spss统计分析及应用教程-第9章 结构方程模型
结构方程模型解读
结构方程模型解读结构方程模型是一种统计分析方法，可以用来探究因变量和自变量之间的关系。
它是一种相对比较复杂的分析方法，但当被正确解读时，它有效地帮助研究者了解变量之间的关系以及变量如何影响彼此。
下面，我们将依次阐述如何理解结构方程模型。
一、构建模型：结构方程模型的第一步是构建模型。
这意味着研究者需要选择一个理论框架，并从中选择变量进行分析。
在选择变量时，研究者需要考虑变量之间的关系以及它们可能如何相互作用。
一旦选择了变量，研究者就需要确定变量之间的箭头方向，来表示它们之间的重要性和权重。
一般来说，箭头会从自变量指向因变量。
二、拟合模型：一旦成功地构建了模型，研究者需要拟合模型，这意味着他们需要在模型中添加数据并运行分析。
在这个步骤中，研究者采集数据，并将它们输入计算机程序中。
该程序将根据构建的模型来分析数据，并根据一些统计指标来计算模型的拟合度。
如果模型与数据的拟合度较高，则说明模型比较准确，反之则说明需要重新考虑模型结构。
三、解读结果：最后，研究者需要解读结果，这是最为挑战性的一步。
结果解释并不简单，因为它们可能包含了许多因素和变量。
因此，研究者需要进行更深层次的分析和理解，以找出关键的因素和变量之间的关系。
要解读结果，需要查看概览统计数据，包括R²值和残差，以及某些中介变量、潜在变量和多重潜在变量之间的关系。
这些数据将告诉研究者各个变量之间的影响力和关系。
在这里，研究者应该花时间来分析数据，并将其与模型进行对照。
如果模型与数据的拟合度很高，则研究者可以着手对数据中发现的关键变量进行更深入的分析。
总之，结构方程模型是一种富有成果的统计分析方法。
如果您正确地构建模型，并仔细解读结果数据，就可以从中得到非常好的结论。
spss统计分析及应用教程-第9章 结构方程模型
❖ 模型评价
评价指标
绝对拟合评价
指 标
绝对拟合评价
绝对拟合评价
卡方值
拟合优度指数GFI
标准化均方根残余 SRMR 期望复核效度指标 AGFI 调整后的拟合指数 AGFI 不规范拟合指数 NNFI
增值拟合指数IFI
简效规范拟合指数 PNFI Akaike 信息标准化 AIC 规范卡方Normed Chi-Square
• Move是移动所选定的图形； • Duplicate是复制所选定的图形； • Erase是删除所选定的图形； • Move Parameter是移动所设定的参数位置；
•Edit按钮 在Edit下拉的菜单之中，提供了路径图编辑的相关工具， 如图所示。各选项的功能如下：
• Reflect是将所选定的图形作镜面对称； • Rotate是旋转所选定的图形； • Shape of Object是调整所选定的图形大小； • Space Horizontally是水平调整选定的图形； • Space Vertically是水垂直平调整选定的图形； • Drag Properties用来设定正在编辑的图形的性质； • Fit to page是使绘图区的图形与绘图区域大小相适应； • Touch up是用来使图形相对协调美观。
（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。
★结构方程模型要点
★结构方程模型要点一、结构方程模型的模型构成1、变量观测变量：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，由观测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内生观测变量：内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2、参数（“未知”和“估计”）潜在变量自身：总体的平均数或方差变量之间关系：因素载荷，路径系数，协方差参数类型：自由参数、固定参数自由参数：参数大小必须通过统计程序加以估计固定参数：模型拟合过程中无须估计（1）为潜在变量设定的测量尺度①将潜在变量下的各观测变量的残差项方差设置为1②将潜在变量下的各观测变量的因子负荷固定为1（2）为提高模型识别度人为设定限定参数：多样本间比较（半自由参数）3、路径图（1）含义：路径分析的最有用的一个工具，用图形形式表示变量之间的各种线性关系，包括直接的和间接的关系。
