结构方程模型-lecture1.pptVIP

SEM简介 Sewall Wright （1921,1934）提出路径分析 路径图 1960年代以前，路径分析基本处于休眠状态 Otis Duncan（1966）以及其他学者将其引入社会学研究 1930年代凯恩斯创立了联立方程模型 模型识别 SEM的产生与发展（续1） J?reskog（1966,1967）开发了验证性因子分析（CFA） J?reskog提出卡方检验，用来比较可测变量的观测相关结构与假定模型所隐含的相关结构，从而否定（或暂时验证）假设模型，是SEM发展的里程碑 SEM的产生与发展（续2） 将Wright的路径分析与J?reskog的CFA融合在一起，从而诞生了SEM SEM的产生与发展（续3） SEM的产生与发展（续4） 1970年代，LISREL的诞生极大地促进了SEM的研究与应用 1994年，创立了专门的杂志Structural Equation Modeling 20世纪末，计算科学家和科学哲学家进一步发展了线性因果关系理论与算法，使得SEM在线性因果关系建模中的应用在理论、统计以及计算方面都得以深化和推广 SEM的优势与局限 优势（与多元回归相比） more flexible assumptions (particularly allowing interpretation even in the face of multicollinearity) use of confirmatory factor analysis to reduce measurement error by having multiple indicators per latent variable the attraction of SEMs graphical modeling interface the desirability of testing models overall rather than coefficients individually the ability to test models with multiple dependents the ability to model mediating variables rather than be restricted to an additive model the ability to model error terms the ability to test coefficients across multiple between-subjects groups ability to handle difficult data (time series with autocorrelated error, non-normal data, incomplete data where regression is highly susceptible to error of interpretation by misspecification, the SEM strategy of comparing alternative models to assess relative model fit makes it more robust 局限：SEM cannot itself draw causal arrows in models or resolve causal ambiguities. Theoretical insight and judgment by the researcher is still of utmost importance. 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 外生变量（Endogenous variables）：η 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 结构方程图 SEM示例：stability of alienation 因果推断理论 三个主要的因果模型 潜在结果模型（Neyman,1923; Rubin, 1974） 事先假定变量间的因果关系 评价一个变量对另一个变量的因果作用 不能用于发现变量间的因果关系 因果网络图（Spites, 2000; Pearl, 1995） 利用有向非循环图描述多变量之间的因果网络关系 根据数据学习因果网络的结构和网络的参数 试图发现变量间的因果关系 Granger因果模型（Granger, 1969） 图的几个基本术语 图：点集合和边集合的二元组 顶点/节点（verte