变量背后的共同因素。
这些共同因素可以解释变量之间的相关性，从而帮助我们理解数据背后的本质结构。
在因子分析中，常用的方法包括主成分分析和最大似然估计。
主成分分析试图通过降维将观测变量转化为较少的主成分，而最大似然估计则通过最大化观测数据的似然函数来估计潜在因子。
通过这些方法，我们可以得到一组因子载荷矩阵，反映了潜在因子与观测变量之间的关系。
因子分析在实际中有广泛的应用。
例如，在心理学研究中，我们可以使用因子分析来探索不同的人格特征之间的关系。
在市场调研中，因子分析可以帮助我们确定消费者偏好和需求背后的共同因素。
通过因子分析，我们能够简化和概括大量的变量信息，提高实证研究的效率和准确性。
二、结构方程模型结构方程模型（SEM）是一种综合多个变量之间关系的统计方法。
它包括测量模型和结构模型两个部分，用于检验观测变量与潜在因子之间的关系以及不同潜在因子之间的关系。
在SEM中，我们使用路径系数来表示变量之间的关系，并借助协方差矩阵和最大似然估计进行推断。
测量模型用于测量观测变量与潜在因子之间的关系，而结构模型则描述潜在因子之间的关系。
通过SEM，我们可以检验和修正模型，从而更好地理解变量之间的相互作用。
SEM在社会科学和管理科学等领域具有广泛的应用。
例如，在教育研究中，我们可以使用SEM来探索学生学业成绩与其家庭背景、学习习惯等因素之间的关系。
在市场营销中，SEM可以用来分析产品的影响因素，并预测市场表现。
通过SEM，我们能够推断和解释复杂的关系网络，为决策提供依据。
结构方程模型中拟合度指标的选择及其解释1 介绍结构方程模型（Structural Equation Modeling，简称SEM）是一种利用统计学方法建立影响与结果之间关系的模型。
其主要应用于社会科学领域的研究，如心理学、教育学、管理学等。
在构建SEM时，需要选择合适的拟合度指标来评估模型的拟合程度，确定模型的可靠性和有效性。
本文将就拟合度指标的选择及其解释进行讨论。
2 通用的拟合度指标2.1 χ²统计量χ²统计量是一种广泛使用的拟合度指标，指对比实际观测数据和模型预测值的差异程度。
χ²统计量数值越小，说明模型拟合效果越好。
然而，因为样本量和变量数量增加，χ²统计量的值也会随之增加。
因此，通常需考虑χ²/df（自由度）的比值，χ²/df值越小越好，推荐值不应超过5，否则说明模型拟合效果不佳。
2.2 标准化平均残差（Standardized Root Mean Square Residual, SRMR）SRMR描述多项指标对模型的拟合程度，SRMR值越小，说明模型拟合效果越好，推荐值不应超过0.08，否则说明模型拟合效果不佳。
2.3 均方根误差逼近指数（Root Mean Square Error of Approximation，RMSEA）RMSEA可以检测模型参数估计的误差大小及其置信水平。
RMSEA值越小，说明模型拟合效果越好，推荐值不应超过0.06，否则说明模型拟合效果不佳。
3 针对特殊情况的拟合度指标3.1 模型比较指数（Comparative Fit Index，CFI）CFI用于衡量建立的SEM模型与无信息模型相比的好坏。
CFI值越接近于1，说明模型与无信息模型的拟合程度越高，推荐值不应低于0.95。
3.2 改进拟合度指数（Incremental Fit Index，IFI）IFI主要用于比较不同版本的SEM模型之间的差异。
统计学中的因子分析与结构方程模型统计学在研究数据和推断方面发挥着重要作用。
它不仅可以帮助我们理解数据中的关系和模式，还可以帮助我们预测未来的趋势和结果。
在统计学中，因子分析和结构方程模型是两种常用的技术，它们被广泛应用于数据分析和研究中。
一、因子分析因子分析是一种用于理解观察变量之间关系的统计技术。
它可以帮助我们确定一组潜在因子，这些因子可以解释观察变量的变异。
通过因子分析，我们可以将大量的观察变量简化为较少的潜在因子，从而更好地理解数据。
在因子分析中，我们需要根据数据的变异性来确定潜在因子的数量。
常用的方法包括主成分分析和最大似然估计。
主成分分析是一种通过线性组合将观察变量转换为无关因子的方法，而最大似然估计则是一种通过最大化观察变量与因子之间的相关性来确定因子的方法。
