结构方程模型入门课件.ppt

,单击此处编辑母版标题样式,单击此处编辑母版文本样式,第二级,第三级,第四级,第五级,*,单击此处编辑母版标题样式,单击此处编辑母版文本样式,第二级,第三级,第四级,第五级,*,引言,袁振国在译完威廉,维尔斯曼的教育研究方法导论,后在其前言中评论道,“,总觉得教育研究方法过于传统，研究的手段也比较落后。而在世纪年代中期由瑞典统计学家,心理测量学家提出的结构方程模型,(,简称,SEM),则提供了一种新的统计方法和研究思路。它能有力地解决教育研究中的问题，应当引起教育界的重视，理应成为教育研究的有力工具。,注：袁振国，教育部社会科学司副司长，北京师范大学教育学院教授、博士生导师。,1,2,结构方程模型（,SEM,）入门,云南大学 高等教育研究院,解亚宁,SEM,3,导言,-1,心理学或教育学研究的一个主要目的是通过分析变量与变量之间的关系来揭示心理或教育现象的发展以及变化规律与特点，如相关分析。,X,2,X,1,r,相,关,分析,（,Correlational Analysis,）,4,导言,-2,在相关分析基础上，进一步把变量分为自变量与因变量两部分，并以自变量来解释因变量。,该模型假设自变量是原因，因变量是由这些原因引起的结果，如回归分析模型。,y,x,1,1,e,e,x,y,+,=,1,b,简单线性回归模型,（,Simple Linear Regression,）,5,导言,-3,进一步的,多元,线性回归，包含多个自变量与一个因变量。,（,Multiple Linear Regression,）,y,x,1,e,x,2,1,2,6,x,1,y,1,y,2,e,1,e,2,x,2,路径分析,（,Path Analysis,）,在回归分析基础上，还发展了路径分析，进一步把变量之间复杂关系，例如因果交错关系。,7,问题提出,但是，现实中变量之间的关系要复杂得多，各自变量之间可能存在因果关系，因变量也可能是某个或某几个自变量的原因，有时需要处理多个原因和多个结果的关系。,特别是会遇到,不可直接观测的变量,，这种变量称为,潜在变量,(Latent Variables),，诸如社会经济地位、智力等都不能准确、直接地加以测量。,社会经济地位,智力,潜在变量,8,问题提出,对于潜变量，可用一些,外显指标,(Observable,indicators),来间接测量它们。如用收入,高低、教育水平,作为,社会经济地位,(),的测量指标。,SEM,主要,特点,在于,能反映潜在变量,(Latent variables),与外显变,量,(Manifest variable),之关系,。,收入高低,教育水平,社会经济地位,外显指标,潜在变量,9,方法的进步与革命常常导致相应学科的进步与革命。就统计方法而盲，回归分析是相关分析的深人，而结构方程模型（,SEM,）则是对回归分析的深入。,10,一、结构方程模型的概念,结构方程模型（,structural equation modeling,，简称,SEM,），,早期称为线性结构,关系,(Linear Structural Relationships,，,简称,LISREL),，是评价理论模型与经验数据一致性的统计方法。,潜在变量也称为隐变量。,外显变,量也,称观,测,变,量,(,Observable,variable),或测量,变,量,(,Measurement,variable,),。,SEM,主要,特点,在于,能反映潜在变量,(Latent variables),与外显变,量,(Manifest variable),之关系,。,11,导例,12,13,x,1,x,3,x,2,1,2,3,1,2,3,误差,观测变量,负荷量,潜在变量,典型的结构方程模型与参数示意图,结构方程模型是用来,检验观测变量与潜在变量之间假设关系,及测量误差的一种,统计技术，,或者说是,模型构建与检验的方法,。,结构方程模型是通过观测变量集合的间的协方差结构和相关结构出发，,从定量的角度建立模型来研究变量间的因果关系的一种方法,。,14,例,2,误差,观测变量,负荷量,潜在变量,15,专栏：结构方程模型的构图与模式,16,SEM,的,模式,测量模式,(measurement model),测量模式旨在建立测量变量与潜在变量间之关系，主要透过验证性因素分析（,CFA,）以考验测量模式的效度,结构模式。,y,1,y,3,y,2,e,1,e,2,e,3,f,1,y,4,y,6,y,5,e,4,e,5,e,6,f,2,验证,性因素分析,(Confirmatory Factor Analysis,，,CFA,）,17,y,1,y,3,y,2,e,1,e,2,e,3,f,1,y,4,y,6,y,5,e,4,e,5,e,6,f,2,f,r,1,r,2,二,阶验证,性因素分析,（,2nd order Confirmatory Factor Analysis,）,18,SEM,的,模式,结构模式,(structural model),结构模式旨在考验潜在变项间之因果路径关系，主要针对潜在变量进行径路分析，以考验结构模式的适配性。