结构方程模型Lisrel的初级应用
LISREL_结构方程模型分析报告
LISREL_结构方程模型分析报告首先，我们将介绍研究目的和背景。
然后，我们将描述样本和变量的收集方式。
接着，我们将展示模型的设定和解释，并描述模型的适配度检验。
最后，我们将讨论研究结果和提出一些建议。
研究目的和背景：我们的研究旨在探索A变量对B变量的影响，并检验C变量在其中的中介作用。
以往的研究表明A变量可能通过C变量对B变量产生影响，但尚未有研究对这一假设进行验证。
因此，我们希望利用LISREL来检验这一理论模型的适配度和假设。
样本和变量的收集方式：我们随机抽取了n=500的参与者，并使用调查问卷来测量他们的A、B和C变量。
A和B变量是连续的测量变量，而C变量是一个顺序变量。
我们使用LISREL将这些变量导入软件进行分析。
模型的设定和解释：基于理论和以往的研究，我们构建了一个理论模型来探索A变量对B变量的直接和间接影响。
我们假设A变量能够通过C变量对B变量产生影响，而C变量在其中起到中介作用。
我们将A变量与B变量之间的直接路径设置为a1，A变量与C变量之间的路径设置为a2，C变量与B变量之间的路径设置为a3适配度检验：我们使用LISREL对模型进行拟合检验以评估模型的适配度。
我们采用X2检验、RMSEA、CFI、TLI和SRMR等指标进行适配度检验。
结果表明，模型与样本数据的拟合度较好，X2检验的p值为0.05，RMSEA低于0.08，CFI、TLI和SRMR指标较接近理想值。
研究结果和讨论：通过LISREL的分析，我们发现A变量对B变量有显著的直接和间接影响，其中C变量在两者之间起到中介作用。
具体来说，A变量通过C变量对B变量产生了显著的间接影响。
这一结果与我们的假设一致，并为以后的研究提供了理论和实证支持。
建议：基于我们的研究结果，我们建议在实践中重视C变量的作用，并进一步探索A变量对B变量的影响机制。
此外，在样本和测量方法的选择上也应当更加准确和全面。
总结：通过应用LISREL进行结构方程模型分析，我们得出了一些重要的研究结果，并提出了一些建议。
结构方程模型原理及其应用
可以识别（identifiable）
过度识别（over-identified
如果模型中的一个参数是不能识别的，则模型也是不足识别的。一个 恰好识别的的模型指所有的参数都是恰好识别的。
因果模型的参数估计
在递归模型中可以直接通过最小二乘法回归或运用线形代 数求解方程的方法来取得路径系数的估计值，而非递归模 型不能直接通过最小二乘法求解参数，要复杂的多，甚至 无解。
模型比较：
自由度, 拟合程度 , 不能保证最好，可能存在更 简洁又拟合得很好的模型
Input:
相关（或协方差）矩阵 S
一个或多个有理据的可能模型
Output:
既符合某指定模型，又与 S 差异最小的矩阵 Σ
估计各路径参数（因子负荷、因子相关系数 等）。
计算出各种拟合指数
四、因果模型
因果模型概述
5. 模型修正(model modification)：如果模型不能很好地拟合 数据,就需要对模型进行修正和再次设定。
二、结构方程模型的结构及假设
观察变量 现实生活中可以直接测量获得的 如：研究“摄入热量与体重之间的关系”
潜变量（构想变量） 现实生活中无法直接测量获得的，必须通过一些观察变量间接 获得。 如：“社会地位” “自尊” “生活满意度”
一、结构方程模型简介
1966年,Bock 和 Bargmann最早提出了“验证性因素分 析”。 Joreskog(1973)、Van Thillo（1972）、Kellsling （1972）和Wiley(1973)将Bock 和 Bargmann的模型逐渐 演变，使之成为一个更通用的模型，即协方差结构模型。 1966年，K. Joreskog在教育评价测验中发展出一系列通 用的程序(如LISREL),使得协方差结构模型得到了长足发 展。
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
31
十一、LISREL其他指令举例
32
Let the Path from L5 to x7 be 0.8944 Let the Error Variances of x7 be 0.3 Let the Path from L1 to L3 be Equal to the Path from L2 to L3
理想状态：
χ2值不显著（不显著才正确） GFI ,AGFI,NFI ,IFI,NNFI 大于0.9 χ2值比率低于3（卡方值/自由度） RMR,SRMR低于0.05
8
3.模型内在质量指标
即便模型整体拟合度可以接受，但是个别参数 也可能是无意义的。理想状态：
9
个别项目的信度（individual item reliability）均大于0.5
2
24
五、参数估计和拟合函数
目标是参数使得隐含协方差矩阵 Σ (θ ) 与样本协方差矩 阵S “差距”最小，称为拟合函数（fit function） 多种拟合函数，参数估计值可能不同
S
