基于结构方程模型的医学培训效果影响因素分析

基于结构方程模型的医学培训效果影响因素分析

阴子分析是医学、教育学和心理学研究中常见的统计方法。探讨和验证的性质是基于阴子分析方法的两个主要研究模型。传统的因子分析多以探索性研究为主。随着60年代末J⌀reskog的验证型因子分析的通用算法发表,因子分析的数学方法发生了根本性变化。70年代后随着LISREL为代表的结构方程模型软件的运用,以验证性因子分析、结构方程模型等概念为代表的验证性统计方法逐步取代了探索性的统计方法而居主流地位。兴起于六、七十年代的结构方程模型(StructuralEquationModeling,SEM)方法,目前已在社会科学领域里得到广泛的应用,并被称为近年来统计学三大进展之一。相比而言,国内关于验证性因子分析原理与应用的研究尚不多见(尤其在医学领域鲜见报告),更缺乏从理论到实际应用包括软件实现过程的全面实施。本研究根据结构方程模型的原理与方法,将之应用于医学成人教育(乡村医生教育)领域,并对模型进行评价讨论;从使用者的角度,分析探讨应用结构方程模型的一些方法学问题。结构方程模型结构方程模型(StructuralEquationModeling,SEM),也称协方差结构模型(CovarianceStructureModels,CSM),或线性结构模型(LinearStructuralRelationsModels),LISREL模型。它利用一定的统计分析技术,对复杂现象的理论模式进行处理,根据理论模式与实际数据关系的一致性程度,对理论模式做出评价,以达到对实际问题进行定量研究的目的。SEM是一般线性模型的扩展,主要用于研究不可直接观测变量(潜变量)与可测变量之间关系以及潜变量之间的关系。结构方程模型分为测量模型与结构模型。测量模型部分求出观察指标与潜变量之间的关系;结构模型部分求出潜在变量与潜在变量之间的关系。对于所研究的问题,无法直接测量的现象记为潜变量(LatentVariable)或称隐变量;可直接测量的变量记为观测变量(ManifestVariable)或显变量。1.外生潜在变量与外生的因变量的关系也称为验证性因子分析模型,主要表示观测变量和潜变量之间的关系。度量模型一般由两个方程式组成,分别规定了内生潜在变量η和内生的显在向量Y(即观测变量)之间,以及外生潜在变量ξ和外生的显在向量X之间的联系,模型形式为x=ΛXξ+δ(1)y=ΛYη+ε(2)其中,x为p×1阶外生观测变量向量,y为q×1阶内生观测变量向量;ξ是m×1阶外生潜变量(即潜在的自变量)向量,η是n×1阶内生潜变量(即潜在的因变量)向量;ΛX为p×m阶矩阵,是外生观测变量x在外生潜变量ξ上的因子载荷矩阵;ΛY为q×n阶矩阵,是内生观测变量y在内生潜变量η上的因子载荷矩阵;δ为p×1阶测量误差向量,ε为q×1阶测量误差向量,δ、ε表示不能由潜变量解释的部分。2.为残差向量的模式内相关模型规定了所研究的系统中假设的潜在外生变量和潜在内生变量之间的因果关系,模型形式为η=βη+Гξ+ζ(3)其中,η是内生潜变量向量,ξ是外生潜变量向量;β是内生潜变量η的系数矩阵,也是内生潜变量间的通径系数矩阵,Г是外生潜变量ξ的系数矩阵,也是外生潜变量对相应内生潜变量的通径系数矩阵;ζ为残差向量,是模式内未能解释的部分。上述模型有以下一些假定:E(ζ)=0,E(δ)=0,E(ε)=0,E(ξ)=0,E(η)=0;ξ与ζ相互独立,δ与ξ相互独立,ε与η相互独立,ζ、δ及ε相互独立;β在对角线上为0,且(I-β)为非奇异阵。结构方程模型的建立过程有三个主要步骤,即构造模型、估计模型参数、以及检验模型对数据的拟合程度。调查对象的确定本文以医学成人教育领域培训效果研究为例,详细展示结构方程模型的构建,参数的估计以及模型的评价过程。该研究为现况研究,调查对象为中部四省(山西省、安徽省、河南省、河北省)入选的乡村医生,调查他们经培训后的效果及影响因素。共调查800人,有效问卷为755份。1.研究对象从模型(1)、(2)、(3)可以看出,为了能够建立结构方程模型,首先必须根据理论或以往研究的结构,构建潜变量和显变量以及潜变量之间的关系,即设定初始模型。本研究根据文献法和本研究自身的探索性分析结果,分析影响乡村医生培训效果的因素。提出理论假设:乡村医生培训效果的基本结构由工作技能、工作适应性和考核成绩三个相互独立的基本维度组成,影响培训效果的内生潜变量包括行医资历、培训形式、专业与服务人口、培训需求和教育程度等五个相互独立的基本维度。