第十三章 结构方程模型
《结构方程模型》课件

SEM 发表的期刊论文有比较优势吗? (Babin, Hair, Boles, 2008)
• 1. 不用SEM 的PAPERS 是否比较容易被拒绝? • 2. 使用SEM 的PAPERS 是否评价比较高? • 3. 使用SEM 是否对reviewers 较有影响力? • 4. 模型适配度好坏是否会影响reviewers评价? • 5. 美国人使用SEM 是否比其它国家的学者多? • 6. 美国人用SEM投稿是否比其它国家的人有优
势?
SEM 常用的名词
• 参数(parameter): – 又称为母数,带有「 未知 」与「 估计」的特
质。如没有特別说明,一般指的是自由参数。 • 自由参数(free parameter): – 在Amos所画的每一条线均是一個参数,除设
为固定参数者外; – 自由估計参数愈多,自由度(df) 愈小。 • 固定参数(fix parameter): – Amos 图上被设定为0 或1或任何数字的线,均
图形
功能说明
图形
功能说明
变量之间的属性拖拽
放大镜检视
维持对称性 放大选取区域 放大路径图
贝氏估计 多群组分析 列印路径图
缩小路径图 路径图整页显示在屏幕上 调整路径图大小符合书面
上一步 下一步 模式搜索
绘制四个观察变量 建立因果关系 调整箭头位置
利用复制功能确保大小一致 内生变量增加残差 调整变量位置
1. SEM 能做些什么?
Structural Equation Modeling(SEM) 是近期成长快速的 统计技术(Herhberger, 2013)
• 愈来愈多的SEM 文章发表在心理学、管理学与社会学期 刊上
• SEM 已成为心理学、管理学与社会学学者最常用的统计 技术
结构方程模型ppt课件

变异数萃取量(平均方差抽取量)
平均变异数萃取量 (AVE)= Σ(因素负荷量2)/((Σ因素负荷量)2+ (Σ各测量变项的测量误差)) (Jöreskog and Sörbom , 1996)
AVE是计算潜在变项之各测量变量对该潜在变项 的变异解释力,若AVE愈高,则表示潜在变项有 愈高的信度与收敛效度。 Fornell and Larcker(1981)建议其标准值须大 于0.5。
單向因果關係 X對Y1為直接效果X對Y2為 問接效果Y1為中介變數
回溯因果關係 X與Y互為直接效果, X與Y non-recursive 具有回饋循環效果
循環因果關係 (feedback)
Y1對Y2、Y2 對Y3、Y3對Y1均 為直接效果,Y1、Y2、Y3
為間接循環效果
20
SEM条件
数据符合常态、无遗漏值及例外值(Bentler & Chou, 1987)下,样本比例最小为估计参数的5 倍,10倍则更为适当。
8
结构模式与测量模式
外生观察变量 外生潜在变量 内生潜在变量 内生观察变量
测量残差 因素负荷量 结构参数
因素負荷量 测量残差
e1
x1
Lx1
e2
x2
Lx2 F1满意度 b
e3
x3
Lx3
D Ly1
F2忠誠度 Ly2
Ly3
y1 e4 y2 e5 y3 e6
测量(CFA)模式
结构模式
测量(CFA)模式 9
b43
b41
D4
y4 e10
Ly4
e5 x5
Lx5
F2
e6 x6
Lx6
b42
F4
y5 e11
结构方程模型

2. 应用结构方程模型的注意事项
• (1)通径图中 ,内源变量与外源变量间的 关系都是线性的。实际工作中的非线性偏 离被认为是可以忽略的 ,若有强的非线性关 系则应当设法对变量作变换 ,以便可以用线 性作近似;
• (2)结构方程不支持小样本。一般要求样 本容量在 200 以上 ,或是要估计的参数数目 的 5~20 倍;
• proc calis语句是必须的,且此语句还可添 加一些选项,这些选项主要包括:
• (1)数据集选项,如DATA= 使用的数据集 的名字;INRAM= 使用已存在的并被分析 过的模型;OUTRAM= 将模型的说明存入 输出数据集,备以后INRAM调用。
• (2)数据处理选项,如EDF= 在没有使用 原始数据且未指定样本数N时为模型指定自 由度;NOBS= 指定样本数N。
模型修正
• 模型的修正主要包括: • (1) 依据理论或有关假设 ,提出一个或数个合理的
先验模型; • (2) 检查潜变量与指标间的关系 ,建立测量方程模
型; • (3) 若模型含多个因子 ,可以循序渐进地 ,每次只检
验含两个因子的模型 ,确立测量模型部分合理后 , 最后再将所有因子合并成预设的先验模型 ,作总体 检验; • (4) 对每一模型 ,检查标准误、标准化残差、修正 指数、参数期望改变值、χ 2 及各种拟合指数 ,据此 修改模型。
