结构方程模式介绍幻灯片.ppt

LOGO 结构方程模式介绍 结构方程模式介绍 结构方程模式主要目的在于考验潜在变项(Latent variables)与外显变项(Manifest variable, 又称观察变项)之关系，此种关系犹如古典测验理论中真分数(true score)与实得分数(observed score)之关系。它结合了因素分析(factor analysis)与路径分析(path analysis)，包涵测量与结构模式。 SEM的统计模式 ☆测量模式的检验必须先于结构模式。 测量模型 旨在建立测量指标与潜在变项间之关系，主要透过验证性因素分析以考验测量模式的效度。 结构模型 旨在考验潜在变项间之因果路径关系，主要针对潜在变项进行路径分析，以考验结构模式的适配性 测量模型: （验证性因子分析） Ｘ=Λｘξ+δ Ｙ=Λ γ η+ε Ｘ、Ｙ分别是外源和内源指标; η、ξ分别是内源和外源变量; δ、ε分别是Ｘ、Ｙ的测量误差; Λｘ是Ｘ指标与外源潜变量ξ的关系; Λγ是Ｙ指标与内源潜变量η的关系。 结构模型: η=β η+Γ ξ+ ζ β是内源潜变量之间的关系； Γ是外源潜变量对内源潜变量的影响； ζ是模型中未能解释的部分。 结构方程模型的基本步骤 模型构想 模型指定 模型识别 模型拟合 模型评价 模型构想 结构方程模型的出发点是为观察变量间假设的因果关系建立起具体的因果模型,也就是可以用路径图明确指定变量间的因果联系。但模型的建立必须以正确的理论为基础,否则无法正确解释变量关系。 模型指定 我们可以用线性方程系统表示出理论模型,主要依据以下假设：一是线性模型可以体现观察数据特征的假设;二是观察指标与潜变量关系的假设；三是潜变量或观察指标作用方向及属性的假设。 模型识别 识别所指定的模型是建立ＳＥＭ模型的重要阶段,如果假设的模型本身不能识别,则无法得到系统各个自由参数的唯一估计值。模型识别的一个必要但非充分的条件是,模型的自由参数不能多于观察数据的方差和协方差总数。 模型拟合 就是把观察数据与统计模型相拟合,并用一定的拟合指标对其拟合程度加以判断。 模型评价 模型评价是在已有的证据和理论范围内,考察所提出的模型是否能最充分地对观察数据作出解释。因此,它远比仅确定模型与数据的拟合程度更为复杂。 结构方程参数的界定 为了去解一组方程式, 我们必须有足够的信息，[如已知数据( known values), 或 限制(constraints)]，才能估计出未知参数 。 理由 因为潜在变项?与?是无法观察的到，其量尺刻度无法确定，我们必须界定其原点与测量单位，才能估计潜在变项的变异数与径路系数，以界定其结构模式为可辨认的模式 (An Identified Model) 。 结构方程参数界定方法 选定一个最能代表潜在变项的观察变项，将其Λx与Λy值加以固定(通常设定为1，会使相关之因子具有相同之平均数)，误差项的回归系数亦设定为1 ，才能进行其余的参数估计。 将潜在变项标准化(如具有相同的变异量或固定为1)。但只能为ξ变项加以界定(此时可估计其所属的所有因素负荷量)； η变项则无法做到。因为η的共变量矩阵并非自由参数矩阵，可以任意加以设定。 LOGO