结构方程模型：.docVIP

结构方程模型： 定义： 结构方程模型早期称为线性结构防城模型（Linear Structural Relationships，简称LISREL）或称为工变数结构分析（Coratiance Strucyure Analysis）。主要目的在于检验潜在变项之关系与数个潜在变项间的因果关系。【陈宽裕，《结构方程模型》-1996年11月】 结构方程模型（Structural·Equation·Modeling,SEM)是一种非常通用的、主要的线性统计建模技术广泛应用于经济学、心理学、社会学、管理学等领域的研究是社会科学研究中的一个非常好的方法。 测量方程 y＝Λyη+εy??, x＝Λxξ+εx=(1） 结构方程? η＝Bη+Гξ+ζ 或 （I-Β）η＝Гξ+ζ （2） 其中，η和ξ分别是内生LV和外生LV，y和x分别是和的MV，Λx和Λy是载荷矩阵，Β和Г是路径系数矩阵，ε和ζ是残差。 对这类模型进行参数估计，常使用偏最小二乘（Partial Least Square，PLS）和线性结构关系（LInear Structural RELationships，LISREL）方法。 测量方程描述潜变量与指标之间的关系;结构方程则反映潜变量之间的关系。 用法： SEM具有理论先验性 能同时处理测量与分析问题 以共变数的运用为核心，亦可处理平均数估计 适用于大样本之分析 包含了西多不同的统计技术 重视多重统计指标的运用 结构方程模型是一种非常通用的、主要的线形统计建模技术，广泛应用于心理学、经济学、社会学、行为科学等领域的研究。实际上，它是计量经济学、计量社会学与计量心理学等领域的统计分析方法的综合。多元回归、因子分析和通径分析等方法都只是结构方程模型中的一种特例。 结构方程模型是利用联立方程组求解，它没有很严格的假定限制条件，同时允许自变量和因变量存在测量误差。在许多科学领域的研究中，有些变量并不能直接测量。实际上，这些变量基本上是人们为了理解和研究某类目的而建立的假设概念，对于它们并不存在直接测量的操作方法。人们可以找到一些可观察的变量作为这些潜在变量的“标识”，然而这些潜在变量的观察标识总是包含了大量的测量误差。在统计分析中，即使是对那些可以测量的变量，也总是不断受到测量误差问题的侵扰。自变量测量误差的发生会导致常规回归模型参数估计产生偏差。虽然传统的因子分析允许对潜在变量设立多元标识，也可处理测量误差，但是，它不能分析因子之间的关系。只有结构方程模型即能够使研究人员在分析中处理测量误差，又可分析潜在变量之间的结构关系。 适用情况： 最初，结构方程模型主要应用于教育学、心理学。 例如，在社会教育学中的成人教育、青少年犯罪，教育社会学中的大学差异研究、健康教育学中的吸毒调查、饮酒、戒烟、虫牙的预防，体育教育学中的运动训练，学校教育学中的课程评价，教育测量学中的信度分析、测验理论等。 在心理学领域，临床心理学中的生活指导、DMSⅢ、精神健康量表、心里不安测量、精神分裂症，发展心理学中的双胞胎研究，同一性、个案追踪研究、社会心理学中的归属理论、态度、性别差异、灾害心理，学习心理学中的遗忘、白鼠的行为分晓，实验心理学中的知觉、棒框测验，认知心理学中的阅读研究，人格心理学中的自我概念，智力研究中的记忆，斯坦福-比纳智力测验等。 在其他学科领域中，例如社会学中的反社会行为、市场学中的消费者行为、经营学、犯罪学、人口学、经济学等的应用研究中都出现了SEM。 步骤： （1）模型设定。研究者根据先前的理论以及已有的知识，通过推论和假设形成一个关于一组变量之间相互关系（常常是因果关系）的模型。这个模型也可以用路径表明制定变量之间的因果联系。 （2）模型识别。模型识别时设定SEM模型时的一个基本考虑。只有建设的模型具有识别性，才能得到系统各个自由参数的唯一估计值。其中的基本规则是，模型的自由参数不能够多于观察数据的方差和协方差总数。 （3）模型估计。SEM模型的基本假设是观察变量的反差、协方差矩阵是一套参数的函数。把固定参数之和自由参数的估计带入结构方程，推导方差协方差矩阵Σ，使每一个元素尽可能接近于样本中观察变量的方差协方差矩阵S中的相应元素。也就是，使Σ与S之间的差异最小化。在参数估计的数学运算方法中，最常用的是最大似然法（ML）和广义最小二乘法（GLS）。 （4）模型评价。在已有的证据与理论范围内，考察提出的模型拟合样本数据的程度。模型的总体拟合程度的测量指标主要有χ2检验、拟合优度指数（GFI）、校正的拟合优度指数（AGFI）、均方根残差（RMR）等。关于模型每个参数估计值的评价可以用“t”值。 （5）模型修正。模型修正是为了改进初始模型的适合程度。当尝试性初始模型出现不能拟合观察数据的情况（该模型被数据拒绝）时，就需要将模型进行修正，再用同一组观察