结构方程建模方法介绍
结构方程模型
• （6）当模型与数据拟合时 ,说明数据并不排斥模 式 ,不能说数据可以确认模式 ,也不能证明某一理 论基础; • （7） 用同一样本数据 ,以相同数目的待估参数和 不同的组合形式可以产生许多不同模型 ,这些等同 模型哪一个更适合于研究问题 ,应按照模式表达的 意义从专业角度来鉴别; • （8）) SEM 不能验证变量间的因果关系。同其他 统计方法一样 ,当模型与样本拟合时 ,只能说该模 型是可供考虑的模型 ,是目前为止尚未被否定的模 型。只有经严格的实验设计控制其他变量的影响 , 才能探讨主要变量的因果效应。绝不能因为使用 了 SEM 便说证明模型正确。严格地说 ,尽管 SEM 不能证明因果关系 ,但它的生命力在于能寻找变量 间最可能的因果关系。
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。 我们的课程只考虑线性结构方程模型。
• ③SEM 对样本容量的要求较高 ,也要求模 型必须满足识别条件并且它不能处理真正 的分类变量。
五、应用实例
应用场合
CALIS过程简介
• 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。
结构方程建模
结构方程模型的分析过程
构建模型：
确定变量之间的相 互关系，确定模型 是否可被识别。
理论 模型设定 模型识别
选择测量变量和收集资料
参数估计
估计与评估：
用观察资料来估计 参数和评估模型。
模型评估 达到可接受程度
未达到可接受程度 解释
框和圆圈之外；外生 潜变量无误差。 ④ 各元素符号间有箭头链接；单向直线箭头表示一个变量对另一个变量的直接影响；
双向曲线箭头表相关关系，但这种相关关系未必是因果关系。
一、结构方程建模简介
3、结构方程常用的图标 （1）潜变量 （2）显变量 （3）单向影响/直接影响 （4）相关关系
4、结构方程的路径图
模型修正
步骤二：模型辨识
构建模型
确定估计参数
模型辨识
模型辨识即判断所设定的模型能否求出唯一的参数估计值。
SEM的模型识别分两阶段：先对测量模型部分进行判断，可以识别；再对结构模型
部分进行判断，若通过，则整个模型可识别。
模型辨识的条件：
≥0，模型有可能识别
最大自由度（df）
<0，模型不可识别
H3c 医院提高持续管理水平将改善医疗服务质量。
H4
H4a 医院提高持续管理水平将降低运作成本。 H4b 低成本运作会提高财务绩效。
2019/7/2
（三）问卷设计及数据收集
采用问卷法收集数据，用χ2检验表明表明回复和未回复的医院从院址、规模和实习 教育等变量分析并无显著性差异。
各种问题是围绕假设而设计的。同时，要为假设中的潜变量设计一组观测变量，这 就是属于测量模型的内容。测量模型和概念模型的综合形成完整的结构方程模型。
结构方程建模：心理与教育研究的重要方法
结构方程建模：心理与教育研究的重要方法●童辉杰近年来，我国心理学、教育学界的研究者非常关注一种重要的研究方法，这就是结构方程建模。
结构方程建模（Structural Equation Modeling，SEM）最早的研究出现在20世纪60年代，是心理测量学与计量经济学等学科研究方法结合的结晶。
90年代得到很快发展，近年来倍受关注，广泛应用于心理学、教育学、经济学、社会学等领域，并代表了统计测量学的一种崭新的发展方向。
结构方程建模具有许多优点，可以概括为一个最重要的优点，这就是它可以真正实现对数据的系统分析。
美国著名心理学家安娜斯塔西认为这是一种“理论、实验、统计三结合的一种有前途的方法。
”也就是说，通过这一方法，可以理想地将分析数据与验证理论假说以及实验处理结合起来，从而取得研究的更为可靠和有效的结论。
在心理与教育测量学关于效度的研究中，往往需要考察测验与另一测验或效标之间的相关。
在相关分析中，由于不能考察变量的测量误差，不能考察没有测量到的变量所起的作用，往往难以判断假性相关以及真实的因果关系。
结构方程建模可以解决上述种种困难，从而成为最有前途的一种方法。
虽然多元回归、路径分析、联立方程组等方法也考察多变量的关系（包括因果关系），但是它们的一大局限就是只能处理可观测的变量，并假定观测变量不存在测量误差。
