29路径分析

路径模型的假设条件和限制

（1）首先要求模型中各变量的函数关系为线性、可加；否则不 能采用回归方法估计路径系数。如果处理变量之间的交互作用 ，把交互项看作一个单独的变量，此时它与其它变量的函数关 系同样满足线性、可加。
（2）模型中各变量均为等间距测度。 （3）各变量均为可观测变量，并且各变量的测量不能存在误差

1．以“salary”为因变量 操作步骤如下： （1）单击“分析”|“回归”|“线性”命令， 弹出图29-12所示。“因变量”框中放入本次需 要比较的变量“salary”，把“educ”、 “salbegin”、 “minority”“jobcat”“gender1”“prevexp ”和“jobtime”放入“自变量”，方法选择“ 进入”。


6.“统计量”按钮
单击“统计量”按钮，弹出图29-13所示的“统 计量”对话框，选择“描述性”，单击“继续 ”完成选择，回到线性回归对话框单击“确定 ”按钮即可计算回归系数。
实例详解

例29.1：我们采用SPSS软件系统自带的数据文件 Employee data.sav（可在SPSS软件的子目录下找 到该数据）来进行路径分析。该数据收录了474个员 工的人事工资资料，序号为434的缺失出生日期，所 以有效为473个，在接下来的分析中，剔除该样品； 该数据包含有：id（编码）、gender（性别）、 bdate（Date of Birth，出生日期）、educ（ Educational Level，受教育水平）、jobcat（ Employment Category，职位类别）、salary（ Current Salary，目前工资）、salbegin（Beginning Salary，初始工资）、jobtime（Months since Hire ，已工作时间）

完成路径图 根据以上6次回归的结果，6次输出的标准系数 即是路径系数（直接效果），我们可以完成模 型1的路径图，如图29-34所示。

图29-35所示为变量相关性列表，图29-36所示 为路径系数分解表。
THE
END

、prevexp（Previous Experience，以前的工作经验 ）、minority（是否是少数民族）等10个变量。 gender为属性变量，用“f ”表示female女性，“m ”表示male男性；educ使用受教育的年数衡量； jobcat分为三类：“1”表示clerical（文员）， “2”代表custodial（保管人员），以“3”表示 manager（管理人员）。当前工资和初始工资以实 际额为准。已经工作的时间和以前的工作经验均以 月为单位来衡量；是否是少数民族为“0”、“1” 变量，“1”表示“Yes”，是少数民族，“0”表 示“No”非少数民族。用出生日期的年份数来计算 出新变量年龄代替出生日期进行分析。
IBM-SPSS
第29章 路径分析

前面的多元回归分析常用于对影响因素的分 析，但由于只考察变量之间的直接作用，而实际上 变量之间的相关关系往往是一个复杂的传递过程， 因此需要一种可以全面地考察变量间的相互作用， 包括直接作用和间接作用的方法，即本章所介绍的 路径分析（通径分析）。

路径分析通过构建路径图直观地显示变量间的 结构关系，在多元回归的基础上计算变量间的相关 系数，计算结果给出的线性回归方程的标准系数（ Standardized Coefficients）也就是我们需要的路径 系数。路径系数分为直接路径系数（某一自变量对 因变量的直接作用）和间接路径系数（该自变量通 过其他自变量对因变量的间接作用）两种。在一个 构造合适的路径图中,任何两个变量间的相关系数就 是连结这两点之间的所有复合链上的路径系数的乘 积之和


4．计算当前年龄 在日期和时间向导第一步对话框中选择“计算 两个日期之间的时间数”，单击“下一步”弹 出图29-9第二步对话框，把变量列表中的 “STIME”和“bdate”放入相应栏中，点开“ 单位”下拉列表，选择“年份”，在“结果” 复选框中选择“取整”。

单击“下一步”按钮，弹出图29-10第三步对话 框，在“结果变量”栏里输入计算生成的新的 变量名称“age”，“变量标签”栏中输入“年 龄”给新的变量加上标签，单击“完成”即可 生成一个新的变量，如图29-11所示。

