구조 방정식 모형의 유형
이 섹션에서는 구조 방정식 모형 플랫폼에서 적합시킬 수 있는 다양한 모형 유형 중 일부에 대해 설명합니다.
경로 분석
경로 분석을 사용하면 관측 변수 간의 연관성에 대한 대안 설명 모형을 검정할 수 있습니다. 이 기법은 연구에서 관심 구성당 하나의 변수만 사용할 수 있을 때 주로 사용됩니다. 대개 가장 단순한 경로 분석 모형은 X가 Y를 예측하는 표준 회귀 모형입니다. SEM 플랫폼을 사용하면 이 단순 회귀 모형을 적합시킬 수 있지만 더 복잡한 모형을 지정할 수도 있습니다. 예를 들어 이론이나 이전 조사에 기초하여 X Þ Y 관계의 중재 변수로 간주되는 Z 변수가 있을 수 있습니다. 즉, X가 Z를 예측한 후 Y를 예측합니다. 따라서 원래 X Þ Y 관계는 Z가 원래 모형에서 제외되어야만 존재할 수 있습니다. 자세한 내용은 중재 분석에서 확인하십시오. 경로 분석 모형의 변수 수가 많아질수록 이러한 모형의 복잡성도 증가합니다. 복잡성이 추가되면 연구원들이 더 정교한 이론을 테스트할 수 있습니다. SEM 플랫폼에서 다음 단계에 따라 경로 분석을 수행할 수 있습니다.
1. 시작 창에서 모든 관측 변수를 선택하고 "모형 변수"를 클릭한 후 "확인"을 클릭합니다.
2. "모형 규격" 보고서의 "시작점 목록"에서 예측 변수를 선택하고 "끝점 목록"에서 해당하는 결과를 선택한 후 단방향 화살표 버튼을 클릭합니다.
참고: 상관계수가 0이라는 가설을 검정하는 경우 외에는 모든 외생 변수(단방향 화살표가 가리키지 않는 변수)가 모형에서 자유롭게 상관되어야 합니다. 이러한 공분산은 양방향 화살표 버튼으로 지정됩니다.
확증적 요인 분석
CFA(확증적 요인 분석)를 사용하면 대안 측정 모형을 검정할 수 있습니다. CFA는 조사 개발에서 주로 사용되며 구조 회귀 모형을 적합시키기 전의 초기 단계로 사용됩니다. SEM 플랫폼을 사용하면 다음 단계를 수행하여 확증적 요인 분석 모형을 적합시킬 수 있습니다.
1. 시작 창에서 모든 관측 변수를 선택하고 "모형 변수"를 클릭한 후 "확인"을 클릭합니다.
2. "모형 규격"의 "끝점 목록"을 사용하여 잠재 변수에 적재될 것으로 간주되는 변수를 선택합니다.
3. "끝점 목록" 아래의 상자에 잠재 변수 이름을 입력하고 잠재 변수 추가 버튼 
을 클릭합니다.
4. 모형에 대한 모든 잠재 변수가 지정될 때까지 이 과정을 반복합니다.
SEM 플랫폼에는 항상 평균 구조가 포함되므로 모든 관측 변수가 "평균/절편" 목록에 Constant 항 결과로 나열됩니다. 또한 모든 잠재 변수는 첫 번째 표시자의 적재를 1로 설정하거나(기본값), 시작 창에서 "잠재 변수 표준화" 옵션을 선택한 경우 분산을 1로 설정하여 자동으로 식별됩니다. 마지막으로 기존의 CFA 모형에서는 모든 잠재 변수가 공변할 수 있습니다. "시작점 목록"과 "끝점 목록"에서 모든 잠재 변수를 선택한 후 양방향 화살표 버튼을 클릭하여 이러한 공분산을 지정할 수 있습니다.
중재 분석
중재 분석을 사용하면 하나 이상의 중재 변수가 원인 예측 변수의 효과를 결과로 전달한다고 가정하는 인과 이론을 검정할 수 있습니다. 중재 모형은 중재 변수라고도 하는 하나 이상의 중간 변수를 통해 예측 변수와 결과 변수 사이에 간접 효과가 존재하는지 여부 및 효과의 강도를 탐색합니다. SEM 플랫폼에서 원인, 중재 및 결과 역할의 변수를 지정하여 단순 중재 모형을 지정할 수 있습니다. 체크박스를 사용하면 중재 변수를 두 개 이상 선택하여 다중 중재 모형을 지정할 수 있습니다.