只能处理可观测的变量，就不能全面地考虑那些虽然没有观测到，但仍然在起重要作用的潜在变量的作用。
假定观测变量没有测量误差，更是不切实际。
因为在心理学、教育学等领域，对抱负、动机、人格、能力、情绪等的测量都不可能像身高、体重那样可以直接测量到，所以不可能不存在测量误差，这一假定是站不住脚的。
但是以往的方法没有能够克服这些局限，只有结构方程建模，既可以分析可观测变量之间的关系，又可以分析潜在变量的作用，而且还将测量误差纳入分析之中。
这样一来，这一分析技术能够真正将所要研究的东西（可观测的变量、潜在的变量、测量误差）纳入了一个全面的系统的结构之中，并且将理论的建构、实验测量的资料以及统计分析技术有机地结合在一起，具有极大的优势。
结构方程模型及其应用
结构方程模型及其应用引言结构方程模型（SEM）是一种广泛应用于社会科学、心理学、经济学、医学等领域的统计方法。
SEM可以同时处理潜在变量和观测变量，并能够准确地估计模型中各种参数的值，以便更好地理解和预测现实世界中的各种现象。
基本概念结构方程模型包括路径分析、因素分析和结构方程建模等方面。
路径分析旨在揭示变量之间的因果关系，通过建立变量之间的路径图来表现各个变量之间的相互作用。
因素分析则是将变量之间的关系转化为潜在因素之间的关系，从而更好地理解变量之间的本质。
而结构方程建模则是将路径分析和因素分析结合起来，建立一个完整的模型，并估计模型中各种参数的值。
方法与技术结构方程模型的方法和技术包括问卷调查、数据采集、数据分析等。
在建立SEM模型之前，需要通过问卷调查来收集数据，确定潜在变量和观测变量的具体指标。
数据采集的方法可以包括网络调查、调查、面对面访谈等。
在数据采集完成后，需要使用特定的统计分析软件，如SPSS、AMOS等，来进行数据分析，估计模型中各种参数的值，并检验模型的拟合程度。
应用场景结构方程模型在教育、金融、医疗等领域有广泛的应用。
在教育领域，SEM可以帮助教育工作者了解学生学习成果的影响因素，为教育政策的制定提供科学依据。
在金融领域，SEM可以用来研究投资组合优化、风险管理等问题，帮助投资者做出更加明智的投资决策。
在医疗领域，SEM可以用来研究疾病发生、发展及其影响因素，为疾病的预防和治疗提供新的思路和方法。
案例分析以一个实际案例来说明结构方程模型的应用过程。
假设我们想要研究学生的心理健康状况对其学业成绩的影响。
首先，我们需要通过问卷调查来收集数据，确定潜在变量和观测变量。
潜在变量包括学生的心理健康状况和学业成绩，观测变量则包括学生的性别、年龄、家庭背景等。
然后，我们使用AMOS软件来建立SEM模型，并估计模型中各种参数的值。
在模型中，我们建立了一条从心理健康状况到学业成绩的路径，表示心理健康状况对学业成绩的影响。
结构方程建模数据的PLS分析
PLS分析的步骤和流程
数据准备
收集和整理数据，进行必要的 预处理，包括缺失值处理、异
常值检测和数据标准化等。
构建模型
选择合适的自变量和因变量， 构建预测模型，确定模型的复 杂度和拟合度。
模型评估
使用交叉验证、外部验证等方 法评估模型的预测能力和稳定 性。
结果解释
解释模型的预测结果，并根据 结果进行相应的分析和决策。
02 PLS分析方法介绍
PLS分析的基本概念
01
PLS分析是一种基于偏最小二 乘回归的多元数据分析方法， 用于处理复杂的数据结构和变 量关系。
02
它通过构建预测模型来描述因 变量和自变量之间的关系，并 评估模型的有效性和预测能力 。
03
PLS分析特别适用于处理具有 潜在变量和交互效应的数据结 构，能够处理更多的变量和更 复杂的关系。
PLS分析的优缺点
优点
PLS分析能够处理复杂的变量关系和 潜在变量，适用于大数据集和小样本 数据，能够提供更准确的预测和更好 的解释性。
缺点
PLS分析对数据结构和共线性较为敏 感，需要选择合适的自变量和因变量， 对模型的复杂度和拟合度也需要进行 适当控制。
03
结构方程建模数据的收集与处 理
数据收集的方法与技巧
结果解读
根据分析结果，解 读模型的有效性、 预测精度等指标。
确定研究目的
明确研究的目标和 问题，为结果解读 提供指导。
建立模型
选择适当的结构方 程模型，并使用PLS 算法进行拟合。
结论与建议
根据解读结果，得 出结论并提出相应 的建议。
结果解读的注意事项
数据的可靠性
