最新spss统计分析及应用教程-第9章-结构方程模型

模型识别

模型识别
自由参数：未知并需要估计的参数。 固定参数：不自由的并固定于设定值的参数。如在测量模型中，或 者将每个潜在变量标识的因子负荷之一设定为1，或将该潜在变量 的方差设定为1；对于结构方程，一些通径系数应该被设定为0，这 意味着被设定为无影响作用。 限制参数，那些未知的，但被规定相等于另一个或另一项参数值的 参数。 通过固定或限制一些参数，自由参数的数目就可以减少，原来不能 识别的模型有可以变为可以识别模型。
实验一 结构方程模型
实验目的
明确结构方程分析有关的概念 熟练掌握结构方程模型构建的过程 能用SPSS软件中的AMOS插件进行结构方程模拟及检验 培养运用结构方程分析方法解决身边实际问题的能力
准备知识 结构方程模型中常用概念
测量变量：也叫观察变量或显示变量，是直接可以测量的指标。 潜变量：其测量是通过一个或几个可观察指标来间接完成的。
结构方程模型的优点
（2）可以同时处理多个因变量 在传统计量模型中，方程右边的因变量一般只有一个，但是在 管理学等社会科学领域，因变量常常有多个，例如员工素质可以影 响企业文化，也可以影响企业绩效，这样在结构方程模型中，允许 同一模型中出现多个因变量，在模型拟合时对所有变量的信息都予 以考虑，可以增强模型的有效性。

结构方程模型的优点
（3）可以在一个模型中同时处理因素的测量和因素之间的结构
传统的统计方法中，因素自身的测量和因素之间的结构关系往 往是分开处理的——对因素先进行测量，评估概念的信度与效度， 通过评估标准之后，才将测量资料用于进一步的分析。 在结构方程模型中，则允许将因素测量与因素之间的结构关系 纳入同一模型中同时予以拟合，这不仅可以检验因素测量的信度和 效度，还可以将测量信度的概念整合到路经分析等统计推理中。

结构方程模型的优点
（4）允许更具弹性的模型设定
在传统建模技术中，模型的设定通常限制较多，例如，单一指 标只能从属于一个因子，模型自变量之间不能有多重共线性等。
结构方程模型既可以处理单一指标从属于多个因子的因子分析， 也可以处理多阶的因子分析模型。在因素结构关系拟合上，也允许 自变量之间存在多重共线性关系。
模型评价
评价指标 卡方值 非集中化参数NCP 拟合优度指数GFI 绝对拟合评价 标准化均方根残余 SRMR 期望复核效度指标 AGFI 指 标 调整后的拟合指数 AGFI 绝对拟合评价 不规范拟合指数 NNFI 增值拟合指数IFI 简效规范拟合指数 PNFI 绝对拟合评价 Akaike 信息标准化 AIC 规范卡方Normed Chi-Square 均方根残余RMR 近似误差的均方根 RMSEA 规范拟合指数NFI 比较拟合指数CFI 相对拟合指数RFI

结构方程构建步骤 1
模型假设
在进行模型估计之前，要先根据理论分析或以往研究成果 来设定初始理论模型。
测量模式是指实际观察值与其背后的潜在特质间的关系； 结构模式是指因素与因素间的关系，潜变量间的函数关系。

典型的结构方程模型如下：
Error/Uniqueness Measured ariable 测量误差 测量Байду номын сангаас量 Exogenous latent Variable 外生潜变量 Endogenous latent Variable 外生潜变量
外生潜在变量：他们的影响因素处于模型之外，也就是常说的自变 量。 内生潜在变量：由模型内变量作用所影响的变量（因变量）。
准备知识 结构方程模型的应用范围
结构方程模型的主要应用范围有两个：其一是对难以直接观测 到的潜变量提供一个可以观测和处理的方式，以便对该变量作进一 步的研究；其二是研究不同变量之间可能存在的相关关系。 如果所研究的变量都是可以直接观测得到的，结构方程模型所 能检验的就是变量之间相关关系的显著性，这种关系通常也称为结 构关系。

结构方程构建步骤 3
模型估计
最大似然法（maximum likelihood）和广义最小二乘法（ generalized least square）

结构方程构建步骤 4
模型评价
对模型的整体拟合效果和单一参数的估计值进行评价。如 果模型拟合效果不佳，可以对模型进行修正来提高模型拟合效 果。


结构方程模型的优点
（1）允许回归方程的自变量含有测量误差 在传统统计方法特别是计量模型中，自变量通常都是默认可直 接观测的，不存在观测误差。但是对于管理学等社会科学领域的很 多研究课题来说，模型所涉及的自变量常常不可观测，结构方程模 型将这种测量误差纳入模型，能够加强模型对实际问题的解释性。

如果在研究中所涉及的变量有部分为不可观测到的潜变量，此 时必须首先完成该潜变量的构建，将其转化为可观测的变量后再对 变量间可能的关系进行处理，在这一情况中，结构方程模型可以同 时处理测量关系和结构关系。
主成分分析的基本思想
它通过对原始变量相关矩阵或协方差矩阵内部结构关系的 研究，利用原始变量的线性组合形成几个综合指标(主成分)， 在保留原始变量主要信息的前提下起到降维与简化问题的作用 ，使得在研究复杂问题时更容易抓住主要矛盾。
第9章 结构方程模型
第9章 结构方程模型
本章学习目标
理解结构方程分析的基本思想与原理 了解结构方程模型分析方法的优点
熟悉结构方程模型中常用的概念
掌握结构方程模型构建的步骤 熟练掌握应用SPSS软件中的AMOS插件进行结构方程模
拟的操作 掌握实验结果的分析与利用 了解结构方程模型在经济管理数据分析中的应用
第9章 结构方程模型

结构方程模型（Structure Equation Modeling, SEM） 是应用线性方程系统表示观测变量与潜变量之间，以及 潜变量之间关系的一种方法，其实质是一种广义的一般 线性模型。与传统的线性回归模型不同，结构方程模型 允许研究人员能够同时检验一批回归方程，而且这些回 归方程在模型形式、变量设置、方程假设等方面也与传 统回归迥然不同，因此，其适用范围也比传统回归分析 更为多元化。
Factor1
Factor3
Factor2
Measurement model 测量模式
Structural Mode 结构模式

结构方程模型代码含义

结构方程构建步骤 2
模型识别
确定所设定的模型是否能够对其估计求解。，如果模型是 可识別的，表示理论上模型中的每一个参数都可以估计出唯一 的一个估计值。 模型识别结果包括不能识别(Under-Identified)、适度识别 (just-Identified)及过度识别(Over-Identified)三种。