（2）常用记号：①矩形框表示观测变量②圆或椭圆表示潜在变量③小的圆或椭圆，或无任何框，表示方程或测量的误差单向箭头指向指标或观测变量，表示测量误差单向箭头指向因子或潜在变量，表示内生变量未能被外生潜在变量解释的部分，是方程的误差④单向箭头连接的两个变量表示假定有因果关系，箭头由原因（外生）变量指向结果（内生）变量⑤两个变量之间连线的两端都有箭头，表示它们之间互为因果⑥弧形双箭头表示假定两个变量之间没有结构关系，但有相关关系⑦变量之间没有任何连接线，表示假定它们之间没有直接联系（3）路径系数含义：路径分析模型的回归系数，用来衡量变量之间影响程度或变量的效应大小（标准化系数、非标准化系数）类型：①反映外生变量影响内生变量的路径系数②反映内生变量影响内生变量的路径系数路径系数的下标：第一部分所指向的结果变量第二部分表示原因变量（4）效应分解①直接效应：原因变量（外生或内生变量）对结果变量（内生变量）的直接影响，大小等于原因变量到结果变量的路径系数②间接效应：原因变量通过一个或多个中介变量对结果变量所产生的影响，大小为所有从原因变量出发，通过所有中介变量结束于结果变量的路径系数乘积③总效应：原因变量对结果变量的效应总和总效应=直接效应+间接效应4、矩阵方程式（1）和（2）是测量模型方程，（3）是结构模型方程 测量模型：反映潜在变量和观测变量之间的关系 结构模型：反映潜在变量之间因果关系 5x x ξδ=∧+ （1）y y ηε=∧+ （2） B ηηξζ=+Γ+ （3）三、模型修正1、参考标准模型所得结果是适当的；所得模型的实际意义、模型变量间的实际意义和所得参数与实际假设的关系是合理的；参考多个不同的整体拟合指数；2、修正原则①省俭原则两个模型拟合度差别不大的情况下，应取两个模型中较简单的模型；拟合度差别很大，应采取拟合更好的模型，暂不考虑模型的简洁性；最后采用的模型应是用较少参数但符合实际意义，且能较好拟合数据的模型。
结构方程模型简介及应用
模型建模的类型
纯粹验证型：拒绝or接受 模型发展型：根据数据和理论修改 选择模型：选择一个好的
模型建构：模型选择(以验证性因素分析为例）
多个一阶模型：理论和探索性因素分析结果 直交or斜交：因素间是否存在相关 一阶or二阶：因素间的相关大小
t14
1
t171
内在取向内在取向t19
1 1 1
t14e141 t17e171 t19e191
低识别模型
正好识别模型
过度识别模型
第三步：收集数据
样本数： a:理想的样本量与题项数比例为5-20倍 b:样本越多越好，但是越多卡方值越大， 模型被拒绝的可能性更大。 c: 200-500之间
缺失数据：在spss里补好
第四步：模型拟合—参数估计方法
极大似然法（maximum likelihood）：大样本，正态分布、观测变 量是连续变量
1
e3
X3
1
e4
X4 1
1
e5
X5
智力
1
e6
X6
1
e7
X7 1
1
e8
X8
自信
1
e9
X9
1
学业表现
1
Y1
e10
1
Y2
e11
1
Y3
e12
1
课外活动
1
Y4
e13
1
Y5
e14
1
Y6
e15
1
服务热诚
1
Y7
e16
1
Y8
e17
1
Y9
e18
回归
测量 方程
外生潜变量
结构 方程
内生潜变量
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，用于验证数理模型，分析变量之间的因果关系以及预测未知变量。
它可以将多个观测变量和潜在变量之间的关系进行建模和评估。
在本文中，我们将详细介绍结构方程模型的基本概念、应用领域和常见的建模过程。
一、基本概念1. 指标变量（Indicator Variables）：在结构方程模型中，我们通常使用指标变量来测量潜在变量。
指标变量是实际可观测到的变量，通过测量值来间接反映潜在变量的状态。
2. 潜在变量（Latent Variables）：潜在变量是无法直接观测到的变量，它们通常是一些理论概念或假设的表达。
潜在变量通过指标变量的测量反映出来。
二、应用领域1.社会科学研究：结构方程模型常常被用于心理学、教育学、管理学等领域的研究中，用于探索变量之间的关系，验证理论构建和进行实证研究。
2.经济学研究：结构方程模型在经济学研究中被广泛应用，用于分析经济变量之间的关系，评估政策效果和预测未知变量。
3.市场研究：结构方程模型可以用于分析市场调查数据，探索消费者行为、产品需求和品牌忠诚度等因素之间的关系。
4.医学研究：结构方程模型可用于医学研究中，例如研究药物治疗效果、疾病发展模式和预测相关变量。
三、建模过程建立一个结构方程模型通常需要以下几个步骤：1.模型设定：在设定模型时，我们需要明确研究的目的、理论依据以及构建潜在变量和测量指标的关系。
2.指标开发：选择适当的指标来测量潜在变量。
指标应具有良好的信度和效度，并与潜在变量相关。
3.模型估计：估计结构方程模型的参数，包括路径系数和误差方差。
常用的估计方法有最小二乘法、极大似然法和广义最小二乘法等。
4.模型拟合度检验：通过拟合指标（如χ²检验、RMSEA、CFI等）来评估模型的拟合度。
如果模型拟合度较好，则可以认为模型能较好地解释数据。
5.模型修正：根据模型拟合度检验的结果对模型进行修正。
SPSS-结构方程式模型
