测量值误差模型的示例
“结构化方程模型”平台中的测量值误差模型可用于分析调查响应，尤其是当您怀疑响应中可能存在不准确或偏倚情况时。本例演示了如何分析一项调查的响应，该调查旨在测量与工作满意度相关的关键职场构念。调查包括 11 个问题，可分为三个类别：领导力、冲突和满意度。对每个类别中的问题的回答经过平均，用来定义该特定类别的得分。
假设您希望了解领导力、冲突与整体工作满意度之间的关系。若您认为调查问题的回答存在测量误差，那么采用能调整这些误差的测量值误差模型是合适的。此类测量值误差可能由多种原因导致。例如，受访者可能高估或低估了自身的工作满意度。此外，不同受访者对调查问题的理解可能存在差异，从而导致回答中出现系统性测量值误差。调查问题本身也可能未能完美捕捉想要调查的工作满意度方面。
您从之前的研究中了解到，预测变量和结果中均存在测量值误差。假设可靠方差（可靠性）的估计值如下：领导力_平均值为 0.87、冲突_平均值为 0.76、满意度_平均值为 0.82。
1. 选择帮助 > 样本数据文件夹，然后打开 Job Satisfaction.jmp。
2. 选择分析 > 多元方法 > 结构化方程模型。
3. 选择领导力_平均值、冲突_平均值和满意度_平均值，然后点击模型变量。
4. 点击确定。
5. 点击“模型快捷方式”红色小三角并选择规格帮助 > 固定测量值误差。
6. 在“解释观测变量中的测量值误差”窗口中，选择领导力_平均值、冲突_平均值和满意度_平均值。
7. 将“可靠性 (0-1)”选作估计类型，并输入 0.87、0.76 和 0.82，分别作为领导力_平均值、冲突_平均值和满意度_平均值的估计值。
提示：您可以使用输入估计值旁边的文本编辑框来更改潜在变量名称的默认名称。
8. 点击确定。
9. 在“自列表”中选择真领导力_平均值和真冲突_平均值，在“至列表”中选择真满意度_平均值，然后点击单向箭头 
按钮。
10. 在“自列表”中选择真领导力_平均值，在“至列表”中选择真冲突_平均值，然后点击双向箭头 
按钮，以指定领导力_平均值与冲突_平均值这两个潜在变量之间的协方差。
图 8.22 测量值误差模型设定
11. 在“操作”部分中，点击运行。
图 8.23 “测量值误差模型”报表
“结构化方程模型”报表包括“拟合汇总”表和“参数估计值”表，以及所拟合模型的路径图表示。您可以从参数估计值得出结论：模型包含真实因变量与自变量之间的显著效应（p 值 < 0.0001）。真领导力_平均值和真冲突_平均值的参数估计值分别为 0.457 和 -0.469。真领导力_平均值和真冲突_平均值的标准误差分别为 0.099 和 0.108。
路径图还突显了真领导力_平均值与真满意度_平均值之间以及真冲突_平均值与真满意度_平均值之间显著的直接关系。同时还显示出真领导力_平均值和真冲突_平均值之间的协方差为
-0.477。路径图还显示了测量值误差方差的估计值，这些值是根据“解释观测变量中的测量值误差”窗口中指定的可靠性估计值（0.87、0.76 和 0.82）转换而来的。这些估计方差的数值等效值显示如下：领导力_平均值为 0.106、冲突_平均值为 0.211、满意度_平均值为 0.159。
将结果与多重线性回归模型进行比较
1. 选择分析 > 拟合模型。
2. 选择满意度_平均值并点击 Y。
3. 选择领导力_平均值和冲突_平均值并点击添加。
4. 点击运行。
图 8.24 多重线性回归参数估计值
Figure 8.24 中显示的估计值对于两个预测变量都是显著的（p 值 < 0.0001）。当忽略测量值误差并应用多重线性回归模型时，领导力_平均值和冲突_平均值的估计值分别为 0.467 和 -0.351。请注意，这些估计值不同于通过测量值误差模型计算得出的值（0.457 和 -0.469）。此外，预测变量的标准误差估计值在模型之间也有所不同。在测量值误差模型中，真领导力_平均值和真冲突_平均值对应的估计值分别为 0.099 和 0.108；而在应用多重线性回归模型时，领导力_平均值和冲突_平均值的相同估计值分别为 0.064 和 0.061。Figure 8.23 和Figure 8.24 显示考虑测量值误差与忽略测量值误差时预测变量的参数估计值及其标准误差的差异。具体而言，考虑测量值误差时预测变量的标准误差估计值更高。