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。

中介效应模型中的e是effect。中介效应是间接效应，无论变量是否涉及潜变量，都可以用结构方程模型分析中介效应。考虑自变量X对因变量Y的影响，如果X除了自身直接影响Y，还通过影响变量M来影响Y，则称M为中介变量。

结构方程模型（SEM, Structural Equation Modeling）是建立在回归模型（Regression Models）的基础上，针对潜变量（Latent Variables）的统计方法。

&ltimg src="https://pic1.zhimg.com/v2-9097acc14cb5f4a901d4e2d1cf883030_b.png" data-rawwidth="308" data-rawheight="260" class="content_image" width="308"&gtf为latent variable, 例如智力、自尊等，在该SEM模型中为predictor。y1,y2,y3为observed variables, 即可直接测量得到的变量，在该SEM模型中为indicators。λ1-3为factor loadings，ε为residual error。

f为latent variable, 例如智力、自尊等，在该SEM模型中为predictor。y1,y2,y3为observed variables, 即可直接测量得到的变量，在该SEM模型中为indicators。λ1-3为factor loadings，ε为residual error。

先前提到SEM是建立在regression model基础上的，该模型可写为如下方程：

y1 = λ1*f + ε1

y2 = λ2*f + ε2

y3 = λ3*f + ε3

即可看到与regression model的联系。

SEM较为广泛应用的是方差/协方差估计法。即可由上述方程写出关于y1,y2,y3的方差/协方差矩阵：（σ为f的variance）

&ltimg src="https://pic3.zhimg.com/v2-4d1ae9e59cf5987bc5ad78ac07b42c7a_b.png" data-rawwidth="453" data-rawheight="93" class="origin_image zh-lightbox-thumb" width="453" data-original="https://pic3.zhimg.com/v2-4d1ae9e59cf5987bc5ad78ac07b42c7a_r.png"&gt而后计算机根据实际矩阵，对factor loadings等parameters进行估计并输出估计矩阵，与实际矩阵差异最小（最理想）时，即输出结果，得到各估计参数和拟合指数。

而后计算机根据实际矩阵，对factor loadings等parameters进行估计并输出估计矩阵，与实际矩阵差异最小（最理想）时，即输出结果，得到各估计参数和拟合指数。

应用较多的模型/方法：MIMIC, multiple group models（比较组间差异）, latent growth modeling（比较纵向差异）等。

应用广泛的软件：

1、Mplus。优点：编程简单，结果全面。缺点：收费，贵。学生版是300$。

2、Amos。优点：傻瓜，画图拖数据即可。缺点：模型稍一复杂就很费时。

3、R。下个package即可。优点：兼容性、专业性强。缺点：用的人少，不利于伸手党。

4、LISREL。优点：易入门。缺点：需输入各矩阵，略过时。

其他还有一些软件，不了解。

SEM入门不久，以上为个人理解，求探讨求轻喷。么么哒

---