,潛在,变量,路徑分析,(Path Analysis with Latent Variables,PA-LV),19,20,例,3,：研究生研究论文,21,22,23,24,25,26,模型假设,27,28,29,30,二、结构方程模型分析步骤示意图,首先针对研究问题，根据已有的研究资料提出多个假设模型，然后收集数据、进行分析，通过模型与实际数据的拟合情况和模型比较的结果，确定最终的结果模型。,根据,LISREL,的分析程序，,SEM,大体分为建立模型、识别模型、估计模型，评估模型和修正模型五个步骤。,31,模型界定,模型的界定必须来自健全理论的建构。,模型界定的步骤有三。首先由研究者整理文献与相关理论，提出建立模型的双向结构表，然后由专家对结果进行论证，最后根据确定的结构设计可能的项目。,32,三种模型策略,SEM,的基本假设是观测变量的共变数矩阵是一组参数的函数，而检验一个共变数矩阵有三种模型策略。,33,验证模型策略,即根据搜集的经验资料严格检验研究者界定的理论模型，以确定所检验理论模型是接受还是拒绝，所谓严格检验是指当模型被拒绝时，不再寻找接受模型的可能线索。,34,竞争模型策略,即研究者事先界定多个可替代的理论模型，再搜集一组经验资料以检验哪一个理论模型与经验资料最匹配。譬如对智力既可用,Spearman,的二因素理论解释，也可用,Thurstone,的群因素理论解释，还可以用卡特尔的简明层次论解释等，对于哪一种解释方式最好，以往的统计技术难以处理，,SEM,却可以有效地处理这类问题，采用竞争模型更符合实际情况。,35,模型的发展策略,即研究者先利用理论界定出一个起始模型，再搜集一组资料检验其匹配程度。如果不是相当匹配，可运用,SEM,统计中的某种指数了解需要修正的地方，如果需修正处有着健全的理论可解释则将其修正，这是一般研究者常用的策略。,36,模型识别,模型的识别分为低识别、恰好识别和过度识别三种。,对,SEM,理论不十分清楚的研究者，往往会忽略模型识别的问题，只是将其交给统计软件处理，即不知其中存在诸多复杂的问题，对此应当阅读有关书藉，详细了解模型识别的问题。,37,模型的估计,用观测资料估计模型的参数方法有很多，最常用的有三种，即最大概似法、广义最小平方法和渐近分布自由法。,38,拟合概念,当我们测试某一模型时,其实是在研究自己所提的模型,(,即哪些变量之间有关，哪些则没有,),是否与数据拟合。,39,三、分析过程与结果示例,例題,:,學生智力測驗成績,之前分析建立在兩因子模型下，且能提供良好適合度，本例題測試在單因子模型下是否能提供更加適合度？,樣本數 ：,145,個學生,指標變數：,文章閱讀,造句能力,字彙能力,加法能力,計數能力,潛伏變數：,語言,數學,40,路徑圖：,學生智力測驗成績,(P.192),語言,文章,閱讀,2,、,GFI,、,AGFI,、,數學,造句,能力,字彙,能力,加法,能力,計數,能力,=1,採用,Single,dimension,1,2,3,4,5,41,Title Confirmatory Factor Analysis for student test performance,Observed Variables,文章閱讀 造句能力 字彙能力 加法能力 計數能力,Correlation Matrix=,1,0.722,1,0.714 0.685,1,0.203 0.246 0.170,1,0.095 0.181 0.113,0.585,1,Sample Size=145,Latent Variables,語言 數學,Relationships:,文章閱讀,=,語言,造句能力,=,語言,字彙能力,=,語言,加法能力,=,數學,計數能力,=,數學,SET the Covariance of,語言,and,數學,to 1,Path Diagram,LISREL OUTPUT SE TV RS MI,相關矩陣,指標變數,潛伏變數,定義指標變數與潛伏變數之關係,軟體操作,:,學生智力測驗成績,(P.192),定義潛伏變數之間的關係,相關係數為,1,，不具區別效度,輸出指令,SE:,標準誤,TV:t,檢定,RS:,常態化殘差與,Q,圖,MI:,修飾指標,42,軟體操作,:,學生智力測驗成績,(P.192),43,軟體操作,:,學生智力測驗成績,(P.192),參數最大概似估計,、,標準誤,、,t,值,:,語言,:,相關性較大,、,標準誤,0.07,、,t,值顯著,2,數學,:,相關性小,、,標準誤,0.09,、,t,值,2,不顯著,兩潛伏變數之間的相關係數為,1,殘差變異數估計、標準誤、,t,值,44,軟體操作,:,學生智力測驗成績,(P.192),卡方值,2,=59.47,GFI =0.88,0.90,AGFI=0.63,0.05,(,皆低於可接受水準,),模型配適度不佳,45,學生智力測驗成績綜合比較,二因子模型,單因子模型,卡方值,2.93,59.47,GFI,0.99,0.88,AGFI,0.97,0.63,單因子模型下,:GFI AGFI,皆,低於可接受水準,，故潛伏變數兼具,區別性,，應採二因子模型較合適,。