因子分析的应用非常广泛。
例如，在心理学中，因子分析可以帮助我们理解人格特征和行为模式之间的关系。
在市场调研中，因子分析可以帮助我们确定消费者对产品特征的偏好。
因子分析还可以应用于金融领域、教育研究等各个领域。
二、结构方程模型结构方程模型是一种更加复杂的统计技术，它可以帮助我们理解观察变量之间的因果关系。
与因子分析不同，结构方程模型可以同时考虑观察变量和潜在变量之间的关系，从而提供更加全面的解释。
在结构方程模型中，我们需要制定一个理论模型，该模型描述了观察变量和潜在变量之间的关系。
然后，通过统计方法，我们可以评估观察变量与模型之间的拟合程度，并确定模型中的参数估计。
结构方程模型可以通过路径分析、协方差结构分析等方法来实现。
结构方程模型的应用范围也非常广泛。
它可以用于研究社会科学中的复杂关系，例如教育研究中的学习动机和学习绩效之间的关系。
在经济学中，结构方程模型可以用于理解经济变量之间的因果关系。
此外，结构方程模型还可以用于医学研究、市场研究等领域。
总结统计学中的因子分析和结构方程模型是两种常用的技术，它们都可以帮助我们理解和解释观察数据。
结构方程模型步骤
结构方程模型（Structural Equation Modeling, SEM）是一个基于统计学的多变量分析方法，用于研究变量之间的关系及其对现象的影响。
其建立了观察变量、测量变量及潜在变量之间的关系模型，并通过拟合模型来验证和分析该关系。
以下是结构方程模型分析的详细步骤：
一、建立模型
1.确定研究问题和目的
2.浏览文献，确定可用的变量
3.确定潜在变量和观察变量
4.选择合适的模型软件，建立结构方程模型
二、模型拟合
1.样本数据的收集和清理
2.模型拟合与参数估计
3.初步验证模型拟合度
4.检验模型与样本数据的拟合度
5.检验拟合度的细节
6.模型修正与改进
三、模型解释
1.对拟合良好的模型进行解释
2.对模型拟合不佳的问题进行解决
四、模型应用
1.利用模型进行预测
2.利用模型进行因果分析
3.利用模型进行决策分析
四、报告和展示
1.将模型结果和结论写成报告
2.利用图表和数据展示模型结果
3.将模型结果向感兴趣的群体进行介绍和解释
以上是结构方程模型分析的基本步骤，其流程中需要进行一系列数据的处理和分析工作。
在实际中需要进行多次迭代，以求得尽可能拟合样本数据的模型。
这一分析方法在各学科研究领域具有广泛应用，如教育、心理、社会科学等领域，可为研究提供有力的支撑。
结构方程模型数据要求结构方程模型（Structural Equation Modeling，简称SEM）是一种常用的多变量数据分析方法，它可以建立变量之间的因果关系模型，并通过统计学的方法，验证模型的拟合程度和参数估计的可靠性。
在实际应用中，准确、完整的数据是SEM分析成功的关键。
本文将从数据的类型、样本的数量和质量、测量工具及时间间隔等方面，介绍SEM 分析中的数据要求。
1. 数据类型SEM分析的数据类型主要包括连续型、二项式、定序和计数型等。
其中，连续型数据是最常见的类型，如年龄、收入、体重等；二项式数据是指观测样本的结果只有两种，如“是”或“否”、“成功”或“失败”等；定序数据则是指有序的分类变量，如学历、职业等。
对于一些变量，可能存在计数型数据，如往返次数、消费金额等。
不同类型的数据在实际应用中需要采取不同的计算方法和统计模型，因此应该对各种数据类型有清晰的认识。
2. 样本数量和质量SEM分析所需的样本会根据研究目的和数据特征而定，但通常需要大量的样本来保证结果的可靠性和拟合度。
在样本数量达到一定程度之后，增加样本数量可能不会提高研究结果的稳定性。
而样本质量则是指样本的选择是否能够代表研究总体，这需要通过严谨的样本选择和招募过程，保证样本群体的代表性和内部一致性。
样本选择也应考虑避免出现样本的选择偏差和抽样误差。
3. 测量工具SEM分析中的测量工具分为两类：观测变量和潜在变量。
观测变量是指可以直接测量的变量，如身高、体重等；而潜在变量则是无法直接测量的潜在变量，如文化、社会经济地位等。
潜在变量需要引入多个观测变量作为测量指标，通过贡献度分析，建立潜在变量到观测变量之间的联系。
