基于结构方程模型的集聚农户共生认知及影响因素分析_以重庆市为例_叶琴丽
第29卷 第4期2015年4月
Vol.29 No.4
Apr.,2015中国土地科学
China Land Sciences
DOI: 10.13708/https://www.360docs.net/doc/715774060.html,11-2640.2015.04.011
基于结构方程模型的集聚农户共生认知及影响因素
分析：以重庆市为例
叶琴丽1，2，王 成1
（1.西南大学地理科学学院乡村人居环境研究实验室，重庆 400715；2.江西省土地开发整理中心，
江西 南昌 330025）
摘要：研究目的：探讨对集聚农户共生、集聚区土地利用率提高的影响因素，为提升农户共生的认知水平、优化农户共生关系及促进资源的节约集约利用提供有效路径及理论指导。研究方法：参与式农户调查，结构方程模型。研究结果：（1）户主自身特征、农户家庭特征、集聚共生效益特征及外部环境与政策特征这4类外源潜变量对农户共生认知产生重要影响且影响程度大小不同，其中，集聚共生效益特征的影响最为显著，外部环境与政策特征、户主自身特征和农户家庭特征的影响依次减弱；（2）是否为干部、对原集聚模式的满意度、是否促进农户生产生活条件和政府对集聚区的补贴力度分别对这4类外源潜变量具有较好的解释能力。研究结论：显化农户共生效益、增强“精英”农户及村干部的正向引导、提升农户成员受教育水平、培养农户“共生共荣”理念等是深化农户共生关系，促进和谐乡村人居环境建设的重要路径。
关键词：土地利用；共生认知；集聚农户； 影响因素； 结构方程模型
中图分类号：F301.2 文献标识码：A 文章编号：1001-8158（2015）04-0082-08
Cognition and Its Impact Factors on the Scale Effects of Village Agglomeration based on the Structural Equation Model: T aking Chongqing as Example
YE Qin-li1,2, WANG Cheng1
（1. School of Geographical Sciences, Southwest University, Chongqing 400715, China; 2. Jiangxi Land Consolidation and
Rehabilitation Center, Nanchang 330025, China）
Abstract: The purpose of this paper is to discuss the impact factors of scale effects cognition level of village agglomeration, which may provide effective paths and theoretical guidance for enhancing farmer's perception level on agglomeration, optimizing relationships of farmers and promoting the economical and intensive utilization of resources. The participatory farm household survey and structural equation model are used in the study. The results show that factors such as farmers’ own characteristics, family characteristics, whether understanding agglomeration benefits, external environmental and policy characteristics, etc., all affect the cognitive degree, and amongst which, whether understanding
收稿日期：2014-03-28
修稿日期：2014-07-17
基金项目：国家“十二五”科技支撑计划子课题（2013BAJ10B07-04A）。
第一作者：叶琴丽（1989-），女，江西上饶人，硕士研究生。主要研究方向为土地利用与国土规划。E-mail: guyunfeiye@https://www.360docs.net/doc/715774060.html,
通讯作者：王成（1974-），男，重庆荣昌人，教授，硕士生导师。主要研究方向为土地利用与农村发展。E-mail: wchorange@https://www.360docs.net/doc/715774060.html,
83叶琴丽等：基于结构方程模型的集聚农户共生认知及影响因素分析：以重庆市为例
the agglomeration benefits plays the most important role and the effects of the other three variables are weaken in turns. In addition, whether to be cadres, the satisfaction of original settlement model, whether to improve production and living conditions and the subsidies from government are greatly affect the corresponding variable. It is concluded that manifesting the agglomeration benefit, improving positive effects of cadres and elite farmers, enhancing farmer educational level and building agglomeration philosophy are effective paths to deepen farmers’ relationship and promote the construction of harmonious rural living environment.
Key words: land use; cognition on scale effects; village agglomeration; impact factors; structural equation model
重庆市6年多的统筹城乡综合配套改革实践取得了丰硕成果，尤其是以农村居民点建设为主线的新农村建设对提高农村土地集约利用和改善农民生产生活条件起到了关键作用，但随着时间推移，农村居民点集聚区内基础设施闲置、公共空间随意占用、与农户传统生活方式不协调等现象开始突显，如何转变集聚区内的各类资源不经济利用方式已成为当前开展农村居民点集聚亟待解决的问题[1-4]。中国农户历来被认为具有“善分不善合”的传统[5]，但农村合作经济组织的兴起促使农户合作成为可能。当前农村居民点集聚区内资源的有限性与农户个体需求多样化矛盾的加剧促使集聚农户间的共生关系深化。集聚农户共生是指集聚区内的农户通过资源共享、义务共担的形式，实现空间、物质和信息共享的过程中所形成的一种互惠互利、相互依赖、共同生活的关系，即实现农户的共同利益[6-8]。农户共生程度与农户对共生的认知水平密切相关。农户共生认知是农户共生关系深化的基本环节[9]，是农户为实现共同利益而经历的一系列加工处理信息的心理过程。由于缺乏对共生的有效认知，农户间的共生关系始终停留在低级阶段，无法最大化地发挥农户共生能量。尽管当前对农户共生的关注度逐渐提高，但文献描述性研究较多[5,10-11]，且多聚焦于共生行为理论[6-8,11]，实证考察农户共生认知及其影响因素之间关系的基础性研究相对匮乏。因此，本文在共生理论的基础上，从农户微观行为主体出发，建立了农户共生认知的结构方程模型，对农户共生认知与其影响因素之间的关系进行模拟与定量分析，旨在为深化农户共生关系、采取共生行为，提高农村居民点集聚区资源共享程度提供理论指导。
1 研究方法
1.1 基于结构方程模型的农户共生认知分析方法
集聚农户对共生的认知属于农户的主观认识，具有难以直接测量与难以避免主观测量误差的特征。与传统的多元统计方法相比，结构方程模型引入潜变量，可以同时考虑及处理多个内生变量及同时分析变量间的直接效应和间接效应，并在参数估计时允许存在测量误差[12]。正是由于结构方程模型具有很好的实证分析能力，且适用于潜变量分析，在行为科学和社会学等领域得到了广泛的应用[13-16]。结构方程模型方法主要由结构方程和测量模型两部分组成，一般由3个矩阵方程式所代表。
（式1）
式1为结构方程，反映潜变量之间的结构关系，其中η为内生潜变量，为外源潜变量，B为内生潜变量间的相关系数矩阵，Γ为外生潜变量对内生潜变量的影响系数矩阵，ζ是测量误差。
（式2）
（式3）
式2和式3为测量变量模型，反映潜变量和可测变量间的关系。其中，Y为内生潜变量的可测变量，X为外源潜变量的可测变量，Λy为内生潜变量与其可测变量的关联系数矩阵，Λx为外源潜变量与其可测变量的关联系数矩阵，ε、δ为测量模型的残差矩阵。通过测量模型，潜变量可以由可测变量来反映。通过求解式1、式2和式3，可
84
中国土地科学 2015年4月 第4期获得内生潜变量和外源潜变量，以及各个潜变量与可测变量之间的关系。
