结构化方程模型的类型
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
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，但您也可以指定更复杂的模型。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。请参见中介分析。随着路径分析模型中变量数量的增加，这些模型的复杂性也随之增加。这种额外的复杂性使研究人员能够检验更复杂的理论。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
验证性因子分析 (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您拟合验证性因子分析模型：
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 
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“Constant”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。
中介分析
中介分析支持您检验因果理论，因果理论通过假设的一个或多个中介变量来将原因预测变量的效应传递到结果。中介模型通过一个或多个中间变量（也称为中介变量）来探索预测变量和结果变量之间是否存在间接效应，若存在则强度如何。SEM 平台支持您通过为原因、中介和结果角色指定变量来指定简单的中介模型。可以使用复选框通过选择多个中介变量来指定多个中介模型。
1. 在启动窗口中选择预测变量、结果变量和中介变量，点击“模型变量”，然后点击“确定”。
2. 使用“模型快捷方式”选项，选择“截面经典”>“中介分析”选项。
3. 在“指定中介模型”窗口中，选择原因预测变量、中介变量和结果变量。
在该模型中，预测变量的效应通过中介变量传递到结果。例如，假设我们关注了解特定的教学方法（自变量）与学生的学习成绩（因变量）之间的关系。我们怀疑学生在课堂上的参与程度（中介变量）也许能解释这种关系。“中介分析”快捷方式支持您评估间接效应的显著性，并且洞察学生的参与是否以及在多大程度上导致了教学方法对学习成绩的影响。请参见中介分析示例。
结构化回归模型
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 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。
潜在变量增长曲线模型
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，或是使用模型快捷方式通过执行以下步骤来简化 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”。
然后，“模型比较”表会显示备选的拟合指数，并且可以选择最佳模型。
条件潜在变量增长曲线模型
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。
多组分析
多组分析模型支持您为 SEM 框架中的任意模型指定分组变量。然后在各组之间评估该模型，这样您就能够对不同的总体做出推断。您可以使用以下步骤指定一个多组分析模型：
1. 选择您想在启动窗口中建模的观测变量，然后点击“模型变量”。
2. 选择一个分类分组变量（通常是一个水平很少的变量），点击“组”，然后点击“确定”。
3. 使用“模型规格”报表指定您选择的模型。要添加回归路径，请在“自列表”中选择预测变量，在“至列表”中选定相应的结果，然后点击单向箭头 
按钮。要添加协方差路径，请执行相同的步骤，但改为点击双向箭头 
按钮。要添加潜在变量，请在“至列表”中选择其指标，然后点击“至列表”下方的添加潜在变量 按钮。
4. 使用“联合”选项卡路径图选择边缘，并点击“设置等于”在组间应用等式约束。在“联合”选项卡中对模型规格所做的任何更改都将应用于所有组。可以使用组特定选项卡应用组特定约束或规格更改。默认情况下，模型中的路径可以跨组自由估计。