测量工具的设计应考虑到指标的可靠性和有效性，需要进行信度和效度的检验，以保证测量的准确性和有效性。
4. 时间间隔在SEM分析中，样本观测的时间间隔对于模型的建立和计算结果的准确性都有着重要的影响。
在研究设计中，需要考虑到样本的时间间隔，以确保数据的连续性和数据分析的有效性。
结构方程模型及其在心理统计中的应用叶浩生;陈欣【摘要】Structural equation model was used to investigate the psychological relationship between significant multivariate statistical methods .The advantages of structural equation model are asfollows:determining the extent of the measurement model fit , presupposing a causal relationship between variables , including the latent variables , handling measurement error , overall evaluating the model , exploring the relationships between multiple variables within the system , constructing model , and so on .To meet the practical situation of the psychological research sam-pling , and to achieve more robust results in small samples , Bayesian methods of structural equation modeling uses a priori information to get a more accurate parameter estimates , latent variable estimates and statistics for the model comparison .In the application process of psychological research , attention should be paid to such aspects as the premise of structural equation modeling assumptions , freedom and fit indices .%结构方程模型是心理统计学中用来探讨多变量之间关系的一种重要统计方法。
结构方程模型中调节效应的标准化估计一、本文概述1、结构方程模型（SEM）简介结构方程模型（Structural Equation Modeling，简称SEM）是一种广泛应用于社会科学研究中的统计技术，它结合了路径分析和多元回归分析，使得研究者能够同时检验多个变量间的因果关系。
SEM不仅允许研究者估计直接效应，还能探索间接效应和总效应，从而提供一个全面、整合的视角来理解变量之间的关系。
SEM还能够处理测量误差，并通过拟合指数来评估模型的拟合程度。
在SEM中，研究者首先需要根据理论或先前的研究来构建一个假设模型，该模型包括一系列的观察变量（也称为指标或测量项）和潜在变量（也称为构念或因子）。
观察变量是可以直接测量的变量，如问卷中的项目得分；而潜在变量则是无法直接测量的抽象概念，需要通过一组观察变量来间接测量。
一旦模型建立，研究者就可以使用统计软件（如AMOS、Mplus、EQS 等）来估计模型的参数，并检验模型的拟合度。
模型的参数估计通常基于最大似然法或其他优化算法。
通过这些参数估计，研究者可以了解变量之间的因果关系强度、方向以及显著性水平。
结构方程模型是一种强大而灵活的工具，它能够帮助研究者更深入地理解变量之间的关系，并为理论发展提供实证支持。
在社会科学、心理学、教育学、管理学等领域，SEM已经成为了一种广泛使用的分析方法。
2、调节效应在SEM中的重要性在结构方程模型（SEM）中，调节效应的重要性不容忽视。