1.2 变量选择
农户作为经济“理性人”和社会“理性人”的综合体[17]，其居住生活方式的改变决策是追求生存、经济、社会等综合效益均衡的结果，并非单纯地追求经济利益最大化，因此其影响因素往往是综合的、差异的。首先，农户作为农村居民点建设的行为主体，农户自身特征，尤其是作为一家之主的户主，其个人特征包括年龄、受教育程度、是否为干部等因素都可能对农户共生认知程度产生重要影响。其次，农户家庭原来的居住生活方式将直接影响农户对新型集聚模式的满意度[18]及融入情况，进而影响农户对共生的认知积极性及共生行为的深化，其中包括家庭年收入、原房屋结构及房屋面积、对原集聚模式的满意度等方面，将其归纳为农户家庭特征；第三，农户在信息不完全和不对称的情况下，对共生效益缺乏了解和预期而导致不能准确预估采取共生行为的风险，进而阻碍共生行为的深化，因此，共生效益是否足够吸引农户，对加强农户共生认知具有重要作用，由此选取是否改善生产生活条件、是否促进邻里关系、是否扩大社交网络、空间与信息共享程度作为可观测变量；第四，在农户深化共生行为的动力不足和存在很多限制因素的情况下，外部环境与政策特征往往在促进农户共生认知方面发挥重要作用，将对集聚政策的了解程度、补贴力度、其他农户的决策影响及农村企业的吸引辐射影响4个指标纳入检验范围。
1.3 农户共生认知假说及模型建立
假说以农户的集聚共生认知为内生潜变量，集聚农户的自身特征、家庭特征、对共生效益认知特征、外部环境与政策特征作为模型的4类外源潜变量，提出以下假设并构建假说模型（图1）：H1：农户的自身特征、家庭特征、共生效益认知特征和外部环境与政策特征4类外源潜变量对农户共生认知产生重要影响。H2：受教育程度、是否为干部、家庭年收入、原房屋面积、空间与信息共享程度、是否改善生产生活条件及促进邻里关系和扩大社交网络、对集聚政策的了解程度、补贴力度、其他农户的决策影响、农村企业的吸引辐射影响与农户对集聚共生的认知呈正相关关系。H3：原房屋结构及农户对原集聚模式的满意度对农户共生认知呈负相关关系。
图1 农户共生认知影响因素的假说模型
Fig.1 Hypothesis model of cognitive factor of village agglomeration
2 样本选择与设计
2.1 研究区选择
立足于重庆市“五大功能分区”的发展战略，结合不同区县发展定位，分别选择代表都市功能拓展区的沙坪坝区和北碚区，以及代表城市发展新区的合川区及铜梁县。不同区域内，农村居民点集聚推动力不同，据此在样区内选择具有代表性的样点村，其中合川区大柱村、北碚区陡梯村和铜梁县久远村主要在土地整治带动下实施居民点集聚，合川区兴坝村则主要为纯农生产带动区，沙坪坝区白林村已实现半城镇化并即将步入全域城镇化，北碚区和睦村为农业结构调整带动区，不同样点村在各自发展模式推动下形成农村居民点集聚区。
85叶琴丽等：基于结构方程模型的集聚农户共生认知及影响因素分析：以重庆市为例
2.2 数据获取
本次调查是为了研究农户对集聚共生的认知情况，在调查过程中所有受访农户均为集聚区内农户或即将搬入集聚区内的农户。课题组于2013年9月对样点村进行参与式农户调查，并结合研究区实际以半结构深入访谈和小型座谈的形式展开实地调研。其中，问卷调查内容涉及户主基本特征、农户家庭特征、农户共生效益认知特征及政策与环境特征等4个大项69个小项，课题组现场讲解、指导问卷填写，并在当地政府及村干部的支持下，搜集了相关政策及数据资料包括农村经济报表、农户建房政策支持情况、农户集聚政策等。本次累计调查了6个行政村的357户农户，对农户调查数据进行整理、甄别、提出和分析，得到有效问卷315份，其中已入住集聚区农户问卷数为127份，即将迁入集聚区农户188份，有效问卷率为88.2%，样本数据的统计学特征如表1所示。
表1 样本数据及统计量
Tab.1 The sample data and statistics
变量测量方法均值标准差
自身特征（SELF）教育程度（EDU）小学及以下=1；初中=2；高中=3；大专及以
上=4
2.47430.8017是否为干部（CADRE）否=0；是=10.17790.7159
家庭特征（F AMILY）家庭人均年收入（INC）3000元以下=1；3000—5000元=2；
5000—10000元=3；10000—20000元=4；
20000元以上=5
3.8991 1.7139
原住居结构（STRUC）砖混=1；石混=2；木石=3；土木=4 1.2843 1.1107集聚前住房面积（AREA）小于100 m2=1；100—200 m2=2； 300—400 m2=3；
大于400 m2=4
2.60530.7368
对原集聚模式的满意度（SAT）满意=1；一般=2；不满意=3 1.9844 1.2743
集聚共生效益认知特征（BENEFIT）是否改善生产生活条件（IFENH）否=0；是=10.51320.6541是否促进邻里关系（IFPRO）否=0；是=10.27140.3163是否扩大社交网络（IFEXP）否=0；是=10.33150.4576空间与信息共享程度（SHARE）弱=1；一般=2；强=3 1.25590.5107
政策与环
境特征（POLENV）
对集聚政策的了解程度（JJZC）不熟悉=1；一般=2；熟悉=3 2.07130.6614补贴力度（BTLD）（0，20%]=1；（20%，30%]=2；（30%，50%]=3；
（50%，80%]=4；（80%，100%]=5
1.27490.4772其他农户的决策影响程度（TNJCXY）弱=1；一般=2；强=3
2.04760.9712农村企业的吸引辐射影响程度
（NQXY）
弱=1；一般=2；强=3 1.8223 1.0052
2.3 样本信度、效度检验
为了检验问卷的可靠性和有效性，采用Cronbach’s α系数作为信度检验的测量指标。利用SPSS 18.0软件对农户自身特征、家庭特征、集聚共生效益认知特征及外部环境与政策特征4个潜变量的可观测变量进行信度分析。4个潜变量的α值介于0.788—0.892，问卷整体的α值为0.842，研究所用的数据具有很好的内部一致性。另外，各个可观测变量的标准因子载荷系数都在0.7左右，说明各潜变量的结构效度良好，表明问卷测量变量的设计比较理想。同时，利用SPSS 18.0软件对样本数据进行因子分析。通过对数据进行探索性因子分析发现大部分系数值大于0.3，其检验值小于0.05（由SPSS 18.0软件直接输出运算结果）；其次，利用Kaiser-Meyer-Olkin样本测度和Bartlett球体检验来验证调查数据是否适合做因子分析。软件运行结果KMO的值为0.913，Bartlett球
中国土地科学 2015年4月 第4期
86体检验卡方统计量为2118，P 值小于0.001，说明数据具有很高的相关性，适宜做因子分析。
3 研究结果与分析
3.1 农户共生认知结构方程模型拟合
应用AMOS 7.0软件对图1模型进行拟合，通过渐进式的方式对模型进行了数次修正，模型的各项拟合指标及路径系数均较小，通过审查输出结果，最终达到如图2所示的优化模型。
结果表明，4类外源潜变量对集聚农户共生认知的影响均通过了显著性检验，且这4类潜变量对集聚农户共生认知均具有显著的影响，与前文假设一致。但是，集聚共生效益认知特征对集聚农户共生认知的影响程度相对最强，达到0.577个单位，外部环境与政策特征、自身特征及家庭特征对集聚农户共生认知的影响程度逐渐减弱，其路径系数分别为0.492、0.381、0.327。
同时得到测量模型的标准因子载荷系数（表2），由表2可见，各可观测变量的临界比值（C.R 值）都大于2，且都在1%显著水平上通过检验，说明外源潜变量与可观测变量之间的载荷系数估计具有统计学意义，模型设定的可观测变量可以用于对潜变量的考察，且具有较高的会聚有效性。
标准因子载荷系数反映了各个观测变量与其所对应的外生潜变量之间的关系。从表2可以看出，共生是否能改善农户生产生活条件、促进邻里关系对集聚共生效益认知特征的解释程度较好，分别达到0.887和0.803，说明通过共生达到生产生活条件改善和邻里关系的提高这两个变量平均能够解释集聚共生效益的80%以上，是否扩大社交网络则接近70%，解释程度相对较弱。政府补贴力度及其他农户的决策影响也较好地体现了政府政策与外部环境特征（标准因子载荷系数分别为0.811和0.799），其解释程度平均达到80%左右。户主受教育程度和是否为干部对农户自身特征的平均解释程度达到60%以上。农户集聚前住房面积和对原集聚模式的满
图2 修正后的结构方程模型路径图
Fig.2
The route picture of amended SEM
87叶琴丽等：基于结构方程模型的集聚农户共生认知及影响因素分析：以重庆市为例
意度对农户家庭特征的解释程度平均在60%左右。
表2 SEM变量回归结果
Tab.2 Regression results of variables of SEM
变量关系未标准化路径/载荷系数临界比率值（C.R.）标准化路径/载荷系数是否显著
测量模型EDU↙SELF 1.000—0.556显著CADRE↙SELF 1.623***7.8640.731显著INC↙F AMILY 1.277*** 5.4780.358不显著STRUC↙F AMILY0.977*** 4.2930.364不显著AREA↙F AMILY 1.032***9.4110.588显著SAT↙F AMILY 1.000—0.617显著IFENH↙BENEFIT 1.192***15.6850.887显著IFPRO↙BENEFIT 1.127***11.2720.803显著IFEXP↙BENEFIT 1.000—0.691显著SHARE↙BENEFIT0.747*** 3.4710.289不显著JJZC↙POLENV 1.000—0.561显著BTLD↙POLENV 1.726***13.1880.811显著TNJCYX↙POLENV 1.220***14.2360.779显著NQYX↙POLENV0.582*** 3.1170.173不显著
