LISREL与PLS路径建模原理分析与比较

合集下载

LISREL结构方程模型分析报告

LISREL结构方程模型分析报告

LISREL结构方程模型分析报告

1.研究目的

本研究旨在探究X变量对Y变量的影响,并进一步分析其中的中介变量以及模型的适配度。

2.方法

采用LISREL软件进行数据分析,使用SEM建模方法。

3.数据收集

本研究采用问卷调查的方式,随机抽取了300名参与者,收集了他们的个人特征以及相关变量的测量数据。

4.变量设定

本研究设定了三个变量,分别为X变量、中介变量和Y变量。X变量代表自变量,中介变量代表媒介变量,Y变量代表因变量。

5.模型设定

基于研究目的,本研究构建了一个包含X、中介变量和Y的结构方程模型。X与Y之间的关系由中介变量进行传导。

6.模型参数估计

通过LISREL软件进行模型参数估计。根据模型设定,计算X对Y的直接效应、总效应以及中介效应。同时,检验相关定理是否显著。

7.结果分析

经过模型拟合的分析,得出以下结果:

-X对Y的总效应为0.3,表明X对Y有正向影响,但影响程度较低。

-X对Y的直接效应为0.1,表明X对Y存在部分直接影响。

-中介变量对X和Y之间的关系进行了部分中介。

8.模型适配度

对模型进行适配度检验,包括卡方检验、自由度、Goodness-of-Fit

指数、修正的Goodness-of-Fit指数以及其他拟合度指标。根据检验结果,判断模型的适配度。

9.结论

根据模型分析结果,得出以下结论:

-X变量对Y变量存在一定的直接影响;

-中介变量在X和Y之间发挥了一定的中介作用;

-模型整体的适配度较好,结果具有可靠性。

10.研究局限性和建议

LISREL与PLS建模方法的分析与比较

LISREL与PLS建模方法的分析与比较

LISREL与PLS建模方法的分析与比较

李晓鸿

【摘要】LISREL与PLS建模方法是目前结构方程建模最流行的两种方法.详细分析两种建模方法,尤其是PLS建模方法;并在此基础上对两种建模方法进行比较,给出各自的应用条件.%LISREL modeling and PLS path modeling currently are the most popular two methods of structural equation modeling. This article provides a detailed analysis of two kinds of modeling methods, especially PLS modeling method, then compares these two kinds of modeling methods and provides their application conditions.

【期刊名称】《科技管理研究》

【年(卷),期】2012(032)020

【总页数】4页(P230-233)

【关键词】结构方程建模;协方差结构的分析方法(LISREL);偏最小二乘法(PLS);应用条件

【作者】李晓鸿

【作者单位】西安邮电学院经济与管理学院,陕西西安710061

【正文语种】中文

【中图分类】TP18;TP319;R195.1

结构方程建模(Structural Equation Modeling,SEM)已渐流行,并成为十分重要的数据分析工具。SEM具有两种建模方法:一种是以协方差结构为基础的建模方

结构方程模型构建方法比较

结构方程模型构建方法比较

统计与决策2007年9月(理论版)

摘要:线性结构关系(LinearStructuralRelationships)和偏最小二乘(PartialLeastSquare)路径分

析是构建结构方程模型主要的两类技术。本文在阐述线性结构关系和偏最小二乘算法的基础上,比较分析了它们的差异,给出了各自的适用条件,指出了偏最小二乘路径分析技术的特点及其在社会科学领域逐渐受到重视的原因。

关键词:因果模型;线性结构关系;偏最小二乘路径分析;差异;适用条件中图分类号:O212.4

文献标识码:A

文章编号:1002-6487(2007)09-0137-03

结构方程模型构建方法比较

(山东大学管理学院,济南250100)

结构方程模型(StructuralEquationModeling,简称SEM)是由瑞典统计学家KarlG·Joreskog于20世纪70年代初期提出来的一种通用线性统计建模技术。近年来,这一统计建模及分析方法获得了巨大的发展,不仅拥有专属期刊《结构方程模型》(StructureEquationModeling),研究和应用结构方程的论文更是难计其数。它已经成为心理学、经济学、金融学、管理学、社会学等社会科学领域中一种十分重要的数据分析技巧。在国内,结构方程模型研究方法则刚刚兴起,相当多的人文社科类实证研究论文中都已经采用了这一建模方法。

目前,主要有两大类估计技术来构建结构方程模型。一种是基于极大似然估计(ML)的协方差结构分析方法,该方法被称为“硬模型”(HardMode1),以线性结构关系(Linear