1. 시작 창에서 예측 변수, 결과 변수, 중재 변수를 선택하고 "모형 변수"를 클릭한 후 "확인"을 클릭합니다.
2. "모형 바로 가기" 옵션을 사용하여 횡단면(전통적) > 중재 분석 옵션을 선택합니다.
3. "중재 모형 지정" 창에서 원인 예측 변수, 중재 변수, 결과 변수를 선택합니다.
이 모형에서는 예측 변수의 효과가 중재 변수를 거쳐 결과 변수로 전달됩니다. 예를 들어 특정 교수법(독립 변수)과 학생의 학업 성취도(종속 변수) 사이의 관계를 파악하는 데 관심이 있다고 가정해 보겠습니다. 학생의 수업 참여도(중재 변수)가 이 관계를 설명할 수 있다고 생각됩니다. 중재 분석 바로 가기를 사용하면 간접 효과의 유의성을 평가하고, 학생의 참여도가 교수법이 학업 성취도에 미치는 영향을 매개하는지 여부 및 그 정도를 파악할 수 있습니다. 자세한 내용은 중재 분석의 예에서 확인하십시오.
구조 회귀 모형
SR(구조 회귀) 모형은 잠재 변수가 있는 경로 분석이라고도 합니다. 이러한 모형은 주로 CFA(확증적 요인 분석)를 통해 적절한 측정 모형을 식별한 후에 사용됩니다. SR 모형을 사용하면 잠재 변수 간의 특정 관계 패턴을 검정할 수 있습니다. 즉, CFA는 잠재 변수 사이의 효과에 방향성을 적용하지 않지만(모든 잠재 변수가 자유롭게 공변할 수 있음) SR 모형은 방향성을 적용합니다. 경영진의 리더십(Leadership)이 직장 내 팀 갈등(Conflict)을 줄이고 직원 만족도(Satisfaction)를 높일 수 있다고 가정한 예에서 Leadership 잠재 변수는 Conflict 및 Satisfaction 잠재 변수를 예측할 수 있습니다. 다음 단계에 따라 CFA를 수행한 후 이러한 방향 효과(회귀)를 지정할 수 있습니다.
1. 시작 창에서 모든 관측 변수를 선택하고 "모형 변수"를 클릭한 후 "확인"을 클릭합니다.
2. "모형 규격"의 "끝점 목록"을 사용하여 잠재 변수에 적재될 것으로 간주되는 변수를 선택합니다.
3. "끝점 목록" 아래의 상자 옆에 잠재 변수 이름을 입력하고 잠재 변수 추가 버튼 을 클릭합니다.
4. 모형에 대한 모든 잠재 변수가 지정될 때까지 이 과정을 반복합니다.
5. "모형 규격" 보고서의 "시작점 목록"에서 예측 변수를 선택하고 "끝점 목록"에서 해당하는 결과를 선택한 후 단방향 화살표 버튼을 클릭합니다.
잠재 성장 곡선 모형
LGC(잠재 성장 곡선) 모형을 사용하면 반복 측정 데이터에 대안 잠재 궤적을 적합시키고 검정할 수 있습니다. 이러한 모형은 혼합 모형 프레임워크의 임의 효과 모형과 매우 유사합니다. 무성장 모형을 선형 모형과 비교하려는 경우가 종종 있습니다. 무성장 모형에서는 개체의 시작점이 다를 수 있지만 궤적이 평평합니다. 선형 모형에서는 개체의 시작점과 시간에 따른 선형 기울기가 모두 다를 수 있습니다. 사용 가능한 데이터가 충분한 경우에는 이러한 모형을 개체의 시작점과 시간에 따라 선형 및 2차 비율이 달라질 수 있는 2차 모형과 비교할 수도 있습니다. SEM 플랫폼 모형 규격을 사용하여 LGC 모형을 적합시키거나, 다음 단계를 수행하여 모형 바로 가기를 통해 LGC 모형 적합을 간소화할 수 있습니다.
1. 시작 창에서 모든 관측 변수(반복 측정)를 선택하고 "모형 변수"를 클릭한 후 "확인"을 클릭합니다.