SPSS-结构方程式模型使你的数据更会说话——结构方程式模型在市场调查中的应用内容提要：在IDC日常市场研究工作中一些高级数据分析方法得不到应有的问题普遍存在。
而结构方程式模型作为一种实证性的数据分析技术已经发展的相当完备了，它广泛运用于市场调查的各个方面，成为提供市场营销战略策略的有力工具。
这种实证性统计方法的运用可以提高数据分析结果的有效性和科学性。
希望通过介绍结构方程式模型的建构原理，并通过一个具体研究案例的介绍使IDC同事们能对此项技术有一定了解。
结构方程式中包括了主要的分析方法，在IDC 公司中较为常见的是利用SPSS软件进行相关数字变量分析。
由于篇幅有限，本文只介绍一些基本定义，详细的介绍请参看文章后面的参考书目。
一、结构方程式模型及其建构原理结构方程式模型（Structural Equation Modeling，简称SEM）或称为因果关系模型、协方差结构模型，或者直接称为LISRLE模型，这主要是因为LISREL是用来分析结构方程式模型的早期最流行的软件。
它是一种建立、估计和检验因果关系模型的多元统计分析技术。
它包含了回归分析（multiple regression）、因子分析（factor analysis）、路径分析（path analysis）和多元方差分析（multivariate analysis of variance）等一系列多元统计分析方法，是一种非常通用的、线性的、借助于理论进行假设检验的统计建模技术。
这一模型和方法由K.Joreskog与其合作者在70年代提出并逐步改进和完善，到90年代初期开始得到了广泛的应用。
随着SEM理论和分析软件的不断发展和完善，结构方程式模型不仅在市场研究中成为分析数据、检验理论的好工具，而且在心理学、社会学、计量经济学、管理学、行为科学和传播学等领域都得到了广泛的应用。
结构方程式模型本质上是利用联立方程求解。
我们希望的是模型拟合的再生数据尽可能接近原始数据，如果真是这样的话，假设的因果关系结构与变量间的相互关联模式就是拟合的或是一致的。
结构方程模型简介
2019/7/26
20
模型评价：绝对指标
从设定模型的拟合和独立模型拟合之间 的比较得出的
卡方值与自由度的比值：1~3之间 （p>0.05）
GFI：>0.9 AGFI：>0.9 RMSEA：<0.08
2019/7/26
21
模型评价：相对指标
设定模型和特定模型的比较 规范拟合指数（NFI）：设定模型和独立
2019/7/26
15
模型估计：方法选择1
最大似然估计和最小二乘估计 假定：观测变量是连续变量，具有多元
正态分布。 即使是在大样本的情况下，观测变量的
偏态性，尤其是在很高的峰度下，会导 致很差的估计以及不正确的标准误和偏 高的卡方值。
2019/7/26
16
模型估计：方法选择2
对偏态分布的变量进行转换； 去除奇异值； 采用加权最小二乘法
必须为模型中的每一个潜在变量建立一个测量 尺度。将潜在变量的方差设定为1；将潜在变量 的观测标识中任何的一个因子负载设定为一个 常数，通常为1
2019/7/26
14
模型识别：预防措施
预防不可识别的模型主要是有关参数的 设定，尽量减少自由参数的数目，让模 型简约。当模型中的变量之间有循环或 是双向关系，那么这个模型就是非递归 的，一般是不可识别的。
12
模型识别：不可识别的 原因
模型能否识别并不是样本的问题 原因： 1、自由度少 2、因子之间的相互作用，即双向作用
2019/7/26
13
模型识：判断方法
数据点的数目不能少于自由参数的数目。数据 点的数目就是观测变量的方差和协方差的数目。 自由参数的数目特指待定的因子载荷、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
《结构方程模型》课件
SEM 发表的期刊论文有比较优势吗? (Babin, Hair, Boles, 2008)
• 1. 不用SEM 的PAPERS 是否比较容易被拒绝? • 2. 使用SEM 的PAPERS 是否评价比较高? • 3. 使用SEM 是否对reviewers 较有影响力? • 4. 模型适配度好坏是否会影响reviewers评价? • 5. 美国人使用SEM 是否比其它国家的学者多? • 6. 美国人用SEM投稿是否比其它国家的人有优
势?
SEM 常用的名词
• 参数(parameter)： – 又称为母数，带有「 未知 」与「 估计」的特
质。如没有特別说明，一般指的是自由参数。 • 自由参数(free parameter)： – 在Amos所画的每一条线均是一個参数，除设
为固定参数者外； – 自由估計参数愈多，自由度(df) 愈小。 • 固定参数(fix parameter)： – Amos 图上被设定为0 或1或任何数字的线，均