注：***表示p < 0.001，带“—”的4条路径表示它们作为SEM参数估计的基准，系统进行估计时把其作为显著路径来估计其他路径是否显著。
为了确定结构方程模型是否适配于集聚农户共生认知研究，从绝对拟合指数和相对拟合指数进行模型适配度检验，检验结果如表3。可见，模型的整体拟合度很好，各指数指标值都符合标准值的要求，说明所提出的因果关系模型与实际调查数据是契合的。
表3 SEM整体适配度的评价指标体系及拟合结果
Tab.3 Evaluation index system of overall ? tness degree and ? tting results of SEM
统计检验量实际拟合值标准结果
绝对适配度指数
χ226.732（p = 0.836）显著性概率值p＞0.05理想
GFI0.923＞0.90理想
RMR0.051＜0.05理想相对适配度指数
NFI0.911＞0.90理想
TLI0.927＞0.90理想
CFI0.953＞0.90理想
注：χ2代表模型的卡方值（Chi-Square）；GFI代表拟合优度指数（Goodness of Fit Index）；RMR代表均方根残余指数（Root Mean Square Residual）；NFI代表规范拟合指数（Normed Fit Index）；TLI代表塔克-刘易斯指数（Tucker-Lewis Index）；CFI代表比较拟合指数（Comparative Fit Index）。
3.2 结果分析
3.2.1 户主自身特征对集聚共生认知的影响 由表2可知，是否为干部是农户自身特征潜变量中对集聚共生认知最为显著的影响因素（其标准因子载荷系数为0.731）。与普通农户相比，村镇干部对集聚政策、集聚优势、集
88
中国土地科学 2015年4月 第4期聚效益等认知较为强烈，视野相对开阔，且拥有较多的社会资源，对集聚共生认知具有较强的主动性，通常是新事物的首先尝试者和示范者。受教育程度对促进集聚农户共生认知产生重要作用。研究表明，受教育程度越高，越会增强农户对集聚共生的认知意愿，且认知程度更加透彻。一般情况，村干部的受教育程度相对较高，而且村干部较其他受教育程度较高的农户而言，有更多的机会外出交流、学习、考察，对政策的把握程度、吸收新事物的能力更强，因此是否为村干部成为户主自身特征中对共生认知影响最为显著的因素。总体来说，农户对共生认知程度的深入能够显著提高集聚区内农户入住率、增强农户入住集聚区后的幸福感、归属感。
3.2.2 农户家庭特征对集聚共生认知的影响 农户对原集聚模式的满意程度是农户家庭特征中最显著的可测变量。调查发现，43.2%的农户对原集聚模式满意度较低，37.3%的农户满意度较高，而20.5%的农户认为两种集聚模式都可以。农户对原集聚模式满意度越低，其改变原集聚模式的愿望越强烈，因此该类农户对集聚政策的响应最为积极，且其融入新集聚区的意愿越强，促使农户主动寻求与其他农户之间的交流与合作，增加了农户对集聚共生认知的可能性。集聚区内的房屋面积一般为标准化的统一规模，集聚前农户住房面积越大，集聚后农户为保持原有生产生活方式而努力寻找新途径来满足自身需求，即在有限的空间寻求利益最大化，而农户共生的目标即实现农户的共同利益，注重从集体理性角度合理配置各项资源，为农户实现利益最大化提供了有效途径，激发了农户对共生相关知识的认知欲望。
3.2.3 集聚共生效益认知特征对集聚共生认知的影响 集聚共生效益认知特征对集聚农户共生认知的影响最显著，这表明农户采取集聚共生行为后是否改善生产生活条件、促进邻里关系、扩大社交网络等共生效益的认知程度是影响农户共生认知的重要因素，其标准因子载荷系数分别为0.887、0.803、0.691，相对其他影响因素，其载荷系数普遍较高。乡村聚落的第一价值在于生产生活性，因此相对邻里关系的改善及社交网络的扩大、生产生活条件的提高对降低农户适应新环境的压力、增强幸福感的作用显著，对农户积极融入共生环境具有更大吸引力，其影响程度在所有可测变量中为最大。农户作为理性经济人，尤其是长期受“小农经济”影响，农户在无法完全认知共生效益背景下，很难跨出原来的门槛去尝试新的生产生活方式。对共生效益预期的高低直接体现了农户对集聚共生经济、生态等效益的判断，对集聚共生认知具有重要影响。通常，农户对集聚共生效益的预期越高，农户会产生深入了解集聚共生机制的意愿，进而采取集聚共生行为。
3.2.4 政策与环境特征对集聚共生认知的影响 政策与环境特征也是影响农户共生认知的重要因素。随着农户对集聚政策如巴渝新居、危旧房改造等了解程度的深入，农户对集聚生活方式的接受程度加深，间接促进了农户对集聚共生的接纳度。当地政府对集聚农户的补贴力度成为影响集聚农户共生认知的最显著因素，其标准因子载荷系数达到0.811，为所有可测变量中影响农户共生认知的第二大因素，这也说明政策激励机制在促进农户合作中发挥重要作用。政府的补贴力度越大，农户“安土重迁”的心理损失以另一种方式得到弥补，满意度增加，加快农户融入集聚区生活，为农户共生认知及共生行为选择奠定坚实的基础。此外，受“从众心理”影响及自身认知的有限性，农户在做某项决策时受其他农户行为影响显著，希望以此判断决策的正确性进而降低个人风险成本。因此良好的政策与环境氛围有助于提高农户的集聚共生认知水平及采取共生行为的愿望。
4 结论与讨论
基于结构方程模型对农户共生认知这一无法直接观测变量进行研究，构建农户共生认知影响因素模型并加以实证分析和模拟，对本文分析农户共生认知与其影响因素之间的关系具有较强的适用性。研究结果显示，可观测变量对户主自身特征、农户家庭特征、集聚共生效益认知特征和政策与外部环境特征这4类外源潜变量的解释能力均较强。其中，是否为干部、对原集聚模式的满意度、是否促进农户生产生活条件和政府对集聚区的补贴力度分别对这4类外源潜变量的解释能力相对较好。另一方面，4类潜变量对集聚农户共生认知均有较
89叶琴丽等：基于结构方程模型的集聚农户共生认知及影响因素分析：以重庆市为例
大影响，但其影响程度不同，其中集聚共生效益认知特征对农户共生认知的影响最为显著，外部环境与政策、农户自身特征和农户家庭特征对农户共生认知的影响依次减弱。
面对业缘关系日渐替代亲缘、血缘关系的农村居民点集聚区，农户共生认知研究不仅有助于提升集聚区农户间相互依存、相互信任的邻里关系，深化农户合作行为，而且从本源上解决了集聚区公共空间闲置、入住率低及农户再次随意建房的尴尬局面。研究结论显示，通过显化农户共生效益、增强“精英”农户及村干部的正向影响力、提升农户成员受教育水平、深化农户“共生共荣”的合作理念等基本措施提高农户共生认知水平，实现“资源共享、义务共担”的集聚区建设理念，是构建和谐乡村人居环境的重要路径。与此同时，由于不同类型农户存在着生计方式、消费需求等方面的差异，如何在农户共生认知水平提高的基础上，寻求深化农户共生行为、增进不同类型农户间合作的解决路径，切实改善中国农户“善分不善合”传统，促进农村经济合作组织的良性运作是一项新的研究课题，有待深入研究。
参考文献（References）：
［1］刘彦随. 中国新农村建设地理论［M］. 北京：科学出版社，2011：262 - 264.
［2］L ong Hualou, Liu Yansui, Li Xiubin. Building new countryside in China：A geographical perspective［J］. Land Use Policy, 2010, 27（2）：457 - 470.
［3］王成，王利平，李晓庆，等.农户后顾生计来源及其居民点集聚研究——基于重庆市西部郊区白林村471户农户调查［J］.地理学报，2011，66（8）：1141 - 1152.
［4］李晓庆，王成，王利平，等. 农户对农村居民点整合的意愿及其驱动机制——以重庆市沙坪坝区曾家镇白林村为例［J］ . 地理科学进展，2013，32（4）：671 - 680.
［5］黄珺，顾海英，朱国玮. 中国农户合作行为的博弈分析和现实阐释［J］. 中国软科学，2005，（12）：60 - 66.
［6］J effrey M. Bradshaw. From knowledge science to symbiosis science［J］. International Journal of Human-Computer Studies, 2013,71（2）：171 - 176.
［7］袁纯清.共生理论——兼论小型经济［M］.北京：经济科学出版社,1998.
［8］彭建仿，杨爽. 共生视角下农户安全农产品生产行为选择——基于407个农户的实证分析［J］ . 中国农村经济，2011，（11）：
68 - 78.
［9］张玉英，王成，王利平，等.农村居民点集聚区不同类型农户共生认知及响应［J］. 中国农村经济，2012，（8）：88 - 96.
［10］刘少武. 和而不同：三峡移民安置地区域文化共同体的构建［J］. 大众商务，2009，（104）：269 - 270.
［11］罗庆，李小建. 基于共生理论的农户群发展研究：以河南省孟寨村农户群为例［J］. 经济经纬，2010，（2）：48 - 51.
［12］吴明隆. 结构方程模型——AMOS的操作与应用［M］. 重庆：重庆大学出版社，2009：2 - 4.