一、结构方程模型简介 1、什么是结构方程模型 2、为什么使用结构方程模型 3、结构方程模型的结构 4、结构方程模型的优点 5、结构方程模型中的变量 6、结构方程模型常用图标
1、什么是结构方程模型 结构方程模型( Structural Equation Model)是基于变量
的协方差矩阵来分析变量之间关系的一种统计方法。所以,有 时候也叫协方差结构分析。
[数学]结构方程模型
![[数学]结构方程模型](https://img.taocdn.com/s3/m/61e21b27b80d6c85ec3a87c24028915f814d845b.png)
1结构方程模型概述1.1结构方程模型的基本概念结构方程模型(Structural Equation Modeling,SEM) 早期又被称为线性结构方程模型(Linear Structural Relationships,简称LISREL)或称为工变数结构分析(Coratiance Strucyure Analysis)。
SEM起源于二十世纪二十年代遗传学者Eswall Wrihgt发明的路径分析,七十年代开始应用于心理学、社会学等领域,八十年代初与计量经济学密切相连,现在SEM技术己广泛运用到众多的学科。
结构方程模型是在已有的因果理论基础上,用与之相应的线性方程系统表示该因果理论的一种统计分析技术,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式、路径图等形式加以表述。
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。
另外,通过结构方程多组分析,我们还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。
结构方程模型可以替代多重回归、通径分析、因子分析、协方差分析等方法。
1.2结构方程模型的优点(一) SEM可同时考虑和处理多个因变量在传统的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,仍然是对每一因变量逐一计算。
表面看来是在同时考虑多个因变量,但在计算对某一因变量的影响或关系时,其实都忽略了其他因变量的存在与影响。
(二) SEM容许自变量及因变量项含测量误差例如在心理学研究中,若将人们的态度、行为等作为变量进行测量时,往往含有误差并不能使用单一指标(题目),结构方程分析容许自变量和因变量均含有测量误差。
可用多个指标(题目)对变量进行测量。
(三) SEM容许同时估计因子结构和因子关系要了解潜在变量之间的相关性,每个潜在变量都用多指标或题目测量,常用做法是首先用因子分析计算机每一潜在变量(即因子)与题目的关系(即因子负荷),将得到的因子得分作为潜在变量的观测值,其次再计算因子得分的相关系数,将其作为潜在变量之间的相关性,这两步是同时进行的。
结构方程模型完整版本

3 SEM与几种多元方法的比较
①SEM与传统多元统计方法(多元统计) 传统多元统计方法:检验自变量和因变量的单一关系(多元方差分
析可以处理多个,但是关系也是单一的) SEM:综合多种方法,验证性分析,允许测量误差的存在 ②SEM与典型相关分析(多个自变量与多个因变量之间关系) 典型相关分析:两组随机变量(定性或定量)之间线性密切程度;
1 假设条件
测量模型误差项 , 的均值为零
结构模型的残差项 的均值为零
误差项 , 与因子 , 之间不相关,误差项 与
不相关
残差项 与 , , 之间不相关
2 共变推导
(1)协方差
协方差:利用两个变量间观测值与其均值离差的期望观测两 个变量间的关系强弱。
(2)运算定理 ① C ov(X,X)V ar(X) ② C ov(aXbY,cZdU )acC ov(X,Z)adC ov(X,U )bcC ov(Y,Z)bdC ov(Y,U )
不同潜在变量的两个观测变量的协方差:
C o v(V 1 ,V 4) C o v(1 F 1E 1 , 4F 2E 4) 14 C o v(F 1 ,F 4)1 C o v(F 1 ,E 4)4 C o v(E 1 ,F 2) C o v(E 1 ,E 4) 14 C o v(F 1 ,F 2)142 1
结构模型:反映潜在变量之间因果关系
方程式: 11111
22 112 112
0 0
B
2
1
0 Biblioteka
y11
y 2 1
1
结构方程模型的八种矩阵概念
符号
代表意义
结构模型矩阵
结构方程模型 ppt课件

CONTENTS
