結 構方程程模型型及其應 新增資 應用 資料
目錄 內容 頁數 引言 2 I. 第9.1版的改動 3 - 4 II. 章節內的新增資料 第一章 5 第三章 6 – 8 第十二章 9 – 10 第十四章 11 – 17 III. 附录內的新增資料 19 1
引言 自2005，為方便普通話及廣東話的學生，修習香港中文大學我所任教的結構方程課程，我製做了一個含有2種方言的網上課程，其後我亦將整個課程放在個人網頁(https://www.doczj.com/doc/a815939763.html,)免費讓公眾使用。 網上課程更精簡地解釋重點，尤其是對本書最艱深的部份（第三、四章），幫助最大。學員先看綱上課程，再參考書本內容，必感事半功倍。 主要参考文獻： du Toit, S., du Toit, M., Mels, G., & Cheng, Y. (n.d.). LISREL for Windows: SIMPLIS syntax files. Lincolnwood, IL: Scientific Software International, Inc. (available https://www.doczj.com/doc/a815939763.html,/lisrel/techdocs/SIMPLISSyntax.pdf) J?reskog, K.G. & S?rbom, D. (1999). LISREL 8: User’s Reference Guide. Lincolnwood, IL: Scientific Software International, Inc. J?reskog, K.G. & S?rbom, D. (1999). Structural Equation Modeling with the SIMPLIS Command Language. Lincolnwood, IL: Scientific Software International, Inc. Scientific Software International (SSI) (2012). LISREL 9.1 Release Notes. Lincolnwood, IL: The Author. (available from https://www.doczj.com/doc/a815939763.html,/lisrel/LISREL_9.1_Release_Notes.pdf) 2
结构方程模型的应用及分析策略 侯杰泰成子娟 (香港中文大学教育学院东北师范大学教育学院，130024) 摘要:差不多所有心理、教育、社会等概念，均难以直接准确测量，结构方程(SEM，Structural Equation Modelling)提供一个处理测量误差的方法，采用多个指标去反映潜在变量，也令估计整个模型因子间关系，较传统回归方法更为准确合理。本文主要用一系列有关学习动机的虚拟例子，指出每个问题的主要分析策略，以展示SEM在教育及心理学可以应用的研究范畴。文内探讨的方法包括：验证性因素、高阶因子、路径及因果分析、多时段(multiwave)设计、单形模型(Simple Model)、及多组比较等。 关键词结构方程验证性因素分析路径及因果分析高阶因子多组比较 结构方程(SEM,Structural Equation Modelling)、协方差结构模型(Covariance Structure Modelling、LISREL)等类似名词已渐流行，并成为一种十分重要的数据分析技巧；在大学高等学位研究课程，它是多变量分析(multivariate analysis)的重要课题；比较重要的社会、教育、心理期刊，也早已特开专栏介绍(如：候，1994；Connell & Tanaka,1987;Joreskog & Sorbom,1982)；可见SEM在统计学中所建立的声望及崇高地位是无容置疑的。