图形
功能说明
图形
功能说明
变量之间的属性拖拽
放大镜检视
维持对称性 放大选取区域 放大路径图
贝氏估计 多群组分析 列印路径图
缩小路径图 路径图整页显示在屏幕上 调整路径图大小符合书面
上一步 下一步 模式搜索
绘制四个观察变量 建立因果关系 调整箭头位置
利用复制功能确保大小一致 内生变量增加残差 调整变量位置
1. SEM 能做些什么?
Structural Equation Modeling（SEM） 是近期成长快速的 统计技术(Herhberger, 2013)
• 愈来愈多的SEM 文章发表在心理学、管理学与社会学期 刊上
• SEM 已成为心理学、管理学与社会学学者最常用的统计 技术
SPSS第9章课件
SPSS第9章
• 单独一所学校时的情况 • yi=α+β1standlrti+εi • 其中下标i代表第i个学生。在单独考虑这一
• 下面我们来观察更多的数据，图3.3是前10所学校各自的 回归线，从中我们可以看到除了截距以外，各回归线的斜 率间也不尽相同。也就是说，成绩在学校间的聚集性除了 表现为成绩的平均水平不同外，还表现在不同学校中成绩 的离散度上！斜率高的学校其16岁成绩离散度较高，斜率 低的则成绩比较集中。同上，模型将被继续扩展如下：
可见和普通的线型模型相比，混合线性模型主要 是对原先的随机误差进行了更加精细的分解。但 正因如此，该模型就可以正确估计并分析数据在 高水平单位内聚集的问题，同时可以为研究者提 供更加丰富的信息。
SPSS第9章
1.2 混合效应模型的用途
• 1．对固定效应参数进行更准确的估计
– 由于在模型的设置上就考虑到了数据的聚集性 问题，并采用了相应的迭代方法加以拟合，混 合效应模型可以获得回归系数的有效估计，并 且可以提供正确的标准误，从而假设检验的结 果也更加准确。
• 即我们可以准确的推断是哪些因素对应变 量的均数有影响，却无法分析是哪些因素 对应变量的变异程度有影响。这一问题现 在越来越受到重视，已成为统计理论的一 个重要发展方向。
SPSS第9章
混合效应模型
• 混合效应模型是八十年代初针对资料的层次结构而 发展起来的一类模型，它充分考虑到了数据聚集性 的问题，可以在数据存在聚集性的时候对影响因素 进行正确的估计和假设检验。
结构方程模型
⑥ 重视多重统计指标的运 用。
7.SEM的样本规模 ① 资料符合常态、无遗漏值
及例外值(Bentler & Chou, 1987)下，样本比例最小为 估计参数的5倍、10倍则 更为适当。 ② 当原始资料违反常态性假 设时，样本比例应提升为 估计参数的15倍。 ③ 以最大似然法（Maximum
02 基本
原1.理模型构建——变量
① 观测变量：能够观测到的变量（路径图中以长方形表示）。 ② 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）。 ③ 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。 ④ 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
代理：Multivariate Software
④Mplus
设计：BengtMuthén和Linda
01 概念
介绍
6.SEM的技术特性
① 具有理论先验性。
② 同时处理因素的测量关 系和因素之间的结构关 系。
③ 以协方差矩阵的运用为 核心。
④ 适用于大样本分析（样 本数<100，分析不稳定； 一般要>200）。
② 圆或椭圆表示潜在变量；
③ 小的圆或椭圆，或无任何框，表示方程或测量的误差：
单向箭头指向指标或观测变量，表示测量误差；
单向箭头指向因子或潜在变量，表示内生变量未能被外生
潜在变量解释的部分，是方程的误差；
④ 单向箭头连接的两个变量表示假定有因果关系，箭头由原
02 基本
原1.理模型构建——路径图
（2）路径系数 路径分析模型的回归系数，用来衡量变量之间影响程度或变量 的效应大小（标准化系数、非标准化系数）。 分为反映外生变量影响内生变量的路径系数和反映内生变量影 响内生变量的路径系数 路径系数的下标：第一部分所指向的结果变量，第二部分表示 原因变量。
结 构 方 程 模 型
结构方程模型结构方程模型（Structural Equation Modeling，简称SEM）是一种多变量统计分析方法，其主要用于探究变量之间的关系和影响。
它不仅可以用于描述变量之间的相关性，还可以帮助我们理解变量之间的因果关系。
在社会科学、教育学、心理学等领域中，SEM已经成为了一种常用的分析方法。
本文将从以下几个方面对SEM进行详细介绍。
一、 SEM的基本概念1. 结构方程模型结构方程模型是一种复杂的统计分析方法，它可以同时考虑多个因素对某个结果变量的影响，并且可以建立一个包含多个因素和结果变量之间相互作用关系的模型。
2. 因果关系在SEM中，我们通常会建立一个因果模型来描述变量之间的关系。
因果关系指的是一个事件或现象引起另一个事件或现象发生的关系。
在SEM中，我们通过设定不同变量之间的路径来表示它们之间可能存在的因果关系。
3. 测量模型测量模型是指将观测到的数据转化为潜在变量（latent variable）或者隐含特征（hidden feature）所形成的数学模型。
在SEM中，我们通常会将多个测量指标（observed variables）用一个潜在变量来代表。