确保数据的准确性和可靠性，避免误 差和异常值的影响。
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。
结构方程
结构方程
结构方程的简介 结构方程的分类及应用 结构方程的研究 结构方程的统计原理
一、结构方程模型简介
概念 结构方程分析， 结构方程分析，也常称为结构方程建模 （Structural Equation Modeling, SEM）， ）， 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， 关系的一种统计方法，所以也称为协方差 结构分析。 结构分析。
验证性因子分析(CFA):只需要因子间的相关而不 只需要因子间的相关而不 验证性因子分析 是因子间的因果效应。 是因子间的因果效应。 多质多法模型（ 多质多法模型（MTMM):用于验证测量工具的效 用于验证测量工具的效 度。 全模型：同时包含外源变量（ 因子及其指标） 全模型：同时包含外源变量（ ξ 因子及其指标） 和内生变量（ 因子及其指标）的模型， 和内生变量（ η 因子及其指标）的模型，也称 完整模型。 完整模型。
cov(ξi , δ i ) = 0, i = 1, 2, j = 1,...,5;
（3）误差项之间不相关，即 cov(δ i , δ j ) = 0, i ≠ j ）误差项之间不相关， 其中， 并不是必须的 并不是必须的。 其中，(3)并不是必须的。
将①改写成矩阵形式②： 改写成矩阵形式② 其中： 其中
B：内生潜变量之间的关系 Γ：外源潜变量对内生潜变量的影响
ζ ：结构方程的残差项
结构方程模型的优点： 结构方程模型的优点： 1、同时处理多个变量 、 2、容许自变量和因变量含测量误差 、 3、同时估计因子结构和因子关系 、 4、容许更大弹性的测量模型 、 5、估计整个模型的拟合程度 、
二、结构方程的分类及其应用
记： ∅11 = var(ξ1 ), ∅ 22 = var(ξ 2 ), ∅ 21 = cov(ξ 2 , ξ1 ),
结构方程模型建模思路及amos操作--基础准备_概述及解释说明
结构方程模型建模思路及amos操作--基础准备概述及解释说明1. 引言1.1 概述本篇长文旨在介绍结构方程模型（Structural Equation Modeling，SEM）的建模思路及在AMOS软件中的操作流程。
结构方程模型是一种多变量统计分析方法，通过将观测变量和潜在变量结合起来建立数学模型，从而揭示背后的潜在关系和影响机制。
本文将详细解释SEM的基础概念、变量类型与测量以及模型参数估计方法。
1.2 文章结构文章主要分为五个部分。
首先，在引言中概述了本文的目标和结构。
其次，在第二部分中，我们将介绍结构方程模型的基础概念，包括对SEM的简单介绍、不同变量类型和测量方法以及常用的参数估计方法。
接下来，在第三部分中，我们将详细介绍AMOS软件，并提供相关操作准备工作，包括数据准备和输入、模型设定与修改等内容。
在第四部分中，我们将逐步解释结构方程模型的建模步骤，并阐述模型规划与理论支撑、指标选择及路径图绘制以及模型拟合评估和修正等详细内容。
最后，在第五部分中，我们将总结本研究的主要发现和启示，并提出方法的局限性和改进建议，同时展望未来的研究方向。
1.3 目的本文的目的是帮助读者全面理解结构方程模型建模思路，并能够熟练运用AMOS软件进行相应的操作。
通过具体实例和详细步骤的阐述，旨在提供一个基础准备，使读者能够在自己的研究中应用结构方程模型进行数据分析和模型测试。
同时，本文还将总结结构方程模型在研究中的应用总结与经验教训，并对其未来发展提出展望。
通过阅读本文，读者将能够更好地理解并掌握结构方程模型及其在研究领域中的价值和作用。
2. 结构方程模型基础概念：2.1 结构方程模型简介：结构方程模型（Structural Equation Modeling，简称SEM）是一种统计分析方法，被广泛应用于社会科学和心理学领域，以探索变量之间的潜在关系。
它可以同时建立观察变量与潜变量之间的关系模型，并通过拟合度指标来评估模型的适配度。
- 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)。