LISREL操作

LISREL操作

本例按结构方程模型建模(Path Diagram 方法)的主要步骤进行讲解。 输入数据 分析数据 输出数据 画出路径图 设置参数

以郭志刚数据为例 1、打开LISREL 2、单击File 。选择“对话框。找到郭志刚数据文件。STU1000.查找文件时,根据文件类型来查找。

3、打开文件后,出现“保存为”的对话框。如下图。这时将文件命名为SEM.PSF 文件默认存为lisrel 的文件。

4、设置数据类型。经过第3步保存后的数据出现在屏幕中。如下图一,点击X1行,选择整列数据。右击出现如下图工具栏,点击“Define Varibles ”,出现图二窗口。选择X1,点击“Variable Type ”,出现如图三窗口。选择“Continous ”,勾选“Apply to all ”。单击OK 。完成数据类型设置。 图一 图二 图三

第二步:进行协方差计算。

点击工具栏“Statistic ”,出现“output ”按钮。如下图一。单击,出现输出对话框。如下图二。 图一 图二

本例中数据存在桌面上。个人认为,方便查找。另,LISREL 软件最好装在C 盘。装D 盘软件使用时

容易出错。

SPSS 数据只有转存为LISREL 软件识别的数据,才能在LISREL 中进行运算。

勾选“Save to file”、“Lisrel system date”,并命名为SEM.cov。如图三。在右侧中部,Number of中写入1000.点击OK。出现如下图四的窗口。这时输出名为SEM.cov的协方差矩阵的文件就已经生成的。

结构方程模型的理论、建立与应用

结构方程模型的理论、建立与应用

0 0 β43 0 0 η4
0
ξ4
η5
0 0 β53 β54 0 η5
0
ξ5
上面就是 ACSI 理论模型的结构方程表达形式 , 也就是
结构方程模型中的结构模式 。
313 理论模型的结构变量测量 。ACSI 理论模型中的外生变
量和内生变量都是隐变量 , 它们不能直接进行测量 。为了
衡量这些变量 , 我们用 2 - 3 个测量变量来对他们单个的进 行衡量 。如对于外生变量顾客期望ξ, 我们用整体期望程度
感知质量是顾客对产品 (服务) 的实际表现质量的评 价 , 它没有考虑产品 (服务) 价格的因素 ; 感知价值则考 虑的是单位货币所对应的感知质量 , 它考虑产品 (服务) 价格的因素 。感知质量和感知价值存在内在联系 , 我们认 为感知质量对感知价值有影响 。另外 , 感知质量和感知价 值对顾客满意都存在影响 。
虽然结构方程模型在多个学科领域得到了广泛的应用 , 但很少有研究者对结构方程模型的建立过程做出说明 , 许 多研究者在查阅相关资料时会遇到困难 。因此 , 本文通过 一个顾客满意度指数模型 (ACSI) 对结构方程模型的建立 过程进行了探讨 , 希望起到抛砖引玉的作用 。除此之外 , 对营销学科而言 , 结构方程模型特别有用 , 它提供了一种 系统的思考方法 , 除了对特定的隐变量做研究外 , 还为定 性研究向定量研究的转变开辟了新的思路 。

结构方程建模数据的PLS分析简版

结构方程建模数据的PLS分析简版

结构方程建模数据的PLS分析

结构方程建模数据的PLS分析

1. 引言

结构方程建模(Structural Equation Modeling,简称SEM)

是一种多变量分析方法,被广泛应用于社会科学、经济学、管理学等领域。其中,PLS(Partial Least Squares)是结构方程建模中最为常用的一种方法。本文将介绍PLS分析在结构方程建模中的应用,以及如何进行PLS分析。

2. PLS分析概述

PLS分析是一种非参数的统计方法,其主要用于解决变量之间

的线性关系问题。与传统的最小二乘回归(OLS)相比,PLS分析更适用于样本量较小、自变量高度相关的情况。在结构方程建模中,PLS分析可以用来评估变量之间的因果关系和预测模型的拟合程度。

3. 数据准备

在进行PLS分析之前,首先需要准备好数据。数据应包含自变量(预测变量)和因变量(被预测变量),并进行标准化处理,以消除变量间的量纲差异。此外,还需要确保数据的完整性和准确性,以避免分析结果的偏差。

4. 模型构建

PLS分析的核心是模型构建。在结构方程建模中,模型可以通

过路径图来表示。路径图描述了变量之间的因果关系,并指导了PLS分析的过程。根据路径图,我们可以指定出每个变量之间的关系,并设置相应的权重。

5. 模型估计

在模型构建完成后,需要进行模型估计。PLS分析使用了最小

二乘法来估计模型的参数。通过最小化实际值和模型预测值之间的误差平方和,可以得到模型参数的估计值。此外,还可以计算拟合度指标(如均方根误差、可释方差等)来评估模型的拟合程度。