本文主要用一系列有关学习动机的虚拟例子，来指出每个问题的主要分析策略，以展示结构方程模型在教育及心理学可以应用的研究范畴。 一、结构方程：优点及拟合概念 1.数学模式 很多社会、心理等变项，均不能准确地及直接地量度，这包括智力、社会阶层、学习动机等，我们只好退而求其次，用一些外项指标(observable indicators)，去反映这些潜伏变项。例如：我们以学生父母教育程度、父母职业及其收入(共六个变项)，作为学生家庭社经地位(潜伏变项)的指标，我们又以学生中、英、数三科成绩(外显变项)，作为学业成就(潜伏变项)的指标。 简单来说SEM可分测量(measurement)及潜伏变项(latent variable)两部分。测量部分就是求出六个社经指标与社经地位(或三科成绩与学业成就)(即外显指标与潜伏变项之间)的关系：而潜伏变项部分则指社经地位与学业成就(即潜伏变项与潜伏变项间)的关系。 指标(外显变项)含有随机(或系统)性的量度上误差，但潜伏变项则不含这些部份。SEM可用以下矩阵方程表示(Bollen,1989;Joreskog & Sorbom,1993)： η=βη+Γξ+ζ
本文由ｓｆｙｍｍ８８贡献 ｐｄｆ文档可能在ＷＡＰ端浏览体验不佳。建议您优先选择ＴＸＴ，或下载源文件到本机查看。 结构方程模型的应用 ——基础篇 董圣鸿 Ｅｍａｉｌ：ｓｈｄｏｎｇ＠ｓｉｎａ１００．ｃｏｍ 江西师范大学教育学院 一、结构方程模型的含义 一、结构方程模型的含义（续１） η ＝ Ｂη ＋ Γξ ＋ ζ 一、结构方程模型的含义（续２） ｘ ＝ Λ ｘξ ＋ δ 一、结构方程模型的含义（续３） ｙ ＝ Λ ｙη ＋ ε 二、结构方程模型的八个矩阵 三、结构方程模型分析的逻辑原理 三、结构方程模型分析的逻辑原理（续１） １００名学生在９个不同学科间的相关系数 三、结构方程模型分析的逻辑原理（续２） ９个不同学科间的相关系数的衍生矩阵 三、结构方程模型分析的逻辑原理（续３） 检查模型的准确性和简洁性 拟合优度指数（ｇｏｏｄｎｅｓｓ ｏｆ ｆｉｔ ｉｎｄｅｘ），简称为拟合指数、ＮＮＦＩ、 ＣＦＩ ｄｆ＝［不重复元素， ｐ（ｐ＋１）／２］ – ［估计参数］ 在前面例子 ｄｆ ＝９ ｘ １０／２ – ２１ ＝ ２４ 四、结构方程模型分析的步骤 确定理论模型 收集数据资料 获得协方差矩阵或相关矩阵 Ｌｉｓｒｅｌ分析的数据源 相关系数＝协方差／（标准差×标准差） 也可以从原始数据出发进行计算 构造路径图 将路径图的结构翻译为计算机语言，交给计算机运算 画路径图的方式 写命令程序的方式 五、绘制路径图的规则 五、绘制路径图的规则（续１） 五、绘制路径图的规则（续２） 六、绘制路径图进行分析的方法 例１： ２５．０７０４ ４ ｉｎｄｉｃｔｏｒｓ， １ Ｆａｃｔｏｒ １２．４３６３ ２８．２０２１ １１．７２５７ ９．２２８１ ２２．７３９０ ２０．７５１０ １１．９７３２ １２．０６９２ ２１．８７０７ 六、绘制路径图进行分析的方法 例２： ６ ｉｎｄｉｃｔｏｒｓ， ｕｎｃｏｒｒｅｌａｔｅｄ ２ Ｆａｃｔｏｒ （６Ｆ４．２） １００ ７３ １００ ７０ ６８ １００ ５８ ６１ ５７ １００ ４６ ４３ ４０ ３７ １００ ５６ ５２ ４８ ４１ ７２ １００ 七、写Ｌｉｓｒｅｌ程序进行分析的方法 Ｌｉｓｒｅｌ程序包含下面六类指令。在Ｌｉｓｒｅｌ程序 中，各类指令依下述次序编排： 标题指令句 输入格式（ＤＡｔａ） 一般分析格式 模型指令格式（Ｍｏｄｅｌ） 其他模型设定格式 输出格式 七、写Ｌｉｓｒｅｌ程序进行分析的方法（续１） 例１： Ａｎａｌｙｓｉｓ ｏｆ Ｒｅａｄｅｒ Ｒｅｌｉａｂｉｌｉｔｙ ｉｎ Ｅｓｓａｙ Ｓｃｏｒｉｎｇ Ｖｏｔａｗ＇ｓ Ｄａｔａ Ｃｏｎｇｅｎｅｒｉｃ ｍｏｄｅｌ ｅｓｔｉｍａｔｅｄ ｂｙ ＭＬ ＤＡ ＮＩ＝４ ＮＯ＝１２６ ＭＡ＝ＣＭ ＬＡ ＯＲＩＧＰＲＴ１ ＷＲＩＴＣＯＰＹ ＣＡＲＢＣＯＰＹ ＯＲＩＧＰＲＴ２ ＣＭ ２５．０７０４ １２．４３６３ ２８．２０２１ １１．７２５７ ９．２２８１ ２２．７３９０ ２０．７５１０ １１．９７３２ １２．０６９２ ２１．８７０７ ＭＯ ＮＸ＝４ ＮＫ＝１ ＬＸ＝ＦＲ ＰＨ＝ＳＴ ＬＫ Ｅｓａｙａｂｉｌ ＰＤ ＯＵ