工具变量 (IV, instrumental variable)； 两阶段最小二乘 ( TSLS, two-stage least squares)； 无加权最小二乘 (ULS, unweighted least squares)； 最大似然 (ML, maximum likelihood)； 广义最小二乘 (GLS, generalized least squares)； 一般加权最小二乘 (WLS, generally weighted least sq) 对角加权最小二乘 (DWLS, diagonally weighted least sq)
结构方程模型简介——Lisrel与Amos的初级应用讲解
替代指数：RMSEA,CFI指数 残差分析指数：残差均方根(RMR)
拟合指标 χ2/df GFI AGFI NFI IFI CFI RMR RMSEA
建议值 ＜5 ＞0.9 ＞0.8 ＞0.9 ＞0.9 ＞0.9 ＜0.05 ＜0.08
内生指标:间接测量内生潜变量的指标；(Y) 外生指标:间接测量外生潜变量的指标。(X) 3、误差项(δ、ε、 ζ )
7
δ1
Xn1
δ2
Xn2
结构方
程模型 的结构 δ3
Xm1
δ4
Xm1
λ 1
λ xn2 λ xm1 λ xm2
ξ1
γ1
γ Φ 21
2
ξ2
γ3
1、测量模型:测量指标与潜变量之间的关系
x=∧xξ+δ y=∧yη+ε
δ2
Xn2
δ3 Xm1
δ4
Xm1
λ xn1
λ xn2 λ xm1 λ xm2
ξ1
γ1
γ Φ 21
2
ξ2
γ3
η1
β
η2
ζ 1 λyn1
Yn1 ε 1
λ yn2 Yn2 ε 2
λ ym2 λ ym2
ζ2
Ym1 ε 3 Ym2 ε 4
在SEM分析模型中，只有测量模型而无结构模型的回归关系 ，即为验证性因子分析(CFA)；
12
理论先验性
以SEM来检验因果关系是否成立主要是属于验证的性质，需以 理论为基础。
1、以核心理论为基础； 2、以相关实证发现为建立潜在自变量与潜在因变量间因果关系 之依据； 3、透过逻辑推理过程验证或修正上述已建立之因果关系； 4、藉由相关理论综述与实地深度访谈，进一步验证初步建立之 因果关系。
结构方程模型
结构方程模型--- Lisre啲初级应用• 一、为何要用结构方程模型？•二、模型原理简介•三、模型建模•四、例子：员工流失动因模型・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。
・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、一工作厌恶程度（外显指标）作为工作满意度的指*示。
・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。
一个回归分析和结构方程比较的例子：•假如有五道题目来测量外向型性格，还有四道题目来测量自信。
研究自信与外向型性格的关系。
假如是你，你将怎样来进行研究？・回归分析的做法：先分别计算外向题目的总分（或平均分）和自信题目的总分（或平均分），在计算两个总分的相关。
・这样的计算所得的两个潜变量（性格与自信）的关系，恰当吗？y =方0 + b{x{ + b2x2 + s・1）无法处理因变量（Y）多于一个的情况；・2）无法处理自变量（X）之间的多重共线性；・3）无法对一些不可直接测量的变量进行处理，主要是一些主观性较强的变量进行测量。
如幸福感、组织认同感、学习能力等；・4）没有考虑变量（自变量、因变量）的测量误差, 以及测量误差之间的关系•针对1):路径分析(Path Analysis)-缺点：分开考察不同的因变量，无法考察因变量之间的关系且缺少整体的视角・针对2):偏最小二乘法(PLS)-缺点：相关理论尚不完善，解释力较弱。
-《王惠文，偏最小二乘法理论与应用，国防工业出版社》•针对3):指标赋予权重，进行综合评价，得岀一个量化的指标-缺点：权重设计，需要相当的技巧，通常的方法，如AHP,模糊综合评判等方法缺少信度与效度•针对4):没有办法解决・同时处理多个因变量・容许自变量和因变量含测量［误差传统方法（如回归）假设自变量没有误差］・同时估计因子结构和因子关系・容许更大弹性的测量模型・估计整个模型的拟合程度［用以比较不同模型］・SEM包括:回归分析、因子分析（验证性因子分析、探索性因子分析）、t检验、方差分析、比较各组因子均值、交互作用模型、实验设计•Structural Equation Modeh SEM•Covarianee Structure Modeling，CSM•Lin ear Structural Rela 廿on ship , LISREL从上述名称中可以看岀，结构方程模型的几个本质特征是：结构、协方差、线性二、结构方程简介工作厌恶程度•简单来说，结构方程模型分 另： •测量方程(measurement equation)测量方程描述潜变量与指标之间的关系，如工 作方式选择等指标与工作自 主权的关系； •纟吉构方程(structural equation), 描述潜变量之间的关系，女口工作 自主权与工作满意度的关系。
结构方程模型简介——Lisrel与Amos的初级应用讲解
实例：速度营销动态能力对企业绩效的影响
1、模型构建 E1 理论发展 E2 模型界定 E3 变量确定 E3 研究假设 S1