01 概念介绍 02 基本原理
03 案例分析
04 实际操作
ppt课件
2
01 概念介绍
1.基本概念
结构方程模型(Structural Equation Modeling, SEM)是一种验证性多元统计分析技术, 是应用线性方程表示观测变量与潜变量之间,以及潜变量之间关系的一种多元统计方法, 其实质是一种广义的一般线性模型。
ppt课件
19
02 基本原理
3.模型拟合——主要拟合度指标
(3)整体模型拟合度
a) χ2卡方拟合指数 检验选定的模型协方差矩阵与观察数据协方差矩阵相匹配的假设。原假设是模型协方差阵等 于样本协方差阵。如果模型拟合的好,卡方值应该不显著。在这种情况下,数据拟合不好的模型被拒绝。
b) RMR 是残差均方根。RMR 是样本方差和协方差减去对应估计的方差和协方差的平方和,再取平均值的平方根。 RMR应该小于0.08,RMR越小,拟合越好。
2.模型评价——参数估计 (1) 假设条件 ① 测量模型误差项δ,ε的均值为零 ② 结构模型的残差项ζ的均值为零 ③ 误差项ε,δ与因子η,ξ之间不相关,误差项ε与δ不相关 ④ 残差项ζ与ξ ,η ,δ之间不相关 (2)参数估计策略 ① 加权最小平方策略(WLS) ② 最大概似法(ML) ③ 无加权最小平方法(ULS) ④ 一般化最小平方法(GLS) ⑤ 渐进分布自由法(ADF)
5
6
结构模型:反映潜在变量之间因果关系
方程式: 1 11 1 1 2 21 1 21 1 2
0 0
B
21
0
结构方程模型

§1 模型的设定
§1 模型的设定
§1 模型的设定
§1 模型的设定
AMOS软件中可以很方便的按照表1.1的图例 绘制出结构方程模型,并且可以快速的设定隐 变量之间的影响关系以及隐变量与显变量之间 的对应关系,这些模型的绘制和设定影响关系 我们只需要点击软件左边的工具栏对应的图标, 然后在右边的空白处直接绘图即可.
§1 模型的设定
内生变量:受系统的影响且具有测量误差的变 量,既包括隐变量也包括显变量,如在经济发 展过程中,人们收入的变动往往受到经济增长 和收入分配政策的影响,则收入变动即为内生 变量;
外生变量:影响系统且不具有测量误差的变量, 既包括隐变量也包括显变量,如上述的经济发 展三变量模型中,收入分配政策变量可记为外 生变量。
三、 模型估计
AMOS 中可供使用的LISREL 方法主要有五种,即:最 大似然法(ML, Maximum Likelihood),广义最小二 乘法(GLS,General Least Squares),非加权最小二 乘法(ULS,Unweighted Least Squares),自由度量 最小二乘法(SLS, Scale-free Least Squares)和渐进 任意分布法(AD,Asymptotically Distribution-free)。 LISREL 方法通过拟合模型估计协方差与样本协方差S 来 估计模型参数,也称为协方差建模方法。具体来说,就 是构造模型估计协方差与样本协方差的拟合函数,然后 通过迭代,得到使拟合函数值最优的参数估计。
§1 模型的设定
§1 模型的设定
§1 模型的设定
在图1.1中,文科和理科用椭圆表示,为隐变 量;文科和理科成绩之间的相关关系用双向箭 头表示;从隐变量指向显变量的单向箭头表示 隐变量与显变量的反映(Reflective)关系, 如文科隐变量可以用语文、英语、历史三门课 程的成绩来测量;从误差指向变量的单向箭头 表示该变量的误差或残差。因为误差或残差本 身也是无法进行观测的特殊隐变量,所以也用 圆来表示。
结构方程模型

(Structural Equation Modeling,SEM) –
结构方程模型 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。
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。模型中既包含有可观 测的显在变量, 也可能包含无法直接观测的潜在变量。 结构方程模型可以替代多重回归、 通径分析、因子分析、协方差分析等方法,清晰分析单项指标对总体的作用和单项指标 间的相互关系。
- 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、"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、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)。
hi: Stress at time i.
