2025年大学《统计学》专业题库- 结构方程模型对社会科学的支持

2025年大学《统计学》专业题库——结构方程模型对社会科学的支持考试时间：______分钟总分：______分姓名：______一、简述结构方程模型（SEM）与传统的路径分析、多元回归分析在处理变量关系方面的主要区别。二、解释什么是潜变量？在结构方程模型中，潜变量的存在有何必要性？请结合社会科学研究实例说明。三、在结构方程模型中，模型识别是指什么？请阐述至少三种确保模型参数可识别的常用原则。四、描述结构方程模型中常见的整体模型拟合度指标（至少列出四个），并简要说明每个指标所反映的模型与数据匹配程度的方向（例如，越接近某个值越好）。五、某研究者欲检验“社会支持感（潜变量M）通过影响生活满意度（潜变量L）来间接影响幸福感（潜变量F）”的理论模型。研究者收集了数据并使用SEM软件进行分析，得到了如下部分结果（仅为示意，非真实数据）：“社会支持感对生活满意度的路径系数（β=0.35,p<0.01）显著为正”，“生活满意度对幸福感的路径系数（β=0.28,p<0.05）显著为正”，但“社会支持感对幸福感的直接路径系数（β=0.10,p=0.35）不显著”。请基于这些结果，解释该间接效应（社会支持感通过生活满意度影响幸福感）是否显著，并阐述你的理由。六、当结构方程模型的拟合度指标不理想时，研究者可以考虑模型修正。请列举至少三种可能的模型修正策略，并简要说明在应用这些策略时需要特别谨慎的原因。七、假设你正在研究“自我效能感（潜变量S）”对“工作投入度（潜变量W）”的影响，并认为组织氛围（潜变量A）在两者关系中起调节作用。请尝试写出该研究假设对应的结构方程模型的测量方程和结构方程，并说明其中包含了哪些类型的路径（直接、间接、调节）。八、请比较最大似然估计（MLE）和贝叶斯估计（BayesianEstimation）在结构方程模型中的应用，至少从估计原理、对样本量的要求、处理多重共线性或非正态数据的能力等方面进行对比。九、在实际应用结构方程模型分析社会科学数据时，研究者可能面临哪些主要的挑战或局限性？请至少提出三点，并简要说明。试卷答案一、结构方程模型（SEM）能够同时估计测量模型（潜变量如何通过显变量被测量）和结构模型（潜变量之间的因果关系），允许包含测量误差，可以直接检验变量间的直接效应和间接效应（中介效应）。传统路径分析通常假设外生变量的测量没有误差，且主要关注外生变量对内生变量的直接效应。多元回归分析则主要关注自变量对因变量的总体预测力，通常假设自变量是观测变量，较少直接处理潜变量和测量误差，也无法直接、便捷地检验复杂的间接效应路径。二、潜变量是理论上存在但无法直接观察到测量的抽象构念（如智力、满意度、焦虑）。它们的存在是必要的，因为许多重要的社会科学构念本质上是抽象的、多维度的，无法用单一的、具体的物理单位来衡量。通过潜变量，研究者能够构建更精确、更符合理论概念的测量模型，从而更准确地检验关于这些构念之间关系的理论假设。例如，在研究幸福感时，“幸福感”本身无法直接测量，需要通过一组可观测的行为或态度问题（如生活满意度、积极情绪体验）来间接推断潜变量“幸福感”的水平和结构。三、模型识别是指根据模型的理论设定和样本数据，判断模型中所有待估计的参数是否都能被唯一地确定。确保模型参数可识别的常用原则包括：1.t检验原则（或阶条件）：模型所有参数中，如果包含所有k个因子（潜变量）的因子载荷（测量方程参数）线性独立，则模型是可识别的。2.秩条件（RankCondition）：检查包含所有因子载荷和路径系数（结构方程参数）的矩阵的秩。该矩阵的秩加上自由度（自由度=总参数数-被约束的参数数）应等于样本量（n）。更具体地，一个包含k个因子的模型，其参数矩阵应具有k+1的秩。3.饱和模型原则（或饱和度条件）：如果一个模型的参数个数等于可测量的变量总数（即每个测量项只有一个因子载荷，每个关系只有一个路径系数），那么该模型必然是可识别的，因为它对每个参数都提供了一个独立的方程。四、常见的整体模型拟合度指标包括：1.χ²（卡方统计量）：比较模型预测的协方差矩阵与实际样本协方差矩阵的差异。通常，χ²值越大，模型与数据的拟合越差。但χ²值受样本量影响很大，样本量越大，χ²值倾向于越大，即使模型拟合良好。因此，通常需要结合其他指标判断。2.χ²/df（卡方自由度比）：将χ²值除以模型自由度（总参数数-1）。该指标消除了样本量的影响，取值范围更广。一般认为，χ²/df值小于2或3表示模型拟合良好，介于2到3之间表示可接受，大于3表示拟合较差。3.GFI（拟合优度指数）和AGFI（调整拟合优度指数）：这类指标衡量模型对总变异的解释程度。GFI和AGFI的值越接近1，表示模型拟合越好。AGFI对模型自由度的减少进行了调整，因此比GFI更严格。传统上，GFI>0.90或AGFI>0.90被认为是可以接受的拟合水平。4.CFI（比较拟合指数）和TLI（非规范拟合指数）：这类指标基于卡方统计量，但采用了渐进协方差矩阵作为比较基础，从而克服了χ²统计量对样本量的敏感性。CFI和TLI的值在0到1之间，值越接近1表示模型拟合越好。通常认为CFI和TLI>0.90表示模型拟合良好。