《结构方程模型及其应用》 内容简介 侯杰泰，香港中文大学教育心理系教授、系主任。主要研究方向为学习动机，应用统计和香港语文政策。曾多次在北京、上海、南京、长春、广州等地举办的地区或全国性结构方程分析研习班上讲学。 在社会、心理、教育、经济、管理、市场等研究的数据分析中，当今称得上前沿的几个统计方法中，应用最广、研究最多的恐怕非结构方程分析莫属。它包含了方差分析、回归分析、路径分析和因子分析，弥补了传统回归分析和因子分析的不足，可以分析多因多果的联系、潜变量的关系，还可以处理多水平数据和纵向数据，是非常重要的多元数据分析工具。 本书是国内第一本系统介绍结构方程模型和LISREL的著作。阐述了结构方程分析（包括验证性因子分析）的基本概念、统计原理、在社会科学研究中的应用、常用模型及其LISREL程序、输出结果的解释和模型评价。《结构方程模型及其应用》还讨论了一些与结构方程模型有关的专题，是一本由初级至中上程度的结构方程分析著作，可作为有关专业高年级本科生和研究生的教科书及应用工作者的参考书。 目录 序 第一部分结构方程模型入门 第一章引言
一、描述数据 二、具体例子展示准确与简洁的考虑 三、探索性与验证性因子分析比较 第二章结构方程模型简介 一、结构方程模型的重要性 二、结构方程模型的结构 三、结构方程模型的优点 四、结构方程模型包含的统计方法 五、路径图的图标规则 六、结构方程分析软件包 七、LISIREL操作入门 第二部分结构方程模型应用 第三章应用示范I：验证性因子分析和全模型 一、验证性因子分析 二、多质多法模型 三、全模型 四、高阶因子分析 第四章应用示范II：单纯形和多组模型 一、单纯形模型 二、多组验证性因子分析 三、多组分析：均值结构模型 四、回归模型
结构方程模型的研究进展与应用 结构方程模型是一种融合了因素分析和路径分析的多元统计技术，是社会科学研究中的一个非常好的方法，下面是搜集的一篇研究结构方程模型应用的，供大家阅读参考。 引言 从大量事件样本进行统计分析，由事件的表象获得本质性的事件规律，是科研人员特别是管理工作者常见的研究工作方法，也是很有效的科学研究方法。 统计分析方法众多，深浅不一，效果各异。对于复杂事件而言，其牵涉的层面复杂，影响和制约因子众多，这些影响或制约因子往往又非孤立，而是相互牵涉、相互影响。故需要剖析事件的内在层面结构关系，分析事件的影响显在因子，并构建一定的结构方程模型，进而挖掘出事件的影响潜在因子，综合分析并构建一个或若干个事件发展的判断指标，且设定某一程度的判断标准，判断事件的发展动态。这样的统计分析方法就是结构方程模型。结构方程模型因其优越性得到飞快的发展和广泛的应用。 1 结构方程模型的研究 1.1 基本概念、思想及本质阐述 人们对于结构方程模型(StructuralEquationModeling简称为 SEM)的概念的阐述也是 变化的，有从含糊到明确、由片面到全面、由肤浅到不断深入、由定格到扩充和发展的过程。 20 世纪二三十年代，结构方程模型思想刚刚起源、萌芽时，起初确定为由 Sewll Wright[1]最初提出了路径分析的概念，这种路径分析当时还没有定义为结构方程模型。 之后的数十年中，对于路径分析的方法和内涵不断扩充与展开。直到 20 世纪 70 年代， 一些学者以 Joreskog 和 Wiley 为代表，将因子分析和路径分析等统计方法加以整合，明 确提出结构方程模型的概念[2],结构方程模型的概念明确提出后，立即得到迅猛发展，内 容进一步充实，方法扩充，针对实际研究对象的具体模式不断涌现，应用的范围迅速扩展。早期的结构方程模型跟数学中的数理统计方法不是很融合，结合不大，也没有注重数理统计方法的重要性和运用的实效性。结构方程模型所包含的内容也很少，结构较为简单，方法较为单一，所列出的影响因子较少，全为显性因子，对于潜在因子的重视和提出要求是在 21 世纪初的事情了。 进入 21 世纪后，人们对于结构方程模型的内在本质进一步明确，对其内涵进一步加 以扩充，其模型结构图的构建越来越复杂，因子越列越多，潜在因子被明确提出并作为结构方程模型必须要求的内容。如今明确阐述结构方程模型为当代行为和社会领域量化研究