S2
S3
反应效率 反应速度
M1
市场绩效
M2
M3
F1
财务绩效
F2
F3
H1：速度营销反应效率对企业市场绩效存在正向的影响关系； H2：速度营销反应速度对企业市场绩效存在正向的影响关系； H3：速度营销反应效率对企业财务绩效存在正向的影响关系； H4：速度营销反应速度对企业财务绩效存在正向的影响关系；
Yn1 ε 1
λ yn2 Yn2 ε 2
λ ym2 λ ym2
ζ2
Ym1 ε 3 Ym2 ε 4
1、潜变量(latent variable) ：不能被直接测量的变量； 内生潜变量:受其它潜变量影响的潜变量；(η,市场财务绩效) 外生潜变量:由系统外其他因素决定的潜变量；(ξ，反应速度)
2、显变量(observable indicators)：间接测量潜变量的指标 ，也称为观测变量；
结构方程模型(SEM)简介 ——Lisrel与Amos的初级应用
Structural Equation Model，SEM Linear Structural Relationship，LISREL Analysis of Moment Structure, AMOS
1
为什么要用结构方程模型
◇很多社会、心理、经济管理研究中所涉及到的变量，都不能准确、直
当违反上述标准时，表示模式可能有“细列误差”、“辨认问 题”或“输入有误”。当符合上述标准时，方可进行检验“整 体模式适配标准”及“模式内在结构适配度”。
25
4、模型拟合评鉴
结构方程模型原理及其应用
?1 ?2 ?3
情商
ξ1
? 21
? 21 外部潜在变量
? 11
智商
ξ2
?4 ?5 ?6
?12
η ? Βη ? Γξ ? ζ
?10 ?11 ?12
η2 ζ2 人际
关系
? 21 内部潜在变量
η1
ζ1 学业
成绩
?7 ?8 ?9
x4
x5
x6
y1
y2
y3
δ4 δ5 δ6
ε1 ε2 ε3
测量模型（验证性因素分析模型，如社会经济指
5. 模型修正 (model modification) ：如果模型不能很好地拟合 数据 ,就需要对模型进行修正和再次设定。
二、结构方程模型的可以直接测量获得的 ? 如：研究“摄入热量与体重之间的关系”
? 潜变量（构想变量） ? 现实生活中无法直接测量获得的，必须通过一些观察变量间接 获得。 ? 如：“社会地位” “自尊” “生活满意度”
一、结构方程模型简介
结构方程模型由一种因素模型和一种结构方程式模型组 成，将心理测量学和经济计量学有效的结合起来。
一个包括一组自变量和一组或更多因变量的计量模型。
模型由两部分组成：测量模型（即验证性因素分析模型， Confirmatory Factor Analysis ， CFA）和结构模型 （又称潜变量的因果关系模型，Causal Model ）。测量 模型主要是用于表示观测变量和潜变量之间的关系；而 结构方程模型主要是用于来表示潜变量之间的关系。 其相应的统计分析软件：SPSS/AMOS与LISREL的应用，特 别是AMOS的操作与应用。
结构方程模型原理 及其在认知心理学中的应用
一、结构方程模型简介
lisrel使用简介
使用lisrel做结构方程模型（验证性因素分析）(2012-07-04 15:56:11)转载▼分类：数据分析标签：sem杂谈主要包括两个过程：数据的预处理和建立模型1 假设数据现在是以sav的格式保存在你E盘的某个文件夹里的。
这时需要在C盘建立一个文件夹存放将要分析的sav数据。
数据应该事先做整理，这个数据文件应该只包括需要分析的变量，而不应该包括其他无关的变量，以方便到后面使用。
（根据经验，prelis生成的协方差矩阵只有放在C盘，需要时才能被找得到）2 file-import external data in other formats.根据对话框，在文件类型里选择你刚刚保存数据的文件类型，点击文件名，打开。
为即将产生的prelis data（后缀名为.psf）命名，比如test.psf。
保存，出现prelis data的数据表。
3 data-define variables先对变量进行定义，比如定义变量的类型、缺失值、重命名变量，如果是分类变量，还可以定义类型标签等。
根据需要，我们以定义连续型数据为例：选中一个变量，点击variable type，选中continues，如果所有的变量都定义为连续变量，选中apply to all，OK，所有的变量将都是连续型数据。
返回到define variable对话框，继续定义缺失值：点击missing values，进入对话框，选中missing values。
导入后数据表中缺失值以-999999.00表示，在定义缺失值对话框中选中missing values，在填入框中填入所指定的值即可（如果要定义某个数值范围为缺失，填入最低最高的值即可）点击apply to all可以对所有的变量都定义同样的数值为缺失。
一般来讲，到此处缺失值就定义完毕了，然而，根据经验如果 global missing value中不做定义的话，个别功能不能识别出缺失值，因此，建议在此处也进行同样的设置。
结构方程模型Lisrel的的初级应用
（二）结构模型