调节效应，也称为中介效应或调节路径，它描述了一个或多个变量如何影响两个主要变量之间的关系强度或方向。
在SEM的框架内，这种效应是通过在路径模型中引入一个或多个中介变量来考察的，这些中介变量在自变量和因变量之间起到了“桥梁”或“调节器”的作用。
调节效应有助于深化我们对变量间关系的理解。
通过探究中介变量对自变量和因变量关系的调节作用，我们可以更准确地理解这些关系的本质和动态过程。
这不仅有助于理论的发展和完善，也为实践中的决策和干预提供了更有力的依据。
第一章结构方程模型的基本概念结构方程模型一词与LISREL统计应用软件密不可分，LISREL是线性结构模型关系（Linear Structural Relationships）的缩写，就技术层面而言，是统计学者Karl G. Joreskog与Dag Sorbom二人结合矩阵模型的分析技巧，用以处理协方差结构分析的一套计算机程序。
由于这个程序与协方差结构模型（covariance structure models）非常近似，所以之后学者便将协方差结构模型称之为LISREL 模型。
协方差结构模型使用非常广泛，包括经济、营销、心理及社会学，它们被应用于探讨问卷调查或实验性的数据，包括横向式的研究及纵贯式的研究设计。
协方差结构分析是一种多变量统计技巧，在许多多变量统计的书籍中，均纳入结构方程模型的理论与实务的内容。
此种协方差结构分析结合了（验证性）因素分析与经济计量模型的技巧，用于分析潜在变量（latent variables，无法观察的变量或理论变量）间的假设关系，上述潜在变量可被显性指标（manifest indictors，观察的指标或实证指标）所测量。
一个完整的协方差结构包括两个次模型：测量模型（measurement model）与结构模型（structural model），测量模型描述的是潜在变量如何被相对应的显性指标所测量或概念化（operationalized）；而结构模型之的是潜在变量之间的关系，以及模型中其他变量无法解释的变异量部分。
协方差分析本质上是一种验证式的模型分析，它试图利用研究者所搜集的实证资料来确认假设的潜在变量间的关系，以及潜在变量与显性指标的一致性程度。
此种验证或检验就是在比较研究者所提的假设模型隐含的协方差矩阵与实际搜集数据导出的协方差矩阵之间的差异。
此种分析是利用协方差矩阵来进行模型的统合分析，而非输入之个别的观察值进行独立式的分析。
协方差结构模型是一种渐进式的方法学，与其他推论统计有很大的差别。
结构方程模型检验拟合指数与卡方准则一、本文概述结构方程模型（Structural Equation Modeling，SEM）是一种在社会科学和行为科学研究中广泛使用的统计技术，它允许研究者测试关于变量间关系的复杂假设。
SEM通过结合路径分析和多元回归分析的优势，能够在控制其他变量影响的估计多个因变量与一个或多个自变量之间的关系。
这种模型不仅能够描述变量间的直接影响，还能揭示潜在的间接影响，因此被广泛应用于心理学、社会学、经济学、教育学等多个领域。
在结构方程模型的应用过程中，模型的检验和拟合是非常重要的环节。
模型的拟合指数（Fit Indices）和卡方准则（Chi-square Criterion）是评估模型拟合程度的关键指标。
拟合指数通过一系列统计量来量化模型与数据的契合程度，而卡方准则则通过比较模型预测与实际观测的方差协方差矩阵来评估模型的适配性。
本文旨在深入探讨结构方程模型的检验和拟合方法，特别是拟合指数和卡方准则的应用。
我们将详细介绍各种常见的拟合指数及其解释，包括χ²/df、GFI、AGFI、NFI、RFI、IFI、TLI和CFI等，并解释如何根据这些指数来评估模型的拟合程度。
我们还将讨论卡方准则的具体应用，包括如何计算卡方值、如何解释卡方值与模型适配性的关系，以及在什么情况下卡方准则可能不适用。
通过本文的阅读，读者将能够全面理解结构方程模型的检验和拟合过程，掌握拟合指数和卡方准则的具体应用方法，并能够根据这些准则对结构方程模型进行有效的评估和优化。
这对于提高社会科学和行为科学研究的质量和准确性具有重要意义。
