结构方程模式(STRUCTURALEQUATIONMODELING,SEM).
结构模型方程分析
结构模型方程分析结构模型方程分析（StructuralEquationModeling，SEM）是社会科学研究的一种重要方法，它以假设方程的形式，将观测变量之间的关系映射为模型的形式，以实现研究的目的。
SEM的核心思想是假设和证明，它可以将模型参数化，从而比较不同模型的优劣，比较不同变量之间的相关性，甚至使用模型解释研究结果。
SEM是一种基于概率的模型，它将研究中每个变量都看作服从某种概率分布的随机变量，并建立假设模型来表示变量之间的关系。
SEM 将变量之间的关系表示为方程，将变量的影响波动从可观察的观测变量抽象为隐含变量，因此SEM又被称为抽象方程模型（AEM）。
结构模型方程分析的一个主要步骤是拟合模型参数，以最大化模型的拟合度，以评估模型的质量。
此外，SEM还可以进行结构合理性检验，以检验模型的假设是否符合事实，并对模型进行参数估计，从而最终获得深入的解释，这就是结构模型方程分析最重要的作用。
结构模型方程分析有许多优势。
首先，SEM从经验数据中探索变量间的关系，并允许研究者检验假设模型的有效性和可行性。
其次，SEM可以解释所收集的大量经验数据，从而更加有效地分析研究结果。
最后，SEM可以根据研究者提出的假设，从而获得更深入测量的结果。
SEM也有一些缺点。
首先，SEM模型的建立需要较高的数学储备，而且需要熟悉不同模型和算法，因此不是每个人都能理解和使用SEM。
其次，由于noise的影响，可能会影响模型分析的结果，因此研究者必须在建立模型之前了解这些因素的影响。
总之，SEM是一种有效的社会科学研究手段，它以假设方程的形式，将观测变量之间的关系映射为模型的形式，以实现研究的目的。
它能够实现可观察变量和隐变量之间的关系抽象，并过滤噪声。
它可以拟合模型参数以最大化模型的拟合度，以便对模型的质量进行评估，并能够比较不同模型的优劣，从而获得深入的解释。
因此，研究者可以利用SEM来有效地分析研究结果，并获得准确的结果。
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。
SEM模型案例分析某通信分公司屡次位居榜尾，于是痛下决心改革。
该分公司有三类业务：固话业务、小灵通业务以及上网业务。
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。
结构方程模型
结构方程模型结构方程模型(Structural Equation Modeling, SEM)是一种统计分析方法，用于检验和建立变量之间的关系。
它融合了因果关系和潜在变量的概念，可以同时考虑观察变量和潜在变量之间的关系，从而更全面地理解研究对象之间的复杂关系。
SEM的基本概念SEM由测量模型和结构模型组成。
测量模型用来衡量潜在变量和观察变量之间的关系，而结构模型则用来探究不同变量之间的因果关系。
通过这两个模型的结合，我们可以深入了解变量之间的直接和间接影响。
SEM的应用领域SEM广泛应用于社会科学、心理学、经济学等领域。
研究者可以利用SEM分析复杂的数据结构，探究不同变量之间的关系，并验证理论模型的适配度。
通过SEM，研究者可以深入了解变量之间的关系，为理论研究和实证分析提供有力支持。
SEM的优势与传统的回归分析相比，SEM具有以下几点优势： - 能够同时建立多个因果路径，捕捉变量之间的复杂关系。
- 考虑到测量误差，提高了统计结论的准确性和稳定性。
- 可以估计观测变量和潜变量之间的关系，从而提高模型的解释力。
SEM的应用案例一个典型的SEM应用案例是研究心理学中的影响因素。
研究者可以构建一个包含认知、情绪和行为变量的模型，通过SEM分析这些变量之间的关系。