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
1什么是结构方程模型？ 结构方程模型是应用线性方程表示观测变量与潜变量之间，以及潜在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。 ?結構方程模式(Structural Equation Models，簡稱SEM)，早期稱為線性結構方程模式(Linear Structural Relationships，簡稱LISREL)或稱為共變數結構分析(Covariance Structure Analysis)。 ?主要目的在於考驗潛在變項(Latent variables)與外顯變項(Manifest variable, 又稱觀察變項)之關係，此種關係猶如古典測驗理論中真分數(true score)與實得分數(observed score)之關係。它結合了因素分析(factor analysis)與路徑分析(path analysis)，包涵測量與結構模式。 ? 1.1介绍潜在变量与观察变量的概念 ?（1）很多社会、心理研究中所涉及到的变量，都不能准确、直接地测量，这种变量称为潜变量，如工作自主权、工作满意度等。 ?（2）这时，只能退而求其次，用一些外显指标，去间接测量这些潜变量。如用工作方式选择、工作目标调整作为工作自主权（潜变量）的指标，以目前工作满意度、工作兴趣、工作乐趣、工作厌恶程度（外显指标）作为工作满意度的指标。 ?（3）传统的统计分析方法不能妥善处理这些潜变量，而结构方程模型则能同时处理潜变量及其指标。 （4）书上第7页 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，由测量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 会受到任何一个其他变量以单箭头指涉的变量 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； 路径图中会指向任何一个其他变量，但不受任何变量以单箭头指涉的变量） 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 外生观测变量：外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 1.2介绍测量模型与结构模型的概念（书上第9页）
第一章绪论 1.1 模型表述 1.1.1 测量模型 1.1.2 结构模型 1.1.3 模型表达方程 1.2 模型识别 1.3 模型估计 1.4 模型评估 1.5 模型修正 附录1.1 将总体方差／协方差表达为模型参数的函数附录1.2 结构方程模型的最大似然函数 第二章验证性因子分析模型 2.1 验证性因子分析模型基础知识 2.2 连续观察标识的验证性因子分析模型 2.3 非正态与删截连续观察标识的验证性因子分析模型2. 3.1 非正态性检验 2.3.2 非正态数据的验证性因子分析模型 2.3.3 删截标识的验证性生因子分析模型 2.4 分类观察标识的验证性因子分析模型 2.5 高阶验证性因子分析模型 附录2.1 BSI-18量表 附录2.2 条目可靠度 附录2.3 Cronbacha系数 附录2.4 分类结局测量的连接函数和概率计算 第三章结构方程模型 3.1 MIMIC模型 3.2 结构方程模型 3.3 单标识变量中测量误差的校正 3.4 检验涉及潜变量的交互作用