［13］吴林海，侯博，高申荣.基于结构方程模型的分散农户农药残留认知与主要影响因素分析［J］ . 中国农村经济，2011，（3）：
35 - 46.
［14］张文宏，雷开春. 城市新移民社会认同的结构模型［J］. 社会学研究，2009，24（4）：61 - 87.
［15］武文杰，刘志林，张文忠. 基于结构方程模型的北京居住用地价格影响因素评价［J］. 地理学报，2010，65（6）：676 - 684.［16］B o Xiong, Martin Skitmore, Bo Xia, et al. Examining the influence of participant performance factors on contractor satisfaction：a structural equation model［J］. Energy Policy, 2013, （62）：372 - 378.
［17］宋圭武. 农户行为研究若干问题述评［J］. 农业技术经济, 2002, （4）：59 - 64.
［18］曲衍波，姜广辉，张凤荣，等. 基于农户意愿的农村居民点整治模式［J］. 农业工程学报，2012，28（23）：232 - 242.
（本文责编：仲济香）
结构方程sem模型案例分析
结构方程SEM模型案例分析 什么是SEM模型? 结构方程模型（Structural equation modeling, SEM）是一种融合了因素分析和路径分析的多元统计技术。它的强势在于对多变量间交互关系的定量研究。在近三十年内，SEM大量的应用于社会科学及行为科学的领域里，并在近几年开始逐渐应用于市场研究中. 顾客满意度就是顾客认为产品或服务是否达到或超过他的预期的一种感受。结构方程模型（SEM）就是对顾客满意度的研究采用的模型方法之一。其目的在于探索事物间的因果关系，并将这种关系用因果模型、路径图等形式加以表述。如下图： 图: SEM模型的基本框架 在模型中包括两类变量：一类为观测变量，是可以通过访谈或其他方式调查得到的，用长方形表示；一类为结构变量，是无法直接观察的变量，又称为潜变量，用椭圆形表示。 各变量之间均存在一定的关系，这种关系是可以计算的。计算出来的值就叫参数，参数值的大小，意味着该指标对满意度的影响的大小，都是直接决定顾客购买与否的重要因素。如果能科学地测算出参数值，就可以找出影响顾客满意度的关键绩效因素，引导企业进行完善或者改进，达到快速提升顾客满意度的目的。 SEM的主要优势 第一，它可以立体、多层次的展现驱动力分析。这种多层次的因果关系更加符合真实的人类思维形式，而这是传统回归分析无法做到的。SEM根据不同属性的抽象程度将属性分成多层进行分析。 第二，SEM分析可以将无法直接测量的属性纳入分析，比方说消费者忠诚度。这样就可以将数据分析的范围加大，尤其适合一些比较抽象的归纳性的属性。 第三，SEM分析可以将各属性之间的因果关系量化，使它们能在同一个层面进行对比，同时也可以使用同一个模型对各细分市场或各竞争对手进行比较。
AMOS结构方程模型分析
A M O S结构方程模型分 析 文档编制序号：[KKIDT-LLE0828-LLETD298-POI08]
Amos模型设定操作 在使用AMOS进行模型设定之前，建议事先在纸上绘制出基本理论模型和变量影响关系路径图，并确定潜变量与可测变量的名称，以避免不必要的返工。 1.绘制潜变量 使用建模区域绘制模型中的潜变量，在潜变量上点击右键选择Object Properties，为潜变量命名。 2.为潜变量设置可测变量及相应的残差变量 使用绘制。在可测变量上点击右键选择Object Properties为可测变量命名。其中Variable Name对应的是数据的变量名，在残差变量上右键选择Object Properties为残差变量命名。 3.配置数据文件，读入数据 File——Data Files——File Name——OK。 4.模型拟合 View——Analysis Properties——Estimation——Maximum Likelihood。 5.标准化系数 Analysis Properties——Output——Standardized Estimates——因子载荷标准化系数。 6.参数估计结果 Analyze——Calculate Estimates。红色框架部分是模型运算基本结果信息，点击View the Output Path Diagram查看参数估计结果图。 7.模型评价 点击查看AMOS路径系数或载荷系数以及拟合指标评价。 路径系数/载荷系数的显着性 模型评价首先需要对路径系数或载荷系数进行统计显着性检验。 模型拟合指数 模型拟合指数是考察理论结构模型对数据拟合程度的统计指标。拟合指数的作用是考察理论模型与数据的适配程度，并不能作为判断模型是否成立的唯一依据。拟合优度高的模型只能作为参考，还需要根据所研究问题的背景知识进行模型合理性讨论。 指数名称评价标准1 绝对拟合指2 (卡方)越小越好
结构方程模型案例
结构方程模型（Structural Equation Modeling，SEM) 20世纪——主流统计方法技术：因素分析回归分析 20世纪70年代：结构方程模型时代正式来临 结构方程模型是一门基于统计分析技术的研究方法学，它主要用于解决社会科学研究中的多变量问题，用来处理复杂的多变量研究数据的探究与分析。在社会科学及经济、市场、管理等研究领域，有时需处理多个原因、多个结果的关系，或者会碰到不可直接观测的变量（即潜变量），这些都是传统的统计方法不能很好解决的问题。SEM能够对抽象的概念进行估计与检定，而且能够同时进行潜在变量的估计与复杂自变量/因变量预测模型的参数估计。 结构方程模型是一种非常通用的、主要的线形统计建模技术，广泛应用于心理学、经济学、社会学、行为科学等领域的研究。实际上，它是计量经济学、计量社会学与计量心理学等领域的统计分析方法的综合。多元回归、因子分析和通径分析等方法都只是结构方程模型中的一种特例。 结构方程模型是利用联立方程组求解，它没有很严格的假定限制条件，同时允许自变量和因变量存在测量误差。在许多科学领域的研究中，有些变量并不能直接测量。实际上，这些变量基本上是人们为了理解和研究某类目的而建立的假设概念，对于它们并不存在直接测量的操作方法。人们可以找到一些可观察的变量作为这些潜在变量的“标识”，然而这些潜在变量的观察标识总是包含了大量的测量误差。在统计分析中，即使是对那些可以测量的变量，也总是不断受到测量误差问题的侵扰。自变量测量误差的发生会导致常规回归模型参数估计产生偏差。虽然传统的因子分析允许对潜在变量设立多元标识，也可处理测量误差，但是，它不能分析因子之间的关系。只有结构方程模型即能够使研究人员在分析中处理测量误差，又可分析潜在变量之间的结构关系。 简单而言，与传统的回归分析不同，结构方程分析能同时处理多个因变量，并可比较及评价不同的理论模型。与传统的探索性因子分析不同，在结构方程模型中，我们可以提出一个特定的因子结构，并检验它是否吻合数据。通过结构方程多组分析，我们可以了解不同组别内各变量的关系是否保持不变，各因子的均值是否有显著差异。” 目前，已经有多种软件可以处理SEM，包括：LISREL，AMOS, EQS, Mplus. 结构方程模型包括测量方程（LV和MV之间关系的方程，外部关系）和结构方程（LV之间关系的方程，内部关系），以ACSI模型为例，具体形式如下：
AMOS结构方程模型分析
Amos 模型设定操作 在使用 AMOS 进行模型设定之前，建议事先在纸上绘制出基本理论模型和变量影响关系路径图， 并确定潜变量与可测变量的名称，以避免不必要的返工。 1.绘制潜变量 使用建模区域绘制模型中的潜变量，在潜变量上点击右键选择Object Properties，为潜变量命名。 2.为潜变量设置可测变量及相应的残差变量 使用绘制。在可测变量上点击右键选择对应的是数据的变量名，在残差变量上右键选择Object Properties为可测变量命名。其中 Object Properties为残差变量命名。 Variable Name
3.配置数据文件，读入数据 File—— Data Files—— File Name—— OK。 4.模型拟合 View—— Analysis Properties—— Estimation—— Maximum Likelihood 。 5.标准化系数 Analysis Properties—— Output—— Standardized Estimates——因子载荷标准化系数。
6.参数估计结果 Analyze—— Calculate Estimates。红色框架部分是模型运算基本结果信息，点击 View the Output Path Diagram查看参数估计结果图。 7.模型评价 点击查看 AMOS 路径系数或载荷系数以及拟合指标评价。 路径系数 /载荷系数的显著性 模型评价首先需要对路径系数或载荷系数进行统计显著性检验。 模型拟合指数 模型拟合指数是考察理论结构模型对数据拟合程度的统计指标。拟合指数的作用是考察理论模型与数据的适配程度，并不能作为判断模型是否成立的唯一依据。拟合优度高的模型只能作为参考，还需要根据所研究问题的背景知识进行模型合理性讨论。
AMOS解释结构方程模型
AMOS输出解读 惠顿研究 惠顿数据文件在各种结构方程模型中被当作经典案例，包括AMOS 和LISREL。本文以惠顿的社会疏离感追踪研究为例详细解释AMOS的输出结果。AMOS同样能处理与时间有关的自相关回归。 惠顿研究涉及三个潜变量，每个潜变量由两个观测变量确定。67疏离感由67无力感（在1967年无力感量表上的得分）和67无价值感（在1967年无价值感量表上的得分）确定。71疏离感的处理方式相同，使用1971年对应的两个量表的得分。第三个潜变量，SES（社会经济地位）是由教育（上学年数）和SEI (邓肯的社会经济指数)确定。 解读步骤 1.导入数据。 AMOS在文件ex06-a.amw中提供惠顿数据文件。使用File/Open，选择这个文件。在图形模式中，文件显示如下。虽然这里是预定义模式，图形模式允许你给变量添加椭圆，方形，箭头等元素建立新模型