4. 结构模型结构模型是指变量之间的关系模型。
在SEM中，我们通常会建立一个结构方程模型，其中包含多个因素和结果变量之间相互作用的关系。
二、 SEM的应用领域1. 社会科学社会科学领域是SEM的主要应用领域之一。
在社会科学研究中，SEM 可以帮助研究人员探究不同因素对社会现象产生的影响，并且可以通过因果关系的建立来分析各种社会问题。
2. 教育学教育学领域也是SEM的重要应用领域之一。
在教育研究中，SEM可以帮助研究人员分析不同因素对学生学习成绩产生的影响，并且可以通过建立因果模型来探究各种教育问题。
3. 心理学心理学是SEM的另一个主要应用领域。
在心理学研究中，SEM可以帮助研究人员探究不同因素对心理问题产生的影响，并且可以通过建立因果模型来分析各种心理问题。
结构方程模型 ppt课件
CONTENTS
01 概念介绍 02 基本原理
03 案例分析
04 实际操作
ppt课件
2
01 概念介绍
1.基本概念
结构方程模型（Structural Equation Modeling, SEM）是一种验证性多元统计分析技术， 是应用线性方程表示观测变量与潜变量之间，以及潜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。
ppt课件
19
02 基本原理
3.模型拟合——主要拟合度指标
（3）整体模型拟合度
a) χ2卡方拟合指数 检验选定的模型协方差矩阵与观察数据协方差矩阵相匹配的假设。原假设是模型协方差阵等 于样本协方差阵。如果模型拟合的好，卡方值应该不显著。在这种情况下，数据拟合不好的模型被拒绝。
b) RMR 是残差均方根。RMR 是样本方差和协方差减去对应估计的方差和协方差的平方和，再取平均值的平方根。 RMR应该小于0.08，RMR越小，拟合越好。
2.模型评价——参数估计 （1） 假设条件 ① 测量模型误差项δ，ε的均值为零 ② 结构模型的残差项ζ的均值为零 ③ 误差项ε，δ与因子η，ξ之间不相关，误差项ε与δ不相关 ④ 残差项ζ与ξ ，η ，δ之间不相关 （2）参数估计策略 ① 加权最小平方策略（WLS） ② 最大概似法(ML) ③ 无加权最小平方法(ULS) ④ 一般化最小平方法（GLS） ⑤ 渐进分布自由法（ADF）
5
6
结构模型：反映潜在变量之间因果关系
方程式： 1 11 1 1 2 21 1 21 1 2
0 0
B
21
0
spssau结构方程模型
结构方程模型｛15现问题如何办？目录1结构方程模型SEM的拟合指标 (1)2解决办法1：梳理建模流程（因子分析） (2)3解决办法2：调整模型（MI指数调整和手工调整） (3)3解决办法3：换用模型（路径分析或线性回归） (4)上图中红框即为测量模型，Factorl是A广A4共4项衣示;类似还有Factor2, Factor3和Factor40而结构模型是指影响关系情况，比如模型中Factorl和Factor?影响Factor3： Factor3 影响 Factor4o如果说只研究测量模型，那么通常是指验证性因了•分析CFA：如果说只研究结构模型，则称作路径分析path analysis。
验证性因/分析和路径分析均是结构方程模型的特殊形式。
结构方程模型由测虽模型和结构模型构成，如果进行结构方程模型构建时想达到良好的模型效果。
那么就需要保证测量模型和结构模型均有着良好的拟合性，否则最终结构方程模型拟合效果都不会太好。
同时，结构方程模型有着非常多的拟合指标，比如卡方自由度比，RMSEA, CFA, RMR等几十种，但在实际研究中会发现展本上很难所有指标均达标，而且很多指标都不达标。
那怎么办呢？接下来针对结构方程模型的拟合指标、拟合效果不好时的3种解决办法等分别进行说明，期许得到最住模型。
结构方程模型SEM的拟合指标结构方程模型拟合时，会有非常多的指标。
SPSSAU默认提供常用的15类指标，说明如下:在已有文献中，还会出现各类拟合指标，但基本上都是上述拟合指标的•种变型而已。
•般来说，模型拟合效果越好，各类指标越容易达标，但即使模型已经拟合非常好，也不能保证所有的参数均在标准范围内。
为什么会出现这种情况呢，比如卡方自由度值使用较多，但是该指标容易受到样本量的影响，样本量越人时，该指标越可能更小，有的指标在标准范圉内，那么对应有的指标就可能不在标准范围内，没有•个指标可以完全性地确定模型的好或坏。
也就是说不同的拟合指标并不能完全的测量模型的拟合效果，而应该综合着分析模型效果水平。
IBM SPSS AMOS 结构方程模型教程
表一、关于顾客满意调查数据的收集本次问卷调研的对象为居住在某大学校内的各类学生（包括全日制本科生、全日制硕士和博士研究生），并且近一个月内在校内某超市有购物体验的学生。
调查采用随机拦访的方式，并且为避免样本的同质性和重复填写，按照性别和被访者经常光顾的超市进行控制。
问卷内容包括7个潜变量因子，24项可测指标，7个人口变量，量表采用了Likert10级量度，如对1正向的，采用Likert10级量度从“非常低”到“非常高”二、缺失值的处理采用表列删除法，即在一条记录中，只要存在一项缺失，则删除该记录。
最终得到401条数据，基于这部分数据做分析。
三、数据的的信度和效度检验1．数据的信度检验信度（reliability）指测量结果（数据）一致性或稳定性的程度。
一致性主要反映的是测验内部题目之间的关系，考察测验的各个题目是否测量了相同的内容或特质。