참고: 잠재 성장 모형 바로 가기에서 모형을 올바르게 지정하려면 관측 변수가 시간 오름차순으로 나열되고 시간 간격이 동일해야 합니다.
2. "모형 바로 가기" 옵션을 사용하여 종단 분석 > 절편만 있는 잠재 성장 곡선 모형을 선택한 후 "실행"을 클릭합니다.
3. "모형 바로 가기" 옵션을 사용하여 종단 분석 > 선형 잠재 성장 곡선 모형을 선택한 후 "실행"을 클릭합니다.
4. "모형 바로 가기" 옵션을 사용하여 종단 분석 > 2차 잠재 성장 곡선 모형을 선택한 후 "실행"을 클릭합니다.
그러면 "모형 비교" 테이블에 대안적 적합 지수가 표시되고 최적 모형을 선택할 수 있습니다.
조건부 잠재 성장 곡선 모형
조건부 잠재 성장 곡선 모형은 위의 단계에 따라 이상적인 성장 궤적을 식별한 후 사용할 수 있습니다. 이때 변경 요인 및 절편의 예측 변수를 모형에 추가할 수 있습니다. 이러한 예측 변수는 성장 과정의 초기 스코어와 이후의 변화를 결정하는 데 중요한 요인일 수 있습니다. 조건부 LGC를 적합시키려면 시작 창에서 잠재 변수의 가설 예측 변수를 포함하여 모든 관측 변수(반복 측정)를 선택합니다. 다음 단계를 쉽게 수행하려면 예측 변수가 "모형 변수" 목록의 마지막 변수여야 합니다.
1. "모형 바로 가기" 옵션을 사용하여 적절한 성장 궤적을 선택합니다. 이 옵션은 예측 변수를 포함하여 LGC 모형의 모든 변수를 지정합니다. 따라서 예측 변수를 성장 과정에서 제외하고 예측 변수로 올바르게 지정해야 합니다.
2. "적재" 목록에서 예측 변수를 찾고 해당 변수를 포함하는 모든 효과를 선택한 후 "제거"를 클릭합니다.
3. "시작점 목록"에서 예측 변수를 선택하고 "끝점 목록"에서 "절편" 또는 "기울기"를 선택합니다.
4. 단방향 화살표를 클릭하여 조건부 LGC를 지정합니다.
참고: 예측 변수가 두 개 이상인 경우 "시작점 목록"과 "끝점 목록"에서 예측 변수를 선택하고 양방향 화살표 버튼을 클릭하여 공분산을 지정해야 합니다.
다중 그룹 분석
다중 그룹 분석 모형을 사용하면 SEM 프레임워크의 모형에 대해 그룹화 변수를 지정할 수 있습니다. 그러면 그룹 전체에서 모형이 추정되므로 여러 모집단에 대해 추론할 수 있습니다. 다음 단계를 사용하여 다중 그룹 분석 모형을 지정할 수 있습니다.
1. 시작 창에서 모델링할 관측 변수를 선택하고 "모형 변수"를 클릭합니다.
2. 범주형 그룹화 변수(주로 수준 수가 적은 변수)를 선택하고 "그룹"을 클릭한 후 "확인"을 클릭합니다.
3. "모형 규격" 보고서를 사용하여 선택 모형을 지정합니다. 회귀 경로를 추가하려면 "시작점 목록"에서 예측 변수를 선택하고 "끝점 목록"에서 해당 결과를 선택한 후 단방향 화살표 
버튼을 클릭합니다. 공분산 경로를 추가하려면 동일한 단계를 수행하지만 대신 양방향 화살표 
버튼을 클릭합니다. 잠재 변수를 추가하려면 "끝점 목록"에서 해당 표시자를 선택한 후 "끝점 목록" 아래의 잠재 변수 추가 버튼을 클릭합니다.
4. "결합" 탭 경로 다이어그램을 사용하여 엣지를 선택하고 "등가 설정"을 클릭하여 그룹 간에 등식 제약 조건을 적용합니다. "결합" 탭에서 변경한 모형 규격은 모든 그룹에 적용됩니다. 그룹별 제약 조건 또는 규격 변경은 그룹별 탭을 사용하여 적용할 수 있습니다. 기본적으로 모형의 경로는 그룹 간에 자유롭게 추정됩니다.