构建初始模型,如图1所示。其中,ηi(i=1,2,3)是模型的内生潜变量,分别表示工作技能、工作适应性和考核成绩。ξj(j=1,2,…,5)是模型的外生潜变量,代表行医资历、培训形式、专业与服务人口、培训需求和教育程度。8个不可测的潜变量之间相互影响,相互制约。本研究建立如下假设:H1:“工作技能”对“工作适应性”具有正向影响;H2:“工作技能”对“考核成绩”具有正向影响;H3:“考核成绩”对“工作适应性”具有正向影响;H4:“行医资历”对“工作技能”具有负向影响;H5:“培训形式”对“工作技能”具有正向影响;H6:“专业与服务人口”对“工作技能”具有负向影响;H7:“教育程度”对“工作技能”具有正向影响;H8:“教育程度”对“考核成绩”具有正向影响;H9:“培训形式”对“考核成绩”具有正向影响;H10:“培训需求”对“工作适应性”具有正向影响;H11:“工作技能”对“考核成绩”具有正向影响;根据图1的初始模型,可以建立公式(3)的结构模型,以反映潜变量之间的关系。测量模型(1)、(2)的建立,则需要确定与每一个潜变量有关的可观测变量。通常,一个潜变量会对应不少于两个可观测变量。当潜变量和观测变量以及潜变量之间的关系构建完毕,形成初始模型。本研究中,对内生潜变量设定对应的12个观测变量,即Y1至Y12(表1)。其中,内生潜变量“考核成绩”对应了2个观测变量,Y1、Y2;内生潜变量“工作技能”对应8个观测变量,Y3至Y10;内生潜变量“工作适应性”对应2个观测变量,Y11、Y12。外生潜在变量设立16个观测变量,即X1至X16(表1)。同样外生潜变量有相对应的观测变量,此处不再赘述。2.结构方程模型估计方法初始模型一旦确定,模型(1)、(2)中的变量数目随之确定。模型中,潜变量ηi和ξj不可观测,因而无法直接估计。如果模型定义正确,总体协方差矩阵与模型协方差矩阵应该相等。若记Σ为观测变量之间方差和协方差的总体矩阵,Σ(θ)为模型拟合协方差矩阵,则应有∑=∑(θ)。观测变量之间方差和协方差的总体矩阵为:Σ=[ΛyCov(η)Λ′y+ΘεΛyCov(η,ξ)Λ′xΛxCov(ξ,η)Λ′yΛxCov(ξ)Λ′x+Θδ](4)Σ=[ΛyCov(η)Λ′y+ΘεΛxCov(ξ,η)Λ′yΛyCov(η,ξ)Λ′xΛxCov(ξ)Λ′x+Θδ](4)其中,Λy、Λx意义同前;Θε、Θδ分别为两个测量模型误差项的协方差矩阵。(4)式被称为协方差方程。模型估计就是要求解(4)式中的各个参数的估计值。由(3)式可得:η(I-B)-1(Γξ+ζ),记¨B=(Ι-B)-1,则η=¨B(Γξ+ζ)。若记外生潜变量的协方差矩阵Cov(ξ)=Φ,结构模型误差项的协方差矩阵Cov(ζ)=Ψ,则Cov(η)=¨B(ΓΦΓ′+Ψ)¨B‚Cov(η‚ξ)=¨BΓΦ。则(4)式可写成:Σ=[Λy¨B(ΓΦΓ′+Ψ)¨BΛ′y+ΘεΛy¨BΓΛ′xΛx¨BΓΛ′yΛxΦΛ′x+Θδ](5)可以看出,结构方程模型中有8个待估计的参数矩阵:Λy、Λx、B、Γ、Φ、Ψ、Θε和Θδ。由于总体协方差矩阵Σ未知,需要用样本协方差矩阵估计,若S为样本观测变量之间方差和协方差的矩阵,即有ˆΣ=S。于是,对结构方程模型的参数估计就转化为求解一组参数,使得Σ与S的差距达到最小。换句话说,求解模型参数的过程,就是不断将一些参数代入模型,计算出方差和协方差,使得模型拟合协方差矩阵Σ(θ)中的每一个元素都尽可能地接近S中相应元素的过程。Σ(θ)与S的接近程度可通过定义的拟合函数得到测定。不同的估计方法定义的拟合函数不完全相同。通常有极大似然估计法、广义最小二乘法等。估计得到的每个参数λy、λx分别连接观测变量和潜变量,为因子载荷;β、γ是通径系数,反映潜变量之间的关系。本研究采用广义最小二乘法,有效样本数755人,运用软件运算,得到潜变量直接通径系数矩阵如下:B1=[-0.0050.179-0.04800.04900.0370.15000.08700.101000000.225000.03800.0440]用结构模型方程表示如下:{η1=0.037η2+0.150η3-0.005ξ1+0.179ξ2-0.048ξ3+0.049ξ5+ζ1η2=0.087ξ2+0.101ξ4+ζ2η3=0.044η2+0.225ξ2+0.038ξ5+ζ3至此,模型验证完毕,潜变量和观测变量间与潜变量间的关系构建完成,模型及其相互间的通径系数见图2。3.