对于潜变量间（如工作自主权与工作满意度）的 关系，通常写成如下结构方程：
B
其中：B——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）；
——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）；
——结构方程的残差项，反映了在方程中未
能被解释的部分。
线性回归模型及其局限性
y b0 b1x1 b2 x2
1）无法处理因变量（Y）多于一个的情况； 2）无法处理自变量（X）之间的多重共线性； 3）无法对一些不可直接测量的变量进行处理，主
要是一些主观性较强的变量进行测量。如幸福感 、组织认同感、学习能力等； 4）没有考虑变量（自变量、因变量）的测量误差 ，以及测量误差之间的关系
规范拟合指数（NFI），不规范拟合指数（NNFI ），比较拟合指数（CFI），增量拟合指数（IFI） ，拟合优度指数（GFI），调整后的拟合优度指数 （AGFI），相对拟合指数（RFI），均方根残差（ RMR），近似均方根残差（RMSEA）等指标用来 衡量模型与数据的拟合程度。
学术界普遍认为在大样本情况下： NFI 、NNFI 、 CFI 、IFI 、GFI、AGFI 、RFI 大于0.9，RMR小于 0.035，RMSEA值小于0.08，表明模型与数据的拟合 程度很好。
模型修正 Mb 到 Mc
模型 Mc拟合结果
(293)= 148.61, RMSEA＝.040 NNFI = 0.96, CFI = 0.97。
Q8在A负荷为 0.54，在B负荷为 -0.08 因为概念上Q8应与B成正相关，故不合理。
而且这负荷相对低，所以我们选择Mb 通常，每题只归属一个因子
模型修正举例
17个题目: 学习态度及取向 A、B、C、D、E 4、4、3、3、3题 350个学生
结构方程模型Lisrel的初级应用课件
数据导入
数据清洗
数据转换
总结词：模型构建、模型拟合、模型评估
总结词：结果解读、报告撰写、结果呈现
06
常见问题与解决方案
解决方案
检查模型假设的合理性，重新审视理论依据，修改模型以更好地适应数据。
总结词
当模型的拟合指数不达标时，可能意味着模型与数据不匹配。
详细描述
拟合指数是衡量模型与数据一致性的指标，如果拟合不佳，需要检查构建的理论模型是否符合实际情境，是否遗漏了关键变量或加入了不必要变量。
总结词
参数估计值频繁变动，导致模型解释性差。
解决方案
增加样本量或提高数据质量，考虑使用更复杂的模型。
主界面
在菜单栏中选择“分析”-“结构方程模型”-“拟合”，然后选择相应的模型和参数进行拟合，得到模型拟合结果。
模型拟合
Lisrel支持多种数据格式导入，如Excel、CSV等，用户可以通过简单的操作将数据导入软件中。
数据导入
在数据编辑器中，用户可以对变量进行编辑和整理，包括变量名、操作教程
总结词
数据导入、数据清洗、数据转换
首先，需要将数据导入到lisrel软件中。通常，数据可以以多种格式导入，如Excel、CSV等。在导入过程中，需要确保数据格式正确，并且没有缺失值或异常值。
在导入数据后，需要进行数据清洗。这包括检查数据的一致性、处理缺失值、异常值以及不符合逻辑的数据。数据清洗是确保模型拟合效果的重要步骤。
结构方程模型lisrel的初级应用课件
contents
目录
结构方程模型简介lisrel软件介绍结构方程模型的建立与检验结构方程模型的应用案例lisrel软件操作教程常见问题与解决方案
结构方程模式lisrel的理论技术与应用
结构方程模式lisrel的理论技术与应用結構方程模式：LISREL的理論技術與應用。
本書目錄第一篇概說第一章結構方程模式概說結構方程模式的根源 1.4心理計量根源 1.4生物與經濟計量根源 1.7結構方程模式概念的產生 1.8結構方程模式的原理與特性 1.11結構方程模式的基本原理 1.11結構方程模式的特性 1.15結構方程模式的基本程序 1.20模型發展階段 1.20估計與評鑑階段 1.23結語 1.24第二章結構方程模式的資料準備基本概念 2.3資料整備的基本原則 2.3結構方程模式的資料格式 2.5遺漏值處理 2.8遺漏資料的類型 2.9遺漏資料的預防與處置 2.11常態性假設 2.17常態分配的概念 2.18多元常態化假設 2.19多元常態性的檢驗 2.20非常態資料的影響與處理 2.26線性關係假設 2.29線性關係的概念 2.29線性關係的檢驗 2.30多元共線性問題 2.32誤差獨立與等分散性假設 2.35潛在變項的設定 2.36潛在變項的基本概念 2.36先驗與經驗性潛在變項 2.37潛在變項的基本特徵 2.38潛在變項在結構方程模式中的定義 2.42結語 2.44第二篇基本原理第三章模式界定與辨識模式界定的基本概念 3.3模式界定的簡約原則 3.3結構方程模型的基本元素 3.4變項關係與路徑圖 3.7SEM模型的數學模型 3.9參數的概念 3.15參數的基本概念 3.15SEM參數的設定原則 3.16模型辨識 3.19整體模型辨識性 3.20測量模型的辨識性 3.23結構模型的辨識性 3.25潛在變項的量尺化與辨識性 3.26 等同模型問題 