结构方程模型基础外文翻译资料

英语原文共 19 页，剩余内容已隐藏，支付完成后下载完整资料

附录A 外文参考文献(译文)

结构方程模型基础

摘录

结构方程模型是用于表示估计和测试变量(测量变量和潜在结构)网络之间的关系。本教程提供了SEM的介绍，包括比较“传统统计”与SEM分析。例子包括路径分析/回归，重复测量分析/潜增长曲线建模与验证性因素分析。学员将学习基本技能，分析数据与结构方程建模。

理论基础

分析研究数据和解释结果可能是复杂和混乱。数据分析的传统统计方法指定默认模型，假设测量没有错误发生，并且有些不灵活。然而，结构方程建模需要建立在一个模型的理论和研究的基础上，是一个多元技术纳入测量变量和潜在结构，并明确指定测量误差。模型(图)允许具体变量间关系。

目的

本教程的目的是为学员提供结构方程建模方法的基本知识。目标是一个强大的、灵活的和全面的技术，调查测量变量之间的关系和潜在结构和挑战参与者的设计和规划研究，SEM是一个合适的分析工具。

结构方程模型(SEM)

●是一个全面的统计方法来测试假设观察和潜在变量之间的关系(Hoyle,1995)。

●是一种方法，代表，估计和测试变量之间线性关系的(主要的)理论网络(格登，1998)。

●测试假设模式的一组中观察到的方向性和无方向性的关系(测量)和不可观测的潜在变量(MacCallumamp;奥斯丁,2000)。

SEM的两个目标

1) 了解一组变量之间的相关/协方差模式

2) 解释尽可能多的方差与指定的模型(Kline,1998)。

该模型的目的，在SEM的最常见的形式，是考虑到测量变量的变异和协方差变量(MVS)。路径分析(如回归)在MVS试验模型和关系。验证性因素分析模型潜变量之间的关系(LVS或共同因素)和MV是常见因素指标。潜在增长曲线模型(LGM)估计初始水平(拦截)，变化率(斜率)，结构的斜坡，和方差。SEM特殊情况回归、典型相关分析、验证性因素分析和重复测量的方差分析(Kline,1998)。

传统统计方法与SEM的相似性

在许多方面，SEM类似于传统的方法，如相关性，回归和方差分析。第一，传统方法和SEM均基于线性统计模型。第二，与这两种方法相关的统计测试是有效的，如果某些假设得到满足。传统方法假设正态分布，SEM呈多元正态分布。第三，两种方法均没有提供因果关系的检验。

传统与SEM方法的差异

传统的方法不同于SEM方法在几个领域。首先，SEM是一个高度灵活和全面方法论。这种方法适用于调查成果，经济趋势，健康问题，家庭和同龄人行动力学，自我观念，运动，自我效能，抑郁，心理治疗，其他现象。

其次，传统的方法指定一个默认的模型，而SEM需要正式规范的模型来估计和测试。SEM没有默认的模型和地方很少的限制，可以指定什么类型的关系。SEM模型规范要求研究者用理论或研究支持假说，并事先指定关系。

第三，SEM是一种结合观察到的多元技术(测量)和不可观测的变量(潜变量)而传统技术只测量变量。多个相关方程同时求解，以确定参数估计与SEM方法。

第四，SEM允许研究人员认识到他们方法本质的不完善性。SEM明确指定错误，而传统方法假定测量发生无误差。

第五，传统的分析提供了简单的显着性测试，以确定组间差异，变量之间的关系，或解释的方差的量。SEM没有简单的测试，以确定模型拟合。相反，最好的策略评价模型拟合检验多个测试(例如，卡方，比较拟合指数(CFI)，特勒波奈特非规范拟合指数(NNFI)，近似误差均方根(RMSEA))。

第六，SEM解决多重共线性问题。多措施需要描述一个潜在的结构(不变量)。多重共线性不能出现是因为不可观测的变量代表不同的潜在结构。

最后，在SEM，图形语言提供了一个方便和强大的方式来呈现复杂的关系。模型规范涉及制定一组变量的陈述。图形表示的模型，被转换成一组方程。同时求解方程组测试模型拟合和估计参数。

统计

传统的统计方法通常使用一个统计检验，以确定分析的意义。但结构方程模型，依赖于几个统计测试，以确定模型是否与数据相拟合。卡方检验，表示期望和观察到的协方差矩阵之间的差异量。卡方值接近零，表示预期和观测协方差矩阵之间的差别不大。此外，当卡方接近零时，概率水平必须大于0.05。

比较拟合指数(CFI)等于调整样本大小的偏差函数。CFI的范围从0到1中值越大表示模型拟合度越好。可接受的模型是0.90或更大的CFI值(Hu amp; Bentler, 1999)。

在模型中，近似误差均方根(RMSEA)是残余相关。RMSEA值的范围从0到1之间最小的值表示模型拟合度较好。RMSEA值是0.06表示该模型可接受或更小的一个RMSEA值(Hu amp; Bentler,1999)。

如果模型拟合是可以接受的，参数估计可被检查。每个参数估计与其标准误差之比的统计量是为显著水平0.05的Z分布，如果其值超过1.96，并且在0.01水平，且其值超过了2.56，则具有显著性(Hoyle, 1995)。不规范的参数估计保留变量缩放信息只能解释参考变量的尺度。标准化参数估计是非标准估计变换，删除缩放，可用于非正式的参数比较整个模型。标准化估计对应影响大小估计。