,46,四、模型拟合度指标,（一）基本拟合标准：,不能有负的误差变异；,误差变异需有统计意义；,估计参数之间相关的绝对值不能太接近,1,；,因素负荷量不能太低或太高，最好介于,0.50,0.95,之间；,标准误不能太大。,47,（二）整体模型拟合度指标数值范围及临界值,48,（二）整体模型拟合度指标数值范围及临界值,49,50,五、,结构方程模型的用途,（一）李茂能,(2007),1,、考验理论模式,(test of theory),2,、考验测量工具的建构信度,(construct reliability),或因素结构效度,(validity of factorial structure),信度：观测变量与潜在变量之间相关程度,(0.7),效度：可分为下列两种,收敛效度,(convergent validity),：对相同特性,(construct,concept,or research variables),使用不同衡量方法,(Likert scale,Stapel scale,or semantic differential),，所得结果高度相关。,区别效度,(discriminant validity),：不同建构,(construct,即研究变数或称,concept),彼此之间确实不相同。,51,五、,结构方程模型的用途,（二）侯杰泰,(1999),a,、验证性因素分析,b,、高阶因子分析,c,、路径及因果分析,d,、多时段,(multiwave),设计,e,、单形模型,(Simplezs Model),f,、多组比较,52,五、,结构方程模型的用途,（三）范晓玲,(2007),SEM,在心理学研究的应用，主要有两方面。,1,、测验编制理论结构建立。因素分析虽然也应用于测验编制之中，但却只能用初步探讨结构而无法检验其理论建构。,SEM,却不同，其功用颇丰。,1-1,项目分析，即估计每个项目，把项目分析的概念融合于因素结构的检验中；检验每个项目的测量误差，把测量误差从项目变异中抽取出来，使因素负荷量具有较高的精确度，并根据理论，预先确定项目所属的因素。,1-2,根据理论，检验某些因素之间相关或不相关，确定各因素之间的关系；,1-3,对整体因素模型进行评估，确定以理论建构的因素模型与搜集资料之间的符合程度。因此，结构方程模型属于检验理论模型的统计方法，为研究者用于量化与理论检验提供一种综合模型。,2,、是研究各种复杂心理现象之间的关系。譬如，心理学中，研究认知加工速度、工作记忆与智力发展的关系，家庭文化环境与儿童言语的关系等；在管理学中，研究组织绩效各层次指标与组织核心能力的关系，变革型领导与员工工作态度以及心理授权的关系；在教育学中，研究性别、文化程度、教育经验与教师职业承诺的关系等；在医学中，研究吸烟、喝酒等不良行为与身心健康的关系等；,53,六、结构方程的数学模式与方法,（一）测量模型,对于外显变项与潜伏变项间的关系,即测量模式部分，通常写为以下测量方程,:,X=x+,Y=y+,X,Y,是外源及内生指标。,是,X,，,Y,测量上的误差。,x,是,X,指标与,潜伏变项的关系。,y,是,Y,指标与,潜伏变项的关系。,54,（二）结构模型,(a),对于潜伏变项,(,如：社经地位与收入,),的关系，通常写成如下结构方程：,=+,内生,(,依变,)(endogenous,dependent),潜伏变项,外源,(,自变,)(exogenous,independent),潜伏变项,内生潜伏变项间的关系,外源变项对内生变项的影响,模式内未能解释部份,(,即模式内所包含的变项及变项间关系所未能解释部分,),潜变量间的关系，即结构模型，是研究的兴趣重点，所以整个分析也称,结构方程模型。,55,七、讨论,56,1,、,探索型因素分析,与,驗證型因素分析比較,比较内容,EFA,CFA,理論架構在分析過程中所扮演的角色,理論架構是因素分析後的產物,須先有特定的理論觀點作為基礎，再決定該架構是否適當,。