| 词条 | 结构方程模型 |
| 释义 | 结构方程模型（Structural·Equation·Modeling,SEM) 结构方程模型是社会科学研究中的一个非常好的方法。该方法在20世纪80年代就已经成熟，可惜国内了解的人并不多。“在社会科学以及经济、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。20世纪80年代以来，结构方程模型迅速发展，弥补了传统统计方法的不足，成为多元数据分析的重要工具。 结构方程模型的优点（一）同时处理多个因变量 结构方程分析可同时考虑并处理多个因变量。在回归分析或路径分析中，就算统计结果的图表中展示多个因变量，其实在计算回归系数或路径系数时，仍是对每个因变量逐一计算。所以图表看似对多个因变量同时考虑，但在计算对某一个因变量的影响或关系时，都忽略了其他因变量的存在及其影响。 （二）容许自变量和因变量含测量误差 态度、行为等变量，往往含有误差，也不能简单地用单一指标测量。结构方程分析容许自变量和因变量均含测量误差。变量也可用多个指标测量。用传统方法计算的潜变量间相关系数，与用结构议程分析计算的潜变量间相关系数，可能相差很大。 （三）同时估计因子结构和因子关系 假设要了解潜变量之间的相关，每个潜变量者用我个指标或题目测量，一个常用的做法是对每个潜变量先用因子分析计算潜变量（即因子）与题目的关系（即因子负荷），进而得到因子得分，作为潜变量的观测值，然后再计算因子得分，作为潜变量之间的相关系数。这是两个独立的步骤。在结构方程中，这两步同时进行，即因子与题目之间的关系和因子与因子之间的关系同时考虑。 （四）容许更大弹性的测量模型 传统上，我们只容许每一题目（指标）从属于单一因子，但结构方程分析容许更加复杂的模型。例如，我们用英语书写的数学试题，去测量学生的数学能力，则测验得分（指标）即从属于数学因子，也从属于英语因子（因为得分也反映英语能力）。传统因子分析难以处理一个指标从属多个因子或者考虑高阶因子等有比较复杂的从属关系的模型。 （五）估计整个模型的拟合程度 在传统路径分析中，我们只估计每一路径（变量间关系）的强弱。在结构方程分析中，除了上述参数的估计外，我们还可以计算不同模型对同一个样本数据的整体拟合程度，从而判断哪一个模型更接近数据所呈现的关系。 三种分析方法对比线性相关分析 :线性相关分析指出两个随机变量之间的统计联系。两个变量地位平等，没有因变量和自变量之分。因此相关系数不能反映单指标与总体之间的因果关系。 线性回归分析 :线性回归是比线性相关更复杂的方法，它在模型中定义了因变量和自变量。但它只能提供变量间的直接效应而不能显示可能存在的间接效应。而且会因为共线性的原因，导致出现单项指标与总体出现负相关等无法解释的数据分析结果。 结构方程模型分析:结构方程模型是一种建立、估计和检验因果关系模型的方法。模型中既包含有可观测的显在变量，也可能包含无法直接观测的潜在变量。结构方程模型可以替代多重回归、通径分析、因子分析、协方差分析等方法，清晰分析单项指标对总体的作用和单项指标间的相互关系。 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. 结构方程模型假设条件· 合理的样本量（James Stevens的Applied Multivariate Statistics for the Social Sciences一书中说平均一个自 变量大约需要15个case；Bentler and Chou (1987)说平均一个估计参数需要5个case就差不多了，但前提是数据质量非常好；这两种说法基本上是等价的；而Loehlin (1992)在进行蒙特卡罗模拟之后发现对于包含2~4个因子的模型，至少需要100个case，当然200更好；小样本量容易导致模型计算时收敛的失败进而影响到参数估计；特别要注意的是当数据质量不好比如不服从正态分布或者受到污染时，更需要大的样本量） · 连续的正态内生变量（注意一种表面不连续的特例：underlying continuous；对于内生变量的分布，理想情况是联合多元正态分布即JMVN） · 模型识别（识别方程）（比较有多少可用的输入和有多少需估计的参数；模型不可识别会带来参数估计的失败，我就吃过这个亏） · 完整的数据或者对不完整数据的适当处理（对于缺失值的处理，一般的统计软件给出的删除方式选项是pairwise和listwise，然而这又是一对普遍矛盾：pairwise式的删除虽然估计到尽量减少数据的损失，但会导致协方差阵或者相关系数阵的阶数n参差不齐从而为模型拟合带来巨大困难，甚至导致无法得出参数估计；listwise不会有pairwise的问题，因为凡是遇到case中有缺失值那么该case直接被全部删除，但是又带来了数据信息量利用不足的问题——全杀了吧，难免有冤枉的；不杀吧，又难免影响整体局势） · 