结构方程模型

#fJc£drEatoItarefflrmacon殳妙5mlAIav*!5yrvs沁IM圭和里Help□I團凶ig陀1显|畑l日til寳Tatcli口1GroupAgeLengih[MassXFatStrenglhTriglChalest1OJOIi.OC2S.D01?9.20■O^IO：.O315.5005Czaoo1.0030.W101010112204.旳20.30II51-1.BB3ooa1.0C26.00175?D?ado370i?.$012D4节■10.001.0023.DO1B2.B071.703.3016.100.7E3.6G0001.0029.noi?a.oo81eo2.701410075斗.5?|wjm图4.15点击File菜单上的Saveas选项。Ej]CHE5TP5F°1CHESTCCR.P5F旦SICK至P5I=^COMS.PSFEj]CHE5TP5F°1CHESTCCR.P5F旦SICK至P5I=^COMS.PSFEFF[CACY.P5FEX吒RIM.P5Ffitdhot.psFftcho^^.fSrfttchol.psffechcAdk.PSF?|xl6aveirc|tJTUTORIALjJ團仔豳fCO[JTRCX.P5F回DAUECl眄FBjfiRIWNPSFDhT^EXZ.PSFdisprcKiPSFDepresslon^psfE&UC.PSFFil旦口am良Saveashipe:SaveFil旦口am良Saveashipe:Save图4.16这样一个新变量Totchol就被插入到原有的数据集中并存储为fictchol2.psf。3.6选择观测对象并产生一个子数据集假如我们现在只想分析长跑运动员的数据。我们可以将所有Group值为3的数据选出，并生成一个子数据集。在fictchol2.psf窗口中，点击Data菜单上的SelectVariables/Cases选项打开SelectData对话框。o点击SelectCases标签。o在VariableList列表里选中变量Group。在Condition部分激活Selectonlythosecaseswithvale选项按钮。

o选中equalto（二）选项按钮。o在相应的字符区输入3。o点击Add键得到如下SelectData对话框。图4.17点击OutputVariables打开Output对话框。o在Data区域中的Savethetransformeddatatofile复选框打上勾。o如下图所示键入文件名fitchol2G3.psf。图4.18点击OK键回到SelectData对话框。o点击SelectData对话框上的Run键生成结果文件fitchol2.out。■fatrtwiE.oiJTIfnivariateSuntnaryStatisti亡;sfair亡口11上:1口110113Variables二J旦旦VurxablcHunt!習*t・Dev.T-Valac口口inMi垃isniunFccqi.194黑ixfivusiFreq.TOtCJlOLAgeLengcllM^IlSS^FatSciengcHTtigl(:holest^0-250〒丄・QRS3・130l丄3・07D1.1274.5921L・7-BUS启49J■丄了T0.9511.263・65017.-：301活口bBL&44^97714.984亶JL・ELI5.25S1€.191□・1660.7^0口.ZQSD«4S4日.06013.DOO丄阳.S9.5001・300丄口.300□・S&040300.351371一口.7931.3413-7-10Z・09315.©022.76312111111111111143190eg口口□口□duIrl/uMrnoclGil'J-J图4.19通过如下步骤，可以看到新产生的数据集fitchol2G3.psf。首先，点击Windows菜单上Closeall选项关闭所有打开的窗口。o点击File菜单Open选项。o点击PRELISData(*.psf)选项fromtheFilesoftype下拉菜单box。o找到并选中fitchol2G3.psf。o点击Open键以打开如下PSF窗口。3b7^5图4.203.7将PSF数据集输出为Excel可读的文件我们用fitchol2G3.psf演示如何将PSF数据输出位Excel可读的文件。o在PSF窗口中打开fitchol2G3.psf。o点击File菜单上ExportLISRELData选项打开SaveAs对话框。jglesrelwindowsApplkration-[fitcholZG3.PSF]FibEditDataTransFarmationstatisticsGraphsMultilevelSurvey^SLIMViaw^A/indowhtelp少网Opw.-sImpartData...ExportL12F£LC4U...SaveSavisAsm£ri«nt...PrintPraviewPnntSetup...1fitch0I2G3.PSF-2fitcholZCXJT3FitchDl2fcp5f1fitchoLpsfExit图4.21匚tvl+OpAgeLengthMass%FstSti300^5001824059505303UD23.0C1花毗588C1303.0027.00ieo.io70.705.S03.0D37ac1737076^03603nc100019Q707070270300290fl105.90?1.OS3.203.0043.00177.S0egjo2.8030033OC17160E7502.S03QC3D00丨銷5074ZD?603.0023N17-1,00B9.0O.qnr仃匚nn1pnjinrni=nq匚別時i.tr|+R在Saveastype下拉菜单中选择CommaSeparated(*.csv)选项。如下所示，在Filename字符区键入fitchol2G3。图4.22点击Save键将数据集存储在TUTORIAL子文件夹中，其文件名为fitchol2G3.csv。如下所示，在Excel表格窗口中打开这一文件图4.233.8用LISREL生成协方差矩阵LISREL对中文的支持并不好，虽然很多教程中声称可以用中文字符进行文件命名、变量命名等，但是我建议最好用英文字符，很多时候会有意想不到的error发生。

