结构方程建模(SEM)是数据分析的一种特殊形式。根据这种方法,研究人员首先建立一个模型,该模型指定多个变量是如何相互关联的。这些理论化的关系被形式化为一组方程,其中包含了所讨论的变量。然后测量这些变量,并量化它们之间的关系。对模型的测试包括对方程再现或“拟合”观察到的关系的程度的评估。
作为一个简单的例子,考虑一个模型,在这个模型中,研究者推论变量a影响C是因为它对B的影响C,这个模型有两个方程,预测B使用,另一个预测C使用B来测试这个模型中,研究者措施观察到的关系,B和C扫描电镜的应用提供的测试(1)实际上是一个有用的预测是否B, B(2)是否实际上是一个C,有用的预测值(3)模型整体与观测数据是否吻合。后一个测试并不是简单地与前两个测试重复。原因是模型指定仅仅是一个C的预测,因为它关系到B可能是一个有用的预测B, C和B,但该模型可能会提供一个贫穷的适合,因为研究人员错误指定与C没有直接关系。
可以看出,正确使用SEM需要研究者在收集数据之前仔细思考变量之间的关联方式。在这个意义上,SEM的应用通常被认为是验证性的,而不是探索性的。虽然研究人员经常根据因果影响来概念化变量之间的联系,但因果关系不能简单地从观察到的关系中推断出来(因此,术语因果建模是用词不当的)。一旦一个关系被确定,并放置在一个更大的背景下使用SEM变量,研究人员最好被建议使用实验设计来测试因果关系。
可以想象,SEM可以是一种非常强大和灵活的数据分析技术。事实上,许多其他的数据分析策略可以被认为是SEM的具体形式,包括线性和非线性回归、路径分析、因子分析和层次建模。SEM实际上允许研究者将这些简单的数据分析技术结合在一个单一的分析中,而不是使用多个步骤进行单独的分析。例如,SEM的一个比较流行的应用包括因子分析和路径分析的结合。因为因子分析处理潜在的,或未观察到的变量,这种形式的分析通常被称为潜在变量建模。
正如可以预期的那样,大多数SEM的应用是计算复杂的,需要复杂的统计计算机软件包。其中最流行的是LISREL。
引用:
- 博伦,K. A.(1989)。带有潜在变量的结构方程。纽约:威利。
- 克莱恩(2004)。结构方程建模原理与实践(第2版)。纽约:吉尔福德出版社。
- 何先生(2002)。报告结构方程分析的原则和实践。心理学方法,7,64 -82。
- Raykov, T., & Marcoulides, G. A.(2006)。结构方程建模的第一个课程。NJ: Erlbaum Mahwah。