6. 结果解释

基于多线程的顾客满意度PLS路径模型算法

基于多线程的顾客满意度PLS路径模型算法

基于多线程的顾客满意度PLS路径模型算法

潘王海;高艳艳

【摘要】在计算顾客满意度模型时,普遍使用结构方程模型来求解复杂的多维度关系.而针对结构方程模型的计算,偏最小二乘(PLS)有效地解决了模型分析过程中大量潜变量无法直接采样获得的问题,建立了显变量与潜变量之间的关系,增强了模型的直观性和通用性.为了提升偏最小二乘算法的效率,在针对结构方程模型的计算中,利用多线程将模型计算并行化,以提升计算效率.探讨了基于Java多线程的顾客满意度PLS路径模型的优化算法,并在多核计算机上实验证明,多线程化的PLS路径模型能够显著提升计算速度.%While computing Customer Satisfaction

Model,structural equation model is always used to solve the influence of complicated multi-dimensional.Partial Least Squares (PLS),used in computing of structural equation model,works effectively with the problem that a large amount of latent variables cannot be sampling directly.In the process of model analysis,the PLS path model builds up the relationship between latent variables and manifest variables,and enhances the intuitive and generality of model.In order to improve the efficiency of PLS,we parallelize the computational process to get more efficiency.This article mainly talks about the PLS path model based on customer satisfaction model and the distributed algorithm based on Java multi-thread.It is proved on multi-core computer that PLS path model implementing on multi-thread can obvious improve speed of computing.

顾客满意度模型估计的PLS与LISREL

顾客满意度模型估计的PLS与LISREL

顾客满意度模型估计的PLS 与LISREL

中国人民大学 金勇进 梁燕

顾客满意度模型是一个多方程的因果关系系统——结构方程模型(SEM ,Structural Equation Model ),有多个因变量,是一个原因和结果关系的网,模型必须要按照这些关系进行估计。模型中包括质量感知、顾客满意度、顾客忠诚度和企业形象等隐变量,这些隐变量只能通过多个具体测量变量来间接衡量。模型中允许自变量和因变量含有测量误差,还必须要计算出来隐变量的表现得分(例如通过多个测量变量的加权指数)。

以ACSI 模型为例,它就是一个结构方程模型,包括结构方程(隐变量之间关系的方程)和测量方程(隐变量和测量变量之间关系的方程)1。要对结构方程模型进行参数估计,目前最经常使用的两种方法是PLS (Partial Least Square )方法和LISREL (LInear Structural RELationships )方法。这两种方法既有相同之处,也有许多不同之处。本文主要讨论两种方法的算法,以及他们之间的联系与区别,并根据实证案例,提出我国在构建顾客满意度模型过程中使用的方法。

一、PLS 和LISREL 方法

PLS (Wald ,1982)是将主成分分析与多元回归结合起来的迭代估计,是一种因果建模的方法。瑞典、美国和欧盟模型都使用这种方法进行估计。在ACSI 模型估计中2,该方法对不同隐变量的测量变量子集抽取主成分,放在回归模型系统中使用,然后调整主成分权数,以最大化模型的预测能力。PLS 方法的具体步骤如下所示。

顾客满意指数的结构方程模型与应用

顾客满意指数的结构方程模型与应用

顾客满意指数(CSI)模型所要考虑的问题不仅仅是如何算出顾客满意度,其目标是要计算出一个指标体系,用来评价产品或服务的质量,并作为不同企业或行业水平对比的基准(Benchmarking)。因此,顾客满意指数模型要关注很多自变量指标,然后,从这些指标中抽取潜在的测评指标,并分别命名为感知价

[Abstract] The principle of the structure relationship of the typical model of customer satisfaction index isdiscussed . Based on a real case in the measurement of the customer satisfaction index of commerce enterprises in

Beijing, provides you with the approach associated with PLS method in solving the path analysis problem on linearstructure relationship in measuring customer satisfaction index. Additionally, a general model about how to analysisthe effectiveness of the cause variables vs the result variables,is discussed by controlling the effectiveness of somemid- variables.