通过SEM，研究者可以发现不同变量之间的直接和间接影响，从而深入分析这些因素对人类行为的影响。
SEM的未来发展随着数据采集技术的不断进步和计算资源的提升，SEM将会在更多领域得到广泛应用。
未来，SEM可能在大数据分析、机器学习和预测模型等方面发挥更大的作用，为研究者提供更全面的数据分析工具。
结构方程模型是一个强大的统计分析方法，它可以帮助研究者深入理解变量之间的关系。
通过SEM，我们可以建立更加完备的理论模型，为学术研究和实证分析提供有力支持。
SEM的应用领域和发展前景广阔，相信它将在未来的研究中发挥重要作用。
结构方程模型
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
2、结构模式(Structural Equation Model)
结构模式(Structural Equation Model)。又称为潜 变量因果关系模型，主要表示潜变量之间的关系。 规定了所研究的系统中假设的外源潜在变量和内 源潜在变量之间的因果关系，模型形式为： η=βη +Γξ +ζ （3） 其中，η 是内源潜在变量；ξ 是外源潜在变量；β 是内源潜在变量η 的系数矩阵，也是内源潜在变 量间的通径系数矩阵；Γ 是外生潜变量ξ的系数矩 阵，也是外源潜在变量对相应内源潜在变量的通 径系数矩阵；ζ 为残差，是模式内未能解释的部 分。
结构方程模型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，是路径分析和因素分析的有机结合。 对于那些不能准确、直接测量的潜变量（latent variable， 如家庭的社会经济地位、学业成就等），可以用一些外显指标 （ observed variable，如学生父母的教育程度和父母职业及 收入作为家庭社会经济地位的指标，以学生的语文、数学英语 三科成绩作为学业成就的指标 ）去间接测量。结构方程模型 可以同时处理潜变量及指标。 这些指标含有随机误差和系统误差，前者指测量上不准确性的 行为（与传统的测量误差相当），后者反映指标也同时测量潜 变量（即因子）以外的特性（与因子分析中的特殊因子相当）
二、SEM中的基本概念
(一)SEM中变量的分类 1、观测变量和潜在变量 在SEM中，根据变量能否被直接测量而将 其分为观测变量和潜在变量。 （1）观测变量是可以直接被测量的变量， 如年龄、文化程度、身高、体重等。 （2）潜在变量是用理论或假设来建立的、 无法直接测量的变量，如智力、性格等， 不过它也可以用观测变量来构建。
上述模型有以下一些假定：E(ζ)=0，E(δ)=0， E(ε)=0，E(ξ )=0，E(η)=0；ε 与ζ 相互独立， δ 与ξ 相互独立，ε 与η 相互独立，ζ、δ 及ε 相互独立。
结构方程模型法范文
结构方程模型法范文结构方程模型（Structural Equation Modeling, SEM）是一种统计分析方法，可以应用于多个学科领域，包括社会科学、心理学、教育学等。
SEM结合了因果模型和测量模型，旨在使用统计技术来评估观察变量之间的关系和模型的适配度。
在测量模型中，研究者需要定义和测量潜在变量，然后通过一系列观测变量来评估这些潜在变量。
研究者使用测量模型来确定观测变量和潜在变量之间的因果关系，从而量化测量变量之间的相关性。
在这个过程中，研究者可以使用多种统计方法，如主成分分析、验证性因素分析等。
而结构模型则用于分析因果关系。
在这一步骤中，研究者需要提出一个理论模型，并根据先前的研究和实证数据来确定该模型的结构。
结构方程模型可以通过指定自变量和因变量之间的关系来评估因果模型，最后计算模型各个变量之间的关系和影响。
结构方程模型拥有许多优点。
首先，它是一种双向的分析方法，可以同时评估观测变量和潜在变量，更全面地理解变量之间的关系。