2.模型识别。 潜变量的方差和与它关联的回归系数取决于变量的测量单位，但刚开始谁知道呢。比如说要估计误差的回归系数同时也估计误差的方差，就好像说“我买了10块钱的黄瓜，然后你就推测有几根黄瓜，每根黄瓜多少钱”，这是不可能实现的，因为没有足够的信息。如何告诉你“我买了10块钱的黄瓜，有5根”，你便可以推出每根黄瓜2块钱。对潜变量，必须给它们指定一个数值，要么是与潜变量有关的回归系数，要么是它的方差。对误差项的处理也是一样。一旦做完这些处理，其它系数在模型中就可以被估计。在这里我们把与误差项关联的路径设为1，再从潜变量指向观测变量的路径中选一条把它设为1。这样就给每个潜变量设置了测量尺度，如果没有这个测量尺度，模型是不确定的。有了这些约束，模型就可以识别了。 注释：设置的数值可以是1，也可以是其它数，这些数对回归系数没有影响，但对误差有影响，在标准化的情况下，误差项的路径系数平方等于它的测量方差。 3.解释模型。 模型设置完毕后，在图形模式中点击工具栏中计算估计按钮 。输出如下。蓝色字体用于注解，不是AMOS输出的一部分。 Title Example 6, Model A: Exploratory analysis Stability of alienation, mediated by ses. Correlations, standard deviations and means from Wheaton et al. (1977). 以上是标题，全是英文，自己翻译去吧。 Notes for Group (Group number 1) The model is recursive. Sample size = 932 各组注释：它告诉你模型为递归模型，样本量为932。
结构方程模型案例汇总-共18页
结构方程模型( Structural Equation ，SEM) Modeling 20 世纪——主流统计方法技术：因素分析回归分析 20 世纪70 年代：结构方程模型时代正式来临结构方程模型是一门基于统计分析技术的研究方法学，它主要用于解决社会科学研究中的多变量问题，用来处理复杂的多变量研究数据的探究与分析。在社会科学及经济、市场、管理等研究领域，有时需处理多个原因、多个结果的关系，或者会碰到不可直接观测的变量（即潜变量），这些都是传统的统计方法不能很好解决的问题。SEM能够对抽象的概念进行估计与检定，而且能够同时进行潜在变量的估计与复杂自变量/ 因变量预测模型的参数估计。 结构方程模型是一种非常通用的、主要的线形统计建模技术，广泛应用于心理学、经济学、社会学、行为科学等领域的研究。实际上，它是计量经济学、计量社会学与计量心理学等领域的统计分析方法的综合。多元回归、因子分析和通径分析等方法都只是结构方程模型中的一种特例。 结构方程模型是利用联立方程组求解，它没有很严格的假定限制条件，同时允许自变量和因变量存在测量误差。在许多科学领域的研究中，有些变量并不能直接测量。实际上，这些变量基本上是人们为了理解和研究某类目的而建立的假设概念，对于它们并不存在直接测量的操作方法。人们可以找到一些可观察的变量作为这些潜在变量的“标识”，然而这些潜在变量的观察标识总是包含了大量的测量误差。在统计分析中，即使是对那些可以测量的变量，也总是不断受到测量误差问题的侵扰。自变量测量误差的发生会导致常规回归模型参数估计产生偏差。虽然传统的因子分析允许对潜在变量设立多元标识，也可处理测量误差，但是，它不能分析因子之间的关系。只有结构方程模型即能够使研究人员在分析中处理测量误差，又可分析潜在变量之间的结构关系。 简单而言，与传统的回归分析不同，结构方程分析能同时处理多个因变量，并可比较及评价不同的理论模型。与传统的探索性因子分析不同，在结构方程模型中，我们可以提出一个特定的因子结构，并检验它是否吻合数据。通过结构方程多组分析，我们可以了解不同组别内各变量的关系是否保持不变，各因子的均值是否有显著差异。” 目前，已经有多种软件可以处理SEM，包括：LISREL，AMOS, EQS, Mplus. 结构方程模型包括测量方程（LV和MV之间关系的方程，外部关系）和结构方程
最新★结构方程模型要点资料
★结构方程模型要点 一、结构方程模型的模型构成 1、变量 观测变量：能够观测到的变量(路径图中以长方形表示) 潜在变量：难以直接观测到的抽象概念，由观测变量推估出来的变量（路径图中以椭圆形表示） 内生变量：模型总会受到任何一个其他变量影响的变量（因变量；路径图会受 外生变量：模型中不受任何其他变量影响但影响其他变量的变量（自变量；路 中介变量：当内生变量同时做因变量和自变量时，表示该变量不仅被其他变量影响，还可能对其他变量产生影响。 内生潜在变量：潜变量作为内生变量 内生观测变量：内生潜在变量的观测变量 外生潜在变量：潜变量作为外生变量 外生观测变量：外生潜在变量的观测变量 中介潜变量：潜变量作为中介变量 中介观测变量：中介潜在变量的观测变量 2、参数（“未知”和“估计”） 潜在变量自身：总体的平均数或方差 变量之间关系：因素载荷，路径系数，协方差 参数类型：自由参数、固定参数 自由参数：参数大小必须通过统计程序加以估计 固定参数：模型拟合过程中无须估计 （1）为潜在变量设定的测量尺度 ①将潜在变量下的各观测变量的残差项方差设置为1 ②将潜在变量下的各观测变量的因子负荷固定为1 （2）为提高模型识别度人为设定 限定参数：多样本间比较（半自由参数） 3、路径图 （1）含义：路径分析的最有用的一个工具，用图形形式表示变量之间的各种线性关系，包括直接的和间接的关系。 （2）常用记号： ①矩形框表示观测变量 ②圆或椭圆表示潜在变量 ③小的圆或椭圆，或无任何框，表示方程或测量的误差 单向箭头指向指标或观测变量，表示测量误差 单向箭头指向因子或潜在变量，表示内生变量未能被外生潜在变量解释的部分，是方程的误差 ④单向箭头连接的两个变量表示假定有因果关系，箭头由原因（外生）变量指向结果（内生）变量
amos结构方程模型分析
Amos模型设定操作 在使用AMOS进行模型设定之前，建议事先在纸上绘制出基本理论模型和变量影响关系路径图，并确定潜变量与可测变量的名称，以避免不必要的返工。 1.绘制潜变量 使用建模区域绘制模型中的潜变量，在潜变量上点击右键选择Object Properties，为潜变量命名。 2.为潜变量设置可测变量及相应的残差变量 使用绘制。在可测变量上点击右键选择Object Properties为可测变量命名。其中Variable Name对应的是数据的变量名，在残差变量上右键选择Object Properties为残差变量命名。
3.配置数据文件，读入数据 File——Data Files——File Name——OK。 4.模型拟合 View——Analysis Properties——Estimation——Maximum Likelihood。 5.标准化系数 Analysis Properties——Output——Standardized Estimates——因子载荷标准化系数。
6.参数估计结果 Analyze——Calculate Estimates。红色框架部分是模型运算基本结果信息，点击View the Output Path Diagram查看参数估计结果图。 7.模型评价 点击查看AMOS路径系数或载荷系数以及拟合指标评价。 路径系数/载荷系数的显着性 模型评价首先需要对路径系数或载荷系数进行统计显着性检验。 模型拟合指数 模型拟合指数是考察理论结构模型对数据拟合程度的统计指标。拟合指数的作用是考察理论模型与数据的适配程度，并不能作为判断模型是否成立的唯一依据。拟合优度高的模型只能作为参考，还需要根据所研究问题的背景知识进行模型合理性讨论。
AMOS结构方程模型修正经典案例
AMOS结构方程模型修正经典案例 第一节模型设定结构方程模型分析过程可以分为模型构建、模型运算、模型修正以及模型解 释四个步骤。下面以一个研究实例作为说明，使用 Amos7 软件1进行计算，阐述在实际应用中结构方程模型的构建、运算、修正与模型解释过程。 一、模型构建的思路 本案例在著名的美国顾客满意度指数模型(ASCI)的基础上，提出了一个新的模型，并以此构建潜变量并建立模型结构。根据构建的理论模型，通过设计问卷对某超市顾客购物服务满意度调查得到实际数据，然后利用对缺失值进行处理后的数据2进行分析，并对文中提出的模型进行拟合、修正和解释。 二、潜变量和可测变量的设定 本文在继承 ASCI 模型核心概念的基础上，对模型作了一些改进，在模型中 增加超市形象。它包括顾客对超市总体形象及与其他超市相比的知名度。它与顾客期望，感知价格和顾客满意有关，设计的模型见表7-1。 模型中共包含七个因素 (潜变量 )：超市形象、质量期望、质量感知、感知价值、顾客满意、顾客抱怨、顾客忠诚，其中前四个要素是前提变量，后三个因素 是结果变量，前提变量综合决定并影响着结果变量(Eugene W. Anderson & Claes Fornell，2000;殷荣伍， 2000)。 表 7-1设计的结构路径图和基本路径假设 设计的结构路径图基本路径假设 超市形象 顾客抱怨质量期望 感知价值 顾客满意 质量感知 顾客忠诚超市形象对质量期望有路径影响 质量期望对质量感知有路径影响 质量感知对感知价格有路径影响 质量期望对感知价格有路径影响 感知价格对顾客满意有路径影响 顾客满意对顾客忠诚有路径影响 超市形象对顾客满意有路径影响 超市形象对顾客忠诚有路径影响 2.1 、顾客满意模型中各因素的具体范畴 1本案例是在Amos7 中完成的。 2见 spss数据文件“处理后的数据 .sav”。
手把手教AMOS结构方程模型
宋锋华编辑制作——更多内容请访问“统计之都”
AMOS 的使用
?