我国省际间区域创新系统的PLS-SEM研究

我国省际间区域创新系统的PLS-SEM研究
二、理论框架与研究方法
(一)理论框架 企业创新、科技创新两个子系统通常是用来衡量一个地区科 技创新水平的因子,同样在创新系统中对创新产出的变动具有较 强的解释能力。作为创新系统的重要组成部分,基础设施作为支 持子系统,为区域科技创新能力提供配套的资本与服务支持。同时, 制度和环境对地区创新的作用越来越重要,本文也将其作为创新 系统构成的关键子系统纳入模型。 1. 区域创新系统的构成及子系统间相互关系。企业创新子 系统是创新系统的核心,主要包括企业和产业部门为了促进企业 创新发展实现盈利而投入的用于创新研发的资本和劳动等生产要 素。工业企业部门主要依靠 R&D 私人部门投资和企业技术研发 能力促进来自百度文库业的发展,企业新技术的优势是推动其创新的关键要 素。根据相关政府部门的研究,工业企业的 R&D 相关情况直接 影响着创新产品生产和技术的进步,进而对区域创新能力产生巨 大的影响 科技创新子系统是创新系统的基础,是推动创新的重要因素, 影响着地区未来的创新能力,主要是由非企业部门的 R&D 活动 和相关技术人员例如高等学府、研究机构等构成。研究表明,高 等学府、研究机构培育的高技术人才和研发的新技术产品能够为 企业提供知识创造的最新成果,其创新能力直接推动地区科技创 新水平提高。
(二)研究方法和模型构建 结构方程模型分为两种类型,一是基于协方差的结构方程模 型(LISREL),这种结构方程模型使用极大似然法对参数进行估计; 二是偏最小二乘法结构方程模型(PLS-SEM)模型,采用偏最小 二乘法对参数进行估计。与 LISREL 方法相比,PLS-SEM 模型具 有三点优点。第一,PLS-SEM 模型更适用于样本量较小的研究, 当样本量小于 200 时,偏最小二乘法比极大似然法估计参数更准 确;第二,PLS-SEM 模型主要以预测为导向,适用于认知性的研究, 而 LISREL 则适用于验证性研究;第三,PLS-SEM 模型对样本的 分布要求比较宽松。在区域创新系统的研究中,创新系统的概念 界定仍然没有一个标准,同时作为一个综合复杂的系统,其样本 分布并不满足 LISREL 方法的多元正态分布要求,在有限的样本 量情况下,采用 PLS-SEM 模型对创新系统进行研究是更合理的。

结构方程模型建模方法的比较

结构方程模型建模方法的比较

作者: 徐本山 白宝光

作者机构: 内蒙古工业大学,内蒙古呼和浩特010051

出版物刊名: 时代经贸

页码: 251-251页

年卷期: 2010年 第20期

主题词: 结构方程模型 LISREL PLS 环境

摘要:本文简单的介绍了结构方程模型的一些知识,并简单阐述了结构方程模型的两种建模方法:LISREL方法和PLS方法,通过两种方法的介绍,简单的阐述了两种方法各自适用的环境。

pls法建模

pls法建模

pls法建模

PLS法的主要思想是在建模过程中,先通过对预测变量和响应变量进行主成分分析,得到新的综合变量,再利用这些综合变量来建立回归模型。PLS法的目标是通过最小化预测变量与响应变量之间的残差平方和,找到预测变量与响应变量之间的最大相关性。在建模过程中,PLS法既考虑了预测变量之间的相关性,又考虑了预测变量与响应变量之间的相关性,因此能够更准确地进行建模和预测。PLS法在建模和预测问题中具有许多优点。首先,PLS法不受预测变量之间的多重共线性问题的影响,能够有效地处理高维数据。其次,PLS法能够在建模过程中考虑到预测变量与响应变量之间的相关性,能够更好地捕捉到数据中的信息。此外,PLS法还可以通过引入惩罚项来控制模型的复杂度,避免过拟合问题。

PLS法的建模过程包括以下几个步骤。首先,对预测变量和响应变量进行标准化处理,使其具有相同的尺度。然后,通过对预测变量和响应变量进行主成分分析,得到新的综合变量。接下来,通过逐步回归的方法,选择与响应变量相关性最强的综合变量,建立起初步的回归模型。最后,通过交叉验证等方法,对模型进行优化和验证,选择最终的最优模型。

PLS法在多个领域中都得到了广泛的应用。在化学领域,PLS法可以用于分析光谱数据、色谱数据等。在生物医学领域,PLS法可以用

于预测疾病风险、药物疗效等。在工业领域,PLS法可以用于预测产品质量、优化工艺参数等。在金融领域,PLS法可以用于预测股票价格、汇率走势等。总之,PLS法在各个领域中都具有广泛的应用前景。

总结起来,PLS法是一种多元统计分析方法,通过寻找预测变量与响应变量之间的最大协方差方向,将多个预测变量转化为少数几个综合变量,从而降低了建模的复杂度。PLS法能够在建模过程中同时考虑到预测变量之间的相关性和预测变量与响应变量之间的相关性,具有较好的建模和预测性能。PLS法在多个领域中都得到了广泛的应用,对于解决实际问题具有重要的意义。