附录3.1 测量误差的影响 第四章潜发展模型 4.1 线性潜发展模型 4.2 非线性潜发展模型 4.3 多结局测量发展过程的线性潜发展模型 4.4 两部式潜发展模型 4.5 分类结局测量的潜发展模型 第五章多组模型 5.1 多组验证性因子分析模型 5.1.1 多组一阶验证性因子分析模型 5.1.2 多组二阶验证性因子分析模型 5.2 多组结构方程模型 5.3 多组潜发展模型 第六章结构方程建模的样本量估计 6.1 结构方程模型样本量估计的经验法则 6.2 satorra-Saris法估计样本量 6.2.1 应用satorra-Saris法估计CFA模型的样本量 6.2.2 应用satorra-Saris法估计LGM模型的样本量 6.3 蒙特卡罗模拟法估计样本量 6.3.1 蒙特卡罗模拟法估计CFA模型的样本量 6.3.2 蒙特卡罗模拟法估计LGM模型的样本量 6.3.3 蒙特卡罗模拟法估计具有协变量的LGM模型样本量 6.3.4 蒙特卡罗模拟法估计具有协变量和缺失值的LGM模型样本量6.4 基于模型拟合统计量／指标的SEM样本量估计 参考文献
结构方程模型的研究进展与应用 引言 从大量事件样本进行统计分析，由事件的表象获得本质性的事件规律，是科研人员特别是管理工作者常见的研究工作方法，也是很有效的科学研究方法。 统计分析方法众多，深浅不一，效果各异。对于复杂事件而言，其牵涉的层面复杂，影响和制约因子众多，这些影响或制约因子往往又非孤立，而是相互牵涉、相互影响。故需要剖析事件的内在层面结构关系，分析事件的影响显在因子，并构建一定的结构方程模型，进而挖掘出事件的影响潜在因子，综合分析并构建一个或若干个事件发展的判断指标，且设定某一程度的判断标准，判断事件的发展动态。这样的统计分析方法就是结构方程模型。结构方程模型因其优越性得到飞快的发展和广泛的应用。 1 结构方程模型的研究 1.1 基本概念、思想及本质阐述 人们对于结构方程模型（StructuralEquationModeling简称为SEM）的概念的阐述也是变化的，有从含糊到明确、由片面到全面、由肤浅到不断深入、由定格到扩充和发展的过程。 20 世纪二三十年代，结构方程模型思想刚刚起源、萌芽时，起初确定为由Sewll Wright[1]最初提出了路径分析的概念，这种路径分析当时还没有定义为结构方程模型。之后的数十年中，对于路径分
析的方法和内涵不断扩充与展开。直到20 世纪70 年代，一些学者以Joreskog 和Wiley 为代表，将因子分析和路径分析等统计方法加以整合，明确提出结构方程模型的概念[2],结构方程模型的概念明确提出后，立即得到迅猛发展，内容进一步充实，方法扩充，针对实际研究对象的具体模式不断涌现，应用的范围迅速扩展。早期的结构方程模型跟数学中的数理统计方法不是很融合，结合不大，也没有注重数理统计方法的重要性和运用的实效性。结构方程模型所包含的内容也很少，结构较为简单，方法较为单一，所列出的影响因子较少，全为显性因子，对于潜在因子的重视和提出要求是在21 世纪初的事情了。 进入21 世纪后，人们对于结构方程模型的内在本质进一步明确，对其内涵进一步加以扩充，其模型结构图的构建越来越复杂，因子越列越多，潜在因子被明确提出并作为结构方程模型必须要求的内容。如今明确阐述结构方程模型为当代行为和社会领域量化研究的重要统计方法，是传统数理统计方法与一定的计算机技术相结合的产物（这一点对于现代和未来的结构方程模型的发展来说更为确切）。 当今学者[3,4]强调结构方程模型中包含显性指标、潜在变量、干扰或误差变量间的关系，进而获得自变量对因变量的直接效果、间接效果或总效果。其基本上是一种验证性方法，通常必须有理论或经验法则的支持，在理论引导的前提下才能构建模型结构图，并进行后续工作。即便是对于模型的修正，也必须依据相关理论进行，强调理论的合理性，故结构方程模型是较为严谨的一种统计分析方法和理论。