结构方程模型

结构方程简介

不论是因果关系的证明或量表内在结构的确认，均有赖于事前研究变项的性质与内容的厘清，并清楚描述变项的假设性关系，由研究者提出具体的结构性关系的假设命题，寻求统计上的检证。尤其在社会与行为科学领域所探究的变项结构性关系，大多是由一群无法直接观察与测量的抽象命题（或称为构念）所组成，需获得严谨的统计数据来证明构念的存在，此点也是SEM的主要长处之一（Bollen, 1989）。

（三）模型比较分析（modeling analysis and comparison）

SEM 的第三个主要特征，是模块化分析的应用。利用先前所讨论的假设检定与结构化验证功能，结构方程模式可以将一系列的研究假设同时结构成一个有意义的假设模型（hypothetical model），然后经由统计的程序对于此一模型进行检证。不同的模型之间，则可进行竞争比较。

在社会与行为科学的研究中，往往相同的一组变项会因为理论观点的不同，对于变项之间的假设关系亦会有不同的主张，因此，研究者可以基于不同的理论与假设前提，发展出不同的替代模型（alternative model），进行模式间的竞争比较。此一利用假设模型进行统计检证的优点，大大改善了传统路径分析在多组回归等式进行同时估计的限制，也提高了分析的应用广度。

Jöreskog &Sörbom（1996）指出SEM的模块化应用策略有三个层次，第一是单纯的验证（confirmatory），也就是针对单一的先验假设模型，评估其适切性，称为验证型研究；第二是模型的产生（model generation），其程序是先设定一个起始模型，在与实际观察资料进行比较之后，进行必要的修正，反复进行估计的程序以得到最佳契合的模型，称为产生型研究；第三是替代模型的竞争比较，以决定何者最能反应真实资料，称为竞争型研究。

Maccallum &Austin（2000）从文献整理中发现，以单纯的验证与模型产生为目的SEM研究约占20%与25%，涉及竞争比较的SEM研究则有55%。 Maccallum &Austin（2000）认为模型产生型SEM研究有其限制存在，尤其在模型修饰的过程中，往往过度依赖资料所呈现的讯息而忽略理论的意义，过度滥用修正程序以获得对自己有利的结果，是相当危险的作法，使用者应小心为之。相对之下，竞争比较的研究则有较为强固的理论基础，修饰问题较少，而可以发挥较大的弹性与说服力。

结构方程模式的此一模块化分析功能，最主要的一个贡献，即是为社会与行为科学研究界对于抽象理论进行实证的检验提供了一套严谨的程序，使得研究者可以透过统计的分析去检验所提出的理论模型（theoretical model）。此举将假设检定的运用，自单一参数的考验提升至理论模型整体考验的更高层次，突破了传统上计量技术对于理论模型欠缺整合分析能力的困境。

二、结构方程模式的特性

Hoyle（1995）指出，结构方程模式可视为不同统计技术与研究方法的综合体。从技术的层面来看，SEM并非单指某一种特定的统计方法，而是一套用以分析共变结构的技术的整合。SEM有时以共变结构分析（covariance structure analysis）、共变结构模型（covariance structure modeling）等不同的名词存在，有时则单指因素分析模式的分析，以验证性因素分析（CFA）来称呼之；有时，研究者虽然以SEM的分析软件来执行传统的路径分析，进行因果模型（causal modeling）的探究，但不使用SEM的名义，事实上这也是SEM的重要应用之一。不论是用何种名词来称呼，这些分析技术具有一些基本的共同特质（Kline, 1996, pp. 8-13），说明如下。

（一）SEM具有理论先验性

SEM分析最重要的一个特性，是它必须建立在一定的理论基础之上，也就是说，SEM是一个用以检证某一先期提出的理论模型（priori theoretical model）的适切性的一种统计技术。这也是SEM被视为是一种验证性（confirmatory）而非探索性（exploratory）统计方法的主要原因。SEM的分析过程中，从变项内容的界定、变项关系的假设、参数的设定、模型的安排与修正，一直到应用分析软件来进行估计，其间的每一个步骤都必须要有清楚的理论概念或逻辑推理作为依据。从统计的原理来看，SEM也必须同时符合多项传统统计分析的基本假设（例如线性关系、常态性）以及SEM分析软件所特有的假设要件，否则所获得的统计数据无法采信。

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。

SEM简单介绍，以下资料来源

因果关系：SEM一般用于建立因果关系模型，但是本身却并不能阐明模型的因果关系。

一般应用于：测量错误、错漏的数据、中介模型（mediation model）、差异分析。

历史：SEM 包括了 回归分析，路径分析（wright, 1921）,验证性因子分析（confirmatory factor analysis）（Joreskog, 1969）.

SEM也被称为 协方差结构模型（covariance structure modelling），协方差结构分析和因果模型。

因果关系：

究竟哪一个是“真的”？ 在被假设的因果变量中其实有一个完整的因果链。

举一个简单的例子： 吃糖果导致蛀牙。这里涉及2个变量，“吃糖果”和“蛀牙”，前者是因，后者是果。 如果上一个因果关系成立，那将会形成一个因果机制，也许会出现这样的结构：

3. 这时还有可能出现更多的潜在变量：

这里我又举另外一个例子，回归模型

在这里，回归模型并不能很好的描述出因果次序，而且也不能轻易的识别因果次序或者未测量的因子。这也是为什么在国外学术界SEM如此流行的原因。

我们在举另外一个例子“路径分析”

路径分析能让我们用于条件模型（conditional relationships），上图中的模型是一种调解型模型或者中介模型，在这里Z 是作为一个中介调节者同时调节X和Y这两个变量的关系。

在这里我们总结一下：

回归分析简单的说就是：X真的影响Y 吗？

路径分析：为什么/如何 X 会影响Y？ 是通过其他潜在变量Z 来达到的吗？例子：刷牙（X）减少蛀牙（Y）通过减少细菌的方法（Z）。------测量和测试中介变量（例如上图中的Z变量）可以帮助评估因果假设。

在这里要提一下因素模型（factor model）

在这个模型当中，各个变量有可能由于受到未被观察到的变量所影响，变得相互有内在的联系，一般来说那些变量都很复杂、混乱，而且很多变量是不能直接被观察到的。

举个例子：“保龄球俱乐部的会员卡”和“本地报纸阅读”，是被观察到的变量，而“社会资产”则是未被观察到的变量。另一个例子：“房屋立法”和“异族通婚”是被观察到的变量，而“种族偏见”是未被观察到的变量。

相互关系并不完全由被观察到的变量的因果关系所导致，而是由于那些潜在的变量而导致。

这些被观察到变量（y1--y4）也有可能由一个潜在的变量（F）所影响。

---