结构方程模型参数估计的GME方法

结构方程模型参数估计的GME方法
结构模型结构方程模型的结构模型部分规定了模型中潜在外生变量和潜在内生变量之间的因果关系即tbtlc测量模型测量模型一般由两部分构成分别规定了潜在内生变量和内生的可测变量之间以及潜在外生变量和外生的显变量之间的关系即分别是对应的测量误差向量
国 防 科 技 大 学 学 报 第 29 卷第 1 期 JOURNAL OF NATIONAL UNIVERSITY OF DEFENSE TECHNOLOGY 文章编号 :1001 - 2486 (2007) 01 - 0116 - 06
结构方程模型 ( structural equation model ,简称 SEM) 是一种综合性的统计方法 ,是对验证性因素分析 、 路径分析 、 多元回归及方差分析等统计方法的综合 。该模型源于上世纪 20 年代遗传学者 Sewall Wright [1 - 2 ] 发明的路径分析 ,70 年代开始应用于心理学 、 社会学等领域 ,80 年代初应用到了计量经济学领域 , 如今 SEM 技术已经广泛应用到众多的领域 。结构方程模型属于一种因果关系模型 ,是一种从统计的角 度构建模型的参数化研究方法 。 [3 ] G ME ( generalized maximum entropy , 简称 G ME) 方法 是 ME 原理的扩展 , 是一种与分布无关的方法 , 当模型样本较少时 ,与其他参数求解方法相比 ,能使模型的参数估计更加精确 。另一方面 ,与其他统计 方法相比 , G ME 方法在处理模型中的病态数据 ( ill2posed data) 和缺失数据 ( missing data) 时 ,能使模型达到 收敛 ,稳定性较好 。基于此 ,本文提出应用广义最大熵的方法对结构方程模型的参数进行估计 。

基于PLS路径模型的住院患者满意度影响因素研究

基于PLS路径模型的住院患者满意度影响因素研究

通过 自行 编制问卷对 北京市某 三 甲医 等待时 间 、 诊 断治疗 、 服务 态度等 6个
因素对住 院患者总体满意具有影响 ( P< 0 . 0 5 ) , 且各 因素 的重要性不尽相 同 , 等待时 间对患者满意 的影 响最大 。不 同类 型 患者满意度的影响因素也存在差异 。结论 医 院应 当通过合 理的满 意度测评 , 发现 患者满 意 的关 键驱动 因素 , 以此为依
类 型 以及 患者所 在 的科 室等不 同因素进 行 了平衡 。数 据采集 工作 于 2 0 1 1 年 1 1 月 底展 开 。 4 .数据 处理 与分 析 调查 数据 收 集 后 利 用 E x c e l 软 件 建 立 了数 据 库 , 并对 问卷 中的缺失 值进行 了核查 。缺失 超过 5项 的问
路径 模 型技术 , 构建 住 院患者 满 意度测 评模 型 , 利用 对
为0 . 6 5 , 显示了较好 的收敛效度。此外 , 各个潜 变量
的 AV E大 于潜 变量之 间 的相关 系 数 , 说 明模 型具 有 良 好 的判 别效度 。
3 .调 查对 象
某医院 1 0 5 例住院患者的实地调查数据 , 分析 了该院
作为进入模型的测量变量 。这些指标被划分为 9个类
卷作为无效问卷 , 有效 问卷 中的缺失值用该项所有得ห้องสมุดไป่ตู้ 分的平均值代替。

路径建模

路径建模

路径模型的两种主要方法
• 商业软件也开始开发PLS方法. • 由于数学上的复杂和有数学文章可做, ML-LISREL方法有很多数学研究论文, 而 PLS主要是欧洲大陆(所谓非``盎格鲁萨克逊‘’统计传统)的人在研究. • 从另一个角度来说, 由于软件方便, 而且只要有协方差阵就可以计算, 一些社会 学, 心理学, 教育学等方面的学者喜欢用ML-LISREL方法, 但现在随着PLS软件的 普及, 情况也有改变. • 关于ML-LISREL方法在正态假定不满足时的稳健型, 许多论文都予以否认, 这些 结论往往与LISREL-AMOS软件商的宣传大相径庭. • 在人文学科的实际应用中, 往往统计不显著也都判定显著, 这是因为数据很难 满足正态性假定, LISREL-AMOS软件输出的结果往往统计不显著, 但必须判定显 著. 这其实不是ML-LISREL方法的问题, 而是数据假定太强, 路径模型设定太主观, 不能体现数据所产生的背景规律, 才出现如此削足适履的做法. • ML-LISREL的支持者总是用PLS方法的有偏性性来做文章. 在强大的正态假定下, PLS估计是有偏的, 但这个偏差所造成的误差远远小于假定不正确所造成的误差 . • "ML-LISREL方法是理论导向的, 强调从探索到确认性分析的转换, 而PLS主要是在 高度复杂但又没有什么理论信息时做因果预测分析. • 两种方法不应该是互斥的, 应该是互补的, 除了软件商之外, 学者之间的争论应 该保持在学术上.

