多元方法 > 结构化方程模型 > 结构化方程模型概述
发布日期: 11/15/2021

Image shown here结构化方程模型概述

“结构化方程模型”(SEM) 平台支持您拟合可用于检验变量间关系理论的众多模型。模型中的变量可以是观测到的(变量),也可以是未观测到的(潜在变量)。结构化方程建模在社会科学和行为科学中很普遍。

默认情况下,该平台为所有变量指定一个具有均值和方差的模型。然后,该平台提供了一个模型构建界面,使您能够在构建模型时看到模型的多个视图。它还提供模型构造过程中的一些模型细节,这些细节在运行模型之前会向您提醒哪些模型不受支持。

拟合一个或多个模型后,可以在“模型比较”报表中比较拟合的模型和两个基线模型。基线模型是不受限模型和独立模型。不受限模型是完全饱和模型,该模型拟合指定模型变量的所有均值、方差和协方差,而不对数据强加任何结构。独立模型拟合指定的模型变量的所有均值和方差。指定模型变量之间的所有协方差都被固定为零,这会导致高度受限的模型。

SEM 平台使用全信息最大似然 (Finkbeiner 1979) 方法。这使您能够充分利用数据中的所有可用信息,即使在具有随机缺失值的观测比例较高时也是如此。

有关结构化方程建模的详细信息,请参见 SAS Institute Inc.(2020a) 中的“CALIS 过程”一章、Bollen (1989) 和 Kline (2016)。

注意:“结构化方程模型”平台中的所有模型都用一个平均结构来估计,这意味着包含一个“常数”项。若不想让结构基于观测变量的均值,则应按照默认模型规格中的方式自由估计均值。

模型类型

本节介绍了可以在“结构化方程模型”平台中拟合的一些不同类型的模型:

路径分析支持您检验观测到的变量之间关联的备选解释模型。当研究中每个关注的结构只有一个变量可用时,通常使用此方法。也许最简单的“路径分析”模型是一个标准回归模型,在该模型中 X 预测 Y。SEM 平台支持您拟合该简单回归模型,但您也可以指定更有趣的模型。例如,您可能有变量 Z,根据理论或之前的研究,设定该变量为 X Y 关系的中介。换言之,X 预测 Z,然后 Z 预测 Y。因此,最初的 X Y 关系可能只因在原始模型中排除了 Z 才存在。可通过执行以下步骤在 SEM 平台中执行路径分析:

1. 在启动窗口中选择所有观测到的变量,点击“模型变量”,然后点击“确定”。

2. 在“模型规格”报表中,在“自列表”中选择预测变量,在“至列表”中选择对应结果,然后点击单向箭头按钮。

注意:所有外生变量(那些没有指向它们的任何单向箭头的变量)必须在模型中自由相关,除非检验的是零相关的假设。使用双向箭头按钮指定这些协方差。

确认性因子分析 (CFA) 支持您检验备选测量模型。CFA 通常用于调查开发,并用作拟合结构化回归模型之前的初始步骤。SEM 平台通过执行以下步骤支持拟合确认性因子分析模型:

1. 在启动窗口中选择所有观测到的变量,点击“模型变量”,然后点击“确定”。

2. 使用“模型规格”下的“至列表”,选择假定要加载到潜在变量上的变量。

3. 在“至列表”下方的框中输入潜在变量的名称,然后点击添加潜在变量 Image shown here 按钮。

4. 重复该过程,直到指定了模型的所有潜在变量。

请注意,SEM 平台总是包含一个平均结构,因此所有观测到的变量都列在“均值/截距”列表中,作为“常数”项的结果。此外,若在启动窗口中选择了“标准化潜在变量”选项,则通过将其第一个指标的载荷设置为 1(默认值)或将其方差设置为 1,可自动识别所有潜在变量。最后,传统的 CFA 模型允许所有潜在变量共变。通过选择“自列表”和“至列表”中的所有潜在变量,然后点击双向箭头按钮,可以指定这些协方差。

结构化回归 (SR) 模型亦称带潜在变量的路径分析。这些模型通常在通过确认性因子分析 (CFA) 确定为合适的测量模型后使用。SR 模型支持您检验潜在变量之间特定的关系模式。换言之,尽管 CFA 不会针对潜在变量之间的效应强加任何方向(所有潜在变量都允许自由共变),但 SR 模型会强加。在假设管理层“领导力”在工作场所会导致较少的团队“冲突”和更高的员工“满意度”的例子中,“领导力”潜在变量可以预测“冲突”和“满意度”潜在变量。通过执行以下步骤,您可以在执行 CFA 后指定这些方向效应(回归):

1. 在启动窗口中选择所有观测到的变量,点击“模型变量”,然后点击“确定”。

2. 使用“模型规格”下的“至列表”,选择假定要加载到潜在变量上的变量。

3. 在“至列表”下方的框中输入潜在变量的名称,然后点击添加潜在变量 Image shown here 按钮。

4. 重复该过程,直到指定了模型的所有潜在变量。

5. 在“模型规格”报表中,在“自列表”中选择预测变量,在“至列表”中选择对应结果,然后点击单向箭头按钮。

潜在变量增长曲线 (LGC) 模型支持您拟合和检验重复测量数据的替代潜在轨迹。这些模型与混合模型框架中的随机效应模型非常相似。通常,您希望将无增长模型与线性模型进行比较。在无增长模型中,个体的起点可能不同,但轨迹平坦。在线性模型中,个体的起点和线性斜率都会随时间而变化。若有足够的数据可用,您还可以将这些模型与二次模型进行比较,在二次模型中,个体的起点以及线性和二次变化率均随时间而变化。您可以使用 SEM 平台模型规格来拟合 LGC 模型,但是该平台通过执行以下步骤来集成 LGC 模型的拟合:

1. 在启动窗口中选择所有观测到的变量(重复测量),点击“模型变量”,然后点击“确定”。

注意:为了使“潜在变量增长”模型快捷方式正确地指定模型,观测到的变量必须按时间顺序升序列出,并且必须具有相等的时间间隔。

2. 使用“模型快捷方式”选项,选择“纵向分析”>“仅截距增长曲线”模型,然后点击“运行”。

3. 使用“模型快捷方式”选项,选择“纵向分析”>“线性潜在变量增长曲线”模型,然后点击“运行”。

4. 使用“模型快捷方式”选项,选择“纵向分析”>“二次潜在变量增长曲线”模型,然后点击“运行”。

“模型比较”表显示了备选的拟合指数,并且可以选择最佳模型。

按照上述步骤确定理想的增长轨迹后,可以使用条件潜在变量增长曲线模型。此时,可以将截距和变化因子的预测变量添加到模型中。这些预测变量可能被证明是决定生长过程初始得分和随后变化的重要因子。要拟合条件 LGC,请在启动窗口中选择所有观测到的变量(重复测量),包括潜在变量的假设预测变量。确保预测变量是“模型变量”列表中最后的变量,以便于执行以下步骤:

1. 使用“模型快捷方式”选项选择适当的增长轨迹。该选项指定 LGC 模型中的所有变量,包括预测变量。因此,您需要从增长过程中排除预测变量,并正确地将它们指定为预测变量。

2. 在“载荷”列表中找到预测变量,选择涉及它们的所有效应,然后点击“删除”。

3. 在“自列表”中选择预测变量,在“至列表”中选择“截距”或“斜率”。

4. 点击单向箭头以指定条件 LGC。

注意:若有多个预测变量,则必须通过在“自列表”和“至列表”中选择预测变量并点击双向箭头按钮来指定它们的协方差。

需要更多信息?有问题?从 JMP 用户社区得到解答 (community.jmp.com).