稳定性是指用一种测量工具（譬如同一份问卷）对同一群受试者进行不同时间上的重复测量结果间的可靠系数。
如果问卷设计合理，重复测量的结果间应该高度相关。
由于本案例并没有进行多次重复测量，所以主要采用反映内部一致性的指标来测量数据的信度。
折半信度（split-half reliability）是将测量工具中的条目按奇偶数或前后分成两半，采用Spearman-brown公式估计相关系数，相关系数高提示内部一致性好。
然而，折半信度系数是建立在两半问题条目分数的方差相等这一假设基础上的，但实际数据并不一定满足这一假定，因此信度往往被低估。
Cronbach在1951年提出了一种新的方法（Cronbach's Alpha系数），这种方法将测量工具中任一条目结果同其他所有条目作比较，对量表内部一致性估计更为慎重，因此克服了折半信度的缺点。
本章采用SPSS16.0研究数据的内部一致性。
在Analyze菜单中选择Scale下的Reliability Analysis（如图7-1），将数据中在左边方框中待分析的24个题目一一选中，然后点击，左边方框中待分析的24个题目进入右边的items方框中，使用Alpha 模型（默认），得到图7-2，然后点击ok即可得到如表7-3的结果，显示Cronbach's Alpha系数为0.892，说明案例所使用数据具有较好的信度。
结构方程模型
分，在测量模型即测量误差，在结构模型中为 干扰变量或残差项，表示内生变量无法被外生 变量及其他内生变量解释的部分。
ηη11== γ ξ + γ111ξ11+ ζ11 ζ1 η 1= γ11 ξ1+ γ12 ξ2 +ζ1
符号表示
潜在变量：被假定为因的外因变量，以ξ（xi/ksi） 表示；假定果的内因变量以η（eta）表示。
外因变量ξ的观测指标称为X变量，内因变量η观测值 表称为Y变量。
它们之间的关系是：①ξ与Y、η与X无关②ξ的协差 阵以Φ（phi）表示③ξ与η的关系以γ表示，即内因 被外因解释的归回矩阵④ξ与X之间的关系，以Λx表 示，X的测量误差以δ表示，δ间的协方差阵以Θε表 示⑥内因潜变量η与η之间以β表示。
观察变量
观察变量作为反映潜在变量的指标变量，可分为反映性指 标与形成性指标两种。
反映性指标又称为果指标，是指一个以上的潜在变量是引 起观察变量或显性变量的因，此种指标能反映其相对应的 潜在变量，此时，指标变量为果，而潜在变量为因。
相对的，形成性指标是指指标变量是成因，而潜在变量被 定义为指标变量的线性组合，因此潜在变量变成内生变量， 指标变量变为没有误差项的外生变量。
SEM包含了许多不同的统计技术
SEM融合了因子分析和路径分析两种统计技 术，可允许同时考虑许多内生变量、外生变量 与内生变量的测量误差，及潜在变量的指标变 量，可评估变量的信度、效度与误差值、整体 模型的干扰因素等。
SEM重视多重统计指标的运用
SEM所处理的是整体模型契合度的程度，关注整体模 型的比较，因而模型参考的指标是多元的，研究者必 须参考多种不同的指标，才能对模型的是陪读做整体 的判断，个别参数显著与否并不是SEM的重点。
SPSSAU_问卷研究_结构方程模型SEM
SPSS分析SPSS教程SPSSAU 结构方程模型SEM模型Structural Equation Modeling 网页在线SPSS结构方程模型SEMContents1背景 (3)2理论 (3)3操作 (5)4 SPSSAU输出结果 (7)5文字分析 (7)6剖析 (11)结构方程模型SEM是一种多元数据分析方法，其可用于研究多个潜变量之间的影响关系情况。
结构方程模型共包括两部分结构，分别是测量关系和影响关系。
比如下面这个结构方程模型，其包括四个潜变量，分别是Factor1感知质量、Factor2感知价值、Factor3顾客满意和Factor4顾客忠诚。
从测量关系来看：Factor1感知质量由A1~A4共4项测量；Factor2感知价值由B1~B3共3项测量；Factor3顾客满意由C1~C3共3项测量；Factor4顾客忠诚由D1~D2共2项测量。
从影响关系来看：Factor1和Factor2对于Factor3产生影响关系；Factor3对Factor4产生影响关系。
类似上述，如果研究中包括测量关系和影响关系时，此类研究均可称作结构方程模型。
当然研究者的重心在于研究影响关系，并且进行假设验证等；测量关系并不在重点关注范围，但是测量关系的质量会对模型拟合情况产生很大的影响，因此研究者需要首先保证测量关系的质量情况。
特别提示：结构方程模型SEM包括测量关系和影响关系；如果仅包括影响关系，此时称作路径分析（Path analysis，有时也称通径分析）。
结构方程模型SEM对于测量关系和影响关系均有很高的要求；尤其是对于测量关系，因此研究前一定需要先保障测量关系有着高质量，通常需要进行探索性因子分析和验证性因子分析，均保证测量关系无误之后，再进行结构方程模型构建。
由于结构方程模型SEM对于样本量要求较高(通常200以上)，以及测量关系，影响关系均有着很高的要求。
因此有时会出现无论如何，结构方程模型SEM拟合效果均不理想，此时建议可将模型简化折分，也或者使用路径分析进行研究，如果路径分析也不理想，最终可考虑使用线性回归分析进行研究。
七多元统计分析讲座结构方程模型
结构方程模型分析的步骤：
◦ 模型设定 ◦ 模型识别 ◦ 数据准备 ◦ 参数估计 ◦ 模型评价 ◦ 模型修正
《SPSS多元统计分析方法及应用》系列讲座 10
结构方程模型设定