结构方程建模方法介绍采用研究方法——结构方程建模方法介绍一、简介结构方程建模(Structural Equation Modeling(简称SEM)是一种综合运用多元回归分析、路径分析和确认型因子分析方法而形成的一种统计数据分析工具，是基于变量的协方差矩阵来分析变量之间关系得一种统计方法，也称为协方差结构分析。
它既能够分析处理测量误差，又可分析潜在变量之间的结构关系。
结构方程模型中的变量有四种，如表所示:可测性显变量潜变量变量生成内生变量内生显变量内生潜变量外生变量外生显变量外生潜变量结构方程建模有如下优点:(1) 同时处理多个变量结构方程分析可以同时考虑并处理多个内生变量(相当于因变量)。
然而在传统的回归分析或路径分析中，就算统计结果的图标中展示多个因变量，其实在计算回归系数或路径系数时，仍然是对每个因变量逐一计算，忽略了其他因变量的存在及其影响。
(2) 容许内生变量和外生变量含测量误差其中，内生显变量、内生显变量、外生显变量都是含测量误差的。
(3) 同时估计因子结构和因子关系在传统的分析方法中，各因子结构不会因为其他因子的存在而变化。
然而，在结构方程分析中，各因子内的结构会兼顾其他同时存在的变量而有所调整和改变，也就是说在同一个研究中其他共存的因子及其结构，会互相影响，不仅影响因子间的关系，也影响因子的内部结构。
(4) 容许更大弹性的测量模型在传统上，我们只容许每个指标(在结构方程中可以认为是显变量)从属于单一因子(潜变量)，但结构方程分析容许更加复杂的模型。
(5) 估计整个模型的拟合优度在传统的路径分析中，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。
正是从以上对于结构方程建模方法优点的认识上，本文决定采用此方法作为对数据的主要处理方法。
二、结构方程建模的主要步骤如下(一)、模型的设定一般的结构方程模型有两个模型，一个是测量模型，一个是潜在变量模型或结构模型。
(1)测量模型,,x,,，x y,,,，,y其中:x——外生显变量组成的向量;y——内生显变量组成的向量;, ——外生潜变量组成的向量;, ——内生潜变量组成的向量;, ——外生显变量与外生潜变量变量之间的关系，即因子负荷x矩阵;, ——内生显变量与内生潜变量之间的关系，同样是因子负荷y矩阵(2)结构模型,,,,，,,，,Β——内生潜变量间的关系(如其它内生潜变量与工作满意度的关系);Γ ——外源潜变量对内生潜变量的影响(如工作自主权对工作满意度的影响);ζ ——结构方程的残差项，反映了在方程中未能被解释的部分。
(二)、模型的识别识别工作主要是考虑模型中每一个自由参数能否由观测数据求得惟一解作为估计。
对于某一个自由参数，如果不能将这一参数以样本方差协方差的代数函数表达(这个参数就不能识别。
同样的原则适用于更复杂的结构方程模型。
要是一个未知参数至少可以由观测变量的方差协方差矩阵(一般用S表示)中的一个或多个元素的代数函数来表达(就称这个参数识别了。
对于结构方程模型，并没有一套简单的充要条件来作为参数识别手段。
然而，有两个必要条件是应该时时加以查验的。
第一，数据点的数日不能少于自由参数的数日。
数据点的数目就是观测变量的方差和协方差的数目。
它等于(p+q)(p+q+1),2，其中P是观测变量Y的数目，q是观测变量x的数目。
这就是说，方差协方差矩阵S中只有对角线上的方差和对角线外的一半协方差(或是上半部或是下半部)才算数。
方差协方差矩阵中的另一半协方差实际上对称于这一半，并没有提供新的信息。
自由参数的数目指待定的因子负载、通径系数、潜在变量和误差项的方差、潜在变量之间与误差项之间的协方差的总数。
要是数据点比自由参数多，这一模型即为过度识别。
如果数据点比自由参数少，这一模型就是不能识别的。
其参数也无法估计。
因为，未知项多于已知项时，估计便不可能进行。
第二，必须为模型中的每个潜在变量建立一个测量尺度。
为了建立这一尺度。
首先，可以将潜在变量的方差设定为1。
这就是说。
将潜在变量标准化，使其有了标准化尺度。
其次。
也是较常用的方法，是将潜在变量的观测标识中任何一个的因子负载设定为一常数。
通常为1。
如果这一潜在变量的方差被设定为自由(且所有的也都被设定为自由。
这些和这个潜在变量的方差就不能识别。
而且，其他一些与这一潜在变量相关的参数也不能识别。