其次，SEM同样可以处理多组样本数据，从而更好地理解不同组之间的差异。
另外，结构方程模型还可以评估模型的拟合度，从而确定模型在数据中的适配性。
然而，结构方程模型也存在一些局限性。
首先，SEM对数据的要求较高，包括样本量较大以及变量之间的线性关系等。
其次，对于复杂的模型，参数估计和模型拟合可能变得更加困难。
此外，SEM只能提供观测数据之间的关系，而不能确定因果关系。
总结起来，结构方程模型是一种有效的统计工具，可以用于评估观测变量之间的关系和模型的适配度。
SEM在许多学科领域中都得到广泛应用，尤其在社会科学、心理学和教育学中。
然而，研究者在使用SEM时需要了解其原理和方法，并在分析中根据具体情况进行选择和适用。
结构方程模型
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。
结构方程模型概念
结构方程模型概念一、引言结构方程模型（Structural Equation Modeling，简称SEM）是一种广泛应用于社会科学、教育科学、心理学等领域的统计分析方法。
它可以通过建立一个包含多个变量之间相互关系的模型来解释现象，并通过数据对该模型进行验证和修正。
本文将从SEM的定义、特点、应用领域、模型构建和评价等方面进行详细介绍。
二、定义SEM是一种基于概率论和统计学原理的多变量分析方法，它可以通过将变量之间的关系表示为数学公式来描述一个复杂系统中各个变量之间的相互作用。
通俗地说，就是将各种因素之间的关系可视化为一个图表，然后通过统计方法对这个图表进行分析。
三、特点1. SEM能够同时处理多个自变量和因变量之间的关系，能够更全面地反映现实世界中复杂系统中各个因素之间的相互作用。
2. SEM可以同时考虑测量误差和结构误差，并且可以对这些误差进行修正。
3. SEM能够提供模型拟合度指标以及各个参数估计值，从而可以对研究假设进行检验。
四、应用领域SEM广泛应用于社会科学、教育科学、心理学等领域，例如：1. 社会科学：研究社会结构、组织行为、人口统计等。
2. 教育科学：研究教育政策、教育质量评估等。
3. 心理学：研究人类行为和思维过程。
五、模型构建1. 模型图表达式SEM的模型图表达式通常采用路径图（Path Diagram）来表示。
路径图由节点和箭头组成，节点表示变量，箭头表示变量之间的关系。
其中，双向箭头表示两个变量之间存在相互作用关系；单向箭头表示一个变量对另一个变量有影响。
2. 变量测量模型在SEM中，每个变量都需要有一个测量模型来描述其测量特征。
常见的测量模型包括反映性指标模型和共同因素模型。
反映性指标模型是将观察到的多个指标作为潜在变量的不同方面进行测量；共同因素模型则是将多个观察到的指标归纳到一个潜在因素下进行测量。
3. 结构方程模型结构方程模型是由多个测量模型和结构模型组成的。
其中，测量模型用于描述变量之间的测量特征，结构模型用于描述变量之间的因果关系。
结构方程模型介绍
结构方程模型介绍随着社会科学研究方法的不断发展和进步，结构方程模型（Structural Equation Modeling，简称SEM）作为一种多元统计分析方法逐渐被学者们所重视和应用。
SEM不仅可以用于检验理论模型的拟合度，还可以用于检验因果关系的存在性，并进行预测和模拟分析。
本文将从SEM的基本概念、应用领域、建模流程和常用软件等方面进行介绍。
一、基本概念1. 结构方程模型（SEM）的定义结构方程模型是一种通过变量之间的潜在关系来描述现象的统计模型。
它将观测变量和潜在变量作为模型的构成部分，通过变量之间的因果关系来解释变量之间的关系。
SEM可以用于探究变量之间的关系、检验理论模型的拟合度、预测未来变量的发展趋势等。
2. SEM的基本组成SEM由三部分组成：测量模型、结构模型和误差项。
