结构方程模型与amos

《结构方程模型与amos》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、结构方程模型简介Structuralequationmodeling结构方程模型1AMOS软件介绍2结构方程模型与AMOSSEM的分析步骤3结构方程模型SEM概述1SEM与几种多元方法的比较2SEM的应用4为什么要用结构方程模型？很多社会、心理研究中所涉及到的变量，都不能准确、直接地测量，这种变量称为潜变量，如数学态度、数学效能、数学焦虑等。这时，只能退而求其次，用一些外显指标，去间接测量这些潜变量。如用学习动机、学习信心作为学习态度（潜变量）的指标，以自我肯定、持续努力（外显指标）作为数学效能的指标，以考试焦虑、课堂焦虑作为数学焦

2、虑的指标。传统的统计分析方法不能妥善处理这些潜变量，而结构方程模型则能同时处理潜变量及其指标。传统的分析中均假设自变量没有测量误差。什么是结构方程模型？结构方程模型是应用线性方程表示观测变量与潜变量之间，以及潜在变量之间关系的一种多元统计方法，其实质是一种广义的一般线性模型。结构方程模型分为：测量方程和结构方程测量方程（measurementequation）描述的是潜变量与指标之间的关系，如学习动机、学习信心指标与数学态度的关系结构方程（structuralequation）描述的是潜变量之间的关系，如数学态度、数学效能、数学焦虑

3、的关系。结构方程模型的基本概念潜在变量(latentvariable):无法直接测量，需要用外显指标去间接测量的变量；观测变量(observedvariable):可以直接被测量的变量；外生变量(exogenousvariable):在模型中只起解释变量作用的变量；内生变量(endogenousvariable):在模型中，受模型其他变量包括外生变量与内生变量影响的变量；残差项(errorterms)：观察变量估计潜在变量的出现的误差；结构方程模型常用于：验证性因子分析、高阶因子分析、路径及因果分析、多时段(multiwave)设计

4、、单形模型(SimpleModel)、及多组比较等。测量方程结构方程测量模型与结构方程测量模型回归方程如下：X1=λ1ξ1+σ1X2=λ2ξ1+σ2X3=λ3ξ1+σ3Y1=λ1η1+ε1Y2=λ2η1+ε2Y3=λ3η1+ε3上述回归方程的矩阵方程如下：测量模型回归方程结构模型潜变量间回归方程如下：η1=γ1ξ1+e1η2=γ3η1+γ2ξ1+e2结构模型回归方程残差（e1、e2）表示方程中未能被解释的部分潜变量观测变量内生潜变量外生潜变量误差测量方程测量方程结构方程相关因果全模型结构方程模型的优点(1)可同时考虑及处理多个因变量

5、(endogenous/dependentvariable);(2)容许自变及因变量(exogenous/endogenous)含测量误差;(3)与因素分析相似，SEM容许潜变量(如:社经地位)由多个观察指标变量(如:父母职业、收入)构成,并可同时估计指标变量的信度及效度(reliabilityandvalidity);(4)SEM可采用比传统方法更有弹性的测量模型(measurementmodel),如某一指标变量可以从属于两个潜变量;在传统方法里,项目多依附于单一变量;(5)研究者可构造出潜变量间的关系,并估计整个模式是否与数据

6、拟合。SEM的分析步骤3结构方程模型SEM概述1SEM与几种多元方法的比较2SEM的应用4SEM与几种多元方法的比较①SEM与传统多元统计方法（多元统计）传统多元统计方法：检验自变量和因变量的单一关系（多元方差分析可以处理多个，但是关系也是单一的）SEM:综合多种方法，验证性分析，允许测量误差的存在。②SEM与典型相关分析（多个自变量与多个因变量之间关系）典型相关分析：两组随机变量（定性或定量）之间线性密切程度；高维列联表各边际变量的线性关系；探索性分析SEM:估计多元和相互关联的因变量之间的线性关系；处理不可观测的假设概念；说明测

7、量误差。③SEM与联立方程模型（联立方程组、变量之间双向影响）联立方程模型：方程数量取决于内生变量的数量；只能处理有观察值的变量，假定不存在测量误差SEM:处理测量误差；分析潜在变量之间结构关系。SEM与几种多元方法的比较④SEM与人工神经网络（针对不可观测或潜在变量建模）人工神经网络：执行数据分析时，模型的隐含层接点仍然没有被明确标识出来；数据从输入层通过隐含变量流向输出层（输出向输入回流的网络拓扑结构）SEM:数据分析之前，已经标识潜在变量并构建起假设路径；观测变量都与中心潜在变量相关，潜在变量之间也可能发生关系。⑤SEM与偏最

8、小二乘法（PLS）（集成多种分析方法，对因变量进行测量）PLS：对观测变量协方差矩阵的对角元素拟合较好，适用于对数据点的分析，预测准确度较高SEM:对观测变量协方差矩阵的非对角元素的拟合较好，适合于对协方差结构的分析，参数估计更准确。