二、结构方程模型概述结构方程模型（Structural Equation Modeling，SEM）是一种基于统计分析的研究方法，它结合了路径分析和多元回归分析，用于探究变量之间的复杂关系。
SEM允许研究者同时估计多个因果关系，并通过拟合指数来评估模型的拟合程度。
SEM在社会科学、心理学、经济学、市场营销等领域有着广泛的应用。
结构方程模型初步研究共3篇结构方程模型初步研究1结构方程模型初步研究随着社会经济的发展和数据科技的进步，结构方程模型作为一种常用的统计分析方法已经得到了广泛的应用。
从统计学的角度来看，结构方程模型是一种多变量统计方法，它通过构建一个包含潜在变量和观测变量的多元线性方程模型来描述变量直接和间接的关系。
本文旨在探讨结构方程模型的基本概念、模型构建与模型检验。
一、基本概念1.1 结构方程模型的定义结构方程模型有多种定义，其中一种比较广泛的定义是：结构方程模型是由指标变量和潜在变量组成，通过该模型可以描述变量之间的直接和间接关系。
在结构方程模型中，指标变量和潜在变量通常被看作是被连续测量的，它们的关系可以通过协方差矩阵来捕捉。
1.2 结构方程模型的构成在结构方程模型中，通常包括两个方面的变量：指标变量和潜在变量，二者之间的关系可以用向量方程来表示。
其中，指标变量是可见的变量，可以被测量，是基本观测量；潜在变量是不可见的变量，不能直接测量，需要用多项式或者因子分析进行测量。
指标变量和潜在变量之间的关系包括以下几个方面：关系、错误方差、变量共同状态等。
1.3 结构方程模型的类型结构方程模型主要分为两大类：交叉验证模型和验证模型。
其中，交叉验证模型是指在一个发展样本上建立的模型能否在另一个独立样本中得到验证，这是一种通过数据拆分实现模型拟合与验证的方法；验证模型是在某一个理论框架下，建立一个模型，根据模型建立的变量关系来预测因变量。
二、模型构建2.1 路径分析路径分析是一种基于变量间直接关系的结构方程模型，它主要用于分析变量之间的因果关系、预测关系和说明关系。
路径分析的建模流程分为以下几步：设定模型、估计模型、模型合适度检验、优化模型等。
2.2 固定效应模型固定效应模型是指，指标变量和潜在变量之间的关系是确定的，不能随机变化的。
这种模型通常用于描述变量之间的关系以及变量之间的因果关系。
2.3 随机效应模型随机效应模型是指，指标变量和潜在变量之间的关系是可能随机变化的，通常用于描述变量之间的变异以及变异性之间的因果关系。
结构方程模型理论与实践解析结构方程模型（Structural Equation Modeling，简称SEM）是一种基于统计学原理的多变量分析方法，用于研究变量之间的因果关系和潜在变量的测量。
它将因果关系和测量误差等因素融入到一个统一的分析框架中，可以同时估计模型中的参数和协方差矩阵，进而提供对研究问题的全面解释和统计推断。
SEM的理论基础可以追溯到路径分析和因子分析，但它在方法上进行了创新和改进。
相比于传统的线性回归方法，SEM更加适用于复杂的研究问题，能够处理多个潜在变量和观察变量之间的复杂关系。
在SEM中，模型的核心是结构方程，它描述了变量之间的因果关系。
结构方程模型通常由两部分组成：测量模型和结构模型。
测量模型用于解释潜在变量和观察变量之间的测量关系。
潜在变量是无法直接观测到的构念，而观察变量则是潜在变量的具体体现。
通过测量模型，我们可以了解观察变量对潜在变量的测量准确性和可靠性。
测量模型通常使用因子分析或确认性因子分析来描述潜在变量和观察变量之间的关系。
结构模型用于解释变量之间的因果关系。
它描述了变量之间的直接和间接效应。
通过结构模型，我们可以了解不同变量之间的因果关系，进而探讨研究问题的本质。
结构模型通常由路径图或结构方程表示，通过参数估计和假设检验等方法来确认模型的拟合情况。
在实践应用中，SEM的步骤一般包括：模型规范、样本准备、模型估计、模型检验和模型修订。
首先，需要明确研究问题和目标，确定所要研究的变量和其关系，从而规范结构方程模型。
在模型规范的过程中，需要保持理论的一致性和逻辑的合理性。
其次，准备适当的样本数据。
SEM要求样本量足够大，并且样本的分布符合正态分布或近似正态分布。
此外，数据的质量和可靠性也是保证分析结果有效性的重要条件。