3.29 等同模型現象 3.30等同模型的處理 3.34結語 3.35第四章參數估計結構方程模式的統計基礎 4.3變項的基本概念與特性 4.3連續變項的統計特性 4.5線性關係的統計原理 4.9共變矩陣的推導原理 4.13共變數推導定理 4.13變異數與共變數導出矩陣 4.14參數估計的原理 4.17有限訊息與完全訊息技術 4.17 加權最小平方策略 4.19主要的參數估計策略 4.21無加權最小平方（ULS）法 4.21 一般化最小平方（GLS）法 4.22 最大概似（ML）法 4.23漸近分配自由（ADF）法 4.25參數估計的相關議題 4.26參數估計與樣本數的關係 4.26模型參數估計的疊代 4.28非正定問題 4.29結語 4.30第五章模型評鑑與修飾模型評鑑的基本概念 5.3測量品質與模型評鑑 5.3模型評鑑的假設考驗 5.4參數估計與模型評鑑 5.5模型評鑑的方法 5.5卡方檢驗 5.7模型契合指標 5.10替代指標 5.15殘差分析指標 5.20契合度指標的比較與運用 5.22 信度估計 5.25信度的意義 5.25古典測量理論的信度概念 5.26 SEM的信度估計 5.27模型修飾的原理與方法 5.29 界定搜尋程序 5.29模型修飾的計量策略 5.32結語 5.40第三篇分析技術第六章 LISREL的概念與技術LISREL簡介 6.3LISREL的功能 6.3LISREL的矩陣 6.4LISREL模型的構成 6.8 LISREL語法 6.12資料設定指令 6.13模型設定指令 6.25結果輸出設定 6.34PRELIS語法 6.41PRELIS的基本語法 6.41 PRELIS語法的特性 6.43第七章 SIMPLIS的概念與技術SIMPLIS的基本概念 7.3 SIMPLIS 語法的輸入與輸出 7.3 SIMPLIS語法的基本內容 7.4 SIMPLIS語法 7.6 資料界定指令 7.6模型設定指令 7.9輸出設定指令 7.14SIMPLIS分析範例 7.16第八章結構方程模式的操作SEM的分析步驟 8.3模型發展階段 8.3估計檢驗階段 8.4SEM的執行重點 8.5模型的描述與設定 8.5資料的準備 8.8報表的整理與分析 8.10替代模型的使用 8.15SEM的解釋與應用 8.18因果關係的論證 8.18SEM分析的推論限制 8.19 SEM分析的解釋 8.21SEM分析的技術問題 8.22語法錯誤與執行錯誤 8.22嚴重執行錯誤 8.23第四篇應用典範第九章因素分析因素分析的基本概念 9.2因素分析的功能 9.2探索性與驗證性因素分析 9.3 探索性因素分析 9.4 因素與共變結構 9.5因素抽取的原理 9.6因素分析的條件 9.7探索性因素分析的執行 9.8驗證性因素分析 9.16SEM典範下的CFA 9.16潛在變項的因素分析 9.17 CFA的基本特性 9.19 測量誤差與方法效應 9.20單維測量與多維測量 9.22初階模型與高階模型 9.25驗證性因素分析的執行 9.26結語 9.30０範例一：驗證性因素分析Ⅰ《測驗工具之檢驗》範例二：驗證性因素分析Ⅱ《理論模型之檢驗》範例三：驗證性因素分析Ⅲ《高階因素效度檢驗》第十章路徑分析路徑分析的基本概念 10.3相關與因果 10.3路徑分析的假設考驗 10.4路徑分析的原理 10.6模型的建立 10.6遞迴模型與非遞迴模型 10.8路徑圖與結構方程式 10.10直接效果與間接效果 10.11迴歸取向的路徑分析 10.12迴歸取向路徑分析的步驟 10.12直接效果、間接效果與整體效果 10.13模型衍生相關 10.15結構方程模式的路徑分析 10.17PA-OV: 觀察變項的路徑分析 10.17PA-LV: 潛在變項的路徑分析 10.21結語 10.29範例四：路徑分析PA-OV《觀察變項路徑分析之應用》範例五：路徑分析PA-LVⅠ《調節模型之路徑分析》範例六：路徑分析PA-LVⅡ《中介模型之路徑分析》第十一章多樣本結構方程模式多樣本分析的原理 11.3多樣本結構方程式 11.3多樣本模型分析的估計原理 11.4多樣本參數估計 11.5恆等性分析的概念 11.7測量恆等性的意義 11.7恆等性檢驗的內容 11.8測量恆等性的檢驗方法 11.9SEM取向與IRT取向的恆等性檢驗 11.10恆等性檢驗的策略 11.11共變矩陣恆等性檢驗 11.11因素恆等性檢驗 11.12其他參數恆等性檢驗 11.13複核效化檢驗的概念與方法 11.14複核效化的意義 11.15複核效化的SEM分析 11.16複核效化評估指數 11.18結語 11.14範例七：多樣本模型分析Ⅰ《因素恆等性檢驗之應用》範例八：多樣本模型分析Ⅱ《複核效化檢驗之應用》第十二章平均數結構分析平均數結構分析的原理 12.3基本數學原理 12.3平均數結構分析的契合函數 12.5平均數結構的分析技術 12.6LISREL的矩陣概念 12.6平均數結構分析的辨識性 12.7MIMIC模式檢驗 12.8成長曲線分析 12.9成長曲線分析的層次 12.10成長曲線函數 12.11共變矩陣的導出 12.12結語 12.15範例九：平均數結構分析Ⅰ《平均數結構驗證性因素分析》範例十：平均數結構分析Ⅱ《平均數結構PA-LV路徑分析》範例十一：時間序列分析《成長曲線模型分析之應用》第十三章結構方程模式的評析與展望結構方程模式:統計革命的第三波 13.2英雄造時勢：SEM的崛起 13.2統計學的第三波革命 13.3SEM發展路上的石頭 13.4正確運用SEM的相關議題 13.6SEM運用的三個關鍵議題 13.6SEM的決策建議 13.8SEM操作的常見疏失 13.9結語:SEM的展望 12.12參考文獻索引。