,理論架構在分析過程中所扮演的檢驗時機,事後概念,事前概念,57,2,、结构方程模型假设条件,合理的样本量,James Stevens,的,Applied Multivariate Statistics for the Social Sciences,一书中说平均一个自变量大约需要,15,个,case,；,Bentler and Chou(1987),说平均一个估计参数需要,5,个,case,就差不多了，但前提是数据质量非常好；这两种说法基本上是等价的；,而,Loehlin(1992),在进行蒙特卡罗模拟之后发现对于包含,24,个因子的模型，至少需要,100,个,case,，当然,200,更好；,小样本量容易导致模型计算时收敛的失败进而影响到参数估计；特别要注意的是当数据质量不好比如不服从正态分布或者受到污染时，更需要大的样本量。,58,樣本大小的討論,樣本大小至少超過,150,個。,Rigdon,E.(2005).,SEM FAQ,.from www.gsu.edu/mkteer/html,至少要為,x,觀察變項數目的,10,倍量或,15,倍量。,Thompson,B.(2000).Ten commandments of structural equation modeling.In L.G.Grimm&P.R.Yarnold(eds.),Reading and understanding more multivariate statistics,(pp.261-283).Washington,DC:APA.,樣本大小亦取決於潛在變項的數目,59,樣本大小不能少於,50,個，應該要超過,100,個。,至少要為,x,觀察變項數目的,5,倍量或,10,倍量。,Hair,J.F.,Anderson,R.F.,Tatham,R.L.&Black,W.C.(1998).,Multivariate data analysis 5th ed,.New Jersey:Prentice Hall Inc.,60,3,、模型的,解释,模型的说明和因果关系的理论基础,实际上就是假设检验的逻辑,你只能说你的模型不能拒绝，而不能下定论说你的模型可以被接受。,61,3,、模型的解释,统计结果只有得到正确解释时才是有用的，一个不正确的解释比无用还要糟糕。,SEM,的解释主要有结构系数的因果性（或影响性）、方向性和效果系数三方面。,1,因果性。之所以称因果性是源于,SEM,早期被视为因果模型，然而,SEM,并不限于研究因果关系，它与一般使用的相关、多元回归及变异数分析一样可以研究事物多种关系，为了避免因果性而将其结构系数看成是一种影响性。,62,3,、模型的解释,2,方向性。方向性是建立在坚实的理论基础之上的。,SEM,是统计技术，无法处理方向性问题。,3,效果系数。效果系数是指,SEM,的结构系数，有直接效果、间接效果和总效果之分。直接效果是指一个变量对另一个变量的影响未通过其他其他变量；间接效果是指一个变量对另一个变量的影响至少需要通过一个其他变量，总效果则是直接效果与间接效果的总和。在结果解释时直接效果是必然的，间接效果和总效果能回答直接效果无法回答的问题。譬如，在二级因素分析中，若想知道哪一个指标受到二级潜在变量的影响最大，就要找出二级潜在变量总效果最大的一个。,63,3,、模型的解释,SEM,效果的解释可以用非标准化系数和标准化系数两种方式。非标准系数是直接以原始分数进行的估计，需将与标准误同时呈现，因为，标准误一方面反应模型的稳定性，过小或过大的标准误意味着模型估计存在问题或产生了模型的不稳定，另一方面则反应着估计参数是否具有统计意义。非标准化系数虽然无法进行了模型内的参数比较，但是却能够对同一模型在不同群体的系数进行比较。标准化系数是以标准分数进行的估计，它消除了测量单位的影响，可以进行模型内参数大小的比较，了解参数的影响力。,SEM,结果呈现时两类系数应同时给出。,64,4,、模型的推断和选择,在心理学研究中，模型的推断和选择是一个相当复杂的问题。在具体的实践中，研究者们应当特别注意如下两个原则：建构任何一个假设模型时都需要有相应的理论基础；竖立多个模型假设的观念，因为能够拟和任何一个数据的模型会有很多，一个能够很好拟和数据的模型并不一定是要找的最好的模型。,总的来说，只有在充分的理论研究的基础上，竖立多个模型假设的观念，借助相应的统计手段，才能找到一个最接近真实情况的最好的模型。,65,5,、评价,SEM,并非是包治百病的灵丹妙药,与任何一种统计方法一样也有其局限性与不足之处。例如：,模型虽按变童的时间顺序建立,试图寻求变量间的因果关系,而且也可作一定程度因果推论,但不能作严格客观的因果推测,拟合指数易受样本大小的影响,小样本易拟合大样本难拟合。,要求变间呈线性关系,有时难以保证,潜在变量的解释具有模糊性和随意性等，研究者在使用它时，首先要深人了解的理论墓础，否则很容易产生滥用与错误解释的现象。,66,6,、,SEM,软件的使用情况,(Why)Should We Use SEM?Pros and Cons of Structural Equation Modeling,Nachtigall,Kroehne,Funke,Steyer(2003),67,