路径分析、结构方程讲义.ppt

1、路径分析，结构方程模型及其应用，知识点：1。路径分析的基本思想和模型设置，结构方程2。路径分析模型和结构方程模型的构建。路径分析模型和结构方程模型的识别和估计。路径分析模型和结构方程模型的评估和修改。路径分析模型和结构方程模型的应用和文献阅读，路径分析和结构方程模型的发展历史，20世纪初。”皮尔逊原理的一个基本内容是相关性是现实生活中最基本的关系，而因果关系只是完全相关性的极限。根据这一理论，没有必要找出变量之间的因果关系，而只需计算相关系数。然而，相关性分析逐渐暴露出其自身的局限性：第一，相关性分析只反映变量之间的线性关系；其次，相关分析表明反应变量之间的关系是对称的，而许多变量之间的关系是

2、不对称的(见路径图p7)。第三，只有在正常假设下，相关的想法才是有效的。以上表明因果关系的研究仍然很重要。在遗传学中，许多现象都有明显的因果关系，比如父亲和孩子之间的遗传关系，父亲和孩子之间的关系只是单向的而不是不对称的。考虑到这种变量结构，遗传学家苏厄尔赖特提出了从1918年到1921年的路径分析来分析变量之间的因果关系。现代路径分析是由生物遗传学家、心理测试员、计量经济学家和社会学家推动的。引入了潜在变量(也称为不可测量变量),变量之间允许有测量误差。最大似然估计取代了最小二乘法，成为路径系数的主流估计方法。路径分析已成为多元分析的一种重要方法，广泛应用于遗传学、社会学、心理学、经济问题和

3、市场研究。传统上，基于最小二乘法的传统路径分析称为路径分析。基于最大似然的路径分析被称为结构方程建模。1.路径分析的基本概念和理论。相关系数的分解。路径模型4的调试和识别。路径分析的流程图和案例分析。1.路径图，路径分析的主要工具是路径图，它用一条带箭头的线(单箭头表示变量之间的因果关系，双箭头表示变量之间的相关关系)来表示变量之间的预设关系。箭头表示在路径图中，观察变量通常写在矩形框中，不可观察变量通常写在椭圆框中。A是父亲的智商，B是母亲的智商，C1和C2是两个成年孩子的智商，E1和E2是与A和B无关的其他原因变量。一般来说，父母的智商之间没有关系；父母的智商和孩子的智商之间有因果关系，用

4、单箭头表示，孩子之间有相关性，用双箭头表示。箭头上的字母表示路径系数，它反映了原因变量对结果变量的相对影响。标准化变量一般用于路径分析，上图是以方程的形式写的：以上方程实际上是一个常见的多元回归方程，多元回归分析是一种因果关系模型，但它是一个相对简单的因果关系模型。自变量对因变量的影响是并存的，它只包含因果结构的一个环节。路径分析的优势在于它可以容纳多环节的因果结构，这些因果关系可以通过路径图清晰地表达出来，从而进行更深层次的分析，如比较各种因素的相对重要性，计算变量之间的直接和间接影响，例如某个消费类电子产品(如手机)的路径分析，四个变量的持久性、操作的简单性、通话效果和价格成对相关，从而决

5、定感知价值。与图10-1相比，它有两层因果关系。路径图上的变量可以分为两类：一类是外生变量，也称为自变量和源变量，不受模型中其他变量的影响。另一个是内生变量(也称为因变量或下游变量)，它由路径图上的至少一个箭头指向，并由模型中的其他变量决定。其中，不影响路径图中其他变量的内生变量称为最终响应变量，不一定只有一个最终响应变量。例如，顾客忠诚、持久性、操作简单性、呼叫效应和价格是外生变量，感知价值和顾客忠诚是内生变量，感知价值和顾客忠诚是内生变量，而其他变量对内生变量的影响：如果甲通过单向箭头直接对乙产生因果效应，则甲具有直接效应)；关于乙；如果甲通过其他变量(丙)间接作用于乙，则称甲对乙有间接作