其中测量模型包括潜在变量和观测变量，结构模型包括潜在变量和观测变量之间的因果关系，误差项则是指观测变量中不受潜在变量和结构模型影响的随机误差。
3. SEM的优势相较于传统的多元回归分析和路径分析等方法，SEM具有以下优势：（1）可以同时处理多个因变量和自变量之间的关系；（2）可以同时考虑测量误差和模型误差的影响；（3）可以将潜在变量和观测变量之间的关系纳入到模型中，更加贴近实际研究问题；（4）可以通过模型拟合度指标来评估研究模型的适应性；（5）可以进行模型的预测和模拟分析。
二、应用领域SEM广泛应用于社会科学领域，如心理学、教育学、管理学、社会学等。
具体应用领域包括但不限于以下方面：1.心理学领域SEM可用于探究心理学中的各种潜在变量之间的关系，如人格因素与心理健康、社会支持与应对策略等。
2.教育学领域SEM可用于探究教育学中的各种潜在变量之间的关系，如教育投入与学生成绩、学习动机与学习成绩等。
3.管理学领域SEM可用于探究管理学中的各种潜在变量之间的关系，如领导风格与员工绩效、组织文化与员工满意度等。
4.社会学领域SEM可用于探究社会学中的各种潜在变量之间的关系，如社会支持与幸福感、社会资本与社会信任等。
结构方程模型
反映性指标回归方程：
X1=β1η+ε1 X2=β2η+ε2 形成性指标回归方程： η=γ1X1+ γ2X2+ δ
内因变量与外因变量
测量模型在SEM模型中就是一般的验证式因素分析 （confirmatory factor analysis，CFA），用于检验数 个测量变量可以构成潜在变量的程度，即模型中观察 变量X与其潜在变量ξ间的因果模型是否与观察数据 契合。
整体模型是陪读检验就是检验总体的协方差矩阵（Σ 矩阵），与假设模型隐含的变量间的协方差矩阵（Σ (θ)矩阵）的差异。因为我们无法得知总体方差与协方 差，因而用样本数据得到的参数估计代替总体参数， 即用样本协方差矩阵S矩阵代替总体的Σ矩阵。
二、测量模型
测量模型由潜在变量与观察变量组成，就数学定义而 言，测量模型是一组观察变量的线性函数。
Amos
LISREL (Linear Structure Relationship)即线性结构关系 的缩写，由统计学者Karl G. Joreskog与Dag Sorbom 二人结合矩阵模型的分析技巧，用以处理协方差结构 分析的一套计算机程序。
Amos是Analysis of Moment Structure（矩结构分析）的 简称，可以验证各式测量模型、不同路径分析模型； 此外还可以进行多组群分析、结构平均数检验，单组 群或多组群多个竞争模型或选替模型的优选。
测量模型与结构模型
SEM分析模型中，只有测量模型而没有结构 结构模型的回归关系，即验证性因素分析；只 有结构模型没有测量模型，则潜在变量间因果 关系讨论，相当于传统的路径分析。
- 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)。
測量模型矩陣
殘差矩陣
Θε
Theta Epsilon
TE
觀察變數之y測量誤差之變異數共變數矩陣(Y變項殘差)
7
LISREL的分析五個步驟
步驟一：發展理論模式 步驟二：建立因果關係徑路圖及細列估計參數 步驟三：評估模式的辨認 步驟四：進行參數估計 步驟五：評鑑模式的適配度
步驟一：發展理論模式
8
在發展理論模式時，首先必須注意的是，以
結構方程模式
3
•
•
•
結構方程式(SEM）可同時處理一系列或多 組自變項與依變項之間關係。 目的:在於考驗潛在變項(Latent variables)與觀 察變項(Manifest variable)之關係。 分析軟體:可透過LISREL 、 Amos 、 SAS、 Statisitca、SYSTAT 加以分析。