PLS上课讲义

PLS上课讲义

PLS上课讲义

PLS与LISREL最大的不同

1. 正规的说法

(1) 适用于小样本或中规模样本

(2) 回收样本不符合常态分配(应该用无母数的KS检定确定是否常态,SEM虽有ADF方法可以解决缺乏常态分配的缺陷,但此时需要非常多样本数)

(3) PLS是component base,将每个组件一一加入,看看每个变量到底能解释多少变异。

LISREL是CO-variance base,是要验证整个模式与假设是否相同。

在某些特定情境下,PLS与Regression的系数会一样。

但因为PLS有多个items,每个item的loading是不同的,但回归的每个items是相同权重的。

因此,当强制规定items的权重都是相同的,或者是只有一个item,则回归与PLS 的答案是相同的。

2. 非正规的说法

当SEM用到万念俱灰,想要放弃时,改用PLS。

这是经常发生的情况。

====================================================

安装smartpls

====================================================

步骤1. 到smartpls.de申请论坛forum账号,等待三天内取得软件的key

步骤2. 到smartpls.de论坛下载软件download

步骤3. 安装java run time environment (到google搜寻,就能找到最新版的

步骤4. 安装smartpls软件,输入序号key,此序号90天要更新一次。同一序号可以安装三次。

  1. 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
  2. 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
  3. 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。
理 论 新 探
!"#$%! 与 &!# 路径建模原理分析与比较
霍映宝
! 南京财经大学 工商管理学院 $ 南京 !-%%%4 "

