【#第一文档网# 导语】以下是®第一文档网的小编为您整理的《结构方程建模：心理与教育研究的重要方法》，欢迎阅读！
结构方程建模：心理与教育研究的重要方法
●童辉杰
近年来，我国心理学、教育学界的研究者非常关注一种重要的研究方法，这就是结构方 程建模。结构方程建模（Structural Equation Modeling，SEM）最早的研究出现在20世纪60年代，是心理测量学与计量经济学等学科研究方法结合的结晶。90年代得到很快发展，近年来倍受关注，广泛应用于心理学、教育学、经济学、社会学等领域，并代表了统计测量学的一种崭新的发展方向。
结构方程建模具有许多优点，可以概括为一个最重要的优点，这就是它可以真正实现对 数据的系统分析。美国著名心理学家安娜斯塔西认为这是一种“理论、实验、统计三结合的 一种有前途的方法。” 也就是说，通过这一方法，可以理想地将分析数据与验证理论假说以及实验处理结合起来，从而取得研究的更为可靠和有效的结论。
在心理与教育测量学关于效度的研究中，往往需要考察测验与另一测验或效标之间的相关。在相关分析中，由于不能考察变量的测量误差，不能考察没有测量到的变量所起的作用，往往难以判断假性相关以及真实的因果关系。结构方程建模可以解决上述种种困难，从而成为最有前途的一种方法。
虽然多元回归、路径分析、联立方程组等方法也考察多变量的关系（包括因果关系），但是它们的一大局限就是只能处理可观测的变量，并假定观测变量不存在测量误差。只能处理可观测的变量，就不能全面地考虑那些虽然没有观测到，但仍然在起重要作用的潜在变量的作用。假定观测变量没有测量误差，更是不切实际。因为在心理学、教育学等领域，对抱负、动机、人格、能力、情绪等的测量都不可能像身高、体重那样可以直接测量到，所以不可能不存在测量误差，这一假定是站不住脚的。但是以往的方法没有能够克服这些局限，只有结构方程建模，既可以分析可观测变量之间的关系，又可以分析潜在变量的作用，而且还将测量误差纳入分析之中。这样一来，这一分析技术能够真正将所要研究的东西（可观测的变量、潜在的变量、测量误差）纳入了一个全面的系统的结构之中，并且将理论的建构、实验测量的资料以及统计分析技术有机地结合在一起，具有极大的优势。
结构方程建模的基本程序
结构方程建模有以下几种基本程序：
1．建构初始模型。由于结构方程建模主要是一种验证性的技术，所以首先要根据理论与以前的研究预先设立一个初始的模型。一般是用路径图（path diagram）将初始模型画出来。路径图应当遵循的规定是，方型和矩形表示观测变量，圆型和椭圆型表示潜变量。变量之间的关系用连线表示，没有连线表示没有直接联系。单箭头表示两个变量之间存在因果关系，箭头从原因变量指向结果变量；双箭头表示两个变量之间有相关或双向的关系。
在潜变量中，又有两种区分。一是外生或外源潜变量（exogenous latent variable），其 影响因素在模型之外，即ξ变量；另一是内生或内源潜变量(endogenous latent variable) ,其影响因素在模型之内，即ε变量。
λx和λy是因子负荷系数，β和γ是路径系数；δ和ε分别是观测变量x和y的测量误差；δ为潜变量的测量误差；φ是外源潜变量的方差协方差。
一般结构方程由三个矩阵方程表达： ε= Bε + Γξ + δ y = Λyε + ε x = Λxξ + δ
总共有8个参数矩阵要估计，即B、Γ、Λy、Λx、Ф、Ψ、Θδ、Θε。B和Γ是结构路径系数矩阵，Λy和Λx是因子负荷矩阵，Ф是外源潜变量的方差协方差矩阵，Ψ是结构方程残差δ的方差协方差矩阵，Θδ和Θε是观测变量误差方差协方差矩阵。
2．模型的识别与估计。模型的识别指判断模型中每一个自由参数能不能由观测数据求得唯一解。一个自由参数不能以样本方差协方差的代数函数来表达，就不能识别。不能识别的模型中至少有一个不能识别的参数。模型不能识别，则所有的参数都不能估计。