評 基 本 適 配 指 標 整 體 模 式 適 配 標 準 ︵ 外 在 品 質 ︶ 模 式 內 在 品 質
鑑
項
目
理想的評鑑結果 是 是 是 是 是 是 是 是 是 是 是 是 是 是 是 是 是 是 是 是 是
是否沒有負的誤差變異？ 誤差變異是否都達顯著水準？ 參數間相關的絕對值是否未太接近 1？ 因素負荷量是否介於 0.5~0.95 之間？ 是否沒有很大的標準誤？
一般分 析能力 數學分 析能力
反 映 性 指 標
學習 態度
心無 旁騖
主動 複習
力求 甚解
廣義的結構方程模式
數個測量模式及一個結構模式 變項間關係複雜，模式界定時必須遵循簡約原 則（principle of parsimony） 在 SEM分析中，同一組變數的組合有多種可能， 不同關係模式可能代表特定理論意義，用一個 較簡單的模型來反應變項間的真實關係，避免 犯下第一類型的錯誤
Y2 Y3
2
2
4
X4
3
23 5
2
23 2
y32 y42
X5
x53
Y4
4
3
6
X6
x63
P506
步驟二：細列估計參數
11
此一步驟的主要工作是將徑路圖轉換成結構 方程式及測量模式，同時細列出所要估計的 參數，以利將來電腦程式的撰寫。 結構方程式
η=Γξ+B η+ ζ
潛在變項結構模式
(latent variable structural modeling) 線性結構關係模式 (linear structural relations model) 共變數結構模式 (covariance structure model) 結構方程模式(structural equation modeling)
•
觀察變項
•
•
•
潛在自變項ξ與y變項無直接關係，潛在依變項η與x變項 亦没有直接關係，而x與y變項亦没有直接關係。
LISREL八大參數矩陣符號列表
6
符號與發音 結構模型矩陣 Β Γ Λx Λy Φ Ψ
Θδ
縮寫
代表意義
beta gamma Lambda x Lambda y phi psi
Theta Delta
λY63 λY73 λY83
Y6
ε6
Y7
ε7
Y8
ε8
參數標註的寫法：先寫箭頭所指處，再寫箭頭來源處。 例如： 12 表示 2 影響1 表示相關的雙箭頭，只要註明上箭頭所指的兩個潛在變 項的號碼。例如： 13 表示 1 與 3 有相關
間接效果
0.68*0.16 -0.07*-0.08
測量模式
ε1 ε2 ε3 ε4 ε5
結構模式
Y1 Y2 Y3
ζ1
Y4
Y5
ζ2
λY11 λY21 λY31
λY42 λY52
η1
δ1 δ2 δ3
η2
ζ4
γ21 β41 β42
XX3
λX21 λX31
ξ1
γ31
γ41
η4
β43
λY94 λY104
Y9 Y10
ε9 ε10
η3
ζ3
BE GA LX LY PI PS TD
描述潛在依變數間（η）之直接影響效果 描述潛在自變數（ξ）對潛在依變數（η）之直接影響效果 描述觀察變項X被潛在自變數(ξ)解釋的係數矩陣(迴歸係數) 描述觀察變項Y被潛在依變數(η)解釋的係數矩陣(迴歸係數) 潛在自變項ξ間的關係 描述結構方程式殘餘誤差ζ之變異數共變數矩陣 觀察變數之x測量誤差之變異數共變數矩陣(X變項殘差)
19
2 值是否未達顯著？ 2 值比率是否小於 3？
GFI 指數是否大於 0.9？ AGFI 指數是否大於 0.9？ RMSEA 指數是否低於 0.05？ RMR/SRMR 指數是否低於 0.05？ Q-plot 的殘差分佈線的斜度是否大於 45°？ NFI 指數是否大於 0.9？ IFI 指數是否大於 0.9？ NNFI 指數是否大於 0.9？ 個別項目的信度是否在 0.5 以上？ 潛在變項的成份信度是否在 0.6 以上？ 潛在變項的平均變異抽取是否在 0.5 以上？ 所估計的參數是否都達顯著水準？ 標準化殘差的絕對值是否都小於 1.96？ 修正指標是否都小於 3.84？