g(Gamma): 表示外源潜在变量对内生潜在变量的 影响大小。结构路径,相当于回归系数。 注意:g21表示x1到 h2;g12表示x2到h1。
b(BETA)—表示内生潜变量之间的影响。结构 路径,相当于回归系数。 。 z(ZETA)—结构方程的残差项,反映了内生潜 变量h中未被解释的部分。相当于回归分析 中的1-R2。 注意:残差z之间可以相关,z1和z2之间的 相关系数往往用z12表示。
STRUCTURAL EQUATION MODELING
PAGE28
如果一个参数不能由已知量表示出来,则 称该参数是不可识别的(under SEM identified); 如果一个参数能且只能由已知量的一个表 达式表示,则称该参数是恰好识别的(just identified); 如果一个参数可以由已知量的两个以上表 达式表示,则称该参数是超识别的(over identified); 如果至少有一个参数是超识别的,则模型 是超识别的;如果至少有一个参数是不可 识别的,则模型是不可识别的。
STRUCTURAL EQUATION MODELING
PAGE8
(二)结构模型 (Structural model) 描述潜在变量(latent variables) 之间的关系. 通常是研究兴趣的重点。 类似于回归分析或者路径分析,不同的是 结构模型中的变量是不可观测的。
把测量模型和结构模型联立,同时进 行估计时,就称为完整的结构方程 模型(SEM).
PAGE23
1、模型与假设
测量模型
SEM
x Λx ξ δ
结构模型
y Λy η ε
η Βη Γξ ζ
STRUCTURAL EQUATION MODELING
PAGE24
假设
e 与h;d与x;z与x不相关; e,d,z两 两不相关且均值为0; 协方差矩阵: cov(x)=F; cov(z)=Y; cov(e)= Qe; cov(d)= Qd
SEM
估计:找出 qˆ 使得拟合函数取得最小值。
STRUCTURAL EQUATION MODELING
PAGE31
1、极大似然估计(Maximum Likelihood, ML)
假设观测误差是多元正态分布,则拟合函数为 SEM
F (q ) tr[ S (q )] log| (q ) | log| S | p
SEM
STRUCTURAL EQUATION MODELING
PAGE25
2、模型的估计
LISREL -基于协方差矩阵 PLS (Partial Least Square)-基于主成份
ቤተ መጻሕፍቲ ባይዱ
SEM
SEM (LISREL; PLS): 第二代数据分析技术 [Bagozzi and Fornell, 1982]
1
基本性质: 1) ML估计是渐近无偏的(asymptotically unbiased) 2) ML估计是一致估计(consistent); 3) ML估计是渐近有效的(asymptotically efficient); 4) ML估计是渐近正态分布:
ˆ n(q q ) N (0, ) (n )
STRUCTURAL EQUATION MODELING
PAGE26
2.1 协方差结构
观测变量(y, x)的协方差矩阵为
SEM
y A( F' Y ) A'' y Qe F' A'' y x 其中 A ( I B )1
x F'x Qd y A Fx
结构方程模型及其应用
2013年7月10日星期三
引例
研究自信与学业表现的关系。
测试题1
SEM
测试题1
测试题2
自信
学业表现
测试题2
测试题3
智力
测试题1 测试题2
PAGE2
STRUCTURAL EQUATION MODELING
SEM
STRUCTURAL EQUATION MODELING
PAGE3
1、关于名称
STRUCTURAL EQUATION MODELING
PAGE4
2、关于软件
SEM
LISREL:应用最广泛,由Joreskog & Sorbom 开发。 目前学生版8.7 免费,变量数目有限制,但是使用功能没 有限制。 EQS. 由Peter Bentler开发. 作为BMDP的一个 插件。/ AMOS(Analysis of MOment Structures)作为 SPSS的一个插件。/
STRUCTURAL EQUATION MODELING
PAGE29
因子模型识别法则
识别法则 指定 t-法则 条件要求 对每个因子指定测量单位 t <= p(p+1)/2 每个因子至少三个指标 三指标法则 每个指标只测量一个因子 误差不相关 多于1个因子 每个因子至少两个指标 两指标法则 每个指标只测量一个因子 每个因子都有与之相关的因子 误差不相关
3、SEM包含了如下统计方法
a. Factor analysis and Confirmatory Factor Analysis b. Multiple regression (OLS, 2SLS, ML) c. Path Analysis d. Measurement modeling e. 因果分析
STRUCTURAL EQUATION MODELING
PAGE34
3、广义最小二乘估计(Generalized Least
'
一般结构(q),所以也叫协方差结构分析。
STRUCTURAL EQUATION MODELING
PAGE27
2.2 模型的识别
方程模型为可识别的(identified).