然后，进行模型估计。
模型估计的核心目标是通过最大似然估计或广义最小二乘估计来确定参数的取值。
这一步骤可以使用专门的软件进行计算和分析，如AMOS、LISREL等。
结构方程模型的研究进展与应用结构方程模型（Structural Equation Modeling, SEM）是一种多变量统计分析方法，用于探究因果关系模型和研究假设之间的关系。
它将测量模型与结构模型相结合，旨在研究各种社会科学和行为科学领域的关系模型，如心理学、社会学、教育学等。
本文将详细介绍结构方程模型的研究进展与应用。
一、研究进展在结构方程模型的研究中，经历了以下主要发展阶段：1.初期发展：结构方程模型的初始形式可以追溯到20世纪70年代，那时主要用于统计学中的因果关系建模。
主要是依靠假设检验方法来评估模型的拟合度。
2.模型改进：在80年代，结构方程模型逐渐易用性增强。
使用者能够更加灵活地建立测量模型和结构模型，并进行对模型的合理性检验。
同时，增加了对变量的测量误差和模型的非正态性等假设的修正。
3.协方差结构分析：随着计算机性能的提高，研究者们开始实施大规模的结构方程模型。
协方差结构分析的引入标志着结构方程模型的新时代。
这种方法克服了矩阵样本法的问题，并且能够针对缺失数据做处理。
4.不完全数据的结构方程模型：在现实研究中，缺失数据是一个普遍存在的问题。
结构方程模型也从单一的完整数据拓展到了处理缺失数据的领域。
引入了多重建立法、EM算法等方法来解决缺失数据的问题。
5.质量检验的新进展：过去的结构方程模型主要依赖于统计显著性检验来评估模型拟合度。
如今，更多的关注于模型的实用性和逻辑合理性。
专注于各种拟合度指标和质量检验方法的研究和开发。
6.时间序列分析：结构方程模型在时间序列分析方面也有了一些新的发展。
比如，面板数据结构方程模型能够在考虑时间因素的前提下分析长期关系和动态关系等。
二、应用领域1.心理学领域：结构方程模型在心理学研究中得到了广泛应用。
例如，用于测量心理因素对心理健康的影响，探索人格特质对行为的影响等。
2.教育学领域：研究者可以利用结构方程模型分析教育领域中的复杂关系。
例如，分析学习环境对学生学业成绩的影响，研究教育政策对学生发展的影响等。
*卫生部指定课题 通讯作者:孙高结构方程模型及其应用*中国医科大学卫生统计教研室(110001) 曲 波 郭海强 任继萍 孙 高结构方程模型(structural equation model,SEM)是自20世纪60、70年代出现的新兴的统计分析手段,被称为近年来统计学三大进展之一 1。
随着医学模式向社会-心理-生理模式的转变,在医学研究领域也出现了许多社会学和心理学的指标,这些指标常常是不可直接观测的潜在变量,或者其测量结果是存在误差的,传统的线性回归等统计分析方法显得无能为力。
结构方程模型弥补了传统统计方法的不足,它既可研究可观测变量,又可研究不能直接观测的变量(隐变量);它不仅能研究变量间的直接作用,还可研究变量间的间接作用,通过路径图直观地显示变量间的关系;通过结构方程模型研究者可构建出隐变量间的关系,并验证这种结构关系是否合理。
目前在国内结构方程模型在医学领域的应用还不多,但在医学领域中我们往往要研究健康的社会、心理因素,因此,随着社会和行为科学研究问题复杂性的增加,以及统计软件的进一步发展,结构方程模型在医学领域将会逐步得到重视和应用。
基本原理结构方程模型包括测量模型(measurem ent mod el)与结构模型(structural equation model) 2。
测量模型部分求出观察指标与潜变量之间的关系;结构模型部分求出潜在变量与潜在变量之间的关系。
在结构方程模型中,对于所研究的问题,无法直接测量的现象记为潜变量(latent v ariable)或称隐变量;可直接测量的变量记为观测变量(manifest variable)或显变量。
!测量模型(measurement model)表示为:y= Y+!(1)x= X∀+#(2) 其中,x、y分别是外源和内源指标;、∀是内源和外源变量; Y为q∀n阶矩阵,是内源观测变量y 在内源潜变量上的因子载荷矩阵; X为x指标与外源潜变量∀的关系;#、!表示不能由潜变量解释的部分即测量误差。