LISREL來考驗因果關係時，基本上是屬於驗證 的方法，這種驗證的方法通常是由理論來引導 研究，而非以資料來引導研究。
步驟二：建立因果關係徑路圖
9
直線箭號表示因果關係，箭頭所指者為結果，箭頭 來源為原因，如γ表示潛在自變項ξ對潛在依變項η 的影響。 曲線雙箭頭表示兩個理論建構有相關，但是因果關 係係不明，其因果關係也不是研究者所要探究的。
家庭社 經地位
.79
學業 成就
.28 .84
一般分 析能力 數學分 析能力
e12 e13
.63
學習 態度
.83
心無 旁騖
z3
.79
力求 甚解
z4
.91
主動 學習
e9
e10
e11
SEM適配度指標的潛藏問題: 最佳模式難求
李茂能, 2006 嘉義大學
潛藏問題
認為適配度佳之模式即為好模式。
Bagozzi 、 Yi (1988)
步驟五：評鑑模式的適配度
17
模式的外在品質
指標 數值範圍 0以上 0~1之間，但可能出現負值 不顯著 至少0.9以上 理想的數值
1. 2值 2. GFI
3. AGFI
4. RMR 5.TCD
0~1之間，但可能出現負值
至少0.9以上
若分析矩陣是相關矩陣，在 若分析矩陣是相關矩陣，必須低於0.05，最好低於0.025； 0~1之間；若分析矩陣是變 若分析矩陣是共變數矩陣，SRMR值應小於0.05。 異數共變數矩陣，則0以上。 0~1之間 0以上 0~1之間 0以上，但大多在0~1間 0以上，但大多在0~1間 至少0.9以上
步驟五：評鑑模式的適配度
15
評鑑的目的，乃是要從各方面來評鑑理論模式
是否能解釋實際觀察所得的資料，或者說理論 模式與實際觀察所得資料的差距有多大
(Anderson & Gerbing, 1988)。
模式的基本適配標準:
16
注意下列幾項： 1. 不能有負的誤差變異。 2. 誤差變異必須達顯著水準。 3. 估計參數之間相關的絕對值不能太接近 1。 、 4. 因素負荷量不能太低或太高，最好介 於 .50~.95之間。 5. 不能有很大的標準誤。
理論性發展
階段一 模式發展
模式設定
模型辨識
抽樣與測量
階段二 估計與評鑑
參數估計 模型修飾
模型契合度估計
結 構 方 程 模 式 的 基 本 程 序
邱，2006
20
討論與結論
潛在自變項
潛在依變項
文化 資本 社會 資本 財務 資本 生活不 良習性 學校不 良行為
家庭教 育資源
負面文 化資本
觀察變項
父親 教育 母親 教育 全家 收入 家庭社 經地位 學業 成就
e4
文化 資本
p569
e5
社會 資本
直接效果
e7
生活不 良習性
e6
財務 資本
e8
學校不 良行為
0.35
0.11*0.28
z1 e1 e2 e3
父親 教育 母親 教育 全家 收入
.91
.95
.97
.92
.98
家庭教 育資源
.68 .16 -.07 .35 .11
負面文 化資本
-.08
z2
.86 .87
依變項 徑路圖描述因果關係 LIESER符號描述徑路圖
ξ1
自變項
X1 X2 → Y1
X1
Y1 X2
η1 ξ2 ζ1
加入觀察指標及各項係數後的因果模式圖
10
1
X1
x11
1
2
1 11 y11
X2
x21 13 12
Y1
1
1
12 12 22 21
3
X3
y21
x32 x42
SEM可分為下列兩種模式：
4
1.測量模式（measurement
model）：主要描述潛在
變項與觀察變項之關係。 2.結構模式（structural model）：主要描述潛在變 數間之因果關係，可以透過路徑分析的概念進行。
Lisrel模式的變項種類
5
◎有四種變項種類：2種潛在變項、2種觀察變項。 • 潛在變項
+
Y = y
+