第一部分: 介绍
o o o o
关于文挡 访问 AMOS 文挡 获得 AMOS 帮助 SEM 概述 SEM 术语 为什么使用 SEM? 合理的样本量 连续和正态内生变量 模型识别（识别方程） 完整数据或缺失数据的适当处理 模型规范和因果关系的理论基础 结构方程——多重回归关系的说明 使用 AG 绘制模型 将数据读入到 AMOS 中 选择 AMOS 分析选项和运行模型 评估整体模型拟合 绝对拟合检验 相对拟合检验 修改模型获得较好的拟合优度 浏览路径图 独立参数的显著性检验
?
第二部分 : SEM 基础
o o o
?
第三部分: SEM 假设
o o o o o
?
第四部分: 使用 AG 建立和检验模型
o o o o
?
第五部分: AMOS 输出解释
o o o o o o
?
第六部分:摘要：结论的实质性解释
1
第一部分:介绍
关于文档
SEM=Structural Equation Modeling Amos=Analysis of Moment Structures
本课程使用 AMOS（距结构分析）软件对结构方程进行简单的介绍和概述。结构方程模型 (SEM) 包括多种统计技术，如路径分析，验证性因子分析，带潜变量的因果关系模型，甚 至方差分析和多重线性回归。 课程介绍 SEM 的逻辑，SEM 的假设和输入需求，怎样使用 AMOS 执行 SEM 分析。 到课程结束，能够使用 AMOS 拟合 SEM。也能给出 SEM 适合研究问题的评价和 SEM 方 法基本假设的概述。
You must do it
应该已经知道使用 SAS，SPSS 或类似统计软件怎样产生多重线性回归分析。也应该理解 怎样解释多重线性回归分析的输出。最后，应该理解基本微软视窗导航操作：打开文件和文 件夹，保存文件，重新调用先前保存过的文件，等等。
访问 AMOS
可以用下列三种方法访问 AMOS： 1. 个人计算机用户须从 SPSS 公司(SPSS 许可版本)或者 Smallwaters 公司(独立版本) 获得许可密码 2. 德克萨斯大学的教师，学生和职员经由 STATS 视窗终端服务器访问 AMOS。要使 用终端服务器，必须获得 ITS 计算机账号（或分类账号） ，然后在 NT 服务器上验证 账号。接下来下载和配置客户端软件使个人计算机，Macintosh，或 UNIX 工作站 能连接终端服务器。最后连接服务器，通过双击位于 STATS 终端服务组中 AMOS 程序肖像登陆 AMOS。如何获得 ITS 计算机账号的细节，账号使用的变更，下载客 户端软件和配置指导可以在 General FAQ #30: Connecting to published statistical applications on the ITS Windows Terminal Server. 中找到。 3. 从 AMOS development website 网站下载免费 AMOS 学生版到个人计算机上。 如果模型比较小，免费演示版能充分满足需求。对大型模型，需要购买 AMOS 软件 或通过校园网络访问 ITS 共享的软件副本。特别是如果决定利用服务器访问其它程 序软件（例如，SAS，SPSS，HLM，Mplus 等等） ，后一项选择最有效。
文档
2
结构方程模型估计案例
结构方程模型估计案例 Prepared on 22 November 2020
应用案例1 第一节模型设定 结构方程模型分析过程可以分为模型构建、模型运算、模型修正以及模型解释四个步骤。下面以一个研究实例作为说明，使用Amos7软件2进行计算，阐述在实际应用中结构方程模型的构建、运算、修正与模型解释过程。 一、模型构建的思路 本案例在着名的美国顾客满意度指数模型(ASCI)的基础上，提出了一个新的模型，并以此构建潜变量并建立模型结构。根据构建的理论模型，通过设计问卷对某超市顾客购物服务满意度调查得到实际数据，然后利用对缺失值进行处理后的数据3进行分析，并对文中提出的模型进行拟合、修正和解释。 二、潜变量和可测变量的设定 本文在继承ASCI模型核心概念的基础上，对模型作了一些改进，在模型中增加超市形象。它包括顾客对超市总体形象及与其他超市相比的知名度。它与顾客期望，感知价格和顾客满意有关，设计的模型见表7-1。 模型中共包含七个因素(潜变量)：超市形象、质量期望、质量感知、感知价值、顾客满意、顾客抱怨、顾客忠诚，其中前四个要素是前提变量，后三个因素是结果变量，前提变量综合决定并影响着结果变量(Eugene W. Anderson & Claes Fornell，2000;殷荣伍，2000)。 表7-1 设计的结构路径图和基本路径假设 、顾客满意模型中各因素的具体范畴 参考前面模型的总体构建情况、国外研究理论和其他行业实证结论，以及小范围甄别调查的结果，模型中各要素需要观测的具体范畴，见表7-2。 表7-2 模型变量对应表 1关于该案例的操作也可结合书上第七章的相关内容来看。 2本案例是在Amos7中完成的。 3见spss数据文件“处理后的数据.sav”。
结构方程Amos操作Word案例
超市形象质量期望 质量感知感知价值顾客满意 顾客抱怨 顾客忠诚 应用案例1 第一节模型设定 结构方程模型分析过程可以分为模型构建、模型运算、模型修正以及模型解释四个步骤。下面以一个研究实例作为说明，使用Amos7软件2进行计算，阐述在实际应用中结构方程模型的构建、运算、修正与模型解释过程。 一、模型构建的思路 本案例在著名的美国顾客满意度指数模型(ASCI)的基础上，提出了一个新的模型，并以此构建潜变量并建立模型结构。根据构建的理论模型，通过设计问卷对某超市顾客购物服务满意度调查得到实际数据，然后利用对缺失值进行处理后的数据3进行分析，并对文中提出的模型进行拟合、修正和解释。 二、潜变量和可测变量的设定 本文在继承ASCI模型核心概念的基础上，对模型作了一些改进，在模型中增加超市形象。它包括顾客对超市总体形象及与其他超市相比的知名度。它与顾客期望，感知价格和顾客满意有关，设计的模型见表7-1。 模型中共包含七个因素(潜变量)：超市形象、质量期望、质量感知、感知价值、顾客满意、顾客抱怨、顾客忠诚，其中前四个要素是前提变量，后三个因素是结果变量，前提变量综合决定并影响着结果变量(Eugene W. Anderson & Claes Fornell，2000;殷荣伍，2000)。 表7-1 设计的结构路径图和基本路径假设 设计的结构路径图基本路径假设 超市形象对质量期望有路径影响 质量期望对质量感知有路径影响 质量感知对感知价格有路径影响 质量期望对感知价格有路径影响 感知价格对顾客满意有路径影响 顾客满意对顾客忠诚有路径影响 超市形象对顾客满意有路径影响 超市形象对顾客忠诚有路径影响 2.1、顾客满意模型中各因素的具体范畴 参考前面模型的总体构建情况、国外研究理论和其他行业实证结论，以及小范围甄别调查的结果，模型中各要素需要观测的具体范畴，见表7-2。 1关于该案例的操作也可结合书上第七章的相关内容来看。 2本案例是在Amos7中完成的。 3见spss数据文件“处理后的数据.sav”。
结构方程模型(SEM)及其应用举例