◦ 潜变量的设定 ◦ 观测变量的设定
1
e4
1
e3
1
e2
1
e7
1
e6
1
e5
1
e15
项目 保密性
1 项目规模
项目复 杂程度
结构方程模型应用举例 总结
《SPSS多元统计分析方法及应用》系列讲座 4
测量模型
结构模型
测量模型
δ1
X1 λx1
ζ1
δ2
X2
ξ1 γ41
λy1 Y1
ε1
δ3
X3
η4
Y2
ε2
δ4
X4 λx4
Y3
ε3
β45
δ5
X5
ξ2
δ6
X6
λy4 Y4
ε4
η5
δ7
X7 λx7
γ43
δ8
X8
ξ3
Y5
ε5
Y6
ε6
《SPSS多元统计分析方法及应用》系列讲座 1
《SPSS多元统计分析方法及应用》系列讲座 2
《SPSS多元统计分析方法及应用》系列讲座
结构方程模型概述 结构方程模型理论知识
◦ 结构方程模型设定、识别 ◦ 结构方程模型数据准备 ◦ 结构方程模型参数估计 ◦ 结构方程模型评价与修正 ◦ 结构方程模型解释
owner’s ability
project delivery characteristics
political environment
结构方程模型讲义
结构方程模型讲义结构方程模型（Structural Equation Modeling，SEM）是一种统计分析方法，多用于研究基于潜变量的复杂系统内在结构的定量关系。
其理论基础源于多元统计分析、因子分析和路径分析，通过建立观察变量与潜变量之间的关系模型，解析出潜变量对观察变量的影响，进而研究变量之间的内在结构关系。
一、SEM的基本概念和特点1.潜变量：潜变量是指无法直接观察或测量的变量，只能通过观察变量来间接反映。
它可以代表一些理论上的构念、心理特质或潜在特征。
2.观察变量：观察变量是可以直接观察和测量的变量，表现为定量或定性的实际测量结果。
3.模型设定：SEM基于研究者对潜变量和观察变量之间关系的理论假设，通过建立潜变量和观察变量之间的关系模型，定量研究变量之间的影响关系。
4.结构关系：SEM通过路径系数来描述潜变量和观察变量之间的关系，并使用结构方程模型来表示这些关系。
路径系数表示了变量之间的直接或间接影响。
二、结构方程模型的步骤1.模型设定：根据研究目的和理论依据，建立潜变量和观察变量之间的关系模型，并确定模型中的指标、因子和路径。
2.数据收集：收集样本数据，并根据所设定的模型变量进行测量，获得观察变量的观测值。
3.模型估计：利用SEM软件，通过最大似然估计等方法求解模型中的参数估计值，包括路径系数、因子载荷和误差项。
4.模型拟合：通过拟合度指标对模型的拟合程度进行评估，检验模型是否与观测数据一致。
如果拟合不理想，可能需要修改或调整模型。
5.结果解释和修正：对模型结果进行解释，解释模型中的路径系数和因子载荷，以及观察变量的解释力。
如果有必要，根据拟合结果调整模型，并进行相应修正。
6.结果验证：通过交叉验证、重测等方法验证模型的鲁棒性和稳定性，确保模型结果的可靠性和稳定性。
结构方程模型的应用领域非常广泛，包括心理学、社会学、教育学、市场营销、财务管理等。
它可以用于研究因果关系、探究复杂系统内在结构、验证理论模型等。
结构方程模型课件
传统的统计建模分析方法不能有效处理潜变量，
而结构方程模型能同时处理潜ห้องสมุดไป่ตู้量和显变量（指
标）。传统的线性回归分析不允许有多个因变量
存在测量误差，假设自变量是没有误差的，结构
结构方程模型
3
3.结构方程的基本原理？
一、结构方程模型的原理 结构方程模型的基本思路是:
首先，根据已有理论和知识，经推理和假设形成一个关于一组变量之 间相互关系的模型；
（4）内生变量：是指那些在模型或系统中，受模型或系统中其
它变量包括外生变量和内生变量影响的变量，即在路径图中，有箭头
指向它的变量。它们也可以影响其它变量。
结构方程模型
6
3.结构方程的基本原理？
结构方程模型在形式上是反映隐变量和显变量 关系的一组方程，一般来讲由两类矩阵方程构成：
（1）测量方程（Measurement Equation）
二、结构方程模型的结构 结构方程模型的结构示意图如下所示：
结构方程模型
5
3.结构方程的基本原理？
首先了解几个概念：
（1）观测变量：可直接测量的变量，通常是指标
（2）潜变量：潜变量亦称隐变量，是无法直接观测并测量的变 量。潜变量需要通过设计若干指标间接加以测量。
（3）外生变量 ：是指那些在模型或系统中，只起解释变量作用 的变量。它们在模型或系统中，只影响其他变量，而不受其他变量的 影响。在路径图中，只有指向其他变量的箭头，没有箭头指向它的变 量均为外生变量。
（2）特定的方法可能需要很大的样本含量；
（3）需要满足多变量正态分布的假设；
(4) 很少用于预测的应用；
（5）完全掌握结构方程需要基础知识、练习和努 力；
（6）很多问题还没有很结构方好程模的型 答案和可以遵循的指
- 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)。
Edit的下拉菜单
•Edit按钮 在Edit下拉的菜单之中，提供了路径图编辑的相关工具， 如图所示。各选项的功能如下： • Undo是撤销上一步的编辑动作； • Redo是恢复所撤销的编辑动作； • Copy是把选定的图形复制到剪贴板； • Select是选定要编辑的图形，一次只能选择一个； • Select All是选定绘图区所有的图形； • Deselect All是取消对所有图形的选择； • Link是把正在编辑的图形联系在一起，这些图形可以一 起执行某些操作； • Move是移动所选定的图形； • Duplicate是复制所选定的图形； • Erase是删除所选定的图形； • Move Parameter是移动所设定的参数位置；