要 # 本 文 对 目 前 十 分 流 行 的 &’()*& 与 +&( 两 种 建 模 原 理 进 行 了 分 析 $ 并 对 二 者 的 建 模 方 法
进行了比较 $ 给出了各自适合的应用条件 % 关键词 # 结构方程建模 &&’()*& &+&( 中图分类号 #,!-! 文献标识码 #. 文章编号 #-%%!/#012!!%%# "-%/%%-3/%!
+P"G!QK
" # "
"" &"
""& "!!
LN P,)%OM*QLN O K% $ )%OLNO
/$ /$ /$
LN/$%) )
&
!!" 测量模型 测量模型的关系为 #
XK( !M’ YK( "M.
X Y
其 中 $XOKPZ-GZ!G’GZ[Q 为 外 生 观 测 变 量 构 成 的 向 量 $YOKP\-G
/$
"P8Q $ 然后与实际样本得到的协方差阵进行拟合 % 显然一个
理想的模型应当是 "P8Q 与 ( 之间的差别尽可能地小 % 拟合方 法有 #]&( 方法 ! 普通最小二乘法 "’^&( 方法 ! 广 义 最 小 二 乘 法 "’5&* 方 法 ! 极 大 似 然 法 " 和 ^_&( ! 广 义 加 权 最 小 二 乘 法 " 以 及 .‘a 方 法 ! 渐 近 分 布 自 由 法 " 等 % 理 论 上 $]&( ’^&( 和 5&* 方 法 要 求 显 变 量 具 有 正 态 分 布 且 样 本 数 足 够 大 $
模型的零假设是模糊的 # 目标是拒绝 没有显著影响的路径关系的零假设 总体模型拟合 ! 卡方等 " 极大似然估计需要多元正态 # 其它估 计方法支持偏离正态的情况
&’(
拒绝没有影响的一组指定路径零假设 变异解释 !) 平方 " 不需要充分的理论基础 #支持验证和解释性研究
总体分析目标 变异分析目标 分布假定
!4"&’()*& 的完全模型为
&’()*& !6789:; (<;=><=;:6 )*&:<7?8@A7B"% &’()*& 这个名称有 D ;9@E?FG 提 出 的 线 性 结 构 方 程 式 模 型 $ 它 两 个 含 义 $ 一 是 由 C, D ;9@E?F 和 是协方差结构模型分析的典型代表 & 二是表示由 C, D ;H?I 共同开发的软件系统 % 无论是模型还是软 其合作者 (,
根据 :076NFABVO 的 &’( 普通算法 # 标准化隐变量 !!GI9G" 的内部估计 UG 被定义为 %
UG$
/W!/ 连 接 !G
!
*G/J/
内 生 权 重 *G/ 指 在 模 型 中 有 箭 头 连 接 的 两 个 隐 变 量 的 关 系 # 它有三种方法可以选择 % 一是路径加权方法 & 二是重心方 法 & 三是因子加权方法 $ 路径加权方法是将与 !G 连接的所有 隐变量 !/ 分为两 组 # 一 组 是 它 的 前 提 # 一 组 是 它 的 结 果 $ 对 于前提隐变量 !/#*G/ 等于 JG 对 这 些 J/ 的 多 元 回 归 的 J/ 的 回 归系数 # 而对于结果隐变量 !/#*G/ 等于它们之间的相关系数 & 重心方法 *G/ 等 于 JG 与 J/ 的 相 关 的 符 号 & 因 子 加 权 方 法 的 *G/ 等于 JG 与 J/ 的相关系数 $
*77/1,"$ &’( 路径建模方法是 &’( 回归的扩展与延伸 # 它于 > -*.?0,@ !$AB!" 等 人 八十年代早 期 由 8*-921 :;’< 和 =;
开发出来 # 相对 &’( 回归的 应 用 范 围 而 言 #&’( 路 径 建 模 技术在计量经济学和心理学以及管理行为等领域发挥着 更为重要的作用 # 它是 ’C()D’ 分析方法强有力的竞争对 手$
’C()D’ 和 &’( 技术的比较分析 !!" &’( ’C()D’
源于模型参数估计 基于协方差 多元正态与测量变量独立 一致性 不确定的 Z模糊的 反射 要求参数估计准确 小或中等的复杂性 ! 小于 F%% 个显变量 " 基于特定模型的功效分析 # 理 想样本数最小推荐 !%%IB%%
不严格要求 大样本下的一致性 明确的估计 形成与反射 要求预测准确 大 的 复 杂 性 !F%% 隐 变 量 和
!! "
!R "
QG Q GK!M "G4HG4KJGS9 ! "G4 被称为外生权重 $ M % 标准化隐变量 !!GI9G" 的内部估计 UG
!T "
3 LIS REL 和 PLS 建模方法比较分析
文 献 ‘RP 从 模 型 分 析 目 标 ’ 需 要 的 理 论 基 础 ’ 分 布 假 定 以 及 需 要 最 小 样 本 数 等 方 面 对 ’C()D’ 和 &’( 方 法 做 了 比 较 ! 见表 F "$ a4/1 216 b*M.3*6 NFAAAO 对 &’( 与 ’C()D’ 则作了 !V " 更为全面的比较 ! 见表 ! "$ 可以看出 %’C()D’ 方法侧重模型 验证 # 对数据的分布一般 有 严 格 的 假 定 &&’( 则 更 多 关 注 变 异 解 释 #不 需 要 充 分 的 理 论 基 础 #对 偏 离 正 态 的 情 况 也 能 得 到相对稳健的估计 $ 确实 #’C()D’ 与 &’( 方法在许多方面存在不同 # 这种不 同主要是来自于两种方法的估计目标与估计程序的差异$
^_&( 和 .‘a 对正态性没有严格要求 $ 很多软件在缺省状态
下 $ 输出的结果一般为 5&* 的估计 %
\!G’G\BQ 为 内 生 观 测 变 量 构 成 的 向 量 $’ZP[R8Q 和 ’YPBRIQ 分 别
为 相 应 的 回 归 系 数 或 载 荷 矩 阵 $- P8R-Q 和 . PBR-Q 为 对 应 的 测 量 误 差向量 % 假定 *S"UK*S!UK*S-UK*S.UK*S!-OUK*S"-OUK*S!.OUK*S".OUK"
标准化隐变量 ! 均值 K% # 标准差 KF" 以中心化的显变量的 线性组合表示 %
方法是进行普通的多元回归 # 也可以用 &’( 回归或其它有偏 回归的办法来估计结构方程的参数 $
