首先SEM更加灵活,更加综合。传统方法的模型是提前规定的或者说是默认的,而做结构方程的时候,它对变量关系的限制几乎没有,需要你自己根据理论知识设定变量之间的关系。SEM既包含显变量又有潜变量,而传统的方法之分析显变量。在SEM中我们认为误差是存在的,你甚至可以规定不同变量之间误差的关系,但是传统的方法认为误差是没有的。传统方法能够输出变量间关系的直接的显著性检验结果,而SEM没有这样的结果,我们得用拟合指标来评价模型。结构方程模型可以很好地容忍多重共线性。
你好这位朋友,百度知道官方认证心理学行家为你解答。潜变量是指不能被直接精确观测或虽能被观测但尚需通过其它方法加以综合的指标,是在记录单元之间变化且其变化影响记录特征的任何未记录到的特征,结果是记录特征之间的联系,这种联系实际上并不是由记录特征本身的任何因果关系产生的。潜变量(Latent Variable),显变量(Manifest或Observable Variable)的主要区别在于:潜变量是实际工作中无法直接测量到的变量,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。一个潜变量往往对应着多个显变量,可以看做其对应显变量的抽象和概括,显变量则可视为特定潜变量的反应指标。(参考资料:百度百科)
这些抽象的定义看起来是不是一头雾水呢?没关系,我们举个例子。
假设你想要通过一张问卷调查来了解消费者对一个新产品的满意度。这个“满意度”就是潜变量。
接着,为了充分了解这个潜变量的值,你设计了一份调查问卷。在这份问卷上,你询问消费者对这个商品在以下方面是否具有优势,比如:
价格、购买地点、质量、外观等。这些就都是显变量了。
由此你可以看出,问卷上的这些题目,每一题直接测量的都是显变量。等调查结束,把这些显变量综合起来考量得出的最后结果,就是你真正想要测量的潜变量了。
如果以上信息还是无法完全解决你的疑惑,我需要进一步了解你的那张问卷和实验设计才能更细地帮你解答问题。如果是这样,请进一步详细描述,谢谢。
祝你的问卷调查研究项目一切顺利 :-)
结构方程模型(Structural Equation Mode血g, SEM) 可用于多种实用的场景,如多因变量分析、潜变量分析、中介变量分析等。它可以看作路径分析( Path Analysis)和验证性因子分析(Confrrmatory Factor Analysis) 的组合。(1)潜变量和显变量
在传统的广义线性模型中,各自变量或因变量都是通过“直接”测量或调查而获得的,但有些变量却是难以直接测得的,如学习能力、幸福指数、抑郁状态等。这种无法直接测得的变量称为潜变量(Latent Variables), 与此对应,可以直接测得的变量称为显变量(Observed Variables)。
(2)潜变量虽然无法直接获得,但却是存在的,而且在背后支配着显变量。例如,一名学生的考试成绩是可以直接观测的显变量,它可能是由学习能力这一潜变量决定的;再如,一个人的抑郁状态是潜变量,可能决定着他的“能否很快入睡""感到沮丧”等可直接回答的问题。
(1)潜变量与显变量之间是有一定关系的,如"焦虑”这一潜变量是如何支配“我睡不着觉”和"我心里觉得烦乱”这两个显变量的?
(2)在验证性因子分析中,通过以下模型将潜变量和显变量联系起来:
其中, X1,X2, …是显变量, F1,F2,··,Fm 是潜变量。各潜变量通过系数a11 、a21 等支配显变
量X1 、X2 等,而ε等则是无法解释的误差。
(3)如潜变量“焦虑"与显变量“我睡不着觉”和"我心里觉得烦乱”之间的关系可以表达为
(1)上述公式与线性模型的公式很相似。其实a1、a2等作为系数,其含义也与线性模型中差不多,如a1表示焦虑每增加1个单位,“我睡不着觉”的预期改变量; a2表示焦虑每增加1个单位,“我心里觉得烦乱"的预期改变量。
(2)不过与线性模型不同的是,在验证性因子分析中,该系数不叫回归系数,而被称为因子载荷(Factor Loading), 它反映了潜变量与显变量之间的关系。因子载荷越大,表明潜变量与显变量的关系越密切。
(3)在验证性因子分析中, 一个很关键的问题是确定潜变量,这一点是由专业知识来决定的。
例如:
路径分析可以探索(显)变量之间的直接和间接关系,验证性因子分析可以分析潜变量与显变量之间的(直接)关系,结构方程模型则将二者结合,可以同时分析带有潜变量的直接和间接关系。
下表是调查了100人的5个变量的协方差结构,目的是了解家庭状况对学生抑郁是否会有影响。
(1)假定家庭状况(潜变摄)用父母学历评分和家庭氛围评分(显变量)来体现,学生抑郁(潜变量)用学生情绪评分、学生认知评分和学生动机评分(显变量)来体现。并且假定路径为:家庭状况会影响学生的抑郁状态。
(2)最终我们得到的结构方程模型如下图所示。图中, f1表示潜变量家庭状况,f2表示潜变量学生抑郁。
欢迎分享,转载请注明来源:夏雨云
评论列表(0条)