更具体地说，对于一个潜在自变量(?)而言，其方差以及由这个潜在变量发射出的所有通径的系数就都不能识别。
对于一个潜在因变量( )来说，其残差的方差，指向这个潜在因变量和从其伸出的所有通径的系数都是不能识别的。
(三)、模型的估计一旦设定了模型，下一个工作便是根据观测变量的方差和协方差进行参数估计。
结构方程模型的估计过程完全不同于传统的统计方法。
它不是追求尽量缩小样本每一项记录的拟合值与观测值之间的差异。
而是追求尽量缩小样本的方差协方差值与模型估计的方差协方差值之间的差异。
结构方程模型中，不是每个案例的因变量预测值与观测值之间的差异，而是观测的方差协方差与预测的方差协方差之间的差别作为残差。
结构方程模型的基本假设是，观测变量的方差协方差矩阵是一套参数的函数。
固定参数值和自由参数的估计将被代人结构方程，然后推导出一个方差协方差矩阵Σ(称之为引申的方差协方差矩阵1(使矩阵Σ 中的每一个元素都尽可能地接近于样本中观测变量的方差协方差矩阵S中的相应元素。
如果设定模型正确，Σ将非常近似于S。
它的估计过程采用特殊的拟合函数使Σ 与S之间的差异最小化。
最常用的估计方法是最大似然法和广义最小二乘法。
使用最大似然法和广义最小二乘法进行模型估计，需要假设观测变量为连续性的变量，且具有多元正态分布。
即使是在大样本时(观测变量的偏态性，尤其是在很高峰度的情况下，会导致很差的估计及其不正确的标准误和偏高的卡方值。
因此(偏态分布或过高的峰度会威胁最大似然估计和最小二乘法估计的统计检验。
对于这个问题，可以采取以下几种弥补措施。
第一，考虑对偏态分布的变量进行转换，使其近似于多元正态分布(或者设法减小过高的峰度。
第二，将那些离异值从数据中删除。
第三，可以应用自助再抽样来估计参数估计的方差以进行显著性检验。
最后，还有一种办法是取得一个能够允许偏态性且渐近有效的替换估计。
(四)、模型评价结构方程建模的首要任务是用样本数据对所设定的模型参数进行估计，再根据这些参数估计来重建方差协方差，然后尽可能地将重建的(或称引申的)方差协方差矩阵Σ 与观察方差协方差矩阵S相匹配，匹配的程度决定了结构方程模型拟合样本数据的程度。
模型的总体拟合程度有许多测量标准。
最常用的拟合指标是拟合优度的卡方检验，要求样本量在100,200之间。
很小的卡方值说明拟合很好。
当卡方值为0时，即残差矩阵的所有元素都是0(标志着模型对数据的完美拟合。
这种情况只有在恰好识别模型中才会出现。
为减少样本规模对拟合检验的影响(一般认为，如果卡方值与自由度之比小于2，则可以认为模型拟合较好。
除了总体卡方检验以外，还有很多模型拟合检验的指标: 拟合优度指标GFI，最大值为1，越接近于1越好。
调整自由度的GFI的指标AGFI，此值越大越好。
本特勒的比较拟合指数CFI，越接近于1说明拟合越好。
AIC准则，达到最小值时最好。
CAIC准则，同AIC一样，达到最小值时最好。
SBC准则，此值越小越好。
正规指数NI，越接近于1，说明拟合越好。
非正规指数NNI，越接近于1，说明拟合越好。
节俭指数越大说明拟合越好。
临界指数CN越大说明拟合越好。
(五)、模型的修正在应用结构方程模型时进行模型修正是为了改进初始模型的适合程度。
模型修正有助于认识初始模型的缺陷，并且还能得到其他替换模型的启示。
当尝试性初始模型不能拟合观测数据时(即这个模型被数据所拒绝时，我们就需要了解这个模型在什么地方错了，怎样修正模型才能使其拟合得较好。
然后我们将模型进行修正，再用同一观测数据来进行检验。
要改进一个拟合不好的模型，可以改变其测量模型，增加新的结构参数。
或设定某些误差项相关，或者限制某些结构参数。
结构方程模型的统计分析计算机软件LISREL和AMOS都能够提供一些修正指数。
对于重新设定模型有很大帮助。
对于模型中的每一个固定参数(从LISREL和AMOS的结果中都能得到一个修正指数，它将告诉我们如果将其作为自由参数来估计，模型检验的卡方值能够降低多少。
实际上，修正指数表明，如果相应参数加入模型后能对其拟合有多大改进。
修正指数值很大则意味着将相应参数改变成自由参数会大大地改善拟合程度。
然而。
我们应该只对那些有意义的、能够合理解释的参数进行改变。
除了将模型中的固定参数改变为自由参数以外(还可以考虑将不显著的参数值限定为0或取其他值。