!E!
!F "
JG#L!MG4NHG4IHG4OP
最终可写为 %
&’( 模型的验证 &’( 模 型 的 验 证 包 括 对 结 构 模 型 的 验 证 和 测 量 模 型 的
件都是应用比例最高的 %
"KL"M#!M& ( XK(Z!M) YK(Y"M. +
* *
1 内生隐变量 " 之间的协方差 # V?WP"G"QK*P""OQKLN/-P#)#OM*QLN/-O 5" 与 ! 之间的协方差 # V?WP"G!QK*P"!OQKLN/-67 4 观测变量的最终协方差阵 # "P8QK " # "
’C()D’ 方法强调模型参数的估计和检验 # 它以 丰 富 和 发 展
了参数的估计理论和突破了传统的模型构建方法而值得称 道 $ &’( 则是以最大化预测能力而获得殊荣 $ ’C()D’ 拟合模 型是最小化实际观测变量的协方差与理论假设模型协方差 之间的差异 # 它使用迭代算法同时估计所有的模型参数 $ 算 法从待估参数的一组初始值开始 # 然后经过一系列的迭代调 整 # 直到协方差阵之间的差异达到最小化为止 $ 通常 (D5 模 型多表现为欠定 # 即模型需要估计的参数大于模型所给方程 的 数 目 # 这 带 来 ’C()D’ 对 模 型 的 参 数 估 计 是 不 确 定 的 # 因
-J!
模型检验 根据相关理论建立的模型是否成立 $ 尚需进一步检验 %
&’()*& 建模的优势就在于对模型的验证 ’ 修改与确认 % 主要
的检验方法是 卡 方 检 验 % 主 要 拟 合 指 标 有 拟 合 指 标 ^a’ ’ 调 整自由度的 ^a’ 指标 !.^a’ "’ 均 方 根 残 差 P)5)Q ’ L98b9; 的 比 较 拟 合 指 数 Va’ 和 .’V 准 则 等 % 这 些 指 标 可 在 (.( 中
$ 意味左边的变量代表标准化的右 变 量 # 标 准 化 隐 变 量 "G4NHG4IHG4OP JGKL!M 均值 9G 可由下面公式表示 % Q GK!M " G4H # G4 9
隐变量的估计为 %
验证 $ 判断结构模型路经参数的显著性水平可采用普通的 3 检 验 或 使 用 象 G2X?I?1/]* 的 交 叉 验 证 !X-0..IY27/623/01" 方 法 & 而对于测量模型隐变量与其对应显变量的综合关系 # 则 一般使用 ^7/16]076/1, 的交叉验证法 $ ^7/16]076/1, 的 交 叉 验 证方法是将每一隐变量的显变量数据阵分为 _ 组 # 然后分别 剔除其中的一组对模型运行 _ 次 # 根据公因子方差和冗余度 的大小来测量隐变量对显变量的预测能力 $
需要的理论基础 需要充分的理论基础 #支持验证性研究
&’( 估计对偏离正态的情况也是相对稳健的
在复杂模型中 # 至少是测量变量的 F% 倍
&’( 理论由两个部分组 成 %&’( 回 归 !)*+ ,-*../01 " 与 &’( 路 径 建 模 !&234 506+
需要最小样本数 至少需要 F%%IFV% 个样本 表! 判断标准 分析目标 方法基础 分布假定 参数估计 隐变量得分 隐变量与显变量的关系 适用性 模型复杂性 样本大小 源于预测 基于变异
!EF
&’( 路经模型参数估计
设 &’( 路径模型与 ’C()D’ 的完全模型一样 $ 但为方
便起见 # 记隐变量为 !G@ 显变量为 HG4#&’( 路经估计如下 % !$" 隐变量和权重的估计
F%%% 个显变量 "
基于最大预测数目的模型部 分的功效分析 #推荐 R%IF%%
" 标准化隐变量 !!GI9G" 的外部估计 JG
1 对于 Z 的协方差 #"ZZK(Z)(OZM21 LIS REL 建模原理分析
狭义上讲 $ 结构方程建模 !(*5" 多 指 线 性 结 构 关 系 模 型
3 对于 \ 的协方差 #"\\K(\V?WP"Q(O\M2. 4 对于 Z 与 \ 的协方差 # "Z\K*PZ\OQK*PS(Z!M-US(\"M.UOQK(ZV?WP!G"Q(O\
ZZ \Z Z
$J-
&’()*& 模型的参数估计
!-" 结构模型 用 ! 表 示 外 生 隐 变 量 $" 表 示 内 生 隐 变 量 $&’()*& 模 型
隐变量的关系为 #
"Z\ "\\
Z
"KL"M#!M$
或 #LN"K%!M&!"KL %!ML &
N/N/-
&
/\
其 中 $LNK’/L $"OKP"-G"!G’G"IQ $!OKP!-G!!G(G!8Q $L PIRIQ 是 内生隐变量的系数参数矩阵 $%PIR8Q 是外生隐变量 的 系 数 参 数矩阵 $ 残差项向量 &PIR-QK"/*S"T"G!U % 如果假定 *S"UK*S!UK*S!&OUK*S&UK%$V?WP!QK)P8R8QGV?WP&QK*
V?WP.QK/.PBRBQ$V?WP-QK0-P[R[Q$ 则测量模型的协方差方程为 # *PZZOQ *PZ\OQ "ZZ "Z\ "PZG\QK K *P\ZOQ *PZ\OQ "\Z "\\
%
Z
&%
&
K
( )(O M0 % ( V?WP!G"Q(O
Z Z -
\
(\V?WP"G!Q(OZ (\V?WP"Q(O\M0.
PIRIQ
K
79O M/ #9976 OLN 9O
Z
9\LN/-679OZ 9\LN/-P676OM*QLN/-9O\M/.
百度文库
&
!0" 模型估计方法 模型中的参数采用协方差拟合的方法去获得 % 基本思想 是根据研究人员设计的理论模型求出观测变量的协方差阵
G 且 LN 存在 $ 则结构模型的协方差方程为 #
&
V.&’( 输出结果中得到 %
统计与决策 !""# 年 $% 月 ! 下 "
!"
理 论 新 探
表F
’C()D’ 和 &’( 技术的比较分析 !F"
项目
2 PLS 建模原理分析
偏最小二乘法 !&’( " 是一种新型的多 元统计分析技术 # 最近数年的理论发展与 应用研究得到了众多领域的广泛关注$
’C()D’
相关文档
最新文档