SEM
定义:如果(q1)(q2) 必有 q1 q2 ,则称结构
考虑方程(q)=,如果方程数小于参数个数, 则必有参数不能由已知量表示出来,此时模型 为不可识别的(under identified). (是p维矩阵,方程个数有多少个?)
STRUCTURAL EQUATION MODELING
SEM
PAGE7
4、SEM由两部分组成
(一)测量模型(measurement model) 描述潜在变量(latent variables)和指标 (indicators)之间的关系.
SEM
潜在变量: 未观测或不可观测变量,如自尊、 婚姻幸福感、智力水平等。也叫因子(Factor) 指标:也叫观测变量,用于观测、反映潜在变 量的变量。如每月吵架次数等可作为婚姻幸 福感指标。也叫显在变量(Manifest)。
模型的代数表示
测量模型
y Λy η ε
x Λx ξ δ
把图形表示和代数表 示的关系弄弄清楚!
x —外源指标组成的向量
y —内生指标组成的向量
Λx Λy
。
δ
ε
—误差项
结构模型
η Βη Γξ ζ
结构方程模型的估计
SEM
2013年7月10日星期三
STRUCTURAL EQUATION MODELING
SEM
PAGE11
6、SEM的模型表示
SEM
两种表示方式:
– 代数表示 – 图形表示
STRUCTURAL EQUATION MODELING
PAGE12
一个范例
SEM
在两个时点观测了一位护理者的工作压力。 经验表明护理者和受护者过去的关系质 量(Past Relation)是影响工作压力(Stress) 的重要因素. 在每个时点上各有3个观测 指标, Past Relation也有3个观测指标。
PAGE32
STRUCTURAL EQUATION MODELING
5) ML估计的最优拟合值渐近卡方分布,即
ˆ ) 2 ( p * t ) (n 1)F (q ML
(n )
SEM
其中p*=p(p+1)/2,t为自由参数的个数。 这个结果可以用于整个模型的检验。 H0: (q)。 证明可参看(Bollen, 1989)
考虑到护理者的教育背景也是工作压力的 一个因素,因此把教育(Education)引入模 型(有一个观测指标)。
STRUCTURAL EQUATION MODELING
PAGE13
模型的图形表示
模型中用到的基本概念
1、外源潜在变量(latent exogenous variable) 模型中只由外因影响的潜在变量,通常 用x表示。因果关系的“因”。
di(delta)—外源指标Xi的测量误差。各个di之 间允许相关,常把协方差矩阵记为Qd。 ei(epsilon)—内生指标Yi的测量误差。各个ei 之间允许相关,常把协方差矩阵记为Qe。
4、结构模型:
x (Ksi): 外源潜在变量(latent exogenous variable)
x1: past relation; x2: education。
STRUCTURAL EQUATION MODELING
PAGE33
2、未加权最小二乘估计(unweighted Least
Squares, ULS)
1 2 FULS (q ) tr[ S (q )] 2
SEM
(意义:残差矩阵S(q)全部元素的平方和) ULS估计是一致估计,但是不是渐近有效的; 没有尺度不变性; ULS估计的最优拟合值 不是渐近卡方分布。
STRUCTURAL EQUATION MODELING