工具栏statisticsoutputoptions,设置output,选中momentmatrix中的covariances，勾选savetofile，对生成文件命名，后缀为cov。运行后，在原文件的同文件夹内生成cov文件。LL5RELforVindciTS-paf]口1如1・1凶列财鈕An11z.ooo2加D

JOGO200Cloaoipgoistinrj-000cnoo30003.0002000口1如1・1凶列财鈕An11z.ooo2加D

JOGO200Cloaoipgoistinrj-000cnoo30003.0002000?OHO-ioao1Efg49G020CC'UGLsaocwin:inooiooc230C20CC■MO

-000.1non40Q04000ZUdO1000aoao20003ODD40002000?Oaodoao图4.244应用结构方程模型须注意的若干问题4.1SEM分析流程结构方程模型的一个重要特性是理论的先验性，通常进行的是实证性研究(confirmatorystudy)。如果无任何理论依据和实际工作基础就直接构建模型，这种模型除了提供统计学的结论外，无任何实际意义。因此,SEM分析首先以理论为基础构建模型，在此所谓的理论并非SEM模型的统计理论，而是强调SEM模型是建立在一定构念之上，提出一套有待检验的假设模型。另外两个过程一一模型设定与模型识别，也是基于理论的推演，将SEM模型的理论假设转换成为适当的技术语言，如LISREL。只有遵循SEM的分析理论,才能更合理正确地应用结构方程模型。图1是结构方程模型的分析流程图，具体操作可见参考文献4.2SEM模型的前提假定结构方程模型要求数据满足相关的前提假定，才能获得良好的估计量，如最大似然法(ML)估计结构方程模型，要求观测变量为多元正态、大样本、正确的模型指定以及观测变量表示为潜变量的线性函数等…j。欲建立恰当的模型，得到有效的结论，必须根据数据选择合适的模型估计方法，正确计算模型拟合优度检验统计量和参数的标准误。样本含量的要求在采用结构方程模型分析时，为获得稳定可靠、有意义的结果和准确的参数估计值，需要有较大的样本保证。其原因在于：@SEM的估计方法采取渐近理论来估计参数；②要使所估参数能够满足一致性以及正态分布的假定，样本必须足够大；③小样本时，模型拟合检验统计量偏离卡方分布；④随着样本量的增大，协方差估计的准确性增强，使得SEM分析能够得到可靠的结果。样本量必须达到一定水平，各种拟合指标、分布、检验及其功效才有意义，才能对模型进行合理的评价。样本具体要多大尚无统一规定，确定研究的样本量，一般须考虑样本代表性、模型估计和模型评价三个方面的需要。有学者建议样本例数与模型中需要估计的参数比例最小应达到5：1，如果数据偏离正态应达10：1，且随着所选用的估计方法和数据条件发生变化。Stevens(1996)认为样本含量至少应该是观测变量或指示变量数目的15倍。在实际应用中，建议尽量避免对少于200例的样本作SEM分析，其分析结果不稳定，也缺乏准确性。样本量不够大的时候建议选择更稳健、恰当的估计方法，如S—B调整方法或自助抽样法估计小样本非正态数据的结构方程模型。