LISREL操作
本例按结构方程模型建模（Path Diagram 方法）的主要步骤进行讲解。
输入数据 分析数据 输出数据画出路径图设置参数以郭志刚数据为例1、打开LISREL 软件。
出现如下图页面。
2、单击File 。
选择“Import external date in other formats ”，出现“打开”对话框。
找到郭志刚数据文件。
STU1000.查找文件时，根据文件类型来查找。
3、打开文件后，出现“保存为”的对话框。
如下图。
这时将文件命名为SEM.PSF 文件默认存为lisrel 的文件。
本例中数据存在桌面上。
个人认为，方便查找。
另，LISREL 软件最好装在C 盘。
装D 盘软件使用时容易出错。
SPSS数据只有转存为LISREL软件识别的数据，才能在LISREL中进行运算。
4、设置数据类型。
经过第3步保存后的数据出现在屏幕中。
如下图一，点击X1行，选择整列数据。
右击出现如下图工具栏，点击“Define Varibles”，出现图二窗口。
选择X1，点击“Variable Type”,出现如图三窗口。
选择“Continous”，勾选“Apply to all”。
单击OK。
完成数据类型设置。
图一图二图三第二步：进行协方差计算。
点击工具栏“Statistic”，出现“output”按钮。
如下图一。
单击，出现输出对话框。
如下图二。
图一图二勾选“Save to file”、“Lisrel system date”，并命名为SEM.cov。
如图三。
在右侧中部，Number of中写入1000.点击OK。
出现如下图四的窗口。
这时输出名为SEM.cov的协方差矩阵的文件就已经生成的。
图三图四第三步：用PDTH Diagram画出路径图。
并且进行模型的设置。
1、新建路径图文件。
单击“File”，点击“NEW”，出现新建窗口。
点击Path Diagram.“确定”。
出现“保存为窗口”。
将新建的路径图，保存为“PDstu”.这时路径图窗口出现。
基于LISREL软件的结构方程模型实验开发与应用
Ａｂ ｓ ｔ ｒ ａ ｃ ｔ ：Ｉ ｎ ｈ ｕ ｍａ ｎ ｓ ｃ ｉ ｅ ｎ ｃ ｅ ｒ ｅ ｓ ｅ ａ ｒ ｃ ｈ，ｓ ｔ ｒ ｕ ｃ ｔ ｕ ｒ ａ ｌ ｅ ｑ ｕ ａ ｔ ｉ ｏ ｎ ｍｏ ｄ ｅ ｌ ｈ ａ ｓ ａ ｖ ｅ ｒ ｙ ｉ ｍｐ ｏ ｒ ｔ ａ ｎ ｔ ｅ ｆ ｆ ｅ ｃ ｔ ． Ｔ ｈ ｅ ｒ ｅ ｉ ｓ ａ ｄ ｅ ｅ ｐ ｌ ｙ ｄ ｅ ｉ ｆ ｃ ｉ ｅ ｎ ｃ ｉ ｅ ｓ ｏ ｆ ｔ ｈ ｅ ｃ ｕ ｒ ｒ ｅ ｎ ｔ ｓ ｔ ｒ ｕ ｃ ｔ ｕ ｒ ａ ｌ ｅ ｑ ｕ ａ ｔ ｉ ｏ ｎ ｍｏ ｄ ｅ ｌ ｉ ｎ ｔ ｈ ｅ ｔ ｅ ａ ｃ ｈ ｉ ｎ ｇ ，ｔ ｈ ｅ ｎ ａ ｃ ｃ ｏ ｒ ｄ ｉ ｎ ｇ ｔ ｏ ｔ ｈ ｅ
ｃ ｈ ａ ｒ ａ ｃ ｔ ｅ ｒ ｉ ｓ ｔ ｉ ｃ ｏ ｆ ｃ ｏ ｎｔ ｅ ｎ ｔ ｒ ｅ ｌ ａ ｔ ｅ ｄ ａ ｎ ｄ ａ ｌ ｓ ｏ ｉ ｎｄ ｅ ｐ ｅ ｎ ｄ ｅ ｎ ｔ ｍｏ ｄ ｕ ｌ ａ ｒ ｏ ｆ ｓ ｔ ｒ ｕ ｃ ｔ ｕ ｒ ａ ｌ ｅ ｑ ｕａ ｔ ｉ ｏ ｎ ｍｏ ｄ ｅ ｌ ，ｐ ｒ ｏ ｐ ｏ ｓ ｅ ｄ ｔ ｈ ｅ ｓ ｔ ｒ ｕ ｃ ｔ ｕ ｒ ａ ｌ ｅ ｑ ｕ ａ ｔ ｉ ｏ ｎ ｍｏ ｄ ｅ ｌ ｅ ｘ ｐ ｅ ｉｍｅ ｒ ｎ ｔ ａ ｌ ｔ ｅ ａ ｃ ｈ ｉ ｎ ｇ ｉ ｄ ｅ ａ，ａ ｎ ｄ ｔ ｏ Ｌ Ｉ Ｓ ＲＥＬ ａ ｓ ａ ｐ ｌ ａ ｔ ｆ ｏ ｒ ｍ ，ｉ ｌ ｌ ｕ ｓ ｔ ｒ ａ ｔ ｅ ｓ ｐ ｅ — ｃ ｉ ｉｃ ｆ ｅ ｘ ｐｅ ｒ ｉ ｍｅ ｎ ｔ ａ ｌ ｕ ｎ ｉ ｔ ｏ ｆ ｄ ｅ ｖ ｅ ｌ ｏ ｐ ｍｅ ｎ ｔ ｐ ｒ ｏ ｃ ｅ ｓ ｓ ．
因素分析 使用lisrel做结构方程模型(验证性因素分析)
有关因素分析的一些基本问题(2007-05-27 23:38:16)转载▼分类：读书笔记有关因素分析的一些基本问题1、因素分析的意义因素分析的意义主要在于一是寻求数据的基本结构，另一方面是为了简化数据。
2、因素分析的基本原理因子分析模型X i=f1+a i2f2+…+a im f m+u i(i=1,2,3,4,5,6,…,k)在该模型中：（1) f1,f2，…，f m叫做公因子(Common factors)，它们是各个观测变量所共有的因子，解释了变量之间的相关。
（2) u i称为特殊因子(Unique factor)，它是每个观测变量所特有的因子，相当于多元回归中的残差项，表示该变量不能被公因子所解释的部分。