如果一个自由参数至少可以由观测变量的方差协方差矩阵的一个或多个元素的代数函数来表达，这个参数就是可识别的。参数可由一个以上不同函数表达，这个参数就是过度识别的。识别模型有两种：
过度识别模型（overidentified model）。当一个模型中每个参数都是识别的并且至少有一个参数是过度识别的，这个模型就是过度识别模型。在这种模型中，自由参数数目少于观测变量中方差协方差的总数。观测变量中方差协方差的总数等于（p + q）（p + q + 1）/2。P为观测变量中y的数目；q为观测变量x的数目。除2表示只考虑对角线上一半的协方差。自由参数指因子负荷、路径系数、潜变量和误差的方差、潜变量之间与误差之间的协方差的总数。 恰好识别模型（just-identified model）。当一个模型中每个参数都是识别的，并且没有一个参数是过度识别的，这个模型就是恰好识别的。由于恰好识别模型完全拟合观测数据，卡方值和自由度永远为0，自由参数数目等于观测变量中方差协方差的总数，所以无法检验拟合优度。
解决模型不识别的问题有几种办法。其一，尽量减少自由参数，增加观测变量中方差协方差的数目。其二，固定一些参数。如将某潜变量的某因子负荷设定为1，或将该潜变量的方差设定为1；或将某路径系数设定为0（表示无影响）。其三，限制参数。将一些参数设定为相等，如将两个在以前的研究中表明相同的潜变量的路径系数设定为相等。这些做法可以减少自由参数的数目，从而可能使模型识别。
模型的估计是根据样本的数据推导出一个引申的（implied）方差协方差矩阵∑，使其中每一元素都尽可能接近样本中观测变量的方差协方差的相应元素。如果∑非常接近S，说明模型正确。常用的估计方法是最大似然法（maximum likehood,ML）和广义最小二乘法（generalized least squares,GLS）。
此二法的前提是，观测变量须为连续变量，具有多元正态分布。如果不是连续变量，或偏态，会导致很差的估计、不正确的标准误以及偏高的卡方值。
3．模型的评价与修正。结构方程建模所做的运算是使用样本数据对设定的模型参数进行估计，然后根据这些参数估计重建方差协方差，将重建（引申的）的方差协方差（∑）与观测方差协方差尽量匹配。其匹配的程度就是拟合样本数据的程度。有不少衡量拟合程度的标准，例如：拟合优度的卡方检验 卡方值为拟合函数值与样本规模减1的乘积。公式为：X2 = (n - 1)F其中F是拟合函数。在此，与传统的统计检验相反，卡方值愈小，说明拟合愈好。考察卡方值与自由度之比，可以对拟合作一粗略估计。如果卡方值与自由度之比小于2，可以说拟合较好。这一估计可减少样本规模对检验的影响。
拟合优度指数（goodness-of-fit index,GFI） 拟合优度指数GFI的估计： GFI = 1 - F〔S, ∑(Θ)〕 /〔S, ∑(0)〕
GFI考察观测变量的方差协方差矩阵S与引申的方差协方差矩阵的匹配，如果∑ = S，则GFI = 1，说明模型完全拟合。一般0.9以上说明模型拟合。
调整的拟合优度指数（adjusted goodness-of-fit index,AGFI） 调整的拟合优度指数的估计：AGFI = 1 - 〔［(p + q)(p + q + 1) / 2］ /df〕(1 - GFI)
该指数通过参数估计的总数进行调整。估计的参数比观测数据的方差协方差总数越少，AGFI越接近GFI。GFI和AGFI都不是对模型拟合度作正常的统计检验，只是模型是否适当的指标。0.9以上说明模型拟合观测数据。 还有不少比较拟合指数（comparative fit indexes）。它们都是通过与独立模型作比较，以确定所设定的模型在拟合上的改善程度。独立模型指假设所有的变量之间没有相关关系，即将模
本文来源：https://www.dy1993.cn/7ck4.html
下载此文档
文档下载
2023-05-05