摸型

构建理论构建摸型

构建(Th.?aretifalC^n^truttion)模型设定..1Specifi^ition).1模型识别(ModelIdentification)I怙计

!评拚I阶凰I怙计

!评拚I阶凰参燃估计(PatameterEmitiun)it橈型评价—►1模瞬正1(AssessmentofFdt)(ModelModificitian)n抽样好艇嵐(5ampJjj]^ajidMeasurement)讨论勻结论IT^k-irht>a「z\n1bici/^>-ri\图6.1结构方程模型分析流程图（二）数据的分布SEM分析时一般要求数据服从多元正态分布，当违反正态分布的假定时，SEM分析结果应受质疑，因此，撰写研究论文时，应给出数据的分布特征与假设检验结果。尤其在研究者以矩阵数据作为输入数据时，由于缺乏各变量的原始数据而无法判断数据的分布特征,更需在论文中说明分布类型是正态分布或多变量正态分布。对于连续性潜变量的结构方程模型，如果观测变量不服从多元正态分布，甚至单变量不满足正态分布，按照SEM的线性假定，潜变量也不服从正态分布。实际工作中,采用结构方程模型估计这类数据时，仍有很多研究者采用了基于正态分布理论的估计方法获得模型检验统计量和参数标准误,并对模型及其参数进行假设检验。采用ML法对模型总体拟合优度评价的卡方检验统计量偏高，而对于参数估计值进行假设检验的标准误则偏低。这就意味着当数据违背分布假定时，研究者更有可能拒绝实际上构建很好的模型，或者认为个别估计参数不是零，增大了统计学推断的I型错误。非正态数据可采用四种方法来处理:①变量转换。采用变量变换后对估计参数的解释按照新的测度进行，得到的因子载荷不再是原非正态观测变量的因子载荷，故一般不建议使用转换后的变量进行研究；②使用经过调整的基于正态理论的模型检验统计量和参数标准误，如S—B调整方法；③使用任意分布估计方法,如渐近任意分布(ADF)估计方法；④自助抽样方法。非线性与交互效应情况尽管在实际应用与研究中，线性模型一直是其研究热点，但研究者发现在许多研究情况下，潜变量并不是线性关系，其存在非线性关系，线性模型并不能完全解释这些数据。这些潜变量的非线性关系不能通过实验设计有效控制，因此有必要把传统的线性结构方程模型扩展到更加复杂关系的模型—非线性的结构方程模型(SEM)。目前，非线性(含交互项)的结构方程模型仍是一个热点研究问题。非线性效应模型包括曲线型效应模型和交互效应模型，其中潜变量交互效应的分析可大致分为两类：全信息方法和有限信息方法。全信息方法是估计方程的参数时能用模型包含的所有结构方程，并估计出每个方程中的参数；有限信息方法是一次建立一个结构方程并估计这个方程的有关参数。矩阵数据的应用Cudeck(1989)建议，SEM分析最好使用方差协方差矩阵，而非相关系数矩阵。有人认为相关系数是标准化的系数，数据介于1与-1之间，越接近0表示关系微弱，越接近+1或-1表示线性关系越明显，相关系数可以提供较为清楚的变量的关系的描述。甚至误以为经过标准化的相关系数输入SEM分析软件后，会有利于标准化参数的估计。相关系数是将协方差除以标准差所获得，一组变量的协方差矩阵中，不仅可以计算出方差、协方差，也可以计算出相关系数。但利用相关系数矩阵来进行SEM分析，无法导出协方差的数据，除非我们另行提供给LISREL各变量的标准差。也就是说，方差协方差矩阵能够涵盖相关系数矩阵，最重要的是能够导出SEM分析所需的各种重要数据。利用协方差阵作为输人数据时，在论文中还应附上矩阵数据以便考察。除了矩阵资料之外，SEM分析也可以直接读取原始资料来进行分析。如果我们进一步进行均值结构或多重比较，尚需提供均数与标准差。4.4模型整体评价标准的选择得到参数的估计值意味着得到一个特定的理论模型。要知道这个特定的模型拟合实际数据的程度就涉及模型评价问题，至少需要进行两方面的评价：①检验模型中的参数是否具有统计学意义；②模型整体拟合程度的评价。其中，对模型整体拟合效果的评价指标主要是拟合指数，拟合指数有很多，每个指标的计算及意义不尽相同。绝大多数的拟合指数是基于拟合函数计算出来的。其中才值是反映模型与数据拟合程度最直接的指标，厂值越大，模型与数据拟合越不好。但才值容易受到样本含量影响，即在N较大时才值也很大；N较小时，「值则很小。因此，许多学者先后提出了几十个拟合指数。这些拟合指数大致可以分为：绝对拟合指数(absoluteindex)、相对拟合指数(comparativeindex)、信息标准指数(informationcriteriaindex)、节俭拟合扌旨数(parsimonyindex)。一个比较理想的拟合指数应该具有这样的特点：(1)不受样本含量的影响(2)惩罚复杂模型(自由参数较多的模型)(3)对误设模型敏感。4.5等同性分析随着结构方程模型技术的广泛使用，使得测量理论得以对复杂的因素构建进行证实性的研究。在跨文化研究、分组比较均值结构(meansstructure)等应用中，即使一个测量被证明有良好的信度与效度，并不能说明这些测量与其所测得的潜在因素在不同的受试对象上具有相同的意义。因此，须事先进行测量的等同性(measurementinvariance)检验，提供研究者因素构建、因子载荷、误差估计在不同样本问的等同性或歧义性。所谓等同性是指同