模型的说明和因果关系的理论基础（实际上就是假设检验的逻辑——你只能说你的模型不能拒绝，而不能下定论说你的模型可以被接受） 图书信息书 名: 结构方程模型 作 者：吴明隆 出版社： 重庆大学出版社 出版时间： 2009-7-1 ISBN: 9787562449478 开本： 16开 定价: 59.80元 书 名：结构方程模型及其应用 作 者：侯杰泰、温忠麟、成子娟 出版社：教育科学出版社 出版时间：2004-7-1 ISBN：7-5041-2816-3 定价：39（含光盘） 内容简介本书详细详解和演示结构方程模型多种分析方法和操作步骤，是一本理想的AMOS与结构方程模型应用方面的指导读物。 本书前半部介绍结构方程模型（SEM）的概念与Amos G raphics窗口界面的基本操作；后半部以各种实例介绍Amos G raphics在各种SEM模型中的应用。全书采用AMOS图像界面，完全没有复杂的SEM理论推导和语法，最大的特点就是对利用AMOS进行结构方程模型各种分析的每一个步骤都有详细的讲解和图示。这是一本“使用者界面”取向的书籍，即使是不懂传统SEM语法使用者，也能在最短时间内学会用AMOS绘制各种SEM模型图，并将模型估计、模型识别判断、模型修正与模型验证，实际应用于自己的研究领域中。 本书的读者对象是结构方程模型分析方法的学习者和使用者，适合社会科学各学科高年级本科生、硕博士研究生自学，也适合教师教学辅助参考。 图书目录第一章 结构方程模型的基本概念 第一节 结构方程模型的特性 第二节 测量模型 第三节 结构模型 第四节 结构方程模型图中的符号与意义 第五节 参数估计方法 第六节 模型的概念化 第七节 模型的修正 第八节 模型的复核效化 第二章 模型适配度统计量的介绍 第一节 模型适配度检核指标 一、模型基本适配指标 二、整体模型适配度指标（模型外在质量的评估） 三、模型内在结构适配度的评估（模型内在质量的检验） 四、模型统计检验力的评估 第二节 模型识别的范例 一、正好识别模型 二、过度识别模型 三、低度识别模型 第三章 Amos Graphics界面介绍 第一节 Amos Graphics窗口的介绍 一、开启【Amos Graphic】应用软件 二、工具箱窗口的图像钮操作介绍 第二节 图像钮综合应用 一、绘制第一个测量模型 二、绘制第二个测量模型 三、绘制第三个测量模型 第四章 Amos执行步骤与程序 第一节 路径分析的程序与执行 一、建立路径模型图 二、开启数据文件 三、设定观察变量 四、设定误差变量的变量名称 五、设定文字报表要呈现的统计量 六、将路径模型图存盘与计算估计值 七、浏览模型的结果 第二节 路径因果模型图的设定 一、外因变量间没有相关的设定 二、内因变量没有界定残差项 第三节 饱和模型与独立模型 一、饱和模型 二、独立模型 第四节 结构方程模型图 一、结构方程模型图的绘制步骤 二、执行结果的标准化参数估计值路径图 三、模型的平行检验 第五节 结构模型与修正指标 一、模型A：初始模型 二、模型B：修正模型1 三、模型c：修正模型2 四、模型D：修正模型3 第六节 单一文件多重模型的设定 第五章 参数标签与测量模型 第一节 参数标签的设定与特定样本的分析 一、更改特定群体名称与模型名称 二、开启数据文件选人指标变量 三、设定分析属性与计算估计值 四、增列模型变量或对象的参数标签名称 五、增列参数标签名称的模型估计结果 六、全体群体假设模型的修正 第二节 特定群体的分析 一、分析男生群体 二、分析女生群体 第三节 测量模型参数值的界定 一、测量模型假设模型 二、限制不同测量指标的路径参数A 三、低度辨识的模型 四、增列参数限制条件 五、误差变量的界定 六、测量模型的修正 七、测量模型参数标签名称的设定 第四节 测量模型的平行测验检验 第五节 多因子测量模型潜在变量的界定 一、初始模型 二、修正模型 三、斜交关系的测量模型 四、界定测量模型潜在变量间没有相关 五、完全独立潜在变量参数修正 六、单向度测量模型与多向度测量模型 第六章 验证性因素分析 第一节 一阶验证性因素分析——多因素斜交模型 一、假设模型 二、输出结果 第二节 一阶验证性因素分析——多因素直交模型 一、假设模型 二、模型适配度摘要表 第三节 二阶验证性因素分析 第四节 一阶CFA模型多模型的比较 第五节 一阶CFA模型测量不变性检验 一、描绘一阶CFA假设模型图 