结构方程模型（SEM）及其应用举例 该分公司有三类业务：无线业务、宽带业务以及综合业务。围绕着这三类业务产品的销售，该通信分公司还提供了售前、售中和售后三个环节多方面的服务。结合该通信分公司的主要产品情况，从顾客满意度着手，重点分析并找出影响顾客满意的关键因素，从而为制定有效的顾客满意度提升方案提供数据支持。 1．设计满意度模型 根据该公司的业务具体情况，设计出了顾客满意度模型，如下图： 图:某通信分公司顾客满意度SEM模型 上图显示，该公司重点要考察的是产品满意度和服务满意度对顾客满意度的影响。图中的Xn是待构建的测量指标，λ值表示各指标对上级指标的影响大小，ζn和δn表示误差，是受模型外因素影响的部分，如价格满意度等其他因素。 结构方程模型 - 结构方程模型的优点 （一）同时处理多个因变量 结构方程分析可同时考虑并处理多个因变量。在回归分析或路径分析中，就算统计结果的图表中展示多个因变量，其实在计算回归系数或路径系数时，仍是对每个因变量逐一计算。所以图表看似对多个因变量同时考虑，但在计算对某一个因变量的影响或关系时，都忽略了其他因变量的存在及其影响。
（二）容许自变量和因变量含测量误差 态度、行为等变量，往往含有误差，也不能简单地用单一指标测量。结构方程分析容许自变量和因变量均含测量误差。变量也可用多个指标测量。用传统方法计算的潜变量间相关系数，与用结构议程分析计算的潜变量间相关系数，可能相差很大。 （三）同时估计因子结构和因子关系 假设要了解潜变量之间的相关，每个潜变量者用我个指标或题目测量，一个常用的做法是对每个潜变量先用因子分析计算潜变量（即因子）与题目的关系（即因子负荷），进而得到因子得分，作为潜变量的观测值，然后再计算因子得分，作为潜变量之间的相关系数。这是两个独立的步骤。在结构方程中，这两步同时进行，即因子与题目之间的关系和因子与因子之间的关系同时考虑。 （四）容许更大弹性的测量模型 传统上，我们只容许每一题目（指标）从属于单一因子，但结构方程分析容许更加复杂的模型。例如，我们用英语书写的数学试题，去测量学生的数学能力，则测验得分（指标）既从属于数学因子，也从属于英语因子（因为得分也反映英语能力）。传统因子分析难以处理一个指标从属多个因子或者考虑高阶因子等有比较复杂的从属关系的模型。 （五）估计整个模型的拟合程度 在传统路径分析中，我们只估计每一路径（变量间关系）的强弱。在结构方程分析中，除了上述参数的估计外，我们还可以计算不同模型对同一个样本数据的整体拟合程度，从而判断哪一个模型更接近数据所呈现的关系。 结构方程模型 - 三种分析方法对比 线性相关分析 :线性相关分析指出两个随机变量之间的统计联系。两个变量地位平等，没有因变量和自变量之分。因此相关系数不能反映单指标与总体之间的因果关系。 线性回归分析 :线性回归是比线性相关更复杂的方法，它在模型中定义了因变量和自变量。但它只能提供变量间的直接效应而不能显示可能存在的间接效应。而且会因为共线性的原因，导致出现单项指标与总体出现负相关等无法解释的数据分析结果。 结构方程模型分析:结构方程模型是一种建立、估计和检验因果关系模型的方法。也可能包含无法直接观测的潜在变量。 简单而言，与传统的回归分析不同，结构方程分析能同时处理多个因变量，并可比较及评价不同的理论模型。与传统的探索性因子分析不同，在结构方程模型中，我们可以提出一个特定的因子结构，并检验它是否吻合数据。通过结构方程多组分析，我们可以了解不同组别内各变量的关系是否保持不变，各因子的均值是否有显著差异。” 目前，已经有多种软件可以处理SEM，包括：LISREL，AMOS, EQS, Mplus.
结构方程模型估计案例
应用案例1 第一节模型设定 结构方程模型分析过程可以分为模型构建、模型运算、模型修正以及模型解释四个步骤。下面以一个研究实例作为说明，使用Amos7软件2进行计算，阐述在实际应用中结构方程模型的构建、运算、修正与模型解释过程。 变量综合决定并影响着结果变量(Eugene W. Anderson & Claes Fornell，2000;殷荣伍，1关于该案例的操作也可结合书上第七章的相关内容来看。 2本案例是在Amos7中完成的。 3见spss数据文件“处理后的数据.sav”。
2000)。 表7-1 设计的结构路径图和基本路径假设 超市形象对质量期望有 路径影响 质量期望对质量感知有 路径影响 质量感知对感知价格有 路径影响 质量期望对感知价格有 路径影响 感知价格对顾客满意有 路径影响 顾客满意对顾客忠诚有 路径影响 超市形象对顾客满意有 路径影响 超市形象对顾客忠诚有 路径影响
2.1、顾客满意模型中各因素的具体范畴 参考前面模型的总体构建情况、国外研究理论和其他行业实证结论，以及小范围甄别调查的结果，模型中各要素需要观测的具体范畴，见表7-2。 表7-2 模型变量对应表 某超市总体形象的评价(a1) 与其它超市相比的形象(a2) 与其它超市相比的品牌知名度 (a3) 购物前，对某超市整体服务的期望 (a4) 购物前，期望某超市商品的新鲜程 度达到的水平(a5) 购物前，期望某超市营业时间安排 合理程度(a6) 购物前，期望某超市员工服务态度
达到的水平(a7) 购物前，期望某超市结账速度达到的水平(a8) 购物后，对某超市整体服务的满意程度(a9) 购物后，认为某超市商品的新鲜程度达到的水平(a10) 购物后，认为超市营业时间安排合理程度(a11) 购物后，认为某超市员工服务态度达到的水平(a12) 购物后，认为某超市结账速度达到的水平(a13) 您认为某超市商品的价格如何(a14) 与其他超市相比，您认为某超市商品的价格如何(a15)
结构方程模型案例汇总
结构方程模型案例汇总 Last revised by LE LE in 2021
结构方程模型（Structural Equation Modeling，SEM) 20世纪——主流统计方法技术：因素分析回归分析 20世纪70年代：结构方程模型时代正式来临 结构方程模型是一门基于统计分析技术的研究方法学，它主要用于解决社会科学研究中的多变量问题，用来处理复杂的多变量研究数据的探究与分析。在社会科学及经济、市场、管理等研究领域，有时需处理多个原因、多个结果的关系，或者会碰到不可直接观测的变量（即潜变量），这些都是传统的统计方法不能很好解决的问题。SEM能够对抽象的概念进行估计与检定，而且能够同时进行潜在变量的估计与复杂自变量/因变量预测模型的参数估计。 结构方程模型是一种非常通用的、主要的线形统计建模技术，广泛应用于心理学、经济学、社会学、行为科学等领域的研究。实际上，它是计量经济学、计量社会学与计量心理学等领域的统计分析方法的综合。多元回归、因子分析和通径分析等方法都只是结构方程模型中的一种特例。 结构方程模型是利用联立方程组求解，它没有很严格的假定限制条件，同时允许自变量和因变量存在测量误差。在许多科学领域的研究中，有些变量并不能直接测量。实际上，这些变量基本上是人们为了理解和研究某类目的而建立的假设概念，对于它们并不存在直接测量的操作方法。人们可以找到一些可观察的变量作为这些潜在变量的“标识”，然而这些潜在变量的观察标识总是包含了大量的测量误差。在统计分析中，即使是对那些可以测量的变量，也总是不断受到测量误差问题的侵扰。自变量测量误差的发生会导致常规回归模型参数估计产生偏差。虽然传统的因子分析允许对潜在变量设立多元标识，也可处理测量误差，但是，它不能分析因子之间的关系。只有结构方程模型即能够使研究人员在分析中处理测量误差，又可分析潜在变量之间的结构关系。 简单而言，与传统的回归分析不同，结构方程分析能同时处理多个因变量，并可比较及评价不同的理论模型。与传统的探索性因子分析不同，在结构方程模型中，我们可以提出一个特定的因子结构，并检验它是否吻合数据。通过结构方程多组分析，我们可以了解不同组别内各变量的关系是否保持不变，各因子的均值是否有显着差异。” 目前，已经有多种软件可以处理SEM，包括：LISREL，AMOS, EQS, Mplus.