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。
（3）AMOS界面简介——菜单栏的主要功能 • Print是打印正在编辑的路径图； • File Manager是管理正在编辑的与文件相关的 一系列文件； • Exit是退出AMOS程序。 Exit下面提供了连接到AMOS最近访问的几个路径图文件 的快捷方式。单击该文件名即可打开相应的路径图文件。 注意：把路径图文件存储在某一特定位置后，在该文件夹 中将会出现几个名字相同而后缀不同的存储文件，其中， *.amw是所存储的路径图文件；*.bk1和*.bk2是自动生 成的备份文件，可以通过Retrieve Backup打开； *.AmosTNP、*.AmosTN、*.AmosP、*.amp都是 AMOS的文件管理文件，可以双击这些文件打开相应的存 储文件。*.amo是模型拟合之后出现的拟合结果文件。
为了方便绘图，这些编辑工具基本上在工具栏中都可以找 到。使用者只需点击工具栏上的图标就可以激活这些工具。
View/Set的下拉菜单
•Interface Properties之下提供了一个菜单，用于设置路径 图编辑界面的属性，如图所示。
Interface Properties • Language标签下提供了文件界面语言的选择； • Typefaces标签下提供了变量名字、参数值、图形标题的字 体格式选择； • Pen Width标签下提供了路径图绘制过程中线条和箭头的大 小格式选择； • Misc标签下提供了界面属性的一些细微之处的调整，例如， 是否在绘图区设置带有方格的背景，图形过于密集而使用工 具栏上的放大工具查看时的放大倍率等； • Page Layout标签下提供了界面设置的一些选项，例如绘图 区的上下和左右边距，绘图区是横向还是纵向等，使用者需 要把路径图复制到另外的文档或其他文件中时，这里的调整 特别重要； • Formats标签下提供了参数格式的设置选项； • Colors标签下提供了绘图时所涉及的线条颜色设置。
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。
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
（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。
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
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。
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。
简效良性拟合指数 PGFI 胡特的临界数值CN
卡方检验指标
残差分析指标
评价指标名称
替代性指标名称
实验内容 为了了解大学生闲暇时间消费状况与幸福指数之间的关 系，设计调查问卷并收集相关数据，在理论上将大学生 闲暇时间消费划分为社交活动时间、文化休闲时间和网 络休闲时间。大学生的幸福指数由其个体满意度、就业 准备满意度与社会满意度三个方面组成，
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。
（2）打开AMOS对话框 执行“分析”——AMOS 命令，打开结构方程分析 的主对话框。操作过程见 图
AMOS界面图
File的下拉菜单
（3）AMOS界面简介——菜单栏的主要功能 File菜单，在File按钮下拉的菜单之中，提供了文件存取的 一系列选项，如图所示。各选项功能简介如下： •File菜单 • New是在绘图区新建一个空白的路径图； • New with Template是从Templete文件夹中导 出*.amt文件； • Open是打开一个已知位置的存储文件； • Retrieve Backup是打开之前存储的备份文件； • Save是存储正在编辑的路径图； • Save as是把正在编辑的路径图存储至特定的位 置并重新命名； • Data Files是选择模型拟合所采用的数据文件；
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。
•Edit按钮 在Edit下拉的菜单之中，提供了路径图编辑的相关工具， 如图所示。各选项的功能如下： • • • • • • • • Reflect是将所选定的图形作镜面对称； Rotate是旋转所选定的图形； Shape of Object是调整所选定的图形大小； Space Horizontally是水平调整选定的图形； Space Vertically是水垂直平调整选定的图形； Drag Properties用来设定正在编辑的图形的性质； Fit to page是使绘图区的图形与绘图区域大小相适应； Touch up是用来使图形相对协调美观。
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