5.RMSEA（近似误差均方根）：衡量模型拟合的近似误差大小。RMSEA的理想值是0，但通常认为RMSEA<0.05表示良好拟合，RMSEA<0.08表示可接受拟合。其值越小，表示模型对数据的拟合越精确。6.SRMR（标准化残差均方根）：衡量模型预测的协方差矩阵与实际样本协方差矩阵之间差异的大小，其值在0到1之间。SRMR<0.08通常被认为是可以接受的拟合水平。五、该间接效应（社会支持感通过生活满意度影响幸福感）显著。理由如下：根据结果，社会支持感对生活满意度的路径系数显著为正（β=0.35,p<0.01），表明社会支持感提升了生活满意度；同时，生活满意度对幸福感的路径系数也显著为正（β=0.28,p<0.05），表明生活满意度提升了幸福感。虽然社会支持感对幸福感的直接路径不显著（β=0.10,p=0.35），但这并不妨碍间接效应的显著性。间接效应的显著性通常通过Sobel检验、Bootstrapping等方法单独检验，或者根据其路径系数和中介变量路径系数的乘积（0.35*0.28=0.098）判断其大小。只要这个间接效应在统计上被证明是显著的，就可以得出结论：社会支持感通过提高生活满意度，进而对幸福感产生显著的正向影响。六、可能的模型修正策略包括：1.添加新的观测变量：如果理论允许，增加测量某个潜变量的新项目，可能有助于提高该潜变量的测量质量或模型的整体拟合度。2.添加新的潜变量或路径：根据理论或模型拟合的需要，引入新的潜变量来解释未被现有模型涵盖的现象，或者在现有潜变量之间添加新的关系路径（直接或间接）。3.修正现有关系的方向或形式：例如，将一个原来假设为正向影响的路径修正为负向影响，或者将一个固定值（约束为1）的路径改为自由估计。4.移除不显著的路径或变量：在理论允许且不违反识别条件的前提下，移除那些对模型拟合贡献不大或不显著的路径系数或因子载荷。在应用这些策略时需要特别谨慎的原因：首先，修正必须基于理论或强实证理由，而非仅仅为了提高拟合度；其次，任何修正都可能改变模型的解释，引入新的假设；再次，过度修正可能导致模型过度拟合样本数据，而缺乏对其他样本或理论的推广能力；最后，修正后的模型需要进行敏感性分析，以评估修正的稳定性。七、测量方程：*假设“自我效能感”通过两个观测变量X1和X2来测量：X1=λ₁S+ε₁；X2=λ₂S+ε₂*假设“工作投入度”通过两个观测变量X3和X4来测量：X3=λ₃W+δ₃；X4=λ₄W+δ₄*假设“组织氛围”通过两个观测变量X5和X6来测量：X5=μ₅A+γ₅；X6=μ₆A+γ₆结构方程：*自变量对因变量的主路径：S→W（S对W的路径系数为γ）*中介路径：S→A→W（S对A的路径系数为α，A对W的路径系数为β）*调节效应：组织氛围（A）调节自我效能感（S）对工作投入度（W）的影响。这通常表示为S与A的交互项对W的影响，例如：S×A→W（其路径系数为δ）其中包含了以下类型的路径：*直接路径：S→W*间接路径（中介效应）：S→A→W*调节路径（S×A→W）：组织氛围影响自我效能感与工作投入度之间关系强度的路径。八、最大似然估计（MLE）和贝叶斯估计（BayesianEstimation）在结构方程模型中的应用对比：1.估计原理：MLE基于最大化观测数据出现的概率（似然函数）来确定参数值，即找到能使数据最有可能出现的参数组合。贝叶斯估计则基于贝叶斯定理，结合先验分布对参数的信念和样本数据提供的证据，通过计算后验分布来估计参数，得到参数的概率分布而非单一值。2.对样本量的要求：MLE在样本量较大时表现良好，但小样本下可能遇到收敛问题或结果不稳定。贝叶斯估计对样本量要求相对较低，即使在样本量较小的情况下，通过选择合适的先验分布，也能得到相对稳定和精确的估计，但计算复杂度通常更高。3.处理多重共线性或非正态数据的能力：MLE对多重共线性比较敏感，可能导致估计不稳定。对于非正态数据，某些MLE方法（如标准MLE）的假设可能被违反，导致结果偏差。贝叶斯估计可以通过选择合适的先验分布来缓解多重共线性的影响，并且在处理非正态数据时，可以通过选择适合数据分布的先验分布和似然函数来提高估计的准确性。4.结果解释：MLE通常提供参数的点估计值（如β值）及其标准误和p值。贝叶斯估计提供参数的后验分布，可以给出参数的概率区间（如95%后验区间），直观地反映参数的不确定性。5.计算复杂度：MLE的计算相对直接和高效（尤其使用迭代算法时）。贝叶斯估计通常需要复杂的计算方法（如MCMC抽样），计算时间较长，对计算资源要求更高。九、在实际应用结构方程模型分析社会科学数据时，研究者可能面临的主要挑战或局限性包括：1.模型设定偏差：模型的设定很大程度上依赖于研究者的理论假设。如果理论假设不准确，或者研究者未能考虑所有相关的变量和关系，那么模型就无法正确反映现实，结果可能误导。模型设定是一个复杂且具有挑战性的过程。2.样本代表性问题：SEM的效果量通常较小，因此需要较大的样本量才能获得稳定和可靠的估计。如果样本不能很好地代表目标总体，或者存在抽样偏差，模型的结论可能无法推广到更广泛的人群或情境中。3.测量误差的处理与影响：虽然SEM通过测量模型显式地处理测量误差，但测量误差的大小和性质仍会影响结果。如果测