IBM SPSS AMOS 结构方程模型教程
表
一、关于顾客满意调查数据的收集 本次问卷调研的对象为居住在某大学校内的各类学生（包括全日制本科生、全日制硕士和博士研究生），并且近一个月内在校内某超市有购物体验的学生。调查采用随机拦访的方式，并且为避免样本的同质性和重复填写，按照性别和被访者经常光顾的超市进行控制。问卷内容包括7个潜变量因子，24项可测指标，7个人口变量，量表采用了Likert10级量度，如对 1正向的，采用Likert10级量度从“非常低”到“非常高”
二、缺失值的处理 采用表列删除法，即在一条记录中，只要存在一项缺失，则删除该记录。最终得到401条数据，基于这部分数据做分析。 三、数据的的信度和效度检验 1．数据的信度检验 信度（reliability）指测量结果（数据）一致性或稳定性的程度。一致性主要反映的是测验内部题目之间的关系，考察测验的各个题目是否测量了相同的内容或特质。稳定性是指用一种测量工具（譬如同一份问卷）对同一群受试者进行不同时间上的重复测量结果间的可靠系数。如果问卷设计合理，重复测量的结果间应该高度相关。由于本案例并没有进行多次重复测量，所以主要采用反映内部一致性的指标来测量数据的信度。 折半信度（split-half reliability）是将测量工具中的条目按奇偶数或前后分成两半，采用Spearman-brown公式估计相关系数，相关系数高提示内部一致性好。然而，折半信度系数是建立在两半问题条目分数的方差相等这一假设基础上的，但实际数据并不一定满足这一假定，因此信度往往被低估。Cronbach在1951年提出了一种新的方法（Cronbach's Alpha系数），这种方法将测量工具中任一条目结果同其他所有条目作比较，对量表内部一致性估计更为慎重，因此克服了折半信度的缺点。本章采用SPSS16.0研究数据的内部一致性。在Analyze菜单中选择Scale下的Reliability Analysis（如图7-1），将数据中在左边方框中待分析的24个题目一 一选中，然后点击，左边方框中待分析的24个题目进入右边的items方框中，使用Alpha 模型（默认），得到图7-2，然后点击ok即可得到如表7-3的结果，显示Cronbach's Alpha系数为0.892，说明案例所使用数据具有较好的信度。 图7-1 信度分析的选择
结构方程模型估计案例
第一节模型设定 结构方程模型分析过程可以分为模型构建、模型运算、模型修正以及模型解释 四个步骤。下面以一个研究实例作为说明，使用Amos7软件1 2进行计算，阐述在实 际应用中结构方程模型的构建、运算、修正与模型解释过程。 一、模型构建的思路 本案例在着名的美国顾客满意度指数模型（ASCI）的基础上，提出了一个新的 模型，并以此构建潜变量并建立模型结构。根据构建的理论模型，通过设计问卷对某超市顾客购物服务满意度调查得到实际数据，然后利用对缺失值进行处理后的数据3进行分析，并对文中提出的模型进行拟合、修正和解释。 二、潜变量和可测变量的设定 本文在继承ASCI模型核心概念的基础上，对模型作了一些改进，在模型中增加超市形象。它包括顾客对超市总体形象及与其他超市相比的知名度。它与顾客期望，感知价格和顾客满意有关，设计的模型见表7-1 o 模型中共包含七个因素（潜变量）：超市形象、质量期望、质量感知、感知价 值、顾客满意、顾客抱怨、顾客忠诚，其中前四个要素是前提变量，后三个因素 是结果变量，前提变量综合决定并影响着结果变量（Euge ne W. An derson & Claes Fornell ，2000;殷荣伍，2000）。 表7-1 设计的结构路径图和基本路径假设 设计的结构路径图基本路径假设 1关于该案例的操作也可结合书上第七章的相关内容来看。 彳本案例是在Amos7中完成的。
超市形象对质量期望有 超市 、顾客满意模型中各因素的具体范畴 参考前面模型的总体构建情况、国外研究理论和其他行业实证结论，以及小 范围甄别调查的结果，模型中各要素需要观测的具体范畴，见表 7-2 o 表7-2 模型变量对应表 形象 顾客 期望 顾客 价值 满意、 顾客 感知 忠诚 路径影响 质量期望对质量感知有 路径影响 质量感知对感知价格有 路径影响 质量期望对感知价格有 路径影响 感知价格对顾客满意有 路径影响 顾客满意对顾客忠诚有 路径影响 超市形象对顾客满意有 路径影响 超市形象对顾客忠诚有
结构方程模型案例
20世纪——主流统计方法技术：因素分析回归分析 20世纪70年代：结构方程模型时代正式来临 结构方程模型是一门基于统计分析技术的研究方法学，它主要用于解决社会科学研究中的多变量问题，用来处理复杂的多变量研究数据的探究与分析。在社会科学及经济、市场、管理等研究领域，有时需处理多个原因、多个结果的关系，或者会碰到不可直接观测的变量（即潜变量），这些都是传统的统计方法不能很好解决的问题。SEM能够对抽象的概念进行估计与检定，而且能够同时进行潜在变量的估计与复杂自变量/因变量预测模型的参数估计。 结构方程模型是一种非常通用的、主要的线形统计建模技术，广泛应用于心理学、经济学、社会学、行为科学等领域的研究。实际上，它是计量经济学、计量社会学与计量心理学等领域的统计分析方法的综合。多元回归、因子分析和通径分析等方法都只是结构方程模型中的一种特例。 结构方程模型是利用联立方程组求解，它没有很严格的假定限制条件，同时允许自变量和因变量存在测量误差。在许多科学领域的研究中，有些变量并不能直接测量。实际上，这些变量基本上是人们为了理解和研究某类目的而建立的假设概念，对于它们并不存在直接测量的操作方法。人们可以找到一些可观察的变量作为这些潜在变量的“标识”，然而这些潜在变量的观察标识总是包含了大量的测量误差。在统计分析中，即使是对那些可以测量的变量，也总是不断受到测量误差问题的侵扰。自变量测量误差的发生会导致常规回归模型参数估计产生偏差。虽然传统的因子分析允许对潜在变量设立多元标识，也可处理测量误差，但是，它不能分析因子之间的关系。只有结构方程模型即能够使研究人员在分析中处理测量误差，又可分析潜在变量之间的结构关系。 简单而言，与传统的回归分析不同，结构方程分析能同时处理多个因变量，并可比较及评价不同的理论模型。与传统的探索性因子分析不同，在结构方程模型中，我们可以提出一个特定的因子结构，并检验它是否吻合数据。通过结构方程多组分析，我们可以了解不同组别内各变量的关系是否保持不变，各因子的均值是否有显著差异。” 目前，已经有多种软件可以处理SEM，包括：LISREL，AMOS, EQS, Mplus. 结构方程模型包括测量方程（LV和MV之间关系的方程，外部关系）和结构方程（LV之间关系的方程，内部关系），以ACSI模型为例，具体形式如下： 测量方程 y＝Λyη+εy , x＝Λxξ+εx=(1） 结构方程η＝Bη+Гξ+ζ或（I-Β）η＝Гξ+ζ（2）
AMOS-结构方程模型分析
Amos 模型设定操作 在使用AMOS进行模型设定之前，建议事先在纸上绘制出基本理论模型和变量影响关系路径图，并确定潜变量与可测变量的名称，以避免不必要的返工。 1.绘制潜变量 使用H建模区域绘制模型中的潜变量，在潜变量上点击右键选择Object Properties为潜变量命名。 真：Object Properties 2.为潜变量设置可测变量及相应的残差变量 使用 对应的是数据的变量名，在残差变量上右键选择Object Properties为残差变量命名。 "J绘制。在可测变量上点击右键选择Object Properties为可测变量命名。其中Variable Name | Visitulity | Font size Font style Farajietcis | Colors | Fornat Text Variable label
File Edit View Dia^r^m A.n? lyz^ Taols Pkrginw Help New New wi th Template— Open,.. Retrieve Backup... Ctrl+S Gave As... Sa^e As Template,.. P K.st imat e Jieans :and int ercepnts 标准化系数 An alysis Properties---- Output ----- Sta ndardized Estimate—因子载荷标准化系数。 3. 险abj#rt Proom rrX Tmrt |Parsji?^6r3 Cclois || Fsntal | Visibility F^ozit size fon^ style 3 Rogulir □01 label 為t gfauLt A—— 耳3D旣响 Undo □a 配置数据文件，读入数据 File Data Files ---- File Name OK。 Save Ill D心td Fil亡父Ctrl+D 4. 模型拟合 View ----- An alysis Properties----- Estimati on Maximum Likelihood 钿Interne Properties.., HR Rrtjptrtie^■■“ Ctrl-hl Ctrl+A NumeriLcal Bias | Output Boot strap Peraurt at ions |R^iidoin #Title r+irun ■ 匸包lA khia/—I" Dmnqr+；a￡ Discr&pEuacy Est liRsrt: ion 5.