（3) a ij称为因子负载（Factor loadings)，它是第i个变量在第j个公因子上的负载，相当于多元回归分析中的标准回归系数（i=1,…，k；j=1,…，m）。
几个重要概念：因素载荷/因素负荷量：原始变量与因素分析抽取出的共同因素的相关，反映了原始变量与共同因素之间关系的密切程度。
共同性/公因子方差：每个原始变量在每个共同因素的符合量的平方和，也就是可以被共同因素解释的变异百分比，从共同性的大小可以判断这个原始变量与共同因素之间的关系程度。
特征值：每个变量在某一共同因素负荷量的平方总和。
特征最大的共同因素首先被抽取。
特征值除以总题数为此共同因素可以解释的变异量。
因素分析的目的在于以最少的共同因素对总变异量做最大的解释，因而抽取的因素越少越好，但抽取因素之累积解释变异量越大越好。
3、进行因素分析的样本规模一般有以下几个指标：（1）绝对样本规模。
200为最低要求；（2）样本与项目数之比，一般要求要大于5。
如，编制一份预试问卷，有20到题目（项目数），则样本人数最少不少于100。
（3）项目数与因子数之比，要求大于4。
如20道题目，抽取的因子不能大于5个。
4、因素抽取方法的选择？因素抽取方法多采用主成分分析，SPSS指导手册，也是如此建议。
- 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)。
22
modification) (4)模型修正(model modification) 模型修正(
依据理论或有关假设,提出一个或数个合理的先 验模型; 检查潜变量(因子)与指标(题目)间的关系, 建立测量模型,有时可能增删或重组题目; 对每一个模型,检查标准误,t值,标准化残差, 修正指数,及各种拟合指数,据此修改模型并重 复这一步; 最好用另外一个样本进行检验;
注:t检验值>1.96表示通过显著性检验,且在0.05的显著水平下
assessment) (3)模型评价(model assessment) 模型评价(
结构方程的解是否恰当,(相关系数应在+1和-1之间);
变量 工作自主权 工作负荷 工作单调性
变量间关系 ε1—η1 ε3—η1 ε2—η1
工作满意度 标准化路径系数 0.206 -0.212 -0.378 t检验值 2.562 -1.575 -2.857
687 1386.64 0.0 0.901 0.937 0.950 0.951 0.861 0.817 0.861 0.0584 0.0457
20
assessment) (3)模型评价(model assessment) 模型评价( Χ2/DF= 1386.64/ 687=2.018
第一个指标是卡方统计量与自由度的比值,美国 社会统计学家卡米尼斯和马克依维尔认为,卡方 值与自由度之比在2:1到3:1之间是可以接受的
23
模型修正举例
17个题目: 17个题目: 个题目 学习态度及取向 A , B , C, D, E 4 , 4 , 3, 3, 3题 350个学生 350个学生
24
概念模型 Ma
25
模型拟合结果输出
26
模型拟合结果输出
Modification Indices for LAMBDA-X 修正指数 KSI 1 KSI 2 KSI 3 KSI 4 KSI 5 -----------------------------------VAR 1 - 0.06 0.66 0.09 2.53 VAR 2 - 0.38 0.53 0.23 0.11 VAR 3 - 0.72 0.01 0.03 1.49 VAR 4 - 0.00 0.03 0.01 0.03 VAR 5 7.73 - 9.62 9.23 1.50 VAR 6 0.01 - 3.29 1.07 1.50 VAR 7 0.12 - 0.25 0.12 2.26 VAR 8 41.35 - 3.66 22.02 4.78 VAR 9 0.40 0.02 - 2.19 0.22 VAR 10 0.03 0.10 - 0.30 0.22 … Maximum Modification Index is 41.35 for Element ( 8,1)LX 修正指数:该参数由固定改为自由估计,χ 2 会减少的数值
P=0.0
第二个指标是P 第二个指标是P值,P值要求小于0.1. 值要求小于0.1. 0.1
21
assessment) (3)模型评价(model assessment) 模型评价(
规范拟合指数(NFI),不规范拟合指数 (NNFI),比较拟合指数(CFI),增量拟合指 数(IFI),拟合优度指数(GFI),调整后的拟 合优度指数(AGFI),相对拟合指数(RFI), 均方根残差(RMR),近似均方根残差(RMSEA) 等指标用来衡量模型与数据的拟合程度. 学术界普遍认为在大样本情况下: NFI ,NNFI , CFI ,IFI ,GFI,AGFI ,RFI 大于0.9,RMR小于 0.035,RMSEA值小于0.08,表明模型与数据的拟 合程度很好.
潜变量间的关系,即结构模型,是研究的兴趣重点, 潜变量间的关系,即结构模型,是研究的兴趣重点, 所以整个分析也称结构方程模型. 所以整个分析也称结构方程模型.