以“jobcat”为因变量，“educ”、 “gender1”和“prevexp”为自变量，结果可 见，图29-22所示为模型汇总情况，R方=0.329 ，解释度较低，

但图29-23所示为模型方差分析结果依然有统计 学意义，P=0.00。图29-24所示为模型系数。

以“prevexp”为因变量，“gender1”和 “age”为自变量输出结果可见，图29-25所示 为模型汇总，R方=0.687，该模型对变异的解释 度尚可，

2）单击“统计量”按钮，弹出图29-13所示的 对话框，选中“描述性”项，单击“继续”按

结果解读： 图29-16所示为模型汇总，R方=0.841，说明模 型可解释的变异度较高。

图29-17所示为方差分析结果，F=358.914， P=0.000，说明回归模型有意义。源自图29-18所示为回归模型的系数。

3．年龄转换 由于年龄比出生日期更简洁直观，我们把出生 日期转换成年龄进行分析，因为统计资料的时 间不清楚，用现在时间计算并不影响结果，所 以算当下时间的年龄。 单击“转换”|“日期和时间向导”命令，弹出 图29-7所示的对话框，选择“使用日期和时间 进行计算”选项，单击“下一步”按钮，弹出 图29-8所示的对话框，日期和时间向导第一步 对话框。

5．计算路径系数 单击“分析”|“回归”|“线性”命令，弹出线 性回归对话框，如图29-12所示。“因变量”框 中放入本次需要比较的变量“salary”，把要比 较的八个因素“educ”、“salbegin”、 “minority”“jobcat”“gender1”“prevexp ”和“jobtime”放入“自变量”框中，方法选 择“进入”。

2．以“educ”为因变量 操作步骤同上，“因变量”框中放入“educ” ，自变量为“minority”、“gender1”和 “age”，输出结果图29-19所示为模型汇总， 可见R方=0.212，解释效果不是很好。

图29-20所示为模型方差分析结果，可见 F=42.098，P=0.000，模型有意义。图29-21所示为 模型系数。



作为研究焦点的因果联系必须要有足够的理论根据，即使其 统计不显著，仍然应当加以仔细考虑，并寻找其统计不显著 的原因：是否是多重共线性的影响，还是其它路径假设的不 合理而影响了该路径的显著性。
模块解读

1．变量转换 因为性别为属性变量，我们无法对字串变量进 行回归分析，所以需要用转换功能将性别m（男 ）和f（女）转换分别成虚拟数字变量1和0。 单击“转换”|“重新编码为不同变量”命令， 弹出变量转换对话框，如图29-4所示。“输出 变量”框中“名称”栏输入一个新的变量 “gender1”，“标签”是“性别”，然后单击 “更改”。

，图29-26所示为模型方差分析结果，P=0.00， 反映模型有意义，图29-27所示为模型系数。

以“salbegin”为自变量，“minority”、 “educ”、“jobcat”、“gender1”和 “prevexp”为自变量输出结果，其结果解释同 上，此处不一一叙述。

以“job time”为因变量，“age”为自变量， 输出结果，其结果解释同上，此处不一一叙述 。


2．“旧值和新值”按钮 单击“旧值和新值”按钮，弹出图29-5所示的 “旧值和新值”对话框，此对话框可用于对目 标变量进行具体变量的转换。在“旧值”的“ 值”栏里输入需要转换的目标变量“m”，“新 值”的“值”中输入新的值“1”，单击“添加 ”按钮，再以同样方法添加“f”和“0”，单击 “确定”按钮，即生成一个新的变量 “gender1”，如图29-6所示。


（4）变量间的多重共线性程度不能太高，否则路径系数估计值 的误差将会很大。
（5）需要有足够的样本量。Kline（1998）建议样本量的个数 应该是需要估计的参数个数的10倍（20倍更加理想）。

路径模型的调试，过程类似于多元回归过程 的调试

如果某一变量的路径系数（回归系数）统计性不显著，则考 虑是否将其对应的路径从模型中删去； 如果多个路径系数同时不显著，则首先删除最不显著的路径 继续进行回归分析，根据下一步的结果再决定是否需要删除 其它原因变量。 进行调试的一般原则，实际进行调试时，还必须考虑模型的 理论基础。