测量模型检验结果对探索性因子分析而言,模型一旦估计出来,统计分析也就宣告结束。但在结构方程模型中,模型的估计仅仅是第一步。更为重要的是对假设模型的合理性作出检验,包括每个参数的合理性检验与显著性检验,整个模型的总的适合性检验等。检验不仅可以为模型的合理性提供数量化的依据,还可以为进一步研究,为模型的改进提出方向。与一般的假设检验不同的是,研究希望接受H0。如果P值越大,模型合理的可能性也就越大。模型评价实际上是评价以模型参数再生观测变量的协方差矩阵ˆΣ与观测变量方差协方差矩阵S的拟合程度。如果残差矩阵ˆΣ=S的各个元素越接近于0,表明模型越能很好地拟合数据,所建模型越有效。评价模型整体拟合程度的指标有两大类:绝对拟合指数(AbsoluteIndex)和相对拟合指数(RelativeIndex)。较为常用的有:GFI(GoodnessofFitIndex,拟合优度,越接近于1表明拟合越好)、AGFI(调整自由度的拟合优度,越接近于1拟合越好)、RMR(RootMeansquareResidual,均方根残差,越小越好)、CFI(ComparisonFitIndex,比较拟合指数,愈接近于1愈好)、NFI(正规指数,愈接近于1愈好)、NNI(非正规指数,也是愈接近于1愈好)、PFI(ParsimoniousIndex,节俭指数,PFI越大,说明模型越好)。经过修正,整个测量模型较好地解释了各个观测变量,自变量总决定系数为0.67,因变量的总决定系数为0.60,可测量变量的总体效度和信度符合要求,说明对潜变量所作的预测是可信的。结构模型决定系数为0.60,意味着结构模型解释了因变量变异的60%。拟合优度指数GFI=0.909,调整的拟合优度指数AGFI=0.891,χ2检验的P值大于0.05以及其他指标均显示出模型拟合的效果较好。讨论1.结构方程模型与传统回归模型的比较传统的回归分析中,假定自变量X为非随机变量,即X不存在测量误差,因变量能够准确地用观测变量测量。但实际问题往往很难达到。当现象之间关系较为复杂,无法用观测变量准确测量时,结构方程模型比传统的回归模型有更突出的优越性。结构方程模型可以根据特定的教育、医学、心理学等理论对潜在变量与观测变量的关系(因子模型)做出合理的假设并对这种假设的合理性进行检验,是理论模型构建和发展的强大工具。结构方程模型可以为建构因果关系理论提供帮助。需要说明的是,即使一个模型拟合了数据,也不意味着模型一定就好。模型是否合理还取决于所有的参数估计是否都能得到合理的解释、是否在合理的取值范围内,特别是模型应能从理论上加以合理解释。2.确定公因子旋转时的负荷变化情况根据本研究获得的培训影响因素模型,只要把培训的各项指标代入方程,就可以得出培训的效果,从而对各地区或时段的培训进行比较。具体地说,可以对参加培训者的教育程度、资历、服务人口总量、培训需求以及培训的形式进行调查,利用在公因子旋转中的负荷系数分别计算出ξ1、ξ2、ξ3、ξ4、ξ5,然后根据方程计算η1、η2、η3。最终可得出培训的效果总体指标,并可比较各地区与时段的培训间的差距。以便找出培训中的问题,并采取相应措施。同样,利用模型,可以对可干预的因子进行干预,从而对培训效果的提高产生积极的影响。如培训形式(ξ2)对于三个效果指标均产生影响,系数分别是0.179、0.087和0.225,说明培训形式对于培训效果有着至关重要的作用,在培训形式上多下工夫就能够对提高培训效果产生显著的积极影响。又如,如果只想提高培训后考核成绩,只须对培训形式(ξ2)和村医教育程度(ξ5)进行干预,选择教育程度较高的乡村医生进行培训,在培训形式上进行改良,而不用去考虑其他因素的影响。3.结构方程模型与培训费用的关系培训效果是一个综合的指标,难以用一两个变量对其进行描述。本研究采用结构方程模型方法试图对培训效果进行分析,模型结构结果表明,培训效果可以用工作技能、工作适应性的提高以及考核成绩来进行表述,而影响培训效果的因素则表现为行医资历、培训形式、服务人口总量、村医培训需求和村医教育程度。可以看到,这些表示培训效果及其影响因素的因子均难以用一两个调查指标进行测量,尤其是这些因子之间的关系更是简单的统计描述所难以胜任的。本研究采用结构方程模型较好的解决了这一问题,不仅归纳出了八个潜在的变量,而且找出了它们之间在统计学上的关系及其关系强度,为进一步的研究提供了方向。需要说明的是,本研究考虑到可行性及可比性问题,没有对培训费用和培训内容的指标进行调查。应当引入这