如果所发现的模型拟合度不可接受，该模型在修改时所作出的修改是有意义的。模型的修改涉及调整指定的和估计的模型，通过释放固定的或自由的参数。这个拉格朗日乘数测试提供的是关于卡方变化量结果的信息。如果自由参数是固定的，这个Wald检验提供关于卡方变化量结果的信息(Hoyle, 1995)。

注意事项

SEM的使用可能会受到影响

●研究假设正在测试

●足够的样本量的要求

一个理想的目标是有一个20:1的比例模型参数的科目数。然而，10:1可能是一个现实的目标。如果该比率低于5:1，估计可能是不稳定的。
●测量仪器

●多元正态性

●参数识别

●异常值

●缺失数据

●模型拟合指标解释(Schumacker amp; Lomax, 1996)。

SEM的过程

SEM分析的建议方法通过以下过程：

●审查相关理论和研究文献，支持模型规范

●指定模型(例如，图表，方程式)

●确定模型识别(例如，如果可以找到唯一的参数估计值，数量的自由程度DF，模型试验是阳性的)选择模型中表示的变量的度量

●收集数据

●进行初步的描述性统计分析(例如，缩放，缺失数据，共线性问题，异常值点测)

●估计模型中的参数

●评估模型拟合

●指定模型中是否有意义

●解释并给出结果。

定义

测得的变量(MV)是一个变量，而直接测量的潜变量(LV)是一个结构，不是直接或准确测量。

一个潜变量可以定义为它的多个指标有什么共同点。LVS是以这种等效因子分析中的一般因素，可被看作是无测量误差的方式定义的。

变量之间的关系有三种类型

●协会，如相关性、协方差

●直接影响两个变量间的关系，如因变量和自变量

●间接效应是在因变量通过一个或多个干预或中介变量上的自变量的影响

变量标签

●独立→预测→外源(外部)→模型中其他变量的影响

●依赖→标准→内源(内部)→其他变量的影响→被表示为其他内生变量的原因

●潜变量→因素→建模

●观测变量→测量变量→显变量→指标→通常被认为是内源性

●模型是关于变量之间关系的统计陈述。

●路径图是模型的图形表示。

规范正制定关于一组参数的陈述和叙述模型

●模型的规范和评价的一个关键原则是在指定和评估中，我们所感兴趣的所有的模型在一定程度上是错误的

●我们必须将发现的最优结果定义为特定适合我们观测数据的一种模型，并得出有较高说服力的解决方案。

●不考虑所有可能的模型，寻找一个特定的能很好与观察数据相适配的模型，并得出有说服力的解决方案，这仅仅意味着这个模型为所观察的数据提供了一个合理的结构模型。

参数指定为固定的自由参数。

固定参数不能从数据和它们的值通常固定在0或1估计。

固定参数的值一般是根据模型规范的要求定义的。关键的要求是我们建立模型中每个LV的比例，包括误差项。为了解决这个问题，我们提供了每个LV是模型中的具体过程的两种方式之一

●修正每个LV的方差为1。

●修正一个与LV定向影响因素相关参数值为1。

自由参数是根据数据进行估计。

拟合指数表明在模型中指定的固定的和自由的参数模模型的程度是一致的模型方差和协方差的一组观测数据。拟合指数的例子是卡方、CFI、NNFI、RMSEA。

一般结构方程模型的组成部分是测量模型和结构模型。测量潜变量模型的规定，例如，验证性因素分析。结构模型的描述的是潜在变量和观察变量之间的关系，并不是潜在变量指数。

识别涉及的条件的研究，以获得一个单一的，唯一的解决方案，为每一个自由参数指定观测数据模型。为了获得一个解决方案，自由参数的数量q，必须等于或小于在样本协方差矩阵非冗余的元素个数，记为P^*，P^*=P(P 1)/2，其中p是多少协方差矩阵中的测量变量(q le; P^*)。

模型识别的类型

●如果一个单一的或唯一的值不能从所观察到的数据中获得一个或多个自由参数，则该模型是不可识别的。例如，无限的解决方案，可以得到的方程x y=5。y的解决方案是完全依赖于x的解决方案时，有更多的未知数(x和y)比方程(1)的数目多，该模型是不可识别的。

●模型刚刚确定。两方程，x y=5和2x y=8，一个独特的解决方案，可以得到。当线性无关方程的数目与未知参数的数目相同，该模型仅被识别。这意味着我们可以得到唯一的参数估计，但该模型不能被测试。

●如果一个或多个自由参数的值可以从所观察到的数据以多种方式获得，那么该模型是过度识别。过度识别就是有比未知的独立方程要多的条件参数。例如，x y=5，2x y=8，x 2y=9。没有确切的解决办法。我们可以定义一个标准获得最充分的解决方案作为替代。过度识别模型的一个优点是，我们可以测试模型。

●当df是积极的，所有的q参数进行估计，df=(p^*- q)。

●例如，下面的三

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[613489]，资料为PDF文档或Word文档，PDF文档可免费转换为Word