第五讲 结构方程模型.ppt

为什么使用SEM? 回归分析有几方面的限制： 不允许有多个因变量或输出变量 中间变量不能包含在与预测因子一样的单一模型中 预测因子假设为没有测量误差 预测因子间的多重共线性会妨碍结果解释 结构方程模型不受这些方面的限制 结构方程模型最为显著的两个特点是： （1）评价多维的和相互关联的关系； （2）能够发现这些关系中没有察觉到的概念关系，而且能够在评价的过程中解释测量误差。 SEM三种模型策略 SEM的基本思想与方法 SEM是基于变量的协方差矩阵来分析变量之间关系的一种统计方法，实际上是一般线性模型的拓展，包括因素模型与结构模型，体现了传统路径分析与因素分析的完美结合。 SEM軟體之使用率 结构方程模型概念图 1 输入观测变量的相关矩阵S 3 检验模型的方法 模型M1是否真的充分反映了这9个学科之间的关系？是否是一个好的模型？ 可以采用结构方程模型中的验证性因子分析（CFA)来检验。 采用LISREL、 AMOS等软件，输入被试人数、变量的相关矩阵（或协方差矩阵）、构想模型M1（用图形或指令的方式输入）等数据。 5 对再生矩阵的说明 LISREL 或 AMOS程序所提供的再生矩阵 ，是在一定准则下，所有可能解答中最优的一个。它既符合M1，又与相关矩阵S在某种意义上最接近。 与S差距越小，表示模型M1越能吻合数据。 再生矩阵 不可能与原相关矩阵S完全相等。 准确性的主要指标：拟合指数(fit index) 1） ：卡方值越小，表示再生矩阵与原相关矩阵差异越小，模型拟合越好。 2）NNFI：通常在【0，1】之间，越接近1说明模型拟合的越好。 3）CFI ：同NNFI。 简洁性的指标：自由度越高，模型越简单。 df= [p(p+1)÷2] –需估计的参数 例如M1的自由度为 df =（9×10)÷2–21 = 24 7 检查其他可能的模型 样本的相关矩阵S（或协方差矩阵） correlation/covariance matrix一个或多个有依据的可能模型 (alternative models) 结构方程模型示意图 结构方程基本形式 结构方程模型通常包括三个矩阵方程式: SEM的基本形式：测量模型 反映潜变量与可测变量（Observed/measured variables） 之间的关系 SEM的基本形式：结构模型 潜变量（Latent/unobserved variables）之间的因果关系 外生变量（Exogenous variables）：ξ 内生变量（Endogenous variables）：η SEM示例： SEM分析的四大步骤 一个实例：出租车行业服务满意度 例： 消费者网上信任模型 SEM构建—— 一个例子 模型拟合——数据准备 样本量：一般认为样本数最少应在100以上才适合使用最大似然估计法（ML）来估计结构方程（侯杰泰，2004），但样本数过大（如超过400到500时），ML会变得过度敏感，容易使所有的拟合度指标检验都出现拟合不佳的结果（侯杰泰，2004）。 缺失数据处理：列删除法、配对删除法、均值替代法 指标说明 χ2卡方拟合指数 检验选定的模型协方差矩阵与观察数据协方差矩阵相匹配的假设。原假设是模型协方差阵等于样本协方差阵。若模型拟合的好，卡方值应该不显著。考虑p-value RMR 是残差均方根。RMR 是样本方差和协方差减去对应估计的方差和协方差的平方和的平均值的平方根。RMR应该小于0.08，RMR越小，拟合越好。用于比较用同一数据测量的模型。 RMSEA 是近似误差均方根 RMSEA应该小于0.06，越小越好。 GFI 是拟合优度指数，范围在0和1间，但理论上能产生没有意义的负数。按照约定，要接受模型，GFI 应该等于或大于0.90。其特性有缺陷，如对样本大小依赖度高 PGFI 是简效拟合优度指数。它是简效比率(PRATIO，独立模式的自由度与内定模式的自由度的比率)乘以GFI。 PGFI 应该等于或大于0.90，越接近1越好。 PNFI 是简效拟合优度指数，等于PRATIO乘以 NFI。 PNFI应该等于或大于0.90，越接近1越好。 NFI 是规范拟合指数，变化范围在0和1间， 1 = 完全拟合。按照约定，NFI 小于0.90 表示需要重新设置模型。越接近1越好。 TLI 是Tucker-Lewis 系数，也叫非规范拟合指数 (NNFI)。TLI接近1表示拟合良好。 CFI 是比较拟合指数，其值位于0和1之间。CFI 接近1表示拟合非常好，取值大于0.90表示模型可接受,越接近1越好。 1.信度、效度检验 信度 Cronbach’s 0.7 效度 验证性因子分析 2. 评估模型拟合度 估算每一个因子的载荷量 标准化因