12
三,建模过程
(1)模型建构(model specification) (2)模型拟合(model fitting) (3)模型评价(model assessment) (4)模型修正(model modification)
13
(1)模型建构(model specification) )模型建构( ) 一,观测变量(即指标,通常是题目)与 潜变量(即因子,通常是概念)的关系; 二,各潜变量间的相互关系(指定那些因 子间相关或直接效应);
例子:员工工作满意度的测量
14
例子: 例子:员工工作满意度的测量
理论假设,概念模型的提出:
( -1 ,+1 )
assessment) (3)模型评价(model assessment) 模型评价(
参数与预计模型的关系是否合理,(与模型 假设相符);
假设1:工作自主权越高,工作满意度越高. 假设 :工作自主权越高,工作满意度越高. 假设2:工作负荷越高,工作满意度越低. 假设 :工作负荷越高,工作满意度越低. 假设3:工作单调性越高,工作满意度越低. 假设 :工作单调性越高,工作满意度越低.
27
Ma模型修正
Q4在A的负荷很小 (LX = 0.05),但在其他因子的修 正指数(MI)也不高
– 不从属A,也不归属其他因子
4
线性回归模型及其局限性
y = b0 + b1 x1 + b2 x 2 + ε
1)无法处理因变量(Y)多于一个的情况; 2)无法处理自变量(X)之间的多重共线性; 3)无法对一些不可直接测量的变量进行处理,主 要是一些主观性较强的变量进行测量.如幸福感, 组织认同感,学习能力等; 4)没有考虑变量(自变量,因变量)的测量误差, 以及测量误差之间的关系
5
多元统计方法中的相关解决方法
针对1):路径分析(Path Analysis)
– 缺点:分开考察不同的因变量,无法考察因变量之间 的关系且缺少整体的视角
针对2):偏最小二乘法(PLS)
– 缺点:相关理论尚不完善,解释力较弱.
– 《王惠文,偏最小二乘法理论与应用,国防工业出版社》
针对3):指标赋予权重,进行综合评价,得出一 个量化的指标
(一)测量模型
对于指标与潜变量(例如两个工作自主权指标与工作自主权)间的关系,通常 写为以下测量方程:
x = ∧ xξ + δ y = ∧ yη + ε
其中:x——外源指标(如两个工作自主权指标)组成的向量; y——内生指标(如四个工作满意度指标)组成的向量; ξ ——外源潜变量(如工作自主权等)组成的向量; η ——内生潜变量(如工作满意度等)组成的向量; ∧x ——外源指标与外源变量之间的关系(如两个工作自主权指标与工作自主 权的关系),是外源指标在外源潜变量上的因子负荷矩阵; ∧y ——内生指标与内生变量之间的关系(如四个工作满意度指标与工作满意 度的关系),是内生指标在内生潜变量上的因子负荷矩阵;
11
(二)结构模型
对于潜变量间(如工作自主权与工作满意度)的 关系,通常写成如下结构方程:
η = Bη + Γξ + ζ
其中:B——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.
3
回归分析与结构方程模型
一个回归分析和结构方程比较的例子: 假如有五道题目来测量外向型性格,还有四道题目 来测量自信.研究自信与外向型性格的关系.假如 是你,你将怎样来进行研究? 回归分析的做法:先分别计算外向题目的总分(或 平均分)和自信题目的总分(或平均分),在计算 两个总分的相关. 这样的计算所得的两个潜变量(性格与自信)的关 系,恰当吗?
+ - -
√
未通过t 检验
√
19
assessment) (3)模型评价(model assessment) 模型评价(
检验不同类型的整体拟合指数,(各项拟 合优度指标是否达到要求);
表2 模型拟合优度结果
指标 指标值 DF Χ2 P NFI NNFI CFI IFI GFI AGFI RFI RMR RMSEA
8
二,结构方程简介
简单来说,结构方程模型分 为: 测量方程(measurement equation)测量方程描述潜变 量与指标之间的关系,如工 作方式选择等指标与工作自 主权的关系;
工作方式选择 工作自主权 工作目标调整
目前工作满意度 工作满意度 工作兴趣 工作乐趣 工作厌恶程度
二,结构方程简介
15
例子: 例子:员工工作满意度的测量
概念模型:
x
工作方式选择 工作自主权 工作目标调整 任务完成时间充裕度 工作负荷轻重 工作节奏快慢 工作内容丰富程度 工作单调性 工作多样性程度 工作负荷
ξ
y
η
工作满意度
目前工作满意度 工作兴趣 工作乐趣 工作厌恶程度
fitting) (2)模型拟合(model fitting) 模型拟合(
模型参数的估计
模型计算(lisrel 软件编程)
标准化路径系数( 表1 标准化路径系数(N=351) ) 变量 工作自主权 工作负荷 工作单调性 变量间关系 ε1—η1 ε3—η1 ε2—η1 工作满意度 标准化路径系数 0.206 -0.212 -0.378 t检验值 2.562 -1.575 -2.857
7
结构方程模型的含义
Structural Equation Model,SEM Covariance Structure Modeling,CSM Linear Structural Relationship , LISREL 从上述名称中可以看出,结构方程模型的几 个本质特征是: 结构,协方差,线性
结构方程模型——Lisrel的初级应用 的初级应用 结构方程模型