6、用，丙称为中介变量。四个外生变量的持久性、操作简单性、看涨效应和价格不仅对忠诚度有直接影响，而且通过感知价值对忠诚度有间接影响。中间变量的中间作用有理论基础吗？中间效应有统计学意义吗？为了检验中间变量的间接效应是否具有统计学意义(巴伦，R. M .肯尼D. (1986)，阿加瓦尔，S. TEAS，R. K. (1997):第1步：用中间变量(感知价值)回归到外部变量，如耐用性、操作简单性、看涨期权效应和价格；第二步：用内生变量(忠诚度)回归第一步中的四个变量；第三步：用忠诚度回归第一步中四个变量和中间变量的感知值。如果(a)解释变量在第一步的估计中具有统计学意义；解释变量在第二步的估计中具有统

7、计学意义；如果中间变量在第三步的估计中具有统计学意义，则中间变量的间接影响是显著的。如果第一步外生变量的回归系数在统计上不显著或第三步感知价值的回归系数不显著，则表明不存在外生变量的间接效应；如果第一步和第三步的外生变量(如持久性、操作简单性和呼叫效应)的回归系数具有统计显著性，则表明外生变量具有部分间接效应；如果一个外生变量(价格)的回归系数在第一步显著，但在第三步不显著，则表明外生变量具有完全的间接效应。递归路径模型，广义路径模型有两种基本类型：递归模型和非递归模型。这两个模型在分析上是不同的。递归模型可以用最小二乘法直接求解，而非递归模型比较复杂。本文主要介绍基于最小二乘法的路径分析(即

8、递归路径模型)。递归模型：因果关系结构是一个没有反馈的单向链式关系模型。无反馈意味着每个内生变量与其原因变量之间的误差或两个内生变量之间的误差项必须是独立的。相关系数的分解。相关系数分解在路径分析中具有普遍意义，是路径分析的重要组成部分。通过分解原因变量和结果变量之间的相关系数，我们可以清楚地看到相关的各种原因。例子：A、B和c是三个相互关联的外生变量。最后，D、E和剩余项e6影响最终结果变量f，其具有三层因果关系。首先，对A和D之间的相关系数进行分解。因为所有变量都是标准化的，所以A和D的相关系数rAB等于A和D乘积的期望值。也就是说，可以看出A和D之间的相关系数可以分解为两部分：p14是A

9、对D的直接影响，r12*p24的存在是因为D是由于A和b之间的相关性而引入的，b对D有直接影响.然而，从因果分析的角度来看，r12*p24尚未分解，这被称为未解决部分。还有：这里，第一项p45是d对e的直接作用，第二项p24p25是以前没有涉及的分解内容。对应于路径图，既找不到具有间接动作的路径链，也找不到相关路径。这部分原因是相关系数中的两个变量d和e有一个共同的作用因子B.由于B的存在，B的变化导致D和E的同时变化，D和E的样本数据表现出相关性，这种相关性称为伪相关性。伪相关存在于许多情况下，尤其是在一些混杂因素的影响下。通过以上相关系数的分解，可以得出相关系数的分解可以产生四种类型的分量

10、：1。直接行动；2.间接行动；3.由于原因变量的相关性导致的未解决部分；4.由于共同作用的存在而产生的伪相关。然而，如果遵循上述步骤，相关系数的分解将非常复杂。Wright为路径图的直接分解提供了Wright规则，可以方便地分解相关系数。上述过程由AMOS软件实现，AMOS路径系数分解的结果一般以报表的形式展示各种功能。请参见以下示例。第三，路径模型的调试，模型的调试过程有点类似于多元回归过程的调试：如果一个变量的路径系数(回归系数)没有统计意义，考虑是否从模型中删除其对应的路径；如果多个路径系数同时不显著，首先删除最不显著的路径继续回归分析，然后根据下一步的结果决定是否删除其他原因变量。调试