二、单一群组多个模型的设定 三、模型估计结果 第七章 路径分析 第一节 路径分析的模型与效果 第二节 路径分析模型——递归模型 一、研究问题 二、采用传统复回归求各路径系数 三、Amos Graphics的应用 四、模型图执行结果l 五、文字报表输出结果 第三节 饱和模型的路径分析 一、饱和模型假设模型图 二、参数估计的模型图 三、参数估计及适配度结果 第四节 非递归模型的路径分析一 一、假设模型图 二、参数估计的模型图 三、参数估计值 四、模型适配度摘要表 第五节 非递归模型的路径分析二 一、设定回归系数的变量名称 二、设定回归系数值W5=W6 三、参数估计的模型图 四、参数估计值 五、设定两个内因变量测量误差的方差相等 第六节 模型界定搜寻 一、饱和模型图 二、执行模型界定搜寻 第八章 潜在变量的路径分析 第一节 潜在变量路径分析的相关议题 一、原始数据文件变量排列 二、快速复制对象及参数格式 三、增列简要图像标题 四、增列参数标签名称 五、估计值模型图参数移动 六、模型适配度的评估 七、模型的修正 八、PA—LV模型修正 第二节 数学效能PA—LV理论模型的检验 一、研究问题 二、AITl08 Graphics窗口中的模型图 三、计算估计的模型图 四、参数估计相关报表 第三节 模型的修正 一、参数格式的模型图 二、参数估计相关统计量 第四节 混合模型的路径分析 一、路径分析假设模型图 二、增列模型图像标题 三、路径分析模型估计结果 四、采用潜在变量路径分析模型 五、混合路径分析模型范例二 六、混合路径分析模型范例三 七、混合路径分析模型——非递归模型 第九章 多群组分析 第一节 多群组分析的基本理念 一、绘制男生群体路径分析模型图 二、开启数据文件及选择目标群组变量 三、开启数据文件界定观察变量 四、设定参数标签名称 五、设定群组名称 六、输出结果 七、女生群体的分析模型图 八、多群组分析 第二节 多群组路径分析 一、绘制理论模型图 二、读取数据文件及观察变量 三、设定群体名称 四、界定群体的水平数值及样本 五、界定群体模型图的参数名称 六、界定输出格式 七、预设模型输出结果 第三节 多重模型的设定 一、预设模型（未限制参数） 二、协方差相等模型 三、方差相等模型 四、路径系数相等模型 五、模型不变性模型 六、多个模型的输出结果 第四节 多群组验证性因素分析 一、绘制理论模型图 二、读取数据文件及观察变量 三、设定群体名称 四、界定群体分组变量名称及其水平数值 五、设定多群组分析模型 六、输出结果 第五节 多群组结构方程模型 一、绘制Amos理论模型图 二、读取数据文件并设定群组变量及水平数值 三、设定多群组分析模型 四、群组模型执行结果 五、模型注解说明 第六节 三个群组测量恒等性的检验 第七节 多群组路径分析 一、绘制模型图与读人数据文件 二、增列群组及设定群组名称 三、设定两个群组数据文件变量与变量水平 四、执行多群组分析 五、计算估计值 六、输出结果 第十章 多群组结构平均数的检验 一、SPSS数据文件 二、设定平均数参数 三、范例一模型A 四、范例一模型B 五、范例二模型A 六、范例二模型B 第一节 结构平均数的操作程序 一、绘制理论模型与设定模型变量 二、增列群组与群组的变量水平数值 三、增列平均数与截距项参数标签 四、执行多群组分析程序 五、模型估计 第二节 增列测量误差项间有相关 一、执行多群组分析 二、模型截距项、平均数相等模型评估 三、测量残差模型的修正 第三节 结构平均数的因素分析 一、增列平均数与截距项参数标签 二、更改女生群体共同因素平均数的参数名称标签 三、设定多群组分析模型 四、输出结果 第十一章 SEM实例应用与相关议题 第一节 社会支持量表测量模型的验证 一、测量模型的区别效度 二、测量模型的收敛效度 第二节 缺失值数据文件的处理 一、观察变量中有缺失值 二、增列估计平均数与截距项 三、数据取代 第三节 SEM模型适配度与参数估计关系 一、模型A：初始模型 二、模型B 第四节 样本大小与适配度卡方值 一、样本数N为100 二、样本数N为300 三、样本数N为500 四、样本数N为700 五、样本数N为900 六、样本数N为1100 七、样本数N为1500 八、样本数N为2000 第十二章 典型相关分析与结构方程模型关系 第一节 典型相关分析 一、CANCORR语法指令 二、典型相关分析结果 第二节 SEM执行程序 一、第一个典型变量 二、第二个典型变量 三、MIMIC分析结果 参考文献 |
| 随便看 |
百科全书收录4421916条中文百科知识，基本涵盖了大多数领域的百科知识，是一部内容开放、自由的电子版百科全书。