11、的一般原则，调试时还必须考虑模型的理论基础。因果联系作为研究的重点，必须有充分的理论基础。即使其统计不显著，仍应仔细考虑，并找出其统计不显著的原因：是多重共线性的影响还是其他路径假设的不合理性影响了这条路径的显著性。这里可能会遇到多元回归中遇到的许多问题，我们可以参考相应的方法来处理它们。3、路径模型的总体检验，路径模型中方程的数量等于内生变量的数量，因此可能存在M个内生变量。对于这些M方程，假设回归确定系数是每个R2代表由回归方程解释的相应内生变量的方差比例，而1- R2代表不能由回归方程解释的残差比例。路径模型的总体拟合指数定义为：如果调试后的新模型与预设模型不同，可以用拟合度来检验两个模

12、型。如果统计检验不显著，则表明模型调试后的修改并不妨碍对原假设模型的“接受”，即新模型与原模型之间没有显著差异，因此可以认为两个模型是一致的。相反，调试后得到的模型与原模型有很大不同。可见，路径分析的模型检验不是检验原始模型与观测数据是否一致，而是检验调试后的模型与原始模型是否一致。这就是路径模型检查的意义。根据Q构造统计， n是样本大小，D是测试模型和基准模型之间的路径数之差，Q在大样本条件下渐近服从自由度D的分布。只有当它不重要时，原来的模型才能被新模型所取代！模型拟合度的统计量q取为如果我们处理变量之间的相互作用，把相互作用的项目看作一个单一的变量，那么它与其他变量的函数关系也是线性的和

13、可加的。(2)模型中的所有变量都是等距度量。(3)所有变量都是可观察变量，每个变量的测量都不能有误差。(4)变量间的多重共线性不能太高，否则路径系数估计值的误差会很大。(5)有必要有足够的样本量。Kline(1998)建议样本数应该是待估计参数数的10倍(20倍更理想)。第四章。路径模型的假设和局限性。AMOS软件介绍：SPSS软件不提供路径分析模块，但提供一个AMOS软件进行路径分析。AMOS是力矩结构分析的缩写。它是一个处理结构方程模型和路径分析的专业软件。它最大的优点是路径图易于理解和操作。阿莫斯有两个操作模块，阿莫斯图形和阿莫斯基本。在分析路径时，用户主要使用前者进行分析。该模块可以方

14、便地绘制和输出路径图。要使用Amos，首先打开AMOS图形模块，进入主界面。AMOS菜单：(1)选择数据文件，在文件菜单下，选择“数据文件”，给出要分析的文件名。(2)绘制路径分析图：在图菜单下，选择“绘制观察到的”绘制观察到的变量；选择“提取未观察到的”以提取未观察到的变量(路径分析中的剩余项目)；选择“绘制路径”绘制两个变量之间的因果关系；选择“绘制协方差”绘制两个变量之间的相关性；(3)选择文件数据文件下的数据文件，点击“列出数据集中的变量”图标，选择绘制变量的变量名。4。路径模型的计算机实现。AMOS菜单：(4)将剩余项目的方差指定为1。选择剩余项目后，右键单击并选择“对象属性”，在“

15、参数”下将方差设置为1。在菜单中选择“查看/设置”下的“分析属性”，在“估计”页面选择“无标度最小二乘法”作为估计方法，在“输出”页面选择全部(输出所有内容)，关闭窗口。(5)最后，单击“模型-拟合”菜单下的“计算估计值”选项来计算路径系数。您可以通过三种方式查看结果：文字方法(单击“查看文本”图标)、表格方法和图形方法(单击“查看输出路径图”图标)。4。路径模型由计算机实现。模型已经设定。示例我们使用SPSS 10.0附带的数据文件员工数据来分析路径。该数据中有474个观察值，其中473个有效，标记为434的出生日期缺失。在以下分析中，不考虑该样本；该数据包括10个变量：身份证、性别、出生日期、教育程度、工作类别、就业类别、当前工资、当前工资)、初始工资(起始工资)、已工作时间(工作时间、自雇佣以来的月数)、以前的工作经历(雇佣前、以前的经历)以及是否为少数。性别是一个属性变量，女性为“F”，男性为“M”；教育水平是用受教育年限来衡量的；工作类别分为三类：公务员(“1”)、主管(“2”